В ИИ инвестируются миллиарды долларов, и мы регулярно находим эти технологии в нашей повседневной жизни в смартфонах, автомобилях, бытовой технике и в наших финансах. Сегодня на Саммите машинного интеллекта в Амстердаме мы услышали от отраслевых экспертов и ведущих умов в области машинного интеллекта, которые обсудили, что машины теперь обладают способностями, которых мы никогда не ожидали и могут учиться на собственном опыте, во многом так, как это делают люди. В конечном итоге машины, как и их создатели-люди, смогут самостоятельно мыслить.

@maria_axente: рада узнать о последних разработках в области #machinelearning @reworkMI #reworkMI

@katramadosi: Приятно вернуться на мероприятие @reworkAI. С нетерпением жду следующих дней. @DFKI идет первым #reworkMI

«Многие люди начинают задаваться вопросом, как будет выглядеть мир с интеллектуальными компьютерами», и сегодняшний Саммит пригласил нас углубиться в конкретные достижения в различных областях, применяя МИ в своей работе.

Существует гипотеза, а иногда и опасения, что машины станут сверхинтеллектуальными и сделают многие человеческие роли излишними в различных отраслях, но, как упомянул Стив Возняк из Apple, это так далеко, что в настоящее время это нереалистичный страх. сцена. На это уйдут десятилетия и десятилетия. Это, однако, не означает, что компании не стремятся совершенствовать свои методы, чтобы они напоминали человеческий интеллект. В настоящее время DFKI исследуют скрытое визуальное пространство между прилагательными с состязательными сетями, область, с которой люди борются.

Дамиан Борт, DFKI, Исследование скрытого визуального пространства между прилагательными с помощью генеративно-состязательных сетей

Дэмиен Борт из DFKI объяснил, как классификация изображений и видео часто определяется текстовым контекстом, но это может ввести в заблуждение. DFKI преодолевают это, учась понимать прилагательные на изображении и маркировать их правильным и соответствующим настроением. Эти понятия должны быть связаны с эмоциями, чтобы, обнаружив набор прилагательных, можно было сделать вывод о настроении, например, красивое небо, прекрасный вид = позитивное настроение, а заброшенное здание, бурное море = негативное настроение. Чтобы зафиксировать переходы между ними в видео и изображениях, DFKI использует GAN для определения классификаций независимо от существительных, а затем обучает их с помощью глубокого обучения. Первоначально они использовали модель без глубокого обучения, которая дала результат 0,66, но после применения сквозного подхода с глубоким обучением был получен результат 0,84. Добавление этих слоев и расширенный анализ дали гораздо лучшие результаты. Задача и цель DFKI состоит в том, чтобы определить, возможно ли узнать параметр исходного распределения с учетом наблюдаемых наборов данных, и GAN являются частью решения для преодоления этого. Они состоят из генератора и дискриминатора: «генератор узнает, что, например, в спальне вам нужны определенные предметы, такие как кровать, шкаф и т. д., и благодаря этому обучению машина может генерировать реалистичное ищет спальню '.

GAN обучается для каждого типа изображения, и каждый отдельный вектор шума генерирует одно конкретное синтетическое изображение. Затем DFKI может определять новые операторы как комбинации «e.g. дайте мне больше облачного неба или сконструируйте переход между «спокойным небом» и «красивым небом»». Чтобы сделать этот переход, вам нужно определить прилагательные, связанные с каждым изображением, чтобы соединить визуальное пространство с областью естественного языка. . Вам нужен переход прилагательных, но в этом случае мы не хотим, чтобы он был задан лингвистикой, а данными и GAN. После завершения его обсуждения слово было открыто для вопросов, где мы узнали больше о чувствительности и ошибках в GAN, а также о том, как DFKI преодолевают это с помощью своего структурированного подхода и тестирования.

Александр Чуклин, Google Research Europe, Повышение рейтинга качества поиска с помощью данных журналов

Google постоянно работает над оптимизацией и улучшением результатов поиска, и Александр Чуклин, инженер-программист Google Research Europe, рассказал о модели машинного обучения, с которой они в настоящее время работают, чтобы использовать данные журналов для создания более точных показателей качества на основе оценок. Дав краткий обзор текущей доставки результатов поиска и пошутив, что мы 'надеюсь, все знают поисковые системы!', он объяснил, как невероятно важно для Google определить, насколько их пользователи довольны результатами поиска. Он объяснил, почему Google имеет множество журналов, но не знает, как их интерпретировать. Эти данные журналов легко собирать в любом масштабе, поэтому Google объединяет их с оценщиками ограниченного размера. ', чтобы получить оценку удовлетворенности пользователей ранее невиданными макетами документов без дополнительных затрат. После того, как это было сделано один раз, они могут запустить его, обучить модель, а затем повторно использовать ее снова и снова. После обучения модели мы можем поэкспериментировать с другими макетами без каких-либо затрат». Для них также важно определить, на чем на странице сосредоточено внимание пользователей, чтобы оптимизировать макет их наиболее ценных результатов, поэтому они используют горячие точки. чтобы указать, где курсоры проводят большую часть времени, чтобы поместить результаты в наилучшее возможное положение.

"Было бы здорово знать, на что будет направлено внимание пользователей? Прежде чем показать страницу пользователю, мы хотим предсказать, на что будет направлено его внимание, и в результате поставить результаты в оптимальное положение».

Забегая вперед, поиск Google постоянно продвигается вперед, и в настоящее время они работают над моделью уровня сеанса, которая охватывает несколько запросов и использует сигналы с мобильных устройств с помощью касания и прокрутки, выходящие за рамки поиска.

Свен Бенке, Боннский университет, Обучение восприятию семантической среды для когнитивных роботов

Затем мы услышали Свена Бенке из Боннского университета, который в настоящее время работает над семантическим восприятием среды для когнитивных роботов и объяснил важность понимания роботами своей среды для целенаправленного действия. Чтобы роботы могли перемещаться в 3D-мире, им нужен 3D-лазерный сканер, двойная широкоугольная стереокамера, ультразвук и множество других функций, которые позволят им понять семантику окружающей среды. Свен рассказал об обнаружении и распознавании объектов и показал короткое видео исследовательского робота, который выполняет задачи в симуляции окружающей среды Марса с использованием методов глубокого обучения для управления местностью и определения наилучших маршрутов путем категоризации поверхностей, а также обнаружения объектов. и препятствия. Используя комбинацию этого глубокого обучения вместе со случайными лесами и трансферным обучением, они могут создавать трехмерные семантические карты окружающей среды. Эти роботы способны решать проблемы реального мира и работать помощниками по дому, исследователями космоса, помогать в поиске и спасении.

ИИ является постоянным предметом обсуждения, но каково соотношение шумихи и реального прогресса?

Теймен Бланкеворт, Scyfer, Human in the Loop / Active Learning AI

Многие компании применяют ИИ в своих отраслях для решения реальных проблем, и сегодня во второй половине дня Теймен Бланкевоорт, технический директор Scyfer, рассказал о своей работе в дочерней компании Амстердамского университета.

Мы работаем с глубоким обучением, и все электронные таблицы, которые вы используете, мы можем автоматизировать! Я хочу, чтобы каждый мог научить ИИ выполнять задачу.

Они специализируются на внедрении ИИ в бизнес и консультируют компании по всему миру о лучших и наиболее практичных способах применения ИИ и машинного обучения в бизнесе для повышения производительности. Таймен объяснил, как DL реализуется как средство решения проблем с помощью моделирования обработки данных человеком и эффективности управления интеллектом. Scyfer обещает своим клиентам «наилучшие возможные результаты», и именно машинное обучение делает эту цель реальностью.

Эти технологии, реализованные в классификации изображений, поисковой оптимизации, когнитивных роботах, бизнесе и других продуктах искусственного интеллекта, считаются революционными, но для следующего поколения они будут существовать всегда, а ИИ станет их помощником и неотъемлемой частью их жизни. .