В тренде на этой неделе: преобразование речи в текст с Wav2Vec 2.0; Алгоритмическая предвзятость в проблеме данных; Используйте AWS SageMaker Clarify, чтобы выявить предвзятость машинного обучения; Распродажа биткойнов.

Каждую неделю мы анализируем самые обсуждаемые темы в Твиттере от влиятельных лиц в области науки о данных и искусственного интеллекта.

Следующие темы, URL-адреса, ресурсы и твиты были автоматически извлечены с использованием метода моделирования тем, основанного на Sentence BERT, который мы улучшили, чтобы он соответствовал нашему варианту использования.

Хотите узнать больше об используемой методологии? Перейдите к этой статье для получения более подробной информации и найдите коды в этом репозитории Github!

Обзор

На этой неделе влиятельные лица Data Science и AI в Твиттере говорили о:

  • Приложения машинного обучения и глубокого обучения
  • Предвзятость в машинном обучении
  • Распродажа биткойнов

В следующих разделах представлены все подробности по каждой теме.

Приложения машинного обучения и глубокого обучения

На этой неделе влиятельные лица поделились статьями и документами, касающимися приложений машинного обучения и глубокого обучения.

KDnuggets поделился статьей, объясняющей, как выполнять преобразование речи в текст с помощью Wav2Vec 2.0, платформы с открытым исходным кодом, недавно представленной Facebook AI для самостоятельного изучения представлений из необработанных аудиоданных.

Вы можете узнать больше о модели Wav2Vec 2.0 в блоге Facebook AI. Кроме того, последней версией трансформеров Hugging Face является версия 4.30, и она поставляется с Wav2Vec 2.0. Это первая речевая модель автоматического распознавания речи, включенная в Transformers.

Со своей стороны, Dr. Ганапат Пулипака поделился исследовательской работой под названием Динамическое машинное обучение объемной реконструкции интерьеров объектов с ограниченных угловых видов. В этой статье представлен подход, который точно реконструирует внутренние объемы с использованием архитектуры рекуррентной нейронной сети (RNN) с новым рекуррентным блоком разделяемой свертки (SC-GRU) в качестве фундаментального строительного блока.

Наконец, Кирк Борн поделился 15-минутным видео, объясняющим основные идеи Присоединенной дифференциации и обратного распространения с применением в машинном обучении и финансах.

Предвзятость в машинном обучении

На этой неделе влиятельные лица поделились ресурсами, связанными с предвзятостью в машинном обучении.

Сандра Вахтер, доцент и старший научный сотрудник в области права и этики в Оксфордском институте Интернета, поделилась статьей, опубликованной в последних новостях Amazon Science, под названием Как статья трех ученых из Оксфорда повлияла на предвзятость и объяснимость программного обеспечения AWS. В этой статье объясняется, как инструмент Amazon SageMaker Clarify использует, в частности, одну метрику — условное демографическое неравенство (CDD), которая была основана на исследовательской статье под названием Почему справедливость нельзя автоматизировать: преодоление разрыва между законом ЕС о недискриминации и искусственным интеллектом. », в соавторстве с Сандрой Вахтер.

Она также поделилась сообщением об отсутствии универсальной этической основы ИИ, что привело к бессистемному подходу. В этой статье говорится об опасениях, что проверки могут не только не выявить предвзятость, но и узаконить вредные технологии. Это объясняет, что многие методы обнаружения предубеждений в алгоритмах на самом деле сохраняют предвзятость, потому что они предполагают, что статус-кво в обществе справедлив.

Хьюго Ларошель поделился публикацией под названием Выйти за рамки «алгоритмической предвзятости — проблема данных». В этой статье объясняется, что алгоритмы не беспристрастны, и как выбор дизайна нашей модели может способствовать алгоритмической предвзятости. Этот пост смягчает ненадежное предположение о том, что предвзятость можно полностью устранить в конвейере данных, он предполагает, что в мире, где наши наборы данных далеки от совершенства, общий вред является продуктом как данных, так и нашего выбора дизайна модели.

Распродажа биткойнов

Биткойн падает на 15% всего через несколько дней после удара

рекордно высокий. Это вызвало ажиотаж в сообществе специалистов по данным.

Жан-Батист Лефевр поделился инфографикой, показывающей, как биткойн побеждает таких гигантов, как Apple, Microsoft, Amazon и Google, и становится самым быстрым активом, достигшим рыночной капитализации в 1 триллион долларов.

Карлос Э. Перес прокомментировал тему, обсуждающую, проводятся ли транзакции на черном рынке в BTC, всегда будет некоторое ценовое давление. Черный рынок составляет 10 трлн долларов, текущая предельная сумма BTC составляет 1 трлн долларов. Он рассуждал так, как равновесие может составлять 500 тысяч долларов для Биткойна.

Он также поднял вопросы по поводу твита, в котором утверждалось, что биткойн может достичь 69 тысяч 20 апреля.

Colin McGuire поделился статьей, в которой объясняется, что Dogecoin вырос на 400% за неделю, разжигая опасения по поводу пузыря криптовалюты. Как и многие криптовалюты, она имеет тенденцию к неустойчивым колебаниям цен, что приводит к сильным предположениям о том, что это пузырь.

Наконец, Ив Мулкерс поделился статьей о том, как рынок NFT взорвался, подняв цены на цифровые произведения искусства до фантастических уровней.

Но эти произведения искусства основаны на технологии блокчейна, которая также лежит в основе криптовалют, таких как биткойн, и производит огромные выбросы парниковых газов. Следовательно, возникают вопросы о воздействии на окружающую среду всего рынка NFT.