Прорывы, сформировавшие ИИ в 2020 году.

Привет, читатель. Меня зовут Алексей, я занимаюсь искусственным интеллектом и наукой о данных более 4 лет. Я просто предприниматель с множеством идей и большим желанием распространять знания и делать вещи проще.

Давным-давно, в далекой-далекой галактике… Я уже был здесь, вел свой блог на Medium, где я освещал все свои идеи и мысли об искусственном интеллекте, машинном обучении, науке о данных. Но однажды я обнаружил, что мой блог исчез с поверхности Medium, и в основном «Towards Data Science», где все мои статьи появлялись очень часто.

Имея более 4,2 тысяч подписчиков и почти 50 статей, мой блог канул в небытие по неизвестным причинам. Но я решил начать все сначала. Как и всегда, вы можете ожидать здесь моих мыслей о последних инновациях в области искусственного интеллекта, нескучных инструкций, сложной математики, лежащей в основе всего на простом языке, и многом другом.

Итак, без лишних слов, приступим!

Что сформировало ИИ в 2020 году?

Начнем с того, что 2020 год, несомненно, был сложным, поскольку он ознаменовался таким черным лебедем, как пандемия Covid-19. Для ИИ вряд ли было невозможно не пересекаться с ним. Кризис потребовал новых решений, и на самом деле ИИ смог их предоставить, что привело к серьезному технологическому сдвигу в сторону новых требований, продиктованных коронавирусом.

И небольшие компании, и технологические гиганты были вынуждены сосредоточить свое внимание на ИИ. Думаю, стоит упомянуть несколько проектов, которые считаю ценными и полезными:

Несмотря на поправки, внесенные Covid-19, АІ не сбился с пути от собственных улучшений. В течение 2020 года мы улучшили самостоятельное и неконтролируемое обучение в области глубокого обучения. Кроме того, был достигнут прогресс в автоматизированных платформах машинного обучения с низким кодом (например, AutoML, AutoML-Zero), что сделало алгоритмы машинного обучения еще более умными.

Итак, давайте более подробно рассмотрим некоторые из этих и других достижений. Ниже я собрал наиболее заметные, на мой взгляд, нововведения. При составлении этого списка у меня был только один критерий - практическая ценность (а в некоторых случаях, как, например, № 6, важные проблемы, противоречащие правам человека).

# 1 GPT-3 от OpenAI

Новшество, которое наделало много шума по сравнению с прошлым годом, несомненно, GPT-3. Третья версия Generative Pre-Training Transformer, созданная OpenAI, может создавать человеческий текст лучше, чем что-либо другое. Его сила в том, что он был обучен с использованием 175 миллиардов параметров - наибольшее количество параметров по сравнению со всеми предыдущими моделями авторегрессионного языка, использующими глубокое обучение.

GPT-3, безусловно, можно назвать огромным шагом вперед в расширении возможностей обработки естественного языка. И все это благодаря новой удобной парадигме - «предтренинг + тонкая настройка». Вкратце, это программа с автозаполнением, которая может выступать в роли переводчика, программиста, поэта или известного автора, и она может делать это вместе со своим пользователем (вами), предоставляющим менее 10 обучающих примеров. Просто введите, он предскажет, что будет дальше. Удивительно, не правда ли?

Но, думаю, скоро мы будем на пороге еще большего прорыва, а именно ГПТ-4. По мере того как все больше людей экспериментируют с GPT-3, мы рано или поздно обнаружим, что практической пользы от него немного. Я думаю, что GPT-4 заполнит все пробелы своего предшественника и, таким образом, станет гораздо более мощным инструментом для задач автоматической генерации текста.

Источники и исследования для более подробного изучения:

# 2 MLOps

MLOps (операции машинного обучения) или AIOps - еще один прорыв, который, я думаю, вывел ИИ на новый уровень в 2020 году. И хотя эта концепция все еще нова, с каждым днем ​​она становится все более востребованной. Все это потому, что применение MLOps на практике помогает избежать распространенных ошибок и проблем, с которыми специалисты по анализу данных сталкиваются каждый день.

Как и подход DevOps, MLops может решать множество задач. Точнее, он дополняет методологию CRISP-DM гибким подходом и техническими инструментами для автоматизации операций с данными, моделями машинного обучения, кодом и средой. Эти инструменты включают, например, Cloudera Data Science Workbench.

MLOps автоматизирует разработку, интеграцию, тестирование и превращает процессы развертывания в единый и эффективный конвейер. За этой магической автоматизацией стоит набор передовых практик по внедрению и управлению обученными в лаборатории моделями машинного обучения.

Источники и исследования для более подробного изучения:

# 3 AutoML - ИИ создает ИИ?

Что ж, 2020 год с уверенностью можно назвать годом совершенствования автоматизированного машинного обучения, которым является AutoML. Такие проекты, как Объясняемый ИИ, показали отличные результаты благодаря максимально возможному анализу данных с минимальным вмешательством человека. Все это потому, что AutoML позволяет разработчикам визуально исследовать поведение модели в моделях машинного обучения, раскрывать сложность моделей машинного обучения и получать более глубокое понимание.

Какая технология стоит в AutoML? Это алгоритм, который автономно создает лучшую модель машинного обучения для данной проблемы. Он позволяет настраивать масштабируемые модели машинного обучения, генерируя миллиарды прогнозов без необходимости использования армии специалистов по данным. Вот почему многие говорят, что это приведет к смерти специалистов по данным, что я считаю полной чепухой и просто громкими похвалами. Я могу объяснить почему.

AutoML - это лишь часть головоломки для внедрения ИИ, который не может справиться со всеми процессами автоматизации. Например, в нем не выполняется автоматический выбор бизнес-задачи для решения, не выполняется автоматический выбор ориентировочных данных, не выполняется автоматическое выравнивание заинтересованных сторон, не предоставляется AutoEthics перед лицом потенциальной предвзятости, не обеспечивается автоматическая интеграция с остальная часть вашего продукта, и он не обеспечивает AutoMarketing постфактум.

Источники и исследования для более подробного изучения:

# 4 ИИ решил одну из величайших задач в биологии

Еще одно громкое событие для ИИ в 2020 году - новая разработка DeepMind AlphaFold. Точнее, AlphaFold удалось решить одну из самых серьезных проблем в медицине - проблему сворачивания белка. Суть проблемы в том, что невозможно было определить, какую структуру будет составлять каждый из более чем 400 000 белков. Но, наконец, AlphaFold это удалось.

Почему этот прорыв так важен для медицины? Это помогает понять все проблемы, связанные с процессами сворачивания и разворачивания белков. А это, в свою очередь, ведет к лучшему лечению болезней и производству более эффективных лекарств и вакцин.

Вот два примера целевых белков в категории бесплатного моделирования. AlphaFold предсказывает структуры с высокой точностью, сравнивая их с экспериментальными результатами:

Источники и исследования для более подробного изучения:

# 5 ИИ может чувствовать боль и лечить себя

Первое, с чего я хочу начать, это то, что теперь роботы могут имитировать неврологические функции человека. Я нахожу это нововведение действительно впечатляющим, потому что оно похоже на отправную точку для того, чтобы заставить роботов испытывать человеческие чувства (или, по крайней мере, имитировать их), придавать им человеческие черты и поэтому, возможно, оно формирует следующее поколение роботов для эффективного взаимодействия с людьми.

Сингапурские ученые из Технологического университета Наньян инициируют первую попытку заставить роботов что-то чувствовать. В частности, они разработали мини-мозг ИИ для роботов и оснастили их сенсорными узлами на коже, чтобы они могли чувствовать, когда с ними случаются некоторые повреждения, а затем реагировать на вредные воздействия процедурами самовосстановления благодаря самовосстанавливающемуся ионному гелевому материалу. .

Нет необходимости в вмешательстве человека. Алгоритмы ИИ работают таким образом, чтобы обработать «боль», вычисляя силу удара или давления. Эта мощность позволяет роботу понять, где именно он получил повреждение, и, если повреждение незначительное, начать восстановление без вмешательства человека.

Источники и исследования для более подробного изучения:

# 6 ИИ автоматизирует массовое наблюдение

Одним из самых сомнительных достижений этого года является растущее использование ИИ в массовом мониторинге. Например, такие компании, как Clearview и Amazon, представили передовые технологии распознавания лиц для массового мониторинга с целью выявления и отслеживания людей, что может означать раскрытие большего количества преступлений. Очевидно, что это значительный прорыв с технической стороны, но когда речь идет о конфиденциальности и возможном разрушении гражданских свобод, он отстает. Позвольте мне объяснить почему.

Отрасль в значительной степени неконтролируема, а это означает, что технология распознавания лиц также может использоваться не по назначению и приводить к аресту невиновных людей на основании неверных совпадений по распознаванию лиц. Еще одна проблема, особенно в Соединенных Штатах, заключается в том, что списки наблюдения, которые полиция использует для проверки изображений, могут быть огромными - и могут включать людей без их ведома. Я думаю, что мы обязательно должны знать о таких вещах, и я надеюсь, что в ближайшее время мы разработаем какие-то проекты или решения, которые урегулируют все проблемы.

Источники и исследования для более подробного изучения:

7. AI решает квантовую химию

Еще одно достижение - успешная попытка решить уравнение Шредингера. Команда ученых Freie Universität Berlin разработала метод исследования сложного мира квантовой химии. Ценность этого нового метода в том, что он позволяет найти точное решение для произвольных молекул, которое можно эффективно вычислить.

Источники и исследования для более подробного изучения:

Итог: давайте поговорим о науке!

Источник изображения: Unsplash

Что ж, 2020 год, безусловно, был очень необычным и трудным. Но даже несмотря на все трудности, развитие ИИ не останавливается, чтобы сделать алгоритмы машинного обучения умнее.

От медицины до наблюдения - в каждой сфере происходят изменения. Подводя итог всем нововведениям, можно сказать, что среди общих тем были AutoML, MLOps, Open GPT-3, DeepMind AlphaFold, AI mini-brain, который чувствует боль, и многое другое. Единственное, что меня расстраивает, это, конечно, неоднозначное распознавание лиц Clearview, но я надеюсь, что они скоро решат все проблемы с правами человека.

Я надеюсь, что ключевые разработки, изложенные в этой статье, помогут вам следить за технологическими тенденциями. И да, я верю, что оставшийся 2021 год будет не менее удачным для ИИ. Что вы думаете? Оставляйте свои предложения или вопросы, и мы все обсудим.

P.S.

Если вы каким-то образом снова попадете в мой новый профиль (или впервые), поддержите мои усилия и подпишитесь на меня, чтобы прочитать больше статей о наркотиках позже. Если вам понравились некоторые из моих предыдущих статей и вы хотите использовать их снова, посетите мой Linkedin (надеюсь, там все полностью безопасно).

Кстати, вот некоторые из моих предыдущих руководств (для начинающих), которые многим пригодятся:

Добро пожаловать в сообщество Волшебные люди, AI люди.

Спасибо за внимание!