💬 5 новых тенденций в области глубокого обучения и искусственного интеллекта

5 новых тенденций в области глубокого обучения и искусственного интеллекта

Глубокое обучение и искусственный интеллект (ИИ) — это быстро развивающиеся области, в которых постоянно появляются новые технологии. Пять наиболее многообещающих новых тенденций в этой области включают федеративное обучение, GAN, XAI, обучение с подкреплением и трансферное обучение.

Эти технологии могут произвести революцию в различных приложениях машинного обучения, от распознавания изображений до игр, и предложить новые захватывающие возможности как исследователям, так и разработчикам.

Федеративное обучение

Федеративное обучение — это подход к машинному обучению, который позволяет нескольким устройствам совместно работать над одной моделью, не передавая свои данные центральному серверу. Этот подход особенно полезен в ситуациях, когда конфиденциальность данных является проблемой.

Например, Google использовал федеративное обучение, чтобы повысить точность своей предиктивной текстовой клавиатуры без ущерба для конфиденциальности пользователей. Модели машинного обучения обычно разрабатываются с использованием централизованных источников данных, что требует совместного использования пользовательских данных с центральным сервером. Хотя пользователи могут чувствовать себя неловко из-за того, что их данные собираются и хранятся на одном сервере, эта стратегия может привести к проблемам с конфиденциальностью.

Федеративное обучение решает эту проблему, предотвращая отправку данных на центральный сервер путем обучения моделей на данных, которые остаются на устройствах пользователей. Кроме того, поскольку обучающие данные оставались на устройствах пользователей, не было необходимости отправлять огромные объемы данных на централизованный сервер, что уменьшало потребности системы в вычислениях и хранении.

Связанный: Microsoft разрабатывает собственный ИИ-чип для поддержки ChatGPT: отчет

Генеративно-состязательные сети (GAN)

Сгенерированные состязательные сети — это тип нейронной сети, которую можно использовать для создания новых реалистичных данных на основе существующих данных. Например, GAN использовались для создания реалистичных изображений людей, животных и даже ландшафтов. GAN работают, сталкивая две нейронные сети друг с другом, при этом одна сеть генерирует поддельные данные, а другая сеть пытается определить, являются ли данные реальными или поддельными.

Генеративно-состязательные сети, или сокращенно GAN, быстро превратились в ведущую технологию для создания реалистичных синтетических данных. GAN — это тип архитектуры нейронной сети, состоящий из двух сетей: g... https://t.co/moU2Dls8Gk pic.twitter.com/0ZSRkeZe3z — phil.ai (@phill_ai) 20 апреля 2023 г.

Генеративно-состязательные сети, или сокращенно GAN, быстро превратились в ведущую технологию для создания реалистичных синтетических данных. GAN — это тип архитектуры нейронной сети, состоящий из двух сетей: g... https://t.co/moU2Dls8Gk pic.twitter.com/0ZSRkeZe3z

Объяснимый ИИ (XAI)

Подход к ИИ, известный как объяснимый ИИ, направлен на повышение прозрачности и понимания моделей машинного обучения. XAI имеет решающее значение, поскольку он может гарантировать, что системы ИИ будут принимать беспристрастные и справедливые решения. Вот пример того, как можно использовать XAI:

Рассмотрим сценарий, в котором финансовая организация использует алгоритмы машинного обучения для прогнозирования вероятности того, что заявитель не выполнит свои обязательства по кредиту. В случае обычных алгоритмов «черного ящика» банк не знал бы о процессе принятия решений алгоритмом и, возможно, не смог бы объяснить его заявителю на получение кредита.

Однако с помощью XAI алгоритм мог объяснить свой выбор, позволяя банку подтвердить, что он был основан на разумных соображениях, а не на неточной или дискриминирующей информации. Алгоритм может указать, например, что он рассчитывает оценку риска на основе кредитного рейтинга заявителя, его дохода и истории занятости. Такой уровень прозрачности и объяснимости может помочь повысить доверие к системам ИИ, улучшить подотчетность и, в конечном итоге, привести к более эффективному принятию решений.

Обучение с подкреплением

Тип машинного обучения, называемый обучением с подкреплением, включает в себя обучение агентов с помощью критики и стимулов. Многие приложения, включая робототехнику, игры и даже банковское дело, использовали эту стратегию. Например, AlphaGo от DeepMind использовала этот подход, чтобы постоянно улучшать свой игровой процесс и, в конечном итоге, побеждать лучших игроков в го, демонстрируя эффективность обучения с подкреплением в сложных задачах принятия решений.

ИИ может быть средством нашего совершенствования. Самая интересная статья, которую я видел по этому поводу, — это исследование производительности профессиональных игроков в ГО до и после введения Лилы, версии AlphaGo от DeepMind с открытым исходным кодом. Улучшена производительность игрока. pic.twitter.com/Tk6qxwOftz — Майлз Гримшоу (@milesgrimshaw) 15 января 2023 г.

ИИ может быть средством нашего совершенствования. Самая интересная статья, которую я видел по этому поводу, — это исследование производительности профессиональных игроков в ГО до и после введения Лилы, версии AlphaGo от DeepMind с открытым исходным кодом. Улучшена производительность игрока. pic.twitter.com/Tk6qxwOftz

По теме: 7 продвинутых роботов-гуманоидов в мире

Трансферное обучение

Стратегия машинного обучения, называемая трансферным обучением, включает в себя применение ранее обученных моделей для решения совершенно новых задач. Когда для новой проблемы доступно мало данных, этот метод особенно полезен.

Например, исследователи использовали трансферное обучение, чтобы адаптировать модели распознавания изображений, разработанные для определенного типа изображений (например, лиц), к изображениям другого типа, например, к животным.

Этот подход позволяет повторно использовать изученные функции, веса и смещения предварительно обученной модели в новой задаче, что может значительно повысить производительность модели и уменьшить объем данных, необходимых для обучения.