В 2020 году Synced осветил множество памятных моментов в сообществе ИИ. Такие как текущее положение женщин в ИИ, рождение GPT-3, борьба ИИ с covid-19, горячие дебаты вокруг предвзятости ИИ, MT-DNN превосходит человеческий базовый уровень по GLUE, AlphaFold решила 50-летнюю задачу по биологии и так далее. Чтобы закрыть главу 2020 года и с нетерпением ждать 2021 года, мы представляем специальный выпуск на конец года, следуя традиции Synced, чтобы оглянуться на текущие достижения ИИ и изучить возможные тенденции будущего ИИ с ведущими экспертами по ИИ. Здесь мы приглашаем г-на Тацуя Нагату поделиться своим мнением о текущем развитии и будущих тенденциях искусственного интеллекта.
Познакомьтесь с Тацуей Нагатой
Тацуя Нагата — главный операционный директор Navier Inc., японского стартапа в области искусственного интеллекта, специализирующегося на обработке изображений на основе глубокого обучения. Navier предлагает свои передовые технологии обработки изображений, включая сверхвысокое разрешение и улучшение качества фотографий, для различных отраслей, таких как EC, производители мобильных телефонов и компании, занимающиеся безопасностью. Он также выступает в качестве советника по ИИ для JETRO (Японская организация внешней торговли), чтобы предоставить информацию о японском рынке для международных стартапов в области ИИ. До того, как занять нынешнюю должность, он занимался инвестициями в посевные и ранние стартапы в области искусственного интеллекта на международном уровне в подразделении венчурного капитала SoftBank Group.
Лучшая технология искусственного интеллекта, разработанная за последние 3-5 лет: «GAN»
Я бы выбрал GAN как лучшую технологию искусственного интеллекта за последние несколько лет с точки зрения расширения возможностей компьютеров по сравнению с человеческим воображением. Несмотря на то, что они основаны на ранее существовавших искусствах, серии GAN удалось создать что-то принципиально новое до такой степени, что люди признают, что компьютерные программы приобретают определенный вид творчества. Среди GAN, в частности, я бы сказал, что CycleGAN — одна из самых эффективных технологий. Его применение охватывает множество вариантов использования: алгоритм может создать новую симфонию Бетховена и преобразовать МРТ-изображение мужского мозга в эквивалентное изображение женского мозга.
CycleGAN — первая в своем роде сеть для передачи доменов даже с непарными наборами данных: например, когда сеть учится переводить рисунок Ван Гога в стиль Рембрандта, ей не требуются пары одинаковых картин в стиле Ван Гога и в стиле Рембрандта. . Эта характеристика позволяет специалистам по машинному обучению применять GAN в реальных сценариях использования без особых усилий по сбору и очистке данных.
Самая многообещающая технология искусственного интеллекта в ближайшие 1–3 года: «Оптимизация и повышение производительности на аппаратном уровне».
Ряд технологий, предназначенных для оптимизации и повышения производительности на аппаратном уровне, будет развиваться. Эта тенденция способствует дальнейшему ускорению скорости обработки данных на устройствах, и глубокое обучение станет еще более привычной технологией. Со стороны устройства появятся чипы, более совместимые с ИИ. В ноябре 2020 года Apple официально анонсировала свой первый процессор для Mac, M1, который включает в себя 16-ядерный Neural Engine, предназначенный для машинного обучения, а Qualcomm выпустила новую SoC Snapdragon888 для повышения производительности искусственного интеллекта на мобильных устройствах. Что касается алгоритмов, исследования по сжатию и оптимизации нейронных сетей, таких как NAS, будут способствовать дальнейшему повышению скорости обработки ИИ без ущерба для производительности. Результаты обеих сторон позволят реализовать задачи машинного обучения на устройствах, которые обычно считаются имеющими ограниченные вычислительные ресурсы. Например, сверхразрешение на основе глубокого обучения, область ИИ, на которой сосредоточена наша компания Navier, требует высокой вычислительной мощности из-за своей сложности, но смартфоны, которые будут выпущены в ближайшие несколько лет, вероятно, смогут справиться с задачей в рамках практического применения. скорость и качество. Следовательно, преимущества, полученные от AI/ML, будут более заметны для клиентов.
Самая большая проблема в области ИИ: «Присущая ограниченная масштабируемость решений на основе ИИ препятствует повсеместному распространению ИИ»
Ограниченная по своей природе масштабируемость решений на основе ИИ препятствует повсеместному распространению ИИ. Проблема связана в первую очередь с компромиссом между обобщением нейронной сети и производительностью. Если вы обучаете сеть максимизировать ее обобщение, вам придется в некоторой степени пожертвовать ее производительностью. Если вы оптимизируете свою сеть для конкретной ситуации клиента, сеть может потерять способность обслуживать разных клиентов. Эта неотъемлемая характеристика глубокого обучения затрудняет разработку универсальных продуктов, являющихся источником масштабируемости. Исходя из своего опыта венчурного капиталиста, я бы сказал, что большинство начинающих ИИ-стартапов не могут обслужить столько клиентов, сколько могли бы, из-за ограничений, хотя у них есть видение и страсть изменить мир. В результате многие новые и дикие идеи не могут быть протестированы в достаточно больших масштабах, а многие неудовлетворенные потребности остаются неудовлетворенными. Таким образом, отсрочка демократизации ИИ наносит огромный ущерб обществу. В качестве потенциального решения я ожидаю, что будущие результаты исследований таких методов обучения, как одноразовое обучение и обучение с самоконтролем, помогут специалистам по ИИ найти компромисс и воплотить свои идеи в жизнь.
Последняя заслуживающая внимания разработка: «Супер-разрешение»
Наша компания ориентирована на сверхвысокое разрешение (SR). В качестве последнего прогресса мы отметили текущее состояние дел в нашей статье «Суперразрешение непарных изображений с использованием псевдоконтроля», опубликованной в CVPR 2020. Обычные методы сетевого обучения сетей SR требуют для обучения парных наборов данных, которые состоят из пары изображений с высоким разрешением и версии одних и тех же изображений с низким разрешением. Последние методы позволяют обучать нейронные сети на основе непарных изображений. Хотя их средняя производительность, как правило, ниже, чем средняя производительность сетей, обученных с помощью парных наборов данных, парные наборы данных редко доступны в реальных условиях. Предлагаемый нами метод устранил недостатки предыдущих непарных моделей SR и улучшил качество восприятия.
В последние годы исследования SR часто делали упор на качество восприятия выходных изображений; однако повышение производительности на основе реально доступных наборов данных также имеет решающее значение с точки зрения практичности. Я ожидаю, что исследования, мотивированные практическими потребностями, сформируют тенденцию. В то время как сенсационные результаты часто привлекают внимание общественности, эти технологии обычно предполагают наличие массивных обучающих наборов данных и неограниченных вычислительных ресурсов, и потребуются годы, чтобы их можно было применить в реальных задачах. Ожидаются не ошеломляющие результаты, а исследования по устранению ограничений в реальных приложениях. Это характерно для других областей технологий ИИ.
Синхронизированный отчет | Обзор китайских решений искусственного интеллекта в ответ на пандемию COVID-19 — 87 тематических исследований от более чем 700 поставщиков ИИ
В этом отчете предлагается взглянуть на то, как Китай использует технологии искусственного интеллекта в борьбе с COVID-19. Он также доступен на Amazon Kindle. Вместе с этим отчетом мы также представили базу данных, охватывающую дополнительные 1428 решений искусственного интеллекта для 12 сценариев пандемии.
Нажмите здесь, чтобы найти больше отчетов от нас.
Мы знаем, что вы не хотите пропустить ни одной новости или научного открытия.Подпишитесь на нашу популярную рассылку Synced Global AI Weekly, чтобы получать еженедельные обновления AI.
