Еженедельный информационный бюллетень, в котором обсуждаются важные исследовательские работы по машинному обучению, интересные технические выпуски, деньги, полученные от ИИ, и реальные реализации.
Sequence Scope - это сводка наиболее важных опубликованных исследовательских работ, опубликованных новостей о технологиях и стартапах в экосистеме ИИ за последнюю неделю. Этот сборник является частью информационного бюллетеня TheSequence. Специалисты по анализу данных, ученые и разработчики из Microsoft Research, Intel Corporation, Linux Foundation AI, Google, Lockheed Martin, Кардиффского университета, Меллонского научного колледжа, Варшавского технологического университета, Политехнического университета Валенсии и других компаний. и университеты уже подписаны на TheSequence.
📝 От редакции: три тенденции в области науки о данных, без которых трудно жить в 2021 году
Нет, это не из тех раздражающих описаний прогнозов на 2021 год, так что оставайтесь с нами на одну минуту 😉
Я не думаю, что кто-то станет спорить с тем, что 2021 год обещает стать впечатляющим годом для рынка ИИ в целом. Более интересный вопрос: какие области рынка будут более популярны? Я стараюсь не играть в игру прогнозирования тенденций макроэкономического рынка, потому что считаю, что уже достаточно людей, которые поднимают шум по этому поводу. Вместо этого я могу попытаться поделиться своим практическим опытом, как генеральным директором компании по обработке данных IntoTheBlock, так и активным бизнес-ангелом в сфере машинного обучения, о некоторых тенденциях, в которых я не был уверен в начале 2020 года, а именно: Теперь мне трудно представить себе будущее без него.
Этот информационный бюллетень в основном ориентирован на разработчиков и практиков машинного обучения с упором на практическое применение науки о данных. С этой точки зрения нашу аудиторию волнуют технологии и исследования, которые можно использовать сегодня, а не супер-футуристические вещи. В течение 2020 года я видел, как наши группы по анализу данных регулярно внедряют несколько технологий машинного обучения до такой степени, что сегодня мне очень трудно представить себе какие-либо усилия по машинному обучению, которые не включали бы эти стеки. Список довольно большой, но вот тройка моих лучших:
- AutoML и поиск нейронной архитектуры: стеки AutoML быстро развиваются и доказали свою эффективность в ускорении циклов экспериментов в командах специалистов по анализу данных. Я думаю, что мы, вероятно, увидим интересный рост в этой сфере.
- Интерпретируемость: поскольку InteTheBlock работает в количественных моделях, интерпретируемость является для нас ключевой областью. В этом секторе рынка несколько интересных стартапов достигли соответствующих этапов в 2020 году, и эта тенденция, вероятно, сохранится в 2021 году.
- MLOps: в наши дни трудно представить масштабное машинное обучение без стека MLOps. Инновации в этом секторе зашкаливают, и мы, вероятно, увидим появление новых компаний и технологий в течение этого года.
Этот список ни в коем случае не является исчерпывающим, но, как и все в этом информационном бюллетене, мы стараемся делать вещи простыми и практичными. С нашей точки зрения, эти три тенденции должны сыграть роль в большинстве основных усилий по машинному обучению в 2021 году. Будет интересно посмотреть, что есть на рынке ИИ в этом году.
🔺🔻 TheSequence Scope - наше воскресное издание с обзором развития отрасли - бесплатно. Чтобы получать качественный образовательный контент каждый вторник и четверг, подпишитесь на TheSequence Edge 🔺🔻
🗓 На следующей неделе в TheSequence Edge:
Грань №51: прогнозирование временных рядов и ARIMA; архитектуры для ускорения моделей временных рядов с использованием AutoML исследователями Google; M3, платформа для создания временных рядов в Uber.
Edge # 52: углубитесь в Google Meena, языковую модель, с помощью которой можно болтать о чем угодно.
Теперь давайте рассмотрим самые важные события в индустрии искусственного интеллекта на этой неделе.
🔎 Исследования машинного обучения
MuZero
Исследователи из DeepMind опубликовали в Nature статью, в которой подробно описал MuZero, агент обучения с подкреплением, который смог освоить несколько игр, не зная правил. Это продолжение оригинальной статьи MuZero, опубликованной в 2019 году -› подробнее в блоге DeepMind
Лучшее автономное обучение с подкреплением
Исследователи из Стэнфордского университета опубликовали статью, в которой предлагается новый метод автономного обучения с подкреплением с использованием скрытого пространства -› подробнее в исходной исследовательской статье
Сеть знаний по исследованиям COVID-19
Исследователи искусственного интеллекта из Amazon опубликовали документ, объясняющий основные методы, используемые для создания сети знаний AWS COVID-19, которая систематизирует информацию о вирусе -› подробнее в блоге Amazon Research
🤖 Крутые релизы AI Tech
Вероятностное машинное обучение: книга
Ранний выпуск с открытым исходным кодом готовящейся к выпуску книги Массачусетского технологического института о вероятностном машинном обучении теперь доступен -› подробнее в репозитории GitHub книги
💸 Деньги в AI
- Полупроводниковый стартап Graphcore привлек 222 миллиона долларов в раунде финансирования серии E. Graphcore разрабатывает специализированный тип оборудования - интеллектуальные блоки обработки (IPU), которые удерживают полную модель машинного обучения внутри процессора - для ускорения приложений ИИ, особенно нейронных сетей, глубокого обучения и машинного обучения.
- Компания робототехники и искусственного интеллекта Flexiv привлекла 100 миллионов долларов в раунде серии B. Flexiv специализируется на разработке и производстве адаптивных роботов, которые объединяют технологии управления силой, компьютерного зрения и искусственного интеллекта.
- В своем годовом отчете исследовательская лаборатория AI DeepMind раскрывает свое финансовое положение. Его выручка выросла более чем вдвое (со 140,8 млн долларов в 2018 году до 363,7 млн долларов в 2019 году). Зато расходы растут (с 776,6 млн долларов в 2018 году до 980,3 млн долларов в 2019 году). Общие убытки компании выросли с 642,6 миллиона долларов в 2018 году до 652,2 миллиона долларов в 2019 году. DeepMind полностью поддерживается Google, и они заверяют, что в течение как минимум 12 месяцев он будет продолжать получать адекватную финансовую поддержку от Google.
