Эта статья изначально была написана Гопалом Сингхом и размещена в блоге Neptune.

"Искусственный интеллект достигнет человеческого уровня примерно к 2029 году. Проанализируйте это, скажем, до 2045 года, и мы умножим интеллект — человеческий биологический машинный интеллект нашей цивилизации — в миллиард раз".

– Рэй Курцвейл, американский изобретатель и футурист.

Как мы знаем, «Данные» — это новая сила, и компании по всему миру пытаются использовать эту силу в своем бизнесе. Является ли этот бизнес:

  • Здравоохранение. По мере увеличения количества биомедицинских данных искусственный интеллект может предоставлять широкий спектр услуг для помощи людям. Это могут быть вопросы диагностики, изобретения лекарств, виртуального здравоохранения и т.д.
  • Кибербезопасность. Компании, занимающиеся кибербезопасностью, используют инструменты искусственного интеллекта для обнаружения вирусов и вредоносных программ. Системы искусственного интеллекта обучены выявлять даже самые незначительные атаки вредоносных программ.
  • Рекомендация фильмов или продуктов: компании используют системы рекомендаций, чтобы рекомендовать фильмы или продукты своим пользователям, например, Netflix, Amazon. Системы рекомендаций строятся с помощью метода, называемого матричной факторизацией.
  • Бизнес-анализ. Компании используют возможности искусственного интеллекта для автоматизации бизнес-процессов, собирают наблюдения с помощью анализа данных и используют виртуальную поддержку для взаимодействия с клиентами и сотрудниками.
  • Банковские секторы. В банковских секторах ИИ широко используется для обнаружения мошеннических транзакций, автоматизации банковских процессов, таких как виртуальная поддержка информации об учетной записи, настройка предложения кредита на основе расходов пользователя.
  • Распознавание лиц: ИИ использует сопоставление черт лица, чтобы сопоставить лица, которые хранятся в базе данных. Если лицо существует в базе данных, то совпадение истинно, в противном случае — ложно.

Люди экспериментируют с машинным обучением, чтобы двигаться вперед… или просто не отставать.

Что именно они делают?

5 главных тенденций в машинном обучении, на которые стоит обратить внимание в 2020 и 2021 годах

1. Здравоохранение

Источник: Крис Никель

Согласно отчету McKinsey, 50% населения США страдает хроническими заболеваниями, а 80% стоимости медицинских услуг тратится на лечение.

Давайте посмотрим, в каких значимых секторах здравоохранения широко используется ИИ.

Лучшие примеры использования ИИ в здравоохранении

Диагностика рака с помощью ИИ. Патологи используют ИИ в здравоохранении, чтобы ставить более точные диагнозы. Цель может быть достигнута путем сбора данных о различных типах рака, таких как гистопатологический рак, рак молочной железы, рак шейки матки, и дальнейшего использования этих данных для создания прогностической модели. Например, PathAI, который помогает пациентам более точно диагностировать заболевание.

Разработка новых лекарств с помощью ИИ. Биофармацевтические компании сталкиваются с проблемами преодоления высоких показателей отсева при разработке лекарств.

Биофармацевтическая промышленность сотрудничает с индустрией искусственного интеллекта для решения этих проблем.

Например, Atomwise — это первая технология глубокого обучения для открытия новых малых молекул. Он помог в изобретении новых потенциальных лекарств от 27 болезней и работает с ведущими институтами, такими как Гарвардский и Стэнфордский университеты, а также с биофармацевтическими компаниями.

Оптимизируйте здравоохранение с помощью ИИ: число пациентов во всем мире растет с каждым днем. Для обработки всей информации о каждом пациенте нужны автоматизированные методы и системы. ИИ помогает медицинским учреждениям лучше управлять данными пациентов.

Например, OLIVE — это платформа, предназначенная для автоматизации задач отрасли здравоохранения.

2. Финансы

Источник: Остин Дистель

Мир становится цифровым, а вместе с ним и наши деньги.

Общая стоимость транзакций в сегменте цифровые платежи составит 4 406 431 млн долларов в 2020 году, а к 2024 году — 8 266 917 млн ​​долларов.

Все эти транзакции будут храниться и эффективно обрабатываться. Мы можем использовать эти транзакционные данные для улучшения нашей финансовой отрасли с помощью ИИ в 2020–2021 годах.

Например, Dataminr извлекает информацию из различных текстовых источников и предоставляет пользователю временную шкалу, в которой происходит каждое важное событие. Dataminr использует NLP, потому что позволяет анализировать текстовые данные.

Лучшие примеры использования ИИ в финансах

Торговля: алгоритмы машинного обучения могут использоваться для автономного проведения сделок. Мы можем воспользоваться такими атрибутами, как цена, объем, время, а также опубликовать в Твиттере настроения или данные о погоде, чтобы создать систему машинного обучения, которая превосходит рынок (я не говорю, что это легко :)). Алгоритм может обучаться и адаптироваться к изменениям в реальном времени для более точных прогнозов. Например, Кайррос — компания по анализу данных, которая помогает участникам рынка лучше выявлять инвестиции.

Обнаружение мошенничества. Использование цифровых платежей также сопряжено со многими рисками. В 2018 году из-за мошеннических транзакций по всему миру было потеряно 24,26 миллиарда долларов. Машинное обучение идеально подходит для эффективной борьбы с мошенническими финансовыми факторами. Британская компания AimBrain использует глубокое обучение для борьбы с мошенничеством с новыми учетными записями и угрозами захвата учетных записей.

Модель можно использовать для обучения данных, помечая каждую транзакцию, была ли она мошеннической или нет. Затем мы можем использовать такие показатели, как точность и полнота, чтобы модель соответствовала нашему профилю риска, приспосабливаясь к нашим затратам на ложноположительные и ложноотрицательные прогнозы.

Банковское дело: банки используют машинное обучение для обслуживания клиентов, моделирования инвестиций, прогнозирования рисков, предотвращения рисков и инвестиций. Например, мы можем предоставлять персонализированные предложения на основе финансового поведения пользователя. Таким образом, если клиент ищет дом, может быть полезно сделать индивидуальное предложение по кредиту для этого пользователя. Envestnet — компания по сбору и анализу данных, активно помогающая в банковском секторе.

3. GAN (общие состязательные сети)

Generative Adversarial Networks, или сокращенно GAN, — это подход к генеративному моделированию с использованием методов глубокого обучения, таких как CNN.

GAN использует модель для создания новых похожих данных на основе данных, на которых обучалась наша сеть, например изображений.

GAN можно использовать для создания наборов данных изображений, человеческих лиц, персонажей мультфильмов, перевода текста в изображение, перевода изображения в текст, создания 3D-объектов и т. д. Существует бесчисленное множество вариантов использования GAN, но не все из них. хороши для общества.

Самым последним революционным прорывом в приложениях GAN является deepfake.

Источник: DeepFake GAN

Теро Каррас в своей статье 2017 года под названием Прогрессивное развитие GAN для повышения качества, стабильности и разнообразия продемонстрировал создание реалистичных изображений человеческих лиц.

Модель тренировалась на лицах знаменитостей, а это значит, что получившиеся лица будут продолжением существующих личностей.

Источник: взято из публикации «Прогрессивное развитие сетей GAN для повышения качества, стабильности и разнообразия», 2017 г.

Но не обманывайтесь чудесами, которые он творит с данными. Социальное воздействие, которое может иметь создание изображений Deepfake, — это то, с чем нам нужно разобраться в ближайшее время. На сегодняшний день репутация любого человека может быть испорчена за считанные секунды с помощью методов, доступных в общедоступных репозиториях.

4. Обучение с подкреплением

Источник: Акробатический аватар, обученный с помощью RL

«Обучение с подкреплением (RL) — это область машинного обучения, связанная с тем, как программные агенты должны выполнять действия в среде, чтобы максимизировать вознаграждение.

Обучение с подкреплением — это одна из трех основных парадигм машинного обучения, наряду с обучением с учителем и обучением без учителя». — Википедия

RL очень привлекателен, потому что он похож на обучение, которое мы наблюдаем каждый день. Позвольте привести пример.

Скажем, у вас есть только что усыновленная собака, которой всего месяц. Чтобы научить собаку тому, что хорошо, а что плохо, вы будете использовать систему поощрений.

Если собака слушается вас, вы даете ей печенье, а если собака не слушается, вы ее ругаете.

Вот как вы используете положительное подкрепление, чтобы обучить собаку тому, что вы считаете правильным поведением.

Программисты компании OpenAI, основанной Илоном Маском, недавно научили некоторых агентов играть в прятки.

Источник: OpenAI

Агенты ИИ никогда не получали четких инструкций о том, как играть; они всему научились сами.

После миллионов симуляций агенты ИИ научились манипулировать своим окружением:

  • Прячущиеся, например, научились строить небольшие форты и баррикады.
  • Искатели, в ответ, научились использовать пандусы, чтобы взбираться по стенам и находить прячущихся.

Разве это не удивительно?

Методы OpenAI можно экстраполировать и на другие сценарии ИИ, используя потенциал многоагентных конкурентных сред в качестве фактора влияния для обучения без использования какого-либо супервайзера.

5. AR/VR (дополненная/виртуальная реальность)

Источник: AR/VR с машинным обучением

Дополненная реальность устраняет разрыв между виртуальной и физической реальностью.

Визуальные данные, которые собирают приложения AR, можно использовать в распознавании изображений.

Дополненная реальность и ИИ — это отдельные, но дополняющие друг друга технологии. Они оба могут использовать друг друга, чтобы построить что-то великолепное.

Лучшие примеры AR/VR с машинным обучением

Маркировка изображения или сцены: модели ИИ строятся с использованием кадров камеры, что может помочь в классификации местоположения путем их маркировки, где каждый кадр рассматривается как отдельное изображение. Это отличная статья ее е о маркировке изображений.

Обнаружение объектов: кадры камеры передаются модели ИИ, которая может оценивать положение и размер объектов в сцене. Информация о местоположении может быть дополнительно использована для формирования рамки вокруг этого объекта. Например, AnyVision поможет идентифицировать человека или предмет даже в большом скоплении людей.

Оценка позы: определяется как проблема локализации суставов человека на изображениях или видео.

Существует два типа оценки позы:

  1. 2D Pose Estimation — вычисляет координаты (x, y) для каждого сустава из изображения RGB.
  2. 3D Pose Estimation — вычисляет координаты (x, y, z) для каждого сустава из изображения RGB.

Оценка позы широко используется в распознавании действий, анимации, играх и т. д. Это отличный блог для углубления ваших знаний об оценке позы человека.

Последние мысли

Мы увидели пять основных секторов, в которых ИИ широко используется. Но ИИ не ограничивается только финансами, здравоохранением, GAN, AR/VR и обучением с подкреплением.

Это метод, который можно использовать везде, где данные накапливаются в больших объемах. Данные могут описывать запасы, планетарные объекты или даже ДНК человека.

Машинное обучение применимо везде. Идея о том, что машины могут думать и выполнять задачи, как это делаем мы, люди, не так уж и далека.

Дальнейшее чтение:

Эта статья изначально была написана Гопалом Сингхом и размещена в блоге Neptune. Там вы можете найти более подробные статьи для специалистов по машинному обучению.