Кураторский контент о глубоких технологиях и искусственном интеллекте, который люди в Radical читают и обдумывают. Зарегистрируйтесь здесь, чтобы еженедельно получать Radical Reads прямо в свой почтовый ящик.

1) ИИ и квантовые вычисления: Xanadu запускает квантовую облачную платформу, планирует удваивать количество кубитов каждые 6 месяцев (VentureBeat)

На этой неделе Xanadu, одна из портфельных компаний Radical, объявила о выпуске общедоступной фотонной квантовой облачной платформы. Эта платформа позволит предприятиям создавать решения проблем в области финансов, химии, машинного обучения и аналитики. Большинству разрабатываемых квантовых компьютеров требуются огромные камеры, в которых специализированные чипы охлаждаются до минимально возможной температуры. Xanadu использует фотоны света, что означает, что он может работать при комнатной температуре и интегрироваться в существующую телекоммуникационную инфраструктуру на основе оптоволокна.

2) ИИ на транспорте: Прогнозирование трафика с помощью передовых графовых нейронных сетей (DeepMind)

«Исследователи DeepMind объединились с командой Google Maps, чтобы повысить точность расчета ожидаемого времени прибытия в реальном времени на 50 % в таких местах, как Берлин, Джакарта, Сан-Паулу, Сидней, Токио и Вашингтон, округ Колумбия, с помощью передовых методов машинного обучения.

Комментарий Radical: Карты Google помогают водителям ежедневно преодолевать миллиард километров дорог, что почти в семь раз превышает расстояние между Солнцем и Землей. Обширные данные, собранные за последние 13 лет, позволили компании постоянно тестировать и улучшать свои алгоритмы, чтобы лучше прогнозировать расчетное время прибытия (ETA), которое в настоящее время неизменно точно для более чем 97% поездок.

DeepMind создала модель машинного обучения для дальнейшего повышения точности прогнозируемого ETA. DeepMind сообщает, что в Торонто улучшенное ETA составляет 26%, в то время как в Нью-Йорке — 21%, а в Лондоне, Великобритания, — 16%. Улучшение сводится к пониманию структуры связности реальных дорожных сетей и, в частности, пониманию транспортных потоков и поведения вдоль прилегающих и пересекающихся дорог, а не только движения впереди или позади вас. Модель машинного обучения использует Graph Neural Networks, ветвь глубокого обучения, которая моделирует набор объектов (в данном случае сегмент дороги) и их отношения друг с другом. Прикладные варианты использования Graph Neural Networks включают прогнозирование побочных эффектов фармацевтических препаратов, улучшение компьютерного зрения и, в данном случае, повышение точности ETA и возможность надежного перенаправления вас в режиме реального времени.

3) ИИ в финансовых услугах: Visa представляет более мощный инструмент ИИ, который одобряет или отклоняет транзакции по картам (Wall Street Journal)

«Новая модель глубокого обучения является более продвинутой, поскольку она обучена просеиванию миллиардов точек данных о действиях держателей карт для самостоятельного определения корреляций.

Например, он может автоматически узнать, что конкретная транзакция держателя карты была нормальной и должна быть одобрена на основе исторических данных об этом человеке, таких как местоположение продавца по отношению к держателю карты и время суток, когда он совершает покупки…

Новый сервис отражает растущее использование ИИ в банковской сфере. Ожидается, что в 2020 году банки потратят на ИИ 7,1 млрд долларов, а к 2024 году они вырастут до 14,5 млрд долларов на такие инициативы, как анализ и расследование мошенничества».

Комментарий Radical:Новая система обнаружения мошенничества Visa на основе искусственного интеллекта разработана как резервная, чтобы дополнить собственные усилия клиентов банка по обнаружению мошенничества в случае сбоя их систем.

Это пример того, как некоторые внедрения сервисов на основе глубокого обучения будут происходить циклично. Когда новый метод интегрируется в устаревшую систему, он сначала будет использоваться как резервная система, при этом оба решения будут работать параллельно. Этот двойной путь позволяет инженерам и менеджерам по продуктам устранять любые недостатки, точно настраивать продукт и укреплять доверие клиентов. Со временем новая резервная система заменит устаревшую и станет рабочим стандартом.

4) Понимание причинно-следственных связей с помощью ИИ: Как специальные относительности могут помочь прогнозированию с помощью ИИ (MIT Technology Review)

«Вместо того, чтобы заставить ИИ предсказывать определенную последовательность будущих кадров, просматривая миллионы видеоклипов, они позволили ему создать целый ряд кадров, которые были примерно похожи на предыдущие, а затем выбрать те, которые были скорее всего будет дальше. По словам Влонцоса, искусственный интеллект может делать предположения о будущем, не зная ничего о ходе времени».

Радикальный комментарий. Причинно-следственные связи остаются сложной задачей для моделей машинного обучения. Хотя модели превосходно распознают закономерности, они не объясняют, почему одно событие должно следовать за другим. Модель, пытающаяся сделать прогноз эффекта, не имея возможности понять, что вызывает эффект, который модель засвидетельствовала на основе исторических данных, может привести к ошибочным рассуждениям. Хотя модели ИИ могут очень эффективно определять корреляцию, исторически они были менее эффективны в определении причинно-следственных связей. Короче говоря, машинам было трудно ответить «почему».

Исследовательская группа из Имперского колледжа Лондона использует специальную теорию относительности Эйнштейна, чтобы ограничить варианты, которые ИИ использует для выбора прогноза на будущее. Используя алгоритм, основанный на математическом описании границ причины и следствия в пространстве-времени (то есть световых конусов), команда смогла создать границу вокруг экземпляров, которые могут быть причинно связаны с выборочными данными. В настоящее время модель ограничена, поскольку границы необходимо определять вручную. Тем не менее, повышение точности прогнозирования на основе определения причины события, а не корреляции, может способствовать развитию технологий для автономных транспортных средств, робототехники и разработки лекарств.

5) ИИ и полиция:Объяснение алгоритмической полиции в Канаде (The Citizen Lab)

Citizen Lab и Международная программа по правам человека на юридическом факультете Университета Торонто «выпустили отчет, в котором исследуется использование алгоритмических методов полицейской деятельности в Канаде и последствия для прав человека. В этом документе содержится сводка результатов исследования, а также вопросы и ответы исследовательской группы.

Мы изучили две широкие категории технологий алгоритмического контроля: технологию предиктивного контроля (включая алгоритмический контроль, ориентированный как на местоположение, так и на человека) и технологию алгоритмического наблюдения».

«Правоохранительные органы Канады более широко применяют технологии алгоритмического наблюдения, чем технологии предиктивной полицейской деятельности».

Радикальный комментарий: в отчете проводится различие между технологиями полицейской деятельности с прогнозированием (которые используют обработку данных, чтобы делать выводы о потенциальной преступной деятельности) и технологиями алгоритмического наблюдения (которые автоматизируют сбор и обработку данных, но по своей сути не включают какие-либо возможности прогнозирования, например, автоматические считыватели номерных знаков). При рассмотрении прогностических полицейских технологий Citizen Lab рассматривает два типа: прогностические технологии, ориентированные на местоположение, и прогностические технологии, ориентированные на человека. Лаборатория обнаружила, что в Канаде относительно низкий уровень внедрения прогностических полицейских технологий по сравнению с такими юрисдикциями, как США и Великобритания.

У Канады есть возможность взять на себя глобальную ведущую роль в этических, политических и правовых последствиях использования ИИ в полицейской деятельности и, в частности, в прогностической деятельности, которая предназначена для превентивного применения. Мы ожидаем, что это будет спорная и всеобъемлющая область изучения и разработки политики для специалистов по этике и юристов, а также центр юридических проблем в отсутствие конкретных законов. Для решения этих проблем потребуются новые рамки политики в дополнение к решению проблем информационной асимметрии между охраняемыми сообществами, правоохранительными органами и поставщиками политик.

***
Примечание редактора. Мы продолжим использовать эту платформу для публикации без комментариев статей, посвященных данным и их использованию для иллюстрации и освещения расовой несправедливости. Потому что вы не можете исправить проблемы, которых не видите и не понимаете.

6)Расовое экономическое неравенство в условиях кризиса COVID-19(Институт Брукингса)

«Последствия COVID-19 для экономики и общества распределяются неравномерно: пандемия и ее более широкие последствия для экономики и здоровья непропорционально сильно сказываются на чернокожих американцах.

Огромные проблемы, с которыми сталкиваются чернокожие американцы, являются отражением общего ухудшения экономического положения и состояния здоровья, с которыми они столкнулись до этого кризиса. Несколько экономических условий, предшествовавших COVID-19, в том числе более низкий уровень доходов и благосостояния, более высокий уровень безработицы и более высокий уровень отсутствия продовольственной и жилищной безопасности, оставляют чернокожим семьям меньше буферов для поглощения экономических потрясений и способствуют уязвимости чернокожих домохозяйств к COVID-19. 19 экономический кризис».

— R —