Последние тенденции в области ИИ 2020
Искусственный интеллект (ИИ) стал основным элементом в различных отраслях, и все, от руководителей компаний до разработчиков, ищут способ использовать ИИ и науку о данных таким образом, чтобы он стал стандартным компонентом построения различных бизнес-процессов. ИИ может принести как прибыль, так и прибыль организациям со сравнительно меньшими инвестиционными затратами. Внедрение искусственного интеллекта и машинного обучения станет сменой парадигмы для компаний, которые до сих пор зависели от механизмов, основанных на правилах, для управления своим бизнесом. Это помогает установить автономный и самовосстанавливающийся процесс, который со временем будет развиваться и станет неотъемлемой частью роста организации.
В этом пространстве мы столкнемся с различными терминами, такими как искусственный интеллект, машинное обучение, глубокое обучение и т. д. Давайте разберемся в терминах подробно. На следующей диаграмме показаны границы каждого из этих терминов.
Последние разработки
Буквально каждый месяц мы наблюдаем новые разработки и тенденции в области искусственного интеллекта и машинного обучения. Это часто приводит к приложениям, которые трансформируют бизнес. Вот самые горячие.
Искусственное создание изображений с использованием генеративно-состязательных сетей
Генеративно-состязательные сети (GAN) — это относительно новые модели глубокого обучения, которые позволяют создавать искусственные экземпляры (в основном изображения) на основе представленных ранее экземпляров. Существуют различные версии моделей GAN, такие как StyleGAN, DCGAN и т. д., позволяющие передавать стиль, мотивы и т. д. Это, в свою очередь, находит множество применений для создания искусственных образов произведений искусства, дизайнерских паттернов, моделей и т. д.
Значение для бизнеса:
· Дизайн одежды, художественный и текстурный дизайн (привносит новые дизайнерские идеи, снижает затраты)
· Финансовое моделирование (генерирует синтетические данные для обучения сложных моделей)
· Другое: шумоподавление на изображениях и т. д.
Структуры глубокого обучения для пограничных устройств
С распространением пограничных устройств возникает острая необходимость в развертывании моделей глубокого обучения, которые могут использовать ограниченные ресурсы и вычислительную мощность, однако обеспечивают желаемый результат. Традиционные модели глубокого обучения, требующие мощности графического процессора, не могут быть развернуты на таких устройствах, поэтому для сжатия этих моделей без существенной потери производительности требуется конвертер. Фреймворки глубокого обучения, такие как TensorFlow и PyTorch, недавно выпустили такие конвертеры.
Значение для бизнеса:
· Расширенная аналитика на пограничных устройствах, например. сложные задачи компьютерного зрения на смартфонах (распознавание лиц, определение позы и т. д.) и камерах (персональная идентификация)
· Другое: аналитика носимых устройств и т. д.
Предварительно обученные языковые модели большого масштаба
Последние инновации в языковых моделях расширили возможности обработки естественного языка (NLP). Модель BERT, выпущенная Google и основанная на новых архитектурах Transformer и других подобных BERT моделях, совершила прорыв в НЛП. Это позволяет сотни практических приложений в будущем
Последствия для бизнеса
· Текстовая классификация и категоризация
· Чат-боты и система ответов на вопросы (QnA)
· Другое: обнаружение настроений, машинный перевод, распознавание именованных сущностей, обобщение
Прикладное обучение с подкреплением
Обучение с подкреплением широко используется в различных отраслях, где решения или результаты полностью автономны. Более ранние модели RL были ограничены исследовательским пространством, тогда как теперь компании рассматривают возможность использования моделей RL для имитации среды в реальном времени, где они могут тестировать свои прогностические модели или обучать ботов.
Последствия для бизнеса
· Моделирование сценариев их бизнес-процессов в реальном времени и тестирование их алгоритмов.
· Определение торговых стратегий и моделирование транзакций
· Процесс моделирования на основе RL для проверки поведения клиентов
· Использование в игровой индустрии для создания роботов с искусственным интеллектом, похожих на людей.
Взаимодействие моделей
Поскольку существует широкий спектр сред глубокого обучения, необходимо иметь структуру, которая может помочь в переносе модели из одной среды глубокого обучения в другую.
Например, нам может понадобиться преобразовать модель, построенную с использованием TensorFlow, в PyTorch без потери параметров.
Последствия для бизнеса
· Возможность взаимодействия моделей на основе различных платформ глубокого обучения.
· Развертывание моделей с использованием различных фреймворков и платформ
Deep Fake и детекторы Deep Fake
Развитие технологии глубокого обучения проложило путь к искусственному синтезу реакций человеческого лица. Технология Deep Fakes может произвести революцию в сфере создания видеоконтента, где дизайнер может использовать их для создания новых видео без участия реального человека. Выпускаются различные видеоролики, в которых лица артистов на видео заменены на какие-то другие лица.
Последствия для бизнеса
· Генерация контента - для создания нового видеоконтента без необходимости физического присутствия артистов после получения соответствующих разрешений.
· Предотвратить неправомерное использование технологии с помощью алгоритмов обнаружения глубоких подделок
Использованная литература:
