Алан Тьюринг создал всемирно известный тест Тьюринга в 1950 году, который для того, чтобы компьютер прошел, он должен убедить человека в том, что он человек, а не компьютер. Первая искусственная нейронная сеть появилась в 1958 году, а обратное распространение - в 1986 году. С тех пор искусственный интеллект (ИИ) развивался очень быстро. Он также получил различные названия, такие как системы, основанные на знаниях, интеллектуальные системы, когнитивные системы, аналитика и т. Д. Хотя сообщество ИИ стало свидетелем так называемых «зим искусственного интеллекта» после 1980-х и 1990-х годов, в основном из-за неспособность к высокопроизводительным вычислениям или высушенное венчурное финансирование, а также пессимизм правительства в отношении технологий, технологических гигантов и исследователей с начала 21 века, наконец, начал осознавать огромный потенциал `` машинного обучения '' (ML), подмножества ИИ.

Тенденции в отраслях, использующих машинное обучение

Что касается применения машинного обучения в различных отраслях, здравоохранение остается крупнейшей отраслью. Согласно отчету NVIDIA, анализ пользователей графических процессоров показывает, что высшее образование является крупнейшим потребителем использования графических процессоров, за которым следуют здравоохранение, Интернет, реклама и развлечения, финансовые услуги, производство и цепочка поставок, электронная коммерция, безопасность и наблюдение, транспорт и т.д., чтобы назвать несколько.

Автономные системы - это горячая тема для обсуждения в последние несколько лет. Отрасли промышленности переходят на все больше и больше датчиков, и доступность этих данных датчиков позволила IoT решать проблемы большого количества аспектов для промышленной системы. От роботизированных сборочных линий, интеллектуальной системы профилактического обслуживания машин до интеллектуального принятия решений в цепочке поставок на основе агентов, ИИ может иметь большое влияние в сочетании с Интернетом вещей.

Тенденции в исследованиях машинного обучения

В исследованиях машинного обучения лидируют в публикациях такие области, как глубокое обучение с подкреплением (Deep RL), понимание естественного языка и обучение с закрытым представлением, такие как General Adversarial Networks (GAN) и Capsule Nets.

GAN используются для создания реалистично выглядящих выборок, которые никогда ранее не рассматривались с учетом статистического распределения. Например, преобразование эскизов в изображения, преобразование изображений с низким разрешением в изображения с высоким разрешением, создание рисунков и т. Д. Обучение с подкреплением в последнее время стало популярным после того, как оно успешно победило полупрофессиональные команды в Dota 2. Недавно исследователи опубликовали интересные приложения Deep RL, особенно после 2018 года в областях, связанных с решением проблем оптимизации управления, например, в цепочке поставок.

CNN были де-юре, когда дело касалось задач распознавания изображений. Но, по словам Джеффри Хилтона, у CNN есть некоторые недостатки, например, они не могут определить, когда выдается повернутое или наклоненное изображение. Он попытался устранить эти недостатки в Capsule Nets. В ближайшие дни мы можем увидеть переход от сверточных сетей к капсульным сетям.

Понимание естественного языка - 2018 был технически годом переноса обучения НЛП, поскольку большинство известных работ уже были опубликованы к 2017 году. Однако приложения НЛП, такие как голосовые помощники и чат-боты, вызвали интерес как в бизнес-сегменте, так и в потребительском сегменте. Интеграция чат-ботов на новые платформы станет более распространенной, чем раньше. Кроме того, Amazon недавно поделилась своим видением интеграции «Alexa» с предприятиями, где его можно заставить посещать собрания и помогать участникам протоколами и напоминаниями. Было бы удивительно, если бы в ближайшее время такие приложения приобрели более широкое распространение.

По мере того, как машинное обучение внедряет инновации, для поддержки индивидуальных вариантов использования потребуются предложения предприятий, специализированные инструменты, фреймворки и инфраструктура. Некоторые тенденции в технологиях, необходимых для внедрения машинного обучения для бизнес-требований.

Вывод на грани

При нынешнем дизайне оборудования запуск модели ИИ на мобильных устройствах затруднен, а их обучение еще более затруднено с учетом доступных вычислений. Такие компании, как Qualcomm, Intel, NVIDIA и т. Д., Разработали чипы с поддержкой AI, которые можно встраивать в мобильные устройства для вывода информации на периферии. Такие устройства, как автономные системы, такие как дроны или AGV, или даже устройства Android могут поддерживать модели AI с этими чипами.

Децентрализованный ИИ

Большая часть традиционного обучения алгоритмов машинного обучения является централизованным, что означает, что они обучаются на удаленном облачном сервере. Однако основным недостатком этого является сложность последовательного обновления для соответствующего программного обеспечения AI, а также одновременного проведения обучения с пользовательскими данными, сгенерированными в реальном времени. Децентрализованный ИИ преодолевает этот недостаток, распределяя обучение сразу на нескольких устройствах. Это значительно снижает задержку для вывода и увеличивает пропускную способность по сравнению с централизованным ИИ. Одним из примеров использования децентрализованного ИИ со стороны Google является GBoard, где он использует подход федеративного обучения, при котором он привлекает к обучению машинному обучению миллионы мобильных пользователей, делая модели ИИ напрямую доступными на устройствах.

Децентрализованный ИИ получит больший импульс, когда «пограничные вычисления» станут обычным явлением, в таких случаях, как дроны или автономные транспортные средства, где алгоритмы глубокого обучения постоянно участвуют в принятии решений в режиме реального времени и нельзя полагаться на подключение к облаку через сеть.

Стек технологий

Начальный этап любого проекта машинного обучения состоит из исследования, построения конвейера, экспериментов и прототипирования. Только когда они закончат производство модели для реальных конечных пользователей, можно будет приступить к работе. Учитывая постоянно меняющиеся сценарии в этой сфере, платформа машинного обучения жизненно важна для любой организации. Платформы значительно упрощают процесс развертывания моделей машинного обучения для обучения, а также вывода для конечного пользователя.

Uber разработал собственную внутреннюю платформу под названием «Микеланджело» для машинного обучения. Netflix также поделился своим мнением о своей внутренней платформе машинного обучения. Очень важно адаптироваться к платформе, потому что к ней намного проще получить доступ, когда дело доходит до масштабирования.

Хотя количественно оценить ИИ сложно, есть несколько важных факторов, которые прямо указывают на ажиотаж в сфере машинного обучения. Количество доступных онлайн-курсов по ML значительно увеличилось. Nvidia сообщает, что в 2018 году компания продала графические процессоры более чем в 100 раз большему количеству компаний, чем в 2013 году. Ведущие технологические гиганты вкладывают значительные средства в таланты, исследования и разработки и делают ИИ доступным для разработчиков. Доступные инструменты и фреймворки с открытым исходным кодом за год увеличились вдвое. За последние 5 лет в различные стартапы, связанные с машинным обучением, было вложено более 108 миллиардов долларов. В ближайшие годы тенденции машинного обучения окажутся разрушительными.

Автор: Ашутош Икаде