Названные так в честь Калифорнийской золотой лихорадки, когда поставщики кирок и лопат добились больших успехов (в то время как результаты для старателей были неоднозначными), кирки и лопаты машинного интеллекта - это аппаратные средства, потоки данных и ( возможно) сами алгоритмы.
- Поразительно, что разработка алгоритмов для машинного интеллекта была в подавляющем большинстве случаев открытым исходным кодом. Конечно есть исключения? — В прошлом году Оксфордский университет подал патент на эффективную альтернативу обратному распространению под названием Алгоритм выравнивания с обратной связью (стр. 14)? — Интересно, как они собираются его коммерциализировать? Высококачественные предложения SaaS, упрощающие использование алгоритмов обучения, найдут активных клиентов, и «MetaMind, обеспечивающий передовые методы глубокого обучения в вашем наборе данных, является одним из таких предложений со всеми необходимыми полномочиями. Еще одна инициатива, которая мне нравится, — это проект Автоматический статистик, который ищет модели, чтобы найти лучшее объяснение ваших данных с помощью байесовского вывода. The Curious AI Company, компания General AI, чье первое предприятие — сортировка мусора (само определение непривлекательного, но прибыльного), как сообщается, стремится продавать свое программное обеспечение AI как набор инструментов.
- Крупные корпорации имеют доступ к огромным наборам данных и могут приобретать больше (вслед за недавним приобретением IBM активов данных The Weather Channel за 1,5 млрд долларов США). Но до сих пор основное внимание уделялось низко висящим фруктам, таким как социальные данные или данные электронной коммерции, поэтому все еще есть возможности, когда данные труднее получить и / или пометить. База данных эмоциональных реакций лица Affectiva относится к этой категории, равно как и Pallas Ludens (сквозной сервис аннотирования данных) и opensensors.io (добавляющая ценность общедоступным источникам сенсорных данных). Данные генома и медицинских изображений? — ?с учетом некоторых запутанных вопросов конфиденциальности? — ?позволит персонализировать лечение и уход, а также улучшить диагностику. На этой ноте будет интересно посмотреть, как Genomics England продолжит свою работу с промышленностью.
- Что касается аппаратного обеспечения, графические процессоры позволили совершить невероятный скачок вперед. (И очень заурядные? — NVIDIA GeForce GTX Titan позволила мне распознать звуки летучих мышей в звуке).
[идентификатор подписи = "" align = "aligncenter" ширина = "600]
Спектрограмма криков летучих мышей (нижний график) и предсказания консетей (верхний)[/caption]
Но эти процессоры были предназначены для графики. Следующим шагом в области эффективного обучения и логических выводов станут процессоры, разработанные специально для машинного обучения. Graphcore (в скрытом виде см. это видео в 28:58) называет их Intelligent Processor Units. Тем временем Nervana Systems, Teradeep (Янн ЛеКун — консультант) и Thinci строят собственное оборудование на заказ.
Также имеет смысл включить в эту категорию компании, которые помогают обучать (Udacity, Coursera, Kaggle и т. д.) или управлять кодовыми базами и проектами. (например, Atlassian готовится к плаванию).
Использование эмоций
Это недостаточно обслуживаемая область применения с точки зрения количества стартапов. Цитата из Группы аффективных вычислений Массачусетского технологического института:
«Эмоции имеют фундаментальное значение для человеческого опыта, влияя на познание, восприятие и повседневные задачи, такие как обучение, общение и даже принятие рациональных решений. Однако технологи в значительной степени игнорировали эмоции и создавали для людей зачастую разочаровывающие ощущения…»
[идентификатор подписи = "" align = "aligncenter" ширина = "600]
Изображения, используемые для обучения детектора микровыражений (спасибо JB!)[/caption]
Первая задача — научить модели распознавать эмоции у людей. Emotient, RealEyes и Affectiva используют выражение лица для определения эмоций, в основном (похоже) в настоящее время в маркетинговых целях. Cogito Corp и Beyond Verbal концентрируются на понимании эмоциональных сигналов в голосе, чтобы проводить исследования рынка и повышать качество обслуживания клиентов.
Затем, чтобы моделировать аффективное поведение, т.е. для естественного взаимодействия с людьми. Дружелюбный робот Джибо — захватывающий пример, использующий для самовыражения только глаз. Наверняка будут недорогие игрушки адаптивные и отзывчивые (типа лечебного робота-тюленя Паро, но для игры), хотя найти пока не удалось. Преимущество этого заключается в том, что можно избежать проблем конфиденциальности, связанных с разговорными игрушками, такими как Toy Talk и Mattel Hello BarbieTM, по крайней мере, до тех пор, пока голос не будет обрабатываться локально, а не в облаке.
Другие приложения включают персонализированный уход и обучение, обучение разрешению конфликтов и ведению переговоров, а также адаптивные игры. Эти задачи кажутся хорошо подходящими для машинного обучения, потому что аффективный опыт субъективен и изменчив.
Проникновение в профессии
Я оставлю предположения о том, сделает ли машинный интеллект всех нас излишними для других, и вместо этого отмечу, что он, конечно, может помочь людям во многих профессиональных задачах (и при этом предоставить клиенту более широкий выбор и соотношение цены и качества). ).
Что могут сделать эти технологии? Ну, возьмем в качестве примера юридическую профессию. Ravn Systems автоматизирует (повторяющийся, скучный) просмотр документов при юридических нагрузках; Bitproof’s Peter — помощник юриста с искусственным интеллектом, который может запрашивать подписи, создавать контракты и нотариально заверять документы; а Premonition.ai использует данные для поиска неосознанной предвзятости в судебной системе (для тех, кто видел Хорошую жену S1 E10, это не новость!).
Подобные инструменты для найма, страхования, управления финансами и т. д. позволят профессионалам уделять больше времени более приятным аспектам своей работы, таким как вынесение суждений, принятие решений и… развлечение клиентов.
Революционное здравоохранение
Открытие лекарств дорого и рискованно, так гласит преобладающее мнение. Но что, если вы можете использовать данные для снижения риска, находя лучшие цели для развития? Это гипотеза Stratified Medical, использующая глубокое обучение для фармацевтических исследований и разработок.
В другом месте Enlitic и Zebra Medical стремятся использовать глубокое обучение для точной диагностики / инструментов поддержки принятия решений, тогда как Your.MD сотрудничает с Национальной службой здравоохранения Великобритании для предоставления персонализированной медицинской помощи через приложение.
Улучшенный поиск
«Что это за фильм, с немецким актером, который нравится моей сестре… что-то связанное с инопланетянами… действительно панковский саундтрек?»
Поиск должен быть в состоянии иметь дело с неточными, субъективными и личными, как это делают люди. Он должен помочь нам находить и выбирать контент, который имеет отношение к нам, из всего этого шума. Это включает в себя изучение контекста и атрибутов контента. На самом деле, это отдельный пост в блоге, но вот несколько примеров:
- Clarify делает аудио и видео доступными для поиска через свой API. Это эквивалент сканирования текста на наличие ключевых слов для определения релевантности, фантастическое приложение, экономящее время.
- Lumi изучает ваши вкусы из истории посещенных страниц, чтобы предоставлять актуальный и актуальный контент. Сервис для ненасытных любознательных.
- Yossarian Lives — это поисковая система, которая, как и люди, может устанавливать горизонтальные связи, чтобы способствовать творчеству.
- EyeEm внедрила машинное использование на своем рынке фотографий, чтобы обеспечить поиск по таким атрибутам, как веселый и дождливый Лондон, без тегов, в то время как Cortexica и Sentient Technologies / Shoes.com используют сходство для уточнения поиска продуктов. .
Одним из важных аспектов релевантности поиска, безусловно, является «надежность», так что контент и утверждения, сделанные в социальных сетях и новостных сайтах, могут быть проверены или оценены на подлинность. Кто-нибудь делает это?
Информационная безопасность
Машинное обучение в сфере кибербезопасности уже привлекло значительный объем венчурного капитала (например, 282 млн долларов в Lookout, 78 млн долларов в Vectra Networks, 40 млн долларов в Darktrace и 89 млн долларов в Cybereason), но стабильная Поток плохих новостей (вроде недавнего взлома клиентских данных TalkTalk) показывает, что рынок еще далеко не исчерпан.
Однако, как и в любой горячей области, трудно провести различие между несколькими стартапами с якобы похожими предложениями. Мне, безусловно, нужно больше работать в этом направлении, и я буду внимательно следить за Кибер-Лондоном, акселератором для стартапов в области кибербезопасности.
Существует так много областей применения, что трудно сосредоточиться только на нескольких. Я пропустил некоторые из моих любимых компаний, потому что они не соответствуют ни одной из этих категорий, и я неизбежно изменю свое мнение о категориях, как только этот пост будет опубликован. Тем более, что на следующей неделе я буду посещать NIPS, который, как я ожидаю, поразит меня.
Скорость разработки и применения к новым наборам данных — вот что делает машинный интеллект такой захватывающей областью. В частности, в настоящее время в Лондоне чувствуется настоящий импульс, с его близостью к множеству академических институтов мирового класса (Империал, Калифорнийский университет Лондона, Оксфорд и Кембридж), устоявшейся экосистеме стартапов (например, акселераторам, таким как Entrepreneur First активный поиск талантов в области машинного обучения) и расположение целевых клиентских центров? — Финансовые, юридические и государственные.
Так скажи мне, что я пропустил?
