Что мы читали

Ученые секвенируют геном каждого сложного вида на Земле
Singularity Hub
Проект Биогеном Земли — это глобальный консорциум, целью которого является секвенирование геномов всей сложной жизни на Земле. через 10 лет. Проект будет включать секвенирование 1,8 миллиона описанных видов растений, животных, грибов и эукариот. Запущенный в 2018 году, он в настоящее время находится на первом этапе — секвенировании одного генома из каждого из 9400 таксономических семейств на Земле.
Весь проект Биогеном Земли будет стоить меньше в сегодняшних долларах, чем проект Геном человека.

Насколько хорошо работают методы объяснения для моделей машинного обучения?
Tech Xplore
Представьте, что нейронная сеть используется для обнаружения рака на маммограммах; хотя модель, кажется, работает хорошо, она фокусируется на таких функциях, как водяные знаки или временные метки, а не на фактических признаках опухолей. Откуда нам знать?
Исследователи из Массачусетского технологического института разработали процесс проверки этого, изменяя данные, чтобы оценить, могут ли нейронные сети правильно идентифицировать важные функции. Их результаты показали, что популярные методы часто пропускают важные функции изображения, и большинство из них едва достигают случайного базового уровня в 50%, в то время как некоторые методы даже работают хуже, чем базовый уровень.

Самая большая опасность не в Скайнете — вас должна пугать человеческая предвзятость
Интересная инженерия
Общий искусственный интеллект (AGI) или система, которая может понять или изучить любую интеллектуальная задача, которую может выполнить человек, часто осуждается как самый большой экзистенциальный кризис, с которым мы сталкиваемся, и самый неотложный. Однако мало кто возражает против того, что системы ИИ уже наносят вред людям, и объясняют причины этого.
В статистике и науке о данных есть поговорка: мусор на входе, мусор на выходе. Это серьезная проблема, когда речь идет об алгоритмах машинного обучения, которые учатся на исторических данных, поскольку в конечном итоге они уже отражают, усугубляют и автоматизируют несправедливость в мире.

Классификация пластмасс с помощью анализа с помощью гиперспектральной камеры и неконтролируемого машинного обучения
AZo Cleantech
Чтобы перерабатывать пластик, различные виды пластика должны быть отсортированы с чистотой не менее 95%. Однако современные методы сортировки — флотационная или механическая — часто сортируют только с чистотой 75–95%. Исследователи из Орхусского университета применили машинное обучение к гиперспектральным данным, чтобы построить модель для классификации пластмасс. Их исследование показало, что с помощью имеющихся в продаже спектрографов и минимальной обработки данных они смогли различить 13 различных пластиков. Это многообещающий инструмент для решения проблемы чистоты переработанного пластика и, следовательно, глобальной пластиковой проблемы.

Алгоритмы машинного обучения помогают ученым исследовать Марс
EOS
Исследователи используют неконтролируемое машинное обучение для анализа данных, собранных марсоходом Curiosity НАСА, чтобы понять осадочную структуру кратера Гейла — где он приземлился. Система машинного обучения, которая классифицирует данные спектров по отдельным геологическим регионам на основе химического состава, может оказаться мощным инструментом для крупномасштабного картографирования поверхности Марса, особенно по мере того, как все больше марсоходов исследуют Марс.

Если вы хотите получать эту рассылку на свой почтовый ящик, вы можете подписаться здесь.