Еженедельный информационный бюллетень, в котором обсуждаются важные исследовательские работы по машинному обучению, интересные технические выпуски, деньги в ИИ и реальные реализации.
Sequence Scope — это сводка наиболее важных опубликованных исследовательских работ, опубликованных новостей о технологиях и стартапах в экосистеме ИИ за последнюю неделю. Этот сборник является частью информационного бюллетеня TheSequence. Исследователи данных, ученые и разработчики из Microsoft Research, Intel Corporation, Linux Foundation AI, Google, Lockheed Martin, Кардиффского университета, Научного колледжа Меллона, Варшавского технологического университета, Политехнического университета Валенсии и других компаний. университеты уже подписаны на TheSequence.
📝 Редакционная статья: Запуск вычислительных инфраструктур ИИ без больших затрат
Запуск инфраструктуры ИИ стоит дорого. Не проходит и месяца, чтобы я не удивлялся нашим счетам за инфраструктуру графических процессоров, и через день я слышу анекдоты о некоторых наших экспериментах по науке о данных, «иссякающих ресурсы».
Можем ли мы стать умнее в этом вопросе?
Наука о данных и так достаточно сложна, но теперь инженеры по машинному обучению также должны быть экспертами в распределении ресурсов. Даже если такие платформы, как AWS, Google Cloud и Azure, несомненно, добились значительного прогресса, добавив поддержку графических процессоров в свои платформы машинного обучения, технологии динамического распределения ресурсов, распределения или планирования бюджета остаются в зачаточном состоянии.
Несколько лет назад такие технологии, как виртуальные машины и контейнеры, произвели революцию в распределении ресурсов в современных программных архитектурах. Никому больше не нужно было думать о серверах без операционной системы, и эластичное распределение ресурсов стало нормой. Однако инфраструктура ИИ, похоже, сделала шаг назад. Нынешняя гонка инноваций в технологиях графических процессоров и аппаратном ускорении привела к появлению новых уровней сложности управления ресурсами. Новое привлекательное оборудование для искусственного интеллекта действительно дорого и непредсказуемо в управлении в больших масштабах.
Итог:современный ИИ нуждается в улучшенной, более интеллектуальной инфраструктуре распределения ресурсов и планирования. Это миссия таких компаний, как Run:AI, которая только на этой неделе завершила крупный раунд Series B на 30 миллионов долларов. Нам нужно больше таких усилий, чтобы создать лучшую инфраструктуру ИИ.
🔎 Исследование машинного обучения
Рейтинг новостей в Facebook
Команда инженеров Facebook опубликовала информативную запись в блоге об архитектуре машинного обучения, используемой для ранжирования ленты новостей на платформе социальной сети -›подробнее читайте в этом сообщении в блоге от команды инженеров Facebook.
Улучшение Google Translate
Google Research опубликовал документ, описывающий методы, используемые для сокращения количества исправлений перевода речи в Google Translate -›подробнее читайте в блоге Google Research.
Использование обучения с подкреплением для обучения роботов манипулированию объектами
Facebook Research опубликовала две статьи с подробным описанием впечатляющей модели обучения с подкреплением, чтобы научить роботов манипулировать объектами с помощью визуальных демонстраций -›подробнее читайте в блоге FAIR
🤖 Крутые релизы AI Tech
Dialogflow CX
Google выпустила общедоступную версию Dialogflow CX, службы для создания виртуальных диалоговых агентов -›подробнее читайте в блоге Google AI
Инструмент анонимизации моделей
IBM выпустила платформу, которая использует дифференциальную конфиденциальность для анонимизации моделей машинного обучения -›подробнее читайте в блоге IBM Research
Умный аргумент
LinkedIn Smart Argument Suite с открытым исходным кодом, платформа для соединения заданий Python в конвейерах машинного обучения -›подробнее читайте в этой записи блога
💸 Деньги в ИИ
Стартапы машинного обучения и искусственного интеллекта:
- Платформа оркестровки глубокого обучения Run:AI привлекла 30 миллионов долларов в раунде серии B. Стартап решает проблему ограниченных возможностей по распределению и контролю дорогостоящих вычислительных ресурсов для достижения оптимальной скорости и использования путем создания платформы управления вычислениями для виртуализации, оркестровки и ускорения рабочих нагрузок ИИ.
- База данных векторов для машинного обучения Pinecone Systems привлекла 10 миллионов долларов финансирования. Он предоставляет инфраструктуру для приложений машинного обучения, которым необходимо искать и ранжировать результаты на основе сходства. База данных Pinecone поддерживает развертывание приложений для персонализации, семантического текстового поиска, извлечения изображений, слияния данных, дедупликации, рекомендаций, обнаружения аномалий и других приложений в реальном времени, все с простым API и нулевым обслуживанием.
- Аннотационная платформа Kili Technology привлекла 7 миллионов долларов. Стартап создает инструменты, которые помогают предприятиям более эффективно аннотировать необработанные данные, такие как видео, аэрофотоснимки с дронов, контракты и электронные письма. Существует сильная конкуренция среди аннотационных платформ. В прошлом году мы упоминали, что Dataloop привлекла 16 миллионов долларов. SuperAnnotate привлекла 3 миллиона долларов, а IBM также выпустила инструменты для аннотаций, которые используют ИИ для маркировки изображений.
Реализация искусственного интеллекта и машинного обучения:
- Биотехнологическая компания Ukko привлекла $40 млн в серии B. Стартап применяет технологии машинного обучения в иммунологии, вычислительной биологии и белковой инженерии для разработки новых подходов к лечению пищевой непереносимости. Они используют алгоритмы, чтобы предсказать такие вещи, как то, что в белке арахиса вызывает аллергическую атаку иммунной системы.
- Компания по аналитике облачных данных Phocas привлекла $34 млн. Упрощая управление данными с помощью инструментов аналитики и визуализации, они используют ИИ для извлечения ценности из данных и позволяют предприятиям выполнять операции без перекрестных ссылок на электронные таблицы.
- Платформа Знание как услуга Link привлекла $24 млн. Используя различные инструменты искусственного интеллекта, Lynk связывает инвесторов и компании с проверенными мировыми экспертами из таких компаний, как Airbnb, Pfizer, Wells Fargo и т. д. У них также есть функции, которые позволяют клиентам использовать больше этих знаний, такие как совместная работа в команде, управление рабочим процессом и автоматическая транскрипция.
- Платформа глубокого обучения и 3D-моделирования для промышленного проектирования Физна привлекла $20 млн. Используя запатентованные алгоритмы и передовую технологию геометрического глубокого обучения, Physna кодирует 3D-модели в подробные данные, понятные программным приложениям.
- Стартап по сбору информации о поставщиках Tealbook привлек $14,4 млн в ходе раунда финансирования. Tealbook использует машинное обучение, чтобы предоставлять своим клиентам постоянно обновляемые данные о поставщиках, унифицируя и синхронизируя их. Он собирает фрагментированную информацию из разрозненных скрытых источников в Интернете, а затем объединяет эту информацию в полную картину данных.
- Компания Supply Chain Intelligence Verusen привлекла 8 миллионов долларов в раунде серии A. Их технология обеспечивает самоочистку и гармонизацию разрозненных данных цепочки поставок на основе искусственного интеллекта, позволяя в режиме реального времени вводить полевые знания в свои возможности машинного обучения.
