Zhou Zhihua'nın 3 umudu var, Wu Enda ve 9 AI lideri 2020'yi tahmin ediyor
Kaynak: Xinzhiyuan
Bu makale hakkında 4700 kelime , Okumanız tavsiye edilir 9 dakika
Yann LeCun, Zhou Zhihua ve diğer 9 endüstri ve akademik uzman, 2020'ye bir mesaj gönderdi. Yeni yılın başında Enda Wu'nun deeplearning.ai ekibi ve 9 endüstri ve akademi uzmanı, 2020'de yapay zeka teknolojisindeki yeni atılımları ve yeni umutları birlikte dört gözle bekleyecek. Yann LeCun ve Zhou Zhihua gibi endüstri liderlerinin yeni yılda yapay zekanın yeni trendleri hakkındaki görüşlerini dinleyelim!Sevgili dostlar, mutlu yıllar!
Her kış tatili, yeni bir tema etrafında öğrenme hedeflerinin peşinden gideceğim. Ailemle yaptığım iki ziyaret sırasında çok kitap okudum.
Yaklaşık on yıl önce, çalışma konumum pedagojiydi - havaalanında ağır bir kitaplık taşıdığımı hala hatırlıyorum - bu Coursera'nın başlangıcından bu yana çok yardımcı oldu. Geçen yıl, kızım Nova doğmadan önce, ebeveynlik ve sağlık hizmetleri üzerine birçok kitap okudum.
Bu tatil, epigenetik ve yeni ortaya çıkan yaşlanma karşıtı bilime odaklanıyorum (bazen sahte bilim olabilir).
101 yaşındaki dedemi de ziyaret ettim. Ona okuduğum kitabı söyledim ve dedi ki Merakınızı sürdürmek, uzun ömürlülüğün anahtarıdır.
Eğer haklıysa, o zaman birçoğunuzun 101 yıl sonra hala zihinsel olarak garip olacağını düşünüyorum!
Merak, öğrenme ve sevgi dolu mükemmel bir 2020 diliyorum.
Öğrenmeye devam et!
Wu Enda
9 endüstri uzmanından ve akademik uzmandan mesajlar 2020
Geleneksel üretimde makine öğreniminin kullanılmasıyla, büyük refah beklentileriyle yeni bir on yıla girdik. Bununla birlikte, hala bazı önemli sorularla karşı karşıyayız: yanlışlıkla veri toplama, formalite icabı sistem tasarımı veya miyopluğumuz nedeniyle ona zarar vermeden nasıl kullanılır. Bu özel sayıda yapay zekanın 9 lideri 2020 vizyonunu dile getirdi.
Yann LeCun: Kendi kendine denetlenen öğrenme parlayacak
Pek çok insan bir arabayı güvenli bir şekilde kullanmayı öğrenmek için sadece 20 saat pratik yapmaya ihtiyaç duyarken, mevcut taklit öğrenme algoritmaları yüz binlerce saat, takviye öğrenme algoritmaları ise milyonlarca saat sürüyor. Açıkçası, bazı önemli şeyleri gözden kaçırdık.
İnsan bebekleri dünya ile neredeyse hiç etkileşime giremezler, ancak doğumlarından sonraki birkaç ay içinde, gözlem yoluyla pek çok arka plan bilgisini alırlar. Açıktır ki, insan beyninin büyük bir kısmı dünyanın yapısını anlamaya ve ya henüz gerçekleşmedikleri ya da açığa çıkmadıkları için doğrudan gözlemlenemeyen şeyleri tahmin edebilmeye adanmıştır.
Bu fenomen, yapay zekanın yönünün daha önce bahsettiğim kendi kendini denetleyen öğrenme olduğunu gösteriyor. Bu tür öğrenme modu, denetimli öğrenmeye benzer, ancak sistemi veri örneklerini sınıflandırmalarla eşlemek için eğitmek yerine, bazı örnekleri gizler ve makinenin eksik parçaları tahmin etmesini isteriz. Örneğin, videonun bazı karelerini kaplayabilir ve makineyi kalan karelere göre boşlukları doldurması için eğitebiliriz.
Bu tür yöntemler doğal dil anlayışında büyük başarılar elde etmiştir. BERT, RoBERTa, XLNet ve XLM gibi modellerin tümü kendi kendini denetleyen bir şekilde eğitilir Bu tür sistemler, tüm önemli NLP karşılaştırma testlerinde birden çok performans kaydı tutmuştur.
2020'de, kendi kendini denetleyen yöntemler video gibi yüksek boyutlu sürekli verilerde benzer bir devrimi tetikleyebilir mi? Şu anda en büyük sorun belirsizliktir. BERT gibi modeller cümledeki eksik kelimenin "kedi" mi yoksa "köpek" mi olduğunu belirleyemez, ancak olasılık dağılım vektörleri oluşturabilir. Ancak, görüntüler veya video kareleri için, yüksek kaliteli olasılık dağılım modelleri şu anda mevcut değildir. Ancak son araştırmalar başarıya çok yakın.
Yann LeCun, Facebook Başkan Yardımcısı ve Baş AI Bilimcisi, New York Üniversitesi Bilgisayar Bilimleri Profesörü ve 2018 Turing Ödülü kazananlarından biridir.
Zhou Zhihua: Yapay zeka teknolojisinin kötüye kullanılmasını önlemek için yeni makine öğrenimi alanlarını keşfedin
2020 için üç umudum var:
- Derin sinir ağlarının ötesinde daha gelişmiş makine öğrenimi teknikleri olacağını umuyoruz. Yapay sinir ağları birçok araştırmacı, mühendis ve uygulayıcı tarafından uzun süredir çalışılmış ve uygulanmıştır.Diğer makine öğrenimi teknolojileri için, teknolojik yenilik için daha geniş bir alan sağlayan nispeten gelişmemiş alanlar vardır.
- Yapay zekanın daha fazla alana adım atabileceği ve insanların günlük yaşamlarında daha olumlu değişiklikler getirebileceği umulmaktadır.
- Yapay zeka araştırmacılarının, mühendislerinin ve uygulayıcılarının yapay zeka teknolojisinin yanlış gelişimini veya kötüye kullanılmasını önlemek için ne yapması gerektiği konusunda daha fazla düşünme ve tartışma olacağını umuyorum.
Nanjing Üniversitesi, Yapay Zeka Okulu Dekanı ve Bilgisayar Bilimleri Profesörü Zhou Zhihua.
David Patterson: Yapay zeka, daha hızlı eğitim ve çıkarım sağlayacak
Yeni AI donanımı oluşturmak için yatırılan milyarlarca dolar, 2020'nin başlarında meyve verecek.
Google 2017'de TPU'yu piyasaya sürdü. Geçtiğimiz yıl, Alibaba, Cerebras, Graphcore, Habana ve Intel'den özel AI işlemcileri gibi ürünler piyasaya sürüldü. Bu yeni çipler yavaş yavaş araştırma laboratuvarlarına ve veri merkezlerine girecek. Yapay zeka topluluğunun, daha iyi modeller oluşturmak ve daha değerli uygulamalar geliştirmek için yapay zeka teknolojisini desteklemek için aralarındaki en iyi donanımı kullanabileceğini umuyorum.
Bir makine öğrenimi mühendisi olarak, yeni alternatifin performansının geleneksel CPU / GPU kombinasyonundan daha iyi olup olmadığını nasıl bilebilirsiniz?
Bilgisayar mimarisi, mutlak oranlara göre değil eğrilere göre derecelendirilir. Farklı boyutlardaki bilgisayarların performansını yansıtmak için, performansı fiyat, güç veya yonga sayısına göre normalize ediyoruz. Karşılaştırmaya katılan model, kıyaslama olarak bir dizi temsili prosedür seçebilir. Bu öğelerin herhangi birinin puanlarıyla karşılaştırıldığında, bu tür birçok öğenin ortalama puanlarının gerçek performansı yansıtması daha olasıdır.
MLPerf, 50'den fazla şirketin ve 9 üniversitenin temsilcileri tarafından oluşturulan en yeni makine öğrenimi ölçütüdür. Programları, veri kümelerini ve çıkarım ve eğitim testi için temel kuralları içerir ve doğruluk hedefleri ve etkili hiperparametre değerleri gibi önemli ayrıntıları belirtir. MLPerf, makine öğreniminin hızlı gelişimine ayak uydurmak için her üç ayda bir (dönüşümlü akıl yürütme ve eğitim) güncellenir.
David Patterson, Berkeley'deki California Üniversitesi'nde bilgisayar bilimi profesörüdür.
Anima Anandkumar: Simülasyonun gücü
Derin öğrenme, etiketli verilerle büyük başarı elde etti. Şimdi diğer öğrenim yollarını keşfetme zamanı: etiketsiz veri eğitimi, yaşam boyu öğrenme, özellikle de modelin öğrenilen bilgiyi gerçek dünyaya aktarmadan önce simüle edilmiş ortamı keşfetmesi için. 2020 yılına kadar bu alanlarda daha fazla araştırma görmeyi umuyorum.
Yüksek düzeyde simüle edilmiş simülasyon ortamı, algoritmaları daha etkin bir şekilde eğitmemizi ve test etmemizi sağlayarak daha sağlam ve uyarlanabilir bir ağ oluşturmamızı sağlar. Model, sanal dünyada gerçek dünyaya göre çok daha fazla deneyim kazanır. Ciddi zorluklar getiren bazı nadir olayları simüle edebiliriz, ancak bunlar nadiren temel gerçekle temsil edilir.
Örneğin, araba sürerken kazalar nadiren olur. Yüzbinlerce mil yol alsanız bile herhangi bir değişiklik görmeyeceksiniz. Yalnızca gerçek dünya verilerine dayanarak sürücüsüz arabaları eğitirsek, kazalara yol açan çeşitli durumlarla nasıl başa çıkacaklarını öğrenemeyeceklerdir. Ancak simülasyonda, değişikliklere dayalı değişiklikler oluşturabilir ve modele gerçek dünyanın olanaklarını daha iyi yansıtan bir veri dağıtımı verebiliriz, böylece nasıl güvende kalacağını öğrenebilir.
Son zamanlarda, simülasyon, veri yoğun olan pekiştirmeli öğrenmede etkileyici sonuçlar elde etti. Ancak denetimli öğrenmede de faydalıdır, çünkü araştırmacılar yalnızca küçük miktarda gerçek veriye sahip olabilir. Örneğin depremler nadirdir ve ölçülmesi zordur. Ancak California Teknoloji Enstitüsü Deprem Laboratuvarı'ndaki araştırmacılar, bu olayları temsil eden sentetik verileri oluşturmak için basit bir fiziksel model kullandılar. Sentetik veriler üzerine eğitim alarak, derin öğrenme modelleri gerçek sismik özellikleri tahmin etmenin en son sonuçlarını elde etti.
NVIDIA'da, otonom sürüş için Drive Constellation ve robotlar için Isaac gibi güçlü simülasyon platformları geliştirdik. Bu açık ve genişletilebilir ortamlar, modelin son derece hassas fiziksel özelliklerle çok gerçekçi bir sanal dünyada çalışmasını sağlar.
Umarım daha fazla yapay zeka bilimcisi, simülasyon ortamında eğitimin değerini ve denetimli öğrenmenin ötesindeki diğer teknolojileri fark eder. Bu, 2020'yi yapay zeka alanında önemli bir ilerleme yılı yapacak.
Anima Anandkumar, NVIDIA'da makine öğrenimi araştırma başkanı ve California Institute of Technology'de bilgisayar bilimi profesörüdür.
Oren Etzioni: Yapay zeka sosyal eşitliği teşvik ediyor
Umarım 2020'de, AI topluluğu daha fazla insana doğrudan fayda sağlayabilir ve sosyal eşitlik sorunlarının çözümünü teşvik edebilir.
Elbette gerekli olan algoritmaların adaleti ve şeffaflığı hakkında çok fazla tartışma yapıldı. Ancak, gerçek etkiye sahip yazılım araçlarının geliştirilmesi bir zorunluluktur. İnsanların yaşamlarını iyileştirmek için tasarlanmış AI sistemleri, toplumdaki bazı önemli zorlukların çözülmesine yardımcı olabilir.
Tekerlekli sandalyede bir akıllı telefon navigasyon uygulamasını kullanmanın nasıl bir şey olduğunu hayal edin - sadece rota boyunca merdivenlerle karşılaşın. Kullanıcı aşılamaz engellerden kaçınmak için rotayı özelleştiremezse, en iyi navigasyon uygulaması bile önemli zorluklar ve riskler getirecektir.
Mevcut teknoloji, sınırlı hareket kabiliyetine sahip kişiler için destek sağlayabilir. Ama daha fazlasını yapabiliriz. Neyse ki parmak uçlarımıza ulaşabildiğimiz bir çağda yaşıyoruz.
Araçları daha rahat ve erişilebilir hale getirmek için AI, eğitim sorunları, evsiz insanlar ve nüfus ticareti gibi sosyal sorunlar karşısında insanların yaşam kalitesi üzerinde daha önemli bir olumlu etkiye sahip olabilir. Şimdiye kadar sadece sorunun yüzeyine değindik. 2020'de bu konuları daha derinlemesine inceleyebileceğimizi umuyorum.
Oren Etzioni, Washington Üniversitesi'nde bilgisayar bilimi profesörü olan Allen AI Academy'nin CEO'su ve Madrona Venture Group'un ortağıdır.
Chelsea Finn: Çok işlevli bir alanlar arası robota doğru
AI topluluğundaki pek çok kişi, Go'da ve diğer rekabetçi oyunlarda kazanabilecek aracılar oluşturmak gibi iyi performans gösteren aracılar oluşturmaya odaklanır. Bu projeler genellikle çok karmaşıktır. Ancak, başka bir boyuttaki ilerlemeyi gözden kaçırmak kolaydır: genelleme, yani çok alanlı ve çoklu görevi yönetme veya çeşitli durumlarda operasyonları gerçekleştirme yeteneği. 2020 yılında genelleme alanında ortak bir model oluşturmamız bekleniyor.
İşimde, davranışlarının çevredeki çevre üzerindeki etkisini anlamak için robotları eğitmek için genellikle pekiştirmeli öğrenmeyi kullanıyorum. Bu, robotların hedefleri kutulara paketleyebilmesi veya çöpleri faraşlara süpürmesi gibi genelleme yetenekleri için gereksinimleri ortaya koymaktadır. Bunu yalnızca pekiştirmeli öğrenme ile yapmak zordur.
Denetimli öğrenmede, örneğin, ImageNet'in 14 milyon görüntüsü üzerinde bir görüntü tanıma modeli eğitmek, genellikle belirli bir dereceye kadar genellemeye götürür. Pekiştirmeli öğrenmede model, sanal ortam ile etkileşime girer ve veri toplama sürecinde öğrenir. Her yeni model için ImageNet boyutlu bir veri kümesi toplamak elbette pratik değildir.
Takviye öğrenme yoluyla eğitilen sistemi genelleştirmek istiyorsak, ortamı çevrimdışı veri kümelerinde keşfedebilecek aracılar tasarlamamız gerekir ve bu önceden var olan veri kümelerinin, çevreleyen dünyadaki değişiklikleri yansıtmak için zaman içinde büyüyebilmesi gerekir. , ImageNet gibi başlangıçta sadece 1 milyon görüntü vardı ve sonra genişlemeye devam etti.
Şu anda bu eğilim işaretlerini göstermeye başladı. Robotlar, iki tür veri içeren veri kümeleri aracılığıyla çeşitli işlemleri tamamlamak için yeni nesneleri araç olarak nasıl kullanacaklarını öğrenebilirler: kendi kendine etkileşim ve insan öğretimi.
Chelsea Finn, Stanford Üniversitesi Bilgisayar Bilimi ve Elektrik Mühendisliği Bölümü'nde yardımcı doçenttir.
Richard Soch: Bilgi denizinin kaynamasına izin verin
İnternet çağında, neredeyse tüm insan bilgisi, arama kutusuna birkaç kelime girilerek elde edilebilir. Bununla birlikte, bu büyük miktardaki bilgi ve bilgiyi etkin bir şekilde nasıl yöneteceğiniz hala büyük bir zorluktur. Uzun bir makaleyi okumadan önce, hangi geçerli bilgileri bulabileceğinizi bilmek zordur ve belirli bir ifadenin doğru olup olmadığını bilmek zordur.
Otomatik özetleme bu sorunları çözebilir. Bu, doğal dil işlemedeki en önemli ancak çözülmemiş görevlerden biridir. 2020 yılına kadar otomatik özetleme önemli bir adım atacak ve bilgileri kullanma şeklimizi değiştirecek.
Otomatik özetleme modellerini eğitmek için kullanılan mevcut veri kümeleri ve performans ölçüm standartları ciddi kusurlara sahiptir. Bu nedenle, nihai modelin de ciddi kusurları var. Salesforce bu sorunları çözmek için çok çalışıyor.Araştırmacılar otomatik özetleme performansını değerlendirmek için ROUGE puanını kullanıyor.Bu standart temel olarak kaynak belgeler, otomatik özetler ve manuel özetler arasındaki kelime örtüşmesini ölçer. Gerçekler, sinir ağı tabanlı otomatik özet modeli hata yapsa bile, yine de yüksek ROUGE puanı alacağını kanıtladı.
Modelimiz, kaynak belge ile özet arasındaki gerçek tutarlılığı kolayca kontrol edebilir. Önerdiğimiz diğer bir gösterge, otomatik özetleme programının olgusal tutarlılığını değerlendirmek için kullanılabilir. ROUGE'ye ek olarak, özet oluşturucular bu göstergeye göre sıralanabilir ve bu da araştırmacıların daha iyi modeller geliştirmesine yardımcı olur.
2020, otomatik özetleme modeli ve hatta tüm NLP teknolojisinin patlaması için mükemmel bir zaman olacak. 2020'deki ilerleme, yalnızca insanların sürekli ortaya çıkan yeni bilgilere yanıt vermesine izin vermekle kalmayacak, aynı zamanda insanların daha iyi bir dünya yaratmak için yapay zekanın büyük potansiyelini benimsemelerine yardımcı olacak.
Richard Socher, Salesforce'un baş bilim adamıdır.
Song Xiaodong: 2020, sorumlu bir veri ekonomisi oluşturmak için el ele
2020'nin "sorumlu veri ekonomisi" nin temellerini attığımız yıl olması bekleniyor.
Artık kullanıcıların, üretilen verileri nasıl kullanacakları üzerinde çok az kontrolü var. Konum bilgileri, tıbbi reçeteler, genetik diziler vb. Dahil her türlü veri paylaşılır ve satılır. Bu fenomen sadece kişisel mahremiyet güvenliğini tehdit etmekle kalmayacak, aynı zamanda ulusal güvenliği de tehdit edecektir. Birçok kullanıcı, uygulamaya olan orijinal güvenini kaybetti.
Aynı zamanda, verilerin etkin bir şekilde nasıl kullanılacağı da şirketleri rahatsız etmektedir. Veri sızıntısı sorunu daha ciddi hale geldi ve devlet dairelerinin yasal denetim önlemleri daha sıkı hale geldi.Birçok değerli veri izole edildi ve elde edilemez, bu da teknolojik ilerlemeyi engelliyor.
Bu durumu değiştirmek ve sorumlu bir veri ekonomisi oluşturmak için yeni teknolojilere, yeni düzenlemelere ve yeni iş modellerine ihtiyaç vardır. Veri gizliliğini korumak için güvenli bilgi işlem, denetim yetenekleri ve makine öğrenimi aracılığıyla veri sahipleri (bireyler ve kuruluşlar) için güvenilir koruma ve denetim sağlayın.
Oasis Labs bu vizyonu gerçekleştiriyor ve gelecekte yapılacak çok şey var. Umarım teknik personel, şirketler, düzenleyiciler ve AI toplulukları, gerçekten sorumlu bir veri ekonomisinin temelini atmak için bize katılabilir.
Dawn Song, Oasis Labs'ın CEO'su ve kurucu ortağı ve Berkeley'deki California Üniversitesi'nde bilgisayar bilimi ve elektrik mühendisliği profesörüdür.
Kai-Fu Lee: Yapay Zeka 2020'de her yerde
Yapay zeka, keşif çağından gerçekleşme çağına taşındı. Bankacılık, finans, ulaşım, lojistik, süpermarketler, restoranlar, depolar, fabrikalar, okullar ve ilaç keşiflerinde yapay zeka ve otomasyon teknolojilerinin hepsi patlama yapan uygulamalar aldı. Ancak genel olarak, yalnızca az sayıda şirket yapay zekayı kullanmaya başladı. AI uygulamasında büyüme için çok büyük alan var.
İnsanın teknolojik ilerleme tarihinde yapay zekanın elektrik kadar önemli olduğuna inanıyorum. Önümüzdeki bir veya iki yıl içinde yapay zeka, daha yüksek verimlilik ve daha akıllı deneyimler sağlamak için bireylerin ve işletmelerin hayatına girecek. Artık şirketlerin, kurumların ve hükümetlerin yapay zekayı tamamen benimseme ve toplumu ileriye taşıma zamanı.
Yapay zekanın sağlık ve eğitim üzerindeki etkisi beni çok heyecanlandırıyor. Bu iki sektör, yapay zeka'daki yıkıcı değişikliklere hazır. Gelecekte, daha fazla gelecek vaat eden şirketler 2020 ve sonrasında yapay zekayı benimseyecek.
Kai-Fu Lee, Saivation Ventures'ın Başkanı ve CEO'sudur.
Editör: Yu Tengkai
-Bitiş-
Tsinghua-Qingdao Veri Bilimi Enstitüsü'nün resmi WeChat kamu platformunu takip edin " THU Veri Pastası "Ve kız kardeş numarası" Veri Pastası THU "Daha fazla ders avantajı ve kaliteli içerik elde edin.
