g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

Google Brain 2017 Özet Bölüm II: Tıbbi bakım ve robotik dahil altı alandan başlayarak dünyayı değiştirmeye yönelik bir yolculuk

Lei Feng.comun AI teknolojisi yorumu: Google Brain (Google Brain) lideri Jeff Dean, Google Brain'in geçen yılki performansını ayrıntılarıyla anlatan Google Research Blog'da 2017'de Google Brain ekibinin ilk inceleme özetini yayınladı. Otomatik makine öğrenimi, dil anlama ve oluşturma, yeni makine öğrenimi algoritmaları ve uygulamaları, gizlilik ve güvenlik, makine öğrenimi sistemlerini anlama, açık veri kümeleri, TensorFlow, TPU Bir dizi araştırma çalışması.

Leifeng.com AI Technology Review dün yayınlandı Önceki makalenin içeriğini gözden geçirin ve özetleyin .

Bugün Jeff Dean, Google Brain'in yapay zeka uygulamalarındaki çalışmalarını (tıbbi tedavi, robotik, inovasyon, adalet ve hoşgörü vb.) Kapsayan bu blog gönderisinin bir sonraki bölümünü yayınladı. Aşağıda, Leifeng.com bu özet makalenin sonraki tam metnini şu şekilde çevirir:

Google Brain ekibinin amacı, Google'ın yapay zeka stratejisinin de bir parçası olan bilimsel araştırma ve sistem mühendisliği yoluyla en iyi yapay zeka sistemlerinin geliştirilmesini sürekli olarak teşvik etmektir. içinde Bu blog yazısının ilk bölümü , 2017 yılında yeni makine öğrenimi algoritmaları ve teknolojileri tasarlamaktan bunları anlamaya ve toplulukla veri, yazılım ve donanım paylaşmaya kadar temel araştırma alanındaki çalışmalarımızı başlattım.

Bu yazıda, derinlemesine tanıtacağız. Tıp, robotik, yenilik, adalet ve kapsayıcılık Dikey alanda yapılan araştırma çalışmasını bekleyin ve son olarak ekibimizi kısaca tanıtacağız.

Tıbbi tedavi

Makine öğrenimi teknolojisinin sağlık hizmetleri alanına uygulanmasının büyük bir potansiyele sahip olduğuna inanıyoruz. Ayrıca, bu alanda patologlara kanseri tespit etmede yardımcı olmak, doktorların ve hastaların etkileşimde bulunmasına yardımcı olmak için tıbbi konuşmaları anlamak ve genomikteki çeşitli sorunları çözmek için makine öğrenimini kullanmak gibi pek çok çalışma yaptılar.Ayrıca, derin öğrenmeye dayalı bir çalışma başlattılar. Yüksek hassasiyetli değişken çağrı sisteminin kaynak kodu.

Önerilen okuma: Tıbbi alanda yapay zeka, tıbbi görüntüleri izlemenin yanı sıra ne yapabilir? Google yeni bir yanıt getiriyor: doktorların tıbbi dosyalar yazmasına yardımcı olun

(Lenf düğümü biyopsisi, algoritmamız iyi huylu makrofajlar yerine tümörleri doğru bir şekilde tanımladı)

Aralık 2016'da, Journal of the American Medical Association'da (JAMA) diyabetik retinopati (DR) ve maküla ödeminin erken tespiti üzerine bir araştırma makalesi yayınladık.

İlgili makaleler: https://jamanetwork.com/journals/jama/article-abstract/2588763

2017'de bu araştırmayı bir araştırma projesinden gerçek bir klinik araştırmaya aktardık. Bu çalışmayı düzenleyici bir süreçte yönlendirmek ve bu teknolojiyi Nikonun Optos oftalmik kamera ürün serisine entegre etmek için Verily (Alphabet altında bir yaşam bilimi şirketi) ile birlikte çalıştık.

Ek olarak, şu anda bu sistemi Hindistan'da kullanıyoruz. Hindistan'da 127.000 oftalmolog olduğu anlaşılıyor, ancak sonuç, yukarıdaki hastalıklara sahip hastaların neredeyse yarısının ilerlemiş olarak teşhis edildiği - hastalık görme kaybına neden oldu. Pilot uygulamanın bir parçası olarak, hastane personelinin diyabetik göz hastalıklarını daha iyi teşhis etmesine yardımcı olmak için bu sistemi Aravind Göz Hastanesinde başlattık. Ek olarak, diyabetik göz hastalıklarının bakımını etkileyen insan faktörlerini (hastalar ve sağlık hizmeti sağlayıcılarının etnografik çalışmaları dahil) ve göz doktorlarının AI destek sistemleriyle nasıl etkileşimde bulunduğuna dair anketleri anlamaya çalışmak için ortaklarımızla birlikte çalışıyoruz.

İlk hasta (üstte); eğitimli bir greyder olan Iniya Paramasivam, sistemin çıkışını kontrol ediyor (altta)

Google Brain ayrıca Stanford Üniversitesi, Kaliforniya Üniversitesi, San Francisco ve Chicago Üniversitesi gibi bazı gelişmiş tıbbi kurum ve merkezlerdeki araştırmacılarla, tanımlanamayan tıbbi kayıtların (yani hastaya dayalı olarak) tıbbi sonuçlarını tahmin etmek için makine öğrenimi kullanmanın etkinliğini kanıtlamak için işbirliği yaptı. Milyonlarca diğer hastanın vakalarından öğrenebileceğimize ve sağlık çalışanlarının daha iyi kararlar almasına yardımcı olmak için bu hastanın gelecekteki durumunu tahmin edebileceğimize inanıyoruz. Bu yöntem konusunda çok heyecanlıyız ve 2018'de daha fazla içerik bekliyoruz.

robot

Robotikte Google Brain'in uzun vadeli hedefi, robotların karmaşık gerçek dünya ortamlarında çalışabilmesi ve günümüz robotları gibi dikkatli bir kontrol gerektirmek yerine, öğrenerek yeni beceriler ve yetenekler kazanabilmeleri için öğrenme algoritmaları tasarlamaktır. Belirli görevler için koşullar veya belirli programlar yazın.

Araştırmamızın odak noktalarından biri, fiziksel robotlar geliştirmektir, böylece kendi ve diğer robotların deneyimlerini yeni beceriler ve yetenekler inşa etmek, yani toplu öğrenme için ortak deneyimleri bir araya getirmek için kullanabilirler. Ayrıca, yeni görevleri öğrenmeyi hızlandırmak için bilgisayar tabanlı robot görev simülasyonunu fiziksel robot deneyimi ile nasıl birleştireceğimizi araştırıyoruz. Simülatördeki fiziksel yasalar gerçek dünyayla tam olarak eşleşmese de, robotlar için simülasyon deneyiminin yanı sıra az miktarda gerçek dünya deneyiminin büyük miktarda gerçek dünya deneyiminden daha iyi sonuçlar vereceğini gördük.

Gerçek dünya robot deneyimi ve simüle edilmiş robot ortamına ek olarak, istenen davranışın insan gösterilerini gözlemleyerek öğrenebilen bir robot öğrenme algoritması da geliştirdik. Bu taklit öğrenme yönteminin çok umut verici bir yol olduğunu düşünüyoruz. Robota çok hızlı yeni yetenekler kazandırabilir.Bu süreç için net bir plan, hatta faaliyetin net bir amacı bile yok.

Önerilen okuma: İnsan eylemlerini taklit edebilen ve anlambilimini anlayabilen Google robotları, yeni bir denetimsiz öğrenme düzeyine ulaştı

Örneğin aşağıdaki videoda robot, görevleri farklı açılardan gerçekleştiren insanları gözlemliyor ve ardından insan davranışlarını taklit etmeye çalışıyor.Sadece 15 dakika içinde bir şeyi bir bardağa nasıl dökeceklerini öğreniyorlar. Üç yaşındaki çocuğunuzla birlikteyseniz, bu çalışmayı çok cesaret verici bulacaksınız çünkü sadece biraz dökülüyor ve çocuğunuz ortalığı karıştırabilir.

Ayrıca Kasım ayında ilk yepyeni Robot Öğrenme Konferansı'nı (CoRL) ortaklaşa düzenledik ve ev sahipliği yaptık.Bu konferans aynı zamanda makine öğrenimi ve robotik alanında çok sayıda araştırmacıyı bir araya getirdi. Etkinliğin özeti daha fazla bilgi içeriyor, bu yüzden burada ayrıntılara girmeyeceğim Önümüzdeki yıl Zürih'te yapılacak bir sonraki konferansı sabırsızlıkla bekliyoruz.

Önerilen Kaynaklar:

Yann Lecun CoLR dersi: Makineler hayvanlar ve insanlar kadar etkili bir şekilde nasıl öğrenebilir?
Anca Dragan CoRL Konuşması: Robotlar ve insanlar birbirlerini nasıl etkiler ve daha iyi işbirliği yaparlar?

temel bilim

Google Brain, makine öğreniminin bilimdeki önemli sorunları çözmeye yardımcı olmak için uzun vadeli bir potansiyele sahip olduğuna inanıyor. Geçen yıl, kuantum kimyasında sinir ağları tarafından tahmin edilen moleküler özellikleri kullandık, astronomik verilerde yeni dış gezegenler bulduk, sismik verilerden deprem artçı şoklarını tahmin ettik ve otomatik bir kanıtlama sistemini yönlendirmek için derin öğrenmeyi kullandık.

İlgili makaleler (kuantum kimyası):

Makine öğrenimi tahmin hataları DFT doğruluğundan daha iyidir

Kuantum Kimyası için Geçen Nöral Mesaj

İlgili makale (Exoplanet): Google yapay zekası, bilim insanlarının "mini güneş sistemini" keşfetmesine yardımcı oluyor

İlgili makaleler (deprem artçı sarsıntıları): Derin Ağ Kılavuzlu Prova Arama

Bilgi, organik moleküllerin kuantum özelliklerini sinir ağları aracılığıyla tahmin eder

Yeni dış gezegenler aramak: Gezegen ışığı engellediğinde gözlemlenen yıldızın parlaklığı.

yaratıcılık

Google Brain ayrıca, makine öğreniminin insanların yaratıcı bir şekilde oluşturmalarına yardımcı olacak bir araç olarak nasıl kullanılacağıyla da yakından ilgileniyor.

Bu yıl, bir AI piyano düet aracı oluşturduk, YouTube müzisyeni Andrew Huang'ın yeni müzikler yaratmasına yardımcı olduk ve bir makineye çizim yapmayı öğretmeyi gösterdik.

Piyano çalmayı deneyin: A. I. DUET

Takdir: Andrew Huang'ın müziği (duvarı devirmek gerekiyor)

İlgili makale: Google Brain makinelere basit vuruşlar yapmayı öğretir, sinir ağı başyapıtları neye benzer?

Boyama:

SketchRNN modeli ile çizilmiş bahçe; etkileşimli gösteri

Ayrıca, yeni müzik oluşturmak için tarayıcıda çalışan derin üretici modelin nasıl kontrol edileceğini de gösterdik. Bu çalışma, NIPS 2017'de En İyi Demo Ödülü'nü kazandı. Bu, beyin ekibinin Magenta proje üyelerinin ödülü kazandıkları art arda ikinci yıldır ( Magenta ile NIPS 2016'da interaktif müzik doğaçlamasının demosu, yılın en iyi demosunu kazandı).

Aşağıdaki videoda, MusicVAE Variation Autoencoder modelinin bir melodiden diğerine yumuşak geçişi olan demonun bir kısmını dinleyebilirsiniz.

İnsanlar + AI Araştırma (PAIR) Girişimi

Makine öğrenimindeki gelişmeler, insanların bilgisayarlarla nasıl etkileşime girdiği konusunda yeni olanaklar sağlar. Aynı zamanda, toplumun inşa ettiğimiz teknolojilerden çok çeşitli faydalar elde etmesini sağlamak hayati önem taşır. Bu fırsatların ve zorlukların acil bir konu olduğuna inanıyoruz, bu nedenle Google'daki pek çok kişiyle işbirliği yaparak, bir Kişi + Yapay Zeka Araştırması (PAIR) girişimi önerdik.

Önerilen okuma: Google'ın, AI'nın başkalarına fayda sağlamasına izin verme sözü veren "PAIR" projesi ne kadar güvenilir?

PAIR'in amacı, insanların AI sistemleriyle etkileşime girmesi için en etkili yolu incelemek ve tasarlamaktır. Bu amaçla, bilgisayar bilimi, tasarım ve hatta sanat gibi disiplinlerden akademik araştırmacıları ve uygulayıcıları bir araya getirmek için halka açık bir seminer düzenledik. PAIR'in çalışmasının kapsamı çok geniştir, bunlardan bazıları araştırmacıların açıklayıcı çalışma yoluyla ML sistemlerini anlamasına ve deeplearn.js ile geliştirici topluluğunu genişletmesine yardımcı olur. İnsan merkezli makine öğrenimi mühendisliği yaklaşımımızın bir başka örneği, görsel ve anlaşılır bir eğitim veri seti aracı olan Facets'in tanıtımıdır.

Önerilen okuma: Google ayrıca deeplearn.js adlı bir web ön uç makine öğrenimi kitaplığı yayınladı

Özellikler, egzersiz veri kümenizi derinlemesine anlamanıza yardımcı olur

Makine öğreniminde adalet ve hoşgörü

Makine öğreniminin teknolojide artan rolüyle birlikte, kapsayıcılık ve adalet konuları giderek daha önemli hale geldi. Brain ekibi ve PAIR bu alanlarda bazı ilerlemeler kaydetti. Makine öğrenimi sisteminde nedensel akıl yürütme yoluyla ayrımcılığın nasıl önleneceğini, açık veri kümelerinde coğrafi çeşitliliğin önemini yayınladık ve çeşitliliği ve kültürel farklılıkları anlamak için herkese açık bir veri setini analiz eden bir blog yazısı yazdık. Ayrıca AI ortaklarıyla da yakın bir şekilde çalışıyoruz PAIR, adalet ve kapsayıcılığın tüm ML uygulayıcılarının ortak hedefi olmasını sağlamamıza yardımcı olmayı amaçlayan sektörler arası bir girişimdir.

Soldaki bu grafiti kalıplarında görüldüğü gibi, kültürel farklılıklar eğitim verilerinde (hatta konu içinde) "evrensel" bir sandalye olabilir. Sağdaki grafik, ImageNet gibi standart açık kaynak veri kümelerinde coğrafi sapmaları nasıl bulduğumuzu gösteriyor. Keşfedilmemiş veya düzeltilmemiş bu önyargı, model davranışını büyük ölçüde etkileyebilir.

Bu alana teknik olmayan bir giriş olarak aşağıdaki videoyu oluşturmak için Google Creative Lab'den meslektaşlarla birlikte çalıştık.

Bizim kültürümüz

Google Brainin araştırma kültürünün bir yönü, araştırmacıların ve mühendislerin en önemli olduğunu düşündükleri temel araştırma problemlerini çözmelerine izin vermektir.

Eylül 2017'de, araştırma yürütmek için genel bir metodoloji yayınladık. Genç araştırmacıları eğitmek ve tanımak, araştırmamızın bir parçasıdır. Geçen yıl 100'den fazla stajyer aldık ve 2017'de yayınlanan makalelerin yaklaşık% 25'i stajyer işbirlikçiler içeriyordu.

Önerilen okuma: Jeff Dean: Google Brain bilimsel araştırma misyonunu nasıl gerçekleştiriyor? (2017.09)

2016 yılında Google Brain, makine öğrenimi araştırmalarını öğrenmek isteyenlere rehberlik etmeyi amaçlayan Google Brain Residency projesini başlattı. İlk yıl (Haziran 2016-Haziran 2017) toplam 27 eğitmen ekibimize katıldı ve altı ayda bir toplam 23 bildiri yayınladı. Bu eğitmenlerin çoğu artık tam zamanlı araştırmacılar ve araştırma mühendisleri olarak ekibimizde kalıyor.

Temmuz 2017'de, 35 eğitmenlik ikinci grubunu karşıladık. 2018 Temmuz'una kadar kalacaklar, ancak şimdi birçok heyecan verici araştırma çalışması yaptılar ve birçok makale yayınladılar. .

Şimdi programın kapsamını diğer birçok Google araştırma grubunu içerecek şekilde genişlettik ve programı Google AI İkamet programı olarak yeniden adlandırdık. (Bu yılın planı için son başvuru tarihi yeni geçti; gelecek yılın planıyla ilgili bilgi için lütfen g.co/airesidency/apply adresini kontrol edin)

2017'deki çalışmalarımız, bu blog yazısında vurgulananların (üst ve alt) çok ötesine geçiyor. Geçtiğimiz yıl çeşitli en iyi araştırma kurumlarında, ICLR, ICML, NIPS ve diğer konferanslardaki 60'tan fazla makale dahil olmak üzere 140 makale yayınladık. Bu alandaki çalışmalarımızı anlamak için araştırma makalelerimizi dikkatlice okuyabilirsiniz.

Ekibimizin üyelerini de bu videoda görebilirsiniz:

Veya "Bana Her Şeyi Sor (AMA)" etkinliğindeki ikinci cevabımızı okuyun (2016'da da bir sorun var)

Jeff Dean'in iki yıllık AMA incelemesi: Google'ın beyin ve makine öğreniminin geleceği hakkında 26 soru

Google ekibi, Kuzey Amerika ve Avrupa'ya yayılmış ekip üyeleriyle genişliyor. Yaptığımız işin ilginç olduğunu düşünüyorsanız ve bize katılmak istiyorsanız, hangi boş pozisyonlarımıza sahip olduğumuzu görmek için alttaki bağlantıyı (g.co/brain) kullanabilir ve staj, AI ikamet programları, misafir bursiyerler veya tam zamanlı başvuruda bulunabilirsiniz. Araştırma veya mühendislik geliştirme pozisyonları.

Ayrıca 2018 yılındaki çalışmalarımızı Google Research blogu veya Twitter @ GoogleResearch üzerinden takip edebilirsiniz.Ayrıca kişisel Twitter hesabımı @JeffDean da takip edebilirsiniz.

GoogleBlog.com aracılığıyla, Lei Feng.com AI teknolojisi inceleme derlemesi. Makalede belirtilen araştırma sonuçlarının belirli ayrıntıları için lütfen önceki raporlarımızı okuyun.

İlgili Makaleler:

Google Brain 2017 Özet Bölüm I: Temel araştırmalar hızla ilerliyor ve açık kaynaklar her yerde çiçek açıyor
Tıbbi alanda yapay zeka, tıbbi görüntüleri izlemenin yanı sıra ne yapabilir? Google yeni bir yanıt getiriyor: doktorların tıbbi dosyalar yazmasına yardımcı olun
Anlam bilimi anlayabilen Google robotu, insan eylemlerini bir kez izleyerek ve yeni bir denetimsiz öğrenme düzeyine ulaşarak taklit edilebilir.
Yann Lecun CoLR dersi: Makineler hayvanlar ve insanlar kadar etkili bir şekilde nasıl öğrenebilir?
Anca Dragan CoRL Konuşması: Robotlar ve insanlar birbirlerini nasıl etkiler ve daha iyi işbirliği yaparlar?
Google yapay zekası, bilim insanlarının "mini güneş sistemini" keşfetmesine yardımcı oluyor
Google Brain makinelere basit vuruşlar yapmayı öğretir, sinir ağlarının başyapıtları neye benziyor?
AI'nın başkalarına fayda sağlamasına izin verme sözü, Google'ın "PAIR" projesi ne kadar güvenilir?
Google ayrıca deeplearn.js adlı bir web ön uç makine öğrenimi kitaplığı yayınladı
Jeff Dean şöyle yazıyor: Google Brain bilimsel araştırma misyonunu nasıl gerçekleştiriyor?
Jeff Dean'in iki yıllık AMA incelemesi: Google'ın beyin ve makine öğreniminin geleceği hakkında 26 soru (1. bölüm)
Jeff Dean'in iki yıllık AMA incelemesi: Google'ın beyin ve makine öğreniminin geleceği hakkında 26 soru (2. bölüm)