AI'nın yükselişinin dokuzuncu yılında yapılacak ne var?
Yazar | Jiang Baoshang, Cong Mo
Editör | Jia Wei
2012'den itibaren, yapay zeka salgını dokuzuncu yılına girdi ve insanlar yavaş yavaş başlangıçtaki cehalet, özlem ve korkudan "yapay zekanın ne olduğunu" derinlemesine anlamaya geçti. 2018'de insanlar hala yapay zekanın soğuk kışa ne zaman tekrar gireceğini tartışıyorlar, ancak 2019'da insanlar artık "soğuk kış" terimi konusunda soğuk değil, genellikle "yapay zekayı nasıl anlaşılır hale getirebilirim" veya "AI tarafından tetiklenir" arıyor Gizlilik, güvenlik ve etik sorunlar. " 2020'de yapay zeka hala patlama yaşıyor ve hayatın her alanında derin bir etkiye sahip. 2020'de hala 10 ay kaldı. Tahmin edelim, yapay zekadaki önemli trendler neler?
CB Insights, bir zamanlar bu konuda bir hüküm verdi ve yapay zekanın dokuz önemli araştırma ve uygulama trendini verdi. AI Technology Review bu yargılara bir dereceye kadar katılıyor.Bu 9 trend için aşağıdaki analizi yapacağız.
1. Deepfake iş modelini değiştirecek
CB Insights, ticari deepfake'lerin ortaya çıkabileceğine, ölü ünlülerin "diriltileceğine" ve perakende ve pazarlama yöntemlerinin de değişeceğine inanıyor.
Birkaç gün önce, Deepfake teknolojisi Hindistan seçimlerinde ortaya çıktı ve adaylar tarafından kampanya tanıtım malzemeleri için kullanıldı. Bu aday feci bir yenilgiyle sonuçlansa da, Deepfake tarafından tutuşturulan AI yüz değiştiren ateşin yavaş yavaş ısındığı anlamına geliyor.
Bu teknoloji siyasi videolarda ve pornografik videolarda olumsuz etkiler getirecek şekilde görünse de medya ve film şirketleri için altın bir fırsattır. Örneğin, bazı Hollywood stüdyoları 1950'lerde film karakterlerini "dijital olarak yeniden canlandırmaya" çalışıyorlar.
Ticari düzeyde, Deepfake daha kişisel hale gelecek, e-ticaret deneyimini ve sanal çevrimiçi denemeleri geliştirecek; reklamcılık, videoları ihtiyaçlara göre sentezlemek ve ilgili lehçelerle donatmak gibi süper hedefli bir yönde de gelişecek; yaratıcı süreçler de değişecek "Yeniden yapılanma" filminin devamı gibi otomatikleştirilmesi gerekir.
Teknik açıdan, Deepfake teknolojisi de büyük bir hızla ilerliyor. Kısa bir süre önce Pekin Üniversitesi ve Microsoft Araştırma Enstitüsü, sırasıyla FaceShifter ve Face X-Ray'i önerdiler. İlki, yüksek kaliteli, tanımlanabilir ve tıkalı bir yüz değiştirme aracı ve ikincisi, sahte yüz görüntülerini algılayabilen bir araçtır.
Bunların arasında, eğitimli FaceShifter, anormal alanları herhangi bir manuel açıklama olmadan kendi kendine denetlenen bir şekilde kurtarabilir ve kimlik ve yüz sentezi özelliklerini uyarlamalı bir şekilde entegre edebilir. Ve Yüz Röntgeni sadece kompozit bir resim olup olmadığını yargılamakla kalmaz, aynı zamanda hangi kısmın kompozit olduğunu, yani hem tanıma hem de yorumlama işlevlerine sahip olduğunu gösterir.
Bu iki teknoloji, AI'nın yüz değiştiren dünyasının "mızrakları" ve "kalkanları" olarak bilinir ve sektörde lider sonuçlar elde etmiştir.Ayrıca, önceki yöntemlerden çok daha az veri gerektirdiklerini de belirtmek gerekir.
Dolayısıyla, Deepfake konusunda 2020'deki geliştirme eğilimleri esas olarak şunları içerir:
1) Deepfake, hücum ve savunma arasındaki savaşta yavaş yavaş ilerliyor. Küçük veriler ve denetimsiz eğitim yöntemleri modelin ana akımı haline gelecek. Geleneksel zaman alıcı ve yoğun iş gücü gerektiren bilgisayar tarafından üretilen görüntü teknolojisi yavaş yavaş değiştirilecek.
2) Deepfake iş modelini değiştirecek, reklamcılık ve pazarlama daha kişisel hale gelecek ve film yapımı artık gerçek çekimle sınırlı olmayacak.
2. Hackerların devrimi: AI'ya saldırmak için AI kullanma
Geleneksel bilgisayar korsanları, esas olarak sistem güvenlik açıklarını keşfederek sistemi istila ederler. Ancak yapay zeka çağına girdikten sonra, bilgisayar korsanları ve beyaz konuklar arasındaki saldırı ve savunma savaşı da büyük değişikliklere uğradı.
Yapay zekanın yükselişiyle birlikte yapay zeka, kötü amaçlı yazılımları otomatik olarak tespit etmek ve bunlarla mücadele etmek için kademeli olarak kullanılmaktadır.Şüpheli davranışları tespit etmeyi öğrenebilir ve herhangi bir sistemi etkilemeden önce siber saldırıları önleyebilir.Aynı zamanda insanların gereksiz iş yüklerinden kaçınmasına da olanak tanır.
Ancak saldıran taraf, özellikle suçlular onları silahlandırdıklarında, saldırı yöntemlerini geliştirmek için aynı teknolojiyi kullanabilir.Bu kötü amaçlı yazılımlar, en iyi ağ güvenlik savunmalarından bile kaçabilir ve bilgisayar ağlarına bulaşabilir.Hedefi yalnızca kameradan bile tespit edebilirler. Kişinin yüzüne saldırı.
Bu, 2020'de gelecekteki bilgisayar korsanlarının çabalarını iki yönde uygulayabilecekleri anlamına gelir: 1. Aldatma ölçeği sistem düzeyine yükseldi: 2. Daha karmaşık saldırılar başlatmak için AI kullanımı.
Örneğin, 2019'da Skylight Cyber araştırmacıları, AI modelindeki doğal önyargıyı keşfetmenin bir yolunu buldular. Bu önyargıyı kullanarak, kötü niyetli yazılımların AI güvenlik duvarını atlamasına ve antivirüs yazılımını aldatmasına izin veren bir "arka kapı" oluşturulabilir.
Bu, AI modelinin çalışma prensibini anlayabilir ve belirli işlevlerine göre saldırı silahları tasarlayabilirseniz, sistemi kandırabileceğiniz anlamına gelir.
Skylight Cyber gibi artan sayıda AI şirketi ile, tüketici ve kurumsal koruma seviyesi kesinlikle yükselecek, ancak AI'nın benzersiz zayıflıklarını hedefleyen yeni bir hacker grubu ve yazılım da ortaya çıkacak.
Öte yandan, bilgisayar korsanları veri açısından da yapay zekayı kandırabilir, yani yapay zeka algoritmalarının eğitim verilerini yok edebilir, yapay zeka önyargısı oluşturabilir ve ağdaki normal davranış ile kötü niyetli davranış arasındaki ayrımı etkileyebilir.
Konuşma sentezini kullanan ceza davaları
Siber güvenlik araştırmacıları, saldırılara karşı savunma yapmak için giderek daha fazla yapay zeka kullandıkça, yapay zekanın kendisi de daha karmaşık ve hedefli siber saldırılar oluşturmak için kullanılacaktır. Örneğin, Deepfake tarafından üretilen ses ve sentezlenen ses giderek daha gerçekçi hale geliyor. Avrupa'da bilgisayar korsanlarının, şirket CEO'larını taklit ederek çalışanları aramak ve onlardan para transfer etmelerini istemek için yapay zekayı kullandığı bazı durumlar oldu.
Gerçek dünyada saldırmak için yapay zeka kullanan ceza davaları henüz bildirilmemiş olsa da, 2018 gibi erken bir tarihte IBM, saldırıya karşı ağ güvenliği korumalarını atlayabilen Deeplocker adlı derin öğrenme odaklı bir kötü amaçlı yazılım geliştirdi. Yazılım, "yüksek hedefli ve kaçamak saldırı araçlarına sahip yapay zeka tarafından yönlendirilen yeni bir kötü amaçlı yazılım türü" olarak tanımlanıyor. Amaç, mevcut AI modellerinin kötü amaçlı yazılım teknolojisi ile yeni bir yazılım oluşturmak için nasıl birleştirildiğini anlamaktır. Saldırının türü.
Bu teknoloji, kara kutu yapay zekasının geleneksel zayıflığını bir avantaja dönüştürür.Hedef görünmeden önce, sıradan uygulama yazılımlarında gizlenebilir ve milyonlarca sisteme bulaşırsa fark edilmeyecektir. Bu AI modeli, yalnızca belirli bir kriter algılandığında "kilidi açacak" ve bir saldırı başlatacaktır.
Elbette, yapay zeka tipi bilgisayar korsanlarına ek olarak, kuantum bilgi işlem kaynaklarını kullanan kuantum bilgisayar korsanları ve analiz için büyük veri kullanan büyük veri korsanları kademeli olarak ortaya çıkacaktır.
Dolayısıyla, teknik düzeyde, bilgisayar korsanlarının 2020'deki gelişme eğilimleri esas olarak şunları içerir:
1) Yapay zekanın kendisi de daha karmaşık ve hedefli siber saldırılar oluşturmak için kullanılacaktır.
2) Yapay zekanın kara kutu doğası nedeniyle, siber saldırılar daha ince ve şiddetli hale gelecektir.
3. AI teknolojisi giderek daha popüler ve popüler hale geliyor, AutoML yeteneklerini gösterecek
Sinir ağlarının otomatik tasarımı ve eğitimi için bir dizi araç olan AutoML, işletmelerin giriş engellerini azaltabilir ve teknolojiyi daha "uygar" hale getirebilir.
Binlerce özel görevden doğru sinir ağı çerçevesini tasarlama veya arama sürecinin tamamı, özellikle daha karmaşık senaryolar için (hem hız hem de doğruluk gerektiren otonom sürüş gibi) bir yapay zeka mimarisi tasarlarken çok zaman alıcıdır. Kolay.
Bu bağlamda, belirli bir görev için en iyi AI tasarımını bulma sürecini otomatikleştirmek için Neural Architecture Search (NAS) ortaya çıktı. Google 2017'de resmi olarak "AutoML" adını verdi. Google, AutoML'nin yeni bir sinir ağının doğuşuna ilham vereceğini ve ayrıca uzman olmayanların özel ihtiyaçlarına göre ilgili sinir ağlarını oluşturmasını sağlayacağını belirtti.
O zamandan beri, AutoML uygulaması giderek daha kapsamlı hale geldi ve AI teknolojisinin popülerleşmesini büyük ölçüde destekleyen veri hazırlama, eğitim, model arama ve özellik mühendisliği gibi AI tasarımında büyük bir rol oynadı.
Genel olarak, AutoML'nin iki ana avantajı vardır:
1) Yetenek kıtlığı sorununu hafifletebilir: Yapay zeka uzmanları hala çok kısa bir durumda ve AutoML, uzman olmayanların ve işletmelerin teknolojiyi kullanma eşiğini büyük ölçüde azaltacak, böylece yapay zeka teknolojisinin popülerleşmesini ve tanıtımını teşvik edecek.
2) Maliyetlerden tasarruf edebilir ve karmaşıklığı azaltabilir: Uzmanlar için bile bir sinir ağı tasarlamak zaman alıcı ve zahmetli bir süreçtir. AutoML, hesaplama ve deneme yanılma maliyetlerini düşürürken, geliştirilen çözüm de üstündür.
AI teknolojisi daha popüler hale geldikçe ve popüler hale geldikçe, AutoML yeteneklerini göstermeye devam edecek.
Gelecekteki araştırma yönünde, esas olarak algoritma yönünden ve teorik yönden başlayabiliriz:
1) AutoML algoritmasında, gelecekteki çalışmalar, verimlilik iyileştirme, genelleştirme, tüm sürecin optimizasyonu, açık dünyayla yüzleşme, güvenlik ve yorumlanabilirlik gibi beş yönde atılımlar sağlayabilirse, daha büyük atılımlar olacaktır. değer.
2) AutoML'nin teorik araştırmasında, hala çok az ilgili araştırma vardır ve otomatik makine öğreniminin genelleme yeteneği ve uygulanabilirliği çok açık değildir. Bu nedenle, bir yandan mevcut otomatik makine öğrenme algoritmasının uygulanabilirliği ve genelleme yeteneğine cevap vermek gerekirken, diğer yandan otomatik makine öğrenme algoritmasının genel makine öğrenme algoritması üzerindeki fizibilitesine, diğer yandan daha geniş problem alanına cevap vermesi gerekmektedir.
Dördüncüsü, federe öğrenim yeni bir veri paylaşım paradigması getirecek
Federe öğrenme kavramı ilk olarak Blaise ve arkadaşları tarafından 2017'de Google AI Blog'da yayınlanan bir blog gönderisinde önerildi. Önerildiği günden bu yana, ilgili araştırmalar yaygınlaştı.
Federe öğrenmenin bu kadar kısa sürede hızlı bir şekilde bir fikirden konuya geçebilmesinin ana nedeni, bir öğrenme paradigması olarak federe öğrenme teknolojisinin, kullanıcı verilerinin gizliliğini sağlarken "veri adaları" sorununu çözebilmesidir.
Veri toplamadan AI modelini iyileştirin
Geleneksel AI modelleriyle karşılaştırıldığında, federe öğrenme daha çok yapay zekanın geliştirilmesinin karşılaştığı mevcut ikilemler için yeni bir paradigma gibidir, örneğin:
1. Federe öğrenme çerçevesi altında, tüm katılımcılar eşit statüye sahiptir ve adil bir işbirliğine ulaşabilirler;
2. Veriler, veri sızıntısını önlemek ve kullanıcı gizlilik koruması ve veri güvenliği ihtiyaçlarını karşılamak için yerel olarak tutulur;
3. Bağımsızlığı korurken, şifrelenmiş bilgi ve model parametreleri alışverişinde yer alan tüm tarafların aynı zamanda büyümesini sağlayabilir;
4. Modelleme etkisi, geleneksel derin öğrenme algoritmalarının modelleme etkisinden çok farklı değildir;
5. Birleşik öğrenme, kapalı döngü bir öğrenme mekanizmasıdır ve modelin etkisi, veri sağlayıcısının katkısına bağlıdır.
Yukarıdaki avantajlar, açıkça veri gizliliği ve güvenlik sorunlarını çözmek için yeni bir yol sağlar. Belirli uygulama düzeyinde, NVIDIA'nın tıbbi donanım ve yazılım çerçevesi Clara federal öğrenimi destekleyebilmiştir. Şu anda American College of Radiology, MGH ve BWH'den klinik veriler bulunmaktadır. Bilim Merkezi ve UCLA Sağlık, platformda ilgili algoritmaları eğitir.
Bu nedenle, teknik olarak, federal çalışmanın yasal ve etkili olmasını sağlamak gerçekten mümkündür. Bu nedenle, federe öğrenme, çok taraflı işbirliği ile karakterize edilen bir işletim sistemi gibidir ve gücünü yalnızca çok taraflı onayı kullanabilir.
Bundan sonra, federal öğrenme 2020'de sıcak bir araştırma trendi olmaya devam edecek:
1) Sadece tıp alanında değil, aynı zamanda finans alanında da endüstri federal öğrenmeyi yayma çabalarını artıracak, alanlar arası işbirliği ve uluslararası işbirliği norm haline gelecektir.
2) Veri gizliliği sorunları ve küçük veri sorunları hafifletilir ve cihazlar arası model eğitimi bir çözüm haline gelir.
Beş, makine öğrenimi akıllı şehirlerin inşasına katkıda bulunuyor
Akıllı bir şehir için en önemli şey, kaynak kullanımının verimliliğini artırmak için şehrin sistemlerini ve hizmetlerini birbirine bağlamak ve entegre etmek için çeşitli bilgi teknolojileri veya yenilikçi konseptler kullanmaktır.
Teknolojik gelişme perspektifinden bakıldığında, akıllı şehirlerin inşası, "mobil teknoloji" ile temsil edilen nesnelerin interneti, bulut bilişim ve diğer yeni nesil bilgi teknolojisi uygulamaları aracılığıyla kapsamlı bir algı, her yerde bulunan ara bağlantı, her yerde bulunan bilgi işlem ve entegre uygulamaların gerçekleştirilmesini gerektirir.
IoT ve makine öğreniminin yükselişi, işe gidip gelme davranışını modellemek için makine öğrenimini kullanmak ve işe gidip gelme yöntemlerinin seçimini etkileyen faktörlere odaklanmak; sera gazı emisyonlarını ve daha akıllı kaynakları azaltmak için sensör verilerini analiz etmek için makine öğrenimini kullanmak gibi açıkça destek sağlıyor. yönetimi.
Elbette akıllı şehirler, tek bir şirket tarafından yönetilemeyecek geniş bir alan yelpazesine sahiptir. Trilyon dolarlık Al devi Alphabet bile birçok şehirde ancak yeni bloklar oluşturabilir ve hükümetle işbirliği yaparak gayrimenkul, kamu enerji tesisleri, ulaşım ve diğer yerleşim planlarını planlayabilir.
Örneğin, geçen yılın ikinci çeyreğinde, Alphabet'in bir yan kuruluşu olan Sidewalk Labs, hükümet ve diğer şirketlerle işbirliği yaparak Toronto'da 1,3 milyar dolarlık bir akıllı şehir projesinin nasıl inşa edileceğini detaylandıran 1500 sayfalık bir plan yayınladı. Projenin odak noktası ve önemli noktaları, YZ'nin hükümet ve şehir planlamasında uygulanmasına odaklanmıştır.
Sonuç olarak, 2020'de akıllı şehir gelişimi işbirliği ve teknolojiyle çiçeklenecek:
1) İşbirliği düzeyinde, hükümet tarafından tercih edilmelidir.Hükümetin katılımı, orantısız başlangıç inovasyon maliyetini zayıflatacaktır.
2) Teknik düzeyde, uçtan-uca çözümler optimize edilmelidir.Makine öğrenimi kentsel geliştirme araçları, otonom araç teknolojisi ve bina enerji yönetimine sahip yapay zeka şirketleri son derece rekabetçi olacaktır.
6. AI eğitiminin büyük tüketimiyle başa çıkmak için AI teknolojisini kullanın
Bilgi işlem yoğun AI teknolojisi yalnızca daha akıllı ve sürdürülebilir çözümler gerektirmekle kalmaz, aynı zamanda artan küresel enerji talebiyle başa çıkmaya da yardımcı olmalıdır.
AI alanındaki ilerleme genellikle yukarıdan aşağıya doğrudur. Örneğin, bazı AI araçları teknoloji devleri tarafından geliştirilir ve daha sonra diğerlerine açık kaynak sağlanır.Bu fenomenin nedenlerinden biri AI araştırmasının hesaplama yoğun doğasıdır.
İstatistiklere göre, Google'ın 2018'deki BigGAN deneyinde köpek, kelebek ve hamburgerlerin gerçeküstü görüntülerini oluşturmak için kullandığı elektrik miktarı, "son altı ayda her bir Amerikan hane halkı tarafından kullanılan toplam elektrik miktarına eşittir". Böyle bir güç tüketimi gerçekten şok edici!
AI enerji tüketimi artmaya devam ederken, enerji tasarrufu 2020 ve sonrasında AI için önemli bir araştırma konusu olacak. Yapay zeka teknolojisinin enerji tasarrufu için kullanılması esas olarak aşağıdaki üç yönden başlayabilir:
1) Donanım şirketleri, makine öğrenimi araştırmaları için "ultra düşük güç tüketimi" ekipmanı sağlamaya odaklanacak, enerji verimliliği ise uç bilgi işlem için ana düşünce haline gelecektir.
2) Kamu hizmeti ölçeğindeki enerji üretimine yapay zekayı uygulayın: Daha fazla bulut bilişim devi, sürdürülebilir enerji kaynaklarına geçecek ve yenilenebilir enerji üretimini artırmak ve veri merkezi işlemlerini kolaylaştırmak için yapay zeka teknolojisini kullanacak.
3) Elektrik üretimini ve petrol ve gaz işlerini kolaylaştırın: yapay zeka, yenilenebilir enerji çıkışını tahmin edebilir, elektrik şebekesi yönetimini otomatikleştirebilir, petrol kuyularının hassas bir şekilde delinmesine yardımcı olabilir ve akıllı evler ve ticari binalar için sürdürülebilir enerji yönetimi çözümleri sağlayabilir.
7. Küçük veri sorununu çözmek zorunludur
"Veriye aç" derin öğrenme algoritmasını eğitmek için yeterli veri yoksa, iki çözüm vardır: sentetik veriler oluşturmak veya küçük verilerden öğrenebilen bir AI modeli geliştirmek.
Sentetik veri üretme yöntemi, otonom sürüş alanında, yani gerçek dünyada kar fırtınası ve simüle edilmiş bir ortamda anormal yaya davranışı gibi elde edilmesi zor olan görüntü verilerinin sentezlenmesi alanında yaygın olarak kullanılmaktadır.
Küçük verilerden öğrenebilen bir AI modeli yöntemi geliştirin. Spesifik yöntem, bilgisayarla görme görevlerinin aktarım öğrenmesi için her zamanki gibidir.Yani, AI algoritması büyük miktarda standart veri içeren bir görev üzerinde eğitilir ve ardından algoritma tarafından öğrenilen bilgi başka bir veriye aktarılır. Daha az görev.
Transfer öğrenimi, bilgisayarla görme görevlerinde büyük bir rol oynamış olsa da, NLP görevlerinde, açıklamalı verilerin genel eksikliği nedeniyle, bu yöntem henüz etkili değildir.
Diğer yöntem olan kendi kendine denetimli ön eğitim, NLP alanının özellikleriyle daha iyi başa çıkabilir.
Google'ın BERT'i, kendi kendini denetleyen ön eğitime iyi bir örnektir ve yapay zeka dil modelinin kelimeleri yalnızca önceki kelimelere göre tahmin etmesine değil, aynı zamanda aşağıdaki kelimeleri, yani bağlamın iki yönlü bir anlayışını elde etmesine de izin verir.
Yann LeCun liderliğindeki Facebook yapay zeka departmanı, kendi kendini denetleme araştırması yapıyor. Bir örnek, bir dil modelini önceden eğitmek ve ardından modeli nefret söylemini tanımaya uygulamak için ince ayar yapmaktır.
Küçük veri sorununu çözerken, 2020'deki gelişme eğilimleri temel olarak şunları içerir:
1) Kendi kendini denetleyen teknolojinin gelişmesiyle, NLP alanı bir kez daha büyük ilgi odağı haline gelecektir. Sohbet robotları, makine çevirisi ve insan benzeri yazılar gibi aşağı akış NLP uygulamaları gelişecek.
2) Büyük teknoloji şirketleri yine de teknolojinin gelişimine liderlik edecek. Önceden eğitilmiş dil modellerinin geliştirilmesi de hesaplama açısından yoğun olduğundan, küçük veri yapay zeka modellerinin geliştirilmesinde "aşağıdan yukarıya" kuralı da izlenecek, yani teknoloji devleri, geliştirme sonuçlarını aşağı akış uygulama araştırmacılarına açık kaynaklı olacak.
3) Gerçek ve sahte veriler üreten sentetik veri yöntemleri ve araçları, dev şirketler gibi büyük miktarda veriye sahip olmayan küçük şirketler için daha eşit bir oyun alanı sağlayacaktır.
8. Kuantum makine öğrenimi
Klasik makine öğrenimi algoritmalarını ve kuantum yapay zekayı birleştiren hibrit bir model yakında pratik olarak uygulanacak.
Kuantum makine öğrenimi, geleneksel makine öğreniminin ilkelerinden yararlanır, ancak algoritma, yalnızca sıradan sinir ağlarından çok daha hızlı olmakla kalmayan, aynı zamanda büyük veriler üzerindeki mevcut yapay zeka araştırmalarını engelleyen donanım sınırlamalarının da üstesinden gelen bir kuantum işlemci üzerinde çalışır.
Hem teknoloji devleri hem de kuantum start-up şirketleri bu hibrit yöntemi inceliyor, yani görevlerin bir kısmı sıradan bilgisayarlarda çalışan geleneksel sinir ağları tarafından tamamlanıyor ve diğer kısmı kuantum sinir ağları (QNN) ile güçlendiriliyor.
Örneğin, Google AI ekibi 2013'ten beri kuantum bilgisayarlar için algoritmalar geliştirmeye çalışıyor ve en son hedef, mevcut kuantum cihazlarda hibrit kuantum-klasik makine öğrenimi tekniklerini geliştirmektir. Kuantum sinir ağları üzerine yapılan güncel araştırmaların hala teorik olmasına rağmen, yakın gelecekte teorik mimarinin kuantum bilgisayarlarda uygulanacağına ve doğrulanacağına inanıyorlar.
2020'de kuantum makine öğreniminde denenebilecek yönler şunlardır:
1) Dünyadaki en güçlü iki bilgi işlem paradigması olan kuantum hesaplama ve AI için, başlangıçta gerçek dünyadaki sorunları çözmek için klasik bilgisayarlarla çalışmayı deneyebilirsiniz;
2) Kuantum bulut bilişim, bulut bilişim savaş alanının ön cephesi olacak.Amazon, Google, IBM ve Microsoft gibi oyuncular, kuantum bulut bilişimine yatırımlarını artıracaklar. Aynı zamanda, kuantum bilişim, bulutu artırmak için geleneksel GPU'lar ve CPU'larla işbirliği yapacak. Hesaplanan katma değer.
9. Yaşamı anlamak için NLP kavramlarını kullanın
Aslında, doğal dil işleme ve genomun her ikisi de sekans verilerinden oluşur.Az algoritmaları doğal dil işleme alanında kullanışlıdır ve ayrıca genler alanındaki yeteneklerini de gösterir.
Doğal dil işlemenin kendi kendini denetleyen öğreniminde, yapay zeka algoritmaları, bir cümlenin birden çok kelimeden oluşan bir dizi olması ve bir proteinin de belirli bir sıradaki bir amino asit dizisi olması gibi, bir cümle içindeki eksik kelimeleri tahmin edebilir. Facebook AI Enstitüsü ve New York Üniversitesi'ndeki araştırmacılar, aynı kendi kendini denetleyen öğrenme prensibini protein dizisi verilerine uyguladılar.
Eksik kelimeleri tahmin etmek için kendi kendini denetleyen öğrenmeyi kullanan NLP'nin aksine, yapay zekanın eksik veya gizli amino asitleri tahmin etmesi gerekir.
En son gelişmelerden biri, DeepMind'in genomda yaptığı ilerlemedir.Genom-protein katlanmasındaki en karmaşık zorluklardan birini anlayabilen ve sonunda proteinin 3D'sini belirleyebilen Alphafold adlı bir algoritma geliştirdiler. Mimari. Alphafold, amino asitler arasındaki mesafeyi ve açıyı tahmin etmek için aslında doğal dil işleme kavramını ödünç alıyor.
Canlı organizmaları anlamak için NLP kavramından öğrenmek açısından, gelecekte denenebilecek yönler şunlardır:
1) İlaçların daha iyi tasarlanması: Proteinleri hedefleyen bazı ilaçlar vardır, ancak proteinler farklı ortamlarla dinamik olarak değişecektir, bu nedenle proteinlerin yapısını ve katlama yöntemlerini anlamak bu tür ilaçların daha iyi gelişmesini sağlayacaktır.
2) AI algoritmaları, etki alanı hakkında derin bilgi sahibi olmadan proteinleri modellemeye ve mimarilerini anlamaya yardımcı olur.
3) Tıp ve malzeme bilimi alanlarında belirli işlevler için yeni protein tasarımları geliştirmek ve optimize etmek mümkün olacaktır.
Referans: https://www.cbinsights.com/research/report/ai-trends-2020/
