Bir bakışta 2020 teknoloji trendleri: AutoML, birleşik öğrenme, bulut oligark döneminin sonu
Yazarlar | Roberto Sannazzaro, Ben Longstaff
Tercüman | Xi Yan
Üretildi | AI Teknolojisi Ana Kampı (ID: rgznai100)
2020 yaklaşırken, Yılbaşı Gecesi, insanların geçmiş yıla dönüp gelecek yılı dört gözle beklemeleri için genellikle iyi bir zamandır. Bu makale, AI'nın teknik ve teknik olmayan eğilimlerini inceleyecek ve AutoML, AI etiği vb. Gibi nispeten yeni eğilimleri tartışacaktır, çünkü bu eğilimler giderek daha fazla şirket ve kullanıcıyla yakından ilgilidir.
2019'a kısa bir bakış
2019'da Intel, Qualcomm ve Nvidia gibi büyük çip üreticileri, özellikle bilgisayar görüşü, doğal dil işleme ve konuşma tanıma alanında yalnızca AI tabanlı uygulamaları yürütmek için özel olarak tasarlanmış çipler çıkardı.
NVIDIA tarafından geliştirilen Jetson Nano Geliştirme Kiti
Google, TensorFlow 2.0'ı yayınladı, Node.js üzerinde TensorFlow için genişletilmiş destek, iOS ile entegre edildi ve sonunda resmi olarak yüksek düzey API'sini Keras olarak değiştirerek mobiliteyi ve PWA'yı (Proje Web Erişimi) ilk tercih haline getirdi.
Ek olarak, BERT modeli DistilBERT ve FastBert'e dönüştü ve bilgisayar görme algoritmaları, çoğu tüketici görevini çok doğru bir şekilde gerçekleştirebilecek bir seviyeye ulaştı.
DeepMind ve OpenAI gibi büyük şirketler, gerçek dünyada ilk uygulamasına tanık olan pekiştirmeli öğrenmenin sınırlarını daha da aştı.
Son olarak, Keras'ın yaratıcısı François Chollet, AI modellerini karşılaştırmanın yeni bir yolunu öneren bir makale yayınladı.
Ancak 2020'de ne bekliyoruz?
Otomatik Makine Öğrenimi (AutoML)
ETL görevlerini gerçekleştirme ve verileri ön işleme ve dönüştürme becerisi sayesinde, AutoML'nin 2020'de daha popüler hale gelmesi muhtemeldir.
AutoML teknolojisi, tüm makine öğrenimi sürecini idare edebilir. Otomatik sklearn gibi paketler, model seçimini, hiperparametre optimizasyonunu ve puanlamayı otomatik olarak gerçekleştirebilir. Diğer bulut sağlayıcıları, hizmete bir "otomatik kontrol paneli" alternatifi sunmuşlardır: Amazon Tahmini Veriler için en uygun algoritmayı otomatik olarak belirleyebilen Google, benzer bir Cloud AutoML hizmeti de sunmaktadır.
Temel olarak, her şey bir REST API (uygulama programlama arayüzü) olur
İlk bakışta bu, esas olarak yapay zeka hakkında pek bir şey bilmeyen kullanıcılar için görünse de, bu tür hizmetler ileri düzey kullanıcılar için de iyi fırsatlar sağlar: AutoML modelleri, karşılaştırma olarak kullanılabilir ve farklı yöntemlerle harcanan zamanı değerlendirmek için kullanılabilir. Farklı teknolojilerle farklı modeller geliştirmek mantıklı mı?
AI'nın ölümü
Şimdi hangi şirketin benzer başlıklarla reklam verdiğini söyleyebilir misiniz: "Şimdi bir bilgisayar kullanın!", "İnternette de kullanabilirsiniz!", "Faks kullanıyoruz!"?
Bunu hatırlıyor musun?
Belki değil. Bu yılın başında bazı reklam şirketlerinin akıllı telefonlarını ve AI kameralarını tanıttığını hala hatırlıyorum. Gelecekte hiç olmayacak. Birçok tüketici uygulaması, araç ve ev aletinin zaten bir tür AI kullanan yerleşik işlevleri vardır. Biz (tüketiciler) buna alışacağız. Sıcak "AI" kelimesi yavaş yavaş insanların kariyerlerinden silinecek, ancak tüketicilerin alışık olduğu bir AI işlevi haline gelecektir.
Birleşik makine öğrenimi
2017 gibi erken bir tarihte Google, modeli kısmen veya tamamen eğitmek için merkezi olmayan verileri kullanan dağıtılmış öğrenme kavramını tanıttı.
Kıyaslama modeli bilgisayarda eğitilir ve ardından model son kullanıcıya teslim edilir Son kullanıcı, ince ayar ve model kişiselleştirme için kullanılabilecek verilere (telefonunda, dizüstünde, tabletinde) erişebilir.
Bir modelin bazı son derece hassas verilerle uğraşması gerekip gerekmediğini düşünün: Modeli sağlayan şirket, kendisi için özel olarak hazırlanmış temizlenmiş verilere erişebilir.
Karşılaştırma modeli belirli gereksinimleri karşıladığında, model müşteriye teslim edilebilir ve müşteri herhangi bir kullanıcı verisini harici katılımcılarla paylaşmadan eğitime devam edebilir.
Daha önce belirtildiği gibi, TensorFlow 2.0, iOS, Node.js, vb. Gibi diğer platformları destekler. Sebeplerden biri, bu vizyonu mümkün kılmak ve böylece şirketlere inşaat, iletim, eğitim ve optimizasyon için çok platformlu bir araç sağlamak olabilir. . Buna ek olarak, Docker ve Kubernetes gibi platformlar, nispeten karmaşık ortamların dağıtımını ölçeklendirme ve koordine etme olanağı sağlayarak, birleşik makine öğrenimini mümkün kılar.
Birleşik öğrenmenin başka bir örneği: telefonunuz modeli yerel olarak kişiselleştirebilir. (B) kullanıcı güncellemelerini özetleyin ve paylaşılan model üzerinde bir fikir birliği değişikliği C oluşturun.
Bulut oligarşi döneminin sonu
Bulut bilişim 2019'da giderek daha popüler hale geldi ve birçok kişi fikrini "verilerimizi onlarla asla paylaşmayacağız", "belki deneyebiliriz" şeklinde değiştirdi.
Bir tablet bilgisayar böyle bir soğutma sistemini kontrol edebilir mi?
Bulut satıcılarının ölçeğindeki, sayısındaki, müşterilerindeki ve ürünlerindeki artışla birlikte, pazar oligopolden açık rekabete kaymaya başladı, bu da bulut satıcılarının fiyat yapıcı olma yeteneklerini yavaş yavaş kaybettiği anlamına geliyor. Artık kaynaklar farklı bulut satıcıları arasında paylaştırıldığına göre ve 2020, çoklu bulut pazar izleyicileri gibi ürünlerin yılı olacak. İnsanlar bulut tedarikçilerinin göstergelerinin artık fiyatlandırma planları ile sınırlı olmayacağını, aynı zamanda kullanıcılara hizmet sunduklarını düşünüyor. Yol: Bu üretici daha fazla veya daha az kaynak kullanmama izin vermekle ilgileniyor mu? Her şeyi bulutta depolamamı etkileyecekler mi yoksa farklı veri dağıtım çözümleri olabilir mi?
Deepfake'lerin etkisi genişliyor
Photoshop, fotoğrafları İnternette görmenin yasallığından şüphe ediyor. Deepfakes aynı şeyi videolarla yapıyor.
ABD yetkilileri, Deepfake'in 2020 seçimlerinde Facebook yöneticileri üzerindeki etkisiyle ilgili endişelerini dile getirdi. Deepfake'in 2020 ABD başkanlık seçimlerini etkilemesi bekleniyor. Bu, sosyal medya şirketleri, yayıncılar ve platformlar arasındaki çelişkiyi daha da artıracaktır. Sahte haberlerle mücadele etmek için yayıncı, sahte haberlerle mücadele etmek için bir dijital varlık inceleme kaydı oluşturacaktır. 2024 itibariyle, sosyal medya platformlarının içeriğin gerçekliğini doğrulaması gerekiyor.
İntikam pornosu dünyanın birçok yerinde yasa dışıdır. Deepfake intikam pornosunun kovuşturulması zor olacak çünkü kaynağını doğrulamak zor. Bir politikacının ailesi mağdur olduğunda, medya platformu yayıncı olarak kabul edilecektir.
İnsansız araçların benimsenmesindeki yavaşlama
Yasal kısıtlamalar nedeniyle, insansız araçların benimsenmesi yavaşlayacak, sonunda sermaye kazanacak ve nakliye maliyetleri sıfıra yaklaşacaktır. Netscape, Amazon, Google ve Facebook için platformlar sağlıyor ve sürücüsüz arabalar yeni platform olacak. Teslimat maliyeti sıfıra düştüğünde, bugün anlamsız görünen yeni iş modelleri açacak, örneğin:
-
Seyyar yemek hazırlama, sipariş ettiğiniz pizza geldiğinizde hazır olacaktır.
-
Sipariş verilmeden önce ürünün sevk edildiği tahmini nakliye.
-
Ofis çalışanları için uygun mobil ofis.
-
Düşük kullanımlı ürünlere talep üzerine ulaşın.
-
Anında üretim prensibi anlık tüketime yol açacaktır.
Açıklanabilir, sorumlu, hesap verebilir ve etik AI
2019'da, algoritmaların yorumlanabilirliğini ve tekrarlanabilirliğini teşvik eden bir dizi uygulama dahil olmak üzere açıklanabilir AI (XAI) için zor bir girişimde bulunduk. Bu eğilim, makine öğrenimi ve derin öğrenmenin birçok farklı alanda ve farklı şirketlerde uygulanmasından farklıdır.
Model artık bir kara kutu değildir (ve olmamalıdır) ve sonucuna ilişkin her karar açıklanabilir olmalıdır.
Bu eğilim, yorumlanabilirlik ve (insan) hesap verebilirliğin sınırlarını anlamamıza ve şu soruları yanıtlamamıza izin vererek, verilebilirlik talebini tetikledi: "Bu, misyonumuz ve değerlerimize uyuyor mu?".
Ayrıca, belirli kullanıcıları dışlayabilecek veya onlara karşı ayrımcılık uygulayabilecek görevleri çözmek için makine öğrenimi tekniklerini uygulayan şirketler, Dikkat Model kararlar için yasal ve ahlaki sorumlulukları vardır.
sonuç olarak
Kısa cevap, trend listesini gözden geçirmek ve aşağıdaki sonuçları elde etmektir:
-
"Yerleşik" yapay zeka: belirli görevler için özel olarak tasarlanmış küçük donanım bileşenleri.
-
Yapay zeka (giderek) aktarılabilir hale geliyor: çoklu platform desteği, standardizasyon ve yeniden üretilebilirlik.
-
François Cholletin yeni yapay zeka karşılaştırma testi yöntemi, makine zekası için bir sonraki Turing testi olabilir. Makalesinin 3. Bölümü çerçeveyi ayrıntılı olarak açıklamaktadır (https: // ar xi v.org/pdf/1911.0 154 7. pdf).
Mi MIX Alpha, Milyon Dolarlık Teknoloji Ödülü'nü kazandı; Sony çerçevesiz bir cep telefonu piyasaya sürebilir; Linus, ZFS kullanılmasını önermiyor | Geek Headlines
Rust giriş kılavuzu: satır üstüne satır | CSDN blog seçimi
