Haftalık AI Haberleri: Qualcomm, en güçlü AI çipini yayınladı; DeepMind'ın yeni araştırması yine ...
Kaynak AI Frontline
- Qualcomm, en güçlü çip Snapdragon 855'i piyasaya sürdü, AI performansı 3 kat arttı
- NIPS 2018'in en iyi kağıdı çıktı! Chen Tianqi, Huawei genç araştırmacısı ve diğer ödüller
- DeepMind, AlphaFold'u piyasaya sürdü: gen dizisi tahmin protein yapısı
- MIT, GAN'ın resim oluşturması için yeni bir yöntem keşfetti
- DeepMind, yapay zekanın gelecekteki güvenliğinin, temsilcinin ödül işlevinin kendi kendine öğrenme yeteneğine bağlı olduğunu söyledi.
- Facebook: Veri merkezlerinde derin öğrenme talebi önümüzdeki 3 yıl içinde 3,5 kat artacak
- İHA'lar gelecekte orman yangınlarından sonra yeniden ağaçlandırma yapabilecek
- Facebook ve CrowdAI, doğal afetleri analiz etmek için derin öğrenmenin kullanımını birlikte inceliyor
- Stanford araştırması, tıbbi uygulamalar için derin öğrenme çözümlerinin çok fazla veri gerektirmediğini kanıtlıyor
- "Otonom Silahlar Sözleşmesi" ertelendi
Qualcomm, en güçlü çip Snapdragon 855'i piyasaya sürdü, AI performansı 3 kat arttı
Qualcomm, 5 Aralık'ta Snapdragon Teknoloji Zirvesi'nde cep telefonları için amiral gemisi işlemcisi olan Snapdragon 855'i ve Song 5G mobil platformu Snapdragon 855'i piyasaya sürdü.
Snapdragon 855 mobil platformu, Snapdragon 855 yongası ve 5G bağlantılarını destekleyen bir X50 modem olmak üzere iki takım yonga içerir. Qualcomm, bu yeni platformun 5G ağı "GB düzeyinde" indirme hızlarını destekleyeceğini söyledi.
Toplantıda Qualcomm da bu çip için beklentilerini açıkladı.Snapdragon 855 ayrıca AI teknolojisini de içerecek ve artırılmış gerçeklik ve sanal gerçekliği hızlandıracak. Snapdragon 855, Qualcomm'un dördüncü nesil çok çekirdekli AI motorunu içeriyor.Qualcomm, Snapdragon 845 AI'nın 3 katı performansa ve bir arkadaşı tarafından piyasaya sürülen 7nm'lik Android çipin 2 katı performansa sahip olacağını ve 2019'da çoğu amiral gemisinde donatılacağını söyledi. akıllı telefon.
Buna ek olarak, AT&T ve Verizon, Maui'deki Granvarea Hotel'de deneme için gerçek 5G ekipmanı sağladı. Bu, 5G'nin ilk kez kullanıldığı zamandı.Önceden, çoğu 5G gösterimi teorikti ya da değildi. Gerçekte satın alınabilecek ekipmanı kullanarak deneysel bir gösteriyi tamamlayın.
NIPS 2018'in en iyi kağıdı çıktı! Chen Tianqi ve diğer ödüller
3 Aralık'ta Kanada'nın Montreal kentinde NIPS 2018 açıldı. Bugün, Chen Tianqi ve diğerleri tarafından yazılan Sinir Sıradan Diferansiyel Denklemler de dahil olmak üzere toplam 4 makale en iyi makaleler yayınlandı.
Kazanan belgeler:
Sinir Sıradan Diferansiyel Denklemler
Tian Qi Chen · Yulia Rubanova · Jesse Bettencourt · David Duvenaud
Makaleye bağlantı: https://arxiv.org/abs/1806.07366
Hayali olmayan Q-öğrenme ve Değer-yineleme
Tyler Lu · Dale Schuurmans · Craig Boutilier
Bağlantı: https://papers.nips.cc/paper/8200-non-delusional-q-learning-and-value-iteration.pdf
Ağlarda Sorunsuz Dağıtılmış Optimizasyon için Optimal Algoritmalar
Kevin Scaman · Francis Bach · Sebastien Bubeck · Laurent Massoulié · Yin Tat Lee
Bağlantı: https://arxiv.org/abs/1806.00291
Gaussian Karışımlarını Örnek Sıkıştırma Şemalarıyla Öğrenmek İçin Neredeyse Sıkı Örnek Karmaşıklık Sınırları
Hassan Ashtiani · Shai Ben-David · Nick Harvey · Christopher Liaw · Abbas Mehrabian · Yaniv Planı
Bağlantı: https://papers.nips.cc/paper/7601-nearly-tight-sample-complexity-bounds-for-learning-mixtures-of-gaussians-via-sample-compression-schemes.pdf
Affiliation Statistics'in istatistiklerine göre 2018'de NeurIPS konferansında bildiri yayınlayan ilk on kurum olan Amerika Birleşik Devletleri'nde üç ABD teknoloji devi, Google, Microsoft ve Facebook dahil olmak üzere ABD'ye hakim oldu. Bunların arasında bir numaralı Google 136 bildiri yayınladı.
DeepMind, AlphaFold'u piyasaya sürdü: gen dizisi tahmin protein yapısı
AlphaGo, Go dünyasındaki insan satranç oyuncularını ezdikten sonra, DeepMind ekibi kısa süre önce AlphaFold'u piyasaya sürdü ve biyolojik bilimler alanında önemli bir hamle yaptı.
2 Aralık'ta, Meksika, Cancun'da düzenlenen uluslararası bir konferansta AlphaFold, bir görevde tüm rakiplerini yendi ve gen dizisine dayalı olarak proteinin 3B şeklini başarıyla tahmin etti.
DeepMind, AlphaFold'un "yapay zeka araştırmalarının yeni bilimsel keşifleri sürdürebileceğini ve hızlandırabileceğini kanıtlayan ilk önemli kilometre taşı" olduğunu söyledi. Protein katlama alanındaki başarı, makine öğrenimi sistemlerinin çeşitli bilgi kaynaklarını entegre edebileceğini ve bilim adamlarının çeşitli karmaşık sorunları hızla bulmalarına yardımcı olabileceğini gösteriyor. Yaratıcı çözümler.
MIT, GAN'ın resim oluşturması için yeni bir yöntem keşfetti
MIT araştırmacıları, GAN'ın ağdaki belirli görsel kavramlarla ilgili "nöronları" tanımlayabilmesi için eğitimli üretimsel düşmanlık ağından (kısaca GAN) daha fazla bilgi çıkarmanın yeni bir yolunu buldular. . Ayrıca bunun için özel olarak bir web sitesi kurarak, herhangi bir kullanıcının bu sistemleri çizim yapmasına izin verir. Özetle, etki, kullanıcılara özel bir "eskiz ustası" sağlamaya benzer. Gökyüzü arka planı gibi sadece boyama alanını ana hatlarıyla belirlememiz gerekiyor ve ardından yazılım GAN modelindeki ilgili "nöronları" etkinleştirecek ve resmi tamamlayacaktır.
önemli anlam: Böyle bir gösteri, geniş bir izleyici kitlesinin modern yapay zeka araştırma sonuçlarıyla etkileşime girmesi için daha doğal bir yol sağlar ve ayrıca teknolojik davranış için yargısal bir sezgi oluşturmamıza yardımcı olur.
Aşağıdaki web siteleri aracılığıyla yapay zeka ile kendinizi boyamayı deneyimleyin: GANpaint (MIT-IBM Watson AI Lab web sitesi).
Daha fazla araştırma detayı öğrenin:
GAN Diseksiyonu: Üretken Tartışmalı Ağları Görselleştirme ve Anlama (MIT CSAIL).
Burada bir GAN ile boyayın (GANPaint web sitesi).
DeepMind, yapay zekanın gelecekteki güvenliğinin, temsilcinin ödül işlevinin kendi kendine öğrenme yeteneğine bağlı olduğunu söyledi.
DeepMind araştırmacıları, insanlar tarafından önerilen görev gereksinimlerini karşılamak için, insanlar için uygun bir ödül işlevi oluşturmanın zor olduğu durumlarda, oluşturulan AI aracısının kendi ödül mekanizmasını tasarlayabilmesini sağlamak için uzun vadeli bir strateji geliştirdiler.
Temel fikir, gerçekten güvenli bir AI aracısı kurmak için, (insan) kullanıcılardan bilgi toplayabilmeli ve uygun ödül işlevlerini bulabilmeli ve ardından bu özetlenmiş ödül işlevlerini optimize etmek için pekiştirmeli öğrenme yöntemlerini kullanabilmelidir. DeepMind, bu yöntemin avantajının, insanlardan daha akıllı yapay zeka aracıları oluşturabilmesidir: "Bu ödül modelleme yöntemini kullanarak eğitilen aracılar, kullanıcılara ilgili süreçleri değerlendirmede yardımcı olabilir ve böylece daha akıllı yeni aracıları eğitebilir."
Uzun vadeli bir koordinasyon stratejisi: DeepMind, bu yöntemin araştırmacılar tarafından geniş ölçüde değer verilen üç önemli özelliğe sahip olabileceğine inanıyor: ölçeklenebilirlik, ekonomi ve pratiklik.
Sonraki aşama: Araştırmacılar, yukarıda bahsedilen fikirlerin "ampirik araştırma ile test edilmeye hazır" olduğunu belirtti. Şirket, "derinlemesine pekiştirmeli öğrenmenin çok umut verici bir pratik problem çözme teknolojisi olduğuna inanıyor. Ancak potansiyelini gerçekleştirmek için, açık bir ödül işlevi olmadan temsilciler yetiştirmemiz gerekiyor." Bu araştırmanın gündemi, bunu başarmak için önemlidir. Hedefin spesifik yöntemi özetlenmiştir.
İlgili zorluklar: Ödül modellemesi şu anda aşağıdaki zorluklarla karşı karşıyadır: geri bildirim miktarı (temsilcinin ödül işlevini başarılı bir şekilde öğrenmesi için ne kadar veriye ihtiyaç vardır); geri bildirim dağıtımı (temsilci yeni bir durumu ziyaret ettiğinde, buna göre daha yüksek algısal ödüller oluşturmak mümkündür ve sonuçta Aslında optimal olmayan eylemleri gerçekleştirin); Ödül hackleme, yani temsilci tarafından bulunan ödül yöntemi, kullanıcının gizli işlevsel beklentilerini yansıtmıyor; Kabul edilemez sonuçlar (insanların asla onaylamayacağı eylemlerde bulunmak ), bir görevi tamamlamak için kendi donanımını yok eden bir endüstriyel robot veya kaba kelimelerle otomatik olarak bir e-posta oluşturan bir kişisel asistan gibi; ve ödül sonucu boşluğu (yani, optimum ödül modeli ile temsilcinin kendisi tarafından öğrenilen ödül işlevi arasındaki boşluk) vb. DeepMind, bu zorlukların belirli spesifik teknik yöntemlerle çözülebileceğine ve her zorluk için birden fazla uygulanabilir çözüm olduğuna inanıyor.
önemli anlam: Yapay zeka ajanlarının, insanların yüklerini azaltmalarına yardımcı olmak için karmaşık görev çözme yeteneklerini nasıl öğrendiklerini tartışmanın yanı sıra, bu araştırma gündemi, keşfedilecek başka yönler de getiriyor: insanları yapay zeka ile güçlendirmenin bir yolunu sunuyor. Yapay zeka sistemleri yeteneklerini genişletmeye devam ederse, birkaç on yıl içinde toplumda çok sayıda insan etkileşimli ultra büyük ölçekli AI sistemi oluşturabiliriz.
daha fazlasını anla: Ödül modelleme yoluyla ölçeklenebilir ajan hizalaması: bir araştırma yönü (Arxiv).
Facebook: Veri merkezlerinde derin öğrenme talebi önümüzdeki 3 yıl içinde 3,5 kat artacak
Facebook'taki bir araştırma ekibi, şirketin veri merkezlerinde çalışan derin öğrenme çıkarım iş yüklerinin türlerini tanımlamaya ve bu sonucun Facebook'un gelecekteki altyapı tasarımını nasıl etkileyeceğini tahmin etmeye çalışıyor.
AI veri merkezlerinde kullanılan donanım: Öyleyse, AI öncelikli bir veri merkezi ne tür bir donanıma ihtiyaç duyar? Facebook, sunucunun yapısının aşağıdaki faktörleri dikkate alması gerektiğine inanmaktadır: yüksek bellek bant genişliği ve gömülü kapasite; güçlü matris ve vektör motorları için destek; küçük toplu çıkarımlar için büyük yonga üzerinde bellek; yarım hassasiyetli kayan nokta hesaplamaları için destek.
Sonuç - Yukarıdaki gereksinimlerin faydaları nelerdir? Facebook, veri merkezinde temel olarak şu yapay zeka kullanım örneklerini barındırır: kişiselleştirilmiş özet, sıralama veya önerilen içerik sağlama; içerik anlama; görsel ve doğal dil anlama.
önemli anlam: Bu tür belgeler, büyük ölçekli derin öğrenme uygulamalarının dağıtımında yer alan çeşitli sıkıcı görevleri anlamamıza olanak tanır ve bilgisayar tasarımının bu tür iş yüklerinin gerçek ihtiyaçlarına göre nasıl değişeceğini gösterir. Facebook araştırmacıları, "Mevcut ve gelecekteki derin öğrenme modelleri için genel amaçlı çıkarım donanımı tasarlamak zorlu ama son derece önemli bir konudur" diye yazdı.
daha fazlasını anla: Facebook Veri Merkezlerinde Derin Öğrenme Çıkarımı: Karakterizasyon, Performans Optimizasyonları ve Donanım Etkileri (Arxiv).
İHA'lar gelecekte orman yangınlarından sonra yeniden ağaçlandırma yapabilecek
Yeni kurulan Dronseed, bir yeniden ağaçlandırma motoru oluşturmak için büyük dronlar ve yapay zekanın bir kombinasyonunu kullanıyor ve ürünleri çoğunlukla orman yangınlarından sonra yeniden ağaçlandırma için kullanılıyor.
Raporlara göre, Droneseedin makinesinde "çok spektral kamera dizileri, son teknoloji lidarlar, 6 galonluk herbisit tankları ve özel tohum ekme mekanizmaları" bulunuyor. Drone, yakın zamanda bir orman yangınında yakılan alanları haritalayabilir ve ardından uygun ağaçları otonom olarak belirleyebilir. Yetiştirme alanı ve ilgili alanda tohum ekim ve gübreleme.
önemli anlam: Bunun önemli bir adım olduğunu düşünüyorum, bu da insansız hava araçlarının zengin uygulamalar ve doğa ve vahşi yaşamın korunmasına büyük pratik katkılar getirmesinin bekleneceği anlamına geliyor.
daha fazlasını anla :
O gece bir orman uçtu (TechCrunch).
DroneSeedin twitter hesabına buradan göz atın.
Facebook ve CrowdAI, doğal afetleri analiz etmek için derin öğrenmenin kullanımını birlikte inceliyor
Uydu görüntüsü girişimleri CrowdAI ve Facebook'tan araştırmacılar, kentsel alanlarda doğal afetlerin neden olduğu hasarı otomatik olarak değerlendirmek için evrişimli sinir ağlarının nasıl kullanılacağını gösterdi. NeurlPs 2018'deki "AI for Social Good" seminerine (eski adıyla NIPS olarak bilinen prestijli bir konferans) sunulan bir makalede, ekip "uydu görüntülerinden çıkarılan özellik değişikliklerini karşılaştırarak etkilenen alanı tanımlamayı önerdi. Önceden eğitilmiş anlambilimsel bölümleme modelleriyle, afetten etkilenen bölgenin ön ve arka görüntülerinde insan yapımı nesnelerin (yollar ve binalar gibi) özelliklerini çıkarıyoruz ve daha sonra ön ve arka değişiklikleri belirlemek için iki bölümleme maskesi hesaplıyoruz.
Afet Etki Endeksi (DII): Afetlerin etkisini nasıl ölçmeliyiz? Araştırmacılar, uydu görüntüsünün farklı bölümlerindeki anlamsal değişiklikleri hesaplamak için olaydan önce ve sonra mevcut veri setinin içeriğine atıfta bulunan DII göstergesini önerdiler. Bu yöntemi test etmek için araştırmacılar, Harvey Kasırgası ve Santa Rosa'yı çevreleyen yangın kazalarıyla ilgili büyük ölçekli uydu görüntüsü veri setlerini kullandılar. Sonuçlar, iki grup görüntüdeki sel ve yangınlardan ciddi şekilde hasar görmüş alanları otomatik olarak çıkarmak için DII'yi kullanabileceklerini ve kaba doğruluk oranının (F1 puanına göre değerlendirilir) yaklaşık% 80 olduğunu göstermektedir.
önemli anlam: Derin öğrenmeye dayalı teknik çözümler, insanların belirli dedektörleri daha düşük maliyetle ve daha kolay bir şekilde uydu görüntüleri yoluyla eğitmelerine olanak tanır ve ortaya çıkan sonuçlar, insani faaliyetlere (bu makaledeki durum gibi) ve askeri gözetim hedeflerine katkıda bulunacaktır. . Kanımca, önümüzdeki beş yıl içinde hükümet veri beslemesi için büyük uydu oluşumlarını kullanabilir ve ardından iklim değişikliğinin neden olduğu daha sık doğal afetlere neden olmak için yapay zeka teknolojisini kullanabilir.
Orijinal belgeyi okuyun: Uydu Görüntülerinden Afet İçgörülerine (Facebook Araştırması)
Stanford araştırması, tıbbi uygulamalar için derin öğrenme çözümlerinin çok fazla veri gerektirmediğini kanıtlıyor
Stanford Üniversitesi'ndeki araştırmacılar, sinir ağlarına göğüs röntgenlerini otomatik olarak nasıl sınıflandıracaklarını öğretmek için nispeten az veriye ihtiyaç olduğunu gösterdi. Araştırmacılar, normal görüntüleri ve anormal görüntüleri sınıflandırmayı amaçlayan AlexNet, ResNet-18 ve DenseNet-121 benchmarklarında veri eğitimi gerçekleştirdiler. Testte, sonuçlar, 20.000 görüntü ile eğitilen CNN modelinin, alıcı çalışma karakteristik eğrisinin (AUC) 0.95 olduğu alanı doğru bir şekilde belirleyebildiğini; CNN modelinin ise yalnızca 200.000 görüntü ile eğitildiğini göstermektedir. Tanıma aralığını 0,96'ya genişletin. Bu, AI tıbbi sınıflandırma araçları için gereken veri miktarının önceden beklenenden çok daha düşük olabileceği anlamına gelir (aksine, 2000 görüntü ile eğitilmiş bir modelin AUC'si yalnızca 0,84'tür, bu da önemli bir doğruluk kaybını temsil eder).
Ancak bu çalışmanın bir dezavantajı var: Bu çalışmada kullanılan tüm veriler aynı tıp kurumuna aittir, bu nedenle veriler (veya hasta özellikleri) bazı spesifik özellikler içerebilir. Bu özelliklerin varlığı, bu tür bir veri seti üzerinde eğitilen ağın diğer tıbbi kurumlara genellenemeyebileceği anlamına gelir.
önemli anlam: Bu tür araştırmalar, mevcut yapay zeka teknolojisinin klinik ortamda ideal performans göstermeye başladığını ve iş verimliliğini artırmak için yakın zamanda doktorlarla işbirliği yapmasının beklendiğini gösteriyor. Ayrıca bu teknolojinin sağlık sektörünün genel performans seviyesini iyileştirip iyileştiremeyeceğini görmek için sabırsızlanıyorum (sağlık hizmetleri, yeni teknolojilerin kullanılmasının genellikle daha yüksek maliyetlere yol açtığı ender sektörlerden biridir).
Potansiyel beklentiler: Hollanda'daki Radboud Üniversitesi Radyoloji ve Nükleer Tıp Bölümü'nden Bram van Ginneken, bu makale ile bağlantılı olarak yayınlanan bir başyazıda, gelecekte birçok kurum tarafından kullanılabilecek geniş bir paylaşılan veri seti oluşturabileceğimizi düşünmemiz gerektiğini belirtti. . Veri seti çeşitlidir ve nispeten nadir durumlar içerir.Böyle büyük ölçekli bir sistem, yeni bir ağ mimarisi tasarımına dayanır ve girdi olarak tam çözünürlüklü görüntüleri alabilir. Sistem sadece ikili çıktı etiketleri sağlamamalı, aynı zamanda belirli anormalliklerle görüntüdeki ilgili alanları da algılayabilmelidir. "
daha fazlasını anla: Göğüs Radyografilerinin Otomatik Sınıflandırılması için Evrişimli Sinir Ağlarının Değerlendirilmesi (Jared Dunnmon Github / Radyoloji, PDF).
Başyazı okuyun: Göğüs Radyografilerinin Triyajında Derin Öğrenme: Her Kurum Kendi Sistemini Eğitmeli mi? (Jared Dunnmon Github / Radyoloji, PDF).
"Otonom Silahlar Sözleşmesi" ertelendi
Bu yılki "Konvansiyonel Silahlar Konvansiyonu" yıllık toplantısı, ölümcül otonom silahlara ilişkin uluslararası bir sözleşmeyi açıkça kabul edemedi. Beş ülke (Rusya, Amerika Birleşik Devletleri, İsrail, Avustralya ve Güney Kore) yeni sözleşmeye karşı olduklarını ifade etti. Rusya, 2019 toplantısının süresini orijinal 10 günden 7 güne başarıyla düşürdü, bu da bir anlaşmaya varma olasılığını azaltacak gibi görünüyor.
daha fazlasını anla: Bir avuç ülke, BM'de (FLI) katil robotların yasaklanması tartışmasını engelliyor
Yazar Jack Clark'ın yapay zekanın ön saflarında okuyuculara söyleyecek bir şeyi var: Çin'deki drone araştırmalarıyla çok ilgileniyoruz.Haftalık raporumuzda daha ilginç içerik görmek istiyorsanız, lütfen şu adrese bir e-posta gönderin: jack @ jack-clark .ağ.
Orijinal bağlantı:
https://jack-clark.net/2018/12/03/import-ai-123-facebook-sees-demands-for-deep-learning-services-in-its-data-centers-grow-by-3- 5x-neden-gelişmiş-ai-küresel bir polis gücü gerektirebilir ve derin öğrenme ile doğal afetleri teşhis etme /
