"AI Atılımı" Ian Goodfellow: 2016'da Google Çeviri ve 17 yılda tıp alanı
1 Xinzhiyuan derlemesi
Kaynak: futureoflife.org
Yazar: Ariel Conn
Derleyici: Liu Xiaoqin Hu Xiangjie
AI devam ediyor, Vientiane güncellendi!
Xinzhiyuan, tüm abonelerine iyi bir Horoz Yılı diliyor!
Xinzhiyuan yeni bir işe alım turu başlattı : COO, Genel Yayın Yönetmeni, Baş Editör, Kıdemli Derleyici, Baş Yazar, Operasyon Direktörü, Hesap Yöneticisi, Danışmanlık Direktörü, İdari Asistan ve diğer 9 pozisyon tamamen açıktır.
Teslime devam et: j obs@aiera.com.cn
HR WeChat: 13552313024
Xinzhiyuan, COO ve yönetici editörlere bir milyon yuan'a kadar yıllık maaş teşvikleri sağlar; kilit çalışanlar için en eksiksiz eğitim sistemini sağlar, Sektör ortalamasından daha yüksek maaşlar ve ikramiyeler.
Xinzhiyuan'a katılın ve dünyayı değiştirmek için yapay zeka endüstrisinin liderleriyle birlikte çalışın.
Xin Zhiyuan Rehberi Future of Life web sitesi, geçen yıl yapay zekanın kaydettiği ilerlemeyi ve 2017'nin görünümünü tartışmak için Richard Mallah ve Ian Goodfellow ile röportaj yaptı.
AI, 2016 yılında bazı önemli gelişmeler kaydetti. AI'nın geçen yıl kaydettiği ilerleme hakkında onlarla sohbet etmek için Richard Mallah ve Ian Goodfellow ile röportaj yaptık. Richard, FLI'nin (Future of Life Institute) yapay zeka projesinin direktörüdür ve birçok yapay zeka şirketinin kıdemli danışmanıdır ve en yüksek puan alan kurumsal metin analizi platformunu yaratmıştır. Ian, OpenAI'de araştırma bilimcisi, Deep Learning kitabının ilk yazarı ve Generative Adversarial Networks'ün (GAN) yazarıdır.
Ariel: Benim için 2016'da daha akılda kalan iki şey var. İlki, AlphaGo'nun Mart ayında dünyanın en iyi Go oyuncusu Lee Sedol'u yendiğidir. AlphaGo kimdir? Bu başarı neden bu kadar inanılmaz?
Ian: AlphaGo, DeepMind'ın Go oyun sistemidir. Go, iki oyuncunun sırayla satranç taşlarını tahtaya yerleştirdiği ve oyuncuların mümkün olduğunca fazla alanı işgal etmeleri gereken bir oyundur. Ancak her parça yerleştirildiğinde yüzlerce seçenekle karşı karşıyayız. Bazı farklı Go oyunlarını simüle etmek ve bu oyunun gelecekte nasıl gelişeceğini anlamak için bir bilgisayar kullanmak genellikle imkansız kabul edilir. Bunu yapmak için bilgisayarın sezgiye güvenmesi gerekir Bir insan satranç oyuncusu bir satranç tahtasına baktığında, ona oyunun kendisi için faydalı olup olmadığını ve bir sonraki hamleyi nasıl hareket ettireceğini söyleyen "altıncı his" denen bir şey alacak. Her oyuncunun bir sonraki hamlede nasıl hareket etmesi gerektiğini doğru bir şekilde hesaplamak, hesaplama gücü açısından mümkün değildir.
Richard: DeepMind ekibinin sözde Değer öğrenme (Değer öğrenme), başka bir derin ağ kullanılıyor Strateji öğrenimi (Politika öğrenimi). Temel olarak, sözde strateji bir sonraki hamle anlamına gelir. Değer ağı, devletin ne kadar iyi olduğu, yani temsilcinin kazanma olasılığı ile ilgilidir. Sonra bir Monte Carlo ağaç araması yaparlar, bu da bazı rasgeleliğe ve birçok farklı yola sahip olduğu anlamına gelir: binler sırasına göre. Yani daha çok, farklı eylemler hakkında düşünen ve bu eylemlerin ne kadar etkili olduğunu belirlemeye çalışan bir kişi gibidir.
Ian: 2012'den 2015'e kadar, en heyecan verici olanı, yapay zekanın insan yeteneklerini kopyalayabildiği birçok atılım gördük. Ancak 2016'da görmeye başladığımız atılım, yapay zekanın insan performansını aşmaya başlamasıydı. AlphaGo'nun heyecan verici yanı, AlphaGo'nun sadece bir insan Go uzmanının ne yapacağını nasıl tahmin edeceğini öğrenmekle kalmayıp, aynı zamanda kendi kendine oyun yoluyla en iyi insan oyunculardan daha iyi yapmayı öğrenmesidir. Böylece, yapay zekanın artık insanların bilgisayarlara yapmasını söylediğinden daha fazla şey yapabildiğini görmeye başlıyoruz.
Ariel: Peki bu, günlük interaktif uygulamalarımıza nasıl uygulanacak? Bu teknolojilerin etkisini görmeye nasıl başlayabiliriz?
Richard: Bu teknolojilerin çoğu araştırma sistemleridir. Ürünleştirme hattına doğrudan girmek zorunda değiller, ancak daha iyi sonuçlar elde etmek için yapay zeka sistemlerinde ve makine öğrenimi sistemlerinde dolaylı olarak öğrenilen modellere yardımcı oluyorlar.
Ian: Önceki araştırmalara benzer yeni araştırma üretmek gibi başka stratejiler de var, bunlardan biri WaveNet. Bu, 2016'da DeepMind tarafından başlatılan ses üretme modelidir. Sisteme bir cümle sağlarsınız, sadece yazın ve bilgisayarın okuduğunu duyabilirsiniz. WaveNet, tıpkı insan telaffuzu gibi kulağa çok gerçekçi gelen bir ses dalga formu oluşturabilir. WaveNet'in ana dezavantajı şu anda oldukça yavaş olmasıdır. Her seferinde bir ses dalga formu oluşturmalıdır. WaveNet'in bir saniyelik ses oluşturması için iki dakikaya ihtiyacı olduğunu düşünüyorum, bu nedenle ses hızı etkileşimli diyaloğu destekleyecek kadar hızlı değil.
Richard: benzer. Ayrıca siyah beyaz fotoğrafları renklendirmek, eskizleri gerçekçi görüntülere dönüştürmek veya metni görüntülere dönüştürmek için uygulamalar gördük.
Ian: Evet, 2014'te ne kadar ilerlediğimizi gerçekten kanıtlayan bir olay oldu. En büyük buluşlardan biri, AI'nın fotoğrafın içeriğini özetlemek için bir cümle oluşturabilmesidir. 2016'da, bir cümleyi işlemenin farklı yollarını gördük ve bilgisayarın cümlenin içeriğine göre bir fotoğraf oluşturmasına izin verdik. Birkaç kelimeden binlerce veya milyonlarca piksel içeren çok gerçekçi bir görüntüye geçmek, görüntüden metne gitmekten daha karmaşıktır.
2016'da bir başka heyecan verici şey, ilaç keşfi için üretken modellerin kullanılmasıdır. Model, yeni molekülleri gerçekten tasvir edebilir ve bu moleküllerin etkinliği çok açıktır. Önceki modeller molekülleri değil, yalnızca görüntüleri tasvir edebilir.
Ariel: Ardından Google'ın çeviri programı - Google'ın sinir ağı tabanlı makine çevirisi geliyor. Bunun hakkında konuşabilir misiniz? Bu neden büyük bir gelişme?
Ian: Bunun büyük bir gelişme olduğunu söylemenin iki nedeni var. Her şeyden önce, Google'ın sinir ağı tabanlı makine çevirisi, önceki tüm makine çevirisi teknolojilerinden çok daha iyidir. Yapay olarak tasarlanmış birçok öğeyi atar ve ne yapılacağını anlamak için yalnızca bir sinir ağı kullanır.
Google'ın sinir ağı tabanlı makine çevirisi ile ilgili olarak, bir başka heyecan verici şey de makine çevirisi modelinin "uluslararası dil" dediğimiz şeyi geliştirmiş olmasıdır. Geçmişte, Japoncadan Korece'ye çeviri yapmak istiyorsanız, Japonca'dan Korece'ye çevrilmiş birçok cümle, yani külliyat bulmanız gerekiyordu ve sonra önceki çeviri sürecini kopyalamak için bir makine öğrenimi modeli eğitebiliyordunuz. Ama şimdi, İngilizceden Korece'ye nasıl çeviri yapılacağını zaten biliyorsanız, İngilizceden Japoncaya nasıl çeviri yapacağınızı biliyorsunuz. Ortada Interlingua var. Yani, önce İngilizceden Interlingua'ya ve sonra Japoncaya çeviri yaparsınız; İngilizceyi Interlingua'ya ve sonra Korece'ye çevirirsiniz. Ayrıca Japonca'yı Interlingua'ya veya Korece'yi Interlingua'ya çevirebilir ve ardından Interlingua'yı Japonca veya Korece'ye çevirebilirsiniz.Artık belirli iki dilde bire bir cümle külliyatını bulmanız gerekmiyor.
Ariel: Dil için kullanılan teknoloji başka bir yerde nasıl uygulanabilir? 2017 ve sonrasında bu gelişmeden beklentileriniz nelerdir?
Richard: Bence bu yöntemden öğrendiğimiz şey, derin öğrenme sistemleri gerçek dünyanın çok zengin modellerini yaratabilir ve bizim düşünebildiklerimizi gerçekten ifade edebilir.Bu çok heyecan verici bir kilometre taşıdır. Interlingua'yı gerçek dünya hakkında daha yapılandırılmış bilgilerle birleştirme yeteneği, her ekibin üzerinde çalıştığı yöndür. Önümüzdeki birkaç yıl içinde, bu büyük bir açık alan olacak.
Ian: OpenAI'de, en büyük proje Evrenimiz, pek çok farklı bilgisayar oyununu oynamalarına izin verir.Bu aracılar, oyunlarla tamamen insanlarla aynı şekilde etkileşime girer: klavye veya fare yoluyla. Aynı takviye öğrenme aracı, temelde insanların gerçekleştirebileceği tüm bilgisayar etkileşimlerini tamamlayabilir. Akıllı bir vücudun tüm bu farklı şeyleri yapmasına izin vererek, yeteneklerimizi gerçekten kullanabilir ve genel yapay zeka yaratabiliriz. Google'ın "Interlingua" çevirisi gibi projeler, bunun başarılabileceğine inanmamız için bize her neden veriyor.
Ariel: Bu yıl ne oldu, sizce özellikle önemli olan başka neler var?
Richard: Tek öğrenme (Tek seferlik öğrenme), yeni bir görevle karşılaştığınızda, yalnızca biraz veri görebileceğinizi, belki yalnızca bir veri noktasını görebileceğinizi ve daha sonra ne tür olduğunu veya genel olarak işlevi anlayabileceğinizi ifade eder. Neye benziyor. Bu nedenle, çok az veriye dayanarak, sistemi genel arka plan bilgisinden eğitmek çok heyecan verici olacaktır.
Ian: Beni heyecanlandıran yeni bir alan Makine öğrenimi güvenliği . Saldırgan, makine öğrenimi sistemini yanlış eylemler yapması için kandırabilir. Nesne tanıma sistemlerini aldatmak kolaydır. Örneğin, ona bir pandaya benzeyen, ancak onu bir okul otobüsü olarak tanıyan veya tam tersi bir görüntü verebiliriz. Gerçekte, makine öğrenimi sistemini kandırmak mümkündür. Accessorize to a Crime adlı, alışılmadık renkli gözlükler takarak yüz tanıma sistemini kandırabileceğinizi söyleyen bir makale var. GoogleBrain'den bir araştırmacı ve ben Fiziksel Dünya'da görüntülere gürültü ekleyebileceğimizi gösteren "Tartışmalı Örnekler" adlı bir makale yazdık. Kamera aracılığıyla görüntülerken, nesne tanıma sisteminin bu görüntüleri nasıl ele aldığını kontrol edebiliriz. Cevap vermek.
Ariel: 2016'da herhangi bir önemli olay olacağını düşünüyor musunuz veya 2017'de neler beklemelisiniz?
Richard: Evet, 2017'nin daha çok denetimsiz öğrenmeye odaklanacağını düşünüyorum. Dünyadaki çoğu şey insanlar tarafından işaretlenmez ve bir evin etrafında ne olduklarını belirten yapışkan notlar olmayacaktır. Daha denetimsiz bir şekilde işleyebilmek birçok yeni uygulamayı beraberinde getirecektir.
Ian: Bu (denetimsiz öğrenme) ayrıca yapay zekayı daha demokratik hale getirecek. Bu aşamada, gerçekten gelişmiş AI kullanmak istiyorsanız, yalnızca çok fazla bilgisayara değil, aynı zamanda çok fazla veriye de ihtiyacınız var. Bu nedenle, yapay zeka rekabetinde rol oynayan çok büyük şirketler. Yapay zekanın bir görevi çok iyi yapmasını istiyorsanız, bilgisayara 1 milyon farklı örnek sağlamalısınız. Gelecekte, AI insanlar gibi daha çok şey öğrenebilecek ve az sayıda örnek yeterli olacak. Makine öğrenimi sistemimiz, neler olup bittiğine ilişkin genel kavramları hızlı bir şekilde öğrenebildiğinde, bu büyük veri kümelerini oluşturmaya gerek kalmaz.
Richard: Önümüzdeki yıl sahte haberlerin, sahte seslerin, sahte görüntülerin ve sahte videoların otomatik olarak tespit edilmesi önemli bir uygulama alanıdır diye düşünüyorum. Geçen yıl bu alandaki bazı uygulamalar aslında ek video kareleri oluşturmaya odaklandı. Bu nesil teknolojiler daha iyi hale geldikçe, bahsettiklerimiz gibi görüntü işleme daha iyi hale geliyor ve ses şablonları daha iyi hale geliyor ... Sanırım Adobe, kendilerine sesin PhotoShop'u diyorlar, içeri girebilirsiniz Bir metin girin ve ardından bir kişi seçin; sonuç, o kişi girdiğiniz metin hakkında konuşuyormuş gibi ses çıkarır. Bu yüzden yöntemleri tespit edebilmeliyiz çünkü tüm sahte haber kavramı yoğunlaştı.
Ian: Sahte haberlerin yayılmasını çözmenin başka yolları da olduğunu belirtmekte fayda var. Spam e-posta tespiti çeşitli farklı ipuçları kullanır, insanların bir e-postayı spam olarak işaretleyip işaretlemediğini ve bu ipuçlarının ilişkisini sayabilir. Altta yatan AI sistemini geliştirmeye gerek kalmadan yapacak çok şeyimiz var.
Ariel: Geçen yıl kaydettiğiniz ilerlemeyle ilgili endişeleriniz var mı?
Ian: İstihdam sorunları. Gelecekte çoğu görev otomatikleştirilebileceğine göre, bu otomasyondan herkesin yararlanmasını nasıl sağlamalıyız? Sosyal yapının şekillenme biçimi, şimdi gittikçe daha fazla otomasyon, servetin yoğunlaşmasını hızlandırmış görünüyor ve her ilerlemenin kazananları ve kaybedenleri var. Endişelendiğim şey, geçmişte milyonlarca insanı gerektiren işin otomasyonundan sonra, en çok kaybeden ve birkaç kazanan oluşacak ve birkaç kazanan servetin çoğunu kazanacak.
Richard: Ayrıca genel yapay zekaya yaklaşma hızımız konusunda da biraz endişeliyim. Sistemin birçok farklı şeyi yapabildiğini ve daha önce hiç görmedikleri ya da sadece birkaç kez gördükleri görevleri yapabildiğini görmek çok heyecan verici. Ancak bu aynı zamanda farklı güvenlik teknolojilerinin ne zaman uygulanacağı sorusunu da gündeme getiriyor. Henüz bu noktada olmadığımızı düşünmeme rağmen, soruları gündeme getiriyor.
Ariel: Olumlu bir soruyla bitirin: Geçen yıl gördüğünüz ilerlemeye dönüp baktığımızda, geleceğimiz için en çok neyi umuyorsunuz?
Ian: Sanırım yapay zekanın bu tıp alanlarında kullanılmaya başlaması gerçekten harika. Geçtiğimiz yıl, belirli görevlerde insan yeteneklerini aşabilen birçok makine öğrenimi algoritması gördük ve ayrıca yeni ilaçların tasarlanması gibi tıp alanında da yapay zekanın uygulanmasını görmeye başladık. Bu beni çok umutlu hissettiriyor. AI'nın ilaç tasarımını ve AI'nın insanların hayatlarını gerçekten daha iyi hale getirebileceği diğer uygulamaları göreceğiz.
Richard: İnsanlar çalışmalarındaki birçok karakterin otomatik olduğunu görecekler. Bu, onların daha yaratıcı ve katma değerli şeyler yapmalarına olanak tanıyacak ve kendi alanlarında veya tarlalarda daha ilginç işler yapabilecek. Bence gelecek açık ve açıklığın kendisi zaten heyecan verici.
Orijinal adres: https://futureoflife.org/2017/01/31/podcast-top-ai-breakthroughs-with-ian-goodfellow-and-richard-mallah/
[AI Unicorn'u Arıyor] Xinzhiyuan, 10 büyük başkentle güçlerini birleştirdi
2017 Girişimcilik Yarışması'nı başlatın
AI Girişimcilik Yarışması, Xinzhiyuan ve 10 ana akım AI girişim sermayesi kuruluşundan oluşur: Blue Run Ventures, Sequoia Capital China Fund, Hillhouse Smart Artificial Intelligence Fund, Blue Lake Capital, Blue Elephant Capital, IDG Capital, Gaorong Capital, CITIC Jiantou Securities, Mingshi Capital ve Songhe Yuanwang Fund tarafından ortaklaşa başlatılan, Xinzhiyuan sponsorluğunda, Pekin Zhongguancun Bilim Parkı Yönetim Komitesi ve Zhongguancun Bilim Parkı Haidian Park Yönetim Komitesi tarafından desteklenen, AI teknoloji liderleri ve yatırım liderlerinin bir araya gelmesidir. Büyük olay. Xinzhiyuan, risk sermayesi kaynaklarıyla geleceğin iddialı AI tek boynuzlu atlarına bağlanmak için güçlü bir fırsat sunuyor ve en iyi risk sermayesi TS sizi bekliyor.
Orijinal metni okumak ve çevrimiçi başvuru formunu doldurmak için makalenin altına tıklayın. Seçime katılmak için kayıt formu gereklidir.
Daha fazla bilgiye sahipseniz (BP, vb.), Xzy100@aiera.com.cn adresine gönderebilirsiniz.Lütfen e-postanın konusuna şirket adını belirtin. Herhangi bir sorunuz varsa, posta kutusuna bir mektup da gönderebilirsiniz.
