Jeff Dean, Google'ın yıllık resmi "transkriptini" yayınlayarak gelecekte 4 önemli zorluğa işaret etti
Google'ın yapay zeka imparatorluğunun önemli bir parçası olan Google'ın güçlü araştırma ekibi, araştırma ve sistem mühendisliği yoluyla yapay zekanın gelişimini desteklemeye kararlıdır.
Araştırma ekibi her zamanki gibi 9 Ocak'ta 2019 yıllık özetini resmi blogunda yayınladı ve 2020'deki çalışmalarının odağını dört gözle bekledi. En son resmi özet, Google AI'nın önde gelen isimlerinden biri olan ve Google'ın kıdemli başkan yardımcısı Jeff Dean tarafından tüm ekip adına yazılmıştır.
Resim Jeff Dean (Kaynak: Google)
Özetin başında Jeff Dean şunları yazdı: "Google'ın araştırma çalışanları, özellikle insanların günlük yaşamlarında en çok sorun yaşayanlar olmak üzere büyük uzun vadeli sorunları çözmeye kararlılar. 2019'da bu hedefe ulaşmak için kapsamlı bir çalışma yaptık. Temel araştırma ve ilerleme kaydedildi, sağlık hizmetleri ve robotik gibi gelişmekte olan alanlara yeni sonuçlar uygulandı, çeşitli kodlar açık kaynaklı hale getirildi ve Google'ın ürün ekibi, kullanıcılara çok yardımcı olacak araçlar oluşturmak için işbirliği yapmaya devam etti. ve hizmet.
Geçtiğimiz yıl 2020 başında yapılan araştırma çalışmalarını gözden geçirmek ve önümüzdeki birkaç yıl için yönünü dört gözle beklemek çok değerli olacak. Bu ruhla, bu blog yazısını yayınladık. "
Geçtiğimiz 10 yılda, makine öğrenimi ve bilgisayar bilimi dikkate değer bir ilerleme kaydetti ve araştırmacılar, mevcut karmaşık bilgi işlem ekipmanlarına sahipler. Google araştırma ekibi, özel donanımların geliştirilmesi yoluyla, büyüyen sorunları çözmek için makine öğrenimi yöntemleri etrafında bilgi işlem platformunu yeniden tasarladı. Bu, ekibin veri merkezleri ve düşük güçlü mobil ortamlar hakkındaki bilgi işlem anlayışını değiştirdi. Derin öğrenme devrimi, ekibin bilgi işlem ve bilgisayarlara bakışını yeniden şekillendirmeye devam edecek. Aynı zamanda çok sayıda çözülmemiş sorun da onları bekliyor.
Zaten başlamış olan yeni yıla baktığımızda, Google'ın çözmeyi umduğu sorunlar şunlardır:
1. Milyonlarca görevi yerine getirebilecek ve yeni görevleri otomatik olarak öğrenebilecek bir makine öğrenimi sistemi nasıl oluşturulur? Mevcut makine öğrenimi sistemleri hala tek görevlerde tek noktadan yapılan atılımlara odaklanıyor.
2. Ön yargıdan kaçınma, yorumlanabilirliği ve anlaşılırlığı artırma, gizliliği geliştirme ve güvenliği sağlama gibi yapay zekanın önemli alanlarında en son teknoloji nasıl ilerletilebilir?
3. Önemli bilimsel alanlarda bilgi işlem ve makine öğrenimi uygulamasında nasıl ilerleme sağlanır? Örneğin iklim bilimi, sağlık hizmetleri, biyoinformatik vb.
4. Makine öğrenimi ve bilgisayar bilimi tarafından izlenen fikir ve talimatların çeşitliliği nasıl sağlanır? Farklı geçmişlere sahip yeni gelenlerin sahaya girmeleri için en iyi nasıl destek olunur?
(Kaynak: Google)
Ek olarak, aşağıda, orijinal niyete göre silindikten sonra makalede listelenen Google'ın 2019'daki ana araştırma çalışması yer almaktadır:
1. AI'yı etik bir şekilde kullanın
2018'de, ürünlerde makine öğrenimi ve diğer teknolojilerin araştırmasını ve uygulamasını değerlendirebileceğimiz bir dizi yapay zeka ilkeleri çerçevesi yayınladık. Haziran 2019'da, çerçeve yayınlandığından bu yana bir yıl süren yeni bir çalışma yürüttük ve bu ilkelerin araştırma ve ürün geliştirme yaşam döngüsü gibi farklı açılardan nasıl uygulamaya konulacağını gösterdik.
2019'daki birkaç önemli görev şunları içerir:
Yeni yapay zeka şeffaflık araştırma sonucu "Model Raporlama için Model Kartları", makine öğrenimi modelleri için model kartlar oluşturma fikrini ortaya koyuyor ve yorumlanabilirlik sorunlarının nasıl çözüleceğine dair fikirler sunuyor.
"Etkinleştirme Atlasları ile Yapay Sinir Ağlarını Keşfetme", etkinleştirme atlaslarının sinir ağı davranışlarını keşfetmeye nasıl yardımcı olabileceğini ve makine öğrenimi modellerinin yorumlanabilirliğine nasıl katkıda bulunabileceğini gösterir.
Geliştiricilerin güçlü gizlilik korumasına sahip yapay zeka modellerini eğitmesini kolaylaştıran açık kaynak kod kitaplığı olan TensorFlow Privacy kullanıma sunuldu.
Makine öğrenimi uygulayıcılarının makine öğrenimi modellerinin önyargılarını veya beklenmedik etkilerini fark etmelerine yardımcı olmak için Adillik Göstergelerinin bir beta sürümü yayınlandı.
KDD'19'da yer alan "İkili Karşılaştırmalarla Tavsiye Sıralamasında Adalet" adlı makale, tavsiye sistemindeki adaleti tartıştı.
AIES'19'da yer alan "Adillik İlkelerini Uygulamaya Koymak: Zorluklar, Ölçüler ve İyileştirmeler", üretim sınıflandırma sistemlerinde makine öğrenimi araştırmalarında adalet uygulamasına ilişkin bir vaka çalışmasıdır.
AIES'19'da yer alan "Sağlamlık Yoluyla Metin Sınıflamasında Karşı-Gerçeğe Dayalı Adalet", metin sınıflandırma problemlerinde karşı olgusal adalet üzerine bir makaledir ve İnternet forum yorumlarının zararlı olup olmadığını belirlemek için bir model önerir.
DeepFake'i tanımlamak için araştırmaya yardımcı olmak üzere yeni bir veri seti yayınlandı.
(Kaynak: Google)
2. AI, sosyal refah için kullanılır
Birçok önemli sosyal sorunu çözmede makine öğreniminin büyük bir potansiyeli vardır. Birkaç ana alanda çalışıyoruz ve başkalarının bu tür sorunları çözmek için yaratıcılıklarını ve becerilerini kullanmalarını sağlamaya kararlıyız. Daha doğru sel tahmini, küresel yaban hayatı izleme, nüfus hareketi ve emisyonlar, gençlik öğrenme yardımı, tıbbi bakım ve tarıma yardımcı olmak için makine öğrenimi, bilgi işlem gücü ve daha iyi veri kaynakları kullanıyoruz.
(Kaynak: Google)
3. AI'nın diğer alanlarda uygulanması
"Sinek Beyninin Etkileşimli, Otomatik 3D Yeniden Yapılandırılması" nda, bir makine öğrenimi modeli, sinek beyninin tüm yapısını nöronlar aracılığıyla haritalayabilir ve izleyebilir.
(Kaynak: Google)
"Kısmi Diferansiyel Denklemler için Daha İyi Simülasyon Yöntemlerini Öğrenmek", makine öğreniminin PDE hesaplamalarını hızlandırmaya nasıl yardımcı olabileceğini ve böylelikle iklim bilimi, akışkanlar mekaniği, elektromanyetik ve ısı iletimi gibi temel hesaplama problemlerini nasıl iyileştirdiğini gösterir.
"Koklamayı Öğrenmek: Moleküllerin Olfaktör Özelliklerini Tahmin Etmek için Derin Öğrenmeyi Kullanmak" bölümünde, grafik sinir ağı (GNN) herhangi bir yapay kural getirmeden tek bir molekülün koku tanımlayıcısını doğrudan tahmin etmek için kullanılabilir.
Kimyayı takviye öğrenme teknolojisiyle birleştirmek için bir dizi moleküler optimizasyon çerçevesi önerdi.
Makine öğrenimi, sanat ve yaratım alanında atılımlar yapmamıza da yardımcı olabilir.
4. AI yardımı
Makine öğrenimi, kişisel düzeyde günlük yaşamımızda bize yardımcı olabilir. Sıradan insanların güzel görüntüleri gözlemlemesi, en sevdiği şarkıları dinlemesi veya insanlarla konuşması kolaydır, ancak bir milyardan fazla insan bu dünyayla etkileşime giremez. Makine öğrenimi teknolojisi sinyalleri (görsel, işitsel, ses) diğer sinyallere dönüştürebilir, böylece daha fazla insan çevrelerindeki dünyayla daha iyi etkileşim kurabilir. Vakalarımız şunları içerir:
Gözetleme, görme engelli veya az gören kişilerin çevreleriyle ilgili bilgileri tanımasına yardımcı olur. Google Lens'e benzer temel teknolojiyi kullanan bu teknoloji, yalnızca telefonunuzu yönlendirmenize olanak tanır.
Sağır veya işitme güçlüğü çeken kişilerin, karşı taraf başka bir dil kullanıyor olsa bile daha iyi iletişim kurmasına yardımcı olmak için Canlı Altyazı.
Euphonia projesi, özelleştirilmiş konuşmadan metne transkripsiyon gerçekleştirebilir. ALS'li kişiler ve geveleyerek veya standart olmayan konuşma üreten diğer koşullar için, bu çalışma otomatik konuşma tanımayı geliştirir.
Euphonia projesine benzer şekilde, Parrotron da iletişimi geliştirmeye yardımcı olmak için uçtan uca sinir ağları kullanır, ancak odak noktası deşifre değil otomatik konuşmadan sese dönüştürme üzerindedir ve kolay erişim için bir ses arabirimi sağlar.
Milyonlarca çevrimiçi görüntünün metin açıklamaları yoktur, ancak Google, görme engelli veya görme bozukluğu olan kullanıcıların işaretlenmemiş resimleri anlamasına yardımcı olmak için resim açıklamaları elde etmeye yardımcı olabilir. Ekran okuyucu, açıklaması olmayan bir resim veya grafikle karşılaştığında, Chrome otomatik olarak bir açıklama oluşturabilir.
Görsel metni sesli biçimde okumak için bir araç olan Google Go için Lens, tam olarak okuryazar olmayan kullanıcıların kelimeleri okumasına yardımcı olabilir.
(Kaynak: Google)
5. Mobil akıllı
Recorder, kullanıcıların ses bilgilerini indekslemelerine ve ses içeriğini almalarına yardımcı olabilecek yeni bir transkripsiyon uygulamasıdır.
Google Çeviri'de bağlamla çevrilebilen fotoğraf çevirisi işlevini iyileştirin.
ARCore'un Augmented Faces API'sinin piyasaya sürülmesi, gerçek zamanlı AR öz temsil aracı mümkün hale geldi.
Gerçek zamanlı el izleme işlevi, hareket etkileşimi ve cihaz kontrolü için yeni yollar sağlar.
RNN'ye dayalı ekran klavyesinin el yazısı tanıma etkisi iyileştirildi.
Akıllı telefon kamerasına göre gezinme yöntemini serbest bırakın.
Google araştırmacıları, federal öğrenim üzerine bir makale yazmak için 24 akademik kurumdan akademisyenlerle işbirliği yaparak, bu teknolojinin son birkaç yıldaki ilerlemesine ve halen var olan açık araştırma sorunlarına odaklandı.
Görüntü üzerinde yayınlanan "çok kareli süper çözünürlük ve çok düşük ışık koşullarında mobil fotoğrafçılık" kağıdını hesaplayın.
(Kaynak: Google)
6. Sağlık
2018'in sonunda, Google Research Institute sağlık ekibi, Deepmind Health ve Google'ın donanım departmanı, sağlık uygulamalarına (sağlıkla ilgili uygulamalara odaklanan) odaklandı ve Google Health'i oluşturmak için birleşti. İlgili önemli noktalar şunlardır:
Mamogramlar için derin öğrenme modeli, doktorların meme kanserini bulmalarına yardımcı olabilir. Bu hastalık, Amerika Birleşik Devletleri'ndeki her sekiz kadından birini yaşamları boyunca etkiler. Doğruluğu uzmanlardan daha yüksektir, yanlış pozitifleri ve yanlış negatifleri azaltır.
Deri hastalıklarını teşhis etmek için derin öğrenme modellerini kullanarak, doğruluk oranı kıdemsiz doktorlarınkinden daha yüksektir ve hatta cilt patologlarınınkine eşit veya biraz daha iyidir.
Google Health, DeepMind Health ve ABD Gaziler İşleri Bakanlığı'ndan (VA) uzmanların ortak işbirliği sayesinde, makine öğrenimi modellerinin akut böbrek operasyonu (AKI) hastalığının başlangıcını tahmin etmede olağanüstü olduğu kanıtlandı. Sorunu iki gün önceden bulmak, hastanın acı çekmesini etkili bir şekilde önleyebilir. Gelecekte, doktorların bu tür ciddi hastalıklarla 48 saat önceden ilgilenmesi bekleniyor.
DeepMind Health ve Amerika Birleşik Devletleri Gaziler İşleri Bakanlığı'ndan (VA) meslektaşlar, makine öğrenimi modellerinin akut böbrek hasarının başlangıcını tahmin edebileceğini gösterdi.
Derin öğrenme uygulamasını elektronik sağlık kayıtlarına genişletin.
Akciğer kanserini tahmin etmede önemli bir adımı gösterir. Derin öğrenme modellerinden biri tek bir CT tarama çalışmasının sonuçlarını incelemek için kullanılabilir. Çalışma, akciğer kanserinin erken teşhisinde eğitimli radyologlarla karşılaştırılabilir ve hatta eğitimli radyologlardan daha iyidir .
Verily ve Hindistan ve Tayland'daki tıbbi ortaklarla birlikte, göz hastalıklarını tespit etmek ve önlemek için makine öğrenimi araçlarının dağıtımını genişletmeye ve değerlendirmeye devam edin.
Artırılmış gerçeklik mikroskobunda kanser teşhisi için yayınlanmış araştırma kağıtları Patologlar, dokuyu mikroskopla incelerken slayt üzerinde gerçek zamanlı geri bildirim alabilirler.
Patologlar için benzer vakaların incelenmesine izin vererek daha etkili tanı koymalarına yardımcı olabilecek, insan merkezli benzer bir görüntü arama aracı oluşturmak.
(Kaynak: Google)
7. Kuantum hesaplama
2019 yılında Google kuantum hesaplama ekibi ilk kez "kuantum hegemonyasına" kavuştu, yani belirli bir görevi yerine getirirken bir kuantum bilgisayar klasik bir bilgisayardan çok daha güçlüdür.İkisi arasındaki karşılaştırma 200 saniye ile 10.000 yıl arasındadır.
(Kaynak: Google)
8. Genel algoritmalar ve teoriler
VLDB 19 tarafından alınan "veri merkezi uygulamalarının önbelleğe duyarlı yük dengelemesi", Web araması arka uç hizmet sistemindeki önbelleği belirtmek için grafiğin denge bölümünü kullanarak, flash sürücülerin sorgu verimini başarıyla% 48 ve son olarak arka uç artırdı Genel arama verimi% 40 arttı.
"Yeni bir köpek eski numaraları öğrenir: RL klasik optimizasyon algoritmalarını bulur" ICLR 19, algoritmalar ve makine öğrenimi arasındaki yeni bağlantıyı gösterir, yani pekiştirmeli öğrenme, klasik çevrimiçi optimizasyon ve kombinasyon problemleri için özel algoritmalar bulabilir.
FOCS 19'un makaleleri arasında, birbirine bağlı bileşenler için neredeyse en iyi büyük ölçekli paralel hesaplama algoritması bulundu.
KDD 19 ve NeurIPS 19'un makalelerinde önerilen kümeleme algoritması, büyük kentsel kümelenmeleri otomatik olarak tanımlayabilir.
(Kaynak: Google)
9. Makine öğrenimi algoritmaları
"Çözülmüş Temsillerin Denetimsiz Öğreniminin Değerlendirilmesi" belgesinde, denetimsiz öğrenmede temsili etkileyen faktörler tartışılmıştır.
"Derin Sinir Ağlarında Genelleştirme Açığını Tahmin Etmek" makalesinde, genelleştirme boşluğunun öngörüsü olarak ağ katmanları arasında standartlaştırılmış marjinal dağılımın kullanılması önerilmektedir.
"Seyrek ve Belirsiz Ödüllerden Genellemeyi Öğrenmek" belgesinde, pekiştirmeli öğrenmeyi başarmak için ödül işlevini belirleme yöntemi incelenmiştir.
10. AutoML
AutoML, makine öğreniminin birçok yönünü otomatikleştirmeyi mümkün kılar ve bazı türlerde, en iyi insan makine öğrenimi uzmanlarından daha iyi sonuçlar elde edebilir.
"In EfficientNet: AutoML ve Model Scaling ile Doğruluk ve Verimliliği İyileştirme" belgesinde, sinir mimarisi arama teknolojisi, bilgisayarla görme problemlerindeki sonuçların kalitesini önemli ölçüde artırabilir.
"EfficientNet-EdgeTPU: AutoML ile Hızlandırıcı İçin Optimize Edilmiş Sinir Ağları Oluşturma" belgesinde, sinir mimarisi arama yöntemi belirli bir donanım hızlandırıcı için en verimli modeli bulabilir ve böylece mobil cihazlarda çalıştırılabilen yüksek hassasiyetli, düşük hesaplamalı bir model oluşturabilir .
"Video Mimarisi Araması" belgesinde, AutoML en iyi sonuçları elde edebilecek mimariyi bulmak için video modellerine genişletilmiştir.
Tablo şeklindeki verileri işlemek için kullanılabilen, birçok şirket ve kuruluşun ilişkisel veritabanlarında yeni önemli verileri keşfetmesine yardımcı olan ve bu verilere dayalı makine öğrenimi modelleri geliştirebilen gelişmiş AutoML teknolojisi.
"Ağırlık Agnostik Sinir Ağlarını Keşfedin" makalesinde, eğitim adımları olmadan değerlendirme modelindeki ağırlıkları ayarlamak için sinir ağı mimarisinin nasıl güncelleneceği gösterilmektedir.
"AutoML'yi Transformer Mimarilerine Uygulama" belgesi, doğal dil işleme görevleri için en iyi mimarinin nasıl bulunacağını araştırıyor ve bu da hesaplama maliyetlerini azaltırken orijinal Transformer'in performansını önemli ölçüde artırabilir.
"SpecAugment: A New Data Augmentation Method for Automatic Speech Recognition" belgesinde, otomatik öğrenme veri geliştirme yönteminin konuşma tanıma modeline genişletilebileceği kanıtlanmıştır.
(Kaynak: Google)
11. Doğal dil işleme
Büyük ölçekli çok dilli sinir makinesi çevirisini keşfederken, 100 dil arasında çeviri yapacak bir model eğiterek çeviri kalitesi önemli ölçüde iyileştirildi.
Akan uçtan uca modelin büyük ölçekli çok dilli konuşma tanımasında, konuşma tanıma ve dil modeli birleştirilir ve sistem, birden çok dilde konuşma tanımanın doğruluğunun nasıl iyileştirileceği konusunda eğitilir.
"Translatotron: Bir Uçtan Uca Konuşmadan Konuşmaya Çeviri Modeli" nde, ortak bir modelin konuşma tanıma, çeviri ve metinden sese oluşturma görevlerini iyi bir şekilde tamamlamak için eğitilebileceği kanıtlanmıştır.
Anlamsal erişim için çok dilli genel cümle kodlayıcıda, anlamsal erişimde daha iyi bir model getirmek için birçok farklı hedefin nasıl birleştirileceğini gösterir.
"Robust Neural Machine Translation" da, dil çevirisinin kalitesini artırmak için rakip eğitimin nasıl kullanılacağı.
12. Makine algısı
Daha iyi görsel arama elde etmek için Lens'te daha ayrıntılı görsel anlayış.
Nest Hub Max'te hızlı hareketler, yüz eşleştirme ve akıllı video görüşmesi çerçeveleme gibi akıllı kamera işlevleri.
Lens kullanımıyla gerçek zamanlı ve mekansal algılama teknolojisi, çevredeki dünyanın açılmasına yardımcı olabilir.
Daha iyi video derinlik tahmin modeli.
Daha iyi video performansı gerçekleştirmek için zaman döngüsü tutarlılığı öğrenimini kullanın.
Metin, ses ve videonun geçici olarak tutarlı temsilini öğrenin.
Geçmişi gözlemleyerek gelecekteki görsel girdiyi tahmin edebilme.
Videodaki işlem sırasını daha iyi anlayabilir, böylece kullanıcı özel video anını daha iyi hatırlayabilir.
13. Robotik
Robot kontrolünde makine öğreniminin uygulanması bizim önemli araştırma alanımızdır. Bunun, robotların karmaşık gerçek dünya ortamlarında etkili bir şekilde çalışmasını sağlayan önemli bir araç olduğuna inanıyoruz. Bu yıl yaptığımız işlerden bazıları şunlardır:
(Kaynak: Google)
"Otomatik Takviyeli Öğrenme ile Uzun Menzilli Robotik Navigasyon" da, otomatik pekiştirmeli öğrenme ve uzaktan robot navigasyonu kombinasyonu yoluyla robot, karmaşık bir ortamda (bir Google ofis binası gibi) bir navigasyon rolü oynayabilir.
"PlaNet: Takviyeli Öğrenme için Derin Bir Planlama Ağı" nda, dünya modeli yalnızca görüntü piksellerinden etkili bir şekilde öğrenilebilir ve model, öğrenme sayısını azaltmak için kullanılabilir.
"TossingBot ile Fiziği ve Derin Öğrenmeyi Birleştirme" de robot, kendisi için önceden programlanmış fiziksel modeller yerine ortamdaki deneylerden "sezgisel" fizik öğrenebilir.
"Yumuşak Aktör-Eleştirmen: Robotik için Derin Güçlendirmeli Öğrenme" de, eğitim takviye öğrenme algoritmaları, robotların daha hızlı öğrenmesine ve çevresel değişikliklere daha sağlam yanıt vermesine yardımcı olabilir.
"Kendi Kendinden Denetimli Demontajdan Birleştirmeyi ve Genelleştirmeyi Öğrenmek" te, robotlar öğrenme yoluyla kendi kendine denetimli bir şekilde şeyleri parçalara ayırır ve yeniden birleştirir.
"ROBEL: Düşük Maliyetli Robotlarla Öğrenme için Robotik Kıyaslamalar" da, düşük maliyetli robot öğrenimi için bir robot karşılaştırma ölçütü olan ve ayrıca robotlar için uygun maliyetli bir açık kaynak platformu olan ROBEL'i tanıttık.
14. Daha geniş bir geliştirici ve araştırmacı topluluğunu teşvik edin
Açık kaynak sadece kod değildir: aynı zamanda bir katkıda bulunanlar topluluğunu da içerir. Açık kaynak topluluğuna katılmak heyecan verici bir yıl oldu. Makine öğrenimi sistemleri ve uygulamaları oluşturmayı kolaylaştıran TensorFlow 2.0'ı (bugüne kadarki en büyük TensorFlow sürümü) başlattık. TensorFlow Lite'a hızlı hareket eden GPU çıkarımı için destek ekledik ve tek bir düğmeyi tıklatarak makine öğrenimi modellerini eğitmenize olanak tanıyan Öğretilebilir Makine 2.0'ı başlattık. Yazılım ve donanım sorunlarını çözmeye yardımcı olan ve yapay zeka uygulamaları oluşturmayı kolaylaştıran bir makine öğrenimi derleyici altyapısı olan MLIR'i de yayınladık.
15. Veri seti
Veri kümesinde, araştırma topluluğunun ilginç veri kümelerini bulmasına yardımcı olmak için, farklı kuruluşlardan çeşitli açık veri kümelerini dizine eklemek için Google'ın veri kümesi aramasını kullanmaya devam ediyoruz. Ayrıca, topluluğun yeni teknolojileri keşfetmesi ve geliştirmesi için yeni veri kümeleri oluşturmanın ve açık verilerin sorumlu bir şekilde paylaşılmasını sağlamanın da önemli olduğuna inanıyoruz.
Bu yıl, birçok farklı alanda birçok açık veri kümesi yayınladık:
Açık Görüntüler V5: 350 kategoride 2,8 milyon nesne için bölümleme maskeleri de dahil olmak üzere Açık Görüntüler veri kümesi için bir güncelleme.
Doğal sorular: Kısa paragraflardan yanıtlar almak yerine doğal sorgular kullanan ve sayfanın tamamını okuyan ilk veri kümesi.
Deepfake algılama verileri: FaceForensics karşılaştırma testine büyük bir görsel Deepfake veri seti ile katkıda bulunduk.
Google Araştırma Futbolu: Yeni bir pekiştirmeli öğrenme ortamı olan Aracı, dünyanın en popüler sporu olan futbolda ustalaşmayı amaçlamaktadır.
Google-Merkezi-v2: 2 milyondan fazla farklı yer işaretinin 5 milyon görüntüsü (ilk sürümün iki katı).
YouTube-8M segmentasyonu: Manuel olarak doğrulanmış YouTube-8M videolarının 5 saniyelik segmentasyon düzeyinde etiketlerini içeren büyük ölçekli sınıflandırma ve zaman yerelleştirme veri kümesi.
AVA Spoken Action: Diyaloğu algılamak için kullanılan çok modlu bir görsel-işitsel video veri seti.
PAWS ve PAWS-X: Tümcecikleri açıklamaya yardımcı olmak için, her iki veri seti cümle çiftleri içerir.
Doğal dil diyalog veri seti: Hem CCPE hem de Taskmaster-1, dijital bir asistanla kişiler arası diyaloğu simüle etmek için sözlü diyaloga katılan iki kişiyi eşleştiren Oz sihirbaz platformunu kullanır.
Görsel görev uyarlanabilirlik karşılaştırma testi: VTAB, ImageNet ve GLUE ile benzer yönergeleri izler, ancak etki alanında sınırlı veri olduğundan bazı görevler için daha iyi performansa sahiptir.
Mod rehberli diyalog veri seti: 17 alanda 18.000'den fazla diyaloğu kapsayan, halka açık en büyük görev odaklı diyaloglar bütünü.
16. Araştırma topluluğu etkileşimi
CVPR: Yaklaşık 250 Google çalışanı 40'tan fazla makale, konuşma, poster, seminer vb. İle katkıda bulunmuştur.
ICML: Yaklaşık 200 Google çalışanı 100'den fazla makale, konuşma, poster, seminer vb. İle katkıda bulunmuştur.
ICLR: Yaklaşık 200 Google çalışanı 60'tan fazla makale, konuşma, poster, seminer vb. İle katkıda bulunmuştur.
ACL: Yaklaşık 100 Google çalışanı 40'tan fazla makale, seminer ve eğiticiye katkıda bulundu.
INTERSPEECH: Yaklaşık 100 çalışan 30'dan fazla bildiriye katkıda bulundu.
ICCV: Yaklaşık 200 Google çalışanı 40'tan fazla makaleye katkıda bulundu.
NeurIPS: Yaklaşık 500 Google çalışanı, yaygın olarak tanınan 120'den fazla makaleye katkıda bulundu.
(Kaynak: Google)
