Top Meeting Insights Serisi: NeurIPS 2018'den Yapay Zeka İlerlemesini, Bakış Açılarını ve 2019 Trend Tahminini Görmek için
AI Technology Review Press : Yapay zeka alanındaki son gelişme nedir? 2019'da hangi yeni teknolojileri bekleyebiliriz? Yeni yapay zeka düzenlemeleri olacak mı? NeurIPS (eski adıyla NIPS) bu soruları yanıtlayabilir. Son zamanlarda bilgisayar ağı güvenlik şirketi zvelo'da yapay zeka mimarı Daniel DeMillard, NeurIPS 2018'e katılırken topladığı yapay zeka alanındaki bazı içgörüleri, görüşleri ve trendleri ve 2019 trend tahminlerini derledi. AI Technology Review aşağıdaki gibi derlenmiştir.
NeurIPS, yapay zeka ve derin öğrenme alanındaki olağanüstü yetenekleri bir araya getiriyor.Son yıllarda şöhretin artmasıyla birlikte, biletleri satın almak Taylor Swift'in konserlerinden (daha fazla içerik) daha zordu. "NIPS 2018 biletlerinin on dakika içinde tükendiğini ve makine öğrenimi çemberinin kızardığını duydum." ). Konferans esas olarak derin öğrenme alanına odaklandı. Derin öğrenme, çok katmanlı birbirine bağlı yapay sinir ağlarını kullanarak yüksek boyutlu verileri modelleme sürecidir.Görüntü sınıflandırma, konuşma tanıma, kendi kendine giden arabalar, yüz tanıma ve hatta cep telefonlarının otomatik yazım düzeltme işlevinde önemli bir role sahiptir. . Derin öğrenme, yapay zeka alanındaki son gelişmelerin temel bir parçası haline geldiğinden, NeurIPS daha büyük bir yapay zeka ekosistemi için dönüm noktası niteliğinde bir konferans olarak kabul edilebilir.
NeurIPS, Google, Nvidia, Microsoft, Facebook, IBM, Amazon gibi yapay zeka alanlarında 100'den fazla şirket ve devin sponsorluğunu üstleniyor. Hepsi de stantlara sahip ve konferansta en son teknolojik gelişmeleri sergiliyor. NeurIPS 6 gün sürer ve yıllık konferansın yeri farklıdır - 2018, Montreal'dedir ve konferans içeriği ve forumu esas olarak tekniktir. Araştırmacılar, en son konuları derinlemesine araştırmak, akademik makaleler yayınlamak ve nihayet yeni teknolojileri göstermek için birkaç gün harcıyorlar. Üç tema (sinirbilim, makine öğrenimi teorisi ve uygulamalı makine öğrenimi) aynı anda gündemde olduğundan, bir araştırmacının (insanlara atıfta bulunarak) tüm gündemlere aynı anda katılması ve deneyimlemesi imkansızdır. Bu makale, NeurIPS 2018 hakkında topladığım bazı içgörüler ve görüşlerin yanı sıra 2019 için bazı heyecan verici trend tahminlerini referans olarak özetlemektedir.
AI konuları ve ilham
Bu yıl, yapay zeka alanında üretken ağlarda iyileştirmeler, denetimsiz öğrenme ve küçük örneklem öğrenimi, meta-öğrenme ve otomatik makine öğrenimi, pekiştirmeli öğrenme ve derin öğrenme sonuçlarının bazı teorik açıklamaları dahil olmak üzere birçok atılım yapıldı.
Görüntüler, metin ve konuşma için modeller oluşturma
Üretken model, tüm olasılık dağılımını tahmin eder, böylece görüntüler, metin veya konuşma gibi yeni içerikler üretilebilir. Tahmin modeli, çıktı verilen çıktı etiketinin olasılığını tahmin etmek için bazı sınıflandırıcıları öğrenir. Örneğin, Donald Trump'ın orijinal pikselleri (Trump | pikseller) verildiğinde, tahmin modeli görüntünün Trump olma olasılığını tahmin edebilir.
Aradaki fark, üretici modelin, beklenen bazı çıktı-pr (pikseller | Trump) için girdideki tüm olasılık dağılımını öğrenmesidir, böylece talebe göre yepyeni bir Donald Trump görüntüsü oluşturabilir. Tekrarlayan sinir ağları bir süredir metin oluşturmak için kullanıldı, ancak derin öğrenme alanında ancak son zamanlarda ilerleme kaydetti ve görüntü oluşturacak kadar iyileştirildi.
Geçtiğimiz birkaç yılda, fotogerçekçi görüntüler üretebilen modeller hızla gelişti ve şimdi gerçekten etkileyici görüntüler üretebiliyorlar. Aşağıdaki resimlere bakarak hangilerinin gerçek olduğunu ve hangilerinin sinir ağları tarafından oluşturulduğunu söyleyebilir misiniz?
Sinir ağı tarafından hangi görüntülerin üretildiğini tahmin edebilir misiniz?
Aslında, bu kasıtlı olarak yanıltıcı bir sorudur, çünkü hepsi algoritmalar tarafından üretilen görüntülerdir (https://arxiv.org/pdf/1807.03039.pdf) - bu insanlar gerçekte mevcut değiller.
Buradaki sunumların çoğu, görüntüleri değiştirmek için yalnızca metin tabanlı açıklamaların kullanılması da dahil olmak üzere, bu alanın gelişimini desteklemek için yararlıdır (https://arxiv.org/pdf/1810.11919.pdf). Şimdi, basit bir gereksinime göre, kuşların ve çiçeklerin fotoğraflarını hemen düzenleyebilirsiniz.
Üretken modeller, metin tabanlı açıklamalar kullanarak görüntüleri değiştirmemize izin verir
Bu teknoloji çok güçlü ve heyecan verici. Ancak, bu üretken modeller gerçekten kullanılmadı çünkü kimse ne için kullanıldığını bilmiyor ... Ancak NVIDIA'nın bu konferansta gösterdiği Demo bu boşluğu doldurmaya başlamış olabilir. Bir sokak sahnesinde gezinen bir kullanıcının sanal bir simülasyonunu gösterdiler.Sokak sahnesi bir grafik veya video oyun tasarımcısı tarafından oluşturulmadı, tamamen sahneden alınan görüntülerden oluşturuldu ve ardından tutarlı bir 3B sahneye dikildi. .
2019 trend tahmini
Şirket, ev alıcıları, müze ziyaretleri için otomatik olarak dijital sunumlar oluşturmak ve hatta video oyunları için içerik oluşturmak için üretken modeller kullanacak.
Daha az etiketle öğrenin (ve hiç etiket olmadan öğrenin)
Denetimsiz öğrenme, yapay zekanın uzun vadeli hedefidir. Genellikle çok fazla veriye sahibiz, ancak bu veriler işaretlenmez. Bu, temel veri keşfi ve anormallik algılama senaryoları dışında, bu verilerin temelde kullanılamaz olduğu anlamına gelir. Maalesef bu sorun 2018'de hala çözülmedi ve yakın gelecekte çözülemeyecek. Bununla birlikte, bu alan, denetimli öğrenme sürecini iyileştirmek için (etiketli veriler) en azından etiketlenmemiş verileri kullanma konusunda çok ilerleme kaydetmiştir.
"Denetimsiz Nöral Makine Çevirisi" (https://arxiv.org/abs/1710.11041) başlıklı yakın tarihli bir makale, denetimsiz öğrenmenin makine çevirisine yardımcı olduğunu gösteriyor. Belirli bir dilde zengin metinler vardır.Tüm kitaplar, bloglar ve harfler istediğiniz herhangi bir dilde olabilir. Sorun, görüntülemek için paralel cümleler kullanmanız gerektiğidir. Derin öğrenme algoritması, orijinal metindeki kelimeleri doğrudan nasıl dönüştürebilir (örneğin, Fransızca) Hedef dil olarak işaretleyin (örneğin, İngilizce). Swahili-Lao gibi bazı belirli dil çiftleri için bu veriler çok azdır ve elde edilmesi zordur. Bu makale, kodlayıcı ve kod çözücü arasındaki ortak gömme alanını tek bir külliyatta eğiterek, denetimsiz çevirinin zayıf bir biçiminin öğrenilebileceğini göstermektedir. Doğrudan denetimsiz çeviri iyi performans göstermese de, öğrenilen birlikte gömme, denetlenen modelin eğitimini büyük ölçüde hızlandırabilir, böylece doğruluk, daha az etiketli cümleler ve daha az eğitimle iyileştirilebilir.
Konferanstaki birçok konuşma ve makale bu fikri kullanmaya devam ediyor: daha az sayıda etiketli örnekle en yüksek doğruluğu elde etmek. Bu durumlardan birkaçı şunları içerir: konuşmayı klonlamak için aktarım öğrenmeyi kullanmak için az sayıda ses kaydı kullanmak ve her kategoride hedef saptamayı gerçekleştirmek için çok daha az örnek kullanmak.
2019 trend tahmini
Yeni bilgileri doğrudan öğrenmek için denetimsiz öğrenmenin kullanılması yapıcı bir atılım yapmamış olsa da, denetimsiz ön eğitim, transfer öğrenimi ve az miktarda öğrenme, yeni alanlarda eğitimi hızlandırdı ve ayrıca doğru sınıflandırıcılara olan ihtiyacı kontrol etmeye yardımcı oldu. Eğitim süresi ve numune sayısı.
Otomatik makine öğrenimi ve meta-öğrenme
Şu andaki eğilim "ellerinizi serbest bırakmak" ve bu eğilimin her parçası, sinir ağı mimarisi ve hiperparametre ayarı gibi derin öğrenmeyi içeriyor. Meta öğrenme, kendini "öğrenmeyi öğrenmeye" adamıştır ve daha sonra öğrenme yeteneklerini henüz dahil olmadığı yeni alanlara aktarır. Meta öğrenme hala devam eden bir çalışma olsa da, otomatik makine öğrenimi, kaba kuvvet ızgara aramasından daha verimli olan hiperparametre aramalarını ve otomatik öğrenmeyi hızlı bir şekilde tamamlamak için etkin bir şekilde kullanılmaktadır. Bağlantısal mimari. Son zamanlarda otomatik makine öğrenimi için piyasaya sürülen, yaygın olarak kullanılan scikit-learn (https://scikit-learn.org/stable/) bile doğrudan kullanılabilen bir eklentiye sahiptir.
2019 trend tahmini
Makine öğrenimi araştırmacıları, farklı hiperparametrelerle deney yapmak için daha az zaman harcayacak, bunun yerine bireysel deneyleri çalıştırmak için otomatik makine öğrenimi tarafından sağlanan araçları kullanacak. Bu, araştırmacıların daha fazla konuyu keşfedebilmesi için araştırma döngüsünü hızlandıracaktır.
Derin öğrenme teorisi
Derin öğrenme modelleri genellikle "kara kutular" olarak adlandırılır çünkü derin öğrenme modelleri artık karmaşık şekillerde ilişkili trilyonlarca parametre içerir. Bu modeli yaratan araştırmacı bile neler olup bittiğini kapsamlı bir şekilde anlamakta güçlük çekiyor. Derin öğrenmenin ilgi çekici yanlarından biri, araştırmacıların özellikleri manuel olarak oluşturmalarına veya algoritmaları uyguladıkları alanı tam olarak anlamalarına gerek olmamasıdır. Derin öğrenme modellerinin, çözülen problemleri araştırmacılardan daha iyi anladığını gerçekten hissedebiliriz.
Bu, araştırmacıların otonom araçlar, tıbbi görüntüleme ve finansal işlemler gibi görev açısından kritik sistemlere dikkatini gösteriyor.
Makinenin nasıl çalıştığını bilmiyorsak, gerçekten güvenli olduğunu söyleyebilir miyiz? Derin öğrenmenin arkasındaki teoride ilerleme kaydetmek bu nedenle çok önemlidir. Bu konferanstaki birçok konuşma ve bildiri bu alana odaklandı.
"Nöronal kapasite üzerine" çok ilginç bir konuşmadır ve matematiksel olarak, farklı boyutlardaki ileri beslemeli sinir ağlarında kaç bitin depolanabileceğini gösterir. Bu bilgi, sinir ağlarında üretilen ilgili soyutlama ve hafıza seviyelerini anlamak için kullanılabilir. Örneğin, 256 × 256 renkli piksellere sahip 20.000 görüntü, yaklaşık 1 milyar (20000X256X256X3) bilgi parçasına sahiptir. Bu değer ağın sinirsel kapasitesine eşitse, model çok büyüktür, basitçe verileri ezberlemek veriyi aşacaktır ve modelin örneklem dışı test setine uygulanması zordur. Araştırmacılar, ağlarının boyutunu seçerken bu bilgileri kullanabilirler.
Ek olarak, "Sözcük Gömme Boyutuna Dair" dersi, derin öğrenme topluluğundaki alışılmadık büyüklükteki gömme boyutu için teorik bir açıklama yaptı. Bu açıklamalar, pahalı deneysel aramaya gerek kalmadan gömme boyutu gibi hiperparametrelerin doğru seçilmesine yardımcı olur.
Beyinde geri yayılmanın nasıl gerçekleştiğini açıklayan bir sinirbilim açıklamamız bile var. Uzun zamandır insanlar derin öğrenme sinir ağlarının beyindeki bağlantıları gerçek anlamda simüle edemeyeceğini eleştirmişlerdir.Bunun nedeni, sınıflandırıcıdaki hataları ağın ağırlığı üzerinden geri döndürme yöntemi olan geri yayılımın kullanılmasıdır. Bununla birlikte, nörobilim üzerine yakın zamanda yayınlanan bir makale, beyinde geri yayılım benzeri süreçlerin nasıl gerçekleştiğini açıklayabilecek bir modelin ana hatlarını çizdi. Bu, algoritmalarının zekasının insan zekasına benzer olduğuna inanan yapay zeka araştırmacılarına biraz rahatlık sağlayabilir.
Takviye öğrenme
Takviyeli öğrenme (RL), oyunlarda, finansal piyasalarda ve robotikte yaygın olan sıralı karar verme sorunlarını çözmek için kullanılan bir yöntemdir. Bu yıl, pekiştirmeli öğrenmeyle ilgili birçok sunum veri verimliliğine odaklandı. Satranç, go, atari ve son zamanlarda Dota gibi oyunlarda kullanılan "strateji ağı" inanılmaz atılımlar gerçekleştirdi. Bununla birlikte, bu yöntemler oyunun milyonlarca yinelemesini simüle etmek için çok fazla kaynak gerektirir.
Takviye öğrenmenin lideri Google'ın sahibi olduğu DeepMind tarafından yayınlanan birçok makale için sıradan AI araştırmacıları, DeepMind'ın sahip olduğu yüzlerce bulut GPU'yu kullanamadıkları için bunları kopyalayamıyor. Bu nedenle araştırmacılar, yalnızca iyi oyunlar oynamakla kalmayıp aynı zamanda çoğaltabilen, geri dönüştüren ve sağlam olan pekiştirmeli öğrenme algoritmaları geliştirmeye kararlıdır. Bu bağlamda, model basitleştirilmeli ve daha "veri verimli" hale getirilmelidir, bu da doğru bir model elde etmek için daha az simülasyon yinelemesinin (daha az veri) gerekli olduğu anlamına gelir.
2019 trend tahmini
Kendi kendine oyun yoluyla (gerçek dünya örnekleri yok), Go, Chess ve Shoginin DeepMind algoritması AlphaGo Zero oynamayı insanüstü düzeyde öğrenin, bu araştırma topluluğu tarafından kopyalanacak ve araştırmacılar bunu tek bir tüketici düzeyinde kullanabilecek GPU'da algoritmanın belirli bir sürümünü eğitin. Takviye öğrenme algoritmaları, Starcraft ve Dota gibi daha karmaşık modern rekabetçi oyunlarda insanları yenmeye başlayacak.
Konuşmalı sohbet robotları ve hedef odaklı sanal asistanlar
"The 2nd Conversational AI Workshop: bugünün uygulaması ve yarının potansiyeli" ne katıldım. Bu forumda "sohbet robotları" ve "hedefe yönelik sanal asistanlar" ın net bir açıklaması var. Konuşmalı sohbet robotları, çeşitli alanlarda konuşmalar yapabilen ve çoğu zaman kullanıcıları katılımda tutmaktan başka bir amacı olmayan sosyal botları içerir. Sohbet botuna bir örnek, Microsoft'un twitterbotu Tay ve ikinci nesil Zo'dur. Bununla birlikte, hedef odaklı sanal asistanlar önceden belirlenmiş bazı görevleri tamamlamaya odaklanır.Bu tür asistanlar arasında Amazon'un Alexa'sı, Apple'ın Siri'si, Microsoft'un Cortana'sı ve otomatik yardım merkezi robotları bulunur.
Konuşmalı sohbet makinelerinin oluşturulması her zaman çok daha zor olmuştur, çünkü yanıt türleri çeşitlidir ve bağlama ve hatta konuştukları kullanıcıya bağlıdır. Bu forum, konuşma robotları ve sanal asistanlardaki en son gelişmeleri sergiliyor.
Her ikisi de yukarıdaki teknolojilere benzer bir geliştirme yolunu izler. Denetimsiz öğrenmenin, pekiştirmeli öğrenmenin ve bellek ağının iyileştirilmesi, tekrarı azaltır ve bilgi erişimini ve bağlamın anlaşılmasını geliştirir.
2019 trend tahmini
2019'da, sohbet botlarını başarılı bir şekilde geliştiremedik (herhangi bir şeyle konuşmak için bu tür bir chatbot ile konuşabilirsiniz, sesi insanlar gibi geliyor), ancak insanlarda gerçekleştirilebilecek daha fazla üst düzey sanal asistan ortaya çıkacak. Online alışveriş, araç rezervasyonu, alışveriş rehberi alışveriş merkezleri ile etkileşim ve destek çağrı merkezlerine katılım sırasında yardım sağlayın. Gittikçe daha fazla uygulama cihazı sesle kontrolü kullanacak.Fırın veya kapıyı sadece sesle kontrol edebiliyoruz (Alexa'ya bağlamadan).
Endişelenmek
Bu yıl herkes ayrıca koruma, güvenlik, ayrımcı önyargı ve AI araştırmacılarının tolerans eksikliği ve çeşitliliği dahil olmak üzere AI hakkında birçok endişeyi dile getirdi. Şirketler öz denetim uygulayamazlarsa, bu endişeler düzenleyici tepkilere yol açabilir.
Görüntü sınıflandırıcılara yönelik tartışmalı saldırılar
Bunu saydım ve derin öğrenme modellerinin "düşman saldırıları" hakkında yaklaşık 12 makale var. Aşina olmadıkları görüntüler için, bu saldırılar görüntü sınıflandırma algoritmalarına odaklanma eğilimindedir ve görüntünün piksel değerlerine küçük rahatsızlıklar ekleyerek sınıflandırıcıyı kandırmaya çalışır.
Örneğin, "domuz" görüntüsüne makul miktarda gürültü ekledikten sonra, görüntü değişecek ve böylece derin öğrenme modelini yanıltarak onu "uçak" olarak sınıflandıracaktır.
İlk bakışta, bu zararsız bir bilimsel tuhaflık gibi görünüyor. Bununla birlikte, yüz tanımanın, akıllı telefonla oturum açma gibi güvenlik yetkilendirmesinin giderek daha önemli bir parçası haline geldiği düşünülmektedir. Araştırmacılar, yalnızca görüntünün etrafındaki pikselleri değiştirerek sınıflandırıcının sizi başka biri olarak tanıyabildiğini göstermiştir. Elbette, insanlar bir şeyin yanlış olduğunu hemen belirleyebilirler, ancak otomatikleştirilmiş bir sistemi aldatmak, modaya uygun dijital gözlükler takmak kadar basittir.
Veya kendi kendine giden otomobiller için bunun ne anlama geldiğini düşünün. Kendi kendine giden arabaları mümkün kılan yeniliklerin çoğu, yol işaretlerini doğru bir şekilde okuyabilen, yayaları algılayabilen ve sinyalleri yorumlayabilen derin öğrenme görüntü sınıflandırıcılarından gelmektedir. Araştırmalar göstermiştir ki, sadece siyah ve beyaz şeritleri yol işaretlerine uygun şekilde iliştirmekle, bu sınıflandırıcılar "rahatsız edilebilir" ve yanlış sınıflandırılabilir.
Bu tür saldırılardan etkilenmeyen bir model oluşturmak, insanların güvenliğini ve korunmasını sağlamak için çok önemlidir. Neyse ki, bu kendini savunma modellerini oluşturmanın, düzenleme, veri geliştirme, veri kaynakları konusunda ihtiyatlı olma, modele yorumlanabilirlik ekleme, daha fazla veri toplama ve yeni dedektörler oluşturma gibi birçok yolu vardır. Saldırıya uğramayan bir model oluşturmanın sonucu, genellemenin de iyileştirilmiş olmasıdır; bu, modelin ilk eğitim setinden farklı verileri işleyeceği ve genel doğruluk da iyileştirildiği anlamına gelir. Ne yazık ki, saldırıya uğramayan modellerin oluşturulmasında birçok ilerleme kaydedilmiş olmasına rağmen, AI modelleri oluşturmak için herkes bu en iyi uygulamayı takip etmiyor.
2019 trend tahmini
Biyometrik güvenlik için yüz tanıma giderek daha önemli hale gelecektir. Örneğin, bir banka hesabına giriş yapmak için yüz tanımayı kullanacağız. Bu yıl şirket, ağını "düşman saldırılarına" karşı korumak için uygun önlemleri alamayacak ve birisi bu tür dolandırıcılık faaliyetlerinin kurbanı olacak.
Makine öğreniminde doğal önyargı ve ayrımcılık
Bu yıl yapay zekanın yaşadığı bir başka tepki de ırk ve cinsiyet ayrımcılığını gösteren modellerden geldi. Azınlık gruplarını yeterince temsil edemeyen ve verilerin doğru anlık görüntüler sağlayamayacağı önyargılı veri kümeleri üzerinde eğitilen modellerin bariz hatalar yaptığı ve bir grubu hedeflemeye elverişli olmadığı kanıtlanmıştır. Sorun iki yönlüdür: İlk sorun, algoritma kredileri kimin onaylaması gerektiği, görüşmeler için kimin seçilmesi gerektiği ve hatta suç faaliyetlerini belirlemesi gerektiği konusunda kilit kararlar verirken, yorumlanabilirlik ve şeffaflık genellikle gereklidir; ikincisi; Bir problem, adalet ve hesap verebilirlik eksikliği nedeniyle, dengesiz ve eksik veri setlerinin sonunda belirli grupları izole edecek olmasıdır.
Büyük bir yüz veritabanı ve kusurlu bir sınıflandırıcıyla, suçla ilgisi olmayan insanların portreleri için eşleşme bulmak kolaydır. Amerika Birleşik Devletleri'nde yüz tanıma, veri setinin esas olarak beyaz hedefler tarafından karakterize edilmesi nedeniyle ciddi önyargılara sahiptir.Afrikalı Amerikalıları tespit etme performansı daha kötü ve Asyalıları tanıması beyazlardan daha kötü. Benzer şekilde, Asya sınıflandırıcılarının önyargıları, veri kümelerinde zıt önyargılara sahip oldukları için zıttır.
Yapay zeka araştırmacıları etik değildirler, doğru ya da yanlış adalet konusunda nihai karar vericiler olmamalıdırlar. Yapmaları gereken, modele hesap verebilirlik, şeffaflık ve yorumlanabilirlik eklemeye çalışmaktır. Ne yazık ki bu, kara kutu derin öğrenme modelinin en büyük zayıflıklarından biridir. Hepsi çok şaşırtıcı sınıflandırma yapabilen çok güçlü algoritmalardır, ancak büyük ölçüde hala anlaşılması zor.
Bu sorunu çözmenin, faktör önemi analizine belirli özellikler eklemek, ablasyon çalışmaları yapmak ve ayrımcı önyargılarla ilgili açık testler yapmak (siyah ve beyaz insanlar üzerinde yüz testleri gibi) gibi bazı yolları vardır. A / B testi için ayarlayın). Bununla birlikte, bu sorun hala bir zorluktur ve henüz basit bir çözümü yoktur. AI şirketleri bu sorunu kendi kendilerine izleyemezlerse, vatandaşlık hakları ihlal edildiğinden düzenleyici bir tepki olacaktır.
2019 trend tahmini
Gelecekte, makine öğrenimi modellerinin ayrımcı niteliği ve ayrımcılıkla mücadele yasalarının ihlalleri hakkındaki şikayetlerin sayısı artacaktır. Derin öğrenme modelleri büyük ölçüde anlaşılmaz kalmaya devam edecek, ancak düzenleyici baskılar, güvenlik endişeleri ve teorik ilerleme, araştırmacıları derin öğrenme modellerinin yorumlanabilirliğini ve şeffaflığını geliştirmek için daha fazla zaman ve para harcamaya sevk edecektir. Seks.
Özet ve özet
2018 yılında yapay zeka alanında birçok harika atılım yapıldı; 2019'a kadar hem fırsatlar hem de birçok zorluk var. Gelecekte daha fazla sürpriz olacağına hiç şüphe yok, ancak umarım teknolojinin gelişimini temkinli ve sosyal açıdan sorumlu bir şekilde teşvik etmeye devam edebiliriz.
zvelo.com aracılığıyla, AI teknolojisi inceleme derlemesi
