2019 Küresel Yapay Zeka Gelişim Trend Raporu
Editörün notu: Yapay zekaya önem veren kişiler, bu sektördeki en son gelişme trendlerini bilmek istemelidir.Son zamanlarda, sektör analiz ajansı CBInsights, bu ihtiyacı karşılamak için kısa süre önce 2019 Yapay Zeka Trendleri Raporunu yayınladı. 84 sayfalık rapor, 25 AI eğilimini tanımlar ve bunları farklı katılımcı roller için karar verme referansları sağlayabilen iki endüstri benimseme ve pazar avantajı boyutundan sınıflandırmak için CBInsights'ın NExTT analiz çerçevesini kullanır.
Temel bulgu, e-ticaret arama terimlerinin bağlamsal olarak anlaşılmasının "deneysel" aşamadan çıktığı, ancak hala yaygın olarak benimsenmekten çok uzak olduğudur; derin öğrenme, günümüzde AI uygulamalarının büyük çoğunluğunun arkasındaki motordur. Ancak kapsül ağlar nedeniyle teknolojinin iyileştirilmesi gerekebilir; gelişmiş sağlık ve biyometri araştırmacıları, önceden ölçülmesi zor olan atipik risk faktörlerini incelemek ve ölçmek için sinir ağlarını kullanmaya başlıyor; büyük, etiketli verilere erişim eğitimin önemli bir parçasıdır. Yapay zeka algoritmalarına duyulan ihtiyaç ve gerçekçi sahte veriler bu darboğazı çözebilir.
Anlamanızı kolaylaştırmak için, aşağıda bu 25 eğilimin özet bir derlemesi bulunmaktadır.
2019'da yapay zeka endüstrisi için fırsatlar nerede?
Son zamanlarda, bir risk sermayesi araştırma kuruluşu olan CB Insights, 2019'da küresel yapay zeka geliştirmede 25 trend yayınladı. Bu 25 AI eğilimi şunları içerir:
Bu 25 önemli AI trendi için CB Insights, her bir trendi endüstrinin benimsenmesine ve pazar gücüne dayalı olarak değerlendirmek ve bunları geçici, gerekli, deneysel ve tehdit edici olarak sınıflandırmak için NExTT çerçevesini kullanır. Gelecek stratejiler ve planlar için umarım bu makale size biraz ilham verebilir.
NExTT çerçevesi
Geçici: işletmelerin işbirliği yapma istekliliği, pazar fırsatlarının belirsizliği
Temel: Geniş endüstri, müşteri uygulamaları ve yatırımlar; pazar kabulü
Test: Pilot veya başlangıç ürünü yaygın olarak benimsenmedi; erken benimseyenler teknoloji ve trendleri yönlendiriyor
Tehditler: Büyük ölçekli uygulanabilir piyasa tahminleri, iyi bilinen yatırım faaliyetleri, istikrarsızlık/belirsizlik uygulamaları
NExTT çerçevesinin iki boyutu
Endüstri uygulaması (Y ekseni): Bu alandaki start-up şirketler, medya ilgisi, müşteri uygulamaları (işbirliği, müşteriler, yetkilendirilmiş işlemler)
Pazar Gücü (X ekseni): Pazar büyüklüğü tahminleri, kazanç kaydı incelemeleri, yatırım kurumlarının ve sermayenin kalitesi ve miktarı, rekabetin yoğunluğu, Ar-Ge yatırımı, yerleşik ticari işlemler (M&A, stratejik yatırımlar)
Aşağıdaki kaçınılmaz AI eğilimleri için,
Net bir strateji ve plana ihtiyacınız var
gereklidir
açık kaynak çerçevesi
Açık kaynaklı yazılım sayesinde yapay zekaya giriş engeli hiç bu kadar düşük olmamıştı.
2015 yılında Google'ın açık kaynaklı TensorFlow makine öğrenimi kitaplığından başlayarak, Facebook'un PyTorch'u, Trier Institute of Learning Algorithms'in (MILA) Theano, Keras, Microsoft Cognitive Toolkit ve Apache MXNet birkaç isim.
Açık kaynaklı bir AI çerçevesi, bir kazan-kazan durumudur: bir yandan, AI'yı herkes için erişilebilir kılar; diğer yandan, bir katkıda bulunanlar topluluğu, Google gibi şirketlerde AI araştırmalarının hızlandırılmasına yardımcı olur.
Tanınmış yapay zeka uzmanı Yoshua Bengio şunları söyledi:
Derin öğrenme araştırmalarını destekleyen yazılım ekosistemi hızla büyüdü ve artık sağlıklı bir duruma ulaştı: açık kaynaklı yazılım norm haline geldi; yeni fikirleri keşfetmekten üretim dağıtımına kadar her şey için çerçeveler ortaya çıkıyor. Ve farklı yazılım yığınları, teşvik edici bir rekabet ortamında güçlü endüstri oyuncuları tarafından da desteklenir.
Kenar AI
Gerçek zamanlı karar verme ihtiyacı, yapay zekayı uç noktalara yaklaştırıyor.
Yapay zeka algoritmalarını merkezi bir bulut platformu veya sunucu ile iletişim kurmak yerine akıllı telefonlar, arabalar ve hatta giyilebilir cihazlar gibi uç cihazlarda çalıştırmak, uç cihazların bilgileri yerel olarak işlemesini ve durumlara daha hızlı yanıt vermesini sağlar.
Nvidia, Qualcomm, Apple ve birkaç start-up, uç için yapay zekaya özel çipler geliştiriyor.
2019'da yapay zekanın gelişim trendinin tam analizi
Edge AI, tüketici elektroniği, telekomünikasyon ve tıbbi görüntüleme gibi ana akım endüstriler için uygulama önemine sahiptir. Örneğin, güvenlik kameralarının yüz tanıma, Huawei ve Apple gibi akıllı telefonların yüz ve nesne tanıma, Tesla AI çiplerinin gerçek zamanlı sürüş kararları, bebek monitörleri, dronlar, robot görme yetenekleri (İnternet bağlantısı olmadan) vb.
2018'deki büyük şirketlerin finansal raporlarında, uç bilişimden bahsedenlerin sayısı önemli ölçüde arttı.
Ancak uç AI, gecikmeyi azaltma avantajına sahip olsa da, sınırlamaları da vardır. Yani depolama ve işlem gücü sınırlıdır. Akıllı uç cihazların birbirleriyle ve merkezi sunucularla iletişim kurmasını sağlayan daha fazla hibrit modelin ortaya çıkması bekleniyor.
yüz tanıma
Telefonların kilidini açmaktan check-in'e kadar, yüz tanıma ana akıma giriyor.
Çin'de yüz tanımanın medyadaki popülaritesi 2016'dan beri artıyor.
Çin'de yüz tanıma teknolojisine olan talep her geçen gün artıyor.
Veriler, Amerika Birleşik Devletleri'nde yüz tanıma teknolojisine de artan bir ilgi olduğunu gösteriyor.
Bazı teknik aksaklıklar olmasına rağmen, erken başvurular iniyor. Örneğin Apple, iOS10'da yüz tanıma teknolojisine dayalı bir oturum açma modu tanıttı. Raporlara göre, Amazon'un teknoloji raporu, hükümet milletvekillerini yanlış bir şekilde suçlu olarak tanımladı. Carnegie Mellon Üniversitesi, video gözetimini geliştirmeye yardımcı olacak teknolojiyi geliştiriyor.
Yüz tanımanın ilk ticari uygulamaları güvenlik, perakende ve tüketici elektroniğinde ortaya çıkıyor ve hızla biyometrik tanımlamanın ana biçimi haline geliyor.
Yüz tanımanın artan popülaritesine rağmen, teknolojinin kusurları yok değil. Amazon'un bir kongre üyesini suçlu olarak tanımladığına dair raporlar var. Bir Wall Street Journal muhabiri, bir Seattle okulundaki akıllı kameraları, müdürün bir fotoğrafını maske olarak kullanarak kolayca kandırdı.
Tıbbi Görüntüleme ve Tanı
ABD FDA, tıbbi cihazlar olarak yapay zekaya yeşil ışık yakıyor.
Nisan 2018'de FDA, diyabetik retinopati hastalarını ek uzman görüşü olmaksızın taramak için AI yazılımını onayladı. IDx-DR adı verilen yazılım, hastalığı olmayanlar için yüzde 87,4 ve yüzde 89,5 tanıma oranına sahip.
Ayrıca FDA, başlangıç Via.ai'den bir CT taraması ve olası inme semptom bildirim yazılımı olan Viz LVO'yu ve başlangıç Arterys'ten akciğer ve karaciğer hasarını tanımlayabilen Oncology AI yazılım paketini onayladı.
Deregülasyon, ticarileştirme için yeni yollar açar. Toplam 80 AI görüntüleme ve teşhis şirketi, 2014'ten bu yana 149 finansman anlaşmasını tamamladı.
Sağlıklı.io'nun ilk ürünü Dip.io, çeşitli idrar yolu enfeksiyonlarını izlemek için geleneksel idrar tahlili test şeritlerini kullanır: bir kullanıcı bir akıllı telefonla test şeridinin fotoğrafını çeker ve bir bilgisayarlı görme algoritması farklı aydınlatma koşullarını ve kamera kalitesini algılayabilir. Sonuçlar. Ürün, enfeksiyonları ve hamilelikle ilgili komplikasyonları tespit eder. Avrupa ve İsrail'de halihazırda ticari olarak temin edilebilen Dip.io, FDA tarafından da onaylanmıştır.
FDA onayı yeni iş fırsatları açar. Örneğin, IDx'in algoritması, diyabetik retinopatili hastaları bir doktordan daha fazla onay almadan doğru bir şekilde tanımlayabilir. ARTERYS' tümör AI paketi, akciğer ve karaciğer lezyonlarını erken bir aşamada tespit edebilir. Viz.ai'nin ürünü, inme potansiyeli için BT taramalarını analiz eder.
öngörücü bakım
Yapay Zeka Endüstriyel IoT, üreticilerden ekipman sigortacılarına kadar yerleşik şirketleri beklenmedik arıza kayıplarında milyonlarca dolar tasarruf ettirebilir.
Öngörücü bakım, sürekli olarak makine verilerini (sıcaklık, basınç vb.) toplamak için sensörler ve akıllı kameralar kullanır. Üretilen gerçek zamanlı verilerin ölçeği ve biçimlerin çeşitliliği, makine öğrenimini Endüstriyel Nesnelerin İnterneti'nin ayrılmaz bir bileşeni haline getirir. Zamanla, algoritmalar arızaları önceden tahmin edebilir.
Endüstriyel sensörlerin düşen maliyetleri, makine öğrenimi algoritmalarındaki ilerlemeler ve uç bilgi işlemdeki ilerlemeler, tahmine dayalı bakımı daha yaygın hale getiriyor.
Aşağıdaki grafikten de görüleceği üzere, alana yapılan yatırımlar her geçen yıl artmaktadır.
2019'da yapay zekanın gelişim trendinin tam analizi
Aktif yatırımcılar arasında GE Ventures, Siemens, SAP vb. Microsoft gibi büyük şirketler bile, tahmine dayalı bakım yetenekleri sunmak için bulut ve uç analiz çözümlerini genişletiyor.
Google'ın DeepMind algoritması, meme biyopsisinde tümör bulunma olasılığını belirleyebilir.
Evdeki akıllı kameralardan, cihazdaki yüz tanımadan, sürücüsüz arabalardan, insansız hava araçlarından ve robotik vizyonlardan, gerçek zamanlı karar verme ihtiyacı, son teknoloji cihazları AI'ya yaklaştırıyor.
Cevap, hepsinin yanlış olduğudur. Her görüntü, rakip üretici ağ GAN'ları tarafından oluşturulur.
E-ticaret Araması
Arama terimlerinin bağlamsal olarak anlaşılması "deneysel" aşamanın dışındadır, ancak kitlesel olarak benimsenmesi hala çok uzaktır.
2002'den beri Amazon, "arama sonuçları" ile ilgili 35 ABD patenti başvurusunda bulundu. Bunlar, "bir sorgu görüntüsüne benzeyen bir dizi görüntüyü tanımlamak" için evrişimli sinir ağlarının kullanılmasını, görüntülerin görsel özelliklerini analiz etmek ve buna dayalı olarak arama sorguları oluşturmak için makine öğrenimini kullanmayı içerir.
eBay, benzer ürünleri bulmak için satıcıların ürün açıklamalarını analiz etmek için makine öğrenimini kullanır.
Ancak birçok alıcı, sorguları için doğal dili kullanır ve bu da e-ticaret araması için bir zorluk teşkil eder. Gelişmekte olan start-up'lar daha sonra perakendecilere arama teknolojisi sağlamaya başladı.
Görsel arama başlangıcı ViSenze'nin müşterileri arasında Uniqlo, Myntra, Rakuten ve daha fazlası bulunur. Alışveriş yapanların beğendikleri şeylerin fotoğraflarını çekmesine, yüklemesine ve aynı ürünleri çevrimiçi bulmasına olanak tanır.
Alibaba tarafından finanse edilen İsrailli bir girişim olan Twiggle, alıcılardan gelen belirli aramalara yanıt veren bir e-ticaret arama motoruna dayalı semantik bir API geliştiriyor.
Ölçek
Kapsül Ağı
Derin öğrenme, günümüzde yapay zeka uygulamalarının büyük çoğunluğunun arkasındaki motordur. Ancak kapsül ağlar sayesinde, bu tekniğin artık biraz iyileştirmeye ihtiyacı olabilir.
Kapsül Ağı (CapsNet), derin öğrenme öncüsü Geoffrey Hinton tarafından 2017-18'de mevcut görüntü tanıma yöntemlerinin (esas olarak evrişimli sinir ağı CNN) eksikliklerinin üstesinden gelmek için önerilen bir kavramdır.
Esas olarak bu tür iki kusur vardır. Biri, kesin uzamsal ilişkileri tanımlamanın zorluğudur. Örneğin, sağdaki resimde, ağzın göreceli konumu değişmiş olsa da, CNN onu yine de bir insan yüzü olarak tanıyacaktır.
2019'da yapay zekanın gelişim trendinin tam analizi
İkincisi, nesneleri yeni bir perspektiften anlayamamadır. Örneğin, aşağıdaki şekildeki kapsül ağ, aynı oyuncağın 1 ve 2 davranışlarında farklı bakış açılarını tanımada CNN'den çok daha iyi performans gösteriyor. CNN'ler, nesneleri her yönde tanımak için daha büyük eğitim veri kümeleri gerektirir. Bilgisayar korsanları, az miktarda gürültü ekleyerek CNN'leri diğer nesneler için hedef karıştırmaları için kandırabildiler.
2019'da yapay zekanın gelişim trendinin tam analizi
Kapsül ağlar üzerindeki mevcut araştırmalar henüz emekleme aşamasında olmasına rağmen, mevcut en son teknoloji görüntü tanıma yöntemlerine meydan okuma potansiyeline sahiptir.
yeni nesil protezler
Protezlerdeki en zor sorunlardan birini ele almak için biyoloji, fizik ve makine öğreniminin bir kombinasyonunu kullanan çok erken araştırmalar ortaya çıkıyor: duyarlılık.
DARPA, 2006'dan beri Johns Hopkins Üniversitesi ile yaralı gazilere yardım etmek için gelişmiş bir protez programına milyonlarca dolar yatırım yaptı. Ama bu sorunu çözmek kolay değil.
Örneğin, amputelerin protez bir uzvun parmaklarını hareket ettirmelerini sağlamak, spontan hareketlerin arkasındaki beyin ve kas sinyallerini deşifre etmek ve daha sonra bunları otomatik kontrole dönüştürmek disiplinler arası bilgi gerektirir.
Daha yakın zamanlarda, araştırmacılar, vücuda yerleştirilen sensörlerden gelen sinyallerin kodunu çözmek için makine öğrenimini kullanmaya başladılar ve bunlar daha sonra protez cihazları hareket ettirmek için talimatlara çevrildi.
Johns Hopkins Üniversitesi Uygulamalı Fizik Laboratuvarı'nda devam eden bir proje, protezleri sinirsel arayüzler aracılığıyla kontrol etmek için "sinirsel kod çözme algoritmaları" kullanır.
Geçen Haziran ayında, Almanya ve Imperial College'dan araştırmacılar, amputelerin kütüklerinden gelen sinyalleri çözmek ve bir bilgisayarın robotik bir kolu kontrol etmesine izin vermek için makine öğrenimini kullandı.
Başka bir fikir, kameraları etkinleştirmek için EMG sinyallerini kullanmak gibi aracı çözümler kullanmak ve ardından kavrayıcının türünü ve önündeki nesnenin boyutunu tahmin etmek için bilgisayarla görme algoritmalarını kullanmaktır.
Klinik Araştırma Kaydı
Klinik araştırmalardaki en büyük darboğaz, doğru hasta havuzuna kaydolmaktır. Apple bu sorunu çözebilir.
Birlikte çalışabilirlik - kurumlar ve yazılım sistemleri arasında bilgi paylaşma yeteneği - tıbbi kayıtları dijitalleştirme çabalarına rağmen sağlık alanındaki en büyük endişelerden biridir.
Klinik deneyler bu açıdan özellikle sorunludur ve doğru deneyi doğru hastayla eşleştirmek zaman alıcı ve zorlu bir süreçtir. Yalnızca Amerika Birleşik Devletleri'nde, şu anda hastaları işe alan 18.000 klinik çalışma bulunmaktadır.
İdeal AI çözümü, yapay zeka yazılımının bir hastanın tıbbi kayıtlarından ilgili bilgileri çıkarması, devam eden denemelerle karşılaştırması ve ardından eşleşen araştırma önerilerinde bulunması olacaktır.
Apple gibi teknoloji devleri, hastaları sağlık hizmetleri planlarıyla eşleştirme konusunda bazı başarılar elde etti.
Apple, klinik deneylerin hastaları almasına ve hastaların sağlık durumlarını uzaktan izlemesine yardımcı olmak için 2015'ten beri iki açık kaynak çerçevesini (ResearchKit ve CareKit) başlattı. Bu çerçeveler, araştırmacıların ve geliştiricilerin, kayıt önündeki coğrafi engelleri ortadan kaldırarak, insanların günlük yaşamlarını izlemek için tıbbi uygulamalar oluşturmasına olanak tanır. Apple ayrıca birlikte çalışabilirlik sorunlarını çözmek için popüler elektronik tıbbi kayıt satıcılarıyla birlikte çalışıyor.
Haziran 2018'de Apple, geliştiriciler için Sağlık Kayıtları API'sini başlattı. Kullanıcılar artık verileri üçüncü taraf uygulamalar ve tıbbi araştırmacılarla paylaşmayı seçerek hastalık yönetimi ve yaşam tarzı izleme için yeni fırsatlar yaratabilir.
Üretken Düşman Ağları (GAN'lar)
Birbirinden daha akıllı iki sinir ağı, gerçekçi görüntüler oluşturmada çok başarılı oluyor.
Aşağıdaki resimlerden hangisinin sahte olduğunu belirleyebilir misiniz?
CMU araştırmacıları, John Oliver'ı "derin sahte" bir video yüz takasında Stephen Colbert'e dönüştürmek için GAN'ları kullandı.
Pinduoduo CEO'su Colin Huang, 2017 yılında proaktif olarak toplam 10,7 milyon sorunlu öğeyi kaldırdık ve 40 milyon bağlantıyı engellediğimizi söyledi... hak ihlali sorununu gündeme getirdik... Ayrıca kalpazanlıkla mücadele için 400'den fazla ortak markayla çalıştık ürün.
Yeni yapay zeka tabanlı çözümler ortaya çıkıyor. Örneğin, Cypheme, her biri benzersiz olan ve doğrulama için veritabanı öğeleriyle ilişkilendirilebilen rastgele desenlerin mürekkep püskürtmeli baskısını kullanır. Red Points, müşteriler için sahte ürünler bulmak için çevrimiçi doğrulama ve makine öğrenimini kullanır. Entrupy, bir cep telefonuna monte edilebilen taşınabilir bir mikroskop geliştirdi. Kullanıcı ürünün fotoğrafını çekip yüklediğinde, yapay zeka algoritması onu gerçek ürün verileriyle karşılaştıracaktır.
Yapay zekayı eğitmek için daha "gerçekçi" sentetik veriler oluşturmaya yardımcı olması için yapay zekayı kullanın. Örneğin Nvidia, dolaşan beyin tümörlerinin sahte MRI görüntülerini oluşturmak için üretken düşman ağları GAN'larını kullanır. "Bu sonuçlar, tıbbi görüntülemede makine öğrenimi için en zor iki soruna, yani daha düşük vaka keşfi olasılığına ve hasta veri paylaşımına potansiyel çözümler sağlayabilir."
Cevap hepsidir. Bunların hepsi GAN'lar tarafından oluşturulur.
Üretken Düşman Ağları, iki sinir ağını birbirine karşı oynayarak öğrenen bir denetimsiz öğrenme yöntemidir. Yöntem, 2014 yılında Google araştırmacısı Ian Goodfellow tarafından önerildi. Üretken hasım ağları, üretici bir ağ ve bir ayrımcı ağdan oluşur. Üretken ağ, girdi olarak gizli uzaydan rastgele örnekler alır ve çıktısının eğitim setindeki gerçek örnekleri mümkün olduğunca taklit etmesi gerekir. Diskriminant ağın girişi, gerçek örnek veya üretici ağın çıktısıdır ve amacı, üretici ağın çıktısını mümkün olduğunca gerçek örnekten ayırmaktır. Üretken ağ ise ayrımcı ağı mümkün olduğu kadar kandırmaya çalışır. İki ağ birbiriyle savaşır ve parametreleri sürekli ayarlar.Nihai amaç, diskriminant ağın, üretim ağının çıktı sonucunun doğru olup olmadığını yargılayamaz hale getirmektir.
GAN tarzı büyük ölçekli projeleri büyütmedeki ana zorluk, hesaplama gücüdür. Google araştırmacıları, tek bir deney için 2.450 ile 4.915 kilovat saat arasında güç tüketecek olan "BigGAN"ı oluştururken 512 piksellik bir görüntü oluşturmak için 512 TPU kullandı. Bu, ortalama bir Amerikan evinin yarım yıllık elektrik tüketimine eşdeğerdir.
Ve GAN genişlemek isterse, AI donanımı da paralel olarak genişler.
Eğlenceli deneylerin yanı sıra, GAN'ların sahte siyasi videolar ve porno için yüz değiştirme gibi başka ciddi kullanımları da var. GAN araştırması genişledikçe, teknolojinin gazetecilik, medya, sanat ve siber güvenlik için zorluklar yaratması kaçınılmazdır. GAN'lar, AI algoritmalarını eğitme şeklimizi değiştirdi.
birleşik öğrenme
Bu yeni yaklaşım, yapay zekayı hassas kullanıcı verileriyle eğitirken gizliliği korumayı amaçlıyor.
Akıllı cihazlarla günlük etkileşimlerimiz, yapay zeka algoritmalarını eğitmek için kullanıldığında performanslarını büyük ölçüde artırabilen zengin veriler üretebilir, örneğin bir sonraki yazacağınız kelimeleri daha doğru bir şekilde tahmin edebilmek gibi. Ancak bu kullanıcı verileri aynı zamanda kişisel gizlilik sorunlarını da içerir.
Google daha sonra hassas verileri korurken bu zengin veri kümesinden yararlanmak için tasarlanmış bir birleşik öğrenme planı geliştirdi. Kısacası, verileriniz telefonunuzda kalır ve bulut sunucularında gönderilmez veya depolanmaz. Bunun yerine bulut sunucusu, algoritmanın en son sürümünü (algoritmanın "küresel durumu") rastgele seçilen kullanıcı cihazlarına gönderir.
Telefonunuz, yerelleştirilmiş verilere dayalı olarak iyileştirmeler yapar ve modeli günceller. Yalnızca bu güncelleme (ve diğer kullanıcılardan gelen güncellemeler) daha sonra bu "küresel durumu" iyileştirmek için bulut sunucusuna geri gönderilir ve işlem defalarca tekrarlanır.
Bireysel güncellemeleri toplama uygulaması yeni değil, diğer algoritmalar bunu uzun süredir yapıyor. Birleşik öğrenme, veri kümesinin iki önemli özelliğini hesaba katması bakımından farklıdır:
IID Olmayan: Diğer dağıtılmış algoritmalar, verilerin bağımsız ve özdeş olarak dağıtılmış (IID) olduğunu varsayar, ancak aslında her cep telefonu tarafından üretilen veriler benzersizdir, çünkü farklı insanlar farklı kullanım alışkanlıklarına sahiptir, federe öğrenme bu farkı dikkate alır.
Dengesizlik: Bazı kullanıcılar uygulamada daha aktiftir ve doğal olarak daha fazla veri üretir. Bu nedenle her cep telefonu için eğitim verisi miktarı farklıdır.
Firefox, büyük bir yazılım projesinde birleşik öğrenme için ilk kullanım durumlarından biri olduğunu iddia ediyor. Bir kullanıcı tarayıcıya bir URL girdiğinde, Firefox URL önerilerini sıralamak için birleşik öğrenmeyi kullanır.
AI başlangıcı OWKIN, hassas hasta verilerini korumak için birleşik öğrenmeyi kullanır. Çözümü, farklı kanser tedavi merkezlerinin yerel alandan hasta verileri olmadan işbirliği yapmasına olanak tanır.
Gelişmiş Sağlık Biyo-tahlilleri
Araştırmacılar, önceden ölçülmesi zor olan atipik risk faktörlerini incelemek ve ölçmek için sinir ağlarını kullanmaya başlıyor.
Google'daki araştırmacılar, daha sonra kardiyovasküler risk faktörlerini aramak için kullandıkları bir sinir ağını eğitmek için retina görüntülerini kullandılar. Araştırması, retinanın yalnızca yaş, cinsiyet, sigara içme alışkanlıkları gibi risk faktörlerini tespit etmekle kalmayıp, aynı zamanda bu faktörleri belirli bir doğruluk derecesine kadar ölçebildiğini buldu.
Benzer şekilde Mayo Clinic, sesin akustik imzasını analiz ederek koroner kalp hastalarının benzersiz ses özelliklerini bulmak için İsrailli bir start-up Beyond Verbal ile ortaklık kurdu. Çalışma, denekler duygusal bir deneyim tanımladıklarında, iki ses özelliğinin koroner kalp hastalığı ile güçlü bir şekilde ilişkili olduğunu buldu.
Start-up Cardiogram tarafından yapılan son araştırmalar, derin öğrenme kullanılarak diyabetin neden olduğu kalp atış hızı değişkenliklerindeki değişikliklerin, kullanıma hazır giyilebilir kalp atış hızı sensörleri tarafından tespit edilebileceğini buldu. Algılama doğruluğu % 85'e ulaşabilir.
AI'nın kalıpları bulma yeteneği, yeni tanı yöntemleri ve daha önce bilinmeyen risk faktörlerinin tanımlanması için yeni yollar açmaya devam edecektir.
Otomatik talep işleme
Sigorta şirketleri ve start-up'lar, bir araç sahibinin "risk puanını" hesaplamak, kaza mahalli resimlerini analiz etmek ve sürücü davranışlarını izlemek için yapay zekayı kullanmaya başlıyor.
Ant Financial, "kaza işleme sisteminde" görüntü işleme için derin öğrenme algoritmaları kullanıyor. Önceden bir ayarlayıcı tarafından yerinde yapılanlar artık gelişmiş görüntü işleme ile yapılabilir. Araç sahibinin yalnızca aracın bir fotoğrafını Ant Financial'a yüklemesi gerekiyor ve sinir ağı görüntüyü analiz edecek ve hasarı otomatik olarak değerlendirecek.
Ant Financial ayrıca, otomobil sigortası fiyatlandırma modellerini etkilemek için sürücü risk profilleri oluşturur. Araç sahiplerinin kredi geçmişine, tüketim alışkanlıklarına, sürüş alışkanlıklarına vb. dayalı olarak risk puanını hesaplamak için makine öğrenimini kullanan "otomobil sigortası puanı" adını verdiler.
Startup Nexar, sürücüleri akıllı telefonlarını araç içi kamera olarak kullanmaya ve kayıtları Nexar uygulamasına yüklemeye teşvik ediyor. Araç sahiplerinin yararı, araç sigortasında indirim alabilmeleridir.
Videoyu alan uygulama, yol koşullarını, sürücü davranışlarını ve kazaları izlemek için bilgisayarlı görme algoritmalarını kullanır. Uygulama aynı zamanda bir "kazayı tekrar etme" özelliği sunar ve talepleri işleme koymak için sigorta müşterileriyle birlikte çalışır.
Startup Tractable, sigortacıların hasarlı araçların resimlerini ve hasar tahminlerini hasar yönetimi platformuna yüklemesine olanak tanır. "AI İnceleme" işlevi, bu malzemeleri kitaplıktaki binlerce görüntüyle karşılaştırabilir ve ardından fiyatı buna göre ayarlayabilir.
Sahteciliğe karşı / sahteciliğe karşı
Taklit ürünleri tespit etmek giderek zorlaşıyor ve çevrimiçi alışveriş, sahte ürünlerin satışını her zamankinden daha kolay hale getirdi. Bu amaçla markalar, sahtecilikle mücadele için yapay zekayı kullanmaya başlıyor.
Pinduoduo, 2018'in üçüncü çeyrek mali raporunda 11 kez "sahte mallardan" bahsetti ve "sahte malları ve dürüst olmayan tüccarları çökertmenin çok zor olduğunu" söyledi.
Markalar, sahte ürünlerin saldırısına karşı iki cephede mücadele ediyor:
Çevrimiçi, hak ihlalinde bulunan mallar belirlenmeli ve kaldırılmalıdır.
Çevrimdışı, sahte ürünler (yüksek kaliteli el çantaları gibi) tanımlanmalıdır.
Alibaba, platformunu IP ihlaline karşı sürekli taramak için derin öğrenmeyi kullanıyor. Raftaki ürünün resminde bir marka adı veya slogan olup olmadığını izlemek için anlamsal tanıma ile birlikte resmin özelliklerini doğrulamak için görüntü tanıma kullanır.
Sahteciler, sahte ürün satmak için markaya çok benzeyen anahtar kelimeler ve resimler kullanır. Ve sedef hastalığı gibidirler, sahte ürün raflardan kaldırıldığında, aynı sahte ürünü farklı bir anahtar kelime grubuyla yeniden yayınlayacaklardır.
Startup Red Points, potansiyel ihlaller için web sitelerini taramak ve kalpazanlar tarafından kullanılan anahtar kelime seçiminde kalıpları bulmak için makine öğrenimini kullanıyor.
Çevrimdışı baskılar daha da zor ve daha fazla insan gücü gerektiriyor.
Bir satıcı ikinci el lüks bir el çantası sattığında veya rehine verdiğinde, doğrulama süreci genellikle bir değerlendirme uzmanının el çantasının işçiliğini, malzemelerini ve dikiş desenlerini şahsen incelemesini gerektirir.
Ancak bazı A malları o kadar gerçekçidir ki çıplak gözle ayırt edilemezler.
Startup Entrupy, iki yıldır algoritmaları eğitmek için orijinal ve sahte ürünlerden oluşan bir veri tabanı oluşturmak için adli tıp uzmanlarıyla birlikte çalışıyor. Kullanıcıların nesnelerin resimlerini çekmesine ve yüklemesine izin vermek için bir akıllı telefona bağlanabilen taşınabilir bir mikroskop kullandılar ve ardından algoritma, gerçek ürünün benzersiz mikroskobik özelliklerine sahip olup olmadıklarını analiz etti. Ancak bu yaklaşımın da sınırlamaları vardır. Çünkü standartlara göre üretilen çoğu ürün benzer özelliklere sahiptir (sahteciler de bu işlemleri kullanır). Ve çipler, nanomalzemeler gibi şeyler geçerli değildir.
Cypheme farklı bir yaklaşım benimsiyor. Yapay zekaya dayalı sahteciliğe karşı izlenebilirlik teknolojisi, ortam olarak özel kağıt kullanarak etiket yapabilir ve ürün izlenebilirliğini gerçekleştirebilir. Şirket, etiketin tescilli teknoloji kullandığını ve taklit edilemeyeceğini iddia ediyor. Ve etiket orijinal olsa bile veri tabanında kayıt yoksa ürün sahte olarak tanımlanacaktır.
Kasiyersiz Perakende
İçeri girmek, almak, dışarı çıkmak neredeyse hırsızlık gibi geliyor. AI, eskiden hırsızlık ve kasiyersiz perakende olarak kabul edilen şeyleri daha yaygın hale getirebilir.
Amazon Go, ödeme sürecini tamamen ortadan kaldırarak müşterilerin mallarını alıp ayrılmalarına izin verdi. Ancak Amazon, gelecekteki operasyonları ve iş planlarını ayrıntılı olarak açıklamadı, yalnızca uygulamanın sensörler, kameralar, bilgisayar görüşü ve derin öğrenme algoritmaları kullandığını, ancak yüz tanıma teknolojisinin kullanımını reddettiğini söylemek için.
Standard Cognition ve AiFi gibi girişimler, Amazon Go'nun yaklaşımını perakendecilere sunma fırsatını yakaladı. Kasiyersiz mağazalar için büyük bir zorluk, doğru müşteriden doğru tutarı tahsil etmektir.
Amazon Go şu ana kadarki tek başarılı iş vakası ancak bu durumda kontrol altında olan birçok faktör var. Mağazaya sadece Prime üyeleri girebilir. Başkalarının da davayı takip edebilmesi için öncelikle kendi üyeliklerini oluşturmaları gerekir.
AiFi'nin çözümü, uygulamasını indirirseniz, malları alıp gidebilirsiniz ve indirmek istemiyorsanız ayrı bir ödeme sayacı açabilirsiniz. Ancak mağazanın altyapısının her iki senaryoyu da nasıl desteklemesi gerektiği belirsiz.
Diğer bir büyük sorun, yanlış hesaplama veya hırsızlık gibi satış noktası envanterinin tükenmesidir. Yitu ve Toshiba'nın akıllı kasa kameraları bu çözümlerden bazılarıdır. Ancak hırsızlık önleme konusu, operasyonun kapsamı ve ölçeği ile ilgilidir. Amazon Go yalnızca 1.800 ila 3.000 fit karedir, ancak yüzlerce kamera kullanır. Hemen hemen her inç kaplıdır. Bununla birlikte, geleneksel süpermarketler genellikle 40.000 fit kare veya daha fazladır ve kameraların verimli olması için nasıl düzenleneceği sorununu çözmek gerekir.
Ayrıca, çok çeşitli öğelerle, hangi alışverişçinin hangi öğeyi aldığını nasıl belirleyebilirsiniz? Bunlar, güçlü ağırlık sensörleri, kameralar ve bilgisayarla görme algoritmaları gerektirir.
Standard Cognition, Japonya'nın en büyük CPG toptancısı Beluda ile ortaklık kurdu ve 2020 Tokyo Olimpiyatları'ndan önce 3.000 mağazayı yenileyeceğini duyurdu. AiFi'nin 20 perakendeci müşterisi olduğu bildiriliyor.
Yakın vadede, bu teknolojinin gelişimi, dağıtım maliyetine ve envanter kaybına ve perakendecilerin bu maliyet ve riskleri karşılayıp karşılayamayacağına bağlı olacaktır.
Arka Uç Ofis Otomasyonu
AI, işlemsel çalışmayı otomatikleştiriyor, ancak farklı veri özellikleri ve biçimleri bu çalışmayı zorlayabilir.
Farklı endüstriler ve uygulamaların kendine özgü zorlukları vardır. Örneğin, klinik araştırmalardaki birçok deneme elle yazılır ve ardından dijitalleştirilir. Ancak bu formatın aranması genellikle zordur ve elle yazılmış klinik kayıtlar, doğal dil işleme için benzersiz zorluklar doğurur. Otomobil sigortası taleplerinin otomatik olarak işlenmesi, hasarı değerlendirmede ve bir kazanın temel nedenini bulmada da sorun yaşıyor.
Ancak farklı sektörler, makine öğrenimi tabanlı iş akışı çözümlerini değişen derecelerde benimsemeye başlıyor. Genel olarak tekrarlayan herhangi bir arka uç işlem çalışmasının otomasyonunu ifade eden Robotik Süreç Otomasyonu (RPA), son zamanlarda hype konularından biri olmuştur. Ancak AI gibi, bu terim de veri girişinden uygunluk kontrollerine, işlem işlemeye ve müşteri eğitimine kadar her şeyi kapsar.
Birçok ML çözümü, görüntü tanımayı dil işleme ile entegre etmeye başladı.
Örneğin WorkFusion, müşterinizi tanıyın ve kara para aklamayı önleme gibi arka uç operasyonlarını otomatikleştirir. Unicorn UiPath'in hizmetleri halihazırda DHL, NASA, HP ve daha fazlası dahil olmak üzere 700'den fazla kurumsal müşteriye sahiptir. Automation Anywhere başka bir tek boynuzlu at. Şirketin bir örneği, insan kaynakları yönetimini otomatikleştirmek için makine öğrenimini kullanmak için küresel bir bankayla çalışıyor. "IQ Robotu", birden fazla ülkede birden fazla dilde gönderilen formlardan bilgi alacak, verileri temizleyecek ve ardından otomatik olarak insan kaynakları yönetim sistemine girecektir.
Bununla birlikte, RPA birçok sektörde hala emekleme aşamasındadır ve bazıları tahmine dayalı analitiği yığınlamadan önce dijital sorunları çözmek zorunda kalmıştır.
dil çevirisi
Dil çevirisi için NLP hem bir zorluk hem de henüz keşfedilmemiş bir pazar fırsatıdır. Büyük şirketler sınırları zorluyor. Makine çevirisi, arka uç ofis otomasyonunda büyük iş fırsatlarına sahiptir ve çok uluslu kuruluşlar, müşteri desteği, haber medyası ve diğer alanlarda uygulama fırsatlarına sahiptir.
Baidu'nun kulaklık çevirmeni Google Pixel tomurcuklarına benziyor ve 40 dil arasında gerçek zamanlı çeviriyi tamamlayabildiği söyleniyor. Unbabel gibi bazı start-up'lar, algoritma geliştirmelerini eğitmek için geri bildirim döngülerini kullanmak amacıyla bellek çeviri sistemine insan katılımını tanıttı.
Bir yıl önce Yoshua Bengio, geleneksel istatistiksel yöntemi bir sinir ağı mimarisiyle değiştirmek için bir çeviri çözümü önerdi.Daha sonra Google, Google Çeviri Aracı'nın algoritmasını yükseltti. Google'ın orijinal kelime öbeği tabanlı makine çevirisi (PBMT) kullanımı olan yeni aracı, sinirsel makine çevirisi (GNMT) yaklaşımını kullanır ve eğitim modelleri sırasında karşılaşılan zaman ve hesaplamalı kaynak sorunlarına bir çözüm önerir.
Ancak son atılım Facebook'tan geldi. Atılımın, geçmiş yöntemin yalnızca zengin kaynaklara sahip diller arasında çeviri yaparken etkili olduğu, ancak azınlık dillerinin çevirisinde daha sınırlı olduğu gerçeğinde yattığı söyleniyor. Facebook, 93 dili öğrenebilen çok dilli ortak bir cümle temsil mimarisi önermektedir. Mimari yalnızca bir kodlayıcı kullanır ve herhangi bir değişiklik yapmadan diller arası aktarımı sağlar.
Büyük şirketler, çeviri çerçevelerini geliştirmeye kaynak yatırmaya devam ettikçe, çeviri verimliliği ve dil yetenekleri de artacak ve makine çevirisinin daha fazla sektörde benimsenmesi bekleniyor.
sentetik eğitim verileri
AI algoritmalarını eğitmek, büyük ölçekli etiketli veri kümelerinden ayrılamaz. Ve gerçekçi sahte verilerin bu darboğaz sorununu çözmesi bekleniyor.
AI algoritmalarının performansı elde edilen verilere bağlıdır, ancak farklı uygulamalar için veri elde etmek ve etiketlemek zaman alıcı, pahalı ve hatta imkansızdır (kendi kendini süren arabaların ihtiyaç duyduğu tehlike durumu verilerini düşünün).
Sentetik veri kümeleri bu sorunu çözebilir. Mart 2018'de NVIDIA, özerk araçları bir sanal gerçeklik ortamında güvenli bir şekilde milyarlarca mil sürmek için test edebileceğini söylediği NVIDIA'nın DRIVE Constellation simülasyon sistemini piyasaya sürdü.
Örneğin, sürücüsüz bir arabanın seyir halindeyken bir fırtına ile karşılaştığını hayal edin. Nvidia'nın çözümü, bu durumda yerleşik sensörlerin (kamera veya LiDAR) ne tür veriler üreteceğini simüle eder. Sentezlenen sensör verileri daha sonra, sanki gerçekten sürüyormuş gibi kararlar almak için bilgisayara beslenir ve ardından komutları sanal araca geri iletir.
Ortaya çıkan ilginç bir eğilim, AI'yı eğitmek için daha "gerçekçi" sentetik görüntüler oluşturmaya yardımcı olmak için AI'nın kendisini kullanmaktır. Örneğin Nvidia, beyin tümörlerinin sahte MRI görüntülerini oluşturmak için GAN'ları kullanır.
GAN'lar, gerçek dünya verilerini "artırmak" için kullanılabilir; bu, yapay zekanın karışık gerçek dünya ve simüle edilmiş verilerle eğitilebileceği ve daha büyük ve daha çeşitli veri kümeleriyle sonuçlanabileceği anlamına gelir.
Robotik, yüksek hassasiyetli sentetik verilerden büyük ölçüde yararlanan diğer alanlardan biridir. AI.Reverie gibi erken aşamadaki girişimler, farklı endüstriler ve senaryolar için veri kümeleri oluşturmak için simülasyon platformları geliştiriyor.
Teknoloji geliştikçe ve sentetik veriler gerçek dünya senaryolarını daha doğru bir şekilde simüle edebildikçe, bunun büyük ölçekli veri kümelerine erişimi olmayan daha küçük şirketler için bir katalizör olması bekleniyor.
tehdit etmek
pekiştirmeli öğrenme
Eğitim algoritmalarından masa oyunlarında dünya şampiyonlarını yenmeye, yapay zekaya akrobasi yapmayı öğretmeye kadar, araştırmacılar pekiştirmeli öğrenme ile sınırları zorluyor. Ancak büyük ölçekli veri kümelerine duyulan ihtiyaç şu anda pratik uygulamaları sınırlandırmaktadır.
Derinlemesine öğrenme, DeepMind'ın AlphaGo'su sayesinde medyanın büyük ilgisini çekti.
Özetle, pekiştirmeli öğrenmenin amacı, hedeflerinize ulaşmak ve en fazla ödülü almak için ne yapmanız gerektiğidir?
Bu nedenle pekiştirmeli öğrenme, oyunlarda ve robot simülasyonunda en iyi sonucu verir. DeepMind'ın AlphaGo'su denetimli öğrenme (diğer insan oyunculardan alınan verilerle algoritmayı eğitmek) ve pekiştirici öğrenmeyi (kendi kendine oynayan yapay zeka) kullanarak başladı. Ancak, daha sonraki AlphaGo Zero, insanüstü performans elde etmek için pekiştirmeli öğrenmeyi kullandı.
Son zamanlarda, Berkeley'deki California Üniversitesi'ndeki araştırmacılar, YouTube'daki hokkabazlık videolarını öğrenmek için algoritmaları öğretmek için bilgisayarla görme ve pekiştirmeli öğrenmeyi kullanmaya başladı. Bilgisayarda simüle edilen karakter, pozu manuel olarak işaretlemeye gerek kalmadan videodaki eylemleri tekrarlayabilir. Ayrıca öğrenilen becerileri yeni bir ortamda uygulayın.
2019'da yapay zekanın gelişim trendinin tam analizi
Bununla birlikte, pekiştirmeli öğrenmenin benimsenmesi, şu anda en yaygın olan denetimli öğrenmenin benimsenmesinden tamamen farklıdır. Ancak pekiştirmeli öğrenme patent başvuruları artıyor.
Ağ Optimizasyonu
Yapay zeka, spektrum paylaşımını kolaylaştırmaktan varlık izlemeye ve optimum anten tasarımına kadar telekomünikasyonu dönüştürmeye başlıyor. Telekom ağ optimizasyonu, veri akışını faydalı bir şekilde geliştiren gecikme, ödünç verme, tasarım veya mimariyi iyileştirmeye yönelik bir dizi tekniktir. CSP'ler için optimizasyon, doğrudan daha iyi bir müşteri deneyimine dönüşür.
Bant genişliği kısıtlamalarına ek olarak, iletişimin karşılaştığı en büyük zorluklardan biri ağ gecikmesidir. Mobil AR/VR gibi uygulamalar yalnızca son derece düşük gecikmeyle iyi çalışır.
Apple, yakın zamanda, akıllı telefonlar gibi kablosuz cihazların gelecekte paketleri indirerek gecikmeyi azaltmak için neler yapabileceğini öngören "beklenen ağlar" oluşturmak için makine öğrenimini kullandığı için bir patent aldı.
Makine öğreniminin ortaya çıkan bir başka uygulaması da spektrum paylaşımıdır. Spektrum paylaşımı, frekans kaynaklarının eksikliğini çözmenin kaçınılmaz bir yoludur. FCC (Federal İletişim Komisyonu), 3,5 ila 3,7 GHz frekans bandının farklı kullanıcılar tarafından paylaşılmasını şart koşar. Bu, operatörlerin kullanılabilirliğe bağlı olarak paylaşılan spektruma dinamik olarak erişebileceği ve böylece bant genişliğinin ağ talebine göre ayarlanabileceği anlamına gelir. Özel spektrum lisansları olmayan daha küçük ticari kullanıcılar da buna erişebilir.
Federated Wireless gibi şirketler, spektrumu farklı seviyelerdeki kullanıcılara dinamik olarak tahsis etmek ve parazit olmamasını sağlamak için Güvenli Spektrum Erişimi (SAS, Güvenli Spektrum Erişimi) sunar.
2018 yılında, Federated Wireless'a, kablosuz sinyalleri sınıflandırmak için makine öğrenimi tekniklerini kullanan ve federe sinyallerin özelliklerini bilgisayar korsanları tarafından istismar edilmekten koruyan bir patent verildi.
DARPA, sonunda SAS'tan tamamen ML tabanlı otomatik sistemlere geçmeyi umuyor. Bu amaçla, yarışmacıları spektrumu özerk ve işbirliği içinde dinamik olarak tahsis etmenin yollarını bulmaya teşvik eden Spectrum Collaboration Challenge'ı 2016'da başlattı. Ve 2017'de Radyo Frekansı Makine Öğrenim Sistemlerini başlattı. Federated Wireless'ın çözümüne benzer şekilde DARPA, farklı sinyal türlerini ayırt etmek için ML kullanmayı da umuyor.
Telekom oyuncuları ayrıca AI tabanlı çözümleri 5G olarak bilinen yeni nesil kablosuz iletişim teknolojisine entegre etmeye hazırlar.
5G çağının gelişine yanıt olarak Samsung, yazılımının kullanıcı trafiğini analiz etmek, uygulamaları sınıflandırmak ve genel hizmet kalitesini iyileştirmek için kullanılacağını söyleyerek AI tabanlı ağ ve hizmet analitiği başlangıcı Zhilabs'ı satın aldı.
Qualcomm, AI uç bilişimini 5G planının önemli bir parçası olarak görüyor.
En uygun antenleri tasarlamak için sinir ağlarının kullanımını araştıran birkaç araştırma makalesi de vardır.
insansız araç
Kendi kendini süren araba pazarı sonsuz olsa da, tam özerkliğe ne zaman ulaşılacağı belli değil. Bir dizi teknoloji devi ve start-up bu alanda savaşıyor.
Bu alanda en ünlüsü Google'dır. Waymo, ticari bir sürücüsüz araç filosunu kullanan ilk kişi oldu. Yatırımcıların yatırım hevesi azalmadı. Geçen yıl, GM's Cruise Automation 1 milyar dolardan fazla finansman sağladı ve Zoox da 500 milyon dolar topladı. Diğer girişimler Drive.ai, Pony.ai ve Nuro'dur.
Çin, özellikle otonom araçlara yaptığı yatırımı artırdı. Baidu, 2017 yılında, ekosistemdeki diğer oyuncuların katkılarıyla küresel ortakları birbirine bağlamayı ve yapay zeka ve sürücüsüz araştırmaları hızlandırmayı amaçlayan sürücüsüz açık bir platform olan Apollo'yu piyasaya sürdü. Alibaba da şüpheciliğini değiştirdi ve yakın zamanda kendi kendini süren arabalarının test sürüşünü yaptı.
Ve teknolojinin geleceğiyle ilgili şüphelere rağmen, otomobil üreticileri kolları sıvadı. Pazarın 2025 yılına kadar 80 milyar dolara ulaşması bekleniyor. Lojistik ve ikmal merkezleri gibi bazı endüstrilerin otonom araçları ilk benimseyen sektörler olması bekleniyor.
2019'da yapay zekanın gelişim trendinin tam analizi
Otomatikleştirilmiş lojistik - özellikle son kilometre teslimatları - perakendeciler ve sipariş karşılama şirketleri için bir numaralı endişe ve tam otomatik hale gelmesi beklenen ilk şey. Otonom araçlar, maliyetli ve zahmetli son kilometre teslimat sorununa (teslimat maliyetinin yaklaşık 1/3'üne mal olan) yardımcı olabilir.
Arizona gibi otonom araçların kullanımına uygun yerler popüler kanıtlama alanları haline geldi. Haziran 2018'de robotik start-up Nuro, yiyecek teslim etmek için Amerika Birleşik Devletleri'nin en büyük mağazası olan Kroger ile işbirliği yapmaya başladı. Diğer dağıtım robotlarından farklı olarak, dağıtım makineleri yalnızca kaldırımlarda değil, aynı zamanda topluluk yollarında da yürür.
Restoran endüstrisinde Domino's ve Pizza Hut, sürücüsüz arabaları deneyen öncülerdir. Ford, Miami'de pizza, bakkal ve daha fazlasını teslim etmeyi deniyor. Ortaklarının Domino's dahil 70'den fazla şirketi var.
mahsul izleme
Tarımda üç tür mahsul izleme gelişiyor: yer, hava ve jeo-uzamsal. Hassas tarım drone pazarının 2021 yılına kadar 2,9 milyar dolara ulaşması bekleniyor.
Dronlar araziyi haritalayabilir, termal görüntüleme ile su seviyelerini izleyebilir, haşere istilasını tespit edebilir ve böcek ilacı püskürtebilir. Startup'lar, üçüncü taraf drone'lar tarafından yakalanan verilerin üzerine bir analiz katmanı eklemeye odaklanıyor.
Örneğin Taranis, bunu üçüncü taraf Cessna uçaklarıyla yapıyor. Geçen yıl aranis, arazide devriye gezmek ve izlemek için ultra yüksek çözünürlüklü görüntüleme teknolojisi geliştiren tarımsal AI teknolojisi girişimi Mavrx Imaging'i de satın aldı. Taranis ayrıca arazi görüntülerini birleştirmek ve potansiyel mahsul sorunlarını belirlemeye yardımcı olmak için AI teknolojisini kullanıyor.
Tarım ekipmanı üreticisi John Deere de kendini yeniden icat etmek için yapay zekayı kullanıyor. Bir tarım ekipmanı şirketi olan Blue River Technology'yi satın aldı. İkincisi, bilgisayar görüşü kullanarak akıllı ayıklama ve püskürtme için çözümlere sahiptir.
Bu tür bireysel mahsul izleme, hassas tarımda büyük bir bozucu olmayı vaat ediyor. Yere dayalı tarım ekipmanları bilgisayar görüşü ile daha akıllı hale gelirse ve yalnızca ihtiyacı olan ekinleri püskürtürse, yakındaki her şeyi yok eden herbisit ihtiyacını azaltabilir. Hassas püskürtme aynı zamanda daha az herbisit ve pestisit kullanılması anlamına gelir.
Tarlalara ek olarak, bilgisayar görüşü, tarım uygulamalarının makro düzeyde anlaşılmasını sağlamak için uydu görüntülerini de analiz edebilir. Örneğin Cargill, soya fasulyesi ve mısır gibi mahsuller için tahmine dayalı bir model oluşturmak için uydu verilerini kullanan Descartes Labs'a yatırım yaptı. DARPA, mahsul güvenliğini tahmin etmek için Descartes ile birlikte çalışıyor.
geçici
Siber Tehdit Avı
Bir siber saldırıya tepki vermek artık yeterli değil. Tehditleri proaktif olarak "avlamak" için makine öğreniminin kullanımı, siber güvenlikte ivme kazanıyor.
Bilgi işlem gücü ve algoritmalardaki ilerlemeler, önceden yalnızca teorik olarak mümkün olan hack'leri gerçek güvenlik sorunlarına dönüştürüyor. 2018'de küresel olarak toplam 4,5 PB verinin güvenliği ihlal edildi. Bu, 2017'deki 2,6 PB ile karşılaştırılır.
Yapay zekanın diğer endüstri uygulamalarından farklı olarak, siber savunma, bilgisayar korsanları ve güvenlik uzmanları arasında bir kedi-fare oyunudur ve her iki taraf da makine öğrenimindeki gelişmeleri kendi avantajlarına kullanır.
Tehdit avcılığı, uyarılara veya sabotajlara reaktif olarak tepki vermek yerine aktif olarak kötü amaçlı aktivite arar.
Arama, ağın potansiyel olarak kusurlu olduğu varsayımıyla başlar ve ardından bu varsayımı test etmek için manuel veya otomatik araçlar kullanarak devam eden, yinelemeli bir süreçtir. Ancak siber güvenlikle ilgili veri miktarı, makine öğrenimini sürecin ayrılmaz bir parçası haline getiriyor.
Bununla birlikte, farklı işletmelerin tehdit yakalama talepleri olmasına rağmen, bu hala nispeten niş bir yöndür. Büyük veri kaynaklarına sahip büyük işletmeler bu konuda daha fazla endişe duyacaklar.
Örneğin Amazon, AWS müşteri hesaplarında bilgisayar korsanlarını yakalamak için ürünler geliştirmek üzere tehdit avı girişimi Sqrrl'yi satın aldı. Tehdit avcılığına odaklanan başka bir AI girişimi olan Cylance, geçen yıl BlackBerry tarafından da satın alındı.
Ağ ne kadar genişse, saldırıya karşı o kadar savunmasızdır. Tehdit avcılığı ivme kazanma potansiyeline sahiptir, ancak değişen dinamik ortamlarla nasıl başa çıkılacağı ve yanlış pozitiflerin azaltılması gibi şeyin kendi zorlukları vardır.
konuşma yapay zekası
Birçok işletme için sohbet robotları AI ile eş anlamlı hale geldi - ancak umut, gerçeğe ayak uyduramıyor. Google'ın konuşma AI özelliği Duplex'in başı belada.
Duplex, kullanıcılar için arama ve rezervasyon yapabilir, insan gibi iletişim kurabilir. Ancak bu, insanların Duplex'in insanlarla konuşurken kendini tanıtması gerekip gerekmediğini sorgulamasıyla birlikte etik kaygıları artırdı. Google ayrıca Duplex'i yeni telefonu Pixel 3'e entegre etti. Bu, akıllı telefonu AI için bir güç merkezi yapar ve ayrıca Google Asistan'ın gereksiz aramaları filtrelemesini sağlayan bir "çağrı tarama" seçeneği de vardır.
Hem Amerika Birleşik Devletleri'ndeki FAMGA hem de Çin'deki BAT, bu alana çok fazla kaynak yatırdı, ancak konuşma yapay zekası şu an için yalnızca belirli uygulama alanlarında uygulanabilir. En yaygın uygulamalardan biri müşteri hizmetleridir. Sohbet robotları (not: tüm botlar doğal dil işlemeyi kullanmaz), kullanıcıyla etkileşimin ilk katmanını oluşturur ve ardından sorguları karmaşıklığa dayalı olarak insanlara iletir.
Ancak sağlık ve sigorta uygulamaları bu alanlardaki sınıflandırma (bir durumun aciliyetini belirleme) karmaşık olduğu için daha zordur.
Benzer şekilde, sesli konuşmaya dayalı alışveriş yapanlar, görsel ipuçları olmadan zorlayıcı olabilir. Analistler ve CPG markaları sesli alışverişin perakendede potansiyel olarak bir sonraki büyük şey olduğunu söylese de, bu hala gerçekleşmiyor. Özel öğeleri kaydetmenin ötesinde, çevrimiçi ticareti yönlendiren temel müşteri deneyimini sağlamada başarısız oldu.
Akıl sağlığı hizmetleri, sohbet robotlarının yıkıcı bir güç olmayı vaat ettiği başka bir alandır. Akıl sağlığı bakımının yüksek maliyeti ve 7/24 erişilebilirliğin çekiciliği, yapay zeka tabanlı akıl sağlığı bakım robotlarında yeni bir çağın yükselişine yol açtı.
Erken aşamadaki girişimlerin odak noktası, bilişsel davranışçı terapiyi birçok ruh hali izleme ve dijital sağlık günlüğü uygulamasına bir konuşma uzantısı olarak kullanmaktır. Ancak akıl sağlığının kapsamı da çok geniştir.Farklı akıl hastalıkları, semptomlar, analitik öznellik açısından farklılık gösterir ve gelişmiş duygusal biliş ve kişilerarası etkileşim gerektirir.
Dolayısıyla, konuşmalı yapay zekanın maliyet ve kolaylık avantajlarına rağmen, akıl sağlığı bakımı gibi bir alanda uygulanması zor olacaktır.
ilaç keşfi
AI biyoteknoloji girişimlerinin ortaya çıkmasıyla birlikte, geleneksel ilaç şirketleri, AI SaaS girişimleri aracılığıyla uzun vadeli ilaç keşfi için yenilikçi çözümler arıyor.
2018'de Pfizer, küçük moleküllerin farmasötik özelliklerini tahmin etmek ve "bilgisayar tabanlı akılcı ilaç tasarımı" geliştirmek için birlikte çalışmak üzere AI start-up XtalPi ile stratejik bir ortaklığa girdi.
Novartis, Sanofi, GlaxoSmithKline, Amgen ve Merck gibi önde gelen ilaç şirketleri, onkolojiden kalp hastalığına kadar çeşitli hastalıklar için yeni ilaç adayları keşfetmek için yakın zamanda AI girişimleriyle ortaklıklar duyurdu.
Bu alana ilgi, 2018'in ikinci çeyreğinde, 2017'nin tamamına eşdeğer 20 anlaşma ile, AI ilaç keşif girişimlerinde hisse senedi anlaşmalarının geliştirilmesine de yön verdi. Recursion Pharmaceuticals gibi Biotech AI şirketleri hem AI hem de ilaç Ar-Ge'sine yatırım yaparken, geleneksel ilaç şirketleri çoğunlukla AI SaaS girişimleriyle çalışıyor.
Bu start-up'ların çoğu henüz finansmanın ilk aşamalarında olsa da, hepsinin zaten ilaç müşterileri olduğunu iddia ediyor. İlaç formülasyonu aşamasında birkaç başarı göstergesi olsa da, ilaç şirketleri yeni tedavi adaylarını ortaya çıkarmak ve uzun ilaç keşif sürecini dönüştürmek umuduyla yapay zeka algoritmalarına milyonlarca dolar bahse giriyor.
