2017'deki ilk önemli toplantıda, yapay zeka endüstri devlerinin getirdiği teknik kuru mallar
1 Xinzhiyuan raporu
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 AAAI 2017 akademik zirvesinde büyük devler aktifti. Google Brain'in baş bilim adamı Vincent Vanhoucke, Facebook Applied Machine Lab başkanı Joaquin Candela ve diğer sektördeki yapay zeka devleri, kuru malları paylaşmak için olay yerine gittiler. Bu makale, Google, Facebook, Baidu, LinkedIn, IBM, Uber vb. Gibi devlerin konuşmalarının özünü özetlemektedir. Bu konuşmalardan büyük şirketlerin odak ve trendlerine bir göz atabilirsiniz. Bu makale aynı zamanda Xiaoi Robot'un makinenin doğal dil anlayışının sınıflandırma sistemini tanıtmak için Fudan Üniversitesi ile işbirliği yaptığı makaleyi de tanıtıyor. [Xinzhiyuan'ın resmi hesabını girin, kağıdı indirmek için iletişim kutusuna "170209" yazın]
AAAI 2017, 4 Şubat - 8 Şubat Batı Saati arasında San Francisco'da yapılacak. AAAI gittikçe uluslararasılaştıkça, bu konferansta daha fazla Çinli yüz ortaya çıktı. IBM, Google, Facebook, Uber gibi yabancı şirketlerin yanı sıra Baidu, Tencent, Huawei ve Xiaoi Robot gibi yerli şirketlerin de katıldığı konferansta aralarında Fudan Üniversitesi ve Xiaoi Robot'tan iki bildiri kabul edildi.
AAAI'nin uluslararası etkisi, büyük şirketlerin katılımını vurguluyor
Konferansın ilk gününde Baidu, LinkedIn, IBM, Uber, Google ve Facebook gibi şirketler en son teknolojilerini ve araştırma görüşlerini paylaştı. Çeşitli şirketlerin paylaşılan içeriğinin kapsamlı perspektifinden, "Tao" hakkındaki tartışma "Teknoloji" den daha büyüktür ve herkes, belirli bir teknoloji veya uygulamadan ziyade AI geliştirmenin mantıksal düşüncesine daha fazla önem verir. Aşağıda, konferansın ilk gününde şirketler tarafından paylaşılan kuru ürünlerin bir özeti bulunmaktadır.
Google Brain Baş Bilimcisi: Robot Araştırmasında Makine Öğrenimi
Google adına teknoloji paylaşımı, Google Brain'in baş bilim adamı ve Google'ın robotik araştırma projesinden sorumlu Vincent Vanhoucke'dir. Derin öğrenme birçok uygulama alanında daha iyi sonuçlar getirse de Google, robotik alanında makine öğrenimi algoritmalarının uygulanmasının hala çok az olduğunu düşünüyor. Bunun nedeni, görüntü tanıma ve metin işleme gibi uygulamaların aksine, bir robotun davranışını kontrol etmek için yalnızca öğrenmeyi değil, aynı zamanda geri bildirim sistemini de gerektirir.
Örnek olarak bir robot kolu ile nesneleri rastgele yakalama deneyini ele alalım:
-
Öğrenme sürecinde herhangi bir Varsayım olmadığını, bu nedenle öğrenme sürecinde herhangi bir kısıtlama olmadığını vurgulayın;
-
Öğrenme sürecini hızlandırmak için öğrenme deneyimini birbiriyle paylaşan çoklu "paralel kol" deneyleri yoluyla;
-
Bilinen mekanik yapılara sahip silahlar için, öğrenme deneyiminin paylaşımı ve aktarımı güvenilirdir.
İzleyici "varsayım yok" konusuna çok dikkat ediyor. İzleyicinin sorduğu sorulardan biri, eğer varsayımsal bilgi öğrenme modeline ön bilgi olarak eklenebilirse, öğrenme yakınsamasını hiçbir hipotez bilgisinden daha fazla hızlandırabileceğine işaret etti.
Google, yeterli makine öğrenimi algoritması olmadığına inansa da, makine öğreniminin araştırılması ve aşılmasının geçmişe göre daha kolay olduğu yadsınamaz çünkü hem metodoloji hem de donanım eskisinden çok daha iyi.
Facebook AML Başkanı: Günlük yaşam için büyük ölçekli yapay zeka tasarımı
Facebook Uygulamalı Makine Öğrenimi Laboratuvarı başkanı Joaquin Quinonero Candela, sorunun çözümünü paylaştı : Doğrudan mükemmellik peşinde koşmak yerine mevcut ihtiyaçlara ve görevlere odaklanın, hızla uygulayın ve geliştirin.
Uygulamalı Makine Öğrenimi (AML) Laboratuvar tarafından geliştirilen öğrenme sistemi görüntü, metin, ses vb. Uygulamalara uygulanabilir. Örnek olarak görüntü ve video anlama platformu Lumos'u ele alırsak, görüntü etiketlerini ayarlayarak ve optimize ederek yeniden eğitilen bir model, görüntü tanıma etkisini geliştirebilir ve daha gelişmiş uygulamalar elde edebilir. Örneğin, sadece görüntü yüzeyinin içeriğinde kalmakla kalmayıp, görselin karakterleri ve arka planına göre karakterlerin etkinliklerini ve duygularını ortaya çıkarmak; ya da kullanıcı tarafından aranan anahtar sözcükler görselin ilgili ifadelerinde yer almadığında yine de model üzerinden aranabilir. ; Video dosyalarının gerçek zamanlı sınıflandırılması ve işlenmesi.
Lumos, farklı görevlerin sonuçlarını daha iyi eşleştirmek için, hesaplama / tanıma doğruluğu miktarına göre belirli bir görevin sürecini ve sonuçlarını iyileştirir, böylece farklı sonraki görevler farklı iyileştirme seviyelerine karşılık gelebilir. Tanıma doğruluğu olan bir denge noktası bulun.
Facebook görüntü tanıma platformu Lumos şu anda en akıllı görsel arama araçlarından biridir, çünkü mevcut etiketlere güvenmek yerine görselin içeriğine göre fotoğrafları okuyabilir ve arama yapabilir ve bu, derin öğrenmenin ilerlemesinden yararlanır. Anti-spam ve otomatik görüntü yakalama gibi, bu teknolojinin gelecekteki değerinin sınırsız olduğu düşünülebilir.
Baidu Başkan Yardımcısı Wang Haifeng: Baidu'nun Doğal Dil İşleme
Baidu, doğal dilin, özellikle de anadilinin insan düşüncesi için bir araç olduğuna inanıyor ve bu nedenle NLP, makinelerin insan düşünme ve anlama yeteneklerine sahip olmasını sağlayan önemli bir teknolojidir.
Baidu Başkan Yardımcısı Wang Haifeng'in konuşma sahnesi
Baidu'nun NLP'si, bilgi grafikleri (Varlık grafiği, Amaç grafiği ve Dikkat grafiği dahil) ile birlikte büyük veri, makine öğrenimi ve dilbilime dayanmaktadır, dil anlama ve dil oluşturma konusunda önemli uygulamalara sahiptir ve soru ve cevap, makine çevirisi ve diyalog vb. Oluşturur. işletim sistemi. NLP platformunda 20'den fazla NLP modülü var ve günlük istek sayısı 100 milyarı aşıyor.
Özellikle, Varlık grafiği karmaşık ilişki muhakemesini uygulamak için kullanılır, Dikkat grafiği öneri sistemini geliştirmek için belge anlamada kullanılır ve diyalog sistemlerinde niyet grafiği kullanılır. Derin öğrenmeye dayalı bağımlı sözdizimi analizi ve anlamsal anlama, sorgu anlamanın etkisini büyük ölçüde geliştirir. Dil üretimi alanında Baidu, haber yazımı, basketbol yorumları ve Çin şiir yazımını listeledi.
İnsan-bilgisayar etkileşiminin yönü doğal dildir, ancak doğal dil işleme, yapay zekadaki en zor sorunlardan biridir. Baidu, diğer şirketlerle karşılaştırıldığında, NLP alanındaki kullanıcılar ve veriler açısından benzersiz avantajlara, büyük etkileşimlere ve kullanıcı davranışlarına ve Baidu'nun güçlü rekabet gücünü korumasını sağlayan bir bilgi tabanına sahiptir.
LinkedIn Deepal Agarwal: Geniş ölçekte profesyonel fırsatlar yaratan yapay zeka
LinkedIn, AI teknolojisinin gelecekte kullanıcılara daha büyük ölçekte kariyer fırsatları sağlayabileceğini vurguladı. AI teknolojisi, kullanıcılara yalnızca mesleki bilgi sağlamakla kalmaz, aynı zamanda çeşitli mesleki konularda yardım ararken, küresel ölçekte beceri boşluklarını da giderir.
LinkedIn karşılaştığı iki büyük sorunu vurguladı: öneri ve arama. Öneri probleminde, kısa vadeli öneri sistemi algoritmasını optimize etmek ve nihayet uzun vadeli hedefe ulaşmak için makine öğrenimi kullanılır; arama probleminde, kullanıcının niyeti önce açık veya örtük ipuçları ile tahmin edilir ve arama cevapları kullanıcı özelliklerine ve önerilen kategori özelliklerine göre sıralanır. Ve çıktı.
LinkedIn'in orijinal verilerinin büyük bir kısmı kullanıcılardan gelir ve yapay zekaya dayalı sınıflandırma yöntemi, verileri iyileştirip optimize eder. Kullanıcılar arasında kurulan bağlantılar yalnızca LinkedIn'e daha fazla veri sağlamakla kalmayacak, aynı zamanda LinkedIn aracılığıyla daha fazla değer kazanacaktır.
Buna ek olarak LinkedIn, LinkedIn tarafından bağımsız olarak geliştirilen Foton Makine Öğrenimi (Foton ML) Kitaplığına dayalı GAME Genelleştirilmiş Katkı Maddesi Karma Etkiler Modeli'ni de tanıttı. Derin öğrenmenin birçok uygulamada önemli bir rol oynamasına rağmen, pratik uygulamalarda derin öğrenmenin tek yol olmadığına da işaret etti.
İşverenler ve iş arayanlar için, daha doğru sonuçlar ve daha iyi eşleşme, en iyi hizmet deneyimidir. Bu bakış açısına göre, LinkedIn tarafından vurgulanan öneri ve arama sorunları, iş arama platformundaki temel sorun noktalarıdır.Platform hizmetlerini iyileştirmek için AI teknolojisinin kullanılmasının tüm sosyal işe alım web sitelerinin odak noktası olduğuna inanılıyor.
IBM: Karmaşık durumlar için yapay zeka
IBM'den Michael Withbrock konuşmasında, çözülmesi gereken sorunların genel olarak iki türe ayrıldığına dikkat çekti: İfade edilebilen tutarlılık sorunları genellikle programlama yoluyla elde edilebilir; ifade edilmesi zor olan çeşitlendirilmiş sorunlar için yalnızca küçük bir bölüm çözülebilir. Manuel olarak yapılır ve makine öğrenimi ve muhakeme gerektiren sorunlar daha iyi temsil ve hesaplama modelleri gerektirir.
IBM Research Center'dan Michael Withbrock araştırma sonuçlarını paylaşıyor
IBM, bu soruna yanıt olarak, veri, program ve görevlerin sınırlarının ötesine geçen bir model önerdi: Bileşim teorisine dayanarak, problemin baskın kısmını temsil etmek için semboller ve görünmez kısmı temsil etmek için değişkenlerin istatistiksel modelleri kullanılır. Bu model, makine öğrenimi ve çıkarım gerektiren birçok farklı sorunu çözmek için kullanılabilir.
IBM, sembolizmin önemini vurguladı ve bilgi ifadesinin ve mantığın karmaşık sorunların çözümünde çok önemli olduğuna inanıyor. Mantığa dayalı geleneksel bilginin temsili, yeniden düşünmemizi hak ediyor. IBM'in bu alandaki araştırma avantajı, makine öğrenimi algoritmalarını bilgi işlem donanımının yığın seviyesinden yaklaştırarak bilgi işlem verimliliğini hızlandırmasıdır.
IBM her zaman bir teknoloji uzmanıdır ve tıp gibi birçok alanda büyük uygulama değeri üretebilir. Bu sefer, veri, program ve görevlerin sınırlarını aşan bir model önerdiler.Amaç, makinelerin insanları daha iyi anlayabilmesi ve onlara yardımcı olabilmesi için makine öğreniminin ve çıkarımın verimliliğini ve sonuçlarını iyileştirmektir.
Uber AI Lab Direktörü: Yapay Zekanın Sınırlamaları ve Genel Yapay Zeka İhtiyacı
Gary Marcus, Uber AI Lab Direktörü, Geometric Intelligence Kurucusu ve CEO'su Toplantıda paylaşıldı. Marcus, derin öğrenmenin "her derde deva" olmadığına ve şu anda gerçekleştirilebilecek görevlerin oldukça sınırlı olduğuna inanıyor. Gelecekte sağduyu bilgisinin nasıl çıkarılacağı önemli ve zordur.Bu tür sorunları çözmeye çalışan bazı kitle kaynaklı çözümler olsa da, eylem yargısı için gerekli olan tüm sağduyuları kapsayamayacaklardır.
Derin öğrenme görüntü tanımada büyük bir devrim getirmiş olsa da, bulanık görmede nesne tanıma gibi karmaşık pratik uygulamalarda iyileştirme için hala yer var. Bunun Uber'e getirdiği sorun, insansız araçların yalnızca "sürebilmesi", ancak "güvenli sürüş" olmamasıdır.
Genellikle Uber'in bir teknoloji şirketi değil bir platform şirketi olduğunu düşünüyoruz, ancak Uber aslında bir teknoloji şirketi olmaya çalışıyor . Bu nedenle, AI teknolojisinin seyahat endüstrisine nasıl hizmet ettiğine dikkat etmekle kalmıyor, aynı zamanda kendi yapay zeka teknolojisi güçlerini de geliştiriyorlar.Amaçları Google, Facebook ve diğer şirketler gibi olmak.
Fudan Xiaoi Robot: Makinenin doğal dil anlayışına odaklanan bir sınıflandırma sistemi
Fudan Üniversitesi'nden Dr. Xiao Yanghua ve Xiaoi Robot liderliğindeki bir araştırma ekibi tarafından yönetilen Büyük Ölçekli Bir Sözcüksel Taksonomide Grafik Tabanlı Yanlış IsA İlişki Algılama ve Hypernym'in Geçişkenliği Üzerine- Konferansta Veriye Dayalı Sözcüksel Taksonomilerde Hiponim İlişkileri, "Veriye Dayalı Büyük Ölçekli Taksonomilerde Alt ve Alt İlişkilerin Geçişi" başlıklı iki makale konferansta yer aldı ve sözlü raporlar hazırladı.
Fudan Araştırma Grubu gazeteyi sitede okuyor
Doğal dil anlama, yapay zekaya ulaşmanın anahtarıdır ve sınıflandırma sistemleri, makinenin doğal dil anlayışında vazgeçilmezdir. İki makale, büyük ölçekli sınıflandırma sistemini farklı açılardan derinlemesine tartıştı.
Bunlar arasında, "Grafik Modellerine Dayalı Büyük Ölçekli Sınıflandırma Sisteminde Hata Tespiti", esas olarak otomatik olarak oluşturulan büyük ölçekli bilgi tabanlarının kalitesinin nasıl iyileştirileceğini araştırır: bilgi tabanları, yapay zekada önemli bir rol oynar, bunların arasında ister manuel ister otomatik olarak oluşturulur. Oluşturulan bilgi tabanı daha fazla ilgi gördü. Manuel olarak oluşturulmuş bilgi tabanı ile karşılaştırıldığında, otomatik olarak oluşturulmuş bilgi tabanı daha büyük bir ölçeğe ve daha geniş bir kapsama sahiptir, ancak genellikle daha fazla hata içerir. Araştırma ekibi, isA ilişkilerini içeren bir sınıflandırma sistemleri bilgi tabanına odaklandı ve bu sınıflandırma sistemlerinin genellikle döngülere sahip olduğunu ve bu döngülerin genellikle yanlış isA ilişkilerinden kaynaklandığını buldular. Bu keşiften makale, yanlış olanı bulmak için iki model önermektedirHalkadan bir ilişki. İlk model, sınıflandırma sistemindeki DAG alt grafiklerini çıkararak döngüleri ortadan kaldırırken, ikinci model döngüleri ortadan kaldırmak için sınıflandırma sistemindeki hiyerarşik düğümlerin tanımını kullanır. Şu anda, bu iki model otomatik olarak oluşturulmuş en gelişmiş sınıflandırma sistemi Probase'de uygulanmaktadır. On milyonlarca ilişkiyi işledikten sonra 74.000 hatalı ilişki% 91 doğrulukla ortadan kaldırıldı.
"Veriye Dayalı Büyük Ölçekli Sınıflandırma Sisteminde Alt ve Alt İlişkilerin Geçişkenliği", sınıflandırma sistemindeki temel ilişkiyi - alt ve alt ilişkileri inceler.
Son yıllarda araştırmacılar, külliyattan otomatik olarak çıkarılan ve oluşturulan birçok büyük ölçekli sınıflandırma sistemi oluşturdular. Bu sınıflandırma sistemleri, kelimeler arasındaki hiper nim-hiponim ilişkilerini içerir. Üst-alt ilişki, makinenin, varlık sınıflandırması ve tavsiye gibi uygulamalarda yaygın olarak kullanılabilen genelleme yeteneklerine sahip olmasını sağlar. Tez, ikincil ilişkinin önemli bir özelliğine odaklanmaktadır: geçişli yargılama problemi. Araştırmacılar, manuel olarak oluşturulan küçük ölçekli sınıflandırma sistemleri ve ontoloji kütüphanelerinin aksine, geçişliliğin her zaman büyük ölçekli otomatik olarak oluşturulmuş sınıflandırma sistemlerinde oluşturulmadığını bulmuşlardır. Bu nedenle, geçişliliğin büyük ölçekli otomatik olarak oluşturulmuş bir sınıflandırma sisteminde oluşturulup oluşturulmadığını belirlemek için denetimli bir yöntem önerdiler. Bu karar şemasına dayanarak, sınıflandırma sistemindeki eksik üst ve alt ilişkileri keşfetmek için geçişli çıkarım kullandılar. Araştırma ekibi, ilgili modellerin ve yöntemlerin etkinliğini çok sayıda deneyle doğruladı ve mevcut sınıflandırma sistemini yaklaşık 4 milyon eksik üst ve alt ilişki ile tamamladı.
[Xinzhiyuan'ın resmi hesabını girin, iki bildiri indirmek için iletişim kutusuna "170209" yazın]
[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.
