LeCun'un son konuşması: Derin öğrenme devrimi burada ve farklılaştırılabilir programlama büyük potansiyele sahip
Xin Zhiyuan Rehberi Bu sabah düzenlenen GMIC konferansında, Facebook Baş AI Bilimcisi Yann LeCun bir açılış konuşması yaptı. FAIR tarafından bilgisayarla görme alanında önerilen en gelişmiş mimarilerden bazıları olan mevcut AI'daki en son gelişmelerden bazılarını tanıttı. Gelecekte derin öğrenmeyle ilgili daha karmaşık mimariler ve daha yeni teoriler gibi daha fazla değişiklik olacağından bahsetti.
Bu sabah Pekin'de düzenlenen GMIC konferansında, Facebook Baş AI Bilimcisi Yann LeCun bir açılış konuşması yaptı. FAIR tarafından bilgisayarla görme ve makine çevirisi alanlarında önerilen en gelişmiş mimarilerden bazıları olan AI'daki en son gelişmelerden bazılarını tanıttı. LeCun, denetimli öğrenmenin yerini almayacağına, ancak denetimin azalmaya veya zayıflamaya devam edeceğine inanmaktadır. Gelecekte daha karmaşık mimariler ve daha yeni teoriler gibi derin öğrenmede daha fazla değişiklik olacağını söyleyerek, farklılaştırılabilir programlamanın potansiyelini vurguladı.
Yann LeCun, ilk olarak denetimli öğrenmeye dayalı bugünün AI sistemini tanıttı. Görüntü, ses veya görüntü tanıma ya da bir dilden diğerine çeviri, test etme, vb. Olsun, günümüzdeki tüm uygulamalar AI kullanabilir. Derin öğrenme yoluyla makineyi eğitebiliriz.Örneğin, ona bir arabanın görüntüsünü gösterirseniz, bunun bir araba olduğunu bilecek, bir dahaki sefere aynı görüntüyü makineye gösterdiğinizde, istediğiniz cevabı alacaksınız. Bu tür bir denetim altında öğrenme, bilgisayar öğrenimi için çok önemlidir.
Derin öğrenme, geleneksel makine öğreniminden farklıdır. Uçtan uca eğitim, makinenin belirli bir görevi tamamlamasına izin verir ve size nihai çıktının ne olduğunu söyleyecektir. Makine, uçtan uca bir öğrenme süreci olan tüm süreci öğrenecektir. Bu şekilde bilgisayarlar dünyamızı daha iyi anlayabilir.
Evrişimli Ağlar fikri 1980'lere kadar izlenebilir. Görüntüleri tanımak için kullanılabilir, ancak dil işleme, konuşma tanıma vb. Gibi birçok başka uygulamaya da sahiptir.
Sinir ağlarının çok büyük olduğunu ve yalnızca GPU yardımı gerektiren çok güçlü bilgisayarlarda kullanılabileceğini biliyoruz. Derin öğrenme yaygınlaşmadan önce, böyle bir sistemin kullanılabileceğinden emin olmalıyız. Örneğin, örneklerden biri 2009 ve 2010'da New York Üniversitesi'nde birlikte çalıştığımız bir deneydir. Bu sistem görüntüleri tanıyabilir ve yoldaki, gökyüzündeki binaları ve yoldaki arabaları ve insanları görebilirsiniz. Bu o zaman için en iyi sistem değildi, ancak bu teknolojiyi bazı araçları tanımlamak için kullanabiliriz.
Birkaç yıl sonra, bazı şirketler daha iyi ve daha derin sistemler yapacak. Derin öğrenme devrimi nedeniyle, giderek daha fazla insan derin öğrenmenin etkili ve etkili olabileceğine inanıyor.
Ağdaki katman sayısının giderek derinleştiğini görebilirsiniz, örneğin 100 veya 180 katmanlı bazı yapay sinir ağları var. Ağ derinleştikçe, tanıma hata oranının sürekli olarak azaldığı görülebilir. Bazen diğerlerinden bile daha iyidir.
Bu, Facebook yapay zeka departmanımız tarafından Mask-RCNN adı verilen bir araştırmadır ve çok iyi performans gösterdiğini görebiliyoruz. Sadece herkesi tanımakla kalmaz, aynı zamanda her kişiye bir Maske ekler, böylece bir kişi mi yoksa bir köpek mi olduğunu kolayca ayırt edebilir. Burada, tümü tanımlanabilen bilgisayarları, şarap kadehlerini, insanları ve masaları tanımlayabildiğini görebilirsiniz. Ve kaç tane olduğunu sayabilir ve ayrıca yolları ve arabaları da tanımlayabilirsiniz.
Sistemle ilgili bu soruları beş yıl önce sorsaydık, bugün gösterilen sonuçlara ulaşmanın 10-20 yıl alacağını düşünebiliriz.
Bu aynı zamanda Facebook tarafından DensePose adı verilen ve gerçek zamanlı insan pozu tahminini gerçekleştirebilen bazı araştırmalar. Sadece makaleyi değil, aynı zamanda kodu da yayınladık, böylece dünyanın dört bir yanındaki insanlar bu teknolojiyi daha iyi anlayabilir.
Bu teknolojiyi kullanarak insan davranışını tahmin edebiliriz. Bu videoyu net bir şekilde görebiliyor musunuz bilmiyorum. Artık tek bir GPU üzerinde gerçek zamanlı olarak çalışabilen bir sistemimiz var. Birçok kişinin eylemlerini izleyebilir, videolar oluşturabilir ve çok doğrudur. Ve bazı ilgili veriler ve bilgiler gerçek zamanlı olarak üretilebilir ve ilgili kod da mevcuttur. Bunlar Facebook'tan yapılan son araştırmalar.
Tabii ki, kullanılan teknoloji yalnızca görüntü tanıma yapmakla kalmaz, aynı zamanda insan eylemlerini de tanıyabilir, aynı zamanda makine çevirisi için bilgisayar dizilerini de kullanabilir. Bu, Facebook tarafından Kaliforniya'da yapılan ve bir dilden diğerine çevrilebilen bir çalışmadır.
Sektör için böyle bir geliştirme araştırması yapmanın çok faydalı bir süreç olacağını düşünüyorum. Araştırma ekibimiz için sadece şirketimiz için çok faydalı teknolojiler geliştirmek değil, aynı zamanda geliştirilen teknolojilerin tüm topluma rehberlik edebileceğini ve ilgilendiğimiz sorunları çözebileceğini umuyoruz. Yapay zekanın sadece sorunları çözmemize değil, aynı zamanda insanların kendi başlarına çözemeyecekleri birçok sorunu çözmemize de yardımcı olacağına inanıyoruz, bu nedenle bu konuda bilimsel ekibimizle birlikte çalışacağız. Derin öğrenme ağları ve derin öğrenme çerçeveleri dahil olmak üzere geçtiğimiz birkaç yıl içinde FAIR tarafından yayınlanan bazı açık kaynaklı projeler.
Daha sonra türevlenebilir programlamaya bakacağız. Derin öğrenmeyi başka bir açıdan öğrenebiliriz. Aslında, yapay sinir ağları ile açıklanabilen programlamayı da içeren sabit bir mimaridir. Bu programlamada üç dizin vardır: Aslında yapay sinir ağına çok benzer, ancak görüntülenen verilere göre farklı olacaktır. Ayrıca veri sistemine bağlı olarak değişecektir.
Yani şimdi soru, kendi programımızı otomatik olarak oluşturmanın bir yolunun olup olmadığıdır. Aynı zamanda, farklılaştırılabilir programlama fikri dediğimiz belirli bir görevi tamamlamak için eğitilebilir. Artık insanlar bazı derin öğrenme araştırmaları yapmaya başladılar.
Derin öğrenmenin en son başarılarından bahsettim, şimdi mevcut AI'nın henüz dokunmadığı yeteneklerden bazılarına bir göz atalım. Örneğin tıpta daha fazla etki analizi yapabiliriz. Örneğin, derin öğrenmede daha derine inmemiz gerekiyor çünkü makinenin kendisi gerçek hayatta uygulanamayacak farklı çözümlere sahip olacak. Sanırım henüz dokunmadığımız bazı temel işlevler var. Makinelerin yapabilecekleri bunlar, ancak henüz onları bulamadık.
Makinenin, sistemimizi çalıştırmak için bazı örnekler oluşturabileceğini ve sonunda makinenin öğrenip bazı tahminlerde bulunacağını umuyoruz. Makinelerin insanlar kadar verimli çalışmasını sağlamayı umuyoruz ve onlar planlayıp yansıtabilirler.
Son olarak, bir özet yapmak istiyorum. Denetimli öğrenmenin ve pekiştirmeli öğrenmenin daha mükemmel olacağını düşünüyorum. Kendi kendine denetlenen öğrenmenin yerini almayacak. Bu, birçok insanın ilgisini uyandırdı ve önümüzdeki birkaç yıl içinde gelişmeye devam edecek. Bunun daha fazla girişimde bulunmamızı sağlayacağına inanıyorum.
Daha sonra, gelişmeye devam edeceğimize ve aynı zamanda farklılaştırılabilir akıllı öğrenme yönünde gelişmeye devam edeceğimize inanıyorum, bu da bizim çekişmeli eğitim hakkında daha fazla araştırma yapmamızı gerektiriyor. Tabii ki, derin öğrenmeyle ilgili, örneğin bazı çok kanallı geliştirme veya karmaşık mimari dahil olmak üzere daha fazla değişiklik olacak ve daha fazla teori ortaya çıkacak.
Teknolojinin eğilimi şu şekildedir: Açıkçası, denetim azalmaya veya zayıflamaya devam edecek. Denetimsiz Özellik Öğrenimi ve denetimli İnce Döndürme görünecektir. Bu bizi bazı yeni teorilerin ortaya çıkmasına götürdü ve gelecekte çok boyutlu olasılıkların olması gerektiğine inanıyorum. Bazı dinamik görüntüler dahil olmak üzere bazı yeni çerçevelerin ortaya çıktığını göreceğiz ve yorumlama yeteneklerimiz gelişmeye devam edecek ve açık kaynak yapmaya devam edeceğiz. Buna ek olarak, bu aynı zamanda, kullanıcıların ihtiyaçlarının profesyonelce ele alınabilmesi için donanımı sürekli olarak yükseltmemize neden oluyor.
Topluluğa katıl
Xinzhiyuan AI teknolojisi + endüstri topluluğunun işe alımında, AI teknolojisi + endüstri uygulamasına ilgi duyan öğrenciler, gruba katılmak için küçük bir WeChat hesabı ekleyebilir: aiera2015_1; incelemeyi geçtikten sonra gruba katılmaya davet edeceğiz. Topluluğa katıldıktan sonra grubu değiştirdiğinizden emin olun Açıklamalar (isim-şirket-pozisyon; profesyonel grup incelemesi katıdır, lütfen anlayın).
