Jeff Dean'in elle yazılmış Google AI 2019 envanteri: önemli açık kaynak algoritmalarını bir araya getiren günde 2 makale
Yeniden basıldı: Qubit
Bu makale 10742 Word, önerilen okuma 10 dakika.
Bu makale, Jeff Dean'in Google AI'nın genel müdürü olarak rutin yıllık raporunu tanıtıyor ve 16 AI başarısını sayıyor.
Başka bir yılda Jeff Dean, Google AI'yı temsil etti ve geçen yılın AI trendlerini özetledi.
Bu, kayınbiraderimin Google AI'nın genel müdürü olarak rutini Yıllık rapor , Aynı zamanda dünyanın yapay zekasının ve hatta en büyük sınır teknolojisi üreticisinin kaslı görüntüsüdür.
Geçtiğimiz 2019 yılının çok heyecan verici bir yıl olduğunu söyledi.
Hala akademik ve uygulamanın iki çiçeği, açık kaynak ve yeni teknoloji eşzamanlı olarak ilerliyor.
Temel araştırmadan başlayarak teknolojinin gelişmekte olan alanlarda uygulanmasına, 2020 görünümüne kadar.
Raporlama formatı değişmemiş olsa da yapay zeka teknolojisi ileriye doğru büyük bir adım daha attı.
Jeff Dean bitirdi 16 ana yön AI sonuçları ve yıl boyunca yayınlanan AI makalelerinin sayısını ortaya çıkardı 754 makale Her gün ortalama 2 makale yayınlanmaktadır.
AutoML, makine öğrenimi algoritmaları, kuantum hesaplama, algılama teknolojisi, robotik, tıbbi yapay zeka, temelde yapay zeka ...
Yığın parçaları yalnızca şu anda toplumdaki AI rolünün tüm yönlerini desteklemekle kalmıyor, aynı zamanda gelecekteki trendlerin küçük bir gösterimini de destekliyor.
Yapay zeka teknolojisinin 2019'daki ilerlemesini bilmek istiyorsanız Jeff'in özetini okumak yerinde olur; 2020'de yapay zekanın nereye gideceğini bilmek istiyorsanız Jeff'i izlemekten çok yararlanabilirsiniz.
Okuma kolaylığı sağlamak için önce sizin için küçük bir katalog hazırladık:
Makine öğrenimi algoritması : Sinir ağlarında dinamik eğitimin doğasını anlamak
AutoML : Makine öğrenimini otomatikleştirmeye dikkat etmeye devam edin
Doğal dil anlayışı : Teknik seviyeyi iyileştirmek için birden çok yöntemi ve görevi birleştirmek
Makine algısı : Görüntülerin, videoların ve ortamların daha derin bir şekilde anlaşılması ve algılanması
robot teknolojisi : Kendi kendini denetleyen eğitim ve robot test karşılaştırmalarının yayınlanması
Kuantum hesaplama : Kuantum üstünlüğünün ilk gerçekleşmesi
Diğer disiplinlerde AI : Sineğin beyninden matematiğin yanı sıra kimyasal moleküler araştırma ve sanatsal yaratıma
Mobil AI uygulaması : Yerel olarak dağıtılan ses ve görüntü tanıma modellerinin yanı sıra daha güçlü çeviri, gezinme ve fotoğrafçılık
Sağlık ve tıp : Meme kanseri ve cilt hastalıklarının klinik teşhisi için kullanılmıştır
AI engellilere yardımcı olur : Dezavantajlı gruplara fayda sağlamak için görüntü tanıma ve ses transkripsiyon teknolojisini kullanın
AI, sosyal refahı teşvik eder : Selleri tahmin etmek, hayvanları ve bitkileri korumak, çocuklara okuryazarlık ve matematik öğretmek ve ayrıca 20 kamu refahı projesinde 100 milyon yuan'den fazla harcamak
Geliştirici araçları, araştırma topluluğunu oluşturur ve bunlara fayda sağlar : TensorFlow kapsamlı bir yükseltmeye öncülük etti
11 veri seti açın : Pekiştirmeli öğrenmeden doğal dil işlemeye, görüntü bölümlemesine
Dinghui Research ve Google Research'ün küresel genişlemesi : Öğretmenler, öğrenciler ve araştırmacılar tarafından yapılan araştırmaları finanse etmek için çok sayıda makale yayınladı ve büyük miktarda kaynak yatırdı
Yapay Zeka Etiği : Adalet, mahremiyet koruması ve yorumlanabilirlik konularında yapay zekanın araştırma sürecini teşvik edin
2020 ve sonrasına bakış : Derin öğrenme devrimi, bilgi işlem ve bilgisayar algımızı yeniden şekillendirmeye devam edecek.
Makine öğrenimi algoritması
2019'da Google, makine öğrenimi algoritmaları ve yöntemlerinin birçok farklı alanında araştırma yaptı.
Ana odak noktası sinir ağını anlamaktır Dinamik eğitim Doğa.
Aşağıdaki çalışmada, araştırmacıların deneysel sonuçları, veri paralelliği miktarını ölçeklendirmenin, modelin daha hızlı ve daha etkili bir şekilde yakınlaşmasını sağlayabileceğini göstermektedir.
Kağıt adresi:
https://arxiv.org/pdf/1811.03600.pdf
Veri paralelliği ile karşılaştırıldığında model paralelliği, modeli genişletmenin etkili bir yolu olabilir.
GPipe, model paralelleştirmeyi daha etkili hale getirebilen bir kitaplıktır:
Modelin tamamının bir parçası belirli verileri işlerken, diğer parçalar başka işler yapabilir ve farklı verileri hesaplayabilir.
Bu boru hattı yöntemi, daha verimli bir parti boyutunu simüle etmek için birleştirilebilir.
GPipe kitaplık adresi:
https://ai.googleblog.com/2019/03/introducing-gpipe-open-source-library.html
Makine öğrenimi modelleri ham girdi verilerini alabildiğinde ve "çözülmüş" üst düzey temsilleri öğrenebildiğinde çok etkilidirler.
Bu temsiller, farklı türdeki örnekleri, kullanıcıların modelin ayırt etmesini istediği niteliklere göre ayırır.
Makine öğrenimi algoritmalarının ilerlemesi, temel olarak yeni örneklere, sorunlara ve alanlara teşvik etmek için daha iyi temsillerin öğrenilmesini teşvik etmektir.
Google 2019'da bu sorunu farklı bağlamlarda inceledi:
Örneğin, hangi faktörlerin iyi temsile ve etkili öğrenmeye katkıda bulunabileceğini daha iyi anlamak için denetimsiz verilerden öğrenilen temsili etkileyen nitelikleri incelerler.
Blog Adresi: https://ai.googleblog.com/2019/04/evaluating-unsupervised-learning-of.html
Google, genelleme açığını tahmin etmek için marj dağılım istatistiklerini kullanmanın mümkün olduğunu göstermiştir, bu da genelleme için hangi modelin en etkili olduğunu anlamaya yardımcı olur.
Ek olarak, Politika Dışı sınıflandırma, hangi modellerin en iyi şekilde genelleştirilebileceğini daha iyi anlamak için pekiştirmeli öğrenme bağlamında da incelenir.
Blog Adresi:
Pekiştirmeli öğrenme için ödül işlevi atama yöntemi çalışılır, böylece öğrenme sistemi gerçek hedeflerden daha doğrudan öğrenebilir.
Blog Adresi:
AutoML
Google, 2019'da AutoML'ye dikkat etmeye devam ediyor.
Bu yöntem, makine öğreniminin birçok yönünü otomatikleştirebilir ve genellikle aşağıdakiler gibi belirli makine öğrenimi meta karar türlerinde daha iyi sonuçlar elde edebilir:
Google, bilgisayarla görme problemlerinde daha iyi sonuçlar elde etmek için sinir yapısı arama teknolojisinin nasıl kullanılacağını gösterdi. ImageNet'teki doğruluk oranı% 84,4 ve parametreler önceki en iyi modelden 8 kat daha az.
Blog Adresi:
Google, belirli bir donanım hızlandırıcıya uygun verimli bir modelin nasıl bulunacağını gösteren bir sinir mimarisi arama yöntemi gösterdi. Mobil cihazlar için yüksek hassasiyetli, düşük hesaplamalı işletim modeli sağlamak için.
Blog Adresi:
Google, AutoML çalışmasının video modelleri alanına nasıl genişletileceğini, en gelişmiş sonuçları elde edebilecek bir mimarinin nasıl bulunacağını ve manuel modellerin performansıyla eşleşebilecek hafif bir mimarinin nasıl bulunacağını gösterdi.
Sonuç olarak, hesaplama miktarı 50 kat azalır.
Blog Adresi:
Google, tablo verileri için AutoML teknolojisini geliştirdi ve bu teknolojiyi Google Cloud AutoML Tablolarının yeni bir ürünü olarak yayınlamak için işbirliği yaptı.
Blog Adresi:
Yapı aramasını hesaplama açısından daha verimli hale getirmek için değerlendirilen modelin ağırlıklarını güncellemek için herhangi bir eğitim adımı kullanmadan ilginç sinir ağı mimarilerinin nasıl bulunacağını gösterir.
Blog Adresi:
NLP görevlerini keşfetme mimarisini keşfedin. Bu görevlerin performansı, sıradan Transformer modelinden önemli ölçüde daha iyidir ve hesaplama maliyetini büyük ölçüde azaltır.
Blog Adresi:
Araştırmalar, otomatik öğrenme veri geliştirme yönteminin konuşma tanıma modellerine kadar genişletilebileceğini kanıtladı.
Mevcut insan makine öğrenimi uzmanının yönlendirdiği veri geliştirme yöntemiyle karşılaştırıldığında, daha az veri ile önemli ölçüde daha yüksek doğruluk elde edebilir.
Blog Adresi:
Anahtar kelime tanıma ve konuşma dili tanıma için AutoML kullanan ilk ses uygulamasını başlattı.
Deneyde, insan tasarımından daha iyi bir model buldum: daha yüksek verimlilik ve daha iyi performans.
Blog Adresi: https://www.isca-speech.org/archive/Interspeech_2019/abstracts/1916.html
Doğal dil anlayışı
Son birkaç yılda, doğal dil anlama, çeviri, doğal diyalog, konuşma tanıma ve ilgili görevler için modeller önemli ilerleme kaydetti.
Google'ın 2019'da üzerinde çalıştığı konulardan biri şudur:
Daha güçlü modeller eğitmek için çeşitli yöntemleri veya görevleri birleştirerek teknik seviyeyi geliştirin.
Örneğin, 100 dil arasında çeviri eğitimi yapmak için (100 farklı model kullanmak yerine) yalnızca bir model kullanılır, bu da çevirinin kalitesini önemli ölçüde artırır.
Blog Adresi:
Konuşma tanıma ve dil modellerinin nasıl birleştirileceğini ve sistemi birden çok dilde eğiterek konuşma tanımanın doğruluğunu önemli ölçüde artırabileceğini gösterir.
Blog Adresi:
Araştırmalar, konuşma tanıma, çeviri ve metinden sese oluşturma görevlerini tamamlamak için ortak bir model yetiştirmenin mümkün olduğunu kanıtladı.
Ayrıca, üretilen çeviri sesinde konuşmacının sesini tutmak ve daha basit bir genel öğrenme sistemi gibi belirli avantajları vardır.
Blog Adresi:
Araştırmalar, anlamsal erişim için önemli ölçüde daha iyi modeller oluşturmak için birçok farklı hedefin nasıl birleştirileceğini göstermiştir.
Örneğin, GoogleTalk'tan Books'a sorular sorun, "Hangi koku hatıraları çağrıştırabilir?"
Sonuç, "Benim için yasemin kokusu ve fırın tepsisinin kokusu bana kaygısız çocukluğumu hatırlatıyor." Oldu.
Blog Adresi:
Dil çevirisinin kalitesini ve sağlamlığını önemli ölçüde iyileştirmek için rakip eğitim programlarının nasıl kullanılacağını gösterir.
Blog Adresi:
Seq2seq, Transformer, BERT, Transformer-XL ve ALBERT'e dayalı modellerin geliştirilmesiyle, Google'ın dil anlama teknolojisi yetenekleri gelişmeye devam ediyor. Ve birçok temel ürün ve işleve uygulanmıştır.
2019 yılında, BERT'nin temel arama ve sıralama algoritmalarında uygulanması, son beş yılda arama kalitesinde en büyük gelişmeyi (ve tarihteki en büyük gelişmelerden birini) sağladı.
Makine algısı
Son on yılda, statik görüntüleri daha iyi anlamak için kullanılan modeller önemli ilerleme kaydetti.
Sırada, Google'ın geçen yıl bu alandaki ana araştırması var.
Daha derin bir görüntü ve video anlayışı ile yaşam ve çevre algısı dahil, özellikle:
Daha güçlü görsel aramayı desteklemek için lensteki daha ince taneli görsel anlayış incelenmiştir.
Blog Adresi: https://www.blog.google/products/search/helpful-new-visual-features-search-lens-io/
Nest Hub Max'in hızlı hareketler, yüz eşleştirme ve akıllı video görüşmesi çerçeveleme gibi akıllı kamera özelliklerini sergiliyor.
Blog Adresi: https://blog.google/products/google-nest/hub-max-io/
Daha iyi bir video derinlik tahmin modeli araştırdı.
Blog Adresi: https://ai.googleblog.com/2019/05/moving-camera-moving-people-deep.html
Zaman periyotlarının kullanımının tutarlılığını inceleyin ve videoların ayrıntılı zaman anlayışının daha iyi bir temsilini öğrenin.
Blog Adresi: https://ai.googleblog.com/2019/08/video-understanding-using-temporal.html
Metin, ses ve video olarak işaretlenmemiş videoların zamansal olarak tutarlı temsillerini öğrenin.
Blog Adresi: https://ai.googleblog.com/2019/09/learning-cross-modal-temporal.html
Geçmişi gözlemleyerek gelecekteki görsel girdiyi tahmin etmek de mümkündür.
Blog Adresi: https://ai.googleblog.com/2019/03/simulated-policy-learning-in-video.html
Ve modelin videodaki aksiyon sekansını daha iyi anlayabildiğini kanıtladı.
Blog Adresi: https://ai.googleblog.com/2019/04/capturing-special-video-moments-with.html
robot teknolojisi
Robot kontrolünde makine öğreniminin uygulanması, Google'ın önemli bir araştırma alanıdır. Google, bunun robotların karmaşık gerçek dünya ortamlarında (günlük evler ve işletmeler gibi) etkili bir şekilde çalışmasını sağlayan önemli bir araç olduğuna inanmaktadır.
Google'ın 2019'da robotik alanında yaptığı çalışmalar şunları içerir:
1. Otomatik güçlendirme öğrenimi aracılığıyla uzaktan robot gezinmesinde Google, robotların karmaşık ortamlarda (Google ofis binaları gibi) daha verimli gezinmesini sağlamak için takviye öğrenimini uzak projelerle nasıl birleştireceğini gösterdi.
İlgili Bağlantılar:
2. İçinde Gezegen Google, dünya modelini yalnızca resimlerden nasıl etkili bir şekilde öğrenebileceğini ve bu modeli daha az öğrenme süresiyle görevleri tamamlamak için nasıl kullanacağını gösterdi.
İlgili Bağlantılar:
3. İçinde TossingBot Bir önceki sayfada Google, fizik yasalarını ve derin öğrenmeyi birleştirerek robotların deneyler yoluyla sezgisel fiziksel ilkeleri öğrenmesine ve ardından öğrenilen yasalara göre nesneleri kutulara atmasına olanak tanıyor.
İlgili Bağlantılar:
4. Soft Actor-Critic'in çalışmasında Google, takviye öğrenme algoritmalarını eğitme yönteminin beklenen ödülü maksimize ederek veya stratejinin entropisini maksimize ederek başarılabileceğini kanıtladı.
Bu, robotun daha hızlı öğrenmesine ve ortamdaki değişikliklere karşı daha sağlam olmasına yardımcı olabilir.
İlgili Bağlantılar:
5. Google ayrıca robotlar için kendi kendini denetleyen bir öğrenme algoritması geliştirdi ve robotların nesneleri ayrıştırarak nesneleri kendi gözetiminde bir araya getirmeyi öğrenmelerine olanak tanıdı. Bu, robotların tıpkı çocuklar gibi demonte ederek bilgiyi öğrenebileceğini gösteriyor.
İlgili Bağlantılar:
6. Son olarak Google, düşük maliyetli robotlar için bir karşılaştırma testi de başlattı ROBEL , Bu, düşük maliyetli robotlar için açık kaynaklı bir platformdur ve diğer geliştiricilerin robot donanımını daha hızlı ve daha rahat bir şekilde geliştirmelerine yardımcı olur.
İlgili Bağlantılar:
Kuantum hesaplama
Google 2019'da kuantum hesaplamada önemli resimler yaptı ve dünyaya ilk kez yeteneğinin üstünlüğünü gösterdi: bir bilgi işlem görevinde, kuantum bilgisayarların hızı klasik bilgisayarların çok üzerinde.
Başlangıçta, klasik bilgisayarların 10.000 yıllık görevleri hesaplaması gerekiyordu ve kuantum bilgisayarların tamamlanması için yalnızca 200 saniye gerekiyordu. Bu araştırma, bu yıl 24 Ekim'de Nature dergisinin kapağına çıktı.
Google CEO'su Pichai şunları söyledi: "Önemi, dünyanın yerçekiminden başarılı bir şekilde kaçan ve uzayın kenarına uçan ilk roket gibi." Kuantum bilgisayarlar, malzeme bilimi, kuantum kimyası ve büyük ölçekli optimizasyon alanlarında önemli bir rol oynayacak.
Google ayrıca kuantum algoritmalarını ifade etmeyi ve donanımı kontrol etmeyi kolaylaştırmak için çalışıyor ve Google kuantum hesaplamada klasik makine öğrenimi tekniklerini kullanmanın bir yolunu buldu.
Diğer disiplinlerde AI
Yapay zeka ve makine öğreniminin diğer bilimsel alanlarda uygulanması konusunda Google, özellikle çok kuruluşlu işbirliği alanında birçok makale yayınladı.
Bildiriler: https://research.google/pubs/?area=general-science
Bu yılın önemli noktaları:
Sinek beyninin etkileşimli otomatik 3B yeniden yapılandırması, sinek beynindeki her bir nöronu dikkatli bir şekilde haritalandırmak için bir makine öğrenme modeli kullanıyor.Jeff Dean, bunun sinek beyninin yapısını haritalandırmada bir kilometre taşı olduğunu söyledi.
İlgili bloglar: https://ai.googleblog.com/2019/08/an-interactive-automated-3d.html
Google, kısmi diferansiyel denklemler için daha iyi simülasyon yöntemlerini öğrenirken, aynı zamanda iklim değişikliği, akışkanlar dinamiği, elektromanyetik, ısı iletimi ve genel görelilik gibi temel hesaplama problemlerinin özü olan kısmi diferansiyel denklemlerin hesaplanmasını hızlandırmak için makine öğrenimini kullanır.
Google ayrıca kokuyu belirlemek için makine öğrenimi modellerini ve neye benzediğini tahmin etmek için moleküler yapıyı belirlemek için GNN'yi kullanır.
İlgili raporlar: Google, AI parfümcüsünü yarattı: sadece moleküler yapıya bakın ve nasıl koktuğunu anlayacaksınız
Ayrıca kimyada, Google ayrıca molekülleri optimize etmek için bir takviye öğrenme çerçevesi oluşturdu.
İlgili makaleler: https://www.nature.com/articles/s41598-019-47148-x
Sanatsal yaratım açısından, GoogleAI, AI + AR'nin sanatsal ifadesi gibi daha fazla çaba gösterdi.
https://www.blog.google/outreach-initiatives/arts-culture/how-artists-use-ai-and-ar-collaborations-google-arts-culture/
Dansı bir makine ile yeniden düzenleyin:
https://www.blog.google/technology/ai/bill-t-jones-dance-art/
AI kompozisyonunun yeni keşfi:
https://www.blog.google/technology/ai/behind-magenta-tech-rocked-io/
Ayrıca eğlenceli bir AI kompozisyon Doodle'ı genişletildi:
https://www.blog.google/technology/ai/honoring-js-bach-our-first-ai-powered-doodle/
Mobil AI uygulaması
Google'ın yaptığı pek çok şey, cep telefonlarına yeni özellikler kazandırmak için makine öğrenimini kullanmaktır. Bu modeller cep telefonunda çalışabilir. Uçuş modu açık olsa bile, bu işlevler yine de kullanılabilir.
Şimdi, cep telefonu ses tanıma modeli, görsel model ve el yazısı tanıma modeli uygulandı.
İlgili bloglar:
Konuşma tanıma https://ai.googleblog.com/2019/03/an-all-neural-on-device-speech.html Görsel model https://ai.googleblog.com/2019/11/introducing-next-generation-on-device.html El yazısı tanıma modeli https://ai.googleblog.com/2019/03/rnn-based-handwriting-recognition-in.html
Jeff Dean, bunun daha güçlü yeni özelliklerin yolunu açtığını söyledi.
Ek olarak, Google'ın bu yıl cep telefonlarında öne çıkan özellikleri şunlardır:
Canlı Altyazı işlevi, telefondaki herhangi bir uygulama tarafından oynatılan videoya otomatik olarak altyazı ekleyebilir.
İlgili bloglar: https://ai.googleblog.com/2019/10/on-device-captioning-with-live-caption.html
Kaydedici uygulaması, telefonunuz tarafından kaydedilen sesteki içeriği aramanıza olanak sağlar.
İlgili bloglar: https://ai.googleblog.com/2019/12/the-on-device-machine-learning-behind.html
Google Translate'in fotoğraf çeviri işlevi de yükseltilerek Arapça, Hintçe, Malayca, Tayca ve Vietnamca ve diğer diller için destek eklenmiş ve yalnızca İngilizce dışındaki diğer dillerdeki çeviriler için değil Dil çevirisi de mümkündür ve ayrıca kamera çerçevesindeki metnin nerede olduğunu otomatik olarak bulabilir.
İlgili bloglar: https://www.blog.google/products/translate/google-translates-instant-camera-translation-gets-upgrade/
Gerçek zamanlı AR oyununu gerçekleştirmenize yardımcı olmak için ARCore'da bir yüz iyileştirme API'si de yayınlanmıştır.
Yüz geliştirme API'si: https://developers.google.com/ar/develop/java/augmented-faces/
Ayrıca mobil jest tanıma da vardır, bu yapıldıktan sonra jest etkileşimi yapılabilir.
RNN ayrıca cep telefonu ekranındaki el yazısı tanımayı iyileştirmek için kullanılır.
İlgili bloglar: https://ai.googleblog.com/2019/03/rnn-based-handwriting-recognition-in.html
Navigasyon ve konumlandırma açısından, GPS genellikle yalnızca kaba bir konumlandırmadır, ancak AI önemli bir rol oynayabilir.
Google Street View verilerini birleştiren, telefonu tutan ve arkasını dönen telefon, yolu tanıyan bir arkadaş haline gelecektir.Sokak görünümüne ve haritaya göre size işaret edeceğim: Bu hangi bina, hangi sokak bu ve burası Güney Burası kuzey, buraya gitmelisin.
İlgili bloglar: https://ai.googleblog.com/2019/02/using-global-localization-to-improve.html
Ayrıca, kullanıcı gizliliğini sağlamak için Google, ortak öğrenim üzerine de çalışmaktadır. Aşağıdaki makale, Google ekibi tarafından 2019'da yazıya dökülen ortak öğrenme ilerlemesiyle ilgili bir makaledir:
https://arxiv.org/abs/1912.04977
Eski moda cep telefonu kamerası da var.Google, 2019'da cep telefonu özçekimlerini geliştirdi.
İlgili bloglar: https://ai.googleblog.com/2019/04/take-your-best-selfie-automatically.html
Arka plan bulanıklığı ve portre modu da 2019'da iyileştirildi.
İlgili bloglar: https://ai.googleblog.com/2019/12/improutions-to-portrait-mode-on-google.html
Yıldızları çekmek için gece sahnesi mücadelesi de büyük ölçüde iyileştirildi ve SIGGRAPH Asia'nın bir makalesi de yayınlandı.
İlgili bloglar: https://ai.googleblog.com/2019/11/astrophotography-with-night-sight-on.html
İlgili makaleler: https://arxiv.org/abs/1905.03277 https://arxiv.org/abs/1910.11336
Sağlık ve tıp
2019, Google Health ekibinin yaşadığı ilk tam yıldır.
2018'in sonunda Google, yeni bir Google Health ekibi oluşturmak için Google Research sağlık ekibi, Deepmind Health ve sağlıkla ilgili donanım departmanlarını yeniden düzenledi.
1. Google, hastalıkların teşhisi ve erken teşhisinde bir dizi başarı elde etti:
Göğüs kanserini keşfetmek için derin öğrenme modellerini kullanmak insan uzmanlarından daha doğrudur ve tanıda yanlış pozitif ve yanlış negatif vakaları azaltır. Bu araştırma, kısa bir süre önce Nature dergisinde yayınlandı.
İlgili Bağlantılar:
Google AI meme kanseri tespiti insanları geride bıraktı, LeCun sorguladı ve tartışmalara neden oldu, ancak düz göğüslü kızlar geçerli olmayabilir
Ayrıca Google, cilt hastalığı teşhisi, akut böbrek hasarı tahmini ve akciğer kanserinin erken teşhisinde bazı yeni başarılar elde etti.
2. Google, doktorların lezyonu hızlı bir şekilde bulmasına yardımcı olmak için mikroskoba gelişmiş görüntüleme teknolojisi eklemek gibi diğer tıbbi teknolojilerdeki diğer teknolojilerle birlikte makine öğrenimini kullanır.
İlgili Bağlantılar:
Yapay zeka, kanser hücrelerini gerçek zamanlı olarak tarar, sıradan mikroskoplar sadece iyileştirme yapılarak kullanılabilir ve Google'ın yeni buluşları Nature'da yayınlanır.
Google ayrıca patologlar için insan merkezli benzer bir görsel arama aracı oluşturdu ve doktorların daha etkili teşhis koymalarına yardımcı olmak için benzer vakaların incelenmesine olanak tanıdı.
AI engellilere yardımcı olur
AI hayatlarımıza gittikçe yaklaşıyor. Geçtiğimiz yıl Google, günlük yaşamlarımızda bize yardımcı olmak için yapay zekayı kullandı.
Güzel görüntüleri kolayca görebilir, en sevdiğimiz şarkıları dinleyebilir veya akrabalarımızla konuşabiliriz, ancak dünyada bir milyardan fazla insan dünyayı bu yollarla anlayamaz.
Makine öğrenimi teknolojisi, bu görsel-işitsel sinyalleri başka sinyallere dönüştürerek engelli insanlara hizmet edebilir. Google tarafından sağlanan AI asistanı teknolojileri şunları içerir:
Lookout, görme engelli veya az gören kişilerin çevresindeki çevre bilgilerini tanımasına yardımcı olur.
Gerçek zamanlı transkripsiyon teknolojisi Canlı Altyazı Sağır veya işitme güçlüğü çeken kişilerin konuşmayı hızla metne dönüştürmesine yardımcı olun.
İlgili Bağlantılar:
Google AI, Yılbaşı Gecesini kutluyor: Sağır ve dilsiz insanlara teknolojik faydalar sağlayan ana sayfa grafitisinin sürprizleri var
Euphonia projesi, kişiselleştirilmiş konuşmadan metne dönüştürme gerçekleştiriyor. Donma gibi hastalıkların neden olduğu konuşma bozukluğundan muzdarip insanlar için bu araştırma, otomatik konuşma tanımanın doğruluğunu artırdı.
Ayrıca iletişimi iyileştirmeye yardımcı olmak için uçtan uca sinir ağlarını kullanan bir Parrotron projesi de var, ancak odak, konuşmadan sese dönüştürme üzerinedir.
Görme engelli ve az gören kişiler için Google, görüntü açıklamaları oluşturmak için AI teknolojisini kullanır. Ekran okuyucular açıklamaları olmayan resim veya grafiklerle karşılaştığında, Chrome artık açıklamaları otomatik olarak oluşturabilir.
Ses formatındaki metinleri okumak için bir araç olan Google Go için Lens, okuma yazma bilmeyen kullanıcıların kelimelerin dünyasında bilgi edinmesine büyük ölçüde yardımcı olur.
AI, sosyal refahı teşvik eder
Jeff Dean, makine öğreniminin birçok önemli sosyal sorunu çözmek için büyük önem taşıdığını söyledi.Google bazı sosyal sorun alanlarında çaba sarf ediyor ve başkalarının bu sorunları çözmek için yaratıcılığı ve becerileri kullanmasına izin vermeye kararlı.
Sel sorununu ele alalım, örneğin her yıl yüz milyonlarca insan sellerden etkileniyor. Google sel tahminleri yapmak ve etkilenen bölgelerdeki milyonlarca insana uyarılar göndermek için makine öğrenimi, hesaplamalar ve daha iyi veritabanları kullanır.
Hatta bir atölye kurdular ve bu sorunu çözmek için birçok araştırmacı buldular.
İlgili bloglar: https://www.blog.google/technology/ai/tracking-our-progress-on-flood-forecasting/ https://ai.googleblog.com/2019/09/an-inside-look-at-flood-forecasting.html https://ai.googleblog.com/2019/03/a-summary-of-google-flood-forecasting.html
Ayrıca Google, makine öğrenimi ve hayvan ve bitki araştırmalarıyla ilgili bazı çalışmalar da yaptı.
Vahşi hayvanların fotoğraf verilerini analiz etmeye ve bu vahşi hayvanların topluluklarının nerede olduğunu bulmaya yardımcı olmak için makine öğrenimini kullanmak üzere yedi yaban hayatı koruma kuruluşuyla işbirliği yaptılar.
İlgili bloglar: https://www.blog.google/products/earth/ai-finds-where-the-wild-things-are/
Google ayrıca balina popülasyonlarının konumunu belirlemek için su altı ses verilerini kullanmak üzere ABD Okyanus ve Atmosfer İdaresi ile işbirliği yapmaktadır.
İlgili bloglar: https://www.blog.google/technology/ai/pattern-radio-whale-songs/
Google, makine öğrenimini kullanarak biyoçeşitliliği incelemek için bir dizi araç yayınladı.
İlgili bloglar: Biyoçeşitlilikte İşbirliğine Dayalı Makine Öğrenimi Araştırması için Yeni Bir İş Akışı https://ai.googleblog.com/2019/10/a-new-workflow-for-collaborative.html
Ayrıca bilgisayar görüşü kullanarak manyok yapraklarındaki çeşitli hastalıkları sınıflandırmak için bir Kaggle yarışması düzenlediler. Manyok, Afrika'daki en büyük ikinci karbonhidrat kaynağıdır. Manyok hastalığı, insanların video güvenlik sorunlarını etkiler.
https://www.kaggle.com/c/cassava-disease
Google Earth'ün Timelapse işlevi de güncellendi ve buradan nüfus hareketini ve göç verilerini bile görebilirsiniz.
İlgili bloglar: https://ai.googleblog.com/2019/06/an-inside-look-at-google-earth-timelapse.html https://ai.googleblog.com/2019/11/new-insights-into-human-mobility-with.html
Eğitim için Google, çocukları İngilizce öğrenmeye yönlendirmek için ses tanıma teknolojisine sahip bir Bolo uygulaması yaptı. Bu uygulama yerel olarak dağıtılır ve çevrimdışı çalıştırılabilir. 800.000 Hintli çocuğun okumayı öğrenmesine ve çocukların 1 milyar kelimeyi okumasına yardımcı oldu.Hindistan'ın 200 köyündeki pilot projede çocukların% 64'ü okuma becerilerini geliştirdi.
İngilizce'nin akıcı bir şekilde konuşulduğu bir Google versiyonu gibi görünüyor.
İlgili bloglar: https://www.blog.google/technology/ai/bolo-literacy/
Okuryazarlığın yanı sıra matematik ve fizik gibi daha karmaşık konular da var. Google, lise öğrencilerinin matematik öğrenmesine yardımcı olmak için bir Sokratik uygulaması yaptı.
Ayrıca, yapay zekanın kamu refahında daha büyük bir rol oynamasına izin vermek için Google, 119 ülkeden 2.600'den fazla teklif toplayan AI Impact Challenge'ı düzenledi.
Sonunda, önemli sosyal ve çevresel sorunları çözebilecek 20 teklif öne çıktı. Google, bu önerilere 25 milyon ABD doları (170 milyon yuan'ın üzerinde) yatırım yaptı ve aşağıdakiler dahil bazı başarılar elde etti:
Médecins Sans Frontières (MSF), kötü koşullarda klinisyenlerin antibakteriyel görüntüleri analiz etmelerine ve hastalara hangi ilacı kullanmaları gerektiği konusunda tavsiyelerde bulunmalarına yardımcı olmak için görüntü tanıma araçlarını kullanan ücretsiz bir mobil uygulama oluşturdu. Bu proje Ürdün'de denenmiştir.
Sınır Tanımayan Doktorların proje raporu: https://www.doctorswithoutborders.org/what-we-do/news-stories/news/msf-receives-google-grant-develop-new-free-smartphone-app-help
Dünyada bir milyar insan küçük çiftliklerde yaşıyor, ancak zararlılar ve hastalıklar ortaya çıktığında yaşam tarzları kesilecek.
Bu nedenle, Wadhwani AI adlı bir NPO, çiftlikteki zararlıları tanımlamak için bir görüntü sınıflandırma modeli kullandı ve hangi pestisitlerin ne zaman püskürtüleceği konusunda tavsiyelerde bulunarak mahsul verimini artırdı.
Tropikal yağmur ormanlarının yasadışı ormansızlaştırılması, iklim değişikliğini etkileyen ana faktördür. "Rainforest Connection" adlı bir kuruluş, biyoakustik saptama yapmak için derin öğrenmeyi kullanır. Yağmur ormanlarının sağlığını izlemek ve tehditleri tespit etmek için bazı eski cep telefonlarını kullanabilirsiniz. .
Geliştirici araçları, araştırma topluluğunu oluşturur ve bunlara fayda sağlar
Dünyanın en büyük yapay zeka üreticisi olan Google, aynı zamanda bir açık kaynak öncüsü ve toplulukta parlamaya devam ediyor. Bir yandan TensorFlow'a odaklanıyor.
Jeff Dean, TensorFlow 2.0'ın piyasaya sürülmesi nedeniyle geçen yılın açık kaynak topluluğu için heyecan verici bir yıl olduğunu söyledi.
Bu, TensorFlow'un piyasaya sürülmesinden bu yana yapılan ilk büyük yükseltmedir ve makine öğrenimi sistemleri ve uygulamaları oluşturmayı her zamankinden daha kolay hale getirir.
Kübitlerle ilgili raporlar aşağıdaki gibidir:
GoogleTF2.0 sabah erken saatlerde yayınlandı! "Her şeyi değiştir, PyTorch'u yen"
TensorFlow Lite'ta, hızlı hareket eden GPU çıkarımı için destek eklediler ve kod yazmayı gerektirmeyen ve tek bir düğmeyle bir makine öğrenimi modelini eğitebilen Öğretilebilir Makine 2.0'ı piyasaya sürdüler.
Kübitlerle ilgili raporlar aşağıdaki gibidir:
TensorFlow Lite büyük bir güncelleme yayınladı! Mobil GPU desteği, çıkarım hızı 4-6 kat arttı
Ayrıca, yazılım ve donanım parçalarının artan karmaşıklığını çözen ve yapay zeka uygulamaları oluşturmayı kolaylaştıran, açık kaynaklı bir makine öğrenimi derleyici temel aracı olan MLIR de vardır.
NeurIPS 2019'da, açık kaynaklı yüksek performanslı makine öğrenimi araştırma sistemi JAX'in nasıl kullanılacağını gösterdiler:
https://nips.cc/Conferences/2019
Buna ek olarak, algı ve çok modlu uygulamalar için makine öğrenimi ardışık düzenleri oluşturmaya yönelik bir çerçeve olan kaynaklı MediaPipe'ı da açarlar:
https://github.com/google/mediapipe
Ve verimli kayan nokta sinir ağı çıkarım operatörü kitaplığı XNNPACK:
https://github.com/google/XNNPACK
Elbette Google da herkes için bir miktar yün çıkardı.
Jeff Dean, 2019'un sonunda dünya çapında 1.500'den fazla araştırmacının TensorFlow Research Cloud aracılığıyla Cloud TPU'ya ücretsiz olarak erişmesine izin verdiklerini ve Coursera'daki giriş kurslarının 100.000 öğrenciyi aştığını söyledi.
Aynı zamanda, bazı "kalp ısınma" vakaları da ortaya koydu: Örneğin, bir üniversite öğrencisi TensorFlow'un yardımıyla iki yeni gezegen keşfetti ve başkalarının daha fazla gezegen keşfetmesine yardımcı olacak bir yöntem geliştirdi.
Üniversite öğrencileri de Los Angeles'taki çukurları ve tehlikeli yol çatlaklarını belirlemek için TensorFlow kullanıyor.
Diğer yön ise açık veri kümeleridir.
11 veri seti açın
Veri seti arama motoru 2018'de piyasaya sürüldükten sonra, Google bu yıl hala çok çalışıyor ve arama motoruna katkıda bulunmak için elinden geleni yapacak.
Geçtiğimiz yıl Google, çeşitli alanlarda 11 veri kümesi açtı. Kaynaklar aşağıda yayınlanacak. Lütfen bunları uzak tutun ~ Ek açıklama kümesine segmentasyon maskeleri ekleyen Görseller V5'i açın, örnek boyutu 2,8 milyona ulaşır, 350 kategoriyi kapsar, kübit raporları:
2.8 milyon örnek! Google, tarihteki en büyük segmentasyon maskesi veri kümesini açarak yeni bir meydan okuma turu başlatıyor
"Doğal Sorular" veri seti, doğal olarak oluşan sorguları kullanan ve kısa bir paragraftan, 300.000 çift soru ve cevaptan cevaplar çıkarmak yerine sayfanın tamamını okuyarak cevapları bulan ilk veri seti, BERT 70 puana ulaşmıyor, kuantum Raporlar:
Google, süper zor soru cevap veri setini "doğal sorular" yayınladı: 300.000 çift soru-cevap, BERT 70 puana ulaşamıyor
Deepfake'leri tespit etmek için kullanılan veri seti:
https://ai.googleblog.com/2019/09/contributing-data-to-deepfake-detection.html
Google Research Football'un futbol simülasyon ortamında, temsilci bu FIFA benzeri dünyada özgürce oynayabilir ve daha fazla tekme becerisi öğrenebilir. Qubit raporlar:
Google, yapay zekanın FIFA Açık kaynak ve API gibi yoğun öğrenim eğitimleri yapmasına izin vermek için sanal bir futbol sahası oluşturdu
Dönüm noktası veri kümesi Google-Simge-v2: 5 milyon resim içerir, yer işaretlerinin sayısı 200.000'e ulaşır ve kübit raporları: 5 milyon resim, 200.000 yer işareti ve manzara, Google büyük bir veri seti yayınladı
Büyük ölçekli bir sınıflandırma ve zaman konumlandırma veri kümesi olan YouTube-8M Segmentleri veri kümesi, YouTube-8M videolarının 5 saniyelik segment düzeyinde manuel doğrulama etiketleri içerir: https://ai.googleblog.com/2019/06/announcing-youtube-8m-segments-dataset.html
AVA Spoken Activity veri seti, çok-modlu sesli + görsel video algısal diyalog veri seti:
https://research.google.com/ava/
PAWS ve PAWS-X: Makine çevirisi için, her iki veri seti de yüksek düzeyde yapılandırılmış cümle çiftlerinden oluşur ve kelime dağarcığı birbiriyle çok yüksektir. Cümlelerin yaklaşık yarısı karşılık gelen çok dilli yoruma sahiptir:
https://ai.googleblog.com/2019/10/releasing-paws-and-paws-x-two-new.html
İki kişinin diyalog kurmasına izin veren ve bir dijital asistan aracılığıyla insan diyaloğunu simüle eden doğal bir dil diyalog veri seti: https://ai.googleblog.com/2019/09/announcing-two-new-natural-language.html
Görsel Görev Uyarlama Karşılaştırması: Bu, GLUE ve ImageNet'i karşılaştırmak için Google tarafından başlatılan görsel bir görev uyarlanabilirlik karşılaştırmasıdır.
Kullanıcıların hangi görsel temsillerin diğer yeni görevler için genelleştirilebileceğini daha iyi anlamalarına yardımcı olur ve böylece tüm görsel görevlerdeki veri gereksinimlerini azaltır:
17 etki alanına yayılan 18.000'den fazla diyalogla, görev odaklı diyalogların en büyük kamuya açık veritabanı - Model Kılavuzlu Diyalog Veri Seti:
Dinghui Research ve Google Research'ün küresel genişlemesi
Google'ın resmi istatistiklerine göre, Google çalışanı geçen yıl 754 makale yayınladı.
Jeff Dean ayrıca bazı en iyi oyunları listeledi:
CVPR'de 40'tan fazla makale, ICML'de 100'den fazla makale, ICLR'de 60'tan fazla makale, ACL'de 40'tan fazla makale, ICCV'de 40'tan fazla makale, NeurIPS'de 120'den fazla makale v.b.
Ayrıca, küresel sel uyarılarını iyileştirmekten, engelli kişilere daha iyi hizmet veren sistemler oluşturmak için makine öğreniminin nasıl kullanılacağına ve kuantum işlemciler için algoritmaların geliştirilmesini hızlandırmaya (NISQ) kadar çeşitli konularda Google'da 15 bağımsız seminer düzenlediler. , Uygulamalar ve araçlar vb. Yıllık doktora burs programı aracılığıyla, dünya çapında 50'den fazla doktora öğrencisi finanse edildi ve ayrıca yeni kurulan şirketlere destek sağladılar.
Benzer şekilde, 2019'da Google'ın araştırma yerleri, Bangalore'da bir araştırma ofisi açarak küresel olarak genişlemeye devam etti. Jeff Dean aynı zamanda bir işe alma talebinde bulundu: İlgileniyorsanız acele edin ~
Yapay Zeka Etiği
Önceki yıllarda olduğu gibi bu rapor da başladı, aslında ilk olarak Google'ın yapay zeka etiği konusundaki çalışmalarından bahsetti Jeff.
Bu aynı zamanda Google'ın yapay zeka uygulaması, etik ve teknoloji konusundaki net ifadesidir.
2018'de Google, AI'nın yedi ilkesini yayınladı ve bu ilkeler çerçevesinde uygulama uygulamaları gerçekleştirdi. Haziran 2019'da Google, bu ilkelerin araştırma ve ürün geliştirmede nasıl uygulamaya konulacağını gösteren bir karne verdi.
Bağlantı bildir: https://www.blog.google/technology/ai/responsible-ai-principles/
Jeff Dean, bu ilkelerin temelde makine öğrenimi sistemlerinde önyargı, güvenlik, adalet, güvenilirlik, şeffaflık ve gizlilik gibi yapay zeka ve makine öğreniminin en aktif alanlarını kapsadığını söyledi.
Bu nedenle, Google'ın amacı, bu alanlardaki teknolojileri çalışmak için uygulamak ve ilgili teknolojilerin gelişimini teşvik etmeye devam etmek için araştırma yapmaya devam etmektir. Bir yandan Google, makine öğrenimi modellerinin adilliğini ve yorumlanabilirliğini tartışmak için KDD'19 ve AIES 19 gibi akademik konferanslarda birçok makale yayınladı.
Örneğin, Aktivasyon Atlaslarının sinir ağı davranışını keşfetmeye nasıl yardımcı olabileceği ve makine öğrenimi model yorumlanabilirliğine nasıl yardımcı olabileceği üzerine araştırma.
İlgili Bağlantılar: Aktivasyon Atlasları ile Sinir Ağlarını Keşfetme https://ai.googleblog.com/2019/03/exploring-neural-networks.html
Öte yandan Google'ın çabaları da uygulandı ve fiilen ürün üretti.
Örneğin, gizliliği garanti eden makine öğrenimi modellerini eğitmeye yardımcı olmak için TensorFlow Privacy yayınlandı.
İlgili Bağlantılar: TensorFlow Gizliliğine Giriş: Eğitim Verileri için Diferansiyel Gizlilikle Öğrenme https://blog.tensorflow.org/2019/03/introducing-tensorflow-privacy-learning.html
Ayrıca Google, derin sahteleri araştırmaya ve tanımlamaya yardımcı olacak yeni bir veri seti yayınladı.
İlgili Bağlantılar: Derin Sahte Tespit Araştırmasına Katkıda Bulunan Veriler https://ai.googleblog.com/2019/09/contributing-data-to-deepfake-detection.html
2020 ve sonrasına bakış
Son olarak Jeff, geçtiğimiz 10 yılın geliştirme geçmişine dayanarak 2020 ve sonrasındaki araştırma trendlerini de dört gözle bekledi.
Son on yılda makine öğrenimi ve bilgisayar biliminin önemli ilerleme kaydettiğini ve artık bilgisayarları her zamankinden daha fazla görme, duyma ve anlama yeteneğine sahip hale getirdiğimizi söyledi.
Ceplerimizde, karmaşık bilgi işlem cihazlarıyla, bu yetenekleri günlük hayatımızdaki birçok görevi tamamlamamıza daha iyi yardımcı olmak için kullanabiliriz.
Google2020
?
Google AI
~
https://ai.googleblog.com/2020/01/google-research-looking-back-at-2019.html
Google 2019 https://research.google/pubs/?year=2019
-Bitiş-
Tsinghua-Qingdao Veri Bilimi Enstitüsü'nün resmi WeChat kamu platformunu takip edin " THU Veri Pastası "Ve kız kardeş numarası" Veri Pastası THU "Daha fazla ders avantajı ve kaliteli içerik elde edin.
