Кураторский контент о глубоких технологиях и искусственном интеллекте, который люди в Radical читают и обдумывают. Зарегистрируйтесь здесь, чтобы еженедельно получать Radical Reads прямо в свой почтовый ящик.
1) Инструменты моделирования ИИ:Посмотрите, как искусственный интеллект учится моделировать неаккуратные смеси воды, песка и «липкой массы» (наука).
«На этой неделе на Международной конференции по машинному обучению компания DeepMind, занимающаяся искусственным интеллектом, представила новый тип модели под названием симулятор на основе графической сети (GNS). Программа может реалистично воссоздать взаимодействие между десятками тысяч частиц различных материалов, длящееся тысячи кадров анимации.
…В экспериментах новая система была более точной и лучше обобщала различные явления, чем конкурирующие подходы ИИ, несмотря на ее простоту. Исследователи надеются, что помимо крутых визуальных эффектов этот метод поможет машинам рассуждать об окружающем мире».
Комментарий Radical:ученые и специалисты по спецэффектам уже довольно давно используют программное обеспечение для моделирования физики, также известное как физические движки, при разработке видеоигр и научных экспериментов. Там, где программы моделирования требуют много времени и опыта для разработки, этот подход ИИ может моделировать сложные физические явления посредством наблюдения. Приложения выходят за рамки привлекательных визуальных эффектов и включают в себя планирование стихийных бедствий и улучшенное машинное мышление о физическом мире.
Полученная в результате визуализация также является убедительным средством для понимания машинного прогнозирования. Этот подход использует графовые сети для представления сцены как взаимодействующих частиц в сети, передающих друг другу сообщения об их положении, скоростях и свойствах материала. Эти сообщения и ответы частиц изучаются путем проб и ошибок путем сравнения прогнозов с прогнозами традиционных физических двигателей. После обучения система может обобщать невиданные ранее ситуации — предсказывать поведение во много раз большего количества частиц или что произойдет, если вы добавите больше препятствий, таких как пандусы, или встряхнете коробку.
2) Обнаружение мошенничества с помощью ИИ: Как Visa использовала данные и ИИ для предотвращения мошенничества на сумму 25 миллиардов долларов (Venture Beat)
«Текущая система представляет собой эволюцию службы обнаружения мошенничества, первоначально развернутой в 1993 году. Сегодня система использует рекуррентные нейронные сети вместе с деревьями с градиентным усилением. Макшерри сказал, что наличие определенного варианта использования — обнаружение мошенничества — позволило Visa сосредоточиться на том, как AI и ML могут помочь улучшить услуги…
… Как правило, Visa продолжает искать варианты использования, в которых ИИ и машинное обучение могли бы обеспечить повышение эффективности как минимум на 20–30 %. В некоторых случаях Visa увеличила количество процессов на 100 %, когда применила передовые методы искусственного интеллекта, такие как нейронные сети с глубоким обучением».
Комментарий Radical: хотя неудивительно, что крупные платежные системы, такие как Visa, вкладывают средства в ИИ для улучшения обнаружения мошенничества, масштабы экономии впечатляют. Visa не одинока в этом отношении — на Уолл-стрит такие фирмы, как JPMorgan, сообщают, что искусственный интеллект уже помогает им экономить 150 миллионов долларов в год на предотвращении мошенничества.
Многое часто пишут об опасностях ИИ, но мы уже начинаем видеть множество сценариев, в которых он используется для полезных профилактических мер, в том числе в качестве ингибитора злонамеренных атак, предотвращения мошенничества и кибербезопасности.
3) Ответственный ИИ: Обновленная информация о нашей работе в области ИИ и ответственных инноваций (блог Google)
«Искусственный интеллект — это мощный инструмент, который будет оказывать значительное влияние на общество в течение многих лет, начиная с повышения устойчивости во всем мире и заканчивая повышением точности скрининга заболеваний. Как лидер в области искусственного интеллекта, мы всегда придавали первостепенное значение пониманию его социальных последствий и его разработке таким образом, чтобы он подходил всем».
Комментарий Radical: Google представила обновленную версию своих Принципов искусственного интеллекта, первоначально выпущенную в 2018 году, чтобы изложить обязательство компании ответственно разрабатывать технологии искусственного интеллекта и определить конкретные области применения, которые нельзя использовать, например те, которые нарушают прав человека или позволяют осуществлять слежку, нарушающую международные нормы.
Операционные инициативы, которые, по словам Google, были предприняты за последние двенадцать месяцев, включают:
- Обучение сотрудников выявлению проблем, противоречащих принципам искусственного интеллекта компании.
- Исследование инструментов и методов для улучшения объективности и удобочитаемой интерпретации систем машинного обучения.
- Лучший способ сообщить о намерениях, использовании и производительности моделей ИИ экспертам, не занимающимся ИИ.
- Итеративный процесс (иногда с участием внешних органов) для рассмотрения предложений по исследованиям и приложениям ИИ и их соответствия Принципам ИИ.
- Внешнее взаимодействие для увеличения числа и разнообразия взглядов со стороны, особенно групп, которые в настоящее время недостаточно представлены в технологической отрасли и на которых, скорее всего, повлияют последствия ИИ и передовых технологий.
В Radical мы считаем, что ИИ — это преобразующий инструмент, который может решить некоторые из самых серьезных социальных, деловых и экологических проблем нашего мира. Однако руководящие принципы, устанавливающие безопасное и ответственное применение этой технологии, так же важны, как и сами приложения. Мы продолжим возвращаться к этой теме.
4) ИИ, робототехника и исследования: Робот-лаборант в 1000 раз быстрее проводит исследования (The Verge)
"Исследователи разработали, по их словам, революционного робота-лаборанта, способного передвигаться по лаборатории и проводить научные эксперименты так же, как человек.
В ходе испытаний, опубликованных в журнале Nature сегодня, создатели робота во главе с аспирантом Бенджамином Бургером заявили, что он смог проводить эксперименты в 1000 раз быстрее, чем лаборант-человек. возможность работать круглосуточно без перерывов.
Но профессор Энди Купер, чья лаборатория разработала робота, говорит The Verge, что скорость не обязательно важна. По его словам, основное преимущество такого инструмента заключается в том, что он позволяет ученым исследовать направления исследований, на которые они не стали бы тратить время человека».
Радикальный комментарий: эта статья и видео, показывающее робота, разработанного химиками из Ливерпульского университета в Великобритании, подчеркивают сдвиг парадигмы в автоматизации исследователя, а не инструмента. Этот робот провел 688 экспериментов в течение 8 дней, работая по 22 часа в сутки с целью создания более эффективных химических реакций. Это было сделано с использованием алгоритма оптимизации, который дал ему возможность принимать решения, и лидара для картирования среды, в которой он работал. В краткосрочной перспективе это решение уже принесло прибыль, позволив продолжить критически важную лабораторную работу в разгар текущей пандемии.
Мы считаем, что подобные технологии будут играть еще более важную роль в долгосрочной перспективе. Это позволит делать новые и более быстрые открытия, увеличивая количество людей, которые получат больше времени, чтобы посвятить работу с добавленной стоимостью. Он также послужит ключевым рычагом в переходе отрасли наук о жизни от относительно ручной ремесленной отрасли к промышленно развитой и автоматизированной.
5) Разработка программного обеспечения: Глубокое обучение полного стека
«С 2012 года глубокое обучение привело к заметному прогрессу в решении множества сложных вычислительных задач, от распознавания изображений до распознавания речи, робототехники и синтеза звука. Глубокое обучение может открыть новый набор ранее невозможных технологий, таких как автономные транспортные средства, перевод в реальном времени и голосовые помощники, а также помочь переосмыслить существующие категории программного обеспечения.
Существует множество отличных курсов по обучению глубоких нейронных сетей. Однако обучение модели — это только часть реализации проекта глубокого обучения. Этот курс обучает полнофункциональному глубокому обучению:
- Формулировка проблемы и оценка стоимости проекта
- Поиск, очистка, маркировка и дополнение данных
- Выбор правильной платформы и вычислительной инфраструктуры
- Обучение устранению неполадок и обеспечение воспроизводимости
- Развертывание модели в масштабе”
Комментарий Radical:Одна из вещей, которые мы ищем в компаниях, с которыми мы сотрудничаем, — это способность команды основателей развертывать продукты глубокого обучения в масштабе — это было одним из наших ключевых отличий на уровне 6. Полный стек Глубокое обучение выглядит как хороший ресурс для компаний, стремящихся преодолеть разрыв от обучения моделей машинного обучения до развертывания систем искусственного интеллекта в реальном мире. Курс создан Питером Аббелем, соучредителем Covariant (портфельная компания Radical), вместе с Джошем Тобином и Сергеем Караевым и призван охватить различные элементы, необходимые для выпуска программного продукта машинного обучения. .
Примечание редактора. Мы продолжим использовать эту платформу для публикации без комментариев статей, посвященных данным и их использованию для иллюстрации и освещения расовой несправедливости. Потому что вы не можете исправить проблемы, которых не видите и не понимаете.
6) Афроамериканцы остались за бортом городского экономического бума (Кварц)
"За последние пару десятилетий американские города заменили свои заброшенные центры блестящими новыми жилыми комплексами, модными ресторанами и офисными зданиями с высокооплачиваемыми рабочими местами.
Согласно данным Бюро экономического анализа, в период с 2001 по 2018 год экономика крупнейших городских агломераций США удвоилась.
Но чернокожие американцы практически не участвовали в городском экономическом буме. От владения жильем до дохода они постоянно отставали от своих белых коллег. Эти различия подливают масла в огонь протестов, вызванных смертью Джорджа Флойда и другими случаями жестокости полиции. “
7)Самый полный взгляд на расовое неравенство коронавируса (Нью-Йорк Таймс)
«Предварительные данные показали, что чернокожие и латиноамериканцы пострадали от вируса чаще. Но новые федеральные данные, опубликованные после того, как The New York Times подала в суд на Центры по контролю и профилактике заболеваний, раскрывают более четкую и полную картину: чернокожие и латиноамериканцы непропорционально сильно пострадали от коронавируса, который распространился по всей стране. в сотнях округов в городских, пригородных и сельских районах и во всех возрастных группах».
— R —
