10 статей с данными, подобранных командой Sicara специально для вас

Прочтите оригинальную статью в блоге Sicara здесь.

Добро пожаловать в октябрьский выпуск наших лучших и любимых статей по AI, опубликованных в этом месяце. Мы - парижская компания, которая занимается гибкой разработкой данных. В этом месяце мы заметили статьи об ИИ, который может решать физические задачи, рисовать портреты, судить преступников, играть в видеоигры и даже распознавать запахи! Начнем, как обычно, с комикса месяца:

1 - AlphaStar: уровень гроссмейстера в StarCraft II с использованием многоагентного обучения с подкреплением

Бот AlphaStar DeepMind сумел войти в лигу гроссмейстеров в Starcraft II. Эта лига является самой высокой из семи рейтинговых лиг игры. Разработчики сделали три разных варианта игры агента против реальных игроков на Battle.net. Самая продвинутая версия в среднем попадала в 0,15% лучших игроков.

Кстати, если вы хотите разработать своего собственного бота для Starcraft II, вы можете, как и DeepMind, использовать официальный клиент API Blizzard, который обеспечивает полный внешний контроль над игрой. Если вы хотите взглянуть на официальный исследовательский документ вместе с псевдокодом DeepMind, подробной архитектурой и наборами данных с повторами игр для обучения своих ботов, они доступны здесь.

Прочтите AlphaStar: уровень гроссмейстера в StarCraft II с использованием многоагентного обучения с подкреплением - Из блога DeepMind.

2 - Сборка кубика Рубика с помощью руки робота

OpenAI обучил руку робота, способную манипулировать кубиком Рубика. Чтобы быть ясным, это достижение на самом деле связано не с решением куба ,, а скорее с разработкой чрезвычайно ловкого агента, способного с высокой степенью точности взаимодействовать с окружающей средой.

Весь тренировочный процесс проходил в смоделированной среде. Новый метод, получивший название Автоматическая рандомизация доменов, создавал все более сложные условия по мере обучения агента. Для большей сложности разработчики внесли различные возмущения во время тестов на надежность с помощью настоящей руки робота. Мой любимый - милый плюшевый жираф, любопытно тыкающий кончиком носа в куб! Другие включают в себя накинуть одеяло на руку робота или заставить его собирать куб в резиновой перчатке.

Прочтите Сборка кубика Рубика с помощью руки робота - из Блог OpenAI.

3 - Пейзаж потерь

Нейронные сети распространены повсеместно. Но что на самом деле происходит внутри них? Это остается загадкой даже для их разработчиков. Этот новый проект отправит вас в путешествие в завораживающий мир странно приятных пейзажей потерь. Вот некоторые из визуализаций, созданных в рамках проекта Loss Landscape:

  • LR Coaster, позволяющий кататься по минимайзеру во время стресс-теста скорости обучения,
  • Sentinel, исследующий процесс оптимизации сверточной сети,
  • WALTZ-RES, который показывает разницу между двумя сетями ResNet, с пропуском подключений и без них,

и многое другое!

Посетите Пейзаж утраты - Автор Javier Ideami.

4. Превратите скрипты Python в красивые инструменты машинного обучения

Streamlit - это новая среда Python с открытым исходным кодом, созданная для инженеров машинного обучения. Как обещают разработчики на своем веб-сайте, это самый быстрый способ создания собственных инструментов машинного обучения. Используя Streamlit, вы можете создавать изящные веб-приложения для обслуживания ваших моделей, используя всего несколько строк кода Python!

Вот основные принципы концепции :

  • Сценарии прекрасны: каждое приложение Streamlit представляет собой скрипт Python без сохранения состояния.
  • Нет обратных вызовов: каждый виджет - это переменная !
  • Повторное использование информации: данные и вычисления кэшируются в хранилище данных Streamlit, что позволяет безопасно хранить информацию .

Попробуйте прямо сейчас и убедитесь в этом сами!

Прочтите Превратите скрипты Python в красивые инструменты машинного обучения - Из На пути к науке о данных

5. Сможете ли вы сделать ИИ более справедливым, чем судья? Играйте в нашу игру с алгоритмом зала суда

КОМПАС - это алгоритм, используемый в судах США. Он проверяет криминальное прошлое обвиняемого и выдает «оценку риска». Этот балл отражает вероятность того, что подсудимый станет рецидивистом.

Оказалось, что алгоритм имеет расовую предвзятость, хотя оценка не учитывает расу. Эта часть позволяет вам настроить параметры алгоритма и сделать его более справедливым!

Прочтите Сможете ли вы сделать ИИ справедливее судьи? Играйте в нашу игру с алгоритмом зала суда - Автор: MIT Technology Review

6.Нейронная сеть решает задачу трех тел в 100 миллионов раз быстрее

Задача трех тел - это классическая физическая задача вычисления траекторий трех тел с учетом их начальных положений и скоростей . Первая конкретная версия этой проблемы, сформулированная в 17 веке, заключалась в вычислении движения Земли, Солнца и Луны.

Оказалось, что это чрезвычайно сложная проблема, поскольку полученная динамическая система хаотична, за исключением небольшого количества крайних случаев. Пока закрытого решения этой проблемы не найдено. Поэтому решения обычно вычисляются численно, что требует огромных вычислительных ресурсов.

Исследователи из Эдинбургского университета обучили нейронную сеть на решениях, созданных современной решающей программой под названием Brutus . В результате эта сеть может точно предсказывать движение трех тел до 100 миллионов раз быстрее, чем решающая программа.

Прочтите Нейронная сеть решает задачу трех тел в 100 миллионов раз быстрее - Из MIT Technology Review

7 - Обучение обонянию: использование глубокого обучения для предсказания обонятельных свойств молекул

Нас больше не удивляют модели искусственного интеллекта, которые могут видеть и слышать вещи. Но как насчет других чувств? Google разработал модель, которая может определять запах различных вещей путем прогнозирования дескрипторов запаха по молекулам. Он может различать запахи ванили, шоколада или цитрусовых, а также более сложные запахи, такие как пряный, мясной или сливочный.

Дальнейшие исследования в этой области могут позволить разрабатывать цифровые ароматы и создавать молекулы с совершенно новыми запахами. Также было бы невероятно полезно помочь тем, кто не чувствует запаха, ценить запахи, как и все остальные.

Прочтите Изучение запаха: использование глубокого обучения для предсказания обонятельных свойств молекул - из Google AI Blog

8 - Дудлинг и рисование без учителя с улучшенным СПИРАЛОМ

Возможно, вы уже знакомы с генеративными состязательными сетями, которые создают фотореалистичные изображения с высоким разрешением. С другой стороны, человеческие рисунки , , редко фотореалистичны, и тем не менее мы можем сказать, что изображено на картинке, а это значит, что они каким-то образом уловить сущность предметов. Эта сущность представляет собой высокоуровневое представление, включающее человеческие знания и структуру.

SPIRAL ++ - это структура GAN, которая учится рисовать как человек-художник. С помощью ограниченного количества мазков кистью и без присмотра алгоритм учится рисовать объекты, которые легко узнаваемы людьми. В этой статье вы можете щелкнуть любое изображение, нарисованное генератором сети, и увидеть весь процесс его создания, штрих за штрихом.

Прочтите Рисование и рисование без учителя с улучшенной спиралью - Автор Джон Ф. Дж. Меллор и др.

9 - Визуализация тензорных операций с факторными графами

Вы когда-нибудь чувствовали себя потерянными, глядя на какую-нибудь формулу, содержащую многомерные тензорные операции, и пытались понять, что она делает? Ты не одинок. Тензорные операции могут быть сложными для понимания.

Но не расстраивайтесь! Вот красивый метод, называемый факторными графиками, который создает мощные визуализации и помогает нам понять, что происходит, когда мы работаем с многомерными массивами данных.

Прочтите Визуализация тензорных операций с факторными графами - из Блог Раджата

10 - Улыбки сияют, стены краснеют: архитектура встречается с искусственным интеллектом в Microsoft

В рамках исследовательской программы Microsoft Artist in Residence программа разработала Ada, первый павильон на базе искусственного интеллекта, который может ощущать наши эмоции и изменить его цвета и освещение в ответ.

Названная в честь Ады Лавлейс, Ada представляет собой двухэтажную фото-люминесцентную структуру, созданную с использованием передовых технологий изготовления, таких как цифровое трехмерное вязание. Он может улавливать тон нашего голоса, выбор слов и выражений лица и использовать эту информацию для определения нашего настроения в реальном времени. Независимо от того, понимает он наши чувства или нет, это выглядит завораживающе!

Прочтите Луч улыбок и румянец стен: архитектура встречает искусственный интеллект в Microsoft - Из Microsoft AI Blog

Эта статья изначально была опубликована в блоге Сикары: https://www.sicara.ai/blog/10-2019-best-of-ai-october-2019

Прочтите сентябрьский выпуск
Прочтите июльский выпуск
Прочтите июньский выпуск

Некоторые статьи, которые мы недавно опубликовали в нашем блоге:

Детекторы лиц: понимание DSFD и современных алгоритмов
Определение гиперпараметров сети с помощью байесовской оптимизации
Глубокое обучение использования памяти и приемы оптимизации Pytorch

Спасибо Хьюго Л., Фатиме К. и Рафаэлю М.