В последние несколько лет искусственный интеллект стал огромной темой, и некоторые назвали его влияние «самой важной универсальной технологией нашей эпохи» (HBR, 2017). Для большинства людей до сих пор неизвестно, как это работает на самом деле. Для аналитиков и специалистов по обработке данных, создающих эти новые системы, это место представляет собой элегантное пересечение науки и искусства, которое перекликается со свободным духом хакера и творческим духом художника.

Для специалистов по данным стало обычным делом открывать исходные коды своих исследований, позволяя другим опираться на их результаты, чтобы расширить наше коллективное понимание технологии прогнозной аналитики и позволить практикам применять свои исследования для решения проблем в современном мире.

Сегодняшние специалисты варьируются от крупных технологических компаний, таких как Google, Facebook, Adobe, Nvidia и Uber, которые встраивают собственные проприетарные технологии и технологии с открытым исходным кодом в свои продукты, до небольших консалтинговых компаний, которые используют последние достижения в исследованиях искусственного интеллекта для решения сложных проблем для бизнеса. малые и большие одинаково.

Чтобы помочь лицам, принимающим решения, лучше понять возможности технологии, мы составили список последних интересных приложений ИИ.

1. Создание лиц знаменитостей

Обучая систему генерирующих состязательных сетей (GAN), модели можно обучить генерировать изображения с нуля. Проще говоря, GAN применяют две отдельные искусственные нейронные сети для работы друг с другом и друг против друга для оптимизации генеративного вывода, такого как изображение. Одной сети поручено генерировать изображение на уровне пикселей, а второй сети - распознавать это изображение. Эти два процесса работают гармонично, оптимизируя друг друга для достижения желаемого результата.

В недавнем усовершенствовании этой технологии, разработанном группой исследователей из NVIDIA (2017), использовалась новая методология обучения для улучшения качества, стабильности и вариативности изображений знаменитостей, созданных на основе набора данных CelebA. Обучая модель на все более крупных выборках из обучающего набора (от 4x4 пикселей до 1024x1024 пикселей), GAN может создавать изображения хорошего качества.

Полную версию исследования и ссылки на его репозиторий можно найти здесь.

2. Создание рекомендаций по новому дизайну

Другое недавнее приложение GAN развернуло этот метод в системе для создания предметов моды, соответствующих вкусам и предпочтениям данного пользователя, с учетом его прошлых покупок и данных об интересах. В этом исследовании исследователи из Калифорнийского университета в Сан-Диего и Adobe использовали глубокие нейронные сети для определения характеристик существующих предметов одежды (таких как цвета, узоры, типы и другие детали), чтобы обучить GAN создавать предметы одежды, которые иметь характеристики, аналогичные предпочтениям пользователя, а также соответствовать описанию желаемого результата, например синего платья.

Полное исследование можно найти здесь.

3. Core ML и распознавание лиц на устройстве от Apple:

С выпуском iOS 10 Apple представила Core ML, набор программных фреймворков, который позволил разработчикам интегрировать различные обученные модели машинного обучения в приложения, значительно расширив возможности приложений iOS. С этим Apple также начала внедрять модели распознавания лиц через свою структуру Vision, чтобы улучшить такие вещи, как архивирование фотографий и фокусировка камеры.

Совсем недавно Apple добилась огромных успехов в этой технологии, позволяя использовать модели распознавания лиц с глубокой сверточной сетью на своих мобильных устройствах высокого класса таким образом, чтобы эти интенсивные модели можно было запускать быстро и эффективно и не мешать множеству других одновременных функций, которые устройство, вероятно, работает. Core ML и Vision сделали это возможным. Полное объяснение можно найти здесь.

4. Прогнозируйте лайки в Instagram:

В недавнем исследовании студентов Эдинбургского университета изучалась возможность применения сверточных нейронных сетей (CNN) и обработки естественного языка (NLP) для прогнозирования количества лайков в посте в Instagram. Сначала был сгенерирован набор данных из 972 профилей Instagram и 16539 изображений, в которые были включены не только изображения, но и ключевые данные, такие как количество лайков, текст подписи, комментарии и подписчики. НЛП использовалось для анализа ключевых характеристик подписи и комментариев, и эта информация была проанализирована с использованием CNN наряду с другими элементами, такими как функции, извлеченные из самих изображений, и точки данных, такие как количество лайков и количество подписчиков.

Комбинация этих различных типов моделей дала неоднозначные результаты и действительно показывает, что есть возможности для улучшения, но она эффективна в качестве доказательства концепции. Полную версию исследования можно найти здесь.

5. Fashion-MNIST

MNIST - это большой набор помеченных изображений рукописных цифр, которые легли в основу бесчисленных исследований и моделей в области оптического распознавания символов (OCR). В недавнем исследовании был разработан набор для замены MNIST с перетаскиванием, который представляет собой набор из 70000 изображений модных предметов в 10 категориях, предназначенных для моделей MNIST, а не набор изображений из нарисованных от руки цифр. для процессов классификации.

Бумагу и полный набор изображений можно найти здесь.

О нас и других источниках

В northraine мы специализируемся на подключении передовых исследований, подобных этой, к организациям всех форм, размеров и специальностей. Мы - корпорация B, цель которой - восстановить человеческие условия, и 20% нашей работы - это искусственный интеллект для общественных общественных предприятий. Поговори с нами, и мы сможем съесть торт и пройтись по коду.

Если вы все еще любите приключения, один из лучших сайтов для поиска нового кода, связанного с новым gitxiv (http://www.gitxiv.com/), новости хакеров для данных Datatau (https: // www. datatau.com/), а также чтение сабреддита Machine Learning (https://www.reddit.com/r/MachineLearning/)

Ссылки:

Harvard Business Review (2017). Бизнес искусственного интеллекта. Получено 23 ноября 2017 г. из https://hbr.org/cover-story/2017/07/the-business-of-artificial-intelligence.

Google Trends (2017). Искусственный интеллект. Получено 21 ноября 2017 г. с сайта https://trends.google.com/trends/explore?date=all&q=%2Fm%2F0mkz.