Чтобы получать больше новостей и аналитики AI, подпишитесь на мою рассылку здесь.

Отчетность с 29 марта 2017 г. по 9 мая 2017 г.

Я Натан Бенайх - добро пожаловать в выпуск № 19 моего информационного бюллетеня по ИИ! Я синтезирую повествование, которое анализирует и связывает важные новости, данные, исследования и деятельность стартапов из мира искусственного интеллекта. Возьмите любимый горячий напиток ☕ и наслаждайтесь чтением! В конце есть комическое облегчение для тех, кто добился успеха :) Несколько быстрых замечаний, прежде чем мы начнем:

1. Я рад начать 3-й ежегодный саммит по исследованиям и прикладному искусственному интеллекту, однодневное некоммерческое мероприятие, которое состоится 30 июня в Лондоне и посвящено изучению границ искусственного интеллекта. из исследовательской лаборатории и мира технологий. Взаимодействуйте с основателями и техническим руководством из Graphcore, Darktrace, DeepMind, Oxbotica, Mapillary , Orbital Insight и другие! Запросите ваше приглашение здесь.

2. Компания Mapillary выпустила крупнейший в мире набор данных изображений улиц с аннотациями с точностью до пикселя и конкретными экземплярами - Mapillary Vistas! Это большая новость для исследователей и компаний, работающих над автономной мобильностью, поскольку она предоставляет ключевое сырье для обучения агентов навигации по нашим дорогам. TechCrunch профилирует набор данных здесь.

3. 8-е издание London.AI намечено на 1 июня в штаб-квартире Twitter с участием Роба Уайтхеда (технический директор, Невероятный), Виктора Дилларда (исполнительный директор, Desktop Genetics) и Фабио Кун (генеральный директор, Vortexa).

Направление от друга? "Подпишите здесь". Помогите поделиться, оставив это твиттером :)

* Новости, тенденции и мнения в области технологий *

🚗 Департамент беспилотных автомобилей

а. Крупные операторы

Waymo vs. Uber: Энтони Левандовски умолял о пятой поправке не свидетельствовать против себя в суде. Затем он объявил команде Uber ATG, что откажется от работы над всей работой, связанной с LiDAR и менеджментом на оставшуюся часть судебного разбирательства. Это не будет иметь большого значения, если остальная часть команды получит доступ к якобы украденным файлам Waymo. На прошлой неделе прошли последние слушания между Uber и Waymo, прежде чем федеральные судьи решат, следует ли временно прекратить работу Uber над беспилотными автомобилями. На заседании адвокат Waymo утверждал, что Отто был секретным планом с самого начала; Однако в Uber заявили, что они до сих пор не нашли никаких доказательств того, что какой-либо из 14k файлов касался серверов Uber. Какая сага!

Waymo также принимает заявки на участие в их программе для первых гонщиков в Фениксе, штат Аризона. Компания добавляет 500 самоуправляемых минивэнов Chrysler Pacifica Hybrid к своему существующему парку из 100 автомобилей, которые уже находятся на дорогах общего пользования.

Между тем, Apple получила разрешение от DMV на испытания своих беспилотных автомобилей в Калифорнии. Теперь компания является 30-м уполномоченным испытателем в Калифорнии и будет использовать три автомобиля Lexus RX 450h. На данный момент не так много дополнительной информации, кроме объявлений о вакансиях для разработчиков программного обеспечения в Специальных проектах Карт и инженеров по компьютерному зрению в Группе технологических исследований. Это также может быть связано с их мобильными AR-инициативами!

NVIDIA опубликовала метод проверки того, на каких частях уличной сцены фокусируются нейронные сети их беспилотного автомобиля при сопоставлении визуальных входов с указаниями поворота (статья здесь). Это будет полезно для отладки, регуляторов и сравнения поставщиков. В MIT Tech Review Уилл Найт проводит более подробное исследование инициатив, направленных на интерпретируемость машинного обучения, в то время как в той же публикации также утверждается, что глубокое обучение методом черного ящика не проблема в определенных областях, например в здравоохранении. NVIDIA также наняла бывшего вице-президента компании Tesla по Autopilot Vision Дэвида Нистера. Он сосредоточится на оказании помощи клиентам в создании HD-карт сантиметровой точности для AV-пакета компании. NVIDIA также анонсировала новый продукт для умных городов на основе видео для общественной безопасности, управления дорожным движением и оптимизации ресурсов.

Tesla объявила, что выпустит функцию автоматического экстренного торможения на всех транспортных средствах, совместимых с автопилотом 2.0. Это произошло после того, как Consumer Report понизил высший рейтинг безопасности моделей S и X. Более того, компания обновила свое соглашение о совместном использовании данных, включив в него захват коротких видеороликов о вождении, чтобы повысить способность своего автопарка. Интересно! Tesla также урегулировала иск против Aurora, стартапа, основанного бывшим главой Autopilot Стерлингом Андерсоном.

Соучредитель и технический директор Mobileye Амнон Шашуа выступил с 1-часовым докладом, посвященным компонентам машинного обучения, посвященным решению проблем с зондированием, планированием и картированием с точки зрения Mobileye.

Baidu планирует открыть исходный код для большей части своего стека технологий для самостоятельного вождения в июле, чтобы внедрять инновации на более высоком уровне, а не изобретать велосипед, по словам Ци Лу, GM для Интеллектуальная группа вождения компании. На данном этапе гонки беспилотных автомобилей движение, похоже, исходит не с позиции силы.

Парламент Германии принял закон, разрешающий тестировать AV на дорогах общего пользования при наличии водителя, который может взять на себя ответственность в случае необходимости. Кроме того, 15 стран ЕС просят Европейскую комиссию не вводить правила локализации данных, поскольку они проводят свой двухлетний обзор единого цифрового рынка. Это предотвратит свободный поток между беспилотными автомобилями, движущимися в разных странах, что затруднит обучение автопарка и влияние сети передачи данных.

б. Стартапы

Oxbotica тестирует прототип автономного шаттла со скоростью 10 миль в час в Гринвиче, Лондон, который управляется с помощью пяти камер и трех датчиков LiDAR. Узнайте больше от их соучредителя Ингмара Познера на RAAIS 2017 в июне!

nuTonomy подписал соглашение с Groupe PSA об оснащении их Peugeot 3008 технологией автономного вождения, разработанной стартапом. Тесты начнутся с сентября 2017 года в Сингапуре, где nuTonomy уже экспериментирует с услугами своего таксопарка с прошлого года.

Zoox, скрытная компания по производству автономных автомобилей, наняла Марка Розекинда, бывшего главы Национальной администрации безопасности дорожного движения США. Другие бывшие высокопоставленные должностные лица NHTSA работают в General Motors, Waymo и Faraday Future.

DeepMap неожиданно появился на прошлой неделе со своим сервисом трехмерного картографирования высокого разрешения, предназначенным для компаний, занимающихся беспилотными автомобилями. Это позиционирует компанию против более крупных компаний, таких как Waymo и инициатива TomTom по картированию HD. Команда DeepMap имеет впечатляющее наследие от Google Планета Земля, Apple Maps и Leica Geosystems.

Luminar также объявила о своей работе (5 лет на разработку) над системой LiDAR 1550 нанометров, которая обеспечивает диапазон 200 м по сравнению с 100–140 м, достигнутыми системами Velodyne с длиной волны 905 нанометров. На скорости 70 миль в час еще 100 метров обзора даст автомобилю дополнительные 3 секунды времени реакции, когда он видит препятствие. Вот красивая картина продукции Lumiar :) Обратите внимание, что Velodyne серьезно работает над обновленными конструкциями LiDAR (называемыми« твердотельными )», которые уменьшают форм-фактор и стоимость, а также увеличивают дальность действия.

💪 Большие мальчики

Вскоре после потери Эндрю Нга, Baidu объявили об открытии второго исследовательского центра ИИ в Кремниевой долине. Это добавляет 150 ученых к 200, которые уже работают на первом участке.

Tencent и Intel последовали их примеру, запустив собственные лаборатории искусственного интеллекта в Кремниевой долине.

В своем письме акционерам Джефф Безос из Amazon блестяще формулирует, что значит быть компанией дня 1 по сравнению с компанией дня 2. Обращая внимание на внешние тенденции, Безос пишет, что машинное обучение управляет нашими алгоритмами для прогнозирования спроса, ранжирования продуктов в результатах поиска, рекомендаций по продуктам и сделкам, размещения мерчандайзинга, обнаружения мошенничества, переводов и многого другого.

Buzzfeed запустил профиль в группе Facebook AI Research, возглавляемой Яном Лекун в Нью-Йорке. Он охватывает некоторую историю глубокого обучения, основания FAIR и ее целей, а также дает возможность увидеть основные направления работы команды. Группа также объявила об обновленном выпуске fastText, своей библиотеки для классификации текста, на 294 языках и с уменьшенным объемом памяти для оптимизации работы на небольших устройствах памяти. Другие области научных интересов включают обучение без учителя и прогнозирование будущих кадров в видео. Что касается предсказания видео, ознакомьтесь с аккуратными результатами этого исследования, проведенного Google / Adobe / Michigan, в котором нейронная сеть фокусируется на позе человека, чтобы делать долгосрочные прогнозы относительно движения.

🍪 Оборудование

Google опубликовал подробный документ и презентацию, в которых оценивается производительность их блока тензорной обработки (TPU), их пользовательских ASIC, работающих в среде центра обработки данных. В сообщении в блоге подчеркивается, что логический вывод различных нейронных сетей (CNN, MLP и LSTM), работающих на TPU, в 15 раз быстрее и в 30 раз более энергоэффективен (TPOS / Вт), чем при работе на графическом процессоре NVIDIA K80 в том же центре обработки данных. TPU имеет в 25 раз больше блоков умножителя-накопителя для умножения матриц - основной вычислительной операции чипа - и в 3,5 раза больше встроенной памяти, чем графический процессор K80. В результате с 2015 года Google использует TPU для поиска в Интернете и изображений, Google Photos и Cloud Vision API, Translate и AlphaGO. Проект стартовал в 2014 году и реализовывался в центре обработки данных 15 месяцев спустя. Впечатляющий!

🏦 Финансовые услуги

Активно управляемые фонды испытывают крупномасштабные изъятия из-за их комиссий и в значительной степени посредственных результатов. Вместо этого инвесторы извлекают выгоду из пассивно управляемых аналогов, которые полагаются на систематические торговые модели. Blackrock, компания по управлению активами с оборотом 5,4 триллиона долларов, нацелена на активы в 30 миллиардов долларов, чтобы переориентировать внимание на количественные стратегии. Лоуренс Финк, генеральный директор, сказал: Мы должны изменить экосистему - это означает больше полагаться на большие данные, искусственный интеллект, факторы и модели в рамках количественных и традиционных инвестиционных стратегий. По крайней мере 36 менеджеров, связанных с ними в результате средства уходят из фирмы.

В отчете консалтинговой компании Opimas предполагается, что команды рынков капитала могут потратить 1,5 миллиарда долларов на технологии ИИ в 2017 году, а к 2021 году вырастет до 2,8 миллиарда долларов. Это приведет к потере 230 000 рабочих мест к 2025 году, из которых 90 000 будут быть от управляющих активами.

WorldQuant, систематическая торговая фирма с оборотом 5 миллиардов долларов, разделяет стратегию, лежащую в основе ее Alpha Factory, распределенного сообщества сборщиков данных и разработчиков квантовых моделей ». К ним относятся штатные сотрудники фирмы, а также кванты-любители со всего мира, которые получают доступ к данным с портала WebSim, чтобы получить сигнал, на основе которого генерируются торговые стратегии.

📚 Политика и управление

Многие аналитические центры и правительственные организации готовят отчеты о влиянии программного обеспечения и машинного обучения на персонал. Однако похоже, что данных для количественной оценки этого воздействия не хватает. Например, как мы можем отслеживать прогресс в использовании различных методов искусственного интеллекта и варианты использования, на которые они влияют? Как различные демографические группы меняют свои навыки и как развивается временная рабочая сила? Нам нужна специальная информационная инфраструктура, чтобы правильно определять политические решения.

The Economist проводит брифинг о том, как данные порождают новую экономику. Он исследует вопрос о том, как оценивать данные, проблемы с установлением цены на них для внешнего потребления, связанное с этим отсутствие обмена данными и стимулы для того, чтобы просто покупать целые компании, создающие данные, в целом.

Чтобы узнать больше о практических последствиях использования ИИ для бизнеса, приходите на трехсторонний дискуссионный форум в Оксфордской бизнес-школе 11, 18 мая (я на этой конференции!) И 1 июня, участники которого являются участниками. Мероприятие модерирует Кеннет Цукьер из журнала The Economist и соавтор бестселлера NYT Большие данные. Зарегистрируйтесь здесь

Историк Юваль Ноа Харари подчеркивает в материале TED, что революция искусственного интеллекта создаст новый неработающий класс. Его точка зрения сводится к следующему: как цивилизация, мы со временем повысили профессионализм наших ролей и задач, так что теперь машины могут вытеснить человеческий труд только путем повторения этих конкретных возможностей. Хотя, безусловно, существует множество ситуаций, когда ИИ, ориентированный на предметную область, может превзойти человеческие возможности, однако в реальном мире искусственные агенты должны демонстрировать обобщенную способность к обучению, для которой у нас в настоящее время нет инструментов для создания.

По той же теме исследовательский центр Pew Research Center опубликовал исследование о будущем рабочих мест и профессиональном обучении. В общей сложности 1408 респондентов прокомментировали, видят ли они появление новых образовательных и обучающих программ, которые могут успешно обучить большое количество рабочих навыкам, необходимым им для работы через 10 лет. Около 70% в основном смотрели в будущее с оптимизмом, в то время как другие полагали, что капитализм сам в опасности.

Разработчиков ИИ беспокоит боязнь распространения предвзятости, заложенной в обучающих данных, на которых обучается система. Исследование в Science показывает, как языковая модель, обученная на корпусе текста, созданного человеком, действительно принимает, довольно предсказуемо, аналогичные стереотипы. Бумага здесь.

🆕 Новые инициативы и возможности ИИ

Университет Торонто официально запустил новый Vector Institute, независимый исследовательский центр, специализирующийся на глубоком обучении. В нем представлены звездные исследователи, в том числе Джеффри Хинтон, Брендан Фрей, Ракель Уртасун, Санджа Фидлер и Дэвид Дювено. Он будет привлекать финансирование из Панканадской стратегии ИИ в размере 125 миллионов долларов, объявленной в середине марта, а также из 80 миллионов долларов специального финансирования от 30 компаний, включая Google и Shopify. Uber также только что выделил 5 млн долларов на финансирование группы Уртасуна для дальнейшего развития исследований в области антивируса.

В интервью Джеку Кларку Хинтон призывает исследовательское сообщество продвигаться дальше в неврологии, чтобы черпать вдохновение для создания ИИ. Он указывает на механизмы долговременной памяти, рассуждения, сосредоточенного внимания как на области для исследования.

Исследование, проведенное в Science, раскрыло новые основы того, как воспоминания формируются и созревают с течением времени (исследовательская статья здесь). Ранее считалось, что воспоминания сначала создаются в гиппокампе (краткосрочные), а затем передаются в неокортекс для длительного хранения. Здесь авторы показывают, что эпизодические воспоминания создаются как в гиппокампе, так и в неокортексе. В долгосрочной перспективе клетки, ответственные за эти воспоминания в гиппокампе, замолкают, в то время как клетки неокортекса сохраняют свою активность.

Генеративные состязательные сети (GAN) очень популярны в сообществе ИИ (см. Зоопарк GAN для текущего списка). В то время как дискриминационные модели используются для разделения входных данных (например, посредством классификации), генеративные модели могут научиться создавать новые примеры входных данных, на которых они обучаются (например, изображения). В статье WIRED Яна Гудфеллоу, который начал работать над GAN в 2014 году, объясняется, как работают GAN и их потенциальное влияние. Фреймворк состязательного обучения работает, когда одной нейронной сети поручено генерировать целевой тип данных (например, изображения), а другой нейронной сети - вызывать реальное из подделки на выходах. Со временем генератор учится обманывать дискриминатор и таким образом воспроизводит внутреннюю структуру, которую мы видим в реальном мире.

Чтобы быть действительно полезными в реальном мире, системы искусственного интеллекта должны делать больше, чем просто достигать высочайшего уровня производительности при выполнении конкретной задачи в пределах одной области. Они должны обобщать новые проблемы без необходимости полностью переучиваться. С этой целью трансферное обучение предлагает подход к использованию помеченных данных и знаний, полученных из одной исходной области / задачи, для решения связанной целевой области / задачи. Себастьян Рудер поделился подробным постом о том, что, почему и как необходимо для трансферного обучения.

Подождите, но почему мы вернемся к этому с новой статьей о Neuralink Илона Маска. Это коренастый!

Исследовательский институт Toyota (TRI) выделил 35 миллионов долларов в течение четырех лет на исследование приложений машинного обучения в материаловедении. TRI вместе со Стэнфордом, Массачусетским технологическим институтом, Мичиганом и другими разрабатывает новые модели и материалы для батарей и топливных элементов.

Lenovo тоже планирует значительные инвестиции в искусственный интеллект, хотя и в размере 1,2 миллиарда долларов в течение следующих четырех лет. Это составляет 20% от общих годовых расходов компании на НИОКР к марту 2021 года.

🔬 Исследования 🔬

Вот подборка впечатляющих работ, которые привлекли мое внимание:

Tacotron: на пути к непрерывному синтезу речи , Google Research. Мир распознавания и транскрипции речи перешел от многоэтапных конвейеров к непрерывному обучению. Это означает, что инженерам больше не нужно создавать экстракторы функций для конкретных предметных областей, акустические и языковые модели, чтобы преобразовывать аудио в текст. Здесь авторы представляют сквозную генеративную модель, которая делает обратное: она синтезирует речь непосредственно из символов. Модель RNN от последовательности к последовательности с механизмами внимания обучается полностью с нуля, начиная с пар ‹текст, аудио›. Одна из проблем заключается в том, что один и тот же текст может соответствовать разному произношению и стилям речи, не в последнюю очередь из-за пунктуации. В этой работе Tacotron тренируется на 26,4 часах североамериканской речи на английском, которую произносит профессиональный оратор-женщина. Послушайте образцы здесь, которые демонстрируют способность модели быть чувствительной к пунктуации, устойчивой к орфографическим ошибкам, изучать ударение и интонацию и хорошо работать со сложными словами.

Глубокая композиционная основа для овладения человеческим языком в виртуальной среде, Baidu Research. В этой работе авторы исследуют путь к обобщению способности агентов перемещаться по 2D-средам путем изучения текстовых инструкций. Основной тезис состоит в том, что если перцептивный опыт агента может быть основан на языке, агент сможет с небольшими трудностями осваивать новые задачи с помощью инструкций. С этой целью агент в среде лабиринта XWORLD воспринимает кадры с необработанными пикселями и должен действовать в соответствии с языковой командой, данной учителем, чтобы получить набор наград (например, Пожалуйста, двигайтесь к западу от арбуза) ). Во время обучения агент обучения с подкреплением одновременно изучает визуальные представления окружающей среды, синтаксис и семантику языка и модуль действий, который выводит действия. В результате агент демонстрирует беспроигрышную навигационную способность выполнения ранее невидимых команд, используя свои существующие знания, закодированные языком. Аккуратный! Запись в блоге здесь.

Непарный преобразование изображения в изображение с использованием согласованных по циклу состязательных сетей, Калифорнийский университет в Беркли. Проблема преобразования изображения в изображение заключается в обучении функции, которая отображает изображение 1 (например, лошадь) на изображение 2 (например, зебру) в соответствии с обучающим набором выровненных пар изображений. Однако неудивительно, что для этой задачи не так много данных по парному обучению. В этой статье авторы изучают функции для отображения изображений из домена X в домен Y и используют состязательное обучение для получения правдоподобных результатов. Чтобы гарантировать высокое качество результатов, они сочетают этот процесс с последовательностью цикла - идея, что X может отображаться на Y, но также должна иметь возможность отображать обратно в X без потерь. Проверьте эти результаты, где вы можете увидеть картину Моне, преобразованную в реалистичную фотографию, зимние сцены, превращенные в летние, фотографии iPhone, похожие на фотографии DSLR с меньшей глубиной резкости, и многое другое! Это отличный пример того, какие новые функции могут появиться в Photoshop благодаря генеративным моделям.

Федеративное обучение: совместное машинное обучение без централизованных данных обучения, Google Research. Современные облачные сервисы машинного обучения обучаются на основе пользовательских данных, хранящихся в централизованной виртуальной среде. В этом документе авторы представляют федеративное обучение, подход к взаимодействию пользователя с мобильными сервисами для совместной работы над общей прогнозной моделью на всех устройствах в федерации. Здесь устройство загружает модель машинного обучения, обновляет ее параметры, обучаясь на данных на устройстве (повторное обучение происходит по телефону), и передает сводку обновлений в облако с помощью зашифрованной связи. Это обновление распространяется на все устройства, использующие общую модель. Чтобы сделать обучение управляемым на устройстве, авторы используют алгоритм федеративного усреднения (бумажный), который сочетает в себе локальный стохастический градиентный спуск (рабочая лошадка для минимизации целевых функций) с сервером, который выполняет усреднение модели по устройствам. Эта работа реализована в Gboard на Android, где взаимодействие пользователя с предложенными запросами передается в глобальную модель для улучшения прогнозов в зависимости от контекста пользователя.

Универсальные состязательные пертурбации против семантической сегментации изображения , Центр искусственного интеллекта Bosch и Фрайбургский университет. В этой статье представлен подход для генерации универсальных состязательных возмущений для ввода изображений с камеры, которые лишают обученную нейронную сеть возможности предсказывать правильные метки семантической сегментации. Как ни странно, они находят универсальный фильтр шума, который может удалить всех пешеходов из сегментации пересечения улиц, оставляя остальную часть сегментации практически неизменной. Это имеет значение для взлома! В отдельной статье Вашингтонского университета встречается та же концепция шума, нарушающего прогнозируемую метку цели, на этот раз с Google Cloud Vision API.

Более глубокое прогнозирование семантической сегментации в будущем , Facebook AI Research, NYU и Université de Genoble. Как мы видели в начале информационного бюллетеня с Mapillary, семантическая сегментация сцен на уровне улиц является ключевым компонентом решения проблем восприятия и планирования автономных транспортных средств. Предыдущая работа была сосредоточена на предсказании будущих пикселей на основе прошлых и текущих пикселей, чтобы изучить модель мира. Эта работа, однако, идет дальше и ставит задачу модели с предсказанием карт сегментации еще не наблюдаемых видеокадров, которые лежат в будущем с точностью до секунды или дольше, учитывая последовательность известных сегментированных видеокадров. Они представляют архитектуру CNN, которая использует структуру повторения последовательности сегментированных кадров для предсказания одного временного шага в будущее и использует самые последние выходные данные для предсказания следующего шага. Затем градиенты распространяются во времени в обратном направлении, чтобы сообщить следующий прогноз, таким образом формируя процесс авторегрессии. Очень круто и полезно для автоматизации сегментации, а также для моделирования будущего поведения объектов в уличных сценах.

Быстрые упоминания о других замечательных работах:

Симуляторы повторяющейся среды , DeepMind. Достижение долгосрочного планирования необходимо для решения многих задач, которые разворачиваются с течением времени. В этой работе представлены рекуррентные нейронные сети, которые могут делать временные и пространственно согласованные прогнозы для сотен временных шагов в будущее в виртуальных средах.

Открытие лекарств с низким объемом данных и однократным обучением , Стэнфордский университет и Массачусетский технологический институт. В этой статье представлена ​​нейронная архитектура, модуль LSTM итеративного уточнения, для обучения с низким объемом данных для открытия лекарств. Также показано, что сеть способна к более широкому обобщению посредством трансферного обучения.

Изучение демонстраций для обучения с подкреплением в реальном мире , DeepMind. Агенты Deep RL невероятно требовательны к данным, что работает в средах моделирования, но ограничивает их полезность вне симуляторов. Авторы представляют алгоритм, который позволяет агенту использовать данные из предыдущего управления системой, чтобы ускорить ее обучение.

📑 Ресурсы 📑

Королевское общество опубликовало результаты своего годичного исследования машинного обучения, его потенциала и препятствий на пути к достижению этих высот. Потрясающая работа!

Первая волна корпоративного ИИ обречена на провал: экспериментируйте!

MIT EmTech Digital выпустил видеоролики со своего последнего мероприятия в Сан-Франциско. Среди них Илья из OpenAI, профессор X из AutoX (невероятная история жизни!), Лиор из Отто и Руслан из Apple / CMU.

Сергей Левин проводит фантастический обзорный доклад о глубоком робототехническом обучении в CMU robotics.

Компания DigitalGlobe, поставщик изображений, данных и анализа Земли с высоким разрешением, выпустила DeepCore, фреймворк, позволяющий разработчикам обучать и запускать модели машинного обучения для обработки, обнаружения и классификации объектов на спутниковых снимках ( с OpenSpaceNet). Они подробно описывают, как эти инструменты были использованы для 4-го места в недавнем конкурсе Kaggle по обнаружению объектов по спутниковым изображениям.

DeepMind с открытым исходным кодом Sonnet, библиотека, построенная на основе TensorFlow для построения сложных нейронных сетей.

Эндрю Траск из Оксфорда делится учебным пособием по запуску гомоморфного шифрования в нейронной сети для шифрования его весов и последующего прогнозирования незашифрованных данных.

Любопытно, какую еду едят американцы? Instacart открыла набор данных из 3 миллионов заказов на продукты, собранных через их сервис.

Компьютерное зрение для беспилотных автомобилей: проблемы, наборы данных и последние достижения - 67-страничный ресурс!

Мэтт Терк опубликовал свой ежегодный Пейзаж больших данных за 2017 год. Фантастический ресурс!

Список инструментов искусственного интеллекта, которые вы можете использовать сегодня - в личных и деловых целях.

💰 Финансирование и выходы 💰

86 сделок (60% США и 28% ЕС) на общую сумму 834 миллиона долларов (53% США и 7% ЕС).

Большие раунды

Domino Data Lab, платформа для совместной работы с данными и количественных исследований на предприятии, организовала раунд серии C на 27 миллионов долларов, возглавляемый компанией Coatue Management. Компания упоминает клиентов в фармацевтике, страховании, передовом производстве и в Интернете. В рамках этого раунда компания оценивается в 113 млн долларов.

Uptake Technologies, платформа SaaS для прогнозной аналитики, которая обеспечивает повышенную производительность, надежность и безопасность промышленных приложений, привлекла раунд серии C на 90 млн долларов, оценив компанию в 2 млрд долларов. Основанная в 2014 году, компания Uptake теперь насчитывает более 700 сотрудников и подписала соглашение о развертывании с дочерними предприятиями ветроэнергетического парка Berkshire Hathaway, чтобы сократить эксплуатационные расходы и расходы на техническое обслуживание.

Orbital Insight, поставщик программного обеспечения для анализа геопространственных данных для мониторинга социально-экономических тенденций, привлек 50 миллионов долларов для раунда серии C под руководством Sequoia Capital. В этом раунде компания оценивается в 230 млн долларов.

Ранние раунды

Ателас, который разрабатывает портативное устройство для диагностики крови на основе компьютерного зрения, получил от Sequoia Capital посевной раунд на 3,5 миллиона долларов. Проверьте это сообщение в блоге о том, как они используют CNN для классификации типов клеток крови.

Groq », стелс-полупроводниковый стартап, основанный несколькими авторами микросхем TPU от Google, организовал начальный раунд на 10 миллионов долларов во главе с Social + Capital. Никаких дополнительных подробностей не было :)

DeepSentinel », интегрированная система домашних камер видеонаблюдения, основанная на глубоком обучении, подняла серию A стоимостью 7,4 миллиона долларов , возглавляемую Shasta Ventures.

CheckRecipient, программное обеспечение для кибербезопасности, предназначенное для обнаружения и предотвращения случайной потери данных по электронной почте, собрало начальный раунд на $ 2,7 млн от Accel и LocalGlobe.

5 приобретений, в том числе:

DataRPM, поставщик программного обеспечения для профилактического обслуживания промышленного Интернета вещей для проведения экспериментов с машинным обучением, обнаружения аномалий, выявления причинных факторов и предикторов, был приобретен Progress Software за 20 миллионов долларов (NASDAQ: PRGS) . DataRPM была основана в 2012 году, в ней работало 53 штатных сотрудника, и она привлекла 6,17 млн ​​долларов.

ВиДи Системс, основанное на компьютерном зрении решение для обеспечения качества производственной цепочки поставок, было приобретено компанией Cognex (NASDAQ: CGNX) за нераскрытую сумму. Компания ВиДи была основана в 2012 году в Швейцарии.

xPerception, программный и аппаратный продукт для трехмерного отслеживания космического положения с приложениями для робототехники и виртуальной реальности, был приобретен Baidu (NASDAQ: BIDU) за нераскрытую сумму. xPerception была основана в США в 2016 году.

Поздравляем с окончанием выпуска №19! Вот и приз :)

Что еще привлекло ваше внимание? У вас есть отзывы о содержании / структуре этого информационного бюллетеня? Просто нажмите "Ответить"!