Добро пожаловать в информационный бюллетень Nural, где вы найдете подборку статей, новостей и интересных компаний, посвященных тому, как ИИ используется для решения глобальных глобальных проблем.

Наша цель - убедиться, что вы всегда в курсе самых важных событий в этой быстро развивающейся области.

Упаковано внутри у нас есть

  • DeepMind собирает воедино древнегреческие эпиграммы;
  • «Культурная передача» человеческих навыков в среде ИИ;
  • и Ударилось ли глубокое обучение о стену… или пробило ее?

Если вы хотите поддержать нашу дальнейшую работу от 1 фунта стерлингов, нажмите здесь!

Грэм Лейн и Марсель Хедман

Ключевые последние разработки

Новая модель искусственного интеллекта DeepMind помогает расшифровывать, датировать и находить древние надписи

Что: DeepMind создала модель искусственного интеллекта, которая помогает восстанавливать отсутствующий текст древнегреческих надписей. Это также предполагает, когда текст был написан и его возможное географическое происхождение. В настоящее время эпиграфы ищут текстовые и контекстуальные параллели в похожих надписях, но это затруднительно, учитывая объем имеющихся данных. Новая модель была обучена на более чем 75 000 помеченных надписях на греческом языке.
Ключевые выводы: Как и во многих других успешных практических применениях ИИ, новая модель явно предназначена в качестве инструмента, помогающего людям-экспертам, а не автономное решение. Код с открытым исходным кодом и доступен для всех. Исследователи подчеркивают, что реальная ценность системы будет заключаться в ее гибкости. Хотя он был обучен древнегреческим надписям, его можно было легко настроить для работы с другими древними письменами, такими как латынь, майя, клинопись или любые другие письменные рукописи.
Блог: Предсказание прошлого с Итакой

Программа искусственного интеллекта, которая делает ошибки? Да, существует!

Что: новая шахматная программа с искусственным интеллектом нацелена не на победу в каждой партии, а на предсказание ходов человека, особенно ошибок. Цель состоит в том, чтобы лучше взаимодействовать с людьми, помогая людям избегать ошибок. Одним из приложений может быть здравоохранение, где система искусственного интеллекта, которая предвидит ошибки, может быть полезна для обучения врачей чтению медицинских изображений и помощи им в выявлении ошибок.
Основные выводы: существует множество похожих работа, связанная с оптимизацией взаимодействия человека и ИИ в реальных приложениях ИИ. В другом недавнем исследовании изучалась совместная оптимизация всей системы искусственного интеллекта человека, а не стандартная парадигма простой оптимизации одной модели искусственного интеллекта. Вопреки интуиции, это исследование показало, что менее точная калибровка ИИ (при определенных обстоятельствах) на самом деле улучшила человеческую производительность. среда". В ходе исследования агенты ИИ быстро изучают новое поведение, наблюдая за одной демонстрацией человека, никогда не обучаясь на человеческих данных. Агенты ИИ следуют за привилегированным ботом, который может правильно выполнить заданную задачу. После этого агенты ИИ сохраняют эту информацию и могут применять ее к невидимым новым задачам.

Глубокое обучение упирается в стену

Что: В статье известного ученого и писателя содержится резкая критика текущего состояния ИИ, в которой говорится: Со временем мы увидим, что глубокое обучение — это лишь крошечная часть того, что нам нужно для создания если мы когда-нибудь получим заслуживающий доверия ИИ, и что глубокое обучение в лучшем виде, когда все, что нам нужно, — это приблизительные результаты, когда ставки невелики, а идеальные результаты необязательны. Он утверждает, что глубокое обучение необходимо сочетать с человеческим вкладом в ИИ, манипулирующий символами, чтобы добиться прогресса в области универсального искусственного интеллекта.
Ключевые выводы: это последний вклад в продолжающиеся дебаты. , появившийся вскоре после того, как главный научный сотрудник Facebook опубликовал совершенно иной путь к обобщенному искусственному интеллекту, полностью основанный на самоуправляемых системах искусственного интеллекта, работающих с минимальной помощью со стороны человека. Теперь это также доступно в виде подробной презентации на YouTube.
Действительно ли глубокое обучение уперлось в стену? Или он просто проехал сквозь него?

Этика ИИ

🚀 Уроки безопасности и неправильного использования языковых моделей

OpenAI размышляет над своей развивающейся реакцией на неправильное использование GPT-3 «в дикой природе»; разработка новых тестов для языковых моделей; и значительные преимущества фундаментальных исследований безопасности для коммерческого использования систем ИИ.

🚀 Как неправомерные аресты на основе ИИ разрушили жизни 3 мужчин

Отрезвляющий отчет о 3 чернокожих мужчинах в США, ошибочно идентифицированных программным обеспечением для распознавания лиц.

🚀 Поддержание справедливости при смене дистрибуции: есть ли у нас жизнеспособные решения для реальных приложений?

Производительность медицинских приложений может ухудшиться при перемещении из одной больницы в другую. Вывод статьи состоит в том, что в реальных условиях этот перенос гораздо сложнее, чем ситуации, рассматриваемые в текущих исследованиях алгоритмической справедливости, что предполагает необходимость средств правовой защиты, выходящих за рамки чисто алгоритмических вмешательств.

Другие интересные чтения

🚀 Это приложение может диагностировать редкие заболевания по лицу ребенка

Приложение также может группировать и дифференцировать редкие заболевания, для которых обучающие данные ограничены или отсутствуют.

🚀 Географические подсказки помогают простому роботу ориентироваться на километры

Небольшой роботизированный багги с камерой под названием ViKiNG перемещается на расстояние более 2 километров по ранее невиданной местности к цели, определяемой только фотографией с камеры и приблизительным географическим местоположением пункта назначения. Система использует две глубокие нейронные сети, обученные на карте и спутниковых снимках соответственно (оба от Google), чтобы построить лучший маршрут.

🚀 Большие технологии тратят миллиарды на исследования ИИ. Инвесторы должны быть начеку

Цифры огромны.
Исследования и разработки Alphabet (ранее Google) выросли с 27 миллиардов долларов в 2020 году до 31 миллиарда фунтов стерлингов в 2021 году, что составляет более 12% выручки.
Исследования и разработки Meta (ранее Facebook) выросли с 18 фунтов стерлингов. миллиардов в 2020 году до 24 миллиардов долларов в 2021 году, что эквивалентно 21% годового объема продаж.

Крутые компании найдены на этой неделе

Среда

Truecircle — британский стартап в области компьютерного зрения собрал 5,5 млн долларов в виде предварительного финансирования для применения искусственного интеллекта на основе данных в отрасли переработки с целью повышения показателей переработки и, в конечном итоге, снижения спроса на первичные материалы.

Вымирание

Colossal — описывает себя как компанию по борьбе с вымиранием и стремится вернуть к жизни вымершие виды, такие как шерстистый мамонт. Компания разработала платформу, сочетающую генетическое секвенирование с машинным обучением, и обеспечила финансирование раунда А в размере 60 миллионов долларов. Вот оригинальный трейлер Парка Юрского периода

Преобразование речи в текст

AssemblyAI — предоставляет API для преобразования речи/аудио в текст с использованием собственных моделей ИИ с дополнительными функциями, такими как автоматическое создание глав и обнаружение таких объектов, как организации или люди. Компания привлекла 28 миллионов долларов в рамках раунда финансирования А.

И наконец …

Вы бы поставили 10 000 долларов на то, что полностью автономные автомобили — сядьте сзади и посмотрите видео — станут общедоступными к концу 2029 года?

AI/ML должен знать

Базовые модели — любая модель, обученная на обширных данных в масштабе, которую можно точно настроить для широкого круга последующих задач. Примеры включают BERT и GPT-3. (См. также Передача обучения)
Обучение с небольшим количеством выстрелов — контролируемое обучение с использованием только небольшого набора данных для выполнения задачи.
Передача обучения — повторное использование частей или всей модели, разработанной для одной задачи, в новой задаче с помощью целью сокращения времени обучения и повышения производительности.
Генеративно-состязательная сеть — генеративные модели, которые создают новые экземпляры данных, напоминающие данные обучения. Их можно использовать для создания поддельных изображений.
Глубокое обучение. Глубокое обучение — это форма машинного обучения, основанная на искусственных нейронных сетях.

Лучший,

Марсель Хедман
Основатель компании Nural Research
www.nural.cc