Сфера машинного обучения и ИИ развивается быстрее, чем раньше. Новые концепции и инновации развиваются каждый день. Если вы используете концепции машинного обучения, искусственного интеллекта или науки о данных в своих проектах или даже в своей карьере, быть в курсе последних новостей отрасли — одно из ваших повседневных занятий. В этой статье я поделился некоторыми интересными статьями, связанными с машинным обучением, которые я прочитал на этой неделе.
1)ИИ обнаружил более 20 000 налогооблагаемых бассейнов во Франции
Эта интригующая статья раскрыла захватывающее применение ИИ для сбора неуплаченных налогов. В этой статье описывается, как французское правительство успешно использовало искусственный интеллект для обнаружения незадекларированных бассейнов. В этом проекте используются аэрофотоснимки, идентифицируются плавательные бассейны и проводится их перекрестная проверка с национальными налоговыми и имущественными реестрами. Пока что этот проект использовался только в девяти городских районах Франции и позволил выявить более 20 тысяч незадекларированных бассейнов, что побудило правительство собрать 10 миллионов евро в виде дополнительных налогов. Это интересное применение ИИ может помочь правительству в значительной степени вернуть налоги.
2)Новый робот Google научился принимать заказы, собирая данные из Интернета
За последние годы в области искусственного интеллекта и робототехники была проделана фантастическая работа. В этой статье рассказывается об увлекательном роботе с искусственным интеллектом, который разрабатывает Google. Google создал робота, используя PaLM, одну из самых мощных языковых моделей. Google работал с компанией, известной как Everyday Robots, над созданием этого продвинутого робота. Этот робот был создан с помощью программы, которая использует возможности обработки текста PaLM для преобразования последовательности слов в физические действия, которые может выполнять робот. Этот продвинутый робот был разработан таким образом, что он может принимать команды на нашем повседневном языке. Этого робота не нужно обучать с помощью специальных инструкций; он также может принимать небольшие фразы или расплывчатые предложения. Робот может просматривать миллионы текстовых статей в Интернете, чтобы определить значение команды и предпринимать соответствующие действия на основе этого. В этой статье описан пример, когда научный сотрудник Google набрал команду «Я голоден» на ноутбуке, подключенном к роботу, и робот вернулся с пакетом чипсов. В статье описывается, что Google разрабатывал этого робота для выполнения действий, подобных человеческим, в сложных условиях без каких-либо указаний. Робот все еще находится в стадии разработки и может выполнять только некоторые простые действия. Тем не менее, это перспективная технология, которая может открыть новые возможности для исследований в будущем.
3)Соавтор: Стэнфордские эксперименты с совместным письмом человека и ИИ
Блестящая статья, описывающая использование языковых моделей в совместном письме. Эта статья основана на CoAuthor, интерфейсе/наборе данных/эксперименте для совместного письма человека и ИИ, разработанном Мина Ли, Перси Лян и Цянь Ян. Эти создатели создали CoAuthor для использования языковых моделей в качестве «сотрудников», чтобы помочь людям в процессе написания. Создатели CoAuthor считают, что языковые модели обладают огромным потенциалом для улучшения навыков письма и повышения их качества и продуктивности. CoAuthor основан на GPT-3, большой языковой модели от OpenAI. В статье описывается, что CoAuthor создавался как интерфейс. Этот интерфейс предоставляет пользователям подсказку и экземпляр из GPT3 во время каждого сеанса. Затем авторы могут записывать свои идеи, запрашивать предложения у GPT3 и принимать, отклонять или редактировать его предложения во время написания. Все эти взаимодействия записываются на уровне нажатия клавиш. В этой статье также описывается, что большие языковые модели иногда могут создавать предвзятый и токсичный язык. Это еще одна причина беспокойства. Тем не менее, я считаю, что в области больших языковых моделей еще многое предстоит сделать, и вскоре с помощью таких инструментов, как CoAuthor, мы сможем создавать некоторые творческие работы в будущем.
Вы также можете прочитать больше о CoAuthor здесь.
4) LLM не выучили наш язык — мы пытаемся выучить их
Еще одна увлекательная статья о LLM. Большие языковые модели (LLM) — одна из самых популярных тем в сообществе ИИ, и разработки в этой области впечатляют. В этой статье упоминается, что, несмотря на то, что они вызывают интерес в сообществе, LLM все же имеют некоторые ограничения, одно из которых не может изучать и понимать язык, как люди. Это ограничение привело к появлению новой области исследований, которая фокусируется на анализе и изучении поведения LLM, чтобы они могли реагировать так, как мы от них ожидаем. В этой статье освещаются некоторые способы, с помощью которых LLM могут добиться этого. Довольно интересно! Не так ли? В статье описывается обучение LLM выражать неопределенность, как у людей, обнаружение новых способностей LLM, изучение ограничений LLM и руководство ими с помощью соответствующих подсказок в качестве некоторых потенциальных точек исследования. В статье также упоминаются текущие исследования в этой области в рамках каждого из предложенных подходов. Из этой статьи становится ясно, что со всеми исследованиями, которые проводятся сейчас, LLM, вероятно, претерпят некоторые преобразования и могут дать результаты, которые еще более увлекательны, чем то, что мы видим сейчас в будущем.
5) Использование архитектуры GAN для восстановления сильно сжатых музыкальных файлов
GAN приобрели большую популярность за эти годы, главным образом потому, что они открыли множество направлений исследований. В этой статье описывается отличный вариант использования GAN для создания высококачественных сжатых музыкальных сэмплов. Оригинал статьи, упомянутой в этой статье, можно найти здесь. Авторы этой статьи отмечают, что многие исследовательские работы использовали методы глубокого обучения для решения проблемы улучшения звука; однако лишь немногие смогли восстановить сжатые файлы и создать улучшенные аудиофайлы. В своей статье исследователи использовали для этого стохастический генератор GAN. Эта архитектура GAN была оценена с помощью серии тестов, определяющих, может ли модель создавать высококачественные сжатые аудиофайлы, более близкие к исходному аудиофайлу. В статье упоминается, что такие модели в будущем приведут к более эффективному хранению и передаче музыкальных файлов.
Это все для этой статьи :)
Надеюсь, вам понравилось это читать.
Если эта статья показалась вам интересной, пожалуйста, ознакомьтесь с другими моими статьями. Если вы хотите получать уведомления, когда я публикую новые статьи, вы также можете подписаться.
Вы также можете подписаться на меня в LinkedIn.
Любые идеи или предложения приветствуются.
Спасибо.
