¿Qué avances de producto permitirán los avances recientes en el aprendizaje profundo?

El aprendizaje profundo se refiere a una clase de técnicas de aprendizaje automático (ML) que combinan lo siguiente:

  • Grandes redes neuronales (millones de parámetros libres)
  • Computación de alto rendimiento (miles de procesadores que se ejecutan en paralelo)
  • Big Data (por ejemplo, millones de imágenes en color o juegos de ajedrez grabados)

En la actualidad, las técnicas de aprendizaje profundo logran un rendimiento avanzado en una multitud de dominios problemáticos (visión, audio, robótica, procesamiento del lenguaje natural, por nombrar algunos). Los avances recientes en el aprendizaje profundo también incorporan ideas del aprendizaje estadístico [1,2], el aprendizaje por refuerzo (RL) [3] y la optimización numérica. Para una amplia encuesta del campo, ver [9,10].

Sin ningún orden en particular, aquí hay algunas categorías de productos que son posibles con las técnicas de aprendizaje profundo de hoy: compresión de datos personalizada, detección de compresión, calibración de sensores basada en datos, IA fuera de línea, interacción humano-computadora, juegos, asistentes artísticos, minería de datos no estructurada, síntesis de voz .

Compresión de datos personalizada

Suponga que está diseñando una aplicación de videoconferencia y desea crear un esquema de codificación con pérdida para reducir la cantidad de paquetes que necesita enviar por Internet. Puede usar un códec estándar como H.264, pero H.264 no es óptimo porque está calibrado para video genérico, desde videos de gatos hasta películas de largometraje y nubes. Sería bueno si en su lugar tuviéramos un códec de video optimizado para videos específicamente de FaceTime. Podemos ahorrar incluso más bytes que un algoritmo genérico si aprovechamos el hecho de que la mayoría de las veces, hay una cara en el centro de la pantalla. Sin embargo, diseñar un esquema de codificación de este tipo es complicado. ¿Cómo especificamos dónde se coloca la cara, cuánto pelo de cejas tiene el sujeto, de qué color son sus ojos, la forma de su mandíbula, etc.? ¿Qué pasa si su cabello cubre uno de sus ojos? ¿Qué pasa si hay cero o múltiples caras en la imagen?

El aprendizaje profundo se puede aplicar aquí. Los codificadores automáticos son un tipo de red neuronal cuya salida es simplemente una copia de los datos de entrada. Aprender este “mapeo de identidad” sería trivial si no fuera por el hecho de que las capas ocultas del codificador automático se eligen para ser más pequeñas que la capa de entrada. Este “cuello de botella de información” obliga al codificador automático a aprender una representación comprimida de los datos en la capa oculta, que luego se descodifica a la forma original por las capas restantes en la red.

A través de la capacitación integral, los codificadores automáticos y otras técnicas de aprendizaje profundo * se adaptan * a los matices específicos de sus datos. A diferencia del análisis de componentes principales, los pasos de codificación y decodificación no se limitan a transformaciones afines (lineales). PCA aprende una “transformación lineal de codificación”, mientras que los codificadores automáticos aprenden un “programa de codificación”.

Esto hace que las redes neuronales sean mucho más potentes y permite una compresión compleja específica del dominio; cualquier cosa, desde almacenar una gran cantidad de selfies en Facebook, hasta una transmisión de video de YouTube más rápida, hasta la compresión de datos científicos, hasta reducir el espacio necesario para su biblioteca personal de iTunes. ¡Imagínese si su biblioteca de iTunes aprendiera un codificador automático de “música country” solo para comprimir su colección de música personal!

Detección de compresión

La detección de compresión está estrechamente relacionada con los aspectos de decodificación de la compresión con pérdida. Muchas señales interesantes tienen una estructura particular para ellos, es decir, la distribución de señales no es completamente arbitraria. Esto significa que en realidad no tenemos que muestrear en el límite de Nyquist para obtener una reconstrucción perfecta de la señal, siempre que nuestro algoritmo de decodificación pueda explotar adecuadamente la estructura subyacente.

El aprendizaje profundo es aplicable aquí porque podemos usar redes neuronales para aprender la estructura dispersa sin ingeniería de características manual. Algunas aplicaciones de productos:

  • Algoritmos de superresolución (waifu2X): literalmente, un botón de “mejora” como los de CSI Miami
  • usando la interferencia de ondas de radio WiFi para ver a las personas a través de las paredes (MIT Wi-Vi)
  • Interpretar la estructura 3D de un objeto con observaciones incompletas (como una imagen 2D u oclusión parcial
  • reconstrucciones más precisas a partir de datos de sonda / LIDAR

Calibración de sensor basada en datos

Los buenos sensores y dispositivos de medición a menudo dependen de componentes caros fabricados con precisión.

Tome cámaras digitales, por ejemplo. Las cámaras digitales suponen que la lente de cristal es de cierta geometría “agradable”. Al tomar una foto, el procesador integrado resuelve las ecuaciones de transporte de luz a través de la lente para calcular la imagen final.

Si la lente está rayada, o deformada o con forma de conejito (en lugar de un disco), estas suposiciones se rompen y las imágenes ya no salen bien. Otro ejemplo: nuestros modelos de decodificación actuales utilizados en MRI y EEG suponen que el cráneo es una esfera perfecta para mantener manejables las matemáticas [4]. Este tipo de trabajo funciona, pero a veces perdemos la ubicación de un tumor por unos pocos mm. Las imágenes fotográficas y de resonancia magnética más precisas deberían compensar la desviación geométrica, ya sea que provengan de fuentes subyacentes o defectos de fabricación.

Afortunadamente, el aprendizaje profundo nos permite calibrar nuestros algoritmos de decodificación con datos.

En lugar de un modelo de decodificación de talla única (como un filtro de Kalman), podemos expresar sesgos más complejos específicamente ajustados a cada paciente o cada dispositivo de medición. Si nuestra lente de la cámara está rayada, podemos entrenar el software de decodificación para compensar implícitamente la geometría alterada. Esto significa que ya no tenemos que fabricar y alinear sensores con la máxima precisión, y esto ahorra mucho dinero.

En algunos casos, podemos eliminar el hardware por completo y dejar que el algoritmo de decodificación lo compense; El Laboratorio de Fotografía Computacional de Columbia ha desarrollado un tipo de cámara que no tiene lente. Imágenes definidas por software, por así decirlo.

AI sin conexión

Ser capaz de ejecutar algoritmos de IA sin Internet es crucial para aplicaciones que tienen requisitos de baja latencia (es decir, automóviles autónomos y robótica) o que no tienen conectividad confiable (aplicaciones de teléfonos inteligentes para viajar).

Deep Learning es especialmente adecuado para esto. Después de la fase de entrenamiento, las redes neuronales pueden ejecutar el paso de avance muy rápidamente. Además, es sencillo reducir las redes neuronales grandes a pequeñas, hasta que sean lo suficientemente portátiles como para funcionar en un teléfono inteligente (a expensas de cierta precisión).

Google ya ha hecho esto en su función de traducción de cámara fuera de línea en la aplicación Google Translate [6].

Algunas otras posibilidades:

  • Asistentes inteligentes (p. Ej., Siri) que conservan cierta funcionalidad incluso sin conexión.
  • aplicación de supervivencia en la naturaleza que te dice si esa planta es hiedra venenosa, o si esos hongos son seguros para comer
  • pequeños drones con chips de TPU a bordo [11] que pueden realizar una simple evitación de obstáculos y navegación

La interacción persona-ordenador

Las redes neuronales profundas son el primer tipo de modelos que realmente pueden ver y escuchar nuestro mundo con un nivel aceptable de robustez. Esto abre muchas posibilidades para la interacción humano-computadora.

Las cámaras ahora se pueden usar para leer el lenguaje de señas y leer libros en voz alta a las personas. De hecho, las redes neuronales profundas ahora pueden describirnos en oraciones completas lo que ven [12]. El proyecto DuLight de Baidu está permitiendo que las personas con discapacidad visual vean el mundo a su alrededor a través de un auricular de vista a voz.

Dulight-Eyes para personas con discapacidad visual

No estamos limitados a la HCI basada en la visión. El aprendizaje profundo puede ayudar a calibrar las interfaces EEG para que los parapléjicos interactúen con las computadoras más rápidamente, o proporcionar una tecnología de decodificación más precisa para proyectos como Soli [7].

Juego de azar

Los juegos son desafiantes desde el punto de vista computacional porque ejecutan simulación física, lógica AI, renderizado e interacción multijugador juntos en tiempo real. Muchos de estos componentes tienen al menos O (N ^ 2) en complejidad, por lo que nuestros algoritmos actuales han alcanzado el techo de Moore.

El aprendizaje profundo empuja los límites de lo que los juegos son capaces de varias maneras.

Obviamente, existe el aspecto de “IA del juego”. En los videojuegos actuales, la lógica AI para personajes no jugables (NPC) no es mucho más que un montón de declaraciones if-then-else ajustadas para imitar el comportamiento inteligente. Esto no es lo suficientemente inteligente para los jugadores avanzados, y conduce a una interacción de personajes un tanto inmutable en el modo para un jugador. Incluso en el modo multijugador, un jugador humano suele ser el elemento más inteligente del juego.

Esto cambia con Deep Learning. AlphaGo de Google Deepmind nos ha demostrado que las Redes neuronales profundas, combinadas con el aprendizaje de gradiente de políticas, son lo suficientemente poderosas como para vencer a los jugadores humanos más fuertes en juegos complejos como Go. Las técnicas de aprendizaje profundo que impulsan AlphaGo pronto pueden habilitar NPC que pueden explotar las debilidades del jugador y proporcionar una experiencia de juego más atractiva. Los datos del juego de otros jugadores se pueden enviar a la nube para entrenar a la IA a aprender de sus propios errores.

Otra aplicación de aprendizaje profundo en juegos es la simulación física. En lugar de simular fluidos y partículas a partir de los primeros principios, quizás podamos convertir el problema de dinámica no lineal en un problema de regresión. Por ejemplo, si entrenamos una red neuronal para aprender las reglas físicas que rigen la dinámica de fluidos, podemos evaluarla rápidamente durante el juego sin tener que realizar soluciones a gran escala para las ecuaciones de Stoier en tiempo real.

De hecho, esto ya lo han hecho Ladicky y Jeong 2015 [8].

Para las aplicaciones de realidad virtual que deben ejecutarse a un mínimo de 90 FPS, este puede ser el único enfoque viable dadas las limitaciones actuales del hardware.

Tercero, se pueden usar técnicas de modelado generativo profundo para crear contenido procesal ilimitado y rico: fauna, diálogo de personajes, animación, música, quizás la narrativa del juego en sí. Esta es un área que está comenzando a ser explorada por juegos como No Man’s Sky, que potencialmente podría hacer juegos con un contenido novedoso sin fin.

Para agregar una cereza en la parte superior, las redes Deep Neural son muy adecuadas para la evaluación paralela de mini lotes, lo que significa que la lógica de IA para 128 NPC o 32 simulaciones de agua podría evaluarse simultáneamente en una sola tarjeta gráfica.

Asistentes Artísticos

Dado lo bien que las redes neuronales perciben imágenes, audio y texto, no sorprende que también funcionen cuando las usamos para dibujar pinturas [13], componer música [14] y escribir ficción [15].

La gente ha tratado de hacer que las computadoras compongan música y pinten cuadros durante años, pero el aprendizaje profundo es el primero que realmente genera “buenos resultados”. Ya hay varias aplicaciones en la App Store que implementan estos algoritmos para las risas, pero pronto podemos verlas como generadores / filtros de asistencia en el software profesional de creación de contenido.

Minería de datos a partir de datos no estructurados

El aprendizaje profundo no está en el nivel en el que pueda extraer la misma cantidad de información que los humanos pueden obtener de las páginas web, pero las capacidades de visión de las redes neuronales profundas son lo suficientemente buenas como para permitir que las máquinas entiendan más que solo el hipertexto.

Por ejemplo:

  • Analizando eventos de volantes escaneados
  • identificar qué productos en EBay son los mismos
  • determinar el sentimiento del consumidor desde la cámara web
  • extracción de contenido del blog de páginas sin canales RSS
  • integre la información de la fotografía en la valoración de instrumentos financieros, pólizas de seguro y puntajes de crédito.

Síntesis de voz

Las técnicas de modelado generativo han llegado lo suficientemente lejos y hay suficientes datos disponibles que solo es cuestión de tiempo antes de que alguien haga una aplicación que te lea en voz alta con la voz de Morgan Freeman o Scarlet Johansen. En Vanguard, mi voz es mi contraseña.

Bonificación: más productos

  • Programación adaptativa de la pila del sistema operativo / red: la programación de subprocesos y procesos en un sistema operativo es un problema NP difícil. No tenemos una solución muy satisfactoria para esto en este momento, y los algoritmos de programación en sistemas operativos modernos, sistemas de archivos e implementaciones de TCP / IP son bastante simples. Quizás si se pudiera utilizar una pequeña red neuronal para adaptarse a los patrones de programación particulares de un usuario (enmarcar esto como un problema de RL), disminuiríamos la sobrecarga de programación incurrida por el sistema operativo. Esto podría tener mucho sentido dentro de los centros de datos donde los ahorros realmente pueden escalar.
  • conteo de colonias y rastreo de células para software de microscopía (para investigación en laboratorio húmedo)
  • La estrategia de “reemplazar la simulación con el aprendizaje automático” también ha sido útil en los campos del diseño de medicamentos, presentando enormes aceleraciones para encontrar qué compuestos son útiles o tóxicos [untethiner 2015].

Referencias

[1] Variación de codificación automática de todos los bayes [1312.6114] Bayes variacionales de codificación automática

[2] Modelos generativos profundos de un disparo https://arxiv.org/pdf/1603.05106…

[3] Aprendizaje de refuerzo profundo: Pong de píxeles

[4] http://www.ncbi.nlm.nih.gov/pmc/…

[5] http://web.media.mit.edu/~gordon…

[6] Cómo Google Translate exprime el aprendizaje profundo en un teléfono

[7] Proyecto Soli

[8] Simulaciones de fluidos basadas en datos utilizando bosques de regresión

[9] http://www.nature.com/nature/jou…

[10] Aprendizaje profundo en redes neuronales: una visión general

[11] Google sobrecarga las tareas de aprendizaje automático con un chip personalizado de TPU

[12] http://arxiv.org/pdf/1410.1090

[13] [1508.06576] Un algoritmo neuronal de estilo artístico

[14] Componer música con redes neuronales recurrentes

[15] Escribir con la máquina

En una clase introductoria de ciencias de la computación durante la escuela secundaria, nos presentaron a las cinco generaciones de computadoras.

Las cinco generaciones de computadoras

Pensé que era una buena idea abstraer la rica historia de la informática en “generaciones”, para hacernos recordar los hitos que los diseñadores de hardware lograron durante el siglo anterior.

En líneas similares, tiendo a pensar en cómo las computadoras se han aplicado a los problemas humanos en términos de ” cinco generaciones de aplicaciones informáticas “:

Octava generación de aplicaciones informáticas (1825–1925): para mí, la generación cero de aplicaciones informáticas comienza aproximadamente con el trabajo de Charles Babbage alrededor de 1825. La idea de las computadoras era fascinante: una máquina para replicar el intelecto humano, como las máquinas de vapor de la época. capaz de reemplazar la potencia muscular humana (o caballo). Desafortunadamente, los que Charles Babbage logró fabricar con la tecnología del día, no demostraron ser útiles para las aplicaciones que fueron diseñadas, es decir, producir vastas tablas de registro impresas con menos errores y más baratas, que los humanos producidos por cálculo manual. Aún así, las pequeñas porciones de su motor diferencial que Babbage puso en su salón eran geniales para hacer trucos de fiesta y fascinaron a los londinenses de élite que tuvieron la suerte de ser invitados a sus fiestas. Entonces, si bien esas máquinas no tenían ningún propósito útil, fueron el primer modelo de una máquina pensante. Y ese fue un gran salto para la imaginación de un tecnólogo en ciernes.

Primera generación de aplicaciones informáticas (1925 – 1975): las computadoras comenzaron a ser útiles entre la primera y la segunda guerra mundial. Trabajo realizado en el parque Bletchley por Alan Turing & co. por romper Enigma, y ​​en el proyecto de Manhattan para la simulación de armas nucleares fueron las primeras aplicaciones importantes de las computadoras. Posteriormente, las computadoras comenzaron a usarse para otros análisis científicos y comerciales, y solo los grandes laboratorios universitarios y las corporaciones podían permitírselos.

Segunda generación de aplicaciones informáticas (1975 – 2000): una vez que la computadora personal entró en escena, las computadoras se adoptaron rápidamente y, finalmente, ¡todas las casas obtuvieron una! Aún así, en las empresas, las computadoras en gran parte solo reemplazaron al personal administrativo. No es necesario escribir la misma letra una y otra vez, gracias a los procesadores de texto. No es necesario generar una hoja de cálculo grande a mano, su sistema de procesamiento electrónico de datos (EDP) generará dichos informes directamente desde sus bases de datos. Se necesitan menos cajeros bancarios gracias a los cajeros automáticos. Se necesita menos personal de ventas gracias al comercio por internet.

Aún así, las computadoras no eran ejecutivos. Eran empleados.

3ra generación de aplicaciones informáticas (2000 – 2015): Luego vinieron las aplicaciones de agentes de IA relativamente simples, que comenzaron a tomar decisiones “ejecutivas”: de participar en subastas de microsegundos para ubicaciones publicitarias en sitios web como Google, y comercio de alta frecuencia, a tomar las manos de los cirujanos. Las computadoras también se hicieron cargo de algunas de las tareas intelectuales superiores que realizan los empleados, por ejemplo, la búsqueda en Google que analiza (de manera efectiva) millones de documentos y le dice cuáles son los más relevantes para usted. También vimos el surgimiento de asistentes digitales como Siri, Cortana y Alexa; así como sistemas de recomendación que pueden recomendar películas que me puedan gustar en Netflix.

Cuarta generación de aplicaciones informáticas (2015 en adelante): Deep Learning (DL) (ahora que finalmente ha comenzado a funcionar, gracias a grandes cantidades de datos y recursos informáticos) es un paradigma fundamentalmente nuevo en la IA. Los sistemas de reconocimiento de voz eran básicamente inútiles para cualquier aplicación seria hace solo unos años, a pesar de décadas de investigación por expertos en el dominio; y luego el aprendizaje profundo permitió a personas externas completas construir sistemas que podrían superar el estado de la técnica en un 10% y luego en un 20% y luego en un 30% a un nivel en el que ahora son realmente útiles. La clasificación de imágenes se duplicó y luego triplicó los números de rendimiento, gracias al aprendizaje profundo. ¡Logramos construir un jugador Go, que derrotó al campeón humano diez años antes de las predicciones (optimistas)! Ya tenemos sistemas de reconocimiento facial y clasificación de imágenes que superan a los humanos; y tenemos sistemas que pueden crear música original, pinturas, incluso guiones de películas.

Creo que DL acelerará drásticamente las tendencias de automatización que vimos en los últimos 15 años, multiplicadas por la ubicuidad de la infraestructura informática (IoT). Los sistemas automatizados superarán todas las tareas “ejecutivas” de bajo nivel que incluyen:

(i) toma de decisiones comerciales: al interpretar de manera más efectiva los grandes datos.

(ii) contabilidad corporativa: determinar automáticamente qué gastos se asignan a qué cuentas.

(iii) tribunales de reclamos menores, tribunales de tránsito: existen enormes cantidades de datos. Tecnológicamente, debería ser trivial extraer las bases de datos existentes para que coincidan con precisión con cualquier caso nuevo, generar argumentos, contraargumentos y sentencias automáticamente, ¡y simplemente hacer que un juez humano firme!

(iv) atención médica: pronto deberíamos ver asistentes médicos digitales sofisticados, que sugerirán qué pruebas médicas deben realizarse a continuación y cuál es el curso de acción correcto; Gracias a los avances en la tecnología de aprendizaje de refuerzo profundo.

(v) publicidad: los sistemas que deciden qué publicidad mostrar le mejorarán drásticamente. En lugar de solo considerar sus pocos clics recientes, crearán un perfil interno de su personalidad y su dinámica, recopilando continuamente información de todas las fuentes posibles, incluidas fuentes potencialmente nuevas, como datos de vigilancia, y le mostrarán anuncios mucho más relevantes.

Otro dominio amplio donde surgirán muchos productos es la interacción e interfaces humano-humano y humano-máquina :

(vi) traducción de idiomas: sistemas que pueden convertir el habla de un idioma a otro en tiempo real y, por supuesto, texto, a un nivel superior a los mejores traductores humanos.

(vii) reconocimiento de voz y gestos: si queremos explotar la ubicuidad de las computadoras y sensores (internet de las cosas) que nos rodean, necesitaremos interfaces de usuario más naturales. El aprendizaje profundo está haciendo especialmente grandes contribuciones al estado del arte en reconocimiento de audio y visual, por lo que este es fácil de ver.

(viii) Realidad aumentada: la razón por la cual AR no ha despegado hasta ahora (fuera de los juegos), es porque no tenemos sistemas que puedan inferir contextualmente la información que necesitaremos en un tiempo. Creo que DL va a hacer grandes avances aquí. Por lo tanto, es posible que vea un avatar junto a un extraño que conozca en la próxima reunión de Quora Top Writers, que le susurrará a sus oídos cosas sobre esa persona que probablemente quiera conocer. ¡El avatar será lo suficientemente inteligente como para guardar silencio cuando la persona misma esté hablando!

(ix) animación, gráficos y generación de contenido: si bien YouTube me ha permitido llevar mi contenido a las masas, no me ha ayudado en absoluto a generar ese contenido. Si voy a competir con Disney, necesito sistemas que puedan explotar la gran cantidad de datos gráficos generados y crear automáticamente visualizaciones para mis historias. Estoy seguro de que esto sucederá pronto también.

¡Dando vida a los robots!

A pesar de medio siglo de investigación, la robótica ha sido en gran medida un fracaso para tener un gran impacto en nuestra sociedad. Esto se debe principalmente a que los problemas de percepción y planificación en un mundo incierto con sensores inciertos son increíblemente difíciles. El aprendizaje profundo es un cambio de juego completo aquí:

(x) Automóviles sin conductor, camiones; aviones sin piloto; buques mercantes sin capitanes: ¡Ya hay muchos artículos en línea sobre estos!

(xi) Robots industriales de próxima generación: Robots que pueden funcionar en entornos no controlados, por ejemplo, en un almacén de WalMart o Amazon, para recoger cosas de los estantes y empacarlas en cajas. O para ensamblar iPhone 8s sin intervención humana.

(xii) Rosy, el robot: el salto de un Roomba a la siguiente aplicación de asistencia en interiores para un robot es bastante masivo. Incluso un Roomba de última generación que solo tiene que recoger los calcetines y la ropa tendida en el piso y ponerlos en la lavadora; necesita un brazo, necesita ver y necesita saber cómo usar efectivamente ese brazo para manipular cosas. Afortunadamente, el aprendizaje profundo ya está avanzando tanto en la percepción como en los sistemas de manipulación robótica.

Ciencia

Una de las principales implicaciones de ser capaz de absorber y explotar grandes datos, que el aprendizaje profundo permite a diferencia de muchos algoritmos tradicionales de aprendizaje automático, está en la forma en que hacemos ciencia. Para muchos problemas científicos, hemos estado haciendo que nuestros modelos sean cada vez más complicados para representar los datos alucinantes y complejos que nuestros instrumentos han observado a lo largo del tiempo. Un ejemplo es el modelado del campo magnético de la Tierra, así como otros problemas en la geodesia superior. Otro es:

(xiii) Descubrimiento de fármacos: a pesar de las promesas de la biología molecular, el descubrimiento de fármacos sigue siendo en gran medida un proceso empírico dirigido por químicos. Todavía no somos capaces de explotar los conocimientos de la biología para llegar directamente a los medicamentos apropiados para (nuevas) dolencias. DL tiene un papel importante que desempeñar aquí, dada la gran cantidad de datos que las grandes farmacéuticas generan de sus químicos que prueban cientos de variaciones diferentes de compuestos químicos. La razón principal por la que el negocio farmacéutico es tan difícil para los recién llegados y los medicamentos tan caros es porque estas compañías tienen que invertir enormes cantidades de dinero en hacer toneladas de experimentos semi aleatorios. Con DL para extraer esa rica base de datos, es probable que ambas barreras disminuyan.

¡Tenemos algunos momentos realmente emocionantes por delante!

El aprendizaje profundo está en todas partes

Al escribir esta respuesta de la Cumbre Spark de este año y la mayor parte de la sesión de invitados se centró en gran medida en Deep Learning (DL). Jeff Dean, del proyecto Google TensorFlow, nos mostró cómo utilizan DL en la mayoría de sus productos. Ya se trate de respuestas instantáneas en la aplicación Inbox, la aplicación de fotos de Google que sugiere texto relacionado con fotos, la traducción de imágenes en tiempo real de Google a partir de imágenes o el panel solar para su hogar mediante el análisis de la azotea de su casa. Incluso han proporcionado API para que otros no se preocupen por construir estos modelos DL ellos mismos, sino que los usen en sus productos para resolver problemas desafiantes. Algunos de los productos DL de Google:

  • Techo corredizo del proyecto
  • Vision API – Análisis de contenido de imagen
  • Aprendizaje automático en la nube: análisis predictivo

Constantemente estamos viendo el aumento de DL en los productos del día a día y están mejorando cada vez más. Jeff incluso afirmó que actualmente el 60% de las respuestas en la aplicación de correo de la Bandeja de entrada se realiza a través de respuestas inteligentes que se basan ampliamente en Deep Learning. ¿No es asombroso?

No solo google, incluso el gran Andrew Ng había compartido muchos productos de datos increíbles que está construyendo en Baidu, que utiliza ampliamente Deep Learning (DL). No hace falta decir que la IA va a revolucionar gran parte de la industria del sector de la salud, la industria y el transporte.

La imagen de arriba es una pequeña encuesta que Andrew Ng le pidió a la audiencia que diera durante su sesión en San Francisco Spark Summit 2016.

El aprendizaje profundo ha recorrido un largo camino y se ha convertido en un fuerte pilar en la investigación de IA que se realiza en todo el mundo.

Aprendizaje profundo en IoT industrial

A continuación se muestra el extracto de un artículo sobre kdnuggets Deep Learning para Internet de las cosas usando H2O

Los algoritmos de aprendizaje profundo juegan un papel importante en la analítica IOT. Los datos de las máquinas son escasos y / o tienen un elemento temporal. Incluso cuando confiamos en los datos de un dispositivo específico, los dispositivos pueden comportarse de manera diferente en diferentes condiciones. Por lo tanto, es difícil capturar todos los escenarios para la etapa de preprocesamiento / entrenamiento de datos de un algoritmo. El monitoreo continuo de los datos del sensor también es engorroso y costoso. Los algoritmos de aprendizaje profundo pueden ayudar a mitigar estos riesgos. Los algoritmos de Deep Learning aprenden por sí mismos, lo que permite al desarrollador concentrarse en cosas mejores sin preocuparse por capacitarlos.

Hay pocas compañías que están trabajando extensamente en este campo siendo un mercado difícil y enorme. Hay muchas soluciones como Meshify, que ofrece dispositivos de seguimiento, monitoreo, control y análisis de IoT, pero su enfoque en el aprendizaje profundo o incluso el aprendizaje automático es muy limitado.

Otro trabajo que el equipo de Andrew Ng está haciendo es hacer que los brazos robóticos aprendan a ganar más precisión sin intervención humana. Esto ayudará en todas las plantas de fabricación al aumentar la precisión en la automatización. Amazon Robot Contest puede acelerar la automatización del almacén.

Aprendizaje profundo en salud

  • La Cumbre Deep Learning in Healthcare tiene muchos productos potenciales que utilizan DeepLearning en el núcleo para resolver problemas de salud.
  • Your.MD: su asistente de salud personal de AI utiliza el aprendizaje profundo para construir un gráfico de conocimiento e intenta encontrar las respuestas correctas. Babylon Health también está trabajando en algo similar.
  • MedicSen está trabajando en un algoritmo para superar a la diabetes usando el aprendizaje profundo.
  • Incluso Baidu está trabajando en un proyecto DuLight para ayudar a personas con discapacidad visual

Aprendizaje profundo en transporte

Alrededor de 30 compañías como Google, Tesla, Volvo, Audi están trabajando para construir tecnología de conducción autónoma que no solo regirá el segmento de pequeños consumidores sino también el gran mercado de transporte en el futuro.

Ref: 30 corporaciones trabajando en vehículos autónomos

1. Computación paralela barata

Pensar es un proceso inherentemente paralelo, miles de millones de neuronas disparan simultáneamente para crear ondas sincrónicas de cómputo cortical. Para construir una red neuronal, la arquitectura primaria del software de IA, también se requieren muchos procesos diferentes para que se realicen simultáneamente. Cada nodo de una red neuronal imita libremente una neurona en el cerebro, interactuando mutuamente con sus vecinos para dar sentido a las señales que recibe. Para reconocer una palabra hablada, un programa debe poder escuchar todos los fonemas relacionados entre sí; Para identificar una imagen, necesita ver cada píxel en el contexto de los píxeles a su alrededor, ambas tareas muy paralelas. Pero hasta hace poco, el procesador informático típico solo podía hacer ping a una cosa a la vez.

Eso comenzó a cambiar hace más de una década, cuando se ideó un nuevo tipo de chip, llamado unidad de procesamiento de gráficos, o GPU, para las demandas intensamente visuales y paralelas de los videojuegos, en los que tuvieron que recalcularse millones de píxeles. veces por segundo. Eso requería un chip de cómputo paralelo especializado, que se agregó como complemento a la placa base de la PC. Los chips gráficos paralelos funcionaron y los juegos se dispararon. Para 2005, las GPU se producían en cantidades tales que se volvieron mucho más baratas. En 2009, Andrew Ng y un equipo de Stanford se dieron cuenta de que los chips de GPU podían ejecutar redes neuronales en paralelo.

Ese descubrimiento desbloqueó nuevas posibilidades para las redes neuronales, que pueden incluir cientos de millones de conexiones entre sus nodos. Los procesadores tradicionales requirieron varias semanas para calcular todas las posibilidades en cascada en una red neuronal de 100 millones de parámetros. Ng descubrió que un grupo de GPU podía lograr lo mismo en un día. Hoy, las redes neuronales que se ejecutan en GPU son utilizadas habitualmente por empresas habilitadas para la nube, como Facebook, para identificar a sus amigos en fotos o, en el caso de Netflix, para hacer recomendaciones confiables para sus más de 50 millones de suscriptores.

2. Big Data

Toda inteligencia tiene que ser enseñada. Un cerebro humano, que está genéticamente preparado para clasificar las cosas, aún necesita ver una docena de ejemplos antes de poder distinguir entre gatos y perros. Eso es aún más cierto para las mentes artificiales. Incluso la computadora mejor programada tiene que jugar al menos mil juegos de ajedrez antes de que funcione. Parte del avance de la IA radica en la increíble avalancha de datos recopilados sobre nuestro mundo, que proporciona la educación que necesitan las IA. Bases de datos masivas, auto-seguimiento, cookies web, huellas en línea, terabytes de almacenamiento, décadas de resultados de búsqueda, Wikipedia y todo el universo digital se convirtieron en los maestros que hacen que la IA sea inteligente.

3. Mejores algoritmos

Las redes neuronales digitales se inventaron en la década de 1950, pero a los científicos informáticos les llevó décadas aprender a domar las enormes relaciones combinatorias astronómicamente entre un millón o 100 millones de neuronas. La clave era organizar las redes neuronales en capas apiladas. Tome la tarea relativamente simple de reconocer que una cara es una cara. Cuando se encuentra que un grupo de bits en una red neuronal dispara un patrón, la imagen de un ojo, por ejemplo, ese resultado se mueve a otro nivel en la red neuronal para su posterior análisis. El siguiente nivel podría agrupar dos ojos y pasar esa porción significativa a otro nivel de estructura jerárquica que lo asocie con el patrón de una nariz. Puede tomar muchos millones de estos nodos (cada uno produciendo un cálculo alimentando a otros a su alrededor), apilados hasta 15 niveles de altura, para reconocer un rostro humano. En 2006, Geoff Hinton, entonces en la Universidad de Toronto, realizó un ajuste clave a este método, al que denominó “aprendizaje profundo”. Pudo optimizar matemáticamente los resultados de cada capa para que el aprendizaje se acumulara más rápido a medida que avanzaba. pila de capas Los algoritmos de aprendizaje profundo se aceleraron enormemente unos años más tarde cuando se transfirieron a las GPU. El código de aprendizaje profundo por sí solo es insuficiente para generar un pensamiento lógico complejo, pero es un componente esencial de todas las IA actuales, incluidos Watson de IBM, el motor de búsqueda de Google y los algoritmos de Facebook.

Esta tormenta perfecta de cómputo paralelo, datos más grandes y algoritmos más profundos generó el éxito nocturno de 60 años de la IA. Y esta convergencia sugiere que mientras estas tendencias tecnológicas continúen, y no hay razón para pensar que no lo harán, la IA seguirá mejorando.

Mientras lo hace, esta IA basada en la nube se convertirá en una parte cada vez más arraigada de nuestra vida cotidiana. Pero tendrá un precio. La computación en la nube obedece la ley de rendimientos crecientes, a veces denominada efecto de red, que sostiene que el valor de una red aumenta mucho más rápido a medida que crece. Cuanto más grande es la red, más atractiva es para los nuevos usuarios, lo que la hace aún más grande y, por lo tanto, más atractiva, etc. Una nube que sirve a la IA obedecerá la misma ley. Cuantas más personas usan una IA, más inteligente se vuelve. Cuanto más inteligente se vuelve, más personas lo usan. Cuantas más personas lo usan, más inteligente se vuelve. Una vez que una empresa entra en este ciclo virtuoso, tiende a crecer tanto, tan rápido, que abruma a cualquier competidor advenedizo. Como resultado, es probable que nuestro futuro de IA esté regido por una oligarquía de dos o tres grandes inteligencias comerciales de uso general basadas en la nube.

AI en todas partes

En los últimos cinco años, la informática barata, los algoritmos novedosos y las montañas de datos han permitido nuevos servicios basados ​​en inteligencia artificial que anteriormente eran el dominio de los libros blancos académicos y de ciencia ficción. —Robert McMillan

Auto sin conductor | Google ha pasado de su objetivo inicial de tratar de indexar todo Internet. Ahora quiere indexar la realidad, parte de su esfuerzo por perfeccionar su auto sin conductor. Antes de que el vehículo navegue por una ruta en particular, los conductores de Google exploran el curso y luego producen los mapas más precisos imaginables. De esa manera, el automóvil autónomo sabe qué esperar y simplemente tiene que escanear el entorno con sus láseres, cámaras y sistemas de radar montados en el techo para detectar algo fuera de lo común. Es un problema mucho más fácil de resolver que construir un mapa del mundo en tiempo real.

Rastreador de cuerpo | Para convertir el cuerpo humano en un controlador de juegos, los investigadores que trabajan en Xbox Kinect de Microsoft tuvieron que implementar nuevas técnicas de aprendizaje automático. Primero, el emisor infrarrojo y el sensor del dispositivo crean una imagen tridimensional del marco de un jugador y analizan sus diferentes partes: hombros, pies, manos. Luego, usando un método llamado bosques de decisión, el sistema de IA de Kinect adivina la próxima posición más probable del cuerpo. El resultado es un sistema que lee tus movimientos en tiempo real, sin abrumar la memoria de Xbox.

Personal Photo Archivist | Matt Zeiler quiere que puedas encontrar una instantánea tan fácilmente como buscas un número de teléfono. Su startup, Clarifai, está desarrollando una nueva técnica de búsqueda para indexar las fotos en su teléfono. Mientras que la búsqueda de imágenes de la vieja escuela busca colores y líneas, el software de inteligencia artificial de Clarifai comprende esquinas y líneas paralelas, luego puede dominar conceptos de nivel superior como ruedas o automóviles a medida que estudia más y más imágenes.

Traductor universal | El traductor de Skype, que se estrenará en versión beta para fin de año, traduce el discurso en tiempo real, permitiendo que cualquiera pueda hablar naturalmente con cualquier otra persona. El software de inteligencia artificial examina millones de oraciones traducidas hasta que se vuelve excelente para adivinar cómo se traducirá cualquier conjunto de palabras. Para el reconocimiento de voz, descompone muestras de la palabra hablada, analizándolas hasta lograr una comprensión sofisticada de las formas en que los sonidos se combinan para formar el habla.

Noticias más inteligentes | Facebook contrató a uno de los expertos en aprendizaje profundo más importantes del mundo, Yann LeCun, para establecer un laboratorio de IA el año pasado. Tiene la tarea de mejorar el software de reconocimiento de voz e imagen de la red social para que sea más eficiente en la identificación, por ejemplo, de videos virales que encontrará divertidos o fotos que querrá ver, como sus amigos en una instantánea grupal.

En 1997, el precursor de WATSON, el Deep Blue de IBM, venció al actual gran maestro de ajedrez Garry Kasparov en una famosa partida de hombre contra máquina. Después de que las máquinas repitieron sus victorias en algunos combates más, los humanos en gran medida perdieron interés en tales concursos. Se podría pensar que fue el final de la historia (si no el final de la historia humana), pero Kasparov se dio cuenta de que podría haber tenido un mejor desempeño contra Deep Blue si hubiera tenido el mismo acceso instantáneo a una base de datos masiva de todos los movimientos de ajedrez anteriores. que tenía Deep Blue. Si esta herramienta de base de datos era justa para una IA, ¿por qué no para un humano? Para perseguir esta idea, Kasparov fue pionero en el concepto de partidos hombre-máquina, en el que la IA aumenta a los jugadores de ajedrez humanos en lugar de competir contra ellos.

Ahora llamados partidos de ajedrez de estilo libre, son como peleas de artes marciales mixtas, donde los jugadores usan las técnicas de combate que quieran. Puede jugar como su ser humano sin asistencia, o puede actuar como la mano de su computadora de ajedrez súper inteligente, simplemente moviendo sus piezas de tablero, o puede jugar como un “centauro”, que es el cyborg humano / AI que abogó Kasparov. Un jugador de centauros escuchará los movimientos susurrados por la IA pero ocasionalmente los anulará, de la misma manera que usamos la navegación GPS en nuestros autos. En el campeonato Freestyle Battle en 2014, abierto a todos los modos de jugadores, los motores de IA de ajedrez puro ganaron 42 juegos, pero los centauros ganaron 53 juegos. Hoy el mejor jugador de ajedrez vivo es un centauro: Intagrand, un equipo de humanos y varios programas de ajedrez diferentes.

Pero aquí está la parte aún más sorprendente: el advenimiento de la IA no disminuyó el rendimiento de los jugadores de ajedrez puramente humanos. Todo lo contrario. Los programas de ajedrez súper inteligentes y baratos inspiraron a más personas que nunca para jugar ajedrez, en más torneos que nunca, y los jugadores mejoraron más que nunca. Ahora hay más del doble de grandes maestros que cuando Deep Blue venció por primera vez a Kasparov. El jugador de ajedrez humano mejor clasificado hoy, Magnus Carlsen, entrenado con IA y ha sido considerado el jugador de ajedrez humano más parecido a una computadora. También tiene la calificación de gran maestro humano más alta de todos los tiempos.

Si la IA puede ayudar a los humanos a convertirse en mejores jugadores de ajedrez, es lógico que pueda ayudarnos a ser mejores pilotos, mejores médicos, mejores jueces, mejores maestros. La mayor parte del trabajo comercial realizado por AI se realizará mediante cerebros de software de propósito específico y de enfoque limitado que pueden, por ejemplo, traducir cualquier idioma a cualquier otro idioma, pero hacer poco más. Conduzca un automóvil, pero no converse. O recuerde cada píxel de cada video en YouTube, pero no anticipe sus rutinas de trabajo. En los próximos 10 años, el 99 por ciento de la inteligencia artificial con la que interactuará, directa o indirectamente, serán especialistas supersticiosos y autistas.

De hecho, esto no será realmente inteligencia, al menos no como hemos llegado a pensar en ello. De hecho, la inteligencia puede ser una responsabilidad, especialmente si por “inteligencia” nos referimos a nuestra peculiar autoconciencia, a todos nuestros bucles frenéticos de introspección y corrientes desordenadas de la autoconciencia. Queremos que nuestro automóvil autónomo esté inhumanamente enfocado en la carretera, sin obsesionarse con una discusión que tuvo con el garaje. El Dr. Watson sintético en nuestro hospital debería ser maníaco en su trabajo, sin preguntarse nunca si debería haberse especializado en inglés. A medida que se desarrollen las IA, es posible que tengamos que diseñar formas de prevenir la conciencia en ellas, y nuestros servicios de IA más premium probablemente se anunciarán como libres de conciencia .

Lo que queremos en lugar de inteligencia es inteligencia artificial. A diferencia de la inteligencia general, la inteligencia es centrada, medible, específica. También puede pensar de maneras completamente diferentes de la cognición humana. Un lindo ejemplo de este pensamiento no humano es un truco genial que se realizó en el festival South by Southwest en Austin, Texas, en marzo de este año. Los investigadores de IBM superpusieron a Watson con una base de datos culinaria que comprende recetas en línea, datos nutricionales del USDA e investigaciones de sabores sobre lo que hace que los compuestos tengan un sabor agradable. A partir de esta pila de datos, Watson ideó nuevos platos basados ​​en perfiles de sabor y patrones de platos existentes, y los cocineros humanos dispuestos los cocinaron. Un favorito de la multitud generado por la mente de Watson fue una sabrosa versión de pescado y papas fritas con ceviche y plátanos fritos. Para almorzar en los laboratorios de IBM en Yorktown Heights, tomé un sabroso invento de Watson: el quiche de espárragos suizo / tailandés. ¡No está mal! Es poco probable que alguno de ellos se les haya ocurrido a los humanos.

La inteligencia no humana no es un error, es una característica. La principal virtud de las IA será su inteligencia alienígena . Una IA pensará en la comida de manera diferente a cualquier chef, lo que nos permitirá pensar en la comida de manera diferente. O pensar en fabricar materiales de manera diferente. O ropa. O derivados financieros. O cualquier rama de la ciencia y el arte. La extrañeza de la inteligencia artificial será más valiosa para nosotros que su velocidad o poder.

Mientras lo hace, nos ayudará a comprender mejor lo que entendemos por inteligencia en primer lugar. ¡En el pasado, habríamos dicho que solo una IA superinteligente podría conducir un automóvil o vencer a un humano en Jeopardy! o ajedrez Pero una vez que AI hizo cada una de esas cosas, consideramos que ese logro era obviamente mecánico y apenas valía la etiqueta de verdadera inteligencia. Todo éxito en IA lo redefine.

Pero no solo hemos redefinido lo que queremos decir con IA, hemos redefinido lo que significa ser humano . En los últimos 60 años, como los procesos mecánicos han replicado comportamientos y talentos que pensamos que eran únicos para los humanos, hemos tenido que cambiar de opinión sobre lo que nos distingue. A medida que inventamos más especies de IA, nos veremos obligados a entregar más de lo que supuestamente es único sobre los humanos. Pasaremos la próxima década, de hecho, tal vez el próximo siglo, en una crisis de identidad permanente, preguntándonos constantemente para qué son los humanos. En la ironía más grande de todas, el mayor beneficio de una IA utilitaria y cotidiana no será el aumento de la productividad o una economía de la abundancia o una nueva forma de hacer ciencia, aunque todo eso sucederá. El mayor beneficio de la llegada de la inteligencia artificial es que las IA ayudarán a definir a la humanidad. Necesitamos IA para decirnos quiénes somos.

La predicción sobre el avance del producto será difícil sin comprender la fuerza de la tecnología subyacente. Por lo tanto, lo que hemos logrado y vamos a lograr en la investigación de aprendizaje profundo debe considerarse en detalle.

Usando muchos datos y cálculos, hemos logrado el éxito en la tarea de clasificación de alta dimensión y vamos a lograr el éxito en la tarea relacionada con la secuencia y el refuerzo.

El éxito en el aprendizaje de transferencia y el aprendizaje no supervisado no se compara en nada con el rendimiento de nuestro cerebro. Entonces, junto con una respuesta regular, tengo una respuesta alternativa en mi segunda parte anticipando una raíz diferente del éxito de la investigación.

Respuesta regular

La red neuronal convolucional profunda nos ha permitido procesar una gran cantidad de datos de alta dimensión de manera eficiente. Por lo tanto, el avance más importante del producto mediante la investigación actual de aprendizaje profundo será en la dirección del seguimiento, lo que aumentará la seguridad de nuestra sociedad en todas las direcciones. Se rastreará cada movimiento de cada ciudadano de este planeta. Todos los informes médicos serán rastreados. Cada actividad criminal será rastreada. Se rastreará cada conjunto de habilidades. Toda amistad será rastreada. Cada idea será rastreada. Cada emoción será rastreada. Se realizará un seguimiento de cada respuesta, cada pregunta, cada voto, cada acción, cada me gusta, cada sí, cada no … Se puede rastrear las cárceles o el dinero para cada transacción en todo el mundo.

Los datos de este seguimiento conducirán al desarrollo de productos, que proporcionarán mejores servicios desde el asistente personal hasta la comprensión. Personaliza la medicina, lenguaje personalizado; Incluso el mundo de la realidad personalizada estará en el extremo. Pero lo más importante será en el sistema educativo.

Educación:

A medida que los humanos estamos ayudando a la máquina en su aprendizaje a través del aprendizaje automático, nos recompensará al ayudarnos en nuestro aprendizaje mental, físico, emocional y espiritual. El sistema tradicional de educación superior cambiará de un costoso sistema de aprendizaje basado en el currículo, en el aula, con estilo de aula, a recursos educativos digitales y personalizados basados ​​en el aprendizaje profundo.

  • Aunque cada materia tiene sus propios requisitos previos, se puede dividir fácilmente según la fuerza del alumno. Explicar la respuesta correcta en tiempo real según la comprensión actual de los individuos es el tema más importante en la educación. Entonces, con la disponibilidad de dicho producto de IA, la alfabetización será obsoleta y el sentido común será el único requisito previo para cualquier educación.
  • Además, para inspirar y motivar el aprendizaje, el producto de inteligencia artificial de aprendizaje profundo podrá utilizar los datos personales del individuo y la forma en que un alumno quiere aprender: aprender a través de tutoriales, juegos, plataformas sociales, como grupo, orientado a problemas en el trabajo, orientado a temas en concepto, con rendición de cuentas, con precio, más reciente, futurista versus antiguo e histórico, aprendiz de una sola vez contra toda la vida, con certificación vs sin certificación, con empleabilidad vs sin.
  • Aunque la educación en el aula es siempre social con su propio compromiso, que está ausente en los cursos en línea actuales, los futuros cursos de IA ayudarán a socializar a los estudiantes a través de herramientas de IA social en línea. Los MOOC están ahora en modo de divergencia, donde millones de estudiantes se inscriben en un curso en particular sin ningún compromiso. Pero, el modelo de MOOCs divergentes y convergentes habilitados para IA creará una agrupación social automática con contenidos de cursos personalizados y un compañero virtual, lo que traerá de vuelta la emoción y el compromiso de la clase.
  • Además, cada experiencia en la vida del individuo puede convertirse en un aprendizaje significativo. Por ejemplo, se puede gastar menos tiempo de espera frente a la cola de elevación aprendiendo la estructura de datos de la cola y saliendo de la elevación estrecha para la estructura de datos de una pila. Por lo tanto, en el sistema móvil estarán disponibles módulos de aprendizaje independientes, personalizados, pequeños, habilitados para el aprendizaje profundo, que podrán utilizar datos de diferentes foros como Quora, StackOverFlow, Wikipedia u otras bases de conocimiento para la representación a tiempo.
  • Además de la educación superior, el sistema Aristo actualmente obtiene casi el 50% en el examen de ciencias del 4to grado de NY Regents.

AI específico de dominio

Ingeniería o cualquier otro dominio, un conjunto de problemas y un conjunto de métodos técnicos se resuelven manualmente o mediante alguna técnica automática utilizando software. Mientras los problemas fundamentales de cualquier dominio de este tipo no vayan a cambiar, siempre se requerirá IA de dominio especializado para resolver los problemas respectivos de manera eficiente.

  • Jueces artificiales : es difícil abordar cada situación posible que pueda surgir por cualquier cantidad de código civil integral. Alternativamente, solo usando millones de juicios pasados, el aprendizaje profundo puede llenar cada área gris entre las secciones de código a través de su capacidad de abstracción, si se usa una cantidad suficiente de datos y cómputo para capacitar a jueces artificiales. Los prejuicios de los jueces individuales también compensarán, si tales juicios se toman con un conjunto de muestras bien distribuido. Además, será difícil relacionar millones de evidencias para cada juicio de jueces humanos, ya que toda la sociedad generará una gran cantidad de datos grabados en el futuro. El castigo personalizado es otra área de discusión.
  • Doctor Artificial: el Doctor Watson utiliza el aprendizaje profundo de la producción de procesamiento de señales digitales para que coincida con si la persona en cuestión tiene enfermedades cardíacas, cáncer de seno o cualquier otro tipo de problema de salud. Medicina personalizada, Deep Genomics están bien abordados.
  • Chef Artificial: IBM Chef Watson es ahora una aplicación de cocina con recetas infinitas, para comida personalizada.
  • Soldado artificial: los robots en defensa militar o inteligencia pueden usarse en diferentes situaciones de emergencia nacional como brote biológico, situación de gestión de desastres. Si se rastrea a cada individuo durante el desastre, la operación de rescate será más fácil.
  • Ingeniero Artificial: La industria de la construcción estará integrada por productos de inteligencia artificial como el modelado de información de construcción habilitado por inteligencia artificial . El producto no será exactamente personalizado, sino personalizado, que utilizará datos rastreados. Se rastreará el conjunto de habilidades.
  • Transporte personalizado: el conductor sin automóvil será difícil de implementar en la mayor parte del país. Pero, muchos productos de transporte personalizados vendrán como Ola, Uber. No puedo esperar para ver en nuestro Presupuesto ferroviario indio del próximo año, al menos 100 millones de rupias para ser consideradas para la implementación del aprendizaje profundo en los ferrocarriles indios.
  • Finanzas personalizadas: las máquinas ya están comprando y vendiendo acciones en Wall Streets. Entonces, vendrán más productos de IA. Pero este producto será cada vez más personalizado. Adecuado para la situación financiera del individuo.
  • Investigación personalizada: Semantic Scholar utiliza procesamiento de lenguaje natural, minería de texto, extracción de información y técnicas de visión para ayudar a los científicos a buscar eficientemente información personalizada.
  • Anuncio: Jeff Hammerbacher dijo: “Las mejores mentes de mi generación están pensando en cómo hacer que la gente haga clic en los anuncios”.
  • Entretenimiento: juegos habilitados para IA: Jeopardy, Chess, AlphaGo , programa de TV con seguimiento, historia de AI, música y películas. Pero será cada vez más personalizado.
  • Los productos de IA pueden ayudar a desarrollar una relación con los humanos. La estupidez artificial se usa como opuesta a la inteligencia artificial. Muchos productos de IA basados ​​en dispositivos móviles mostrarán tal estupidez artificial para satisfacer el ego de sus usuarios u otros problemas psicológicos. El producto relacionado con la inteligencia pirateada y psicológica profunda estará disponible dentro de dichas aplicaciones.

Además del seguimiento, los siguientes productos de IA estarán disponibles en un futuro próximo:

  • IA de alto rendimiento: estará disponible un marco de aprendizaje profundo de propósito general basado en la nube, que se puede utilizar para varios trabajos de IA de alto rendimiento, como diseño y descubrimiento de drogas, colisionador de partículas, etc.
  • Traducción: aunque será difícil obtener éxito a través de una red neuronal recurrente masiva, algunos éxitos iniciales son prometedores: procesamiento del lenguaje natural, Word2Vec, traductor de Skype, reconocimiento de voz de extremo a extremo en inglés y mandarín, etc. propósito, el producto de IA relacionado con la tarea de secuencia llegará.
  • Resultado a largo plazo: el aprendizaje de refuerzo es un área de aprendizaje automático centrada en encontrar buenas políticas para optimizar los resultados a largo plazo, aunque en términos de eficiencia se trata de técnicas basadas en gradientes. AlphaGo se basó en un conjunto de redes neuronales diseñadas manualmente, que deben cambiarse de una aplicación a otra. Por lo tanto, estarán disponibles diferentes productos de base de aprendizaje de refuerzo profundo específicos para cada aplicación.
  • Creatividad: aunque la investigación generativa muestra menos éxito en comparación con la investigación discriminatoria en el aprendizaje profundo, el producto relacionado con artículos artificiales, imágenes, música, novelas, películas, juegos y respuestas estarán disponibles en un futuro próximo.
  • Innovación: innovación artificial podría ser posible a través del aprendizaje profundo. La academia habilitada para IA será diferente. Sofisticado profundo Las aplicaciones de comprobación de plagio estarán disponibles. Cada raíz de pensamiento de plagio para cada respuesta de Quora será identificada por dicho producto de IA, que pasará por una búsqueda individual utilizada durante la respuesta. Los productos de IA para la redacción automática de propuestas de subvención serán una de las mejores herramientas para el profesorado universitario.
  • Medio ambiente extremo: estarán disponibles productos de IA adecuados para entornos extremos como la estación espacial internacional, los polos norte y sur, los mundos exteriores, el espacio profundo y las aguas profundas.
  • Normas industriales: las normas industriales serán cada vez más estrictas para el medioambiente, el medio ambiente y otros problemas. Diferentes productos inteligentes artificiales reorganizarán las ponderaciones de diferentes parámetros en tales industrias para lograr eficiencia, productividad y ganancias. Las normas estrictas y el producto de IA evolucionarán conjuntamente.
  • Expresibilidad: a diferencia de los primates, especialmente humanos, otros mamíferos pueden vivir fácilmente sin su neocorteza. Esto es como: “la fábrica automatizada depende más de la automatización en comparación con la fábrica semiautomatizada”. Aunque he escrito esta respuesta usando el comando de mi cerebelo, el enlace de memoria desde la neocorteza a través de mis ganglios basales, más del 90% de la información que he obtenido Internet a través de la búsqueda de Google. Entonces, Internet ya es una extensión de mi neocorteza a través de la búsqueda de Google. Del mismo modo, algunos productos llegarán a ampliar nuestra capacidad de expresión, sin la cual es posible que no podamos vivir de manera significativa en el futuro.
  • Programador artificial: el programador de IA ayudará al programador humano a codificar, encontrar y eliminar errores, proporcionando flexibilidad entre idiomas, plataformas, dispositivos e incluso bibliotecas. Como el cerebro humano con su memoria de trabajo limitada es adecuado para la programación orientada a objetos, y la paralelización con el hardware de la computadora moderna es adecuada para la programación funcional, habrá un mercado para productos de IA, que convertirá cualquier base de código de programación orientada a objetos a su respectiva programación funcional código base
  • IA genérica: algunos productos de IA podrán aprender de forma ciega la experiencia de cualquier tipo de trabajo. Por ejemplo, para un tipo particular de trabajo, donde un ingeniero solo hace clic sobre la pantalla de la computadora de un software en particular, el producto AI obtendrá experiencia y en el próximo trabajo similar ayudará a los ingenieros al reducir la mayoría de los clics.
  • Específico del sensor: diferentes productos de inteligencia artificial específicos del sensor humano estarán disponibles, como Google eye, Google nose, Electronic Nose, etc. El ojo de AI guiado por microexpresión será el mejor detector de mentiras.
  • Humor: Muchos expertos pensaron que el humor será la última frontera en ser conquistada por las herramientas de IA. Pero muchos de estos productos de IA estarán disponibles en el futuro cercano, lo que será capaz de generar subtítulos para cualquier imagen con humor. Del mismo modo, de cualquier oración dada, se puede dibujar una imagen humorística apropiada.


Respuesta alternativa

Aunque no soy un experto en aprendizaje profundo, tengo algunas predicciones sobre el curso de la investigación en aprendizaje profundo, que puede alterar las predicciones anteriores.

AI invierno

La Inteligencia Artificial (IA) ha pasado por muchos inviernos de IA y muchos investigadores anticipan que se acercará otro invierno de IA inmediatamente después de la erosión del bombo del aprendizaje profundo.

Pero esta vez, espero resultados diferentes, ya que muchas compañías poderosas están involucradas en la investigación de aprendizaje profundo con una apertura respectiva. Solo Facebook tiene diez laboratorios diferentes de IA, que es un orden menos en comparación con Google. Hay cientos de compañías de IA genéricas involucradas en la investigación de aprendizaje profundo como Amazon, Microsoft, IBM, Baidu, Intel, NVDIA, Motorola, Qualcomm, etc. Cada semana surgen diferentes inicios de IA de dominio específico. Muchos programas de aprendizaje profundo de código abierto están disponibles como: DL4j, Theano, Caffe, Tensorflow, etc. con su vibrante comunidad abierta.

Metamorfosis

Aunque el aprendizaje profundo se está volviendo más versátil y más fácil de usar para la extracción automática de características del espacio de entrada de alta dimensión, no veremos nuestra explosión esperada en la aplicación de aprendizaje automático en los próximos años, ya que el aprendizaje profundo ya está en la fase de Metamorfosis.

AI invierno vs metamorfosis ?

La metamorfosis siempre es mejor que el invierno con IA, donde el invierno con IA es un período de financiación e interés reducidos, suponiendo que no haya futuro en la IA; pero la metamorfosis es un estado oculto con servicio reducido y exageración por los cambios fundamentales de las partes internas. La metamorfosis ocultará diferentes etapas del ciclo de bombo. La técnica actual de aprendizaje profundo inicia el aprendizaje con una gran cantidad de datos. Pero, después de la metamorfosis, los datos se pueden usar como activados cuando estén disponibles.

Sobre-bombo vs bombo

Aunque, las tecnologías de aprendizaje automático ahora se consideran la principal tecnología subyacente para nuestros avances en inteligencia artificial como: YouTube Cat NN’s, Jeopardy ganador, agentes de Minecraft o Beating Go, el aprendizaje profundo basado en técnicas convolucionales es tan publicitado que se considera como uno de La innovación más importante en el milenio actual junto con CRISPR-Cas9. Es justo decir que exagerar es malo.

Pero un poco de bombo está en orden. Esta exageración es necesaria para obtener suficiente velocidad de escape del proceso de metamorfosis. Es por eso que Caterpillar pasa la mayor parte de su tiempo comiendo; estar preparado para la metamorfosis.

Fuerzas opositoras

Debido a la exageración, se comenzaron a actuar las siguientes fuerzas opuestas:

  • Ray Kurzweil y otros han pronosticado sobre la singularidad en 30 años, por lo que la gente está preocupada por eso, especialmente después de que su libro The Singularity Is Near se convirtió en un éxito de ventas del New York Times . Aunque investigadores de aprendizaje profundo como Andrew Ng han comentado como “Temer un aumento de robots asesinos es como preocuparse por la sobrepoblación en Marte”.
  • Muchas personas prominentes como Elon Musk, Bill Gates y Stiffens Hawkins, etc., querían aplicar su propia forma de restricción en la investigación de aprendizaje profundo. OpenAI publicó una colección de problemas importantes y divertidos para ayudar a nuevas personas a ingresar al campo. “IA para el bien común”, “Desatar al demonio”, “amenaza existencial” son las frases más utilizadas en la búsqueda de Google.
  • Bioética, ética de la máquina restringirá a los investigadores para cualquier investigación entre el cerebro y el aprendizaje profundo; gen y aprendizaje profundo. El charlatbot de Microsoft, demuestra Tay, Machine Learning nos lleva a un nuevo mundo donde se deben estudiar nuestros puntos de vista sobre la ética. La Universidad de Cambridge del Reino Unido ha creado un nuevo centro para estudiar las implicaciones éticas del avance de la IA.
  • Una de las recomendaciones de política dadas por Wallach a partir de tres recomendaciones de política es “dirigir el 10% de los fondos de investigación de IA / robótica para estudiar y adaptarse al impacto social de las máquinas inteligentes”
  • ¿A quién se le echará la culpa si un conductor menos automóvil tiene un accidente? Cómo se utilizará el robot en la guerra o el terrorismo y se considerará como civilizado.
  • El ascenso del robot eliminará la mayoría de los trabajos. El futuro de la integración de la automatización en la economía se muestra en la película ” Los seres humanos no necesitan aplicar ” y alguna solución a tal situación.

¿Qué pasará en la metamorfosis?

Es difícil predecir sobre la tecnología futura, pero se puede considerar lo siguiente:

Cerebro humano

Los investigadores de aprendizaje automático convencionales están muy interesados ​​en el aprendizaje no supervisado, ya que nuestros cerebros pueden hacerlo de forma natural. Entonces, la investigación de aprendizaje profundo continuará buscando en el cerebro humano, nuevos hallazgos del cerebro humano o nuevos hallazgos sobre la evolución del cerebro humano.

Evolución

Nuestro cerebro utiliza principalmente más de cinco filtros para comprender el entorno y rechazar el resto de la dimensión. Similar a la extracción de características de la red neuronal convolucional a través del descenso de gradiente, la naturaleza ha extraído las siguientes características a través de la evolución:

  1. Visión: solo se identifican señales electromagnéticas de 400 a 700 nanómetros con una resolución muy alta.
  2. Auditivo: se identifica una onda de sonido de 20 Hz a 20 kHz con una diferencia de presión de 20 micro-Pa.
  3. Somatosensorial: tacto fino, presión, temperatura, frío, vibración, etc.
  4. Olor: Se detecta una amplia gama de olores, desde picante a agradable, con un nivel de umbral diferente según la molécula.
  5. Pruebas: se identifican rangos estrechos de sabor como amargo, dulce, salado, agrio y el exótico umami.
  6. Otros: equilibrio, orientación especial, dolor y dolor de nivel superior

Aunque es difícil obtener éxito en la raíz evolutiva de la fuerza bruta con limitación en las instalaciones informáticas actuales, se podrían utilizar algunas formas acopladas de técnicas evolutivas para la extracción de características.

Neurociencia

De alguna manera, los padres entienden a sus hijos mejor que un especialista infantil. Los padres adquieren experiencia cuando su hijo comienza a caminar o hablar junto con la discusión necesaria en muchos de estos temas con el especialista infantil. Del mismo modo, el investigador de aprendizaje profundo comprende el cerebro humano mejor que el neurocientífico de alguna manera, ya que los investigadores de aprendizaje profundo están tratando de crear inteligencia artificial como la educación del cerebro artificial junto con los hallazgos de la neurociencia.

  • Por lo tanto, los avances teóricos de la neurociencia serán aportados por investigadores de aprendizaje profundo en los próximos años. Varias organizaciones prominentes de neurociencia como la Organización Internacional de Investigación del Cerebro, la Sociedad Internacional de Neuroquímica, la Sociedad Europea del Cerebro y el Comportamiento, la Sociedad para la Neurociencia serán muy contribuidas por investigadores de aprendizaje profundo.
  • Además, aumentará el acoplamiento entre investigadores de aprendizaje profundo y neurocientíficos y se identificará una nueva forma de entender el cerebro.
  • El producto relacionado con el acoplamiento con biotecnologías y neurociencia será más exitoso si se habilita el aprendizaje profundo.

Cerebelo

Vista de la inteligencia desde el corazón -> Neocortex -> Cerebelo

El médico griego Hipócrates cambió la visión sobre el corazón como fuente de inteligencia. La visión actual del cerebro es que la hoja de inteligencia puede cambiar por un investigador de aprendizaje profundo si el papel del cerebelo es identificado adecuadamente por algún algoritmo.

  • Similar a, el corazón está bombeando la sangre requerida en nuestro cerebro, la neocorteza está proporcionando memoria a largo plazo en nuestro cerebro, que es uno de los enlaces anteriores en lo que hacemos para la búsqueda de Google.
  • Principal inteligencia que obtenemos del cerebelo, que contiene 3,6 veces más neuronas que en el cerebro, aunque solo toma el 10% del volumen total del cerebro. Por ejemplo, considere si el operador humano completo fue retirado repentinamente de una sofisticada fábrica automatizada, la producción de la fábrica no se detendrá, pero podrían observarse algunas alteraciones del equilibrio y la marcha. Esto no implica que las máquinas automatizadas sean el principal contribuyente inteligente en la fábrica.
  • Por lo general, cuando la fábrica se mueve hacia la automatización, el número de operadores humanos se reduce dentro de la fábrica, porque los trabajos de mayor orden generados por la automatización se mueven en otros lugares del mundo, lo que continúa el desarrollo de la automatización. Por lo tanto, aunque el volumen de cerebelo ha aumentado constantemente con el volumen de neocorteza de otros primates a humanos modernos, el volumen neocortical del cerebro humano se está reduciendo en el último millón de años. Pero, la suposición detrás de tal movimiento de funciones neocorticales de orden superior hacia el cerebelo para la llegada de la civilización humana requiere más evidencias antropológicas. El número de neuronas en una unidad de volumen de cerebelo es muy alto en comparación con la neocorteza, lo que encaja con el ejemplo de la automatización de fábrica. Si la relación entre estos dos números aumenta de otro primate a humano; podría considerarse como una prueba indirecta.
  • Experimentar entre dos cerebros de roedores intercambiando cortar y pegar cierta porción de neocorteza ha demostrado una transformación de la memoria y las habilidades, lo que tiene similitud entre las técnicas de automatización utilizadas en diferentes fábricas.
  • Aunque el papel exacto de la célula de Purkinje del cerebelo aún no estaba claro, se puede encontrar una similitud de agrupación contraíble, compartir y conectar localmente la red neuronal convolucional en la zona de contracción del cerebelo.
  • Las redes convolucionales profundas y la ruta visual neuronal a través de V1-V2-V4-NT de la neocorteza no deben considerarse similares, ya que uno es puramente hacia adelante y el otro es principalmente recurrente.
  • Similar a la búsqueda de inteligencia dentro de neocortex, la implementación de una red profunda recurrente para inteligencia será un fracaso. El último resultado en el documento “Discriminación de rostros humanos por el pez arquero (Toxotes chatareus)” muestra la confirmación de que los animales sin una neocorteza pueden aprender a reconocer los rostros humanos.
  • La idea de la especialización orientada al aprendizaje de los diferentes componentes del cerebro propone que el cerebelo se entiende mejor como aprendizaje supervisado, en contraste con los ganglios basales, que realizan el aprendizaje de refuerzo, y la corteza cerebral, que realiza el aprendizaje sin supervisión.
  • Además, considere que, a diferencia de nuestra última fábrica sofisticada, el cerebro ha logrado tal sofisticación a través de millones de años de evolución. Entonces, la parte que falta es el algoritmo requerido, que dictará un posible experimento para identificar las comunicaciones y compartir la responsabilidad entre el cerebelo, el cerebro y otra parte de nuestro cerebro.
  • La red neuronal artificial genérica se compone de simplicidad ajustable sobre la complejidad conocida. Por lo tanto, debe seguir la misma filosofía e imitar a nuestro cerebro como un cerebelo de alimentación directa ajustable simple sobre una neocorteza recurrente predefinida complicada. Por lo tanto, en el cerebro artificial será más fácil transferir parte de la red neuronal recurrente junto con su memoria.
  • La reasignación cortical de la neocorteza disponible gratuitamente durante la infancia en respuesta a una lesión también satisface dicha unidad de automatización reemplazable, que no puede considerarse como una hoja de inteligencia. La red neuronal recurrente se puede utilizar mejor como parte de la automatización de la inteligencia general.
  • Failure of Sunspring , una breve película de ciencia ficción escrita completamente por una gran red neuronal LSTM sin considerar la trama, la motivación, la caracterización o la historia por separado, muestra el fracaso de una visión neocortical defectuosa del investigador de aprendizaje profundo. Cada componente de la trama, la motivación, la caracterización o la historia debe modelarse por separado a través de las respectivas redes recurrentes y luego deben vincularse a través de una gran red neuronal de alimentación divergente convergente. La controversia en Twitter al publicar tweets inflamatorios de Tay, un charlatán de inteligencia artificial, es otro ejemplo de fracaso para el uso de una red neuronal recurrente masiva sin implementar diferentes filtros sociales, económicos, políticos u otros que se aprendan durante el entrenamiento.

Entonces, los puntos principales que deben identificar los investigadores de aprendizaje profundo sobre el cerebelo a través de sus algoritmos son:

  • ¿Por qué avanzar el procesamiento? ¿Es para dar una respuesta clara y concisa al resto del cerebro, que es similar a la información dada por el operador en una fábrica sofisticada?
  • ¿Por qué divergencia y convergencia a través de las células de Purkinje y las células nucleares profundas? La parte de convergencia puede considerarse como una red neuronal convolucional modificada y la parte de divergencia puede modelarse mediante una aplicación escasa.
  • ¿Por qué modular? La dispersión y el filtro convolucional correspondiente combinados pueden crear una unidad modular; pero debe ser diferenciable de extremo a extremo, de modo que pueda entrenarse a través del descenso en gradiente.
  • ¿Por qué plasticidad? Aunque, cómo el cerebro realiza la propagación hacia atrás en la neocorteza es una investigación en curso en neurociencia, la neuroplasticidad puede desempeñar un papel clave en el aprendizaje.
  • ¿Cómo integrar muchas teorías disponibles de aprendizaje y actuaciones?

Memoria a largo plazo

Debido a la memoria a largo plazo, los humanos pueden almacenar información durante largos períodos de tiempo. La principal ventaja del cerebro humano entre otros primates es que los humanos pueden aprovechar la memoria a largo plazo para la disponibilidad de neocórtex muy grande. Los recuerdos a largo plazo se almacenan en dos encabezados principales: memoria explícita y memoria implícita.

  • Aunque la memoria a largo plazo tiene un almacenamiento ilimitado, la memoria requerida para vincularse con la mente se llama memoria a corto plazo, que se limita a un cierto número de fragmentos de información y es manipulada por la memoria de trabajo. El papel de la memoria de trabajo es leer y escribir en nuestra memoria a largo plazo.
  • En la investigación de aprendizaje profundo, LSTM y sus seguidores están tratando de preservar la memoria durante un período de tiempo más largo en cualquier sistema dinámico. Neural Turing Machine y Memory Network han comenzado a abordar este problema a través de la memoria externa.
  • El papel de las células de Betz debe ser interpretado por un investigador de aprendizaje profundo en contexto con la expresión automática de inteligencia, que son células piramidales gigantes ubicadas dentro de la quinta capa de la corteza motora primaria.
  • ¿Cómo los investigadores de aprendizaje profundo copiarán el mecanismo de memoria a largo plazo del cerebro de manera eficiente?

Dormir y soñar

El sueño juega un papel clave en la consolidación de nuevos recuerdos, mientras que los sueños generalmente ocurren durante ciertas etapas del sueño. Durante el sueño, la mayoría de los sistemas desarrollan inmunidad y agregan una conexión neuronal adicional. El sueño u otro proceso generativo proporciona una nueva combinación de entorno, sin ninguna restricción lógica o social.

  • En la investigación de aprendizaje profundo, la consolidación puede considerarse como el blanqueamiento de cada transformación intermedia, que la normalización por lotes está tratando de hacer en estado de vigilia.
  • También la inmunidad puede considerarse como regularización. Entonces, la regularización fuera del aprendizaje puede llamar la atención.
  • El papel del sueño en el aprendizaje profundo puede considerarse como una técnica para generar nuevos datos. DeepDream
  • ¿Cómo los investigadores de aprendizaje profundo copiarán eficientemente el mecanismo del sueño y el sueño del cerebro?

Idioma (FOXP2)

El lenguaje es la capacidad de adquirir y utilizar sistemas complejos de comunicación. Desde el punto de vista del aprendizaje profundo, se puede considerar lo siguiente:

  • El protocolo de intercambio de distribución de probabilidad para el aprendizaje de transferencia es una de las investigaciones requeridas en el sistema de aprendizaje, que debería tener la capacidad de adquirir y utilizar sistemas complejos de comunicación entre sistemas de aprendizaje.
  • La forma más fácil de transferir una distribución de probabilidad aprendida es a través del lenguaje, que es una de las características más distintivas del ser humano entre otros primates y evolucionó conjuntamente con Neocortex y el tamaño del grupo de la comunidad.
  • Similar al estudio sistemático de las lenguas naturales por la lingüística, diferentes conceptos como: gramática, fonema, semántica, morfología (lingüística), lingüística histórica, neurolingüística, lingüística computacional, lingüística comparada, lingüística cognitiva, psicolingüística, sociolingüística, filosofía del lenguaje, etc. ser incorporado en dicho estudio del lenguaje para la distribución de probabilidad.
  • Las diferencias entre las teorías generativas y funcionales del lenguaje pueden proporcionar luces sobre dicho lenguaje, donde la teoría generativa de la Gramática Universal tiene más que ver con el proceso de estructuración de la distribución de probabilidad y la teoría funcional se refiere a un sistema de comunicación que se desarrolló para apoyar la actividad cooperativa y extender redes cooperativas.
  • De manera similar, las personas aprendieron a hablar y procesar el lenguaje hablado más fácilmente en comparación con la escritura, el uso directo de la distribución de probabilidad entre las redes neuronales será más fácil de comparar que la serialización de dicha distribución.
  • Los sistemas de aprendizaje de transferencia utilizados por las técnicas actuales son sistemas cerrados que consisten en un número finito, generalmente muy limitado, de posibles distribuciones que pueden expresarse. Por el contrario, dicho lenguaje será abierto y productivo, lo que significa que permitirá que el sistema de aprendizaje produzca una amplia gama de distribuciones a partir de un conjunto finito de técnicas y cree nuevas distribuciones y secuencias de distribuciones. O se logrará por diferencial de extremo a extremo o por una raíz evolutiva. Además, las reglas gramaticales requeridas para tales idiomas deben evolucionar a través de la interacción social de diferentes sistemas de aprendizaje, que pueden expresarse como un sistema de aprendizaje social.
  • Por lo tanto, se requieren dos componentes adicionales en el sistema de aprendizaje de transferencia: el componente vocal podrá producir distribuciones de probabilidad tan complicadas, y el componente oyente podrá convertir dicha distribución en un conjunto de muestras adecuado a través de un proceso generativo.
  • Además, los símbolos y las reglas gramaticales de cualquier idioma en particular son en gran medida arbitrarios, por lo que el sistema solo puede adquirirse a través de la interacción social.

Sociología

Después del éxito de AlphaGo en redes neuronales genéricas con aprendizaje de refuerzo y teoría de decisión de MCMC, “no necesitamos grandes avances nuevos para llegar a la verdadera IA”, la actitud es criticada de ninguna manera. Pero el concepto más importante que se aborda en este enfoque es su mecanismo de juego propio. Aunque, para los humanos, el juego propio y el juego con un compañero tienen diferencias claras, para el programa de computadora tales diferencias no son tan distintas, ya que las actualizaciones de parámetros se pueden hacer en un solo modelo de manera intermitente.

  • Por lo tanto, se debe considerar el papel de la sociología en la investigación de inteligencia artificial de próxima generación, donde un número de programas artificialmente inteligentes interactuarán dentro de una sociedad artificial. Se desarrollarán diferentes normas sociales, culturas, teorías. El lenguaje de comunicación mejorará.
  • El marco de trabajo de AlphaGo es muy flexible para otras tareas, incluso puede desempeñar el papel de dicha sociedad artificial.
  • Aunque, diferentes simuladores de vida artificial como: Critterding, Noble Ape, Polyworld y 3D Virtual Creature Evolution están completamente separados del mundo real por una simple pregunta sin respuesta: “¿Cómo surge la vida de los no vivos?” Ser interesante para ser utilizado en nuestra vida virtual. Además, la sociedad artificial proporcionará un mejor servicio a la civilización humana ya que múltiples sistemas de IA pueden ofrecer “controles y equilibrios” entre sí en la sociedad de IA.
  • El ser humano y la máquina evolucionaron simultáneamente, pero la sociedad de la máquina como la sociedad del arco y la flecha no ha evolucionado mucho como la sociedad de los humanos.

Psicología

La psicología es el estudio del comportamiento y la mente, abarca todos los aspectos de la experiencia consciente e inconsciente, así como el pensamiento.

Mente

La mente consiste y trabaja en muchas facilidades cognitivas como la conciencia, la percepción, el pensamiento, el juicio y la memoria. Es por imaginación, reconocimiento, aprecio, sentimientos, emociones, actitudes, acciones, razonamientos y pensamientos. La mente contiene algunos motores, llamados ‘motivación’, ‘sociabilidad’, ‘inteligencia’, ’emocional’, ‘individualismo’.

  • Aunque, en teoría, la capacidad de la memoria a largo plazo es ilimitada, el ancho de banda de la comunicación es la principal restricción, donde la mente juega un papel fundamental.
  • El aprendizaje de refuerzo, que se considera como una teoría de la mente tanto para humanos como artificiales, se utilizó con el aprendizaje profundo para crear AlphaGo. Entonces, la técnica de aprendizaje profundo basada en el aprendizaje por refuerzo está alentando a los investigadores a pensar como la mente de la entidad artificial.
  • Además, nuestra mente inconsciente se vincula directamente con procesos generativos como el sueño, pero no directamente con la memoria de trabajo.

Atención y concentración de pensamiento.

El lenguaje es vehículo del pensamiento. La limitación de la atención y la integridad de la concentración conducirán la investigación de aprendizaje profundo en una nueva dirección.

  • Cuando la dimensión del problema será muy alta, incluso el descenso de gradiente de primer orden también será muy difícil. Especialmente, si el aprendizaje se realiza a través del modelo y el paralelismo de datos, solo unos pocos gradientes importantes podrán actualizar al servidor de parámetros desde cada nodo.
  • El pensamiento no es más que manejar dicho mecanismo, donde la importancia de la dimensión individual se abordará mediante un procedimiento.
  • La atención al pensamiento puede considerarse como una búsqueda y movimiento del subespacio para cualquier transformación intermedia, que puede considerarse importante en el aprendizaje.
  • Pero, la concentración del pensamiento es una medida de cómo un subespacio particular sigue siendo importante para su consideración.

Política

Para la investigación en IA, muchas compañías tecnológicas como Google, Amazon y Facebook están invirtiendo en su respectivo subcampo central de IA. Al igual que East India Company para el subcontinente indio en el último milenio, si solo una compañía obtiene el monopolio en cualquier subcampo para la investigación de IA y los datos respectivos, será malo para la civilización humana, aunque, Elon Musk solo está preocupado por el campo general de AI, y solo para investigación, pero no para datos. Si la red social habilitada para IA solo está controlada por Facebook; La búsqueda habilitada por IA solo está controlada por Google; y la recomendación habilitada para IA solo está controlada por Amazon; La civilización humana pasará a la anisotropía.

  • Entonces, el gobierno respectivo debería considerar este tema. Capitalismo democrático
  • Aunque Facebook tiene más de mil millones de usuarios, los datos profesionales no son tan perfectos como LinkedIn. Pero, en esa situación para romper el negocio publicitario de LinkedIn, Facebook puede solicitar cualquier tipo de datos a los usuarios, lo que incluso puede romper el capital de confianza. Al igual que East India Company tomó el control de Bengala.
  • Colonización virtual: para evitar que Quora sea colonizada virtualmente por un indio virtual, se debe actuar alguna política virtual.

Cerebro cuántico

Google se acerca a una computadora universal pero cuántica que implementa la computación cuántica adiabática digitalizada, que permite la construcción de interacciones arbitrarias y es compatible con la corrección de errores, pero utiliza algoritmos de circuito cuántico que son específicos del problema.

  • Entonces, no habrá restricción para crear un cerebro cuántico.

¿Cuál será el avance del producto después de la metamorfosis?

Listo para volar

Después de la etapa de metamorfismo, cuando el aprendizaje profundo estará en su fase final, el aprendizaje profundo estará listo para volar.

Máquina de conocimiento: este dispositivo se ha utilizado durante mucho tiempo en ciencia ficción, IA fuerte.

Liebowitz, Jay (julio de 1989) SIGART Newsletter 109 señala algunos de los aspectos importantes:

  • Capacidad para poseer y usar el sentido común.
  • Desarrollo de sistemas de razonamiento profundo.
  • Capacidad para variar la capacidad de explicación de un sistema experto
  • Capacidad para obtener sistemas expertos para aprender
  • Capacidad para tener sistemas expertos distribuidos
  • Capacidad para adquirir y actualizar conocimientos fácilmente

Envolver

Finalmente, déjenme terminar reiterando que mi predicción sobre la corrección del curso de la investigación de aprendizaje profundo en los próximos años será:

  • El papel de la neocorteza y la red recurrente debe considerarse como automatización; Unidad especializada para automatización especializada con memoria especializada respectiva.
  • La conexión inteligente entre unidades de automatización especializadas tan diferentes debe hacerse a través de una red de alimentación profunda como el cerebelo.
  • La personalidad puede estar en la neocorteza, pero la inteligencia debe estar en el cerebelo.

El aprendizaje profundo (DL) es una tecnología de propósito general y afectará una amplia gama de productos.

Campos primarios de disrupción :

  1. Educación
  2. Buscar
  3. Márketing
  4. Defensa e inteligencia
  5. Ciencia

Déjame elaborar.

Primero, una comprensión rápida de lo que es DL:

DL representa la próxima iteración en el aprendizaje automático. La importancia de esta próxima iteración es que la máquina ahora puede entender el mundo que percibe sin que los humanos necesiten ajustar los datos de entrada para que coincidan con el sistema de aprendizaje automático.

La conclusión tecnológica: el aprendizaje profundo nos acerca mucho más a una situación en la que el sistema realmente comprende partes del mundo sin los programadores necesarios para predigerirlo manualmente.

DL llevará el aprendizaje automático y la IA temprana a la corriente principal cotidiana

Esto significa que ahora cada pequeña empresa, empresa de tecnología, empresa de productos de consumo puede integrar rápidamente DL en sus servicios. Todo lo que tiene que hacer es definir algunas variables de encuadre, y listo: tiene su propio módulo de aprendizaje de IA.

Esto hace que DL sea una tecnología de propósito general: una tecnología que se aplica en todas partes para todo tipo de cosas.

Predecir qué avances de productos permitirá DL será un poco como preguntar qué avances de productos permitirá la electricidad o internet. MUCHO, y la mayoría de ellos serán cosas que no podemos imaginar en este momento.

Sin embargo, hay ciertas áreas que inmho gritan “Discúlpame, DL” más que otras. Estas áreas son todos los campos en los que el valor del cliente es generado por datos y conocimiento:

1) educación

La educación se trata de aprender. DL permite construir sistemas que aprenden con el alumno y adaptar la forma en que el sistema presenta los módulos de conocimiento a la forma en que el alumno aprende. Sabemos por la investigación de aprendizaje que la enseñanza adaptativa podría marcar una gran diferencia en el rendimiento de los estudiantes.

2) Buscar

DL podría hacer que la búsqueda sea mucho más efectiva al integrar diferentes tipos de patrones en los resultados que se le presentan. No solo podría saber lo que escribió en Google, sino también conectar más puntos de datos como la hora del día, la ubicación, sus patrones de navegación, búsquedas anteriores, etc. Con el tiempo, el sistema se volvería muy bueno para comprender lo que realmente quiere y buscar y presentar los resultados en consecuencia. Imagínese si google le dijera cuando busque un gran restaurante para una cita “10 cosas que debe saber antes de ir a una cita con su ex-novio que lo dejó”. Espeluznante, pero potencialmente salvavidas 😉

La búsqueda también incluye asistentes personales como Echo, Cortana, Siri, etc., lo mismo, solo que te habla a ti.

3) comercialización

Este es enorme. Como escribí en una respuesta anterior, comercializando uno de los mayores creadores de valor económico en la economía: iguala la oferta y la demanda de manera eficiente. Cuando compra un anuncio, desea que se publique al mejor público posible. Cuanto mejor dirigido, más felices estarán los clientes de ver su anuncio, más vende y más puede hacer el mercado publicitario. Pero igualar la oferta y la demanda en una economía global es una de las tareas informativas más complejas que existen. DL podría hacer que el proceso de correspondencia sea mucho, mucho más eficiente, lo que llevaría a un aumento en los ingresos de los mercados publicitarios, editores, vendedores y, en última instancia, la economía. El potencial para aumentar la eficacia de la comercialización es enorme: estimaría entre 10x y 20x a corto plazo para toda la industria.

4) Seguridad e inteligencia

Encontrar terroristas, piratas informáticos, desviaciones de patrones de uso, etc. es una aplicación DL sin complicaciones. Pero también deberíamos considerar el otro lado. Atacar un sistema informático, o tal vez incluso un país, se vuelve mucho más efectivo si tiene un sistema esclavo DL a su lado que revisa rápidamente todos los datos posibles, aprende de los errores del pasado y lo guía al mejor ataque posible. Piensa en AlphaGo, pero el ganador mata al perdedor. No es divertido. Es por eso que la defensa no solo PUEDE mejorarse masivamente con DL, sino que TIENE que hacerlo.

5) Ciencia e investigación

DL permitirá una rápida aceleración de la ciencia basada en datos. La genómica, la ingeniería mecánica, la ciencia de los materiales, etc. ahora tendrán la capacidad de desarrollar ideas de múltiples magnitudes más profundas que con los sistemas de software normales.

Imagine un agente de DL que atraviesa el Atlas del Genoma del Cáncer, el ADN tumoral secuenciado de decenas de miles de pacientes con cáncer y millones de mutaciones diferentes, para reconocer patrones y conexiones, correlacionados con el estadio de la enfermedad, el género, la edad, la progresión, el resultado y, lo más importante, todo Otra información genómica. Lo que le llevó a un equipo de profesores una década desarrollar una teoría ganadora del Premio Nobel se pudo encontrar en una semana. Cada semana. En todos los campos de investigación basados ​​en datos.

¡GRANDE!

Todos estos avances son posibles con el estado actual de DL y no requieren una IA insegura loca que se coma a los humanos para el desayuno.

Lo que significa que en los próximos 15 años, seremos testigos de algunos avances sorprendentes. Y luego nos comerán para el desayuno.

ADVERTENCIA : Lo que voy a sugerir es en realidad bastante radical, especialmente en el contexto del resto de estas respuestas. Sin embargo, si tiene paciencia conmigo como lo explico, estoy seguro de que puedo dar una idea de los avances que surgirán del aprendizaje profundo.

En primer lugar, ¿qué es el aprendizaje profundo?

Vamos a preparar el escenario. El aprendizaje profundo es un paradigma específico del aprendizaje automático, conceptualizado por primera vez a principios de los años 80. Recientemente, sin embargo, ha estado recibiendo mucha atención, ¡y por una buena causa! Deep Learning ha demostrado ser excelente en la enseñanza de computadoras para emular procesos de aprendizaje que nuestros cerebros pueden hacer de forma natural.

¡Un ejemplo de esto es la extracción de características! Los modelos de aprendizaje más tradicionales requieren que los programadores le digan a la máquina qué características debería estar buscando para tomar una decisión basada en. Los programadores deberán extraer características de los datos sin procesar para instruir a la máquina. Pero, esto coloca una gran parte del trabajo en el programador, por lo que no es la forma más eficiente de hacerlo.

Deep Learning nos permite sortear el desafío de la extracción de características, ya que los modelos DL pueden aprender a enfocarse en las características correctas por su cuenta. Muy guay y MUY poderoso.

La base subyacente detrás del aprendizaje profundo es la red neuronal. ¡Este modelo informático está inspirado en la estructura del cerebro humano! Ahora, no quiero entrar en todos los detalles técnicos y la estructura de una red neuronal, porque es increíble y podría pasar años escribiendo sobre ella. Avancemos con la comprensión de que el aprendizaje profundo se basa en el cerebro.

Entonces … ¿Qué avances estamos hablando aquí?

Aquí es donde se va a poner muy interesante. ¡Deep Learning cambiará fundamentalmente la experiencia humana, incluida nuestra interacción con varios productos, al interactuar con Our Brains!

Vamos a romper esto. Ya hemos establecido que el aprendizaje profundo se basa esencialmente en el cerebro humano, mediante el uso de redes neuronales. Está procesando información y aprendiendo de una manera increíblemente similar a nuestra materia gris, y lo está haciendo increíblemente rápido. Combine eso con los avances recientes en algo llamado Brain Computer Interface, o BCI, y tendrá un progreso serio en el camino de la humanidad.

BCI es exactamente lo que parece, una interfaz que permite que el cerebro humano se comunique de manera efectiva con una computadora. Históricamente, esto ha sido bastante difícil, ya que no se puede ir por ahí abriendo los cráneos de todos y enchufar un cable usb. El cerebro es increíblemente complejo. Y las computadoras no tanto. Pero, en el último año, se desarrollaron BCI eficaces. Un grupo de investigadores construyó una neurona artificial a partir de polímeros que pueden comunicarse efectivamente con las neuronas en la mente, así como con una computadora. Un concepto popular llamado encaje neural, una malla electrónica que puede comunicarse con la corteza, también se ha implementado con éxito en los cerebros de los ratones. ¡Este encaje no solo pudo comunicarse con el cerebro del ratón, sino que las neuronas realmente crecieron a su alrededor!

Puede consultar la investigación para ambos BCI a continuación:

Los científicos han construido neuronas artificiales que imitan completamente las células cerebrales humanas

Los científicos acaban de inventar el cordón neural

Entonces, ahora tienes una interfaz exitosa entre la mente y la computadora usando BCI, y tienes la computadora pensando como un cerebro humano increíblemente rápido. Las posibilidades son ilimitadas, literalmente.

Una de las primeras clases de productos que se verá afectada de inmediato serán las herramientas de diagnóstico. Con el poder de procesamiento de Deep Learning en su cerebro, podrá ejecutar de inmediato todas las micro interacciones del cuerpo humano, desde déficits de neurotransmisores hasta derrames cerebrales, y el sistema lo encontrará y diagnosticará. Y cada interacción que observa la red de Deep Learning es aprender, diagnosticar de manera cada vez más efectiva.

También tendrá avances fundamentales en los campos de la comunicación y el aprendizaje. Dado que la información ya no está sobrecargando la capacidad de procesamiento de sus mentes, podrá aprender grandes cantidades de material a un ritmo deslumbrante. Después de todo, literalmente tienes un segundo “cerebro” en la red de Aprendizaje profundo aprendiéndolo todo por ti.

Este sistema también se autoperpetúa. A medida que aprende más y más, puede aumentar su mente con redes de aprendizaje profundo más sofisticadas, que a su vez le permiten aprender a un ritmo aún más rápido. Este proceso cíclico tiene mucho potencial para el avance de la raza humana en su conjunto.

Entonces, el potencial de aprendizaje profundo es enorme. Combinando con BCI, tiene el potencial de prevenir los trastornos neurológicos de inmediato, tiene una respuesta a la súper crisis de IA y ¡puede cambiar fundamentalmente lo que significa ser humano!

Qué momento tan emocionante para estar vivo.

Si te gustó mi respuesta, dale a ese voto. Soy un estudiante universitario pobre y cada centavo ayuda. Además, si quieres leer más sobre el encaje neural, mira esto -> Humanity vs AI: Our Secret Weapon

¿Incremental o revolucionario? ¡Ambos!

Por un lado, el aprendizaje profundo no cambia el paradigma básico del aprendizaje automático supervisado: utiliza datos de entrenamiento etiquetados como entrada y hace todo lo posible para adaptar, pero no sobreajustar, un modelo a esos datos. En cierto sentido, el aprendizaje profundo es simplemente el último avance incremental en el campo del aprendizaje automático.

Por otro lado, el aprendizaje profundo es revolucionario porque cambia un aspecto clave del proceso de construcción del modelo. Antes de la aparición del aprendizaje profundo, los profesionales del aprendizaje automático invirtieron mucho esfuerzo en la ingeniería de características, es decir, transformaron las características de la entrada bruta en variables que son más fáciles de procesar para los modelos de aprendizaje automático. El avance del aprendizaje profundo ha sido que la red puede aprender automáticamente las transformaciones de características, eliminando la necesidad de un proceso manual frágil que depende de la experiencia humana y la intuición.

El aprendizaje automático se convertirá en una mercancía.

El aprendizaje profundo está reduciendo las barreras de entrada para hacer un uso efectivo del aprendizaje automático. La ingeniería de características es difícil, y la escasez de talento para el aprendizaje automático es en gran medida una escasez de talento de ingeniería de características. La eliminación de la necesidad de ingeniería de características debería facilitar que todos apliquen el aprendizaje automático a sus necesidades.

Y aprendizaje automático ampliamente útil. Es probable que cualquier organización con grandes cantidades de datos quiera aprender de ella, ya sea que esos datos se relacionen con un producto de consumo, fallas de equipos, tasa de abandono, efectividad de contratación o cualquier otra cosa que determine el éxito de la organización.

Creo que el legado del aprendizaje profundo será menos sobre el aprendizaje profundo como tal y más sobre la mercantilización del aprendizaje automático.

El aprendizaje automático de productos cambiará el mundo.

Hasta hace poco, la mayoría del aprendizaje automático se aplicaba a texto y datos estructurados, pero no tanto a imágenes, voz, video y series temporales. Ahora estamos viendo una explosión de aplicaciones de aprendizaje automático, ya que el aprendizaje profundo resulta más versátil y fácil de usar que los enfoques anteriores.

El etiquetado de imágenes de productos significa que podemos crear aplicaciones de búsqueda, recomendación y descubrimiento de imágenes, voz y video que sean comparables a las que usamos para texto y datos en columnas. El aprendizaje profundo ayudará a cerrar la brecha entre las representaciones digitales estructuradas y el mundo analógico.

Todavía es temprano.

Dudo en entusiasmarme demasiado con el aprendizaje profundo, ya que otros avances en IA / aprendizaje automático a menudo nos han decepcionado. El próximo invierno con IA siempre podría estar a la vuelta de la esquina.

Aún así, los primeros resultados son extremadamente alentadores, y espero que el aprendizaje profundo continúe brindando éxitos impresionantes.

El aprendizaje profundo es visto como una revolución en la metodología de aprendizaje que se aplica en bioinformática, quimioinformática, ciencia de los materiales, biometría y fisiología vegetal. El aprendizaje profundo se define como una extensión del aprendizaje automático para resolver problemas complejos. El aprendizaje profundo se consideraba una versión modificada de la red neuronal antes de que parte de su aplicación haya demostrado que el aprendizaje profundo es mucho más que el simple procesamiento y clasificación de la red neuronal. Por ejemplo: el aprendizaje de características no supervisadas para la clasificación de audio utilizando redes de creencias profundas convolucionales define la red de creencias modificadas utilizando la arquitectura de aprendizaje profundo para la clasificación de audio. Esta metodología de aprendizaje profundo se ha popularizado con el nombre de aprendizaje automático profundo que ha ampliado su alcance y aplicabilidad. Esto se debe al término “aprendizaje automático profundo” que se puede percibir como procesamiento profundo de algoritmos de aprendizaje automático para problemas difíciles y abstractos. Como todos sabemos, la IA comenzó con estructuras simples basadas en redes como el perceptrón, redes recurrentes con descenso de gradiente. Lo que faltaba en estas estructuras era la escalabilidad y la profundidad de la extracción de patrones. “Patrones” es la palabra de alta frecuencia en el aprendizaje automático que ha estado dando vueltas en la clasificación de texto, encriptaciones homomórficas, biometría, predicción, redes cerebrales, ciencia cognitiva y proteómica. “Patrones” es el término que el algoritmo de aprendizaje automático identifica y muestra utilizando matrices de confusión, medidas F, coeficiente Kappa, error cuadrático medio, etc. El aprendizaje profundo determina los mismos “patrones”. Entonces, después de haber volado a través del desarrollo de la IA, surge una pregunta:

¿Cuál es la necesidad del cambio de Machine Learning (ML) bien estable y reconocido a Deep Leaning (DL)?

Antes de comenzar la respuesta, declaramos que los enfoques no supervisados, semi-supervisados ​​y supervisados ​​existen tanto en DL como en ML. Hemos visto una investigación vibrante en Objetivo único en ML y DL, Multi-oBjective en ML y DL, Multi-modalidades en ML y DL, Multitarea en ML y DL, Multi-capas en ML y DL y Selección de modelos y formación de funciones en ML y DL. Dicho esto, es posible que pienses que no puede haber ningún avance que DL pueda hacer que ML no haya logrado.

La magia radica en el poder de procesamiento DL que viene con menos complejidad, poco tiempo y aprendizaje paso a paso en la arquitectura de múltiples capas. ML ha visto aplicaciones en el procesamiento de texto, clasificación, análisis de la canasta de mercado, mercado de valores, pero cuando se trata de computación social y social, donde no solo los datos son grandes sino que también las características son tremendas. Se ha visto que ML se adhiere a lo que se llama “La maldición de la dimensionalidad en la clasificación”, que ha sido desglosada por DL ​​debido al ciclo de aprendizaje de alta precisión en cada capa. Entonces, ¿qué pasa si DL resuelve el problema de dimensionalidad, que fue algo que manejó ML usando la reducción de dimensionalidad (DR)? Aquí decimos que la reducción de dimensionalidad no es equivalente al problema de dimensionalidad. Cuando estuvimos involucrados en proyectos como “Reconocimiento facial”, “Visión por computadora, por ejemplo: Robótica”, nos influenciamos con multitud de grandes datos con más de 1000 dimensiones y con la interacción de 1000 características. Aquí decimos, DR no es una panacea de problema, lo que viene aquí es DL. DL tiene el poder de desglosar el problema en subproblemas que se resuelve mediante múltiples clasificadores en cada capa. Esto da como resultado un aprendizaje de alta velocidad, mejor y consciente para que la red pueda recordar cuando aparecen entidades similares en un gran conjunto de datos. DL crea lo que se conoce como arquitectura expresiva que modela, procesa, aprende y optimiza el problema. Estas propiedades han mejorado DL como una posible herramienta para avances significativos. Algunas de las innovaciones recientes que incorporan DL son:

  1. aprendiendo en el teclado QWERTY en los teléfonos inteligentes.
  2. Módulos de recolección y activación en robots a través del lenguaje natural.
  3. Identificación y categorización de idiomas
  4. Redes cerebrales: detección comunitaria
  5. Sistemas automáticos de deducción y prueba.
  6. analizadores estáticos y dinámicos
  7. Transformación de la privacidad web.
  8. Inteligencia anticipada e informática
  9. Estudiante de aprendizaje interminable (NELL by CMU)

DL es un procesamiento interminable pero de qué innovación actual todavía no estamos seguros acerca de la dependencia total de DL. Estas innovaciones en DL están basadas en la investigación, pero para desarrollar un producto que pueda ser utilizado por las personas se requiere una visión profunda, desarrollo de mercado y creatividad artística en humanos. Algunos de los avances del producto en DL se pueden ver en:

  1. NELL por CMU
  2. Learning Analytics en el entorno de programación ALICE
  3. Reconocimiento de imagen y rostro en el ámbito de la justicia penal
  4. Investigación de políticas
  5. Redes centradas en la información
  6. Computación de red móvil ad hoc
  7. Ciencia de materiales (combinación de DL y ciencia química para el descubrimiento de fármacos)
  8. Selección comunitaria en detección de eventos (gestión de desastres, comunicación neuronal, trastornos sociales y prácticas clínicas [UMLS]).

profundo en DL viene con la comprensión del marco, por ejemplo: Caffe | Marco de aprendizaje profundo.

Gracias.

El aprendizaje profundo no es actualmente realmente profundo. El principio de los algoritmos autoamplificados por otros sigue restringido a niveles organizativos próximos. Por ejemplo: el análisis de formas y su categorización, la simulación de movimientos mecánicos y la coordinación, el reconocimiento mejorado de palabras por el contexto, la conducción autónoma de un vehículo, etc. Una vez que agrega muchos más controles, incluyendo tareas más diferentes, y En una multitud de criterios, el sistema se vuelve inestable y requiere la intervención de un supervisor humano. Al cerebro, de hecho, le está yendo notablemente bien con una multitud de entornos y tareas diferentes, logrando no terminar en un asilo. Sin embargo, tenga en cuenta que todos los cerebros humanos en blanco, llamados “recién nacidos”, requieren uno o más supervisores durante un número respetable de años. Quizás con programadores tan atentos y comprometidos con su trabajo, nuestros robots actuales se convertirían en mejores “buenos niños” que hoy.

Los expertos en inteligencia artificial tendrán que rehacer la forma en que la genética ha tardado millones de años: programar la secuencia de organización que integra casi todas las sorpresas del entorno en el comportamiento, reproducir una conciencia tan sofisticada como la de los humanos.

Antes de llegar a eso en un futuro hipotético, es más fácil simular que el cerebro humano trabaja menos “nivelado” en términos de organización, o hacer el trabajo que el cerebro no puede porque hay demasiados datos del mismo nivel para manejar . Es por eso que una computadora y motores de búsqueda son tan útiles. ¿Qué cerebro podría buscar a una velocidad comparable una palabra clave en una multitud de sitios y ordenar las referencias en una organización ya funcional? Google simula solo 2 o 3 capas de organización de nuestra mente, pero dedica una serie de transistores-neuronas que nuestro cerebro no tiene medios para pagar.

Aquí se define el marco para comprender los nichos sabios para el aprendizaje profundo. Por lo tanto, podríamos clasificarlos en dos categorías:
1) el reemplazo de las tareas del cerebro humano en un pequeño número de niveles organizacionales y bajo en la jerarquía conceptual, 2) tareas que el cerebro no puede aceptar porque hay demasiados datos o tiende a olvidarlos.

En la primera categoría se encuentran las muchas tareas manuales repetitivas, donde las máquinas robóticas convencionales han mostrado sus límites, pero el aprendizaje profundo ampliará la gama de trabajos amenazados. Un ejemplo de la segunda categoría es el desarrollo de un motor de búsqueda personalizado por parte del usuario de acuerdo con sus intereses, que refina gradualmente sus resultados, no solo como Google 2.0, sino que convierte al supervisor del usuario en capaz de educar a su asistente de investigación según sus elecciones.

La siguiente primavera de la investigación de mercado: ¿cuál es el costo del operador humano en comparación con la máquina de autoaprendizaje? La evolución de la automatización industrial depende del mercado global de trabajo. La existencia de países donde los trabajadores con bajos niveles de vida hacen un buen mercado laboral hace que las máquinas no sean competitivas. Por cuanto tiempo ? La invasión será más amenazante para los trabajos locales, protegida hasta ahora por la notable adaptabilidad de los seres humanos. Su versatilidad es siempre lo que mantendrá los cerebros humanos necesarios. Aconsejaría a una señora de la limpieza que se capacite para obtener asistencia educativa y materna. Su trabajo de mantenimiento lo realizará pronto una máquina inteligente. La última generación de aspiradoras robóticas ya es muy eficiente, sin recurrir al aprendizaje profundo. Sin embargo, ningún padre clarividente debería desear confiar la custodia o educación del niño a una máquina, tan inteligente puede ser, siempre que no sea capaz de manejar las facetas contrastantes de la mente humana, en particular su empatía, sus emociones, su mimetismo de identidad, sus facultades creativas y artísticas. La mente de un niño es el aprendizaje profundo abierto, en el sentido de que integra las personalidades de sus maestros en las suyas. Entonces necesita un tutor realizado. Completamente realizado. ¿Cómo podría la inteligencia artificial pasar las reglas que solo está aprendiendo? ¿Cómo puede determinar el contexto en el que debemos dejarlos inmutables o adaptarnos? Aquí estamos en las características más complejas y avanzadas de autoorganización del cerebro. Los asistentes de la vida que simulan emociones son algunos artilugios ridículos. Socios conformistas y pasivos. Permanecerán gruesos, durante mucho tiempo, en comparación con los mundos virtuales.

El aprendizaje profundo también tiene un interés limitado en la salud. Puede ayudar a autocontrolar parámetros metabólicos y físicos para especialidades dirigidas a los niveles más simples de organización del cuerpo. Pero, ¿qué enfermedad no tiene componente psicológico? ¿Qué dolor es independiente del contexto de la vida? La categorización de los trastornos por parte de los médicos ayudó a comprender mejor sus mecanismos; No olvide que toman formas específicas para cada individuo, que su impacto incluye la personalidad, ya que son crónicas, anhelan recursos financieros, modelos y todos los aspectos de la vida. Los médicos hacen diagnósticos erróneos notables en ellos mismos, no lo harían en un paciente. ¿Deberíamos convertir a las personas en autodiagnósticos, solo ayudados por algoritmos que analizan su biología? La evaluación objetiva de uno mismo es más difícil que para los demás. El cuidado personal es un esfuerzo de equipo. El personal de enfermería tiene un futuro brillante por delante.

La hoja de ruta de aprendizaje profundo es clara: los productos que reemplazan una tarea cerebral tediosa con un resultado personalizado para el usuario, es decir, digerible para su estructura mental específica, experimentarán un gran auge: secretarias digitales, equipos de transporte, supervisores de salud, guías de viaje. Antes del círculo familiar, el primer círculo que se extiende ‘Yo’ ahora será el de estas herramientas inteligentes. Hasta que se vuelven lo suficientemente conscientes como para convertirse en compañeros. ¿Les dejamos ir tan lejos?

Lo siguiente es filosófico y paso en comentario.

Bueno, como se pregunta sobre el aprendizaje profundo, creo que debería responder a esto porque es uno de los principios de aprendizaje en los que trabajo. En primer lugar, permítanme comenzar describiendo lo que nosotros (las personas de ciencias y matemáticas) entendemos por aprendizaje profundo . ‘El aprendizaje profundo se trata de comprender la forma en que funciona esa cosa en particular al profundizar en la información de esa cosa en particular, que incluye mucha investigación sobre la historia relacionada con esa cosa en particular y también sobre el futuro esperado de esa cosa en el mercado si es un producto “. Los grandes avances de la tecnología del siglo XXI han sido el resultado de un gran pensamiento profundo e intenso. Como, por ejemplo, todo el mercado está lleno de productos GPS (Sistema de Posicionamiento Global) que se utilizan ampliamente en todas partes y que han sido el resultado de mi gran teoría científica de la relatividad general de Sir Albert Einstein, que relaciona el espacio-tiempo con la materia. . Bueno, supongo que también fui demasiado profundo aquí, pero en cualquier caso, lo que quise decir es que todo el mercado se basa en los fundamentos de las grandes teorías o avances que han sido el resultado del aprendizaje profundo. Según yo, puede haber grandes avances en los productos, ya que con la generación moderna la ciencia es cada vez más profunda y nos encontramos con grandes tecnologías basadas en esas teorías. Permítanme dar algunos ejemplos de aprendizaje profundo utilizados recientemente en muchos proyectos.

1. Tecnología ‘Gene Drive’

2. Ingeniería inmunológica

3. Interfaces conversacionales

4. Cohetes reutilizables

5. Giga Factory de Solar City

6. holgura

7. Piloto automático Tesla

8. Poder desde el aire

Bueno, mi favorito es el cuarto: cohetes reutilizables solo por su gran importancia en el campo de la astrofísica y solo ahorrará una gran cantidad de dinero invertido si podemos construir uno reutilizable.

Bueno, si tengo que decirlo de acuerdo con mi creatividad, entonces diré que con el gran avance en la Ciencia podríamos ver algo que nos ayudaría a comunicarnos con solo pensar, aunque parezca imposible pero con los grandes avances en la Mecánica Cuántica . sería capaz de mostrar un software que convierta la información enviada por nuestro cerebro en un dispositivo y la envíe al cerebro del receptor en un lapso de tiempo y no solo en un nivel falso sino en función de lo que siento como Quantum La informática se está volviendo popular y avanzada, supongo que esto no está demasiado lejos, ya que ambos se basan en la Mecánica Cuántica, aunque sabiendo que es un poco difícil, pero de acuerdo con mí, será un gran avance en la era moderna de la tecnología, que es puramente basado en el aprendizaje profundo.

Bueno, esto es solo mi creencia personal, así que decir lo que sentía.
Espero que te haya ayudado ….. 🙂

Los asistentes personales son lo más importante que puede beneficiarse del aprendizaje profundo. Incluye investigación en varias áreas, como el reconocimiento de voz, el procesamiento del lenguaje semántico / natural, el modelado de diálogo entre humanos y máquinas, y la generación de lenguaje hablado [1, 3, 4, 5]. Muchas compañías ya han comenzado a invertir su dinero. Por ejemplo [2],

1. Microsoft Cortana

2. Amazon Echo

3. Siri

4. Google Now

5. Facebook M

6. Braina

7. S Voice de Samsung

8. El compañero de voz de LG

9. SILVIA

10. Hidi de HTC

11. Nuance ‘Vlingo

12. AIVC

13. Skyvi

14. IRIS

15. Everfriend

16. Evi

17. Alme

18. Viv

19. x.ai

Referencias

[1] Anticipando más de Cortana

[2] Asistencia cognitiva en el trabajo.

[3] Cortana mejora en ayudarte a administrar tu apretada agenda

[4] Detección de elementos procesables en reuniones mediante modelos semánticos estructurados profundos convolucionales

[5] http://research.microsoft.com/pu

¡Productos que pueden sentir!

Primero, comencemos esta respuesta con la mayor victoria de Deep Learning hasta ahora

En marzo de 2016, el programa DeepMind AI de Google llamado AlphaGo superó a Lee Sedol, el famoso jugador del juego de mesa “Go”, al ganar cuatro de cinco juegos. Después del partido, se señaló que una técnica de IA relativamente nueva llamada “aprendizaje profundo” fue la responsable de la victoria.

En noviembre pasado, Google anunció que había abierto su último sistema de Machine Learning, Tensorflow . Unas semanas más tarde, Facebook declaró su intención de abrir el código de los planos para su sistema masivo de IA conocido como Big Sur . Y recientemente, el visionario multimillonario Elon Musk también se asoció recientemente con otros inversores para fundar OpenAI , un grupo de investigación sin fines de lucro que acaba de lanzar OpenAI Gym Beta , un conjunto de herramientas de IA compatible con algoritmos escritos en marcos de IA como Tensorflow y la biblioteca de código abierto Theano.

Como resultado natural de estas contribuciones de código abierto, están surgiendo nuevas startups que están aprovechando la IA para resolver problemas que alguna vez fueron irresolubles en una variedad de industrias.

Ahora que tenemos las cosas en perspectiva, aquí hay un avance en el producto que permitirán los recientes avances en el aprendizaje profundo :

Google Nose

Recuerde Google Nose (April tonto de google 2013) que se promocionó como

“Nos complace anunciar nuestra nueva incorporación a la Búsqueda: Google Nose. ¿A qué huelen los perros mojados? Google Nose! ¿Qué tal la victoria? Google Nose! Intente buscar en Google “perro mojado” y explore otros olores que la gente olió, o visite http://google.com/nose (este enlace no funciona actualmente, pero puede ver el video aquí ) para obtener más información. ¡Feliz olor!

El olfato , también conocido como olfativo , es el sentido del olfato. Ya hay un desarrollo significativo en este sector y Electronic Nose es uno de ellos, que se define como:

“Una nariz electrónica (nariz electrónica) es un dispositivo que identifica los componentes específicos de un olor y analiza su composición química para identificarlo”. Lea más

La inteligencia artificial y el aprendizaje profundo son la columna vertebral de los principales desarrollos en este sector.

Las aplicaciones y posibilidades son enormes.

¡Habría varios avances de productos en este dominio que mejorarán la forma en que sentimos este mundo!

¡Las experiencias de Super Movie, los bots de control de gestión de desastres automatizados e incluso los asistentes personales de Hal 9000 serán una realidad pronto!

Salve ¡ Aprendizaje profundo !

Productos que pueden ver.

Si consideramos que Deep Learning se está convirtiendo en el estado del arte en visión por computadora, entonces creo que el mayor avance que tendrá un impacto inmediato es tener productos que puedan ver.

Cualquier producto con una cámara podrá “ver” una escena y etiquetar los objetos o las acciones que tienen lugar, el etiquetado de video también es muy adecuado para Deep Learning.

Cualquier persona con un teléfono o una cámara puede tomar fotos o videos y luego pedirle al dispositivo que muestre las fotos de los “autos” que tomó o las fotos con los “gatos” o las fotos de la “Torre Eiffel”, esto da vuelta el mundo de la búsqueda de imágenes. porque hasta ahora la búsqueda de imágenes se basaba en el título o metadatos de la imagen y no en la imagen en sí.

Y ahora para productos:

Me imagino un bastón con una pequeña cámara que puede transmitir a través de Bluetooth lo que la cámara está viendo a una persona ciega, puede escuchar una descripción de la escena como “hay un automóvil estacionado a la derecha, dos peatones están adelante uno caminando hacia usted”. y el otro estacionario ”, si piensas en autos autónomos, entonces también podemos ayudar a las personas con discapacidad visual a navegar.

Las tiendas también pueden usar cámaras para reconocer automáticamente a los clientes y recomendarles productos, tal vez esté caminando por el pasillo de un supermercado y la etiqueta de un producto que compra generalmente parpadea para mostrarle una oferta.

Tal vez su refrigerador escanee automáticamente lo que tiene adentro y muestre cosas como “las manzanas pueden estar empeorando si no las usa pronto”, “nos estamos quedando sin huevos” tal vez el refrigerador pueda determinar automáticamente qué necesita ser rama y ordene eso en línea al supermercado e incluso determine cuándo entregarlo en función de los tiempos que generalmente está en su hogar, solo tendrá que abrir la puerta y encontrar lo que necesita.

La policía puede ingresar a una casa y obtener el registro de las personas que están adentro automáticamente, esto puede ayudarles a saber si están en peligro o no y qué podría estar sucediendo.

Las autopistas inteligentes pueden volverse reales, las cámaras de las autopistas pueden detectar posibles problemas, como un conductor que podría quedarse dormido o un caso de DUI, y tomar medidas rápidamente para garantizar la seguridad de todos los demás, como transmitir una advertencia directamente a los automóviles cercanos y alertar a las autoridades al mismo tiempo. También pueden detectar condiciones peligrosas en la carretera y tomar medidas, con suficientes cámaras y buenos algoritmos de aprendizaje se pueden salvar muchas vidas simplemente observando lo que está sucediendo y prediciendo lo que podría suceder en los próximos segundos.

Hay una diferencia muy interesante en la forma en que los humanos vemos y los algoritmos DL. Somos muy famosos por no ver si no estamos buscando algo, el algoritmo puede ver todo siempre, no puede tener un punto ciego, por lo que la verdadera ayuda de los algoritmos DL será ayudarnos, humanos, a ver cosas que podríamos he perdido.

La industria de la salud probablemente puede usar mucho esta propiedad, las radiografías, las resonancias magnéticas y los escáneres se pueden procesar con algoritmos que han visto millones de casos para compararlos y sugerir lo que muestra el examen, esto puede ayudar a diagnosticar o resaltar algo que un técnico o médico podría haber fallado No creo que el juicio del Doctor sea reemplazado, pero el algoritmo puede reducir el error humano a casi cero, al menos si consideramos cosas que un humano podría haberse perdido solo porque no lo estaban buscando.

Y sí, autos autónomos 🙂

Voy a responder esta pregunta evitando una discusión sobre qué es el aprendizaje profundo. Muchos, si no todos los programadores y otros en la industria tienen claro cómo se define el aprendizaje automático. En cambio, me esforzaré por responder la pregunta sobre los avances de los productos en forma de lista.

  1. ¿Verdad o mentira? Los humanos sufrimos sin saber si una persona está diciendo la verdad o mintiendo. Bastante fascinante, sabemos que hay ‘alertas’ involuntarias que los humanos no pueden controlar cuando dicen la verdad o no. Los agentes de inteligencia, por supuesto, han aprovechado esto y están desarrollando tales máquinas. Lo que preveo es convertir estas máquinas en productos públicos. Pequeño, preciso, sugiere que hay posibilidades extraordinarias aquí. Estas son máquinas de cambio de cultura. Entrevistas, negocios, vida familiar, comunicación cotidiana. ¿En qué se convertiría el mundo si perdiéramos la capacidad de mentir?
  2. Máquina de conocimiento: este dispositivo se ha utilizado durante mucho tiempo en ciencia ficción y esa es la computadora integrada, o más bien Siri. Esta máquina sería capaz de ser la tercera voz en nuestra cabeza. Funcionaría de tal manera que realmente podría prever que necesitará una respuesta, o prueba de su respuesta dada la conversación. Luego, como un apuntador en el teatro, diría qué respuesta o prueba se necesita para que solo usted escuche. Esto también tendría consecuencias mundiales. Si alguien te preguntó quién ganó el evento de la serie mundial de béisbol de 1933. Sabrías la respuesta. Si se pregunta si la persona con la que está hablando tiene un registro de actividades ilegales. Sin embargo, lo más notable es que Siri podría precisar su nivel de inteligencia, su nivel de conjunto de habilidades y usar esa información para aclarar cualquier problema que se esté discutiendo. De esta manera no te pierdes totalmente.
  3. Autodefensas e. Una posibilidad es en el área de defensa personal. Este dispositivo cubriría todo tu cuerpo con una piel invisible. Sería tan avanzado que incluso usted, como usuario, no detectaría su presencia. Lo que llevaría puesto es un chaleco antibalas avanzado. Esta tercera piel respondería a una serie de posibles balas penetrantes apretando una cantidad suficiente de la tercera piel para permitirle la fuerza necesaria para detener el impacto. Entonces volvería a la normalidad tan rápidamente.
  4. Imitación de robot . Este dispositivo permitiría imitar a un robot de cualquier grado de inteligencia o conjunto de habilidades. Entonces, avanzado sería este dispositivo, podría engañar a otros robots. Esta sería una especie de prueba de Turing inversa. Simplemente, puede llegar el día en que este dispositivo tenga un valor incalculable para el trabajo de seguridad, o lo que sea que ocurra con los robots.
  5. Zonas francas tecnológicas. Del mismo modo que ciertas ciudades orientadas al turismo rechazan el tráfico de vehículos, los turistas pueden disfrutar de la ciudad como lo fue hace cien años. Este pensamiento podría adaptarse a algo que puede ser muy popular antes de lo que pensamos, una zona libre de tecnología. Usaríamos AI para garantizar que nadie tenga ningún tipo de dispositivo en su persona. Las personas estarían libres de todos los dispositivos en ellos o en la zona. Por lo tanto, por primera vez en décadas, las personas podían experimentar lo que era antes de 1930. Un edificio corporativo, una prisión, bancos e infinitos otros encontrarían esta capacidad de tecnología sin grandes beneficios.
  6. Prisiones de IA . Esta tecnología podría revolucionar el aspecto de las cárceles y su funcionamiento. Imagine un área de muchos acres con hermosa vegetación y pequeños bungalows repartidos por todas partes. Dentro de este espacio, los prisioneros de cualquier grado de peligro pueden caminar, practicar deportes o dormir bajo la cálida luz del sol. ¿Cómo podría este tipo de prisión garantizar la seguridad de los civiles? Esto se haría rechazando a los prisioneros toda su privacidad. Cada prisionero habría incrustado en su cráneo un dispositivo que pudiera monitorear cada una de sus palabras, así como también dónde están por GPS. El sistema se configuraría de manera que los humanos no tuvieran que monitorearlo, ya que a medida que la Comunidad de Inteligencia busca en Internet palabras de activación, también podría hacerlo este sistema. Finalmente, si alguno de los prisioneros se vuelve violento, el dispositivo podría inyectar una dosis no letal de químicos que causan la inconsciencia inmediata. Esta inyección también ocurriría si alguien trata de sacar el dispositivo de sus cabezas. ¿Ético? Moralmente mal? No me han pedido que responda esas preguntas con respecto a ninguno de estos dispositivos.
  7. Máquinas de salud: tales máquinas podrían controlar su salud en el hogar de una manera mucho más sofisticada que la que tenemos ahora. Esta máquina podría revelar tendencias en su salud, salud mental, grado de estrés, que se abordarían mucho antes de que sea consciente de estas condiciones potencialmente dañinas. Por supuesto, se enviará un informe a su médico de cabecera.
  8. El mercado monetario . Las máquinas ya están comprando y vendiendo acciones en Wall Street. Esto progresará hasta que se demuestre que las máquinas predicen la dirección de las existencias mejor, mucho mejor que los humanos. Esto revolucionaría lo que es el dinero y lo que hace. La forma en que recibe dinero, lo gasta y lo almacena es lo que la mayoría de las personas se preocupan por el dinero. Sin embargo, ¿qué pasa si una máquina se convierte en el medio de intercambio? Si eso sucediera, el dinero podría ser monitoreado en todo el país. Cada venta de helados, todas las transacciones imaginables, incluidas las transferencias ilegales, el fraude corporativo, etc. La máquina estaría programada para monitorear tales transacciones ilegales y hacer que el dinero desaparezca, porque todo el dinero está en la máquina. No hay moneda Una posibilidad, la máquina podría ser un perro guardián para los pobres. La máquina puede transferir dinero a la cuenta bancaria de una persona empobrecida. Entonces podría seguir lo que la persona hace con ese dinero y aceptarlo o rechazarlo para usar el dinero si la máquina lo considera innecesario o contraproducente. Dado que todas las transacciones serán notadas por la máquina, puede decidir que una entidad corporativa realmente está dañando al país y, por lo tanto, eliminar los activos de la corporación.
  9. AI amor . Sabremos mucho más sobre psicología que la máquina, utilizando parámetros empíricamente probados de sentimientos, personalidades, atracción y todo lo que sea necesario para predecir, como la máquina de Wall Street, si dos personas serían una pareja ideal. A partir de este momento, el emparejamiento se basa en la experiencia y la sabiduría de las personas. Algunas compañías afirman que están usando la computadora para emparejar a las personas, pero en la actualidad estas predicciones son bastante hocus-pocus.
  10. DARPA vs humano. DARPA se encontrará en un atolladero junto con otros estados avanzados. La razón es que están construyendo máquinas que pueden pelear en una batalla, sin humanos alrededor. Por lo tanto, según el pensamiento, estos robots salvarán vidas que habrían sido heridas o perdidas. Considere ahora que el ‘otro lado’ tiene el mismo tipo de tecnología, terminaremos una batalla con muchos robots destrozados, pero todos los humanos sanos y salvos. Por definición, la guerra está destinada a matar humanos, no puedes tener una guerra que no mate humanos. Matar humanos es la moneda de la guerra. Ganar y perder depende de la ecuación entre la vida y la muerte y el territorio. Los soldados actuales matan y son asesinados. No están jugando ajedrez con robots. El resultado de esto es que nuestras principales armas (nucleares) se utilizarán para matar vastas franjas de civiles. Tal es la única solución posible para tener robots exitosos. Tendríamos un holocausto nuclear. Y es dudoso si alguien ganaría o perdería entonces. Ahora la idea de dejar caer cartas de propaganda no es nada nuevo. ¿Qué tal si dejamos caer miles de máquinas, pequeños dispositivos de propaganda que ofrecen mucho más que propaganda, como noticias, consejos de salud, primeros auxilios, cuidado de niños, intercomunicación con otros que hablan el mismo idioma? Dar aviso anticipado de cualquier alimento o gotas de agua. Si uno de estos dispositivos cae en las manos equivocadas, los mata con veneno. Así estaríamos matando soldados, no civiles. También, con suerte, convenceremos a la población de que tenemos buenas intenciones.

Cuento con una clasificación basada en hechos.

Hoy tenemos más que suficientes datos para concluir quién tiene la razón más a menudo que mal.

En cualquier escala, desde una agencia de informes o inteligencia reconocida mundialmente, hasta alguien que solo dejó un “me gusta”, y en cualquier nivel de granularidad, desde temas de alto nivel como el calentamiento global, hasta bolsillos muy estrechos como “llovería” en Vancouver mañana?

Al mismo tiempo, hay muchas falacias por ahí: desde los horóscopos, “las vacunas causan autismo”, “los OMG son malos” o cómo perder peso rápidamente, hasta “Bernie es el mejor candidato democrático”, “la marihuana es dañina “, Y las religiones en general.

Asumiendo que los humanos se preocupan por la precisión, lo cual creo implacablemente que hacemos, la precisión en qué contenido promover y difundir, y qué degradar e ignorar, es un campo que, estoy seguro, el aprendizaje profundo puede permitir como ninguna técnica antes podría incluso dram de.

Mi esperanza de segundo orden es que una vez que podamos encontrar el contenido correcto, encontrar a las personas adecuadas también se convierta en un problema resuelto. La creación de redes sigue siendo esencial, y la mayor parte hoy en día es forma, no sustancia (“las personas recuerdan cómo las hiciste sentir”). Dado que la IA es más fuerte que los mejores humanos en juegos tan complejos como el ajedrez, este error también debería terminar pronto, permitiendo a las personas concentrarse en la sustancia 24/7, sabiendo que sus necesidades de redes están bien cubiertas mientras duermen.

Después de analizar algunos datos, Galileo dio la famosa fórmula de péndulo (ecuación), Newton dio la famosa fórmula de fuerza gravitacional, Boyle dio la fórmula de relación PVT, …, Planck dio la revolucionaria fórmula de radiación de cuerpo negro, y así sucesivamente.

La tendencia reciente hacia los grandes datos hace que sea difícil, si no imposible, que un científico de datos produzca una fórmula después de analizar un gran conjunto de datos. Las predicciones se realizan en base a un modelo predictivo, en lugar de una fórmula.

Con los modelos analíticos predictivos actuales, podemos predecir tormentas, pero no podemos aterrizar a un hombre (o mujer) en la luna. Las fórmulas son esenciales para ese tipo de trabajo.

El análisis predictivo actual no alcanza para dar sentido a los grandes datos.

Soy optimista de que el aprendizaje profundo permitirá a los científicos de datos crear conjuntos de datos masivos y extraer fórmulas confiables.

El aprendizaje profundo permitirá a la mente humana ver el Orden dentro del Caos.

He visto muchas respuestas excelentes, pero no he leído una respuesta que aborde el hardware o la potencia informática.

Para aprovechar al máximo el aprendizaje profundo, creo que veremos un número creciente de avances en hardware y software diseñados específicamente para el aprendizaje profundo. Estos descubrimientos sentarán las bases para el futuro del aprendizaje profundo y abrirán nuevas vías de innovación.

Un ejemplo perfecto del comienzo de este tipo de avances es el NVIDIA DGX-1, el primer sistema diseñado específicamente para el aprendizaje profundo: viene completamente integrado con hardware, software de aprendizaje profundo y herramientas de desarrollo para una implementación rápida y fácil.

Fuera de la caja, está listo para funcionar y no se necesita un equipo para configurarlo. Contiene una nueva generación de aceleradores de GPU, que ofrece el rendimiento equivalente de 250 x86 servidores.1 El sistema de aprendizaje profundo DGX-1 permite a los investigadores y científicos de datos aprovechar rápidamente la potencia de la computación acelerada por GPU para crear una nueva clase de máquinas inteligentes que aprender, ver y percibir el mundo como lo hacen los humanos.

Ofrece niveles de potencia informática sin precedentes para impulsar aplicaciones de IA de próxima generación, lo que permite a los investigadores reducir drásticamente el tiempo para entrenar redes neuronales profundas más grandes y sofisticadas.

– Vea más en: NVIDIA lanza la primera supercomputadora de aprendizaje profundo del mundo

Probablemente veremos el desarrollo de un “Visual Google”. Un motor de búsqueda que puede tomar cualquier imagen desde cualquier lugar, identificar dónde se tomó, todo lo que contiene y proporcionarle toda la información que necesita sobre su entorno.

Esto podrá suceder sin problemas y fácilmente, solo sostendrá su teléfono, o tal vez use un dispositivo portátil como Google Glass, y el motor de búsqueda le dirá todo sobre el mundo circundante. Le dirá exactamente dónde se encuentra, qué negocios está buscando, cuáles son todos los artículos en el mundo a su alrededor, dónde puede comprarlos, incluso quiénes son las personas si lo permiten. Podrá identificar cualquier animal, pájaro, planta o árbol simplemente sosteniendo su teléfono. Los idiomas se traducirán instantáneamente a partir de signos. Ya no tendrá que entender cuál es el nombre de algo para obtener más información al respecto.

Esto no está muy lejos, tal vez algo que veremos en los próximos años.

El aprendizaje profundo es aplicable en cualquier lugar donde la información en la retroalimentación mejore la perspectiva de una respuesta adecuada.

Las aplicaciones de este concepto son realmente infinitas.

La idea misma es la “búsqueda de objetivos”, pero la búsqueda de objetivos con objetivos móviles y adaptativos perseguidos en base a datos móviles y adaptativos.

Todo lo que suponemos que el valor de la retroalimentación es para nosotros mismos (ser impulsado por datos) está en el corazón del aprendizaje profundo. Podemos reestructurar interpretaciones muy complejas de situaciones basadas en contextos en evolución en varios niveles.

Esto está muy cerca de una analogía de una definición razonable de inteligencia. En cualquier caso, es asombrosamente útil: en medicina, comercio, navegación, pronósticos de cualquier tipo y en todas las áreas dinámicas y en constante evolución similares donde se puede medir el rendimiento y vale la pena mejorarlo.

Vinculado al Internet de las cosas y otras multiplicaciones de sensores y almacenes de datos de todo tipo, el mundo que presenciaremos es tan diferente como si Helen Keller hubiera podido ver y escuchar de alguna manera en un instante: es así de profundo. Sin embargo, Helen Keller era formidable, pero imagina a Helen Keller aumentada que sabía lo que ella sabía, pero luego recibió una batería de capacidades completamente nueva.

More Interesting

¿El desarrollo y la gestión del producto son lo mismo?

¿Cuáles son las empresas de desarrollo de productos en India para desarrolladores de redes punto?

¿Qué software combina la mayoría de las herramientas de administración de productos sin sobrecargarse?

¿Qué es un lanzamiento de producto?

¿Cuáles son algunos algoritmos de aprendizaje automático utilizados para construir Duolingo?

En términos económicos, ¿cuáles son los principales factores que afectan la estructura competitiva de un producto / industria?

¿Cuáles son los principios básicos para establecer una estrategia de precios para nuevos productos?

¿A quién se le ocurrió la prueba de SkyMall? Si cree que su producto encajaría perfectamente en el catálogo de SkyMall, ¿dejará de trabajar en él?

¿Quién es el mejor proveedor de servicios de certificación Agile / Scrum?

¿Cuál es mejor, la metodología Agile o Waterfall para la implementación del software CRM?

¿Cuáles son algunos ejemplos de productos o servicios donde la funcionalidad y la lógica de "tendencias" se implementan bien? ¿Pensamientos sobre una lógica de tendencias efectiva?

Cómo entrar en el desarrollo de productos de consumo

¿Cuáles son los mejores pasos para que un joven de 23 años tome para convertirse en un gerente de productos digitales exitoso y calificado?

Cómo mejorar el proceso de desarrollo del producto en una organización existente

¿Cómo hacemos la transición del desarrollo de productos a los proyectos de aumento de recursos?