8 трендов в сфере разработки ИИ 2018

«Прогрессивно. Революционно. Новый технологический прорыв. Это лишь некоторые термины, используемые сегодня для описания искусственного интеллекта (AI). Однако по мере того, как чиновники высшего звена и коммерческие организации пытаются разобраться с философией искусственного интеллекта, они часто забывают самое главное – фактическая ценность инновации заключается в возможностях ее практического применения» — пишут TechGenix.

Можно придумать отличную концепцию, но без надлежащего исполнения она просто таковой и останется, а выгоду из нее не удастся извлечь.

Пришло время заняться созданием настоящих систем с элементами искусственного интеллекта, ведь сегодня уже никто не сомневается в огромном потенциале данной технологии. Крупному бизнесу и техническим специалистам следует обратить внимание на такие направления разработки:

Нейронные сети

Глубокая нейронная сеть, также известная как технология глубокого обучения, подражает работе человеческого мозга и обучается путем просмотра изображений, чтения текстовых файлов и прослушивания аудио. К сожалению, даже после десяти лет исследований глубокая нейронная сеть по-прежнему остается таинственной и загадочной сферой. Такое положение вещей может измениться в 2018 году в связи с появлением новой теории о том, что глубокие нейронные сети устраняют и сжимают искаженные данные на начальной стадии подгонки, заменяя их базовой информацией о данных.

Чем больше исследуются внутренние особенности работы технологии глубокого обучения, тем больше пользы получает человечество. Изучение этой теории на примере разных глубоких нейронных сетей позволит вывести на новый уровень развитие искусственного интеллекта.

Капсульные сети

В отличие от сверхточных нейронных сетей, капсульные сети могут создавать иерархию отношений. Это позволяет сети учитывать пространственные иерархии между сложными и простыми объектами, тем самым предотвращая ошибки в расчетах и уменьшая вероятность сбоев.

Фактически нейронные сети способны уменьшить количество ошибок на 50% для задач идентификации. Не удивительно, что многие архитектуры строения глубоких нейронных сетей и проблемные домены постепенно переключаются на капсульные сети.

Решение коммерческих вопросов за счет технологии глубокого обучения с подкреплением

Это направление представляет особый интерес для организаций, которые стремятся использовать возможности искусственного интеллекта путем его взаимодействия с окружающей средой. Сочетание достижений и наблюдений в технологии глубокого обучения с подкреплением (DRL) позволяет компаниям Go и Atari изучать различные тактики игр.

DRL можно использовать для коммерческих приложений, поскольку она использует меньше ресурсов, чем другие программы глубокого обучения. Фактически, благодаря своей способности к обучению посредством моделирования и симуляции, необходимость делать маркировку данных полностью устраняется. В ближайшем будущем многие коммерческие приложения будут сочетать технологии DRL и моделирование процессов взаимодействия виртуальных агентов.

Продвинутое обучение с помощью генеративно-состязательных сетей

Две конфликтующие между собой нейронные сети, объединенные в общую состязательную сеть (GAN), представляют собой неконтролируемую систему глубокого обучения. Первая сеть (генератор) создает фальшивые данные на основании существующей информации, в то время как другая сеть (дискриминатор) принимает искусственные и настоящие данные.

При наличии достаточного времени GAN изучает последовательность распределения для конкретного набора данных и улучшает работу сети. Система также способствует устранению неконтролируемых действий, когда маркированные данные требуют значительных ресурсов для получения или просто не существуют. Поскольку две нейронные сети разделяют между собой все обязанности, время загрузки глубокой нейронной сети сокращается.

Очень скоро GAN будут применять в различных бизнес-приложениях, особенно в сфере кибербезопасности.

Решение проблем с маркированными данными за счет расширенного обучения

Одно из самых серьезных препятствий, стоящих перед машинным обучением (особенно технологией глубокого обучения), это наличие большого объема маркированных данных для обучения системы. Такую сложность можно решить за счет реализации двух обширных методов:

• Новый синтез данных.
• Передача задачи или модели, подготовленной для специального домена.

Однозадачное обучение, технология переноса обучения, а также другие методы этого направления относятся к категории «простых данных» (Lean Data методы). Синтез данных из интерполяций или симуляций приводит к увеличению производства данных и росту объема существующей информации для лучшего обучения.

В рамках больших производственных схем эти методы затрагивают широкий круг проблем, связанных с недостатком архивных данных. В ближайшем будущем новые виды расширенных и простых данных в сочетании с различными видами обучения будут использоваться для решения коммерческих задач.

Упрощение модели разработки с помощью вероятностного программирования

Вероятностное программирование является обособленным языком программирования высокого уровня, который позволяет разработчикам автоматизировать процесс создания вероятностных моделей. Благодаря данному виду программирования можно повторно пользоваться библиотеками моделей, при этом он поддерживает формальную верификацию кода и интерактивное моделирование. Также язык предлагает уровень абстракции, применяемый для эффективного вмешательства в универсальную модель классов.

Главное преимущество вероятностного программирования – возможность языка собирать неполную и сомнительную информацию, преобладающую в современной коммерческой среде. Эти языки начинают широко применять на практике. Очень скоро их будут использовать для глубокого обучения.

Технологии гибридного обучения для неопределенных моделей

Нейронные сети DRL и GAN обладают огромным потенциалом, поскольку заинтересованность в их комбинации с различными видами данных постоянно растет. Но технологии глубокого обучения всегда имели дефекты с неопределенностью модели, аналогично вероятностным или бейесовским подходам. К счастью, за счет объединения двойственных подходов гибридные модели улучшают сильные стороны отдельных методов.

Отличными примерами являются бейесовские условные генеративно-состязательные сети, бейесовские общие состязательные сети и бейесовское глубокое обучение. Благодаря гибридному обучению существенно расширяется спектр коммерческих задач для запуска глубокого обучения с неопределенностью.

В результате таких действий можно увеличить производительность, что в дальнейшем способствует внедрению гибридной модели обучения. Со временем методы глубокого обучения должны получить бейесовские эквиваленты, а вероятностное программирование будет объединено с глубоким обучением.

Автоматизированное машинное обучение

Машинное обучение всегда требовало наличия существенного опыта разработки и отличалось достаточно трудоемким рабочим процессом. Автоматизированная модель обучения упростит подобную работу процесс за счет использования методов глубокого обучения и статической обработки.

В рамках процесса демократизации инструментов искусственного интеллекта автоматизированное машинное обучение позволяет коммерческим предприятиям создавать инструменты машинного обучения без наличия глубоких знаний в сфере программирования. Более того, это сокращает время необходимое специалистам по обработке и анализу данных для разработки моделей.

В этом году появится много коммерческих пакетов автоматизированного машинного обучения, реализованных на крупных платформах.

Перспективы искусственного интеллекта

Этот год должен стать особенным для сферы разработки искусственного интеллекта. Ожидается появление большого количества новых технологий, создаваемых для различных компаний и отраслей. Сегодня достаточно сложно успевать отслеживать все наиболее актуальные тенденций из мира технологий, но на перечисленные выше категории точно следует обратить внимание.