5 новых тенденций в глубоком обучении и искусственном интеллекте

Jan 19, 2024

Изучите пять новых тенденций в области глубокого обучения и искусственного интеллекта: федеративное обучение, GAN, XAI, обучение с подкреплением и трансферное обучение.

Глубокое обучение и искусственный интеллект (ИИ) — это быстро развивающиеся области, в которых постоянно появляются новые технологии. Пять наиболее многообещающих новых тенденций в этой области включают федеративное обучение, GAN, XAI, обучение с подкреплением и трансферное обучение.

Эти технологии могут произвести революцию в различных приложениях машинного обучения, от распознавания изображений до игр, и предложить новые захватывающие возможности как для исследователей, так и для разработчиков.

Федеративное обучение — это подход машинного обучения, который позволяет нескольким устройствам совместно работать над одной моделью, не передавая свои данные центральному серверу. Этот подход особенно полезен в ситуациях, когда конфиденциальность данных вызывает беспокойство.

Например, Google использовала федеративное обучение, чтобы повысить точность своей предиктивной текстовой клавиатуры без ущерба для конфиденциальности пользователей. Модели машинного обучения обычно разрабатываются с использованием централизованных источников данных, что требует обмена пользовательскими данными с центральным сервером. Хотя пользователи могут чувствовать себя неловко из-за того, что их данные собираются и хранятся на одном сервере, эта стратегия может создать проблемы с конфиденциальностью.

Федеративное обучение решает эту проблему, предотвращая отправку данных на центральный сервер путем обучения моделей на данных, которые остаются на устройствах пользователей. Кроме того, поскольку данные обучения оставались на устройствах пользователей, отпала необходимость отправлять огромные объемы данных на централизованный сервер, что снизило потребности системы в вычислениях и хранении.

Связанный: Microsoft разрабатывает собственный чип искусственного интеллекта для поддержки ChatGPT: отчет

Генерируемые состязательные сети — это тип нейронной сети, которую можно использовать для генерации новых реалистичных данных на основе существующих данных. Например, GAN использовались для создания реалистичных изображений людей, животных и даже пейзажей. GAN работают, противопоставляя друг другу две нейронные сети: одна сеть генерирует фальшивые данные, а другая пытается определить, являются ли данные реальными или фальшивыми.

Генеративно-состязательные сети, или сокращенно GAN, быстро стали ведущей технологией для генерации реалистичных синтетических данных. GAN — это тип архитектуры нейронной сети, состоящий из двух сетей: g… https://t.co/moU2Dls8Gk pic.twitter.com/0ZSRkeZe3z

Подход к ИИ, известный как объяснимый ИИ, направлен на повышение прозрачности и понимания моделей машинного обучения. XAI имеет решающее значение, поскольку он может гарантировать, что системы ИИ принимают беспристрастные и справедливые решения. Вот пример того, как можно использовать XAI:

Рассмотрим сценарий, в котором финансовая организация использует алгоритмы машинного обучения для прогнозирования вероятности того, что претендент на получение кредита не выполнит свои обязательства по кредиту. В случае традиционных алгоритмов «черного ящика» банк не будет знать о процессе принятия решений алгоритма и, возможно, не сможет объяснить его претенденту на кредит.

Однако, используя XAI, алгоритм мог бы объяснить свой выбор, позволив банку подтвердить, что он был основан на разумных соображениях, а не на неточной или дискриминирующей информации. Алгоритм может, например, указать, что он рассчитывает оценку риска на основе кредитного рейтинга заявителя, дохода и истории трудоустройства. Такой уровень прозрачности и объяснительности может помочь повысить доверие к системам искусственного интеллекта, улучшить подотчетность и в конечном итоге привести к более эффективному принятию решений.

Тип машинного обучения, называемый обучением с подкреплением, включает в себя обучение агентов обучению посредством критики и стимулов. Эту стратегию используют во многих приложениях, включая робототехнику, игры и даже банковское дело. Например, компания AlphaGo компании DeepMind использовала этот подход для постоянного улучшения игрового процесса и в конечном итоге победила лучших игроков в го среди людей, продемонстрировав эффективность обучения с подкреплением в сложных задачах принятия решений.