Искусственный интеллект

Инструменты и библиотеки

Эта часть текста должна понравиться специалистам в науке о данных. Инструменты и библиотеки являются любимой темой для специалистов. Многие спорят об инструментах, полезности определенных библиотек и т.д. Всё это субъективно.

Но одно ясно точно – мы должны быть в курсе всех последних событий индустрии, чтобы не отставать от других стран. Вот, например, язык программирования Python сумел обогнать все остальные языки и занял лидирующую позицию в этой отрасли. Конечно, многие факторы здесь субъективны. Однако, не стоит гнуть свою линию, чтобы выделиться. Нужно соответствовать всем современным стандартам. Итак, какие библиотеки и инструменты особенно выделились в этом году? Давайте разбираться.

PyTorch 1.0

Фэзан Шайк знает, почему технология PyTorch стала настолько популярной. И ниже он поделился своим мнением о ней.

Первое и самое очевидное – PyTorch 1.0 является наиболее гибкой технологией и позволяет создавать на своей основе множество концепций и программ. Актуальная на сегодняшний день версия обладает поддержкой многих продуктов и сервисов, разработанных компанией Facebook. Сейчас эта технология способна переводить 6 млрд. текстов в сутки. Популярность PyTorch в текущем году будет только расти, поэтому стоит взять себе на заметку эту технологию.

AutoML

Автоматизированное машинное обучение завоевывает популярность на протяжении последних нескольких лет. Такие компании, как RapidMiner, KNIME, DataRobot и H2O.ai запустили отличные продукты, которые демонстрируют перспективы автоматизированного машинного обучения.

Представьте, что вы работаете над проектом, основанном на машинном обучении и вам больше не нужно писать код. Для полноценной работы понадобится только интерфейс. Работа с интерфейсом, заместо кодинга уже близко. Но помимо этих разработок, в машинном и глубоком обучении появилась библиотека Auto Keras.

Auto Keras – это библиотека с открытым исходным кодом, которая предназначена для выполнения задач автоматизированного машинного обучения. Основная идея заключается в том, чтобы сделать глубокое обучение доступным для тех, кто не умеет в код.

TensorFlow.js

Как вам идея глубокого обучения в веб-браузере? Сейчас это стало возможным, благодаря появлению TensorFlow.js. Вот некоторые преимущества и особые возможности TensorFlow.js:

разработка и внедрение моделей машинного обучения на JavaScript;
запуск существующих моделей TensorFlow в браузере;
восстановление существующих моделей.

Что будет происходить с автоматизированным машинным обучением в 2019 году?

Автоматизированное машинное обучение изменит представление о науке о данных. Поэтому его так много здесь. Вот, что об этом думает Марио Михайлидис, который представляет H2O.ai:

Машинное обучение станет важнейшей технологией будущего. В сторону этой технологии движется весь мир. Такая возможность сможет увеличить спрос на специализированные приложения в этой сфере. Главное, чтобы автоматизация стала ключом к максимально продуктивному использованию ресурсов и улучшению науки о данных.

Итак, что сможет сделать автоматизированное машинное обучение для нас с вами:

обеспечить интуитивно понятную визуализацию данных;
найти, создать и выбрать лучшее применение для определенного набора данных;
преодолеть разрыв между моделированием черных ящиков и их производством при помощи интерпретации машинного обучения;
создать более продуктивные и умные модели.
облегчить создание таких моделей.

Обучение с подкреплением

Хочется, чтобы обучение с подкреплением развивалось в более стремительных темпах. Кроме редких заголовков, которые мы наблюдаем нерегулярно, ничего инновационного, что изменило бы всю сферу – не произошло. Во всем виноваты трудность восприятия математики и отсутствие реальных специализированных приложений.

Надеемся, что в 2019 году мы увидим больше примеров, когда обучение с подкреплением используется на практике.

Разработчики OpenAI создали действительно полезный набор инструментов, который точно поможет новичкам в этой сфере.

OpenAI и глубокое обучение с подкреплением

Исследования в сфере обучения с подкреплениями происходят очень медленно, а объем образовательных данных здесь и вовсе минимален.

Сейчас существует небольшое количество материалов, включающее в себя терминологию обучения с подкреплением, важные статьи и неплохой репозиторий кода. Также есть несколько упражнений, помогающие начать работать в этой сфере.

Dopamine от Google

Для того, чтобы ускорить исследования и привлечь ещё больше людей к обучению с подкреплением, ребята из Google открыли Dopamine, который обладает открытым исходным кодом. Dopamine является фреймворком для TensorFlow, который должен упростить и сделать исследования более гибкими и воспроизводимыми.

Что будет происходить в обучении с подкреплением в 2019 году

Ксандер Стинбрюгге спикер DataHack Summit 2018 и по совместительству владелец канала ArxivInsights является экспертом в этой сфере. Вот, что он говорит о происходящем в обучении с подкреплением.

У этой сферы есть три основные проблемы. Сложность выборки, обобщенное обучение (учишься на одном, а работаешь на другом), иерархия целей.

Первые две проблемы могут быть решены при помощи методов, которые связаны с обучением неконтролируемой репрезентации. Сейчас при помощи обучения с подкреплением обучаются глубокие нейронные сети, которые могут сопоставлять необработанные пространства ввода со сквозной обработкой.

Довольно много времени понадобится на создание полезных функций. Обучение с подкреплением начинается со случайных действий до того, как оно не получит вознаграждение. Далее нужно выяснить, что именно стало причиной получения вознаграждения. Дальнейшие исследования загоняются в жесткие рамки или наоборот продолжаются только из любопытства, что приводит к первой проблеме.
Глубокие нейронные сети склонны к переоснащению, и в обучении с подкреплениям постоянно проверяют агентов на данные, которые могут использоваться для обучения. Переоснащение, довольно часто, вознаграждается.

Ксандер Стинбрюгге заинтересован в том, чтобы применять неконтролируемое обучение для преобразования пикселей из многомерного в низкоразмерное концептуальное пространство, которое будет иметь определенные свойства, по типу линейности, развертывания, устойчивости к помехам.

После того, как это будет сделано обучение резко станет более простым и быстрым.

Гораздо легче применить сложную иерархическую задачу в скрытом пространстве, чем в необработанном входном пространстве.

Сложность выборки продолжит улучшаться за счет добавления большего количества вспомогательных учебных задач, которые будут вознаграждаться. Особенно хорошо это будет работать в случаях редких вознаграждений.
Из-за этого системы обучения станут более доступными и осуществимыми. Он считает, что в 2019 году будет показано много робототехнических новинок, которые будут возможны благодаря глубокому обучению и не могут быть загнаны в рамки или полностью созданы человеком.
После колоссального успеха глубокого обучения с подкреплением в AlphaGo, эти системы доказали свою продуктивность в реальных бизнес-решениях. Изначально всё будет зациклено на приложениях, в которых будут установлены точные системы для массового обучения агентов.

Искусственный интеллект и благие намерения

Представьте, что мы стали рабами алгоритмов. Не очень радужная перспектива. Этика в искусственном интеллекте постоянно продвигается компанией Analytics Vidhya.

Многие компании не стали вмешиваться в относительно недавний скандал Facebook и Cambridge Analytica. Однако это стало причиной разработки уставов и руководящих принципов, которым следуют компании, становясь только лучше.

Сейчас нет ни одного готового решения, которое способно искоренить этические проблемы искусственного интеллекта. Для этого требуется детальный подход, который, в сочетании со структурированным списком целей сможет решить эту проблему. Итак, давайте рассмотрим основные и самые важные моменты этой сферы.

Действия от Google и Microsoft

Было довольно круто осознавать то, что крупные компании начали двигаться в сторону искусственного интеллекта. Особое внимание нужно обратить на принципы, которыми руководствуются эти компании. Всё, что происходит сейчас говорит о справедливом отношении к искусственному интеллекту и контроле за происходящем.

GDPR, или Общее положение о защите данных, несомненно, повлияло на то, как собираются данные для создания приложений, работающих на искусственном интеллекте. GDRP обеспечивает пользователям наибольший контроль над своими данными.

Если данных будет недостаточно, то создание любой модели искусственного интеллекта станет практически невозможным. GDPR уменьшил показатель полезности искусственного интеллекта для огромного количества платформ.

Этические тенденции искусственного интеллекта, которые ожидаются в 2019 году

Единых решений здесь не существует. Сообщество должно объединиться, чтобы внедрять этические нормы в проекты, управляемые искусственном интеллектом. CEO Analytics Vidhya Кунал Джейн сообщил, что нужно создать концепцию, которая станет примером для других.

Лучшие корпоративные практики должны будут провести реструктуризацию, а подходы к управлению должны быть пересмотрены, ведь искусственный интеллект уже находится в центре внимания. Он надеется, что инновационные разработки будут поддерживаться правительством.

Резюме

События, которые произошли с искусственным интеллектом в 2018 году являются очень важными. И, возможно, что 2019 год принесет нам еще больше значимых событий, которые полностью изменят представление об этой замечательной технологии.