NeurIPS 2019: ʻO nā ʻano ML e noho pū me mākou no nā makahiki he ʻumi e hiki mai ana
NeuroIPS (Neural Information Processing System) ʻo ia ka ʻaha kūkā nui loa o ka honua e pili ana i ke aʻo ʻana i ka mīkini a me ka naʻauao hana a me ka hanana nui i ka honua o ke aʻo hohonu.
E haku anei mākou, nā ʻenekinia DS, i ka biology, linguistics, a me psychology i ka makahiki hou? E haʻi mākou iā ʻoe ma kā mākou loiloi.
I kēia makahiki ua hui pū ka ʻaha kūkā ma mua o 13500 poʻe mai 80 mau ʻāina ma Vancouver, Kanada. ʻAʻole kēia ka makahiki mua a Sberbank i pani ai iā Rūsia ma ka ʻaha kūkā - ua kamaʻilio ka hui DS e pili ana i ka hoʻokō ʻana o ML i nā kaʻina hana panakō, e pili ana i ka hoʻokūkū ML a me nā hiki o ka platform Sberbank DS. He aha nā ʻano nui o 2019 i ke kaiāulu ML? 'Ōlelo nā poʻe komo i ka hālāwai kūkā: Andrey Chertok и Tatyana Shavrina.
I kēia makahiki, ua ʻae ʻo NeurIPS ma mua o 1400 mau pepa—algorithms, nā hiʻohiʻona hou, a me nā noi hou i ka ʻikepili hou. Ka loulou i nā mea a pau
Nā mea:
Nā lā
Ka hiki ke wehewehe
Multidisciplinarity
Maikaʻi
RL
GAN
Kamaʻilio Kāhea ʻia
"Social Intelligence", Blaise Aguera a me Arcas (Google)
"ʻEpekema ʻIkepili Veridical", Bin Yu (Berkeley)
"Ka hoʻohālike o ke kanaka me ke aʻo ʻana i ka mīkini: nā manawa kūpono a me nā pilikia", Nuria M Oliver, Albert Ali Salah
"Mai Pūnaehana 1 a i ka Pūnaehana 2 Hoʻonaʻauao hohonu", Yoshua Bengio
Nā Kau 2019
1. Hiki ke hoʻohālike i ka wehewehe a me ke ʻano ML hou
ʻO ke kumuhana nui o ka hālāwai kūkā ka wehewehe ʻana a me nā hōʻike no ke kumu e loaʻa ai iā mākou kekahi mau hopena. Hiki i kekahi ke kamaʻilio lōʻihi e pili ana i ke koʻikoʻi philosophical o ka wehewehe ʻana i ka "pahu ʻeleʻele", akā ua ʻoi aku ka nui o nā ʻano maoli a me nā hoʻomohala ʻenehana ma kēia wahi.
ʻO ke kaʻina hana no ka hoʻopili ʻana i nā kumu hoʻohālike a me ka unuhi ʻana i ka ʻike mai ia mau mea he mea hana hou no ka ʻepekema. Hiki i nā hiʻohiʻona ke lilo i mea paahana no ka loaʻa ʻana o ka ʻike hou a me ka hoʻāʻo ʻana iā ia, a ʻo kēlā me kēia pae o ka preprocessing, ka hoʻomaʻamaʻa ʻana a me ka hoʻohana ʻana o ke kumu hoʻohālike e pono e hana hou ʻia.
ʻO ka hapa nui o nā paʻi i hoʻolaʻa ʻia ʻaʻole i ke kūkulu ʻana i nā hiʻohiʻona a me nā mea hana, akā i nā pilikia o ka hōʻoia ʻana i ka palekana, ka ʻike a me ka hōʻoia ʻana o nā hopena. Ma keʻano kūikawā, ua ʻike ʻia kahi kahawai ʻokoʻa e pili ana i nā hoʻouka ʻana i ke kumu hoʻohālike (ka hoʻouka kaua ʻana), a noʻonoʻo ʻia nā koho no ka hoʻouka ʻana i ka hoʻomaʻamaʻa a me ka hoʻouka ʻana i ka noi.
ʻatikala:
ʻEpekema ʻIkepili Veridical - he ʻatikala papahana e pili ana i ke ʻano o ka hōʻoia hoʻohālike. Loaʻa i kahi hiʻohiʻona o nā mea hana hou no ka unuhi ʻana i nā hiʻohiʻona, ʻo ia hoʻi, ka hoʻohana ʻana i ka nānā a me ka loaʻa ʻana o ke koʻikoʻi hiʻohiʻona ma o ka "distilling" i ka neural network me nā hiʻohiʻona linear.
Hōʻike ʻo ExBert.net i ka wehewehe kumu hoʻohālike no nā hana hoʻoponopono kikokikona
2. Multidisciplinarity
No ka hōʻoia ʻana i ka hōʻoia pono a me ka hoʻomohala ʻana i nā mīkini no ka hōʻoia ʻana a me ka hoʻonui ʻana i ka ʻike, pono mākou i nā loea i nā kahua pili i ka manawa like i loaʻa nā mākaukau ma ML a ma ke kumuhana (lāʻau lapaʻau, linguistics, neurobiology, hoʻonaʻauao, etc.). He mea pono e ʻike i ka nui o nā hana a me nā haʻiʻōlelo i nā neurosciences a me nā ʻepekema cognitive - aia kahi rapprochement o nā loea a me ka hōʻaiʻē ʻana i nā manaʻo.
Ma waho aʻe o kēia rapprochement, e puka mai ana ka multidisciplinarity i ka hoʻoili like ʻana o ka ʻike mai nā kumu like ʻole: nā kikokikona a me nā kiʻi, nā kikokikona a me nā pāʻani, nā ʻikepili kiʻi + kikokikona a me nā kiʻi.
ʻElua mau hiʻohiʻona - ka mea hoʻolālā a me ka hoʻokō - e pili ana i ka RL a me NLP pāʻani i ka hoʻolālā pūnaewele
3. Ke kumu noʻonoʻo
ʻO ka hoʻoikaika ʻana i ka naʻauao akamai he neʻe i nā ʻōnaehana aʻo ponoʻī, "ʻike", noʻonoʻo a me ka noʻonoʻo. ʻO ka mea nui, ke ulu nei ka manaʻo kumu a me ka noʻonoʻo maʻamau. Hoʻolaʻa ʻia kekahi o nā hōʻike i ke aʻo meta (e pili ana i ke aʻo ʻana i ke aʻo ʻana) a me ka hui pū ʻana o nā ʻenehana DL me 1st a me 2nd order logic - ua lilo ka huaʻōlelo Artificial General Intelligence (AGI) i mea maʻamau i nā haʻiʻōlelo.
Ke hoʻomau nei ka hapa nui o ka hana i ka hoʻomohala ʻana i nā wahi kuʻuna o RL - DOTA2, Starcraft, e hui pū ana i nā hale hana me ka ʻike kamepiula, NLP, nā ʻikepili kiʻi.
Ua hoʻolaʻa ʻia kahi lā ʻokoʻa o ka ʻaha kūkā i kahi papa hana RL, kahi i hōʻike ʻia ai ka Optimistic Actor Critic Model architecture, ʻoi aku ka maikaʻi ma mua o nā mea āpau ma mua, ʻo ia hoʻi ka Soft Actor Critic.
ʻO nā mea pāʻani StarCraft e hakakā i ke kumu hoʻohālike Alphastar (DeepMind)
5.GAN
Aia nā ʻupena Generative i ka mākaʻikaʻi: nui nā hana e hoʻohana i nā GAN vanilla no nā hōʻoia makemakika, a hoʻohana pū iā lākou i nā ala hou a maʻamau (nā kumu hoʻohālike generative kiʻi, hana me ka moʻo, noi i nā pilina kumu-a-hopena i ka ʻikepili, etc.).
No ka mea, ua ʻae ʻia ka hana hou aku 1400 Ma lalo nei e kamaʻilio mākou e pili ana i nā ʻōlelo koʻikoʻi.
Kamaʻilio kono ʻia
"Social Intelligence", Blaise Aguera a me Arcas (Google)
loulou Paheʻe a me nā wikiō
Kūleʻa ka kamaʻilio ʻana i ke ʻano maʻamau o ke aʻo ʻana i ka mīkini a me nā manaʻo e hoʻololi i ka ʻoihana i kēia manawa - he aha nā alahele e kū nei mākou? Pehea ka hana o ka lolo a me ka evolution, a no ke aha mākou e hoʻohana liʻiliʻi ai i nā mea a mākou i ʻike mua ai e pili ana i ka hoʻomohala ʻana o nā ʻōnaehana kūlohelohe?
ʻO ka ulu ʻana o ka ʻenehana o ML i hui pū me nā milestones o ka hoʻomohala ʻana o Google, nāna e hoʻopuka i kāna noiʻi ma NeurIPS i kēlā me kēia makahiki:
1997 - hoʻomaka i nā keʻena huli, nā kikowaena mua, ka mana helu liʻiliʻi
2010 - Hoʻomaka ʻo Jeff Dean i ka papahana Google Brain, ka boom o nā pūnaewele neural i ka hoʻomaka.
2015 – ka hoʻokō ʻana i ka ʻenehana o nā ʻupena neural, ka ʻike maka maka wikiwiki ma kahi hāmeʻa kūloko, nā mea hana haʻahaʻa haʻahaʻa i hana ʻia no ka tensor computing - TPU. Hoʻokuʻu ʻo Google iā Coral ai - kahi mea hoʻohālikelike o ka raspberry pi, kahi kamepiula liʻiliʻi no ka hoʻokomo ʻana i nā pūnaewele neural i nā hoʻokolohua hoʻokolohua.
2017 - Hoʻomaka ʻo Google e hoʻomohala i ka hoʻomaʻamaʻa decentralized a hoʻohui i nā hopena o ka hoʻomaʻamaʻa pūnaewele neural mai nā mea like ʻole i hoʻokahi kumu hoʻohālike - ma Android
I kēia lā, hoʻolaʻa ʻia kahi ʻoihana holoʻokoʻa i ka palekana ʻikepili, ka hōʻuluʻulu ʻana, a me ka hana hou ʻana o nā hopena aʻo ma nā polokalamu kūloko.
Aʻo hui - kahi kuhikuhi o ML kahi e aʻo kūʻokoʻa ai nā hiʻohiʻona o kēlā me kēia kanaka a laila hoʻohui ʻia i hoʻokahi kumu hoʻohālike (me ka ʻole o ka hoʻonohonoho ʻana i ka ʻikepili kumu), hoʻoponopono ʻia no nā hanana laha, anomalies, pilikino, etc. ʻO nā polokalamu Android āpau he supercomputer computing hoʻokahi no Google.
ʻO nā kumu hoʻohālike e pili ana i ke aʻo ʻana i hui pū ʻia he alakaʻi i ka wā e hiki mai ana e like me Google, ʻo ia ka "i ka wā mua o ka ulu nui." Hiki i nā GAN, e like me ke kumu aʻo, ke aʻo e hana hou i ka ʻano nui o nā heluna o nā mea ola a me nā algorithms noʻonoʻo.
Ke hoʻohana nei i ka laʻana o ʻelua mau papa hana GAN maʻalahi, ua hōʻike ʻia i loko o lākou ka ʻimi ʻana i kahi ala optimization e ʻauwana ana i loko o kahi pōʻai, ʻo ia hoʻi ʻaʻole i loaʻa ka optimization e like me ia. I ka manawa like, ua kūleʻa loa kēia mau hiʻohiʻona i ka hoʻohālikelike ʻana i nā hoʻokolohua a nā mea olaola e hana ai i nā heluna bacteria, e koi ana iā lākou e aʻo i nā hoʻolālā hana hou i ka ʻimi ʻana i ka meaʻai. Hiki iā mākou ke hoʻoholo he hana ʻokoʻa ke ola ma mua o ka hana optimization.
Holoi GAN Optimization
ʻO nā mea a pau a mākou e hana ai ma ke ʻano o ke aʻo ʻana i ka mīkini i kēia manawa, he mau hana haiki a hoʻomaʻamaʻa loa ia, ʻoiai ʻaʻole hoʻohālikelike maikaʻi kēia mau formalism a ʻaʻole kūpono i kā mākou ʻike kumuhana ma nā wahi e like me ka neurophysiology a me ka biology.
ʻO ka mea e pono ai ke hōʻaiʻē mai ke kahua o ka neurophysiology i ka wā e hiki mai ana, ʻo ia nā hale kūkulu neuron hou a me kahi hoʻoponopono liʻiliʻi o nā hana o ka backpropagation o nā hewa.
ʻAʻole aʻo ka lolo kanaka e like me ka neural network:
ʻAʻohe ona mea hoʻokomo kumu mua, me nā mea i waiho ʻia ma o ka naʻau a i ka wā kamaliʻi
Loaʻa iā ia nā ʻōlelo aʻoaʻo o ka hoʻomohala ʻana (ka makemake e aʻo i ka ʻōlelo mai kahi pēpē, hele pololei)
He haʻahaʻa haʻahaʻa ka hoʻomaʻamaʻa ʻana i ka lolo hoʻokahi; pono paha mākou e noʻonoʻo i nā "koloni" o ka hoʻololi wikiwiki ʻana o ka poʻe e hāʻawi ana i ka ʻike i kekahi i kekahi e hana hou i nā hana o ka hoʻomohala pūʻulu.
ʻO nā mea hiki iā mākou ke hoʻokomo i nā algorithms ML i kēia manawa:
E hoʻohana i nā hiʻohiʻona o ka laina laina e hōʻoiaʻiʻo i ka aʻo ʻana o ka heluna kanaka, akā i ke ola pōkole o ke kanaka ("ʻo ka lolo pākahi")
Ke aʻo liʻiliʻi-pana me ka hoʻohana ʻana i kahi helu liʻiliʻi o nā laʻana
ʻOi aku ka paʻakikī o nā hana neuron, ʻokoʻa iki nā hana hoʻāla
Ke hoʻololi nei i ka "genome" i nā hanauna e hiki mai ana - backpropagation algorithm
Ke hoʻohui mākou i ka neurophysiology a me nā neural network, e aʻo mākou e kūkulu i ka lolo multifunctional mai nā ʻāpana he nui.
Mai kēia manaʻo, he mea pōʻino ka hana o nā hoʻonā SOTA a pono e hoʻoponopono hou ʻia no ka hoʻomohala ʻana i nā hana maʻamau (benchmarks).
"ʻEpekema ʻIkepili Veridical", Bin Yu (Berkeley)
Nā wikiō a me nā paheʻe
Hāʻawi ʻia ka hōʻike i ka pilikia o ka unuhi ʻana i nā hiʻohiʻona aʻo mīkini a me ke ʻano o kā lākou hoʻāʻo pololei a hōʻoia. Hiki ke ʻike ʻia kēlā me kēia kumu hoʻohālike ML i hoʻomaʻamaʻa ʻia ma ke ʻano he kumu o ka ʻike e pono e unuhi ʻia mai ia mea.
Ma nā wahi he nui, ʻoi loa i ka lāʻau lapaʻau, ʻaʻole hiki ke hoʻohana ʻia ke kumu hoʻohālike me ka ʻole o ka unuhi ʻana i kēia ʻike huna a me ka wehewehe ʻana i nā hopena o ke kumu hoʻohālike - i ʻole, ʻaʻole mākou e hōʻoia i ka paʻa ʻana o nā hopena, ʻaʻole-random, hilinaʻi, a ʻaʻole e pepehi i ka hoomanawanui. Ke ulu nei ke ala holoʻokoʻa o ke ʻano hana i loko o ka paradigm aʻo hohonu a hele i waho o kona mau palena - ʻepekema data veridical. He aha ia?
Makemake mākou e hoʻokō i ka maikaʻi o nā paʻi ʻepekema a me ka reproducibility o nā kumu hoʻohālike e like me:
hiki ke wānana
hiki ke helu
hale paʻa
ʻO kēia mau kumu ʻekolu ke kumu o ke ʻano hana hou. Pehea e nānā ʻia ai nā hiʻohiʻona ML i kēia mau pae hoʻohālike? ʻO ke ala maʻalahi ke kūkulu ʻana i nā hiʻohiʻona hiki ke wehewehe (regressions, hoʻoholo lāʻau). Eia nō naʻe, makemake mākou e loaʻa nā pōmaikaʻi koke o ke aʻo hohonu.
ʻElua mau ala e hana ai me ka pilikia:
wehewehe i ke kŘkohu;
hoʻohana i nā ala e pili ana i ka nānā;
e hoʻohana i nā pūʻulu o nā algorithms i ka wā e aʻo ai, a e hōʻoia i ke aʻo ʻana o nā ʻano hoʻohālike linear i ka wānana i nā pane like me ka neural network, ka unuhi ʻana i nā hiʻohiʻona mai ke kumu laina;
hoʻololi a hoʻonui i ka ʻikepili aʻo. Hoʻopili kēia i ka hoʻohui ʻana i ka walaʻau, ke keakea, a me ka hoʻonui ʻikepili;
ʻO nā ʻano hana e kōkua i ka hōʻoia ʻana ʻaʻole i hoʻopaʻa ʻia nā hopena o ke kumu hoʻohālike a ʻaʻole i hilinaʻi i ka hoʻopilikia liʻiliʻi i makemake ʻole ʻia (nā hoʻouka kaua);
wehewehe i ke kŘkohu ma hope o ka 'oia'i'o, ma hope o ke a'o 'ana;
e aʻo i nā paona hiʻona ma nā ʻano like ʻole;
e aʻo i nā probabilities o nā kuhiakau a pau, ka mahele papa.
He kumu kūʻai nā hewa hoʻohālike no kēlā me kēia kanaka: ʻo kahi hiʻohiʻona nui ka hana a Reinhart lāua ʻo Rogov."Ka ulu ʻana i ka wā ʻaiʻē"Ua hoʻololi i nā kulekele hoʻokele waiwai o nā ʻāina ʻEulopa a koi aku iā lākou e ʻimi i nā kulekele austerity, akā ʻo ka nānā hou ʻana i ka ʻikepili a me kā lākou hana ʻana i nā makahiki ma hope ua hōʻike i ka hopena kū'ē!
Loaʻa i kēlā me kēia ʻenehana ML kona ola ponoʻī mai ka hoʻokō a hiki i ka hoʻokō. ʻO ka pahuhopu o ke kaʻina hana hou, ʻo ia ka nānā ʻana i ʻekolu mau kumu kumu i kēlā me kēia pae o ke ola o ke kumu hoʻohālike.
Nā hualoaʻa:
Ke kūkulu ʻia nei kekahi mau papahana e kōkua i ke kumu hoʻohālike ML e ʻoi aku ka hilinaʻi. ʻO kēia, no ka laʻana, deeptune (ka loulou i: github.com/ChrisCummins/paper-end2end-dl);
No ka hoʻomohala hou ʻana i ke ʻano hana, pono e hoʻomaikaʻi nui i ka maikaʻi o nā paʻi ma ke kahua o ML;
Pono ke aʻo ʻana i nā mīkini i nā alakaʻi me ka hoʻomaʻamaʻa multidisciplinary a me ka ʻike ma nā ʻoihana ʻenehana a me ke kanaka.
"Ke hoʻohālike i ke ʻano kanaka me ke aʻo ʻana i ka mīkini: nā manawa kūpono a me nā pilikia" Nuria M Oliver, Albert Ali Salah
Haʻawina i hoʻolaʻa ʻia no ka hoʻohālike ʻana i ke ʻano kanaka, kona kumu ʻenehana a me nā manaʻo noi.
Hiki ke hoʻokaʻawale ʻia ke ʻano hoʻohālike kanaka i:
hana kanaka
ka hana a kekahi pūʻulu kanaka
hana lehulehu
Hiki ke hoʻohālikelike ʻia kēlā me kēia ʻano me ka hoʻohana ʻana i ka ML, akā me nā ʻike komo ʻokoʻa a me nā hiʻohiʻona. Loaʻa i kēlā me kēia ʻano nā pilikia ponoʻī e pili ana i kēlā me kēia papahana:
hana kanaka - ʻaihue ʻike, deepfake;
ka hana o nā pūʻulu kanaka - de-anonymization, loaʻa ka ʻike e pili ana i nā neʻe, kelepona kelepona, etc.;
hana kanaka
ʻO ka hapa nui e pili ana i ke kumuhana o Computer Vision - ʻike i nā manaʻo kanaka a me nā hopena. Malia paha ma ka pōʻaiapili, i ka manawa, a i ʻole me ka pālākiō pili o kona ʻano like ʻole o nā manaʻo. Hōʻike ka paheʻe i ka ʻike ʻana i nā manaʻo o Mona Lisa me ka hoʻohana ʻana i ka pōʻaiapili mai ke ʻano manaʻo o nā wahine Mediterranean. Ka hopena: he minoʻaka o ka hauʻoli, akā me ka hoʻowahāwahā a me ka hoʻowahāwahā. ʻO ke kumu paha ma ke ʻano loea o ka wehewehe ʻana i kahi manaʻo "neutral".
ʻO ke ʻano o kahi hui liʻiliʻi o nā kānaka
I kēia manawa ʻo ke kumu hoʻohālike maikaʻi loa ma muli o ka lawa ʻole o ka ʻike. No ka laʻana, ua hōʻike ʻia nā hana mai 2018 - 2019. ma nā kakini o ka poʻe X kakini o nā wikiō (cf. 100k++ kiʻi datasets). No ka hoʻohālike maikaʻi ʻana i kēia hana, pono ka ʻike multimodal, ʻoi aku ka maikaʻi mai nā mea ʻike ma kahi altimeter kino, thermometer, hoʻopaʻa microphone, etc.
ʻAno nui
ʻO ka wahi i hoʻomohala ʻia, ʻoiai ʻo ka mea kūʻai aku ka UN a me nā mokuʻāina he nui. ʻO nā kāmeʻa kiaʻi waho, nā ʻikepili mai nā hale kiaʻi kelepona - pili kālā, SMS, kelepona, ʻikepili e pili ana i ka neʻe ʻana ma waena o nā palena mokuʻāina - hāʻawi kēia i kahi kiʻi hilinaʻi loa o ka neʻe ʻana o nā kānaka a me nā pilikia pilikanaka. Nā noi kūpono o ka ʻenehana: ʻoi aku ka maikaʻi o nā hana hoʻopakele, kōkua a me ka hoʻokuʻu ʻana i ka heluna kanaka i ka wā pilikia. ʻAʻole i wehewehe maikaʻi ʻia nā kumu hoʻohālike i hoʻohana ʻia - he mau LSTM like ʻole kēia a me nā pūnaewele convolutional. Aia kahi ʻōlelo pōkole e noi ana ka UN no kahi kānāwai hou e koi ai i nā ʻoihana ʻEulopa e kaʻana like i ka ʻikepili inoa ʻole e pono ai no kekahi noiʻi.
"Mai Pūnaehana 1 a i ka Pūnaehana 2 Hoʻonaʻauao hohonu", Yoshua Bengio
Pāheʻe
Ma ka haʻi'ōlelo a Joshua Bengio, hui ka aʻo hohonu i ka neuroscience ma ke kiʻekiʻe o ka hoʻonohonoho pahuhopu.
Hoʻomaopopo ʻo Bengio i ʻelua ʻano pilikia nui e like me ke ʻano o ka Nobel laureate Daniel Kahneman (puke "E noʻonoʻo mālie, hoʻoholo wikiwiki")
ʻano 1 - Pūnaehana 1, nā hana ʻike ʻole a mākou e hana "akomi" (ka lolo kahiko): kaʻa kaʻa ma nā wahi kamaʻāina, hele wāwae, ʻike maka.
ʻano 2 - Pūnaehana 2, nā hana noʻonoʻo (cerebral cortex), ka hoʻonohonoho pahuhopu, ka nānā ʻana, ka noʻonoʻo, nā hana composite.
Ua hiki i kēia manawa ke kiʻekiʻe kiʻekiʻe o AI i nā hana o ka ʻano mua, ʻoiai kā mākou hana e lawe i ka lua, ke aʻo ʻana iā ia e hana i nā hana multidisciplinary a hana me ka loiloi a me nā mākau cognitive kiʻekiʻe.
No ka hoʻokō ʻana i kēia pahuhopu ua manaʻo ʻia:
i nā hana NLP, e hoʻohana i ka manaʻo ma ke ʻano he kumu nui no ka hoʻohālikelike ʻana i ka noʻonoʻo
e hoʻohana i ke aʻo meta-aʻo a me ke aʻo ʻana i nā hiʻohiʻona ʻoi aku ka maikaʻi o nā hiʻohiʻona e hoʻoikaika i ka ʻike a me ko lākou wahi - a ma ke kumu e neʻe ai i ka hana me nā manaʻo kiʻekiʻe.
Ma kahi o ka hopena, eia kahi kamaʻilio kono ʻia: ʻO Bengio kekahi o nā ʻepekema he nui e hoʻāʻo nei e hoʻonui i ke kahua o ML ma mua o nā pilikia optimization, SOTA a me nā hale hana hou.
Ke wehe nei ka nīnau i ka nui o ka hui ʻana o nā pilikia o ka ʻike, ka mana o ka ʻōlelo ma ka noʻonoʻo, neurobiology a me nā algorithms ka mea e kali nei iā mākou i ka wā e hiki mai ana a e ʻae iā mākou e neʻe i nā mīkini e "manaʻo" e like me nā kānaka.