{"id":35293,"date":"2019-10-31T22:03:28","date_gmt":"2019-10-31T19:03:28","guid":{"rendered":"https:\/\/prohoster.info\/blog\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari\/"},"modified":"2019-10-31T22:03:28","modified_gmt":"2019-10-31T19:03:28","slug":"lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","status":"publish","type":"post","link":"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","title":{"rendered":"\u00c8 scoppiata la bolla dell'apprendimento automatico o \u00e8 l'inizio di un nuovo giorno","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Recentemente \u00e8 uscito <noindex><a rel=\"nofollow\" href=\"https:\/\/www.getrevue.co\/profile\/peterzhegin\/issues\/ai-investment-activity-trends-of-2018-issue-8-150825?fbclid=IwAR0tU3l4WSotv7pQpYm8PmyKgVbgUgfMLeue_IiV78lXXApH-cy9EcG2kDc\">articolo<\/a><\/noindex>, che mostra bene le tendenze nel campo del machine learning degli ultimi anni. In poche parole: il numero di startup nel campo del machine learning \u00e8 precipitato drasticamente negli ultimi due anni.<\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/68b58feab2da46b7bb6f412e088313c1.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\nEbbene. Analizziamo \u00ab\u00e8 scoppiata la bolla\u00bb, \u00abcome si vive adesso\u00bb e parliamo da dove \u00e8 venuta in realt\u00e0 questa situazione.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><br \/>\nPer cominciare, parliamo di ci\u00f2 che ha dato il via a questa curva. Da dove \u00e8 emersa. Probabilmente tutti ricorderanno <noindex><a rel=\"nofollow\" href=\"https:\/\/papers.nips.cc\/paper\/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf\">la vittoria<\/a><\/noindex> del machine learning nel 2012 al concorso ImageNet. \u00c8 stato il primo evento globale! Ma in realt\u00e0 non \u00e8 cos\u00ec. E anche la crescita della curva inizia un po' prima. Io la suddividerei in diversi momenti.<\/p>\n<ol>\n<li>Il 2008 \u00e8 l'anno in cui appare il termine \u00abbig data\u00bb. I reali prodotti hanno cominciato <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D0%B5\">a comparire<\/a><\/noindex> dal 2010. I big data sono direttamente legati al machine learning. Senza big data il funzionamento stabile degli algoritmi esistenti in quel periodo non \u00e8 possibile. E non sono le reti neurali. Fino al 2012 le reti neurali erano patrimonio di una minoranza marginale. Ma allora hanno cominciato a funzionare algoritmi completamente diversi, che esistevano gi\u00e0 da anni, se non decenni: <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_%D0%BE%D0%BF%D0%BE%D1%80%D0%BD%D1%8B%D1%85_%D0%B2%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BE%D0%B2\">SVM<\/a><\/noindex>(1963, 1993), <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/Random_forest\">Random Forest<\/a><\/noindex> (1995), <noindex>AdaBoost<\/noindex> (2003),\u2026 Le startup di quegli anni erano principalmente legate all'elaborazione automatica dei dati strutturati: registratori di cassa, utenti, pubblicit\u00e0 e molto altro.\n<p>La derivata di questa prima ondata \u00e8 un insieme di framework come XGBoost, CatBoost, LightGBM, ecc.\n<\/li>\n<li>Nel 2011-2012 <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Convolutional_neural_network\">le reti neurali convoluzionali<\/a><\/noindex> hanno vinto diversi concorsi di riconoscimento delle immagini. Il loro utilizzo pratico \u00e8 stato ritardato. Direi che startup e soluzioni significative hanno iniziato a emergere a partire dal 2014. Ci sono voluti due anni per assimilare che le reti neurali funzionano, creare framework user-friendly che possano essere installati e avviati in tempi ragionevoli, e sviluppare metodi in grado di stabilizzare e accelerare i tempi di convergenza.\n<p>Le reti convoluzionali hanno permesso di affrontare compiti di visione artificiale: classificazione delle immagini e degli oggetti nell'immagine, rilevamento di oggetti, riconoscimento di oggetti e persone, miglioramento delle immagini, ecc.<\/li>\n<li>Anni 2015-2017. Boom di algoritmi e progetti basati su reti ricorrenti o loro analoghi (LSTM, GRU, TransformerNet, ecc.). Sono emersi algoritmi ben funzionanti per la \u201ctrascrizione vocale\u201d, sistemi di traduzione automatica. Parzialmente basati su reti convoluzionali per l'estrazione di caratteristiche di base. Parzialmente sul fatto che abbiamo imparato a raccogliere grandi e buoni dataset. <\/li>\n<\/ol>\n<p>\n<img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/d4b3a1dd2483ef1300862f5f61db645a.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\n\u201cLa bolla \u00e8 scoppiata? Il hype \u00e8 esagerato? Sono morti come il blockchain?\u201d<br \/>\nCerto! Domani Siri smetter\u00e0 di funzionare sul tuo telefono, e dopodomani Tesla non distinguer\u00e0 una curva da un canguro.<\/p>\n<p>Le reti neurali sono gi\u00e0 attive. Sono in decine di dispositivi. Permettono davvero di guadagnare, cambiano il mercato e il mondo circostante. Il hype appare in modo un po' diverso:<\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/a2b271c8eb1cf54fe59389d10cf8e17e.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nSemplicemente, le reti neurali hanno smesso di essere qualcosa di nuovo. S\u00ec, molte persone hanno aspettative elevate. Ma molte aziende hanno imparato a implementare le reti neurali e creare prodotti basati su di esse. Le reti neurali offrono nuove funzionalit\u00e0, consentono di ridurre i posti di lavoro e abbassare i costi dei servizi:<\/p>\n<ul>\n<li>Le aziende manifatturiere integrano algoritmi per l'analisi di difetti sulla catena di montaggio. <\/li>\n<li>Le fattorie di allevamento acquistano sistemi per il controllo delle mucche. <\/li>\n<li> Macchine agricole automatizzate. <\/li>\n<li>Centri chiamate automatizzati.<\/li>\n<li>Filtri in SnapChat. (quantomeno qualcosa di utile!)<\/li>\n<\/ul>\n<p>\nMa la cosa pi\u00f9 importante, e non cos\u00ec ovvia: \u201cNon ci sono pi\u00f9 nuove idee, o non porteranno capitale immediato\u201d. Le reti neurali hanno risolto decine di problemi. E ne risolveranno ancora di pi\u00f9. Tutte le idee ovvie che c'erano hanno generato innumerevoli startup. Ma tutto ci\u00f2 che era evidente \u00e8 gi\u00e0 stato esplorato. Negli ultimi due anni non ho incontrato alcuna nuova idea per l'applicazione delle reti neurali. Nessun nuovo approccio (ok, ci sono un po' di complicazioni con i GAN).<\/p>\n<p>Ogni nuova startup diventa sempre pi\u00f9 complessa. Non richiede pi\u00f9 solo due ragazzi che addestrano una rete neurale su dati aperti. Richiede programmatori, server, un team di annotatori, supporto complesso, ecc.<\/p>\n<p>Come risultato, il numero di startup diminuisce. Ma la produzione aumenta. Hai bisogno di implementare il riconoscimento delle targhe automobilistiche? Ci sono centinaia di specialisti sul mercato con esperienza pertinente. Puoi assumere qualcuno e in pochi mesi il tuo dipendente realizzer\u00e0 il sistema. O comprare qualcosa di gi\u00e0 pronto. Ma creare una nuova startup?.. \u00c8 un'assurdit\u00e0!<\/p>\n<p>\u00c8 necessario creare un sistema di tracciamento dei visitatori: perch\u00e9 pagare per un sacco di licenze quando in 3-4 mesi puoi costruire il tuo, adattandolo alle esigenze della tua azienda? <\/p>\n<p>Attualmente, le reti neurali stanno seguendo lo stesso percorso che hanno affrontato molte altre tecnologie. <\/p>\n<p>Ricordi come \u00e8 cambiata, dal 1995, la definizione di \u00absviluppatore di siti\u00bb? Attualmente il mercato non \u00e8 saturo di specialisti. Ci sono pochissimi professionisti. Ma posso scommettere che tra 5-10 anni non ci sar\u00e0 una differenza significativa tra un programmatore Java e uno sviluppatore di reti neurali. Entrambi saranno abbondanti nel mercato.<\/p>\n<p>Ci sar\u00e0 semplicemente una classe di compiti per cui si utilizzano le reti neurali. \u00c8 emerso un compito: si assume uno specialista.<\/p>\n<p><b>\u00abE poi? Dove si trova l'intelligenza artificiale promessa?\u00bb<\/b><\/p>\n<p>Qui c'\u00e8 un piccolo, ma interessante mistero :)<\/p>\n<p>Il stack tecnologico attuale, a quanto pare, non ci porter\u00e0 verso l'intelligenza artificiale. Le idee e la loro novit\u00e0 si sono in gran parte esaurite. Parliamo di cosa stia mantenendo il livello di sviluppo attuale.<\/p>\n<h3>Limitazioni<\/h3>\n<p>\nIniziamo con le auto a guida autonoma. Sembra chiaro che realizzare veicoli completamente autonomi con la tecnologia attuale sia possibile. Ma non \u00e8 chiaro tra quanto tempo accadr\u00e0. Tesla crede che ci\u00f2 avverr\u00e0 entro un paio d'anni \u2014 <\/p>\n<p><center><div class=\"youtube-placeholder\" data-id=\"Ucp0TTmvqOE\" onclick=\"loadVideo(this)\">\r\n        <img decoding=\"async\" src=\"https:\/\/img.youtube.com\/vi\/Ucp0TTmvqOE\/hqdefault.jpg\" alt=\"Riproduci video\" loading=\"lazy\" width=\"480\" height=\"360\" style=\"width:100%;height:auto;\">\r\n        <div class=\"play-button\"><\/div>\r\n    <\/div><\/center><br \/>\nCi sono molti altri <noindex><a rel=\"nofollow\" href=\"https:\/\/beth.technology\/truths-autonomous-vehicles\/\">specialisti<\/a><\/noindex>, che stimano che ci vorranno 5-10 anni. <\/p>\n<p>Probabilmente, a mio avviso, tra 15 anni le infrastrutture urbane cambieranno in modo tale che l'arrivo delle auto autonome diventer\u00e0 inevitabile, sar\u00e0 una loro continuazione. Ma ci\u00f2 non pu\u00f2 essere considerato intelligenza. La moderna Tesla \u00e8 una macchina complessa per la filtrazione dei dati, la loro ricerca e il riaddestramento. Si tratta di regole-regole-regole, raccolta di dati e filtri su di essi (ecco <noindex><a rel=\"nofollow\" href=\"http:\/\/cv-blog.ru\/?p=279\">qui<\/a><\/noindex> ho scritto qualcosa in pi\u00f9 su questo, oppure guarda con <noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/watch?time_continue=7614&amp;v=Ucp0TTmvqOE\">questo<\/a><\/noindex> il segno).<\/p>\n<h3>Il primo problema<\/h3>\n<p>\nEd \u00e8 proprio qui che vediamo <b>il primo problema fondamentale<\/b>. Grandi dati. \u00c8 proprio questo che ha generato l'attuale ondata di reti neurali e machine learning. Oggi, per realizzare qualcosa di complesso e automatico, servono molti dati. Non solo molti, ma davvero tantissimi. Sono necessari algoritmi automatizzati per la raccolta, l'annotazione e l'uso di questi dati. Se vogliamo far s\u00ec che la macchina riconosca i camion contro il sole, dobbiamo prima raccogliere un numero sufficiente di esempi. Se vogliamo che la macchina non impazzisca per una bicicletta attaccata al portapacchi, servono pi\u00f9 campioni.<\/p>\n<p>E uno solo non basta. Centinaia? Migliaia? <\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/923ef975804234f1b3dcbfee0143f2b4.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h3>Il secondo problema<\/h3>\n<p>\n<b>Il secondo problema <\/b> \u2014 la visualizzazione di ci\u00f2 che la nostra rete neurale ha compreso. \u00c8 un compito molto complesso. Finora, poche persone sanno come visualizzarlo. Questi articoli sono piuttosto recenti, sono solo alcuni esempi, anche se distanti:<br \/>\n<noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ods\/blog\/453788\/\">Visualizzazione<\/a><\/noindex> il focus sulle texture. Mostra bene su cosa la rete neurale tende a focalizzarsi e cosa percepisce come informazioni di base.<\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/0eab41c3aec71dc2b04794559dd4a651.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<noindex><a rel=\"nofollow\" href=\"http:\/\/jalammar.github.io\/visualizing-neural-machine-translation-mechanics-of-seq2seq-models-with-attention\/\">Visualizzazione<\/a><\/noindex> l'attenzione nei <noindex><a rel=\"nofollow\" href=\"http:\/\/www.wildml.com\/2016\/01\/attention-and-memory-in-deep-learning-and-nlp\/\">traduzioni<\/a><\/noindex>. In realt\u00e0, l'attenzione pu\u00f2 essere usata proprio per mostrare cosa ha causato una tale reazione nella rete. Ho incontrato queste cose sia per il debugging che per soluzioni di prodotto. Ci sono moltissimi articoli su questo argomento. Ma pi\u00f9 i dati sono complessi, pi\u00f9 diventa difficile capire come ottenere una visualizzazione stabile.<\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/e0c370724115f602e5bd35b20b56f6eb.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nE s\u00ec, il vecchio ed intramontabile set di \"guarda cosa c'\u00e8 dentro la rete\" <noindex><a rel=\"nofollow\" href=\"https:\/\/towardsdatascience.com\/how-to-visualize-convolutional-features-in-40-lines-of-code-70b7d87b0030\">nei<\/a><\/noindex>filtri<\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/87ace90924d5b900f9382ecc6ceef6d0.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\n. Queste immagini erano popolari 3-4 anni fa, ma tutti hanno rapidamente capito che erano belle da vedere, ma non avevano molto senso.<\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/6da71648c300ee3bc8673d08287b77e3.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nNon ho menzionato decine di altre funzionalit\u00e0, metodi, hack e ricerche su come visualizzare l'interno della rete. Funzionano questi strumenti? Aiutano a capire rapidamente qual \u00e8 il problema e a debugare la rete?.. Estorcere gli ultimi percentuali? Beh, pi\u00f9 o meno cos\u00ec:<\/p>\n<p>Puoi guardare qualsiasi competizione su Kaggle. E la descrizione di come le persone realizzano le soluzioni finali. Abbiamo assemblato 100-500-800 milioni di modelli e ha funzionato!<\/p>\n<p>Certo, sto esagerando. Ma questi approcci non forniscono risposte veloci e dirette.<\/p>\n<h3>Il terzo problema<\/h3>\n<p>\n<b>Il terzo problema fondamentale <\/b> \u2014 le reti non insegnano logica, ma statistica. Statisticamente \u00e8 <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/417405\/\">un volto<\/a><\/noindex>:<\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/def14bbc2f40e4e26656a2d8032b09c1.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nLogicamente, non sembra molto. Le reti neurali non apprendono qualcosa di complesso se non vengono costrette. Insegnano sempre le caratteristiche pi\u00f9 semplici. Ci sono occhi, naso, testa? Allora \u00e8 un volto! Oppure porta un esempio in cui gli occhi non rappresentano un volto. E di nuovo \u2014 milioni di esempi.<\/p>\n<h3>C&#8217;\u00e8 abbondanza di spazio in fondo<\/h3>\n<p>\nDirei che proprio questi tre problemi globali limitano oggi lo sviluppo delle reti neurali e del machine learning. E in luoghi dove queste problematiche non limitavano \u2014 sono gi\u00e0 ampiamente utilizzate.<\/p>\n<p><b>\u00c8 la fine? Le reti neurali si sono fermate?<\/b><\/p>\n<p>Non \u00e8 noto. Ma, certo, tutti sperano di no. <\/p>\n<p>Ci sono molti approcci e direzioni per affrontare i fondamental problemi che ho evidenziato sopra. Ma finora nessuno di questi approcci ha permesso di realizzare qualcosa di genuinamente nuovo, di risolvere qualcosa che non era stato affrontato prima. Fino ad ora, tutti i progetti fondamentali sono stati basati su approcci stabili (Tesla), o rimangono progetti sperimentali di istituzioni o corporazioni (Google Brain, OpenAI).<\/p>\n<p>Se vogliamo semplificare, la direzione principale \u00e8 la creazione di una vista di alto livello dei dati in ingresso. In un certo senso, una \u2018memoria\u2019. Il pi\u00f9 semplice esempio di memoria \u00e8 dato dai vari \u2018Embedding\u2019 \u2014 rappresentazioni delle immagini. Ad esempio, tutti i sistemi di riconoscimento facciale. La rete impara a ottenere da un volto una rappresentazione stabile che non dipende dall'angolazione, dall'illuminazione o dalla risoluzione. In sostanza, la rete minimizza la metrica \u2018volti diversi \u2014 lontano\u2019 e \u2018volti simili \u2014 vicino\u2019.<\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/5e9d871fe096b7a77dbe11a6e315c5e4.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nPer tale apprendimento sono necessari decine e centinaia di migliaia di esempi. Tuttavia, il risultato porta con s\u00e9 alcuni elementi di \u2018One-shot Learning\u2019. Ora non abbiamo bisogno di centinaia di volti per ricordare una persona. Bastano un solo volto e tutto \u2014 noi <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/davidsandberg\/facenet\">riconosciamo<\/a><\/noindex>!<br \/>\nSolo che c'\u00e8 un problema\u2026 La rete pu\u00f2 imparare solo oggetti relativamente semplici. Quando si cerca di distinguere, ad esempio, \u201cpersone in base all'abbigliamento\u201d (compito <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@alitech_2017\/reforming-person-re-identification-with-local-convolutional-neural-networks-17148f11f17b\">Re-identificazione<\/a><\/noindex>) \u2014 la qualit\u00e0 diminuisce di molto. E la rete non riesce pi\u00f9 a padroneggiare cambiamenti di angolazione apparentemente ovvi.<\/p>\n<p>E anche imparare su milioni di esempi \u2014 \u00e8 davvero un passatempo poco coinvolgente. <\/p>\n<p>Ci sono ricerche mirate a ridurre significativamente il numero di scelte. Ad esempio, si pu\u00f2 ricordare subito uno dei primi lavori su <b>OneShot Learning<\/b> <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/pdf\/1605.06065v1.pdf\">da Google<\/a><\/noindex>:<\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/da83c6f290248f2bcf963c3053a26688.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nCi sono molti di questi lavori, per esempio <noindex><a rel=\"nofollow\" href=\"https:\/\/pdfs.semanticscholar.org\/d1c4\/c4c7989102e85b5248cebfcb0cb000c3b837.pdf\">1<\/a><\/noindex> o <noindex><a rel=\"nofollow\" href=\"https:\/\/www.cs.cmu.edu\/~rsalakhu\/papers\/oneshot1.pdf\">2<\/a><\/noindex> o <noindex><a rel=\"nofollow\" href=\"http:\/\/www.robots.ox.ac.uk\/~tvg\/publications\/2018\/0431.pdf\">3<\/a><\/noindex>.<\/p>\n<p>Uno svantaggio \u00e8 che solitamente l'apprendimento funziona abbastanza bene su esempi semplici, \u201calla MNIST\u201d. Ma nel passaggio a compiti pi\u00f9 complessi \u2014 \u00e8 necessaria una grande base di dati, un modello di oggetti, o qualche tipo di magia.<br \/>\nIn generale, i lavori sull'apprendimento One-Shot sono un tema molto interessante. Trovi molte idee. Ma in gran parte i due problemi che ho elencato (pre-addestramento su un vasto dataset \/ instabilit\u00e0 su dati complessi) \u2014 ostacolano molto l'apprendimento.<\/p>\n<p>D'altra parte, per la questione del Embedding, si applicano le GAN \u2014 reti generative avversarie. Avete sicuramente letto un sacco di articoli al riguardo su Habr.<noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ods\/blog\/340154\/\">1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/itsumma\/blog\/447896\/\">2<\/a><\/noindex>,<noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ods\/blog\/322514\/\">3<\/a><\/noindex>)<br \/>\nLa caratteristica del GAN \u00e8 la creazione di uno spazio interno di stati (praticamente lo stesso Embedding), che consente di disegnare un'immagine. Questi possono essere <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/shaoanlu\/faceswap-GAN\">volti<\/a><\/noindex>, possono essere <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/sergeytulyakov\/mocogan\">azione<\/a><\/noindex>. <\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/8c25c375dae3559b6895d6c4eb3f6cfd.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nIl problema del GAN \u00e8 che pi\u00f9 complesso \u00e8 l'oggetto generato, pi\u00f9 difficile \u00e8 descriverlo nella logica \"generatore-discriminatore\". Di conseguenza, tra le applicazioni reali del GAN, che si sentono parlare - c'\u00e8 solo DeepFake, che manipola nuovamente le rappresentazioni dei volti (per cui esiste un'enorme base).<\/p>\n<p>Ho incontrato pochissime altre applicazioni utili. Di solito sono progetti poco pratici che si limitano a ritoccare immagini.<\/p>\n<p>E di nuovo, nessuno ha chiaro come questo possa portarci verso un futuro luminoso. La rappresentazione della logica\/spazio in una rete neurale \u00e8 positiva. Ma servono un numero enorme di esempi, non capiamo come la rete neurale rappresenti internamente questo, e non sappiamo come far ricordare alla rete neurale una rappresentazione realmente complessa.<\/p>\n<p><b>Apprendimento per rinforzo<\/b> \u00e8 un approccio completamente diverso. Sicuramente ricorderete come Google abbia sorpreso tutti in Go. Recenti vittorie in Starcraft e Dota. Ma qui le cose non sono cos\u00ec ottimistiche e promettenti. La migliore spiegazione sulle difficolt\u00e0 del RL \u00e8 fornita da <noindex><a rel=\"nofollow\" href=\"https:\/\/www.alexirpan.com\/2018\/02\/14\/rl-hard.html\">questo articolo<\/a><\/noindex>.<\/p>\n<p>Se riassumiamo brevemente ci\u00f2 che ha scritto l'autore:<\/p>\n<ul>\n<li>I modelli preconfezionati non si adattano e\/o funzionano male nella maggior parte dei casi<\/li>\n<li>I problemi pratici possono essere risolti in modi pi\u00f9 semplici. Boston Dynamics non utilizza RL a causa della sua complessit\u00e0\/imprevedibilit\u00e0\/difficolt\u00e0 nei calcoli<\/li>\n<li>Perch\u00e9 il RL funzioni, \u00e8 necessaria una funzione complessa. Spesso \u00e8 difficile crearla o scriverla<\/li>\n<li>\u00c8 difficile addestrare i modelli. Si deve spendere molto tempo per smuoverli e portarli fuori dai minimi locali<\/li>\n<li>Di conseguenza, \u00e8 difficile ripetere il modello; la stabilit\u00e0 del modello \u00e8 compromessa con i minimi cambiamenti<\/li>\n<li>Spesso si sovradatta a qualche strana regolarit\u00e0, fino a un generatore di numeri casuali<\/li>\n<\/ul>\n<p>\nIl punto chiave \u00e8 che il RL non funziona ancora in produzione. Google ha qualche esperimento ( <noindex><a rel=\"nofollow\" href=\"https:\/\/ai.google\/research\/teams\/brain\/robotics\/\">1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/ai.googleblog.com\/2018\/06\/scalable-deep-reinforcement-learning.html\">2<\/a><\/noindex> ). Ma non ho visto nessun sistema di prodotto.<\/p>\n<p><b>Memoria<\/b>. Ci\u00f2 che manca rispetto a quanto descritto sopra \u00e8 la mancanza di struttura. Uno degli approcci adottati per ordinare tutto questo \u00e8 fornire alla rete neurale accesso a una memoria separata. In questo modo, pu\u00f2 registrare e riscrivere i risultati dei propri passaggi. La rete neurale pu\u00f2 quindi essere definita in base allo stato attuale della memoria. Questo \u00e8 molto simile a processori e computer classici.<\/p>\n<p>Il pi\u00f9 noto e popolare <noindex>articolo <\/noindex> \u2014 di DeepMind:<\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/acc6bcd86c8c071fbd9776a91f990752.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nSembra che ecco il codice per comprendere l'intelligenza? Ma probabilmente no. Il sistema ha comunque bisogno di un enorme quantitativo di dati per l'addestramento. Inoltre, funziona principalmente con dati tabulari strutturati. Quando Facebook <noindex><a rel=\"nofollow\" href=\"https:\/\/embodiedqa.org\/\">affrontava <\/a><\/noindex>un problema simile, ha optato per la strada: \"dimentichiamoci della memoria, facciamo solo una rete neurale pi\u00f9 complessa e mettiamo a disposizione pi\u00f9 esempi \u2014 e si autonomamente si allener\u00e0\".<\/p>\n<p><b>Disentanglement<\/b>. Un altro modo per creare una memoria significativa \u00e8 utilizzare gli stessi embedding, ma durante l'addestramento introdurre criteri aggiuntivi che permettano di estrarre da essi i \"significati\". Ad esempio, vogliamo addestrare una rete neurale a distinguere il comportamento di una persona in un negozio. Se seguissero il percorso standard, dovremmo creare una dozzina di reti. Una cerca la persona, la seconda determina cosa sta facendo, la terza la sua et\u00e0, la quarta il sesso. Una logica separata esamina la parte del negozio in cui si trova e si allena su questo. La terza determina la sua traiettoria, e cos\u00ec via.<\/p>\n<p>Oppure, se ci fossero una quantit\u00e0 infinita di dati, si potrebbe addestrare una singola rete su tutti i possibili risultati (\u00e8 ovvio che un tale insieme di dati non pu\u00f2 essere raccolto).<\/p>\n<p>L'approccio del disassemblaggio ci suggerisce di addestrare la rete in modo che possa riconoscere autonomamente i concetti. Dovrebbe creare un embedding dai video, dove un'area definirebbe l'azione, un'altra la posizione nel tempo, una terza l'altezza della persona e un'altra ancora il suo genere. Durante l'addestramento, si vorrebbe ridurre al minimo le indicazioni su concetti chiave, lasciando che la rete identifichi e raggruppi le aree da sola. Ci sono pochi articoli di questo tipo (alcuni di essi <noindex><a rel=\"nofollow\" href=\"https:\/\/ai.googleblog.com\/2019\/04\/evaluating-unsupervised-learning-of.html\">1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"http:\/\/papers.nips.cc\/paper\/5851-deep-convolutional-inverse-graphics-network.pdf\">2<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/pdf\/1812.02230.pdf\">3<\/a><\/noindex>) e in generale sono piuttosto teorici. <\/p>\n<p>Tuttavia, almeno teoricamente, questa direzione dovrebbe affrontare i problemi elencati all'inizio.<\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/b36046dc3cbe3b849e1d3a60f56ec3a2.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDisassemblaggio dell'immagine secondo parametri come 'colore delle pareti\/colore del pavimento\/forma dell'oggetto\/colore dell'oggetto\/e cos\u00ec via'<\/p>\n<p><img decoding=\"async\" alt=\"\u00c8 scoppiata la bolla dell&#039;apprendimento automatico o \u00e8 l&#039;inizio di un nuovo giorno\" src=\"\/wp-content\/uploads\/4d5ac8dfc43f76b35f3490c26049c7db.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDisassemblaggio del volto secondo parametri come 'dimensione, sopracciglia, orientamento, colore della pelle, e cos\u00ec via.'<\/p>\n<h3>Altro<\/h3>\n<p>\nCi sono molte altre direzioni meno globali che consentono di ridurre le basi, lavorare con dati pi\u00f9 eterogenei, e cos\u00ec via.<\/p>\n<p><b>Attenzione<\/b>. Probabilmente, non ha senso evidenziarlo come un metodo separato. \u00c8 semplicemente un approccio che potenzia gli altri. Ci sono molti articoli dedicati a questo.<noindex><a rel=\"nofollow\" href=\"http:\/\/www.wildml.com\/2016\/01\/attention-and-memory-in-deep-learning-and-nlp\/\">1<\/a><\/noindex>,<noindex><a rel=\"nofollow\" href=\"http:\/\/jalammar.github.io\/visualizing-neural-machine-translation-mechanics-of-seq2seq-models-with-attention\/\">2<\/a><\/noindex>,<noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1706.03762\">3<\/a><\/noindex>). Il senso dell'attenzione \u00e8 quello di rafforzare la reazione della rete verso gli oggetti significativi durante l'addestramento. Spesso con qualche indicazione esterna o una piccola rete esterna.<\/p>\n<p><b>Simulazione 3D<\/b>. Se si crea un buon motore 3D, spesso si pu\u00f2 coprire il 90% dei dati di addestramento (ho visto persino un esempio in cui quasi il 99% dei dati era coperto da un buon motore). Ci sono molte idee e hack su come fare affinch\u00e9 una rete addestrata su un motore 3D funzioni su dati reali (fine tuning, trasferimento di stile, ecc.). Ma di solito creare un buon motore \u00e8 di gran lunga pi\u00f9 complesso rispetto alla raccolta dei dati. Esempi di quando sono stati creati motori:<br \/>\nAddestramento di robot (<noindex><a rel=\"nofollow\" href=\"https:\/\/ai.googleblog.com\/2018\/06\/teaching-uncalibrated-robots-to_22.html\">google<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/VZcmogKXC18\">braingarden<\/a><\/noindex>)<br \/>\nFormazione <noindex><a rel=\"nofollow\" href=\"https:\/\/neuromation.io\/\">riconoscimento<\/a><\/noindex> di prodotti nei negozi (ma nei due progetti che abbiamo realizzato \u2014 ci siamo tranquillamente arrangiati senza di esso).<br \/>\nAddestramento in Tesla (di nuovo il video di cui si parlava sopra).<\/p>\n<h2>Conclusioni<\/h2>\n<p>\nL'intero articolo, in un certo senso, \u00e8 una conclusione. Probabilmente, il messaggio principale che volevo trasmettere \u00e8: \u00abla pacchia \u00e8 finita, le reti neurali non offrono pi\u00f9 soluzioni semplici\u00bb. Ora bisogna lavorare sodo costruendo soluzioni complesse. Oppure faticare facendo ricerche scientifiche complicate.<\/p>\n<p>In effetti, \u00e8 un tema discutibile. Magari i lettori hanno esempi pi\u00f9 interessanti?<br \/>\n<br \/>Fonte: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/recognitor\/blog\/455676\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0432\u044b\u0448\u043b\u0430 \u0441\u0442\u0430\u0442\u044c\u044f, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u043d\u0435\u043f\u043b\u043e\u0445\u043e \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442 \u0442\u0435\u043d\u0434\u0435\u043d\u0446\u0438\u044e \u0432 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0445 \u043b\u0435\u0442. \u0415\u0441\u043b\u0438 \u043a\u043e\u0440\u043e\u0442\u043a\u043e: \u0447\u0438\u0441\u043b\u043e \u0441\u0442\u0430\u0440\u0442\u0430\u043f\u043e\u0432 \u0432 \u043e\u0431\u043b\u0430\u0441\u0442\u0438 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u0434\u0432\u0430 \u0433\u043e\u0434\u0430 \u0440\u0435\u0437\u043a\u043e \u0443\u043f\u0430\u043b\u043e. \u041d\u0443 \u0447\u0442\u043e. \u0420\u0430\u0437\u0431\u0435\u0440\u0451\u043c \u00ab\u043b\u043e\u043f\u043d\u0443\u043b \u043b\u0438 \u043f\u0443\u0437\u044b\u0440\u044c\u00bb, \u00ab\u043a\u0430\u043a \u0434\u0430\u043b\u044c\u0448\u0435 \u0436\u0438\u0442\u044c\u00bb \u0438 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u043e\u0442\u043a\u0443\u0434\u0430 \u0432\u043e\u043e\u0431\u0449\u0435 \u0442\u0430\u043a\u0430\u044f \u0437\u0430\u0433\u043e\u0433\u0443\u043b\u0438\u043d\u0430. \u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u0447\u0442\u043e \u0431\u044b\u043b\u043e \u0431\u0443\u0441\u0442\u0435\u0440\u043e\u043c \u044d\u0442\u043e\u0439 \u043a\u0440\u0438\u0432\u043e\u0439. \u041e\u0442\u043a\u0443\u0434\u0430 \u043e\u043d\u0430 \u0432\u0437\u044f\u043b\u0430\u0441\u044c. \u041d\u0430\u0432\u0435\u0440\u043d\u043e\u0435 \u0432\u0441\u0451 \u0432\u0441\u043f\u043e\u043c\u043d\u044f\u0442 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-35293","post","type-post","status-publish","format-standard","hentry","category-novosti-interneta"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.0.1 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0432\u044b\u0448\u043b\u0430 \u0441\u0442\u0430\u0442\u044c\u044f, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u043d\u0435\u043f\u043b\u043e\u0445\u043e \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442 \u0442\u0435\u043d\u0434\u0435\u043d\u0446\u0438\u044e \u0432 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0445 \u043b\u0435\u0442. \u0415\u0441\u043b\u0438 \u043a\u043e\u0440\u043e\u0442\u043a\u043e: \u0447\u0438\u0441\u043b\u043e \u0441\u0442\u0430\u0440\u0442\u0430\u043f\u043e\u0432 \u0432 \u043e\u0431\u043b\u0430\u0441\u0442\u0438 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u0434\u0432\u0430 \u0433\u043e\u0434\u0430 \u0440\u0435\u0437\u043a\u043e \u0443\u043f\u0430\u043b\u043e. \u041d\u0443 \u0447\u0442\u043e. \u0420\u0430\u0437\u0431\u0435\u0440\u0451\u043c \u00ab\u043b\u043e\u043f\u043d\u0443\u043b \u043b\u0438 \u043f\u0443\u0437\u044b\u0440\u044c\u00bb, \u00ab\u043a\u0430\u043a \u0434\u0430\u043b\u044c\u0448\u0435 \u0436\u0438\u0442\u044c\u00bb \u0438 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u043e\u0442\u043a\u0443\u0434\u0430 \u0432\u043e\u043e\u0431\u0449\u0435 \u0442\u0430\u043a\u0430\u044f \u0437\u0430\u0433\u043e\u0433\u0443\u043b\u0438\u043d\u0430. \u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u0447\u0442\u043e \u0431\u044b\u043b\u043e \u0431\u0443\u0441\u0442\u0435\u0440\u043e\u043c \u044d\u0442\u043e\u0439 \u043a\u0440\u0438\u0432\u043e\u0439. \u041e\u0442\u043a\u0443\u0434\u0430 \u043e\u043d\u0430 \u0432\u0437\u044f\u043b\u0430\u0441\u044c. \u041d\u0430\u0432\u0435\u0440\u043d\u043e\u0435 \u0432\u0441\u0451 \u0432\u0441\u043f\u043e\u043c\u043d\u044f\u0442\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.0.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"it_IT\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u041b\u043e\u043f\u043d\u0443\u043b \u043b\u0438 \u043f\u0443\u0437\u044b\u0440\u044c \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0438\u043b\u0438 \u043d\u0430\u0447\u0430\u043b\u043e \u043d\u043e\u0432\u043e\u0439 \u0437\u0430\u0440\u0438 | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0432\u044b\u0448\u043b\u0430 \u0441\u0442\u0430\u0442\u044c\u044f, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u043d\u0435\u043f\u043b\u043e\u0445\u043e \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442 \u0442\u0435\u043d\u0434\u0435\u043d\u0446\u0438\u044e \u0432 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0445 \u043b\u0435\u0442. \u0415\u0441\u043b\u0438 \u043a\u043e\u0440\u043e\u0442\u043a\u043e: \u0447\u0438\u0441\u043b\u043e \u0441\u0442\u0430\u0440\u0442\u0430\u043f\u043e\u0432 \u0432 \u043e\u0431\u043b\u0430\u0441\u0442\u0438 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u0434\u0432\u0430 \u0433\u043e\u0434\u0430 \u0440\u0435\u0437\u043a\u043e \u0443\u043f\u0430\u043b\u043e. \u041d\u0443 \u0447\u0442\u043e. \u0420\u0430\u0437\u0431\u0435\u0440\u0451\u043c \u00ab\u043b\u043e\u043f\u043d\u0443\u043b \u043b\u0438 \u043f\u0443\u0437\u044b\u0440\u044c\u00bb, \u00ab\u043a\u0430\u043a \u0434\u0430\u043b\u044c\u0448\u0435 \u0436\u0438\u0442\u044c\u00bb \u0438 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u043e\u0442\u043a\u0443\u0434\u0430 \u0432\u043e\u043e\u0431\u0449\u0435 \u0442\u0430\u043a\u0430\u044f \u0437\u0430\u0433\u043e\u0433\u0443\u043b\u0438\u043d\u0430. \u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u0447\u0442\u043e \u0431\u044b\u043b\u043e \u0431\u0443\u0441\u0442\u0435\u0440\u043e\u043c \u044d\u0442\u043e\u0439 \u043a\u0440\u0438\u0432\u043e\u0439. \u041e\u0442\u043a\u0443\u0434\u0430 \u043e\u043d\u0430 \u0432\u0437\u044f\u043b\u0430\u0441\u044c. \u041d\u0430\u0432\u0435\u0440\u043d\u043e\u0435 \u0432\u0441\u0451 \u0432\u0441\u043f\u043e\u043c\u043d\u044f\u0442\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2019-10-31T19:03:28+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2019-10-31T19:03:28+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47\u00c8 scoppiata la bolla del machine learning, o l'inizio di una nuova era | ProHoster","description":"Recentemente \u00e8 stato pubblicato un articolo che mostra bene le tendenze nel machine learning degli ultimi anni. In breve: il numero di startup nel campo del machine learning \u00e8 diminuito bruscamente negli ultimi due anni. Bene. Analizziamo \"\u00e8 scoppiata la bolla\", \"come andare avanti\" e discutiamo da dove provenga tutta questa situazione. Per iniziare, parliamo di cosa sia stato il motore di questa curva. Da dove \u00e8 emersa. Sicuramente tutti lo ricorderanno.","canonical_url":"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"it_IT","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041b\u043e\u043f\u043d\u0443\u043b \u043b\u0438 \u043f\u0443\u0437\u044b\u0440\u044c \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0438\u043b\u0438 \u043d\u0430\u0447\u0430\u043b\u043e \u043d\u043e\u0432\u043e\u0439 \u0437\u0430\u0440\u0438 | ProHoster","og:description":"\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0432\u044b\u0448\u043b\u0430 \u0441\u0442\u0430\u0442\u044c\u044f, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u043d\u0435\u043f\u043b\u043e\u0445\u043e \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442 \u0442\u0435\u043d\u0434\u0435\u043d\u0446\u0438\u044e \u0432 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0445 \u043b\u0435\u0442. \u0415\u0441\u043b\u0438 \u043a\u043e\u0440\u043e\u0442\u043a\u043e: \u0447\u0438\u0441\u043b\u043e \u0441\u0442\u0430\u0440\u0442\u0430\u043f\u043e\u0432 \u0432 \u043e\u0431\u043b\u0430\u0441\u0442\u0438 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u0434\u0432\u0430 \u0433\u043e\u0434\u0430 \u0440\u0435\u0437\u043a\u043e \u0443\u043f\u0430\u043b\u043e. \u041d\u0443 \u0447\u0442\u043e. \u0420\u0430\u0437\u0431\u0435\u0440\u0451\u043c \u00ab\u043b\u043e\u043f\u043d\u0443\u043b \u043b\u0438 \u043f\u0443\u0437\u044b\u0440\u044c\u00bb, \u00ab\u043a\u0430\u043a \u0434\u0430\u043b\u044c\u0448\u0435 \u0436\u0438\u0442\u044c\u00bb \u0438 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u043e\u0442\u043a\u0443\u0434\u0430 \u0432\u043e\u043e\u0431\u0449\u0435 \u0442\u0430\u043a\u0430\u044f \u0437\u0430\u0433\u043e\u0433\u0443\u043b\u0438\u043d\u0430. \u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u0447\u0442\u043e \u0431\u044b\u043b\u043e \u0431\u0443\u0441\u0442\u0435\u0440\u043e\u043c \u044d\u0442\u043e\u0439 \u043a\u0440\u0438\u0432\u043e\u0439. \u041e\u0442\u043a\u0443\u0434\u0430 \u043e\u043d\u0430 \u0432\u0437\u044f\u043b\u0430\u0441\u044c. \u041d\u0430\u0432\u0435\u0440\u043d\u043e\u0435 \u0432\u0441\u0451 \u0432\u0441\u043f\u043e\u043c\u043d\u044f\u0442","og:url":"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T19:03:28+00:00","article:modified_time":"2019-10-31T19:03:28+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"35293","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-21 22:41:19","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 02:06:24","updated":"2026-01-21 22:41:19","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/35293","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/comments?post=35293"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/35293\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media?parent=35293"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/categories?post=35293"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/tags?post=35293"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}