NeurIPS 2019: അടുത്ത ദശകത്തിൽ ഞങ്ങളോടൊപ്പം ഉണ്ടായിരിക്കുന്ന ML ട്രെൻഡുകൾ

ന്യൂറോഐപിഎസ് (ന്യൂറൽ ഇൻഫർമേഷൻ പ്രോസസ്സിംഗ് സിസ്റ്റംസ്) മെഷീൻ ലേണിംഗ്, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് എന്നിവയെക്കുറിച്ചുള്ള ലോകത്തിലെ ഏറ്റവും വലിയ കോൺഫറൻസും ആഴത്തിലുള്ള പഠനത്തിന്റെ ലോകത്തിലെ പ്രധാന സംഭവവുമാണ്.

പുതിയ ദശാബ്ദത്തിൽ ഞങ്ങൾ, ഡിഎസ് എഞ്ചിനീയർമാർ, ജീവശാസ്ത്രം, ഭാഷാശാസ്ത്രം, മനഃശാസ്ത്രം എന്നിവയിൽ പ്രാവീണ്യം നേടുമോ? ഞങ്ങളുടെ അവലോകനത്തിൽ ഞങ്ങൾ നിങ്ങളോട് പറയും.

ഈ വർഷം കാനഡയിലെ വാൻകൂവറിൽ 13500 രാജ്യങ്ങളിൽ നിന്നുള്ള 80-ലധികം ആളുകൾ ഒത്തുചേർന്നു. കോൺഫറൻസിൽ Sberbank റഷ്യയെ പ്രതിനിധീകരിക്കുന്നത് ഇത് ആദ്യ വർഷമല്ല - DS ടീം ബാങ്കിംഗ് പ്രക്രിയകളിൽ ML നടപ്പിലാക്കുന്നതിനെക്കുറിച്ചും ML മത്സരത്തെക്കുറിച്ചും Sberbank DS പ്ലാറ്റ്‌ഫോമിന്റെ കഴിവുകളെക്കുറിച്ചും സംസാരിച്ചു. ML കമ്മ്യൂണിറ്റിയിലെ 2019-ലെ പ്രധാന ട്രെൻഡുകൾ എന്തായിരുന്നു? കോൺഫറൻസിൽ പങ്കെടുത്തവർ പറയുന്നു: ആൻഡ്രി ചെർടോക്ക് и ടാറ്റിയാന ഷാവ്രിന.

ഈ വർഷം, ന്യൂറിഐപിഎസ് 1400-ലധികം പേപ്പറുകൾ-അൽഗരിതങ്ങൾ, പുതിയ മോഡലുകൾ, പുതിയ ഡാറ്റയിലേക്കുള്ള പുതിയ ആപ്ലിക്കേഷനുകൾ എന്നിവ സ്വീകരിച്ചു. എല്ലാ മെറ്റീരിയലുകളിലേക്കും ലിങ്ക് ചെയ്യുക

ഉള്ളടക്കം:

• ട്രെൻഡുകൾ
• • മാതൃകാ വ്യാഖ്യാനം
  • മൾട്ടി ഡിസിപ്ലിനാരിറ്റി
  • ന്യായവാദം
  • RL
  • GAN
• ക്ഷണിക്കപ്പെട്ട അടിസ്ഥാന സംഭാഷണങ്ങൾ
• • “സോഷ്യൽ ഇന്റലിജൻസ്”, ബ്ലെയ്‌സ് അഗ്യൂറ വൈ ആർകാസ് (ഗൂഗിൾ)
  • "വെറിഡിക്കൽ ഡാറ്റ സയൻസ്", ബിൻ യു (ബെർക്ക്ലി)
  • "മഷീൻ ലേണിംഗിനൊപ്പം ഹ്യൂമൻ ബിഹേവിയർ മോഡലിംഗ്: അവസരങ്ങളും വെല്ലുവിളികളും", നൂറിയ എം ഒലിവർ, ആൽബർട്ട് അലി സലാഹ്
  • “സിസ്റ്റം 1 മുതൽ സിസ്റ്റം 2 വരെ ഡീപ് ലേണിംഗ്”, യോഷ്വ ബെൻജിയോ

2019 ട്രെൻഡുകൾ

1. മോഡൽ വ്യാഖ്യാനവും പുതിയ ML രീതിശാസ്ത്രവും

എന്തുകൊണ്ടാണ് ഞങ്ങൾക്ക് ചില ഫലങ്ങൾ ലഭിക്കുന്നത് എന്നതിന്റെ വ്യാഖ്യാനവും തെളിവുമാണ് കോൺഫറൻസിന്റെ പ്രധാന വിഷയം. "ബ്ലാക്ക് ബോക്സ്" വ്യാഖ്യാനത്തിന്റെ ദാർശനിക പ്രാധാന്യത്തെക്കുറിച്ച് ഒരാൾക്ക് വളരെക്കാലം സംസാരിക്കാം, എന്നാൽ ഈ മേഖലയിൽ കൂടുതൽ യഥാർത്ഥ രീതികളും സാങ്കേതിക സംഭവവികാസങ്ങളും ഉണ്ടായിരുന്നു.

മാതൃകകൾ ആവർത്തിക്കുന്നതിനും അവയിൽ നിന്ന് അറിവ് വേർതിരിച്ചെടുക്കുന്നതിനുമുള്ള രീതി ശാസ്ത്രത്തിനുള്ള ഒരു പുതിയ ടൂൾകിറ്റ് ആണ്. പുതിയ അറിവ് നേടുന്നതിനും അത് പരീക്ഷിക്കുന്നതിനുമുള്ള ഒരു ഉപകരണമായി മോഡലുകൾക്ക് പ്രവർത്തിക്കാൻ കഴിയും, കൂടാതെ മോഡലിന്റെ പ്രീപ്രോസസ്സിംഗ്, പരിശീലനം, പ്രയോഗം എന്നിവയുടെ ഓരോ ഘട്ടവും പുനർനിർമ്മിക്കാവുന്നതായിരിക്കണം.
പ്രസിദ്ധീകരണങ്ങളുടെ ഗണ്യമായ അനുപാതം മോഡലുകളുടെയും ഉപകരണങ്ങളുടെയും നിർമ്മാണത്തിനല്ല, മറിച്ച് സുരക്ഷ, സുതാര്യത, ഫലങ്ങളുടെ സ്ഥിരീകരണം എന്നിവ ഉറപ്പാക്കുന്നതിനുള്ള പ്രശ്നങ്ങൾക്കാണ്. പ്രത്യേകിച്ചും, മോഡലിന് (എതിരാളി ആക്രമണങ്ങൾ) നേരെയുള്ള ആക്രമണങ്ങളെക്കുറിച്ച് ഒരു പ്രത്യേക സ്ട്രീം പ്രത്യക്ഷപ്പെട്ടു, കൂടാതെ പരിശീലനത്തിനെതിരായ ആക്രമണങ്ങൾക്കും ആപ്ലിക്കേഷനിലെ ആക്രമണത്തിനുമുള്ള ഓപ്ഷനുകൾ പരിഗണിക്കപ്പെടുന്നു.

ലേഖനങ്ങൾ:

• വെറിഡിക്കൽ ഡാറ്റ സയൻസ് - മോഡൽ വെരിഫിക്കേഷന്റെ രീതിശാസ്ത്രത്തെക്കുറിച്ചുള്ള ഒരു പ്രോഗ്രമാറ്റിക് ലേഖനം. മോഡലുകളെ വ്യാഖ്യാനിക്കുന്നതിനുള്ള ആധുനിക ഉപകരണങ്ങളുടെ ഒരു അവലോകനം ഉൾപ്പെടുന്നു, പ്രത്യേകിച്ചും, ലീനിയർ മോഡലുകൾ ഉപയോഗിച്ച് ന്യൂറൽ നെറ്റ്‌വർക്ക് "ഡിസ്റ്റിൽ" ചെയ്യുന്നതിലൂടെ ശ്രദ്ധയുടെ ഉപയോഗവും സവിശേഷത പ്രാധാന്യം നേടുന്നതും.
• ഇത് ഇതുപോലെ തോന്നുന്നു: വ്യാഖ്യാനിക്കാവുന്ന ഇമേജ് തിരിച്ചറിയലിനായി ആഴത്തിലുള്ള പഠനം ചാഫാൻ ചെൻ, ഓസ്കാർ ലി, ഡാനിയൽ താവോ, അലീന ബാർനെറ്റ്, സിന്തിയ റൂഡിൻ, ജോനാഥൻ കെ. സു
• ആഴത്തിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകളിലെ ഇന്റർപ്രെറ്റബിലിറ്റി രീതികൾക്കുള്ള ഒരു മാനദണ്ഡം സാറ ഹുക്കർ, ദുമിത്രു എർഹാൻ, പീറ്റർ-ജാൻ കിൻഡർമൻസ്, ബീൻ കിം
• അറ്റൻഷൻ ഓഗ്മെന്റഡ് ഏജന്റ്സ് ഉപയോഗിച്ച് വ്യാഖ്യാനിക്കാവുന്ന ശക്തിപ്പെടുത്തൽ പഠനത്തിലേക്ക് അലക്സാണ്ടർ മോട്ട്, ഡാനിയൽ സോറാൻ, മൈക്ക് ച്ർസനോവ്സ്കി, ഡാൻ വിയർസ്ട്ര, ഡാനിലോ ജിമെനെസ് റെസെൻഡെ
• ക്രമരഹിത വനങ്ങൾക്കായുള്ള ഒരു ഡീബിയേസ്ഡ് എംഡിഐ ഫീച്ചർ പ്രാധാന്യം സിയാവോ ലി, യു വാങ്, സുമന്ത ബസു, കാൾ കുമ്പിയർ, ബിൻ യു
• നിരീക്ഷിക്കാവുന്ന ഡാറ്റയില്ലാതെ വിജ്ഞാനം വേർതിരിച്ചെടുക്കൽ ജെമിൻ യൂ, മിൻയോങ് ചോ, താബം കിം, യു കാങ്
• സ്വതന്ത്രമായി പുനർനിർമ്മിക്കാവുന്ന മെഷീൻ ലേണിംഗ് ഗവേഷണം അളക്കുന്നതിനുള്ള ഒരു ചുവട് എഡ്വേർഡ് റാഫ്

ExBert.net ടെക്സ്റ്റ് പ്രോസസ്സിംഗ് ടാസ്ക്കുകൾക്കുള്ള മോഡൽ വ്യാഖ്യാനം കാണിക്കുന്നു

2. മൾട്ടി ഡിസിപ്ലിനാരിറ്റി

വിശ്വസനീയമായ പരിശോധന ഉറപ്പാക്കുന്നതിനും അറിവ് പരിശോധിക്കുന്നതിനും വികസിപ്പിക്കുന്നതിനുമുള്ള സംവിധാനങ്ങൾ വികസിപ്പിക്കുന്നതിന്, ML-ലും വിഷയ മേഖലയിലും (മരുന്ന്, ഭാഷാശാസ്ത്രം, ന്യൂറോബയോളജി, വിദ്യാഭ്യാസം മുതലായവ) ഒരേസമയം കഴിവുള്ള അനുബന്ധ മേഖലകളിലെ സ്പെഷ്യലിസ്റ്റുകളെ ഞങ്ങൾക്ക് ആവശ്യമാണ്. ന്യൂറോ സയൻസസ്, കോഗ്നിറ്റീവ് സയൻസസ് എന്നിവയിലെ കൃതികളുടെയും പ്രസംഗങ്ങളുടെയും കൂടുതൽ പ്രാധാന്യമുള്ള സാന്നിധ്യം ശ്രദ്ധിക്കേണ്ടതാണ് - സ്പെഷ്യലിസ്റ്റുകളുടെ അനുരഞ്ജനവും ആശയങ്ങൾ കടമെടുക്കലും ഉണ്ട്.

ഈ അനുരഞ്ജനത്തിനു പുറമേ, വിവിധ ഉറവിടങ്ങളിൽ നിന്നുള്ള വിവരങ്ങളുടെ സംയുക്ത പ്രോസസ്സിംഗിൽ മൾട്ടി ഡിസിപ്ലിനറിറ്റി ഉയർന്നുവരുന്നു: ടെക്സ്റ്റും ഫോട്ടോകളും, ടെക്സ്റ്റ്, ഗെയിമുകൾ, ഗ്രാഫ് ഡാറ്റാബേസുകൾ + ടെക്സ്റ്റ്, ഫോട്ടോകൾ.

ലേഖനങ്ങൾ:

• ന്യൂറോ സയൻസ് + ML - സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് (യന്ത്രങ്ങളിൽ) സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ് (തലച്ചോറിൽ) ഉപയോഗിച്ച് വ്യാഖ്യാനിക്കുകയും മെച്ചപ്പെടുത്തുകയും ചെയ്യുന്നു
• VisualQA - അബ്‌സ്‌ട്രാക്ഷൻ വഴിയുള്ള പഠനം: ന്യൂറൽ സ്റ്റേറ്റ് മെഷീൻ
• RL + NLP - സ്വാഭാവിക ഭാഷാ നിർദ്ദേശങ്ങൾ ജനറേറ്റുചെയ്‌ത് പിന്തുടരുന്നതിലൂടെ ശ്രേണിപരമായ തീരുമാനമെടുക്കൽ

രണ്ട് മോഡലുകൾ - സ്ട്രാറ്റജിസ്റ്റ്, എക്സിക്യൂട്ടീവ് - RL, NLP എന്നിവ അടിസ്ഥാനമാക്കിയുള്ള ഓൺലൈൻ സ്ട്രാറ്റജി പ്ലേ ചെയ്യുന്നു

3. ന്യായവാദം

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ശക്തിപ്പെടുത്തുന്നത് സ്വയം പഠന സംവിധാനങ്ങൾ, "ബോധമുള്ള", ന്യായവാദം, ന്യായവാദം എന്നിവയിലേക്കുള്ള ഒരു പ്രസ്ഥാനമാണ്. പ്രത്യേകിച്ചും, കാര്യകാരണ അനുമാനവും സാമാന്യ യുക്തിയും വികസിച്ചുകൊണ്ടിരിക്കുന്നു. ചില റിപ്പോർട്ടുകൾ മെറ്റാ-ലേണിംഗിനും (എങ്ങനെ പഠിക്കാം എന്നതിനെക്കുറിച്ച്) ഡിഎൽ സാങ്കേതികവിദ്യകളുടെ സംയോജനവും 1-ഉം 2-ഉം ഓർഡർ ലോജിക്കുമായി നീക്കിവച്ചിരിക്കുന്നു - ആർട്ടിഫിഷ്യൽ ജനറൽ ഇന്റലിജൻസ് (എജിഐ) എന്ന പദം സ്പീക്കറുകളുടെ പ്രസംഗങ്ങളിൽ ഒരു സാധാരണ പദമായി മാറുന്നു.

ലേഖനങ്ങൾ:

• വിഷ്വൽ കോമൺസെൻസ് റീസണിംഗിനുള്ള വൈവിധ്യമാർന്ന ഗ്രാഫ് ലേണിംഗ് വെയ്ജിയാങ് യു, ജിംഗ്വെൻ ഷൗ, വെയ്ഹാവോ യു, സിയാവോദൻ ലിയാങ്, നോങ് സിയാവോ
• ബ്രിഡ്ജിംഗ് മെഷീൻ ലേണിംഗും ലോജിക്കൽ റീസണിംഗും ബൈ അബ്‌ഡക്റ്റീവ് ലേണിംഗ് വാങ്-സൗ ഡായ്, ക്യുലിംഗ് സൂ, യാങ് യു, ഷി-ഹുവാ ഷൗ
• ഫസ്റ്റ്-ഓർഡർ ലോജിക്കിൽ ന്യായവാദം ചെയ്യാൻ പരോക്ഷമായി പഠിക്കുന്നു വൈശാഖ് ബെല്ലെ, ബ്രണ്ടൻ ജൂബ
• ഫിർ: ഫിസിക്കൽ റീസണിംഗിനുള്ള ഒരു പുതിയ ബെഞ്ച്മാർക്ക് ആന്റൺ ബക്തിൻ, ലോറൻസ് വാൻ ഡെർ മാറ്റൻ, ജസ്റ്റിൻ ജോൺസൺ, ലോറ ഗുസ്താഫ്സൺ, റോസ് ഗിർഷിക്ക്
• യുക്തിസഹമായ അറിവിന്റെ ക്വാണ്ടം എംബഡിംഗ് ദിനേശ് ഗാർഗ്, ഷാജിത്ത് ഇക്ബാൽ, സന്തോഷ് കെ. ശ്രീവാസ്തവ, ഹരിത് വിശ്വകർമ, ഹിമ കരണം, എൽ വെങ്കിട സുബ്രഹ്മണ്യം

4.Reinforcement Learning

മിക്ക ജോലികളും RL - DOTA2, Starcraft, കമ്പ്യൂട്ടർ വിഷൻ, NLP, ഗ്രാഫ് ഡാറ്റാബേസുകൾ എന്നിവയുമായി ആർക്കിടെക്ചറുകൾ സംയോജിപ്പിച്ച് പരമ്പരാഗത മേഖലകൾ വികസിപ്പിക്കുന്നത് തുടരുന്നു.

കോൺഫറൻസിന്റെ ഒരു പ്രത്യേക ദിവസം ഒരു RL വർക്ക്‌ഷോപ്പിനായി നീക്കിവച്ചിരുന്നു, അതിൽ ഒപ്റ്റിമിസ്റ്റിക് ആക്ടർ ക്രിട്ടിക് മോഡൽ ആർക്കിടെക്ചർ അവതരിപ്പിച്ചു, മുമ്പത്തെ എല്ലാവരേക്കാളും മികച്ചതാണ്, പ്രത്യേകിച്ച് സോഫ്റ്റ് ആക്ടർ ക്രിട്ടിക്ക്.

ലേഖനങ്ങൾ:

• ശുഭാപ്തിവിശ്വാസിയായ നടൻ നിരൂപകനുമായുള്ള മികച്ച പര്യവേക്ഷണം; കാമിൽ സിയോസെക്, ക്വാൻ വൂങ്, റോബർട്ട് ലോഫ്റ്റിൻ, കട്ജ ഹോഫ്മാൻ
• ChainerRL: ഒരു ഡീപ് റൈൻഫോഴ്സ്മെന്റ് ലേണിംഗ് ലൈബ്രറി; യാസുഹിറോ ഫുജിത (ഇഷ്ടപ്പെട്ട നെറ്റ്‌വർക്കുകൾ, ഇൻക്.)*; Toshiki Kataoka (ഇഷ്ടപ്പെട്ട നെറ്റ്‌വർക്കുകൾ, Inc.); പ്രഭാത് നാഗരാജൻ (ഇഷ്ടപ്പെട്ട നെറ്റ്‌വർക്കുകൾ); തകാഹിരോ ഇഷികാവ (ടോക്കിയോ സർവകലാശാല) [ബാഹ്യ പിഡിഎഫ് ലിങ്ക്].
• നിയന്ത്രിക്കാനുള്ള സ്വപ്നം: ഒളിഞ്ഞിരിക്കുന്ന ഭാവനയിലൂടെ പെരുമാറ്റങ്ങൾ പഠിക്കുക; ഡാനിജാർ ഹാഫ്നർ (ഗൂഗിൾ)*; തിമോത്തി ലില്ലിക്രാപ്പ് (ഡീപ് മൈൻഡ്); ജിമ്മി ബാ (ടൊറന്റോ സർവകലാശാല); മുഹമ്മദ് നൊറൂസി (ഗൂഗിൾ ബ്രെയിൻ)
• വർക്ക്ഷോപ്പ് മെറ്റീരിയലുകൾ

സ്റ്റാർക്രാഫ്റ്റ് കളിക്കാർ ആൽഫാസ്റ്റാർ മോഡലുമായി പോരാടുന്നു (ഡീപ് മൈൻഡ്)

5.GAN

ജനറേറ്റീവ് നെറ്റ്‌വർക്കുകൾ ഇപ്പോഴും ശ്രദ്ധാകേന്ദ്രമാണ്: പല വർക്കുകളും ഗണിതശാസ്ത്ര തെളിവുകൾക്കായി വാനില GAN-കൾ ഉപയോഗിക്കുന്നു, കൂടാതെ അവ പുതിയതും അസാധാരണവുമായ രീതികളിൽ പ്രയോഗിക്കുന്നു (ഗ്രാഫ് ജനറേറ്റീവ് മോഡലുകൾ, സീരീസിനൊപ്പം പ്രവർത്തിക്കുക, ഡാറ്റയിലെ കാരണവും-പ്രഭാവവും തമ്മിലുള്ള ബന്ധം മുതലായവ).

ലേഖനങ്ങൾ:

• സോപാധിക GAN-കൾക്കുള്ള സ്വർണ്ണ സാമ്പിളുകൾ ഖനനം ചെയ്യുന്നു സാങ്‌വൂ മോ, ചിഹിയോൻ കിം, സുങ്‌വൂങ് കിം, മിൻസു ചോ, ജിൻവൂ ഷിൻ
• GAN-കളുടെ പുരോഗമന വർദ്ധന ഡാൻ ഷാങ്, അന്ന ഖോരേവ
• സോപാധിക GAN ഉപയോഗിച്ച് ടാബുലാർ ഡാറ്റ മോഡലിംഗ് ലീ സൂ, മരിയ സ്കോളാരിഡൗ, ആൽഫ്രെഡോ ക്യൂസ്റ്റ-ഇൻഫന്റെ, കല്യാണ് വീരമാചനേനി
• papers.nips.cc/paper/9377-a-domain-agnostic-measure-for-monitoring-and-evaluating-gans

കൂടുതൽ ജോലികൾ സ്വീകരിച്ചതിനാൽ 1400 ഏറ്റവും പ്രധാനപ്പെട്ട പ്രസംഗങ്ങളെക്കുറിച്ച് ഞങ്ങൾ ചുവടെ സംസാരിക്കും.

ക്ഷണിച്ച സംഭാഷണങ്ങൾ

“സോഷ്യൽ ഇന്റലിജൻസ്”, ബ്ലെയ്‌സ് അഗ്യൂറ വൈ ആർകാസ് (ഗൂഗിൾ)

ലിങ്ക്
സ്ലൈഡുകളും വീഡിയോകളും
മെഷീൻ ലേണിംഗിന്റെ പൊതുവായ രീതിശാസ്ത്രത്തിലും വ്യവസായത്തെ ഇപ്പോൾ മാറ്റാനുള്ള സാധ്യതകളെക്കുറിച്ചും സംഭാഷണം ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു - നമ്മൾ എന്ത് ക്രോസ്റോഡുകൾ അഭിമുഖീകരിക്കുന്നു? മസ്തിഷ്കവും പരിണാമവും എങ്ങനെ പ്രവർത്തിക്കുന്നു, പ്രകൃതിദത്ത സംവിധാനങ്ങളുടെ വികാസത്തെക്കുറിച്ച് നമുക്ക് ഇതിനകം അറിയാവുന്ന കാര്യങ്ങൾ നമ്മൾ വളരെ കുറച്ച് മാത്രം ഉപയോഗിക്കുന്നത് എന്തുകൊണ്ട്?

ML-ന്റെ വ്യാവസായിക വികസനം ഗൂഗിളിന്റെ വികസനത്തിന്റെ നാഴികക്കല്ലുകളുമായി ഒത്തുപോകുന്നു, അത് വർഷാവർഷം NeurIPS-നെക്കുറിച്ചുള്ള ഗവേഷണം പ്രസിദ്ധീകരിക്കുന്നു:

• 1997 - തിരയൽ സൗകര്യങ്ങളുടെ സമാരംഭം, ആദ്യ സെർവറുകൾ, ചെറിയ കമ്പ്യൂട്ടിംഗ് പവർ
• 2010 - ജെഫ് ഡീൻ ഗൂഗിൾ ബ്രെയിൻ പ്രോജക്റ്റ് ആരംഭിച്ചു, തുടക്കത്തിൽ തന്നെ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ കുതിപ്പ്
• 2015 - ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ വ്യാവസായിക നിർവ്വഹണം, ഒരു പ്രാദേശിക ഉപകരണത്തിൽ നേരിട്ട് വേഗത്തിലുള്ള മുഖം തിരിച്ചറിയൽ, ടെൻസർ കംപ്യൂട്ടിംഗിനായി രൂപകൽപ്പന ചെയ്ത ലോ-ലെവൽ പ്രോസസ്സറുകൾ - TPU. പരീക്ഷണാത്മക ഇൻസ്റ്റാളേഷനുകളിലേക്ക് ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ അവതരിപ്പിക്കുന്നതിനുള്ള ഒരു മിനി-കമ്പ്യൂട്ടറായ റാസ്‌ബെറി പൈയുടെ അനലോഗ് ആയ കോറൽ എഐ ഗൂഗിൾ അവതരിപ്പിക്കുന്നു.
• 2017 - ഗൂഗിൾ വികേന്ദ്രീകൃത പരിശീലനം വികസിപ്പിക്കുകയും വിവിധ ഉപകരണങ്ങളിൽ നിന്നുള്ള ന്യൂറൽ നെറ്റ്‌വർക്ക് പരിശീലനത്തിന്റെ ഫലങ്ങൾ ഒരു മോഡലായി സംയോജിപ്പിക്കുകയും ചെയ്യുന്നു - Android-ൽ

ഇന്ന്, ഒരു മുഴുവൻ വ്യവസായവും പ്രാദേശിക ഉപകരണങ്ങളിൽ ഡാറ്റ സുരക്ഷ, സമാഹരണം, പഠന ഫലങ്ങളുടെ പകർപ്പ് എന്നിവയ്ക്കായി സമർപ്പിക്കപ്പെട്ടിരിക്കുന്നു.

ഫെഡറേറ്റഡ് പഠനം - ML-ന്റെ ഒരു ദിശ, അതിൽ വ്യക്തിഗത മോഡലുകൾ പരസ്പരം സ്വതന്ത്രമായി പഠിക്കുകയും പിന്നീട് ഒരൊറ്റ മോഡലായി സംയോജിപ്പിക്കുകയും ചെയ്യുന്നു (ഉറവിട ഡാറ്റ കേന്ദ്രീകരിക്കാതെ), അപൂർവ സംഭവങ്ങൾ, അപാകതകൾ, വ്യക്തിഗതമാക്കൽ മുതലായവയ്ക്കായി ക്രമീകരിക്കുന്നു. എല്ലാ ആൻഡ്രോയിഡ് ഉപകരണങ്ങളും ഗൂഗിളിന് വേണ്ടിയുള്ള ഒരൊറ്റ കമ്പ്യൂട്ടിംഗ് സൂപ്പർ കമ്പ്യൂട്ടറാണ്.

"എക്‌സ്‌പോണൻഷ്യൽ വളർച്ചയുടെ പ്രാരംഭ ഘട്ടത്തിൽ" ഉള്ള ഗൂഗിളിന്റെ അഭിപ്രായത്തിൽ, ഫെഡറേറ്റഡ് ലേണിംഗിനെ അടിസ്ഥാനമാക്കിയുള്ള ജനറേറ്റീവ് മോഡലുകൾ ഭാവിയിൽ ഒരു വാഗ്ദാനമാണ്. GAN-കൾ, ലക്ചററുടെ അഭിപ്രായത്തിൽ, ജീവജാലങ്ങളുടെയും ചിന്താ അൽഗോരിതങ്ങളുടെയും ജനസംഖ്യയുടെ ബഹുജന സ്വഭാവം പുനർനിർമ്മിക്കാൻ പഠിക്കാൻ പ്രാപ്തരാണ്.

രണ്ട് ലളിതമായ GAN ആർക്കിടെക്ചറുകളുടെ ഉദാഹരണം ഉപയോഗിച്ച്, അവയിൽ ഒപ്റ്റിമൈസേഷൻ പാതയ്ക്കുള്ള തിരയൽ ഒരു സർക്കിളിൽ അലഞ്ഞുതിരിയുന്നതായി കാണിക്കുന്നു, അതായത് ഒപ്റ്റിമൈസേഷൻ സംഭവിക്കുന്നില്ല എന്നാണ്. അതേസമയം, ജീവശാസ്ത്രജ്ഞർ ബാക്ടീരിയ ജനസംഖ്യയിൽ നടത്തുന്ന പരീക്ഷണങ്ങൾ അനുകരിക്കുന്നതിൽ ഈ മോഡലുകൾ വളരെ വിജയകരമാണ്, ഭക്ഷണം തേടി പുതിയ പെരുമാറ്റ തന്ത്രങ്ങൾ പഠിക്കാൻ അവരെ നിർബന്ധിക്കുന്നു. ഒപ്റ്റിമൈസേഷൻ ഫംഗ്ഷനേക്കാൾ വ്യത്യസ്തമായി ജീവിതം പ്രവർത്തിക്കുന്നുവെന്ന് നമുക്ക് നിഗമനം ചെയ്യാം.

നടത്തം GAN ഒപ്റ്റിമൈസേഷൻ

മെഷീൻ ലേണിംഗിന്റെ ചട്ടക്കൂടിൽ നമ്മൾ ഇപ്പോൾ ചെയ്യുന്നതെല്ലാം ഇടുങ്ങിയതും അങ്ങേയറ്റം ഔപചാരികവുമായ ജോലികളാണ്, അതേസമയം ഈ ഔപചാരികതകൾ നന്നായി സാമാന്യവൽക്കരിക്കുന്നില്ല, ന്യൂറോഫിസിയോളജി, ബയോളജി തുടങ്ങിയ മേഖലകളിലെ നമ്മുടെ വിഷയ പരിജ്ഞാനവുമായി പൊരുത്തപ്പെടുന്നില്ല.

സമീപഭാവിയിൽ ന്യൂറോ ഫിസിയോളജി മേഖലയിൽ നിന്ന് കടമെടുക്കുന്നത് ശരിക്കും മൂല്യവത്താണ്, പുതിയ ന്യൂറോൺ ആർക്കിടെക്ചറുകളും പിശകുകളുടെ ബാക്ക്പ്രൊപഗേഷന്റെ സംവിധാനങ്ങളുടെ ഒരു ചെറിയ പുനരവലോകനവുമാണ്.

മനുഷ്യ മസ്തിഷ്കം തന്നെ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് പോലെ പഠിക്കുന്നില്ല:

• ഇന്ദ്രിയങ്ങളിലൂടെയും കുട്ടിക്കാലത്തുമുള്ളവ ഉൾപ്പെടെ, ക്രമരഹിതമായ പ്രാഥമിക ഇൻപുട്ടുകൾ അവനില്ല
• അദ്ദേഹത്തിന് സഹജമായ വികാസത്തിന്റെ അന്തർലീനമായ ദിശകളുണ്ട് (ഒരു ശിശുവിൽ നിന്ന് ഭാഷ പഠിക്കാനുള്ള ആഗ്രഹം, നിവർന്നു നടക്കുന്നു)

ഒരു വ്യക്തിഗത മസ്തിഷ്കത്തെ പരിശീലിപ്പിക്കുന്നത് ഒരു താഴ്ന്ന തലത്തിലുള്ള ജോലിയാണ്; ഗ്രൂപ്പ് പരിണാമത്തിന്റെ സംവിധാനങ്ങൾ പുനർനിർമ്മിക്കുന്നതിന് പരസ്പരം അറിവ് കൈമാറുന്ന അതിവേഗം മാറിക്കൊണ്ടിരിക്കുന്ന വ്യക്തികളുടെ "കോളനികൾ" നാം പരിഗണിക്കണം.

ML അൽഗോരിതങ്ങളിൽ നമുക്ക് ഇപ്പോൾ സ്വീകരിക്കാൻ കഴിയുന്നത്:

• ജനസംഖ്യയുടെ പഠനം ഉറപ്പാക്കുന്ന സെൽ ലൈനേജ് മോഡലുകൾ പ്രയോഗിക്കുക, എന്നാൽ വ്യക്തിയുടെ ഹ്രസ്വ ജീവിതം ("വ്യക്തിഗത മസ്തിഷ്കം")
• ചെറിയ എണ്ണം ഉദാഹരണങ്ങൾ ഉപയോഗിച്ച് കുറച്ച്-ഷോട്ട് പഠനം
• കൂടുതൽ സങ്കീർണ്ണമായ ന്യൂറോൺ ഘടനകൾ, അല്പം വ്യത്യസ്തമായ ആക്റ്റിവേഷൻ പ്രവർത്തനങ്ങൾ
• "ജീനോം" അടുത്ത തലമുറകളിലേക്ക് കൈമാറുന്നു - ബാക്ക്പ്രൊപഗേഷൻ അൽഗോരിതം
• ന്യൂറോഫിസിയോളജിയും ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ബന്ധിപ്പിച്ചാൽ, പല ഘടകങ്ങളിൽ നിന്നും ഒരു മൾട്ടിഫങ്ഷണൽ ബ്രെയിൻ നിർമ്മിക്കാൻ നമ്മൾ പഠിക്കും.

ഈ വീക്ഷണകോണിൽ നിന്ന്, SOTA സൊല്യൂഷനുകളുടെ സമ്പ്രദായം ഹാനികരമാണ്, പൊതുവായ ജോലികൾ (ബെഞ്ച്മാർക്കുകൾ) വികസിപ്പിക്കുന്നതിന് വേണ്ടി അത് പരിഷ്കരിക്കണം.

"വെറിഡിക്കൽ ഡാറ്റ സയൻസ്", ബിൻ യു (ബെർക്ക്ലി)

വീഡിയോകളും സ്ലൈഡുകളും
മെഷീൻ ലേണിംഗ് മോഡലുകൾ വ്യാഖ്യാനിക്കുന്നതിലും അവയുടെ നേരിട്ടുള്ള പരിശോധനയ്ക്കും സ്ഥിരീകരണത്തിനുമുള്ള രീതിശാസ്ത്രത്തിനും റിപ്പോർട്ട് സമർപ്പിക്കുന്നു. പരിശീലനം ലഭിച്ച ഏതൊരു ML മോഡലും അതിൽ നിന്ന് വേർതിരിച്ചെടുക്കേണ്ട അറിവിന്റെ ഉറവിടമായി കണക്കാക്കാം.

പല മേഖലകളിലും, പ്രത്യേകിച്ച് വൈദ്യശാസ്ത്രത്തിൽ, ഈ മറഞ്ഞിരിക്കുന്ന അറിവ് വേർതിരിച്ചെടുക്കാതെയും മോഡലിന്റെ ഫലങ്ങൾ വ്യാഖ്യാനിക്കാതെയും ഒരു മോഡലിന്റെ ഉപയോഗം അസാധ്യമാണ് - അല്ലാത്തപക്ഷം ഫലങ്ങൾ സ്ഥിരതയുള്ളതും ക്രമരഹിതവും വിശ്വസനീയവുമാണെന്ന് ഞങ്ങൾക്ക് ഉറപ്പില്ല. രോഗി. വർക്ക് മെത്തഡോളജിയുടെ ഒരു മുഴുവൻ ദിശയും ആഴത്തിലുള്ള പഠന മാതൃകയിൽ വികസിക്കുകയും അതിന്റെ അതിരുകൾക്കപ്പുറത്തേക്ക് പോകുകയും ചെയ്യുന്നു - വെറിഡിക്കൽ ഡാറ്റ സയൻസ്. അത് എന്താണ്?

ശാസ്ത്രീയ പ്രസിദ്ധീകരണങ്ങളുടെ ഗുണനിലവാരവും മോഡലുകളുടെ പുനരുൽപാദനക്ഷമതയും കൈവരിക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു:

1. പ്രവചിക്കാവുന്നത്
2. കണക്കാക്കാവുന്ന
3. സ്ഥിരതയുള്ള

ഈ മൂന്ന് തത്വങ്ങളാണ് പുതിയ രീതിശാസ്ത്രത്തിന്റെ അടിസ്ഥാനം. ഈ മാനദണ്ഡങ്ങൾക്കനുസൃതമായി ML മോഡലുകൾ എങ്ങനെ പരിശോധിക്കാം? ഉടനടി വ്യാഖ്യാനിക്കാവുന്ന മോഡലുകൾ (റിഗ്രഷനുകൾ, തീരുമാന മരങ്ങൾ) നിർമ്മിക്കുക എന്നതാണ് ഏറ്റവും എളുപ്പമുള്ള മാർഗം. എന്നിരുന്നാലും, ആഴത്തിലുള്ള പഠനത്തിന്റെ ഉടനടി പ്രയോജനങ്ങൾ നേടാനും ഞങ്ങൾ ആഗ്രഹിക്കുന്നു.

പ്രശ്നം പരിഹരിക്കാൻ നിലവിലുള്ള നിരവധി വഴികൾ:

1. മാതൃക വ്യാഖ്യാനിക്കുക;
2. ശ്രദ്ധയെ അടിസ്ഥാനമാക്കിയുള്ള രീതികൾ ഉപയോഗിക്കുക;
3. പരിശീലന സമയത്ത് അൽഗോരിതങ്ങളുടെ സമന്വയങ്ങൾ ഉപയോഗിക്കുക, കൂടാതെ ലീനിയർ മോഡലിൽ നിന്നുള്ള സവിശേഷതകൾ വ്യാഖ്യാനിച്ച് ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ അതേ ഉത്തരങ്ങൾ പ്രവചിക്കാൻ ലീനിയർ വ്യാഖ്യാനിക്കാവുന്ന മോഡലുകൾ പഠിക്കുന്നുവെന്ന് ഉറപ്പാക്കുക;
4. പരിശീലന ഡാറ്റ മാറ്റുകയും വർദ്ധിപ്പിക്കുകയും ചെയ്യുക. ഇതിൽ ശബ്ദം, ഇടപെടൽ, ഡാറ്റ വർദ്ധിപ്പിക്കൽ എന്നിവ ഉൾപ്പെടുന്നു;
5. മോഡലിന്റെ ഫലങ്ങൾ ക്രമരഹിതമല്ലെന്നും ചെറിയ അനാവശ്യ ഇടപെടലുകളെ ആശ്രയിക്കുന്നില്ലെന്നും ഉറപ്പാക്കാൻ സഹായിക്കുന്ന ഏതെങ്കിലും രീതികൾ (എതിരാളി ആക്രമണങ്ങൾ);
6. പരിശീലനത്തിന് ശേഷം, വസ്തുതയ്ക്ക് ശേഷം മോഡൽ വ്യാഖ്യാനിക്കുക;
7. പഠന സവിശേഷത ഭാരം വിവിധ രീതികളിൽ;
8. എല്ലാ സിദ്ധാന്തങ്ങളുടെയും സാധ്യതകൾ പഠിക്കുക, ക്ലാസ് വിതരണം.

എതിർ ആക്രമണം ഒരു പന്നിക്ക്

മോഡലിംഗ് പിശകുകൾ എല്ലാവർക്കും ചെലവേറിയതാണ്: റെയിൻഹാർട്ടിന്റെയും റോഗോവിന്റെയും പ്രവർത്തനമാണ് ഒരു പ്രധാന ഉദാഹരണം.കടത്തിന്റെ കാലത്ത് വളർച്ച"പല യൂറോപ്യൻ രാജ്യങ്ങളുടെയും സാമ്പത്തിക നയങ്ങളെ സ്വാധീനിക്കുകയും ചെലവുചുരുക്കൽ നയങ്ങൾ പിന്തുടരാൻ അവരെ നിർബന്ധിക്കുകയും ചെയ്തു, എന്നാൽ വർഷങ്ങൾക്ക് ശേഷം ഡാറ്റയും അവയുടെ പ്രോസസ്സിംഗും ശ്രദ്ധാപൂർവ്വം വീണ്ടും പരിശോധിച്ചത് വിപരീത ഫലം കാണിച്ചു!

ഏതൊരു ML സാങ്കേതികവിദ്യയ്ക്കും നടപ്പിലാക്കൽ മുതൽ നടപ്പിലാക്കുന്നത് വരെ അതിന്റേതായ ജീവിത ചക്രമുണ്ട്. മോഡലിന്റെ ജീവിതത്തിന്റെ ഓരോ ഘട്ടത്തിലും മൂന്ന് അടിസ്ഥാന തത്വങ്ങൾ പരിശോധിക്കുക എന്നതാണ് പുതിയ രീതിശാസ്ത്രത്തിന്റെ ലക്ഷ്യം.

ഫലങ്ങൾ:

• എം‌എൽ മോഡലിനെ കൂടുതൽ വിശ്വസനീയമാക്കാൻ സഹായിക്കുന്ന നിരവധി പ്രോജക്ടുകൾ വികസിപ്പിച്ചുകൊണ്ടിരിക്കുന്നു. ഇത്, ഉദാഹരണത്തിന്, ഡീപ്ട്യൂൺ ആണ് (ലിങ്ക്: github.com/ChrisCummins/paper-end2end-dl);
• രീതിശാസ്ത്രത്തിന്റെ കൂടുതൽ വികസനത്തിന്, ML മേഖലയിലെ പ്രസിദ്ധീകരണങ്ങളുടെ ഗുണനിലവാരം ഗണ്യമായി മെച്ചപ്പെടുത്തേണ്ടത് ആവശ്യമാണ്;
• സാങ്കേതിക, മാനവിക മേഖലകളിൽ മൾട്ടി ഡിസിപ്ലിനറി പരിശീലനവും വൈദഗ്ധ്യവും ഉള്ള നേതാക്കൾ മെഷീൻ ലേണിങ്ങിന് ആവശ്യമാണ്.

"മഷീൻ ലേണിംഗിനൊപ്പം ഹ്യൂമൻ ബിഹേവിയർ മോഡലിംഗ്: അവസരങ്ങളും വെല്ലുവിളികളും" നൂറിയ എം ഒലിവർ, ആൽബർട്ട് അലി സലാഹ്

മനുഷ്യന്റെ പെരുമാറ്റം, അതിന്റെ സാങ്കേതിക അടിത്തറ, ആപ്ലിക്കേഷൻ സാധ്യതകൾ എന്നിവ മാതൃകയാക്കാൻ സമർപ്പിച്ചിരിക്കുന്ന പ്രഭാഷണം.

മാനുഷിക പെരുമാറ്റ മോഡലിംഗിനെ ഇവയായി തിരിക്കാം:

• വ്യക്തിഗത പെരുമാറ്റം
• ഒരു ചെറിയ കൂട്ടം ആളുകളുടെ പെരുമാറ്റം
• ബഹുജന സ്വഭാവം

ഈ തരങ്ങൾ ഓരോന്നും ML ഉപയോഗിച്ച് മാതൃകയാക്കാവുന്നതാണ്, എന്നാൽ തികച്ചും വ്യത്യസ്തമായ ഇൻപുട്ട് വിവരങ്ങളും സവിശേഷതകളും. ഓരോ തരത്തിനും അതിന്റേതായ ധാർമ്മിക പ്രശ്‌നങ്ങളുണ്ട്, അത് ഓരോ പ്രോജക്റ്റിലൂടെയും കടന്നുപോകുന്നു:

• വ്യക്തിഗത പെരുമാറ്റം - ഐഡന്റിറ്റി മോഷണം, ഡീപ്ഫേക്ക്;
• ആളുകളുടെ ഗ്രൂപ്പുകളുടെ പെരുമാറ്റം - അജ്ഞാതവൽക്കരണം, ചലനങ്ങളെക്കുറിച്ചുള്ള വിവരങ്ങൾ നേടൽ, ടെലിഫോൺ കോളുകൾ മുതലായവ;

വ്യക്തിഗത പെരുമാറ്റം

പ്രധാനമായും കമ്പ്യൂട്ടർ വിഷൻ എന്ന വിഷയവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു - മനുഷ്യ വികാരങ്ങളുടെയും പ്രതികരണങ്ങളുടെയും തിരിച്ചറിയൽ. ഒരുപക്ഷേ സന്ദർഭത്തിലോ സമയത്തിലോ അല്ലെങ്കിൽ അവന്റെ സ്വന്തം വികാരങ്ങളുടെ ആപേക്ഷിക സ്കെയിലിലോ മാത്രം. മെഡിറ്ററേനിയൻ സ്ത്രീകളുടെ വൈകാരിക സ്പെക്ട്രത്തിൽ നിന്നുള്ള സന്ദർഭം ഉപയോഗിച്ച് മൊണാലിസയുടെ വികാരങ്ങൾ തിരിച്ചറിയുന്നത് സ്ലൈഡ് കാണിക്കുന്നു. ഫലം: സന്തോഷത്തിന്റെ പുഞ്ചിരി, എന്നാൽ അവജ്ഞയും വെറുപ്പും. "നിഷ്പക്ഷ" വികാരം നിർവചിക്കുന്നതിനുള്ള സാങ്കേതിക രീതിയിലാണ് കാരണം.

ഒരു ചെറിയ കൂട്ടം ആളുകളുടെ പെരുമാറ്റം

ഇതുവരെയുള്ള ഏറ്റവും മോശം മോഡൽ മതിയായ വിവരങ്ങളുടെ അഭാവമാണ്. ഉദാഹരണമായി, 2018 മുതൽ 2019 വരെയുള്ള കൃതികൾ കാണിച്ചിരിക്കുന്നു. ഡസൻ കണക്കിന് ആളുകളിൽ X ഡസൻ കണക്കിന് വീഡിയോകൾ (cf. 100k++ ഇമേജ് ഡാറ്റാസെറ്റുകൾ). ഈ ടാസ്‌ക് മികച്ച രീതിയിൽ മാതൃകയാക്കുന്നതിന്, മൾട്ടിമോഡൽ വിവരങ്ങൾ ആവശ്യമാണ്, വെയിലത്ത് ബോഡി ആൾട്ടിമീറ്റർ, തെർമോമീറ്റർ, മൈക്രോഫോൺ റെക്കോർഡിംഗ് മുതലായവയിലെ സെൻസറുകളിൽ നിന്ന്.

ബഹുജന സ്വഭാവം

ഉപഭോക്താവ് ഐക്യരാഷ്ട്രസഭയും പല സംസ്ഥാനങ്ങളും ആയതിനാൽ ഏറ്റവും വികസിത മേഖല. ഔട്ട്‌ഡോർ നിരീക്ഷണ ക്യാമറകൾ, ടെലിഫോൺ ടവറുകളിൽ നിന്നുള്ള ഡാറ്റ - ബില്ലിംഗ്, എസ്എംഎസ്, കോളുകൾ, സംസ്ഥാന അതിർത്തികൾക്കിടയിലുള്ള ചലനത്തെക്കുറിച്ചുള്ള ഡാറ്റ - ഇതെല്ലാം ആളുകളുടെ ചലനത്തെയും സാമൂഹിക അസ്ഥിരതകളെയും കുറിച്ച് വളരെ വിശ്വസനീയമായ ചിത്രം നൽകുന്നു. സാങ്കേതികവിദ്യയുടെ സാധ്യതയുള്ള പ്രയോഗങ്ങൾ: രക്ഷാപ്രവർത്തനങ്ങളുടെ ഒപ്റ്റിമൈസേഷൻ, സഹായവും അടിയന്തര ഘട്ടങ്ങളിൽ ജനങ്ങളെ സമയബന്ധിതമായി ഒഴിപ്പിക്കലും. ഉപയോഗിച്ച മോഡലുകൾ പ്രധാനമായും ഇപ്പോഴും മോശമായി വ്യാഖ്യാനിക്കപ്പെടുന്നു - ഇവ വിവിധ എൽഎസ്ടിഎമ്മുകളും കൺവല്യൂഷണൽ നെറ്റ്‌വർക്കുകളുമാണ്. ഏത് ഗവേഷണത്തിനും ആവശ്യമായ അജ്ഞാത ഡാറ്റ പങ്കിടാൻ യൂറോപ്യൻ ബിസിനസുകളെ നിർബന്ധിക്കുന്ന ഒരു പുതിയ നിയമത്തിനായി യുഎൻ ലോബിയിംഗ് നടത്തുന്നതായി ഒരു ഹ്രസ്വ പരാമർശം ഉണ്ടായിരുന്നു.

“സിസ്റ്റം 1 മുതൽ സിസ്റ്റം 2 വരെ ഡീപ് ലേണിംഗ്”, യോഷ്വ ബെൻജിയോ

സ്ലൈഡുകൾ
ജോഷ്വ ബെൻഗിയോയുടെ പ്രഭാഷണത്തിൽ, ആഴത്തിലുള്ള പഠനം ലക്ഷ്യ ക്രമീകരണത്തിന്റെ തലത്തിൽ ന്യൂറോ സയൻസിനെ കണ്ടുമുട്ടുന്നു.
നൊബേൽ സമ്മാന ജേതാവായ ഡാനിയൽ കഹ്‌നെമാന്റെ രീതിശാസ്ത്രമനുസരിച്ച് ബെൻഗിയോ പ്രധാനമായും രണ്ട് തരത്തിലുള്ള പ്രശ്‌നങ്ങളെ തിരിച്ചറിയുന്നു (പുസ്തകം "പതുക്കെ ചിന്തിക്കുക, വേഗത്തിൽ തീരുമാനിക്കുക")
ടൈപ്പ് 1 - സിസ്റ്റം 1, നമ്മൾ "യാന്ത്രികമായി" ചെയ്യുന്ന അബോധാവസ്ഥയിലുള്ള പ്രവർത്തനങ്ങൾ (പുരാതന മസ്തിഷ്കം): പരിചിതമായ സ്ഥലങ്ങളിൽ കാർ ഓടിക്കുക, നടത്തം, മുഖം തിരിച്ചറിയുക.
ടൈപ്പ് 2 - സിസ്റ്റം 2, ബോധപൂർവമായ പ്രവർത്തനങ്ങൾ (സെറിബ്രൽ കോർട്ടെക്സ്), ലക്ഷ്യം ക്രമീകരണം, വിശകലനം, ചിന്ത, സംയോജിത ജോലികൾ.

AI ഇതുവരെ ആദ്യ തരത്തിലുള്ള ജോലികളിൽ മാത്രം മതിയായ ഉയരങ്ങളിൽ എത്തിയിട്ടുണ്ട്, ഞങ്ങളുടെ ചുമതല രണ്ടാമത്തേതിലേക്ക് കൊണ്ടുവരിക, മൾട്ടി ഡിസിപ്ലിനറി പ്രവർത്തനങ്ങൾ നടത്താനും യുക്തിയും ഉയർന്ന തലത്തിലുള്ള വൈജ്ഞാനിക വൈദഗ്ധ്യവും ഉപയോഗിച്ച് പ്രവർത്തിക്കാനും പഠിപ്പിക്കുകയാണ്.

ഈ ലക്ഷ്യം നേടുന്നതിന്, ഇത് നിർദ്ദേശിക്കപ്പെടുന്നു:

1. എൻ‌എൽ‌പി ടാസ്‌ക്കുകളിൽ, മോഡലിംഗ് ചിന്തയ്ക്കുള്ള ഒരു പ്രധാന സംവിധാനമായി ശ്രദ്ധ ഉപയോഗിക്കുക
2. അവബോധത്തെയും അവയുടെ പ്രാദേശികവൽക്കരണത്തെയും സ്വാധീനിക്കുന്ന മികച്ച മോഡൽ സവിശേഷതകൾക്കായി മെറ്റാ-ലേണിംഗും പ്രാതിനിധ്യ പഠനവും ഉപയോഗിക്കുക - അവയുടെ അടിസ്ഥാനത്തിൽ ഉയർന്ന തലത്തിലുള്ള ആശയങ്ങളുമായി പ്രവർത്തിക്കുന്നതിലേക്ക് നീങ്ങുക.

ഒരു നിഗമനത്തിനുപകരം, ക്ഷണിക്കപ്പെട്ട ഒരു സംവാദം ഇതാ: ഒപ്റ്റിമൈസേഷൻ പ്രശ്‌നങ്ങൾ, SOTA, പുതിയ ആർക്കിടെക്ചറുകൾ എന്നിവയ്‌ക്കപ്പുറം ML-ന്റെ ഫീൽഡ് വികസിപ്പിക്കാൻ ശ്രമിക്കുന്ന നിരവധി ശാസ്ത്രജ്ഞരിൽ ഒരാളാണ് ബെൻജിയോ.
ബോധത്തിന്റെ പ്രശ്നങ്ങൾ, ചിന്തയിൽ ഭാഷയുടെ സ്വാധീനം, ന്യൂറോബയോളജി, അൽഗോരിതങ്ങൾ എന്നിവയുടെ സംയോജനമാണ് ഭാവിയിൽ നമ്മെ കാത്തിരിക്കുന്നതും ആളുകളെപ്പോലെ "ചിന്തിക്കുന്ന" യന്ത്രങ്ങളിലേക്ക് നീങ്ങാൻ ഞങ്ങളെ അനുവദിക്കുന്നതും എന്ന ചോദ്യം തുറന്നിരിക്കുന്നു.

നന്ദി!

അവലംബം: www.habr.com