NeurIPS 2019: ML ਰੁਝਾਨ ਜੋ ਅਗਲੇ ਦਹਾਕੇ ਲਈ ਸਾਡੇ ਨਾਲ ਹੋਣਗੇ

ਨਿਊਰੋਆਈਪੀਐਸ (ਨਿਊਰਲ ਇਨਫਰਮੇਸ਼ਨ ਪ੍ਰੋਸੈਸਿੰਗ ਸਿਸਟਮਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ 'ਤੇ ਵਿਸ਼ਵ ਦੀ ਸਭ ਤੋਂ ਵੱਡੀ ਕਾਨਫਰੰਸ ਹੈ ਅਤੇ ਡੂੰਘੀ ਸਿਖਲਾਈ ਦੀ ਦੁਨੀਆ ਵਿੱਚ ਮੁੱਖ ਸਮਾਗਮ ਹੈ।

ਕੀ ਅਸੀਂ, ਡੀਐਸ ਇੰਜੀਨੀਅਰ, ਨਵੇਂ ਦਹਾਕੇ ਵਿੱਚ ਜੀਵ ਵਿਗਿਆਨ, ਭਾਸ਼ਾ ਵਿਗਿਆਨ ਅਤੇ ਮਨੋਵਿਗਿਆਨ ਵਿੱਚ ਵੀ ਮੁਹਾਰਤ ਹਾਸਲ ਕਰਾਂਗੇ? ਅਸੀਂ ਤੁਹਾਨੂੰ ਸਾਡੀ ਸਮੀਖਿਆ ਵਿੱਚ ਦੱਸਾਂਗੇ।

ਇਸ ਸਾਲ ਕਾਨਫਰੰਸ ਵੈਨਕੂਵਰ, ਕੈਨੇਡਾ ਵਿੱਚ 13500 ਦੇਸ਼ਾਂ ਦੇ 80 ਤੋਂ ਵੱਧ ਲੋਕਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਦੀ ਹੈ। ਇਹ ਪਹਿਲਾ ਸਾਲ ਨਹੀਂ ਹੈ ਕਿ Sberbank ਨੇ ਕਾਨਫਰੰਸ ਵਿੱਚ ਰੂਸ ਦੀ ਨੁਮਾਇੰਦਗੀ ਕੀਤੀ ਹੈ - DS ਟੀਮ ਨੇ ਬੈਂਕਿੰਗ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ML ਨੂੰ ਲਾਗੂ ਕਰਨ ਬਾਰੇ, ML ਮੁਕਾਬਲੇ ਬਾਰੇ ਅਤੇ Sberbank DS ਪਲੇਟਫਾਰਮ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਬਾਰੇ ਗੱਲ ਕੀਤੀ। ML ਭਾਈਚਾਰੇ ਵਿੱਚ 2019 ਦੇ ਮੁੱਖ ਰੁਝਾਨ ਕੀ ਸਨ? ਕਾਨਫਰੰਸ ਦੇ ਭਾਗੀਦਾਰ ਕਹਿੰਦੇ ਹਨ: ਐਂਡਰੀ ਚੇਰਟੋਕ и ਤਾਤਿਆਨਾ ਸ਼ਵਰੀਨਾ.

ਇਸ ਸਾਲ, NeurIPS ਨੇ 1400 ਤੋਂ ਵੱਧ ਕਾਗਜ਼-ਐਲਗੋਰਿਦਮ, ਨਵੇਂ ਮਾਡਲ, ਅਤੇ ਨਵੇਂ ਡੇਟਾ ਲਈ ਨਵੇਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਸਵੀਕਾਰ ਕੀਤਾ। ਸਾਰੀਆਂ ਸਮੱਗਰੀਆਂ ਨਾਲ ਲਿੰਕ ਕਰੋ

ਸਮੱਗਰੀ:

• ਰੁਝਾਨ
• • ਮਾਡਲ ਵਿਆਖਿਆਯੋਗਤਾ
  • ਬਹੁ-ਅਨੁਸ਼ਾਸਨੀਤਾ
  • ਤਰਕ
  • RL
  • GAN
• ਮੂਲ ਸੱਦਾ-ਪੱਤਰ
• • "ਸੋਸ਼ਲ ਇੰਟੈਲੀਜੈਂਸ", ਬਲੇਜ਼ ਐਗੁਏਰਾ ਅਤੇ ਆਰਕਾਸ (ਗੂਗਲ)
  • "ਵੈਰੀਡੀਕਲ ਡੇਟਾ ਸਾਇੰਸ", ਬਿਨ ਯੂ (ਬਰਕਲੇ)
  • "ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਨਾਲ ਮਨੁੱਖੀ ਵਿਵਹਾਰ ਮਾਡਲਿੰਗ: ਮੌਕੇ ਅਤੇ ਚੁਣੌਤੀਆਂ", ਨੂਰੀਆ ਐਮ ਓਲੀਵਰ, ਅਲਬਰਟ ਅਲੀ ਸਲਾਹ
  • "ਸਿਸਟਮ 1 ਤੋਂ ਸਿਸਟਮ 2 ਤੱਕ ਡੀਪ ਲਰਨਿੰਗ", ਯੋਸ਼ੂਆ ਬੇਂਗਿਓ

ਰੁਝਾਨ 2019

1. ਮਾਡਲ ਵਿਆਖਿਆਯੋਗਤਾ ਅਤੇ ਨਵੀਂ ML ਵਿਧੀ

ਕਾਨਫਰੰਸ ਦਾ ਮੁੱਖ ਵਿਸ਼ਾ ਵਿਆਖਿਆ ਅਤੇ ਸਬੂਤ ਹੈ ਕਿ ਅਸੀਂ ਕੁਝ ਨਤੀਜੇ ਕਿਉਂ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ। "ਬਲੈਕ ਬਾਕਸ" ਦੀ ਵਿਆਖਿਆ ਦੇ ਦਾਰਸ਼ਨਿਕ ਮਹੱਤਵ ਬਾਰੇ ਕੋਈ ਲੰਬੇ ਸਮੇਂ ਲਈ ਗੱਲ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਇਸ ਖੇਤਰ ਵਿੱਚ ਹੋਰ ਅਸਲ ਤਰੀਕੇ ਅਤੇ ਤਕਨੀਕੀ ਵਿਕਾਸ ਸਨ.

ਮਾਡਲਾਂ ਨੂੰ ਨਕਲ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਤੋਂ ਗਿਆਨ ਕੱਢਣ ਦੀ ਵਿਧੀ ਵਿਗਿਆਨ ਲਈ ਇੱਕ ਨਵੀਂ ਟੂਲਕਿੱਟ ਹੈ। ਮਾਡਲ ਨਵੇਂ ਗਿਆਨ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਇਸਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਇੱਕ ਸਾਧਨ ਵਜੋਂ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਮਾਡਲ ਦੀ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ, ਸਿਖਲਾਈ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਹਰੇਕ ਪੜਾਅ ਨੂੰ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
ਪ੍ਰਕਾਸ਼ਨਾਂ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਅਨੁਪਾਤ ਮਾਡਲਾਂ ਅਤੇ ਸਾਧਨਾਂ ਦੇ ਨਿਰਮਾਣ ਲਈ ਨਹੀਂ, ਸਗੋਂ ਸੁਰੱਖਿਆ, ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਪੁਸ਼ਟੀਕਰਨ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ ਸਮਰਪਿਤ ਹੈ। ਖਾਸ ਤੌਰ 'ਤੇ, ਮਾਡਲ 'ਤੇ ਹਮਲਿਆਂ (ਵਿਰੋਧੀ ਹਮਲੇ) ਬਾਰੇ ਇੱਕ ਵੱਖਰੀ ਧਾਰਾ ਪ੍ਰਗਟ ਹੋਈ ਹੈ, ਅਤੇ ਸਿਖਲਾਈ 'ਤੇ ਹਮਲਿਆਂ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ 'ਤੇ ਹਮਲਿਆਂ ਦੋਵਾਂ ਲਈ ਵਿਕਲਪਾਂ 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਗਿਆ ਹੈ।

ਲੇਖ:

• ਵੈਰੀਡੀਕਲ ਡਾਟਾ ਸਾਇੰਸ - ਮਾਡਲ ਤਸਦੀਕ ਦੀ ਕਾਰਜਪ੍ਰਣਾਲੀ 'ਤੇ ਇੱਕ ਪ੍ਰੋਗਰਾਮੇਟਿਕ ਲੇਖ. ਮਾਡਲਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਆਧੁਨਿਕ ਸਾਧਨਾਂ ਦੀ ਇੱਕ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਕਰਦੀ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ, ਧਿਆਨ ਦੀ ਵਰਤੋਂ ਅਤੇ ਲੀਨੀਅਰ ਮਾਡਲਾਂ ਦੇ ਨਾਲ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ "ਡਿਸਲਿੰਗ" ਕਰਕੇ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਮਹੱਤਤਾ ਪ੍ਰਾਪਤ ਕਰਨਾ।
• ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ: ਵਿਆਖਿਆਯੋਗ ਚਿੱਤਰ ਪਛਾਣ ਲਈ ਡੂੰਘੀ ਸਿਖਲਾਈ ਚਾਓਫਾਨ ਚੇਨ, ਆਸਕਰ ਲੀ, ਡੈਨੀਅਲ ਤਾਓ, ਅਲੀਨਾ ਬਾਰਨੇਟ, ਸਿੰਥੀਆ ਰੁਡਿਨ, ਜੋਨਾਥਨ ਕੇ. ਸੁ.
• ਡੂੰਘੇ ਤੰਤੂ ਨੈੱਟਵਰਕ ਵਿੱਚ ਵਿਆਖਿਆਤਮਕਤਾ ਵਿਧੀਆਂ ਲਈ ਇੱਕ ਬੈਂਚਮਾਰਕ ਸਾਰਾ ਹੂਕਰ, ਡੁਮਿਤਰੂ ਇਰਹਾਨ, ਪੀਟਰ-ਜਾਨ ਕਿੰਡਰਮੈਨ, ਬੀਨ ਕਿਮ
• ਅਟੈਂਸ਼ਨ ਔਗਮੈਂਟੇਡ ਏਜੰਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਿਆਖਿਆਯੋਗ ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ ਵੱਲ ਅਲੈਗਜ਼ੈਂਡਰ ਮੋਟ, ਡੈਨੀਅਲ ਜ਼ੋਰਾਨ, ਮਾਈਕ ਕ੍ਰਜ਼ਾਨੋਵਸਕੀ, ਡਾਨ ਵਿਅਰਸਟਰਾ, ਡੈਨੀਲੋ ਜਿਮੇਨੇਜ਼ ਰੇਜ਼ੈਂਡੇ
• ਬੇਤਰਤੀਬ ਜੰਗਲਾਂ ਲਈ ਇੱਕ ਡੀਬੀਏਜ਼ਡ MDI ਵਿਸ਼ੇਸ਼ਤਾ ਮਹੱਤਵ ਮਾਪ ਜ਼ੀਓ ਲੀ, ਯੂ ਵੈਂਗ, ਸੁਮੰਤਾ ਬਾਸੂ, ਕਾਰਲ ਕੁਮਬੀਅਰ, ਬਿਨ ਯੂ
• ਕੋਈ ਨਿਰੀਖਣਯੋਗ ਡੇਟਾ ਦੇ ਨਾਲ ਗਿਆਨ ਐਕਸਟਰੈਕਸ਼ਨ ਜੇਮਿਨ ਯੂ, ਮਿਨਯੋਂਗ ਚੋ, ਤਾਇਬਮ ਕਿਮ, ਯੂ ਕਾਂਗ
• ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਰੀਪ੍ਰੋਡਿਊਸੀਬਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਰਿਸਰਚ ਨੂੰ ਮਾਪਣ ਵੱਲ ਇੱਕ ਕਦਮ ਐਡਵਰਡ ਰੈਫ

ExBert.net ਟੈਕਸਟ ਪ੍ਰੋਸੈਸਿੰਗ ਕਾਰਜਾਂ ਲਈ ਮਾਡਲ ਵਿਆਖਿਆ ਦਿਖਾਉਂਦਾ ਹੈ

2. ਬਹੁ-ਅਨੁਸ਼ਾਸਨੀਤਾ

ਭਰੋਸੇਯੋਗ ਤਸਦੀਕ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਅਤੇ ਗਿਆਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਅਤੇ ਵਿਸਤਾਰ ਕਰਨ ਲਈ ਵਿਧੀਆਂ ਵਿਕਸਿਤ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਸੰਬੰਧਿਤ ਖੇਤਰਾਂ ਵਿੱਚ ਮਾਹਿਰਾਂ ਦੀ ਲੋੜ ਹੈ ਜੋ ਇੱਕੋ ਸਮੇਂ ML ਅਤੇ ਵਿਸ਼ਾ ਖੇਤਰ (ਦਵਾਈ, ਭਾਸ਼ਾ ਵਿਗਿਆਨ, ਨਿਊਰੋਬਾਇਓਲੋਜੀ, ਸਿੱਖਿਆ, ਆਦਿ) ਵਿੱਚ ਮੁਹਾਰਤ ਰੱਖਦੇ ਹਨ। ਇਹ ਖਾਸ ਤੌਰ 'ਤੇ ਨਿਊਰੋਸਾਇੰਸ ਅਤੇ ਬੋਧਾਤਮਕ ਵਿਗਿਆਨ ਵਿੱਚ ਕੰਮਾਂ ਅਤੇ ਭਾਸ਼ਣਾਂ ਦੀ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਮੌਜੂਦਗੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ ਯੋਗ ਹੈ - ਇੱਥੇ ਮਾਹਿਰਾਂ ਦੀ ਇੱਕ ਤਾਲਮੇਲ ਅਤੇ ਵਿਚਾਰਾਂ ਦਾ ਉਧਾਰ ਹੈ.

ਇਸ ਤਾਲਮੇਲ ਤੋਂ ਇਲਾਵਾ, ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਦੀ ਸਾਂਝੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਬਹੁ-ਅਨੁਸ਼ਾਸਨੀਤਾ ਉਭਰ ਰਹੀ ਹੈ: ਟੈਕਸਟ ਅਤੇ ਫੋਟੋਆਂ, ਟੈਕਸਟ ਅਤੇ ਗੇਮਾਂ, ਗ੍ਰਾਫ ਡੇਟਾਬੇਸ + ਟੈਕਸਟ ਅਤੇ ਫੋਟੋਆਂ।

ਲੇਖ:

• ਨਿਊਰੋਸਾਇੰਸ + ML - ਕੁਦਰਤੀ ਭਾਸ਼ਾ-ਪ੍ਰੋਸੈਸਿੰਗ (ਦਿਮਾਗ ਵਿੱਚ) ਨਾਲ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀ ਪ੍ਰਕਿਰਿਆ (ਮਸ਼ੀਨਾਂ ਵਿੱਚ) ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਸੁਧਾਰ ਕਰਨਾ
• ਵਿਜ਼ੁਅਲQA - ਐਬਸਟਰੈਕਸ਼ਨ ਦੁਆਰਾ ਸਿੱਖਣਾ: ਨਿਊਰਲ ਸਟੇਟ ਮਸ਼ੀਨ
• RL + NLP - ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀਆਂ ਹਿਦਾਇਤਾਂ ਤਿਆਰ ਕਰਕੇ ਅਤੇ ਉਹਨਾਂ ਦੀ ਪਾਲਣਾ ਕਰਕੇ ਲੜੀਵਾਰ ਫੈਸਲਾ ਲੈਣਾ

ਦੋ ਮਾਡਲ - ਰਣਨੀਤੀਕਾਰ ਅਤੇ ਕਾਰਜਕਾਰੀ - RL ਅਤੇ NLP ਪਲੇ ਔਨਲਾਈਨ ਰਣਨੀਤੀ 'ਤੇ ਅਧਾਰਤ ਹਨ

3. ਤਰਕ

ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਰਨਾ ਸਵੈ-ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀਆਂ, "ਚੇਤੰਨ", ਤਰਕ ਅਤੇ ਤਰਕ ਵੱਲ ਇੱਕ ਅੰਦੋਲਨ ਹੈ। ਖਾਸ ਤੌਰ 'ਤੇ, ਕਾਰਣ ਅਨੁਮਾਨ ਅਤੇ ਕਾਮਨ ਸੈਂਸ ਤਰਕ ਵਿਕਸਿਤ ਹੋ ਰਹੇ ਹਨ। ਕੁਝ ਰਿਪੋਰਟਾਂ ਮੈਟਾ-ਲਰਨਿੰਗ (ਸਿੱਖਣ ਲਈ ਸਿੱਖਣ ਦੇ ਤਰੀਕੇ ਬਾਰੇ) ਅਤੇ 1st ਅਤੇ 2nd ਕ੍ਰਮ ਤਰਕ ਦੇ ਨਾਲ DL ਤਕਨਾਲੋਜੀਆਂ ਦੇ ਸੁਮੇਲ ਨੂੰ ਸਮਰਪਿਤ ਹਨ - ਸਪੀਕਰਾਂ ਦੇ ਭਾਸ਼ਣਾਂ ਵਿੱਚ ਆਰਟੀਫਿਸ਼ੀਅਲ ਜਨਰਲ ਇੰਟੈਲੀਜੈਂਸ (ਏਜੀਆਈ) ਸ਼ਬਦ ਇੱਕ ਆਮ ਸ਼ਬਦ ਬਣ ਰਿਹਾ ਹੈ।

ਲੇਖ:

• ਵਿਜ਼ੂਅਲ ਕਾਮਨਸੈਂਸ ਰੀਜ਼ਨਿੰਗ ਲਈ ਵਿਪਰੀਤ ਗ੍ਰਾਫ਼ ਲਰਨਿੰਗ ਵੇਈਜਿਆਂਗ ਯੂ, ਜਿੰਗਵੇਨ ਜ਼ੌ, ਵੇਈਹਾਓ ਯੂ, ਜ਼ਿਆਓਡਾਨ ਲਿਆਂਗ, ਨੋਂਗ ਜ਼ਿਆਓ
• ਅਬਡਕਟਿਵ ਲਰਨਿੰਗ ਦੁਆਰਾ ਬ੍ਰਿਜਿੰਗ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਲਾਜ਼ੀਕਲ ਰੀਜ਼ਨਿੰਗ ਵਾਂਗ-ਝੌ ਦਾਈ, ਕਿਉਲਿੰਗ ਜ਼ੂ, ਯਾਂਗ ਯੂ, ਜ਼ੀ-ਹੁਆ ਝੂ
• ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਪਹਿਲੇ ਕ੍ਰਮ ਦੇ ਤਰਕ ਵਿੱਚ ਤਰਕ ਕਰਨਾ ਸਿੱਖਣਾ ਵੈਸਾਖ ਬੇਲੇ, ਬ੍ਰੈਂਡਨ ਜੁਬਾ
• PHYRE: ਭੌਤਿਕ ਤਰਕ ਲਈ ਇੱਕ ਨਵਾਂ ਬੈਂਚਮਾਰਕ ਐਂਟਨ ਬਾਖਟਿਨ, ਲੌਰੇਂਸ ਵੈਨ ਡੇਰ ਮਾਟੇਨ, ਜਸਟਿਨ ਜੌਨਸਨ, ਲੌਰਾ ਗੁਸਤਾਫਸਨ, ਰੌਸ ਗਿਰਸ਼ਿਕ
• ਤਰਕ ਲਈ ਗਿਆਨ ਦੀ ਕੁਆਂਟਮ ਏਮਬੇਡਿੰਗ ਦਿਨੇਸ਼ ਗਰਗ, ਸ਼ਜਿਥ ਇਕਬਾਲ, ਸੰਤੋਸ਼ ਕੇ. ਸ਼੍ਰੀਵਾਸਤਵ, ਹਰਿਤ ਵਿਸ਼ਵਕਰਮਾ, ਹਿਮਾ ਕਰਣਮ, ਐਲ ਵੈਂਕਟਾ ਸੁਬਰਾਮਨੀਅਮ

4. ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ

ਜ਼ਿਆਦਾਤਰ ਕੰਮ RL - DOTA2, ਸਟਾਰਕਰਾਫਟ ਦੇ ਰਵਾਇਤੀ ਖੇਤਰਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨਾ ਜਾਰੀ ਰੱਖਦਾ ਹੈ, ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ, NLP, ਗ੍ਰਾਫ ਡੇਟਾਬੇਸ ਨਾਲ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਜੋੜਦਾ ਹੈ।

ਕਾਨਫਰੰਸ ਦਾ ਇੱਕ ਵੱਖਰਾ ਦਿਨ ਇੱਕ RL ਵਰਕਸ਼ਾਪ ਨੂੰ ਸਮਰਪਿਤ ਕੀਤਾ ਗਿਆ ਸੀ, ਜਿਸ ਵਿੱਚ ਆਸ਼ਾਵਾਦੀ ਅਭਿਨੇਤਾ ਆਲੋਚਕ ਮਾਡਲ ਆਰਕੀਟੈਕਚਰ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਸੀ, ਜੋ ਪਿਛਲੇ ਸਾਰੇ ਲੋਕਾਂ ਨਾਲੋਂ ਉੱਤਮ ਸੀ, ਖਾਸ ਤੌਰ 'ਤੇ ਸੌਫਟ ਐਕਟਰ ਕ੍ਰਿਟਿਕ।

ਲੇਖ:

• ਆਸ਼ਾਵਾਦੀ ਅਭਿਨੇਤਾ ਆਲੋਚਕ ਦੇ ਨਾਲ ਬਿਹਤਰ ਖੋਜ; ਕਾਮਿਲ ਸਿਓਸੇਕ, ਕੁਆਨ ਵੂਂਗ, ਰਾਬਰਟ ਲੋਫਟੀਨ, ਕਾਟਜਾ ਹੋਫਮੈਨ
• ChainerRL: ਇੱਕ ਡੂੰਘੀ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਲਾਇਬ੍ਰੇਰੀ; ਯਾਸੂਹੀਰੋ ਫੁਜਿਤਾ (ਪਸੰਦੀਦਾ ਨੈੱਟਵਰਕ, ਇੰਕ.)*; Toshiki Kataoka (ਪਸੰਦੀਦਾ ਨੈੱਟਵਰਕ, Inc.); ਪ੍ਰਭਾਤ ਨਾਗਾਰਾਜਨ (ਪਸੰਦੀਦਾ ਨੈੱਟਵਰਕ); ਤਾਕਾਹਿਰੋ ਇਸ਼ੀਕਾਵਾ (ਟੋਕੀਓ ਯੂਨੀਵਰਸਿਟੀ) [ਬਾਹਰੀ ਪੀਡੀਐਫ ਲਿੰਕ]।
• ਨਿਯੰਤਰਣ ਕਰਨ ਦਾ ਸੁਪਨਾ: ਲੁਕਵੀਂ ਕਲਪਨਾ ਦੁਆਰਾ ਵਿਵਹਾਰ ਸਿੱਖਣਾ; ਦਾਨਿਜਰ ਹੈਫਨਰ (ਗੂਗਲ)*; ਟਿਮੋਥੀ ਲਿਲੀਕ੍ਰੈਪ (ਡੀਪ ਮਾਈਂਡ); ਜਿੰਮੀ ਬਾ (ਯੂਨੀਵਰਸਿਟੀ ਆਫ ਟੋਰਾਂਟੋ); ਮੁਹੰਮਦ ਨੌਰੋਜ਼ੀ (ਗੂਗਲ ਦਿਮਾਗ)
• ਵਰਕਸ਼ਾਪ ਸਮੱਗਰੀ

ਸਟਾਰਕਰਾਫਟ ਦੇ ਖਿਡਾਰੀ ਅਲਫਾਸਟਾਰ ਮਾਡਲ (ਡੀਪ ਮਾਈਂਡ) ਨਾਲ ਲੜਦੇ ਹਨ

5.GAN

ਜਨਰੇਟਿਵ ਨੈਟਵਰਕ ਅਜੇ ਵੀ ਸਪਾਟਲਾਈਟ ਵਿੱਚ ਹਨ: ਬਹੁਤ ਸਾਰੇ ਕੰਮ ਗਣਿਤਿਕ ਸਬੂਤਾਂ ਲਈ ਵਨੀਲਾ GAN ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਨਵੇਂ, ਅਸਾਧਾਰਨ ਤਰੀਕਿਆਂ ਨਾਲ ਵੀ ਲਾਗੂ ਕਰਦੇ ਹਨ (ਗ੍ਰਾਫ਼ ਜਨਰੇਟਿਵ ਮਾਡਲ, ਲੜੀ ਦੇ ਨਾਲ ਕੰਮ ਕਰਨਾ, ਡੇਟਾ ਵਿੱਚ ਕਾਰਨ-ਅਤੇ-ਪ੍ਰਭਾਵ ਸਬੰਧਾਂ ਲਈ ਐਪਲੀਕੇਸ਼ਨ, ਆਦਿ)।

ਲੇਖ:

• ਸ਼ਰਤੀਆ GAN ਲਈ ਸੋਨੇ ਦੇ ਨਮੂਨੇ ਦੀ ਮਾਈਨਿੰਗ ਸੰਗਵੂ ਮੋ, ਚਿਹੀਓਨ ਕਿਮ, ਸੁੰਗਵੌਂਗ ਕਿਮ, ਮਿਨਸੂ ਚੋ, ਜਿਨਵੂ ਸ਼ਿਨ
• GANs ਦਾ ਪ੍ਰਗਤੀਸ਼ੀਲ ਵਾਧਾ ਡੈਨ ਝਾਂਗ, ਅੰਨਾ ਖੋਰੇਵਾ
• ਕੰਡੀਸ਼ਨਲ GAN ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਟੇਬੂਲਰ ਡੇਟਾ ਦਾ ਮਾਡਲਿੰਗ ਲੇਈ ਜ਼ੂ, ਮਾਰੀਆ ਸਕੁਲਰੀਡੋ, ਅਲਫਰੇਡੋ ਕੁਏਸਟਾ-ਇਨਫੈਂਟੇ, ਕਲਿਆਣ ਵੀਰਮਾਚਨੇਨੀ
• papers.nips.cc/paper/9377-a-domain-agnostic-measure-for-monitoring-and-evaluating-gans

ਕਿਉਂਕਿ ਹੋਰ ਕੰਮ ਸਵੀਕਾਰ ਕੀਤਾ ਗਿਆ ਸੀ 1400 ਹੇਠਾਂ ਅਸੀਂ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਭਾਸ਼ਣਾਂ ਬਾਰੇ ਗੱਲ ਕਰਾਂਗੇ.

ਸੱਦਾ-ਪੱਤਰ

"ਸੋਸ਼ਲ ਇੰਟੈਲੀਜੈਂਸ", ਬਲੇਜ਼ ਐਗੁਏਰਾ ਅਤੇ ਆਰਕਾਸ (ਗੂਗਲ)

ਲਿੰਕ ਨੂੰ
ਸਲਾਈਡਾਂ ਅਤੇ ਵੀਡੀਓਜ਼
ਭਾਸ਼ਣ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਆਮ ਕਾਰਜਪ੍ਰਣਾਲੀ ਅਤੇ ਇਸ ਸਮੇਂ ਉਦਯੋਗ ਨੂੰ ਬਦਲਣ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ 'ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦਾ ਹੈ - ਅਸੀਂ ਕਿਹੜੇ ਚੌਰਾਹੇ ਦਾ ਸਾਹਮਣਾ ਕਰ ਰਹੇ ਹਾਂ? ਦਿਮਾਗ ਅਤੇ ਵਿਕਾਸ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ, ਅਤੇ ਅਸੀਂ ਕੁਦਰਤੀ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਵਿਕਾਸ ਬਾਰੇ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਜਾਣਦੇ ਹਾਂ ਉਸ ਦੀ ਇੰਨੀ ਘੱਟ ਵਰਤੋਂ ਕਿਉਂ ਕਰਦੇ ਹਾਂ?

ML ਦਾ ਉਦਯੋਗਿਕ ਵਿਕਾਸ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਗੂਗਲ ਦੇ ਵਿਕਾਸ ਦੇ ਮੀਲਪੱਥਰ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ, ਜੋ ਸਾਲ ਦਰ ਸਾਲ NeurIPS 'ਤੇ ਆਪਣੀ ਖੋਜ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਦਾ ਹੈ:

• 1997 - ਖੋਜ ਸਹੂਲਤਾਂ, ਪਹਿਲੇ ਸਰਵਰ, ਛੋਟੀ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਦੀ ਸ਼ੁਰੂਆਤ
• 2010 - ਜੈੱਫ ਡੀਨ ਨੇ ਗੂਗਲ ਬ੍ਰੇਨ ਪ੍ਰੋਜੈਕਟ ਦੀ ਸ਼ੁਰੂਆਤ ਕੀਤੀ, ਬਹੁਤ ਹੀ ਸ਼ੁਰੂਆਤ ਵਿੱਚ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦੀ ਬੂਮ
• 2015 - ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦਾ ਉਦਯੋਗਿਕ ਲਾਗੂਕਰਨ, ਇੱਕ ਸਥਾਨਕ ਡਿਵਾਈਸ 'ਤੇ ਸਿੱਧੇ ਚਿਹਰੇ ਦੀ ਪਛਾਣ, ਟੈਂਸਰ ਕੰਪਿਊਟਿੰਗ ਲਈ ਤਿਆਰ ਕੀਤੇ ਹੇਠਲੇ-ਪੱਧਰ ਦੇ ਪ੍ਰੋਸੈਸਰ - TPU। ਗੂਗਲ ਨੇ ਕੋਰਲ ਏਆਈ ਲਾਂਚ ਕੀਤਾ - ਰਸਬੇਰੀ ਪਾਈ ਦਾ ਇੱਕ ਐਨਾਲਾਗ, ਪ੍ਰਯੋਗਾਤਮਕ ਸਥਾਪਨਾਵਾਂ ਵਿੱਚ ਤੰਤੂ ਨੈੱਟਵਰਕਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਲਈ ਇੱਕ ਮਿੰਨੀ-ਕੰਪਿਊਟਰ
• 2017 - ਗੂਗਲ ਨੇ ਵਿਕੇਂਦਰੀਕ੍ਰਿਤ ਸਿਖਲਾਈ ਦਾ ਵਿਕਾਸ ਕਰਨਾ ਸ਼ੁਰੂ ਕੀਤਾ ਅਤੇ ਵੱਖ-ਵੱਖ ਡਿਵਾਈਸਾਂ ਤੋਂ ਨਿਊਰਲ ਨੈਟਵਰਕ ਸਿਖਲਾਈ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਇੱਕ ਮਾਡਲ ਵਿੱਚ ਜੋੜਨਾ ਸ਼ੁਰੂ ਕੀਤਾ - ਐਂਡਰਾਇਡ 'ਤੇ

ਅੱਜ, ਇੱਕ ਪੂਰਾ ਉਦਯੋਗ ਡਾਟਾ ਸੁਰੱਖਿਆ, ਇਕੱਤਰੀਕਰਨ, ਅਤੇ ਸਥਾਨਕ ਡਿਵਾਈਸਾਂ 'ਤੇ ਸਿੱਖਣ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਨਕਲ ਨੂੰ ਸਮਰਪਿਤ ਹੈ।

ਸੰਘੀ ਸਿੱਖਿਆ - ML ਦੀ ਇੱਕ ਦਿਸ਼ਾ ਜਿਸ ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਮਾਡਲ ਇੱਕ ਦੂਜੇ ਤੋਂ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਸਿੱਖਦੇ ਹਨ ਅਤੇ ਫਿਰ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ (ਸਰੋਤ ਡੇਟਾ ਨੂੰ ਕੇਂਦਰਿਤ ਕੀਤੇ ਬਿਨਾਂ), ਦੁਰਲੱਭ ਘਟਨਾਵਾਂ, ਵਿਗਾੜਾਂ, ਵਿਅਕਤੀਗਤਕਰਨ, ਆਦਿ ਲਈ ਐਡਜਸਟ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਸਾਰੀਆਂ ਐਂਡਰੌਇਡ ਡਿਵਾਈਸਾਂ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ Google ਲਈ ਇੱਕ ਸਿੰਗਲ ਕੰਪਿਊਟਿੰਗ ਸੁਪਰ ਕੰਪਿਊਟਰ ਹਨ।

ਸੰਘੀ ਸਿਖਲਾਈ 'ਤੇ ਅਧਾਰਤ ਜਨਰੇਟਿਵ ਮਾਡਲ ਗੂਗਲ ਦੇ ਅਨੁਸਾਰ ਭਵਿੱਖ ਦੀ ਇੱਕ ਹੋਨਹਾਰ ਦਿਸ਼ਾ ਹਨ, ਜੋ "ਘਾਤੀ ਵਿਕਾਸ ਦੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਵਾਂ ਵਿੱਚ" ਹੈ। GAN, ਲੈਕਚਰਾਰ ਦੇ ਅਨੁਸਾਰ, ਜੀਵਿਤ ਜੀਵਾਂ ਦੀ ਆਬਾਦੀ ਅਤੇ ਸੋਚਣ ਵਾਲੇ ਐਲਗੋਰਿਦਮ ਦੇ ਪੁੰਜ ਵਿਵਹਾਰ ਨੂੰ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਲਈ ਸਿੱਖਣ ਦੇ ਸਮਰੱਥ ਹਨ।

ਦੋ ਸਧਾਰਣ GAN ਆਰਕੀਟੈਕਚਰ ਦੀ ਉਦਾਹਰਣ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇਹ ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਕਿ ਉਹਨਾਂ ਵਿੱਚ ਇੱਕ ਅਨੁਕੂਲਨ ਮਾਰਗ ਦੀ ਖੋਜ ਇੱਕ ਚੱਕਰ ਵਿੱਚ ਘੁੰਮਦੀ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਇਸ ਤਰ੍ਹਾਂ ਨਹੀਂ ਹੁੰਦੀ ਹੈ। ਇਸ ਦੇ ਨਾਲ ਹੀ, ਇਹ ਮਾਡਲ ਉਹਨਾਂ ਪ੍ਰਯੋਗਾਂ ਦੀ ਨਕਲ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਸਫਲ ਹਨ ਜੋ ਜੀਵ-ਵਿਗਿਆਨੀ ਬੈਕਟੀਰੀਆ ਦੀ ਆਬਾਦੀ 'ਤੇ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਭੋਜਨ ਦੀ ਖੋਜ ਵਿੱਚ ਨਵੀਂ ਵਿਹਾਰਕ ਰਣਨੀਤੀਆਂ ਸਿੱਖਣ ਲਈ ਮਜਬੂਰ ਕਰਦੇ ਹਨ। ਅਸੀਂ ਇਹ ਸਿੱਟਾ ਕੱਢ ਸਕਦੇ ਹਾਂ ਕਿ ਜੀਵਨ ਅਨੁਕੂਲਨ ਫੰਕਸ਼ਨ ਨਾਲੋਂ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ।

ਚੱਲਣਾ GAN ਓਪਟੀਮਾਈਜੇਸ਼ਨ

ਹੁਣ ਜੋ ਵੀ ਅਸੀਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਢਾਂਚੇ ਵਿੱਚ ਕਰਦੇ ਹਾਂ ਉਹ ਸੰਕੁਚਿਤ ਅਤੇ ਬਹੁਤ ਹੀ ਰਸਮੀ ਕੰਮ ਹਨ, ਜਦੋਂ ਕਿ ਇਹ ਉਪਚਾਰਕਤਾ ਚੰਗੀ ਤਰ੍ਹਾਂ ਆਮ ਨਹੀਂ ਹੁੰਦੀ ਹੈ ਅਤੇ ਨਿਊਰੋਫਿਜ਼ੀਓਲੋਜੀ ਅਤੇ ਬਾਇਓਲੋਜੀ ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਸਾਡੇ ਵਿਸ਼ਾ ਗਿਆਨ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾਂਦੀ ਹੈ।

ਨਜ਼ਦੀਕੀ ਭਵਿੱਖ ਵਿੱਚ ਨਿਊਰੋਫਿਜ਼ੀਓਲੋਜੀ ਦੇ ਖੇਤਰ ਤੋਂ ਅਸਲ ਵਿੱਚ ਉਧਾਰ ਲੈਣ ਦੇ ਯੋਗ ਕੀ ਹੈ ਨਵੇਂ ਨਿਊਰੋਨ ਆਰਕੀਟੈਕਚਰ ਅਤੇ ਗਲਤੀਆਂ ਦੇ ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ ਦੇ ਤੰਤਰ ਦੀ ਇੱਕ ਮਾਮੂਲੀ ਸੋਧ।

ਮਨੁੱਖੀ ਦਿਮਾਗ ਆਪਣੇ ਆਪ ਵਿੱਚ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਾਂਗ ਨਹੀਂ ਸਿੱਖਦਾ:

• ਉਸ ਕੋਲ ਬੇਤਰਤੀਬੇ ਪ੍ਰਾਇਮਰੀ ਇਨਪੁਟਸ ਨਹੀਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਇੰਦਰੀਆਂ ਦੁਆਰਾ ਅਤੇ ਬਚਪਨ ਵਿੱਚ ਰੱਖੇ ਗਏ ਹਨ
• ਉਸ ਕੋਲ ਸੁਭਾਵਕ ਵਿਕਾਸ ਦੀਆਂ ਅੰਦਰੂਨੀ ਦਿਸ਼ਾਵਾਂ ਹਨ (ਇੱਕ ਬੱਚੇ ਤੋਂ ਭਾਸ਼ਾ ਸਿੱਖਣ ਦੀ ਇੱਛਾ, ਸਿੱਧਾ ਚੱਲਣਾ)

ਇੱਕ ਵਿਅਕਤੀਗਤ ਦਿਮਾਗ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਇੱਕ ਨਿਮਨ-ਪੱਧਰ ਦਾ ਕੰਮ ਹੈ; ਸ਼ਾਇਦ ਸਾਨੂੰ ਸਮੂਹ ਵਿਕਾਸ ਦੀਆਂ ਵਿਧੀਆਂ ਨੂੰ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਲਈ ਇੱਕ ਦੂਜੇ ਨੂੰ ਗਿਆਨ ਦੇਣ ਵਾਲੇ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲ ਰਹੇ ਵਿਅਕਤੀਆਂ ਦੀਆਂ "ਬਸਤੀਆਂ" 'ਤੇ ਵਿਚਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।

ਅਸੀਂ ਹੁਣ ML ਐਲਗੋਰਿਦਮ ਵਿੱਚ ਕੀ ਅਪਣਾ ਸਕਦੇ ਹਾਂ:

• ਸੈੱਲ ਵੰਸ਼ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਲਾਗੂ ਕਰੋ ਜੋ ਆਬਾਦੀ ਦੀ ਸਿੱਖਿਆ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹਨ, ਪਰ ਵਿਅਕਤੀ ਦੀ ਛੋਟੀ ਉਮਰ ("ਵਿਅਕਤੀਗਤ ਦਿਮਾਗ")
• ਥੋੜ੍ਹੇ ਜਿਹੇ ਉਦਾਹਰਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੁਝ-ਸ਼ਾਟ ਸਿੱਖਣ
• ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਨਿਊਰੋਨ ਬਣਤਰ, ਥੋੜੇ ਵੱਖਰੇ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨ
• "ਜੀਨੋਮ" ਨੂੰ ਅਗਲੀਆਂ ਪੀੜ੍ਹੀਆਂ ਵਿੱਚ ਤਬਦੀਲ ਕਰਨਾ - ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ ਐਲਗੋਰਿਦਮ
• ਇੱਕ ਵਾਰ ਜਦੋਂ ਅਸੀਂ ਨਿਊਰੋਫਿਜ਼ੀਓਲੋਜੀ ਅਤੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਜੋੜਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਸਿੱਖਾਂਗੇ ਕਿ ਕਈ ਹਿੱਸਿਆਂ ਤੋਂ ਇੱਕ ਬਹੁ-ਕਾਰਜਸ਼ੀਲ ਦਿਮਾਗ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ।

ਇਸ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ, SOTA ਹੱਲਾਂ ਦਾ ਅਭਿਆਸ ਨੁਕਸਾਨਦੇਹ ਹੈ ਅਤੇ ਸਾਂਝੇ ਕੰਮਾਂ (ਬੈਂਚਮਾਰਕ) ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਲਈ ਇਸ ਨੂੰ ਸੋਧਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

"ਵੈਰੀਡੀਕਲ ਡੇਟਾ ਸਾਇੰਸ", ਬਿਨ ਯੂ (ਬਰਕਲੇ)

ਵੀਡੀਓਜ਼ ਅਤੇ ਸਲਾਈਡਾਂ
ਰਿਪੋਰਟ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮੱਸਿਆ ਅਤੇ ਉਹਨਾਂ ਦੀ ਸਿੱਧੀ ਜਾਂਚ ਅਤੇ ਤਸਦੀਕ ਲਈ ਕਾਰਜਪ੍ਰਣਾਲੀ ਨੂੰ ਸਮਰਪਿਤ ਹੈ। ਕਿਸੇ ਵੀ ਸਿੱਖਿਅਤ ML ਮਾਡਲ ਨੂੰ ਗਿਆਨ ਦੇ ਇੱਕ ਸਰੋਤ ਵਜੋਂ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜਿਸਨੂੰ ਇਸ ਤੋਂ ਕੱਢਣ ਦੀ ਲੋੜ ਹੈ।

ਬਹੁਤ ਸਾਰੇ ਖੇਤਰਾਂ ਵਿੱਚ, ਖਾਸ ਤੌਰ 'ਤੇ ਦਵਾਈ ਵਿੱਚ, ਇੱਕ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਇਸ ਛੁਪੇ ਹੋਏ ਗਿਆਨ ਨੂੰ ਕੱਢਣ ਅਤੇ ਮਾਡਲ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕੀਤੇ ਬਿਨਾਂ ਅਸੰਭਵ ਹੈ - ਨਹੀਂ ਤਾਂ ਅਸੀਂ ਯਕੀਨੀ ਨਹੀਂ ਹੋਵਾਂਗੇ ਕਿ ਨਤੀਜੇ ਸਥਿਰ, ਗੈਰ-ਬੇਤਰਤੀਬ, ਭਰੋਸੇਮੰਦ ਹੋਣਗੇ, ਅਤੇ ਇਸ ਨੂੰ ਖਤਮ ਨਹੀਂ ਕਰਨਗੇ। ਮਰੀਜ਼ ਕਾਰਜ ਵਿਧੀ ਦੀ ਇੱਕ ਪੂਰੀ ਦਿਸ਼ਾ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਪੈਰਾਡਾਈਮ ਦੇ ਅੰਦਰ ਵਿਕਸਤ ਹੋ ਰਹੀ ਹੈ ਅਤੇ ਇਸ ਦੀਆਂ ਸੀਮਾਵਾਂ ਤੋਂ ਪਰੇ ਜਾਂਦੀ ਹੈ - ਵੈਰੀਡੀਕਲ ਡੇਟਾ ਸਾਇੰਸ। ਇਹ ਕੀ ਹੈ?

ਅਸੀਂ ਵਿਗਿਆਨਕ ਪ੍ਰਕਾਸ਼ਨਾਂ ਦੀ ਅਜਿਹੀ ਗੁਣਵੱਤਾ ਅਤੇ ਮਾਡਲਾਂ ਦੀ ਪ੍ਰਜਨਨਯੋਗਤਾ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ ਜੋ ਉਹ ਹਨ:

1. ਅਨੁਮਾਨ ਲਗਾਉਣ ਯੋਗ
2. ਗਣਨਾਯੋਗ
3. ਸਥਿਰ

ਇਹ ਤਿੰਨ ਸਿਧਾਂਤ ਨਵੀਂ ਵਿਧੀ ਦਾ ਆਧਾਰ ਬਣਦੇ ਹਨ। ਇਹਨਾਂ ਮਾਪਦੰਡਾਂ ਦੇ ਵਿਰੁੱਧ ML ਮਾਡਲਾਂ ਦੀ ਜਾਂਚ ਕਿਵੇਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ? ਸਭ ਤੋਂ ਆਸਾਨ ਤਰੀਕਾ ਹੈ ਤੁਰੰਤ ਵਿਆਖਿਆਯੋਗ ਮਾਡਲ (ਰਿਗਰੈਸ਼ਨ, ਫੈਸਲੇ ਦੇ ਰੁੱਖ) ਬਣਾਉਣਾ। ਹਾਲਾਂਕਿ, ਅਸੀਂ ਡੂੰਘੀ ਸਿੱਖਿਆ ਦੇ ਤੁਰੰਤ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ।

ਸਮੱਸਿਆ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਕਈ ਮੌਜੂਦਾ ਤਰੀਕੇ:

1. ਮਾਡਲ ਦੀ ਵਿਆਖਿਆ;
2. ਧਿਆਨ ਦੇ ਅਧਾਰ ਤੇ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰੋ;
3. ਸਿਖਲਾਈ ਦਿੰਦੇ ਸਮੇਂ ਐਲਗੋਰਿਦਮ ਦੇ ਸਮੂਹਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਰੇਖਿਕ ਵਿਆਖਿਆਯੋਗ ਮਾਡਲ ਲੀਨੀਅਰ ਮਾਡਲ ਤੋਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਹੋਏ, ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੇ ਰੂਪ ਵਿੱਚ ਉਹੀ ਜਵਾਬਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਸਿੱਖਦੇ ਹਨ;
4. ਸਿਖਲਾਈ ਡੇਟਾ ਨੂੰ ਬਦਲੋ ਅਤੇ ਵਧਾਓ। ਇਸ ਵਿੱਚ ਰੌਲਾ, ਦਖਲਅੰਦਾਜ਼ੀ, ਅਤੇ ਡਾਟਾ ਵਧਾਉਣਾ ਸ਼ਾਮਲ ਹੈ;
5. ਕੋਈ ਵੀ ਢੰਗ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ ਕਿ ਮਾਡਲ ਦੇ ਨਤੀਜੇ ਬੇਤਰਤੀਬੇ ਨਹੀਂ ਹਨ ਅਤੇ ਮਾਮੂਲੀ ਅਣਚਾਹੇ ਦਖਲ (ਵਿਰੋਧੀ ਹਮਲੇ) 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦੇ ਹਨ;
6. ਸਿਖਲਾਈ ਤੋਂ ਬਾਅਦ, ਤੱਥ ਤੋਂ ਬਾਅਦ ਮਾਡਲ ਦੀ ਵਿਆਖਿਆ ਕਰੋ;
7. ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਵਜ਼ਨ ਦਾ ਅਧਿਐਨ ਕਰਨਾ;
8. ਸਾਰੀਆਂ ਧਾਰਨਾਵਾਂ, ਵਰਗ ਵੰਡ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਅਧਿਐਨ ਕਰੋ।

ਵਿਰੋਧੀ ਹਮਲਾ ਇੱਕ ਸੂਰ ਲਈ

ਮਾਡਲਿੰਗ ਦੀਆਂ ਗਲਤੀਆਂ ਹਰ ਕਿਸੇ ਲਈ ਮਹਿੰਗੀਆਂ ਹੁੰਦੀਆਂ ਹਨ: ਇੱਕ ਪ੍ਰਮੁੱਖ ਉਦਾਹਰਣ ਰੇਨਹਾਰਟ ਅਤੇ ਰੋਗੋਵ ਦਾ ਕੰਮ ਹੈ।"ਕਰਜ਼ੇ ਦੇ ਸਮੇਂ ਵਿੱਚ ਵਾਧਾ"ਕਈ ਯੂਰਪੀਅਨ ਦੇਸ਼ਾਂ ਦੀਆਂ ਆਰਥਿਕ ਨੀਤੀਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਤਪੱਸਿਆ ਦੀਆਂ ਨੀਤੀਆਂ ਨੂੰ ਅਪਣਾਉਣ ਲਈ ਮਜ਼ਬੂਰ ਕੀਤਾ, ਪਰ ਡੇਟਾ ਅਤੇ ਉਹਨਾਂ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਸਾਲਾਂ ਬਾਅਦ ਇੱਕ ਧਿਆਨ ਨਾਲ ਮੁੜ ਜਾਂਚ ਨੇ ਉਲਟ ਨਤੀਜਾ ਦਿਖਾਇਆ!

ਕਿਸੇ ਵੀ ਐਮਐਲ ਤਕਨਾਲੋਜੀ ਦਾ ਲਾਗੂ ਕਰਨ ਤੋਂ ਲਾਗੂ ਕਰਨ ਤੱਕ ਦਾ ਆਪਣਾ ਜੀਵਨ ਚੱਕਰ ਹੁੰਦਾ ਹੈ। ਨਵੀਂ ਵਿਧੀ ਦਾ ਟੀਚਾ ਮਾਡਲ ਦੇ ਜੀਵਨ ਦੇ ਹਰ ਪੜਾਅ 'ਤੇ ਤਿੰਨ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ ਹੈ।

ਨਤੀਜੇ:

• ਕਈ ਪ੍ਰੋਜੈਕਟ ਵਿਕਸਤ ਕੀਤੇ ਜਾ ਰਹੇ ਹਨ ਜੋ ML ਮਾਡਲ ਨੂੰ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਨਗੇ। ਇਹ, ਉਦਾਹਰਨ ਲਈ, ਡੀਪਟੂਨ ਹੈ (ਲਿੰਕ: github.com/ChrisCummins/paper-end2end-dl);
• ਵਿਧੀ ਦੇ ਹੋਰ ਵਿਕਾਸ ਲਈ, ਐਮਐਲ ਦੇ ਖੇਤਰ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਨਾਂ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ;
• ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਤਕਨੀਕੀ ਅਤੇ ਮਨੁੱਖਤਾ ਦੋਵਾਂ ਖੇਤਰਾਂ ਵਿੱਚ ਬਹੁ-ਅਨੁਸ਼ਾਸਨੀ ਸਿਖਲਾਈ ਅਤੇ ਮੁਹਾਰਤ ਵਾਲੇ ਨੇਤਾਵਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

"ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਨਾਲ ਮਨੁੱਖੀ ਵਿਵਹਾਰ ਮਾਡਲਿੰਗ: ਮੌਕੇ ਅਤੇ ਚੁਣੌਤੀਆਂ" ਨੂਰੀਆ ਐਮ ਓਲੀਵਰ, ਅਲਬਰਟ ਅਲੀ ਸਲਾਹ

ਮਨੁੱਖੀ ਵਿਵਹਾਰ, ਇਸ ਦੀਆਂ ਤਕਨੀਕੀ ਬੁਨਿਆਦਾਂ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਮਾਡਲਿੰਗ ਨੂੰ ਸਮਰਪਿਤ ਲੈਕਚਰ।

ਮਨੁੱਖੀ ਵਿਹਾਰ ਮਾਡਲਿੰਗ ਨੂੰ ਇਹਨਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ:

• ਵਿਅਕਤੀਗਤ ਵਿਵਹਾਰ
• ਲੋਕਾਂ ਦੇ ਇੱਕ ਛੋਟੇ ਸਮੂਹ ਦਾ ਵਿਵਹਾਰ
• ਪੁੰਜ ਵਿਵਹਾਰ

ਇਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਕਿਸਮ ਨੂੰ ML ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਪਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖਰੀ ਇਨਪੁਟ ਜਾਣਕਾਰੀ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਾਲ। ਹਰੇਕ ਕਿਸਮ ਦੇ ਆਪਣੇ ਨੈਤਿਕ ਮੁੱਦੇ ਵੀ ਹੁੰਦੇ ਹਨ ਜੋ ਹਰੇਕ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ:

• ਵਿਅਕਤੀਗਤ ਵਿਵਹਾਰ - ਪਛਾਣ ਦੀ ਚੋਰੀ, ਡੀਪਫੇਕ;
• ਲੋਕਾਂ ਦੇ ਸਮੂਹਾਂ ਦਾ ਵਿਵਹਾਰ - ਬੇਨਾਮੀਕਰਣ, ਅੰਦੋਲਨਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨਾ, ਟੈਲੀਫੋਨ ਕਾਲਾਂ, ਆਦਿ;

ਵਿਅਕਤੀਗਤ ਵਿਵਹਾਰ

ਜ਼ਿਆਦਾਤਰ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਦੇ ਵਿਸ਼ੇ ਨਾਲ ਸਬੰਧਤ - ਮਨੁੱਖੀ ਭਾਵਨਾਵਾਂ ਅਤੇ ਪ੍ਰਤੀਕਰਮਾਂ ਦੀ ਮਾਨਤਾ। ਸ਼ਾਇਦ ਸਿਰਫ ਸੰਦਰਭ ਵਿੱਚ, ਸਮੇਂ ਵਿੱਚ, ਜਾਂ ਭਾਵਨਾਵਾਂ ਦੀ ਆਪਣੀ ਪਰਿਵਰਤਨਸ਼ੀਲਤਾ ਦੇ ਅਨੁਸਾਰੀ ਪੈਮਾਨੇ ਨਾਲ। ਸਲਾਈਡ ਮੈਡੀਟੇਰੀਅਨ ਔਰਤਾਂ ਦੇ ਭਾਵਨਾਤਮਕ ਸਪੈਕਟ੍ਰਮ ਤੋਂ ਸੰਦਰਭ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮੋਨਾ ਲੀਜ਼ਾ ਦੀਆਂ ਭਾਵਨਾਵਾਂ ਦੀ ਪਛਾਣ ਦਿਖਾਉਂਦਾ ਹੈ। ਨਤੀਜਾ: ਖੁਸ਼ੀ ਦੀ ਮੁਸਕਰਾਹਟ, ਪਰ ਨਫ਼ਰਤ ਅਤੇ ਨਫ਼ਰਤ ਨਾਲ। ਕਾਰਨ ਇੱਕ "ਨਿਰਪੱਖ" ਭਾਵਨਾ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਦੇ ਤਕਨੀਕੀ ਤਰੀਕੇ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਹੈ.

ਲੋਕਾਂ ਦੇ ਇੱਕ ਛੋਟੇ ਸਮੂਹ ਦਾ ਵਿਵਹਾਰ

ਹੁਣ ਤੱਕ ਦਾ ਸਭ ਤੋਂ ਮਾੜਾ ਮਾਡਲ ਨਾਕਾਫ਼ੀ ਜਾਣਕਾਰੀ ਦੇ ਕਾਰਨ ਹੈ। ਉਦਾਹਰਨ ਵਜੋਂ, 2018 - 2019 ਦੇ ਕੰਮ ਦਿਖਾਏ ਗਏ ਸਨ। ਦਰਜਨਾਂ ਲੋਕਾਂ 'ਤੇ X ਦਰਜਨਾਂ ਵੀਡੀਓ (cf. 100k++ ਚਿੱਤਰ ਡਾਟਾਸੈੱਟ)। ਇਸ ਕੰਮ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਬਣਾਉਣ ਲਈ, ਮਲਟੀਮੋਡਲ ਜਾਣਕਾਰੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਰਜੀਹੀ ਤੌਰ 'ਤੇ ਸਰੀਰ ਦੇ ਅਲਟੀਮੀਟਰ, ਥਰਮਾਮੀਟਰ, ਮਾਈਕ੍ਰੋਫੋਨ ਰਿਕਾਰਡਿੰਗ ਆਦਿ 'ਤੇ ਸੈਂਸਰਾਂ ਤੋਂ।

ਪੁੰਜ ਵਿਵਹਾਰ

ਸਭ ਤੋਂ ਵਿਕਸਤ ਖੇਤਰ, ਕਿਉਂਕਿ ਗਾਹਕ ਸੰਯੁਕਤ ਰਾਸ਼ਟਰ ਅਤੇ ਬਹੁਤ ਸਾਰੇ ਰਾਜ ਹਨ. ਬਾਹਰੀ ਨਿਗਰਾਨੀ ਕੈਮਰੇ, ਟੈਲੀਫੋਨ ਟਾਵਰਾਂ ਤੋਂ ਡੇਟਾ - ਬਿਲਿੰਗ, ਐਸਐਮਐਸ, ਕਾਲਾਂ, ਰਾਜ ਦੀਆਂ ਸਰਹੱਦਾਂ ਦੇ ਵਿਚਕਾਰ ਅੰਦੋਲਨ ਦਾ ਡੇਟਾ - ਇਹ ਸਭ ਲੋਕਾਂ ਦੀ ਆਵਾਜਾਈ ਅਤੇ ਸਮਾਜਿਕ ਅਸਥਿਰਤਾ ਦੀ ਇੱਕ ਬਹੁਤ ਭਰੋਸੇਯੋਗ ਤਸਵੀਰ ਦਿੰਦਾ ਹੈ. ਤਕਨਾਲੋਜੀ ਦੇ ਸੰਭਾਵੀ ਉਪਯੋਗ: ਸੰਕਟਕਾਲੀਨ ਸਥਿਤੀਆਂ ਦੌਰਾਨ ਬਚਾਅ ਕਾਰਜਾਂ ਦਾ ਅਨੁਕੂਲਤਾ, ਸਹਾਇਤਾ ਅਤੇ ਸਮੇਂ ਸਿਰ ਆਬਾਦੀ ਨੂੰ ਕੱਢਣਾ। ਵਰਤੇ ਗਏ ਮਾਡਲਾਂ ਦੀ ਮੁੱਖ ਤੌਰ 'ਤੇ ਅਜੇ ਵੀ ਮਾੜੀ ਵਿਆਖਿਆ ਕੀਤੀ ਗਈ ਹੈ - ਇਹ ਵੱਖ-ਵੱਖ LSTM ਅਤੇ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨੈਟਵਰਕ ਹਨ। ਇੱਥੇ ਇੱਕ ਸੰਖੇਪ ਟਿੱਪਣੀ ਸੀ ਕਿ ਸੰਯੁਕਤ ਰਾਸ਼ਟਰ ਇੱਕ ਨਵੇਂ ਕਾਨੂੰਨ ਲਈ ਲਾਬਿੰਗ ਕਰ ਰਿਹਾ ਸੀ ਜੋ ਯੂਰਪੀਅਨ ਕਾਰੋਬਾਰਾਂ ਨੂੰ ਕਿਸੇ ਵੀ ਖੋਜ ਲਈ ਜ਼ਰੂਰੀ ਅਗਿਆਤ ਡੇਟਾ ਸਾਂਝਾ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰੇਗਾ।

"ਸਿਸਟਮ 1 ਤੋਂ ਸਿਸਟਮ 2 ਤੱਕ ਡੀਪ ਲਰਨਿੰਗ", ਯੋਸ਼ੂਆ ਬੇਂਗਿਓ

ਸਲਾਈਡਾਂ
ਜੋਸ਼ੂਆ ਬੇਂਗਿਓ ਦੇ ਲੈਕਚਰ ਵਿੱਚ, ਡੂੰਘੀ ਸਿਖਲਾਈ ਟੀਚਾ ਨਿਰਧਾਰਨ ਦੇ ਪੱਧਰ 'ਤੇ ਨਿਊਰੋਸਾਇੰਸ ਨੂੰ ਪੂਰਾ ਕਰਦੀ ਹੈ।
ਬੈਂਗਿਓ ਨੋਬਲ ਪੁਰਸਕਾਰ ਜੇਤੂ ਡੈਨੀਅਲ ਕਾਹਨੇਮੈਨ (ਕਿਤਾਬ “ਹੌਲੀ ਸੋਚੋ, ਜਲਦੀ ਫੈਸਲਾ ਕਰੋ")
ਟਾਈਪ 1 - ਸਿਸਟਮ 1, ਬੇਹੋਸ਼ ਕਿਰਿਆਵਾਂ ਜੋ ਅਸੀਂ "ਆਟੋਮੈਟਿਕਲੀ" ਕਰਦੇ ਹਾਂ (ਪ੍ਰਾਚੀਨ ਦਿਮਾਗ): ਜਾਣੇ-ਪਛਾਣੇ ਸਥਾਨਾਂ 'ਤੇ ਕਾਰ ਚਲਾਉਣਾ, ਪੈਦਲ ਚੱਲਣਾ, ਚਿਹਰਿਆਂ ਨੂੰ ਪਛਾਣਨਾ।
ਟਾਈਪ 2 - ਸਿਸਟਮ 2, ਚੇਤੰਨ ਕਿਰਿਆਵਾਂ (ਸੇਰੇਬ੍ਰਲ ਕਾਰਟੈਕਸ), ਟੀਚਾ ਨਿਰਧਾਰਨ, ਵਿਸ਼ਲੇਸ਼ਣ, ਸੋਚ, ਸੰਯੁਕਤ ਕਾਰਜ।

AI ਹੁਣ ਤੱਕ ਸਿਰਫ਼ ਪਹਿਲੀ ਕਿਸਮ ਦੇ ਕੰਮਾਂ ਵਿੱਚ ਹੀ ਲੋੜੀਂਦੀਆਂ ਉਚਾਈਆਂ 'ਤੇ ਪਹੁੰਚਿਆ ਹੈ, ਜਦੋਂ ਕਿ ਸਾਡਾ ਕੰਮ ਇਸਨੂੰ ਦੂਜੇ 'ਤੇ ਲਿਆਉਣਾ ਹੈ, ਇਸਨੂੰ ਬਹੁ-ਅਨੁਸ਼ਾਸਨੀ ਕਾਰਵਾਈਆਂ ਕਰਨ ਅਤੇ ਤਰਕ ਅਤੇ ਉੱਚ-ਪੱਧਰੀ ਬੋਧਾਤਮਕ ਹੁਨਰਾਂ ਨਾਲ ਕੰਮ ਕਰਨਾ ਸਿਖਾਉਣਾ ਹੈ।

ਇਸ ਟੀਚੇ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇਹ ਪ੍ਰਸਤਾਵਿਤ ਹੈ:

1. NLP ਕਾਰਜਾਂ ਵਿੱਚ, ਮਾਡਲਿੰਗ ਸੋਚ ਲਈ ਇੱਕ ਮੁੱਖ ਵਿਧੀ ਵਜੋਂ ਧਿਆਨ ਦੀ ਵਰਤੋਂ ਕਰੋ
2. ਮੈਟਾ-ਲਰਨਿੰਗ ਅਤੇ ਪ੍ਰਤੀਨਿਧਤਾ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਬਿਹਤਰ ਮਾਡਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਲਈ ਕਰੋ ਜੋ ਚੇਤਨਾ ਅਤੇ ਉਹਨਾਂ ਦੇ ਸਥਾਨੀਕਰਨ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੀਆਂ ਹਨ - ਅਤੇ ਉਹਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਉੱਚ-ਪੱਧਰੀ ਸੰਕਲਪਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਵੱਲ ਵਧਦੀਆਂ ਹਨ।

ਇੱਕ ਸਿੱਟੇ ਦੀ ਬਜਾਏ, ਇੱਥੇ ਇੱਕ ਸੱਦਾ ਦਿੱਤਾ ਗਿਆ ਭਾਸ਼ਣ ਹੈ: ਬੈਂਗਿਓ ਬਹੁਤ ਸਾਰੇ ਵਿਗਿਆਨੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਜੋ ਅਨੁਕੂਲਤਾ ਸਮੱਸਿਆਵਾਂ, SOTA ਅਤੇ ਨਵੇਂ ਆਰਕੀਟੈਕਚਰ ਤੋਂ ਪਰੇ ਐਮਐਲ ਦੇ ਖੇਤਰ ਨੂੰ ਵਧਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਨ.
ਇਹ ਸਵਾਲ ਖੁੱਲ੍ਹਾ ਰਹਿੰਦਾ ਹੈ ਕਿ ਚੇਤਨਾ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ, ਸੋਚ, ਨਿਊਰੋਬਾਇਓਲੋਜੀ ਅਤੇ ਐਲਗੋਰਿਦਮ 'ਤੇ ਭਾਸ਼ਾ ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਸੁਮੇਲ ਕਿਸ ਹੱਦ ਤੱਕ ਭਵਿੱਖ ਵਿੱਚ ਸਾਡੀ ਉਡੀਕ ਕਰ ਰਿਹਾ ਹੈ ਅਤੇ ਸਾਨੂੰ ਉਨ੍ਹਾਂ ਮਸ਼ੀਨਾਂ ਵੱਲ ਜਾਣ ਦੀ ਇਜਾਜ਼ਤ ਦੇਵੇਗਾ ਜੋ ਲੋਕਾਂ ਵਾਂਗ "ਸੋਚਦੀਆਂ ਹਨ"।

ਤੁਹਾਡਾ ਧੰਨਵਾਦ!

ਸਰੋਤ: www.habr.com