Глубокое обучение и искусственный интеллект (ИИ) быстро развиваются поля с новыми технологиями, которые постоянно появляются. Пять из наиболее перспективных возникающих тенденций в этой области включают федеративное обучение, Gans, Xai, обучение подкреплению и обучение передачи.

Эти технологии могут революционизировать различные применения машинного обучения, от распознавания изображений до игры, и предлагают новые захватывающие возможности как для исследователей, так и для разработчиков.

Федеративное обучение

Федеративное обучение - это подход машинного обучения, который позволяет нескольким устройствам сотрудничать по одной модели, не обмениваясь своими данными с центральным сервером. Этот подход особенно полезен в ситуациях, когда конфиденциальность данных является проблемой.

Например, Google использовал федеративное обучение для повышения точности своей прогностической текстовой клавиатуры без ущерба для конфиденциальности пользователей. Модели машинного обучения обычно разрабатываются с использованием централизованных источников данных, что требует обмена пользовательскими данными с центральным сервером. Хотя пользователи могут чувствовать себя неловко, поскольку их данные собираются и хранятся на одном сервере, эта стратегия может создавать проблемы с конфиденциальностью.

Федеративное обучение решает эту проблему, предотвращая предоставление данных на центральный сервер путем обучения моделей по данным, которые остаются на устройствах пользователей. Кроме того, поскольку учебные данные остались на устройствах пользователей, не было необходимости отправлять огромные объемы данных на централизованный сервер, который уменьшал потребности системы и хранения системы.

Генеративные состязательные сети (Gans)

Сгенерированные состязательные сети - это тип нейронной сети, которую можно использовать для генерации новых, реалистичных данных, основанных на существующих данных. Например, Gans использовались для создания реалистичных изображений людей, животных и даже ландшафтов. Ганс работает, наталкивая две нейронные сети друг против друга, а одна сеть генерирует поддельные данные, а другая сеть пытается определить, являются ли данные реальными или фальшивыми.

Генеративные состязательные сети, или GANS для краткости, быстро появились в качестве ведущей технологии для создания реалистичных синтетических данных. Ганс - это тип архитектуры нейронной сети, которая состоит из двух сетей: a G ... https://t.co/mou2dls8gk pic.Twitter.com/0zsrkeze3z

- Phill.AI (@phill_ai) 20 апреля 2023 г.

Объяснимый ИИ (XAI)

Подход к ИИ, известный как объясняемый ИИ, направлен на повышение прозрачности и понимания моделей машинного обучения. XAI имеет решающее значение, потому что он может гарантировать, что системы ИИ принимают беспристрастные, справедливые решения. Вот пример того, как можно использовать XAI:

Рассмотрим сценарий, в котором финансовая организация использует алгоритмы машинного обучения, чтобы прогнозировать вероятность того, что заявитель по кредиту не будет дефолт по своему кредиту. В случае обычных алгоритмов черного ящика Банк не будет знать о процессе принятия решений алгоритмом и не сможет объяснить его заявителю.

Используя XAI, однако, алгоритм может объяснить свой выбор, что позволяет банку подтвердить, что он основан на разумных соображениях, а не на неточной или различной информации. Алгоритм может указать, например, что он рассчитывал оценку риска на основе кредитного рейтинга заявителя, дохода и истории занятости. Этот уровень прозрачности и объяснения может помочь повысить доверие к системам искусственного интеллекта, улучшить ответственность и в конечном итоге привести к лучшему принятию решений.

Подкрепление обучения

Тип машинного обучения, называемого подкреплением, включает в себя преподавательских агентов для обучения с помощью критики и стимулов. Многие приложения, в том числе робототехника, игры и даже банковское дело, использовали эту стратегию. Например, AlphaGo DeepMind использовал этот подход, чтобы постоянно улучшать свой игровой процесс и в конечном итоге победить лучших игроков человека GO, демонстрируя эффективность обучения подкреплению в сложных задачах принятия решений.

ИИ может быть агентом для нашего улучшения. Самая интересная статья, которую я видел в этом,-это изучение профессионального производительности игрока GO, прежде чем Vs. после введения Leela, версии DeepMind Alphago.

- Майлз Гримшоу (@milesgrimshaw) 15 января 2023 г.

Передача обучения

Стратегия машинного обучения под названием Transfer Learning включает в себя применение ранее обученных моделей для решения совершенно новых проблем. Когда для новой проблемы есть мало данных, этот метод особенно полезен.

Например, исследователи использовали переносное обучение для адаптации моделей распознавания изображений, разработанных для конкретного типа картины (например, лиц) к другому виду изображения - например, животных.

Этот подход позволяет повторно использовать ученые функции, веса и смещения предварительно обученной модели в новой задаче, что может значительно повысить производительность модели и уменьшить объем данных, необходимых для обучения.

Источник