NeurIPS 2019: अगले दशक के लिए एमएल ट्रेंड हमारे साथ रहेगा

NeurIPS ( न्यूरल इंफॉर्मेशन प्रोसेसिंग सिस्टम्स ) मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस पर दुनिया का सबसे बड़ा सम्मेलन है और डीप लर्निंग की दुनिया में मुख्य कार्यक्रम है।

नए दशक में, क्या हम डीएस इंजीनियर जीव विज्ञान, भाषा विज्ञान और मनोविज्ञान में भी मास्टर करेंगे? हम अपनी समीक्षा में बताएंगे।



इस वर्ष, सम्मेलन ने वैंकूवर (कनाडा) में 80 देशों के 13,500 से अधिक लोगों को एक साथ लाया। यह पहला वर्ष नहीं है जब सेर्बैंक ने सम्मेलन में रूस का प्रतिनिधित्व किया है - डीएस टीम ने बैंकिंग प्रक्रियाओं में एमएल के परिचय, एमएल-प्रतियोगिता के बारे में और सर्बैंक डीएस मंच की क्षमताओं के बारे में बात की। एमएल समुदाय में 2019 के मुख्य रुझान क्या थे? सम्मेलन में भाग लेने वाले बताते हैं: एंड्री चेरटोक और तात्याना शावरिना ।

इस वर्ष, NeurIPS पर 1400 से अधिक लेख स्वीकार किए गए - एल्गोरिदम, नए मॉडल और नए डेटा के लिए नए अनुप्रयोग। सभी सामग्रियों के लिए लिंक

सामग्री:

• प्रवृत्तियों
• • मॉडल की व्याख्या
  • बहु-विषयक
  • विचार
  • आर एल
  • GAN
• मुख्य आमंत्रित वार्ता
• • "सोशल इंटेलिजेंस", ब्लेस एजुएरा वाई आर्कस (Google)
  • "वेरिडिकल डेटा साइंस", बिन यू (बर्कले)
  • "मशीन लर्निंग के साथ मानव व्यवहार मॉडलिंग: अवसर और चुनौतियां", नूरिया एम ओलिवर, अल्बर्ट अली सालाह
  • "सिस्टम 1 से सिस्टम 2 डीप लर्निंग तक", योशुआ बेंगियो
  
  

2019 के रुझान

1. मॉडल की व्याख्या और नई एमएल पद्धति

सम्मेलन का मुख्य विषय व्याख्या और सबूत है कि हमें ये या वे परिणाम क्यों मिलते हैं। आप "ब्लैक बॉक्स" की व्याख्या के दार्शनिक महत्व के बारे में लंबे समय तक बात कर सकते हैं, लेकिन इस क्षेत्र में अधिक वास्तविक तरीके और तकनीकी विकास थे।

मॉडल के प्रतिलिपि प्रस्तुत करने की क्षमता और उनसे ज्ञान की निकासी विज्ञान की एक नई टूलकिट है। मॉडल नए ज्ञान प्राप्त करने और उसका परीक्षण करने के लिए एक उपकरण के रूप में काम कर सकते हैं, और मॉडल के प्रीप्रोसेसिंग, प्रशिक्षण और आवेदन के प्रत्येक चरण को प्रतिलिपि प्रस्तुत करने योग्य होना चाहिए।
प्रकाशनों का एक महत्वपूर्ण अनुपात मॉडल और उपकरणों के निर्माण के लिए नहीं, बल्कि परिणामों की सुरक्षा, पारदर्शिता और सत्यापन सुनिश्चित करने की समस्याओं के लिए समर्पित है। विशेष रूप से, मॉडल (प्रतिकूल हमलों) पर हमलों के बारे में एक अलग धारा दिखाई दी, और प्रशिक्षण पर हमलों और अनुप्रयोगों पर हमलों दोनों के विकल्पों पर विचार किया जाता है।

आलेख:

• वेरिडिकल डेटा साइंस मॉडल सत्यापन पद्धति पर एक फीचर लेख है। इसमें मॉडल की व्याख्या करने के लिए आधुनिक उपकरणों का अवलोकन शामिल है, विशेष रूप से, रैखिक मॉडल द्वारा तंत्रिका नेटवर्क के "आसवन" के कारण ध्यान और उपयोग के महत्व को प्राप्त करना।
• यह ऐसा लगता है: व्याख्यात्मक छवि मान्यता Chaofan चेन, ऑस्कर ली, डैनियल ताओ, Alina Barnett, सिंथिया रुडिन, जोनाथन के। के लिए डीप लर्निंग
• दीप न्यूरल नेटवर्क्स सारा हूकर, डुमिट्रू एरहान, पीटर-जन Kindermans, बीन किम में व्याख्यात्मक तरीकों के लिए एक बेंचमार्क
• अटेंशन एजेंट्स अलेक्जेंडर एमओटी, डैनियल ज़ोरान, माइक क्रिज़ानोव्स्की, डैन वेरस्ट्रा, डैनिलो जिमेनेज़ रेंडे
• यादृच्छिक जंगलों जिओ ली, यू वैंग, सुमंता बसु, कार्ल कुम्बिएर, बिन यू के लिए एक डिबियासिड एमडीआई सुविधा महत्व
• नो ऑब्जर्वेबल डाटा जैमिन यू, मिनियांग चो, तायबूम किम, यू कांग के साथ नॉलेज एक्सट्रैक्शन
• स्वतंत्र रूप से Reproducible मशीन लर्निंग रिसर्च एडवर्ड Raff यों की ओर एक कदम

ExBert.net शब्द प्रसंस्करण कार्यों के लिए मॉडल व्याख्या दिखाता है

2. बहुबिधि

विश्वसनीय सत्यापन सुनिश्चित करने और ज्ञान के परीक्षण और फिर से भरने के लिए तंत्र विकसित करने के लिए, हमें संबंधित क्षेत्रों के विशेषज्ञों की आवश्यकता होती है, जिनके पास एक साथ एमएल और विषय क्षेत्र (चिकित्सा, भाषा विज्ञान, तंत्रिका विज्ञान, शिक्षा, आदि) में दक्षताएं हैं। विशेष रूप से नोट तंत्रिका विज्ञान और संज्ञानात्मक विज्ञान पर काम और प्रस्तुतियों की अधिक महत्वपूर्ण उपस्थिति है - विशेषज्ञों और उधार विचारों का एक संयोजन है।

इस तालमेल के अलावा, विभिन्न स्रोतों से जानकारी के संयुक्त प्रसंस्करण में बहु-विषयक संगोष्ठी की योजना बनाई गई है: पाठ और फ़ोटो, पाठ और खेल, ग्राफ़ डेटाबेस + पाठ और फ़ोटो।

आलेख:

• न्यूरोबायोलॉजी + एमएल - प्राकृतिक भाषा-प्रसंस्करण (मस्तिष्क में) के साथ प्राकृतिक-भाषा प्रसंस्करण (मशीनों में) की व्याख्या और सुधार करना
• VisualQA - अमूर्त द्वारा सीखना: तंत्रिका राज्य मशीन
• आरएल + एनएलपी - प्राकृतिक भाषा निर्देशों का सृजन और पालन करके पदानुक्रमित निर्णय

दो मॉडल - एक रणनीतिकार और एक कलाकार - आरएल और एनएलपी पर आधारित एक ऑनलाइन रणनीति खेलते हैं

3. तर्क

कृत्रिम बुद्धिमत्ता को मजबूत करना - स्व-शिक्षण प्रणालियों के प्रति एक आंदोलन, "सचेत", तर्क और तर्क (तर्क)। विशेष रूप से, कारण निष्कर्ष और संभाषण तर्क विकसित होते हैं। रिपोर्टों का हिस्सा मेटा-लर्निंग (सीखने के लिए सीखने के लिए) और 1 और 2 क्रम के तर्क के साथ डीएल-प्रौद्योगिकियों के संयोजन के लिए समर्पित है - आर्टिफिशियल जनरल इंटेलिजेंस (एजीआई) शब्द वक्ताओं के भाषणों में एक सामान्य शब्द बन जाता है।

आलेख:

• विजुअल कॉमन्सेंस रीज़निंग वेइज़िआंग यू, जिंगवेन झोउ, वेइहो यू, ज़ियाओदान लिआंग, नोंग ज़ियाओ के लिए विषम ग्राफ लर्निंग
• ब्रिजिंग मशीन लर्निंग एंड लॉजिकल रीजनिंग बाय एबडिव लर्निंग वांग-झोउ दाई, क्यूलिंगिंग जू, यांग यू, झी-हुआ झोउ
• प्रथम-क्रम के तर्क वैशाख बेले, ब्रेंडन जुबा में तर्कपूर्ण तरीके से सीखना
• PHYRE: फिजिकल रीज़निंग एंटोन बख्तिन के लिए एक नई बेंचमार्क , लॉरेन्स वैन डेर मातेन, जस्टिन जॉनसन, लौरा गुस्ताफसन, रॉस गिर्स्किक
• दिनेश गर्ग, शजीथ इकबाल, संतोष के। श्रीवास्तव, हरित विश्वकर्मा, हेमा करणम, एल वेंकट सुब्रमण्यम

4. अनुसंधान सीखना

अधिकांश कार्य RL - DOTA2, Starcraft के पारंपरिक क्षेत्रों को विकसित करना जारी रखते हैं, कंप्यूटर दृष्टि, एनएलपी, ग्राफ डेटाबेस के साथ आर्किटेक्चर का संयोजन करते हैं।

सम्मेलन का एक अलग दिन आरएल कार्यशाला के लिए समर्पित था, जिसने ऑप्टिमिस्टिक एक्टर क्रिटिक मॉडल की वास्तुकला को प्रस्तुत किया, जो पिछले सभी को छोड़कर, विशेष रूप से सॉफ्ट एक्टर क्रिटिक में था।

आलेख:

• आशावादी अभिनेता समीक्षक के साथ बेहतर अन्वेषण ; कामिल सियोस्क, क्वान वुओंग, रॉबर्ट लॉफ्टिन, काटजा हॉफमैन
• ChainerRL: एक गहरी सुदृढीकरण लर्निंग लाइब्रेरी ; यासुहिरो फुजिता (पसंदीदा नेटवर्क, इंक।) *; तोशिकी कटोका (पसंदीदा नेटवर्क, इंक।); प्रभात नागराजन (पसंदीदा नेटवर्क); ताकाहिराओ इशिकावा (टोक्यो विश्वविद्यालय) [बाहरी पीडीएफ लिंक]।
• नियंत्रण करने का सपना: अव्यक्त कल्पना द्वारा व्यवहार सीखना ; दानीज़र हाफ़नर (गूगल) *; टिमोथी लिलीक्रैप (डीपमाइंड); जिमी बा (टोरंटो विश्वविद्यालय); मोहम्मद नोरोजी (Google मस्तिष्क)
• कार्यशाला सामग्री

StarCraft खिलाड़ियों की लड़ाई अल्फास्टार (डीपमाइंड)

5. गण

पीढ़ीगत नेटवर्क अभी भी ध्यान का केंद्र हैं: कई काम गणितीय प्रमाणों के लिए वेनिला जीएएन का उपयोग करते हैं, और उन्हें नए, असामान्य संस्करणों (ग्राफ जेनरेटिव मॉडल, श्रृंखला के साथ काम, डेटा के कारण और प्रभाव के संबंध में आवेदन) में भी लागू करते हैं।

आलेख:

• सशर्त गण संघो मो, चिहोन किम, सुंगवो किम, मिनसु चो, जिनवो शिन के लिए खनन स्वर्ण नमूने
• GANs दान झांग, अन्ना खोरेवा का प्रगतिशील विस्तार
• सशर्त GAN Lei Xu, मारिया स्कौलारिडौ, अल्फ्रेडो क्यूस्टा-इन्फेंटे, कल्याण वीरमचाननी का उपयोग करते हुए सारणीबद्ध डेटा मॉडलिंग करना
• papers.nips.cc/paper/9377-a-domain-agnostic-measure-for-monitoring-and-evaluating-gans

चूंकि काम 1,400 से अधिक नीचे लिया गया है, हम सबसे महत्वपूर्ण प्रदर्शनों के बारे में बात करेंगे।

आमंत्रित वार्ता

"सोशल इंटेलिजेंस", ब्लेस एजुएरा वाई आर्कस (Google)

लिंक
स्लाइड्स और वीडियो
रिपोर्ट सामान्य मशीन लर्निंग पद्धति और उन संभावनाओं को समर्पित है जो अभी उद्योग को बदल रहे हैं - हम किस चौराहे का सामना कर रहे हैं? मस्तिष्क और विकास कैसे काम करता है, और हम इतने कम उपयोग क्यों करते हैं कि हम पहले से ही प्राकृतिक प्रणालियों के विकास के बारे में अच्छी तरह से जानते हैं?

ML का औद्योगिक विकास काफी हद तक Google के विकास के मील के पत्थर के साथ मेल खाता है, जो साल-दर-साल NeurIPS पर अपना शोध प्रकाशित करता है:

• 1997 - खोज क्षमताओं का शुभारंभ, पहला सर्वर, छोटी कंप्यूटिंग शक्ति
• 2010 - जेफ डीन ने शुरुआत में एक तंत्रिका नेटवर्क उछाल Google ब्रेन प्रोजेक्ट लॉन्च किया
• 2015 - तंत्रिका नेटवर्क का औद्योगिक कार्यान्वयन, स्थानीय डिवाइस पर सीधे चेहरे की पहचान, टेनर कंप्यूटिंग द्वारा कम-स्तरीय प्रोसेसर तेज - टीपीयू। Google ने कोरल ऐ को लॉन्च किया - रास्पबेरी पाई का एक एनालॉग, एक माइक्रो-कंप्यूटर जिसमें तंत्रिका नेटवर्क को नए इंस्टॉलेशन में पेश करने के लिए
• 2017 - Google ने विकेन्द्रीकृत प्रशिक्षण के विकास और विभिन्न उपकरणों से तंत्रिका नेटवर्क के प्रशिक्षण के संयोजन को एक मॉडल में शुरू किया - Android पर

आज, एक संपूर्ण उद्योग डेटा सुरक्षा, स्थानीय उपकरणों पर सीखने के परिणामों के संयोजन और पुनरुत्पादन से संबंधित है।

फेडरेटेड लर्निंग - एमएल दिशा जिसमें व्यक्तिगत मॉडल स्वतंत्र रूप से अध्ययन करते हैं, और फिर एक एकल मॉडल (स्रोत डेटा को केंद्रीकृत किए बिना) में जोड़ा जाता है, दुर्लभ घटनाओं, विसंगतियों, निजीकरण, आदि के लिए समायोजित किया जाता है। सभी Android डिवाइस अनिवार्य रूप से Google के लिए एक एकल कंप्यूटिंग सुपर कंप्यूटर हैं।

फ़ेडरेटेड लर्निंग पर आधारित जेनेरिक मॉडल Google के अनुसार एक भविष्य का आशाजनक क्षेत्र है, जो "तेजी से विकास के शुरुआती चरणों में है।" जीएएन, व्याख्याता के अनुसार, जीवित जीवों की आबादी के सामूहिक व्यवहार को पुन: उत्पन्न करने में सक्षम हैं, सोच एल्गोरिदम।

एक उदाहरण के रूप में दो सरल GAN आर्किटेक्चर का उपयोग करते हुए, यह दिखाया गया है कि उनमें अनुकूलन पथ की खोज एक सर्कल में भटकती है, जिसका अर्थ है कि अनुकूलन ऐसा नहीं होता है। इसके अलावा, ये मॉडल बहुत सफलतापूर्वक प्रयोग करते हैं जो जीवविज्ञानी बैक्टीरिया की आबादी पर डालते हैं, जिससे उन्हें भोजन की तलाश में व्यवहार के लिए नई रणनीति सीखने के लिए मजबूर किया जाता है। हम यह निष्कर्ष निकाल सकते हैं कि जीवन अनुकूलन फ़ंक्शन की तुलना में अलग तरह से काम करता है।


भटकते हुए गण अनुकूलन

अब हम मशीन लर्निंग के ढांचे में जो कुछ भी कर रहे हैं वह संकीर्ण और अत्यंत औपचारिक कार्य हैं, जबकि ये औपचारिकताएं सामान्य रूप से सामान्यीकृत हैं और न्यूरोफिज़ियोलॉजी और जीव विज्ञान जैसे क्षेत्रों में हमारे विषय के ज्ञान के अनुरूप नहीं हैं।

निकट भविष्य में न्यूरोफिज़ियोलॉजी के क्षेत्र से वास्तव में उधार लेने लायक क्या है, न्यूरॉन्स की नई वास्तुकला और त्रुटि के पीछे प्रसार के तंत्र का थोड़ा संशोधन है।

मानव मस्तिष्क स्वयं यह नहीं सीखता है कि तंत्रिका नेटवर्क का उपयोग कैसे किया जाता है:

• उसके पास कोई यादृच्छिक प्राथमिक परिचयात्मक नहीं है, जिसमें इंद्रियों के माध्यम से और बचपन में शामिल थे
• उनके पास सहज विकास की दिशाएँ हैं (एक शिशु से एक भाषा सीखने की इच्छा, ईमानदार मुद्रा)

व्यक्तिगत मस्तिष्क को सीखना निम्न स्तर का कार्य है, शायद हमें तेजी से बदलते व्यक्तियों के "उपनिवेशों" पर विचार करना चाहिए, ताकि समूह के विकास के तंत्र को पुन: उत्पन्न करने के लिए एक-दूसरे को ज्ञान प्रेषित किया जा सके।

अभी हम ML एल्गोरिदम में क्या ले जा सकते हैं:

• सेल वंश मॉडल लागू करें जो जनसंख्या के लिए प्रशिक्षण प्रदान करते हैं, लेकिन व्यक्ति का छोटा जीवन ("व्यक्तिगत मस्तिष्क")
• कुछ उदाहरणों पर कुछ-कुछ सीखना
• अधिक जटिल न्यूरॉन संरचनाएं, थोड़ा अलग सक्रियण कार्य
• भविष्य की पीढ़ियों को "जीनोम" पास करना - प्रचार प्रसार एल्गोरिदम
• जैसे ही हम न्यूरोफिज़ियोलॉजी और तंत्रिका नेटवर्क को जोड़ते हैं, हम सीखेंगे कि कई घटकों से एक बहुक्रियाशील मस्तिष्क कैसे बनाया जाए।

इस दृष्टिकोण से, सोता समाधान का अभ्यास हानिकारक है और सामान्य कार्यों (बेंचमार्क) को विकसित करने के लिए इसकी समीक्षा की जानी चाहिए।

"वेरिडिकल डेटा साइंस", बिन यू (बर्कले)

वीडियो और स्लाइड
रिपोर्ट मशीन सीखने के मॉडल की व्याख्या और उनके प्रत्यक्ष सत्यापन और सत्यापन की कार्यप्रणाली की समस्या के लिए समर्पित है। किसी भी प्रशिक्षित एमएल-मॉडल को ज्ञान के स्रोत के रूप में माना जा सकता है जिसे उससे निकालने की आवश्यकता है।

कई क्षेत्रों में, विशेष रूप से चिकित्सा में, इस छिपे हुए ज्ञान को निकालने और मॉडल के परिणामों की व्याख्या किए बिना मॉडल को लागू करना असंभव है - अन्यथा हम यह सुनिश्चित नहीं करेंगे कि परिणाम स्थिर, गैर-आयामी, विश्वसनीय होंगे और रोगी को नहीं मारेंगे। कार्य पद्धति की पूरी दिशा गहन शिक्षण प्रतिमान के अंदर विकसित हो रही है और इसकी सीमा से परे है - वैचारिक डेटा विज्ञान। यह क्या है

हम वैज्ञानिक प्रकाशनों और मॉडल के प्रतिलिपि प्रस्तुत करने की गुणवत्ता को प्राप्त करना चाहते हैं ताकि वे हों:

1. उम्मीद के मुताबिक
2. गणना कर सका
3. स्थिर

ये तीन सिद्धांत नई पद्धति का आधार बनते हैं। इन मानदंडों के खिलाफ एमएल मॉडल का परीक्षण कैसे किया जा सकता है? सबसे आसान तरीका है तुरंत व्याख्यात्मक मॉडल (प्रतिगमन, निर्णय पेड़) का निर्माण करना। हालांकि, हम गहन शिक्षा के तत्काल लाभ प्राप्त करना चाहते हैं।

समस्या से निपटने के कई मौजूदा तरीके:

1. मॉडल की व्याख्या करें;
2. ध्यान-आधारित विधियों का उपयोग करें
3. प्रशिक्षण के लिए एल्गोरिदम का उपयोग करें, और सुनिश्चित करें कि रैखिक व्याख्यात्मक मॉडल एक तंत्रिका नेटवर्क के रूप में एक ही उत्तर की भविष्यवाणी करना सीखते हैं, एक रैखिक मॉडल से सुविधाओं की व्याख्या करते हैं;
4. प्रशिक्षण डेटा बदलें और संवर्धित करें। इसमें शोर, हस्तक्षेप और डेटा वृद्धि शामिल है;
5. यह सुनिश्चित करने के लिए कि मॉडल परिणाम यादृच्छिक नहीं हैं और छोटे अवांछित हस्तक्षेप (प्रतिकूल हमले) पर निर्भर नहीं करते हैं;
6. प्रशिक्षण के बाद पोस्ट फैक्टम मॉडल की व्याख्या करें;
7. विभिन्न तरीकों से अध्ययन पर हस्ताक्षर वजन;
8. सभी परिकल्पनाओं की संभावनाओं का अध्ययन, कक्षाओं का वितरण।

सुअर पर प्रतिकूल आक्रमण

मॉडलिंग की त्रुटियां हर किसी के लिए महंगी हैं: एक ज्वलंत उदाहरण - रेनहार्ट और रोगोव के काम " कर्ज के समय में वृद्धि " ने कई यूरोपीय देशों की आर्थिक नीतियों को प्रभावित किया और उन्हें एक बचत नीति का पीछा करने के लिए मजबूर किया, लेकिन डेटा की सावधानीपूर्वक क्रॉस-चेकिंग और उनके प्रसंस्करण के वर्षों बाद विपरीत परिणाम दिखा!

किसी भी ML-Technology का कार्यान्वयन से कार्यान्वयन तक का अपना जीवन चक्र है। नई पद्धति का कार्य मॉडल के जीवन के प्रत्येक चरण में तीन बुनियादी सिद्धांतों पर एक जांच करना है।

परिणाम:

• एमएल मॉडल को अधिक विश्वसनीय बनाने में मदद करने के लिए कई परियोजनाएं विकसित की जा रही हैं। यह, उदाहरण के लिए, deeptune (लिंक: github.com/ChrisCummins/paper-end2end-dl );
• कार्यप्रणाली के आगे विकास के लिए, एमएल के क्षेत्र में प्रकाशनों की गुणवत्ता में महत्वपूर्ण सुधार करना आवश्यक है;
• मशीन लर्निंग को तकनीकी और मानवीय दोनों क्षेत्रों में बहु-विषयक प्रशिक्षण और विशेषज्ञता वाले नेताओं की आवश्यकता होती है।

"मशीन लर्निंग के साथ मानव व्यवहार मॉडलिंग: अवसर और चुनौतियां" नूरिया एम ओलिवर, अल्बर्ट अली सलाह

मॉडलिंग मानव व्यवहार, इसकी तकनीकी नींव और आवेदन संभावनाओं पर व्याख्यान।

मानव व्यवहार मॉडलिंग में विभाजित किया जा सकता है:

• व्यक्तिगत व्यवहार
• छोटे समूह का व्यवहार
• सामूहिक व्यवहार

इनमें से प्रत्येक प्रकार को एमएल का उपयोग करके मॉडलिंग किया जा सकता है, लेकिन पूरी तरह से अलग इनपुट जानकारी और सुविधाओं के साथ। प्रत्येक प्रकार के अपने नैतिक मुद्दे भी होते हैं जो प्रत्येक परियोजना से गुजरते हैं:

• व्यक्तिगत व्यवहार - पहचान की चोरी, डीपफेक;
• लोगों के समूहों का व्यवहार - डोनेशन, आंदोलनों के बारे में जानकारी प्राप्त करना, फोन कॉल, आदि;

व्यक्तिगत व्यवहार

अधिक हद तक, कंप्यूटर विज़न का विषय - मानवीय भावनाओं की पहचान, उनकी प्रतिक्रियाएँ। यह केवल समय के संदर्भ में या भावनाओं की अपनी परिवर्तनशीलता के सापेक्ष पैमाने के साथ संभव है। स्लाइड पर भूमध्यसागरीय महिलाओं के भावनात्मक स्पेक्ट्रम के संदर्भ में मोना लिसा की भावनाओं की पहचान है। परिणाम: खुशी की मुस्कान, लेकिन अवमानना ​​और घृणा के साथ। कारण "तटस्थ" भावना का निर्धारण करने के तकनीकी तरीके में सबसे अधिक संभावना है।

छोटे समूह का व्यवहार

अब तक, सबसे खराब जानकारी के अभाव के कारण मॉडलिंग की जाती है। 2018 - 2019 के कार्यों को एक उदाहरण के रूप में दिखाया गया था। वीडियो के दर्जनों लोगों पर दर्जनों (सीएफ छवि डेटासेट 100k ++)। इस कार्य के भीतर सबसे अच्छे सिमुलेशन के लिए, बहु-विषयक जानकारी की आवश्यकता होती है, अधिमानतः सेंसर से टेली-अल्टीमीटर, थर्मामीटर, माइक्रोफ़ोन रिकॉर्डिंग आदि के लिए।

सामूहिक व्यवहार

सबसे विकसित क्षेत्र, ग्राहक के रूप में संयुक्त राष्ट्र और कई राज्य हैं। बाहरी निगरानी कैमरे, टेलीफोन टावरों से डेटा - बिलिंग, एसएमएस, कॉल, राज्यों की सीमाओं के बीच आवागमन पर डेटा - यह सब सामाजिक अस्थिरताओं के कारण लोगों के प्रवाह की गति का एक बहुत विश्वसनीय विचार देता है। प्रौद्योगिकी के संभावित अनुप्रयोग: बचाव अभियानों का अनुकूलन, सहायता और आपातकालीन स्थिति में आबादी का समय पर निकासी। उपयोग किए जाने वाले मॉडल ज्यादातर अब तक खराब व्याख्या किए गए हैं - ये विभिन्न LSTM और दृढ़ नेटवर्क हैं। एक संक्षिप्त टिप्पणी थी कि संयुक्त राष्ट्र एक नए कानून की पैरवी कर रहा है जो यूरोपीय व्यवसायों को किसी भी शोध के लिए आवश्यक अनाम डेटा साझा करने के लिए बाध्य करेगा।

"सिस्टम 1 से सिस्टम 2 डीप लर्निंग तक", योशुआ बेंगियो

स्लाइड शो
जोशुआ के एक व्याख्यान में, बेंजियो डीप लर्निंग, लक्ष्य निर्धारण स्तर पर तंत्रिका विज्ञान से मिलता है।
बेंजियो नोबेल पुरस्कार विजेता डैनियल काह्नमैन की पुस्तक (" धीरे सोचो, जल्दी हल करो ") की पद्धति के अनुसार दो मुख्य प्रकारों की पहचान करता है।
टाइप 1 - सिस्टम 1, अचेतन क्रियाएं जो हम "मशीन पर" करते हैं (प्राचीन मस्तिष्क): परिचित स्थानों में कार चलाना, घूमना, चेहरे पहचानना।
टाइप 2 - सिस्टम 2, सचेत क्रियाएं (सेरेब्रल कॉर्टेक्स), लक्ष्य-निर्धारण, विश्लेषण, सोच, समग्र कार्य।

एआई अब तक केवल पहले प्रकार के कार्यों में पर्याप्त ऊंचाइयों तक पहुंचता है - जबकि हमारा काम इसे दूसरे तक पहुंचाना है, सीखा है कि कैसे बहु-विषयक संचालन करना और तर्क, उच्च-स्तरीय संज्ञानात्मक कौशल के साथ काम करना है।

इस लक्ष्य को प्राप्त करने के लिए, यह प्रस्तावित है:

1. एनएलपी कार्यों में मॉडलिंग सोच के लिए एक महत्वपूर्ण तंत्र के रूप में ध्यान का उपयोग करें
2. संकेतों के बेहतर मॉडलिंग के लिए मेटा-लर्निंग और प्रतिनिधित्व सीखने का उपयोग करें, जो चेतना को प्रभावित करते हैं, और उनका स्थानीयकरण - और उनके आधार पर उच्च-स्तरीय अवधारणाओं के साथ काम करना।

निष्कर्ष के बजाय, हम आमंत्रित वार्ता प्रविष्टि को छोड़ देते हैं: बेंजियो कई वैज्ञानिकों में से एक है जो अनुकूलन, एसओटीए और नए आर्किटेक्चर की समस्याओं से परे एमएल क्षेत्र का विस्तार करने की कोशिश कर रहे हैं।
यह सवाल खुला है कि चेतना की समस्याओं का संयोजन किस सीमा तक है, सोच पर भाषा का प्रभाव, न्यूरोबायोलॉजी और एल्गोरिदम क्या है जो हमें भविष्य में इंतजार कर रहा है और हमें उन मशीनों पर जाने की अनुमति देगा जो लोगों को पसंद करते हैं।

धन्यवाद!