Halo, Khabravchans! Setelah menyaring sejumlah besar sumber dan langganan untuk Anda, saya mengumpulkan semua berita paling signifikan dari dunia pembelajaran mesin dan kecerdasan buatan untuk bulan September. Jangan lupa untuk berbagi dengan rekan kerja, atau hanya dengan mereka yang tertarik dengan berita tersebut.
Bagi mereka yang belum membaca intisari Agustus, Anda dapat membacanya di
sini .
Jadi, sekarang intisari September:
1. Para ilmuwan EPFL telah
mengembangkan kulit buatan lembut yang memberikan umpan balik taktil dan, berkat mekanisme kesejahteraannya yang canggih, berpotensi mampu secara instan beradaptasi dengan gerakan pengguna.
2. Protesa anggota badan
membaik setiap tahun, tetapi kekuatan dan akurasi yang mereka peroleh tidak selalu mengarah pada penggunaan yang lebih efisien. Lagi pula, orang dengan anggota tubuh yang diamputasi hanya memiliki tingkat kontrol dasar terhadap mereka. Peneliti Swiss telah menemukan cara untuk meningkatkan manajemen anggota badan buatan menggunakan AI.
3. Pengembang dari Google
menerbitkan deskripsi sistem rekomendasi end-to-end di YouTube. Sistem menggunakan beberapa fungsi target untuk menentukan peringkat dan mempertimbangkan preferensi pribadi pengguna. Untuk mengoptimalkan model untuk beberapa fungsi objektif, pengembang menggunakan Multi-gate Mixture-of-Experts.
4. Proyek
generate.photos menerbitkan dataset dengan 100K wajah dalam resolusi tinggi. Gambar wajah dihasilkan menggunakan StyleGAN. Gambar yang dipublikasikan dapat digunakan secara bebas untuk tujuan komersial dengan tautan ke pengembang. Layanan semacam itu mungkin menarik bagi editor majalah, spesialis periklanan, perancang web, dll. Penggunaan gambar sintetis mengurangi biaya profesional media dalam audisi dan fotografi.
5. Di Australia, kecerdasan buatan
akan membantu menangkap pengemudi yang terganggu oleh smartphone.
6. Beberapa tahun yang lalu, Google
mengidentifikasi prakiraan banjir sebagai peluang unik untuk meningkatkan kehidupan masyarakat dan mulai mempelajari bagaimana pengalaman infrastruktur dan pembelajaran mesin Google dapat membantu.
7. Studi terjemahan mesin saraf multibahasa. Selama beberapa tahun terakhir, sistem terjemahan mesin (MT) telah meningkat secara signifikan berkat perkembangan di bidang terjemahan mesin saraf (NMT). Namun, keberhasilan NMT sebagian besar disebabkan oleh sejumlah besar data pelatihan. Tetapi bagaimana dengan bahasa yang datanya sedikit atau tidak ada sama sekali? NMT multibahasa, di mana sinyal pelatihan dari satu bahasa harus meningkatkan kualitas terjemahan ke bahasa lain, merupakan jalan keluar yang potensial.
8. Peneliti ETH
menggunakan kecerdasan buatan untuk meningkatkan kualitas gambar yang direkam dengan teknik pencitraan biomedis yang relatif baru. Ini membuka jalan bagi diagnostik yang lebih akurat dan perangkat yang hemat biaya.
9. Para ilmuwan dari Universitas Oxford telah
mengembangkan perangkat lunak kecerdasan buatan baru untuk mengenali dan melacak wajah simpanse individu di alam liar.
10. Para peneliti di Institut ATLAS dari Universitas Colorado baru-baru ini
mengembangkan sekelompok robot pengubah bentuk kecil yang disebut ShapeBots. Robot yang mengubah diri ini dapat mengubah konfigurasi individu dan kolektif untuk menampilkan dan memvisualisasikan informasi dalam berbagai pengaturan.
11. Bahan sintetis baru , yang menciptakan jaringan sensorik yang terhubung mirip dengan sistem saraf biologis, dapat memungkinkan robot lunak merasakan bagaimana mereka berinteraksi dengan lingkungan dan menyesuaikan tindakan mereka sesuai.
12. Pembelajaran mesin dan
aplikasi radikal dalam peramalan cuaca buruk.
13. Para peneliti telah
mengembangkan algoritma pembelajaran mesin yang memprediksi hasil reaksi kimia dengan akurasi jauh lebih tinggi daripada ahli kimia terlatih dan menawarkan metode untuk memproduksi molekul kompleks, menghilangkan hambatan yang signifikan untuk penemuan obat.
14. Sebuah tim ahli matematika Italia, termasuk seorang ilmuwan saraf di Center for the Unknown (CCU) di Lisbon, Portugal, telah
menunjukkan bahwa mesin dengan penglihatan buatan dapat belajar mengenali gambar kompleks dengan cepat menggunakan teori matematika yang dikembangkan 25 tahun yang lalu.
Tentang ini intisari singkat kami berakhir. Menarik kesimpulan dan bekerja secara produktif. Jangan lupa untuk berbagi artikel dengan rekan kerja. Untuk tidak melewatkan artikel dan berita, Anda akan dibantu dengan berlangganan ke saluran Telegram saya
Neuron (@neurondata), serta berlangganan ke
akun saya di Habré, jangan lewatkan intisari berikut.
Semua pengetahuan!