Будущее машины: Машины будущего. Какими они будут и чего ожидать? Фото, видео и многое другое — ЗА БАРАНКОЙ

Подготовительный этап занял у Лукаса 365 дней: всё это время блогер записывал то, что с ним происходит на видео, причём съёмка шла от первого лица. Чтобы провернуть такой трюк, ютубер приобрёл специальные очки с камерами (причём пять раз, ведь гаджет оказался хрупким).

Затем Лукас купил три жёстких диска, чтобы ни один кадр из года его жизни не пропал даром, и отправился в путешествие. За 365 дней парень успел объездить немало стран и записать так много видео, что ему вновь пришлось запасаться накопителями.

Наконец, год, полный приключений, прошёл, и блогер вернулся домой с полным багажом воспоминаний (и жёстких дисков). Тогда-то Лукас и взялся за сборку машины времени — для начала он выделил трёх китов, на которых будет держаться его изобретение.

Ими стали контрольная панель для управления путешествиями в прошлое, поисковик воспоминаний и спецэффекты для более яркого перемещения во времени. Лукас сам спроектировал дизайн пульта, где с помощью кнопок можно выбрать день, в который хочешь вернуться.

Чтобы сделать путешествия возможными, Лукасу пришлось написать специальный код, который ему удалось создать далеко не с первого раза. Это стало не единственной проблемой изобретателя: воспоминаний на жёстких дисках было так много, что расставить их по порядку оказалось почти невыполнимой миссией.

Со спецэффектами вышло куда проще: парень вспомнил, как работало погружение в воспоминания в фильме «Гарри Поттер и Принц-полукровка», и попробовал изобразить нечто похожее.

Наконец, машина времени была готова. Чтобы перемещаться во времени с помощью изобретения Лукаса, нужны VR-очки. Для начала путешествия в прошлое стоит лишь выбрать дату и нажать на рычаг.

Блогер уселся в тёмной комнате, надел очки виртуальной реальности и отправился в апрель 2019 года.

Оказалось, в этот момент времени Лукас наслаждался жизнью: сидел на дереве и ел бублик.

Кажется, эмоции, которые испытал парень во время этого путешествия, стоили всех его трудов и мучений.

Сложно описать чувства, которые вызывает возвращение в прошлое. Это не то же самое, что смотреть видео, совсем нет. Когда своими глазами видишь всё это снова, в мозгу что-то вспыхивает и вспоминается всё, что связано с тем или иным моментом, — рассказ Лукас.

А увидеть, как работает персональная машина времени американского изобретателя, можно на видео ниже.

Похоже, желание вернуться в прошлое толкнуло на необычные эксперименты не только Лукаса. Журналистка прожила день как в 2010 году и поняла, что мир изменился куда сильнее, чем нам кажется.

А пользовательнице сайта Reddit, чтобы сломать временной континуум, не пришлось вспоминать, как человечество жило раньше. Просто женщина решила похудеть, но вместе с весом ушёл и её возраст.

Будущее машинного обучения и искусственного интеллекта

Искусственный интеллект (ИИ) и связанные с ним технологии будут присутствовать во многих отраслях, в значительном количестве программных пакетов и станут частью нашей повседневной жизни к 2020 году. Gartner также прогнозирует, что к 2020 году ИИ войдет в пятерку крупнейших инвестиций приоритеты не менее 30% ИТ-директоров. Мировые поставщики программного обеспечения стремятся к новой золотой лихорадке. К сожалению, хотя обещание новых доходов подтолкнуло владельцев программного бизнеса к инвестированию в технологии искусственного интеллекта, правда в том, что большинство организаций не имеют квалифицированного персонала для использования искусственного интеллекта.

Неявное предупреждение во многих отраслевых обзорах по ИИ и его влиянию на отрасли состоит в том, что поставщики программного обеспечения должны сначала сосредоточиться на понимании потребностей бизнес-клиентов и потенциальных бизнес-выгод от ИИ, прежде чем преследовать золотую лихорадку, которая была названа « Стирка искусственного интеллекта », как предлагается в Как поставщики корпоративного программного обеспечения должны (и не должны) использовать нарушение искусственного интеллекта.

Дефицит доверия к «возможностям технологических решений», который существует сегодня, исчезнет в ближайшие 10 лет, заявляет За десять лет: будущее ИИ и ML .В течение следующего десятилетия мы станем свидетелями радикального перехода от частичного недоверия и скептицизма к полной зависимости от ИИ и других передовых технологий. Большинство приложений на базе искусственного интеллекта ориентированы на потребителей, что является еще одной веской причиной для массовых пользователей, чтобы со временем преодолеть барьер доверия. Сообщество Citizen Data Science с большей открытостью и более широким доступом к технологическим решениям для повседневной работы проложит путь к миру с новым технологическим порядком.

Использование ИИ и машинного обучения как конкурентных движущих сил бизнеса утверждает, что, хотя такие технологии, как облако, обеспечивают гибкость бизнес-процессов, искусственный интеллект и машинное обучение могут влиять на результаты бизнеса.

По данным Gartner:

«Искусственный интеллект и машинное обучение достигли критической точки и будут все больше и больше дополнять и расширять практически все услуги, объекты или приложения с технологической поддержкой».

Будущее AI

В эпоху постиндустриализации люди работали над созданием машины, которая ведет себя как человек. Мыслящая машина — самый большой подарок ИИ человечеству; торжественное появление этой самоходной машины внезапно изменило правила ведения бизнеса.В последние годы беспилотные автомобили, цифровые помощники, персонал роботизированных заводов и умные города доказали, что интеллектуальные машины возможны. ИИ преобразовал большинство секторов промышленности, таких как розничная торговля, производство, финансы, здравоохранение и СМИ, и продолжает вторгаться на новые территории.

Будущее машинного обучения

Вот некоторые прогнозы относительно машинного обучения, основанные на текущих технологических тенденциях и систематическом продвижении машинного обучения к зрелости:

• ML будет неотъемлемой частью всех систем ИИ, больших или малых.
• Поскольку машинное обучение приобретает все большее значение в бизнес-приложениях, существует большая вероятность того, что эта технология будет предложена в виде облачной службы, известной как машинное обучение как услуга (MLaaS).
• Подключенные системы искусственного интеллекта позволят алгоритмам машинного обучения «постоянно учиться» на основе новой информации, появляющейся в Интернете.
• Производители оборудования будут очень спешить с целью увеличения мощности ЦП для обработки данных машинного обучения. Точнее, производителей оборудования заставят модернизировать свои машины, чтобы отдать должное возможностям машинного обучения.
• Машинное обучение поможет машинам лучше понимать контекст и значение данных.

В сообщении блога 5 прогнозов будущего машинного обучения от IBM Big Data Hub содержится описание вышеуказанных тенденций.

Некоторые прогнозы о машинном обучении

Опытный пользователь методов машинного обучения делится своими взглядами на мир машинного обучения, предполагая, что эти тенденции неизбежны в области машинного обучения:

• Использование нескольких технологий в машинном обучении. Появление Интернета вещей во многом помогло машинному обучению.Использование нескольких технологических стратегий для достижения лучшего обучения в настоящее время практикуется в ML; в будущем возможно более «совместное обучение» с использованием нескольких технологий.
Персонализированная вычислительная среда
• : разработчики будут иметь доступ к комплектам API для разработки и предоставления «более интеллектуальных приложений». В некотором смысле, это похоже на «вспомогательное программирование». С помощью этих наборов API разработчики могут легко встраивать в свои системы функции распознавания лиц, речи или зрения.
• Quantum Computing значительно повысит скорость выполнения алгоритмов машинного обучения при обработке векторов большой размерности. Это будет следующим достижением в области исследований машинного обучения.
• Дальнейшее развитие «алгоритмов машинного обучения без учителя» приведет к более высоким бизнес-результатам.
• Настроенные механизмы рекомендаций. Услуги будущего с поддержкой машинного обучения станут более точными и актуальными. Например, системы рекомендаций будущего будут гораздо более актуальными и ближе к личным предпочтениям и вкусам отдельного пользователя.

Тенденции в области машинного обучения и искусственного интеллекта в 2018 г. представляет собой краткий обзор наиболее значимых технологических тенденций на 2018 год. В 10 лучших технологических тенденциях 2017 года Gartner суммирует всепроникающую цифровую лихорадку как наличие людей, машин и бизнеса процессы в единой системе.

Повлияет ли расширенный искусственный интеллект и машинное обучение на кибербезопасность?

Следуя текущим тенденциям исследований в области ИИ и машинного обучения, достижения в области кибербезопасности вывели алгоритмы машинного обучения на новый уровень обучения, что предполагает, что ориентированные на безопасность приложения ИИ и машинного обучения будущего будут отмечены своей скоростью и точностью. .Полный текст доступен в Машинное обучение, искусственный интеллект и будущее кибербезопасности . Эта растущая тенденция может приблизить специалистов по данным и экспертов по кибербезопасности к достижению общих целей разработки программного обеспечения.

На благо человечества: искусственный интеллект и машинное обучение в основных отраслях промышленности

Трудно игнорировать глобальное влияние «AI-промывки» на текущий бизнес-рынок и то, как AI и ML могут изменить рынки разработки приложений завтрашнего дня.

AI и ML совместно получили такое же значение, как открытие электричества в начале промышленной революции. Эти передовые технологии, как и электричество, открыли новую эру в истории информационных технологий.

Сегодня системы на базе искусственного интеллекта и машинного обучения коренным образом меняют способ ведения бизнеса во всех отраслях промышленности. Эти передовые технологии постепенно приводят к трансформационным изменениям во всех отраслях промышленности, некоторые из которых перечислены здесь:

В сфере здравоохранения

Постепенно люди-практики и машины будут работать в тандеме для достижения улучшенных результатов.Ожидается, что современные машины будут обеспечивать точную и своевременную диагностику состояний пациентов, в то время как практикующие врачи могут больше сосредоточиться на пациентах.

Финансы
ИИ и машинное обучение — новые тенденции в технологиях будущего. обсуждает, как новейшие технологии, такие как блокчейн, влияют на рынки капитала Индии. Например, операторы рынка капитала могут использовать блокчейн для прогнозирования движений на рынке и обнаружения мошенничества. Технологии искусственного интеллекта не только открывают возможности для новых бизнес-моделей на финансовом рынке, но и укрепляют позиции технолога искусственного интеллекта в экосистеме бизнес-инвестиций.

In Real Estate
Contactually.com, передовая CRM-система для бизнеса в сфере недвижимости, была специально разработана для связи инвесторов и стартапов из Вашингтона. Дополнительные возможности алгоритмов машинного обучения превращают статическую систему в живую интерактивную машину, которая отвечает, одобряет и рекомендует.

В администрировании базы данных
Повторяющиеся задачи в средней системе администраторов баз данных дают возможность технологиям искусственного интеллекта автоматизировать процессы и задачи.Сегодняшние администраторы баз данных наделены передовыми инструментами, так что они могут вносить дополнительный вклад в свои организации, а не просто выполнять механические функции, как описано в Что означает искусственный интеллект и машинное обучение для администраторов баз данных .

На рынке персональных устройств
Некоторые бизнес-аналитики заявляют, что ИИ меняет правила игры на рынке персональных устройств. К 2020 году около 60 процентов поставщиков технологий для персональных устройств будут зависеть от облачных платформ с поддержкой ИИ для предоставления расширенной функциональности и персонализированных услуг.Технология искусственного интеллекта обеспечит «эмоциональный опыт пользователя».

Фото: bettervector / Shutterstock.com

Почему будущее машинного обучения крошечное «Блог Пита Уордена

Фото Кевина Стейнхардта

Когда Азим попросил меня выступить с докладом на CogX, он попросил меня сосредоточиться только на одном моменте, который я хотел бы вынести из аудитории. Несколько лет назад моей приоритетной задачей было убедить людей в том, что глубокое обучение было настоящей революцией, а не увлечением, но было достаточно примеров доставки продуктов, на которые, похоже, есть ответ на этот вопрос.Я знал, что это правда раньше, чем большинство людей, не потому, что я какой-то пророк с глубоким пониманием, а потому, что у меня была возможность провести много времени, проводя практические эксперименты с этой технологией. Я мог быть уверен в ценности глубокого обучения, потому что я своими глазами видел, насколько оно эффективно для целого ряда приложений, и знал, что единственным препятствием на пути к более широкому его развертыванию является то, сколько времени потребуется, чтобы получить от исследований к развертыванию.

Вместо этого я решил поговорить о другой тенденции, в которой я так же уверен и окажет такое же влияние, но о которой далеко не так хорошо известно.Я убежден, что машинное обучение может работать на крошечных микросхемах с низким энергопотреблением и что эта комбинация решит огромное количество проблем, для которых у нас пока нет решений. Это то, о чем я буду говорить на CogX, и в этом посте я объясню, почему я так уверен.

Крошечные компьютеры уже везде и дешевы

Диаграмма с сайта embedded.com

Рынок настолько фрагментирован, что трудно получить точные цифры, но по лучшим оценкам в этом году будет продано более 40 миллиардов микроконтроллеров, и, учитывая постоянство продуктов, которые они представляют, вероятно, будут сотни миллиардов микроконтроллеров. их в сервисе.Микроконтроллеры (или микроконтроллеры) представляют собой пакеты, содержащие небольшой ЦП с, возможно, всего несколькими килобайтами оперативной памяти, и встроены в потребительские, медицинские, автомобильные и промышленные устройства. Они предназначены для использования очень небольшого количества энергии и должны быть достаточно дешевыми, чтобы включать их практически в любой продаваемый объект, при этом ожидается, что в этом году средние цены упадут ниже 50 центов.

Им не уделяют особого внимания, потому что они часто используются для замены функций, которые могли выполнять старые электромеханические системы, в автомобилях, стиральных машинах или пультах дистанционного управления.Логика управления устройствами практически не изменилась по сравнению с аналоговыми цепями и реле, которые использовались раньше, за исключением, возможно, некоторых настроек, таких как программируемые кнопки дистанционного управления или дворники, скорость которых изменяется в зависимости от интенсивности дождя. Самым большим преимуществом для производителя является то, что стандартные контроллеры могут быть запрограммированы с помощью программного обеспечения, а не требовать специальной электроники для каждой задачи, поэтому они делают производственный процесс дешевле и проще.

Энергия — ограничивающий фактор

Любое устройство, которому требуется электричество, сталкивается с множеством препятствий.Он ограничен местами с проводкой, и даже там, где он доступен, по практическим соображениям может быть сложно подключить что-то новое, например, на заводе или в операционной. Поместить что-то высоко в углу комнаты означает проложить шнур или найти альтернативы, такие как питание через Ethernet. Электроника, необходимая для преобразования сетевого напряжения в диапазон, который может использоваться схемой, дорогая и расходует энергию. Даже портативные устройства, такие как телефоны или ноутбуки, требуют частой стыковки.

Святым Граалем практически любого интеллектуального продукта является возможность его развертывания в любом месте и отсутствие необходимости в техническом обслуживании, например при установке в док-станцию ​​или замене батареи. Самым большим препятствием для достижения этого является то, сколько энергии потребляет большинство электронных систем. Вот некоторые приблизительные цифры для общих компонентов, основанные на данных о потреблении энергии смартфоном (подробнее см. Мой старый пост здесь):

• Дисплей может потреблять 400 милливатт.
• Активное сотовое радио может потреблять 800 милливатт.
• Bluetooth может потреблять 100 милливатт.
• Акселерометр 21 милливатт.
Гироскоп
• — 130 милливатт.
• GPS — 176 милливатт.

Сам микроконтроллер может потреблять только милливатт или даже меньше, но вы можете видеть, что периферийным устройствам может потребоваться гораздо больше. Монетная батарея может иметь 2500 Джоулей энергии, так что даже то, что потребляет один милливатт, прослужит около месяца. Конечно, большинство современных продуктов используют дежурный цикл и сон, чтобы избежать постоянного включения, но вы можете видеть, какой ограниченный бюджет существует даже в этом случае.

ЦП и датчики почти не потребляют питание, радио и дисплеи используют партии

В целом, из этих цифр можно вынести то, что процессоры и датчики могут масштабировать свое энергопотребление до диапазонов микроватт (например, чип технического зрения Qualcomm Glance, даже энергоемкие ПЗС-матрицы или микрофоны, которые потребляют всего сотни микроватт), но отображают особенно радио ограничено гораздо более высоким потреблением, причем даже маломощный Wi-Fi и Bluetooth потребляют десятки милливатт в активном состоянии.Кажется, что физика перемещения данных требует много энергии. Кажется, существует правило, согласно которому энергия, затрачиваемая на операцию, пропорциональна тому, как далеко вы должны послать биты. ЦП и датчики отправляют биты в несколько миллиметров, и это дешево, радио отправляет их в метрах или более и стоит дорого. Я не думаю, что эти отношения кардинально меняются, даже если технологии улучшаются в целом. Фактически, я ожидаю, что относительный разрыв между стоимостью вычислений и радио станет еще больше, потому что я вижу больше возможностей для сокращения использования вычислительной мощности.

Мы собираем гораздо больше данных датчиков, чем используем

Несколько лет назад я разговаривал с некоторыми инженерами, работающими над микроспутниками для получения изображений. Их проблема заключалась в том, что они, по сути, использовали телефонные камеры, которые способны снимать HD-видео, но у них был только небольшой объем памяти на спутнике для хранения результатов и лишь ограниченная пропускная способность каждые несколько часов для загрузки на базовые станции на Земле. Я понял, что мы сталкиваемся с одной и той же проблемой почти везде, где размещаем датчики.Даже домашние камеры ограничены пропускной способностью Wi-Fi и широкополосным подключением. Моим любимым примером этого был друг, чье использование интернет-провайдером в декабре было значительно выше, чем в остальное время года, и когда он углубился, это было потому, что его мигающие рождественские огни привели к резкому падению степени сжатия видеопотока, так как гораздо больше кадров было различия!

Есть еще много примеров этого. Все акселерометры на наших носимых устройствах и телефонах используются только для обнаружения событий, которые могут разбудить устройство, или для базового подсчета шагов, при этом все возможности более сложного обнаружения активности остаются неизменными.

Что все это означает для машинного обучения

Если вы примете все вышеперечисленное, то очевидно, что существует огромный неиспользованный рынок, который ждет своего открытия с помощью правильной технологии. Нам нужно что-то, что работает на дешевых микроконтроллерах, потребляет очень мало энергии, полагается на вычисления, а не на радио, и может превратить все наши потраченные впустую данные датчиков во что-то полезное. Это пробел, который заполняет машинное обучение, особенно глубокое обучение.

Глубокое обучение связано с вычислительными ресурсами и хорошо работает на существующих микроконтроллерах

Одна из моих любимых частей работы над реализациями глубокого обучения — это то, что они почти всегда связаны с вычислительными ресурсами.Это важно, потому что почти все другие приложения, над которыми я работал, были ограничены скоростью доступа к большим объемам памяти, как правило, непредсказуемым образом. Напротив, для нейронных сетей большая часть времени тратится на перемножение больших матриц вместе, где одни и те же числа используются повторно в разных комбинациях. Это означает, что ЦП тратит большую часть своего времени на арифметические операции, чтобы умножить два кэшированных числа вместе, и гораздо меньше времени на выборку новых значений из памяти.

Это важно, потому что выборка значений из DRAM может легко потребовать в тысячу раз больше энергии, чем выполнение арифметической операции. Кажется, это еще один пример отношения расстояние / энергия, поскольку DRAM физически находится дальше, чем регистры. Сравнительно низкие требования к памяти (всего десятки или сотни килобайт) также означают, что для хранения можно использовать SRAM или флэш-память с низким энергопотреблением. Это делает приложения глубокого обучения хорошо подходящими для микроконтроллеров, особенно когда используются восьмибитные вычисления вместо чисел с плавающей запятой, поскольку микроконтроллеры часто уже имеют инструкции, подобные DSP, которые хорошо подходят.Эта идея не нова, и Apple, и Google используют постоянные сети для распознавания голоса на чипах такого типа, но, похоже, не многие люди в мире машинного обучения или встроенных систем осознают, насколько хорошо сочетаются глубокое обучение и MCU.

Глубокое обучение может быть очень энергоэффективным

Я трачу много времени на размышления о пикоджоулях на операцию. Это показатель того, сколько энергии потребляет одна арифметическая операция на ЦП, и он полезен, потому что, если я знаю, сколько операций требуется данной нейронной сети для однократного выполнения, я могу получить приблизительную оценку того, сколько энергии она будет потреблять.Например, сеть классификации изображений MobileNetV2 занимает 22 миллиона операций (каждое умножение-сложение — это две операции) в самой маленькой конфигурации. Если я знаю, что конкретная система требует 5 пикоджоулей для выполнения одной операции, то для выполнения потребуется (5 пикоджоулей * 22 000 000) = 110 микроджоулей энергии. Если мы анализируем один кадр в секунду, то это всего лишь 110 микроватт, которые батарейка-монета может поддерживать непрерывно в течение почти года. Эти цифры находятся в пределах того, что возможно с доступными сейчас DSP, и я надеюсь, что мы увидим дальнейшее повышение эффективности.Это означает, что затраты энергии на работу существующих нейронных сетей на текущем оборудовании уже вполне укладываются в бюджет постоянно включенного устройства с батарейным питанием, и, вероятно, они улучшатся еще больше по мере совершенствования как архитектуры модели нейронной сети, так и оборудования.

Глубокое обучение учитывает данные датчиков

В последние несколько лет внезапно стало возможным получать зашумленные сигналы, такие как изображения, аудио или акселерометры, и извлекать из них смысл с помощью нейронных сетей.Поскольку мы можем запускать эти сети на микроконтроллерах, а сами датчики потребляют мало энергии, появляется возможность интерпретировать гораздо больше данных датчиков, которые мы в настоящее время игнорируем. Например, я хочу, чтобы почти каждое устройство имело простой голосовой интерфейс. Понимая небольшой словарный запас и, возможно, используя датчик изображения для обнаружения взгляда, мы должны иметь возможность контролировать практически все в нашей среде, не дотянувшись до него, чтобы нажать кнопку или использовать приложение для телефона. Я хочу увидеть компонент голосового интерфейса стоимостью менее пятидесяти центов, который работал бы от монетной батареи в течение года, и я считаю, что это вполне возможно с помощью технологий, которые у нас есть прямо сейчас.

В качестве другого примера, мне бы хотелось иметь крошечный датчик изображения с батарейным питанием, который я мог бы запрограммировать, чтобы выявлять такие вещи, как определенные вредители сельскохозяйственных культур или сорняки, и отправлять оповещения при обнаружении одного из них. Они могут быть разбросаны по полям и направлять такие вмешательства, как прополка или пестициды, гораздо более экологически безопасным способом.

Одним из промышленных примеров, которые запомнились мне, было описание «Ганса» заводским оператором. Он опытный инженер, который каждое утро ходит по ряду машин, кладет руку на каждую из них, слушает, а затем говорит мастеру, что нужно отключить для обслуживания, и все это на основе опыта и интуиции.Он есть на каждой фабрике, но многим предстоит выйти из эксплуатации. Если бы вы могли прикрепить акселерометр с батарейным питанием и микрофон к каждой машине («Cyber-Hans»), которая научилась бы работать в обычном режиме и сигнализировала бы об аномалии, вы могли бы выявить проблемы до того, как они перерастут в настоящие.

У меня, наверное, есть сотня других продуктов, о которых я мог бы мечтать, но, честно говоря, меня больше всего волнует то, что я не знаю, как эти новые устройства будут использоваться, просто технологический императив, стоящий за ними, настолько велик. убедительно, что они будут построены, и появятся совершенно новые приложения, которые я не могу себе представить.Для меня это очень похоже на то, что я был ребенком в восьмидесятых, когда появились первые домашние компьютеры. Я понятия не имел, какими они станут, и большинство людей в то время использовали их для игр или хранения адресных книг, но было так много возможностей, что я знал, что появятся совершенно новые миры.

The Takeaway

Единственная причина для личной встречи вместо отправки документа — это передать эмоции, стоящие за информацией. То, чем я хочу поделиться с аудиторией CogX, — это мое волнение и уверенность в будущем машинного обучения на крошечных устройствах, и, хотя сообщение в блоге — плохая замена реального присутствия, я надеюсь, что кое-что из этого у меня здесь.Я не знаю подробностей того, что нас ждет в будущем, но я знаю, что машинное обучение на крошечных, дешевых микросхемах с батарейным питанием приближается и откроет двери для некоторых удивительных новых приложений!

Нравится:

Нравится Загрузка …

Связанные

10 компаний, использующих машинное обучение классными способами

Если научно-фантастические фильмы и научили нас чему-то, так это тому, что будущее — это мрачная и ужасающая антиутопия, управляемая кровожадными разумными роботами.

К счастью, только одна из этих вещей верна — но это может скоро измениться, как так любят нам говорить предсказатели судьбы.

Изображение через Абдул Рахид

Искусственный интеллект и машинное обучение — одни из самых значительных технологических достижений в новейшей истории. Немногие области обещают «нарушить» (если заимствовать излюбленный термин) жизнь, поскольку мы ее знаем, как машинное обучение, но многие приложения технологии машинного обучения остаются незамеченными.

Хотите увидеть реальные примеры машинного обучения в действии? Вот 10 компаний, которые используют возможности машинного обучения новыми захватывающими способами (а также возможность заглянуть в будущее машинного обучения).

1. Yelp — настройка изображения в масштабе

Мало что может сравниться с посещением нового ресторана, а затем выходом в Интернет, чтобы потом пожаловаться на него. Это одна из многих причин, по которым Yelp так популярен (и полезен).

Хотя на первый взгляд Yelp может показаться не технологической компанией, Yelp использует машинное обучение для повышения качества обслуживания пользователей.

Поскольку изображения для Yelp почти так же важны, как и сами отзывы пользователей, неудивительно, что Yelp всегда пытается улучшить обработку изображений.

Вот почему Yelp обратился к машинному обучению пару лет назад, когда впервые реализовал свою технологию классификации изображений. Алгоритмы машинного обучения Yelp помогают человеческому персоналу компании более эффективно компилировать, классифицировать и маркировать изображения. — немалый подвиг, когда вы имеете дело с десятками миллионов фотографий.

2. Pinterest — Улучшенное обнаружение контента

Если вы заядлый пайнер или никогда раньше не пользовались сайтом, Pinterest занимает любопытное место в экосистеме социальных сетей. Поскольку основная функция Pinterest — курировать существующий контент, имеет смысл инвестировать в технологии, которые могут сделать этот процесс более эффективным, — и это определенно верно для Pinterest.

В 2015 году Pinterest приобрела Kosei, компанию по машинному обучению, специализирующуюся на коммерческих приложениях технологий машинного обучения (в частности, алгоритмах обнаружения контента и рекомендаций).

Сегодня машинное обучение затрагивает практически все аспекты бизнес-операций Pinterest, от модерации спама и обнаружения контента до монетизации рекламы и сокращения оттока подписчиков на электронную рассылку новостей . Довольно круто.

3. Facebook — Армия чат-бота

Хотя служба сообщений Facebook, еще немного … спорная (люди самых сильных чувств по поводу обмена сообщений приложений, кажется), это один из самых интересных аспектов крупнейшей в мире социальных медиа платформы. Это потому, что Messenger стал чем-то вроде экспериментальной лаборатории тестирования чат-ботов. .

Некоторые чат-боты практически неотличимы от людей, когда
общаются с помощью текстового сообщения

Любой разработчик может создать и отправить чат-бота для включения в Facebook Messenger. Это означает, что компании, уделяющие особое внимание обслуживанию и удержанию клиентов, могут использовать чат-ботов, даже если они представляют собой крошечный стартап с ограниченными инженерными ресурсами.

Конечно, это не единственное приложение машинного обучения, которое интересует Facebook. AI-приложения используются в Facebook для фильтрации спама и некачественного контента , и компания также изучает алгоритмы компьютерного зрения, которые могут «читать» »Изображения для слабовидящих людей.

4. Twitter — курируемые хронологии

Twitter был в последнее время в центре многочисленных споров (не в последнюю очередь из-за того, что многие высмеивали решения по округлению аватаров каждого и изменения способа пометки людей в ответах @), но одно из наиболее спорных изменений, которые мы » Мы видели в Твиттере переход к алгоритмической ленте.

Роб Лоу был особенно расстроен введением
алгоритмически курируемых таймлайнов Twitter

Независимо от того, предпочитаете ли вы, чтобы Twitter показывал вам «сначала лучшие твиты» (что бы это ни значило) или в разумно хронологическом порядке, эти изменения происходят за счет технологии машинного обучения Twitter. ИИ Твиттера оценивает каждый твит в режиме реального времени и «оценивает» их по различным показателям .

В конечном итоге алгоритмы Twitter отображают твиты, которые, вероятно, вызовут наибольшее взаимодействие.Это определяется в индивидуальном порядке; Технология машинного обучения Twitter принимает эти решения на основе ваших индивидуальных предпочтений , в результате чего создаются алгоритмически контролируемые каналы, что отстой, если быть полностью честным. (Кто-нибудь на самом деле предпочитает алгоритмическую ленту? Скажите, почему, в комментариях, милые чудаки.)

5. Google — нейронные сети и «машины мечты»

В наши дни, вероятно, проще перечислить области научных исследований и разработок, над которыми не работает Google — или, скорее, материнская компания Alphabet — , чем попытаться обобщить технологические амбиции Google.

Излишне говорить, что в последние годы компания Google была очень загружена, диверсифицировавшись в такие области, как технологии против старения, медицинские устройства и — что, возможно, наиболее интересно для технических ботаников — нейронные сети.

Самым заметным достижением в исследовании нейронных сетей Google стала сеть DeepMind , «машина мечты». Это та же сеть, которая производила те психоделические образы, о которых все говорили некоторое время назад.

По данным Google, компания изучает «практически все аспекты машинного обучения», что приведет к захватывающим разработкам в том, что Google называет «классическими алгоритмами», а также в других приложениях, включая обработку естественного языка, перевод речи, а также ранжирование и прогнозирование результатов поиска. системы.

6. Edgecase — повышение коэффициента конверсии электронной торговли

В течение многих лет розничные торговцы пытались преодолеть огромный разрыв между покупками в магазинах и онлайн-покупками. Несмотря на все разговоры о том, что онлайн-розница станет похоронным звеном для традиционных покупок, многие сайты электронной коммерции по-прежнему отстой.

Edgecase, ранее известный как Compare Metrics, надеется изменить это.

Edgecase надеется, что его технология машинного обучения поможет розничным продавцам электронной коммерции улучшить взаимодействие с пользователями.Помимо оптимизации процесса электронной коммерции с целью повышения коэффициента конверсии, Edgecase планирует использовать свои технологии , чтобы обеспечить лучший опыт для покупателей, которые могут иметь лишь смутное представление о том, что они ищут, путем анализа определенного поведения и действий. которые означают коммерческие намерения — попытка сделать случайный просмотр в Интернете более полезным и близким к традиционному опыту розничной торговли.

7. Baidu — будущее голосового поиска

Google — не единственный поисковый гигант, который занимается машинным обучением.Китайская поисковая система Baidu также вкладывает большие средства в приложения ИИ.

Упрощенная пятиэтапная диаграмма, иллюстрирующая ключевые этапы
системы обработки естественного языка

Одна из самых интересных (и сбивающих с толку) разработок в научно-исследовательской лаборатории Baidu — это то, что компания называет Deep Voice, глубокой нейронной сетью, которая может генерировать полностью синтетические человеческие голоса, которые очень трудно отличить от подлинной человеческой речи .Сеть может «изучить» уникальные тонкости каденции, акцента, произношения и высоты тона, чтобы создавать невероятно точные воссоздания голосов говорящих.

Далеко от праздного эксперимента Deep Voice 2 — последняя версия технологии Deep Voice — обещает оказать длительное влияние на обработку естественного языка, лежащую в основе голосового поиска и систем распознавания голосовых образов. Это может иметь серьезные последствия для приложений голосового поиска, а также для десятков других потенциальных применений, таких как перевод в реальном времени и биометрическая безопасность.

8. HubSpot — Умные продажи

Любой, кто знаком с HubSpot, вероятно, уже знает, что компания уже давно начала внедрять новые технологии, и компания снова доказала это ранее в этом месяце, когда объявила о приобретении фирмы Kemvi, занимающейся машинным обучением.

Прогнозный подсчет лидов — лишь одно из многих потенциальных приложений
искусственного интеллекта и машинного обучения

HubSpot планирует использовать технологию Kemvi в ряде приложений, в первую очередь, в интеграции технологии машинного обучения Kemvi DeepGraph и обработки естественного языка в свою внутреннюю систему управления контентом.

Это, по словам директора по стратегии HubSpot Брэдфорда Коффи, позволит HubSpot лучше выявлять «триггерные события» — изменения в структуре компании, управлении или что-либо еще, что влияет на повседневные операции, — чтобы HubSpot мог больше эффективно продвигать потенциальных клиентов и обслуживать существующих клиентов.

9. IBM — Лучшее здравоохранение

Включение IBM может показаться немного странным, учитывая, что IBM является одной из крупнейших и старейших технологических компаний, унаследовавших ее, но IBM очень хорошо удалось перейти от старых бизнес-моделей к новым потокам доходов.Ни один из продуктов IBM не демонстрирует этого лучше, чем ее знаменитый ИИ Watson.

Пример использования IBM Watson
для тестирования и проверки самообучающихся поведенческих моделей

Watson может быть опасностью ! , но он может похвастаться значительно более впечатляющим послужным списком, чем победа над участниками-людьми в телевизионных игровых шоу. Watson был развернут в нескольких больницах и медицинских центрах в последние годы , где он продемонстрировал свою способность давать высокоточные рекомендации при лечении определенных типов рака.

Watson также демонстрирует значительный потенциал в секторе розничной торговли, где его можно использовать в качестве помощника для помощи покупателям , а также в индустрии гостеприимства. Таким образом, IBM теперь предлагает свою технологию машинного обучения Watson на лицензионной основе — один из первых примеров подобной упаковки приложения ИИ.

10. Salesforce — Интеллектуальные CRM

Salesforce — это титан технологического мира с сильной долей рынка в области управления взаимоотношениями с клиентами (CRM) и соответствующими ресурсами.Прогнозирование и оценка потенциальных клиентов — одна из самых сложных задач даже для самого опытного специалиста по цифровому маркетингу, поэтому Salesforce делает большую ставку на собственную технологию машинного обучения Einstein.

Salesforce Einstein позволяет предприятиям, использующим программное обеспечение Salesforce CRM, анализировать каждый аспект взаимоотношений с клиентом. — от первоначального контакта до точек взаимодействия с постоянным взаимодействием — для создания более подробных профилей клиентов и выявления критических моментов в процессе продаж.Это означает гораздо более полную оценку потенциальных клиентов, более эффективное обслуживание клиентов (и более довольных клиентов) и больше возможностей.

Будущее машинного обучения

Одна из основных проблем быстрого технического прогресса заключается в том, что по какой-то причине мы в конечном итоге принимаем эти скачки как должное. Некоторые из перечисленных выше приложений машинного обучения были бы почти немыслимы еще десять лет назад, и тем не менее, темпы развития ученых и исследователей просто поразительны.

Итак, что дальше в тенденциях машинного обучения?

Машины, которые эффективно учатся

Вскоре мы увидим искусственный интеллект, который сможет учиться намного эффективнее. Это приведет к развитию того, как обрабатываются алгоритмы, например к развертыванию ИИ, которое может распознавать, изменять и улучшать свою собственную внутреннюю архитектуру с минимальным контролем со стороны человека.

Автоматизация противодействия кибератакам

Рост киберпреступности и программ-вымогателей заставил компании любого размера пересмотреть свою реакцию на системные онлайн-атаки.