Artık hemen hemen her endüstri ve şirkette kilit bir teknoloji olan makine öğrenimi ve yapay zeka alanındaki araştırmalar, herkesin hepsini okuması için çok hacimlidir. Bu sütun, özellikle yapay zeka konusunda, ancak bununla sınırlı olmamak üzere, en güncel keşiflerden ve makalelerden bazılarını toplamayı ve neden önemli olduklarını açıklamayı amaçlamaktadır.
Bu hafta AI uygulamaları, büyük miktarda veriyi sıralama veya alternatif olarak sınırlı kanıtlara dayalı mantıklı tahminler yapma yeteneği nedeniyle beklenmedik birkaç niş içinde bulundu.
Biyoteknoloji ve finansta büyük veri kümelerini alan makine öğrenimi modellerini gördük, ancak ETH Zürih ve LMU Münih’teki araştırmacılar benzer teknikleri aşağıdakilere uyguluyorlar: uluslararası kalkınma yardımı projeleri tarafından üretilen veriler afet yardımı ve barınma gibi. Ekip, modelini son 20 yılda milyonlarca projede (finansman tutarı 2,8 trilyon ABD doları), ayrıntılı olarak manuel olarak analiz edilemeyecek kadar karmaşık olan muazzam bir veri kümesi üzerinde eğitti.
“Süreci, bütün bir kütüphaneyi okuma ve benzer kitapları konuya özel raflara ayırma girişimi olarak düşünebilirsiniz. Algoritmamız, bu 3,2 milyon projenin birbirine ne kadar benzer olduğunu belirlemek için 200 farklı boyutu hesaba katıyor – bir insan için imkansız bir iş yükü, “diyor çalışma yazarı Malte Toetzke.
Çok üst düzey eğilimler, kapsayıcılık ve çeşitlilik harcamalarının arttığını, iklim harcamalarının ise şaşırtıcı bir şekilde son birkaç yılda azaldığını gösteriyor. Analiz ettikleri veri setini ve trendleri buradan inceleyebilirsiniz.
Çok az insanın düşündüğü bir başka alan da, çeşitli endüstriler tarafından muazzam bir klipte üretilen çok sayıda makine parçası ve bileşenidir. Bazıları yeniden kullanılabilir, bazıları geri dönüştürülebilir, diğerleri sorumlu bir şekilde atılmalıdır – ancak insan uzmanların gözden geçirmesi için çok fazla şey var. Alman Ar-Ge ekibi Fraunhofer, parçaları tanımlamak için bir makine öğrenimi modeli geliştirdi böylece hurdalığa gitmek yerine kullanılabilirler.
Resim Kredisi: Fraunhofer
Parçalar benzer görünebilir ancak çok farklı olabilir veya mekanik olarak aynı olabilir ancak pas veya aşınma nedeniyle görsel olarak farklılık gösterebileceğinden, sistem sıradan kamera görüntülerinden daha fazlasına dayanır. Böylece her parça aynı zamanda 3D kameralar tarafından tartılır ve taranır ve orijin gibi meta veriler de dahildir. Model daha sonra parçanın ne olduğunu düşündüğünü önerir, böylece onu inceleyen insan sıfırdan başlamak zorunda kalmaz. Bu AI destekli tanımlama yöntemi kullanılarak on binlerce parçanın yakında kurtarılacağı ve milyonlarca parçanın işlenmesinin hızlandırılacağı umulmaktadır.
Fizikçiler, ML’nin niteliklerini asırlık bir soruna dayandırmak için ilginç bir yol buldular. Esasen araştırmacılar her zaman akışkanlar dinamiğini yöneten denklemlerin (bazıları Euler’inki gibi 18. yüzyıla kadar uzanır) eksik olduğunu – belirli uç değerlerde kırıldığını göstermenin yollarını ararlar. Geleneksel hesaplama tekniklerini kullanarak bunu yapmak imkansız olmasa da zordur. Ancak Hong Kong’daki CIT ve Hang Seng Üniversitesi’ndeki araştırmacılar, sıvı dinamiği tekilliklerinin olası örneklerini izole etmek için yeni bir derin öğrenme yöntemi önerirken, diğerleri tekniği alana başka şekillerde uyguluyor. Bu Quanta makalesi bu ilginç gelişmeyi oldukça iyi açıklıyor.
Bir ML katmanı elde eden bir başka asırlık kavram, kağıt kar taneleri oluşturma bağlamında birçoğunun aşina olacağı kağıt kesme sanatı olan kirigami’dir. Teknik, özellikle Japonya ve Çin’de yüzyıllar öncesine dayanıyor ve oldukça karmaşık ve esnek yapılar üretebiliyor. Argonne Ulusal Laboratuarlarındaki araştırmacılar, konseptten ilham aldı. 2 boyutlu bir malzemeyi teorize etmek elektroniği mikroskobik ölçekte tutabilen ama aynı zamanda kolayca esneyen.
Ekip, manuel olarak 1-6 kesimle on binlerce deney yapıyordu ve bu verileri modeli eğitmek için kullandı. Daha sonra moleküler seviyeye kadar simülasyonlar gerçekleştirmek için bir Enerji Bakanlığı süper bilgisayarı kullandılar. Saniyeler içinde, ekibin beklediğinin ve hatta kendi başına denediğinin çok ötesinde, yüzde 40 gerilebilirliğe sahip 10 kesimli bir varyasyon üretti.
Resim Kredisi: Argonne Ulusal Laboratuvarları
“Hiç anlamasını söylemediğimiz şeyleri çözdü. Proje lideri Pankaj Rajak, bir insanın öğrendiği şekilde bir şeyler öğrendi ve bilgisini farklı bir şey yapmak için kullandı” dedi. Başarı, onları simülasyonun karmaşıklığını ve kapsamını artırmaya teşvik etti.
Özel olarak eğitilmiş bir AI tarafından yapılan bir başka ilginç ekstrapolasyon, kızılötesi girdilerden renk verilerini yeniden yapılandıran bir bilgisayar görme modeline sahiptir. Normalde IR yakalayan bir kamera, bir nesnenin görünür spektrumda ne renk olduğu hakkında hiçbir şey bilmez. Ancak bu deney, belirli IR bantları ile görünür bantlar arasında korelasyonlar buldu ve bir model oluşturdu IR’de yakalanan insan yüzlerinin görüntülerini görünür spektruma yaklaşan görüntülere dönüştürmek için.
Bu hala sadece bir kavram kanıtı, ancak böyle bir spektrum esnekliği bilim ve fotoğrafçılıkta faydalı bir araç olabilir.
–
Bu arada, Google AI lideri Jeff Dean tarafından ortaklaşa hazırlanan yeni bir çalışma, AI’nın yüksek bilgi işlem gereksinimleri nedeniyle çevresel olarak maliyetli bir çaba olduğu fikrine karşı çıkıyor. Bazı araştırmalar OpenAI’nin GPT-3’ü gibi büyük bir modelin eğitiminin karbondioksit emisyonları üretebileceğini bulmuş olsa da eşdeğer Google’a bağlı çalışma, “en iyi uygulamaları izlemenin” makine öğrenimi karbon emisyonlarını 1000 kata kadar azaltabileceğini iddia ediyor.
Söz konusu uygulamalar, kullanılan model türleri, modelleri eğitmek için kullanılan makineler, “mekanizasyon” (ör. bulutta bilgi işlem yerine yerel bilgisayarlarda) ve “harita” (en temiz enerjiye sahip veri merkezi konumlarının seçilmesi) ile ilgilidir. Ortak yazarlara göre, tek başına “verimli” modellerin seçilmesi, hesaplamayı 5 ila 10 arasındaki faktörlerle azaltabilirken, GPU’lar gibi makine öğrenimi eğitimi için optimize edilmiş işlemcileri kullanmak, Watt başına performans oranını 2 ila 5 arasındaki faktörlerle iyileştirebilir.
AI’nın çevresel etkisinin azaltılabileceğini öne süren herhangi bir araştırma dizisi gerçekten de kutlama sebebidir. Ancak belirtmek gerekir ki Google bir tarafsız taraf. Google Haritalar’dan Google Arama’ya kadar şirketin ürünlerinin çoğu, geliştirmek ve çalıştırmak için büyük miktarda enerji gerektiren modellere güveniyor.
Knives and Paintbrushes açık araştırma grubunun bir üyesi olan Mike Cook, – çalışmanın tahminleri doğru olsa bile – orada olduğuna dikkat çekiyor. bir şirketin, kendilerine fayda sağlıyorsa, enerji açısından verimsiz bir şekilde ölçeklendirmemesi için iyi bir neden değildir. Akademik gruplar karbon etkisi gibi ölçütlere dikkat edebilirken, şirketler aynı şekilde teşvik edilmiyor – en azından şu anda.
“Başlamak için bu konuşmayı yapmamızın tek nedeni, Google ve OpenAI gibi şirketlerin etkin bir şekilde sonsuz finansmana sahip olmaları ve ne pahasına olursa olsun GPT-3 ve BERT gibi modeller oluşturmak için bundan yararlanmayı seçmeleriydi, çünkü bunun kendilerine bir avantaj sağladığını biliyorlardı. avantaj” Cook, TechCrunch’a e-posta yoluyla söyledi. “Etraflı, Bence gazete güzel şeyler söylüyor ve verimliliği düşünüyorsak bu harika, ama bence sorun teknik değil – bu şirketlerin ihtiyaç duyduklarında büyüyeceklerini biliyoruz, kazandılar Kendini tut, bu yüzden artık bunun sonsuza dek çözüldüğünü söylemek boş bir satır gibi geliyor.”
Bu haftanın son konusu aslında tam olarak makine öğrenimi ile ilgili değil, daha çok beyni daha doğrudan bir şekilde simüle etmenin bir yolu olabilir. EPFL biyoinformatik araştırmacıları Sonunda nöroanatominin dijital ikizlerini oluşturmak için kullanılabilecek tonlarca benzersiz ama doğru simüle edilmiş nöron oluşturmak için matematiksel bir model yarattı.
Araştırmacı Lida Kanari, “Bulgular, halihazırda Blue Brain’in, nöronal morfolojilerin anatomik özelliklerini kopyalayan ve bölgeye özgü anatomiyi içeren simülasyonlar için beyin bölgelerini hesaplamalı olarak yeniden yapılandırarak, fare beyninin biyolojik olarak ayrıntılı rekonstrüksiyonlarını ve simülasyonlarını oluşturmasını sağlıyor” dedi.
Sim-beyinlerin daha iyi AI’lar yapmasını beklemeyin – bu, sinirbilimdeki ilerlemelerin peşindedir – ancak belki de simüle edilmiş nöronal ağlardan elde edilen içgörüler, AI’nın dijital olarak taklit etmeye çalıştığı süreçlerin anlaşılmasında temel gelişmelere yol açabilir.