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’da bilim adamları, büyüleyici bir deney yaptılar. tahmin etmek Gıda dağıtımı ve araç çağırma işletmeleri gibi “piyasa odaklı” platformlar, geliri en üst düzeye çıkarmak gibi farklı hedefler için optimize edildiklerinde genel ekonomiyi nasıl etkiler? Başka bir yerde, ETH Zürih’ten gelen bir ekip, yapay zekanın çok yönlülüğünü göstererek, uydu görüntülerinden ağaç yüksekliklerini okuyabilen bir sistem geliştirirken, ayrı bir araştırmacı grubu, bir girişimin başarısını herkese açık web verilerinden tahmin etmek için bir sistemi test etti.
Pazar odaklı platform çalışması, AI’nın ekonomi politikasını nasıl iyileştirebileceğini anlamak için açık kaynaklı bir araştırma ortamı olan Salesforce’un AI Economist’i üzerine kuruludur. Aslında, AI Economist’in arkasındaki araştırmacılardan bazıları, orijinal olarak Mart ayında yayınlanan bir çalışmada ayrıntılı olarak açıklanan yeni çalışmaya dahil oldu.
Ortak yazarların TechCrunch’a e-posta yoluyla açıkladıkları gibi, amaç, artan talep ve arz nedeniyle daha büyük pazar gücüne sahip olan Amazon, DoorDash, Uber ve TaskRabbit gibi iki taraflı pazar yerlerini araştırmaktı. Araştırmacılar, çok seviyeli bir sorunu deneme yanılma yoluyla çözmeyi öğrenen bir tür yapay zeka sistemi olan pekiştirmeli öğrenmeyi kullanarak, platformlar (ör. Lyft) ve tüketiciler (ör. biniciler) arasındaki etkileşimlerin etkisini anlamak için bir sistemi eğitti.
“Bir platformun farklı tasarım hedefleri altında nasıl çalışacağını düşünmek için pekiştirmeli öğrenmeyi kullanıyoruz… [Our] simülatör, farklı amaçlar ve model varsayımları altında farklı ortamlarda pekiştirici öğrenme politikalarını değerlendirmeyi mümkün kılıyor.” “Toplam 15 farklı pazar ortamını araştırdık – yani, pazar yapısı, satıcılar hakkında alıcı bilgisi, [economic] şok yoğunluğu ve tasarım hedefi.”
Araştırmacılar, AI sistemlerini kullanarak, geliri en üst düzeye çıkarmak için tasarlanan bir platformun, sosyal refah pahasına ekonomik şoklar sırasında ücretleri artırma ve alıcılardan ve satıcılardan daha fazla kar elde etme eğiliminde olduğu sonucuna vardılar. Platform ücretleri sabit olduğunda (örneğin, düzenleme nedeniyle), bir platformun geliri maksimize eden teşvikinin genel olarak ekonominin genelinin refah değerlendirmeleriyle uyumlu olduğunu buldular.
Bulgular dünyayı sarsıcı olmayabilir, ancak ortak yazarlar, açık kaynak yapmayı planladıkları sistemin, bir işletmenin veya politika yapıcının farklı koşullar, tasarımlar ve düzenleyici hususlar altında bir platform ekonomisini analiz etmesi için bir temel sağlayabileceğine inanıyor. “Ekonomik şok veya bazı düzenlemeler gibi ortamdaki değişikliklere yanıt olarak fiyatlandırmalarını ve eşleştirmelerini optimize eden platform işletmelerinin stratejik operasyonlarını tanımlamak için pekiştirici öğrenmeyi bir metodoloji olarak benimsiyoruz” diye eklediler. “Bu, bu çalışmanın ötesine geçen veya analitik olarak oluşturulabilen platform ekonomileri hakkında yeni bilgiler verebilir.”
Dikkatimizi platform işletmelerinden onları besleyen risk sermayesine çeviren Skopai’den gelen araştırmacılar, şirketleri teknoloji, pazar ve finans gibi kriterlere göre karakterize etmek için AI kullanan bir girişim, bir girişimin ilgisini çekme yeteneğini tahmin edebildiklerini iddia ediyorlar. kamuya açık verileri kullanan yatırımlar. Ortak yazarlar, başlangıç web sitelerinden, sosyal medyadan ve şirket kayıtlarından gelen verilere dayanarak söylemek “özel veritabanlarında bulunan yapılandırılmış verileri de kullananlarla karşılaştırılabilir” tahmin sonuçları elde edebileceklerini söyledi.
Durum tespitine yapay zeka uygulamak yeni bir şey değil. Correlation Ventures, EQT Ventures ve Signalfire, şu anda yatırımlarını bilgilendirmek için algoritma kullanan firmalar arasında yer alıyor. Gartner tahmin eder VC’lerin %75’inin yatırım kararları almak için yapay zekayı 2025 yılına kadar kullanacağını ve bu oran bugün %5’ten daha az. Ancak bazıları teknolojinin değerini görse de, tehlikeler yüzeyin altında gizleniyor. 2020’de Harvard Business Review (HBR), bir yatırım algoritmasının acemi yatırımcılardan daha iyi performans gösterdiğini, ancak örneğin beyaz ve erkek girişimcilerin sıklıkla seçilmesi gibi önyargılar sergilediğini buldu. HBR, bunun gerçek dünyayı yansıtırAI’nın mevcut önyargıları güçlendirme eğilimini vurgulayarak.
Daha cesaret verici bir haberde, MIT’deki bilim adamları, Cornell ve Microsoft’taki araştırmacıların yanı sıra bir bilgisayarlı görme algoritması geliştirdiklerini iddia ediyorlar – STEGO — bu, görüntüleri tek tek piksele kadar tanımlayabilir. Bu kulağa önemli gelmese de, resimlerdeki ve videolardaki nesneleri tespit etmek ve sınıflandırmak için bir algoritmayı “öğretmek” için geleneksel yönteme göre çok büyük bir gelişme.
Geleneksel olarak, bilgisayarlı görme algoritmaları nesneleri (örneğin ağaçlar, arabalar, tümörler, vb.) tanımayı, insanlar tarafından etiketlenmiş nesnelerin birçok örneğini göstererek öğrenir. STEGO, bunun yerine görüntüdeki her piksele bir sınıf etiketi uygulayarak bu zaman alıcı, yoğun emek gerektiren iş akışını ortadan kaldırır. Sistem mükemmel değil – örneğin irmik ile makarnayı bazen karıştırıyor – ancak araştırmacılar, STEGO’nun yollar, insanlar ve sokak işaretleri gibi şeyleri başarılı bir şekilde ayırabildiğini söylüyor.
Nesne tanıma konusunda, OpenAI’nin görüntü oluşturma sistemi olan DALL-E 2 gibi akademik çalışmaların ürünleştirileceği güne yaklaşıyoruz gibi görünüyor. Columbia Üniversitesi’nden yapılan yeni araştırma, adı verilen bir sistemi gösteriyor. Opal Bu, metin açıklamalarından haberler için öne çıkan görseller oluşturmak ve kullanıcıları süreç boyunca görsel komutlarla yönlendirmek üzere tasarlanmıştır.
Araştırmacılar, bir grup kullanıcıyla test ettiklerinde, Opal’i deneyenlerin makaleler için öne çıkan görseller oluşturmada “daha verimli” olduğunu ve olmayan kullanıcılara göre iki kat daha fazla “kullanılabilir” sonuç oluşturduğunu söyledi. Opal gibi bir aracın sonunda WordPress gibi içerik yönetim sistemlerine, belki bir eklenti veya uzantı olarak girdiğini hayal etmek zor değil.
Ortak yazarlar, “Bir makale metni verildiğinde, Opal, kullanıcılara görsel kavramlar için yapılandırılmış bir arama yoluyla rehberlik eder ve kullanıcıların bir makalenin tonuna, konularına ve amaçlanan çizim stiline göre açıklama yapmalarına olanak tanıyan ardışık düzen sağlar” diye yazdı. “[Opal] çeşitli editoryal illüstrasyonlar, grafik varlıklar ve konsept fikirleri oluşturur.”