tech2ipo

Note de l'éditeur: la communication entre nous et l'ordinateur est en cours de transformation, mais aussi a l'apprentissage en profondeur des choses Humidifiez silencieusement dans nos vies, même avant de le réaliser, le monde a été très différent.

Cet article a paru dans la fortune, la minute suivante, le Laolv IO, Jiang Zhimin petits morceaux et comment compiler un joint, ne doit pas être reproduit sans Lei Feng réseau permet.

Qu'est-ce que l'intelligence artificielle?

• intelligence artificielle

technique AI est un concept large qui peut être appliquée à tout d'une simulation informatique de l'intelligence humaine peut être fait en utilisant des algorithmes logiques, arbres de décision, apprentissage (y compris la profondeur d'apprentissage).

• Machine Learning

Il est une branche de l'intelligence artificielle, les techniques statistiques, y compris la profondeur de la machine peut accomplir la tâche à la lumière de l'expérience, y compris une étude approfondie de l'apprentissage de la machine.

• étude approfondie

l'apprentissage de la machine d'apprentissage en profondeur est une branche, ce qui permet à la tâche logicielle comprend des algorithmes eux-mêmes, comme la reconnaissance vocale et de l'image, de transférer de grandes données des systèmes de réseaux de neurones multicouches.

l'apprentissage en profondeur peut changer tout type d'industrie, le projet Google cerveau chef Jeff Dean a déclaré: « Une fois que vous commencez à utiliser la vision de l'ordinateur produira un certain nombre de changements fondamentaux. » Puis il m'a corrigé: « Maintenant, l'ordinateur a ouvert un nouveau monde de personnes. "

Il y avait une supposition avait ceci à dire: Quand la machine super-puce ne nécessite pas l'intervention humaine lorsque vous pouvez accomplir beaucoup de choses, les hommes à faible énergie face au danger d'être éliminé. Est-il pour prouver encore cette hypothèse?

Peut-être pas. système de réseau de neurones encore plus que les humains sont mieux à la reconnaissance des formes, mais ils ne sont pas le raisonnement.

En 2009 est venu le premier changement. Cet été invitation Lee maîtrise de Microsoft réseau de neurones de l'Université de Toronto, Geoffrey Hinton à visiter. Selon son étude, l'équipe de Lee a étudié l'application du réseau de neurones pour la reconnaissance vocale. Lee a déclaré: « Nous sommes choqués par les résultats, avec la précision du premier prototype amélioré de plus de 30%. »

En 2011, selon la recherche de Lee, Microsoft appliquera la technologie de l'apprentissage en profondeur à ses produits de reconnaissance vocale commerciale. Puis, en Août 2012, Google a également appliqué la technologie.

Mais le véritable point tournant est survenu en Octobre 2012, dans un studio à Florence, en Italie, les dirigeants du laboratoire d'intelligence artificielle de Stanford, le célèbre concours annuel fondateur IMAGEnet Computer Vision Li Feifei a annoncé deux invention étudiant du logiciel peut Hinton que les concurrents jusqu'à à la précision de la reconnaissance d'objets deux fois. Hinton a dit: « Ceci est un résultat remarquable, qui a convaincu de nombreux sceptiques auparavant de la population. » (À une profondeur de l'étude de l'an dernier au-delà de l'argument humain.)

La reconnaissance d'image comme un coup de canon, ce qui a conduit à un nouveau jeu d'emploi. Google a embauché Hinton et gagner que deux étudiants, Facebook ont signé un apprentissage en profondeur français innovateur Yann LeCun, il était dans les années 1980 et 1990 ont gagné algorithme pionnier jeu IMAGEnet. Et Baidu est engagé Ng, un ancien chef du laboratoire d'intelligence artificielle de Stanford, en 2010, il a également dirigé le projet Google profondeur cerveau plan d'étude.

Depuis lors, la crise du braconnage intensifié, et maintenant, Lee Microsoft a dit :. « Dans ce domaine une lutte sanglante entre la guerre des talents est mise en scène, les besoins de l'esprit comme tant top joueurs de football de la NFL. »

Âgé de 68 ans Geoffrey Hinton d'abord entendu réseau de neurones en 1972, à l'Université d'Edimbourg, quand il commençait sa conception d'études supérieures de l'intelligence artificielle. Étudiant à Cambridge when've a appris la psychologie expérimentale, il est très intéressé par l'algorithme de réseau de neurones, le logiciel de réseau de neurones est un problème fondamental, qui a été inspiré par le mode de travail des neurones du cerveau. A cette époque, le réseau de neurones est pas si populaire, tout le monde pense qu'ils sont fous, mais insistent pour faire Hinton.

réseau de neurones démontre les perspectives d'apprentissage informatique: apprendre comme un enfant, obtenu à partir de l'expérience, pas de mauvaises instructions données par le programme de conception humaine. Il a rappelé: « La plupart AI depuis lors, sont inspirés par la logique, mais certaines personnes ne se rendent pas compte de la chose logique tardive enfant âgé de deux ans n'est pas logique, donc pour l'intelligence, les réseaux de neurones semble plus logique. une meilleure application. « (famille logique est un commerce Hinton, qui venait d'une famille de la science, il est un mathématicien grand-arrière petit-fils du 19ème siècle de George Boole, après l'étude booléenne, la logique et les algorithmes à nommer.)

Au cours des années 1950 et 1960, le nerf Wan Luo est très populaire auprès des informaticiens, en 1958, le laboratoire de recherche à Buffalo, psychologue de l'Université Cornell Frank Rosenblatt, dans un projet de la Marine du nerf réseau pour construire un prototype, il a appelé Perceptron. Il a utilisé une pièce remplie de cartes perforées d'ordinateur, après avoir testé 50 fois il peut établir une distinction à gauche et à droite de la carte, « New York Times » a rapporté: Marine considéré comme le prototype de l'ordinateur d'aujourd'hui de l'avenir sera la parole et l'écriture, la marche, la reproduction, la présence de la conscience.

Perceptron logiciels en raison des restrictions, une seule couche de neurones, mais les chercheurs estiment que dans l'avenir il y aura plusieurs couches ou réseaux de neurones profonds.

Hinton explique cette théorie. En supposant que le réseau de neurones lors de l'élaboration des images photographiques, par exemple, dessiner un oiseau. « Commande d'entrée « pixels », puis la première unité de couche permet de détecter le bord du côté sombre, l'autre côté de la lumière, une deuxième couche de neurones est analysé basée sur les données de la première couche ». Par exemple, un neurone dessin diriger le bec d'un oiseau angle.

La couche suivante sera une matrice tridimensionnelle plus complexe des groupes, tels que de nombreux bords sont disposés en cercle. Ensuite, les neurones peuvent correspondre à la tête d'un oiseau. neurones plus avancée de détection d'angle côté à côte comme le bec d'un oiseau récurrent dans le voisinage de la tête du cercle. Il testera ce n'est pas une tête d'oiseau. Hinton dit, les couches les plus avancées de neurones correspondrait à une forme plus complexe jusqu'à ce que le tirage au sort « oiseau » façonner notre définition.

Cependant, la seule information donnée par des couches de neurones ne suffit pas, il faut savoir si le plus haut niveau de neurones a obtenu le bon résultat, sinon, de retirer les informations nécessaires pour faire en sorte que les neurones à faible niveau peuvent ré-intégration et l'optimisation de la structure. Ainsi, l'apprentissage en profondeur a vu le jour.

Au début des années 1980, Hinton étudier cette question, l'homme français nommé Yann LeCun font la même étude, il venait de commencer ses études à Paris. LeCun de 1983 Hinton décrit un des articles de neurones multicouches en question. « À ce moment-là, cet article n'est pas bien exprimé, parce qu'à ce moment-là, vous avez dit « nerveux » et « neurones » Ce mot est difficile à des articles publiés. » Il se souvient, « donc il d'une manière vague d'écrire un article, les examinateurs talents à travers cet article, mais je suis intéressé par cet article. « deux ans après la rencontre et mener une étude.

En 1986, Hinton et ses deux collègues sur l'utilisation d'algorithmes pour résoudre des problèmes d'erreurs connexes publiés des articles académiques. « Cet article est la base de la deuxième tempête neuronale. » LeCun a dit qu'il ravivé son intérêt dans ce domaine.

Hinton après l'achèvement des travaux post-doctoral à l'avenir, LeCun en 1988 est allé à AT & T Bell Labs, dans ce lieu, il a terminé les travaux de la recherche fondamentale au cours de la prochaine décennie, ces études sont encore en cours d'utilisation domaine de la reconnaissance d'image. Dans les années 1990, selon l'étude LeCun, une filiale de NCR Bell Labs a produit un produit pris en charge des neurones, le produit largement utilisé dans le secteur bancaire, il peut lire le numéro écrit à la main sur le chèque. Pendant ce temps, deux chercheurs allemands ont également indépendants de différents types d'algorithmes, 20 ans plus tard, cet algorithme est très important dans les applications de traitement du langage naturel.

Cependant, au milieu des années 1990, le déclin de l'algorithme neuronal à nouveau, être remplacé par un outil d'apprentissage de la machine plus efficace l'âge informatique, cette situation a duré pendant environ une décennie, jusqu'à ce que la puissance de calcul a augmenté de trois à quatre ordres de grandeur, puis chercheurs graphiques invention d'accélérateur de traitement.

Mais les données sont toujours portés disparus, bien que l'Internet est plein de données, mais la plupart des données n'a pas été le traçage, en particulier dans les données d'image, ils ont donc besoin d'être formés neurones. Il est également à l'étude de l'intelligence artificielle au professeur Stanford Li Feifei, « Notre vision vient des grandes données changent le mode d'apprentissage machine, guidé par les données apprentissage machine. » Elle a expliqué dans une interview.

En 2007, elle a lancé le projet de IMAGEnet, une collection de plus de quatorze millions d'images sont tracées sur le site gratuitement. En 2009 et 2010, elle a occupé le concours incitatif annuel, et a publié une étude sur la percée réalisée en vision par ordinateur.

Octobre 2012, deux étudiants Hinton a gagné ce concours, nous avons aussi clairement voir l'étendue de la profondeur actuelle de l'apprentissage qui peut être atteint.

Avant cela, le public a appris l'incident parce qu'un autre apprentissage en profondeur. Juin 2012, Google a publié les résultats du cerveau d'un projet de création, et maintenant le projet a été bien connu, appelé « les expériences de chat (expérience du chat) ». Cette expérience a suscité une grande sympathie, et est rapidement devenu populaire sur le réseau social.

Ce projet vraiment explorer des questions importantes dans le domaine d'un apprentissage en profondeur non résolu - « apprentissage non supervisé. » Presque toute utilisation commerciale des produits d'apprentissage en profondeur sont « apprentissage supervisé » est l'utilisation de données étiquetées (telles que les images recueillies à partir IMAGEnet) pour former le réseau de neurones. Et « l'apprentissage non supervisé » Au contraire, le réseau de neurones est de montrer des données sans étiquette, commande et trouver le style qui se reproduisent. Les chercheurs espèrent qu'à l'avenir être en mesure de maîtriser la méthode d'apprentissage non supervisé, parce que cette machine peut être réalisée à partir d'un grand nombre de données utilisées ne sont pas encore auto-apprentissage et la compréhension du monde, tout comme les bébés humains, la machine peut être elle-même complètement au monde par perception.

Dans l'expérience de chat, les chercheurs ont donné un grand réseau de neurones (1000 ordinateurs) montre l'interception au hasard vidéo YouTube de dix millions d'images non marquées, laissez le logiciel fonctionne sur son propre. Lorsque les « impuretés » propre, les chercheurs ont vérifié le plus haut niveau des neurones, qui se trouve dans un neurone naturel fort chat commentaires sur l'image. Chef de projet Google cerveau Ng a déclaré: « Nous avons également constaté qu'un neurone clairement les images du visage anti-humain plus rapide. » Cependant, les résultats nous laissent perplexes. « Par exemple, nous avons trouvé aucune réflexion significative d'une image de voiture de neurones. Il y a beaucoup de choses que nous ne pouvons pas refléter les neurones distinguer, de sorte que le projet est encore très difficile. »

Cette expérience a fait sensation, mais pas tout à fait l'apprentissage non supervisé de crack, il est un défi gauche à l'avenir.

Il est concevable que, à l'heure actuelle plus de l'utilisation commerciale des applications d'apprentissage en profondeur sont parmi les entreprises a une énorme profondeur de l'apprentissage des données arithmétiques disponibles, telles que Google, Microsoft, Facebook, Baidu et Amazon. De nombreuses entreprises se développent plus réalistes et utiles comme l'automatisation du robot dans le chat des représentants du service à la clientèle.

Quatre géants de la technologie se concentrent sur la profondeur des technologies d'apprentissage

· Google

Google a mis en place en 2011 une profondeur de mise au point du champ d'étude du projet Google Brain. Mi-2012, Google présentera ses produits de reconnaissance vocale du réseau de neurones. Mars 2013, Google conserve le développeur de réseau de neurones Geoffrey Hinton. Aujourd'hui, Google développe dans le processus du projet d'apprentissage en profondeur a plus de 1000 types, couvrant de nombreux domaines de recherche, Android, Gmail, photos, cartes, traduction, voitures conduite YouTube et automatique. En 2014, Google a acquis DeepMind, sa profondeur de projet d'apprentissage de renforcement AlphaGo a battu le champion du monde LiShiShi en Mars, est devenu une étape importante dans le développement de l'intelligence artificielle.

· Microsoft

Premier semestre 2011, Microsoft a utilisé la profondeur de la technologie d'apprentissage dans sa recherche vocale Bing et les commandes vocales X-Box et d'autres produits de reconnaissance vocale commerciale. À l'heure actuelle, Microsoft utilise la technologie de réseau de neurones dans de nombreux domaines des classements de recherche, recherche photo, des systèmes de traduction et autres. Lee a déclaré: « En fait, il a passé énorme impact est très difficile. » L'année dernière, Microsoft a remporté une victoire clé en concours de reconnaissance d'image, en Septembre, Microsoft a fait un disque monumental: l'erreur la plus faible dans la reconnaissance vocale (6,3%).

· Facebook

Octobre 2013, Facebook a embauché un expert français de l'innovation du réseau de neurones Yann LeCun pour guider le nouveau laboratoire de recherche d'intelligence artificielle de l'entreprise. Facebook utilisation quotidienne réseau de neurones pour traduire plus de 40 langues environ 20 millions d'utilisateurs de poste, en même temps, il y a 800 millions d'utilisateurs chaque jour pour lire la traduction de ces postes (près de la moitié des utilisateurs ne pas utiliser l'anglais). Facebook sera également appliquée au réseau de neurones pour rechercher et trier les photos dans. À l'heure actuelle, la société travaille sur une fonctionnalité appliquée aux personnes ayant une déficience visuelle: génération étiquette vocale à une photo sans étiquette.

· Baidu

Mai 2014, Baidu a engagé l'ancien projet Google Google cerveau créé par Andrew Ng pour diriger l'un de ses laboratoires de recherche. Comme les principaux moteurs de recherche et de services Web site Web de la Chine, Baidu a également dans sa reconnaissance vocale, traduction, demande de photos, de conduire une voiture, etc. utilisés dans le domaine de la technologie de réseau de neurones. Ces partisans d'une stratégie « mobile d'abord » en Chine et sa principale langue chinoise et difficile d'entrer dans des dispositifs électroniques sociaux, la reconnaissance vocale est la clé du développement. Baidu a déclaré qu'au cours des 18 derniers mois, le nombre d'utilisateurs à utiliser l'interface vocale triplée.

Comme IBM et Microsoft, la société aide ses clients à s'adapter aux applications d'apprentissage en profondeur de classe affaires (telles que l'interface de reconnaissance vocale et des services de traduction) dans les opérations commerciales. Et comme les fournisseurs de services cloud Amazon Web Services tel était le client veut développer leur propre logiciel pour fournir des GPU d'apprentissage profond axée sur les services informatiques pas cher. Un grand nombre de logiciels libres (comme Caffe, Google tensorflow, Amazon DSSTNE) conformément aux principes de l'open source, ont accéléré leur processus d'innovation, de sorte que plus les chercheurs ne peuvent pas d'accord après une longue examen par les pairs sera en mesure de publier immédiatement leurs recherches résultats.

Beaucoup d'applications d'apprentissage en profondeur très intéressantes dans le domaine médical. Nous avons appris que les réseaux de neurones en reconnaissance d'image des contributions extraordinaires. Anderson Fonds Horowitz (Andreessen Horowitz), responsable du fonds d'investissement de l'unité biologique, Stan Vijay Pande, professeur agrégé observé: « La plupart des radiologie choses, la dermatologie, l'ophtalmologie et bien d'autres sections des médecins ont en fait la reconnaissance de l'image de travail ".

· L'apprentissage profond et médical

Pour analyser TDM et l'IRM et d'autres imagerie médicale start-up Enlitic utilisation de l'apprentissage en profondeur. Igor président Barani était auparavant professeur de radio-oncologie à l'UCSF, at-il dit, Enlitic dans les nodules pulmonaires jugement sont malignes ou bénignes, a fait plus de quatre radiologues aussi excellent. (Ce travail n'a pas encore été examiné par des pairs, cette technologie n'a pas encore reçu l'approbation de la FDA.)

Merck (Merck) tente de trouver la profondeur de l'apprentissage pour accélérer l'utilisation du médicament, qui est à San Francisco, a créé une nouvelle société pharmaceutique appelée Atomwise. Ici, le réseau de neurones peut être vérifié une image 3D composée de milliers de molécules de médicaments pour prédire l'aptitude du médicament pour supprimer la pathogenèse des agents pathogènes. Un grand nombre de ces entreprises utilisent des réseaux de neurones pour tenter d'améliorer les réalisations humaines existantes, et certaines entreprises tentent de faire les humains de travail ne peuvent pas atteindre.

biologie computationnelle âgé de 27 ans, le Dr Gabriel Otte a créé son entreprise Freenome. L'objectif de l'entreprise est de détecter le cancer à partir d'échantillons de sang, ils peuvent détecter les fragments d'ADN libérés lorsque la mort de cellules sanguines. En apprenant profond, il a ordonné à l'ordinateur pour trouver la corrélation entre l'ADN acellulaire et certains cancers. Otte a déclaré: « Nous verrons une nouvelle fonctionnalité n'a pas encore été découvert oncologue le cancer. »

Lorsque Anderson Fonds Horowitz à considérer Freenome augmentation des investissements, Pande, responsable de l'élection à Otte cinq échantillons aveugles, deux de la normale et trois échantillons de cancer, déterminer toutes Otte droite, Pande décision finale d'investir.

Une vie de radiologue peut être en mesure de voir des milliers de feuilles de l'imagerie médicale, mais un ordinateur peut observer des millions d'images. Alors Pande a dit: « Peut-être que les images sont importantes pour les ordinateurs pour résoudre une meilleure idée est vraiment pas exagéré parce que l'ordinateur peut être fait avec un énorme données de la vie humaine ne peuvent pas être remplis .. »

Les avantages potentiels de la technologie réside non seulement dans une meilleure précision et une analyse plus rapide, ainsi que le libre-service. Alors que la technologie devient plus standard, peut éventuellement bénéficier chaque patient de cette situation.

Le plus grand impact profond sur notre sens de l'apprentissage en profondeur est probablement le moment où nous ne pensions pas à être intégré dans d'autres façons de boîte à outils de l'intelligence artificielle ont été utilisés. Par exemple, DeepMind Google a réalisé un travail remarquable: la profondeur de l'apprentissage appelé l'apprentissage de renforcement et une technologie connexe, ils utilisent les deux technologies pour créer un AlphaGo, en Mars l'année dernière, il a battu le champion du monde de Go, ce qui est publique considérée comme une étape importante dans l'intelligence artificielle. Différent du champion d'échecs Garry Kasparov défait IBM Deep Blue (Deep Blue) en 1997, AlphaGo dans la programmation, ne pas utiliser une méthode arbre de décision, lieu ou la méthode de l'équation d'évaluation où, ou si-then. Demise Hassabis président DeepMind a déclaré: «AlphaGo est grâce à l'auto-observation du jeu professionnel à grande échelle et le jeu pour apprendre à jouer Go » (Dans la formation, AlphaGo le nombre d'auto-bataille jusqu'à un million de fois)

Peut-être plus comme un jeu, il est un cadre artificiel, mais Hassabis croient que les mêmes techniques peuvent être appliquées à des problèmes réels. En Juillet, du programme Google montre le rapport qui utilisent la méthode de AlphaGo de technologie similaire, DeepMind peut accroître l'efficacité énergétique de 15% Google data center. Hassabis dit: « Le centre de données a environ 120 variables différentes, vous pouvez régler le ventilateur, ouvrez les fenêtres, éteignez le système informatique pour réduire la consommation d'énergie de la puissance que vous pouvez acquérir des données à partir de capteurs, et ainsi de suite un peu comme un thermomètre jeu Go. par essais et de tâtonnements, vous apprendrez comment faire droit. cette méthode est grande, vous pouvez sauver des dizaines de millions de dollars par an, tout en protégeant l'environnement. parce que les centres de données dans le monde consomment beaucoup d'énergie, nous espérons une utilisation plus large de cette technologie, et même étendu au système de réseau national ».

Chatbot sont très bons, mais il deviendra plus cool.

Lecture recommandée:

posture Up! Comment évaluer le système Google Traduction automatique (de GNMT) nerveux?

cercles AI de moment historique: les cinq ensemble géant technologique américain une organisation commune « AI partenariat »