Source Shu AI première ligne
- Qualcomm a enregistré la plus forte puce Xiaolong 855, la performance AI a augmenté de 3 fois
- NIPS 2018 du meilleur article publié! Chen Tianqi, Prix jeune chercheur Huawei
- DeepMind lourd lancement AlphaFold: des séquences de gènes pour prédire la structure des protéines
- GAN nouvelle méthode pour générer des peintures MIT Trouvées
- DeepMind dit l'avenir de la sécurité de l'agence de l'intelligence artificielle dépend de la capacité d'auto-apprentissage de la fonction de récompense
- Facebook: besoins d'apprentissage en profondeur du centre de données augmentera de 3,5 fois au cours des trois prochaines années
- Avenir, UAV sera en mesure de réaliser le reboisement après les incendies de forêt
- Facebook CrowdAI recherche et analyse conjointe en utilisant l'étude approfondie des catastrophes naturelles
- Stanford Research prouve: applications médicales comme programme d'apprentissage en profondeur ne nécessite pas trop de données
- « Convention sur les armes indépendantes » retarder l'introduction de
Qualcomm a enregistré la plus forte puce Xiaolong 855, la performance AI a augmenté de 3 fois
5 décembre Qualcomm Snapdragon 855 publié le Sommet Xiaolong Technology, le processeur phare conçu pour les téléphones mobiles, ainsi que sa chanson 5G plate-forme mobile Snapdragon 855.
Muflier plate-forme mobile 855 comprend deux puces, les puces 855 ainsi que le support Snapdragon 5G X50 connexion par modem. Qualcomm a déclaré la nouvelle plate-forme soutiendra le réseau 5G la vitesse de téléchargement « niveau GB ».
Lors de la réunion, Qualcomm a également introduit cette puce devrait Snapdragon 855 permettra d'accélérer l'intégration de la technologie AI et la réalité augmentée, réalité virtuelle. Au sein de Qualcomm Snapdragon 855 comprend la quatrième génération de moteur d'IA multi-core, Qualcomm a dit termes de performance AI que le Snapdragon 845 mise à jour 3 fois, 2 fois affiché sur la puce de la puce Amis Andrews, et la plupart du navire amiral 2019 smartphone.
De plus, AT & T et Verizon offre hôtel en équipement réel 5G Maui pour les gens d'essayer, c'est la première utilisation pratique 5G, après que la majorité des présentations 5G sont théoriques, ou non en utilisant l'appareil peut effectivement compléter l'achat de démonstration par l'expérience.
NIPS 2018 du meilleur article publié! Chen Tianqi et les autres gagnants
3 décembre 2018 NIPS ouvert aux villes canadiennes de Montréal. Aujourd'hui, le meilleur papier est sorti, un total de quatre personnes, dont Chen Tianqi, et al. Neural ordinaire des équations différentielles.
articles gagnants sont les suivants:
Équations différentielles Neural ordinaire
Tian Qi Chen · Ioulia Rubanova · Jesse Bettencourt · David Duvenaud
Documents lien: https: //arxiv.org/abs/1806.07366
Non-délirante Q-learning et la valeur itération
Tyler Lu · Dale Schuurmans · Craig Boutilier
Lien: https: //papers.nips.cc/paper/8200-non-delusional-q-learning-and-value-iteration.pdf
Optimal Algorithmes pour non lisse Optimisation distribuée dans les réseaux
Kevin Scaman · Francis Bach · Sébastien Bubeck · Laurent Massoulié · Yin Lee Tat
Lien: https: //arxiv.org/abs/1806.00291
Près de l'échantillon serré complexité Limites pour l'apprentissage des mélanges de Gaussiennes via des schémas de compression d'exemples
Hassan Ashtiani · Shai Ben-David · Nick Harvey · Christopher Liaw · Abbas Mehrabian · Plan d'Yaniv
Lien: https: //papers.nips.cc/paper/7601-nearly-tight-sample-complexity-bounds-for-learning-mixtures-of-gaussians-via-sample-compression-schemes.pdf
Selon les statistiques Affiliation statistiques montrent que, en 2018, l'agence a publié le nombre de documents les dix premiers à la conférence NeurIPS aux Etats-Unis Dominer, y compris Google, la technologie Microsoft et Facebook trois géant américain, qui est classé premier dans Google a publié 136 articles.
DeepMind de presse AlphaFold: protéine Structure séquence du gène de prédiction
À la suite de roulement AlphaGo joueurs humains dans le go communautaire, l'équipe DeepMind a récemment lancé AlphaFold, dans le domaine des sciences biologiques soulignent somme importante.
2 décembre lors de la conférence internationale tenue à Cancun, au Mexique, AlphaFold a battu tous les adversaires dans un emploi, a prédit avec succès la forme 3D de la protéine selon la séquence du gène.
représentation DeepMind, AlphaFold était « une étape importante dans l'étude de l'intelligence artificielle peut se révéler le premier disque et d'accélérer les découvertes scientifiques de » Le succès du spectacle de pliage champ de protéines que le système d'apprentissage de la machine peut intégrer diverses sources d'information, aidant les scientifiques à trouver rapidement une variété de questions complexes des solutions créatives.
GAN nouvelle méthode pour générer des peintures MIT Trouvées
les chercheurs du MIT ont trouvé une nouvelle façon d'être en mesure d'extraire plus d'informations à partir TrainEd généré contre le réseau (appelé GAN) eux, afin que le réseau puisse reconnaître les GAN associé à un concept visuel particulier de « neurones » . Ils ont également le site web spécialement créé qui permet à tout utilisateur d'utiliser ces systèmes pour peindre. Résumer en termes de son effet est similaire pour l'utilisateur avec une exclusivité « maître croquis. » Nous avons juste besoin de définir la zone de dessin - comme fond de ciel, le logiciel active le modèle pertinent GAN « neurones » et compléter le tableau.
L'importance de: Une telle présentation d'une manière plus naturelle d'interagir avec un large éventail de publics et de recherche modernes canaux d'intelligence artificielle aussi nous aider à construire un jugement intuitif technologie axée sur le comportement.
AI à l'expérience de la peinture sur le site suivant: GANpaint (MIT-IBM Watson AI Lab site).
Pour plus de détails sur l'étude:
GAN Dissection: Visualizing et la compréhension générative accusatoire Networks (MIT CSAIL).
Peindre avec un GAN ici (site GANPaint).
DeepMind dit l'avenir de la sécurité de l'agence de l'intelligence artificielle dépend de la capacité d'auto-apprentissage de la fonction de récompense
chercheurs DeepMind d'élaborer une stratégie à long terme pour assurer l'agence AI incitations créées peuvent être difficiles à construire la fonction de récompense auto-conçu dans des conditions appropriées chez l'homme, afin de répondre aux besoins de la mission proposées par les humains.
L'idée de base est d'établir un vraiment sécuriser l'agent AI, il doit avoir la capacité de recueillir des informations de l'utilisateur (humain) aux incitations et trouver ainsi la fonction, puis optimiser ces sommées la fonction de récompense en utilisant la méthode d'apprentissage de renforcement. DeepMind dit l'avantage de cette approche est qu'il peut créer plus intelligent que les humains AI Agent :. « Avec cette modélisation récompense les agents formés peuvent aider les utilisateurs à évaluer les processus pertinents pour former un nouveau plus intelligent de l'agent »
Une stratégie coordonnée à long terme: DeepMind estime que cette approche peut avoir trois propriétés importantes ont été étudiées qui ont été largement valorisés, peuvent être étendues, l'économie et l'aspect pratique.
La prochaine étape: Les chercheurs disent que l'idée de « prêt à accepter le test de la recherche empirique. » La société est d'avis que « l'apprentissage de renforcement profond est une technologie prometteuse pour résoudre des problèmes pratiques. Mais pour réaliser leur potentiel, nous avons besoin de fonctionner en l'absence d'organisme de formation préalable claire des incitations. » Ordre du jour de l'étude, pour y parvenir l'objectif de la méthode spécifique fait une généralisation.
défis connexes: challenge récompense la modélisation face actuellement les éléments suivants: commentaires (la quantité de données est nécessaire pour que le proxy pour récompenser la fonction d'apprentissage réussie); rétroaction distribuée (agent lors de la visite d'un nouvel état, dans lequel il est possible de générer une récompense plus élevée perçue, et éventuellement font en réalité moins que l'action optimale), les erreurs de récompense (le piratage récompense), qui est, l'agent trouvé la méthode de récompense et ne reflète pas les attentes de l'utilisateur fonction implicite, des résultats inacceptables (des actions humaines ne peuvent jamais approuvées ), tels que les robots industriels détruire son propre matériel pour compléter la tâche, ou un assistant personnel pour préparer automatiquement un mot grossier e-mail, et récompenser les résultats de l'écart (à savoir l'écart entre le meilleur modèle de fonction de récompense de récompense avec l'agent lui-même appris) et ainsi de suite. DeepMind croient que ces défis peuvent être relevés par certaines méthodes techniques et les défis ont actuellement une variété de solutions possibles.
L'importance de: En plus de discuter comment les agents AI apprendre des tâches complexes à résoudre les compétences nécessaires pour aider à soulager le fardeau que l'homme, ce programme de recherche a également apporté d'autres direction ont été abordés: la fourniture d'une capacité pour l'IA humaine cède la place. Si le système d'intelligence artificielle continue d'accroître sa capacité, puis quelques années plus tard, nous pouvons construire beaucoup d'interaction humaine ultra-grande échelle des systèmes d'IA dans la société.
En savoir plus: l'alignement de l'agent évolutif via la modélisation de la récompense: une direction de recherche (Arxiv).
Facebook: besoins d'apprentissage en profondeur du centre de données augmentera de 3,5 fois au cours des trois prochaines années
Facebook est un groupe de chercheurs tentent de décrire le type de charge de travail de raisonnement d'apprentissage en cours d'exécution dans le profond centre de données d'entreprise, et ce résultat permettra de prédire quel genre d'impact futur de l'approche de la conception des infrastructures de Facebook.
matériel AI pour les centres de données: Alors, quel genre de besoins des centres de données matériel prioritaires AI? Facebook que serveur de build devrait prendre en compte les facteurs suivants: la bande passante mémoire haute capacité et intégrée; matrice de support et moteurs vecteur, pour de petites quantités sur une grande feuille de raisonnement mémoire, le soutien des calculs à virgule flottante demi-précision.
Quels sont les avantages de ces exigences - inférence? Facebook dans son centre de données qui porte principalement sur les cas d'utilisation suivants de l'intelligence artificielle de: fournir résumé personnalisé de classement ou contenu recommandé, la compréhension du contenu, la vision et la compréhension du langage naturel.
L'importance de: Laissez-nous comprendre les divers documents comme tâche fastidieuse de déploiement à grande échelle dans les applications d'apprentissage en profondeur en jeu, et a souligné comment la conception de l'ordinateur changera se produisent en fonction de la demande réelle de ces charges de travail. Facebook chercheurs ont écrit, « pour le modèle d'apprentissage profond actuel et futur du matériel d'inférence de conception universelle est un défi, mais aussi question extrêmement importante. »
En savoir plus: Apprentissage en profondeur Inference dans Facebook Centres de données: caractérisation, performance Optimisations et implications matérielles (Arxiv).
Avenir, UAV sera en mesure de réaliser le reboisement après les incendies de forêt
Start-ups entreprises Dronseed utilisent une combinaison de grande échelle moteur UAV + AI pour créer le reboisement, ses produits sont principalement utilisés pour le reboisement après l'accident une traînée de poudre.
Selon les rapports, les machines Droneseed ont « tableau de la caméra multispectrale, radar laser haut de gamme, six gallons de réservoir d'herbicide et un mécanisme de semis dédié. » Le drone peut être établi dans la zone récemment brûlé les feux de forêt, puis l'auto-identification des arbres appropriés région de plus en plus, et à semer les graines et la fertilisation dans la zone concernée.
L'importance de: Je pense que cela est une étape importante au nom du drone est censé apporter une multitude de modes d'application et une énorme contribution à la nature réelle et protection de la faune.
En savoir plus :
Cette nuit-là, une forêt a volé (TechCrunch).
Consultez le compte twitter de DroneSeed ici.
Facebook CrowdAI recherche et analyse conjointe en utilisant l'étude approfondie des catastrophes naturelles
des images satellite CrowdAI avec les chercheurs Facebook ont montré des dégâts dans les zones urbaines des catastrophes naturelles causées par la façon dont le réseau de neurones convolution évaluation automatique. En soumettant à NeurlPs 2018 (une réunion bien connu, anciennement connu sous le PNM) « AI pour le bien social », un document à l'atelier, l'équipe « a recommandé des changements en comparant les caractéristiques extraites des objets à partir d'images satellites pour identifier les zones touchées. L'utilisation préformation modèle de segmentation sémantique, on extrait des artefacts (comme les routes et les bâtiments, etc.) fonction sur les images avant et arrière de la zone touchée. après cela, on calcule deux masques de segmentation pour identifier les changements avant et après ".
Impact d'un indice des catastrophes (DII): Comment mesurer l'impact de la catastrophe? les chercheurs ont proposé DII cet indicateur, à savoir avant et après les ensembles de données d'événements de référence disponibles pour calculer les changements de contenu sémantique dans les images satellites parmi les différentes parties de ce qui est arrivé. Pour tester cette méthode, les chercheurs ont utilisé un ouragan Harvey et les accidents d'incendie entourant Santa Rosa liés à grande échelle ensemble de données d'image satellite. Les résultats ont montré que, DII automatiquement en déduire qu'ils peuvent utiliser deux ensembles de la région d'image soumises à des dommages graves et les inondations de feu, et la précision grossière (F1 déterminé par le score) est d'environ 80%.
L'importance de: Alors que les gens peuvent plus facilement à un moindre coût par sonde spécifique de formation d'images satellites, et les résultats obtenus seront des activités humanitaires (comme le cas ici) et la cible de surveillance militaire pour apporter des solutions techniques basées sur la profondeur de l'apprentissage . À mon avis, au cours des cinq prochaines années, le gouvernement peut utiliser de grandes flux de données regroupant des satellites, puis tirer profit des catastrophes naturelles de plus en plus fréquentes technologies de l'intelligence artificielle par le changement climatique causé.
Lire l'article original: De l'imagerie par satellite aux catastrophes Insights (Facebook Recherche)
Stanford Research prouve: applications médicales comme programme d'apprentissage en profondeur ne nécessite pas trop de données
chercheurs de l'Université de Stanford ont montré que seulement des données relativement moins et comment l'église réseau de neurones pour la classification automatique des rayons X de la poitrine. Les chercheurs ont pour AlexNet, ResNet-18 et DenseNet-121 données de base ont été conçus pour la formation d'image classification d'image normale et anormale. Les résultats des essais montrent que l'utilisation de 20.000 images d'apprentissage obtenues par des modèles CNN, ont été en mesure d'identifier avec précision le récepteur de la courbe caractéristique de fonctionnement (en abrégé AUC) était de 0,95 zone; 200000 utilisent une image obtenue par le modèle de formation uniquement CNN la reconnaissance étendue à 0,96. Cela signifie que la demande d'outils de classification de données médicales AI peut être beaucoup plus faible que les attentes précédentes (Par contraste, l'image 2000 de la CUA dans le modèle de formation est 0.84, ce qui représente une perte significative de précision).
Mais cette étude a un inconvénient, à savoir Toutes les données utilisées dans cette étude étaient de la même institution médicale, les données (ou les caractéristiques des patients), peuvent avoir certaines propriétés. La présence de ces propriétés signifie que sur un tel ensemble de données de formation du réseau ne peut pas être étendu à d'autres établissements médicaux.
L'importance de: De telles études ont suggéré que la technologie actuelle de l'intelligence artificielle de a commencé à présenter les performances souhaitées dans un cadre clinique, et devrait bientôt rejoindre les forces de coopérer avec les médecins pour améliorer l'efficacité. Je me réjouis également de voir cette technologie peut améliorer le niveau global de performance de l'industrie des soins de santé (soins de santé fait partie des rares, l'introduction de nouvelles technologies souvent conduit à l'un des coûts croissants des entreprises).
perspectives possibles: Dans un article publié en même temps que cet éditorial de papier les universités de radiologie allemand et le Département de médecine nucléaire Bram van Ginneken, il a évoqué la nécessité de considérer que nous pouvons construire pour l'utilisation future du grand nombre d'agences à partager des ensembles de données . L'ensemble de données a la diversité, et contient des cas relativement rares, une telle conception du système à grande échelle est basée sur la nouvelle architecture de réseau, capable d'images en pleine résolution en entrée. Le système ne doit pas seulement être en mesure de fournir une étiquette de sortie binaire, devrait également être en mesure de détecter la présence d'une image spécifique d'erreur une région correspondant. "
En savoir plus: Évaluation des réseaux de neurones pour convolutifs classification automatisée de poitrine Radiographies (Jared Dunnmon Github / radiologie, PDF).
Lire l'éditorial: Apprentissage en profondeur pour priorisation des Chest Radiographies: Faut-il Chaque instituion train son propre système (Jared Dunnmon Github / radiologie, PDF) ?.
« Convention sur les armes indépendantes » retarder l'introduction de
réunion annuelle de cette année, « gauche » n'a pas réussi à effacer par une convention internationale sur les armes autonomes mortelles. Cinq pays (Russie, Etats-Unis, Israël, l'Australie et la Corée du Sud) ont exprimé leur opposition à la nouvelle convention. La Russie a également réussi à réduire la durée de 2019 à partir des originaux 10-7 jours, ce qui semble réduire la possibilité d'un accord.
En savoir plus: Quelques pays bourriche discussion d'interdire des robots tueurs à l'ONU (FLI)
Auteur Jack Clark a quelque chose à dire à la ligne de front lecteurs AI: Nous UAV la recherche sur la Chine est très intéressée par, si vous voulez voir le contenu plus intéressant dans notre hebdomadaire, s'il vous plaît envoyez un courriel à: @ jack jack-clark .net.
Lien original:
https://jack-clark.net/2018/12/03/import-ai-123-facebook-sees-demands-for-deep-learning-services-in-its-data-centers-grow-by-3- 5x pourquoi avancé-ai-pourrait-besoin-un-global-ForceDePolice-et-diagnostic-catastrophes-naturelles-en-profonde learni /
