Top 7 Durchbrüche der künstlichen Intelligenz, die wir 2019 gesehen haben

Im Laufe der Jahre hat die künstliche Intelligenz alle mit zahlreichen Durchbrüchen überrascht, und dieses Jahr war es nicht anders. Das ganze Jahr über erlebten wir unter anderem beeindruckende Innovationen im Bereich des verstärkten Lernens, neuronaler Netze. Technologieunternehmen aus der ganzen Welt haben verschiedene Sprünge in der künstlichen Intelligenz verglichen, um die Zweifel der Menschen an einer echten KI weiter zu beseitigen.

Als Chronist des technologischen Fortschritts in den Bereichen Analytik, künstliche Intelligenz, Data Science und Big Data war das Analytics India Magazine unter anderem über jede atemberaubende Entwicklung informiert. Wir bringen Ihnen die 7 erstaunlichsten KI-Fortschritte, die die Welt für immer verändert haben.

Geschicklichkeit der Roboterhand

OpenAI hat erfolgreich eine Roboterhand namens Dactyl trainiert, die sich bei der Lösung des Zauberwürfels an die reale Umgebung angepasst hat. Der Roboter wurde vollständig in der simulierten Umgebung geschult, konnte das Wissen jedoch erfolgreich in eine neue Situation übertragen.

Um die Geschicklichkeit zu verbessern, verwendete OpenAI die automatische Domänen-Randomisierungstechnik und verbesserte die Fähigkeiten der Hand zum Lösen des Zauberwürfels. Obwohl Dactyl das Problem gelöst hat, war der Schlüssel zum Mitnehmen die Fähigkeit, Ergebnisse in der Umgebung zu liefern, für die der Roboter nicht trainiert wurde.

Deepfake – Bilder zum Leben erwecken

Samsung hat im Mai ein System entwickelt, mit dem Gesichtsbilder in Videosequenzen umgewandelt werden können. Sie verwendeten das generative Adversarial Network (GAN), um tiefe gefälschte Videos zu erstellen, indem sie nur ein Bild als Eingabe machten. Forscher von Samsung verwendeten High-Fidelity-natürliche Bildsynthese für ML-Modelle ermöglicht realistische menschliche Expression in Resonanz.

KI-generierter synthetischer Text

OpenAI hat im Februar ein kleines Modell namens Generative Pre-Training (GPT) veröffentlicht, um synthetischen Text automatisch zu generieren. Die Firma veröffentlichte schließlich die Vollversion des Modells, GPT-2, im November. Beim Schreiben einiger Sätze wählte das Modell den Kontext perfekt aus und generierte den Text selbst.

Das Modell wurde mit über 8 Millionen Webseiten trainiert, was zu Inhalten führte, die schwer zu bestimmen waren, ob es sich um einen generischen oder synthetischen Text handelte.

Gamification Of Memories

Googles DeepMind hat die Art und Weise verändert, wie Verstärkungslernen funktioniert, um das Gedächtnis zu gamifizieren. Damit KI-Agenten in der Gegenwart bessere Entscheidungen treffen können, verwendeten sie Temporal Value Transport (TVT), um Lehren aus der Zukunft zu ziehen. Dies ermöglichte es dem Agenten, die langfristigen Konsequenzen von Entscheidungen zu verstehen, die derzeit getroffen werden können. Obwohl die Methodik in einem Spiel durchgeführt wurde, war sie in der KI-Landschaft beispiellos.

Lösung des Drei-Körper-Problems

Das Drei-Körper-Problem war eines der am längsten bestehenden Probleme in der wissenschaftlichen Gemeinschaft. Die genaue Identifizierung der zukünftigen Position von Objekten hat zahlreiche Anwendungsfälle, insbesondere im Weltraum, die Bestimmung der Position von Himmelskörpern ermöglicht Wissenschaftlern ihre Forschung. Die Forscher von Edinburgh verwendeten neuronale Netze, um den zukünftigen Standort zu lokalisieren und damit die Tür für die Erweiterung in n-Körper-Problem zu öffnen.

Upside Down Reinforcement Learning

Ein Team des Swiss AI Lab führte eine neue Methodik ein, die als Upside-down Reinforcement Learning bezeichnet wird. Sie führten erfolgreich Verstärkungslernen in Form von betreutem Lernen durch. Dies ermöglichte es dem Team, Belohnungen als Input bereitzustellen, was im Gegensatz zu traditioneller Verstärkungslernarbeit steht. Eine solche Technik ermöglichte es ihnen auch, den Roboter für anstrengende Aufgaben zu imitieren und zu trainieren, indem sie einfach vor einer Maschine imitierten. Die befehlsbasierte Methodik unterstützt ML-Modelle bei der Beschleunigung des Trainingsprozesses und verkürzt so den Zeitaufwand in den KI-Workflows.

Erklärbare KI

KI macht große Fortschritte, aber das Verständnis der Methoden in der Black Box ist entscheidend, um Schub zu geben. Daher haben verschiedene Unternehmen Dienste veröffentlicht, mit denen Unternehmen die Hauptfaktoren hervorheben können, die zu Ergebnissen aus ihren Modellen für maschinelles Lernen führen. Zum ersten Mal sind Unternehmen in der Lage, die Cloud zu löschen und Einblicke in die Funktionsweise der Black Box zu erhalten. Obwohl man noch nicht alle Aspekte einer Schlussfolgerung aus Modellen ziehen kann, spielt sie eine wichtigere Rolle bei der Demokratisierung der KI.

Was denkst du?

Abonnieren Sie unseren Newsletter

Erhalten Sie die neuesten Updates und relevanten Angebote, indem Sie Ihre E-Mail teilen.

Treten Sie unserer Telegrammgruppe bei. Seien Sie Teil einer engagierten Online-Community. Hier beitreten.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.