Глубинное обучение

Сгенерированные примеры затем используются для обучения программ распознавания, которым не хватает реальных образцов.

За последнее десятилетие прогресс в развитии технологий глубинного обучения сопровождался рядом достижений в сфере обработки текстов и мультимедиа, что вызвало ажиотажный спрос на приложения в области искусственного интеллекта. Однако основная часть подобных разработок была связана с решением задач из индустрии развлечений: генерация реалистичных изображений несуществующих предметов, диалог с человеком, игры и пр. Насколько необходимо развитие именно этих направлений? Какие проблемы имеются на пути применения ИИ в здравоохранении, сельском хозяйстве и других отраслях реальной экономики?

Компания Nvidia готова приступить к поставкам графического процессора H100 Tensor Core. Первые серверы на базе новой архитектуры появятся уже в октябре.

Темы мартовского, апрельского и майского номеров журнала Computer (IEEE Computer Society, V. 55, No. 3, 4, 5, 2022) – готовность технологий искусственного интеллекта и соответствующих методов программной инженерии к широкому применению, интеграция алгоритмов в повседневную жизнь и игровые технологии нового поколения.

Рост популярности решений на базе методов машинного обучения делает актуальными исследования в сфере вредоносного машинного обучения и интеграции средств предотвращения таких атак в системы и сервисы.

Код, использующий библиотеки Triton, подается на вход JIT-компилятора и выполняется графическим процессором. Такой подход позволяет интегрировать этот код с остальной экосистемой Python

Исследователи свели глубинное обучение к задаче поиска, которую можно эффективно решить с использованием хеш-таблиц, и исключив огромное количество операций перемножения векторов.

Обычно для этого используются мощнейшие компьютеры — чтобы учесть огромное количество переменных и обеспечить необходимую точность и скорость прогнозирования.

Работа земледельца все меньше ассоциируется с рутинным и как правило тяжелым физическим трудом. Инновационные технологии, беспилотники, навороченные гаджеты и искусственный интеллект — вот с чем теперь приходится иметь дело современному фермеру.

Кардиологам приходит на помощь инструмент, который сегодня есть в кармане почти у каждого пациента — обычный смартфон. Нейросети научились с высокой точностью диагностировать ишемическую болезнь сердца по фотографии. Больше всего о здоровье сердца рассказали… щеки.

Интеллектуальные системы, работающие на основе алгоритмов машинного обучения, требуют больших объемов размеченных данных. Используя фактические сведения справочного характера, можно восполнять нехватку размеченных данных для обучения алгоритмов, причем для многих практических применений удобно организовывать справочные сведения в форме графа знаний. Объединение сведений из графов знаний с обучающими выборками позволяет существенно улучшить результативность работы алгоритмов машинного обучения, в том числе используемых в системах предоставления рекомендаций и анализа структуры сообществ. Графы знаний позволяют не только повысить точность работы таких систем, но и обеспечить объяснимость получаемых результатов.

Нет, на ПК его не увидеть: это яркий пример широты конструкторской мысли в области проектирования специализированных чипов глубинного обучения.

Такие решения требуют больших инвестиций и могут не дойти до массового производства, предупреждают эксперты.

Глубокие нейронные сети могут решать самые сложные задачи, но требуют значительных вычислительных мощностей и больших объемов данных.

Провалы грунта под дорогами, образующиеся из-за трещин в канализационных трубах, строительных работы и других причин, стали большой проблемой в Японии.

Традиционные системы хранения не могут расширяться бесконечно или хотя бы достаточно быстро, что особенно критично для задач глубинного обучения, в случае когда данных больше, чем может поместиться на одной машине. Поэтому для поддержки работы с большими данными все чаще применяются распределенные горизонтально масштабируемые архитектуры хранения и обработки в памяти.

Темы майского, июньского, июльского и августовского номеров журнала Computer (IEEE Computer Society, Vol. 51, No. 5–8, 2018) — средства машинного обучения для мобильных и встроенных систем, «наука о Всемирной паутине», проблема доверия устройствам Интернета вещей и цифровые консультанты в сфере медицины.

Машина Цетлина построена на принципах, в корне отличных от всех известных сегодня подходов к реализации искусственного интеллекта, и уже показала лучшие результаты, чем альтернативные подходы. Эта машина может стать качественно новым инструментом, позволяющим на обычных универсальных компьютерах решать задачи распознавания образов, лингвистики, диагностики и прогнозирования.

Материал книги будет полезен как для знакомства с теоретическими основами глубинного обучения, так и для практического применения. Авторы приводят наглядные примеры использования алгоритмов глубинного обучения, включающих алгоритм оптимизации, функции стоимости и пр. Здесь же описаны факторы, ограничивающие способность традиционного машинного обучения к обобщению

Даже если специалисты компании не имеют опыта разработки алгоритмов, эксперименты в области машинного обучения можно начинать, пользуясь готовыми инструментами и API, отмечают аналитики.