Quali sono le tendenze più importanti del Machine Learning in questo 2020?

Quali sono le tendenze più importanti del Machine Learning in questo 2020?

Condividiamo l’articolo apparso su Quora: il luogo in cui acquisire e condividere conoscenze, consentendo alle persone di imparare dagli altri e comprendere meglio il mondo.

Un dialogo con Anima Anandkumar, Professore di Bren presso Caltech e Direttore di ML Research presso NVIDIA.

Il deep learning ha avuto progressi entusiasmanti negli ultimi anni, in particolare nei compiti di apprendimento supervisionato in visione artificiale, lingua, linguaggio, ecc. Il prossimo decennio si concentrerà sullo sviluppo di nuove tecniche che affronteranno le sue attuali carenze.

Ecco alcune aree importanti che vedo saranno importanti nel prossimo decennio:

I dati etichettati rappresentano attualmente un grande ostacolo all’adozione del deep learning. Ci saranno ulteriori ricerche sull’apprendimento attivo profondo e sull’apprendimento umano, in cui la raccolta intelligente dei dati fa parte del ciclo di feedback sull’apprendimento automatico. L’auto-supervisione ha mostrato una promessa recente per l’apprendimento semi-supervisionato.

Vedremo un maggiore sviluppo in queste aree.

I modelli generativi controllabili di immagini, video, testo e altre fonti di dati saranno al centro dell’attenzione. La disangolazione degli input di controllo e l’estrapolazione oltre i dati di addestramento saranno impegnativi e ciò non può essere realizzato solo attraverso la memorizzazione. La quantificazione dell’incertezza sarà un’altra sfida importante. Gli attuali modelli generativi come i GAN non forniscono buone stime dell’incertezza.

Possiamo ottenere sia una generazione realistica di dati sia stime accurate dell’incertezza? Questo sarà un problema importante da affrontare.

Saranno studiati su larga scala modelli ibridi di apprendimento profondo in cui l’apprendimento è combinato con altri quadri come il ragionamento simbolico o causale. L’incorporazione delle conoscenze e dei vincoli del dominio nell’apprendimento sarà approfondita.

Ciò è necessario quando ci sono dati limitati o quando ci sono requisiti più impegnativi per la generalizzazione. Ad esempio, nella robotica, infondere le conoscenze esistenti dagli algoritmi di fisica e controllo nell’intelligenza artificiale può aiutare a raggiungere sicurezza e stabilità.

I dati / simulazioni sintetici costituiranno una fonte importante per l’addestramento dei dati in applicazioni limitate di dati come la robotica e la guida autonoma. Poiché le simulazioni non saranno perfettamente accurate, saranno necessari algoritmi per un trasferimento e una regolazione fine da reale a reale nel dominio reale.

In applicazioni critiche per la sicurezza come i sistemi autonomi è indispensabile garantire l’affidabilità. I test di intelligenza artificiale matureranno e trarranno strumenti dai test del software, ma avremo anche bisogno di innovazioni. Le simulazioni forniscono un’ottima piattaforma per i test di errore dei sistemi di intelligenza artificiale.

L’intelligenza artificiale si sposterà più al limite. Ciò richiederà una compressione del modello aggressiva (e sofisticata) e l’elaborazione in tempo reale. Non tutto l’addestramento all’IA verrà svolto sul cloud come è oggi. Un po ‘di apprendimento si sposterà al limite, specialmente quando la privacy dei dati è una preoccupazione (apprendimento federato). L’apprendimento automatico in natura, ovvero gli algoritmi che si adattano rapidamente ai cambiamenti nella distribuzione dei dati e in altre condizioni ambientali dovranno essere ulteriormente sviluppati.

Anima Anandkumar
Bren Professor at Caltech/ Director of ML Research at NVIDIA

 

 

Leggi Articolo completo

Call Now Button