Технология Люди в Google разработали искусственный интеллект, который эффективно предсказывает, какие модели машинного обучения принесут наилучшие результаты. В недавно опубликованной статье ( «Оценка вне политики через классификацию вне политики») и статье в блоге группа исследователей Google AI предлагает то, что они называют «классификацией вне политики», или OPC, которая оценивает работу ИИ-систем. представителей, рассматривая развитие как проблему классификации.
Команда отмечает, что их подход - вариант обучения с подкреплением, который использует преимущества для побуждения программных политик к достижению целей - работает с вводом изображений и масштабируется для задач, таких как роботизированное схватывание на основе зрения. « Полностью внеполитическое обучение с подкреплением - это версия, в которой агент полностью обучается на старых данных, что может быть привлекательным, поскольку позволяет выполнять итерацию версий без физической практики», - пишет инженер-программист Google Robotics Алекс Ирпан. «С полностью вне политики RL, человек может обучить несколько версий на одном фиксированном наборе данных, собранном предыдущими представителями, а затем выбрать лучшую».
Достичь OPC было немного сложнее, чем кажется. Как отмечают Ирпан и его соавторы, обучение с подкреплением вне политики позволяет обучать модели ИИ вместе, скажем, с роботом, но не тестировать. Они указывают на то, что проверка на достоверность обычно неэффективна.
Их решение - OPC - решает эту проблему, предполагая, что у рабочих мест практически нет случайности, связанной с изменением состояний, и от предположения, что представители либо терпят неудачу, либо преуспевают после экспериментальных испытаний. Бинарный характер второго из двух предположений позволял использовать две классификационные метки (« успешный » для успеха или « катастрофический » для неудач) для каждого действия.
OPC дополнительно полагается на так называемую Q-функцию (изученную с помощью алгоритма Q-обучения) для оценки будущих общих вознаграждений за действия. Агенты выбирают действия вместе с наибольшими прогнозируемыми выгодами, и их эффективность измеряется тем, как часто выбранные действия оказываются эффективными (что зависит от того, насколько хорошо Q-функция правильно классифицирует действия как эффективные и катастрофические). Точность классификации действует как балл оценки вне политики.
Команда обучила политики машинного обучения в моделировании с использованием полностью внеполитического обучения с подкреплением, а затем оценила их, используя оценки вне политики, полученные на основе предыдущих реальных данных. Они сообщают, что одна из версий OPC, в частности SoftOPC, лучше всего справлялась с прогнозированием успешности работы робота по захвату. Учитывая 15 моделей разной надежности (семь из которых были обучены исключительно в моделировании), SoftOPC генерировал оценки, тщательно коррелированные с точным достижением понимания и «значительно» более надежные, чем базовые процедуры.
В будущей работе исследователи намерены исследовать рабочие места с « более шумной » и недвоичной динамикой. «[Мы] думаем, что результаты достаточно многообещающие, чтобы их можно было применить к множеству реальных проблем RL», - сказал Ирпан.
Технология Термин «цифровая трансформация» стал повсеместным. Практически любой руководитель и наблюдательный совет провайдера видят потенциал цифровой трансформации для создания новых ценностей и повышения их конкурентоспособности. Они инвестируют в создание возможностей для преобразования своей компании. К сожалению, некоторые компании развивают цифровые возможности, но не создают ценности, влияющей на их конкурентные позиции. Итак, действительно ли бизнесы продвигаются по этим видам инвестиций? Где мы находимся в попытках добиться успеха в цифровой трансформации?
Предприятие Машинное обучение - это процесс, при котором ваша система учится на событиях, опыте и продолжает совершенствовать свои навыки и способность принимать решения.
Технология В этом блоге мы рассмотрим простое объяснение того, что такое машинное обучение, искусственный интеллект и Интернет вещей. Мы также проясним, чем эти три прорывные технологии отличаются друг от друга и по-прежнему неразрывно связаны друг с другом.
Искусственный интеллект, машинное обучение и Интернет вещей - модные слова, которые сейчас очень популярны на рынке. Бесчисленное множество споров. блоги и обсуждения, доступные в Интернете, рассказывают об этих трех раскаленных технологиях. Вокруг кружится такая шумиха, и легко запутаться в том, что это за технологии и как их различать. Итак, давайте прольем свет на каждого из них, чтобы понять их основную ценность.
Предприятие Искусственный интеллект захватил все отрасли и теперь играет жизненно важную роль в бизнес-процессах. Давно прошли те времена, когда ИИ был всего лишь научной фантастикой, которая была известна разработчикам, пытающимся превратить ее в реальность. Решения в области искусственного интеллекта являются одной из характерных частей, включающих последние достижения, которые упростили настоящую жизнь. В 1956 году существование ИИ стало шоком для людей, но со временем он стал неотъемлемой частью делового мира. Теперь, по прошествии времени, ИИ занял широкое место в современной технической реальности.
Что такое искусственный интеллект?
Чтобы начать промышленное воздействие искусственного интеллекта, мы должны знать, что это такое на самом деле. ИИ оказывает такое огромное влияние на множество технологий, что важно знать его в целом и в широком смысле. Итак, прежде чем использовать более широкий подход, ИИ - это компьютерное программное обеспечение, способное выполнять действия в среде, похожей на человека, с аналогичным мышлением. Однако у него нет возможности скрыть специфику ИИ, которая все еще технически правильна. Это более глубокое понимание рабочего процесса искусственного интеллекта, который отличает его.
Глубокое обучение - это побочный аспект развития искусственного интеллекта, который имеет дело с имитацией аналогичного подхода к обучению, который используется человеком для получения определенного типа передовых знаний. Глубокое обучение предназначено для автоматизации прогнозного анализа, в то время как машинное обучение больше в линейном плане, аналог глубокого обучения больше в направлении иерархии сложности в порядке возрастания абстракции.
Работа основана на нелинейном преобразовании ввода и его использовании для создания статистического модуля в форме вывода до тех пор, пока он не достигнет максимального уровня приемлемой точности.
Теперь давайте разберемся, как это изменит многие вещи в 2019 году с разработкой приложений для Интернета вещей.
С 1970 года в результате стихийных бедствий погибло 1,3 миллиона человек, а к 2030 году эта цифра увеличится до 1,4 миллиарда. При таком сценарии использование климатической информатики будет благом. С помощью глубокого обучения мы можем обрабатывать спутниковые изображения, снятые ресурсами по всему миру, чтобы извлекать данные и затем сравнивать их.
С помощью этой созданной информации мы можем отслеживать не только изменение климата, но и влияние стихийных бедствий на определенное географическое положение. Глубокое обучение также может решить проблемы, связанные с идентификацией модулей, более точно бороться с изменением климата. С созданием компании по разработке приложений для Интернета вещей и последними достижениями это стало проще, чем мы можем предположить.
Даже с началом 21 - го - вечный самостоятельного вождения автомобилей до сих пор снится. С помощью глубокого обучения мы можем создать модель независимых автомобилей. Поскольку все мы знаем, что в основе глубокого обучения лежит анализ данных, он может быть в дальнейшем направлен на использование различных режимов и размеров камер и датчиков, что составляет идеальную комбинацию для среды глубокого обучения.
Прочтите блог - 10 планов действий, которые вы должны использовать, чтобы быть готовым к будущему для IoT
Мало того, глубокое обучение позволит легче и удобнее выявлять препятствия и принимать важные решения. Решения искусственного интеллекта с глубоким обучением имеют более широкое влияние на беспилотные автомобили, что делает их важной частью отрасли.
Медицина - одна из сфер, требующих постоянных инноваций. Искусственный интеллект и машинный заработок уже оставили свой след в области медицинских технологий. Глубокие исследования тоже могут сыграть важную роль в медицине в 2019 году в области передовых исследований. Это упрощает диагностику, поскольку инструменты исследования будут усовершенствованы с помощью глубокого обучения. Большой опыт хирургических операций, обогащенный машинами, скоро превзойдет специалистов в этой области. Кроме того, в области исследования лекарств глубокое обучение инициирует новую смену ролей. Развитие искусственного интеллекта прекрасно сочетается с прогрессом медицины, чтобы работать с большим удовольствием. Можно легко получить расширенный пользовательский интерфейс с гарантированной помощью.
Помимо этого, у искусственного интеллекта есть множество преимуществ, которые делают его отличным дополнением к рабочей нагрузке.
- Принятие решений с использованием более разумных технологий - теперь компании вкладывают средства в искусственный интеллект в когнитивные возможности программного обеспечения. Он имеет систематизированный поток для работы в реалистичной среде вместе с расширенными компьютерными алгоритмами. Это играет жизненно важную роль в деловом мире и может оставить след в будущем.
- Цепочка поставок - с вовлечением в уравнение разработки приложений IOT управление цепочкой поставок может многого добиться. У него есть возможность достичь огромного уровня с помощью совершенных решений AI и иметь машину, которая оснащает искусственный интеллект, что делает его необходимостью для делового мира.
- Мобильные технологии. С годами смартфоны стали неотъемлемой частью нашего мира. Ему удалось создать отличный имидж с привлечением ИИ, что делает его огромным достижением в мире бизнеса.
Заключение
Нет сомнений в том, что ИИ должен сосредоточиться на необходимых требованиях. Он работает над улучшением и дополнениями, чтобы быть в умном рабочем процессе. Этот процесс автоматизации оказывает огромное влияние на роботизированный процесс, в котором основное внимание уделяется компании, занимающейся разработкой Интернета вещей . Нет никаких сомнений в том, что ИИ скрывает важное требование сосредоточиться на эффективных инструментах.
