В прогнозе аналитической фирмы Forrester на 2021 год в области автоматизации (речь идёт об отчёте Predictions 2021: Automation, опубликованном в октябре 2020 года, который можно найти здесь: https://www.flowforma.com/...pdf – Н.Х.) говорится, что «великое сидение» (имеется в виду режим изоляции из-за пандемии коронавируса – Н.Х.) 2020 года сделает в 2021 году тенденцию к автоматизации неизбежной и необратимой. Удаленная работа, новые «цифровые мускулы» и связанные с пандемией ограничения приведут в 2021 году к миллионам случаев прагматичной автоматизации; будут распространяться извлечение документов, «роботехническая» автоматизация технологических процессов и производств (Robotic Process Automation, RPA - это «автоматизация повторяющихся и, как правило, требующих значительного времени задач, которые в рамках потока рабочих процессов обычно выполнялись людьми» – Н.Х.) при работе из любого места, дроны и различные заменяющие сотрудников роботы – и, как можно ожидать, безумный рывок к автоматизации приведёт к проблемам и неприятностям».
По мнению Forrester, искусственный интеллект вступает в новую фазу, которую они (не особенно оригинально – Н.Х.) называют «искусственный интеллект 2.0». Forrester выделяет пять областей и новые алгоритмические методы, являющиеся движущими силами трансформации искусственного интеллекта (см. https://sdtimes.com/ai/forrester-5-key-advances-driving-ai-2-0/ ):
- Трансформерная сеть (Transformer Network, см. Википедию: https://ru.wikipedia.org/wiki/Трансформер_(модель_машинного_обучения) – это разновидность модели глубокого обучения (deep learning), представленная в 2017 году, которая используется в основном для обработки естественного языка (Natural Language Processing, NLP). Трансформерные сети используются в первую очередь для перевода и резюмирования текста.
- Синтетические данные, расширяющие набор обучающих данных (Synthetic Data to Extend Training Data, https://research.aimultiple.com/synthetic-data/ ) - Использование огромных объёмов собранных данных, как известно, позволяет улучшить ИИ-модели, - но такие наборы данных трудно найти. Синтетические данные могут дополнять существующие данные и в результате получать более точные ИИ-модели.
- Обучение с подкреплением (Reinforcement Learning, см. Википедию: https://ru.wikipedia.org/wiki/Обучение_с_подкреплением ) - тип искусственного интеллекта, который не требует маркированных входных данных, но стремится максимизировать вычисляемую целевую функцию на основе возможных действий, которые могут быть предприняты.
- Федеративное обучение [модели, алгоритма – Н.Х.] (Federated Learning, см. Википедию: https://en.wikipedia.org/wiki/Federated_learning ) - метод объединения ИИ-результатов, полученных с использованием существующих ИИ-моделей. Он позволяет строить новые модели на основе существующих результатов, а также обеспечивает совместное использование и объединение данных из многих децентрализованных источников. Данный метод полезен для того, чтобы уйти от проблем, связанных с защитой персональных данных и пропускной способностью.
- Причинное-следственное (каузальное) мышление (Causal Reasoning, см. Википедию: https://en.wikipedia.org/wiki/Causal_reasoning ) - алгоритмы искусственного интеллекта обучаются использовать каузальное мышление для получения выводов.
Мой комментарий: Первоисточником мнения фирмы Forrester об «искусственном интеллекте 2.0» является подготовленный фирмой отчёт «Искусственный интеллект 2.0: Модернизируйте свою организацию, используя 5 достижений ИИ следующего поколения» (AI 2.0: Upgrade Your Enterprise With Five Next-Generation AI Advances, 9 февраля 2021 года, https://www.forrester.com/report/AI+20+Upgrade+Your+Enterprise+With+Five+NextGeneration+AI+Advances/-/E-RES163520 ), распространяемый за серьёзные деньги – 745 долларов.
Источник: блог компании Formtek
https://formtek.com/blog/artificial-intelligence-2-0-five-new-techniques-helping-ai-to-evolve/
Комментариев нет:
Отправить комментарий