Прошло совсем немного времени с тех пор, как искусственный интеллект начал свое путешествие из области научно-фантастических романов в нашу повседневную жизнь. Возможно, из-за своей новизны переход ИИ к реальным системам и технологиям одновременно вдохновлял и тревожил, напряжение, которое не менее остро ощущается в дебатах о его будущем. Кем должен стать ИИ? Кому он должен служить?
В переменной на этой неделе мы делимся двумя впечатляющими комментариями к этому разговору. Однако, если вы предпочитаете, чтобы вещи были более активными, не бойтесь: мы также включаем некоторые из наших недавних фаворитов по таким темам, как MLOps и стек моделей. Поехали!
- Узнайте о рисках корпоративных исследований ИИ. Большой прогресс, который мы наблюдаем за последние годы в таких областях, как обучение с подкреплением, обходится дорого, и у технологических гигантов, таких как Google и Facebook, есть большие карманы, чтобы покрыть его. Это правильный способ сделать это? Трэвис Грин задает ключевой вопрос, на который он далее отвечает с нюансами: Следует ли нам верить, что рыночные исследования и разработки ИИ в« частных интересах будут соответствовать ориентированным на человека ценностям прозрачности , справедливость, честность, ответственность, подотчетность, доверие, достоинство, устойчивость и солидарность? »
- Изучите потенциальную альтернативу доминированию языковых моделей. Наиболее заметными примерами недавних успехов ИИ, вероятно, являются массивные языковые модели, такие как GPT-3 и BERT. В недавнем выпуске подкаста TDS генеральный директор Diffbot Майк Тунг поговорил с Джереми Харрисом о другом многообещающем пути развития будущих возможностей ИИ: графах знаний.
- Поэкспериментируйте с укладкой, чтобы улучшить характеристики вашей модели. Если на этой неделе у вас есть время поработать только с одним практическим руководством, это может быть пошаговое введение Джен Уодкинс в наложение моделей, подход, который улучшает результаты за счет прогнозов. из нескольких разных моделей, а затем использовать их как функции для метамодели более высокого уровня.
- Освойтесь - или, по крайней мере, лучше познакомьтесь - с MLOps. Операции машинного обучения уже какое-то время являются модным подразделом, и чрезвычайно доступное руководство Яшасви Наяка - прекрасный ресурс для всех, кто хотел бы узнать о нем больше. Яшасви начинает с основных определений, а затем проводит нас через весь жизненный цикл MLOps от инфраструктуры до развертывания.
- Подготовьтесь к получению степени магистра с помощью практических советов, заработанных тяжелым трудом. Если вы собирались вернуться в школу, чтобы получить степень магистра в области анализа данных или науки о данных, вам нужно наверстать упущенное из того, что Изабелла Веласкес рассказала о своем опыте несколько лет назад. Он включает в себя множество практических идей, которые могут направить вас на правильный путь и помочь максимально эффективно использовать вашу программу.
Спасибо, что присоединились к нам на еще одной неделе интересных и заставляющих задуматься статей! Если какой-либо из этих постов вдохновляет вас написать свой собственный взгляд на будущее искусственного интеллекта, машинного обучения или другой темы в целом, подумайте о том, чтобы поделиться этим с нашей командой.
До следующей переменной
Редакторы TDS
Последние добавления к нашим избранным темам:
"Начиная"
- Большие ожидания: всегда знай, чего ожидать от своих данных от Хуен Тран
- 5 советов, как получить свою первую работу в области науки о данных от Ренато Бёмера
- LLE: локально линейное встраивание - отличный способ уменьшить размерность в Python, Саул Добилас
Практические руководства
- Визуализация 3D-зданий в геопространственных визуализациях WebGL от Чармейн Чуи
- Знание настоящего и будущего своего урожая Фетце Пийлман и Томас Искьердо Гарсиафариа
- 3 шага для успешной миграции данных от Марка Гровера
- Понимание импорта Python, __init__.py и pythonpath - раз и навсегда от Dr. Варшита Шер
Глубокие погружения
- Не только средние значения: использование машинного обучения для оценки неоднородных эффектов лечения (CATE, BLP, GATES, CLAN) Лукас Китцмюллер
- Создание генеративных художественных NFT на основе геномных данных Саймон Джонсон
- Алгоритм машинного обучения для прогнозирования результатов игр MLB Гаррет Норс
- Дифференцируемое оборудование от CP Lu, PhD
Мысли и теория
- Пошаговое руководство по подходу к комплексным исследовательским проектам, автор Таль Розенвайн
- Билинейное объединение для детального визуального распознавания и многомодального глубокого обучения от Константина Куцкова
- Иллюстрированное различие между MLP и трансформаторами для преобразования тензорной системы в глубоком обучении, автор Патрик Лангечуан Лю
- Основы подтверждающего факторного анализа Рафаэль Вальдесе Соуза Бастос
