С 22 января по 12 февраля. Хотите получать это письмо на почту? "Подпишите здесь."
Новости, тенденции и мнения в области технологий
- Вперед, Марвин Мински, и пропасть, которую AI еще не преодолел. Важные новости последних нескольких дней касаются системы DeepMind AlphaGo. Используя комбинацию контролируемого обучения и обучения с подкреплением, авторы показывают, что они могут победить 99,8% компьютерных программ го и европейского чемпиона (среди людей). Бумага здесь.
- Часто это отравление жизни инженеров-программистов, может, есть надежда? Система автоматического исправления ошибок исправляет в 10 раз больше ошибок, чем ее предшественники.
- Информативное резюме саммита Re.Work по глубокому обучению, прошедшего в Сан-Франциско. Я посетил мероприятие и был приятно удивлен испытаниями, проводимыми компаниями по глубокому обучению изображений / зрения (Bay Labs, MetaMind, Clarifai) в сфере здравоохранения, в частности, по системам поддержки диагностики. Здесь есть такой убедительный пример использования, что я надеюсь, что компании упростили доступ к клиникам.
- В том же духе Автоматизированный радиолог IBM может читать изображения и медицинские записи.
- Искусственный интеллект предлагает лучший способ диагностики малярии. В прошлом я много часов сидел перед микроскопом и определенно вижу ценность в применении систем глубокого обучения для автоматического распознавания функций. Фактически, многие исследователи до сих пор используют устаревшие инструменты, такие как ImageJ, для сегментации изображений и подсчета функций вручную: - /
- Самоуправляемый искусственный интеллект Google считается« драйвером , по мнению федеральных властей». Сюжет сгущается…
- Проводные профили Энди Рубина, основателя Android, и довольно увлекательного персонажа. Его новое выступление, Playground, направлено на создание, финансирование и поддержку компаний, создающих строительные блоки программного и аппаратного обеспечения для будущего, основанного на искусственном интеллекте.
Исследования, разработки и ресурсы
- Асинхронные методы обучения с глубоким подкреплением, Google DeepMind и Монреальский университет. Стабилизация глубокого обучения с подкреплением часто требует много памяти и вычислений, потому что оно использует воспроизведение опыта: идею сохранения и выборки из исторического опыта агента, выполняющего задачу. Здесь команда DeepMind показывает, что асинхронное выполнение нескольких агентов параллельно в нескольких экземплярах среды более эффективно и требует меньших вычислительных затрат. Посмотрите это видео для демонстрации приложения агента, перемещающегося в среде трехмерной видеоигры.
- Модель системы объяснения, Northrop Grumman Corporation. Здесь автор представляет общую структуру для объяснения моделей черного ящика, в частности линейных классификаторов.
- Больше никаких автобанов! Создание живописных маршрутов с помощью Googles Street View , Бременский университет и Университет Хасселта. Подобно проекту Happy Maps Daniele Quercia (посмотрите его выступление на нашем саммите AI 2015), авторы представляют основанную на видении систему для создания живописного вождения. маршруты с использованием изображений Google Street View.
- Глубокое отслеживание: видение не только с помощью рекуррентных нейронных сетей, Оксфордский университет. Авторы представляют метод сквозного обучения на основе RNN для приема потока необработанных данных датчиков (например, сцены, где робот видит множество движущихся объектов) и определения положения этих объектов, даже если они закрыты от вид и где нет достоверной информации. Видео-объяснение здесь.
- Brain4Cars: Автомобиль, который знает, прежде чем вы сделаете это с помощью архитектуры глубокого обучения сенсорного синтеза, Корнельский университет, Стэнфордский университет и компания Brain of Things Inc.. В этой работе исследуется проблема ожидания следующих действий водителя автомобиля для защиты упомянутому водителю от возможных опасностей, которые могут возникнуть в зависимости от его текущего окружения (например, поворот и наезд невидимого велосипеда). Используя RNN с LSTM, которые воздействуют на видео, динамику транспортного средства, GPS и карты улиц, система может предвидеть маневры за 3,5 секунды до того, как они произойдут в реальном времени.
Финансирование венчурного капитала и выход
93 миллиона долларов были привлечены 22 компаниями, и 250 миллионов долларов были созданы на выходе, включая следующие заметные сделки:
- DataRobot, который позволяет специалистам по обработке данных создавать и внедрять прогностические приложения с использованием машинного обучения с открытым исходным кодом и специализированного машинного обучения, собрал серию B в размере 33 млн долларов, возглавляемую NEA.
- Diffbot, компания, создающая универсальную базу данных структурированной информации из Интернета, привлекла 10 млн долларов под руководством Tencent.
- Sky, ведущая европейская развлекательная компания, покупает долю в размере 10 миллионов долларов в DataXu, маркетинговой и аналитической компании для рекламного бизнеса. С 2007 года компания привлекла 65,6 млн долларов.
- Trifacta, которая помогает аналитикам данных преобразовывать необработанные данные в чистые и структурированные форматы для последующей работы, собрала серию D за 35 миллионов долларов от Accel, Greylock и других.
- SwiftKey, производитель популярной клавиатуры с функцией прогнозирования для Android и iOS, которой пользуются 300 млн человек, был приобретен Microsoft за 250 млн долларов. Поздравляю, команда! Отличные новости для рынка.
Что еще привлекло ваше внимание? Просто нажмите "Ответить"! Я активно ищу предпринимателей, создающих компании, которые создают / используют ИИ, чтобы переосмыслить то, как мы живем и работаем.
