Görüntüleri göz açıp kapayıncaya kadar analiz etme ve karın yaşam döngüsünü izleme – Teknolojik Haberler


Artık hemen hemen her endüstri ve şirkette önemli bir teknoloji olan makine öğrenimi ve yapay zeka alanındaki araştırmalar, herkesin hepsini okuması için çok hacimlidir. Perceptron (önceden Deep Science) adlı bu sütun, özellikle yapay zekayla ilgili, ancak bununla sınırlı olmamak üzere, en güncel keşiflerden ve makalelerden bazılarını toplamayı ve neden önemli olduklarını açıklamayı amaçlamaktadır.

AI’da bu hafta, Penn State mühendisleri ilan edildi saniyede yaklaşık iki milyar görüntüyü işleyebilen ve sınıflandırabilen bir çip oluşturduklarını söyledi. Bu arada Carnegie Mellon, imzalı Tahmine dayalı bakımda yapay zeka kullanımını genişletmek için 10.5 milyon dolarlık bir ABD Ordusu sözleşmesi. UC Berkeley’de bir grup bilim insanı, iklim sorunlarını çözmek için yapay zeka araştırmaları uyguluyor. anlayış su kaynağı olarak kar.

Penn State çalışması, AI iş yüklerine uygulandığında geleneksel işlemcilerin sınırlamalarının üstesinden gelmeyi amaçladı – özellikle görüntüleri veya içindeki nesneleri tanıyarak ve sınıflandırarak. Bir makine öğrenimi sistemi bir görüntüyü işleyebilmeden önce, bir kameranın görüntü sensörü tarafından yakalanması (gerçek dünya görüntüsü olduğu varsayılarak), sensör tarafından ışıktan elektrik sinyallerine dönüştürülmesi ve ardından tekrar ikili verilere dönüştürülmesi gerekir. Ancak o zaman sistem görüntüyü işlemek, analiz etmek ve sınıflandırmak için yeterince “anlayabilir”.

Doktora sonrası araştırmacı Farshid Ashtiani, yüksek lisans öğrencisi Alexander J. Geers ve elektrik ve sistem mühendisliğinde doçent olan Firooz Aflatouni’nin de aralarında bulunduğu Penn State mühendisleri, geleneksel çip tabanlı AI görüntü işlemenin en çok zaman alan yönlerini ortadan kaldırdığını iddia ettikleri bir geçici çözüm tasarladılar. 9,3 milimetre karelik özel işlemcileri, “optik derin sinir ağı” dedikleri şeyi kullanarak bir “ilgi nesnesinden” alınan ışığı doğrudan işler.

3D Rendering, devreler ve çip ile bilgisayar kartı

Temel olarak, araştırmacıların işlemcisi, birçok katmandan oluşan derin bir ağ oluşturmak için dalga kılavuzları olarak bilinen optik teller kullanılarak birbirine bağlanan “optik nöronları” kullanır. Bilgi katmanlardan geçer ve her adım girdi görüntüsünü öğrenilen kategorilerden birine sınıflandırmaya yardımcı olur. Çipin, içinden ışık yayılırken hesaplama yapma ve optik sinyalleri doğrudan okuma ve işleme yeteneği sayesinde, araştırmacılar çipin bilgi depolamasına gerek olmadığını ve kabaca yarım nanosaniyede tam bir görüntü sınıflandırması gerçekleştirebileceğini iddia ediyor.

Geers yaptığı açıklamada, “Optik sinyalleri doğrudan okuyan teknolojiyi ilk bulan biz değiliz,” dedi, “ancak hem mevcut teknolojiyle uyumlu hem de ölçeklenebilir bir çip içinde eksiksiz bir sistem yaratan ilk biziz. daha karmaşık verilerle.” Çalışmanın, fotoğraflardaki metni otomatik olarak algılama, kendi kendini süren arabaların engelleri tanımasına yardımcı olma ve bilgisayarla görme ile ilgili diğer görevlerde uygulamalara sahip olmasını umuyor.

Carnegie Mellon’da, kolejin Auton Lab’ı farklı bir dizi kullanım örneğine odaklanıyor: kara taşıtlarından güç jeneratörlerine kadar her şeye kestirimci bakım teknikleri uygulamak. Yukarıda bahsedilen sözleşmeyle desteklenen Auton Lab yöneticisi Artur Dubrawski, dijital ikizler olarak bilinen karmaşık fiziksel sistemlerin bilgisayar modellerinin pek çok alana uygulanabilirliğini genişletmek için temel araştırmalar yürütme çabasına öncülük edecek.

Dijital ikiz teknolojileri yeni değil. GEAWS ve diğer şirketler, müşterilerin model oluşturmasına olanak tanıyan ürünler sunar. dijital ikizler makinelerin. Londra merkezli SenSat inşaat, madencilik ve enerji projeleri için dijital ikiz konum modelleri oluşturur. Bu arada, Lacuna ve Nexar gibi girişimler tüm şehirlerin dijital ikizlerini inşa ediyor.

Ancak dijital ikiz teknolojileri, aynı sınırlamaları paylaşır, bunların başında, hatalı verilerden kaynaklanan hatalı modelleme gelir. Başka yerlerde olduğu gibi, çöp içeri, çöp dışarı.

Dubrawski’nin ekibi, dijital ikizleri daha geniş bir kullanıma sokmanın önündeki bu ve diğer engelleyicileri ele almak için yoğun bakımdaki klinisyenler gibi bir dizi paydaşla, sağlık hizmetleri de dahil olmak üzere senaryoları keşfetmek için işbirliği yapıyor. Auton Lab, yapay zeka sistemlerinin verilerde iyi temsil edilmeyen bağlamları ve bu uzmanlığı kullanıcılarla paylaşma yöntemlerini anlayabilmesi için yeni ve daha verimli “insan uzmanlığını yakalama” yöntemleri geliştirmeyi amaçlıyor.

Yapay zekanın yakında sahip olabileceği ve bazı insanların eksikliğini hissedebileceği bir şey sağduyudur. DARPA bir dizi girişimi finanse ediyor robotlara yürürken, bir şey taşırken veya bir nesneyi tutarken işler tam olarak doğru değilse ne yapmaları gerektiğine dair genel bir fikir aşılamayı amaçlayan farklı laboratuvarlarda.

Normalde bu modeller oldukça kırılgandır, belirli parametreler aşılır aşılmaz veya beklenmeyen olaylar meydana gelir gelmez sefil bir şekilde başarısız olur. Onlara “sağduyu” eğitimi vermek, bir durumu nasıl kurtaracaklarına dair genel bir anlayışla daha esnek olacakları anlamına gelir. Bunlar özellikle üst düzey kavramlar değil, onları ele almanın daha akıllı yolları. Örneğin, bir şey beklenen parametrelerin dışında kalırsa, özellikle bunu yapmak için tasarlanmasalar bile diğer parametreleri buna karşı koymak için ayarlayabilir.

Bu, robotların her şeyi doğaçlama yaparak ortalıkta dolaşacakları anlamına gelmiyor – şu anda olduğu kadar kolay veya çok zor başarısız olmayacaklar. Mevcut araştırma, engebeli arazide hareketin daha iyi olduğunu, değişen yüklerin daha iyi taşındığını ve “sağduyu” eğitimi dahil edildiğinde tanıdık olmayan nesnelerin daha iyi kavrandığını gösteriyor.

UC Berkeley’deki araştırma ekibi, aksine, özellikle bir alana odaklanıyor: iklim değişikliği. Yakın zamanda başlatılan, bilgisayar bilimi doktora adayları Colorado Reed ve Medhini Narasimhan ve bilgisayar bilimi doktora öğrencisi Ritwik Gupta tarafından düzenlenen Berkeley AI Araştırma İklim Girişimi (BAIR), her ikisi için de anlamlı hedeflere ulaşmak için iklim uzmanları, devlet kurumları ve endüstri arasında ortaklar arıyor. iklim ve yapay zeka.

Girişimin ele almayı planladığı ilk projelerden biri, uçakların kar gözlemlerinden ve açık hava ve uydu veri kaynaklarından elde edilen ölçümleri birleştirmek için bir AI tekniği kullanacak. AI, şu anda büyük çaba sarf etmeden mümkün olmayan karın yaşam döngüsünü izlemeye yardımcı olacak ve araştırmacıların Sierra Nevada dağlarındaki karda ne kadar su olduğunu tahmin etmelerini ve tahmin etmelerini ve bölgenin akarsu akışı üzerindeki etkisini tahmin etmelerini sağlayacaktır.

BAIR’in çabalarını detaylandıran bir basın açıklaması, kar durumunun halk sağlığını ve ekonomiyi etkilediğine dikkat çekiyor. Yaklaşık 1,2 milyar insan, su tüketimi veya diğer amaçlar için küresel olarak kar erimesine güveniyor ve Sierra dağları tek başına Kaliforniya nüfusunun yarısından fazlası için su sağlıyor.

BAIR’in kurucu direktörü ve Berkeley bilgisayar bilimi profesörü Trevor Darrel, iklim girişimi tarafından yapılan herhangi bir teknoloji veya araştırmanın açık bir şekilde yayınlanacağını ve özel olarak lisanslanmayacağını söyledi.

Farklı AI modeli eğitim süreçlerinin CO2 çıktısını gösteren bir grafik.

GPT-3 ve DALL-E gibi modelleri eğitmek için muazzam bilgi işlem kaynakları gerektiğinden, AI’nın kendisi de iklim değişikliğine katkıda bulunuyor. Allen AI Enstitüsü (AI2) bir çalışma yaptı iklim üzerindeki etkilerini azaltmak için bu eğitim dönemlerinin nasıl akıllıca yapılabileceği üzerine. Bu önemsiz bir hesaplama değil: Elektriğin nereden geldiği sürekli bir akış halindedir ve gün boyu süren bir süper hesaplama çalışması gibi yoğun kullanım, gelecek hafta güneşin battığı ve güneş enerjisinin bol olduğu zaman çalıştırmak için bölünemez.

AI2’nin çalışması, Green Software Foundation’da bu önemli ancak enerji tüketen süreçlerin ayak izini azaltmak için daha büyük bir projenin parçası olan çeşitli modellerin çeşitli yerlerde ve zamanlarda eğitiminin karbon yoğunluğuna bakıyor.

Son olarak, bu hafta OpenAI açıklandı Video Ön Eğitimi (VPT), bir yapay zeka sistemine Minecraft’ta elmas aletlerin nasıl üretileceği gibi görevleri tamamlamasını öğretmek için az miktarda etiketlenmiş veri kullanan bir eğitim tekniği. VPT, videolar için web’de arama yapılmasını ve yüklenicilerin veri üretmesini (örneğin, fare ve klavye eylemleriyle etiketlenmiş 2.000 saatlik video) ve ardından geçmiş ve gelecekteki video kareleri verilen eylemleri tahmin etmek için bir model eğitmeyi gerektirir. Son adımda, web’deki orijinal videolar, yalnızca geçmiş karelerde verilen eylemleri tahmin etmek için bir sistemi eğitmek için yüklenici verileriyle etiketlenir.

OpenAI, Minecraft’ı VPT için bir test durumu olarak kullandı, ancak firma yaklaşımın oldukça genel olduğunu iddia ediyor – “genel bilgisayar kullanan aracılara” doğru bir adımı temsil ediyor. Her durumda, model, OpenAI’nin deneyleri için tedarik ettiği yüklenici verilerinin yanı sıra açık kaynakta mevcuttur.



Kaynak : https://techcrunch.com/2022/06/27/perceptron-analyzing-images-in-the-blink-of-an-eye-and-tracking-the-lifecycle-of-snow/

Yorum yapın