[Musica]
Sono davvero entusiasta di parlare con te oggi
sul presente e sul futuro di
intelligenza artificiale ogni volta che c’è
una parola d’ordine e un argomento complesso
di solito è buono iniziare con a
definizione ma in realtà è un po ‘
difficile perché la definizione di
l’intelligenza artificiale sembra essere
costantemente in movimento ogni volta che risolviamo a
problema non lo chiamiamo abbastanza
più l’intelligenza artificiale
è iniziato con scacchi molto intelligenti
i ricercatori hanno esaminato altre persone intelligenti
e ho pensato bene che siamo davvero bravi
matematica e logica e giochi complessi
come gli scacchi e così hanno iniziato a lavorare
su quei tipi di problemi a pensarlo
una volta risolti molti altri
le cose andranno a posto ma no
non proprio perché quelli erano
ambienti simulati che non avevano
il diritto allo stesso tipo di rumore che
abbiamo nel mondo reale
quindi ora la ricerca è effettivamente cambiata
in gran parte dal gioco che è
è ancora un’area importante e può essere presente
alcune cose – cose che non abbiamo usato
considerare così tanto di alto
intelligenza solo comprensione parlata
le parole sembrano relativamente semplici che possiamo tutti
fallo ma in realtà era davvero
difficile problema fino al 2010 quando profondo
l’apprendimento lo ha cambiato ed è in grado di farlo
molto più progressi su questo e ora noi
non chiamarlo più AI è solo Siri
è solo un software di riconoscimento vocale
ma quello era un problema davvero difficile
non siamo stati in grado di risolvere e c’è
ancora alcune questioni spinose nella ricerca in
è un’altra area che l’apprendimento approfondito ha
fatto un enorme ammontare di progressi in
negli ultimi anni è la visione artificiale cioè
classificazione delle immagini e questa è l’unica
tempo cercherò di spiegare un po ‘ a
voi cosa fanno questi tipi di modelli e
come funzionano uno dei più importanti
le idee degli ultimi anni nell’IA sono
hanno i cosiddetti allenamenti end-to-end
modelli in cui prendiamo input raw per
istanza i pixel di un’immagine e vogliono
per prevedere un risultato finale per esempio
c’è un gatto o un cane o una casa o
orologio in quell’immagine e così come abbiamo messo
quel grezzo inserisce i pixel in questi
modelli che continuano a cercare di imparare di più
e rappresentazioni più complesse così come
essi
inizia a guardare i pixel il primo
il livello potrebbe solo identificare i bordi semplici
e macchie che si trasforma in realtà ad
hanno anche una buona correlazione con i primi
corteccia visiva nel cervello umano ma
poi mentre vanno al livello successivo loro
combinare questi blob e colori e bordi
a trame più complesse e poi come
loro vanno più lontano e più in profondità in questi
diversi livelli identificheranno l’ oggetto
parti e eventualmente combinare quelli
parti dell’oggetto per identificare gli oggetti completi
e questo è stato davvero molto difficile e
inizialmente le persone hanno provato a manualmente
identifica oh se c’è un gatto allora forse
i loro baffi qui poi questo potrebbe
migliorare per aumentare la probabilità di a
gatto e cose del genere e ora questo
intero processo tutte queste visualizzazioni
che vedi qui su questa diapositiva loro sono
tutti hanno imparato automaticamente solo dando
un sacco di dati supervisionati qui è un
immagine ed è pixel ecco l’ output
che ci interessa
ora siamo stati in grado di combinare
in computer vision anche con alcuni
elaborazione del linguaggio e possiamo fare abbastanza
cose incredibili negli ultimi due di
anni qui vedi una visualizzazione di a
recente documento di miei collaboratori
dove si colora il codice dove si trova l’ algoritmo
sta prestando attenzione a come sta provando a
generare una descrizione di un’immagine così
hai una bambina seduta su un
panchina con un ombrello e vedi
che in effetti quando genera il
parola ragazza sta guardando la ragazza quando
sta generando la panchina che si sta concentrando
la sua attenzione su una panca o una zebra
in piedi accanto a una zebra in un campo sterrato
queste sono descrizioni molto concrete
non diventeremo molto interessanti
quelli da loro ma in effetti il primo
la zebra sta concentrando la sua attenzione su è
quello in primo piano e poi a
la prossima zebra è in realtà quella in
lo sfondo e vedi quel colore
codificato anche algoritmi di visione del computer
sono diventati molto più sofisticati e
in realtà anche dicendoci un po ‘
dove stanno prestando attenzione a come
stanno cercando di tradurre da visual
i dati nel testo ci fanno anche di più
può anche fare la cosiddetta domanda visiva
rispondere a questo è un compito interessante
dove fondamentalmente come dati di allenamento
dargli un’immagine una domanda e un
rispondi e ora vuoi sondare il
algoritmo puoi chiederlo un sacco di
alcuni tipi di domande su un’immagine
e vedi se si asciuga ancora o
non è così l’esempio qui in alto che cosa
il colore è che le banane sono buone
perché se non conoscessi l’immagine in
Il 90% dei casi che probabilmente saresti
correggi solo dicendo giallo senza il
immagine ma abbiamo qui la visualizzazione
anche di dove l’ algoritmo sta pagando
attenzione a come sta cercando di rispondere
questa domanda particolare ed è
effettivamente concentrando la sua attenzione sul
aree più luminose in quell’immagine e
si rende conto che quelle banane sono in realtà
verde e dà la risposta corretta
un altro divertente una cosa è il modello su
la pelliccia del gatto sulla coda in realtà
focalizza di nuovo la maggior parte della sua attenzione in
quella zona luminosa sulla coda del gatto e
identifica correttamente questo come a strisce e
un altro esempio divertente di cos’è il ragazzo
tenendo in realtà è in base a capire
sulla domanda che ora è necessario
focalizza la tua attenzione sul braccio e sul
oggetto sotto il braccio e correttamente
classifica questo come tavola da surf così quelli
sono alcune delle grandi applicazioni che
ora siamo in grado di fare tutto il tempo che abbiamo
abbastanza dati di addestramento su un certo
dominio se non si mostra mai a una palla da baseball
immagine ed è tempo di allenamento che non sarà
in grado di rispondere a qualsiasi domanda su
baseball in realtà ancora di più
potenti applicazioni che ora possiamo fare
con computer vision uno di quelli
che sono molto entusiasta di come nel
campo medico particolare oncologia questo
è un piccolo start-up a felis che
in realtà sta automatizzando le cellule del sangue
contando così puoi renderlo molto piccolo
pungendo le dita e puoi contare
cellule del sangue con lo stesso tipo di
architettura come quella che ti ho mostrato
prima che sia un neurone convoluzionale
rete e ora che lo fai così
a buon mercato questo costava un paio di centinaia
dollari per avere persone effettivamente sedute
lì e per ogni numero di campioni di sangue
quanti globuli rossi o bianchi essi
ora puoi fare così tanto
più economico puoi provare che l’oncologia ti cura
può identificare infezioni e aiuto
pazienti con leucemia e così via
In generale penso che anche la radiologia avrà
un enorme impatto con il problema con AI
la radiologia è che abbiamo bisogno di molto
dati addestrati perché a differenza di un sangue
scansione o scansione patologica che stai cercando
per mille cose diverse
potrebbe essere sbagliato in una testa CT
una scansione e ci vorrà un po ‘
prima di poter automatizzare l’intero
processo così per un tempo molto lungo
AI lavorerà insieme ai radiologi
per migliorare quel processo e in effetti noi
sappiamo già che possiamo identificarci
certe cose che possono molto rapidamente
ti uccido così per esempio un colpo o un
il cosiddetto cervello emorragico intracranico
sanguina quelli che possiamo identificare molto
rapidamente e poi senza conoscere tutto il
altre cose che potrebbero essere sbagliate in a
testa CT scan possiamo mettere quelli in cima
della coda in un pronto soccorso
ambientazione e che può già salvare vite
ora abbiamo parlato di visione artificiale e
riconoscimento vocale come due successi di
AI ci sono ancora alcune aree
che stiamo lottando e che è
controllo motorio questo è un DARPA Grand
Sfida e un mucchio di esempi di
alcuni robot molto costosi che sono
girare per aprire le porte aperte
leve e cose del genere e come te
possiamo vedere che siamo ancora abbastanza lontani come a
la comunità in effetti si potrebbe dire
non siamo ancora nemmeno a livello di Abby
quando si tratta di controllo motore abby è
in realtà abbastanza complesso ha un milione
i neuroni ha bisogno di identificare molto
percorsi diversi e così via e non siamo
c’è ancora, quindi è un’area molto attiva
della ricerca uno dei più interessanti
manifestazioni di intelligenza umana I
pensare è lingua e linguaggio
una quantità enorme di progresso adesso ma
ci sono ancora molti modi per farlo
ecco un esempio penso che potremmo dormire
fare meglio ora, ma questo è dal 2011 quando
la gente se ne rendeva conto ogni volta che Anne
L’attrice famosa di Hathaway ha vinto un paio di
Gli Oscar hanno recitato in un film le recensioni
è uscito all’improvviso per le scorte
la società Berkshire Hathaway sale a
quantità significativa quindi era già
chiaro nel 2011 le persone stavano cercando di usare
elaborazione del linguaggio naturale per
trading algoritmico e in questo caso
fatto l’errore della cosiddetta entità
disambiguazione hanno disambigato a
Hathaway alla compagnia invece del
attrice e poi reso piuttosto sostanziale
decisioni monetarie
dove abbiamo ottenuto meglio un NLP è
in realtà solo sulla classificazione del testo in
Infatti qui ci sono un paio di esempi di
frasi che fino a due anni fa
praticamente ogni algoritmo là fuori
avrebbe erroneamente classificato il
la prima frase è a buon mercato
e il modo in cui il film funziona così senza pretese
gli algoritmi tradizionali avrebbero detto
beh è stracciato ed economico quindi è così
frase probabilmente negativa perché loro
non ho avuto la possibilità di catturare il
tutto il contesto ma ora e quello che vedi
qui abbiamo effettivamente due passaggi sopra
quella frase e nel secondo passare il
algoritmo si concentra molto di più su funziona il
film in realtà funziona nonostante i suoi difetti
quindi correttamente classificato questo come
positivo e il secondo è il
tipo opposto di esempio il modo migliore per
spero in ogni occasione di godermelo
film è abbassando le vostre aspettative
di nuovo una specie di esempio che è abbastanza
difficile perché gli algoritmi in passato
guarderebbe solo parole singole e ha
meglio e spero e possibilità e godendo
una frase così positiva ancora puoi
raggiungilo solo se già pensi al
il film è piuttosto schifoso quindi quelli sono
esempi che ora possiamo fare in gran parte
a causa dei progressi anche di nuovo in profondità
imparando ci sono alcune aree attive di
ricerca che abbiamo ancora lavorare su e uno
di loro è il riassunto del testo che è
in realtà un problema davvero difficile piuttosto
molto ogni elaborazione di linguaggio naturale
in un modello che hai visto in passato
solo in grado di generare al massimo una frase
coerentemente una volta provato quando abbiamo provato come a
comunità per generare sequenze più lunghe
completamente automatico in questo end-to-end
modelli di apprendimento profondo che di solito
non ha funzionato molto bene, questo è un risultato
da solo un paio di mesi fa dove
il nostro gruppo ha lavorato al riassunto e
vedi qui in fondo più a lungo
documento e in alto vedi il
riassunto e ciò che è affascinante qui è
che in realtà è il riassunto
algoritmo appreso in alcuni casi copia e
incolla parole particolari a volte intere
frasi ma a volte prende anche e
sceglie quali parole tra cui scegliere
area del documento più lungo al fine di
genera il sommario in molti casi
in realtà genera più coerenti
documento riassume i riassunti e come il
riassunto correttamente dice di farlo davvero
resta ancora una ricerca aperta
problema uno delle aree della PNL che io sono
personalmente più entusiasta di è
rispondere alle domande perché è possibile
effettivamente pensare alla domanda rispondendo come
un compito che comprende più o meno
ogni altra attività NLP puoi chiedere cosa è
la traduzione della frase in
Francese puoi chiedere qual è il sentimento
si può chiedere che cosa è il diritto in sintesi
in qualche modo tutto diventa una domanda
rispondendo al problema se ne hai davvero
potente modello di risposta alle domande e così via
qui abbiamo lavorato su questo set di dati di regrade
che Stanford ha raccolto la squadra chiamata
con i dati di risposta di stanford domanda
imposta che richiede molta wikipedia
articoli e poi chiede ai lavoratori della folla di
raccogliere domande e poi anche
diversi guardiani per raccogliere il
risposte e i modelli che ora vedi
che si soffermano su questo compito sono molto di più
complesso di un modello che ti ho mostrato in
all’inizio che aveva lo stesso tipo di
strato solo imparando più astratto
rappresentazioni linguaggio anche da solo
sembra richiedere molto di distribuito
calcolo nel nostro cervello che richiede molto
di diverse parti ed elementi ora cosa
mi rende davvero eccitato e guardando
avanti a questo alla prossima coppia di
anni è il numero di persone che sono
ora entrando nel campo c’è un a
molta eccitazione in AI e solo in a
la classe I echo ha parlato con Chris Manning
all’inizio dell’anno avevamo oltre 660
studenti a Stanford che lo frequentano
classe anche se è un livello di laurea
classe e ci sono centinaia di
migliaia di visualizzazioni su YouTube di pretty
materiale tecnico e questo è molto
eccitante ma come vediamo in realtà AI
lavorando dobbiamo riconoscere anche questo
è solo uno strumento e rimarrà uno strumento
per il futuro prevedibile non lo facciamo
davvero preoccuparsi di Skynet o
tipi di terminator di scenari ma cosa
L’importante è capire che gli strumenti
può essere usato in modi buoni e in cattive maniere
in qualche modo l’intelligenza artificiale è proprio come la
internet o martello o macchine e tu puoi
usali come armi o puoi usarli
trasportare persone malate ed è
importante per noi riconoscerlo
gli strumenti sono buoni solo come le persone
e i sistemi politici che finiscono
usandoli di fatto se li usiamo bene io
pensa all’IA e soprattutto al potere dell’IA
le capacità linguistiche ci permetteranno di
migliorare la nostra comunicazione abbastanza sicuro di noi
può finalmente avere il pesce Babel dentro
il prossimo paio di anni in cui si parla
in una lingua e ascoltiamo in un’altra lingua
uno che arriva dall’altra parte possiamo farlo
migliorare l’accesso alla domanda di informazioni
rispondere è un grande esempio per questo
e in generale fanno molto più lavoro
in effetti credo che saremo in grado
per automatizzare la maggior parte degli umani di base
bisogni come il cibo che possiamo automatizzare l’agricoltura
con computer vision e alcuni più semplici
controllo robotico possiamo costruire case
automaticamente e così via, penso nel
fine come intelligenza umana e
la produttività aumenta, lo spero
questo ci condurrà in un futuro in cui noi
può concentrarsi su compiti unici e creativi
e quei tipi di compiti che richiedono
empatia e dove ci prendiamo cura l’ uno dell’altro
e possiamo praticamente automatizzare molto
il noioso tradimento che è là fuori
ciò che è importante riconoscere è questo
L’intelligenza artificiale è valida solo come un dato di allenamento
che lo diamo se i tuoi dati di allenamento sono
sessista o razzista quindi sceglierò
quei modelli in alto e in alcuni casi
ripetili o anche amplificali così come
stiamo applicando l’intelligenza artificiale a sempre di più
diverse aree in cose semplici come
domande di prestito ma anche più complesse
cose come il sistema finanziario o il
sistema giudiziario e applicazioni mediche
e pubblicità politica e così via
che io alla fine saranno in tutte le
queste aree penso che sia importante
pensiamo ai regolamenti o almeno
linee guida per prevenire il negativo
effetti che potrebbero accadere e che potrebbero
sono già stati nei nostri dati di addestramento
e infine non sono solo i dati
potrebbe avere pregiudizi anche la comunione
stessa e la comunità IEEE in questo momento
in realtà è abbastanza consapevole che abbiamo un
problema di diversità e questo è un po ‘
che continuiamo a lavorare a dovere
grazie
[Applausi]
Sono davvero entusiasta di parlare con te oggi
sul presente e sul futuro di
intelligenza artificiale ogni volta che c’è
una parola d’ordine e un argomento complesso
di solito è buono iniziare con a
definizione ma in realtà è un po ‘
difficile perché la definizione di
l’intelligenza artificiale sembra essere
costantemente in movimento ogni volta che risolviamo a
problema non lo chiamiamo abbastanza
più l’intelligenza artificiale
è iniziato con scacchi molto intelligenti
i ricercatori hanno esaminato altre persone intelligenti
e ho pensato bene che siamo davvero bravi
matematica e logica e giochi complessi
come gli scacchi e così hanno iniziato a lavorare
su quei tipi di problemi a pensarlo
una volta risolti molti altri
le cose andranno a posto ma no
non proprio perché quelli erano
ambienti simulati che non avevano
il diritto allo stesso tipo di rumore che
abbiamo nel mondo reale
quindi ora la ricerca è effettivamente cambiata
in gran parte dal gioco che è
è ancora un’area importante e può essere presente
alcune cose – cose che non abbiamo usato
considerare così tanto di alto
intelligenza solo comprensione parlata
le parole sembrano relativamente semplici che possiamo tutti
fallo ma in realtà era davvero
difficile problema fino al 2010 quando profondo
l’apprendimento lo ha cambiato ed è in grado di farlo
molto più progressi su questo e ora noi
non chiamarlo più AI è solo Siri
è solo un software di riconoscimento vocale
ma quello era un problema davvero difficile
non siamo stati in grado di risolvere e c’è
ancora alcune questioni spinose nella ricerca in
è un’altra area che l’apprendimento approfondito ha
fatto un enorme ammontare di progressi in
negli ultimi anni è la visione artificiale cioè
classificazione delle immagini e questa è l’unica
tempo cercherò di spiegare un po ‘ a
voi cosa fanno questi tipi di modelli e
come funzionano uno dei più importanti
le idee degli ultimi anni nell’IA sono
hanno i cosiddetti allenamenti end-to-end
modelli in cui prendiamo input raw per
istanza i pixel di un’immagine e vogliono
per prevedere un risultato finale per esempio
c’è un gatto o un cane o una casa o
orologio in quell’immagine e così come abbiamo messo
quel grezzo inserisce i pixel in questi
modelli che continuano a cercare di imparare di più
e rappresentazioni più complesse così come
essi
inizia a guardare i pixel il primo
il livello potrebbe solo identificare i bordi semplici
e macchie che si trasforma in realtà ad
hanno anche una buona correlazione con i primi
corteccia visiva nel cervello umano ma
poi mentre vanno al livello successivo loro
combinare questi blob e colori e bordi
a trame più complesse e poi come
loro vanno più lontano e più in profondità in questi
diversi livelli identificheranno l’ oggetto
parti e eventualmente combinare quelli
parti dell’oggetto per identificare gli oggetti completi
e questo è stato davvero molto difficile e
inizialmente le persone hanno provato a manualmente
identifica oh se c’è un gatto allora forse
i loro baffi qui poi questo potrebbe
migliorare per aumentare la probabilità di a
gatto e cose del genere e ora questo
intero processo tutte queste visualizzazioni
che vedi qui su questa diapositiva loro sono
tutti hanno imparato automaticamente solo dando
un sacco di dati supervisionati qui è un
immagine ed è pixel ecco l’ output
che ci interessa
ora siamo stati in grado di combinare
in computer vision anche con alcuni
elaborazione del linguaggio e possiamo fare abbastanza
cose incredibili negli ultimi due di
anni qui vedi una visualizzazione di a
recente documento di miei collaboratori
dove si colora il codice dove si trova l’ algoritmo
sta prestando attenzione a come sta provando a
generare una descrizione di un’immagine così
hai una bambina seduta su un
panchina con un ombrello e vedi
che in effetti quando genera il
parola ragazza sta guardando la ragazza quando
sta generando la panchina che si sta concentrando
la sua attenzione su una panca o una zebra
in piedi accanto a una zebra in un campo sterrato
queste sono descrizioni molto concrete
non diventeremo molto interessanti
quelli da loro ma in effetti il primo
la zebra sta concentrando la sua attenzione su è
quello in primo piano e poi a
la prossima zebra è in realtà quella in
lo sfondo e vedi quel colore
codificato anche algoritmi di visione del computer
sono diventati molto più sofisticati e
in realtà anche dicendoci un po ‘
dove stanno prestando attenzione a come
stanno cercando di tradurre da visual
i dati nel testo ci fanno anche di più
può anche fare la cosiddetta domanda visiva
rispondere a questo è un compito interessante
dove fondamentalmente come dati di allenamento
dargli un’immagine una domanda e un
rispondi e ora vuoi sondare il
algoritmo puoi chiederlo un sacco di
alcuni tipi di domande su un’immagine
e vedi se si asciuga ancora o
non è così l’esempio qui in alto che cosa
il colore è che le banane sono buone
perché se non conoscessi l’immagine in
Il 90% dei casi che probabilmente saresti
correggi solo dicendo giallo senza il
immagine ma abbiamo qui la visualizzazione
anche di dove l’ algoritmo sta pagando
attenzione a come sta cercando di rispondere
questa domanda particolare ed è
effettivamente concentrando la sua attenzione sul
aree più luminose in quell’immagine e
si rende conto che quelle banane sono in realtà
verde e dà la risposta corretta
un altro divertente una cosa è il modello su
la pelliccia del gatto sulla coda in realtà
focalizza di nuovo la maggior parte della sua attenzione in
quella zona luminosa sulla coda del gatto e
identifica correttamente questo come a strisce e
un altro esempio divertente di cos’è il ragazzo
tenendo in realtà è in base a capire
sulla domanda che ora è necessario
focalizza la tua attenzione sul braccio e sul
oggetto sotto il braccio e correttamente
classifica questo come tavola da surf così quelli
sono alcune delle grandi applicazioni che
ora siamo in grado di fare tutto il tempo che abbiamo
abbastanza dati di addestramento su un certo
dominio se non si mostra mai a una palla da baseball
immagine ed è tempo di allenamento che non sarà
in grado di rispondere a qualsiasi domanda su
baseball in realtà ancora di più
potenti applicazioni che ora possiamo fare
con computer vision uno di quelli
che sono molto entusiasta di come nel
campo medico particolare oncologia questo
è un piccolo start-up a felis che
in realtà sta automatizzando le cellule del sangue
contando così puoi renderlo molto piccolo
pungendo le dita e puoi contare
cellule del sangue con lo stesso tipo di
architettura come quella che ti ho mostrato
prima che sia un neurone convoluzionale
rete e ora che lo fai così
a buon mercato questo costava un paio di centinaia
dollari per avere persone effettivamente sedute
lì e per ogni numero di campioni di sangue
quanti globuli rossi o bianchi essi
ora puoi fare così tanto
più economico puoi provare che l’oncologia ti cura
può identificare infezioni e aiuto
pazienti con leucemia e così via
In generale penso che anche la radiologia avrà
un enorme impatto con il problema con AI
la radiologia è che abbiamo bisogno di molto
dati addestrati perché a differenza di un sangue
scansione o scansione patologica che stai cercando
per mille cose diverse
potrebbe essere sbagliato in una testa CT
una scansione e ci vorrà un po ‘
prima di poter automatizzare l’intero
processo così per un tempo molto lungo
AI lavorerà insieme ai radiologi
per migliorare quel processo e in effetti noi
sappiamo già che possiamo identificarci
certe cose che possono molto rapidamente
ti uccido così per esempio un colpo o un
il cosiddetto cervello emorragico intracranico
sanguina quelli che possiamo identificare molto
rapidamente e poi senza conoscere tutto il
altre cose che potrebbero essere sbagliate in a
testa CT scan possiamo mettere quelli in cima
della coda in un pronto soccorso
ambientazione e che può già salvare vite
ora abbiamo parlato di visione artificiale e
riconoscimento vocale come due successi di
AI ci sono ancora alcune aree
che stiamo lottando e che è
controllo motorio questo è un DARPA Grand
Sfida e un mucchio di esempi di
alcuni robot molto costosi che sono
girare per aprire le porte aperte
leve e cose del genere e come te
possiamo vedere che siamo ancora abbastanza lontani come a
la comunità in effetti si potrebbe dire
non siamo ancora nemmeno a livello di Abby
quando si tratta di controllo motore abby è
in realtà abbastanza complesso ha un milione
i neuroni ha bisogno di identificare molto
percorsi diversi e così via e non siamo
c’è ancora, quindi è un’area molto attiva
della ricerca uno dei più interessanti
manifestazioni di intelligenza umana I
pensare è lingua e linguaggio
una quantità enorme di progresso adesso ma
ci sono ancora molti modi per farlo
ecco un esempio penso che potremmo dormire
fare meglio ora, ma questo è dal 2011 quando
la gente se ne rendeva conto ogni volta che Anne
L’attrice famosa di Hathaway ha vinto un paio di
Gli Oscar hanno recitato in un film le recensioni
è uscito all’improvviso per le scorte
la società Berkshire Hathaway sale a
quantità significativa quindi era già
chiaro nel 2011 le persone stavano cercando di usare
elaborazione del linguaggio naturale per
trading algoritmico e in questo caso
fatto l’errore della cosiddetta entità
disambiguazione hanno disambigato a
Hathaway alla compagnia invece del
attrice e poi reso piuttosto sostanziale
decisioni monetarie
dove abbiamo ottenuto meglio un NLP è
in realtà solo sulla classificazione del testo in
Infatti qui ci sono un paio di esempi di
frasi che fino a due anni fa
praticamente ogni algoritmo là fuori
avrebbe erroneamente classificato il
la prima frase è a buon mercato
e il modo in cui il film funziona così senza pretese
gli algoritmi tradizionali avrebbero detto
beh è stracciato ed economico quindi è così
frase probabilmente negativa perché loro
non ho avuto la possibilità di catturare il
tutto il contesto ma ora e quello che vedi
qui abbiamo effettivamente due passaggi sopra
quella frase e nel secondo passare il
algoritmo si concentra molto di più su funziona il
film in realtà funziona nonostante i suoi difetti
quindi correttamente classificato questo come
positivo e il secondo è il
tipo opposto di esempio il modo migliore per
spero in ogni occasione di godermelo
film è abbassando le vostre aspettative
di nuovo una specie di esempio che è abbastanza
difficile perché gli algoritmi in passato
guarderebbe solo parole singole e ha
meglio e spero e possibilità e godendo
una frase così positiva ancora puoi
raggiungilo solo se già pensi al
il film è piuttosto schifoso quindi quelli sono
esempi che ora possiamo fare in gran parte
a causa dei progressi anche di nuovo in profondità
imparando ci sono alcune aree attive di
ricerca che abbiamo ancora lavorare su e uno
di loro è il riassunto del testo che è
in realtà un problema davvero difficile piuttosto
molto ogni elaborazione di linguaggio naturale
in un modello che hai visto in passato
solo in grado di generare al massimo una frase
coerentemente una volta provato quando abbiamo provato come a
comunità per generare sequenze più lunghe
completamente automatico in questo end-to-end
modelli di apprendimento profondo che di solito
non ha funzionato molto bene, questo è un risultato
da solo un paio di mesi fa dove
il nostro gruppo ha lavorato al riassunto e
vedi qui in fondo più a lungo
documento e in alto vedi il
riassunto e ciò che è affascinante qui è
che in realtà è il riassunto
algoritmo appreso in alcuni casi copia e
incolla parole particolari a volte intere
frasi ma a volte prende anche e
sceglie quali parole tra cui scegliere
area del documento più lungo al fine di
genera il sommario in molti casi
in realtà genera più coerenti
documento riassume i riassunti e come il
riassunto correttamente dice di farlo davvero
resta ancora una ricerca aperta
problema uno delle aree della PNL che io sono
personalmente più entusiasta di è
rispondere alle domande perché è possibile
effettivamente pensare alla domanda rispondendo come
un compito che comprende più o meno
ogni altra attività NLP puoi chiedere cosa è
la traduzione della frase in
Francese puoi chiedere qual è il sentimento
si può chiedere che cosa è il diritto in sintesi
in qualche modo tutto diventa una domanda
rispondendo al problema se ne hai davvero
potente modello di risposta alle domande e così via
qui abbiamo lavorato su questo set di dati di regrade
che Stanford ha raccolto la squadra chiamata
con i dati di risposta di stanford domanda
imposta che richiede molta wikipedia
articoli e poi chiede ai lavoratori della folla di
raccogliere domande e poi anche
diversi guardiani per raccogliere il
risposte e i modelli che ora vedi
che si soffermano su questo compito sono molto di più
complesso di un modello che ti ho mostrato in
all’inizio che aveva lo stesso tipo di
strato solo imparando più astratto
rappresentazioni linguaggio anche da solo
sembra richiedere molto di distribuito
calcolo nel nostro cervello che richiede molto
di diverse parti ed elementi ora cosa
mi rende davvero eccitato e guardando
avanti a questo alla prossima coppia di
anni è il numero di persone che sono
ora entrando nel campo c’è un a
molta eccitazione in AI e solo in a
la classe I echo ha parlato con Chris Manning
all’inizio dell’anno avevamo oltre 660
studenti a Stanford che lo frequentano
classe anche se è un livello di laurea
classe e ci sono centinaia di
migliaia di visualizzazioni su YouTube di pretty
materiale tecnico e questo è molto
eccitante ma come vediamo in realtà AI
lavorando dobbiamo riconoscere anche questo
è solo uno strumento e rimarrà uno strumento
per il futuro prevedibile non lo facciamo
davvero preoccuparsi di Skynet o
tipi di terminator di scenari ma cosa
L’importante è capire che gli strumenti
può essere usato in modi buoni e in cattive maniere
in qualche modo l’intelligenza artificiale è proprio come la
internet o martello o macchine e tu puoi
usali come armi o puoi usarli
trasportare persone malate ed è
importante per noi riconoscerlo
gli strumenti sono buoni solo come le persone
e i sistemi politici che finiscono
usandoli di fatto se li usiamo bene io
pensa all’IA e soprattutto al potere dell’IA
le capacità linguistiche ci permetteranno di
migliorare la nostra comunicazione abbastanza sicuro di noi
può finalmente avere il pesce Babel dentro
il prossimo paio di anni in cui si parla
in una lingua e ascoltiamo in un’altra lingua
uno che arriva dall’altra parte possiamo farlo
migliorare l’accesso alla domanda di informazioni
rispondere è un grande esempio per questo
e in generale fanno molto più lavoro
in effetti credo che saremo in grado
per automatizzare la maggior parte degli umani di base
bisogni come il cibo che possiamo automatizzare l’agricoltura
con computer vision e alcuni più semplici
controllo robotico possiamo costruire case
automaticamente e così via, penso nel
fine come intelligenza umana e
la produttività aumenta, lo spero
questo ci condurrà in un futuro in cui noi
può concentrarsi su compiti unici e creativi
e quei tipi di compiti che richiedono
empatia e dove ci prendiamo cura l’ uno dell’altro
e possiamo praticamente automatizzare molto
il noioso tradimento che è là fuori
ciò che è importante riconoscere è questo
L’intelligenza artificiale è valida solo come un dato di allenamento
che lo diamo se i tuoi dati di allenamento sono
sessista o razzista quindi sceglierò
quei modelli in alto e in alcuni casi
ripetili o anche amplificali così come
stiamo applicando l’intelligenza artificiale a sempre di più
diverse aree in cose semplici come
domande di prestito ma anche più complesse
cose come il sistema finanziario o il
sistema giudiziario e applicazioni mediche
e pubblicità politica e così via
che io alla fine saranno in tutte le
queste aree penso che sia importante
pensiamo ai regolamenti o almeno
linee guida per prevenire il negativo
effetti che potrebbero accadere e che potrebbero
sono già stati nei nostri dati di addestramento
e infine non sono solo i dati
potrebbe avere pregiudizi anche la comunione
stessa e la comunità IEEE in questo momento
in realtà è abbastanza consapevole che abbiamo un
problema di diversità e questo è un po ‘
che continuiamo a lavorare a dovere
grazie
[Applausi]
Please follow and like us:
Be First to Comment