Чего ждать в сфере ИИ и машинного обучения в 2021 году?

Нейросети в этом году продолжали развиваться: они научились определять COVID-19 по кашлю, нашли применение в рекламе, спели голосом Эминема. Рассказываем о том, чего ждать в сфере ИИ и машинного обучения в 2021 году.

Медицина

Диагностика рака

Патологи применяют ИИ для более точной диагностики рака. Данные о различных видах рака применяют для создания предиктивной модели. Например, для этого используют технологию PathAI.

Создание медикаментов

Создание новых лекарств — трудоёмкий процесс, потому что нужно провести множество тестов, чтобы найти полезную формулу. В этом помогает ИИ. Atomwise — один из примеров технологии, которая позволяет обнаруживать новые молекулы. Она используется в создании новых лекарств от 27 болезней в сотрудничестве с Гарвардским и Стэнфордским университетами и фармацевтическими компаниями.

Оптимизированная обработка данных о пациентах

Число больных по всему миру ежедневно растёт. Для обработки данных об их заболеваниях требуются автоматизированные системы. ИИ позволяет медицинским учреждениям оптимизировать эту обработку. Например, OLIVE — платформа для автоматизации задач здравоохранения.

Финансы

Деньги становятся цифровыми. Общая сумма цифровых транзакций составляет 4,4 миллиона долларов, и может составить более 8 миллионов к 2024 году.

Данные об этих операциях, обработанные ИИ, могут помочь улучшить финансовую индустрию в 2021 году. Например Dataminr собирает информацию из различных текстовых источников и представляет пользователю график важных событий. Нейронные сети позволяют ему анализировать текстовые данные.

Трейдинг

Алгоритмы машинного обучения могут быть использованы для автоматизированного ведения торгов. Теоретически, имея информацию о ценах, объёмах, датах, общественных настроениях (или погоде) можно создать систему, которая обыграет рынок (но это не так легко). Алгоритм может обучаться и адаптироваться к изменениями в реальном времени, чтобы делать предсказания точнее. Например, Kayrros — компания, которая занимается анализом данных, чтобы помочь в инвестировании участникам рынка.

Обнаружение мошенников

Цифровые платежи имеют определенные риски. В 2018 году 24,26 миллиарда долларов были потеряны из-за мошенников. Машинное обучение идеально походит для борьбы с ними. Британская компания AimBrain, с помощью машинного обучения предотвращает кражу аккаунтов и обнаруживает аккаунты мошенников.

Модель может использовать тренировочные данные для маркировки каждой операции (подозрительная или нет). Затем, используя метрики точности и полноты, мы можем подкорректировать модель под наш профиль риска, анализируя затраты на ложно-положительные и ложно-отрицательные прогнозы.

Банкинг

Банки используют машинное обучение для обслуживания клиентов, предсказания рисков, предотвращения рисков и инвестирования. Допустим, можно предлагать персонализированные предложения, основываясь на финансовом поведении пользователя. Таким образом, если клиент ищет дом, ему можно сделать специальное предложение. Envestnet — это компания занимающаяся сбором и анализом финансовых данных, которая предоставляет услуги управления финансами.

GAN (генеративно-состязательные сети)

Генеративно-состязательные сети это подход к генеративному моделированию, использующий методы глубокого машинного обучения ИИ, такие как CNN (свёрточная нейронная сеть).

GAN использует модель для генерации новых данных, которые похожи на те, на которых она была натренирована (например изображения).

С помощью GAN можно получить датасеты изображений, лиц, персонажей мультфильмов, переводить изображения в текст и обратно, создавать 3D объекты и т. д. Областей применения GAN множество, но они могут принести не только пользу. Одно из последних применений GAN-приложений это дипфейки.

Терро Каррас, в своей статье «Прогрессивное развитие GAN для улучшения качества, стабильности и разнообразия» демонстрирует сгенерированные реалистичные изображения человеческих лиц. Модель натренирована на знаменитостях, поэтому она создаёт лица, похожие на существующие.

Но не стоит обманываться чудесами обработки данных. Мы скоро столкнемся с последствиями таких дипфейков. В наши дни репутация любого человека может быть уничтожена с помощью технологий из общедоступных репозиториев.

Reinforcement learning (обучение с подкреплением)

RL — это область машинного обучения ИИ в которой изучается, как испытуемая система (агент) взаимодействует с некоторой средой для получения максимального вознаграждения. Вознаграждением называется отклик этой среды.

Обучение с подкреплением это одна из трёх парадигм машинного обучения, наряду с обучением с учителем и обучением без учителя.

RL — это то, как мы учимся ежедневно. Представьте, что вы взяли щенка возрастом один месяц. Чтобы дресcировать его, вам нужно использовать систему вознаграждений. Если пёс слушается, вы даёте ему вкусняшку. Так вы используете позитивное подкрепление, для дрессировки собаки.

Программисты из OpenAI, компании, основанной Илоном Маском, показали, как агенты играют в прятки.

Им не давали явных инструкций о том, как играть. После миллионов симуляций агенты научились взаимодействовать со средой:

• тот, кто прячется, научился стоить маленькие форты и баррикады;
• тот, кто ищет, начал использовать пандусы чтобы забираться на стены и находить спрятавшихся.

AR и VR (Дополненная/Виртуальная реальность)

Дополненная реальность — это мост между виртуальной и физической реальностью. Визуальные данные, собранные AR приложениями, можно использовать для распознавания изображений. Дополненная реальность и ИИ — это разные, но дополняющие друг друга технологии. Используя обе можно создать что-нибудь прекрасное.

Маркировка изображений/сцен

Модель строится из кадров камеры, которые можно использовать для классификации местоположения. Вот отличная статья об этом.

Распознавание объектов

Кадры передаются модели, которая способна оценивать размер и расположение объектов на сцене. Эти данные можно использовать для создания рамки вокруг объекта. Например AnyVision может помочь идентифицировать человека или объект, даже в толпе.

Определение позы

Есть два типа определения позы:

• 2D — рассчитывает координаты каждого сустава (x, y) на RBG изображении;
• 3D — рассчитывает координаты (x, y, z) для каждого сустава на RGB изображении.

Определение позы — важная часть распознавания движений, анимации, создания игр и т. д.

Вот хороший блог об этом.