DeepMind在最新的論文中提出新方法,透過設計一套類神經模型的輸入輸出介面,來強化演算法對任意大小輸入值的處理能力,進而提高通用性。

圖片來源: 

DeepMind

重點新聞(0530~0604)

DeepMind     演算法效率     通用性  

DeepMind新方法強化AI演算法通用性和效率

在設計演算法時,開發者通常注重兩大功能,也就是改善準確率和效率(即所需資源越少越好),由於準確率已有許多研究著墨,DeepMind決定專攻演算法的效率和通用性。近日,他們設計了一個方法,來改善類神經網路演算法的通用性和效率。一般來說,類神經網路輸入值大小會取決於要解決的問題,而且會隨輸入次數呈線性成長,這不僅耗費運算資源,也無法泛化未知的序列,也就是難以泛化訓練資料以外的輸入值。

不過DeepMind發現,使用恆定部分輸入(Constant partial input size),就能幫助AI系統泛化訓練資料以外的數據,而且還能降低計算資源成本。因此,團隊設計了一個指令集,其中的參數定義了如何代表不同的演算法,來執行每個指令。也就是說,該方法能應對任意大小的輸入值,提高通用性。經測試,DeepMind指出,雖然新方法仍有些局限,但與現有其他方法相比,自家的方法表現更勝一籌。(詳全文)

  智慧製造     SiteWise    智慧製造  

Amazon正式發表工業級IoT監測服務SiteWise

經過兩年測試,Amazon近日終於正式發表工業級的IoT託管監測服務SiteWise,可自動從工廠底層的IoT設備中提取數據,將其結構化並自動標記資料,來即時產生指標、協助決策。

Amazon指出,製造業者希望能即時整合所有設備和感測器的數據,來制定更好的決策。但要收集成千上萬個不同位置的IoT數據並不容易,因為這些資料儲存於地端伺服器,且缺乏通用的資料格式,如果要分析這些數據,還須自行加上情境資料,比如設備類型、位置以及與其他設備的關係等,甚至還須自行撰寫自定義的應用程式來計算出營運指標。而SiteWise旨在克服這些問題,能自動收集IoT數據、進行標記,使用者只須對收集到的數據添加情境資料,再加上通用的性能指標,SiteWise就能開始建模,並按照使用者定義的時間,定期產出性能指標供使用者參考。此外,使用者也能從SiteWise建立網頁應用程式,完全不須程式碼,來視覺化即時的性能指標變化。(詳全文)

  聯合國     AI預測    疫情追蹤  

聯合國發起疫情決策AI專案,要來助各國政府抗疫

聯合國教科文組織(UNESCO)、史丹佛人本AI中心和非營利組織智庫日前正式啟動對抗武漢肺炎(COVID-19)的專案CAIAC,要為決策者、醫療專家和科學家打造AI流行病決策工具。CAIAC初期將聚焦於三大部分,分別是接觸追蹤、打破假消息、彌補鴻溝;就接觸追蹤來說,CAIAC會利用行動裝置數據來打造追蹤工具,來鎖定疑似病例,幫助決策者擬定策略,再來,針對疫情資訊,CAIAC除了提供正確的消息來源,同時也會幫忙辨識假消息來源。最後,CAIAC會將疫情訊息帶到資訊化較落後的地區,來彌補數位化差距、防止疫情擴散。CAIAC預計今年九月推出第一版工具,給聯合國成員國家使用,之後也會普及到其他國家政府。(詳全文)

 

 

  機器學習   偏見       社會因素 

如何降低ML偏見?Google研究建議納入社會因素

Google在最近一篇研究論文中指出,為降低機器學習偏見、提高公平性,開發者應將社會因素(Societal context)納入考量,來設計機器學習系統。為此,由Google技術專案經理Donald Martin, Jr.領軍的團隊設計了一套基於複雜適應性系統(CAS)的分類模型,在CAS中,所有元素彼此直接或間接互動,也因此會不斷適應變動的環境。如此一來,就很難單靠各元素的行為來預測系統變化。

不只如此,為提倡更公平的系統,團隊也提出了協作式因果理論方法,來將複雜的利害關係納入計算,以產出更貼近真實世界的預測。(詳全文)

  醫療大數據     文字分析    微軟 

瞄準醫療非結構化資料分析,Azure認知服務推出醫療文字分析API

微軟近日在Azure認知服務中,新增了醫療領域的文字分析API。Azure認知服務原本就提供了不少AI功能,可讓開發者在應用程式中,加入諸如圖像辨識和語音理解等功能。

而醫療業中有許多非結構化資料,比如醫療出版物、病例和臨床實驗等文字,這次新添的文字分析功能,可讓開發人員處理、擷取非結構化醫學文本中的知識。該API可連結非結構化資料中的文字和生物醫學領域中的名詞實體(如診斷、藥物名稱、症狀和劑量等),並將文字所提及的概念進行有意義的關聯,而且還可以從非結構化文字中,擷取100多種的個資。(詳全文)

Cloud 重複動作    電腦視覺    RepNet  

周期性動作也難不倒!Google新模型RepNet專門捕捉重複動作

Google開發出可理解各種重複過程的模型RepNet,像是人類跑步、鐘擺以及鳥類拍動翅膀等動作,從單一影片辨識不停重複的動作,有別於過去從不同影片理解同一個動作。

RepNet以包含各種周期性動作的影片作為輸入,來計算動作重複的周期數。RepNet由3部分組成,包括影格編碼器、相似矩陣中介表示,還有周期預測器。系統會先比對每個影格與其他影格的嵌入、計算時間自相似矩陣(TSM),接著輸出讓後續模組來預測重複周期。雖然RepNet以合成資料集訓練而成,但仍能處理實際影片,像是計算心臟跳動這種等速的重複運動。(詳全文)

武漢肺炎    R語言     資料探勘  

武漢肺炎疫情帶動資料探勘需求,R語言爬到新高第7名

R語言在7月的熱門程式語言排行榜Tiobe Index中達到第7名,跟去年同期相比,整整提高了14個名次。這是因為,近幾個月武漢肺炎(COVID-19)疫情肆虐,大學和研究機構利用R語言來開發疫苗的統計和資料探勘工作,因此R語言開始往上爬。

Tiobe軟體執行長Paul Jansen指出,研究機構常用Python和R語言進行統計分析,但武漢肺炎爆發後,開發疫苗需大量統計和資料探勘工作,讓容易學習和使用的R語言備受歡迎。至於第1名的C語言,受歡迎程度持續上漲,Tiobe認為,這是因為C語言大量使用於醫療設備上。(詳全文)

機器學習開發套件     ML Kit      Google  

ML Kit與雲端開發平臺Firebase脫鉤,更快又更安全

Google日前更新機器學習開發套件ML Kit,與Firebase脫鉤,還將加入實體擷取和姿勢偵測兩大新功能。Google兩年前推出ML Kit,讓開發人員在行動App中,能添加機器學習技術。

不過開發者抱怨,ML Kit的原始版本和Firebase整合在一起,難以靈活應用。這次Google讓ML Kit SDK獨立出來,所有裝置上API不再仰賴Firebase專案,ML Kit不僅更能支援裝置上機器學習應用,而且比起雲端機器學習運算,更快速也更具隱私安全。(詳全文)

圖片來源/DeepMind、Amazon、CAIAC、微軟、Google

 AI趨勢近期新聞 

1. NLP除錯工具CheckList能抓出Amazon、Google和微軟的NLP臭蟲

2. DeepMind:深度強化學習是窺探大腦和人類行為如何運作的好方法

3. Google新研究:用自然語言就能觸發行動App指令

資料來源:iThome整理,2020年7月

 
 
 
 


Advertisement

更多 iThome相關內容