Víte, kde je v poslední době zaznamenaný největší pokrok? V oblasti umělé inteligence. Její úroveň se čím dál tím více zvyšuje doslova raketovým tempem. Mezi největší trendy v současnosti patří federované učení, GAN, XAI, posilování učení a přenos učení. Tyto trendy mají velkou budoucnost, od rozpoznávání obličeje až po hraní her. Na co se mohou těšit nejen uživatelé, ale vývojáři a výzkumníci?
Federované učení
Pokud vám jde o ochranu osobních údajů, tak je federované učení (typ strojového učení) vhodnou volbou. Umožňuje spolupracovat současně více zařízením na jednom modelu bez sdílení dat s centrálním serverem. Google použil federované učení ke zlepšení přesnosti své prediktivní textové klávesnice, aniž by ohrozil soukromí uživatelů.
Generative adversarial networks (GAN)
Generované adversariální sítě jsou typem neuronové sítě, které lze použít ke generování nových, realistických dat na základě již existujících dat. Sítě GAN byly použity k vytváření realistických obrazů lidí, zvířat či krajin. GAN proti sobě staví dvě neuronové sítě. Jedna z nich generuje falešná data, zatímco druhá se snaží odhalit, zda jde o skutečná nebo falešná data.
Explainable (XAI)
Zde je kladen důraz na transparentnost a porozumění modelům strojového učení. Jednoduše se jedná o to, že umělá inteligence dokáže vyhodnotit na první pohled nesmyslnou žádost za vyhovující. Zváží totiž veškerá rizika i pružnost minulých dat k tomu, aby nakonec řekla, že je tato volba možná. Můžeme si uvést příklad, kdy žadatel bude požadovat půjčku od banky. Ten podle současné situace nemá nárok na půjčku, jelikož by nebyl schopen dluh splatit. XAI by však mohl prolustrovat historii uživatele, jeho pracovní historii, stav konta apod., aby určil, zda je schopen opravdu splatit tento dluh. Tímto principem je schopno XAI vyhodnotit různé situace.
Posílené učení a přenos
Posílené učení zahrnuje učení agentů učit se prostřednictvím kritiky a pobídek. Mnoho aplikací, robotiky, her a bankovnictví tuto strategii využilo. Přenosové učení zahrnuje aplikaci dříve vyškolených modelů k řešení nových problémů. Pokud je k dispozici málo dat pro nový problém, je tato metoda obzvláště užitečná. Výzkumníci například použili přenosové učení k přizpůsobení modelů rozpoznávání obrazu vyvinutých ro určitý typ obrazu na jiný druh obrazu.
Zdroj: https://www.hdatasystems.com/ai-ml-development
