Forudsigelser for AI, Machine Learning og NLP 2023

Genudgivet af Platon

Abonnenter: 0

Det har været et spændende år inden for kunstig intelligens, maskinlæring og NLP, med tekst-til-billede-generatorer og store sprogmodeller, der har leveret nogle meget imponerende resultater og en masse løfter for fremtiden – samtidig med at man har bemærket alle de vigtige forbehold om deres mangler, bl.a. afbødende samfundsmæssige skævheder, muligheden for, at de bliver brugt til at generere "falske nyheder" og deres miljøpåvirkning.

Da vi går i gang med år 2023, ønskede vi at tænke på, hvad det nye år inden for AI, machine learning og NLP vil bringe.

Jeff Catlin, leder af Lexalytics, en InMoment-virksomhed:

AI giver ROI: Nedgangen i tech-udgifterne vil vise sig inden for AI og maskinlæring på to måder: Store nye AI-metoder og gennembrud vil bremse, mens innovation inden for AI bevæger sig mod "produktisering". Vi vil se AI blive hurtigere og billigere, efterhånden som innovationen bevæger sig ind i teknikker, der gør deep learning billigere at anvende og hurtigere gennem modeller som DistilBERT, hvor nøjagtigheden falder en smule, men behovet for GPU'er er reduceret.

Stigende accept af hybrid NLP: Det er ret almindeligt kendt, at hybride NLP-løsninger, der blander maskinlæring og klassisk NLP teknikker som hvide lister, forespørgsler og følelsesordbøger blandet med deep learning-modeller giver typisk bedre forretningsløsninger end lige maskinlæringsløsninger. Fordelen ved disse hybridløsninger betyder, at de bliver et afkrydsningsfelt i virksomhedsevalueringer af NLP-leverandører.

Paul Barba, Chief Scientist hos Lexalytics, en InMoment Company:

Fremkomsten af multimodal læring: Bølgen af billedgenererende netværk som Stable Diffusion og DALL-E demonstrerer styrken af AI-tilgange, der forstår flere former for data - i dette tilfælde billede for at generere et billede, og tekst for at tage beskrivelser fra et menneske ind. . Mens multimodal læring altid har været et væsentligt forskningsområde, har det været svært at omsætte til erhvervslivet, hvor hver datakilde er svær at interagere med på sin egen måde. Alligevel, efterhånden som virksomheder fortsætter med at vokse mere sofistikerede i deres brug af data, springer multimodal læring ud som en ekstremt stærk mulighed i 2023. Systemer, der kan kombinere den brede viden, der formidles i tekst, billede og video, med sofistikeret modellering af finansiel og anden numerisk serie vil være næste fase i mange virksomheders datalogi initiativer.

Singulariteten i vores seværdigheder? Et forskningspapir af Jiaxin Huang et al. blev udgivet i oktober sidste år med den opmærksomhedsskabende titel "Store sprogmodeller kan forbedre sig selv." Selvom det endnu ikke var singulariteten, lokkede forskerne en stor sprogmodel til at generere spørgsmål ud fra tekstuddrag, besvare det selvstillede spørgsmål gennem "tankekæden" og derefter lære af disse svar for at forbedre netværkets evner på en række forskellige opgaver. Disse bootstrapping-tilgange har historisk set haft en temmelig stram bundet til forbedring - til sidst begynder modellerne at lære sig selv det forkerte og gå af sporet - men løftet om forbedret ydeevne uden møjsommelige annoteringsbestræbelser er en sirenesang til AI-udøvere. Vi forudser, at selvom tilgange som denne ikke vil drive os ind i et singularitetsøjeblik, vil det være det varme forskningsemne i 2023, og ved årets udgang vil det være en standardteknik i alt avanceret, naturligt sprog bearbejde resultater.

Sammenfattende forventes 2023 at medføre et skift i fokus for kunstig intelligens og maskinlæring i retning af produktisering og omkostningseffektivitet, samt en øget anvendelse af hybride NLP-løsninger. Brugen af multimodal læring, som involverer forståelse af flere former for data såsom tekst, billede og video, forventes også at blive mere udbredt i virksomheder. Derudover forventes forskning i selvforbedrende store sprogmodeller fortsat at være et stort fokus på området, med potentialet for, at disse modeller bliver en standardteknik i naturlig sprogbehandling. Det er dog vigtigt at overveje de potentielle udfordringer og begrænsninger ved disse fremskridt, såsom samfundsmæssige skævheder og muligheden for misbrug.