Vorhersagen für 2023 für KI, maschinelles Lernen und NLP

Neuauflage von Plato

Verfolger: 0

Es war ein aufregendes Jahr in den Bereichen KI, maschinelles Lernen und NLP, mit Text-zu-Bild-Generatoren und großen Sprachmodellen, die einige sehr beeindruckende Ergebnisse und viel Versprechen für die Zukunft lieferten – unter Berücksichtigung aller wichtigen Vorbehalte hinsichtlich ihrer Mängel, einschließlich Abbau gesellschaftlicher Vorurteile, die Möglichkeit, dass sie zur Generierung von „Fake News“ genutzt werden, und ihre Auswirkungen auf die Umwelt.

Zu Beginn des Jahres 2023 wollten wir darüber nachdenken, was das neue Jahr in den Bereichen KI, maschinelles Lernen und NLP bringen wird.

Jeff Catlin, Leiter von Lexalytics, einem InMoment-Unternehmen:

KI wird ROI: Die Verlangsamung der Technologieausgaben wird sich in KI und maschinellem Lernen auf zwei Arten zeigen: Wichtige neue KI-Methoden und Durchbrüche werden sich verlangsamen, während sich die Innovation in der KI in Richtung „Produktisierung“ bewegt. Wir werden sehen, dass KI schneller und billiger wird, wenn sich die Innovation in Techniken verlagert, um Deep Learning durch Modelle wie DistilBERT kostengünstiger und schneller anzuwenden, wo die Genauigkeit etwas abnimmt, aber der Bedarf an GPUs reduziert wird.

Wachsende Akzeptanz von Hybrid-NLP: Es ist ziemlich allgemein bekannt, dass hybride NLP-Lösungen, die maschinelles Lernen und klassisches Lernen kombinieren NLP-Techniken wie Whitelists, Abfragen und Stimmungswörterbücher, gemischt mit Deep-Learning-Modellen, bieten in der Regel bessere Geschäftslösungen als reine Machine-Learning-Lösungen. Der Vorteil dieser hybriden Lösungen bedeutet, dass sie zu einem Checkbox-Element in Unternehmensbewertungen von NLP-Anbietern werden.

Paul Barba, Chief Scientist bei Lexalytics, einem InMoment-Unternehmen:

Der Aufstieg des multimodalen Lernens: Die Welle bildgenerierender Netzwerke wie Stable Diffusion und DALL-E demonstriert die Leistungsfähigkeit von KI-Ansätzen, die mehrere Formen von Daten verstehen – in diesem Fall Bilder, um ein Bild zu generieren, und Text, um Beschreibungen von einem Menschen aufzunehmen . Während multimodales Lernen schon immer ein bedeutendes Forschungsgebiet war, war es schwierig, es in die Geschäftswelt zu übertragen, wo es schwierig ist, mit jeder Datenquelle auf ihre eigene Weise zu interagieren. Da Unternehmen bei der Nutzung von Daten immer ausgefeilter werden, erweist sich multimodales Lernen im Jahr 2023 als äußerst mächtige Chance. Systeme, die das breite Wissen, das in Text, Bild und Video vermittelt wird, mit ausgefeilter Modellierung finanzieller und anderer numerischer Daten verbinden können Serie wird in vielen Unternehmen die nächste Stufe sein Datenwissenschaft Initiativen.

Die Singularität in unserem Visier? Eine Forschungsarbeit von Jiaxin Huang et al. erschien im vergangenen Oktober unter dem aufmerksamkeitsstarken Titel „Große Sprachmodelle können sich selbst verbessern.“ Obwohl dies noch nicht die Singularität war, überredeten die Forscher ein großes Sprachmodell, Fragen aus Textschnipseln zu generieren, die selbst gestellte Frage durch eine „Kette von Gedankenanstößen“ zu beantworten und dann aus diesen Antworten zu lernen, um die Fähigkeiten des Netzwerks weiter zu verbessern eine Vielzahl von Aufgaben. Diese Bootstrapping-Ansätze waren in der Vergangenheit ziemlich eng mit Verbesserungen verbunden – schließlich fangen Modelle an, sich selbst das Falsche beizubringen, und geraten aus den Fugen – aber das Versprechen einer verbesserten Leistung ohne mühsame Anmerkungsbemühungen ist ein Sirenengesang KI-Praktiker. Wir gehen davon aus, dass Ansätze wie dieser uns zwar nicht in einen Moment der Singularität treiben, aber das heiße Forschungsthema des Jahres 2023 sein werden und bis Ende des Jahres eine Standardtechnik in allen hochmodernen natürlichen Sprachen sein werden Verarbeitungsergebnisse.

Zusammenfassend wird erwartet, dass das Jahr 2023 eine Verlagerung des Fokus von KI und maschinellem Lernen in Richtung Produktivität und Kosteneffizienz sowie eine verstärkte Einführung von hybriden NLP-Lösungen mit sich bringen wird. Der Einsatz von multimodalem Lernen, bei dem mehrere Formen von Daten wie Text, Bild und Video verstanden werden, wird sich voraussichtlich auch in Unternehmen durchsetzen. Darüber hinaus wird erwartet, dass die Forschung zu sich selbst verbessernden großen Sprachmodellen weiterhin ein Hauptschwerpunkt auf diesem Gebiet sein wird, mit dem Potenzial, dass diese Modelle zu einer Standardtechnik in der Verarbeitung natürlicher Sprache werden. Es ist jedoch wichtig, die potenziellen Herausforderungen und Einschränkungen dieser Fortschritte zu berücksichtigen, wie z. B. gesellschaftliche Vorurteile und die Möglichkeit des Missbrauchs.