Προβλέψεις 2023 για AI, Machine Learning και NLP

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

Ήταν μια συναρπαστική χρονιά στην τεχνητή νοημοσύνη, τη μηχανική μάθηση και το NLP, με γεννήτριες κειμένου σε εικόνα και μεγάλα μοντέλα γλώσσας που προσφέρουν μερικά πολύ εντυπωσιακά αποτελέσματα και πολλές υποσχέσεις για το μέλλον – ενώ σημειώνονται όλες οι σημαντικές προειδοποιήσεις σχετικά με τις αδυναμίες τους, όπως τον μετριασμό των κοινωνικών προκαταλήψεων, τη δυνατότητα χρήσης τους για τη δημιουργία «ψευδών ειδήσεων» και τις περιβαλλοντικές επιπτώσεις τους.

Καθώς ξεκινάμε το έτος 2023, θέλαμε να σκεφτούμε τι θα φέρει η νέα χρονιά στην τεχνητή νοημοσύνη, τη μηχανική μάθηση και το NLP.

Jeff Catlin, Επικεφαλής της Lexalytics, μιας InMoment Company:

Το AI πηγαίνει ROI: Η επιβράδυνση των δαπανών τεχνολογίας θα εμφανιστεί στην τεχνητή νοημοσύνη και τη μηχανική μάθηση με δύο τρόπους: σημαντικές νέες μεθοδολογίες τεχνητής νοημοσύνης και ανακαλύψεις θα επιβραδυνθούν, ενώ η καινοτομία στην τεχνητή νοημοσύνη κινείται προς την «παραγωγή». Θα δούμε την τεχνητή νοημοσύνη να γίνεται ταχύτερη και φθηνότερη καθώς η καινοτομία θα προχωρήσει σε τεχνικές για να κάνει τη βαθιά εκμάθηση λιγότερο δαπανηρή και ταχύτερη μέσω μοντέλων όπως το DistilBERT, όπου η ακρίβεια μειώνεται λίγο, αλλά η ανάγκη για GPU μειώνεται.

Αυξανόμενη αποδοχή του υβριδικού NLP: Είναι αρκετά κοινό γνωστό ότι οι υβριδικές λύσεις NLP που συνδυάζουν τη μηχανική εκμάθηση και την κλασική NLP τεχνικές Όπως οι λευκές λίστες, τα ερωτήματα και τα λεξικά συναισθημάτων που αναμιγνύονται με μοντέλα βαθιάς εκμάθησης παρέχουν συνήθως καλύτερες επιχειρηματικές λύσεις από τις απλές λύσεις μηχανικής εκμάθησης. Το όφελος αυτών των υβριδικών λύσεων σημαίνει ότι θα γίνουν ένα στοιχείο του πλαισίου ελέγχου στις εταιρικές αξιολογήσεις των προμηθευτών NLP.

Paul Barba, Επικεφαλής Επιστήμονας της Lexalytics, μια InMoment Company:

Η άνοδος της πολυτροπικής μάθησης: Το κύμα των δικτύων δημιουργίας εικόνας όπως το Stable Diffusion και το DALL-E καταδεικνύουν τη δύναμη των προσεγγίσεων τεχνητής νοημοσύνης που κατανοούν πολλαπλές μορφές δεδομένων - σε αυτήν την περίπτωση, εικόνα για τη δημιουργία μιας εικόνας και κείμενο για τη λήψη περιγραφών από έναν άνθρωπο . Ενώ η πολυτροπική μάθηση ήταν πάντα ένας σημαντικός τομέας έρευνας, ήταν δύσκολο να μεταφραστεί στον επιχειρηματικό κόσμο όπου κάθε πηγή δεδομένων είναι δύσκολο να αλληλεπιδράσει με τον δικό της τρόπο. Ωστόσο, καθώς οι επιχειρήσεις συνεχίζουν να αναπτύσσονται πιο εξελιγμένες στη χρήση δεδομένων, η πολυτροπική μάθηση γίνεται μια εξαιρετικά ισχυρή ευκαιρία το 2023. Συστήματα που μπορούν να συνδυάσουν την ευρεία γνώση που μεταφέρεται σε κείμενο, εικόνα και βίντεο με εξελιγμένη μοντελοποίηση οικονομικών και άλλων αριθμητικών Η σειρά θα είναι το επόμενο στάδιο σε πολλές εταιρείες επιστημονικά δεδομένα πρωτοβουλίες.

Η μοναδικότητα στο στόχαστρό μας; Μια ερευνητική εργασία των Jiaxin Huang et al. κυκλοφόρησε τον περασμένο Οκτώβριο με τον τίτλο που τραβάει την προσοχή "Τα μεγάλα γλωσσικά μοντέλα μπορούν να αυτοβελτιωθούν.» Αν και δεν ήταν ακόμη η ιδιαιτερότητα, οι ερευνητές οδήγησαν σε ένα μεγάλο γλωσσικό μοντέλο να δημιουργήσει ερωτήσεις από αποσπάσματα κειμένου, να απαντήσει στην ερώτηση που τέθηκε από τον εαυτό του μέσω "προτροπής της αλυσίδας σκέψης" και στη συνέχεια να μάθουν από αυτές τις απαντήσεις προκειμένου να βελτιώσουν τις ικανότητες του δικτύου. μια ποικιλία εργασιών. Αυτές οι προσεγγίσεις bootstrapping είχαν ιστορικά μια αρκετά στενή βελτίωση – τελικά, τα μοντέλα αρχίζουν να διδάσκονται το λάθος πράγμα και ξεφεύγουν – αλλά η υπόσχεση για βελτιωμένη απόδοση χωρίς επίπονες προσπάθειες σχολιασμού είναι ένα τραγούδι σειρήνας για Επαγγελματίες τεχνητής νοημοσύνης. Προβλέπουμε ότι ενώ προσεγγίσεις όπως αυτή δεν θα μας οδηγήσουν σε μια στιγμή μοναδικότητας, θα είναι το καυτό ερευνητικό θέμα του 2023 και μέχρι το τέλος του έτους θα είναι μια τυπική τεχνική σε κάθε φυσική γλώσσα τελευταίας τεχνολογίας αποτελέσματα επεξεργασίας.

Συνοπτικά, το 2023 αναμένεται να επιφέρει μια αλλαγή στο επίκεντρο της τεχνητής νοημοσύνης και της μηχανικής μάθησης προς την παραγωγικότητα και τη σχέση κόστους-αποτελεσματικότητας, καθώς και μια αυξημένη υιοθέτηση υβριδικών λύσεων NLP. Η χρήση της πολυτροπικής μάθησης, η οποία περιλαμβάνει την κατανόηση πολλαπλών μορφών δεδομένων, όπως κείμενο, εικόνα και βίντεο, αναμένεται επίσης να γίνει πιο διαδεδομένη στις επιχειρήσεις. Επιπρόσθετα, η έρευνα για αυτοβελτιωτικά μοντέλα μεγάλων γλωσσών αναμένεται να συνεχίσει να είναι μια σημαντική εστίαση στο πεδίο, με τη δυνατότητα αυτά τα μοντέλα να γίνουν μια τυπική τεχνική στην επεξεργασία φυσικής γλώσσας. Ωστόσο, είναι σημαντικό να ληφθούν υπόψη οι πιθανές προκλήσεις και οι περιορισμοί αυτών των προόδων, όπως οι κοινωνικές προκαταλήψεις και η πιθανότητα κακής χρήσης.