پیش‌بینی‌های ۲۰۲۳ برای هوش مصنوعی، یادگیری ماشین و NLP

این یک سال هیجان انگیز در هوش مصنوعی، یادگیری ماشینی و NLP بود، با تولیدکننده های متن به تصویر و مدل های زبان بزرگ که نتایج بسیار چشمگیر و نویدهای زیادی را برای آینده به ارمغان می آورد - در حالی که به تمام نکات مهم در مورد کاستی های آنها اشاره کرد. کاهش تعصبات اجتماعی، امکان استفاده از آنها برای تولید "اخبار جعلی" و تاثیرات زیست محیطی آنها. 

در حالی که سال 2023 را آغاز می کنیم، می خواستیم به این فکر کنیم که سال جدید در هوش مصنوعی، یادگیری ماشین و NLP چه خواهد آورد.

جف کاتلین، رئیس Lexalytics، یک شرکت InMoment:

هوش مصنوعی به بازگشت سرمایه می‌پردازد: کندی هزینه‌های فناوری در هوش مصنوعی و یادگیری ماشینی به دو صورت ظاهر می‌شود: روش‌های جدید و پیشرفت‌های جدید هوش مصنوعی کند می‌شوند، در حالی که نوآوری در هوش مصنوعی به سمت «تولید» حرکت می‌کند. ما شاهد سریع‌تر و ارزان‌تر شدن هوش مصنوعی خواهیم بود، زیرا نوآوری به سمت تکنیک‌هایی می‌رود که کاربرد یادگیری عمیق را ارزان‌تر و سریع‌تر از طریق مدل‌هایی مانند DistilBERT می‌کند، جایی که دقت کمی پایین می‌آید، اما نیاز به پردازنده‌های گرافیکی کاهش می‌یابد.

پذیرش رو به رشد NLP هیبریدی: این دانش نسبتاً رایج است که راه‌حل‌های NLP ترکیبی که یادگیری ماشینی و کلاسیک را ترکیب می‌کنند تکنیک های NLP مانند لیست های سفید، پرس و جوها، و فرهنگ لغت های احساسات آمیخته با مدل های یادگیری عمیق، معمولاً راه حل های تجاری بهتری نسبت به راه حل های یادگیری ماشین مستقیم ارائه می دهند. مزیت این راه حل های ترکیبی به این معنی است که آنها به یک آیتم چک باکس در ارزیابی های شرکتی فروشندگان NLP تبدیل می شوند.

پل باربا، دانشمند ارشد Lexalytics، یک شرکت InMoment:

ظهور یادگیری چندوجهی: موج شبکه‌های تولید تصویر مانند Stable Diffusion و DALL-E قدرت رویکردهای هوش مصنوعی را نشان می‌دهد که اشکال مختلف داده را درک می‌کند - در این مورد، تصویر برای تولید یک تصویر، و متن برای دریافت توضیحات از یک انسان. . در حالی که یادگیری چندوجهی همیشه یک حوزه تحقیقاتی مهم بوده است، ترجمه آن به دنیای کسب و کار که در آن هر منبع داده به روش خاص خود در تعامل با آن دشوار است، دشوار است. با این حال، همچنان که کسب‌وکارها در استفاده از داده‌ها به رشد پیچیده‌تر خود ادامه می‌دهند، یادگیری چندوجهی به عنوان یک فرصت بسیار قدرتمند در سال 2023 مطرح می‌شود. سیستم‌هایی که می‌توانند دانش گسترده منتقل‌شده در متن، تصویر و ویدیو را با مدل‌سازی پیچیده مالی و سایر اعداد ترکیب کنند. سری مرحله بعدی در بسیاری از شرکت ها خواهد بود. علم اطلاعات طرح.

تکینگی در دید ما؟ یک مقاله تحقیقاتی توسط Jiaxin Huang و همکاران. مهرماه گذشته با عنوانی جذاب منتشر شدمدل‌های زبان بزرگ می‌توانند خود بهبود پیدا کنند" در حالی که هنوز تکینگی نبوده است، محققان یک مدل زبان بزرگ را برای ایجاد سؤالات از تکه‌های متن، پاسخ دادن به سؤالات خود از طریق «تغییر زنجیره‌ای فکر» و سپس یادگیری از آن پاسخ‌ها به منظور بهبود توانایی‌های شبکه در نظر گرفتند. انواع وظایف این رویکردهای بوت استرپینگ از لحاظ تاریخی دارای محدودیت های بسیار زیادی برای بهبود بوده اند – در نهایت، مدل ها شروع به آموزش چیزهای اشتباه به خود می کنند و از ریل خارج می شوند – اما وعده بهبود عملکرد بدون تلاش های حاشیه نویسی پر زحمت، آهنگ آژیر است. تمرین‌کنندگان هوش مصنوعی. ما پیش‌بینی می‌کنیم که در حالی که رویکردهایی مانند این ما را به یک لحظه تکینگی سوق نمی‌دهد، موضوع داغ تحقیقاتی سال 2023 خواهد بود و تا پایان سال به یک تکنیک استاندارد در تمام پیشرفته‌ترین زبان‌های طبیعی تبدیل خواهد شد. نتایج پردازش

به طور خلاصه، انتظار می‌رود سال 2023 تغییری در تمرکز هوش مصنوعی و یادگیری ماشینی به سمت تولید و مقرون‌به‌صرفه بودن و همچنین افزایش پذیرش راه‌حل‌های NLP ترکیبی ایجاد کند. همچنین انتظار می‌رود استفاده از یادگیری چندوجهی، که شامل درک اشکال مختلف داده‌ها مانند متن، تصویر و ویدئو است، در مشاغل رایج‌تر شود. علاوه بر این، انتظار می‌رود که تحقیقات در مورد مدل‌های زبان بزرگ خود-بهبود، همچنان تمرکز اصلی در این زمینه باشد، با پتانسیل تبدیل این مدل‌ها به یک تکنیک استاندارد در پردازش زبان طبیعی. با این حال، در نظر گرفتن چالش‌ها و محدودیت‌های بالقوه این پیشرفت‌ها، مانند سوگیری‌های اجتماعی و احتمال سوء استفاده، مهم است.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
• منبع: https://www.dataversity.net/2023-predictions-for-ai-machine-learning-and-nlp/