یادگیری ماشینی که مانند انسان‌ها بیشتر می‌آموزد، یک «ماشین لب‌خوان» هوش مصنوعی و موارد دیگر – این هفته در هوش مصنوعی 11-11-16

1 - سیستم هوش مصنوعی برای بهبود عملکرد خود در وب گشت و گذار می کند

استخراج اطلاعات شامل طبقه‌بندی اقلام داده‌ای است که در متن ساده ذخیره می‌شوند و یک حوزه اصلی تحقیقاتی برای دانشمندان یادگیری ماشین است. هفته گذشته، یک تیم تحقیقاتی از MIT رویکرد جدیدی را برای استخراج اطلاعات برای سیستم‌های یادگیری ماشین در کنفرانس انجمن زبان‌شناسی محاسباتی در مورد روش‌های تجربی در پردازش زبان طبیعی معرفی کرد و جایزه بهترین مقاله را از آن خود کرد. رویکرد برنده تیم به جای اینکه تا حد امکان داده های بیشتری را به سیستم خود بدهد، مسیر متفاوتی را طی می کند و بر مجموعه داده های بسیار کوچکتر تمرکز می کند، فرآیند مشابهی که توسط انسان ها استفاده می شود - اگر در حال خواندن مقاله ای هستید که متوجه نمی شوید، احتمالاً در وب جستجو می کنید و مقالاتی را پیدا می کنید که قادر به درک آن هستید. این رویکرد سیستمی جدید چیزی مشابه انجام می دهد. اگر امتیاز اطمینان سیستم در ارزیابی یک متن خاص پایین باشد، برای اطلاعات بیشتر پرس و جو می کند و تعداد انگشت شماری مقاله جدید را که با مجموعه ای از اصطلاحات مرتبط هستند، از وب بیرون می کشد. در آینده، این مدل می تواند برای داده های پراکنده و صرفه جویی در زمان زیادی در بررسی پایگاه های داده اعمال شود.

(مقاله کامل را در اخبار MIT)

2 - RiskIQ 30.5 میلیون دلار برای اعمال یادگیری ماشینی در خطرات امنیتی دریافت می کند

استارت‌آپ مدیریت ریسک دیجیتال RiskIQ مستقر در سانفرانسیسکو اعلام کرد که 30.5 میلیون دلار دیگر از سری C را در معامله‌ای به رهبری شرکای جورجیا، شامل Summit Ventures، MassMutual Ventures، و Battery Ventures جمع‌آوری کرده است و مجموع سرمایه‌های جذب شده خود را از سال 65.5 به 2009 میلیون دلار رسانده است. سرویس‌های مبتنی بر هوش مصنوعی به شرکت‌های بزرگ کمک می‌کنند تا سایت‌ها و برنامه‌هایی را که ممکن است نام شرکت را یدک بکشند، اما توسط مجرمانی که قصد سرقت اطلاعات مصرف‌کنندگان یا انتشار بدافزار را دارند، جستجو و پیدا کنند. مجموع رزروهای این شرکت در نیمه اول سال 80 2016 درصد رشد کرد، با مجموع 200 مشتری سازمانی و 13,000 تحلیلگر امنیتی که شامل فیس بوک، Under Armour و دیگران می شود. استیو لیتل، مدیر شرکای جورجیا نیز به هیئت مدیره RiskIQ خواهد پیوست

(مقاله کامل را در مجله تجاری سیلیکون ولی)

3 - اولین کنفرانس کارنگی بر هوش مصنوعی در ارتش و حریم خصوصی داده ها تمرکز می کند

کارنگی ملون اولین جلسه از یک کنفرانس دو قسمتی را که به ملاحظات پیرامون هوش مصنوعی در خصوص حریم خصوصی داده ها و عملیات نظامی می پردازد، برای کارشناسان سیاست جهانی در مقر کارنگی برای صلح بین المللی (CEIP) در واشنگتن دی سی برگزار کرد. بخش دوم به حاکمیت اینترنت و سایبر خواهد پرداخت. بازدارندگی، در 2 دسامبر در مرکز دانشگاه کوهون CMU در پیتسبورگ. دیوید براملی، مدیر CyLab، که دومین میزگرد را برای فناوری خودمختار افتتاح کرد، گفت:

کشورهای سراسر جهان از جمله ایالات متحده، روسیه، اسرائیل، چین و هند به طور فزاینده ای در حال استقرار و سرمایه گذاری در فناوری هوش مصنوعی و خودمختاری در عملیات خود هستند. خودمختاری بسیار بزرگ خواهد بود، و این کاملاً حیاتی است که آن را به درستی انجام دهیم.»

جیم گرت، رئیس دانشکده مهندسی CMU، تأکید کرد که چنین انجمن‌هایی برای تبادل ایده‌ها و پرورش پذیرش برای طیف گسترده‌ای از دیدگاه‌ها در مورد موضوعاتی که پتانسیل تأثیرگذاری عمیق بر جامعه جهانی را دارند، اهمیت حیاتی دارند.

(ادامه مطبوعاتی کامل را در اخبار کارنگی ملون)

4- محققان آکسفورد برنامه کامپیوتری ایجاد کردند که می تواند لب ها را با دقت فوق بشری بخواند

محققان آکسفورد پیشگام برنامه هوش مصنوعی لب‌خوانی هستند که می‌تواند لب‌ها را با دقت ۹۳.۴ درصد بخواند که بسیار بالاتر از میانگین دقت ۵۲.۳ درصدی دانش‌آموزان کم‌شنوا است. این نرم افزار با نام "LipNet" با همکاری DeepMind گوگل ساخته شد که آن را بر روی 93.4 ویدئو از افراد مورد آزمایش آموزش داد. این سیستم جملات را پردازش می‌کرد (برخلاف کلمات فردی) و قادر بود کلمات را در متن قرار دهد. اگرچه این برنامه هنوز برای تنوع زبان ها، لهجه ها و گفتار شکسته دنیای واقعی آماده نیست، اما این برنامه قابلیت کمک به جامعه - بهبود سمعک ها، امکان مکالمه در مکان های پر سر و صدا و غیره - و همچنین آسیب رساندن به جامعه را دارد. برای افراد یا گروه‌هایی که مکالمات خصوصی را دنبال کنند یا نظارت جمعی غیرقانونی انجام دهند.

(مقاله کامل را در تلگراف و مقاله منتشر شده در دانشگاه آکسفورد)

5 – الگوریتم یادگیری ماشینی تعصب جنسیتی در نجوم را کمی می کند

مقاله ای توسط محققان موسسه فناوری سوئیس در زوریخ که در سرور arXiv منتشر شد، از یادگیری ماشینی برای تخمین تعصب جنسیتی در استناد به مقالات دانشگاهی در نجوم استفاده کرد. اگرچه هنوز توسط همتایان مورد بررسی قرار نگرفته است، اما کارشناسان در این زمینه در مورد آنچه به نظر می رسد یک روش معتبر است، اظهار نظر کرده اند. کسیدی سوگیموتو، انفورماتیک دانشگاه بلومینگتون ایندیانا، اظهار داشت:

تازگی این مقاله در رد این افسانه است که اختلاف جنسیتی در استناد را می‌توان به ویژگی‌های مقاله نسبت داد تا جنسیت.

این الگوریتم بر روی 200,000 مقاله در 5 مجله از سال 1950 تا 2015 آموزش داده شد. نتایج نشان داد که مقالات با نویسندگان زن فهرست شده در ابتدا حدود 6 درصد کمتر از مقالات دارای یک نویسنده مرد اصلی استناد دریافت کردند. این الگوریتم همچنین پیش‌بینی کرد که مقالاتی که دارای نویسندگان زن هستند باید 4 درصد بیشتر از مقالاتی که توسط مردان نوشته شده است، استناد دریافت می‌کردند. مگ اوری، مدیر مرکز نجوم و اخترفیزیک ییل، می‌گوید: در دانشگاهیان، استنادهای کمتر معمولاً به معنای کمک هزینه‌ها، توصیه نامه‌ها و سایر تقدیرنامه‌ها است. این مقاله همچنین خاطرنشان می‌کند که زنان 19 درصد کمتر از مردان مقاله‌های خود را در 7 سال پس از اولین مقاله منتشر شده خود منتشر می‌کنند، که زمان بسیار مهمی برای مشارکت در دانشگاه است. این همچنین ممکن است عاملی برای تضمین موقعیت های دائمی بیشتر زنان باشد.

(مقاله کامل را در علمی آمریکا)

اعتبار تصویر: Tek-Think

منبع: https://emerj.com/machine-learning-that-learns-more-like-humans-an-ai-lip-reading-machine-and-more-this-week-in-artificial-intelligence-11- 11-16/