Prediksi 2023 Untuk AI, Pembelajaran Mesin, Dan NLP

Diterbitkan Ulang Oleh Plato

Followers: 0

Ini merupakan tahun yang menyenangkan dalam AI, pembelajaran mesin, dan NLP, dengan generator teks-ke-gambar dan model bahasa besar memberikan beberapa hasil yang sangat mengesankan dan banyak janji untuk masa depan – sambil mencatat semua peringatan penting tentang kekurangan mereka termasuk mengurangi bias masyarakat, kemungkinan digunakan untuk menghasilkan “berita palsu”, dan dampak lingkungannya.

Saat kami memulai tahun 2023, kami ingin memikirkan tentang apa yang akan terjadi di tahun baru AI, pembelajaran mesin, dan NLP.

Jeff Catlin, Kepala Lexalytics, sebuah Perusahaan InMoment:

AI menjadi ROI: Perlambatan pengeluaran teknologi akan muncul dalam AI dan pembelajaran mesin dalam dua cara: metodologi dan terobosan AI baru yang besar akan melambat, sementara inovasi dalam AI bergerak ke arah "produksi". Kita akan melihat AI menjadi lebih cepat dan lebih murah saat inovasi beralih ke teknik untuk membuat pembelajaran mendalam lebih murah untuk diterapkan dan lebih cepat melalui model seperti DistilBERT, di mana akurasi turun sedikit, tetapi kebutuhan GPU berkurang.

Tumbuhnya penerimaan NLP hybrid: Sudah menjadi rahasia umum bahwa solusi NLP hybrid yang memadukan pembelajaran mesin dan klasik Teknik NLP seperti daftar putih, kueri, dan kamus sentimen yang dicampur dengan model pembelajaran mendalam biasanya memberikan solusi bisnis yang lebih baik daripada solusi pembelajaran mesin langsung. Manfaat dari solusi hybrid ini berarti bahwa mereka akan menjadi item kotak centang dalam evaluasi perusahaan terhadap vendor NLP.

Paul Barba, Kepala Ilmuwan di Lexalytics, sebuah Perusahaan InMoment:

Munculnya pembelajaran multimodal: Gelombang jaringan penghasil gambar seperti Stable Diffusion dan DALL-E mendemonstrasikan kekuatan pendekatan AI yang memahami berbagai bentuk data – dalam hal ini, gambar untuk menghasilkan gambar, dan teks untuk mengambil deskripsi dari manusia . Sementara pembelajaran multimodal selalu menjadi bidang penelitian yang signifikan, sulit untuk diterjemahkan ke dalam dunia bisnis di mana setiap sumber data sulit untuk berinteraksi dengan caranya sendiri. Namun, karena bisnis terus tumbuh lebih canggih dalam penggunaan data mereka, pembelajaran multimodal muncul sebagai peluang yang sangat kuat pada tahun 2023. Sistem yang dapat menggabungkan pengetahuan luas yang disampaikan dalam teks, gambar, dan video dengan pemodelan canggih keuangan dan numerik lainnya. seri akan menjadi tahap selanjutnya di banyak perusahaan ilmu data inisiatif.

Singularitas dalam pandangan kita? Sebuah makalah penelitian oleh Jiaxin Huang et al. diterbitkan Oktober lalu dengan judul yang menarik perhatian “Model Bahasa Besar Dapat Memperbaiki Diri Sendiri.” Meskipun belum menjadi singularitas, para peneliti membujuk model bahasa besar untuk menghasilkan pertanyaan dari cuplikan teks, menjawab pertanyaan yang diajukan sendiri melalui "dorongan rantai pemikiran", dan kemudian belajar dari jawaban tersebut untuk meningkatkan kemampuan jaringan pada berbagai tugas. Pendekatan bootstrapping ini secara historis memiliki ikatan yang cukup ketat untuk peningkatan – pada akhirnya, model mulai mengajarkan diri mereka sendiri hal yang salah dan keluar jalur – tetapi janji peningkatan kinerja tanpa upaya anotasi yang melelahkan adalah lagu sirene untuk praktisi AI. Kami memperkirakan bahwa meskipun pendekatan seperti ini tidak akan mendorong kita ke momen singularitas, ini akan menjadi topik penelitian hangat di tahun 2023 dan pada akhir tahun akan menjadi teknik standar dalam semua bahasa alami yang canggih. hasil pengolahan.

Singkatnya, tahun 2023 diperkirakan akan membawa pergeseran fokus AI dan pembelajaran mesin ke arah produksi dan efektivitas biaya, serta peningkatan adopsi solusi NLP hybrid. Penggunaan pembelajaran multimodal, yang melibatkan pemahaman berbagai bentuk data seperti teks, gambar, dan video, juga diharapkan menjadi lebih lazim dalam bisnis. Selain itu, penelitian tentang model bahasa besar yang memperbaiki diri diharapkan terus menjadi fokus utama di lapangan, dengan potensi model ini menjadi teknik standar dalam pemrosesan bahasa alami. Namun, penting untuk mempertimbangkan potensi tantangan dan keterbatasan kemajuan ini, seperti bias masyarakat dan kemungkinan penyalahgunaan.