Прогнози на 2023 рік для ШІ, машинного навчання та НЛП

Перевидано Платоном

читають: 0

Це був захоплюючий рік для штучного інтелекту, машинного навчання та НЛП, з генераторами тексту в зображення та великими мовними моделями, які дали вражаючі результати та багато обіцянок на майбутнє – водночас зауважуючи всі важливі застереження щодо їхніх недоліків, зокрема пом’якшення суспільних упереджень, можливість їх використання для створення «фейкових новин» та їхній вплив на навколишнє середовище.

На початку 2023 року ми хотіли подумати про те, що принесе новий рік у сфері ШІ, машинного навчання та НЛП.

Джефф Кетлін, керівник Lexalytics компанії InMoment:

ШІ підвищує рентабельність інвестицій: Уповільнення витрат на технології відображатиметься на штучному інтелекті та машинному навчанні двома способами: основні нові методології штучного інтелекту та прориви сповільняться, тоді як інновації в штучному інтелекті рухатимуться до «продуктивності». Ми побачимо, що штучний інтелект стане швидшим і дешевшим, оскільки інновації переміщаються в методи, які роблять глибоке навчання менш дорогим у застосуванні та швидшим завдяки таким моделям, як DistilBERT, де точність трохи знижується, але потреба у графічних процесорах зменшується.

Зростаюче визнання гібридного НЛП: Досить загальновідомо, що гібридні рішення НЛП поєднують машинне навчання та класичне Методики НЛП такі як білі списки, запити та словники настроїв, змішані з моделями глибокого навчання, зазвичай пропонують кращі бізнес-рішення, ніж звичайні рішення машинного навчання. Перевага цих гібридних рішень означає, що вони стануть позначкою в корпоративних оцінках постачальників NLP.

Пол Барба, головний науковий співробітник Lexalytics, компанії InMoment:

Розвиток мультимодального навчання: Хвиля мереж генерації зображень, таких як Stable Diffusion і DALL-E, демонструє потужність підходів штучного інтелекту, які розуміють різні форми даних – у цьому випадку зображення для створення зображення та текст для отримання описів від людини . Незважаючи на те, що мультимодальне навчання завжди було важливою сферою досліджень, його було важко перенести в бізнес-світ, де з кожним джерелом даних важко взаємодіяти по-своєму. Тим не менш, оскільки бізнес продовжує вдосконалюватися у використанні даних, мультимодальне навчання вискакує як надзвичайно потужна можливість у 2023 році. Системи, які можуть поєднувати широкі знання, передані в тексті, зображеннях і відео, зі складним моделюванням фінансових та інших числових серія буде наступним етапом у багатьох компаніях наука про дані ініціативи.

Незвичайність у наших поглядах? Дослідницька стаття Jiaxin Huang et al. був опублікований у жовтні минулого року з привертає увагу назвою «Великі мовні моделі можуть самовдосконалюватися.” Хоча це ще не було унікальністю, дослідники спонукали велику мовну модель генерувати запитання з уривків тексту, відповідати на запитання, які самостійно поставили за допомогою «ланцюжка думок», а потім вчитися на цих відповідях, щоб покращити можливості мережі на різноманітні завдання. Ці підходи початкового завантаження історично мали досить жорсткий зв’язок із вдосконаленням – зрештою, моделі починають вчити себе неправильно та збиваються з рейок – але обіцянка покращення продуктивності без трудомістких зусиль щодо анотацій – це пісня сирени для Практики ШІ. Ми прогнозуємо, що хоча такі підходи не призведуть нас до моменту сингулярності, це стане гарячою темою досліджень 2023 року, а до кінця року стане стандартною технікою в усіх найсучасніших природних мовах обробка результатів.

Підводячи підсумок, очікується, що 2023 рік принесе зміщення фокусу ШІ та машинного навчання в бік підвищення продуктивності та економічності, а також збільшення впровадження гібридних рішень NLP. Очікується, що використання мультимодального навчання, яке передбачає розуміння багатьох форм даних, таких як текст, зображення та відео, також стане більш поширеним у бізнесі. Крім того, очікується, що дослідження великих мовних моделей, що самовдосконалюються, і надалі залишатимуться в центрі уваги в цій галузі, і ці моделі можуть стати стандартною технікою обробки природної мови. Однак важливо враховувати потенційні проблеми та обмеження цих досягнень, такі як суспільні упередження та можливість неправильного використання.