Dự đoán năm 2023 cho AI, Machine Learning và NLP

Dự đoán năm 2023 cho AI, Machine Learning và NLP

Dấu thời gian: ngày 18 tháng 2023 năm 3 25:XNUMX sáng
Nút nguồn: 1913065

Đó là một năm thú vị về AI, học máy và NLP, với các trình tạo văn bản thành hình ảnh và các mô hình ngôn ngữ lớn mang lại một số kết quả rất ấn tượng và nhiều hứa hẹn cho tương lai – đồng thời lưu ý tất cả các cảnh báo quan trọng về những thiếu sót của chúng bao gồm giảm thiểu những thành kiến ​​xã hội, khả năng chúng được sử dụng để tạo ra “tin giả” và tác động môi trường của chúng. 

Khi bắt đầu bước sang năm 2023, chúng tôi muốn nghĩ xem năm mới về trí tuệ nhân tạo, học máy và NLP sẽ mang lại điều gì.

Jeff Catlin, Trưởng bộ phận Lexalytics, Công ty InMoment:

AI đi ROI: Sự chậm lại trong chi tiêu công nghệ sẽ thể hiện trong AI và máy học theo hai cách: các phương pháp và đột phá chính về AI mới sẽ chậm lại, trong khi sự đổi mới trong AI chuyển sang “sản xuất”. Chúng ta sẽ thấy AI trở nên nhanh hơn và rẻ hơn khi sự đổi mới chuyển sang các kỹ thuật giúp việc áp dụng học sâu ít tốn kém hơn và nhanh hơn thông qua các mô hình như DistilBERT, trong đó độ chính xác giảm đi một chút nhưng nhu cầu về GPU cũng giảm đi.

Sự chấp nhận ngày càng tăng của NLP lai: Kiến thức khá phổ biến là các giải pháp NLP kết hợp giữa máy học và cổ điển Kỹ thuật NLP như danh sách trắng, truy vấn và từ điển cảm tính kết hợp với các mô hình học sâu thường cung cấp các giải pháp kinh doanh tốt hơn so với các giải pháp máy học trực tiếp. Lợi ích của các giải pháp kết hợp này có nghĩa là chúng sẽ trở thành một mục hộp kiểm trong các đánh giá của công ty về các nhà cung cấp NLP.

Paul Barba, Nhà khoa học trưởng tại Lexalytics, một công ty InMoment:

Sự gia tăng của học tập đa phương thức: Làn sóng các mạng tạo hình ảnh như Khuếch tán ổn định và DALL-E chứng minh sức mạnh của các phương pháp tiếp cận AI có thể hiểu được nhiều dạng dữ liệu – trong trường hợp này, hình ảnh để tạo ra hình ảnh và văn bản để lấy mô tả từ con người . Mặc dù học tập đa phương thức luôn là một lĩnh vực nghiên cứu quan trọng, nhưng thật khó để chuyển sang thế giới kinh doanh nơi mỗi nguồn dữ liệu khó tương tác theo cách riêng của nó. Tuy nhiên, khi các doanh nghiệp tiếp tục phát triển tinh vi hơn trong việc sử dụng dữ liệu, học tập đa phương thức sẽ xuất hiện như một cơ hội cực kỳ mạnh mẽ vào năm 2023. Các hệ thống có thể kết hợp kiến ​​thức rộng được truyền tải dưới dạng văn bản, hình ảnh và video với mô hình tinh vi về tài chính và các con số khác sê-ri sẽ là giai đoạn tiếp theo trong nhiều công ty' khoa học dữ liệu sáng kiến.

Điểm kỳ dị trong tầm ngắm của chúng ta? Một bài báo nghiên cứu của Jiaxin Huang et al. đã được xuất bản vào tháng XNUMX vừa qua với tiêu đề gây chú ý “Các mô hình ngôn ngữ lớn có thể tự cải thiện.” Mặc dù chưa phải là điểm kỳ dị, nhưng các nhà nghiên cứu đã khuyến khích một mô hình ngôn ngữ lớn tạo ra các câu hỏi từ các đoạn văn bản, trả lời câu hỏi tự đặt ra thông qua “chuỗi gợi ý suy nghĩ”, sau đó học hỏi từ những câu trả lời đó để cải thiện khả năng của mạng trên một loạt các nhiệm vụ. Những cách tiếp cận bootstrapping này trước đây có giới hạn khá chặt chẽ để cải thiện – cuối cùng, các mô hình bắt đầu tự dạy mình điều sai và đi chệch hướng – nhưng lời hứa về hiệu suất được cải thiện mà không cần nỗ lực chú thích tốn công sức là một bài hát báo động cho học viên AI. Chúng tôi dự đoán rằng mặc dù những cách tiếp cận như thế này sẽ không đẩy chúng ta vào một thời điểm kỳ dị, nhưng nó sẽ là chủ đề nghiên cứu nóng hổi vào năm 2023 và vào cuối năm nay sẽ là một kỹ thuật tiêu chuẩn trong tất cả các ngôn ngữ tự nhiên, hiện đại nhất. kết quả xử lý.

Tóm lại, năm 2023 dự kiến ​​sẽ mang lại sự thay đổi trong trọng tâm của AI và học máy theo hướng sản xuất và tiết kiệm chi phí, cũng như tăng cường áp dụng các giải pháp NLP kết hợp. Việc sử dụng học tập đa phương thức, bao gồm việc hiểu nhiều dạng dữ liệu như văn bản, hình ảnh và video, dự kiến ​​cũng sẽ trở nên phổ biến hơn trong các doanh nghiệp. Ngoài ra, nghiên cứu về các mô hình ngôn ngữ lớn tự cải tiến dự kiến ​​sẽ tiếp tục là trọng tâm chính trong lĩnh vực này, với tiềm năng để các mô hình này trở thành một kỹ thuật tiêu chuẩn trong xử lý ngôn ngữ tự nhiên. Tuy nhiên, điều quan trọng là phải xem xét những thách thức và hạn chế tiềm ẩn của những tiến bộ này, chẳng hạn như thành kiến ​​xã hội và khả năng sử dụng sai mục đích.

Dấu thời gian:

Thêm từ PHỔ THÔNG DỮ LIỆU