Del excelente documento técnico del programa Insight Artificial Intelligence Fellows:
Cuidado de la salud: Los investigadores están mejorando el estado del arte en la detección de cáncer utilizando redes neuronales en imágenes médicas. Las empresas están utilizando redes neuronales recurrentes para descubrir patrones en datos de wearables. Los hospitales están preparados para aprovechar métodos avanzados de procesamiento del lenguaje natural para analizar grandes colecciones de registros médicos y controlar métodos teóricos para optimizar ensayos médicos individualizados y planes de tratamiento.
Transporte: los vehículos autónomos o casi autónomos aumentan la seguridad de los automovilistas y ayudan a disminuir las emisiones globales de carbono. Los avances continuos alterarán drásticamente la productividad de las empresas de transporte y transporte cuyo negocio principal es el transporte de mercancías. Las empresas están utilizando métodos de aprendizaje por refuerzo para lidiar con la complejidad cada vez mayor de la logística y las operaciones internas.
- ¿Cuál es el lugar de las redes neuronales en una arquitectura más amplia de cognición mecánica?
- Qué rama es mejor en THAPAR UNIVERSITY: Computer Science Core (COE) o Hons. ¿En el aprendizaje automático y el análisis de datos (CML)?
- ¿Cuál es el mejor título de maestría para obtener hoy en inteligencia artificial, aprendizaje automático, etc.?
- ¿Cuántos datos son suficientes para entrenar un modelo NN profundo?
- ¿Cuál es el lenguaje más utilizado para el aprendizaje automático en la industria?
Robótica: la robótica quirúrgica sofisticada está avanzando en la práctica médica y el desarrollo continuo de prótesis robóticas está ayudando a la vida. Los laboratorios están desarrollando técnicas para ayudar a los robots de servicios de transición de la investigación a los hogares, transformando la atención a los ancianos. El aumento de la robótica en la fabricación puede conducir a una mayor productividad.
Asistentes de IA personalizados: las empresas están aprovechando métodos avanzados de procesamiento de lenguaje natural e implementando chatbots para automatizar varios aspectos de sus operaciones de RR. HH. Y servicio al cliente. Hay un número creciente de nuevas empresas que están implementando servicios interactivos que involucran a los clientes para proporcionar recomendaciones de contenido individualizadas.
Educación: las plataformas educativas en línea proporcionan horarios de instrucción individualizados a través de métodos de aprendizaje de refuerzo y los instructores utilizan el aprendizaje automático y el procesamiento del lenguaje natural para ampliar los esfuerzos educativos distribuidos.
Imágenes satelitales y UAV: el costo cada vez menor de los satélites privados y los drones permite la generación de grandes cantidades de imágenes de las cuales las empresas obtienen información y descubren hechos sobre el medio ambiente y las sociedades de todo el mundo.
Reconocimiento y generación de voz: el veinte por ciento de las consultas de búsqueda de Google son consultas de voz y esa cifra está creciendo. El aprendizaje profundo ha transformado nuestras capacidades de voz a texto. En otros sentidos, la investigación ha ayudado a avanzar en los sistemas de traducción automática, así como a inventar nuevos sistemas para producir los sistemas de texto a voz más humanos del mercado.
Comprensión del video: si bien hay un número creciente de soluciones para el análisis de imágenes, incluidos los paquetes para proporcionar subtítulos y descripciones detalladas, se está trabajando menos para comprender el contenido del video. Como señala Geoff Hinton, “Creo que las áreas más emocionantes en los próximos cinco años serán realmente comprender videos y textos. Estaré decepcionado si dentro de cinco años no tenemos algo que pueda ver un video de YouTube y contar una historia sobre lo que sucedió “.
Seguridad: a medida que las personas adquieren más habilidades para crear agentes artificiales que pueden actuar con intenciones maliciosas, cada vez es más claro que será necesario implementar sistemas que puedan detectar este comportamiento anómalo. Dado que la cantidad de actividad es enorme, el comportamiento sospechoso se distribuye en el espacio y el tiempo, y la experiencia necesaria para analizar no está clara, existe la necesidad de desarrollar mejores métodos no supervisados que puedan aprender rápidamente patrones de actividad y mostrar comportamientos relevantes.
Seguridad pública: Stanford informa que “para 2030, [las autoridades regionales y nacionales] dependerán en gran medida de … cámaras y drones mejorados para la vigilancia, algoritmos para detectar fraudes financieros y vigilancia policial predictiva”. Todos estos dependerán en gran medida del desarrollo de Nuevos métodos y algoritmos.
Internet de las cosas: la miniaturización cada vez mayor de dispositivos y el increíble crecimiento de las redes de sensores está proporcionando una enorme riqueza de señales heterogéneas que deben analizarse para detectar patrones. Dado que no está claro qué características de estos datos son más relevantes, los métodos que pueden extraer automáticamente la estructura y proporcionar capacidad predictiva serán clave.