Dado el interés en todo lo relacionado con IA y ML, es difícil pasar desapercibido en estos días. Dicho esto, sugeriría que algunos de los trabajos prácticos en la aplicación de problemas prácticos de redes neuronales profundas (DNN) específicos pero bastante simples.
En este punto, todo el mundo sabe que los DNN juegan Go, clasifican imágenes, proporcionan subtítulos de texto a las imágenes (aunque no está claro si estos subtítulos se aprenden principalmente como una tabla de búsqueda) y contribuyen a la visión de los autos sin conductor. Muchos de ustedes también han visto bots de chat con tecnología DNN. Estas son tareas que no serían posibles sin DNN, o al menos presentan un avance significativo en la resolución de problemas de IA complicados y aparentemente intratables.
Sin embargo, lo que es menos conocido es que estas mismas técnicas se aplican silenciosamente a problemas de productos conocidos y de larga data, especialmente por las mismas compañías tecnológicas que desarrollan las tecnologías con el factor sorpresa mencionado anteriormente.
Por ejemplo, con mucho menos fanfarria que la división Go de su división DeepMind, Google ha estado transformando su equipo de búsqueda, su producto más importante, para usar más sistemas basados en DNN. La IA está transformando la búsqueda de Google. El resto de la web es el siguiente
Si uno lee este artículo detenidamente, no se trata de una reordenación menor de los resultados de búsqueda, sino un rediseño del algoritmo de Búsqueda de Google desde cero, basado en representaciones continuas de palabras y frases (es decir, vectores de palabras como word2vec ¿Cómo funciona word2vec? ¿Puede alguien recorrer un ejemplo específico?) en lugar de la reescritura de consultas derivadas, sinónimos y otras consultas basadas en heurística que sirvieron tan bien a la Búsqueda de Google desde fines de la década de 1990.
En cuanto a la propia división DeepMind, además del motor Go, el equipo también ha utilizado DNN para lograr una “reducción del 40 por ciento” en los costos de energía del centro de datos, según un artículo de Verge, junto con el partido Go. Google usa DeepMind AI para reducir las facturas de energía del centro de datos
Esto es solo Google, y estos ejemplos se basan solo en lo que desean decir públicamente. Estoy seguro de que compañías como Facebook también están aplicando DNN a varias tareas importantes de ML que se pueden resolver sin DNN y, en algunos casos, obteniendo resultados impresionantes. El director de investigación aplicada de ML de Facebook sugirió lo mismo en un reciente chat de Quora. https://www.quora.com/session/Jo …
Por último, para algo fuera de las especialidades tecnológicas, la aplicación Prisma está transformando los filtros fotográficos artísticos, al permitir que uno agregue un estilo artístico bien conocido a una foto en el móvil en segundos. La imagen producida no es perfectamente nítida, y la tecnología aún no puede ejecutarse en el teléfono, debe aplicarse en un servidor Prisma remoto. Pero seguramente esto pronto se mejorará. Prisma
Es probable que la tecnología de Prisma sea una buena interfaz de usuario y una capa delgada sobre un conocido proyecto de código abierto que aprovecha los DNN para transferir el estilo de una colección de “imágenes de estilo” a una foto. Esto se hace en unos pocos cientos de líneas de código Torch. jcjohnson / estilo neural
Esta misma tecnología también se puede aplicar para la transferencia de estilo a videos cortos con cambios mínimos. También hay un código de código abierto público en GitHub para eso. manuelruder / artistico-videos
Mi conclusión es que muy pronto y tal vez ahora, será fácil aplicar el diseño correcto de DNN a una amplia gama de problemas de ML difíciles y conocidos. Esto lo harán principalmente las grandes empresas tecnológicas, pero también se probará en una gama más amplia de problemas, como la orientación para la publicidad en línea, la detección de fraudes con tarjetas de crédito y similares. Encontrar el DNN correcto para tales problemas de trabajo no requiere un conocimiento previo tremendo, como la matemática detrás del trabajo de DNN. Todo lo que se necesita es una comprensión básica de cómo programar diferentes DNN, y una comprensión algo más profunda del problema subyacente específico que uno pretende resolver. La mejor solución de DNN no siempre funcionará mejor que los métodos de vanguardia anteriores y, a menudo, al principio tendrá deficiencias como velocidad, escala o la necesidad de integrar código de producción en lenguajes de programación desconocidos. Pero a medida que muchas personas prueben estos enfoques de DNN, habrá muchas victorias. Estas victorias están sucediendo ahora, y aunque son menos inspiradoras y, por lo tanto, reciben menos atención de los medios que los sistemas que resuelven Go, que conducen automóviles autónomos y que nos acercan más a la IA general, estos DNN específicos del problema podrían terminar teniendo un Mayor impacto económico.
Nada de esto es para sugerir que la investigación de problemas difíciles de IA y hacia la IA general no es importante. Uno puede considerar Internet alrededor de 1994–2000. El comercio basado en Internet era la promesa que cualquiera podía ver, pero que se mantuvo pequeña como parte del comercio general durante la década de 1990. Mientras tanto, las tiendas físicas como Walmart mejoraron significativamente sus operaciones comerciales a través de la gestión de inventario basada en la tecnología y la predicción de la demanda, que fue posible gracias a la pronta adopción de Internet. Ahora tenemos un amplio comercio en Internet, y eventualmente podríamos tener una IA general fuerte. Pero mientras tanto…
