В четвертом выпуске дайджеста #ВобъективеИИ вы узнаете, как ученые из MIT перенесли ML-вычисления на конечные устройства, какой подход помог языковым моделям лучше справляться с BIG Bench Hard задачами, а также о роботе для борьбы с тараканами и ИИ-проектах для защиты дикой природы.
AI-focused digest – новости ИИ-сферы
Выпуск №4, 13-27 октября 2022
Musixmatch запускает платформу для поиска подкастов на основе NLP
Итальянская компания Musixmatch, известная благодаря своей одноименной платформе для поиска и обмена текстами песен, запускает еще одну — теперь для подкастов. Новый сервис сначала автоматически генерирует транскрипцию подкастов. Затем NLP-модуль размечает ключевые слова, такие как места, имена и темы, и линкует их с соответствующими статьями Википедии. Далее с помощью диаграммы тем TopicRank подкасты ранжируются на основе целого ряда факторов, таких как количество упоминаний ключевиков в эпизоде или опыт докладчиков. Так пользователи могут находить наиболее релевантные расшифрованные подкасты. При этом они могут сразу посмотреть часть транскрипции, где присутствует искомая фраза, и воспроизвести подкаст прямо с этого фрагмента. Для проверки и улучшения качества расшифровок Musixmatch полагается на помощь сообщества. На новой платформе есть инструмент Podcast Studio. Он позволяет редакторам и владельцам подкастов исправлять автоматически сгенерированную транскрипцию и с помощью ИИ создавать текстовые версии выпусков, которые еще не представлены на платформе. Подробности здесь.
В MIT разработали подход для ML-вычислений на конечных устройствах
Ученые из Массачусетского технологического института разработали метод, который дает возможность проводить ML-вычисления прямо на конечных устройствах — умных колонках, сенсорах и беспилотниках, — не отправляя данные на центральный сервер. Это, например, позволит беспилотному автомобилю принимать решения в режиме реального времени, а пользователям умных колонок общаться с голосовыми ассистентами без задержек. Технология может даже обеспечить высокоскоростную классификацию изображений на космическом корабле в миллионах километров от Земли. Новый метод заключается в том, что требующие большого объема памяти компоненты ML-моделей на центральном сервере кодируются световыми волнами. Далее волны передаются на подключенное устройство через оптоволокно, и приемник выполняет вычисления с помощью простого оптического устройства, используя части модели, доставленные этими световыми волнами. Такой подход к вычислениям имеет ряд преимуществ. Во-первых, он требует в 100 раз меньше электроэнергии в сравнении с другими методами. Во-вторых – повышает безопасность, так как данные пользователя не нужно отправлять на центральный сервер. Больше о том, как все работает, можно почитать в журнале Science и на новостном портале MIT.
Ученые из Google и Стэнфорда помогли языковым моделям с решением BIG Bench Hard задач
Google и ученые из Стэнфордского университета выяснили, может ли метод Chain-of-Thought Prompting помочь языковым моделям превзойти человека в решении BIG Bench Hard (BBH) задач. BIG Bench Hard задачи — это задачи, с которыми современные языковые модели справляются хуже, чем среднестатистический человек. Исследователи применили подход Chain-of-Thought Prompting к трем семействам языковых моделей — Codex, InstructGPT и PaLM — для решения 23 задач из разряда BBH. К ним, в частности, относятся алгоритмические и многошаговые арифметические рассуждения, понимание естественного языка, использование знаний о мире и многоязычные знания и рассуждения. Эксперименты показали, что модель PaLM способна превзойти средние показатели человека в 10 из 23 задач, а Codex (code-davinci-002) — в 17 из 23. С выводами ученых можно ознакомиться в статье Challenging BIG-Bench Tasks and Whether Chain-of-Thought Can Solve Them.
В Эдинбурге создали робота с машинным зрением для борьбы с тараканами
Исследователи из университета Хериот-Уатт (Heriot-Watt University) в Эдинбурге создали робота с машинным зрением, чтобы обнаруживать и уничтожать тараканов. Устройство оснащено двумя камерами, небольшим компьютером с ML-моделью, обученной распознавать и нацеливаться на тараканов, и лазером для их уничтожения. Также ИИ можно подготовить к «охоте» на другие виды насекомых. Утверждается, что такой метод борьбы с мелкими вредителями на промышленных объектах и в сельском хозяйстве — более дешевая и экологически безопасная альтернатива инсектицидам. В жилых помещениях ученые свое изобретение использовать не рекомендуют, так как лазер может быть опасен. Предлагаем им подумать над созданием домашней версии и оборудовать робота тапочком или еще лучше — сачком. В новости по этой ссылке — подробности.
ИИ помогает защитникам дикой природы в борьбе с браконьерами
Пока одни ученые учат искусственный интеллект бороться с тараканами, другие — применяют его для защиты дикой природы. Например, ИИ уже прослушивает леса на предмет незаконной вырубки или охоты, предсказывает изменения в популяциях рыб в зависимости от ограничений на их вылов, читает следы редких диких животных как опытные следопыты, чтобы отслеживать их передвижение и принимать меры против браконьеров. Эксперты считают, что это одна из технологий, которая позволит защитникам природы выиграть «гонку вооружений» с браконьерами и контрабандистами, чьи методы работы становятся все более изощренными и координированными. Больше о том, как ИИ служит природе, читайте в Business Insider.
