Bisakah robot menulis simfoni atau mengubah selembar kanvas menjadi mahakarya seni? Pertanyaan ini tetap terbuka. Tapi inilah yang kita ketahui dengan pasti: nanorobot medis modern mampu "mematikan oksigen" tumor, memasuki aliran darah, dan mengirimkan obat ke sel yang terkena tanpa merusak sel yang sehat. Jaringan saraf akan melampaui dokter dalam mendiagnosis banyak penyakit, dan pemeriksaan menggunakan teknologi CRISPR akan segera dapat dilakukan tanpa meninggalkan rumah Anda. Masa depan kedokteran telah tiba - kita akan mencari tahu apa yang diharapkan dari metode baru dan bagaimana hal itu akan mempengaruhi kesehatan kita.

Diagnosis: kecerdasan buatan

Keberhasilan perawatan sangat tergantung pada diagnosis yang cepat dan bebas kesalahan: untuk ini, seorang dokter perlu mengumpulkan banyak pengalaman praktis dan menyadari karya ilmiah terkini di bidangnya. Tetapi setiap bulan, banyak studi dan deskripsi baru muncul di media cetak. kasus klinis- di mana menemukan waktu untuk mempelajari semua ini? Di sini komputer datang untuk membantu orang, yang mampu memproses sejumlah besar informasi dalam hitungan detik.

Hari ini, algoritma untuk menganalisis data medis membuat perusahaan terbesar, termasuk Microsoft, IBM, dan Google. Paling sering, perkembangannya didasarkan pada berbagai bentuk kecerdasan buatan belajar mandiri, yang mampu menemukan pola dalam kumpulan data besar, misalnya, tomogram otak atau gambar neoplasma yang mencurigakan pada kulit. Algoritme semacam itu dilatih menggunakan perpustakaan dengan ribuan contoh, di mana setiap gambar diberi diagnosis oleh dokter yang berkualifikasi.

Jaringan saraf telah belajar untuk mengidentifikasi banyak penyakit seefektif manusia, dan dalam beberapa kasus mereka bahkan berhasil melampaui spesialis.

Jaringan saraf convolutional (CNN) memungkinkan Anda menganalisis banyak gambar. Ini adalah struktur dalam (berlapis) di mana setiap neuron buatan hanya menerima sebagian kecil dari output dari lapisan sebelumnya. Secara bertahap, jaringan menggeneralisasi fitur lokal, menciptakan kembali gambaran lengkap. Dengan mengkorelasikan semua data, CNN dapat mengenali berbagai detail pada gambar asli, termasuk fitur yang digunakan dokter untuk membuat diagnosis.

Teknologi CRISPR mampu tidak hanya menghilangkan penyebab penyakit, tetapi juga mendeteksi penyakit, misalnya mencari jejak DNA atau RNA agen infeksi.

Sementara protein yang terkait dengan CRISPR, Cas9 paling sering disebutkan sehubungan dengan terapi, protein lain, Cas12a dan Cas13a, biasanya menjadi "ahli diagnosa".

Pada tahun 2017, para peneliti di MIT memperkenalkan teknologi diagnostik yang disebut SHERLOCK (Specific High Sensitivity Enzymatic Reporter UnLOCKing). Ia menggunakan enzim Cas13a, yang mampu mengenali urutan RNA tertentu dan memotong untaian RNA serupa di sekitarnya, benar-benar menghancurkan objek yang mencurigakan. Seperti buku Sherlock Holmes, SHERLOCK medis mampu menciptakan gambaran lengkap peristiwa dari bukti terkecil: teknologi bekerja dengan konsentrasi atomolar (10-18 mol per liter) asam nukleat. Metode ini diuji pada lentivirus yang mengandung fragmen virus dengue dan Zika: SHERLOCK mampu mendeteksi partikel patogen dan membedakannya satu sama lain pada konsentrasi tidak lebih dari dua atomol.

Selama pengujian, ternyata reagen untuk diagnostik menggunakan SHERLOCK dapat dikeringkan dan kemudian dipulihkan, sementara sensitivitas metode tidak turun banyak. Kertas fiberglass disarankan untuk pengujian portabel. Penulis pengembangan percaya bahwa satu sistem pengujian akan menelan biaya sekitar 61 sen.

Peneliti lain juga sedang mengerjakan kit CRISPR rumah. Baru-baru ini, Jennifer Dudna, salah satu pelopor revolusi CRISPR medis, memulai penelitian di bidang ini. Timnya menciptakan metode yang disebut DETECTR (DNA endonuclease-targeted CRISPR trans reporter) menggunakan protein Cas12a. Ia menemukan urutan DNA spesifik dan memotong molekul asam nukleat reporter berlabel fluoresensi terdekat yang ditambahkan ke sampel, menghasilkan sinyal. Dengan cara ini, jejak patogen dari banyak penyakit, termasuk berbagai jenis virus influenza, dapat dideteksi.

Menurut pencipta sistem pengujian tersebut, analisis CRISPR akan memakan waktu tidak lebih dari beberapa jam, dan hasilnya dapat diperoleh melalui Internet. Namun, masih belum diketahui kapan set tersebut akan muncul di pasar terbuka.

Ini adalah ilusi: realitas virtual

Realitas virtual sering dibicarakan dalam konteks permainan komputer dan "sinema tiga dimensi", tetapi teknologinya memiliki potensi di bidang kedokteran, dan bukan di bidang yang paling mencolok. Misalnya, VR efektif digunakan sebagai pereda nyeri.

Di Unit Luka Bakar di Rumah Sakit Universitas Loyola di Illinois, pendekatan inidimulai diterapkan sepuluh tahun yang lalu: selama prosedur yang menyakitkan, pasien rumah sakit memainkan simulatorDunia Salju.

Aksi berlangsung dengan latar belakang lanskap utara semi-fantastis dengan banyak salju dan sungai beku, tugas pahlawan adalah bermain bola salju dengan beruang kutub, penguin, dan manusia salju. Untuk menyelesaikan semua level, pasien tanpa sadar berfokus pada teka-teki dan dialihkan dari sensasi fisik. Hasil pemindaian otak MRI menunjukkan bahwa SnowWorld benar-benar mengurangi persepsi rasa sakit, sehingga pasien membutuhkan lebih sedikit obat penghilang rasa sakit yang kuat yang dapat membahayakan tubuh.

VR menggantikan atau melengkapi penghilang rasa sakit di banyak bidang kedokteran. Teknologi ini digunakan untuk menghilangkan rasa sakit saat melahirkan dan prosedur gigi. Sifat penghilang rasa sakit dari realitas virtual sangat relevan mengingat "krisis opioid" di Amerika Serikat - ini terkait dengan semakin populernya resep penghilang rasa sakit (misalnya, OxyContin dan Vicodin) dalam beberapa dekade terakhir.

VR bekerja tidak hanya untuk rasa sakit fisik: ia juga dapat mengatasi trauma psikologis. Eksperimen pertama terjadi pada akhir 1990-an, ketika psikolog Barbara Rothbaum berhasil meringankan gejala PTSD di veteran Vietnam menggunakan model virtual kokpit helikopter dan tempat terbuka di hutan Asia. Teknik ini melengkapi terapi pemaparan - sebuah "pendekatan" bertahap untuk ingatan traumatis, yang coba dihindari oleh pikiran pasien. Skema serupa bekerja untuk pengobatan gangguan kecemasan dan fobia menggunakan realitas virtual. Teknologi ini membantu mengatasi aerofobia dan ketakutan berbicara di depan umum: lingkungan yang disimulasikan memungkinkan untuk berulang kali "melatih" situasi yang menakutkan.

Kerugian dari terapi VR adalah biaya peralatan yang relatif tinggi dan potensi intoleransi fisiologis terhadap realitas virtual.

Beberapa peserta dalam uji coba pengobatan baru telah mengalami mual VR (virtual reality sickness), yang memiliki gejala yang sama dengan mabuk perjalanan atau mabuk perjalanan. Menurut hipotesis populer, kedua gangguan tersebut timbul dari gangguan fungsi reseptor aparatus vestibular atau konflik antara sinyal yang berasal dari aparatus vestibular dan organ penglihatan.

Pengembang telah membuat beberapa metode yang dapat mengurangi mual VR. Misalnya, objek stasioner dapat ditempatkan di layar, yang mata pengguna akan terus-menerus diperbaiki. Penulis teknologi Nasum Virtualis mengusulkan untuk menggunakan gambar virtual hidung yang terletak di tengah layar sebagai titik referensi. Mata pemain menganggapnya sebagai hidungnya sendiri, sehingga rasa mual dan pusing berkurang.

Tes Turing pada dasarnya adalah tes yang menjawab pertanyaan "bisakah mesin berpikir?" Artinya, itu adalah serangkaian tes yang hanya dapat dilalui oleh seseorang atau kecerdasan buatan yang sempurna yang mampu berpikir dengan cara yang sama. Inilah yang kami tawarkan untuk dilakukan dalam permainan - untuk membuktikan bahwa Anda adalah Homo sapiens. Menurut pendapat saya, ini adalah masalah prinsip!

Mereka yang menyukai teka-teki Prinsip dan Portal Talos pasti akan menghargai dan Tes Turing. Game-game ini memang memiliki banyak kesamaan. Kita bahkan dapat mengatakan bahwa mereka membentuk subgenre terpisah, tepatnya berasal dari Portal.

Passing adalah serangkaian tes logis yang harus diselesaikan secara berurutan. Dasar dari mekanisme permainan di Tes turing membuat bola energi yang perlu dimasukkan ke dalam sel khusus untuk membuka pintu, memulai mekanisme, dan sebagainya. Satu-satunya alat yang membantu dalam hal ini adalah semacam senjata magnet, yang mampu menyerap bola-bola ini dan menembaknya di tempat yang tepat.

Ada lebih dari 70 tes secara total, tetapi banyak dari mereka berjalan dalam hitungan detik. Oleh karena itu, bagian sepenuhnya tidak memakan banyak waktu. Secara umum, ada beberapa rintangan sulit dalam permainan, pada dasarnya Anda melewati hampir saat bepergian. Teka-teki mungkin tampak terlalu sederhana bagi sebagian orang, tetapi keseimbangan kompleksitasnya cocok untuk saya. Sebaliknya, saya tidak suka "tumpul" untuk waktu yang lama dalam permainan seperti itu.

Ide umumnya juga mirip dengan game yang menginspirasi para pengembang. Penalaran filosofis dan etis tentang kecerdasan, tentang perbedaan antara manusia dan mesin.

Adapun plotnya sendiri: karakter utama menemukan dirinya berada di stasiun luar angkasa di permukaan Europa yang tertutup salju, bulan Jupiter. Personil pangkalan menghilang, dan kecerdasan buatan mengendalikan segalanya, yang memenuhi pahlawan wanita. Dia harus lulus Tes Turing ini dan mencari tahu apa yang terjadi pada orang-orang. Ceritanya cukup menarik, tetapi disajikan dalam butiran kecil (beberapa baris komputer di awal setiap level) sehingga Anda tidak menyadarinya di hampir seluruh permainan dan hanya memperhatikan lebih dekat ke akhir.

Perkembangan elemen sistem kecerdasan buatan secara aktif berkembang dan menjadi tren saat ini, dan bot pintar tidak hanya ditulis oleh orang yang malas sekarang. Itulah sebabnya kami mewawancarai Dmitry shwars Soshnikov, salah satu pakar AI terbaik di negara ini. Dia adalah penginjil teknologi Microsoft, penulis buku, artikel dan tutorial, serta koordinator program guru dan siswa, ahli dalam pemrograman fungsional, jaringan saraf dan kecerdasan buatan.

- Dmitry, tolong beri tahu kami beberapa kata tentang diri Anda dan pekerjaan Anda.

Dmitry Soshnikov: Sebagai penginjil Microsoft, saya mempromosikan dan mengimplementasikan paling banyak teknologi modern perusahaan, sekarang terutama teknologi yang terkait dengan kecerdasan buatan. Ini termasuk berbicara di konferensi, bekerja dengan siswa dan guru, startup, terkadang berpartisipasi dalam hackfests, dan prototipe sistem pemrograman dengan pengembang dari berbagai perusahaan. Saya juga mempopulerkan pemrograman fungsional dan bahasa F#, mengajar di MIPT, HSE dan MAI, mengembangkan kursus online untuk MVA dan Coursera.

Menurut pendapat saya, jaringan saraf dan kecerdasan buatan secara umum adalah bidang yang sangat menarik, perkembangan pesat yang dalam beberapa tahun terakhir telah memungkinkan untuk memecahkan sejumlah masalah yang sebelumnya tidak memiliki solusi, seperti penentuan usia seseorang secara otomatis. dari fotonya. Dan masa depan memiliki lebih banyak peluang menarik bagi kita.

Jaringan saraf - mode atau alat?

- Apa sebenarnya yang mendorong perkembangan aktif teknologi jaringan saraf akhir-akhir ini?

Dmitry Soshnikov: Beberapa faktor telah berhasil ditumpangkan di sini pada saat yang bersamaan.
Pertama, ada daya komputasi yang tersedia. Selain itu, justru layanan awan, karena alih-alih berinvestasi dalam infrastruktur untuk merender jaringan saraf, Anda sekarang dapat menyewanya hanya selama durasi perhitungan, kemudian menolak untuk menyewa. Selain itu, mereka mulai menggunakan prosesor grafis, yang awalnya dirancang untuk komputer grafis. Ternyata mereka sangat cocok untuk tugas kecerdasan buatan.

Kedua, berkat Internet, sejumlah besar data mulai menumpuk di banyak area. Pertimbangkan, misalnya, masalah yang disebutkan sebelumnya dalam mengenali usia seseorang dari sebuah foto. Untuk mendidik jaringan syaraf untuk menyelesaikannya, diperlukan beberapa ratus ribu contoh. Sekarang Anda dapat mengambil apa saja jaringan sosial di mana orang memposting foto dan data akun (usia) mereka sendiri - dan kami segera menerima data untuk pelatihan.
Ketiga, tentu saja, beberapa penelitian menarik telah muncul, termasuk arsitektur jaringan saraf baru yang memungkinkan pemecahan masalah yang ada. Tetapi poin ini mungkin merupakan konsekuensi dari dua yang pertama. Ketika sumber daya dan teknologi tersedia, secara alami, wilayah tersebut mulai aktif berkembang.

Sejumlah besar alat telah muncul di sini yang memungkinkan jaringan saraf ini diterapkan. Jika sebelumnya untuk memecahkan masalah kecerdasan buatan, perlu memiliki banyak pengetahuan, banyak pemrograman, sekarang tersedia layanan yang dapat diambil dan digunakan.

Topik kecerdasan buatan sangat populer saat ini. Seberapa pantas popularitas ini? Apakah teknologinya benar-benar mengesankan, atau apakah itu kontribusi mode? Dan bukankah "mode" ini berbahaya bagi perkembangan?

Dmitry Soshnikov: Di bidang AI, benar-benar ada kesuksesan besar, yang banyak ditulis, oleh karena itu frasa "kecerdasan buatan" ada di telinga. Berkat ini, pengembang baru muncul - seseorang pergi dan mempelajari area baru untuk diri mereka sendiri, mis. semakin banyak orang yang memahami bidang ini. Di sisi lain, orang lebih memperhatikan tugas-tugas di mana teknologi kecerdasan buatan dapat diterapkan. Dari sudut pandang ini, semua ini, pada prinsipnya, bagus, karena kami memiliki kesempatan untuk mengotomatisasi beberapa area yang sebelumnya tidak dapat kami otomatisasi.

Misalnya, kita dapat memecahkan masalah penerimaan pesanan di jendela MacAuto. Mereka selalu berusaha untuk mengurangi biaya pemecahan masalah seperti itu. Misalnya, di Amerika Serikat, pada awalnya seorang Amerika duduk di sana, kemudian ada upaya untuk mengalihdayakannya dengan mentransfer suara ke negara dengan tenaga kerja murah (di mana, sekali lagi, seseorang duduk dan mendekripsi). Dan sekarang komputer bisa melakukannya.

Apakah pelaku pasar memiliki ekspektasi yang tinggi? Apakah ada prediksi yang menurut Anda pasti tidak akan terwujud dalam waktu dekat?

Dmitry Soshnikov: Tentu saja memiliki. Pertama, bidang kecerdasan buatan agak romantis. Ada banyak film - seperti The Matrix atau The Terminator - di mana robot memberontak dan mengambil kendali. Oleh karena itu, ada sejumlah orang yang berharap bahwa 5 tahun lagi akan berlalu dan komputer akan mengambil alih dunia. Harapan-harapan tersebut rupanya masih jauh dari kenyataan. Saat ini, solusi dari beberapa kelas masalah yang terkait dengan pengenalan pola, pengenalan suara, dan pembelajaran mesin sedang diotomatisasi dengan sangat baik. Tetapi sebelum memahami bagaimana pemikiran seseorang secara umum diatur, masih perlu melangkah cukup jauh. Oleh karena itu, sebelum penciptaan kecerdasan buatan seperti itu, yang akan berpikir seperti seseorang, beroperasi dengan akumulasi pengetahuan, masih perlu banyak bekerja. Masih belum begitu jelas bagaimana melakukan ini.

- Dan bagaimana dengan ekspektasi dalam hal investasi keuangan, dan bukan perwujudan skenario fiksi ilmiah?

Dmitry Soshnikov: Bagi saya tampaknya untuk percakapan seperti itu Anda perlu memecah topik kecerdasan buatan menjadi komponen-komponen terpisah, karena ini adalah area yang sangat luas.

Jika kita mempertimbangkan visi komputer, maka sudah ada keberhasilan luar biasa yang sekarang diperkenalkan ke dalam bisnis, meningkatkan efisiensinya dan membawa manfaat ekonomi. Visi komputer sudah mengenali gambar lebih baik dari manusia, belum lagi harganya jauh lebih murah.

Di bidang lain, seperti pemahaman bahasa alami dan kemampuan untuk bernalar tentang topik yang sewenang-wenang, kemajuan sejauh ini lebih sederhana.

- Apakah ada faktor-faktor yang menurut Anda menghambat perkembangan industri?

Dmitry Soshnikov: Sejujurnya, saya tidak melihat faktor yang jelas. Saya pikir ini adalah area dengan pertumbuhan tercepat saat ini.
Namun demikian, saya ingin mencatat bahwa kecerdasan buatan adalah bidang yang masih memerlukan beberapa kualifikasi. Bekerja ke arah ini sedikit lebih sulit daripada hanya belajar memprogram. Pria lulus dari sekolah dan tidak menerima pendidikan yang lebih tinggi mungkin bisa mulai bekerja dengan sukses di bidang pengembangan standar. Dengan kecerdasan buatan, bar masuk lebih tinggi, meskipun secara bertahap menurun, termasuk melalui upaya para peserta dalam industri ini. Secara khusus, salah satu hal yang sedang dikerjakan Microsoft adalah apa yang disebut demokratisasi kecerdasan buatan. Ini dipahami sebagai transformasi teknologi menjadi teknologi yang dapat diakses oleh segmen konsumen seluas mungkin.

Dalam praktiknya, tidak hanya Microsoft, tetapi juga banyak perusahaan lain yang bekerja ke arah ini, menyediakan, misalnya, alat untuk menyelesaikan tugas intelektual dan kognitif dalam bentuk layanan yang sudah jadi. Misalnya, layanan untuk menentukan jenis kelamin, usia, dan suasana hati seseorang dari sebuah foto, Anda cukup menelepon mereka dan mendapatkan hasilnya. Hal yang sama berlaku untuk terjemahan mesin, dll. Sebagai bagian dari laporan di DotNext 2017, kami akan membicarakan hal ini: bagaimana Anda bisa, tanpa benar-benar memahami cara kerjanya, hanya menggunakan hasilnya.

A.NET bisa?

- Mari kita bicara tentang tempat platform .NET di segmen kecerdasan buatan. Sejauh mana secara umum cocok untuk memecahkan masalah seperti itu? Apakah ada fitur yang membantu atau, sebaliknya, mengganggu bekerja dengan jaringan saraf?

Dmitry Soshnikov: Metode AI dapat diimplementasikan pada teknologi apa pun. Namun demikian, ada beberapa ekosistem yang mapan di sekitar tugas serupa. Misalnya, Python dan R dan pustaka yang menyertainya sangat populer di kalangan ilmuwan data. Itu. sudah ada banyak perkembangan komunitas di sini. Dari sudut pandang perkembangan tersebut, tentu saja .NET sedikit tertinggal, begitu juga dengan platform sejenis lainnya. Namun demikian, .NET sudah memiliki seperangkat alat tertentu, yang hanya akan saya bicarakan dalam pembicaraan saya.

Secara umum, platform sekarang dalam arti terintegrasi, termasuk satu sama lain. Bahasa R yang sama terintegrasi dengan sangat baik dengan F #, yang asli untuk platform .NET. Oleh karena itu, jika kita perlu menggunakan beberapa jenis alat pembelajaran mesin, kita dapat menggunakan rantai seperti itu, menggunakan kemampuan dan pustaka bahasa R. Ini akan cukup transparan dan mudah dilakukan.

Secara umum, jika kita berbicara secara khusus tentang jaringan saraf, Microsoft memiliki Perangkat Kognitif yang memungkinkan Anda untuk melatih jaringan saraf. Dan karena awalnya dibangun di ekosistem Microsoft, ia bekerja sangat baik dengan .NET.

- Alat ini entah bagaimana menonjol dengan latar belakang analog dari produsen lain?

Dmitry Soshnikov: Pada dasarnya, Cognitive Toolkit adalah mitra Microsoft untuk TensorFlow, Caffe, dll.

Semuanya pada prinsipnya sangat mirip secara ideologis. Tetapi Microsoft Cognitive Toolkit adalah yang pertama mendukung lingkungan belajar yang sangat terdistribusi, ketika Anda dapat melatih jaringan saraf tidak hanya pada satu GPU, tetapi pada beberapa GPU atau bahkan beberapa stasiun grafis. Itu. Anda dapat membuat peternakan pelatihan jaringan saraf.

Sejauh yang saya tahu, Cognitive Toolkit mengalahkan kerangka kerja lain dalam hal kecepatan belajar. Selain itu sangat nyaman digunakan. Sebagian besar kerangka kerja entah bagaimana terkait dengan bahasa Python, dan Cognitive Toolkit awalnya mengambil jalur yang sedikit berbeda. Di dalamnya, awalnya mungkin untuk menggambarkan arsitektur jaringan saraf dalam bahasa khusus, dan kemudian melatihnya tanpa membangun model apa pun dengan Python. Itu sedikit lebih mudah. Toolkit Kognitif sekarang mendukung keduanya, yaitu. cukup fleksibel.

- Mungkin, ada saat-saat di mana Cognitive Toolkit kalah dari analog?

Dmitry Soshnikov: Secara umum, kerangka kerja tersebut adalah alat tingkat rendah di atas jaringan saraf sewenang-wenang yang dapat dilatih. Seperti rekan-rekannya, Cognitive Toolkit mempertahankan tingkat dasar di mana Anda dapat membangun arsitektur jaringan dengan kompleksitas yang berubah-ubah. Oleh karena itu, kisaran tugas yang diselesaikan oleh berbagai alat kira-kira sama.

Pilihan kerangka kerja sangat ditentukan oleh beberapa preferensi pribadi, ketersediaan bahan referensi. Dan di sini kerangka kerja Microsoft sedikit tertinggal, karena muncul sedikit kemudian, jadi tidak ada hal seperti itu jumlah yang besar bahan, khususnya kursus online... Tetapi situasinya, tentu saja, berangsur-angsur turun.

Bersama dengan Institut Fisika dan Teknologi Moskow, kami berencana untuk merilis kursus online yang didedikasikan untuk tugas-tugas yang terkait dengan penggunaan kecerdasan buatan dalam praktik. Dan beberapa informasi di Cognitive Toolkit juga akan ada di sana.

Waktu dekat

- Apakah sekarang mungkin untuk memprediksi ke arah mana perkembangan segmen kecerdasan buatan akan pergi?

Dmitry Soshnikov: Mungkin, terlalu dini untuk membuat perkiraan sepenuhnya, karena pada 2011-2012 perkembangan teknologi yang sangat pesat dimulai. Sejak itu, metode pengenalan telah meningkat, arsitektur jaringan saraf telah meningkat, mis. akurasi pemecahan masalah meningkat.

Masih banyak masalah yang belum terselesaikan di segmen ini. Tugas pengenalan gambar dan suara sudah cukup diselesaikan level tinggi... Selanjutnya, mungkin hal yang paling menarik adalah mencoba mengekstrak beberapa makna dari teks. Di sini juga, ada keberhasilan yang cukup menakjubkan. Misalnya, Anda dapat melatih jaringan saraf berdasarkan fragmen percakapan dari film dan mendapatkan robot yang entah bagaimana dapat mempertahankan dialog. Tetapi pada saat yang sama, tidak akan banyak yang berarti dalam dialog. Bagaimana menerjemahkan pengetahuan menjadi makna, bagaimana menggabungkan representasi implisit pengetahuan dalam jaringan saraf dengan penalaran simbolik masih belum jelas. Ini adalah garis penelitian yang akan dilakukan para ilmuwan.

Adapun alat, mereka sedang aktif berkembang sekarang. Dalam arti tertentu, pembuat alat mencoba untuk mengikuti prestasi ilmiah di daerah yang relevan. Arsitektur jaringan baru muncul - dukungannya muncul di alat, mis. fungsi ini berkembang sepanjang waktu.

Seperti yang saya katakan sebelumnya, dari sudut pandang pengembang, ada kecenderungan nyata untuk mendemokratisasikan kecerdasan buatan, termasuk alat. Selain Microsoft Cognitive Toolkit yang saya sebutkan, ada alat Pembelajaran Mesin Azure yang menarik yang memungkinkan Anda menerapkannya ke data nyata tanpa pemahaman mendalam tentang implementasi semua algoritme pembelajaran mesin dan melihat apakah Anda dapat mengidentifikasi pola apa pun dan menggunakannya lebih lanjut dalam produk Anda. Alat ini juga berkembang cukup intensif - metode dan algoritma baru sedang dimasukkan di sana.

Secara umum, teknologi menjadi lebih dan lebih mudah diakses. Hal-hal kompleks disederhanakan sehingga dapat digunakan dalam serangkaian proyek seluas mungkin.
Poin lain yang ingin saya sebutkan adalah eksperimen pertama di cloud menggunakan solusi perangkat keras yang lebih efisien yang menerapkan algoritme kecerdasan buatan. Kami tidak akan membicarakan hal ini di Dotnext, tetapi topik tersebut telah dibahas secara rinci pada konferensi Microsoft Ignite. Di cloud, Microsoft berencana untuk menawarkan tidak hanya sumber daya komputasi klasik, tetapi juga sirkuit terintegrasi logika yang dapat diprogram: FPGA atau FPGA. Untuk menyederhanakan, ini adalah sirkuit mikro yang dapat di-flash untuk melakukan operasi logika, dan yang akan melakukan operasi ini dengan sangat cepat. Dengan skema seperti itu, kita dapat menghitung jaringan saraf lebih cepat. Selama percobaan, prosesor "di-flash" untuk terjemahan dari bahasa ke bahasa, sebagai hasilnya, novel "War and Peace" diterjemahkan dari bahasa ke bahasa dalam 2 detik. Jika kita mengambil semua banyak prosesor seperti yang dimiliki Microsoft di cloud, maka Wikipedia dapat diterjemahkan dari satu bahasa ke bahasa lain dalam waktu sementara seseorang mengedipkan mata.

Dmitry akan memberikan informasi yang lebih praktis tentang penggunaan jaringan saraf dan teknologi kecerdasan buatan dalam proyek nyata (termasuk di .NET) dalam ceramahnya di DotNext 2017 Piter ("Kecerdasan buatan yang dapat diakses di platform .NET: dari chatbots dan layanan kognitif hingga deep jaringan saraf ").

Tag: Tambahkan Tag