2020 年 AI 和機器學習的重要趨勢是什麼 ?

簡介:在競爭日益激烈的技術市場中,從高科技初創公司到全球跨國公司都將人工智能視爲關鍵競爭優點。可是,人工智能行業發展如此之快,以致於很難跟蹤最新的研究突破和成就,甚至很難應用科學成果來實現業務成果。在 2020 年爲了幫助業務制定強大的 AI 策略,本文總結了不一樣研究領域的最新趨勢,包括天然語言處理,對話式 AI,計算機視覺和強化學習。算法

原文連接:點擊這裏

4.png

在競爭日益激烈的技術市場中,從高科技初創公司到全球跨國公司都將人工智能視爲關鍵競爭優點。安全

可是,人工智能行業發展如此之快,以致於很難跟蹤最新的研究突破和成就,甚至很難應用科學成果來實現業務成果。在 2020 年爲了幫助業務制定強大的 AI 策略,本文總結了不一樣研究領域的最新趨勢,包括天然語言處理,對話式 AI,計算機視覺和強化學習。網絡

天然語言處理

在 2018 年,通過預訓練的語言模型突破了天然語言理解和生成的極限。這些也主導了去年天然語言處理的進展。機器學習

若是是 NLP 開發的新手,那麼通過預先訓練的語言模型可使 NLP 的實際應用大大便捷,更快,更容易,由於它們容許在一個大型數據集上進行 NLP 模型的預先訓練,而後快速對其進行微調以適應其餘 NLP 任務。性能

來自優秀研究機構和科技公司的團隊探索了使比較先進的語言模型更加複雜的方法。計算能力的大幅度提升推進了許多改進,可是許多研究小組還發現了更精巧的方法來減輕模型並保持高性能。學習

目前的研究趨勢以下:優化

  • 新的 NLP 範例是"預訓練+微調"。
    在過去的兩年中,轉移學習主導了 NLP 研究。ULMFiT,CoVe,ELMo,OpenAI GPT,BERT,OpenAI GPT-2,XLNet,RoBERTa,ALBERT –這是最近介紹的重要的預訓練語言模型的詳盡列表。儘管轉移學習無疑將 NLP 推向了新的高度,但因爲要求大量的計算成本和龐大的帶註釋數據集因此它常常會受到批評。
  • 語言學和知識可能會提升 NLP 模型的性能。
    專家認爲,語言學能夠經過改善數據驅動方法的可解釋性來促進深度學習。利用上下文和人類知識能夠進一步提升 NLP 系統的性能。
  • 神經機器翻譯展現了可見的進步。
    同步機器翻譯已經能夠在現實世界中應用。最近的研究旨在突破經過優化神經網絡體系結構,利用視覺上下文以及爲無監督和半監督機器翻譯引入新穎的方法來進一步提升翻譯質量。

對話式 AI

會話式 AI 已成爲跨行業業務實踐的組成部分。愈來愈多的公司正在利用聊天機器人爲客戶服務,爲銷售和營銷帶來的優點。人工智能

即便聊天機器人已成爲領先企業的"必備"資產,但其性能仍然與人類相去甚遠。來自主要研究機構和技術領導者的研究人員已經探索了提升對話系統性能的方法:spa

  • 對話系統正在改進跟蹤對話的長期性。
    去年發表的許多研究論文的目標是,經過更好地利用對話歷史和上下文,提升系統理解對話過程當中引入的複雜關係的能力。
  • 許多研究團隊正在解決機器生成響應的多樣性。
    當前,現實世界中的聊天機器人一般會產生無聊且重複的響應。去年,引入了幾篇優秀的研究 論文,旨在產生多樣化而又相關的迴應。
  • 情感識別被視爲開放域聊天機器人的重要功能。
    所以,研究人員正在研究將同理心歸入對話系統的優秀方法。該研究領域的成就仍然很小,可是在情感識別方面的巨大進步能夠顯着提升社交機器人的性能和受歡迎程度,而且還能夠增長聊天機器人在心理治療中的使用。

計算機視覺

在過去的幾年中,計算機視覺(CV)系統經過在醫療保健,安全,運輸,零售,銀行,農業等領域的成功應用,完全改變了整個行業和業務功能。翻譯

最近引入的體系結構和方法(例如 EfficientNet 和 SinGAN)進一步提升了視覺系統的感知能力和生成能力。

如下是計算機視覺中流行的研究主題:

  • 3D 目前是 CV 領域的領先研究領域之一。
    今年,咱們看到了幾篇有趣的研究論文,旨在從 2D 投影重建 3D 世界。Google 研究小組採用了一種新穎的方法來生成整個天然場景的深度圖。Facebook AI 團隊提出了一種有趣的點雲 3D 對象檢測解決方案。
  • 無監督學習方法的普及正在增加。
    例如,斯坦福大學的一個研究小組介紹了一種有前途的局部聚合方法,能夠在無監督學習的狀況下進行對象檢測和識別。在另外一篇出色的論文中,該論文得到了 ICCV 2019 優秀論文獎的提名,該論文采用無監督學習來計算 3D 形狀之間的對應關係。
  • 計算機視覺研究已與 NLP 成功結合。
    最新的研究進展使天然語言中的兩個圖像之間具備強大的更改字幕, 3D 環境中的視覺語言導航以及學習分層視覺語言表示的能力,從而能夠更好地檢索圖像字幕和視覺基礎。

強化學習

強化學習(RL)對於業務應用程序而言,其價值仍然比有監督的學習甚至無監督的學習低。它僅在可生成大量模擬數據的區域(例如機器人技術和遊戲)中成功應用。

可是,許多專家認爲 RL 是通向人工智能(AGI)或真正智能的有前途的途徑。所以,來自優秀機構和技術領導者的研究團隊正在尋找使 RL 算法更加高效和穩定的方法。強化學習中的熱門研究主題包括:

  • 多主體強化學習(MARL)正在迅速發展。
    OpenAI 團隊最近展現了模擬捉迷藏環境中的代理如何創建研究人員不知道其環境支持的策略。另外一篇出色的論文在 ICML 2019 上得到了榮譽獎,以調查若是有相應的動機,多個代理如何相互影響。
  • 非政策評估和非政策學習對於將來的RL應用很是重要。
    該研究領域的最新突破包括在多種約束下用於處理策略學習的新解決方案,將參數模型和非參數模型相結合以及引入了一類新的非策略算法來迫使代理人採起接近策略的方式。
  • 勘探是能夠取得重大進展的領域。
    在 ICML 2019 上發表的論文介紹了具備分佈 RL,最大熵探索和安全條件的新型有效探索方法,以應對強化學習中的橋樑效應。

這是有關 NLP,對話式 AI,計算機視覺和強化學習等比較受歡迎的子主題---新 AI 和機器學習研究趨勢的概述 ,其中不少都對對業務都有影響。

預計 2020 年應用人工智能領域將有更多突破,這些突破將基於 2019 年在機器學習方面取得的顯着技術進步。

image.png

相關文章
相關標籤/搜索