Спецпроекты

Три технологии ИИ 2020 года, которые определят будущее отрасли

AI

Технологии искусственного интеллекта активно развиваются во всем мире. Машинное обучение и нейронные сети находят новые сферы применения. Каждый год появляются многообещающие кейсы и решения. Расскажем о трех из них, которые стали явным трендом 2020 г., хотя появились немного раньше.

Генеративный ИИ

Последние достижения в области искусственного интеллекта позволили многим компаниям разработать алгоритмы и инструменты для автоматического создания искусственных 3D и 2D изображений. Такой генеративный («творческий») ИИ позволяет компьютерам создавать тексты, аудиофайлы, изображения и другой контент. В одном из обзоров журнала MIT Technology, который издается Массачусетским технологическим институтом, генеративный ИИ назван одним из самых многообещающих достижений в мире искусственного интеллекта за последнее десятилетие. По мнению специалистов, его уже можно использовать в следующем поколении приложений для автоматического программирования, разработки контента, создания образцов изобразительного искусства и другой творческой, дизайнерской и инженерной деятельности. Например, NVIDIA разработала программное обеспечение, которое может создавать фотореалистичные лица, имея в распоряжении лишь несколько фотографий реальных людей. Генеративный искусственный интеллект также может помочь в здравоохранении, создавая протезы, органические молекулы и другие предметы с нуля при активации с помощью 3D-печати, CRISPR и других технологий.

Федеративное машинное обучение

Данный подход предполагает распределение работы искусственного интеллекта. Вместо централизованного сбора и хранения информации в одном месте, для последующей работы с новыми алгоритмами, процесс обучения происходит непосредственно на удаленных точках (пользовательских устройствах или локальных серверах). Такой подход, в первую очередь избавляет от необходимости перемещать большие объемы данных на центральный сервер для задач машинного обучения и соответственно снимает острый вопрос конфиденциальности данных. Последний фактор важен, например, для медицинских организаций. Компания Intel недавно объединилась с Медицинской школой Университета Пенсильвании для развертывания сети федеративного обучения в 29 международных медицинских и исследовательских учреждениях. Целью проекта является повышение эффективности диагностики при выявлении опухолей головного мозга. Команда исследователей опубликовала свои выводы о федеративном обучении и его использовании в здравоохранении, представив их на конференции Supercomputing 2020. Согласно опубликованным данным, благодаря методу федеративного машинного обучения удалось достичь 99% точности в процессе идентификации опухолей.

«Фактически, федеративное машинное обучение — возможность владельцам данных делиться ими, соблюдая конфиденциальность. Этот механизм будет востребован, например, страховыми компаниями в рамках процессов урегулирования убытков, когда важно досконально выявить все взаимосвязи между участниками ДТП. SAS сталкивался с тем, что один и тот же мошенник получал возмещение ущерба за одно и то же ДТП из разных страховых компаний. И происходило это, потому что у страховых компаний нет возможности корректно и без ущерба обмениваться необходимой информацией о клиентах», — комментирует Александр Тихонов, генеральный директор SAS Россия/СНГ.

Нейросетевое сжатие данных

Ключевым недостатком любой нейронной сети является то, что она требует больших вычислительных ресурсов и памяти, что затрудняет развертывание во встроенных системах с ограниченными аппаратными ресурсами. Решить эту проблему призвана технология нейросетевого сжатия данных, для которого используются такие методы как: сокращение и совместное использование параметров, квантование, факторизация низкого ранга, переносимые или компактные свёрточные фильтры.

Технология нейросетевого сжатия решает проблему необходимости использования большого объема вычислительных ресурсов и памяти

Например, недавно компания NVIDIA разработала новый тип технологии сжатия видео, который заменяет традиционный видеокодек нейронной сетью и позволяет резко сократить полосу пропускания, необходимую для передачи сигнала. Как утверждают разработчики, по сравнению с распространенным сегодня кодеком H.264, технология на основе нейросетевого сжатия данных обеспечивает десятикратный рост эффективности.

«Здесь важно затронуть еще один тренд, получивший широкое распространение в последнее время и во многом продиктованный условиями новой пост-пандемической реальности, — ИИ в облаке. Технологии облачных решений обеспечили вычислительную мощность и возможности масштабирования, необходимые для использования искусственного интеллекта. Если раньше нужно было приобретать дорогостоящую инфраструктуру, то сейчас достаточно выбрать провайдера облачных сервисов и воспользоваться услугами аренды и поддержки», — добавляет Александр Тихонов, генеральный директор SAS Россия/СНГ.