Приглашен в качестве докладчика на первую в истории конференции разработчиков в Гоа 2022, организованную Торгово-промышленной палатой Гоа.

Примечание. Разговор был до объявления моделей на основе openai chatgpt.

Вот краткое изложение того, что было рассмотрено, докладчик обсуждает различные аспекты AI / ML, включая обучение с учителем и без учителя, нейронные сети, модальности данных, обучение моделей и методы уменьшения размера модели. Они подчеркивают важность данных при принятии решений для ИИ/МО и подчеркивают потенциал ИИ для автоматизации задач, которые обычно требуют значительных человеческих усилий и творчества. В заключение спикер признает импульс в области AI/ML и многочисленные возможности для его применения в различных секторах.

Ссылка на презентацию

  • https://tinyurl.com/ai-ml-presentation
  • 00:00:00 В этом разделе видео спикер объясняет, чем подход AI/ML отличается от стандартного программирования. Используя пример идентификации номерных знаков автомобилей и определения их соответствующего состояния, он описывает, как стандартное программирование включает в себя написание нескольких функций и условных операторов, в то время как AI/ML включает в себя передачу модели изображений и связанной метки, что позволяет ей изучать и отображать вход на выход. Он также предоставляет обзор различных типов задач машинного обучения: контролируемое, неконтролируемое и обучение с подкреплением. Последнее демонстрируется на примере игры, в которой ИИ учится методом проб и ошибок, а единственной спецификацией является система вознаграждения.
  • 00:05:00 В этом разделе спикер обсуждает две техники, используемые в AI/ML: контролируемое и самоконтролируемое обучение. Обучение с самоконтролем использует внутреннюю структуру данных для обучения моделей, присваивая значения вероятности определенным словам в зависимости от контекста. Докладчик продолжает объяснять термины ИИ, машинное обучение и глубокое обучение, причем глубокое обучение является подмножеством машинного обучения, которое использует нейронные сети для сопоставления ввода с выводом. Затем докладчик представляет концепцию сверточной нейронной сети и рекуррентной нейронной сети и их применения для обработки различных типов данных. Наконец, они обсуждают возможности систем AI/ML, подчеркивая, что для глубокого обучения требуются значительные объемы данных, а возможности для применения существуют в каждом секторе с доступными данными, например, в кибербезопасности, здравоохранении и финансах.
  • 00:10:00 В этом разделе спикер обсуждает важность данных и их различных модальностей для построения моделей AI/ML. Они объясняют, что данные играют решающую роль в принятии решений при моделировании задач AI/ML и что архитектура нейронной сети и гиперпараметры основаны на доступных данных. Спикер также подчеркивает, что наличие большего количества данных идеально подходит для лучшего обучения и тонкой настройки модели, а трансферное обучение может помочь в тех случаях, когда требуются конкретные данные. Они также упоминают о важности создания конвейеров переобучения для развертывания моделей и различных методов уменьшения размера модели, таких как обрезка, дистилляция модели и квантование, о которых часто не говорят в сообщениях блогов или видео на YouTube.
  • 00:15:00 В этом разделе спикер объясняет пример того, как ИИ может генерировать NFT, используя только простую подсказку. Предоставляя базовую подсказку о неудачном слоте, пытающемся исправить компьютерную ошибку, ИИ может генерировать уникальные NFT с разными выражениями лица из одной и той же подсказки. Спикер подчеркивает потенциал ИИ в автоматизации задач, которые обычно требуют больших человеческих усилий и творчества, таких как создание высококачественных изображений или поиск лекарства от рака. Видео заканчивается тем, что спикер благодарит аудиторию и отмечает, что в области искусственного интеллекта и машинного обучения будет развиваться будущее.

Кредиты:
Спасибо, Мелрой, за захват видеоконтента в виде текста с отметкой времени.