La Fatica Algoritmica

Un nuovo studio fa luce sulla "fatica algoritmica" Un nuovo studio condotto dalla società di consulenza strategica Alice Labs e dalla società tecnologica globale Reaktor fa luce su ciò che i ricercatori chiamano "fatica algoritmica". L'affaticamento algoritmico si verifica quando le persone trascorrono lunghi periodi di tempo facendo cose come la navigazione nei servizi di streaming. In questi momenti, i sistemi di intelligenza artificiale possono spesso fallire nel loro dovere di soddisfare le aspettative degli utenti se non offrono. Questo può spesso lasciare i consumatori affaticati. Il nuovo studio ha identificato tre diversi tipi di interazioni AI: Passivo: gli utenti vogliono rimanere passivi nei confronti di un sistema algoritmico.Guida: gli utenti desiderano guidare un sistema algoritmico.Collaborativo: gli utenti desiderano collaborare con un sistema algoritmico.Il tipo di interazione AI che un utente seleziona dipende dalla situazione e da ciò che desidera o di cui ha bisogno, ed è anche influenzato dalle precedenti esperienze con la tecnologia intelligente, come l'affaticamento algoritmico quando un sistema precedente non è riuscito a soddisfare tali esigenze. Secondo i ricercatori, l'intelligenza artificiale sta diventando molto più che una semplice tecnologia ei marchi stanno iniziando a rendersi conto dell'importanza di come gli utenti sperimentano e interagiscono con gli algoritmi. Kirsi Hantula è uno dei ricercatori di Alice Labs. "Sebbene utili in molti casi, gli algoritmi continuano a essere limitati dalla loro capacità di computer: non possono prevedere quando gli utenti stanno avendo una brutta giornata e hanno bisogno di qualcosa di più leggero da guardare, né sono in grado di comprendere i modi sottili e vari in cui gli utenti ' i gusti si evolvono e si espandono nel tempo ", afferma Hantula. Poiché vari dispositivi basati sull'intelligenza artificiale esistono da oltre dieci anni, molti utenti sono già consapevoli di com...
Continua a Leggere

Dall’Università di Siena un metodo con il quale è possibile bypassare i controlli dell’ID del riconoscimento facciale per qualsiasi utente

Una "chiave principale" per l'identificazione facciale universale tramite l'apprendimento automatico I ricercatori italiani hanno sviluppato un metodo con il quale è possibile bypassare i controlli dell'ID del riconoscimento facciale per qualsiasi utente, nei sistemi che sono stati addestrati su una rete neurale profonda (DNN). L'approccio funziona anche per gli utenti target che si sono registrati nel sistema dopo che il DNN è stato addestrato e potenzialmente consente ai fornitori di sistemi crittografati end-to-end di sbloccare i dati di qualsiasi utente tramite l'autenticazione dell'ID facciale, anche in scenari in cui non lo è dovrebbe essere possibile. Il documento , del Dipartimento di Ingegneria dell'Informazione e Matematica dell'Università di Siena, delinea una possibile compromissione dei sistemi di verifica dell'identità facciale crittografati dall'utente introducendo immagini del viso "avvelenate" nei set di dati di formazione che li alimentano. Una volta introdotto nel set di addestramento, il proprietario della faccia avvelenata è in grado di sbloccare l'account di qualsiasi utente tramite l'autenticazione dell'ID facciale. Il sistema consente all'aggressore di impersonare chiunque, senza bisogno di sapere chi è l'utente di destinazione. L'attacco universale sfrutta il design economico dei sistemi di identificazione facciale, che, a causa di preoccupazioni sulla latenza e considerazioni sulla privacy, non sono tenuti a confermare effettivamente l'identità della persona che richiede l'accesso, ma piuttosto a confermare se quella persona (come rappresentata in un feed video o foto) corrisponde alle caratteristiche del viso registrate in precedenza per l'utente. In effetti, le caratteristiche acquisite esistenti dell'utente target potrebbero essere state verificate con altri mezzi (2FA, presentazione della documentazione ufficiale, telefonate, ecc.) Al momento dell'iscrizione, con le informazioni facciali derivate ora completame...
Continua a Leggere

Microsoft Power BI Goals

Microsoft lancia Power BI Goals per aiutare a gestire la produttività Al suo vertice sulle applicazioni aziendali virtuali, Microsoft ha annunciato oggi il lancio di Power BI Goals , un set di strumenti in anteprima che consente ai clienti di sfruttare le funzionalità di intelligenza artificiale di Power BI. Microsoft afferma che gli obiettivi sono progettati per consentire agli utenti di prendere decisioni basate sui dati e rimanere in cima al team o agli obiettivi individuali. Il modo in cui gli obiettivi e gli obiettivi vengono tracciati è cambiato a causa di ambienti di lavoro modificati e team che si adattano rapidamente. Nel moderno ambiente di lavoro, un uso efficace dei dati è essenziale per garantire che le azioni producano risultati misurabili. Un sondaggio di Forrester ha rilevato che tra il 60% e il 73% di tutti i dati all'interno delle aziende non viene mai analizzato per approfondimenti o tendenze più ampie. Il costo opportunità di questi dati inutilizzati è notevole, con un rapporto Veritas che lo fissa a 3,3 trilioni di dollari nel 2020. Gli obiettivi di Power BI consentono agli utenti di creare scorecard specializzate per delegare attività e misurare i progressi verso obiettivi specifici. I manager possono utilizzare queste scorecard per identificare le aree di miglioramento e collaborare tramite piattaforme come i team Microsoft, nonché agire in modo proattivo con note di check-in. Goals offre un hub da cui gli utenti possono rimanere aggiornati sulle attività e navigare. La sezione superiore mostra gli obiettivi curati automaticamente da Power BI, inclusi gli obiettivi assegnati e modificati. La sezione finale contiene scorecard di esempio per i nuovi utenti. Le scorecard in Power BI riuniscono tutti i diversi obiettivi e obiettivi secondari monitorati dai team. Gli utenti possono assegnare i proprietari a un obiettivo e gli obiettivi hanno uno stato per consentire alle parti interessate di sapere se qualcosa è sulla ...
Continua a Leggere

Microsoft Counterfit open source

Microsoft open source Counterfit, uno strumento di valutazione del rischio per la sicurezza dell'IA Microsoft offre oggi Counterfit open source , uno strumento progettato per aiutare gli sviluppatori a testare la sicurezza dei sistemi di intelligenza artificiale e machine learning. L'azienda afferma che Counterfit può consentire alle organizzazioni di condurre valutazioni per garantire che gli algoritmi utilizzati nelle loro attività siano solidi, affidabili e affidabili. L'intelligenza artificiale viene sempre più utilizzata in settori regolamentati come l'assistenza sanitaria, la finanza e la difesa. Ma le organizzazioni sono in ritardo nell'adozione di strategie di mitigazione del rischio. Un sondaggio Microsoft ha rilevato che 25 aziende su 28 hanno indicato di non disporre delle risorse giuste per proteggere i propri sistemi di intelligenza artificiale e che i professionisti della sicurezza sono alla ricerca di indicazioni specifiche in questo ambito. Microsoft afferma che Counterfit è nato dalla necessità dell'azienda di valutare i sistemi di intelligenza artificiale per le vulnerabilità con l'obiettivo di proteggere in modo proattivo i servizi di intelligenza artificiale. Lo strumento è iniziato come un corpus di script di attacco scritti specificamente per prendere di mira i modelli di intelligenza artificiale e poi si è trasformato in un prodotto di automazione per confrontare più sistemi su larga scala. Sotto il cofano, Counterfit è un'utilità della riga di comando che fornisce un livello per framework antagonisti, precaricati con algoritmi che possono essere utilizzati per eludere e rubare modelli. Counterfit cerca di rendere gli attacchi pubblicati accessibili alla comunità della sicurezza offrendo un'interfaccia da cui creare, gestire e lanciare tali attacchi sui modelli. Quando si eseguono test di penetrazione su un sistema AI con Counterfit, i team di sicurezza possono optare per le impostazioni predefinite, impostare parametri cas...
Continua a Leggere

Zammo offre un servizio di integrazione AI conversazionale senza dover scrivere alcun codice

Zammo offre un servizio di integrazione AI conversazionale Zammo.ai ha lanciato oggi una piattaforma di intelligenza artificiale conversazionale che semplifica il coinvolgimento dei clienti tramite più assistenti vocali, risposta vocale interattiva (IVR) / telefonia e chatbot senza dover scrivere alcun codice. Questo approccio senza codice, fornito tramite le integrazioni che l'azienda ha incorporato nella sua piattaforma SaaS (Software-as-a-Service), consente alle organizzazioni di creare flussi di lavoro che abbracciano più tecnologie di intelligenza artificiale conversazionale senza l'aiuto di un team IT interno o di un sistema integratore, ha detto il CEO dell'azienda Alex Farr. "Nessuno dall'IT è richiesto", ha detto. Questo approccio offre l'ulteriore vantaggio di eliminare la necessità di costringere i clienti ad adottare una specifica piattaforma di intelligenza artificiale conversazionale, ha osservato Farr. Le organizzazioni possono aggiungere il supporto per le piattaforme di intelligenza artificiale conversazionale in base alle preferenze dei clienti, ha affermato. Nel tempo, è probabile che la maggior parte dei clienti preferisca coinvolgere le organizzazioni utilizzando una sorta di interfaccia di conversazione come Apple Siri o Amazon Alexa. Poiché queste piattaforme diventano sempre più utilizzate dai consumatori, è solo una questione di tempo prima che le esperienze dei clienti aggiuntive vengano regolarmente impiegate, ad esempio, per trovare il luogo più vicino dove far riparare un'auto. A questo punto, non sembra che una singola piattaforma di intelligenza artificiale conversazionale emergerà per dominare tutte le altre. Molti utenti passano già da una piattaforma all'altra più volte al giorno a seconda che si trovino in una stanza o utilizzino il proprio smartphone per inviare un messaggio. Le organizzazioni che forniscono il servizio clienti, tuttavia, non possono mai essere sicure di quale piattaforma di intelligenza artif...
Continua a Leggere

Pecan.ai raccoglie 35 milioni di dollar

La startup di analisi predittiva Pecan.ai raccoglie 35 milioni di dollari per aumentare l'adozione dell'IA La startup di analisi predittiva Pecan.ai ha annunciato oggi di aver raccolto 35 milioni di dollari in un round di serie B guidato da GGV Capital. Il cofondatore e CEO Zohar Bronfman afferma che i fondi consentiranno a Pecan di espandere le sue operazioni a livello globale e aiutare le organizzazioni ad adottare AI e big data . L'analisi dei dati è la scienza che analizza i dati grezzi per estrarre informazioni significative. Market Research Future prevede che il mercato globale dell'analisi dei dati sarà valutato oltre 132 miliardi di dollari entro il 2026. Una serie di organizzazioni può utilizzare i dati per potenziare le proprie strategie di marketing, aumentare i profitti, personalizzare i propri contenuti e comprendere meglio i propri clienti. Le aziende che utilizzano i big data aumentano i loro profitti in media dell'8%, secondo un sondaggio condotto dalla ricerca BARC. Pecan, che ha uffici a New York e Tel Aviv, offre una piattaforma senza codice che automatizza i dati, la codifica, la ristrutturazione, la pulizia e l'ingegneria per creare algoritmi predittivi basati sull'intelligenza artificiale da una serie di reti neurali profonde. Dopo una serie di competizioni ricorsive tra più reti, la piattaforma lascia solo una rete neurale completamente addestrata, evoluta e perfezionata per la precisione. "Dopo aver messo a punto il prodotto e i nostri casi d'uso di punta, Pecan è uscito di nascosto nel febbraio dello scorso anno", ha detto un portavoce a VentureBeat via e-mail. “La pandemia ci ha colpito in modo positivo. La necessità di prevedere modelli di comportamento irregolari, così come l'aumento del consumo digitale, ha aumentato la domanda per il marchio Pecan di AI veloce e facile da usare ". È un approccio noto come calcolo evolutivo, una famiglia di algoritmi per l'ottimizzazione globale ispirati all'evoluzione biologica...
Continua a Leggere

Alkymi Patterns l’intelligenza artificiale per estrarre i dati dai documenti

Lo strumento Alkymi Patterns utilizza l'intelligenza artificiale per estrarre i dati dai documenti Alkymi , un fornitore di software di business intelligence per le imprese, ha annunciato oggi il lancio di Alkymi Patterns, uno strumento progettato per identificare ed estrarre dati per automatizzare i processi di backend che vengono eseguiti su e-mail e documenti. Il rilascio arriva quando la crescita dei ricavi di Alkymi raggiunge il 400% negli ultimi 12 mesi, principalmente attraverso l'acquisizione di clienti e partner nei servizi finanziari. Il valore potenziale della posta elettronica aziendale sottoutilizzata e dei dati dei file è immenso, con un rapporto Veritas che lo fissa a $ 3,3 trilioni entro il 2020. Ma il processo di sblocco può essere impegnativo. L'acquisizione dei dati aziendali, ad esempio durante l'onboarding di un nuovo cliente, richiede risorse operative e tempo con la possibilità di perdita di dati ed errori. Ecco perché tra il 60% e il 73% di tutti i dati all'interno delle aziende non viene mai analizzato per approfondimenti o tendenze più ampie, ha rilevato un sondaggio di Forrester . Alkymi Patterns ha lo scopo di consentire ai clienti di estrarre dati da tabelle e testo, eliminando l'elaborazione ripetitiva. Una volta creato un modello di dati, Patterns può automatizzare i lavori di estrazione, come quelli richiesti nelle operazioni bancarie, di gestione patrimoniale e assicurativa, per risparmiare tempo, capitale e risorse, migliorando al contempo il servizio clienti e i tempi di consegna. Utilizzando l'apprendimento automatico, la visione artificiale e la comprensione delle strutture di dati tabulari, Patterns, simile a TAPAS di Google, può determinare il contesto e la posizione dei dati in righe, colonne, grafici e testo. I dati estratti vengono visualizzati nell'interfaccia utente di Alkymi, nella casella di posta in arrivo o nell'app preferita, pronti per la revisione e l'esportazione in continuo. Gli utenti po...
Continua a Leggere

I robot stupidi svolgono compiti complessi

I "robot stupidi" compiono compiti sfruttando le caratteristiche fisiche Affinché sciami di robot possano agire collettivamente, i ricercatori devono coreografare le loro interazioni facendo affidamento su algoritmi e componenti avanzati. Tuttavia, se i robot sono semplici con una mancanza di programmazione avanzata, raramente è possibile ottenere un comportamento coordinato. Dana Randall, ADVANCE Professor of Computing e Daniel Goldman, Dunn Family Professor, hanno guidato un team di ricercatori del Georgia Institute of Technology per affrontare questo problema. Il team si è proposto di dimostrare come semplici robot possano ancora svolgere compiti che vanno oltre le capacità di uno. La ricerca è stata pubblicata sulla rivista Science Advances il 23 aprile. I robot stupidi svolgono compiti complessiDefiniti "robot stupidi", il team ha utilizzato quelle che erano fondamentalmente particelle granulari mobili, e questi sono ciò che si proponeva di dimostrare di poter svolgere compiti complessi. I ricercatori hanno riferito di essere stati in grado di rimuovere tutti i sensori, le comunicazioni, la memoria e il calcolo dai robot e hanno sfruttato le caratteristiche fisiche dei robot per completare una serie di attività. Secondo il team, questo tratto è chiamato "incarnazione del compito". I BOBbots, che sta per "robot che si comportano, organizzano, ronzano", prendono il nome da Bob Behringer, un pioniere della fisica granulare. I robot sono "tanto stupidi quanto diventano", dice Randall. "Il loro telaio cilindrico ha spazzole vibranti sotto e magneti sciolti sulla loro periferia, che fanno trascorrere più tempo in luoghi con più vicini". https://youtu.be/hsLJShwjknI Robot semplici, algoritmi intelligenti: ecco i BOBbotSimulazioni al computerInsieme alla piattaforma sperimentale, il team si è anche affidato a precise simulazioni al computer guidate da Shengkai Li, uno studente di fisica della Georgia Tech. Queste simulazioni hanno aiutato a stu...
Continua a Leggere

Andrew Ng critica la cultura dell’overfitting nel machine learning

Andrew Ng, una delle voci più influenti nel machine learning dell'ultimo decennio, sta attualmente esprimendo preoccupazioni sulla misura in cui il settore enfatizza le innovazioni nell'architettura del modello rispetto ai dati e, in particolare, la misura in cui consente ai risultati `` overfitting '' di essere rappresentato come soluzioni o progressi generalizzati. Si tratta di critiche radicali all'attuale cultura dell'apprendimento automatico, emanate da una delle sue più alte autorità, e hanno implicazioni per la fiducia in un settore afflitto dai timori per un terzo crollo della fiducia delle imprese nello sviluppo dell'IA in uno spazio di sessant'anni. Ng, professore all'università di Stanford, è anche uno dei fondatori di deeplearning.ai, ea marzo ha pubblicato una missiva sul sito dell'organizzazione che riassumeva un suo discorso recente fino a un paio di raccomandazioni fondamentali: In primo luogo, la comunità di ricerca dovrebbe smetterla di lamentarsi del fatto che la pulizia dei dati rappresenta l'80% delle sfide nell'apprendimento automatico e andare avanti con il lavoro di sviluppo di metodologie e pratiche MLOps robuste. In secondo luogo, dovrebbe allontanarsi dalle "vittorie facili" che possono essere ottenute adattando eccessivamente i dati a un modello di apprendimento automatico, in modo che funzioni bene su quel modello ma non riesca a generalizzare o a produrre un modello ampiamente distribuibile. Accettare la sfida dell'architettura e della cura dei dati"Il mio punto di vista", ha scritto Ng. "è che se l'80% del nostro lavoro è la preparazione dei dati, garantire la qualità dei dati è il lavoro importante di un team di machine learning." Lui continua: "Piuttosto che contare sugli ingegneri per cercare il modo migliore per migliorare un set di dati, spero che possiamo sviluppare strumenti MLOps che aiutano a rendere la creazione di sistemi di intelligenza artificiale, inclusa la creazione di set di dati di alta qualità, ...
Continua a Leggere

Per vendere l’intelligenza artificiale servono modelli semplici di utilizzo

Modelli di intelligenza artificiale in vendita, un altro passo nella diffusione dell'accessibilità dell'IA Un messaggio regolare in questa colonna è che l'intelligenza artificiale (AI) non si diffonderà ampiamente fino a quando non sarà più facile da usare rispetto al requisito di avere programmatori in grado di lavorare a livello di modello. Quella sfida non verrà risolta all'istante e sta cambiando lentamente. Sebbene la conoscenza tecnica sia ancora troppo spesso richiesta, ci sono modi in cui è possibile abbreviare i tempi di sviluppo. Un modo che sta accadendo è stato la maggiore disponibilità di modelli predefiniti. Qualche anno fa, un CEO della tecnologia amava parlare dell '"esplosione cambriana" dei modelli di apprendimento profondo, come se molti modelli rappresentassero un vero progresso nel mondo degli affari. Non è così. Ciò che conta è la disponibilità di modelli utili utili per il business. Nel significato usuale del cliché, il paradigma 80/20 è ancora importante per gli affari. Mentre un gran numero di modelli potrebbe interessare gli accademici, un sottoinsieme molto più piccolo fornirà un valore significativo alle persone che tentano di ottenere informazioni nel mondo reale. Nel tentativo di aiutare le aziende a non dover ricreare la ruota, ElectrifA i ha costruito un corpo di modelli di intelligenza artificiale che possono essere chiamati dalle applicazioni. Questi modelli vengono identificati in base al caso d'uso, quindi gli sviluppatori possono restringere rapidamente le opzioni e scegliere di testare i modelli vicini all'uso necessario. Sono venuto a conoscenza della società per la prima volta quando ha emesso un comunicato stampa sull'ingresso nel mercato su Amazon SageMaker. Sono anche su Google Cloud Marketplace. Avendo lavorato con altre aziende utilizzando i mercati delle principali fonti, ero curioso. Sebbene ci siano ancora domande a lungo termine su tali mercati, incluso il modo in cui le acquisizioni di società potrebbero...
Continua a Leggere