I ricercatori di Stanford hanno sviluppato un modello computazionale per capire come gli esseri umani giudicano la causalità in situazioni fisiche dinamiche. "Il ragionamento causale è una componente indispensabile del pensiero umano che dovrebbe essere formalizzato e algoritmizzato per raggiungere l'intelligenza della macchina a livello umano". Perla della GiudeaIncorporare le intuizioni della ricerca psicologica negli algoritmi è complicato poiché il primo non è esattamente una metrica quantificabile. Ma può essere molto utile in quanto gli algoritmi si stanno avventurando in un mondo pieno di "problemi di carrelli" sotto forma di auto a guida autonoma e diagnosi mediche.  Tobias Gerstenbeg, assistente professore di psicologia a Stanford, crede che fornendo una caratterizzazione più quantitativa di una teoria del comportamento umano e istanziandola in un programma per computer, possiamo rendere più facile per un informatico incorporare tali intuizioni in un sistema di intelligenza artificiale. Gerstenbeg e i suoi colleghi di Stanford hanno sviluppato un modello computazionale per capire come gli esseri umani giudicano la causalità in situazioni fisiche dinamiche. Registrati al nostro prossimo webinar sulle piattaforme dati Informazioni sul modello  Nel loro articolo sul modello di simulazione controfattuale (CSM) del giudizio causale, i ricercatori iniziano a fare tre ipotesi chiave: I giudizi causali riguardano il fare la differenza.La creazione di differenze per eventi particolari si esprime al meglio in termini di contrasti controfattuali rispetto ai modelli causali.Esistono molteplici aspetti della causalità che corrispondono a diversi modi di fare la differenza nell'esito che determinano congiuntamente i giudizi causali delle persone. Come caso di studio, i ricercatori hanno prima applicato il CSM per spiegare i giudizi causali delle persone sugli eventi di collisione dinamica. Hanno considerato una palla da biliardo simulata B come mostrato sopra che entra ...
Continua a Leggere

Per la prima volta, un Generative Adversarial Network viene utilizzato per creare set di dati sintetici di immagini di ferite, al fine di ovviare a una mancanza critica di contenuti diversificati e accessibili di questo tipo nelle applicazioni di machine learning per l' assistenza sanitaria . Il sistema, denominato WG 2 AN , è una collaborazione tra il Batten College of Engineering & Technology e la società di assistenza sanitaria AI eKare, specializzata nell'applicazione di metodologie di machine learning alla misurazione e identificazione delle ferite. Il GAN ​​è formato su 100-4000 immagini di ferite croniche stereoscopiche etichettate fornite da eKare, comprese immagini anonime di tipi di lesioni da cause quali pressione, interventi chirurgici, incidenti linfovascolari, diabete e ustioni. Il materiale sorgente variava in dimensioni comprese tra 1224 × 1224 e 2160 × 2160, tutte prese sotto la luce disponibile dai medici. Per accogliere lo spazio latente disponibile nell'architettura di addestramento del modello, le immagini sono state ridimensionate a 512 × 512 ed estratte dai rispettivi sfondi. Per studiare l'effetto della dimensione del set di dati, sono state implementate esecuzioni di test su batch di 100, 250, 500, 1000, 2000 e 4000 immagini. L'immagine sopra mostra un dettaglio e una granularità crescenti in base alle dimensioni del set di allenamento contributivo e al numero di epoche eseguite su ciascun passaggio. WG 2 GAN funziona su PyTorch su una configurazione in stile consumer relativamente snella, con 8 GB di VRAM su una GPU GTX 1080. La formazione ha richiesto tra le 4 e le 58 ore sulla gamma di dimensioni del set di dati da 100-4000 immagini e su una gamma di epoche, su una dimensione del lotto di 64 come compromesso tra precisione e prestazioni. Adam Optimizer viene utilizzato per la prima metà dell'addestramento a una velocità di apprendimento di 0,0002 e si conclude con una velocità di apprendimento a decadimento lineare fin...
Continua a Leggere

La svolta nel ripiegamento delle proteine ​​di DeepMind è un promemoria del potere positivo della tecnologia Tl " Techlash " che è iniziato lo scorso anno e si è protratto costantemente fino al 2020, dipinge la tecnologia ei giganti della tecnologia che gestiscono il mondo come monoliti oscuri, proiettando ombre ampie e talvolta sinistre attraverso le nostre vite.A volte è vero. Così tanto potere, controllo e ricchezza si sono consolidati in così pochi. Ma non è mai l'intera storia. La svolta di DeepMind di questa settimana ci ricorda che la tecnologia più all'avanguardia, anche quelle di aziende di cui non ci fidiamo più completamente (DeepMind è di proprietà di Alphabet, proprietaria di Google), può alterare le nostre vite in modi dimostratamente positivi.Cade Metz' New York Times pezzo dettaglio come è stato utilizzato la rete neurale basata DeepMind di trovare una soluzione a un difficile problema della biochimica: Come identificare le pieghe di proteine e di utilizzare tali informazioni per capire ciò che la proteina potrebbe fare e come potrebbe interagire con altre proteine ​​e persino, diciamo, virus.È un lavoro straordinario perché, come fanno gli IA, "AlphaFold" di DeepMind ha scoperto come identificare la forma di una proteina in non anni, mesi o addirittura settimane, ma in meno di un'ora.Ho guardato DeepMind per anni, soprattutto i suoi primi trionfi nello spazio di gioco (ha battuto i campioni nel difficile gioco Go). Metz scrive che questi risultati "non hanno applicazioni pratiche", ma direi che i successi in qualsiasi difficile attività di rete neurale di apprendimento automatico sono una base per quelle ancora più difficili, come capire come una proteina si piegherà in base agli amminoacidi in il filo proteico.Sebbene la svolta non abbia alcuna relazione con l'attuale corsa al vaccino Covid-19, potrebbe avere un enorme impatto sulla cura di malattie intrattabili e sulla prossima pandemia.Per me, tuttavia, questa è una convalida dell'intelligenz...
Continua a Leggere

L'intelligenza artificiale etica non è la stessa di un'intelligenza artificiale affidabile e questo è importante Le soluzioni di intelligenza artificiale (AI) stanno affrontando un maggiore controllo a causa della loro attitudine ad amplificare le decisioni buone e cattive. Più specificamente, per la loro propensione a smascherare e aumentare i pregiudizi sociali e le disuguaglianze esistenti. È giusto, quindi, che le discussioni sull'etica siano al centro della scena con l'aumentare dell'adozione dell'IA. Di pari passo con l'etica arriva il tema della fiducia. L'etica è le regole guida per le decisioni che prendiamo e le azioni che intraprendiamo. Queste regole di condotta riflettono le nostre convinzioni fondamentali su ciò che è giusto ed equo. La fiducia, d'altra parte, riflette la nostra convinzione che un'altra persona - o azienda - sia affidabile, abbia integrità e si comporterà nel modo che ci aspettiamo. Etica e fiducia sono concetti discreti, ma spesso si rafforzano a vicenda. Quindi una soluzione AI etica è intrinsecamente affidabile? Contesto come fattore determinante della fiduciaCertamente, i sistemi non etici creano sfiducia. Non ne consegue, tuttavia, che un sistema etico sarà categoricamente attendibile. Per complicare ulteriormente le cose, non fidarsi di un sistema non significa che non verrà utilizzato. Le funzionalità alla base delle soluzioni di intelligenza artificiale - apprendimento automatico, apprendimento profondo, visione artificiale e elaborazione del linguaggio naturale - non sono etiche o non etiche, affidabili o inaffidabili. È il contesto in cui vengono applicati che conta. Ad esempio, utilizzando il generatore di testo GPT-3 recentemente rilasciato da OpenAI , l'intelligenza artificiale può essere utilizzata per scrivere commenti o ricette sociali. Lo spettro degli algoritmi di intelligenza artificiale che generano propaganda solleva preoccupazioni immediate. La scala alla quale un esperto di intelligenza artific...
Continua a Leggere

Google propone di applicare l'IA alla generazione e alla categorizzazione delle domande di brevetto Quando si tratta delle aspettative dei clienti, la pandemia ha cambiato tuttoScopri come accelerare il servizio clienti, ottimizzare i costi e migliorare il self-service in un mondo incentrato sul digitale. Google afferma che l'industria dei brevetti trarrà vantaggio da modelli di intelligenza artificiale e apprendimento automatico come BERT , un algoritmo di elaborazione del linguaggio naturale che ha raggiunto risultati all'avanguardia quando è stato rilasciato nel 2018. In un white paper pubblicato oggi, il gigante della tecnologia delinea una metodologia per addestrare un modello BERT su oltre 100 milioni di pubblicazioni di brevetti degli Stati Uniti e di altri paesi utilizzando strumenti open source, che possono quindi essere utilizzati per determinare la novità dei brevetti e generare classificazioni per facilitare la categorizzazione. Il corpus globale dei brevetti è ampio, con milioni di nuovi brevetti rilasciati ogni anno. È anche complesso. Le domande di brevetto hanno una media di circa 10.000 parole e sono meticolosamente forgiate da inventori, avvocati ed esaminatori di brevetti. I depositi di brevetti sono scritti anche con un linguaggio che può essere incomprensibile ai lettori non professionisti e fortemente dipendente dal contesto; molti termini sono usati per indicare cose completamente diverse in brevetti diversi. Per tutti questi motivi, Google ritiene che il dominio dei brevetti sia maturo per l'applicazione di algoritmi come BERT. I brevetti, osserva la società, rappresentano un enorme valore commerciale per un certo numero di organizzazioni, con aziende che spendono decine di miliardi di dollari all'anno per sviluppare tecnologia brevettabile e negoziare i diritti per utilizzare la tecnologia risultante e gli uffici brevetti. "Ci auguriamo che la nostra [proposta] aiuterà la più ampia comunità dei brevetti nella sua applicazione...
Continua a Leggere