Home / Archive by category "Programmazione"

Programmazione

Neural Lumigraph Rendering esseri umani con intelligenza artificiale in tempo reale

Verso esseri umani con intelligenza artificiale in tempo reale con rendering del lumigrafo neurale Rendering lumigrafo neuraleNonostante l'attuale ondata di interesse per Neural Radiance Fields ( NeRF ), una tecnologia in grado di creare ambienti e oggetti 3D generati dall'intelligenza artificiale, questo nuovo approccio alla tecnologia di sintesi delle immagini richiede ancora molto tempo di addestramento e manca di un'implementazione che lo consenta interfacce in tempo reale e altamente reattive. Tuttavia, una collaborazione tra alcuni nomi di spicco dell'industria e del mondo accademico offre un nuovo approccio a questa sfida (genericamente nota come Novel View Synthesis o NVS). Il documento di ricerca , intitolato Neural Lumigraph Rendering , afferma un miglioramento dello stato dell'arte di circa due ordini di grandezza, che rappresenta diversi passaggi verso il rendering CG in tempo reale tramite pipeline di apprendimento automatico . Sebbene i crediti per il documento citino solo la Stanford University e la società di tecnologia di visualizzazione olografica Raxium (attualmente operante in modalità invisibile ), i contributori includono un principale architetto di apprendimento automatico di Google, uno scienziato informatico di Adobe e il CTO di StoryFile (che ha fatto notizia di recente con una versione AI di William Shatner). Per quanto riguarda il recente blitz pubblicitario di Shatner, StoryFile sembra impiegare NLR nel suo nuovo processo per la creazione di entità interattive generate dall'intelligenza artificiale basate sulle caratteristiche e le narrazioni delle singole persone. William Shatner per preservare la sua vita attraverso l'intelligenza artificiale https://youtu.be/AEj2K4YzwiU StoryFile prevede l'uso di questa tecnologia nelle esposizioni dei musei, nelle narrazioni interattive online, nei display olografici, nella realtà aumentata (AR) e nella documentazione del patrimonio - e sembra anche osservare potenziali nuove ...
Continua a Leggere

Set di dati sintetici da Unity per ridurre i tempi e i budget di formazione dell’Intelligenza artificiale

Unity lancia set di dati sintetici per ridurre i tempi e i budget di formazione dell'IAUnity , una piattaforma leader per i contenuti 3D in tempo reale (RT3D), ha annunciato il rilascio dei set di dati di Unity Computer Vision . Questi set di dati potrebbero avere un impatto su vari settori, in particolare produzione, vendita al dettaglio e sicurezza. Hanno lo scopo di ridurre i costi di sviluppo di applicazioni di visione artificiale fornendo anche un modo per addestrare i sistemi di intelligenza artificiale più velocemente. A seguito di rigidi problemi di privacy e regolamentazione, i set di dati personalizzati possono ora essere acquistati dai fornitori di soluzioni di visione artificiale per addestrare i sistemi di IA. Importanza dei dati sinteticiI dati sintetici vengono generati quando i dati esistenti non soddisfano le condizioni o le esigenze specifiche di un sistema di intelligenza artificiale. Alcuni casi di esempio includono quando i requisiti di privacy limitano i dati disponibili o come possono essere utilizzati. https://youtu.be/Cz7KWqAgZAw I dati sintetici vengono spesso utilizzati per testare un prodotto pre-rilasciato poiché di solito non ci sono dati esistenti o non sono ancora disponibili. Questo tipo di dati è fondamentale anche per gli algoritmi di apprendimento automatico e viene spesso utilizzato in tecnologie come i veicoli a guida autonoma, poiché ottenere dati effettivi è costoso. Unity sta tentando di rompere questa barriera fornendo un maggiore accesso a set di dati sintetici di alta qualità con i set di dati di Unity Computer Vision. Il dottor Danny Lange è Vicepresidente senior dell'intelligenza artificiale e dell'apprendimento automatico. "Creando una versione sintetica di set di dati che rispecchiano le regole sulla privacy convalidate e riflettono accuratamente i dati del mondo reale, permettiamo a questi set di dati rivoluzionari di entrare nelle mani di più innovatori", afferma Lange. "In sostanza, questi...
Continua a Leggere

Perché l’intelligenza artificiale non può risolvere problemi sconosciuti

Quando avremo un'intelligenza artificiale generale, il tipo di intelligenza artificiale in grado di imitare la mente umana in tutti gli aspetti? Gli esperti sono divisi sull'argomento e le risposte variano da qualche decennio a mai. Ma ciò su cui tutti sono d'accordo è che gli attuali sistemi di intelligenza artificiale sono molto lontani dall'intelligenza umana. Gli esseri umani possono esplorare il mondo, scoprire problemi irrisolti e pensare alle loro soluzioni. Nel frattempo, il toolbox AI continua a crescere con algoritmi in grado di eseguire attività specifiche ma non possono generalizzare le loro capacità oltre i loro ristretti domini. Abbiamo programmi che possono battere i campioni del mondo su StarCraft ma non possiamo giocare a un gioco leggermente diverso a livello amatoriale. Abbiamo reti neurali artificiali che possono trovare segni di cancro al seno nelle mammografie ma non sono in grado di distinguere tra un gatto e un cane. E abbiamo modelli linguistici complessi che possono girare migliaia di articoli apparentemente coerenti all'ora, ma iniziano a rompersi quando poni loro semplici domande logiche sul mondo. In breve, ciascuna delle nostre tecniche di intelligenza artificiale riesce a replicare alcuni aspetti di ciò che sappiamo sull'intelligenza umana. Ma mettere tutto insieme e colmare le lacune rimane una sfida importante. Nel suo libro Algorithms Are Not Enough , il data scientist Herbert Roitblat fornisce una revisione approfondita dei diversi rami dell'IA e descrive perché ognuno di essi non riesce a realizzare il sogno di creare intelligenza generale. Il difetto comune a tutti gli algoritmi di intelligenza artificiale è la necessità di rappresentazioni predefinite, afferma Roitblat. Una volta scoperto un problema e in grado di rappresentarlo in modo computabile, possiamo creare algoritmi di intelligenza artificiale in grado di risolverlo, spesso in modo più efficiente di noi stessi. Tuttavia, sono i problemi non scoperti e non ...
Continua a Leggere

Microsoft Power Fx

Microsoft presenta Power Fx, il linguaggio di programmazione low-code "Power Fx è il nostro impegno per raggiungere gli sviluppatori con Microsoft Power Platform" - Al recente evento Microsoft Ignite , Charles Lamanna, Corporate Vice President, Low Code Application Platform- Microsoft ha annunciato un nuovo linguaggio di programmazione low-code, Power Fx . L'annuncio è stato dato durante la sessione "Novità e prospettive per Microsoft Power Platform". Dietro Power FxMicrosoft Power Fx è un linguaggio open source per la programmazione a basso codice. È un linguaggio di programmazione fortemente tipizzato, generico, dichiarativo e funzionale. Power Fx può modificare direttamente le app negli editor di testo come Visual Studio Code o una barra delle formule simile a Excel. Secondo Ryan Cunningham, Director PM, Power Apps, Power Fx si basa su una sintassi simile che milioni di sviluppatori stanno già utilizzando per risolvere problemi di logica e calcolo. Le numerose funzionalità del linguaggio, inclusa la possibilità di modificare le app direttamente negli editor di testo, come Visual Studio Code , aiutano sviluppatori e professionisti ad andare più veloci e trovare un terreno comune con i milioni di produttori, ha affermato Cunningham . Alcune delle caratteristiche intuitive di questo linguaggio a basso codice sono: È open source: il gigante della tecnologia ha reso disponibile il linguaggio su GitHub.Il linguaggio è basato su Microsoft Excel: utilizzando le formule di Microsoft Excel, Power Fx consente a una vasta gamma di persone di portare le competenze che già conoscono a soluzioni a basso codice.Power Fx è progettato per la programmazione low-code: gli sviluppatori di Microsoft estenderanno presto l'uso di questo linguaggio su Power Platform a Microsoft Dataverse, Microsoft Power Virtual Agents, Microsoft Power Automate e oltre.Locale e remoto: il linguaggio low-code utilizza la stessa sintassi e funzioni per i dati, che sono locali in memor...
Continua a Leggere

Dentro i neuroni multimodali le reti neurali più avanzate scoperte da OpenAI

I neuroni multimodali possono rispondere a un gruppo di concetti astratti incentrati su un tema comune di alto livello piuttosto che su una caratteristica visiva specifica. In un importante passo avanti, i ricercatori di OpenAI hanno scoperto reti neurali all'interno di sistemi di intelligenza artificiale che assomigliano alla rete neurale all'interno del cervello umano. I neuroni multimodali sono una delle reti neurali più avanzate fino ad oggi. I ricercatori hanno scoperto che questi neuroni avanzati possono rispondere a un gruppo di concetti astratti incentrati su un tema comune di alto livello piuttosto che su una caratteristica visiva specifica. Come le loro controparti biologiche, questi neuroni possono rispondere a una serie di emozioni, animali, fotografie, disegni e personaggi famosi. I ricercatori hanno scritto che questi neuroni in CLIP possono rispondere allo stesso concetto, se presentati letteralmente, simbolicamente o concettualmente. I neuroni multimodali sono stati scoperti nel modello CLIP in grado di connettere testo e immagini. Può apprendere concetti visivi dalla supervisione del linguaggio naturale. Inoltre, questo sistema di visione generico può eguagliare le prestazioni di un ResNet-50 ma supera i sistemi di visione esistenti sui set di dati più impegnativi. Ad esempio, un neurone chiamato "Spider-Man" può rispondere all'immagine di un ragno, al testo "ragno" e al personaggio dei fumetti "uomo ragno". Lo studioI ricercatori hanno trovato neuroni multimodali in diversi modelli CLIP di varie dimensioni, ma si sono concentrati sullo studio del modello RN50-x4 di medie dimensioni. I ricercatori hanno utilizzato due strumenti per comprendere le attivazioni del modello: Visualizzazione delle funzionalità, che massimizza l'attivazione del neurone eseguendo l'ottimizzazione basata sul gradiente sull'input.Esempi di set di dati, che esamina la distribuzione delle immagini di attivazione massima per un neurone da un set di dati.I...
Continua a Leggere

L’ascesa e l’impatto di Splinternet

Un'Internet globale sempre più frammentata ha conseguenze di vasta portata che avranno un impatto sul nostro futuro per i decenni a venire Durante l'avvento del consumer computing, Internet è stato concepito per connettere persone da tutto il mondo e aiutare a condurre verso una società globalizzata che trascende i confini nazionali. A quasi due decenni di distanza, il mondo sembra essere più connesso che mai. Tuttavia, Internet globale come lo conosciamo è sul punto di frantumarsi in piccole bolle di reti nazionali a causa di politiche nazionali aggressive, controversie commerciali, censura e insoddisfazione per le grandi aziende tecnologiche. Soprannominata la "Splinternet" da alcuni esperti , questa balcanizzazione digitale ha conseguenze di vasta portata che incidono allo stesso modo sui sindacati internazionali, sulle imprese di dati e sui singoli consumatori. Anche se questo non è del tutto nuovo, con nazioni come la Cina che si sono isolate da Internet per anni, la pandemia COVID-19 ha accelerato questo cambiamento. Molte nazioni stanno spingendo per una maggiore attenzione agli interessi personali e alla sicurezza. Cambiamenti globali verso la splinternetForse l'istanza più sofisticata di Internet frammentata oggi sarebbe il Great Firewall cinese ”. Bloccato da una combinazione di firewall reali, propaganda governativa e severa censura governativa, Internet cinese è notevolmente diverso da Internet che la maggior parte del mondo è abituata a vedere. Quelli che sono visti come servizi essenziali, come Google Search e Maps, i social media occidentali e così via, sono completamente banditi e sostituiti da alternative cinesi come Weibo nel nome della Cyber ​​Sovereignty . In effetti, una ricerca pubblicata da Oracle ha affermato che Internet in Cina è effettivamente una intranet che può funzionare anche se il resto della rete globale si spegne. Nel 2018, l'ex CEO di Google, Eric Schmidt, aveva previsto che Internet si sarebbe biforcata in una fa...
Continua a Leggere

Perchè e quando i trasformers falliscono

Quando i trasformatori falliscono I ricercatori hanno cercato di determinare il motivo per cui la maggior parte delle modifiche proposte al Transformer non ha visto un'adozione diffusa. Itrasformatori sono l'architettura di fatto scelta per le attività di elaborazione del linguaggio naturale. Dalla loro introduzione, tre anni fa, i Transformers hanno subito diverse modifiche. Recentemente, un team di ricercatori di Google Research ha scoperto che la maggior parte delle modifiche non migliora in modo significativo le prestazioni dei trasformatori. Alcune delle modifiche più diffuse a Transformers includono varie funzioni di attivazione (come GeLU, Sigmoid, ecc.), Normalizzazione, profondità, incorporamenti e condivisione di parametri. La maggior parte delle varianti di Transformer trovate utili sono state sviluppate nella stessa base di codice o sono modifiche relativamente minori, hanno affermato i ricercatori. Perché questa ricercaSecondo i ricercatori, ci sono due possibili spiegazioni all'uso di una versione leggermente modificata del Transformer originariamente proposto : L'architettura Transformer originariamente proposta era quasi perfetta e non c'era molto da fare per gli sviluppatori per migliorare l'architettura.Le modifiche proposte all'architettura Transformer non si generalizzano tra le applicazioni. Significa che le modifiche aiutano solo nell'impostazione sperimentale limitata, considerando che i dettagli specifici delle modifiche non si basano sui dettagli comuni tra le implementazioni del Transformer.I ricercatori hanno cercato di determinare il motivo per cui la maggior parte delle modifiche proposte al Transformer non ha visto un'adozione diffusa. Per comprendere le modifiche, hanno reimplementato e valutato un'ampia varietà di varianti di Transformer su una suite di attività. Le varianti modificate del trasformatore utilizzate in questa ricerca sono: Attenzione trasparente: questa variante del trasformatore crea connessioni r...
Continua a Leggere

I primi passi verso un cervello quantistico : un materiale intelligente che impara cambiando fisicamente se stesso

Un materiale intelligente che impara cambiando fisicamente se stesso, simile a come funziona il cervello umano, potrebbe essere la base di una generazione completamente nuova di computer. I fisici di Radboud che lavorano verso questo cosiddetto "cervello quantistico" hanno fatto un passo importante. Hanno dimostrato che possono modellare e interconnettere una rete di singoli atomi e imitare il comportamento autonomo dei neuroni e delle sinapsi in un cervello. Segnalano la loro scoperta su Nature Nanotechnology . Considerando la crescente domanda globale di capacità di elaborazione, sono necessari sempre più data center, che lasciano un'impronta energetica in continua espansione. "È chiaro che dobbiamo trovare nuove strategie per archiviare ed elaborare le informazioni in modo efficiente dal punto di vista energetico", afferma il leader del progetto Alexander Khajetoorians, professore di microscopia a sonda a scansione presso la Radboud University. “Ciò richiede non solo miglioramenti alla tecnologia, ma anche una ricerca fondamentale sugli approcci che cambiano il gioco. La nostra nuova idea di costruire un "cervello quantistico" basato sulle proprietà quantistiche dei materiali potrebbe essere la base per una futura soluzione per le applicazioni nell'intelligenza artificiale ". Cervello quantisticoAffinché l'intelligenza artificiale funzioni, un computer deve essere in grado di riconoscere i modelli nel mondo e apprenderne di nuovi. I computer di oggi lo fanno tramite un software di apprendimento automatico che controlla l'archiviazione e l'elaborazione delle informazioni su un disco rigido del computer separato. “Fino ad ora, questa tecnologia, che si basa su un paradigma vecchio di un secolo, ha funzionato a sufficienza. Tuttavia, alla fine, è un processo molto inefficiente dal punto di vista energetico ", afferma il coautore Bert Kappen, professore di reti neurali e intelligenza artificiale. I fisici della Radboud University hanno studiato se un...
Continua a Leggere

Come Apple ha ottimizzato l’apprendimento federato per i suoi iPhone

La personalizzazione dei sistemi basati sul machine learning è fondamentale per offrire ottime esperienze utente. Applica il trucco, fatti crescere la barba o siediti al buio, il tuo iPhone può ancora riconoscerti, non importa quanto tu sia diverso dalla foto del passaporto. La tecnologia che abilita Face ID su Apple è una delle soluzioni hardware e software più avanzate della casa del colosso di Cupertino. Ad esempio, la fotocamera TrueDepth acquisisce dati accurati del viso proiettando e analizzando oltre 30.000 punti invisibili per creare una mappa di profondità del viso dell'utente. Una parte del motore neurale del chip A13 Bionic, protetto all'interno di Secure Enclave, trasforma la mappa di profondità e l'immagine a infrarossi in una rappresentazione matematica e confronta tale rappresentazione con i dati facciali registrati. L'apprendimento automatico sul dispositivo comporta una sfida per la privacy. La misura in cui le telecamere e i microfoni registrano i dati può mettere un individuo a grande rischio se i suoi telefoni vengono violati. Esiste una grande possibilità che le app espongano un meccanismo di ricerca per il recupero delle informazioni o la navigazione in-app. Quindi, i produttori di smartphone come Apple si sono avventurati nel Federated Learning da più di un paio d'anni. "Federated Learning funziona sull'approccio di portare il codice ai dati, invece dei dati al codice." Federated Learning (FL) è un approccio di machine learning distribuito che consente la formazione su un ampio corpus di dati decentralizzati che risiedono su dispositivi come i telefoni cellulari. Le tecniche di Federated Learning vengono utilizzate per addestrare i modelli ML per l'attivazione della funzione di suggerimento, nonché per classificare gli elementi che possono essere suggeriti nel contesto corrente. Un tipico protocollo di apprendimento federato (Fonte: Google AI) I dispositivi chiamano server di apprendimento federati.Il server legge il pun...
Continua a Leggere

Microsoft Azure Cognitive Search con ricerca semantica

Microsoft lancia la funzionalità di ricerca semantica per le aziende e nuove funzionalità di riconoscimento dei moduli in Azure. Durante la conferenza Microsoft Ignite 2021 , che si terrà praticamente questa settimana, la società ha annunciato nuovi prodotti e aggiornamenti in tutto il suo portafoglio di prodotti cloud Azure AI. Tra gli altri punti salienti, Microsoft ha implementato una funzionalità di ricerca semantica in Azure Cognitive Search che consente agli sviluppatori di fornire risultati di ricerca in base all'intento, anziché solo alle parole chiave. Inoltre, ha lanciato nuove funzionalità in Form Recognizer, che automatizza l'importazione di moduli per estrarre coppie di valori chiave come oggetti JSON, per accelerare l'elaborazione di determinati documenti. I vantaggi dell'intelligenza artificiale a volte sembrano intangibili, ma i sondaggi mostrano che ciò non ha scoraggiato le aziende dall'adottare la tecnologia a frotte. Secondo Gartner, l' uso aziendale dell'IA è cresciuto del 270% negli ultimi quattro anni, mentre Deloitte afferma che il 62% degli intervistati al suo rapporto aziendale dell'ottobre 2018 ha implementato una qualche forma di intelligenza artificiale , rispetto al 53% nel 2019. Ma l'adozione no hanno sempre successo, come ti dirà circa il 25% delle aziende che hanno visto fallire metà dei loro progetti di intelligenza artificiale. Con le offerte nuove e migliorate, Microsoft mira ad aumentare la percentuale di implementazioni di intelligenza artificiale e machine learning di successo nell'azienda. Ad esempio, in Azure Cognitive Search, Microsoft afferma che il suo servizio di ricerca per lo sviluppo di app per dispositivi mobili e Web ora consente alle aziende di utilizzare le stesse funzionalità che alimentano motori di ricerca come Bing per offrire esperienze di ricerca contestuale nelle app. La maggior parte delle aziende deve gestire innumerevoli bucket di dati, alcuni dei quali inevitabilmente vengono sottoutilizzati...
Continua a Leggere
Top

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi