10 più grandi scoperte algoritmiche del 2022
Avanzamenti accattivanti che hanno fatto scalpore nella comunità dell’IA
Poiché l’intelligenza artificiale continua a diventare più intelligente ogni giorno che passa, la sua domanda in diversi campi continua a crescere. L’impennata riflette la necessità di chip più veloci, più dati e algoritmi decisamente migliori.
Spostando la nostra attenzione, ecco le principali scoperte algoritmiche che sono diventate essenziali nella cassetta degli attrezzi del moderno sviluppatore di intelligenza artificiale.
1 HyperTree Proof Search (HTPS)
Meta AI ha mostrato i suoi contributi all’area impegnativa del deep learning con HTPS, un modello di deep learning che ha risolto diversi problemi dell’International Math Olympiad (IMO). Questo metodo mette in mostra importanti capacità, dimostrando che le reti neurali profonde rendono possibile il ragionamento matematico. Il nuovo algoritmo combina l’apprendimento per rinforzo e la ricerca sull’albero Monte Carlo per mostrare livelli unici di ragionamento matematico.
2 DeepNull
All’inizio di quest’anno, i ricercatori di Google hanno proposto DeepNull per modellare la relazione che collega gli effetti delle covariate sui fenotipi e migliorare gli studi di associazione a livello di genoma (GWAS). I GWAS sono varianti genetiche associate a tratti e malattie complessi. I modelli DeepNull hanno un effetto non lineare delle covariate sui fenotipi in quanto sono semplici da usare e richiedono la minima quantità di modifiche per le attuali implementazioni della pipeline GWAS. Le interazioni tra fenotipi come età e sesso e componenti principali dei genotipi devono essere aggiustate per le covariate per determinare la forza dell’associazione tra genotipo e fenotipo.
3 ESMFold
Il lancio di Meta AI di Evolutionary Scale Modeling (ESM) è diventato uno dei maggiori concorrenti o la migliore alternativa ad AlphaFold 2. Proprio come AlphaFold, anche il modello è aperto al pubblico. Ma non è l’unico. Leggi i migliori modelli proteici rilasciati nel 2022 qui .
4 Codice come criteri (CaP)
Google AI ha introdotto un nuovo algoritmo di apprendimento per un controllo robotico efficace . L’algoritmo propone di lasciare che i sistemi robotici scrivano efficacemente il loro codice. Il concetto mira a salvare gli sviluppatori dal dover entrare e riprogrammare le cose ogni volta che vengono trovate nuove informazioni. L’idea principale dell’algoritmo è sfruttare le informazioni predittive per ottenere una rappresentazione delle dinamiche dell’ambiente ad alta dimensione.
5 DiaBeats
Per affrontare il problema del diabete, un gruppo di ricercatori indiani della Lata Medical Research Foundation di Nagpur ha sviluppato un algoritmo di intelligenza artificiale in grado di prevedere il diabete e il pre-diabete dai singoli battiti cardiaci registrati su un ECG (elettrocardiogramma).
6 Dreamer Algorithm Algoritmo del sognatore
I ricercatori dell’Università della California, Berkeley, hanno insegnato ai robot a camminare entro 60 minuti . L’approccio differisce dalle consuete pratiche di apprendimento per rinforzo profondo, in quanto i robot possono essere addestrati senza simulatori. Il progetto “DayDreamer: modelli mondiali per l’apprendimento fisico dei robot” utilizza l’algoritmo Dreamer per apprendere da piccole quantità di interazione attraverso la pianificazione in un modello del mondo appreso. A sua volta, supera l’apprendimento per rinforzo puro nei videogiochi.
7 IISc-AIIMS Algoritmo per l’epilessia di Rishikesh
I ricercatori dell’Indian Institute of Science (IISc), in collaborazione con AIIMS Rishikesh, hanno sviluppato un algoritmo per decodificare le scansioni cerebrali al fine di identificare l’occorrenza e il tipo di epilessia. Nello studio, il team ha riportato un algoritmo in grado di identificare i segni di epilessia dai modelli di segnale elettrico. Dopo la formazione iniziale, i ricercatori affermano che l’algoritmo potrebbe rilevare se un soggetto umano potrebbe avere l’epilessia sulla base dei modelli nella loro analisi.
8 SEER
Facebook ha presentato SEER, un modello di intelligenza artificiale auto-supervisionato in grado di apprendere da un insieme casuale di immagini senza etichetta sul web. Sebbene sia presto, il team si aspetta che diventi una “rivoluzione” della visione artificiale. SEER è stato alimentato da un miliardo di immagini Instagram disponibili al pubblico, non curate manualmente. Di conseguenza, anche senza etichette e annotazioni, potrebbe lavorare autonomamente attraverso il set di dati, apprendere e ottenere risultati accurati per il rilevamento di oggetti.
9 DeepCTRL
I ricercatori di Google Cloud AI hanno rilasciato DeepCTRL (Deep Neural Networks with Controllable Rule Representations), che combina un codificatore e un obiettivo basato su regole nel modello che consente il processo decisionale. Il tipo di dati e l’architettura del modello non sono importanti per DeepCTRL. Il punto forte di DeepCTRL è che non richiede il riaddestramento per alterare la forza della regola: l’utente può regolarlo all’inferenza in base all’accuratezza desiderata rispetto al rapporto di verifica della regola.
10 data2vec
Meta AI ha rilasciato data2vec , definendolo “il primo algoritmo auto-supervisionato ad alte prestazioni che funziona per più modalità”. Questo algoritmo può essere applicato separatamente a voce, testo e immagini, superando i precedenti migliori algoritmi monouso per la visione artificiale e la voce. Rappresenta un nuovo paradigma di apprendimento auto-supervisionato, in cui la nuova ricerca migliora molteplici modalità piuttosto che una sola. L’algoritmo consentirà agli utenti di sviluppare un’intelligenza artificiale più adattabile, eseguendo compiti oltre i sistemi odierni. Meta ha affermato che data2vec non si basa sull’apprendimento contrastivo o sulla ricostruzione dell’esempio di input. Il gigante della tecnologia ha anche rilasciato codice open source e modelli pre -addestrati .
DI TASMIA ANSARI da analyticsindiamag.com
