Sfruttando evoluzione con AI
Tonya Hall e il Dr. James Campo, fondatore e CEO di LabGenius, parla del processo di sfruttare l’evoluzione attraverso il potere di AI per creare molecole di DNA.
Ancoraggio non può essere il più ben collegato posizione nel mondo. Ma a quanto pare, quando la gente e i dati sono ben collegati, la posizione può seguire. Anchorage è stata ospite a SIGKDD Conferenza Knowledge Discovery e Data Mining nel 2019 o KDD, come è comunemente noto. La conferenza è organizzata dalla Association for Computing Machinery (ACM)’s Special Interest Group on Knowledge Discovery e Data Mining (SIGKDD).
KDD è uno dei più noti e popolari eventi per i dati di scienza e di AI, che attrae circa 3.500 ricercatori nel 2018 a Londra. Anche se la decisione di ospitare KDD 2019 in Anchorage destato qualche preoccupazione, le presenze in realtà non cadere.
Il 25 incarnazione di KDD un “chi è chi” in data science e AI. KDD è stato istituito da persone che sono state in data science e AI prima avevano dato il loro moniker attuale e ha attirato l’attenzione diffusa.
KDD è un punto di incontro per la ricerca e l’industria. Le persone che mostrano il loro lavoro in KDD spesso passare attraverso quelle porte girevoli, con alcuni di loro indossano entrambi cappelli, allo stesso tempo. Caso in questione, il KDD applicata scienza di dati relatori invitati pista, con i dati di scienziati del calibro di Airbnb, Alibaba, Amazon, Apple, Facebook, Google, NASA, LinkedIn, e Microsoft.
L’obiettivo è stato quello di invitare autorevoli relatori, che hanno direttamente contribuito al successo le applicazioni di data mining nei loro rispettivi campi. Guardando gli argomenti scelti da quegli altoparlanti, così come KDD procedimento, un tema cominciato ad emergere.
Una delle cose che sembrano essere il top della mente per queste persone sta spingendo i limiti di apprendimento profondo. Questa forma di apprendimento automatico ha ottenuto grandi successi negli ultimi anni. Molti AI ricercatori ritengono apprendimento profondo sulla propria non potrà mai essere molto più sofisticato di riconoscimento di pattern: Grande per il riconoscimento facciale o la traduzione in lingua, ma a corto di vera intelligenza.
Apple integra conoscenze di dominio in un profondo apprendimento
Ruslan Salakhutdinov, direttore di AI di ricerca di Apple e docente di informatica presso il dipartimento di machine learning presso la Carnegie Mellon University (CMU), si è concentrato su questo argomento nella sua presentazione: Integrare le Conoscenze di Dominio in un Profondo Apprendimento.
La presentazione, basata su Salakhutdinov note da CMU, esplorato i modi per incorporare le conoscenze di dominio in macchina modello di apprendimento di architetture e algoritmi. Tre classi di conoscenza di dominio sono stati considerati: relazionali, logici, e la conoscenza scientifica.
Conoscenza logica si riferisce a ciò che è formalmente chiamato proposizionale e del primo ordine logica, o in termini più semplici, basato su regole di ragionamento: E. g., se un oggetto ha un ala e un becco, è un uccello. La conoscenza scientifica, come le Leggi del Moto di Newton, è codificato in modi più complessi, come parziale e equazioni differenziali stocastiche.
Relazionali conoscenza si riferisce a semplici relazioni tra entità, come il padre, Bob, Alice). Questo tipo di conoscenza è disponibile tramite database relazionali o conoscenza grafici. Potrebbe essere la più semplice, rispetto alla logica e conoscenza scientifica, ma che non rende semplice per integrare nella macchina di apprendimento.
Parte di Salakhutdinov presentazione focalizzata sulla comprensione della lettura e di elaborazione del linguaggio naturale (NLP). L’attuale stato dell’arte in PNL combina tecniche di recitazione su dati non strutturati (testo) con le tecniche di trasformazione di dati strutturati (conoscenza grafici).
Incorporamenti sono una di quelle tecniche, inizialmente usato per il testo, ora anche esteso e adattato per i grafici. L’idea in incorporamenti è quello di rappresentare un ordine superiore della struttura, che algoritmi di apprendimento automatico in grado di elaborare direttamente, per un ordine inferiore, vettore di struttura che può essere utilizzato da macchina di apprendimento.
Ci sono molti modi per farlo, ma alla fine nel testo, come nei grafici, l’obiettivo è quello di mappare simili ingressi a simili valori di vettore. Lavoro presentato in KDD da IBM Research e Huawei era destinato a far avanzare lo stato dell’arte nel grafico incorporamenti.
Alibaba costruisce una completa grafico di rete neurale piattaforma
Un altro relatore invitato per KDD è stato Hongxia Yang, Senior Staff di Dati Scienziato e Direttore di Alibaba Group. Yang presentazione focalizzata sulla AliGraph, una Completa Grafico di Rete Neurale Piattaforma.
Come notato in Alibaba lavoro, un numero crescente di macchina compiti di apprendimento richiedono di lavorare con grandi set di dati del grafico, che cattura ricco e complesso di relazioni tra, potenzialmente, miliardi di elementi. Grafico Reti Neurali (GNN) diventare un modo efficace per affrontare il grafico problema di apprendimento.
GNNs sono le reti neurali che operano direttamente sui Grafici. Una tipica applicazione di GNN è il nodo classificazione: Ogni nodo in un grafo è associata un’etichetta, e l’obiettivo è quello di prevedere l’etichetta dei nodi senza terra-verità. Lavorare con GNNs, dati gli scienziati in primo luogo bisogno di convertire i grafici per le matrici di adiacenza, mantenendo strutturali e la struttura delle informazioni il più possibile intatta.

Alibaba ha costruito AliGraph, una Completa Grafico di Rete Neurale Piattaforma, dando infrastrutture più avanzate per l’esecuzione di grafico a base di deep learning applicazioni. Immagine Di: Alibaba
Tuttavia, fornire un valido grafico di storage e funzionalità di calcolo per facilitare GNN di formazione e di permettere lo sviluppo di nuove GNN algoritmi è difficile. Yang ha presentato AliGraph, una completa grafico di rete neurale, che si articola distribuito grafico di archiviazione, ottimizzato di campionamento operatori, e runtime.
Il sistema è attualmente distribuito su Alibaba per supportare una varietà di scenari di business, compresa la raccomandazione del prodotto e la ricerca personalizzata a Alibaba la piattaforma di E-Commerce. Può supportare efficacemente non solo popolari esistenti GNNs, ma anche una serie di in-house sviluppati per i diversi scenari.
Esperimenti su un set di dati con 492.90 milioni di vertici, del 6,82 miliardi di bordi, e ricco di attributi indicano AliGraph per eseguire un ordine di grandezza più veloce di lavoro esistenti in termini di grafico edificio: Cinque minuti anziché in ore segnalato dallo stato-of-the-art PowerGraph piattaforma. Presso il centro di formazione, AliGraph gestisce 40% al 50% più veloce e dimostra intorno a 12 volte la velocità con il runtime migliorata.
Alibaba utilizza grafico di partizionamento, magazzinaggio separato di attributi e la memorizzazione nella cache dei vicini di importanti vertici di superare le sfide per un’efficiente grafico di accesso, soprattutto in un ambiente distribuito di cluster. Questo lavoro molto denso delinea le future direzioni nel perseguire GNNs con più dovizia di particolari, la velocità e la precisione, e l’aggiunta di Auto-ML funzionalità.
Gran parte di quanto sopra può sembrare un po ‘ esotico. Esotici o non, tuttavia, le loro implicazioni, quando utilizzato nel mondo reale, sono piuttosto significative. AliGraph significa che Alibaba sembra attualmente la più avanzata infrastruttura per l’esecuzione di GNN applicazioni. GENI significa che Amazon può identificare i nodi importanti nel suo knowledge graph meglio di chiunque altro.
Apple ambizione di integrare diversi tipi di conoscenza in un profondo apprendimento può dire che sono il primo ad avanzare l’unificazione di apprendimento profondo e simbolico AI maggiori di chiunque altro. E l’elenco non finisce qui — visionario di framework come Apple per più di use-case applicazioni orientate.
Snapchat è con un’Azione Grafico per la caratterizzano e la previsione di coinvolgimento degli utenti. Baidu è utilizzando un grafico conoscenza di tecniche di lavoro, Abilità di Grafico, costruito per il completo di modellazione le competenze rilevanti che devono essere valutati in colloqui di lavoro. Alibaba, di nuovo, genera personalizzato descrizioni di prodotto che combina le reti neurali e i Cinesi di DBpedia knowledge base riportato di seguito.
Chi avrebbe mai pensato: Conoscenze di base di R&D in Cina dominerà il mondo
In sintesi, relativi al grafico e basata sulla conoscenza, la ricerca e lo sviluppo sono in pieno boom. Un rapido conteggio in KDD del procedimento è il racconto. Più di 300 tipi di carta sono un sacco, e abbiamo avuto solo un superfluo occhiata a un paio di che ha catturato la nostra attenzione. Ma circa il 20% di più di 300 pubblicazioni sembrano coinvolgere grafici e sistemi basati sulla conoscenza.
C’era qualcos’altro che anche suscitato il nostro interesse: la ricchezza di contributi dalla Cina. Non solo Cinesi di organizzazioni, alcune delle quali abbiamo parlato in precedenza, ma anche ricercatori Cinesi non Cinese organizzazioni. Questo sembra convalidare le opinioni di esperti: la Cina sta crescendo rapidamente in AI, troppo, ed è destinato a diventare N ° 1, se non già.
Una cosa che abbiamo notato, anche se non originale: L’interazione tra ricerca e industria. Come abbiamo notato in precedenza, gran parte del lavoro pubblicato in KDD è stato uno sforzo congiunto che coinvolge la ricerca e l’industria. E più spesso di quanto non, ricercatori saltare la nave per l’industria e per il lavoro di ricerca e industria. Da un lato, questo strisce ricerca del suo talento; dall’altro, porta etica e rigore per l’industria.
Queste tendenze condividono una caratteristica comune: non sembra molto probabile che si verificano per la maggior parte delle persone, solo pochi anni fa. Chi avrebbe mai pensato: Conoscenze di base di R&D in Cina sembra destinata a dominare il mondo.
I Big Data
La sottile arte di big data: la Ricorsione Pharma mappe corpo
I dati e AI panorama del mercato 2019: La prossima ondata di ibrido emerge
La trasformazione digitale: Come di una banca utilizza AI, big data e chatbots per creare nuovi servizi
Come la gestione dei dati di lavori alla NASA (ZDNet YouTube)
La configurazione del nuovo iPhone non è mai stato più facile di questo (CNET)
Dati gli scienziati: Guadagnare lo stipendio più alto in queste 5 città (TechRepublic)
Argomenti Correlati:
L’innovazione
La Trasformazione Digitale
CXO
Internet delle Cose
Enterprise Software
Smart Cities