Blog
Od pátku 23.3. do neděle 25.3. se konala konference na téma Machine Learning v krásné novorenesanční budově Rudolfinum v Praze. Tato konference se konala již potřetí. V roce 2016, kdy se konference konala poprvé, se jí zúčastnilo okolo 300 nadšenců, o rok později vzrostl počet účastníků na 500 a letos to bylo již okolo 1000 zájemců o umělou inteligenci a machine learning (ML) z celého světa.
Za poslední roky roste také počet datových analytiků nebo data scientistů, vzrostla po nich poptávka na trhu práce. Mezi zájemce o umělou inteligenci na konferenci patřili nejenom ajťáci, ale většina nadšenců byla z řad statistiků, matematiků a fyziků. Co se týče mého obecného dojmu, konference byla spíše businessově zaměřená, speakeři ve svých 20ti minutách bohužel neměli příliš mnoho prostoru vysvětlit, jak aplikují machine learning v praxi. Velká část využití ML, o kterých speakeři mluvili, je dnes již obecně známá. Přesto byla konference velmi inspirativní a zajímavá.
První den konference byl věnován workshopům, bylo možné si vybrat z 9 různých témat (https://www.mlprague.com/#schedule-friday). V sobotu a neděli pak vystoupilo 20 odborníků na machine learning, např. Anna Ukhanova z Googlu nebo Amita Srivastava, který je výzkumným ředitelem společnosti eBay. Zakladatel konference Jiří Materna, který založil Machine Learning Prague společně s Šárkou Štrossovou, říká, že „Machine learning není jen trendy téma, ale do budoucna se stane nezbytnou skutečností pro udržení konkurenceschopnosti firem.“
Vybrala jsem pár nejzajímavějších přednášek, které trochu blíže představím: Magic In the Machine, Personal Shopping Assistants for Conversational Commerce, Deep Learning is revolutionizing Artificial Intelligence, The Alexa Prize Socialbot a Social good at cloud scale.
Magic In the Machine
Autor: Anna Ukhanova, Google
Jak jistě všichni víte, společnost Google o nás shromažďuje velké množství informací, tyto informace jim pomáhají při výzkumu AI. Bez velkého množství dat by nebylo možné dosáhnout takových výsledků. Údaje shromážděné od společnosti Google ukázaly, že existují různé způsoby, jak lidé z různých zemí a kultur kreslí (vidí) typickou židli.
Google se snaží poskytovat všem uživatelům užitečné a inovativní produkty, proto je důležité rozšířit přístup k AI i pro další společnosti, které by mohly umělou inteligenci používat také ve svých produktech. Machine learning je použitý ve většině Google aplikací (Translate, Maps, YouTube, Drive…).
Deep Neural Networks
Anna vysvětlovala neuronové sítě na příkladu rozpoznávání objektů. Neuronové sítě pomáhají shlukovat a klasifikovat. Představit si to můžeme jako clusteringovou a klasifikační vrstvu nad daty, která ukládáme a spravujeme. Pomáhají seskupovat neoznačená data podle podobností – například rozeznávání objektů, třídění koček a psů pomocí algoritmu konvoluční neuronová síť (Convolution neural network – CNN). Praktický návod ke třídění koček a psů pomocí algoritmu CNN: https://adilmoujahid.com/posts/2016/06/introduction-deep-learning-python-caffe/.
1. Detekování problému
Cílem je vytvořit algoritmus strojového učení schopný detekovat správné zvíře (kočku nebo psa) na nových snímcích. Ve strojovém učení se tento typ problémů nazývá klasifikace.
2. Klasifikace
Fáze výcviku – v této fázi trénujeme algoritmus strojového učení s použitím souboru dat, který tvoří obrázky a jejich odpovídající štítky
Fáze predikce – v této fázi používáme vyškolený model k předvídání štítků nových snímků.
Google Lens
Umělá inteligence rozeznává objekty, které je možné vidět přes objekt fotoaparátu a následně pomocí internetu dokáže zjistit užitečné informace o objektu, například hodnocení restaurací nebo rozeznávání květin, a to pouhým namířením telefonu na objekt. Google Lens je součástí aplikace Google Fotky a Assistant Google, kde je služba mnohem rychlejší, protože není potřeba objekt nejprve vyfotografovat jako je tomu u aplikace Google Fotky.
TensorFlow
Veřejně dostupný framework pro práci a výzkum s umělou inteligencí. Slouží k numerickým výpočtům pomocí metody data flow graph. Může sloužit k výzkumům, ale i k novým hotovým aplikacím, které budou mít schopnost se učit. (Tensorflow.org)
Příkladem použití frameworku TensorFlow je Ida.
Ida
Pochopení a interpretování chování krav přináší zemědělcům přehled o zdraví jejich stáda. Ida se učí vzory pohybu krav od nositele senzoru. Tyto údaje jsou používané k modelování výcvikových strojů v zařízení TensorFlow a dále Ida dokáže odhalit nejasnosti vyplývající z potravy, vody, odpočinku, plodnosti, teploty atd. Ida je používaná k předčasnému předvídání problémů, zjišťování případů jako je například porucha trávení u krav a dále doporučuje zemědělcům, jak udržet krávy zdravé a jak mohou zlepšit efektivitu svých farem. S využitím těchto poznatků dosáhli farmáři třicetiprocentního nárůstu produkce mléka na jednotlivých farmách. Do roku 2050 bude potřeba nakrmit 9 miliard lidí, z toho vyplývá potřeba zvýšit produkci potravin o 60 %. Pomoc mlékárenským farmářům je jen jedním příkladem toho, jak by mohla být AI použita k řešení důležitých problémů.
Personal Shopping Assistants for Conversational Commerce
Autor: Amit Srivastava, eBay
eBay se snaží pomocí AI vylepšovat Shopbota, který by měl představovat co nejvěrněji lidského prodejce. Měl by umět poradit při nákupu, prodeji, odhalování cen, objevování produktů apod.
Proto eBay přišel se svým ShopBotem, který využívá umělé inteligence a debutuje ve službě Facebook Messenger. Jak to přesně funguje? Stačí napsat text, promluvit nebo vzít obrázek a tím ShopBotovi sdělíme, co chceme nakoupit. ShopBot klade klasické otázky, tak aby zúžil vyhledávání. Nakupování s eBayem by mělo být tak snadné, jako kdyby člověk opravdu mluvil s přítelem. ShopBot se stále trénuje rychleji a rychleji pomocí tisíce kladených dotazů.
Důležité je pochopení transformovat text z přirozeného jazyka do strojově čitelného formátu a extrahovat aspekty, které jsou relevantní pro daný úkol prostřednictvím analýzy. Je těžké vybudovat inteligentního důvěryhodného obchodního asistenta, který rozumí záměrům zákazníka. Pokud ShopBota ještě neznáte, podívejte se na níže přiložený odkaz, který vám inteligentního bota v krátkosti představí.
(https://www.youtube.com/watch?v=oXt85rA2HDk)
Deep Learning is revolutionizing Artificial Intelligence
Autor: Sepp Hochreiter, Institute of Bioinformatics, Johannes University of Linz
Deep learning se ukázal jako nejúspěšnější obor umělé inteligence. Sepp vyvinul LSTM opakující se neuronové sítě, které se vyvinuly v klíčové technologie v různých oblastech AI, jako je řeč, jazyk a textová analýza.
LSTM – long short term memory (opakující se neuronové sítě)
LSTM pro zpracování přirozeného jazyka analyzují módní blogy nebo Twitter zprávy týkající se zdraví. S deep learningem vyhráli NIH Tox21 challenge, kde předvídali biologické účinky kandidátů na léčivé přípravky z jejich chemické struktury.
Deep learning je určitá inteligence z Big data.
- neuronové sítě, velmi rychlé počítače a masivní datové soubory
Deep learning pro autonomní řízení
- předpověď situací (LSTM)
- pozornost (LSTM)
- senzor (GPS, radar)
- vzácné události (nebezpečné situace)
Jsou to sítě schopné učit se dlouhodobé závislosti. Lidé nezačínají své myšlení od začátku každou vteřinu. Při čtení rozumí každému slovu na základě porozumění předcházejících slov. Tradiční neuronové sítě toho nejsou schopné, pokud bychom chtěli klasifikovat například druh události v každém bodě filmu. Není jasné, jak by tradiční neuronová síť mohla použít své úvahy o předchozích událostech ve filmu. Opakující se neuronové sítě řeší tento problém. Jsou to sítě se smyčkami, které umožňují přetrvávat informace.
(https://colah.github.io/posts/2015-08-Understanding-LSTMs/)
The Alexa Prize Socialbot
Jan Pichl
Alquist je jedním ze tří chatbotů, které byly vybrány jako finalisté ceny Alexa. Úkolem tohoto chatbota je udržovat koherentní a poutavý rozhovor s uživatelem o populárních tématech (film, sport, zprávy, hudba apod.). Využívá kombinací generativních a vyhledávacích přístupů k vyvážení obou metod. Jeho vývoj trval více než jeden rok skupinou 5 studentů. Hodnocení bylo na základě souvislých rozhovorů s lidmi po dobu 20 minut.
Vývoj
Rok 2017
Dialogy jsou striktně rozděleny do sekcí: filmy, sporty, knihy, zaměřené na krátké věty.
Rok 2018
Rozhoduje se o dialogu, samostatný dialog, snadno dochází k obecnému dialogu.
Jak to funguje? Začneme s formulí „Let’s chat“ a chatbot začne s první otázkou, například jaký je váš oblíbený film? Osoba mu odpoví a konverzace se vede několik minut. Rozhovor se ukončí slovem „Stop!“.
(Více zde: https://alquistai.com/)
Computer vision technology In Konica Minolta’s Care Support Solution
Autor: Satoshi Kondo
Protože populace stárne, přišla společnost Konica Minolta v roce 2016 s řešením, jak ulehčit rodinám a zdravotnímu personálu s péčí o své blízké a pacienty. Jedná se o monitorovací systém Care Support Solution, který slouží jako pomocník pro ošetřovatelskou službu. Care Support Solution je skříňka, která provádí 24 hodinové sledování pomocí snímačů. Hlídá neobvyklé chování (pohyb) pacienta, dokáže rozpoznat, zda pacient sedí na posteli, opustí lůžko, nebo jestli například spadnul z postele apod. Ošetřovatelé jsou informováni prostřednictvím smartphonu o neobvyklých událostech. Zaměstnanci mohou také používat své smartphony k nahrávání nebo okamžitému sdílení.
Tímto způsobem se zlepšila ošetřovatelská péče o 10 % u denní služby a o 29 % u noční služby.
Social good at cloud scale
Autor: Michael Lanzetta
Michael přednášel o Deep Learningu jako o teorii, která má šanci stát se masivní silou pro dobro ve světě. Může pomoci lidem pracujícím v Libyi (nelidské pracovní podmínky), pomáhá v odhalování nezákonné těžby v Ghaně, hledá oběti katastrof pomocí rozpoznání obličeje a sledování ohrožených druhů. Michael poskytuje svůj zdrojový kód a vyzývá k tomu, aby začali pomáhat i ostatní.
I další přednášky byly velice inspirativní, více zde: https://slideslive.com/mlprague/machine-learning-prague-2018.
Dominující technologií využívanou v machine learningu je Python. Python je vysokoúrovňový skriptovací programovací jazyk, vyvíjený jako open source. Nabízí celou řadu vědeckých balíčků (Pandas, SciPy, NumPy, Matplotlib, Scikit-learn).
Na závěr
Ze života datového analytika:
A company manager is flying across the desert in a hot air balloon when he realizes he is lost. He calls down to a man riding a camel below him and asks where he is.
The man replies “You’re 42 degrees and 12 minutes, 21.2 seconds north, 122 degrees , 10 minutes west, 212 metres above sea level, heading due east by north east.”
“Thanks,” replies the balloonist. “By the way, are you a data analyst?”
“Yes,” replies the man, “how did you know?”
“Everything you told me was totally accurate, you gave me way more information than I needed and I still have no idea what I need to do.”
“I’m sorry,” replied the camel-riding analyst. “By the way, are you a company manager?”
“Yes,” said the balloonist, “how did you know?”
“Well,” replied the analyst, “You’ve got no idea where you are, no idea what direction you’re heading in, you got yourself into this fix by blowing a load of hot air, and now you expect me to get you out of it.”
Poslední komentáře