Connect with us
https://ainews.site/wp-content/uploads/2021/11/zox-leader.png

Published

on

The Ultimate Managed Hosting Platform

Punteggio di credito: Pixabay/CC0 Area pubblica

I ricercatori hanno sviluppato un algoritmo che può determinare i desideri essenziali dei clienti dal contenuto testuale e dalle immagini che condividono sui social network. I consulenti sperano che questo software aiuti gli psicologi a diagnosticare potenziali problemi di benessere psicologico. La ricerca indica che i clienti di lingua spagnola di solito tendono a sottolineare problemi di relazione quando si sentono depressi rispetto al sistema audio inglese.

Dedichiamo gran parte del nostro tempo alla condivisione di immagini, filmati o idee sui social network paragonabili a Instagram, Fb e Twitter. Ora, un gruppo di ricercatori dell’Universitat Oberta de Catalunya (UOC) ha sviluppato un algoritmo che mira ad aiutare gli psicologi a diagnosticare potenziali problemi di benessere psicologico attraverso i contenuti che le persone mettono su queste piattaforme.

In accordo con il Principio Alternativo di William Glasser, ce ne sono 5 che sono centrali per tutta la condotta umana: sopravvivenza, energia, libertà, appartenenza e divertimento. Questi desideri hanno anche un effetto sulle fotografie che selezioniamo da aggiungere alla nostra pagina web di Instagram. “Come ci aggiorniamo può presentare dettagli utili su comportamenti, personalità, punti di vista, motivazioni e desideri”, ha definito Mohammad Mahdi Dehshibi, che ha guidato questa ricerca in tutto il gruppo AI for Human Properly-being (AIWELL), che appartiene al College of Pc Science, Multimedia and Telecommunications sull’UOC.

Il gruppo di analisi ha trascorso due anni impegnato su a che identifica i 5 desideri descritti da Glasser, utilizzando conoscenze multimodali paragonabili a immagini, contenuti testuali, biografia e geolocalizzazione. Per la ricerca, che è stata stampata all’interno della rivista Transazioni IEEE sul calcolo affettivosono stati analizzati 86 profili Instagram, in spagnolo e persiano.

Disegnare su e database, i consulenti hanno sviluppato un algoritmo per determinare il contenuto delle fotografie e per categorizzare il contenuto testuale assegnando etichette totalmente diverse proposte dagli psicologi, che contrastano i risultati con un database contenente oltre 30.000 immagini, didascalie e feedback.

Il problema della standardizzazione delle etichette ottenute da testi e immagini è stato risolto con un codebook, materiale Bag-of-Content, che hanno descritto come una “mappa semantica dal visibile all’area testuale”. Secondo i ricercatori, gli esperimenti “presentano un’accuratezza promettente e dati complementari tra segnali visibili e testuali”.

Ogni alternativa che rispondiamo a un solo desiderio fondamentale? L’idea di Glasser dice in ogni altro caso, e il metodo multi-label di questa ricerca è utile per chiarire questo dubbio. Dehshibi, attualmente analista presso il laboratorio di ricerca imBody dell’Università Carlos III de Madrid (UC3M) e presso l’Unconventional Computing Laboratory, UWE Bristol, utilizza un esempio per chiarire questo: “Pensa a {che un} proprietario di bicicletta sta guidando su una montagna, e in alto, sceglieranno tra condividere un selfie e una foto di gruppo. Nel caso in cui scelgano il selfie, comprendiamo la necessità di Energia, ma quando selezionano la possibilità opposta, concluderemo che la persona in particolare non dovrebbe essere solo alla ricerca di Piacevole, ma anche di un approccio per soddisfare il suo desiderio di Appartenente.”

Inoltre, il fatto che i profili analizzati appartengano a persone che parlano in due lingue totalmente diverse evita pregiudizi culturali. Ricerche precedenti hanno scoperto, ad esempio, che i clienti di lingua spagnola di solito tendono a sottolineare quando si sentono depressi rispetto al sistema audio inglese. “Scoprire la conoscenza dai social network che appartengono a clienti che non parlano inglese può aiutare a costruire strumenti e mode inclusivi e numerosi per affrontare i problemi di benessere psicologico in persone con numerosi background culturali o linguistici”, hanno affermato.

Gli autori ritengono che la loro analisi possa aiutare a migliorare dall’identificazione al miglioramento della terapia quando un individuo è stato identificato con una disfunzione del benessere psicologico.


Il bot può individuare utenti Twitter depressi in 9 casi su 10


Dati extra:

Mohammad Mahdi Dehshibi et al, Un metodo di studio multimodale profondo per comprendere i desideri fondamentali delle persone dal profilo Instagram, Transazioni IEEE sul calcolo affettivo (2021). DOI: 10.1109/TAFFC.2021.3090809

Offerto da
Universitat Oberta de Catalunya

Quotazione:
Un algoritmo capace di rilevare l’infelicità sui social network (2022, 13 maggio)
recuperato il 13 maggio 2022
da https://techxplore.com/information/2022-05-algorithm-unhappiness-social-networks.html

Questo documento è soggetto a copyright. Al di là di ogni onesto trattamento finalizzato alla ricerca o all’analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto è offerto esclusivamente per le funzioni di dati.

L'ultima piattaforma di hosting gestito

Collegamento sorgente

Il post Un algoritmo addestrato per rilevare l’infelicità sui social network è apparso per la prima volta su Le ultime novità in fatto di intelligenza artificiale | Robotica AI | Notizie sull’apprendimento automatico.

The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Paper rivela che un quarto degli utenti di Internet nel mondo si affida a un’infrastruttura suscettibile agli attacchi – The Latest in Artificial Intelligence | Robotica AI

Published

on

Paper reveals a quarter of the world's internet users rely on infrastructure that is susceptible to attacks

The Ultimate Managed Hosting Platform

Punteggio di credito: Pixabay/CC0 Area pubblica

La maggior parte delle persone ha un’oscura sensazione che qualcuno da qualche parte stia facendo del male con le impronte di informazioni create dalle loro azioni online: forse il loro uso di un’app sta permettendo a quell’azienda di costruire un profilo delle proprie abitudini, o forse continuano a adottato da pubblicità raccapriccianti.

È più grande di un senso. Molte aziende nel settore della tecnologia del benessere, che forniscono fornitori che variano da la consulenza per il trasporto di pastiglie per disfunzioni da deficit di attenzione/iperattività tramite posta ha pratiche di riservatezza sorprendentemente trapelate.

Un’informazione lanciata questo mese da Mozilla Basis ha scoperto che 26 delle 32 app per il benessere psicologico avevano garanzie lassiste. Gli analisti dell’ispirazione hanno documentato alcune debolezze delle loro pratiche di riservatezza.

Jen Caltrider, il capo della sfida di Mozilla, ha detto che le polizze assicurative sulla privacy delle app che usava per osservare la batteria non erano del tutto diverse dalle polizze assicurative delle app per il benessere psicologico esaminate dall’ispirazione, indipendentemente dalla sensibilità di gran lunga migliore di ciò che quest’ultima dati.

“Non mi interessa se qualcuno è a conoscenza, osservo i tamburi due volte a settimana, tuttavia mi interessa se qualcuno è a conoscenza di andare dal terapeuta due volte a settimana”, ha detto. “Questo è semplicemente un’altra pentola d’oro per loro, per i loro commercianti.

La posta in gioco si è rivelata sempre più pressante nel pensiero pubblico. Le app utilizzate dalle donne, che ricordano gli interval tracker e diversi tipi di know-how sulla gestione della fertilità, al momento sono al centro delle preoccupazioni per il potenziale ribaltamento di Roe v. Wade. Alimentati dai social media, i clienti si esortano l’un l’altro a cancellare le informazioni salvate da queste app, una cosa non sempre concessa ai clienti delle app per il benessere, per paura che la conoscenza possa essere utilizzata nei loro confronti.

“Credo che queste enormi attrezzature informative siano un giorno della resa dei conti”, ha affermato il senatore statunitense Ron Wyden, D-Oregon. «Devono essere risoluti: custodiranno la privacy delle donne che fanno affari con loro? O principalmente promuoveranno al miglior offerente?”

Contrastare questi timori è una mozione per aumentare l’uso dei dati di gestione attraverso leggi e regolamenti. Considerando che infermieri, ospedali e diversi Rispettare le protezioni sulla privacy messe in atto dal Wellbeing Insurance Coverability and Accountability Act, o HIPAA, il fiorente settore delle app per la cura del benessere ha scudi più scarsi per i clienti.

Anche se alcuni spero il potrebbe intervenire dopo anni di lavoro, il tempo sta finendo per una risoluzione del Congresso perché le elezioni di medio termine a novembre metodo.

Entra nel settore non pubblico. In 12 mesi, un gruppo di organizzazioni non profit e aziende ha lanciato un rapporto chiedendo una sfida di autoregolamentazione per proteggere le informazioni dei malati quando è esterno al sistema di assistenza sanitaria, un metodo che i critici esaminano con la proverbiale volpe a guardia del pollaio.

I sostenitori della sfida raccontano una storia unica. L’iniziativa si è sviluppata in due anni con due team: Heart for Democracy and Know-how e Executives for Wellbeing Innovation. Alla fine, un tale sforzo potrebbe essere amministrato da BBB Nationwide Packages, un’organizzazione senza scopo di lucro non appena collegata all’Higher Enterprise Bureau.

Le aziende che collaborano possono conservare una varietà di informazioni, da dati genomici a dati diversi, e lavorare con app, dispositivi indossabili o prodotti diversi. Queste aziende si conformerebbero a audit, controlli a campione e diverse azioni di conformità in alternativa per un tipo di certificazione o sigillo di approvazione. Tale esercizio, sostenevano i redattori, aiuterebbe a riparare le fughe di privacy all’interno del sistema attuale.

“È una vera e propria borsa combinata: per persone straordinarie, per la privacy del benessere”, ha riconosciuto Andy Crawford, consulente senior per la privacy e le informazioni su Heart for Democracy and Know-how. “HIPAA ha protezioni di privacy rispettabili”, ha detto. Il resto dell’ecosistema, tuttavia, presenta delle lacune.

Tuttavia, vi sono notevoli dubbi sul fatto che la proposta del settore non pubblico creerà un sistema di regolamentazione praticabile per l’informazione sul benessere. Molti contributori, insieme a un certo numero di aziende e costituenti più forti dell’iniziativa, che ricordano Apple, Google e 23andMe, si sono ritirati nel corso della gestazione. (Un portavoce di 23andMe ha citato “punti di larghezza di banda” e famoso la partecipazione dell’azienda alla pubblicazione di idee sulla privacy genetica. Le due aziende opposte non hanno risposto alle richieste di commento.)

Diversi contributori hanno ritenuto che le ambizioni della sfida fossero state orientate verso le attività dell’azienda. Tuttavia quell’opinione non era essenzialmente comune: una partecipante, Laura Hoffman, in precedenza dell’American Medical Affiliation, ha menzionato che le società a scopo di lucro erano incazzate da “vincoli che potrebbero imporre pratiche aziendali utili che sfruttano ogni persona e comunità”.

In generale, i piani di autoregolamentazione funzionano come una miscela di carota e bastone. L’appartenenza all’ambito dell’autoregolamentazione “potrebbe essere un vantaggio pubblicitario, un vantaggio aggressivo”, ha affermato Mary Engle, vicepresidente del governo per BBB Nationwide Packages. Gli acquirenti potrebbero voler utilizzare app o prodotti che promettono di proteggere la privacy delle persone interessate.

Ma quando queste aziende vanno fuori strada, pubblicizzando le loro pratiche di riservatezza senza in realtà difendere i clienti, verranno colpite dalla tassa federale sul commercio. L’azienda può perseguire le aziende che non risiedono tanto quanto le loro garanzie sotto la sua autorità per vigilare su pratiche commerciali sleali o ingannevoli.

Tuttavia, ci sono solo alcune questioni chiave, ha detto Lucia Savage, una privata esperta di Omada Wellbeing, una startup che si occupa di prediabete digitale e diverse situazioni persistenti. Savage in precedenza è stato chief privateness officer per la divisione statunitense per il benessere e il posto di lavoro delle aziende umane del coordinatore nazionale per il know-how informativo sul benessere. “Non è necessario che uno si autoregola”, ha detto. Le società possono decidere di non farne parte. E i clienti non sapranno cercare una certificazione di pratiche eccellenti.

“Le aziende non si autoregolano. Semplicemente non lo sono. È tanto quanto i responsabili politici”, ha affermato Caltrider di Mozilla. Ha citato la sua esperienza personale: inviare un’e-mail ai contatti privati ​​​​elencati dalle compagnie delle loro polizze assicurative, esclusivamente per essere soddisfatta dal silenzio, anche dopo tre o 4 e-mail. Un’azienda in seguito ha affermato che la persona responsabile del monitoraggio dell’handle di posta elettronica se n’era andata e doveva essere sostituita. “Credo che stia dicendo”, ha detto.

Poi c’è l’applicazione: la FTC copre le aziende, non le organizzazioni no profit, ha detto Savage. E le organizzazioni non profit possono comportarsi semplicemente male come qualsiasi rapace barone rapinatore. In 12 mesi, una hotline suicida è stata coinvolta in uno scandalo dopo che Politico ha riferito di aver condiviso con una società di intelligence sintetica conversazioni di contenuti testuali online tra clienti che contemplavano l’autolesionismo e un servizio di chat basato sull’intelligenza artificiale. Il movimento FTC potrebbe essere ponderoso e Savage si chiede se i clienti siano effettivamente più in alto in seguito.

Si potrebbero riscontrare difficoltà all’interno dello stesso quadro di autoregolamentazione proposto. Alcune frasi chiave, come “dati sul benessere”, non sono assolutamente delineate.

È semplice dire che alcune informazioni, come le informazioni genomiche, sono informazioni sul benessere. È più spinoso per diversi tipi di dati. I ricercatori stanno riproponendo informazioni apparentemente straordinarie, proprio come il tono della voce di 1, come indicatore del benessere di 1. Quindi è più probabile che impostare la definizione corretta sia un processo difficile per qualsiasi regolatore.

Per ora, le discussioni, all’interno del settore non pubblico o nelle autorità o meno, sono semplicemente questo. Alcune aziende stanno segnalando il loro ottimismo sul fatto che il Congresso possa emanare leggi complete sulla privacy. “Le persone hanno bisogno di una nazione legislazione”, ha menzionato Kent Walker, Chief Authorized Officer di Google, in un’occasione tenutasi dall’R Road Institute, un suppone tank a favore del libero mercato. “Abbiamo il Congresso molto vicino a approvare una cosa”.

Questo potrebbe essere semplicemente il tonico per i critici di un metodo di autoregolamentazione, basandosi sui punti principali. Tuttavia, restano irrisolte alcune specificità, che ricordano chi dovrebbe attuare le disposizioni della potenziale normativa.

L’iniziativa di autoregolamentazione è alla ricerca di finanziamenti per startup, probabilmente da parte di filantropie, scaduti a prescindere da quote o oneri che lo manterrebbero. Tuttavia, Engle di BBB Nationwide Packages ha menzionato che la mozione è pressante: “Nessuno è a conoscenza di quando le leggi si sposteranno. Non lo guarderemo. Ci sono molte di queste informazioni che vengono raccolte e non vengono mai protette”.


Dovresti preoccuparti che i dati della tua app di monitoraggio del ciclo vengano utilizzati contro di te?


Informazioni sul benessere Kaiser 2022. Distribuito da Tribune Content material Company, LLC.

Quotazione:
Il settore non pubblico interviene per proteggere la privacy del benessere online, tuttavia i critici affermano che in realtà non ci si può fidare (2022, 25 maggio)
recuperato il 25 maggio 2022
da https://techxplore.com/information/2022-05-private-sector-online-health-privacy.html

Questo documento è soggetto a copyright. Al di fuori di qualsiasi transazione veritiera a fini di indagine o analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto viene fornito esclusivamente per le funzioni di dati.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

La diversità è la chiave della collaborazione? Lo suggerisce una nuova ricerca sull’IA – Le ultime novità in materia di intelligenza artificiale | Robotica AI

Published

on

Is diversity the key to collaboration? New AI research suggests so

The Ultimate Managed Hosting Platform

Una nuova analisi significa che allenare un manichino di intelligence artificiale con compagni di squadra matematicamente “numerosi” migliora i suoi mezzi per collaborare con diverse IA con cui non ha mai lavorato prima. Punteggio di credito: Bryan Mastergeorge

Poiché l’intelligenza sintetica aumenterà nello svolgere compiti non appena solo nelle dita delle persone, come la guida di veicoli, molti vedono l’intelligenza di gruppo come una frontiera successiva. In questo futuro, le persone e l’IA sono veri compagni in lavori ad alto rischio, corrispondenti all’esecuzione di complicate procedure chirurgiche o alla difesa dai missili. Tuttavia, prima che l’intelligenza di gruppo possa decollare, i ricercatori dovrebbero superare un problema che corrode la cooperazione: le persone di solito non amano o non credono che i loro compagni di intelligenza artificiale.

Ora, la nuova analisi determina la varietà come parametro chiave per rendere l’IA un partecipante di gruppo più ampio.

I ricercatori del MIT Lincoln Laboratory hanno scoperto che allenare un manichino di intelligenza artificiale con compagni di squadra matematicamente “numerosi” migliora i suoi mezzi per collaborare con diverse IA con cui non ha mai lavorato prima, all’interno del gioco di carte Hanabi. Inoltre, ogni Facebook e DeepMind di Google hanno stampato contemporaneamente un lavoro imparziale che ha ulteriormente infuso la varietà nel coaching per migliorare i risultati nei videogiochi collaborativi umani-IA.

Complessivamente, i risultati potrebbero indirizzare i ricercatori su un percorso promettente verso la creazione di un’intelligenza artificiale che potrebbe funzionare in modo efficace ed essere visto praticamente come un buon collaboratore dai compagni di squadra umani.

“La verità che tutti noi siamo convergenti sull’identico concetto – che se desideri collaborare, devi esercitarti in un ambiente diverso – è elettrizzante e immagino che in realtà costituisca il palcoscenico per il lavoro a lungo termine nell’IA cooperativa”, dice Ross Allen, ricercatore del Synthetic Intelligence Know-how Group del Lincoln Laboratory e coautore di un documento che descrive in dettaglio questo lavoro, che è stato recentemente offerto sulla Convenzione mondiale sui broker autonomi e sui metodi multi-agente.

Adattarsi a comportamenti totalmente diversi

Per sviluppare l’IA cooperativa, molti ricercatori stanno utilizzando Hanabi come banco di prova. Hanabi sfida i giocatori a lavorare insieme per impilare le carte da gioco in modo che, tuttavia, i giocatori possano vedere esclusivamente le carte da gioco dei loro compagni di squadra e possono scambiarsi solo scarsi indizi su quali carte da gioco mantengono.

In un precedente esperimento, i ricercatori del Lincoln Laboratory hanno esaminato con le persone uno dei modelli Hanabi AI più performanti al mondo. Sono rimasti sbalorditi nello scoprire che alle persone non piaceva molto prendere parte a questo manichino di intelligenza artificiale, definendolo un compagno di squadra complicato e imprevedibile. “La conclusione è stata che ci manca una cosa riguardo alla scelta umana, e non siamo che bravi a creare mode che potrebbero funzionare nel mondo reale”, dice Allen.

Il gruppo si è chiesto se l’IA cooperativa debba essere educata diversamente. Il tipo di IA che si sta abituando, noto come , impara storicamente i metodi per riuscire in compiti complicati scoprendo quali azioni danno la migliore ricompensa. Di solito è educato e valutato verso le mode proprio come se stesso. Questo corso ha creato giocatori di intelligenza artificiale senza pari in videogiochi aggressivi come Go e StarCraft.

Tuttavia, affinché l’IA sia un collaboratore redditizio, forse non deve preoccuparsi solo di massimizzare la ricompensa quando si collabora con diversi broker di IA, ma anche di una cosa intrinseca in più: comprendere e adattarsi ai punti di forza e alle preferenze degli altri. In diverse frasi, deve essere insegnato e adattarsi alla varietà.

Come si pratica un’IA così orientata alla diversità? I ricercatori sono arrivati ​​​​qui con “Any-Play”. Any-Play aumenta il metodo di coaching di un agente AI Hanabi includendo un altro obiettivo, oltre a massimizzare il punteggio sportivo: l’IA dovrebbe stabilire accuratamente lo stile di gioco del suo compagno di coaching.

Questo stile di gioco è codificato all’interno del compagno di coaching come una variabile latente o nascosta che l’agente dovrebbe stimare. Lo fa osservando le variazioni nella condotta del suo compagno. Questo obiettivo richiede inoltre che al suo compagno vengano insegnati comportamenti distinti e riconoscibili con lo scopo di trasmettere queste variazioni all’agente AI ricevente.

Sebbene questa metodologia di induzione della varietà non sia nuova nel settore dell’IA, il gruppo ha esteso l’idea ai videogiochi collaborativi sfruttando questi comportamenti distinti come numerosi stili di gioco dello sport.

“L’agente dell’IA deve osservare la condotta dei suoi compagni allo scopo di stabilire quale accesso segreto hanno ottenuto e deve adattarsi a questi numerosi metodi di partecipazione per svolgere efficacemente la ricreazione. Il concetto è che questo potrebbe portare a un agente di intelligenza artificiale che è bravo a prendere parte a tipi di gioco completamente diversi”, afferma il primo scrittore e dottore di ricerca al Carnegie Mellon College. candidato Keane Lucas, che ha condotto gli esperimenti come ex stagista del laboratorio.

Divertirsi con gli altri in contrasto con se stesso

Il gruppo ha ampliato quel precedente manichino Hanabi (quello che avevano esaminato con le persone del loro precedente esperimento) con il corso di coaching Any-Play di. Per giudicare se il metodo ha migliorato la collaborazione, i ricercatori hanno unito il manichino con “sconosciuti” – più di 100 diverse mode Hanabi che non aveva mai incontrato prima e che sono state educate da algoritmi separati – in centinaia di migliaia di due partite dei giocatori.

Gli accoppiamenti Any-Play hanno superato tutti i diversi gruppi, quando questi gruppi sono stati inoltre composti da compagni che sono stati algoritmicamente dissimili l’uno dall’altro. Ha inoltre ottenuto punteggi più alti quando si collabora con il modello unico di se stesso non istruito con Any-Play.

I ricercatori considerano una di queste analisi, nota come cross-play inter-algoritmo, come il miglior predittore di come l’IA cooperativa si comporterebbe nel mondo reale con le persone. Il gioco incrociato tra algoritmi contrasta con valutazioni extra generalmente utilizzate che guardano un manichino verso copie di se stesso o verso mode educate dall’algoritmo identico.

“Sosteniamo che queste diverse metriche potrebbero essere ingannevoli e migliorare artificialmente l’evidente efficienza di alcuni algoritmi. In alternativa, desideriamo sapere, “quando ti capita semplicemente di accompagnare un compagno di punto in bianco, senza alcuna informazione preliminare su come suonerà, con quale efficacia sei in grado di collaborare?” Ci aspettiamo che una di queste analisi sia più reale quando si valuta l’IA cooperativa con un’IA diversa, quando forse non puoi dare un’occhiata con le persone”, afferma Allen.

Certamente, questo lavoro non ha preso in considerazione Any-Play con le persone. Tuttavia, l’analisi stampata da DeepMind, simultanea al lavoro del laboratorio, ha utilizzato un metodo di formazione sulla diversità analogo per sviluppare un agente di intelligenza artificiale per riprodurre la ricreazione collaborativa Overcooked with people. “L’agente e le persone dell’IA hanno confermato una cooperazione straordinariamente buona e questo risultato ci porta a immaginare che il nostro metodo, che scopriamo essere molto più generalizzato, funzionerebbe anche efficacemente con le persone”, afferma Allen. Fb ha ugualmente utilizzato la varietà nel coaching per migliorare la collaborazione tra i broker Hanabi AI, tuttavia ha utilizzato un algoritmo più sofisticato che richiedeva modifiche alle linee guida ricreative di Hanabi per essere trattabili.

Se i punteggi del cross-play tra algoritmi siano letteralmente buoni indicatori della scelta umana continua a essere una speculazione. Per riportare la prospettiva umana nel metodo, i ricercatori desiderano tentare di correlare le emozioni di un individuo su un’IA, corrispondenti a sfiducia o confusione, a particolari obiettivi utilizzati per allenare l’IA. Scoprire queste connessioni potrebbe aiutare ad accelerare i progressi all’interno dell’argomento.

“Il problema con la creazione dell’IA per lavorare più in alto con le persone è che non avremo persone all’interno del ciclo durante il coaching che dicono all’IA cosa gli piace e cosa non gli piace. Potrebbero volerci centinaia di migliaia di ore e personalità. Ma quando potremmo scoprire una qualche forma di proxy quantificabile per la scelta umana – e forse la varietà nel coaching è uno di questi proxy – allora forse abbiamo scoperto un mezzo per questo problema”, dice Allen.


L’intelligenza artificiale è intelligente, ma funziona bene con gli altri?


Informazioni extra:

Keane Lucas, Ross E. Allen, Any-Play: un potenziamento intrinseco per il coordinamento del tiro zero. arXiv:2201.12436v1 [cs.AI], arxiv.org/abs/2201.12436

Questa storia è stata ripubblicata per gentile concessione di MIT Information (web.mit.edu/newsoffice/), un sito Web molto apprezzato che copre informazioni sull’analisi, l’innovazione e l’istruzione del MIT.

Quotazione:
La varietà è la cosa importante per la collaborazione? Lo suggerisce una nuova analisi dell’IA (2022, 26 maggio)
recuperato il 26 maggio 2022
da https://techxplore.com/information/2022-05-diversity-key-collaboration-ai.html

Questo documento è soggetto a copyright. Al di fuori di qualsiasi transazione veritiera a fini di indagine o analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale di contenuto viene offerto esclusivamente per funzioni informative.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

I robotici vanno fuori strada per compilare dati che potrebbero addestrare ATV a guida autonoma – L’ultima novità nell’intelligenza artificiale | Robotica AI

Published

on

Roboticists go off road to compile data that could train self-driving ATVs

The Ultimate Managed Hosting Platform

Visualizzazione della risoluzione del pattern per l’occasione di svantaggio del benchmark Most Lower G81, dal set di dati Gset. Punteggio di credito: Schuetz, Brubaker e Katzgraber.

I problemi di ottimizzazione combinatoria sono problemi avanzati con un insieme discreto ma enorme di opzioni raggiungibili. Tra gli esempi più famosi di questi problemi ci sono il venditore in tournée, l’imballaggio dei rifiuti e i problemi di pianificazione dell’officina.

I ricercatori dell’Amazon Quantum Options Lab, una parte dei laboratori AWS Clever e Superior Laptop Applied Sciences, hanno appena sviluppato un nuovissimo strumento per risolvere , principalmente basato su reti neurali a grafo (GNN). La strategia sviluppata da Schuetz, Brubaker e Katzgraber, rivelata in Intelligenza della macchina della naturapotrebbe essere utilizzato per ottimizzare molti problemi del mondo reale.

“Il nostro lavoro è stato molto colpito ”, Martin Schuetz, uno dei tanti ricercatori che hanno condotto la ricerca, ha consigliato a TechXplore. “Nel nostro lavoro quotidiano sull’Amazon Quantum Options Lab, collaboriamo con molti acquirenti in vari verticali nel loro viaggio per prepararsi al quantum, ovvero, mettere insieme un futuro quando questo sarà probabilmente commercialmente redditizio. La maggior parte delle circostanze d’uso dell’acquirente contengono problemi di ottimizzazione combinatoria”.

Nel contesto delle società acquirenti, i problemi di ottimizzazione combinatoria possono avere molti tipi alternativi. Due esempi degni di nota di questi problemi sono i problemi di ottimizzazione del portafoglio nella finanza e le attività di pianificazione delle officine di lavoro nella produzione. L’ottimizzazione del portafoglio del periodo di tempo si riferisce al corso durante il quale si seleziona il portafoglio perfetto o la distribuzione delle attività per un particolare stato di cose tra una serie di portafogli ottenibili.

I problemi di pianificazione del job-shop, in alternativa, si verificano in situazioni in cui è necessario svolgere una serie di lavori o compiti e c’è un insieme limitato di risorse/strumenti per svolgere questi compiti. In queste circostanze, potrebbe essere richiesto di ricercare una tempistica ottimale che si avvale degli strumenti disponibili per svolgere i compiti nel minor tempo possibile.

Come continua ad essere ai suoi primi livelli di miglioramento, i ricercatori hanno tentato di sviluppare strumenti di ottimizzazione che non dipendono assolutamente dai sistemi di computer quantistici, almeno fino a quando questi sistemi informatici non si sono rivelati commercialmente validi. Dal loro articolo, Schuetz e i suoi colleghi hanno quindi lanciato un approccio di ottimizzazione basato principalmente sui GNN impressionati dalla fisica.

“Data la loro scalabilità intrinseca, i GNN ispirati alla fisica possono essere utilizzati in questo momento per risolvere approssimativamente problemi di ottimizzazione combinatoria (su larga scala) con le mode native quantistiche, mentre servire i nostri clienti è pronto per la quantistica utilizzando l’illustrazione matematica che i gadget quantistici percepire”, ha detto Brubaker.

La strategia sviluppata da Schuetz e dai suoi colleghi identifica innanzitutto l’Hamiltoniana (vale a dire, value opera) che codifica i precisi problemi di ottimizzazione che si sta tentando di risolvere. Successivamente, associa le corrispondenti variabili di risoluzione ai nodi all’interno di un grafico.

“Il nostro concetto chiave è quindi quello di delimitare i problemi di ottimizzazione combinatoria come compiti di classificazione dei nodi non supervisionati in base ai quali il GNN apprende le assegnazioni di colorazione (in frasi diverse, spin o variabili) per ciascun nodo”, ha definito Schuetz. “A tal fine, il GNN è iterativamente esperto attraverso un’operazione di perdita personalizzata che codifica il preciso svantaggio di ottimizzazione della curiosità, in una corrispondenza uno a uno con l’Hamiltoniana unica, offrendo così una selezione di principio per l’operazione di perdita del GNN. “

Dopo che la GNN è stata qualificata, la forza lavoro ha proiettato i valori finali per le delicate assegnazioni di nodi che ha prodotto su laboriosi incarichi di classe. Ciò alla fine ha permesso loro di risolvere approssimativamente problemi di ottimizzazione combinatoria su larga scala di curiosità.

La strategia proposta da Schuetz e dai suoi colleghi ha una serie di vantaggi rispetto a diverse strategie per risolvere i problemi di ottimizzazione combinatoria. In particolare, la loro tecnica è estremamente scalabile, il che significa che potrebbe essere utilizzata per l’ottimizzazione computazionale con un intero gruppo di centinaia di migliaia di nodi.

“Il nostro ottimizzatore GNN si basa su una relazione matematica diretta e comune tra le Hamiltoniane di spin Ising prototipiche e l’operazione di perdita differenziabile con cui prepariamo la GNN, offrendo così un quadro unificante per un’ampia classe di problemi di ottimizzazione combinatoria e aprendo la cassetta degli attrezzi altamente efficace di fisica agli approcci di deep learning alla moda”, ha affermato Brubaker. “Fondendo le idee della fisica con gli strumenti alla moda per lo studio delle macchine, suggeriamo un risolutore semplice, generico e forte che non dipenda da capacità di perdita artigianali”.

Sorprendentemente, la strategia ideata da Schuetz e dai suoi colleghi può risolvere approssimativamente i problemi di ottimizzazione senza la necessità di etichette di coaching, che sono un requisito chiave per tutte le strategie di studio supervisionato. Poiché l’approccio pone problemi di ottimizzazione come Ising Hamiltonian, potrebbe inoltre essere eseguito in modo nativo su quanto {hardware}.

“Offriamo un quadro unificante e interdisciplinare per i problemi di ottimizzazione che viene fornito con approfondimenti dalla fisica e strumenti da studi approfonditi alla moda”, ha definito Schuetz. “Con questo framework abbiamo ora uno strumento a nostra disposizione che è ampiamente rilevante per le problematiche canoniche NP-hard; esempi illustri abbracciano la maggior parte dei minimi dettagli, il cappuccio del vertice minimo, i problemi di set più imparziali, oltre agli occhiali rotanti Ising. “

Prima o poi, la nuovissima tecnica basata sulla GNN lanciata da questa forza lavoro di ricercatori potrebbe essere utilizzata per risolvere un bel po’ di problemi avanzati del mondo reale problemi. Poiché è intrinsecamente scalabile, Amazon Quantum Options Lab e AWS intendono fornirlo ai propri clienti come strumento che faciliterebbe la loro transizione verso le scienze applicate quantistiche. In realtà, il loro approccio può consentire ai clienti di definire una strategia per ogni problema associato a particolari circostanze d’uso in una struttura di modellazione nativa quantistica, ciascuna su scala ridotta e rilevante per il settore.

“Prima o poi, procederemo all’analisi concettuale, teorica, oltre alle domande di analisi extra utilizzate. Da un lato abbiamo ora una serie di concetti su come migliorare e prolungare le capacità dell’ottimizzatore GNN proposto, e in alternativa ci sono numerose circostanze d’uso utilizzate che cercheremo di risolvere con questo nuovo strumento. Continueremo a utilizzare i suggerimenti degli acquirenti per fornirci informazioni e dare priorità alla nostra agenda di analisi”, ha affermato Katzgraber.


Un nuovo approccio per affrontare i problemi di ottimizzazione utilizzando le macchine Boltzmann


Dati extra:

Martin JA Schuetz et al, Ottimizzazione combinatoria con reti neurali a grafo ispirate alla fisica, Intelligenza della macchina della natura (2022). DOI: 10.1038/s42256-022-00468-6

© 2022 Scienza X Comunità

Quotazione:
Reti neurali a grafo ispirate alla fisica per risolvere i problemi di ottimizzazione combinatoria (2022, 25 maggio)
recuperato il 25 maggio 2022
da https://techxplore.com/information/2022-05-physics-inspired-graph-neural-networks-combinatorial.html

Questo documento è soggetto a copyright. Al di fuori di ogni veridicità di trattamento finalizzata alla ricerca o all’analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto è offerto esclusivamente per le funzioni di dati.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Trending