软件开发架构师

AI一周热闻:借助AI数字重建,巴黎圣母院有望涅槃重生;吴恩达斯坦福实验室开发膝关节AI诊断系统

人工智能 222 2019-04-19 00:29
  • 借助 AI 数字重建,巴黎圣母院有望涅槃重生
  • 谷歌重磅推出端到端 AI 平台,并为 Cloud AutoML 添加新功能
  • 谷歌发布深度学习定理证明研究平台 HOList
  • 觉得 GAN 有趣吗?这七个问题还有待解决
  • 吴恩达斯坦福实验室开发膝关节 AI 诊断系统,发布 MRNet 数据集
  • 伯克利发布机器人训练平台 BLUE,成本仅 5000 美元
  • 卡内基梅隆等提出单路径 NAS,ImageNet 准确率 74.96%创新高

借助 AI 数字重建,巴黎圣母院有望涅槃重生

AI一周热闻:借助AI数字重建,巴黎圣母院有望涅槃重生;吴恩达斯坦福实验室开发膝关节AI诊断系统-1

昨天,巴黎圣母院被大火吞噬,屋顶起火后火势迅速蔓延,具有标志性的钟楼倒塌。经抢救,巴黎圣母院主体架构幸存下来,而法国总统马克龙表示将斥资重建巴黎圣母院。

事实上,在现代 AI 技术的帮助下,修复巴黎圣母院并非不可能。据美国《国家地理杂志》报道,在 2015 年,一位专攻哥特式建筑的艺术史教授 Andrew Tallon 已经在生前利用激光扫描技术深入研究了巴黎圣母院的结构,在圣母院 50 多个位置搜集数据,精确地记录下了这一哥特式大教堂的全貌,偏差大概只有五毫米左右,包括各个角度的建筑全景、3D 和细节图片。大火过后,消逝的巴黎圣母院可能在数字世界里永存。

谷歌重磅推出端到端 AI 平台,并为 Cloud AutoML 添加新功能

AI一周热闻:借助AI数字重建,巴黎圣母院有望涅槃重生;吴恩达斯坦福实验室开发膝关节AI诊断系统-2

北京时间 4 月 10 日,谷歌在 NEXT 大会上发布了端到端 AI 平台,为开发人员和数据科学家提供用于构建、测试和部署他们自己的模型的端到端服务。谷歌 AI 平台集成了 AutoML 功能,可以一键完成数据预处理、特性选择、模型算法选择、调参、上线后模型的再优化、效果评估等流程,大大缩短了训练时间,从而提升效率。此外,这一功能还对“小白”开发者十分友好,就算缺少相关的经验,也可以轻松上手。

此外,谷歌还给 Cloud AutoML 赋予了一些新能力:

  • AutoML Tables。它可以获取位于 Google 的 BigQuery 数据库或存储服务中的现有表格数据,并自动创建一个预测给定列值的模型;

  • AutoML Video Intelligence(视频智能,仍在测试阶段),可以自动注释和标记视频,使用对象识别对视频内容进行分类并使其可搜索。

  • AutoML Vision 测试版,进行照片对象检测;

  • 测试版 AutoML Vision Edge,用于边缘应用程序,其中包括将这些模型部署到边缘设备的功能。

谷歌还发布了一系列 AI 产品:

  • 文档理解 API 的测试版,这是一个可以自动分析扫描数字文档的平台;

  • 联络中心 AI 测试版,该服务提供完整的联络中心 AI 解决方案,使用 Dialogflow 和 text-to-speech 功能,允许其用户构建虚拟代理系统(当问题出现时,可以将客户转交给人工客服处理)。

谷歌发布深度学习定理证明研究平台 HOList

AI一周热闻:借助AI数字重建,巴黎圣母院有望涅槃重生;吴恩达斯坦福实验室开发膝关节AI诊断系统-3

谷歌的研究人员希望开发出一套可以学习解决数学定理的 AI 系统,因此对定理证明软件进行了调整,使 AI 系统更容易与之交互。此外,他们还创建了一个新的定理 benchmark,以促进这一领域的发展。

HOList:他们的系统基于 HOL Light 软件。在这个项目中,他们开发了“HOL Light 的工具化、预打包版本,可以用作强化学习的大规模分布式环境,使用新的、稳定的 Python API 进行定理证明”。该软件配备 41 个“战术”,基本上是用于帮助证明数学定理的算法。

benchmark:研究人员还发布了一个关于 HOL Light 的新基准。这个标准被用于测试一些任务的性能,包括:预测人类用来创建证据的相同方法;在未访问全部信息的情况下证明某些子目标或证据的某些方面。

DeepHOL:他们设计了一个名为 DeepHOL 的基于神经网络的定理证明器,它试图在生成证据的同时对目标和前提进行编码。“从本质上讲,我们提出了一种混合架构,既可以预测应用的正确策略,也可以对有意义的战术应用所需的前提参数进行排名”。他们在整体架构中测试各种不同的基于神经网络的方法,并通过强化学习进行训练,结果显示,最好的系统能够证明训练集中 58%的证据。虽然不算惊艳,但考虑到这些是基于学习的方法,结果还是非常令人鼓舞的。

为什么这很重要:定理证明是测试机器功能的一种很有潜力的方法,特别是如果我们能够开发出可以生成新证据的系统。这将明确验证人工智能系统在特定领域创造新颖科学见解的能力,我认为这将使我们更好地直观了解人工智能变革科学的能力。

阅读更多:HOList:一个高阶定理证明(扩展版)机器学习环境

https://arxiv.org/abs/1904.03241

觉得 GAN 有趣吗?这七个问题还有待解决

近来,生成对抗网络已成为人工智能研究的主要组成部分,因为其在创造性应用中具有实用性。

但是 GAN 很难理解,研究员 Augustus Odena 在深度学习平台 Distill 上发表了一篇关于 GAN 的七个开放性问题。这七个问题是:

  • GAN 与其他生成模型之间的权衡取舍是什么?

  • GAN 可以为什么样的分布建模?

  • 我们如何在图像合成之外扩展 GAN?

  • 我们对于训练的全局收敛了解多少呢?

  • 我们应该如何评估 GAN 以及何时使用它们?

  • GAN 训练如何按批量大小进行扩展?

  • GAN 与对抗性样本之间的关系是什么?

为什么这很重要:更好地理解这些问题的答案将有助于研究人员更好地理解这项技术,这将使我们能够更好地预测 GAN 系统的经济成本,预测可能的失败并指导未来的工作方向。

阅读更多:关于生成性对抗性网络的开放性问题

吴恩达斯坦福实验室开发膝关节 AI 诊断系统,发布 MRNet 数据集

AI一周热闻:借助AI数字重建,巴黎圣母院有望涅槃重生;吴恩达斯坦福实验室开发膝关节AI诊断系统-4

斯坦福大学的研究人员开发了一种基于神经网络的技术,用于评估膝关节 MR 扫描异常并可以进行一些特定的诊断(如韧带撕裂)。他们发现,使用该模型后,临床医生的误诊率变低。他们写道,当“每 100 名健康患者使用这种模型时,大约有 5 名患者可以免于不必要的手术”。

MRNet 数据集:他们还发布了一个基础数据集:MRNet,包含在斯坦福大学医学中心对正常和异常膝盖进行的 1,370 次 MRI 检查的集合。

为什么这很重要:许多人工智能系统将提高而不是替代人类技能,可以预见,我们可以在诊断时为临床医生提供越来越多的 AI 顾问系统。

阅读更多并注册下载数据集MRNet 数据集

了解更多MRNet:膝关节磁共振成像的深度学习辅助诊断

伯克利发布机器人训练平台 BLUE,成本仅 5000 美元

伯克利研究人员开发了用于非结构化环境学习的伯克利机器手臂(BLUE),用于人工智能研究和部署。该机器人是过去三年来超过 15 名研究人员组成的团队的研发成果。它由 1500 个部件组成,成本约为 5000 美元,为了达到使其既便宜又可让人类安全操作的目标,它的涉及选择受到很多限制。

这个机器人可用于在廉价的机器人平台上训练 AI 方法,并可遥控操作,因此可以直接从人类行为中进行训练。

BLUE 有七个自由度,分布在肩部的三个关节,一个在肘部,三个在手腕。在设计 BLUE 时,研究人员对其进行优化以使其“有用”,这要求机器人精度足够高才能像人一样(本实验中,它可以以大约 4 毫米的误差移动,远远低于超精密工业机器人)且足够便宜,可以大规模生产,并能够在不受约束的(即不同于工厂生产线)环境中进行一般类别的操作任务。

低成本设计:BLUE 机器人使用类直驱动(QDD),这种方法最近在腿式运动系统中很受欢迎。他们还设计了一种便宜的平行钳口夹具(“我们选择了平行钳口,因为它们具有可预测性,坚固、简单(低成本)且易于模拟”)。

为什么这很重要:近年来,基于深度学习的技术开始为机器人提供前所未有的感知和操纵能力。然而,缺少廉价的机器人实验平台却是一个障碍。研究人员可以通过 BLUE 了解 AI 需求,同时可以大规模生产。他们写道:“该项目的下一步是继续进行压力测试并加速生产。” “我们的目标是让这些经济实惠的机器人尽可能多地到达研究人员手中”。

阅读更多:Project Blue

论文:用于低成本兼容机器人操作的类直驱动

卡内基梅隆等提出单路径 NAS,ImageNet 准确率 74.96%创新高

AI一周热闻:借助AI数字重建,巴黎圣母院有望涅槃重生;吴恩达斯坦福实验室开发膝关节AI诊断系统-5

卡内基梅隆大学,微软和哈尔滨工业大学的研究人员已经找到了一种让计算机学习学习如何在手机上设计部署人工智能系统的有效方法。

这种方法称为单路径 NAS,可以更有效地使用计算来搜索更复杂的 AI 模型。该技术的关键在于,在网络的每一层,搜索“每个 ConvNet 层中的一个过度参数化的’超级内核’’。这在实践中意味着在网络的每一层快速迭代不同类型的 AI 组件变得更有效,使这一方法比其他 NAS 技术更高效。

他们解释说:“我们不必像在多路径方法中那样在不同的路径 / 操作中进行选择,而是“在每个 ConvNet 层中查找要使用的内核权重子集”来进行 NAS。

测试:他们在 Pixel 1 手机上测试他们的方法,通过使用单路径 NAS 在 ImageNet 上设计用于图像分类的网络进行基准测试,并将其与人类研究人员设计的最先进系统以及通过其他神经架构搜索技术发现的系统进行比较。

结果:他们的方法获得了 74.96%的准确率,这是“硬件高效 NAS 方法中最高的 ImageNet 准确度”。他们的系统也需要大约 8 个 epoch 来训练,而其他方法则需要数百(或数千)个 epoch。

为什么这很重要:机器设计新网络架构的成本降低,这有可能进一步加快 AI 研究和应用,推进 AI 工业化。

阅读更多:单路径 NAS:在不到 4 小时内设计出低成本 ConvNets

获取代码:Single-Path-NAS

作者 Jack Clark 有话对 AI 前线读者说:我们对中国的无人机研究非常感兴趣,如果你想要在我们的周报里看到更多有趣的内容,请发送邮件至:jack@jack-clark.net

参考链接:

https://jack-clark.net/2019/04/15/import-ai-142-import-ai-142-berkeley-spawns-cheap-blue-arm-google-trains-neural-nets-to-prove-math-theorems-seven-questions-about-gans/

更多内容,请关注 AI 前线

AI一周热闻:借助AI数字重建,巴黎圣母院有望涅槃重生;吴恩达斯坦福实验室开发膝关节AI诊断系统-6

文章评论