تحقیق در مایکروسافت 2022: نگاهی به یک سال پیشرفت شتابان در هوش مصنوعی
به سایت آموزشی میتوانید خوش آمدید، درضمن اگر برای کسب و کار به جذب مشتری نیاز دارید پیشنهاد میکنیم روی سایت تبلیغات کلیک کنید تا بزرگترین سایت تبلیغات ایران بشوید.
تحقیق در مایکروسافت 2022: نگاهی به یک سال پیشرفت شتابان در هوش مصنوعی
2022 شاهد پیشرفت قابل توجهی در فناوری های اساسی بوده است که به پیشرفت دانش بشری و ایجاد امکانات جدید برای رسیدگی به برخی از چالش برانگیزترین مشکلات جامعه کمک کرده است. پیشرفتهای قابل توجه در هوش مصنوعی مایکروسافت را قادر ساخته تا قابلیتهای جدیدی را از طریق محصولات و خدمات خود به مشتریان ارائه دهد، از جمله GitHub Copilot، یک برنامه نویس جفت هوش مصنوعی که قادر است درخواست های زبان طبیعی را به کد تبدیل کند، و پیش نمایشی از Microsoft Designer، یک برنامه طراحی گرافیکی که از ایجاد پست های رسانه های اجتماعی، دعوت نامه ها، پوسترها و تصاویر منحصر به فرد پشتیبانی می کند. .
این پیشنهادها نمایی اولیه از اینکه چگونه قابلیتهای جدید هوش مصنوعی، مانند مدلهای زبان بزرگ، میتوانند افراد را قادر به تعامل با ماشینها به روشهای قدرتمندتر کنند، ارائه میکنند. آنها بر پایه تعهد بلندمدت و قابل توجهی به تحقیقات بنیادی در محاسبات و علوم مختلف هستند، و جامعه تحقیقاتی مایکروسافت نقش مهمی در پیشرفت وضعیت هنر در هوش مصنوعی ایفا می کند، در حالی که با تیم های مهندسی و سایر شرکا همکاری نزدیک دارد. این پیشرفت را به مزایای ملموس تبدیل کنید.
در سال 2022، Microsoft Research AI4Science، یک سازمان جهانی که آخرین پیشرفتها در هوش مصنوعی و یادگیری ماشینی را بهمنظور دگرگونی اساسی علم به کار میگیرد. قابلیت های خانواده مدل های پایه این شرکت را اضافه کرد و آن را گسترش داد. تلاش کردند تا این مدلها و فناوریها را سازگارتر، مشارکتیتر و کارآمدتر کنند. رویکردهای توسعه بیشتر برای اطمینان از اینکه هوش مصنوعی به طور مسئولانه و در راستای نیازهای انسان استفاده می شود. و رویکردهای مختلفی را برای هوش مصنوعی دنبال کرد، مانند یادگیری ماشینی علی و یادگیری تقویتی.
ما در دومین هدف سالانه اجلاس تحقیقاتی مایکروسافت، جایی که اعضای جامعه تحقیقاتی ما به صورت مجازی با همتایان خود در سراسر صنعت و دانشگاه گرد هم آمدند تا در مورد چگونگی کشف و به کارگیری فناوری های نوظهور برای به ارمغان آوردن بیشترین مزایای ممکن بحث کنند. به بشریت
جلسات عمومی در این رویداد بر تأثیر تحولآفرین یادگیری عمیق بر شیوه عمل ما به علم، تحقیقاتی که پزشکان را توانمند میسازد و نابرابریها را در مراقبتهای بهداشتی کاهش میدهد، و پایههای نوظهور برای محاسبات در مقیاس سیارهای متمرکز بود. آهنگها و جلسات بیشتر در طول سه روز غواصی عمیقتری را در آینده ابر ارائه کردند. هوش مصنوعی در مقیاس بزرگ کارآمد؛ تقویت بهره وری و خلاقیت انسان؛ ارائه مراقبت های بهداشتی دقیق؛ ایجاد اعتماد کاربر از طریق حریم خصوصی، هویت و هوش مصنوعی مسئول. و ایجاد جهانی انعطاف پذیر و پایدار.
-
وبلاگ
Microsoft Climate Research Initiative (MCRI)
-
انتشار
گزارش جدید آینده کار 2022
در این پست وبلاگ، به برخی از دستاوردهای کلیدی و کارهای قابل توجه در زمینه هوش مصنوعی نگاه می کنیم و پیشرفت های دیگر را در سازمان متنوع، چند رشته ای و جهانی خود برجسته می کنیم.
پیشرفت پایه های هوش مصنوعی و تسریع پیشرفت
در طول سال گذشته، جامعه تحقیقاتی مایکروسافت کمک قابل توجهی به چشم انداز سریع در حال تکامل مدل های قدرتمند هوش مصنوعی در مقیاس بزرگ کرد. تحقیقات مایکروسافت و تیم مایکروسافت تورینگ از یک مدل جدید بازنمایی زبان جهانی تورینگ که قادر به انجام تکالیف انگلیسی و درک چند زبانه است. در بینایی کامپیوتر، پیشرفتهایی برای پروژه تیم Florence-VL (Florence-Vision and Language) تصاویر و ویدیوهای ثابت را در بر گرفت: GIT اولین مدلی بود که از عملکرد انسان در معیار زیرنویس تصویر TextCaps پیشی گرفت. LAVENDER عملکرد قوی در پاسخگویی به سوالات ویدئویی، بازیابی متن به ویدئو، و شرح ویدئو نشان داد. و GLIP و GLIPv2 محلی سازی و درک زبان بینایی را ترکیب کرد. این گروه همچنین NUWA-Infinity را معرفی کرد، مدلی که قادر به تبدیل متن است. ، تصاویر و ویدیو را به تصاویر با وضوح بالا یا ویدیوهای طولانی مدت تبدیل کنید. در همین حال، گروه محاسبات بصری معماری بینایی کامپیوتری همه منظوره مبتنی بر ترانسفورماتور، Swin Transformer خود را افزایش داد و به قابلیت اجرا در وظایف بینایی بیشتری دست یافت. بیش از همیشه.
محققان مایکروسافت تحقیقات آسیا و تیم تورینگ مایکروسافت نیز BEiT-3، یک مدل پایه چندوجهی همه منظوره که به وضعیت مطلوب دست می یابد عملکرد هنر را در هر دو وظایف بینایی و زبان بینایی انتقال می دهد. در BEiT-3، محققان ترانسفورماتورهای چندراهی را برای مدلسازی همهمنظوره معرفی میکنند، که در آن معماری ماژولار هم همجوشی عمیق و هم کدگذاری خاص مدالیت را ممکن میسازد. بر اساس ستون فقرات مشترک، BEiT-3 مدلسازی «زبان» ماسکدار را روی تصاویر (Imglish)، متون (انگلیسی)، و جفتهای تصویر-متن («جملات موازی») به صورت یکپارچه انجام میدهد. کد و مدل های از پیش آموزش دیده در GitHub در دسترس خواهند بود.
یکی از مهمترین شتابدهندههای پیشرفت در هوش مصنوعی، توانایی بهینهسازی آموزش و استنتاج برای مدلهای مقیاس بزرگ است. در سال 2022، مقیاس تیم DeepSpeed برای بهبود ترکیبی از مدلهای متخصص (MOE) پیشرفتهایی انجام داد و آنها را کارآمدتر، سریعتر و کمهزینهتر کرد. به طور خاص، آنها توانستند هزینه آموزش را تا 5 برابر کاهش دهند، اندازه پارامتر MoE را تا 3.7 برابر، و تأخیر استنتاج MOE را تا 7.3 برابر کاهش دهند در حالی که تا 4.5 برابر سریعتر و 9 برابر استنتاج ارزانتر برای مدلهای MoE در مقایسه با متراکم معادل کیفیت ارائه کردند. مدل ها.
تغییر اکتشافات علمی و افزودن ارزش اجتماعی
توانایی ما برای درک و استدلال درباره جهان طبیعی در طول زمان پیشرفت کرده است و سازمان جدید AI4Science که در ماه جولای معرفی شد، نشان دهنده چرخش دیگری در تکامل اکتشافات علمی است. یادگیری ماشینی در حال حاضر در علوم طبیعی برای مدلسازی سیستمهای فیزیکی با استفاده از دادههای مشاهدهای استفاده میشود. هدف AI4Science این است که توانایی ما در مدلسازی و پیشبینی پدیدههای طبیعی را با ایجاد شبیهسازهای یادگیری عمیق که با استفاده از راهحلهای محاسباتی معادلات اساسی به عنوان دادههای آموزشی یاد میگیرند، به طرز چشمگیری افزایش دهد.
این پارادایم جدید میتواند به دانشمندان کمک کند تا بینش بیشتری نسبت به پدیدههای طبیعی، تا کوچکترین اجزای آنها، به دست آورند. چنین درک مولکولی و ابزارهای محاسباتی قدرتمندی می تواند به تسریع کشف مواد جدید برای مبارزه با تغییرات آب و هوایی و داروهای جدید برای کمک به پیشگیری و درمان بیماری کمک کند.
برای مثال، پروژه Carbonix AI4Science در حال کار بر روی راهحلهای قابل دسترس و در مقیاس جهانی برای کربن زدایی اقتصاد جهان است، از جمله مواد مهندسی معکوس که میتوانند کربن را از محیط بیرون بکشند و کربن را به مواد بازیافت کنند. همکاری در این تلاشها از طریق Microsoft Climate Research Initiative (MCRI) متخصصان حوزه از دانشگاه، صنعت و دولت هستند. MCRI که در ژوئن اعلام شد، بر حوزههایی مانند حسابداری کربن، ارزیابی ریسک آب و هوا، و کربنزدایی متمرکز است.
به عنوان بخشی از شیمی مولد، محققان مایکروسافت با شرکت دارویی جهانی Novartis برای توسعه و اجرای ابزارهای یادگیری ماشین و رویکردهای انسان در حلقه برای بهبود کل فرآیند کشف دارو کار می کنند. در آوریل، آنها MoLeR، یک مدل مولد مبتنی بر نمودار برای طراحی ترکیبات که بیشتر منعکس کننده نحوه تفکر شیمیدانان در مورد فرآیند است و کارآمدتر و کاربردی تر از مدل مولد قبلی است که تیم توسعه داده است.
در حالی که AI4Science بر شبیهسازی محاسباتی متمرکز است، ما پروژههایی مانند InnerEye که هوش مصنوعی می تواند از بسیاری جهات دیگر ارزش اجتماعی داشته باشد. در ماه مارس، مایکروسافت Nuance Communications Inc. را تصاحب کرد و تعهد مشترک شرکت ها را به هوش مصنوعی مبتنی بر نتیجه در سراسر صنایع، به ویژه در مراقبت های بهداشتی، بیشتر کرد. ابزارهایی مانند ادغام Microsoft Teams و Dragon Ambient eXperience (Nuance DAX) برای کمک به کاهش بار اداری پزشکان و حمایت از تعامل معنادار پزشک و بیمار در حال حاضر تفاوت ایجاد کرده است.
تطبیق پذیری، مشارکتی و کارآمدتر کردن هوش مصنوعی
برای کمک به تسریع قابلیتهای هوش مصنوعی در مقیاس بزرگ و در عین حال ایجاد چشماندازی که در آن همه میتوانند از آن بهرهمند شوند، جامعه تحقیقاتی مایکروسافت در نظر داشت تا در سه زمینه پیشرفت کند: سازگاری، همکاری، و کارایی.
برای ارائه ارزش ثابت، سیستمهای هوش مصنوعی باید به تغییرات در و محیط کار پاسخ دهند. تحقیقات در این زمینه شامل یادگیری چند وظیفهای با مسیریابی ورودیها، رمزگشایی مبتنی بر دانش، استفاده مجدد مدل با ML دادهمحور، هرس و علوم شناختی یا هوش مصنوعی الهامگرفته از مغز است. یک مثال خوب از کار ما در زمینه سازگاری GODEL یا GگردOpenDialogu مدل eLanguage، که کلاس جدیدی از مدلهای زبانی از پیش آموزش دیده را معرفی میکند که رباتهای گفتگو را قادر میسازد تا در انجام وظایف کمک کنند و سپس در مکالمات عمومیتر شرکت کنند.
تحقیقات مایکروسافت در زمینه هوش مصنوعی بیشتر شامل AdaTest، که از تخصص انسانی در کنار قدرت مولد مدل های زبان بزرگ برای کمک به افراد در یافتن و تصحیح کارآمدتر استفاده می کند. اشکالات در مدل های پردازش زبان طبیعی محققان همچنین گسترش استفاده از هوش مصنوعی در فرآیندهای خلاقانه را مورد بررسی قرار دادهاند، از جمله پروژهای که در آن نویسنده علمی تخیلی گابریل لویزل از GPT-3 OpenAI برای نوشتن یک رمان و داستان های دیگر استفاده کرد.
برای اینکه افراد بیشتری بتوانند از هوش مصنوعی به روشی کارآمد و پایدار استفاده کنند، محققان مایکروسافت چندین معماری و الگوهای آموزشی جدید را دنبال میکنند. این شامل معماریهای مدولار جدید و تکنیکهای جدید، مانند DeepSpeed Compression، یک کتابخانه قابل ترکیب برای فشرده سازی شدید و کوانتیزاسیون با هزینه صفر، و Z-Code ترکیبی از مدلهای متخصص، که کارایی ترجمه را افزایش میدهد و در مترجم مایکروسافت در سال 2022 به کار گرفته شد.
در ماه دسامبر، محققان AutoDistil، تکنیک جدیدی است که از تقطیر دانش و جستجوی معماری عصبی برای بهبود تعادل بین هزینه و عملکرد در هنگام تولید مدلهای فشرده استفاده میکند. آنها همچنین AdaMix، که تنظیم دقیق مدل های بزرگ از پیش آموزش دیده را برای کارهای پایین دستی با استفاده از مخلوطی از ماژول های تطبیق برای تنظیم مدل کارآمد از نظر پارامتر بهبود می بخشد. و فشردهسازی مدل زبان بینایی تحقیق در مورد فرضیه بلیط بخت آزمایی نشان داد که مدل های زبانی از پیش آموزش دیده می توانند به طور قابل توجهی فشرده شوند بدون اینکه به عملکرد آنها لطمه ای وارد شود.
-
وبلاگ
تزریق هوش مصنوعی به سیستمهای رایانش ابری
ساخت و استقرار هوش مصنوعی به طور مسئولانه
ایجاد هوش مصنوعی که منافع خود را برای بشریت به حداکثر برساند، و این کار را به طور عادلانه انجام دهد، مستلزم در نظر گرفتن فرصت ها و خطرات ناشی از هر پیشرفت جدید در راستای اصول راهنمای ما است: انصاف، قابلیت اطمینان و ایمنی، حریم خصوصی و امنیت، فراگیر بودن، شفافیت و مسئولیت پذیری.
کمک به اجرای این اصول استاندارد هوش مصنوعی مسئول مایکروسافت است که این شرکت در ژوئن در دسترس عموم قرار گرفت. این استاندارد شامل ابزارها و مراحلی است که متخصصان هوش مصنوعی می توانند امروز در جریان کار خود اجرا کنند تا اطمینان حاصل شود که ساختن هوش مصنوعی مسئولانه در هر مرحله از توسعه ساخته شده است. این استانداردها به عنوان ابزارها و منابع برای ساخت مسئولانه هوش مصنوعی در پاسخ به سرعت سریع پیشرفت هوش مصنوعی، به ویژه در رابطه با اندازه رو به رشد مدل های هوش مصنوعی و چالش های جدیدی که به همراه دارند.
با FedKD و InclusiveFL، محققان با برخی از موانع در استفاده از یادگیری فدرال مقابله کردند. روش ML برای محافظت از حریم خصوصی، برای مدل سازی آموزش. دو تیم مجزا راهحلهایی را برای زبان مضری که مدلهای مولد بزرگ میتوانند بازتولید کنند بررسی کردند—یکی یک چارچوب یکپارچه برای هر دو مدل سم زدایی و بی طرفی و معرفی دیگر روش هایی برای قوی تر کردن ابزارهای تعدیل محتوا. در همین حال، محققان به دنبال تقویت همکاری انسان و هوش مصنوعی با از طریق توضیحات ارائه شده توسط خود مدل ها بینش بیشتری به کاربران در مورد نحوه رسیدن مدل ها به خروجی های خود می دهد.
توسعه مسئولانه هوش مصنوعی همچنین به معنای به کارگیری فناوریهایی است که به روشی که طراحی شدهاند عمل میکنند – و به روشی که مردم از آنها انتظار دارند. در یک جفت پست وبلاگ، محققان از تجربیات مربوطه خود در توسعه فناوری برای پشتیبانی از آژانس اجتماعی در کودکانی که نابینا به دنیا می آیند و دیگری به حمایت از پزشکان سلامت روان در هدایت درمان بیمار برای تاکید بر نیاز به معیارهای عملکردی متعدد در تعیین آمادگی سیستمهای هوش مصنوعی پیچیدهتر و ادغام کارشناسان حوزه و تحقیقات کاربر در طول فرآیند توسعه.
پیشرفت هوش مصنوعی برای تصمیم گیری
ساخت نسل بعدی هوش مصنوعی مستلزم تحقیق مستمر در مورد نوآوری های جدید هوش مصنوعی است. دو حوزه مهم مطالعه در سال 2022 ML علی و یادگیری تقویتی بود.
علت ML
تشخیص اثرات علی بخشی جدایی ناپذیر از تحقیقات علمی است. این به ما کمک می کند همه چیز را از نتایج آموزشی درک کنیم. به تأثیر سیاست های اجتماعی بر عوامل خطر بیماری ها. سؤالات علت و معلولی نیز برای طراحی و ارزیابی مبتنی بر داده بسیاری از سیستمهای تکنولوژیکی که امروزه میسازیم حیاتی هستند.
امسال، Microsoft Research به کار خود روی ML علّی ادامه داد، که یادگیری ماشین سنتی را با روشهای استنتاج علی ترکیب میکند. برای کمک به دانشمندان داده در درک و استقرار بهتر استنتاج علی، محققان مایکروسافت کتابخانه DoWhy را ایجاد کردند. ، یک ابزار استنتاج علّی سرتاسر، در سال 2018. برای گسترش دسترسی به این پایگاه دانش حیاتی، DoWhy اکنون به یک مدل حاکمیت منبع باز مستقل در سازمان PyWhy GitHub. به عنوان بخشی از این مدل مشارکتی جدید، خدمات وب آمازون در حال ارائه فناوری جدید مبتنی بر مدلهای علی ساختاری است.
در کنفرانس اطلاعات عصبی امسال سیستمهای پردازش (NeurIPS)، محققان یک مجموعه ای از ابزارها و کتابخانه های علّی منبع باز که هدف آن ارائه همزمان عملکرد AI اصلی علی به پزشکان و ایجاد بستری برای توسعه سریع پیشرفت های تحقیقاتی است. این شامل ShowWhy، مجموعهای از رابط کاربری بدون کد که به کارشناسان حوزه قدرت میدهد تا دانشمندان تصمیمگیری شوند. ما امیدواریم که کار ما تحقیقات پایه الهام گرفته از استفاده را برای بهبود هوش مصنوعی علّی تسریع کند.
یادگیری تقویتی (RL)
یادگیری تقویتی ابزاری قدرتمند برای یادگیری است که رفتارها احتمالاً بهترین نتایج را در یک سناریوی معین، معمولاً از طریق آزمون و خطا، ایجاد میکنند. اما این ابزار قدرتمند با چالش هایی مواجه است. آزمون و خطا زمانی که برای مجموعه داده های بزرگ اعمال می شود می تواند منابع عظیمی را مصرف کند. و برای بسیاری از برنامه های بلادرنگ، جایی برای درس گرفتن از اشتباهات وجود ندارد.
برای رفع گلوگاه محاسباتی RL، محققان مایکروسافت حذف پیشبینی مسیر، یک روش یادگیری تقویتی که به اندازه کافی قوی است تا نویز را از محیطهای دائماً در حال تغییر حذف کند. همچنین در سال 2022، یک تیم مایکروسافت MoCapAct، کتابخانه ای از مدل های شبیه سازی شده از پیش آموزش دیده برای فعال کردن تحقیقات پیشرفته در مورد کنترل انسان نما مصنوعی در کسری از منابع محاسباتی مورد نیاز در حال حاضر.
محققان همچنین یک روش جدید برای استفاده از RL آفلاین برای تقویت استراتژی های طراحی شده توسط انسان برای تصمیم گیری های حیاتی. این تیم تئوری بازی را برای طراحی الگوریتمهایی که میتوانند از دادههای موجود برای یادگیری خطمشیهایی که استراتژیهای فعلی را بهبود میبخشند، استفاده کنند، استفاده کردند.
انتخاب خوانندگان: پست های وبلاگ قابل توجه برای سال 2022
از اینکه مطالعه کردید متشکرم
2022 سال هیجان انگیزی برای تحقیق بود، و ما مشتاقانه منتظر پیشرفت های آینده جامعه تحقیقاتی جهانی خود هستیم. در سال آینده، میتوانید انتظار داشته باشید که درباره چشماندازمان و تأثیری که امیدواریم به آن برسیم، اطلاعات بیشتری از ما بشنوید. ما از این فرصت برای به اشتراک گذاشتن کار خود با شما قدردانی می کنیم و امیدواریم برای آخرین پیشرفتها در خبرنامه تحقیقاتی Microsoft مشترک شوید.
نویسندگان و ویراستاران
الیز بالارد
کریستینا دوج
کیت فورستر
کریس استتکیویچ
لری وست
ویرایشگر مدیریت
Amber Tingle
مدیر پروژه
آماندا ملفی
Graphic Designer
Matt Sanderson
Editor in Chief
Matt Corwine
پیشنهاد میکنیم از دیگر نوشته ها دیدن کنید.