2017 foi um bom ano para IA, aprendizado de máquina e, especialmente, o ramo de aprendizado profundo deu muitos dos avanços que mais impactaram durante 2017, desde vencedores de jogos até arte que compete com humanos.
- O AlphaZero da DeepMind conseguiu vencer os campeões de Go, xadrez e shogy.
Depois de vencer o campeão mundial de Go, AlphaGo um ano depois, foi atualizado e convertido em AlphaZero, que conseguiu sem supervisão humana, apenas com as regras básicas do jogo, aprender a jogar xadrez como um especialista em apenas 4 horas; e provou isso vencendo o AI Stockfish, até aquele momento o melhor enxadrista baseado em IA. - Universe openAI foi endossado por grandes parceiros
O Universe é uma plataforma gratuita onde os desenvolvedores podem treinar um agente de IA usando aprendizado por reforço em diferentes ambientes, como sites, aplicativos e jogos. Lançada em dezembro de 2016, a plataforma ganhou força em 2017, atraindo parceiros como EA, Valve e Microsoft Studios, aproveitando a oportunidade para os agentes de IA da Universe navegarem e aprenderem com seus jogos. - Sonnet e Tensorflow Eager juntam-se a sistemas de código aberto
Depois que o Google lançou sua biblioteca de aprendizado de máquina de código aberto Tensorflow em 2015, ela foi seguida pelo Magenta (um projeto de pesquisa que explora o papel do aprendizado de máquina no processo de criação de arte e música) também do Google. O Facebook AI lançou um ano depois o PyThorch, uma plataforma de aprendizado profundo em python que oferece suporte a gráficos de computação dinâmicos. Em 2016, o Google também introduziu o Tensorflow Eager. Em 2017 e por meio de sua subsidiária DeepMind, o Google lançou o Sonnet, um sistema de código aberto que facilita aos desenvolvedores a construção de módulos de rede neural. - Facebook e Microsoft uniram forças para permitir sistemas de IA combináveis
Os gigantes da tecnologia criaram o ONNX (Formato Aberto para Representar Modelos de Aprendizagem Profunda) que permite que os modelos sejam treinados em um sistema e transferidos para outro por inferência. - UNITY permitiu que os desenvolvedores criassem facilmente agentes inteligentes em jogos
Um dos principais desenvolvedores de jogos do mundo Unity Technologies criado Agentes de aprendizado de máquina Unity. Uma plataforma que permite que desenvolvedores e pesquisadores de IA usem simulações e jogos como ambientes personalizáveis onde podem treinar agentes inteligentes usando estratégias evolutivas, aprendizado profundo e por reforço, entre outros. - As plataformas de aprendizado de máquina como serviço estão por toda parte
Mais e mais empresas se juntaram à corrida para construir plataformas internas de aprendizado de máquina e centros de excelência de aprendizado profundo. Uber tem Michelangelo, Facebook tem FBSLearner Flow, Twitter tem córtex. A Capital One e outras empresas com visão de futuro fora do ambiente de tecnologia principal também estabeleceram seus próprios centros de excelência em aprendizado de máquina.
Amazon, Microsoft, IBM e Google decidiram abrir suas APIs para tentar democratizar o uso da IA e compartilhá-la com empresas que não têm talento ou capacidade de criar as suas próprias. - A variedade GAN continuou
Em janeiro de 2017, uma equipe de pesquisadores de IA publicou um artigo sobre Wasserstein GANs (WGANs), uma melhoria substancial na GAN (rede adversária generativa) tradicional. Que gerou uma série de novos GANs, de BEGAN até CycleGan e GAN progressivo, que também foi acompanhado por treinamento GAN progressivo, Foi essa última abordagem que permitiu à Nvidia gerar fotos falsas de celebridades em alta resolução. - Recorrência e convolução não são necessárias se você tiver atenção.
Tarefas de processamento de linguagem natural, como reconhecimento de fala e tradução automática, têm sido historicamente abordadas com arquiteturas de redes neurais com componentes de memória, como LSTM. Um artigo inovador, "Atenção é tudo que você precisa", propôs um novo modelo, o transformador, que dispensa recursos caros como recursão e convolução para obter desempenho de última geração em tarefas de tradução automática, pelo menos para inglês e alemão. Embora mais pesquisas sejam necessárias para ver se a arquitetura do Transformer se mantém em todos os casos de uso, a postagem gerou toneladas de feedback na comunidade e foi classificada como a 4ª postagem mais popular de todos os tempos no Arxiv (Arquivo Online de propriedade da Cornell University). - O AutoML facilitou a vida de cientistas de dados e engenheiros de aprendizado de máquina.
A maioria dos desenvolvedores costuma achar o aprendizado de máquina muito mais "difícil", pois o processo de construção e treinamento de modelos (e, em seguida, a implantação deles na produção) é muito complicado e demorado.
As plataformas que automatizam o processamento de grandes quantidades de dados de fontes para treinar o aprendizado de máquina, desde a limpeza e preparação de dados até a pesquisa e otimização de parâmetros de modelo, implantação e dimensionamento, ajudaram a tornar a parte “difícil” do aprendizado de máquina um aborrecimento menor para esses profissionais. Com plataformas como AutoML do Google, SageMaker ou DataRobot da Amazon, essas tarefas foram bastante simplificadas.
fonte: chefões
Continuar lendo: