Тренды машинного обучения и AI в 2023
По оценкам экспертов, в 2023 году индустрия станет еще популярнее.
От автора Telegram-канала Аналитика и Growth mind-set (делюсь кейсами с работы, бесплатным обучением, задачами с собеседований).
Метавселенные
Метавселенные — это цифровые миры, где люди как и в реальности могут проводить время, заниматься бизнесом, зарабатывать деньги и жить там.
У AI есть потенциал для обработки большого количества данных с молниеносной скоростью. В сочетании с методами машинного обучения алгоритмы AI могут учиться на предыдущих итерациях, учитывая исторические данные для получения уникальных результатов и идей.
Внутри метавселенной AI можно применять к неигровым персонажам (NPC) в разных сценариях. NPC есть практически в каждой игре; они являются частью игровой среды, предназначенной для реагирования и ответы на действия игроков. Благодаря возможности обработки AI, NPC могут быть размещены в 3D-пространствах для облегчения реалистичных разговоров с пользователями или выполнения других конкретных задач.
Еще одно потенциальное применение AI — создание аватаров метавселенных. Механизмы AI могут использоваться для анализа 2D-изображений или 3D-сканирования и создания аватаров, которые выглядят более реалистично и точно. Чтобы сделать процесс более динамичным, AI можно использовать для создания различных выражений лица, причесок, одежды и функций для улучшения цифровых людей, которых мы создаем.
TinyML
Tiny Machine Learning (TinyML) — одна из самых быстрорастущих областей глубокого обучения, которая быстро становится все более доступной.
TinyML — это область исследований в области машинного обучения и встраиваемых систем, в которой изучаются типы моделей, которые можно запускать на небольших устройствах с низким энергопотреблением, таких как микроконтроллеры.
Примером TinyML в повседневной жизни является модель обнаружения слов, используемая внутри устройств Google и Android. Чтобы «включаться», когда они слышат слова «ОК, Google», устройства Android используют модель машинного обучения с обнаружением речи размером 14 КБ, которая работает на DSP. То же самое можно сказать и о многих других виртуальных помощниках.
У Harvard University кстати недавно вышел бесплатный курс «Fundamentals of TinyML».
No-code машинное обучение и AI
В платформах машинного обучения (ML) без кода можно методом перетаскивания построить модель машинного обучения, при этом не написав ни единой строчки кода.
Эти платформы автоматизируют процесс сбора данных, их очистки, выбора модели, обучения модели и развертывания модели.
ML без кода демократизирует машинное обучение. Оно позволяет аналитикам без знания ML и опыта в программировании создавать модели машинного обучения и генерировать прогнозы для решения насущных проблем, например для прогнозирования оттока клиентов или времени доставки заказов.
В качестве примера можно привести платформы DataRobot, Clarifai и Teachable Machines.
Тем не менее, это не замена для сложных проектов. Вместо этого No-code идеально подходит для небольших компаний, у которых нет необходимых финансов для содержания собственной команды специалистов по данным.
Обработка естественного языка
Это альтернатива ручному вводу и поиску контента. Машина распознает голос и речь автоматически с помощью программного обеспечения.
Возможности этого элемента машинного обучения постоянно расширяются, появляются новые способы коммуникации, и их трудно отличить от реального человека. Примеры: Алекса, Сири, Google Ассистент.
Чат-боты также являются известным примером, который подходит для любого сектора, включая больницы, образовательные учреждения или центры обслуживания клиентов.
Мой основной канал по аналитике (2300+ подписчиков)
- рассказываю, как я ищу работу зарубежом
- делюсь кейсами с работы аналитиком
- делюсь полезными материалами