Penelitian adalah tentang mencapai tujuan jangka panjang, seringkali melalui kemajuan bertahap. Ketika tahun berakhir, ini adalah waktu yang tepat untuk mundur dan merenungkan pekerjaan yang telah dilakukan oleh para peneliti di Microsoft dan kolaboratornya untuk memajukan teknologi dalam bidang komputasi, terutama dengan meningkatkan kemampuan dan jangkauan AI dan memberikan pengalaman teknologi yang lebih inklusif, aman, dan mudah diakses. Ini hanya mencakup sebagian dari semua pekerjaan luar biasa yang telah dilakukan oleh Microsoft Research tahun ini, dan kami mendorong Anda untuk menemukan lebih dari ratusan proyek yang dilakukan pada tahun 2019 dengan menjelajahi blog kami lebih jauh.

Meningkatkan jangkauan dan aksesibilitas AI dan pembelajaran mesin

Pembelajaran mesin telah membuat dampak yang luar biasa pada kehidupan sehari-hari manusia, terutama pada paruh kedua dekade ini, sementara juga mengangkat kebijakan dan masalah sosial yang signifikan untuk ditangani oleh penelitian. Tahun ini, peneliti Microsoft dan kolaborator mereka bekerja untuk meningkatkan kemampuan sistem pembelajaran mesin dan juga mengeksplorasi model-model baru yang dapat membawa disiplin ilmu lebih lanjut. Mereka menggunakan pendekatan unik yang dapat membuat sistem ini lebih mudah diakses dan inklusif.

Dalam pembelajaran yang mendalam, tim Jianfeng Gao merilis MT-DNN, sebuah model untuk belajar embedding bahasa universal yang menggabungkan kekuatan pembelajaran multi-tugas dan model bahasa pra-pelatihan BERT, membantu sistem dengan cepat mengembangkan pemahaman semantik yang diperlukan untuk pemrosesan bahasa alami . Dan Xu Tan dan rekan-rekannya di Microsoft Research Asia mengembangkan MASS, metode pra-pelatihan yang mengungguli model yang ada pada generasi bahasa urutan-ke-urutan.

Di tahun-tahun mendatang, terobosan dalam pembelajaran mesin akan muncul dengan mengeksplorasi model-model baru di luar landasan saat ini menggunakan proses keputusan Markov, terutama sebagai pembelajaran penguatan - pendekatan yang haus data yang umumnya cocok untuk skenario simulasi - menjadi lebih berlaku untuk skenario dunia nyata. Dalam podcast ini, John Langford dan Rafah Hosn membahas arah baru ini dalam pembelajaran penguatan dan aplikasi mereka untuk komputasi sehari-hari, termasuk RL dunia nyata yang sekarang digunakan di Personalizer, sebuah Layanan Kognitif Azure. Langford dan Alekh Agarwal juga menyelenggarakan webinar tentang dasar-dasar pembelajaran penguatan dunia nyata.

Banyak aplikasi pembelajaran mesin mendapat manfaat dari pelatihan dengan kumpulan data yang sangat besar; namun, banyak kegunaan potensial tidak memiliki data yang cukup agar pendekatan tipikal menjadi efektif. Masukkan pengajaran mesin, di mana para pakar domain dapat membangun model AI yang dipesan lebih dahulu dengan sedikit data — dan tanpa keahlian pembelajaran mesin. Dalam podcast ini, Riham Mansour membahas (antara lain) LUIS, salah satu produk Microsoft pertama yang menggunakan konsep pengajaran mesin dalam skenario dunia nyata.

Proyek lain yang bertujuan untuk lebih mendemokratisasikan AI adalah AI yang Terdesentralisasi & Kolaborasi pada kerangka Blockchain dengan Justin Harris, yang memungkinkan pengguna untuk melatih dan memelihara model dan kumpulan data pada jaringan Ethereum. Di NeurIPS 2019, Debadeepta Dey dan kolaborator mempresentasikan Project Petridish, algoritma pencarian arsitektur neural forward yang efisien yang membantu mengidentifikasi arsitektur neural yang cocok untuk tugas pembelajaran mesin yang diberikan. Dan posting blog Adith Swaminathan dan Emre Kiciman Februari mengeksplorasi karya peneliti untuk meningkatkan pemodelan inferensial kausal, yang membantu AI lebih memahami skenario "bagaimana jika" dalam berbagai konteks.

Website saya : https://www.nooblasto.com