Topik hangat hari ini mungkin menjadi abu yang dingin dan basah di masa depan. Sebagai contoh, kecepatan konvergensi pendekatan CNN dan LSTM, terutama dalam kombinasi, telah mengalihkan perhatian yang cukup jauh dari desain RNN dasar.
Demikian pula, topik dingin hari ini mungkin adalah bara api masa depan yang membara. Tentu saja, beberapa topik dingin akan tetap dingin. Sweet spot mungkin untuk mengidentifikasi mereka yang menjadi lebih hangat dan cenderung menjadi pembangun berkelanjutan teknologi masa depan.
Jaringan Perhatian Sisa
Jaringan perhatian residual, seperti jaringan LSTM, merupakan peningkatan dari RNN menggunakan pendekatan yang berbeda. Karena jaringan perhatian dirancang untuk melestarikan sumber daya, mereka dapat melakukan konvergensi lebih cepat atau dengan sedikit permintaan pada perangkat keras dan jaringan untuk mendukung eksekusi paralel.
Pengembangan Otomatis Model Non-Kartesius
Penelitian otomatisasi pemodelan adalah kunci bagi banyak aplikasi AI. Beberapa algoritma yang dikembangkan tidak hanya mengekstraksi tensor fitur (array, matriks, kubus, dan hiper-kubus), tetapi mengembangkan model grafik, terarah atau asosiatif, dengan atau tanpa siklus diizinkan.
- Sistem Peta Hierarchical Self-Organizing untuk Klasifikasi Tindakan
Z Gharaee, P Gärdenfors, M Johnsson, ICAART, 2017
- Pemodelan Runtime untuk Aplikasi Cerdas Cyber-Fisik-Manusia Pengguna-Sentris , Lorena Castañeda Bueno, 2017
- Menyelidiki Sifat Topologis Jaringan Kompleks Pemodelan Teks Tertulis Pendek , Diego R. Amancio, 2015
- Skema-summarization dalam pemilihan fitur Linked-Data berbasis untuk sistem recommender , Azzurra Ragone et. al., 2017
Topologi Sinyal Yang Mendukung Kesetimbangan
Banyak yang mengabaikan pentingnya GAN, bukan karena mereka dapat melakukan hal-hal menarik dengan gambar tetapi karena cara mereka menyimpang dari topologi sederhana jalur sinyal di mana konvergensi pada serangkaian parameter terlatih dicapai melalui array satu dimensi dari lapisan dan blok lapisan.
Komponen diskriminatif dan generatif dalam desain GAN dijelaskan secara rinci dalam pertanyaan AI Stack Exchange lain tentang * Memahami GAN Loss FUnction . Meskipun generasi gambar dari pendekatan GAN dan anak-anak konseptualnya menunjukkan kemampuan baru dalam ruang jaringan buatan, luasnya signifikansi multi-jaringan ini mungkin tidak segera jelas. Ini bukan tumpukan dalam lapisan, tetapi tumpukan dua jaringan yang dalam di topologi angka-delapan, secara konseptual seperti strip Möbius.
Topologi ini menciptakan keseimbangan antara dua jaringan, generatif (G) dan diskriminatif (D). Desainernya menyebutnya hubungan permusuhan karena G dan D memainkan peran yang berlawanan. Namun, tindakan mereka dalam sistem sebenarnya kolaboratif, menciptakan keseimbangan yang mirip dengan keseimbangan kimia atau simbiosis dalam biologi, sehingga tujuan tertentu tercapai. Ini mungkin mengungkapkan arah yang paling menjanjikan di AI hari ini.
Merancang topologi sinyal yang mendukung bentuk tambahan kolaborasi dan simbiosis antara jaringan, di mana setiap jaringan adalah komponen yang mempelajari gulungannya dalam hubungannya dengan jaringan komponen lain, sehingga sistem agregat mempelajari fungsinya dapat mensintesis bentuk kecerdasan buatan yang tidak bisa dilakukan oleh DNN.
Sistem berbasis aturan dan jaringan dalam adalah satu dimensi dalam hal aliran sinyal. Sendiri mungkin tidak pernah mendekati fitur yang paling menonjol dari otak manusia.
Pemrosesan Paralel Menggunakan GPU sebagai DSP
Implementasi VLSI dari jaringan spiking adalah penting, dan sekarang ada implementasi seperti https://github.com/Hananel-Hazan/bindsnet yang memanfaatkan akselerasi perangkat keras GPU untuk menyelidiki mereka tanpa akses ke chip VLSI yang dikembangkan oleh perusahaan besar.
Pengenalan Bicara dan Sintesis untuk TTS End-to-End
Munculnya keunggulan baru-baru ini dalam sintesis menggunakan sistem seperti Google WaveNet telah membuka pintu untuk aplikasi TTS (teks ke suara) yang lebih akurat, sehingga mungkin saat yang tepat untuk menjadi ahli dalam rekaman suara untuk digunakan dalam set contoh pelatihan tetapi waktu yang buruk untuk memulai rumah produksi pidato khusus menggunakan speaker langsung.
Kendaraan Otomatis
Kendaraan otomatis dari berbagai jenis memerlukan ahli dalam fisika kendaraan, manufaktur otomotif, aeronautika, dan produk konsumen untuk berbagai jenis kendaraan dengan insentif ekonomi dan keselamatan yang kuat yang menggerakkan semi-otomatisasi dan otomatisasi penuh.
- Pendarat Mars
- Drone konsumen
- Drone industri
- Drone militer
- Pesawat penumpang
- Mobil penumpang
- Limusin
- Kereta
- Kursi roda
- Kendaraan pengiriman
- Distribusi makanan otomatis
- Robot perbaikan instalasi nuklir
- Robot perbaikan distribusi listrik
Ringkasan
Mungkin sulit untuk mengetahui terlebih dahulu apa teknologi panas dalam AI yang akan tetap dominan dalam lima tahun atau teknologi pemanasan mana yang akan sangat panas saat itu, tetapi teknologi di atas adalah teknologi solid yang menunjukkan janji awal yang signifikan dan yang memiliki bisnis tinggi, tuntutan industri, dan konsumen.