Σημαντική πρόοδο στις έρευνές του πάνω στον τομέα της Τεχνητής Νοημοσύνης δείχνει να σημειώνει το Facebook: Σε σχετική ανάρτηση στο επίσημο blog του παρουσιάζονται τα επιτεύγματα της ομάδας FAIR (Facebook's AI Research), που περιλαμβάνουν δυνατότητες «εκπαίδευσης» υπολογιστών στην αναγνώριση αντικειμένων σε φωτογραφίες, κατανόησης φυσικής γλώσσας, πρόβλεψης και σχεδιασμού.
Σημαντική πρόοδο στις έρευνές του πάνω στον τομέα της Τεχνητής Νοημοσύνης δείχνει να σημειώνει το Facebook: Σε σχετική ανάρτηση στο επίσημο blog του παρουσιάζονται τα επιτεύγματα της ομάδας FAIR (Facebook's AI Research), που περιλαμβάνουν δυνατότητες «εκπαίδευσης» υπολογιστών στην αναγνώριση αντικειμένων σε φωτογραφίες, κατανόησης φυσικής γλώσσας, πρόβλεψης και σχεδιασμού.
Τον επόμενο μήνα η FAIR θα παρουσιάσει ένα νέο paper στο NIPS- συνδιάσκεψη πάνω στην Τεχνητή Νοημοσύνη.
Στο συγκεκριμένο paper περιγράφεται ένα εξαιρετικά εξελιγμένο σύστημα, το οποίο μπορεί να ξεχωρίζει αντικείμενα σε μια φωτογραφία – και μάλιστα 30% ταχύτερα, με 10 φορές λιγότερα «εκπαιδευτικά» δεδομένα από ό,τι προηγούμενες προσπάθειες.
Παράλληλα, νωρίτερα μέσα στο έτος επεδείχθη μέρος της δουλειάς που έχει γίνει πάνω στην κατανόηση φυσικής γλώσσας – και ειδικότερα ένα σύστημα ονόματι MemNets (Memory Networks) που μπορεί να διαβάζει και μετά να απαντά σε ερωτήσεις πάνω σε σύντομα κείμενα.
Επίσης, ιδιαίτερη πρόοδος έχει γίνει στον τομέα του Predictive Learning, δηλαδή τη δυνατότητα να κατανοεί κανείς τι θα συμβεί στο μέλλον, μαθαίνοντας από παρατήρηση.
Η ομάδα FAIR ανέπτυξε ένα σύστημα που μπορεί να «παρακολουθεί» μια σειρά οπτικών τεστ και να προβλέπει το αποτέλεσμα.
Μέσα σε μερικούς μήνες, ήταν σε θέση να προβλέπει σωστά το 90% των περιπτώσεων (επί της προκειμένης, όσον αφορά σε «πύργους» σαν αυτούς του γνωστού επιτραπέζιου Jenga).
Όσον αφορά στην εκπαίδευση των συστημάτων πάνω στον σχεδιασμό, το FAIR δημιούργησε ένα AI bot – παίκτη του «Go». Μετά από λίγους μήνες, ήταν αντάξιο άλλων τεχνητών νοημοσυνών- παικτών του παιχνιδιού, και ικανό να αντιμετωπίσει έναν πολύ καλό άνθρωπο παίκτη.
Αυτό επετεύχθη μέσω του συνδυασμού της παραδοσιακής search – based προσέγγισης (δημιουργία μοντέλων με κάθε δυνατή κίνηση καθώς προχωρά το παιχνίδι) με ένα σύστημα εντοπισμού μοτίβων.