นักวิจัยนำแมชชีนเลิร์นนิงไปสู่เส้นทางสู่ข้อได้เปรียบเชิงควอนตัม

RPA

มีความหวังสูงว่าสักวันหนึ่งพลังการประมวลผลมหาศาลของคอมพิวเตอร์ควอนตัมจะปลดปล่อยความก้าวหน้าแบบทวีคูณในปัญญาประดิษฐ์ ระบบ AI เจริญเติบโตได้เมื่ออัลกอริทึมการเรียนรู้ของเครื่องที่ใช้ในการฝึกได้รับข้อมูลจำนวนมหาศาลเพื่อนำเข้า จำแนก และวิเคราะห์ ยิ่งสามารถจำแนกข้อมูลตามลักษณะเฉพาะหรือลักษณะเฉพาะได้แม่นยำมากเท่าไร AI ก็ยิ่งทำงานได้ดีขึ้นเท่านั้น คาดว่าคอมพิวเตอร์ควอนตัมจะมีบทบาทสำคัญในการเรียนรู้ของเครื่อง ซึ่งรวมถึงส่วนสำคัญของการเข้าถึงพื้นที่คุณลักษณะที่ซับซ้อนในการคำนวณมากขึ้น ซึ่งเป็นแง่มุมที่ละเอียดของข้อมูลที่อาจนำไปสู่ข้อมูลเชิงลึกใหม่ๆ

ระบบจัดการภายใน

ในบทความวิจัยเรื่องNatureฉบับใหม่ที่ชื่อว่า ” Supervised learning with quantum Enhanced feature Spaces ” ทีมของฉันที่IBM Researchร่วมกับMIT-IBM Watson AI Labอธิบายการพัฒนาและทดสอบอัลกอริทึมควอนตัมที่มีศักยภาพในการเปิดใช้งานการเรียนรู้ของเครื่องบนควอนตัม คอมพิวเตอร์ในอนาคตอันใกล้นี้ เราได้แสดงให้เห็นว่าในขณะที่คอมพิวเตอร์ควอนตัมมีประสิทธิภาพมากขึ้นในปีต่อๆ ไป และปริมาณควอนตัมก็เพิ่มขึ้น พวกเขาจะสามารถทำการแมปคุณลักษณะ ซึ่งเป็นองค์ประกอบสำคัญของการเรียนรู้ของเครื่อง บนโครงสร้างข้อมูลที่ซับซ้อนสูงในระดับที่ไกลเกินกว่า เข้าถึงได้แม้กระทั่งคอมพิวเตอร์คลาสสิกที่ทรงพลังที่สุด
วิธีการของเรายังสามารถจัดประเภทข้อมูลด้วยการใช้วงจรเชิงลึกซึ่งเปิดเส้นทางสู่การจัดการกับการถอดรหัส การแมปคุณลักษณะของเราทำงานตามที่คาดการณ์ไว้อย่างมีนัยสำคัญเช่นเดียวกัน: ไม่มีข้อผิดพลาดในการจัดหมวดหมู่กับข้อมูลที่ออกแบบของเรา แม้ว่าโปรเซสเซอร์ของระบบIBM Qจะประสบปัญหาการถอดรหัส
ใหญ่กว่า ดีกว่า
การแมปคุณลักษณะเป็นวิธีการแยกส่วนข้อมูลเพื่อเข้าถึงแง่มุมที่ละเอียดยิ่งขึ้นของข้อมูลนั้น อัลกอริธึมการเรียนรู้ของเครื่องทั้งแบบคลาสสิกและแบบควอนตัมสามารถแบ่งรูปภาพได้ ตัวอย่างเช่น โดยพิกเซลและวางไว้ในตารางตามค่าสีของแต่ละพิกเซล จากนั้นอัลกอริธึมจะจับคู่จุดข้อมูลแต่ละจุดแบบไม่เชิงเส้นกับพื้นที่มิติสูง โดยแยกย่อยข้อมูลตามคุณลักษณะที่สำคัญที่สุด ในพื้นที่สถานะควอนตัมที่มีขนาดใหญ่กว่ามาก เราสามารถแยกลักษณะและคุณสมบัติของข้อมูลนั้นได้ดีกว่าที่เราสามารถทำได้ในแผนผังคุณลักษณะที่สร้างโดยอัลกอริธึมการเรียนรู้ของเครื่องแบบคลาสสิก ในที่สุด ยิ่งสามารถจำแนกข้อมูลได้อย่างแม่นยำตามลักษณะเฉพาะหรือคุณลักษณะเฉพาะ ปัญญาประดิษฐ์ก็จะยิ่งทำงานได้ดีขึ้นเท่านั้น
เป้าหมายคือการใช้คอมพิวเตอร์ควอนตัมเพื่อสร้างตัวแยกประเภทใหม่ที่สร้างแผนที่ข้อมูลที่ซับซ้อนยิ่งขึ้น ในการทำเช่นนั้น นักวิจัยจะสามารถพัฒนา AI ที่มีประสิทธิภาพมากขึ้น เช่น ระบุรูปแบบในข้อมูลที่มองไม่เห็นในคอมพิวเตอร์แบบคลาสสิก
เราได้พัฒนาพิมพ์เขียวด้วยอัลกอริธึมการจัดประเภทข้อมูลควอนตัมใหม่และแผนที่คุณลักษณะ นั่นเป็นสิ่งสำคัญสำหรับ AI เพราะยิ่งชุดข้อมูลมีขนาดใหญ่และมีความหลากหลายมากขึ้น การแยกข้อมูลนั้นออกเป็นคลาสที่มีความหมายสำหรับการฝึกอัลกอริธึมการเรียนรู้ของเครื่องก็ยิ่งยากขึ้นเท่านั้น ผลการจำแนกประเภทที่ไม่ดีจากกระบวนการเรียนรู้ด้วยเครื่องอาจทำให้เกิดผลลัพธ์ที่ไม่พึงประสงค์ ตัวอย่างเช่น ทำให้ความสามารถของเครื่องมือแพทย์ในการระบุเซลล์มะเร็งโดยอาศัยข้อมูลการตรวจเต้านมบกพร่อง
ปัญหาเสียงรบกวน
เราพบว่าแม้ในที่ที่มีสัญญาณรบกวน เราก็สามารถจำแนกข้อมูลทางวิศวกรรมของเราได้อย่างสม่ำเสมอด้วยความแม่นยำที่สมบูรณ์แบบในระหว่างการทดสอบ คอมพิวเตอร์ควอนตัมในปัจจุบันพยายามดิ้นรนเพื่อให้คิวบิตอยู่ในสถานะควอนตัมเป็นเวลานานกว่าสองสามร้อยไมโครวินาทีแม้ในสภาพแวดล้อมของห้องปฏิบัติการที่มีการควบคุมสูง นั่นสำคัญมากเพราะ qubits ต้องอยู่ในสถานะนั้นนานที่สุดเพื่อทำการคำนวณ
อัลกอริธึมของเราแสดงให้เห็นว่าการพัวพันสามารถปรับปรุงความถูกต้องของการจัดหมวดหมู่ AI ได้อย่างไร โดยเป็นส่วนหนึ่งของQiskit Aquaของ IBM ซึ่ง เป็นไลบรารีโอเพนซอร์สของอัลกอริทึมควอนตัมที่นักพัฒนา นักวิจัย และผู้เชี่ยวชาญในอุตสาหกรรมสามารถใช้เพื่อเข้าถึงคอมพิวเตอร์ควอนตัมผ่านแอปพลิเคชันแบบคลาสสิกหรือภาษาโปรแกรมทั่วไป เช่น ไพทอน.
เรายังห่างไกลจากการบรรลุ Quantum Advantage สำหรับแมชชีนเลิร์นนิง ซึ่งเป็นจุดที่คอมพิวเตอร์ควอนตัมเหนือกว่าคอมพิวเตอร์แบบคลาสสิกในด้านความสามารถในการดำเนินการอัลกอริธึม AI การวิจัยของเรายังไม่ได้แสดงให้เห็นถึงความได้เปรียบของ Quantum เนื่องจากเราลดขอบเขตของปัญหาโดยพิจารณาจากความสามารถของฮาร์ดแวร์ในปัจจุบันของเรา โดยใช้ความสามารถในการคำนวณควอนตัมเพียงสอง qubits ซึ่งสามารถจำลองได้บนคอมพิวเตอร์แบบคลาสสิก ทว่าวิธีการแมปคุณลักษณะที่เรากำลังดำเนินการอยู่นั้น ในไม่ช้าจะสามารถจำแนกชุดข้อมูลที่ซับซ้อนกว่าที่คอมพิวเตอร์ทั่วไปสามารถจัดการได้ สิ่งที่เราได้แสดงให้เห็นคือหนทางข้างหน้าที่สดใส
นักเรียนฝึกพูดภาษาจีนกลางเดินเล่นในตลาดกลางถนนของจีนในช่วงบ่ายของฤดูร้อนที่มีแดดจ้า อีกไม่นาน ผู้ขายสองรายเข้าหาและเริ่มขายสินค้าโดยพยายามเสนอราคาให้สูงกว่ากัน ตอนนี้นักเรียนต้องเข้าใจสิ่งที่กำลังพูดและกำหนดการตอบสนองที่เหมาะสมโดยใช้การออกเสียงที่เหมาะสมเพื่อหลีกเลี่ยงการเข้าใจผิด เป็นสถานการณ์ที่ท้าทายแต่เป็นเรื่องปกติสำหรับทุกคนที่พยายามเรียนรู้ภาษาใหม่โดยการ
โชคดีที่นักเรียนในกรณีนี้สามารถหยุดสถานการณ์จำลองชั่วคราวเพื่อตรวจสอบความถูกต้องและโทนของการตอบสนองที่วางแผนไว้ นั่นเป็นเพราะแม้ว่านักเรียนรายนี้จะถูกรายล้อมไปด้วยภาพและเสียงของตลาดทั่วไปในจีน แต่จริงๆ แล้วเธอยืนอยู่ในห้อง Cognitive Immersive Room (CIR) ที่ปรับปรุงด้วย AI ของ Rensselaer Polytechnic Institute ( RPI) วิทยาเขตในเมืองทรอย รัฐนิวยอร์ก และผู้ขายเป็นภาพแทนตัวบนจอแสดงผลแบบพาโนรามา 360 องศา
AI สนทนา การสร้างคำบรรยาย การรับรู้บริบทเชิงพื้นที่ ท่าทางและเทคโนโลยีการจดจำใบหน้าเป็นรากฐานของคลาสใหม่เชิงโต้ตอบของ RPI “AI-Assisted Immersive Chinese” ด้วยการทำงานร่วมกับ IBM Research มหาวิทยาลัยได้สร้างหลักสูตรที่มีหน่วยกิตเป็นเวลา 6 สัปดาห์เป็นครั้งแรกในภาษาจีนกลางที่สอนในห้องปฏิบัติการระบบความรู้ความเข้าใจและการเรียนรู้ ( CISL ) ของโรงเรียน CISL เป็นความร่วมมืออย่างต่อเนื่องระหว่างมหาวิทยาลัยและ IBM Research และเป็นส่วนหนึ่งของเครือข่าย AI Horizonsของเราเพื่อเร่งการวิจัยและการประยุกต์ใช้ AI การเรียนรู้ของเครื่อง การประมวลผลภาษาธรรมชาติ และเทคโนโลยีที่เกี่ยวข้อง
เป้าหมายของเราคือการใช้ประโยชน์จาก AI เพื่อให้นักเรียนมีสภาพแวดล้อมการเรียนรู้ที่เต็มไปด้วยวัฒนธรรมที่ให้ความรู้สึกเหมือนของจริงและให้งานที่มีความหมายแก่นักเรียนในการดำเนินการ AI-Assisted Immersive Chinese ได้เริ่มเสนอโอกาสเหล่านั้นให้กับนักเรียน RPI ในภาคเรียนต้นฤดูร้อนนี้แล้ว โดยเริ่มเรียนในวันที่ 8 กรกฎาคม
ตั้งแต่นำร่องเทคโนโลยีเมื่อฤดูร้อนที่แล้ว IBM Research และ RPI ได้เพิ่มคุณสมบัติขั้นสูงจำนวนหนึ่ง ซึ่งรวมถึงความสามารถของนักเรียนหลายคนในการโต้ตอบกับอวาตาร์หลายตัวเพื่อทำงานประจำวันให้เสร็จสิ้น ระบบการสนทนาที่ยืดหยุ่นมากขึ้นสำหรับการสอนภาษา ความสามารถในการประเมินการเรียนรู้และ ความช่วยเหลือและเกมการเรียนรู้ภาษาที่สมจริงยิ่งขึ้น นักศึกษาสามารถฝึกภาษาจีนกลางในสถานการณ์ต่างๆ ได้หลากหลาย รวมถึงการเจรจาต่อรองตลาด การพักอาศัยและการเรียนในวิทยาเขตของมหาวิทยาลัย วลีเอาตัวรอดที่สนามบิน เยี่ยมชมเมือง และการสั่งอาหารในร้านอาหาร โครงการภาษาจีนกลางของ CISL ได้พัฒนาสภาพแวดล้อมการเรียนรู้ภาษาทางปัญญาและการเรียนรู้ของชั้นเรียนโดยเฉพาะสำหรับการสอนผู้ที่ไม่ใช่เจ้าของภาษา แนวคิดคือการนำนักเรียนภาษาออกจากห้องเรียนและทำให้พวกเขาอยู่ในสภาพแวดล้อมการเรียนรู้ที่สมจริงยิ่งขึ้น

management system

เทคโนโลยีการรู้จำเสียงพูด ความเข้าใจภาษาธรรมชาติ และเทคโนโลยีการสนทนาของ IBM Watson สำหรับภาษาอังกฤษและภาษาจีน ช่วยให้นักเรียนสามารถขอโปรแกรมจำลองสถานการณ์เพื่อขอความช่วยเหลือในการออกเสียงและชี้แจงวิธีการทำงานเฉพาะ เทคโนโลยีที่เรียกว่าการวิเคราะห์เส้นขอบของโทนเสียงจะประเมินการออกเสียงและให้ความคิดเห็นเกี่ยวกับเสียงและภาพในทันที โดยเปรียบเทียบการออกเสียงของนักเรียนกับเจ้าของภาษา
ในแต่ละสถานการณ์เสมือนจริง นักเรียนใช้การเคลื่อนไหวของศีรษะและตำแหน่งเพื่อระบุว่าใครกำลังพูดอยู่ การเคลื่อนไหวนั้นถูกติดตามโดยกล้องและเซ็นเซอร์อื่น ๆ ที่วางไว้ทั่วสภาพแวดล้อมที่สมจริง ระบบบริบทเชิงพื้นที่จะติดตามความใกล้ชิดของบุคคลกับพื้นที่ต่างๆ ของหน้าจอพาโนรามา โดยเริ่มบทสนทนาเมื่อตรวจพบว่ามีบุคคลอยู่ใกล้ๆ
มักกล่าวกันว่าวิธีที่ดีที่สุดในการเรียนรู้ภาษาต่างประเทศคือการเข้าไปอยู่ในสภาพแวดล้อมที่มีการพูด หากนักเรียนต้องพัฒนาทักษะการสนทนา พวกเขาต้องมีโอกาสมากมายในการฝึกพูด โดยเฉพาะอย่างยิ่งในภาษาที่ซับซ้อนเช่นแมนดารินซึ่งมีสี่โทนเสียงที่แตกต่างกันซึ่งต้องเชี่ยวชาญเพื่อให้ผู้พูดเข้าใจอย่างถูกต้อง
หลักสูตรใหม่ที่ใช้ AI ช่วยของเราสามารถช่วยเอาชนะความท้าทายเหล่านั้นได้ โดยมอบสภาพแวดล้อมการเรียนรู้ที่สมบูรณ์แก่นักเรียน RPI โดยไม่ต้องเดินทาง
รสสัมผัสของมนุษย์เป็นผลมาจากวิวัฒนาการนับพันปี และมันดีอย่างน่าประหลาดใจที่ทำให้เราเพลิดเพลินกับอาหารและเครื่องดื่มที่น่ารื่นรมย์ รวมทั้งเตือนเราไม่ให้กินสารที่เป็นอันตราย ในทางกลับกัน เซ็นเซอร์ที่มนุษย์สร้างขึ้นยังไม่สามารถเข้าถึงความสะดวกสบายในการที่ปุ่มรับรสของเรารับรู้ถึงสารได้ นี่เป็นช่องว่างทางเทคโนโลยีที่สำคัญ เนื่องจากมีสารหลายอย่างที่เราอยากจะ “ชิม” โดยไม่ต้องใส่เข้าไปในปากของเราจริงๆ สำหรับการพิมพ์ลายนิ้วมือที่รวดเร็วและเคลื่อนที่ได้ของเครื่องดื่มและของเหลวอื่นๆ ที่ไม่เหมาะสมสำหรับการกลืนเข้าไป ทีมงานของเราที่IBM Researchกำลังพัฒนา Hypertaste ซึ่งเป็นลิ้นอิเล็กทรอนิกส์ที่ใช้ระบบช่วย AI ซึ่งได้รับแรงบันดาลใจจากวิธีที่มนุษย์ได้ลิ้มรสสิ่งต่างๆ
Hypertaste เติมช่องว่างในการตรวจจับสารเคมี
Hypertaste ให้บริการแก่ผู้ใช้ในอุตสาหกรรมและวิทยาศาสตร์ที่หลากหลาย โดยมีความต้องการเพิ่มขึ้นในการระบุของเหลวอย่างรวดเร็วและเชื่อถือได้โดยไม่ต้องเข้าถึงห้องปฏิบัติการระดับไฮเอนด์ พิจารณาหน่วยงานของรัฐที่สนใจตรวจสอบคุณภาพน้ำในทะเลสาบหรือแม่น้ำในทันทีในพื้นที่ห่างไกล หรือผู้ผลิตที่ต้องการตรวจสอบที่มาของวัตถุดิบ หรือผู้ผลิตอาหารที่พยายามระบุไวน์หรือวิสกี้ปลอม การระบุและจำแนกของเหลวอย่างรวดเร็วในแหล่งกำเนิดนั้นมีความเกี่ยวข้องในอุตสาหกรรมยาและการดูแลสุขภาพด้วย เพื่อยกตัวอย่างเพิ่มเติมเพียงไม่กี่ตัวอย่าง
ความสามารถที่นำเสนอโดยเครื่องมือในการตรวจจับสารเคมีในปัจจุบันมีทั้งแบบพิเศษเฉพาะมาก เซ็นเซอร์แบบพกพาราคาปานกลางในการวัดคุณสมบัติเฉพาะ เช่น pH หรือที่ปลายอีกด้านของสเปกตรัม เครื่องจักรที่อยู่กับที่ที่ทรงพลังมากสำหรับการวิเคราะห์ที่แม่นยำของส่วนประกอบโมเลกุลแต่ละส่วน การปิดช่องว่างนี้มีความสำคัญเนื่องจากของเหลวที่ใช้ได้จริงส่วนใหญ่มีความซับซ้อน ซึ่งหมายความว่าประกอบด้วยสารประกอบทางเคมีจำนวนมาก ซึ่งไม่สามารถทำหน้าที่เป็นตัวบ่งชี้เพียงอย่างเดียวได้ ในของเหลวเหล่านี้ ไม่ใช่องค์ประกอบเดียวที่มีความสำคัญมากนัก แต่เป็นคุณสมบัติที่เกิดจากการรวมเข้าด้วยกัน อย่างไรก็ตาม การส่งของเหลวดังกล่าวไปยังห้องปฏิบัติการเพื่อทำการวิเคราะห์เป็นประจำนั้นมีค่าใช้จ่ายสูง ใช้เวลานาน และมักจะทำไม่ได้ นี่คือที่มาของ Hypertaste
ฮาร์ดแวร์ที่เรียบง่ายด้วยการตรวจจับแบบผสมผสาน
เนื่องจากของเหลวที่ซับซ้อนมีโมเลกุลที่แตกต่างกันจำนวนมาก จึงไม่มีประสิทธิภาพในการระบุโมเลกุลเหล่านี้โดยการตรวจจับแต่ละองค์ประกอบแยกจากกัน Hypertaste จึงใช้การตรวจจับแบบผสมผสานแทน ในแง่นั้น มันคล้ายกับประสาทรับรสและกลิ่นตามธรรมชาติของเรา โดยที่เราไม่มีตัวรับสำหรับแต่ละโมเลกุลที่เกิดขึ้นในอาหารหรือเครื่องดื่มทุกประเภท การตรวจจับแบบผสมผสานอาศัยความสามารถของเซ็นเซอร์แต่ละตัวในการตอบสนองต่อสารเคมีต่างๆ พร้อมกัน โดยการสร้างอาร์เรย์ของเซ็นเซอร์แบบ cross-sensitive ดังกล่าว เราสามารถรับสัญญาณองค์รวมหรือลายนิ้วมือของของเหลวที่เป็นปัญหาได้
Hypertaste ใช้เซ็นเซอร์ไฟฟ้าเคมีที่ประกอบด้วยอิเล็กโทรดคู่หนึ่ง ซึ่งแต่ละคู่จะตอบสนองต่อการปรากฏตัวของโมเลกุลร่วมกันโดยใช้สัญญาณแรงดันไฟฟ้า ซึ่งวัดได้ง่าย สัญญาณแรงดันไฟฟ้ารวมของอิเล็กโทรดทุกคู่แสดงถึงลายนิ้วมือของของเหลว หัวใจสำคัญของการทำงานของเซ็นเซอร์ไฟฟ้าเคมีของเราคือการเคลือบโพลีเมอร์ที่ครอบคลุมอิเล็กโทรดแต่ละอัน ที่ห้องปฏิบัติการของเราในซูริก เราสังเคราะห์สารเคลือบเหล่านี้ซึ่งออกแบบมาเพื่อเก็บข้อมูลทางเคมีที่หลากหลายและอนุญาตให้มีการย่อขนาดในระดับสูง
น้อยกว่าหนึ่งนาทีจากการวัดไปจนถึงการระบุตัว
เราได้สร้างอาร์เรย์เซ็นเซอร์และรวมเข้ากับอุปกรณ์อิเล็กทรอนิกส์แบบถอดได้ที่เรากำหนดค่าเพื่อวัดแรงดันไฟฟ้าข้ามอิเล็กโทรดในอาร์เรย์และส่งต่อไปยังอุปกรณ์เคลื่อนที่ เช่น สมาร์ทโฟน แอพมือถือถ่ายโอนข้อมูลไปยังเซิร์ฟเวอร์คลาวด์ ซึ่งอัลกอริธึมการเรียนรู้ของเครื่องที่ผ่านการฝึกอบรมจะเปรียบเทียบลายนิ้วมือดิจิทัลที่เพิ่งบันทึกกับฐานข้อมูลของของเหลวที่รู้จัก อัลกอริทึมจะระบุว่าของเหลวใดในฐานข้อมูลมีความคล้ายคลึงทางเคมีมากที่สุดกับของเหลวที่อยู่ในระหว่างการตรวจสอบ และรายงานผลลัพธ์กลับไปยังแอปบนอุปกรณ์เคลื่อนที่
งานประเภทนี้เรียกว่าการจำแนกประเภท และในแนวคิดการพิสูจน์ของเรา กระบวนการทั้งหมดใช้เวลาน้อยกว่าหนึ่งนาทีจากช่วงเวลาที่เซ็นเซอร์จุ่มลงในของเหลวเพื่อแสดงผลลัพธ์การจัดหมวดหมู่บนอุปกรณ์มือถือ สิ่งสำคัญในการบรรลุผลสำเร็จนี้คือการฝึกอบรมเซ็นเซอร์ เช่นเดียวกับซอมเมลิเย่ร์มือใหม่ที่เรียนรู้ความซับซ้อนของการชิมไวน์ อาร์เรย์เซ็นเซอร์ Hypertaste จำเป็นต้องได้รับการฝึกอบรมเพื่อระบุของเหลวที่สนใจก่อนที่จะนำไปทดสอบ ทำได้โดยการวัดการตอบสนองอาร์เรย์ของเซ็นเซอร์ในของเหลวเหล่านั้นหลายครั้ง จากนั้นป้อนข้อมูลผลลัพธ์ลงในโมเดลการเรียนรู้ของเครื่อง ซึ่งจะแยกคุณลักษณะเฉพาะที่เกี่ยวข้องกับของเหลวแต่ละชนิด

Web​ application

ความสามารถในการพกพาและความเร็วของเซ็นเซอร์ Hypertaste ทำได้โดยใช้การตรวจจับแบบผสมผสานกับอาร์เรย์ของเซ็นเซอร์แบบ cross-sensitive รวมกับซอฟต์แวร์อัจฉริยะที่สามารถเอาต์ซอร์ซไปยังคลาวด์ได้ ข้อดีอย่างหนึ่งของการให้โมเดลการเรียนรู้ของเครื่องทำงานบนคลาวด์คือสามารถกำหนดค่าเซ็นเซอร์ใหม่ได้อย่างรวดเร็วจากทุกที่โดยไม่ต้องเปลี่ยนแปลงฮาร์ดแวร์ ทั้งหมดที่จำเป็นในการ “เดินสายไฟใหม่” เซ็นเซอร์คือเปลี่ยนพารามิเตอร์ของโมเดลการเรียนรู้ของเครื่องเพื่อปรับให้เข้ากับงานใหม่ เซ็นเซอร์สามารถเรียนรู้จากกันและกันโดยการแลกเปลี่ยนข้อมูลเกี่ยวกับของเหลวใหม่ที่พบ การปรับใช้เซ็นเซอร์ดังกล่าวจำนวนมากในภาคสนามจะเพิ่มหน่วยการสร้างที่สำคัญแต่ขาดหายไปให้กับอินเทอร์เน็ตของสรรพสิ่ง: เซ็นเซอร์เคมี
Hypertaste เพิ่มมูลค่าได้อย่างไร
Hypertaste พิสูจน์ให้เห็นว่าอุปกรณ์พกพาสามารถพิมพ์ลายนิ้วมืออย่างรวดเร็วของของเหลวที่ซับซ้อน ซึ่งเป็นความสามารถที่ยังไม่มีในชุดเครื่องมือสำหรับการวิเคราะห์ทางเคมี อุตสาหกรรมและบริการที่จะได้รับประโยชน์จากเทคโนโลยีดังกล่าวมีตั้งแต่ห่วงโซ่อุปทานอุตสาหกรรม อาหารและเครื่องดื่ม และการตรวจสอบด้านสิ่งแวดล้อม ไปจนถึงภาคเภสัชกรรมและการดูแลสุขภาพ เป็นต้น
ตัวอย่างข้อดีของวิธีการตรวจจับแบบผสมผสาน Hypertaste ให้นึกถึงความปลอดภัยของห่วงโซ่อุปทานตั้งแต่ผู้ผลิตไปจนถึงผู้บริโภคสำหรับอาหารและเครื่องดื่มบรรจุหีบห่อ ปัจจุบันเมื่อบรรจุอาหารและเครื่องดื่มแล้ว แทบไม่สามารถตรวจสอบได้ว่าบรรจุภัณฑ์มีสิ่งที่อยู่บนฉลากจริงหรือไม่ นอกจากการส่งผลิตภัณฑ์ไปยังห้องปฏิบัติการเพื่อทำการทดสอบ ดังนั้น ซัพพลายเออร์ที่กระทำการโดยไม่สุจริตอาจแทรกผลิตภัณฑ์คุณภาพต่ำลงในห่วงโซ่อุปทานโดยมีความเสี่ยงเพียงเล็กน้อยที่จะถูกจับได้ หรือผู้ปลอมแปลงอาจปลอมผลิตภัณฑ์จริงด้วยการเพิ่มการวิเคราะห์สองสามอย่างที่น่าจะได้รับการทดสอบในห้องปฏิบัติการมากที่สุด การหลอกระบบตรวจจับแบบผสมผสาน เช่น Hypertaste นั้นยากกว่ามาก เนื่องจากไม่มีสารตัวเดียวที่จะต้องใช้การระบุตัวตน
ในระยะยาว เรายังจินตนาการถึงการใช้ Hypertaste ในการพิมพ์ลายนิ้วมือของของเหลวที่ท้าทายยิ่งขึ้นไปอีก เช่น ที่เกิดขึ้นในวิทยาศาสตร์เพื่อชีวิต ตัวอย่างเช่น การสุ่มตัวอย่างปัสสาวะของบุคคลอาจช่วยในการประเมินลายนิ้วมือเมตาบอลิซึม ซึ่งอาจเข้าใจได้ว่าเป็นผลรวมของโมเลกุลขนาดเล็กทั้งหมดที่มีอยู่ในสิ่งมีชีวิต เนื่องจากข้อมูลทางเคมีที่หลากหลายนี้เปลี่ยนแปลงตลอดเวลาโดยขึ้นอยู่กับปัจจัยต่างๆ เช่น ไลฟ์สไตล์และโภชนาการ ลายนิ้วมือเมตาบอลิซึมจึงถือได้ว่าเป็นการสร้างภาพรวมของสุขภาพของบุคคล
นอกจากการใช้ที่เป็นไปได้ในการวินิจฉัยหรือเวชศาสตร์ป้องกันแล้ว เครื่องมือดังกล่าวยังช่วยให้จัดกลุ่มย่อยของผู้ป่วยในการทดลองทางคลินิกสำหรับยาใหม่ โดยการจับคู่การตอบสนองของผู้ป่วยแต่ละรายกับการรักษาด้วยข้อมูลเกี่ยวกับเมตาบอลิซึมส่วนบุคคลของพวกเขา ขอบเขตของการใช้งานที่เป็นไปได้นั้นกว้างใหญ่และกระตุ้นจินตนาการ เรามั่นใจว่าด้วยการปรับแต่งที่จะเกิดขึ้น การใช้เซ็นเซอร์ตรวจจับสารเคมีแบบพกพาที่ได้รับความช่วยเหลือจาก AI จะตอบสนองความต้องการของหลายอุตสาหกรรม เมื่อพูดถึงการพิมพ์ลายนิ้วมือที่รวดเร็วและเคลื่อนที่ได้ของของเหลวที่ซับซ้อน
คำบรรยายภาพอัตโนมัติยังคงท้าทายแม้จะมีความคืบหน้าที่น่าประทับใจในการบรรยายภาพระบบประสาท ในบทความเรื่อง “ Adversarial Semantic Alignment for Improved Image Captions ” ซึ่งปรากฏในการประชุมปี 2019 ใน Computer Vision and Pattern Recognition (CVPR) เราร่วมกับเพื่อนร่วมงาน IBM Research AIคนอื่นๆ ได้กล่าวถึงความท้าทายหลักสามประการในการเชื่อมโยงช่องว่างทางความหมายระหว่างภาพ ฉากและภาษาเพื่อสร้างคำบรรยายภาพที่หลากหลาย สร้างสรรค์ และเหมือนมนุษย์
องค์ประกอบและความเป็นธรรมชาติ
ความท้าทายแรกเกิดขึ้นจากลักษณะการเรียบเรียงของภาษาธรรมชาติและฉากภาพ แม้ว่าชุดข้อมูลการฝึกจะประกอบด้วยการเกิดขึ้นร่วมกันของวัตถุบางอย่างในบริบท ระบบคำอธิบายภาพควรสามารถทำให้เป็นภาพรวมได้โดยการเขียนวัตถุในบริบทอื่น
ระบบคำบรรยายภาพแบบดั้งเดิมประสบปัญหาการขาดการจัดองค์ประกอบและความเป็นธรรมชาติ เนื่องจากมักสร้างคำอธิบายภาพตามลำดับ กล่าวคือ คำที่สร้างต่อไปขึ้นอยู่กับทั้งคำก่อนหน้าและคุณลักษณะของภาพ ซึ่งมักจะนำไปสู่การแก้ไขโครงสร้างภาษาที่ถูกต้องตามหลักไวยากรณ์ แต่ไม่เกี่ยวข้องเชิงความหมาย เช่นเดียวกับการขาดความหลากหลายในคำอธิบายภาพที่สร้างขึ้น เราเสนอให้แก้ไขปัญหาการเรียบเรียงด้วยโมเดลการบรรยายความสนใจแบบทราบบริบท ซึ่งช่วยให้ผู้บรรยายสามารถเขียนประโยคตามส่วนของฉากภาพที่สังเกตได้ โดยเฉพาะอย่างยิ่ง เราใช้แบบจำลองภาษาที่เกิดซ้ำพร้อมความสนใจด้วยภาพแบบมีรั้วรอบขอบชิดซึ่งให้ทางเลือกในทุกขั้นตอนการสร้างของการเข้าร่วมตัวชี้นำภาพหรือข้อความจากขั้นตอนการสร้างล่าสุด

Robot Auto process

เพื่อแก้ไขปัญหาการขาดความเป็นธรรมชาติ เราได้แนะนำนวัตกรรมอื่นโดยใช้เครือข่ายปฏิปักษ์เชิงกำเนิด (GAN) [1] ในการฝึกอบรมผู้บรรยาย โดยผู้เลือกปฏิบัติที่มีความสนใจร่วมให้คะแนน “ความเป็นธรรมชาติ” ของประโยคและความเที่ยงตรงต่อภาพผ่าน รูปแบบการเอาใจใส่ร่วมกันที่จับคู่ชิ้นส่วนของฉากภาพและภาษาที่สร้างขึ้น และในทางกลับกัน Co-attention discriminator ตัดสินคุณภาพของคำบรรยายโดยให้คะแนนความน่าจะเป็นของคำที่สร้างขึ้นโดยพิจารณาจากคุณสมบัติของภาพและในทางกลับกัน โปรดทราบว่าการให้คะแนนนี้เป็นระดับท้องถิ่น (ระดับคำและพิกเซล) และไม่ใช่ในระดับการแสดงทั่วโลก ตำแหน่งนี้ในการให้คะแนนมีความสำคัญในการจับภาพธรรมชาติขององค์ประกอบภาษาและฉากภาพ บทบาทของผู้เลือกปฏิบัติไม่เพียงแต่เพื่อให้แน่ใจว่าภาษาที่สร้างขึ้นนั้นเหมือนมนุษย์เท่านั้น