Your browser is out of date

Update your browser to view this website correctly. Update my browser now

×

  • Cloudera Cloudera
  • X
    Zadzwoń do nas pod numer(888) 789-1488
    Międzynarodowy:+1 (650) 362-0488

    Badania Fast Forward Labs są teraz dostępne bez subskrypcji

    W przyszłości wszystkie nowe raporty będą dostępne publicznie i będzie je można pobrać bezpłatnie. Wkrótce udostępnimy także zaktualizowane wersje starszych raportów, więc zachęcamy do częstego sprawdzania i eksploracji nowej zawartości.

    Bezpłatne raporty z badań

    Poznaj nasze najnowsze raporty z badań i prototypy — dostępne bezpłatnie dla wszystkich. 

    Klasyfikacja tekstu w kilku ujęciach

    Klasyfikacja tekstu może służyć do analizy opinii, przypisywania tematów, identyfikacji dokumentów, rekomendacji artykułów i nie tylko. Chociaż obecnie istnieją dziesiątki technik wykonywania tego podstawowego zadania, wiele z nich wymaga ogromnych ilości oznaczonych danych, aby były użyteczne. Zbieranie uwag do danego przypadku jest zwykle jedną z najbardziej kosztownych części każdego zastosowania uczenia maszynowego. W tym raporcie zgłębiamy zagadnienie wykorzystania ukrytego osadzania tekstu z kilkoma przykładami szkoleniowymi (lub nawet ich brakiem) i przedstawiamy najlepsze praktyki wdrażania tej metody.

    Przeczytaj raport

    Poznaj kod

    Few-Shot Text Classification

    Strukturalne szeregi czasowe

    Dane w postaci szeregów czasowych są wszechobecne. Niniejszy raport analizuje uogólnione modele addytywne, które pozwalają w prosty, elastyczne i interpretowalny sposób modelować szeregi czasowe poprzez rozkładanie ich na komponenty strukturalne. Przyglądamy się korzyściom i kompromisom wynikającym z zastosowania podejścia dopasowującego krzywą do szeregów czasowych i demonstrujemy jego wykorzystanie za pośrednictwem biblioteki Prophet Facebooka w przypadku problemu z prognozowaniem popytu.

    Przeczytaj raport

    Poznaj kod

    Meta-learning

    W przeciwieństwie do tego, jak uczą się ludzie, algorytmy uczenia głębokiego potrzebują ogromnych ilości danych i możliwości obliczeniowych, a mimo to mogą mieć trudności z generalizacją. Ludzie potrafią się szybko przystosowywać, ponieważ w obliczu nowych problemów wykorzystują wiedzę zdobytą dzięki wcześniejszym doświadczeniom. W tym raporcie wyjaśniamy, w jaki sposób meta-learning może wykorzystać wcześniejszą wiedzę uzyskaną na podstawie danych, aby szybko i wydajniej rozwiązywać nowe zadania w czasie testów

    Przeczytaj raport

    Poznaj kod

    Automatyczne odpowiadanie na pytania

    Automatyczne odpowiadanie na pytania to łatwy w obsłudze sposób wydobywania informacji z danych przy użyciu naturalnego języka. Dzięki niedawnym postępom w przetwarzaniu języka naturalnego możliwości odpowiadania na pytania z nieustrukturyzowanych danych tekstowych gwałtownie wzrosły. Niniejszy blog zawiera omówienie szczegółów technicznych i praktycznych aspektów tworzenia kompleksowego systemu odpowiadania na pytania.

    Przeczytaj interaktywny blog

    Dowiedz się więcej o prototypie

    Przyczynowość w uczeniu maszynowym

    Zależność wnioskowania przyczynowego i uczenia maszynowego to szybko rozwijający się obszar badań, który już dostarcza możliwości tworzenia solidniejszych, bardziej niezawodnych i sprawiedliwych systemów uczenia maszynowego. Niniejszy raport zawiera wprowadzenie do rozumowania przyczynowego, w tym do wykresów przyczynowych i predykcji niezmienników, a także stosowania narzędzi wnioskowania przyczynowego w połączeniu z klasycznymi technikami uczenia maszynowego w wielu przypadkach użycia.

    Dowiedz się więcej o prototypie

    Przeczytaj raport

    Możliwości interpretacji: edycja 2020

    Możliwość interpretacji lub wyjaśnienia, dlaczego i jak system podejmuje decyzję, pomaga w ulepszeniu modeli, zapewnieniu ich zgodności z przepisami i przygotowaniu lepszych produktów. Techniki „czarnej skrzynki”, takie jak uczenie głębokie (ang. deep learning), zapewniły przełomowe możliwości kosztem interpretacji. W raporcie — niedawno uzupełnionym o techniki SHAP — przedstawiamy, jak można zapewnić interpretację modeli bez ograniczania ich możliwości czy dokładności.

    Dowiedz się więcej o prototypie

    Przeczytaj raport

    Uczenie głębokie w celu wykrywania nieprawidłowości

    Sposoby zastosowania automatycznej identyfikacji nietypowych danych są niezliczone — od wykrywania oszustw po oflagowywanie nieprawidłowości w danych uzyskanych w wyniku przetwarzania obrazów. Proces ten może okazać się trudny, szczególnie gdy mamy do czynienia z dużą ilością złożonych danych. W raporcie omówiono podejścia do głębokiego uczenia (modele sekwencji, autoenkodery wariacyjne oraz generatywną sieć przeciwstawną) w kontekście wykrywania nieprawidłowości, ich zastosowania, wzorców wydajności oraz możliwości produktowych.

    Dowiedz się więcej o prototypie

    Przeczytaj raport

    Fast Forward Labs Deep Learning for Image Analysis - 2019 Edition report preview

    Uczenie federacyjne

    Uczenie federacyjne umożliwia tworzenie systemów uczenia maszynowego bez bezpośredniego dostępu do danych szkoleniowych. Dane pozostają w swojej pierwotnej lokalizacji, co pomaga zapewnić prywatność i obniża koszty komunikacji. Uczenie federacyjne doskonale sprawdza się w przypadku smartfonów i urządzeń krawędziowych, opieki zdrowotnej i innych zastosowań wrażliwych w zakresie prywatności, a także zastosowań przemysłowych, takich jak konserwacja predykcyjna.

    Dowiedz się więcej o prototypie

    Przeczytaj raport

    Fast Forward Labs Deep Learning for Image Analysis - 2019 Edition report preview

    Raporty tylko w ramach subskrypcji

    Zaktualizowane wersje starszych raportów będą dostępne za darmo w przyszłości, więc zachęcamy do częstego sprawdzania.

    Fast Forward Labs Transfer Learning for NLP report preview

    Uczenie transferowe na potrzeby NLP

    Techniki przetwarzania języka naturalnego (NLP, ang. Natural Language Processing) umożliwiają tłumaczenie języka, odpowiadanie na pytania i generowanie tekstów podobnych do tworzonych przez ludzi, ale podstawowe techniki uczenia głębokiego wymagają kosztownych zestawów danych, infrastruktury i wiedzy specjalistycznej. W tym raporcie przedstawiamy, jak dostosować istniejące modele do dowolnej aplikacji NLP przy użyciu technik uczenia transferowego (ang. transfer learning), co ułatwia tworzenie wysokowydajnych systemów NLP.

    Fast Forward Labs Deep Learning for Image Analysis - 2019 Edition report preview

    Uczenie głębokie na potrzeby analizy obrazów — edycja 2019

    Konwolucyjne sieci neuronowe (ConvNet lub CNN, ang. Convolutional Neural Network), zwane też splotowymi, wyróżniają się pod względem możliwości uczenia się interpretacji istotnych cech i pojęć występujących w obrazach. Dzięki temu są nieocenionym narzędziem do rozwiązywania problemów w wielu dziedzinach — od obrazowania medycznego po procesy produkcyjne. W raporcie wskazujemy, jak wybrać właściwe modele uczenia głębokiego na potrzeby analizy obrazów, a także przedstawiamy techniki usuwania błędów w modelach uczenia głębokiego.

    Image of Multi-Task Learning Report and Prototype

    Uczenie wielozadaniowe

    Ten raport dotyczy uczenia wielozadaniowego — nowego podejścia do uczenia maszynowego, które umożliwia algorytmom równoczesne wykonywanie wielu zadań.

    Zalecenia semantyczne

    W tym raporcie przedstawiamy zastosowanie treści semantycznej elementów do rozwiązywania typowych kwestii dotyczących rekomendacji, takich jak problem „zimnego startu”, i rozwijania nowych produktów.

    Możliwości interpretacji

    W tym raporcie przedstawiamy, jak można zapewnić interpretację modeli bez ograniczania ich możliwości czy dokładności.

    Programowanie probabilistyczne

    Przedstawiamy, jak programowanie probabilistyczne i wnioskowanie bayesowskie umożliwiają tworzenie narzędzi, które ułatwiają prognozowanie w celu efektywniejszego podejmowania decyzji.

    Podsumowania

    Dowiedz się, jak korzystać z uczenia głębokiego i osadzania, aby umożliwić obliczanie tekstu na potrzeby różnych zastosowań biznesowych i produktów.

    Uczenie głębokie: analiza obrazów

    W tym raporcie przedstawiono historię, stan bieżący i prognozy przyszłego rozwoju uczenia głębokiego, a także wyjaśniono jego zastosowania.

    Metody probabilistyczne wykorzystania strumieni danych w czasie rzeczywistym

    W tym raporcie przedstawiamy metody probabilistyczne, które zapewniają wydajne modele skutecznego wykorzystania strumieni danych w czasie, gdy są one generowane.

    Generowanie treści w języku naturalnym

    W tym raporcie rozważamy, jak systemy maszynowe mogą przekształcić wysoce ustrukturyzowane dane w treść w języku ludzkim.

    Przeczytaj blog Fast Forward Labs

     

    Bądź na bieżąco

    Zapisz się, aby otrzymywać comiesięczny biuletyn, w którym znajdziesz najnowsze informacje na temat postępów w stosowaniu sztucznej inteligencji, a także o nowościach i wydarzeniach w naszej firmie.

     

    Napisz do nas w sprawie subskrypcji dotyczącej badań

    Your form submission has failed.

    This may have been caused by one of the following:

    • Your request timed out
    • A plugin/browser extension blocked the submission. If you have an ad blocking plugin please disable it and close this message to reload the page.