تحقیقات در زمینه یادگیری ماشینی و هوش مصنوعی، که اکنون یک فناوری کلیدی در تقریباً هر صنعت و شرکتی است، برای هر کسی بسیار حجیم است. هدف این ستون جمع آوری برخی از مرتبط ترین اکتشافات و اسناد اخیر – به ویژه در هوش مصنوعی، اما نه محدود به آن – و توضیح دلیل اهمیت آنهاست.
این هفته، در زمینه هوش مصنوعی، محققان آزمایش جالبی را برای پیش‌بینی اینکه چگونه پلتفرم‌های «بازار محور» مانند تحویل غذا و تجارت حمل‌ونقل بر اقتصاد کلی تأثیر می‌گذارند، در صورت بهینه‌سازی برای اهداف مختلف، مانند حداکثر کردن درآمد، انجام دادند. در جای دیگر، با نشان دادن انعطاف‌پذیری هوش مصنوعی، تیمی از ETH زوریخ سیستمی را توسعه دادند که می‌تواند ارتفاع درختان را از تصاویر ماهواره‌ای بخواند، در حالی که گروهی از محققان سیستمی را برای پیش‌بینی موفقیت پرتاب از داده‌های وب عمومی آزمایش کردند.
عملکرد پلتفرم مبتنی بر بازار بر اساس Salesforce’s AI Economist است، یک محیط تحقیقاتی منبع باز برای درک اینکه چگونه هوش مصنوعی می تواند سیاست های اقتصادی را بهبود بخشد. در واقع، برخی از محققان پشت AI Economist در کار جدید گنجانده شده‌اند که در مطالعه‌ای که در ماه مارس منتشر شد، به تفصیل توضیح داده شد.
همانطور که نویسندگان مشترک از طریق ایمیل به TechCrunch توضیح دادند، هدف بررسی بازارهای دوجانبه مانند آمازون، DoorDash، Uber و TaskRabbit بود که به دلیل افزایش عرضه و تقاضا از قدرت بازار بیشتری برخوردار هستند. محققان با استفاده از یادگیری تقویت‌شده، نوعی از سیستم هوش مصنوعی که حل مشکلات را در سطوح مختلف از طریق آزمون و خطا یاد می‌گیرد، این سیستم را برای درک تأثیر تعاملات بین پلتفرم‌ها (مانند Lyft) و کاربران (مانند سواران) آموزش دادند.
“ما از آموزش تقویتی استفاده می کنیم تا به این فکر کنیم که چگونه یک پلت فرم برای اهداف طراحی مختلف کار می کند.” [Our] شبیه ساز امکان ارزیابی سیاست های یادگیری را با تقویت در تنظیمات مختلف با اهداف و مفروضات مختلف مدل فراهم می کند. ما در مجموع 15 تنظیمات مختلف بازار را مطالعه کردیم – به عنوان مثال. ترکیبی از ساختار بازار، دانش خریدار از فروشندگان، [economic] شدت ضربه و هدف طراحی.”
محققان با استفاده از سیستم هوش مصنوعی خود به این نتیجه رسیدند که پلتفرمی که برای به حداکثر رساندن درآمد طراحی شده است، باعث افزایش کارمزدها و کسب سود بیشتر از خریداران و فروشندگان در هنگام شوک‌های اقتصادی به بهای رفاه اجتماعی می‌شود. زمانی که هزینه‌های پلتفرم ثابت شد (مثلاً به دلیل مقررات)، آنها دریافتند که انگیزه بیشینه‌سازی درآمد پلتفرم به طور کلی با ملاحظات رفاهی اقتصاد به عنوان یک کل مطابقت دارد.
یافته‌ها ممکن است برای زمین تکان‌دهنده نباشد، اما نویسندگان همکار معتقدند که سیستمی که آنها قصد دارند منبع باز شوند، ممکن است مبنایی را برای کسب‌وکارها یا سیاستمداران فراهم کند تا اقتصاد پلتفرم را تحت شرایط، طراحی و ملاحظات نظارتی مختلف تجزیه و تحلیل کنند. آنها افزودند: «ما یادگیری تقویتی را به عنوان روشی برای توصیف عملیات استراتژیک کسب‌وکارهای پلتفرم که قیمت‌گذاری و تطابق را در پاسخ به تغییرات محیطی، چه شوک اقتصادی یا نوعی مقررات بهینه می‌کند، اتخاذ می‌کنیم.» این می‌تواند بینش‌های جدیدی را برای اقتصادهای پلتفرم فراهم کند که فراتر از این کار هستند یا می‌توانند به صورت تحلیلی تولید شوند.»
محققان در Skopai، استارتاپی که از هوش مصنوعی برای مشخص کردن شرکت‌ها بر اساس معیارهایی مانند فناوری، بازار و امور مالی استفاده می‌کند، با تمرکز بر کسب‌وکار پلتفرم و سرمایه‌گذاری مخاطره‌آمیز که آنها را تغذیه می‌کند، می‌گویند که می‌توانند توانایی یک استارت‌آپ را برای جذب سرمایه‌گذاری با استفاده از داده‌های در دسترس عموم پیش‌بینی کنند. . با تکیه بر داده‌های وب‌سایت‌های راه‌انداز، رسانه‌های اجتماعی و ثبت کسب‌وکار، نویسندگان همکار می‌گویند که می‌توانند نتایج پیش‌بینی «مقایسه با آن‌هایی را که از داده‌های ساختاریافته موجود در پایگاه‌های داده خصوصی نیز استفاده می‌کنند» دریافت کنند.
استفاده از هوش مصنوعی در بررسی دقیق چیز جدیدی نیست. Correlation Ventures، EQT Ventures و Signalfire از جمله شرکت هایی هستند که در حال حاضر از الگوریتم هایی برای اطلاع رسانی سرمایه گذاری های خود استفاده می کنند. گارتنر پیش‌بینی می‌کند که 75 درصد از VCها تا سال 2025 از هوش مصنوعی برای تصمیم‌گیری برای سرمایه‌گذاری استفاده خواهند کرد، در حالی که امروزه کمتر از 5 درصد است. اما در حالی که برخی ارزش فناوری را می دانند، خطرات در زیر سطح قرار دارند. در سال 2020، بازنگری کسب و کار هاروارد (HBR) دریافت که الگوریتم سرمایه گذاری از سرمایه گذاران تازه کار بهتر عمل می کند، اما سوگیری نشان می دهد، مانند انتخاب مکرر کارآفرینان سفیدپوست و مرد. HBR خاطرنشان کرد که این منعکس کننده دنیای واقعی است و تمایل هوش مصنوعی برای تقویت تعصبات موجود را برجسته می کند.
در اخبار دلگرم‌کننده‌تر، دانشمندان MIT به همراه محققان کورنل و مایکروسافت می‌گویند که یک الگوریتم بینایی کامپیوتری – STEGO – توسعه داده‌اند که می‌تواند تصاویر را تا یک پیکسل شناسایی کند. اگرچه این ممکن است قابل توجه به نظر نرسد، اما پیشرفت قابل توجهی نسبت به روش مرسوم “آموزش” الگوریتمی برای تشخیص و طبقه بندی اشیاء در عکس ها و فیلم ها است.
به طور سنتی، الگوریتم‌های بینایی کامپیوتری با نشان دادن نمونه‌های زیادی از اشیایی که توسط انسان برچسب‌گذاری شده‌اند، یاد گرفته‌اند که اشیا (مانند درختان، ماشین‌ها، تومورها و غیره) را تشخیص دهند. STEGO این گردش کار وقت گیر و وقت گیر را با اعمال یک برچسب کلاس به هر پیکسل در تصویر حذف می کند. به گفته محققان، این سیستم بی نقص نیست – برای مثال گاهی غلات را با ماکارونی اشتباه می گیرد – اما STEGO می تواند با موفقیت چیزهایی مانند جاده ها، مردم و علائم خیابان ها را تقسیم بندی کند.
تا آنجا که به تشخیص اشیا مربوط می شود، به نظر می رسد به روزی نزدیک می شویم که کارهای آکادمیک مانند DALL-E 2، سیستم تولید تصویر OpenAI، در حال تولید است. یک مطالعه جدید از دانشگاه کلمبیا سیستمی به نام Opal را نشان می دهد که برای ایجاد تصاویر ارائه شده برای داستان های خبری از توضیحات متن طراحی شده است و کاربران را در طول فرآیند با نشانه های بصری راهنمایی می کند.
وقتی با گروهی از کاربران آزمایش شد، محققان گفتند کسانی که Opal را امتحان کردند در ایجاد تصاویر برای مقالات “کارآمدتر” بودند و بیش از دو برابر بیشتر از کاربران نتایج “قابل استفاده” ایجاد کردند. تصور اینکه ابزاری مانند Opal در نهایت به سیستم های مدیریت محتوا مانند وردپرس راه پیدا کند سخت نیست، شاید به عنوان یک افزونه یا افزونه.
نویسندگان همکار نوشتند: “با توجه به متن مقاله، Opal کاربران را از طریق جستجوی ساختاریافته برای مفاهیم بصری راهنمایی می کند و خطوط لوله ای را ارائه می دهد که به کاربران امکان می دهد بر اساس لحن مقاله، اشیاء و سبک تصویرسازی مورد نظر تصویرسازی کنند.” “[Opal] مجموعه متنوعی از تصاویر سرمقاله، دارایی های گرافیکی و ایده های مفهومی را تولید می کند.