5. Magyar Jövő Internet Konferencia» Okos város a célkeresztben «A kibontakozó új hajtóerő a mesterséges intelligencia Dr. Szűcs Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Távközlési és Médiainformatikai Tanszék Budapest, 2018. november 28.
Tartalom q Felhasználói igények q Mesterséges intelligencia q Mély tanulás - mély neurális hálók q Hajtóerők q Alkalmazási területek q Előretekintés 2
Jövő Internet alkalmazások és szolgáltatások felhasználói igényei Egyéni igények: q Fogyasztás (pl. multimédia) mindenhol q Testre szabott szolgáltatás Ipari igények: q Gyorsaság q Automatizmus q Megbízható működés mesterséges intelligencia 3
Mesterséges intelligencia probléma területei Általános intelligencia q Következtetés (matematikai logika) q Tervkészítés q Robotika q Természetes nyelvű feldolgozás 4 hajtóerő? q Gépi tanulás q Számítógépes látás 4
Gépi tanulás q Felügyelet nélküli gépi tanulás q Felügyelt gépi tanulás q Megerősítéses tanulás q hasznosságalapú ágens q Q-tanuló ágens q reflexszerű ágens Legújabb altípus: mély tanulás 5
Számítógépes látás Computer Vision: q mély neurális hálók segítségével 6
Mély tanulás (Deep Learning) Mély neurális hálók (Deep Neural Networks DNN), röviden mély háló típusok: q Rekurrens hálók (RNN) q Long Short-Term Memory (LSTM) q Konvolúciós neurális hálók (CNN) q Autoencoder 7
Mély neurális háló belseje 8
Objektum lokalizálás és osztályozás képeken mély neurális hálóval Chevrolet BMW 9
You Only Look Once - YOLO YOLO q Regressziós probléma felírás q Anchor téglalapok a képeken q Becslés több feature map -en Klasszikusabb megoldások: q DPM (Deformable Part Model) q R-CNN (Region-based Convolutional Neural Network) q Batch módú (kötegelt) feldolgozás 10
Hajtóerők 1. hajtóerő: kutatás (egyetemek, kutató intézetek) 2. hajtóerő: a hardver - GPU 11
3. hajtóerő: Ipar MI vállalatokkal q Tesla q Google q Apple q IBM q OpenAI: non-profit MI kutatóvállalat (Elon Musk, Sam Altman) q OpenCog Foundation q Human Brain Project 12
4. hajtóerő: Szoftver eszközök Ipar régi és új szereplői q Microsoft Research (1991) több, mint 1000 fő q IBM Research AI (12 laborközpont, Zürichben pl. 400 fő) q Google Brain (2011) Google Research/ DeepMind 1800 fő q FAIR (Facebook AI Research), Facebook Research (2013) 500 fő TensorFlow (Google Brain) 2015. november 9. 13
Mély tanulás piaci térképe TensorFlow H2O.AI Torch Theano Caffe CNTK Microsoft Baidu Amazon Univ./Montreal Berkeley Oxford Univ./Toronto NYU MIT Dalle Molle Inst./for AI/ Carnegie/Mellon (IDSIA) Univ./Hong/Kong Stanford Tsinghua university IBM Google Uber Facebook Apple Nvidia Qualcomm Xilinx Intel 14
Alkalmazások q Pénzügyi szektor: algoritmikus kereskedelem, piac kutatás, portfolió optimalizálás q Orvostudomány: orvosi szakértő rendszerek q Művészetek: filmművészet, zene (Google Magenta) q Játékipar q Okos város: közbiztonság növelése q Intelligens közlekedés: önvezető autók, forgalom irányítás q Online és telefonos ügyfélszolgálat: virtuális asszisztens 15
Virtuális asszisztensek, botok 16
Egyéb alkalmazási példák q Fordítás nyelvek között q Zeneszerzés q Videó elemzés q Kódgenerálás (akár neurális háló kód is!) 17
Mesterséges intelligencia becsült világ piaci trendje 18
A kibontakozó új hajtóerő a mesterséges intelligencia Köszönöm a figyelmet! Szűcs Gábor szucs@tmit.bme.hu