BLOG

Přečtěte si poslední novinky ze světa datových technologií a BI.
Nezapomeňte se přihlásit k jejich odběru na e-mail.

9 zajímavostí z konference Machine Learning Prague 2024

Jaké můžeme očekávat inovace v oblasti umělé inteligence (AI), machine learning (ML) a data science v blízké budoucnosti? Na konci dubna se v Praze sešly české i zahraniční “rockstars” z oboru, aby se s návštěvníky konference MLPrague 2024 podělily o svůj pohled na věc. 

Na konferenci se to hemžilo machine learning inženýry, datovými vědci i profesory, kteří se “šťourají” v umělé inteligenci počítačů. 

Co si tito odborníci myslí o možnostech velkých jazykových modelů jako ChatGPT, kvantových počítačích nebo o hrozbách online světa

I když očekávání ohledně schopností velkých jazykových modelů (LLM, Large Language Model) jako ChatGPT spíše mírnili, shodli se na tom, že nás čekají v budoucnu obří technologické změny, které zasáhnou život téměř každého. 

Bude obecná umělá inteligence lidstvu chtít pomáhat, nebo ho zničit? Odpověď zatím nikdo nezná. Foto: Václav Budiač, MLPrague

O čem hodně mluvili AI & ML odborníci z firem jako Microsoft, NASA, Google či z předních světových univerzit jako třeba John’s Hopkins University?

 

1) LLMs často propadají z matematiky

Velké jazykové modely jsou sice cool, když je požádáte o napsání rapového songu, kde bude Eminem svými slovy vysvětlovat, co to znamená LLM, ale na řešení úkolů z matematiky ze základní a střední školy je raději nezkoušejte. 

Vlastně, nejen na trojčlenku nejsou LLMs to pravé ořechové. Žádné zázraky od nich nečekejte ani při hledání odpovědí na složitější dotazy, dotazy, které zahrnují nové typy problémů nebo seznamy s pořadím.

Murray Campbell přednáší o limitech velkých jazykových modelů. Foto: Václav Budiač, MLPrague

Navíc už jen použitím synonym při tvorbě promptů pro LLMs jako ChatGPT může docela zamávat s kvalitou výsledků. 

Pokud váš problém vyžaduje aplikaci rozumu a uvažování, dávejte si pozor na cokoli, co vygenerují velké jazykové modely. LLMs jsou dobré v modelování či simulaci jazykových překladů, ale nejsou moc dobré v simulaci reality našeho světa.

Murray Campbell, vědec z IBM Thomas J. Watson Research Center

2) Před chabými výsledky LLMs vás zachrání RAG

Jedním ze způsobů, jak zlepšit výsledky generované velkými jazykovými modely, je naučit stroje lépe hledat data a hlavně si vybírat to podstatné. Na podobném principu je založen RAG, tedy Retrieval-Augmented Generation

Jde o metodu generování promptů obohacenou o výstupy hledání v databázi dokumentů relevantních pro danou oblast. To znamená, že místo toho, abyste o řešení trojčlenky požádali všechny uživatele internetu včetně hojných online trollů, ptáte se jen vysokoškolských profesorů z Matfyzu. 

Navíc RAG šikovně řeší také problém nevyvážených datasetů. Ukázal to i AI konzultant John Sinderwing ve své prezentaci na toto téma.

Záznam z přednášky o RAG publikován se svolením J.Sinderwinga a týmu MLPrague

Dle předpovědí společnosti NVIDIA budou právě RAG systémy jednou ze přelomových technologií v letošním roce.

 

3) Machine learning urychlil vývoj očkování proti Covidu

Inženýrka robotiky a strojového učení Andreea Mihailescu na konferenci MLPrague vyvrátila některé populární hoaxy ohledně očkování. 

Andreea Mihailescu vysvětluje, co usnadnilo vývoj očkování proti Covidu. Foto: Václav Budiač, MLPrague

Rumunská výzkumnice z John’s Hopkins University vysvětlila, proč vývoj vakcíny proti Covidu trval mnohem kratší dobu než vývoj podobných vakcín proti jiným virům v minulosti. Mimo jiné pomohlo i vytvoření digitálního dvojčete viru, na němž mohli vědci testovat vhodné protilátky ve virtuálním prostředí.

 

4) Neuronové sítě ovlivnily rychlost hledání života na jiné planetě

Díky využití machine learning technik jsou vědci z NASA o krůček blíž k odhalení mimozemského života na jiné planetě. 

Hamed Valizadegan, vědec z NASA, jež se zabývá hledání nových planet, zdůraznil, jak spolupráce astronomů a datových vědců zrychlila schopnost odhalení nových planet ve vesmíru.

Před 10 lety jsme vůbec netušili, kolik se ve vesmíru nachází planet. Dnes víme, že kolem téměř každé hvězdy je minimálně aspoň jedna planeta. Víme to díky využití hlubokých neuronových sítí při hledání planet. Naším hlavním cílem je ale nalezení života na jiné planetě. Splnění tohoto cíle jsme teď mnohem blíž než předtím.

Hamed Valizadegan, Machine Learning Lead, NASA

Hamed Valizadegan zmínil i to, že zpočátku astronomové aplikaci ML modelů moc nevěřili. Přesvědčily je až výsledky získané z ML modelů. Foto: Kamila Hamalčíková

5) Business uživatelé nemilují dashboardy tak jako data analytici

Datoví analytici a vědci mají rádi grafy a dashboardy. Ve skutečnosti je odpovědí na skoro každou jimi položenou otázku vytvoření pěkného nového grafu.

Jenže jak zmínil manažer Data & ML týmu z Workday Luděk Kopáček, lidé z business oddělení tuto lásku ke grafům nesdílí. Často potřebnou informaci z grafu buď nedokážou vyčíst, nebo nechtějí ztrácet čas jejím hledáním podle křivky grafu. Ideálním výstupem pro takové uživatele je jednoduchá věta v přirozeném jazyce, která jasně formuluje, co se skrývá za změnou proměnné XY.

Jinými slovy, ideálním výsledkem je něco, co aktuálně zvládají “vyrábět” velké jazykové modely. Akorát na přesnosti odpovědí se ještě musí zapracovat.

6) AI “hodilo” výrobu dlouhodobých plánů do koše

Murray Campbell, kanadský informatik z IBM týmu, jež vyvinul systém Deep Blue, tedy první počítač, který porazil šachového velmistra Garry Kasparova zmínil, jak nástup AI technologií ovlivnil tvorbu plánů v IBM.

V této americké IT firmě se dříve připravovaly strategické výhledy na 10 let dopředu, pak plánování zkrátili na pětiletky. S masovým nástupem AI technologií od podobných plánů úplně ustoupili.

7) ML vědci mají rádi film Terminátor, ale ne u každého článku o AI

Jestli jsou na něco ML inženýři alergičtí, tak jsou to obrázky z filmové ságy o Terminátorovi, které se hojně objevují téměř u každého druhého článku o umělé inteligenci v masových médiích.

Obrázků s Terminátorem mám plné zuby, svěřil se Murray Campbell z IBM. Václav Budiač, MLPrague

Nic proti Arnoldu Schwarzeneggerovi, ale co je moc, to je moc. S alergií na Terminátora v textech o AI se svěřil Murray Campbell z IBM.

 

8) Evropa ve vývoji AI a ML řešení zaostává

Jako se Ariadnina nit proplétá Minotaurovým bludištěm, tak se celou konferencí MLPrague 2024 linula jedna myšlenka. A to, že Evropa kvůli různým regulacím již zaostává ve vývoji AI produktů a řešení za Severní Amerikou a za Čínou. 

Zleva doprava: Madalina Ciortan (kiwi.com), Hamed Valizadegan (NASA), Kenji Suzuki (Tokio Technology Institute) a Jan Romportl diskutují také o překážkách pro vývoj AI, které představuje nový zákon o umělé inteligenci schválený Evropským parlamentem. Foto: Václav Budiač, MLPrague

Pokud se něco nezmění, bude se tato propast ve využití AI technologií ještě více prohlubovat, což může mít silně negativní důsledky na ekonomický růst Evropy. 

 

9) Kvantové počítače nejsou vždy lepší variantou oproti klasickým 

Po AI všichni s napětím očekávají jakou “technologickou smršť” vyvolá nástup kvantových počítačů do našich životů. O možnostech kvantové informatiky na MLPrague 2024 hovořil Alexander Del Toro Barba. Tento výzkumník se kvantovým počítačům věnuje v Googlu.

Čína patří k leaderů zemí, které investují do kvantové komunikace. V případě USA jde spíš o kvantovou výpočetní techniku. Obrázek generován pomocí systému DALL-E

Poukázal na fakt, že mnoho algoritmů je efektivnější spustit stále na klasických počítačích než na kvantových. Do kvantové informatiky v současnosti investují především Spojené státy americké a Čína. 

Autor: Kamila Hamalčíková, BI Analyst

KATEGORIE