O modelo foi treinado exaustivamente para reconhecer esse tipo de câncer em imagens de endoscopia. Com precisão comparável a de especialistas, o sistema ainda atingiu uma latência de apenas 40 milissegundos, permitindo seu uso em tempo real durante os exames.
A plataforma usa dados obtidos de diversas fontes, desde as mais tradicionais coletas relacionadas ao trânsito até dados detalhados de funcionamento coletados em veículos da Ford, para gerar um panorama complexo em tempo real das condições relacionadas à mobilidade, e assim permitir decisões mais bem informadas pelas autoridades municipais de trânsito.
O sistema comercial tem precisão comparável à do consenso formado por 3 radiologistas, mas realiza a análise em uma fração do tempo: 10 segundos contra 20 minutos. Os pesquisadores pretendem começar a usar o modelo em ambiente clínico ainda esse ano.
Os agentes foram separados em dois times, colocados para disputar partidas de esconde-esconde. Com o tempo, e sem nenhum incentivo explícito, eles aprenderam a manipular o ambiente, e até a cooperar entre si – ou seja, aprenderam a desempenhar comportamentos complexos -, para vencer o jogo.
Ben Hamm usou uma câmera e um modelo de machine learning para reconhecer quando o gato tentava entrar na casa com uma presa (geralmente de madrugada), e travar a portinhola de acesso pelo intervalo suficiente para que o gato se desfizesse de sua caça.
O levantamento incluiu todos os estudos realizados desde 2012, ano em que o modelo AlexNet quebrou recordes em problemas de classificação de imagens. Os autores observaram, entretanto, que a maioria dos estudos na área é de baixa qualidade técnica, fazendo sugestões para dar ainda mais valor aos resultados alcançados pela inteligência artificial.
Os algoritmos de machine learning ainda não são capazes de aprender de forma associativa como nós fazemos, e por isso a inteligência artificial ainda não consegue generalizar para novas tarefas. Um estudo de evolução em ambiente virtual mostra como a aprendizagem associativa surgiu em seres vivos, o que dá sugestões sobre como replicar o processo em máquinas.
O sistema Overton foi desenvolvido para aperfeiçoar a administração do ciclo de vida de aplicações baseadas em ML. O programador passa ao sistema um esquema relacional dos dados de entrada e uma relação das tarefas a realizar, e o sistema é responsável por construir, fazer o tuning e o consecutivo deployment de um modelo. Assim, o programador fica livre para focar nas tarefas de mais alto nível, como a curadoria dos dados de entrada do sistema.
Os autores do trabalho usaram modelos climáticos clássicos para aumentar o número de dados disponíveis para treinamento, e alcançaram o alto desempenho passando os dados por uma rede neural convolucional, que identificou as regiões do oceano mais correlacionadas ao fenômeno.
O trabalho usou uma rede neural convolucional para processar dados brutos de eletrocardiograma, sendo capaz de predizer com precisão absoluta os portadores da condição cardíaca; método auxiliar mostra quais regiões do ECG são importantes para discriminar entre indivíduos saudáveis e acometidos.
