28 Ekim — 3 Kasım | Haftalık Yapay Zeka Bülteni

Alper Calisir
Nov 3 · 6 min read
Fotoğraf: XANDER STEENBRUGGE

Gelişmeler

1. GANimal adlı yeni bir yapay zeka aracı, fotoğraftaki insanların evcil hayvanlarının ifadelerini değiştirebilir.
Nvidia’dan araştırmacılar, şirketin lider bilgisayarlı vizyon(computer vision) araştırmacısı Ming-Yu Liu’ya göre, “her bir görevin rastgele kaynak bir hayvanı rastgele bir hedef hayvana çevirmekle ilgili olduğu birçok çeviri görevini ortaklaşa çözmek için” bir ağı eğiterek GANimal’i geliştirdiler. Şirket blog yazısında, Liu, ağın nihayetinde “bilinen hayvanları daha önce görülmemiş hayvanlara çevirmek” için genelleştirmeyi öğrendiğini açıkladı. Buradan deneyebilirsiniz.

2. Facebook araştırmacılarından yeni bir araç, insanların yüzlerini videolarda çarpıtarak yüz tanıma teknolojisini kandırabilir.
“De-identifikasyon” sistemi, bir kişinin yüz özelliklerini hafifçe değiştirmek için eğitimli bir yüz sınıflandırıcısına sahip bir rakip otomatik kodlayıcıdan oluşuyor. Facebook AI Research’e göre, bu işlem tanıma sistemlerini şaşırtıyor ancak kişinin genel görünümünü koruyor. Bir sözcü, şu anda şirketin sistemi herhangi bir Facebook uygulamasına sunmayı planlamadığını söyledi. Araştırmacılar bulgularını önümüzdeki hafta Seul’deki Bilgisayarla Görme Uluslararası Konferansı’nda sunacaklar.

3. Araştırmacılar desenli bir tişört kullanarak insanları algılayan bir yapay zekayı kandırdılar.
Yeni bir makalede, Northwestern Üniversitesi’nden ve MIT-IBM Watson AI Lab’den bilim adamları, dama tahtası görüntüsü olan düşman(adversarial) bir tişört giyen bir kişinin nesne algılama modellerinden R-CNN ve YOLOv2'den kaçabileceğini gösterdiler. Testlerde, gömlek tek bir kişinin giysiyi giydiği zamanın yüzde 65'ine kadar modelleri kandırabiliyordu. (Daha fazla insan dahil olduğunda başarı oranı düştü).

4. Bu haftaki bir blog gönderisinde, Facebook, görüntülerde gizlenmiş nesnelerin 3B şekillerini tahmin edebilen Mesh R-CNN’i vurguladı.
Blog yazısı, şirketin yapay zeka içerik anlayışındaki gelişmelerine odaklanıyor. Bu, karışık ve engellenen 2B nesneleri algılayabilen ve bunları Mesh R-CNN gibi üç boyutta yeniden yapılandıran sistemleri içeriyor. Mesh R-CNN, açık kaynaklı Mask R-CNN 2D nesne segmentasyon sistemini, bir mesh tahmin dalı ve Torch3d ile birleştirerek görüntüdeki nesneleri algılıyor ve sınıflandırıyor. Facebook’a göre, “bir sandalyenin bacakları veya örtüşen mobilyalar gibi karmaşık nesneleri bile algılayabilir”.

5. Duke Üniversitesi’ndeki araştırmacılar, fotoğraflardaki düzinelerce kuş türünü tanımlamak için bir yapay zeka eğittiler.
Derin sinir ağı 200 kuş türünün yaklaşık 12.000 fotoğrafında eğitildi ve zamanın yüzde 84'üne kadar doğru türü tespit edebildi. Alışılmadık bir şekilde, yapay zeka ayrıca bir görüntüde gördüklerini görselleştirebilir; bu da araştırmacılara sistemin tahminlerinin arkasındaki mantığı gösterir. Ekip bulgularını 12 Aralık’ta Vancouver’da bulunan Sinirsel Bilgi İşlem Sistemleri Konferansında sunacak.

6. Google, arama sorgularının yüzde 10'unu etkileyecek bir güncelleme olan en büyük arama motoru güncellemesini yayımladı.
Teknoloji devi, arama motoruna BERT(Bidirectional Encoder Representations from Transformers) adlı yeni bir yapay zeka sistemi yaymaya başladığını duyurdu. Yeni sistem, bir cümle içinde her bir kelimenin birbiriyle olan ilişkisine dikkat ederek kullanıcılara yanıtlar verecek şekilde tasarlandı. Daha önceden, Google arama motoru teknolojisinin yalnızca önemli olduğunu düşündüğü kelimelere odaklandığını ve sıralama bilgisini dikkate almadığını söyledi.

7. Çin Bilimler Akademisi’ndeki araştırmacılar, bir kişinin yüzünün videosuna dayanarak kalp atışlarını tahmin eden yapay zeka tabanlı bir kalp atış hızı tahmincisi tasarladı.
Yeni bir makalede, araştırmacılar cilt dokusundaki kan hacmindeki değişiklikleri saptayan yapay zeka ve fotopletismografi kullanan RhythmNet adı verilen tahminciyi tanımlıyorlar. 2,378 görülebilir hafif video ve 107 deneğin 752 yakın kızılötesi videosunu içeren büyük ölçekli çok modlu korpus VIPL-HR1'i kullanarak EhythmNet’i eğitmişler. Kağıda göre RhythmNet, dakikada 5 atımdan daha düşük bir hata elde etti.

8. Araştırmacılar bir şarkının hangi özelliklerinin insanların sinirsel, fizyolojik ve duygusal tepkilerini etkileyebileceğini tahmin etmek için makine öğrenme algoritmalarını nasıl eğittiğini açıkladılar.
Yayınlanan yeni bir makalede, bir şarkının “parlaklığının” — ya da orta ve yüksek frekansların seviyesinin — aynı zamanda atım gücünün, bir şarkının bir kişinin kalp atış hızını ve beyin aktivitesini nasıl etkileyebileceğinin en iyi tahmincileri arasında olduğunu gösterdi. Sonuçlar geçen hafta bilgisayar bilimleri ve sanat alanındaki bir konferansta sunuldu. MIT’e göre, “bir gün, terapiden Hollywood’a kadar çeşitli amaçlar için hedeflenen müzikal deneyimleri nasıl tasarlayabileceğimizi gösterebilirler”.

9. Makine öğrenmesi araştırmacısı ve eğitimci Xander Steenbrugge, müziği sanatsal görselleştirmeye dönüştüren bir yapay zeka geliştirdi.
“Sinir Sinestezi” projesi, üretici bir rakip ağı(GAN) kullanıyor. Görselleştirmeleri oluşturmak için Steenbrugge, algoritma görüntülerini bir veri setinden besledi ve görsel stilini çoğaltmak için yapay zekayı çeşitli parametreler içinde görsellere dönüştürmesini sağlayacak şekilde eğitti. Belçika merkezli araştırmacı “Yapay Zeka da ben de, işi tamamen yaratmıyorum. Bu bir işbirliği” dedi.

Detectron2 is FAIR’s next-generation research platform for object detection and segmentation

https://github.com/facebookresearch/detectron2

Easy training and deployment of seq2seq models.

https://github.com/as-ideas/headliner

A Single Image Super Resolution GAN that uses a mobile net architecture as a generator.

https://github.com/HasnainRaz/Fast-SRGAN

Interactive Data Visualization in the browser, from Python

https://github.com/bokeh/bokeh

Lex Fridman AI podcastinde gündem:
Sean Carroll: Quantum Mechanics and the Many-Worlds Interpretation

https://www.youtube.com/watch?v=iNqqOLscOBY

This Week in Machine Learning and AI podcastinde gündem:
Machine Learning at GitHub with Omoju Miller

https://twimlai.com/twiml-talk-313-machine-learning-at-github-with-omoju-miller/

AI Today Podcast’inde gündem:
International AI Standards: Interview with Adam Murray, US Dept. of State

https://www.cognilytica.com/2019/10/30/ai-today-podcast-113-international-ai-standards-interview-with-adam-murray-us-dept-of-state/

AI could be a disaster for humanity. A top computer scientist thinks he has the solution.

https://www.vox.com/future-perfect/2019/10/26/20932289/ai-stuart-russell-human-compatible

Patent Office Seeks Help From AI

https://www.wsj.com/articles/patent-office-seeks-help-from-ai-11572297295

Will AI Stimulate The Cooling Economy? Not Any Time Soon

https://www.forbes.com/sites/washingtonbytes/2019/10/30/will-ai-stimulate-the-cooling-economy-not-any-time-soon/#77ce12e6171f

Using AI to Eliminate Bias from Hiring

https://hbr.org/2019/10/using-ai-to-eliminate-bias-from-hiring

Herkes İçin Yapay Zeka

Yapay Zeka için Yapılan İlk Toplantılar

Stampli
Fatura yönetim yazılımını güçlendirmek için yapay zeka kullanan Stampli, 25 milyon dolar yatırım aldı. Mountain View tabanlı şirket, şirketlerin faturalarını yönetmeleri için ortak bir yazılım paketi geliştirdi; Yazılım, bir kuruluşun faturalardan nasıl veri çıkardığı ve diğer şeylerin yanı sıra maliyetler ile ilgilendiği kalıpları bulmak için makine öğrenmesini kullanıyor ve esas olarak her bir kurumun süreçlerini daha iyi anlamak için kendini eğitiyor.

Yapay Zeka Bülteni

Amaç Yapay Zeka gündemini Türkiye’de daha çok insana ulaştırmak.

Alper Calisir

Written by

Yapay Zeka Bülteni

Amaç Yapay Zeka gündemini Türkiye’de daha çok insana ulaştırmak.