Anteprima di tutti i rapporti di ricerca e di tutti i prototipi
La nostra ricerca si concentra sui dati emergenti e sulle tendenze nel campo del machine learning. Insieme ai rapporti, vengono forniti dei prototipi di lavoro che mostrano le capacità dell'algoritmo e offrono una consulenza tecnica dettagliata sulla sua applicazione pratica.
Apprendimento di trasferimento per NLP
Le tecnologie di elaborazione del linguaggio naturale (NLP) possono tradurre lingue, rispondere alle domande e generare testo simile a quello umano; tuttavia, le tecniche di deep learning su cui si basano richiedono costosi set di dati, infrastruttura e competenza. In questo report, viene illustrato come utilizzare l'apprendimento di trasferimento per adattare i modelli esistenti a qualsiasi applicazione NLP, semplificando la creazione di sistemi NLP ad alte prestazioni.
Deep learning per l'analisi delle immagini - Edizione 2019
Le reti neurali convoluzionali (CNN o ConvNet) hanno prestazioni eccellenti nell'apprendimento di rappresentazioni significative di caratteristiche e concetti all'interno delle immagini, il che le rende preziose per risolvere problemi in domini diversi, dall'acquisizione di immagini mediche alla produzione. In questo report, viene illustrato come selezionare i modelli di deep learning corretti per le attività e le tecniche di analisi delle immagini per il debug dei modelli di deep learning.
Apprendimento con pochi dati etichettati
In questo report, ci concentriamo sull'apprendimento a partire dall'etichettatura di pochi dati, un approccio collaborativo tra l'uomo e le macchine che riduce la quantità di dati etichettati solitamente richiesti dal machine learning supervisionato, ma che tuttavia ha prestazioni paragonabili.
Apprendimento federato
Nel report ci concentriamo sull'apprendimento federato, un approccio per addestrare i modelli di machine learning sui dati distribuiti dei nodi periferici, garantendo al contempo la privacy e riducendo al minimo i costi di comunicazione.
Apprendimento multi-tasking
In questo rapporto, ci concentriamo sull'apprendimento multitasking, un nuovo approccio al machine learning che permette agli algoritmi di gestire le attività in parallelo.
Suggerimenti su base semantica
Questo rapporto mostra come l'utilizzo del contenuto semantico degli articoli può aiutare a risolvere i problemi comuni dei suggerimenti, come ad esempio il problema dell'avviamento a freddo, e quindi creare nuove possibilità per i prodotti.
Interpretabilità
Questo rapporto mostra come rendere i modelli interpretabili senza sacrificare le loro capacità o la loro accuratezza.
Programmazione probabilistica
Questo documento mostra come usare la programmazione probabilistica e l'inferenza bayesiana per costruire facilmente strumenti in grado di fare previsioni migliori per un processo decisionale più efficace.
Capacità di sintesi
Scopri come utilizzare il deep learning e le integrazioni per rendere il testo elaborabile per una varietà di applicazioni e prodotti aziendali.
Deep learning: analisi delle immagini
Questo rapporto esplora la storia e lo stato attuale del deep learning, spiega come applicarlo e prevede gli sviluppi futuri.
Metodi probabilistici per flussi in tempo reale
In questo documento esploriamo metodi probabilistici che offrono modelli altamente efficienti per estrarre valore dai flussi di dati man mano che vengono generati.
Generazione di linguaggio naturale
In questo rapporto esaminiamo in che modo le macchine possono trasformare dati altamente strutturati in una narrazione con linguaggio umano.
Leggi il blog dei Fast Forward Labs
-
Bias in Knowledge Graphs - Part 1Introduction...
-
Privacy, data governance, and machine learning: the regulatory perspectiveWhy do privacy and governance matter?...
Al passo con il domani
Iscriviti alla nostra newsletter mensile e ricevi le ultime novità sull'intelligenza artificiale applicata oltre a notizie e informazioni sugli eventi della nostra azienda.