La ricerca Fast Forward Labs è ora disponibile senza sottoscrizione
D'ora in avanti, tutti i report saranno disponibili pubblicamente e scaricabili gratuitamente. Col tempo, inoltre, concederemo accesso alle versioni aggiornate dei report precedenti, quindi torna spesso per esplorare le ricerche gratuite disponibili.
Report di ricerca gratuiti
Esplora i nostri ultimi report e prototipi di ricerca, accessibili gratuitamente a tutti.
Risposta automatica alle domande
La risposta automatica alle domande è un modo user-friendly per estrarre informazioni dai dati utilizzando il linguaggio naturale. Grazie agli ultimi progressi nell'elaborazione del linguaggio naturale, le funzionalità di risposta automatica da dati di testo non strutturata stanno crescendo rapidamente. Questa serie di blog offre una panoramica dettagliata degli aspetti tecnici e pratici dello sviluppo di un sistema di risposta automatica end-to-end.
Causalità per il Machine Learning
L'intersezione tra inferenza causale e machine learning è un'area di ricerca in rapida espansione, che sta già generando funzionalità in grado di creare sistemi di machine learning più solidi, affidabili ed equi. Questo report offre un'introduzione al ragionamento causale, inclusi grafici causali e previsioni invarianti, e spiega come applicare gli strumenti di inferenza causale alle tecnologie di machine learning classiche in diversi casi d'uso.
Interpretabilità: edizione 2020
L'interpretabilità è la capacità di spiegare come e perché un sistema compia una decisione e può aiutare a migliorare i modelli, ottemperare alle normative e sviluppare prodotti migliori. Le tecniche di black-box come il deep learning hanno portato funzionalità rivoluzionarie a scapito dell'interpretabilità. In questo report, recentemente aggiornato per includere tecniche come SHAP, mostriamo come creare modelli interpretabili senza inficiarne funzionalità e accuratezza.
Deep learning per rilevare le anomalie
Dal rilevamento delle frodi alla segnalazione di anomalie nei dati di imaging, esistono infinite applicazioni per l'individuazione automatica di dati anomali. Questo processo può essere impegnativo, specialmente se si lavora con dati complessi e di grandi dimensioni. Questo report indaga gli approcci di deep learning (modelli di sequenza, VAE, GAN) per il rilevamento di anomalie, per conoscere quando utilizzarli, per i benchmark delle prestazioni e le possibilità del prodotto.
Report solo per gli iscritti
In futuro, le versioni aggiornate dei vecchi report saranno disponibili gratuitamente, quindi torna a controllare.
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 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
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.