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.
Trasferimento di stili di testo
L'attività NLP di trasferimento di stili di testo (TST) mira a controllare automaticamente gli attributi di stile di un testo preservandone il contenuto, con l'obiettivo di rendere l'NLP più incentrato sull'utente. In questo report analizziamo il trasferimento degli stili di testo in un caso d'uso applicato: la neutralizzazione dei bias di soggettività nel testo libero. Abbiamo descritto il nostro approccio di modellazione sequence-to-sequence che sfrutta HuggingFace Transformers e presentiamo una serie di metriche di valutazione personalizzate e prive di riferimenti per quantificare le prestazioni del modello. Infine, concludiamo con una discussione sull'etica incentrata sul nostro prototipo: Exploring Intelligent Writing Assistance.
Inferire il concept drift senza dati etichettati
Un concept drift avviene quando le proprietà statistiche di un dominio target cambiano nel tempo, causando il deterioramento delle prestazioni del modello. Generalmente il drift si individua monitorando una metrica di interesse e attivando una pipeline di riaddestramento quando la metrica scende al di sotto di una soglia stabilita. Tuttavia, questo approccio si basa sul fatto che, al momento della previsione, ci sia a disposizione un ampio bacino di dati etichettati, un vincolo irrealistico per molti sistemi di produzione. In questo rapporto, analizzeremo diversi approcci pensati per affrontare il concept drift quando i dati etichettati non sono immediatamente accessibili.
Esplorazione dell'ottimizzazione multi obiettivo degli iperparametri
I nostri modelli di machine learning sono sviluppati in base ai "soliti sospetti": metriche come precisione predittiva, recall e accuratezza. Tuttavia, a noi interessa molto di più. I modelli di produzione devono soddisfare anche alcuni requisiti fisici , come latenza, ingombro di memoria o vincoli di fairness. L'ottimizzazione degli iperparametri diventa ancora più complessa quando sono presenti più metriche da ottimizzare. La nostra ricerca più recente esamina nel dettaglio questo scenario di ottimizzazione "multiobiettivo" degli iperparametri.
Deep learning per la verifica automatica offline della firma
Il controllo delle firme manuali è pensato per distinguere automaticamente una firma falsa da una autentica, ed è una sfida particolarmente importante, considerata l'ubiquità della firma come strumento di identificazione in ambito legale, finanziario e amministrativo. Questo ciclo di ricerca esplora l'utilizzo di approcci di deep metric learning, e più precisamente delle reti siamesi, uniti a nuovi metodi di estrazione delle caratteristiche per migliorare le tecniche tradizionali.
Sistemi di raccomandazione basati sulle sessioni
I Reccomendation system sono diventati la chiave di volta della vita moderna e vengono applicati a una gamma di settori che va dalla vendita online allo streaming di musica e video, fino alla pubblicazione di contenuti. Questi sistemi ci permettono di navigare nel volume immenso di contenuti presenti su internet e di scoprire ciò che per noi è più interessante o importante. Gli algoritmi di raccomandazione basati sulle sessioni sono stati una tendenza fondamentale degli ultimi anni. Forniscono raccomandazioni basate unicamente sulle interazioni dell'utente in una sessione in corso, senza richiedere l'apertura di profili degli utenti o lo storico delle loro preferenze.
Classificazione dei testi few-shot
La classificazione dei testi può essere utilizzata per analizzare il sentiment, assegnare argomenti, individuare i documenti, consigliare articoli e molto altro. Anche se ora esistono decine di tecniche per svolgere questo compito così importante, molte di esse richiedono enormi quantità di dati etichettati per poter essere utili. Raccogliere le annotazioni per i tuoi casi d'uso è, normalmente, una delle parti più costose delle applicazioni di machine learning. In questo rapporto, esploreremo come gli incorporamenti di testo latenti possono essere utilizzati con pochi esempi di formazione (o addirittura nessuno) e fornire insight sulle migliori pratiche per implementare questo metodo.
Serie temporali strutturali
I dati delle serie temporali sono ovunque. Questo rapporto esamina i modelli additivi generalizzati che ci offrono mezzi semplici, flessibili e interpretabili per modellare le serie temporali scomponendole in componenti strutturali. Esamineremo i vantaggi e i compromessi dell'adozione di un approccio curve-fitting alle serie temporali, dimostrandone l'utilizzo tramite la libreria Prophet di Facebook su un problema di previsione della domanda.
Meta-Learning
Diversamente dall'apprendimento umano, gli algoritmi di deep learning necessitano di grandissime quantità di dati e calcolo. Inoltre, potrebbero comunque avere difficoltà a generalizzare. Gli umani sanno adattarsi in fretta perché, quando si trovano di fronte a problemi nuovi, sanno sfruttare le conoscenze già acquisite da esperienze precedenti. In questo rapporto spiegheremo come il meta-learning è in grado di sfruttare le conoscenze già acquisite dai dati per risolvere velocemente e con maggiore efficienza nuove attività durante i test.
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.
Transfer learning per l'elaborazione del linguaggio naturale
Le tecnologie di elaborazione del linguaggio naturale (NLP) che utilizzano il deep learning possono tradurre il linguaggio, rispondere a domande e generare testi che riproducono le interazioni umane, ma queste tecniche richiedono grandi e costosi set di dati etichettati, infrastrutture costose e competenze difficili da reperire. Il Transfer Learning allevia questi vincoli riutilizzando e adattando la comprensione del linguaggio da parte di un modello. Il Transfer Learning è adatto a qualsiasi applicazione di NLP. In questo report, mostreremo come utilizzare il Transfer Learning per creare sistemi NLP ad alte prestazioni con risorse minime.
Apprendimento con pochi dati etichettati
Abilitare l'apprendimento a partire da una quantità di dati etichettati limitata allenta il requisito rigoroso di dati etichettati per il supervised machine learning. Questo rapporto si incentra sull'active learning, una tecnica che si basa sulla collaborazione fra macchine e umani per un'etichettatura intelligente. L'active learning riduce il numero di esempi etichettati necessari per addestrare un modello, consentendo di risparmiare tempo e denaro e ottenere al contempo prestazioni paragonabili a quelle dei modelli addestrati con quantità di dati più elevate. Con l'active learning, le aziende potranno sfruttare il proprio bacino di dati non etichettati per esplorare nuove opportunità di prodotto.
Apprendimento federato
L'apprendimento federato consente di costruire sistemi di machine learning senza accesso diretto ai dati di formazione, che rimangono nella loro posizione originale, garantendo la privacy e riducendo i costi di comunicazione. L'apprendimento federato è ideale per smartphone e edge hardware, servizi sanitari, casi d'uso privacy-sensitive e applicazioni industriali come la manutenzione predittiva.
Suggerimenti su base semantica
Internet offre moltissime opzioni su cosa leggere, guardare e acquistare. Per questo motivo, gli algoritmi di raccomandazione, che individuano quali elementi sono di maggiore interesse per una determinata persona, sono oggi più importanti che mai. In questo report esploriamo i sistemi di raccomandazione che utilizzano il contenuto semantico di oggetti e utenti per fornire raccomandazioni più complete in diversi settori.
Sintesi
Questo rapporto analizza i metodi per la sintesi di estrazione, una funzionalità che consente di sintetizzare automaticamente i documenti. Questa tecnica vanta un gran numero di applicazioni, dalla capacità di distillare migliaia di recensioni prodotto all'estrazione dei contenuti più importanti da lunghi articoli, fino al raggruppamento automatico delle biografie dei clienti in profili.
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.
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
Fin dai tempi dei computer analogici costruiti su camme e ingranaggi, abbiamo progettato i sistemi attorno al flusso di dati e ai calcoli critici da eseguire. Sebbene la filosofia dei nostri progetti sia rimasta coerente, i vincoli ingegneristici sono in continua evoluzione. Negli ultimi cinque anni abbiamo assistito all'emergere dei "big data", ovvero della capacità di utilizzare infrastrutture di base per analizzare in gruppo set di dati molto grandi. Attualmente ci troviamo nel mezzo di un significativo passo avanti negli strumenti, nei metodi e nelle tecnologie disponibili per lavorare con flussi di dati in tempo reale.
Report solo per gli iscritti
In futuro, le versioni aggiornate dei vecchi report saranno disponibili gratuitamente, quindi torna a controllare.
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.
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.
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.