Лауреаты этого года
проводили важную работу с искусственными нейронными сетями, начиная с 1980-х
годов. Нобелевская премия® является зарегистрированным товарным знаком
Нобелевского фонда. Джон Хопфилд изобрел сеть, которая использует метод
сохранения и воссоздания шаблонов. Мы можем представить узлы в виде пикселей.
Сеть Хопфилда использует физику, которая описывает характеристики материала
благодаря его атомному спину — свойству, которое делает каждый атом крошечным
магнитом. Сеть в целом описывается способом, эквивалентным энергии в спиновой
системе, найденной в физике, и обучается путем нахождения значений связей между
узлами таким образом, чтобы сохраненные изображения имели низкую энергию. Когда
сеть Хопфилда получает искаженное или неполное изображение, она методично работает
через узлы и обновляет их значения, так что энергия сети падает. Таким образом,
сеть работает поэтапно, чтобы найти сохраненное изображение, которое больше
всего похоже на несовершенное, на которое оно было загружено. Джеффри Хинтон
использовал сеть Хопфилда в качестве основы для новой сети, использующей другой
метод: машину Больцмана. Это позволяет научиться распознавать характерные элементы в данном типе
данных. Хинтон использовал инструменты статистической физики, науки о системах,
построенных из множества похожих компонентов. Машина обучается путем подачи ей
примеров, которые с большой вероятностью возникнут при работе машины. Машина
Больцмана может быть использована для классификации изображений или создания
новых примеров типа шаблона, на котором она была обучена. Хинтон развил эту
работу, помогая инициировать нынешнее взрывное развитие машинного обучения.
«Работа лауреатов уже принесла наибольшую пользу. В физике мы используем
искусственные нейронные сети в самых разных областях, таких как разработка
новых материалов с определенными свойствами», — говорит Эллен Мунс,
председатель Нобелевского комитета по физике.
На основе фундаментальных исследований Джона Хопфилда и Джеффри Хинтона
было разработано множество практических технических технологий, 270 технологий
запатентованы в основном в США и Китае. Ниже приведены репрезентативные примеры
международных патентов.
US2024202574 (A1) - МОДЕЛЬ МАШИННОГО
ОБУЧЕНИЯ ДЛЯ УДАЛЕННОГО УПРАВЛЕНИЯ В СОВРЕМЕННЫХ СЕТЯХ СВЯЗИ
Описанная здесь технология направлена на поддержку
удаленного управления моделями машинного обучения, размещенными сетевыми
функциями в современных сетях связи. Удаленное управление может включать
обучение модели на более мощных удаленных машинах, а также выбор модели на
основе данных о целевой производительности. Узел модели (сетевая функция)
отправляет оператору данные о возможностях, содержащие метаданные локальной
модели машинного обучения, после чего оператор выполняет удаленную настройку
для повышения точности и скорости вывода в сетевой функции, на которой
размещена модель. Узел модели может повторно обучить модель на основе локальных
данных и запросить удаленное обучение, если повторно обученная модель не
соответствует критериям производительности. Кроме того, узел модели может
выбрать модель из группы моделей и запросить новую модель, если ни одна из
выбранных моделей группы не соответствует критериям производительности.
AU2022398348 (A1) - ВЗГЛЯД ГЛАЗАМИ КАК ПОКАЗАТЕЛЬ ВНИМАНИЯ ДЛЯ СЕРВИСОВ
ПОТОКОВОГО ВИДЕО
Метод
использует взгляд пользователя в качестве индикатора его внимания и использует
его для обеспечения более естественного опыта в многоракурсном, т.е.
многостороннем и многоперспективном сервисе потокового видео. Этот метод
использует преимущества все более мощных недорогих камер и связанного с ними
программного обеспечения для обеспечения отслеживания глаз товаров. Метод также
использует собранные данные о взаимодействии с пользователем и использует
методы машинного обучения для настройки своей реакции на индивидуальные шаблоны
использования. Определена система для реализации описанного метода на потоковой
архитектуре.
AU2021104683 (A4) - Модель Smart Tree Health Assessment (THA) с
использованием передовых методов компьютерного зрения и машинного обучения
Модель
Smart Tree Health Assessment (THA) с использованием передовых методов
компьютерного зрения и машинного обучения Деревья являются жизненно важным
ресурсом, который способствует биоразнообразию и долгосрочному выживанию
нескольких экологических процессов в рамках природной сети. От сбора урожая до
экологических проблем, вредители и болезни деревьев являются огромной головной
болью для любого бизнеса. Борьба с болезнями деревьев является одной из
наиболее важных операций в лесном хозяйстве, поскольку леса страдают от
различных болезней, дефицита питательных веществ и нашествия вредителей. Любое
заболевание дерева, независимо от причины, представляет угрозу для здоровья
леса и оказывает влияние на любой связанный с ним бизнес. Решением этой
проблемы является оценка состояния дерева. Это может помочь в раннем выявлении
заболеваний, что приносит пользу как отдельным людям, так и лесному фонду
страны в целом. Раннее выявление болезней и вредителей деревьев имеет важное
значение для минимизации повреждений деревьев на больших площадях. Чтобы
сохранить природную экосистему сбалансированным образом, важно регулярно
выявлять и лечить болезни деревьев. Методы машинного обучения в сочетании с
недавними достижениями в области компьютерного зрения проложили путь к диагностике
болезней деревьев и обеспечению их здоровья. Предложена интеллектуальная
система оценки состояния деревьев (THA), основанная на мощных идеях
компьютерного зрения и машинного обучения.
В предлагаемой системе для
обеспечения состояния здоровья деревьев учитываются четыре параметра: диаметр
ствола, ежегодный прирост разветвления, наличие грибов в основном стволе и
ветвях, а также цвет и внешний вид листьев. Датчики Tree Talker используются
для контроля роста дерева во всех его основных ветвях, а также диаметра ствола.
Изображения различных частей дерева, таких как ствол и листья, захватываются с
помощью беспилотных летательных аппаратов (БПЛА), а методы обработки
изображений используются для определения плотности и цвета листьев, а также
наличия грибов на стволе. Чтобы извлечь необходимые особенности из основного
ствола, ветки и листьев, будут использоваться соответствующие методы обработки
изображений, такие как сегментация и подавление фона, с поддержкой передовых
методов компьютерного зрения. Затем данные будут переданы в модуль машинного
обучения, где модель будет дополнительно обучена. После обучающего набора
изображение будет изучено и классифицировано как работоспособное или
неработоспособное дерево на основе выполнения алгоритма машинного обучения.
Диаграмма: Рисунок 1: Архитектурная диаграмма умная оценка состояния дерева
THAI Vnliiilng tle a courandappearance Iagepreprocessing 4 2 Tmriningмодель Фон
Доступность грибов tnibrigtheстволдиаметр подавление Mthine Измерение
расширения ветви learnrgmodul annual 3 Функция экстрациона в арбусе части
дерева Testingtheinxel tree{Leaf, Tmnk) CompulerVisniontdule Ied1flImmI
Heathyiree Unhealrhytree Fialourpt
CN118393351 (А) - Способ и устройство для обработки и обнаружения
аномальной информации о роторе двигателя
Изобретение
относится к области обнаружения аномалий и раскрывает способ и устройство для
обработки и обнаружения аномальной информации о роторе двигателя, которые
используются для осуществления всестороннего и точного мониторинга и
обнаружения аномалий рабочего состояния ротора двигателя. Метод обработки и
обнаружения аномальной информации о роторе двигателя включает в себя этап
всестороннего описания и обнаружения аномального состояния ротора двигателя с
помощью многомерного сбора данных, применения технологии сжатого зондирования,
статистики высокого порядка, анализа модели машинного обучения и выбора
случайного классификатора леса. Метод охватывает множество звеньев, таких как
предварительная обработка данных, извлечение признаков, мультимодальное слияние
информации, классификация состояний и распознавание аномалий, а также
формируется полная и эффективная система мониторинга состояния ротора
двигателя. Благодаря эффективной обработке данных, всестороннему описанию
состояния и точному обнаружению аномалий, обеспечивается мощная поддержка
мониторинга состояния и обслуживания ротора двигателя, а также достигаются
замечательные положительные эффекты.
CN118262885 (A) - Метод прогнозирования спроса на медицинские расходные
материалы на основе алгоритма машинного обучения
Изобретение
раскрывает способ прогнозирования спроса на медицинские расходные материалы на
основе алгоритма машинного обучения, который включает в себя следующие этапы:
1) получение временных рядов данных о потреблении медицинских расходных
материалов и проведение предварительной обработки этих данных; 2, создание
модели выбора прогноза и использование данных временной последовательности
потребления расходуемых материалов в качестве входных данных для получения
суждения о схеме прогнозирования, подходящей для данных; 3, создание модели
прогнозирования спроса на медицинские расходные материалы на основе суждений и
обучение модели путем использования данных о временной последовательности
потребления расходных материалов в качестве входных данных; и 4, выполнение
прогнозирования спроса на основе исторических данных о потреблении медицинских
расходных материалов с использованием обученной модели. Согласно методу, можно
использовать мощную способность машинного обучения к обучению, всесторонне учитывать
различные факторы, влияющие на спрос на медицинские расходные материалы, и
собирать характеристики данных для точного описания тенденции колебания спроса
на расходные материалы, чтобы метод мог адаптироваться к характеристикам
потребления различных отделений и расходных материалов больницы для точного
прогнозирования спроса. и дано основание
для принятия решения о многоуровневом пополнении запасов медицинских расходных
материалов.
CN118334055 (A) - Сегментация изображений и метод автоматического измерения
параметров эндотелиальных клеток роговицы
Изобретение
раскрывает способ сегментации изображения и автоматического измерения
параметров для эндотелиальных клеток роговицы. Изобретение относится к областям
анализа медицинских изображений, искусственного интеллекта, машинного зрения и
т.. и может быть использовано для диагностики и мониторинга офтальмологических
заболеваний. Автоматическая сегментация и измерение параметров изображения
эндотелиальной клетки роговицы осуществляются с помощью этапов предварительной
обработки данных, улучшения данных, сегментации изображения, экстракции области
интереса, анализа частотной области, бинаризации, экстракции клеточной области,
обратного позиционирования, расчета параметров и т.. В соответствии с методом,
используется передовая технология глубокого обучения, повышается точность
сегментации и скорость обработки, а также предоставляется мощная техническая
поддержка для диагностики, мониторинга и оценки эффективности лечения
заболеваний роговицы. Применение изобретения позволяет существенно снизить
нагрузку на медицинский персонал, повысить эффективность и качество
медицинского обслуживания в целом, имеет широкие перспективы применения и
социальную ценность.
US2024310921 (А1) - Методы и системы разгрузки обработки поз на
мобильное устройство для слежения за движением на аппаратном устройстве без
камеры.
Раскрыты
системы и способы слежения за движением на аппаратном устройстве без камеры
и/или без достаточно мощного аппаратного процессора, путем полной или частичной
разгрузки обработки позы на мобильное устройство. Методы, исполняемые на
аппаратном устройстве, включают получение данных о позах, связанных с
пользователем, с мобильного устройства и выполнение бесконтактного управления
приложением на аппаратном устройстве на основе полученных данных о позе.
Способы, исполняемые на мобильном устройстве, включают захват по меньшей мере
одного изображения, связанного с пользователем, выполнение алгоритма
распознавания позы на мобильном устройстве на основе захваченного изображения
для создания данных позы для выполнения бесконтактного управления приложением
на аппаратном устройстве и передачу данных о позе на аппаратное устройство с
использованием сетевого соединения. Способы и системы включают в себя варианты
осуществления, в которых алгоритм распознавания поз использует машинное
обучение
CN118114767 (A) -Метод семантических рассуждений, основанный на
байесовской сети
Изобретение,
в частности, относится к методу семантических рассуждений, основанному на
байесовской сети. Метод семантического мышления на основе байесовской сети
включает в себя следующие этапы: построение модели идентификации с
использованием алгоритма машинного обучения, ввод немаркированных метаданных в
обученную модель и автоматическая идентификация элементов данных,
соответствующих метаданным; алгоритм вывода знаний создается с использованием
байесовской сети, а семантический вывод сочетается с графовой моделью и
вероятностным выводом байесовской сети, так что производительность вывода
отношений между сущностями в графе знаний улучшается. Согласно методу
семантического вывода, основанному на байесовской сети, семантический вывод
сочетается с графовой моделью и вероятностным выводом байесовской сети, так что
производительность вывода отношений между сущностями в графе знаний улучшается,
а метод семантического вывода, основанный на дизайне байесовской сети, является
более мощным и надежным при обработке сложных семантических отношений; Кроме
того, для различных прикладных сцен обеспечивается более высокоуровневое
семантическое понимание и возможность рассуждения.
CN118052335 (A) -
Метод прогнозирования коэффициента оседания поверхности на основе алгоритма
ICA-AdaBoost
Изобретение относится к области просадки
горных работ в области горного дела и раскрывает метод прогнозирования
коэффициента просадки поверхности на основе алгоритма ICA-AdaBoost, который
включает в себя следующие этапы: во-первых, получение геологических данных
горных работ и соответствующих исторических коэффициентов нижнего слоя
поверхности, формирование пар данных и разделение набора данных на обучающий и
тестовый набор; оптимизация параметров регрессионной модели AdaBoost с
использованием алгоритма имперской конкуренции ICA; и использование
оптимизированной регрессионной модели AdaBoost для прогнозирования коэффициента
оседания поверхности на основе полученных геологических данных добычи. По
сравнению с предшествующим уровнем техники, метод имеет преимущества,
заключающиеся в том, что ICA и алгоритм AdaBoost в модели машинного обучения
объединены, взаимосвязь между факторами изучается на основе известных
геологических и горнодобывающих данных, прогнозируется коэффициент оседания
поверхности, а также обеспечивается мощная техническая поддержка для управления
безопасностью и охраны окружающей среды в районе добычи.
ZA202307322 (B) - СИСТЕМА НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ
РАННЕГО ВЫЯВЛЕНИЯ И ДИАГНОСТИКИ КАТАРАКТЫ С ПОМОЩЬЮ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ И
АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ
Настоящее
изобретение относится к инновационной системе на основе искусственного
интеллекта для раннего обнаружения и диагностики катаракты с использованием
алгоритмов распознавания изображений и машинного обучения. Анализируя
изображения глаза, эта система может выявлять ранние признаки катаракты и
обеспечивать своевременное лечение, потенциально предотвращая ухудшение зрения
и улучшая результаты лечения пациентов. Сочетание передовых методов обработки
изображений и алгоритмов машинного обучения делает эту систему мощным
инструментом в области офтальмологии.
CN118011079 (A) - Система контроля интенсивности луча на основе
оптимизации машинного обучения
Изобретение
относится к системе контроля интенсивности луча, основанной на оптимизации
машинного обучения, которая включает в себя аппаратную схему и верхний
компьютер терминала, осуществляет связь между верхним компьютером терминала и
главной цепью управления аппаратной цепью через интерфейс CAN (Controller Area
Network) к Ethernet, оптимизирует выходной сигнал тока аппаратной схемой на
верхнем компьютере терминала с помощью алгоритма машинного обучения, и контролирует интенсивность луча на
аппаратной схеме. Обучается алгоритм машинного обучения.
В качестве входного
слоя используется токовый сигнал, выводимый аппаратной схемой, в качестве
входного слоя используется ток, полученный с помощью пикоамперметрического
теста Кейтли, набор входных и выходных данных устанавливается в соответствии с
заданным шагом в заданном диапазоне тока, а затем модель машинного обучения
обучается с помощью установленного набора входных и выходных данных. В
соответствии с системой, раскрытой в соответствии с изобретением, представлен
малошумящий операционный усилитель с низким напряжением смещения, а также
объединен алгоритм оптимизации машинного обучения, так что реализован
высокоэффективный, высокостабильный, высокоточный и недорогой мониторинг слабых
токов, а также обеспечена мощная гарантия на мониторинг пучков ускорителя.
CN117874465 (A) - Метод прогнозирования скорости выщелачивания
редкоземельных элементов в отходах флуоресцентного порошка с использованием
машинного обучения
Изобретение
относится к технической области охраны окружающей среды, в частности к способу
прогнозирования скорости выщелачивания редкоземельных элементов в отходах
флуоресцентного порошка с помощью машинного обучения, и способ включает
следующие этапы: сбор данных, связанных с мокрым выщелачиванием и
восстановлением редкоземельных элементов в отходах флуоресцентного порошка; выполнение
предварительного скрининга и предварительной обработки данных, а также
разделение данных на обучающую выборку, тестовую выборку и проверочную выборку
в соответствии с пропорцией; выбор алгоритма машинного обучения, выполнение
отладки гиперпараметров и оптимизации производительности, а также определение
модели с высочайшей точностью прогнозирования; На основе оптимальной модели
разрабатывается графический интерфейс операции, зернистость и состав
отработанного флуоресцентного порошка определяются только с помощью
экспериментов, параметры выщелачивания регулируются через графический
интерфейс, а также можно прогнозировать оптимальную скорость выщелачивания и
технологические параметры редкоземельных элементов. И, наконец, надежность
модели доказана экспериментом по выщелачиванию. Этот метод позволяет избежать
большого количества экспериментов по оптимизации, необходимых при традиционном
кислотном выщелачивании методом мокрого технологического выщелачивания,
обладает высокой универсальностью, экономит время, рабочую силу и материальные
ресурсы, является мощным инструментом для содействия эффективному кислотному
выщелачиванию отходов флуоресцентных порошковых редкоземельных элементов и
имеет хорошую практическую применимость.
WO2024075064 (А1) - МЕТОДЫ И АППАРАТУРА ДЛЯ ВЫЯВЛЕНИЯ БОЛЕЗНЕЙ
ОПТИКИ
Система
диагностики глазных заболеваний субъекта включает в себя мобильное устройство
(например, смартфон, планшет) для облегчения получения изображений глаз
субъекта и внутренний сервер для оценки изображений с использованием модели
машинного обучения, чтобы определить, являются ли глаза субъекта здоровыми или
нездоровыми. Мобильное устройство может выполнять приложение, облегчающее
получение изображений для оценки. С одной стороны, приложение может постепенно
увеличивать интенсивность вспышки при съемке объекта, чтобы уменьшить или, в
некоторых случаях, смягчить задержки, вызванные настройкой баланса белого
камерой. В другом аспекте внешнее вспышное устройство может быть соединено с
мобильным устройством для создания источника света, который является более
мощным и более отзывчивым, чем обычные вспышки.
US2023307116 (А1) -МЕТОД И СИСТЕМА РЕПРЕЗЕНТАЦИИ И ОЦЕНКИ
ЗРИТЕЛЬНО-ПЕРЦЕПТИВНОЙ, ЗРИТЕЛЬНО-МОТОРНОЙ И НЕЙРОПСИХОЛОГИЧЕСКОЙ ФУНКЦИИ
Настоящее
изобретение относится к новому способу и системе для представления, измерения и
анализа зрительно-когнитивных функций, в частности, визуальной обработки,
моторной и нейропсихологической интеграции; а также невербальный и неслуховой
интеллект у человека. Настоящее изобретение направлено на обеспечение
всестороннего и экономически эффективного процесса скрининга пользователей на
наличие указанных функций и предоставление ценной информации об их мыслительном
процессе для выявления и разработки средств лечения зрительно-когнитивных и
нервно-психических недостатков, особенно у детей. Этот новый метод предлагает
технологически продвинутую альтернативу широко используемым оценкам VMI,
позволяя собирать новый, более полный набор данных с использованием цифровой
среды. Изобретение также представляет собой масштабируемую вычислительную
систему для анализа, вывода и прогнозирования визуально-когнитивных функций с
использованием современных методов машинного обучения, которые могут выявлять
характерные особенности в данных и определять новые классификации, предлагая
мощный инструмент для исследователей в области психологии.
CN116644193 (A) - Метод и устройство для реализации построения графа
знаний активов данных на основе машинного обучения в среде учетных данных,
процессоре и носителе информации
Изобретение
относится к способу реализации построения графа знаний активов данных на основе
машинного обучения в среде учетных данных, и способ включает следующие этапы:
получение активов данных и выполнение операции предварительной обработки
скрининга, очистки и удаления дубликатов данных; проведение предварительной
обработки активов данных, а также выполнение операций по очистке, сегментации
слов, извлечению стеблей и удалению стоп-слов на исходных данных; распознавание
исполнителей; извлечение онтологического понятия отношения; В соответствии с
методом извлечения отношений между сущностями технология Q-обучения и
технология BERT объединены, мощная выразительная способность BERT используется
в полной мере, связь между сущностями изучается с помощью алгоритма Q-обучения,
и, следовательно, задача извлечения отношений сущностей графа знаний об активах
данных значительно улучшается. Изобретение предлагает способ распознавания
сущностей, основанный на механизме внимания и графовой сверточной нейронной
сети, и этот способ используется для осуществления распознавания сущностей на
графе знаний об активах данных.
US2023223113 (A1) - Методы и системы для быстрых тестов на
чувствительность к противомикробным препаратам
Экспресс-тестирование
на чувствительность к противомикробным препаратам (АСТ) может быть неотъемлемым
инструментом для смягчения ненужного использования мощных антибиотиков широкого
спектра действия, которое приводит к размножению бактерий с множественной
лекарственной устойчивостью. Описаны методы и системы сенсорной платформы,
состоящей из датчиков поверхностного усиленного комбинационного рассеяния света
(SERS) с поверхностями, имеющими молекулярное управление наноархитектурой и
химией поверхности, а также процессы машинного обучения для анализа данных
SERS, для обнаружения метаболических профилей восприимчивых штаммов устойчивых
к антибиотикам штаммов бактерий для быстрого АСТ.
US2023177345 (A1) — МЕТОДЫ И СИСТЕМЫ, ИСПОЛЬЗУЮЩИЕ МАШИННОЕ ОБУЧЕНИЕ ДЛЯ
ОПРЕДЕЛЕНИЯ РАБОЧИХ НАГРУЗОК И ОЦЕНКИ ПОЛИТИК РАЗВЕРТЫВАНИЯ И КОНФИГУРАЦИИ.
Настоящий
документ посвящен методам и системам, определяющим характеристики рабочей
нагрузки вычислительных объектов на основе хранимых данных и оценивающим
политики развертывания/настройки с целью упрощения развертывания, запуска и
управления распределенными приложениями, компонентами распределенных приложений
и другими вычислительными объектами в распределенных компьютерных системах.
Политики развертывания/настройки являются мощными инструментами для помощи
менеджерам и администраторам распределенных приложений и распределенных
компьютерных систем, но создание политик развертывания/настройки и, в
частности, оценка относительной эффективности политик развертывания/настройки
во все более сложных средах распределенных компьютерных систем может быть
затруднительным или практически невыполнимым для многих администраторов и
менеджеров и может быть связано с нежелательными или нежелательной политикой.
недопустимый уровень риска. В настоящее время раскрытые методы и системы оценки
политики развертывания/конфигурации на основе машинного обучения представляют
собой значительное улучшение управления и контроля на основе политик, которое
решает обе эти проблемы.
US2023119704 (A1) - МЕТОДЫ КЛАСТЕРИЗАЦИИ КОРРЕЛИРОВАННОЙ ГИСТОГРАММЫ ДЛЯ
МАШИННОГО ОБУЧЕНИЯ
Методология
кластеризации коррелированных гистограмм для машинного обучения, не требующая
априорного знания кластерных чисел, которая выходит за рамки бимодальных
сценариев в мультимодальные сценарии, не нуждается в методах итерационной оптимизации
и мощной обработке данных.
CN114113109 (A) - Автоматический и интеллектуальный метод обнаружения
дефектов автомобильного приборного стола
Изобретение раскрывает автоматический и
интеллектуальный способ обнаружения дефектов автомобильного приборного стола.
Метод включает в себя следующие этапы: шаг 1 – определение дефектов
обнаруженного товара; 2, автоматический сбор снимков автомобильного приборного
стола через промышленную камеру; шаг 3, выполнение маркировки дефектов на
изображении, полученном на шаге 2, через блок маркировки; 4, модельное
обучение; 5, осуществляется онлайн-детектирование; и 6, обновление модели.
Согласно изобретению, основанному на современной технологии программного
обеспечения алгоритма машинного обучения, технологии искусственного интеллекта,
обработки и анализа изображений для обнаружения возможных дефектов продукта,
применяется бесконтактная работа, установка является гибкой, точность и
скорость обнаружения улучшаются, может быть реализовано обнаружение различных
типов продуктов. Кроме того, повышается
эффективность обнаружения. Для предприятий экономится большое количество
оборудования и затрат на рабочую силу, может быть реализована эффективная связь
между функциональными областями в производственном звене обнаружения, реализована
высокая автоматизация и интеллектуальность обнаружения, улучшено качество
продукции, а также предоставлена мощная техническая поддержка для снижения
затрат и улучшения выгод от автомобильного производства
US2021357818 (А1) - СОХРАНЕНИЕ ПРИЧИННО-СЛЕДСТВЕННОЙ ИНФОРМАЦИИ ДЛЯ
МАШИННОГО ОБУЧЕНИЯ
Модели
машинного обучения — это мощные инструменты искусственного интеллекта, которые
могут принимать решения на основе различных факторов. Однако, в отличие от
простой линейной модели, определение вклада каждой переменной в результат
модели машинного обучения является сложной задачей. Может быть неясно, какие
факторы в значительной степени повлияли на тот или иной результат модели
машинного обучения, а какие факторы не оказали существенного влияния на
результат. Однако возможность точного определения причинных факторов для
принятия решения на основе машинного обучения может быть важна в нескольких
контекстах. В настоящем описании описаны методы, которые позволяют обучать и
использовать нелинейные модели машинного обучения, сохраняя при этом
причинно-следственную информацию для выходных данных моделей. Для этого могут
быть использованы вычисления относительных весов для переменных модели
машинного обучения в различных вариантах осуществления.
AU2021104683 (A4) - Модель Smart Tree Health Assessment (THA) с
использованием передовых методов компьютерного зрения и машинного обучения
Модель
оценки здоровья деревьев (THA) с использованием передовых методов компьютерного
зрения и машинного обучения Деревья являются жизненно важным ресурсом, который
способствует сохранению биоразнообразия и долгосрочному выживанию нескольких
экологических процессов в рамках природной сети. От сбора урожая до
экологических проблем, вредители и болезни деревьев являются огромной головной
болью для любого бизнеса. Борьба с болезнями деревьев является одной из
наиболее важных операций в лесном хозяйстве, поскольку леса страдают от
различных болезней, дефицита питательных веществ и нашествия вредителей. Любое
заболевание дерева, независимо от причины, представляет угрозу для здоровья
леса и оказывает влияние на любой связанный с ним бизнес. Решением этой проблемы
является оценка состояния дерева. Это может помочь в раннем выявлении
заболеваний, что приносит пользу как отдельным людям, так и лесному фонду
страны в целом. Раннее выявление болезней и вредителей деревьев имеет важное
значение для минимизации повреждений деревьев на больших площадях. Чтобы
сохранить природную экосистему сбалансированным образом, важно регулярно
выявлять и лечить болезни деревьев. Методы машинного обучения в сочетании с
недавними достижениями в области компьютерного зрения проложили путь к
диагностике болезней деревьев и обеспечению их здоровья.
Предложена
интеллектуальная система оценки состояния деревьев (THA), основанная на мощных
идеях компьютерного зрения и машинного обучения. В предлагаемой системе для
обеспечения состояния здоровья деревьев учитываются четыре параметра: диаметр
ствола, ежегодный прирост разветвления, наличие грибов в основном стволе и
ветвях, а также цвет и внешний вид листьев. Датчики Tree Talker используются
для контроля роста дерева во всех его основных ветвях, а также диаметра ствола.
Изображения различных частей дерева, таких как ствол и листья, захватываются с
помощью беспилотных летательных аппаратов (БПЛА), а методы обработки
изображений используются для определения плотности и цвета листьев, а также
наличия грибов на стволе. Чтобы извлечь необходимые особенности из основного
ствола, ветки и листьев, будут использоваться соответствующие методы обработки
изображений, такие как сегментация и подавление фона, с поддержкой передовых
методов компьютерного зрения. Затем данные будут переданы в модуль машинного
обучения, где модель будет дополнительно обучена. После обучающего набора
изображение будет изучено и классифицировано как работоспособное или
неработоспособное дерево на основе выполнения алгоритма машинного обучения.
Диаграмма: Рисунок 1: Архитектурная диаграмма умная оценка состояния дерева
THAI Vnliiilng tle a courandappearance Iagepreprocessing 4 2 Tmriningмодель Фон
Доступность грибов tnibrigtheстволдиаметр подавление Mthine Измерение
расширения ветви learnrgmodul annual 3 Функция экстрациона в арбусе части
дерева Testingtheinxel tree{Leaf, Tmnk) CompulerVisniontdule Ied1flImmI
Heathyiree Unhealrhytree Fialourpt.
Как отмечается на сайте Нобелевской премии, сегодня
машины не могут думать, но могут копировать человеческие функции памяти и
обучения. Например, человеческий мозг, в том числе и детский, может посмотреть
на животное и сказать, что это кошка, даже если это вид кошки, с которым
ребенок никогда раньше не сталкивался. Обучение компьютера подобным навыкам
может означать, что он может смотреть на различные изображения человеческих
клеток и определять, какая клетка, вероятно, поражена раком.
В интервью The New York Times в прошлом году Хинтон выразил некоторые опасения.
Учитывая, что такие инструменты, как ChatGPT, прочесывают Интернет в поисках
информации и создают окончательный вывод для пользователя, он считает, что
Интернет вскоре может быть наводнен фальшивыми фотографиями, видео, текстом и
т. д., и обычный человек «больше не сможет знать, что является правдой». Он
также говорил о том, что ИИ отнимает у людей рабочие места.