Искусственный интеллект будущего: инсайты и прогнозы с конференции Turbo ML Conf
Рассказываем, каким видят будущее индустрии машинного обучения главные эксперты отрасли.
Что такое Turbo ML Conf
Turbo ML Conf — первая масштабная конференция, посвященная машинному обучению, которую организовал Т-Банк. Более 550 человек — ML-инженеры, исследователи, разработчики, дата-сайентисты, продакт-менеджеры и другие специалисты по ИИ — собрались, чтобы обсудить тренды в области ML.
В сфере машинного обучения знаний всегда не хватает. Технологии и подходы меняются с бешеной скоростью. Индустрия растет, появляется все больше новых людей. Мы назвали нашу конференцию Turbo ML Conf, чтобы отразить скорость развития индустрии. Это новая экспертная площадка для профессионалов в области ML. Цель конференции — объединить экспертизу российских технологических гигантов и усилить профессиональное сообщество знаниями о передовых технологиях и практиках в разных направлениях машинного обучения.
Конференция проходила на четырех площадках, посвященных самым актуальным направлениям машинного обучения. Всего в течение дня было проведено 27 сессий, в которых выступили 32 эксперта в области ИИ. Среди них были представители Т-Банка, Яндекса, VK, MTS AI, AIRI и других компаний.
Хорошая новость — все презентации и доклады спикеров можно найти на канале Желтый AI. А самыми полезными мыслями экспертов делимся здесь.
Тренды в сфере фундаментальных и прикладных исследований
В потоке Research & RnD эксперты рассказали о том, каким будет ИИ в ближайшие годы, об использовании больших языковых моделей (LLM) и о перспективах их развития.
Главные тезисы:
- На данный момент развитые LLM — нечто похожее на AGI (Artificial General Intelligence).
- Чтобы ИИ-сообщество согласилось с достижением AGI, у машин должно сложиться представление о мире. AGI предполагает решение универсальных задач, в том числе ранее неизвестных. Для этого требуется способность рассуждать и предиктивная способность — искусственный интеллект пока не обучен этому.
- ИИ — мощный инструмент, но при внедрении в бизнес и социальную сферу возникают проблемы, так как, кроме точности, в реальных задачах требуется думать о ценностях, а это сложно сформулировать на языке математики.
- Рынку нужны новые исследователи и разработчики, которые смогут сделать ИИ более адаптивным и полезным в повседневной жизни и в бизнес-процессах.
- В будущем разрыв между опенсорсными и проприетарными (частными) моделями будет сокращаться: все большему количеству людей станут доступны самые свежие разработки и технологии ИИ.
Тренды в сфере обработки естественного языка и операции с машинным обучением и языковыми моделями
В треке NLP & MLOps/LLMОps в рамках дискуссии поговорили о том, как промышленное машинное обучение будет трансформироваться с появлением LLM.
Главные тезисы:
- Мы перешли в стадию, где разработка LLM под свои задачи и домены — это больше не прерогатива избранных, а стандартная индустриальная практика.
- Железо становится больше и мощнее, но удешевление инференса (процесса вывода новых знаний из имеющихся данных) происходит не только из-за этого, но и за счет более эффективной тренировки больших языковых моделей: данные стали более доступными и понятными.
- Большие языковые модели практически догнали человека по качеству переводов документов благодаря дообучению моделей с постепенным усложнением данных: от предложений к документам.
- К трендам в создании приложений на основе LLM относятся: мультимодальность, использование гибридных моделей, кэширование и оптимизация запросов.
- LLM позволяют расширять подходы для классических задач, но для улучшения стандартных систем требуются время и фокус на данных. Для успешной реализации и улучшения стандартных систем с помощью LLM необходимо проводить обширные исследования, тестирования и оптимизации алгоритмов на различных наборах данных.
Запуск собственной большой языковой модели T-lite
На конференции в потоке NLP Анатолий Потапов, руководитель группы фундаментальных технологий LLM в Т-Банке, объявил об открытии доступа к собственной большой языковой модели T-lite. С ее помощью компании смогут создавать ассистентов поддержки, способные автоматически обрабатывать запросы клиентов и предоставлять мгновенные ответы; инструменты для анализа и обобщения больших объемов текста, таких как отчеты и исследования; интеллектуальные поисковые системы, которые могут находить нужную информацию с учетом контекста; модели суммаризации текста.
Тренды в сфере рекомендательных систем и временных рядов
В треке RecSys & Time Series эксперты рассказали об индустриальных и академических трендах в RecSys и адаптивном управлении количеством предложений.
Главные тезисы:
- Обучение с подкреплением (Reinforcement Learning, RL) в рекомендательных системах применяется на практике уже сейчас, примеры можно увидеть в крупных международных и российских компаниях, в том числе в Т-Банке.
- Машинное обучение и создание умных лент можно использовать для создания персонализированных подборок. Эти инструменты активно применяются на сайтах интернет-магазинов.
- ML-based контентная лента рекомендаций, способная охватывать, перерабатывать и персонализировать контент для пользователей, — мощный инструмент для бизнеса. Не так давно эта технология появилась в мобильном приложении Т-Банка.
- Генерация синтетических временных рядов позволяет решать задачи обучения на размеченных данных на больших объемах информации.
Тренды в сфере компьютерного зрения и речевых технологий
В потоке Computer Vision & Speech поговорили о том, как LLM влияют на развитие компьютерного зрения и речевых технологий.
Главные тезисы:
- Необходимо внимательно следить за прогрессом вокруг LLM, так как сюда вкладывается много ресурсов — от ресерча до оптимизации интерфейса.
- Появление больших языковых моделей вывело технологии обработки и генерации текстов на новый уровень.
- LLM вносят огромный вклад в развитие Human-like синтеза речи, который заключается в том, что пользователь может менять интонацию, произношение, стиль, скорость, тональность и так далее.
- Будущее за voice-to-voice моделями, которые максимально приближены к человеку.
- В области голоса происходит переход от специализированных моделей к более общим, стоит ожидать объединения текстовой и голосовой модальностей.
- Мультимодальные модели являются новой веткой развития больших глубоких сетей и представляют собой технологию, которая позволяет интерпретировать исходные данные в запрашиваемый результат.
- Новые подходы в компьютерном зрении, применение распознавания текста (OCR) и диффузионные модели используются для создания контента в банковском секторе.
Но и это еще не все
Помимо хардовых докладов участникам были предложены неформальные точки нетворкинга. Например, в зоне Dot.Talks гости могли обсудить друг с другом любую тему, а в интерактивной зоне — потренировать «компьютерное зрение».
Было и афтепати с музыкой, барбекю, глиттер-баром и квестом от роботов. Приз зрительских симпатий уходит, конечно, диджею, который своей музыкой заставил танцевать всех без исключения. В общем, было все, чтобы и время с пользой провести, и с комьюнити познакомиться.
Не хочется хвалить конечно, но т-банк как всегда ит-шные конфы делает нескучные и реально интересные
Это факт. По части бросать пыль в глаза они профи. Смотрите какие у нас крутые конференции, офисы, креативы. Но на банковский продукт и сервис не смотрите, мы решили что они не в приоритете
Ага. Даешь развитие ML и AI! Чтобы вместо нас роботы работали 😅
а что такого? Пусть работают) но вообще это даже сейчас еще футуристика, ИИ важно и нужно внедрять как вспомогательный и ускоряющий процессы фактор.
Яркая конференция. Я бы поучаствовал. Надеюсь, ежегодная
Классное мероприятие, чтобы быть в повестке событий мира ИИ. И отдельный лайк за нетворкинг
Вкладываться в ML и ИИ оч правильно щас, правильный выбор делают банки.