A 2021. novemberében megrendezett Budapest Deep Learning Reading szeminárium-ra nagyon izgalmas témákat hoztak el a Neuron Solutions munkatársai, Szabó Gergő és Bódi Balázs.
Szabó Gergő, ‘representation learning’ témában tartott előadást számos alkalmazási lehetőség és saját tapasztalatainak bemutatásával. De mi is az a representation learning?
“A representation learning alapvetően egy objektum, eszköz, vagy forrás fontos jellemzőinek/tulajdonságainak kódolását jelenti.” Erre nagyszerű példa a Cápa című film borítóján szereplő ábrázolás, mely a lényeget ragadja meg, és nem mutatja meg a felesleges részleteket.
Gergő első példája egy feature engineering feladat volt, ugyanis ez a terület szerinte a representation learning előzményének tekinthető, hisz itt is a változók számának csökkentése, és az ismert információk lehető legjobb tömörítése a cél.
A prezentációban láthattunk példát a representation learning felügyelt és felügyelet nélküli formáira, és megtudhattuk azt is, hogy Gergő a felügyelet nélküli feladatokat tartja izgalmasabbnak. Ezután a reprezentációk kiértékelésének módszereiről hallhattunk (representation evaluation).
Gergő saját példát is mutatott nekünk, – alkoholista és nem alkoholista emberek agyi hullámairól rögzített adatokon tanított be egy neurális hálót – amivel sikerült is aktivizálnia a közönséget.
Ezután felügyelet nélküli példák sora következett, és megtudtuk, hogy a representation learning módszerek jól tudnak mondatokat befejezni, vagy hiányos képeket kiegészíteni. Gergő felsorolt számos egyéb felhasználási területet, majd előadását a transfer learning és representation learning érdekes kapcsolatának elmesélésével fejezte be.
Ezután Bódi Balázs előadása következett ‘One (quantum) to rule them all’ címmel.
Részecske vagy hullám? Hogyan lehet eldönteni? Ezzel a kérdéssel kezdte Balázs az előadását, visszaidézve a fizikaórák légkörét.
Belevágva a kvantumszámítás és kvantuminformatika témakörébe, megtudhattuk, hogy a kvantumbitek rengeteg különböző értéket vehetnek fel, és általában egy egységnyi gömb felszíni atmoszférájaként mutatják be őket.
Balázs mesélt a kvantumbitek méréséről és összefonódásáról, majd egy lehetséges alkalmazásról is beszámolt nekünk, a kvantum-teleportálásról. Ez nem a fizikai teleportálást jelenti, hanem az információ teleportálását, amit például kvantumkriptográfiához lehetne használni.
“Tehát a kvantumszámítógépek csak számítógépek, amik szuper gyorsak?” – kérdezik rendszerint Balázstól. A válasz egyszerű: nem. Teljesen más logikájuk van a kvantumszámítógépeknek.
Balázs mutatott nekünk néhány NP-nehéz problémát, melyek megoldhatók lehetnének kvantumszámítógépek segítségével polinomiális időben. Miért olyan különleges ez? Azért, mert az NP-nehéz problémák definíció szerint olyan problémák, amelyekre nem létezik olyan algoritmus amely polinomiális időben meg tudná oldani.
Egy ilyen NP-nehéz probléma például az egy elképzelhetetlenül nagy szám két prím osztójára való felbontása (faktorizálása). Ehhez megközelítőleg 4,000 logikai kvantumbitre lenne szükség, ami kb 5,000,000 fizikai kvantumbitet jelentene. Hogy lássuk, hogy hol járunk most, az IBM state-of-the-art kvantumszámítógépe 65 kvantumbittel rendelkezett 2021-ben. Tehát Balázs becslései szerint úgy 15 év múlva realizálódhat egy ilyen kaliberű probléma megoldása.
Ezután megtudhattuk, hogy a kvantum neurális hálók kulcsa a kapcsolatok száma, mely még szintén nagyon kevés a mai gépekben. A konklúzió tehát az, hogy a ‘Quantum Machine Learning’ még távoli jövő, egyelőre a klasszikus számítógépek algoritmusai messze felülmúlják a kvantum verziót.
De ne búsuljunk, vannak területek, amelyeken hamar utat törhet a kvantum világ. Mesélt nekünk egy ilyen területről Balázs, az úgynevezett probabilisztikus modellekről, melyek szintén az NP-nehézségük miatt adnak nagy előnyt a kvantumszámítógépeknek.
Felkeltették az előadások az érdeklődésed? Nézd meg őket a vadonatúj Youtube csatornánkon, és már ha ott jársz iratkozz is fel:
Ne maradjon le a mesterséges intelligencia legújabb megoldásairól!
Kérje blogértesítőnket, és legyen mindig naprakész korunk legfontosabb technológiájával kapcsolatban!