información del número de Yunqi: [ Haga clic para obtener más Noticias de la Industria ]
donde se puede encontrar información de diferentes industrias de primera mano sobre la nube, lo que estás esperando, ven!
Recientemente, una investigación de inteligencia de doctorado candidato artificial en Australia publicó un artículo sobre el virus del SARS-CoV-2 de LinkedIn. Dado que el tema de conversación y llamada a la tasa de precisión del 97,5%, este artículo será pronto decenas de miles de comentarios, los pulgares hacia arriba y hacia adelante. Sin embargo, un modelo de este tipo se arañó la espalda sólo tomó 50 imágenes de entrenamiento.
Exactamente una semana para poner el 97% del modelo, es la verdad?
Más temprano, un estudiante de doctorado de inteligencia artificial en Australia anunció la construcción de un conjunto de modelo de aprendizaje profundo puede con precisión la tasa de 97,5% para detectar si un paciente infectado con el virus de los pulmones COVID-19 de película de rayos X. Debido a la propagación de la epidemia y la falta de servicios médicos extranjeros, por lo que las personas están muy preocupados por este logro, sólo un momento de cosechar decenas de miles de comentarios, elogios y punto en adelante, sino que también creó una holgura de grupo de trabajo, obtener una gran cantidad de elogios.
Mensaje de la versión actual, el proyecto tiene las siguientes características:
- Un modelo entrenado PyTorch
- El código de aplicación de contenedor que
- Un repositorio GitHub, y traducido a varios idiomas
- aplicación web está desarrollando
- Las aplicaciones móviles están desarrollando
- Blueprint, sin intención de utilizar este modelo en la infraestructura de servidor alojado en AWS
- En el marketing y el patrocinio, así como un gran número de plan de seguimiento
Y, sobre todo, hemos completado rápidamente dentro de una semana. A continuación, hay varios usuarios serios problemas Reddit Bachu esta solución, y esto fue una especie de refutación.
Sólo tomó 50 imágenes de entrenamiento?
En primer lugar, el potencial de estas redes neuronales eran muy compleja, y por lo tanto requiere necesariamente una gran cantidad de entrenamiento de muestras para completar el entrenamiento del modelo. Pero a partir de la fecha de presentación, esta COVID-19 herramientas de detección sólo han visto 50 imágenes de pulmón.
Para dicha red incluye un 150 capas, más de 20 millones de argumento es tan limitado conjunto de muestras de entrenamiento es obviamente muy absurdo.
muestra de datos en cuestión
Además, puede haber una gran desviación de la muestra de datos, que no incluye los 50 cuadros son personas relacionadas infectadas con el virus, pero sólo hacer una marca de acuerdo con el funcionamiento COVID-19 pulmonar causada por los casos agudos. A menos que los pulmones han sido dañados por el virus, de lo contrario el modelo es capaz de detectar los signos de infección. Además, incluso si usted tiene síntomas de neumonía, si no está ya pertenecen a los síntomas agudos, todavía no ha podido probar la exactitud de este modelo.
repetición de imagen, código confuso, el modelo en cuestión
Por último, este modelo se basa en la gran popularidad de red de referencia COVID ResNet-50. Aunque este último pertenece a la identificación de la imagen y el esquema de clasificación utilizado comúnmente en la técnica, pero la cobertura ResNet general pre-formado único objeto en entornos cotidianos. En otras palabras, las capas ResNet escondido en la geometría de la red mejores para identificar el color de la imagen, las imágenes de rayos X, es evidente que no pueden encontrar un modelo de este tipo. Precisamente por esto, la red neuronal más médicos se construyó a partir de cero sólo en escoger el camino de desarrollo.
Además observación de esta base de código, también se encontró una gran cantidad de otros problemas. Entrenamiento, validación y pruebas de información contiene imágenes duplicadas, la mayor parte del proceso de formación copiar directamente PyTorch tutorial, mezclado con una gran cantidad de código innecesario; Github cuestiones han sido totalmente incapaces de entender ......
GitHub Dirección: https://github.com/ elcronos / COVID-19
El líder del proyecto respondió: He dicho artículo no está disponible
Inicialmente, cuando los desarrolladores individuales que se comunican con el líder del proyecto y cuestionaron el otro respondió:
xxx, hola, tenemos los resultados de las instituciones de investigación canadienses apoyan XXX radiólogos y reconocimiento
Sin embargo, a medida que más y más voces de la duda, el líder del proyecto actualizado la introducción de GitHub, y dijo:
A pesar de que los resultados del proyecto "parece prometedor", pero claramente señalado que el modelo está lejos de ser disponible, no debe utilizarse para el diagnóstico o cualquier decisión médica. Este es un trabajo en progreso, tenemos que tener las habilidades relevantes para ayudar a la gente. Todavía estoy repositorio GitHub señalado, Busco desarrolladores ayudan a mejorar y recoger mejor conjunto de datos.
...
Por desgracia, este proyecto atrajo la atención de los expertos, y no pagaron modelo de atención no está listo, y la necesidad de una mejor recopilación de datos y ayuda a crear un mejor modelo, no leer todo nuestro aviso legal. El proyecto ha acusado engañosa, incluso la sugerencia de que tengo intención comercial. Esto ha dado lugar a un cierto impacto negativo en mi vida personal, así que decidí dar un paso hacia atrás, a retirarse temporalmente de los medios sociales. Por lo menos en los próximos días, no voy a ser activos en este grupo.
La versión completa referencial declarativa: https://github.com/elcronos/COVID-19
Sin embargo, el funcionario también había proclamado el proyecto e iniciar la recaudación de fondos. El jefe de proyecto crea una holgura contiene múltiples subcanales de grupos de discusión, que tienen un canal de #marketing dedicada a la comunicación y la financiación. Además, # patrocinadores canal es responsable de la comunicación con los inversores potenciales, para informar a las perspectivas de futuro de retorno de la inversión.
Holgura grupo de discusión: https://app.slack.com/client/T010AJ5H31N/learning-slack
Además, el número de canal de contenido útil no llama # de datascientists, que está lleno de lleno de entusiasmo, pero poca experiencia de los novatos. La misma, situación canal # médicos es similar, el contenido sólo es valiosa es la oposición de los profesionales de la salud, por ejemplo, no se recomienda el uso de la radiografía de tórax de diagnóstico de infección COVID-19. Los últimos #researchers sub-canal es casi nadie.
Por otra parte, IU / UX contenido del canal de salida es en realidad muy rica. El plan ahora tiene 5 logotipos diferentes, además de una interfaz dedicada para aplicaciones móviles y web.
Por lo tanto, la afirmación de que la mayoría de los desarrolladores no lo compre, muchas personas piensan que, en las actuales circunstancias excepcionales, graves problemas tales artículos no deben ser publicados y ampliamente publicitado (e incluso burla desarrollador camino carga de trabajo de publicidad es probable que el desarrollo de 20 veces).
diagnóstico médico de aprendizaje profundo
red profundidad de convolución en términos de diagnóstico y tratamiento de la enfermedad tiene una serie de ventajas potenciales. En los últimos años, numerosas publicaciones científicas publicadas están muy preocupados por esta nueva dirección:
en 2016, un grupo de investigadores de Londres publicó un nuevo método para contener las fotografías del fondo de ojo 80000 conjunto de datos puede basadas 86% de los pacientes diagnosticados con precisión debido a la retinopatía inducida por diabetes.
Ese mismo año, los investigadores de Uganda utilizando el conjunto de datos contiene 10.000 objetos, se evaluó la capacidad de convolucional red neuronal (CNN) para analizar frotis de sangre microscópica.
Dos investigadores japoneses incluidos 550.000 casos conjuntos de datos de imagen una tomografía computarizada, nódulos pulmonares gran escala de una operación de clasificación.
Pero el nuevo virus de la corona se ha mencionado anteriormente detección es completamente diferente, un poco de base de código de navegación de su publicación, podemos ver la profundidad de una grave escasez de aprendizaje cognitivo y la tecnología AI. Lo que es peor es que muchos desarrolladores están cuestionando su obviamente tratando de tomar ventaja de este brote por su cuenta para promover.
Decir buen código para cambiar el mundo?
El aprendizaje profundo es de ninguna manera un centenar de prueba soluciones Braun. En los últimos años, muchas empresas no están preparadas para precipitarse a establecer datos dentro del equipo, sólo para encontrar el costo del rápido aumento al mismo tiempo no tener ninguna salida significativa.
Anteriormente, Li Feifei en entrevistadas había mencionado:
la burbuja no, el exceso de exageración, bombo puede decir que existen abrumadora. Como científico, espero que estas burbujas se disipan tan pronto como sea posible. Sólo un núcleo sólido de la atención con el fin de promover el progreso de la IA y aportar beneficios reales, lo cual es particularmente importante en el campo del cuidado de la salud y la medicina.
Además, no hay que utilizar la tecnología para producir la injusticia, los prejuicios o ampliar las desigualdades preexistentes. Para la tecnología AI, quiero reducirlo lo más posible umbral de contacto, aumento de la equidad y aliviar todo tipo de conflictos relacionados. Si se utiliza correctamente, tenemos la oportunidad de crear un mejor futuro uso de técnicas de IA. Por supuesto, la premisa es que tenemos que cuidadosamente a resolver los logros de IA existentes, averiguar lo que se fabrica, lo cual es cierto.
[Número de Yunqi de productos de las clases en línea] con técnicos expertos para compartir todos los días!
Cursos de Dirección: https://yqh.aliyun.com/zhiboParte de la comunidad, con la cara expertos para la cara, para mantenerse al tanto de las últimas novedades del curso!
[Número de comunidad de la clase en línea Yunqi] https://c.tb.cn/F3.Z8gvnK
Original enlace de
este artículo contenido original Yunqi comunidad no puede ser reproducido sin permiso.
