Categoría: artificial intelligence

Estos empresarios navegan por el & # 39; wild west & # 39; de AI con resultados reales



Cuando Andrew Carnegie abrió su histórico Music Hall en 1891, no podía imaginar lo que habría sucedido 128 años después. El jueves por la mañana, Adweek reunió a algunos de los empresarios más inteligentes para explorar el potencial ilimitado de la inteligencia artificial. Junto con el aprendizaje automático, se espera que esto agregue $ 16 billones a la economía global en 2030. Entre los líderes de intercambio de inteligencia se encontraban Michelle Boockoff-Bajdek, CMO de IBM Watson, Ricky Ray Butler, CEO de BEN (Branded Entertainment Network) y Phil Schraeder, presidente y director de operaciones de Ad Exchange GumGum. Después de haber hablado con los tres gerentes, hablamos de las aplicaciones reales de la IA hoy.



Source link

AI clasifica las emociones a partir de datos EEG



Un electroencefalograma o EEG es una prueba de monitoreo cerebral no invasiva en la que se colocan electrodos a lo largo del cuero cabelludo para enviar señales a una computadora para su análisis. Los EEG se han utilizado recientemente para estudiar la deglución, la clasificación de los estados mentales y el diagnóstico de trastornos neuropsiquiátricos. En un artículo ("Reconocimiento de emociones con aprendizaje automático mediante señales EEG") publicado en el servidor de preimpresión Arxiv.org, un equipo de la Texas Tech University, la Universidad de Tabriz en Irán y el Hospital Akrham describe una IA Sistema que reconoce solo las emociones de los resultados de EEG. "Los estados emocionales están asociados con una amplia gama de sentimientos, pensamientos y comportamientos humanos; de manera racional, en cuestiones como la toma de decisiones, la percepción y la inteligencia humana", escribieron. "En los últimos años, se han desarrollado sistemas de reconocimiento de emociones basados ​​en señales de EEG. [has] "Las señales de EEG, señala el equipo, son un desafío para analizar porque son no lineales, algo aleatorias y están enterradas en varias fuentes de ruido". Método de referencia y basado en un enfoque de descomposición para la extracción de características. Mediante transformaciones wavelet: la señal de EEG se derivó de la señal de EEG que se dividió en los componentes de banda gamma, beta, alfa y theta. Los investigadores compraron DEAP, un corpus anotado para el análisis de emociones usando señales fisiológicas, para entrenar a sus clasificadores de emociones. Esto incluye datos de EEG de 32 participantes, que recibieron 40 videoclips de un minuto y los calificaron en una escala de 1 a 9 en diferentes categorías, incluida la valencia (el atractivo / "bondad" intrínseca de un video / aversidad / "particular" Mala "-dness", excitación (la intensidad de la respuesta fisiológica que desencadenó), dominio y emoción. Las cifras de más de 4.5 se calificaron como & # 39; alta & # 39; mientras que las cifras de menos de 4.5 se consideran & # 39; bajas & # 39; fueron indicados Con esto en mente, los autores del artículo utilizaron tres tipos de clasificadores para distinguir entre las emociones: un algoritmo vecino más cercano, una máquina de vectores de soporte y una red neuronal artificial. Las señales de EEG del cerebro frontal izquierdo y derecho, las regiones que están estrechamente asociadas con las emociones positivas y negativas. 91.3 por ciento de precisión para la excitación y 91.1 por ciento de precisión para la valencia, ambas en la banda de frecuencia beta. Los investigadores argumentan que el aprendizaje de un conjunto, en el paradigma de la IA en el que una combinación de sistemas de aprendizaje automático trabaja en conjunto para producir una sola predicción, podría mejorar aún más el rendimiento de los modelos. Pero afirman que la precisión actual es mayor que los algoritmos existentes aplicados al conjunto de datos DEAP. "[S]Los estudios sobre el reconocimiento de emociones mediante el uso de señales emocionales mejoran los sistemas de interfaz cerebro-computadora (BCI) como un tema efectivo para aplicaciones clínicas e interacciones sociales humanas ", dijeron los investigadores. Los sistemas como estos podrían usarse para investigar estados emocionales durante la vida emocional. "Aspectos emocionales para aclarar los agentes terapéuticos para trastornos mentales como el trastorno del espectro autista (ADSD), el trastorno por déficit de atención con hiperactividad (TDAH) y el trastorno de ansiedad".



Source link

Quantcast CMO finaliza con el lanzamiento de Kids-Focused Media



Steven Wolfe Pereira, ex director de mercadotecnia y comunicación de Quantum, deja la empresa de análisis a tiempo completo después de 17 meses, centrándose en la creación de medios para consumidores orientados a la diversidad para niños que fundó, Encantos. Pereira quiere asumir el cargo de CEO de Encantos, reemplazando a su esposa y co-fundadora, Nuria Santamaria Wolfe, que desea permanecer en la CMO. Dijo que aunque está orgulloso de lo que obtiene en Quantcast, Encantos, de cuatro años, llega a un punto en su camino en el que tiene sentido intervenir e intentar duplicar el crecimiento. "Todas estas cosas son ciertamente agridulces", dijo Pereira a Adweek. "Hemos ayudado a elevar la marca, hemos ayudado a lanzar nuevos productos, es realmente un momento importante para comenzar la era de la IA y todo se hará de una cierta manera, por lo que sentimos que estábamos Práctica de mercadeo, y la compañía está en camino de alcanzar sus propios objetivos de nuevos productos. "La misión de Pereira en Quantum es aumentar su imagen como líder en inteligencia artificial, ya que la compañía invierte más de $ 250 millones en investigación y desarrollo en todo el mundo. sus herramientas basadas en inteligencia artificial, que proporcionan estadísticas públicas y publicitarias a la industria. Él y el Director de Operaciones Robert Horler, contratados unos meses después de Pereira, describieron sus acuerdos como parte de Quantcast "crecer" y "volver a lo básico" como analista y compañía de conocimiento público. Quantcast confirmó la noticia, pero se negó a comentar sobre su partida o cualquier posible reemplazo. Antes de unirse a Quantcast en septiembre de 2017, Pereira trabajó como CMO para la empresa de análisis Neustar. Antes de eso, trabajó en puestos de marketing en Oracle, Univision y Experian. Como director de marketing en su trabajo diario, Pereira dijo que no había participado en las operaciones diarias en Encantos hasta ahora. Ahora la compañía expande su portafolio a diferentes modelos de contenido. "Ahora continuamos lanzando programas directos al consumidor: una marca quiere ser una marca directa al consumidor, la otra quiere tener elementos de comercio electrónico y requiere mucho más de las marcas. solo necesita mucha más atención ", dijo Pereira.



Source link

Los investigadores de Alexa mejoran los errores de KI hasta en un 30% al reducir el desequilibrio en los datos



Los datos de entrenamiento desequilibrados son un obstáculo importante para los clasificadores, es decir, los sistemas de aprendizaje automático que clasifican en clases. Cada vez que una categoría de muestreo aleatorio contribuye desproporcionadamente a un corpus, más a menudo que otros, existe el riesgo de tener una preferencia por él. Investigadores de la división Alexa de Amazon dicen que han desarrollado una técnica que puede reducir las tasas de error en algunos sistemas no balanceados de datos hasta en un 30 por ciento. Lo describieron en la primavera de esta primavera en un artículo recientemente publicado ("Incrustación profunda para la detección de eventos de audio raros con datos desequilibrados") en la Conferencia Internacional sobre Acústica, Voz y Procesamiento de Señales en Brighton. Normalmente, los científicos de datos se enfocan en el problema de ejemplo no representativo considerando & # 39; & # 39; en clases subrepresentadas, es decir, para darles más valor. Pero Ming Sun, un científico del habla en el grupo Alexa Speech y autor principal del artículo, exige un enfoque diferente. Él y sus colegas practicaron en el sistema de representaciones matemáticas de datos y maximizan la distancia entre esos vectores. Para evitar el desequilibrio en las incrustaciones, las clases de datos que eran más grandes que las otras, divididas en grupos, eran aproximadamente del tamaño de la clase más pequeña. Se calcula la distancia promedio de todos los puntos del grupo. Las salidas de la IA incorporada completamente entrenada se usaron como datos de entrenamiento para un clasificador que usa etiquetas para ingresar datos y luego probar cuatro tipos de sonidos del conjunto de datos "estándar de la industria": incendios de perros, llantos de bebés, disparos de armas y ruidos de fondo. Los experimentos con la integración con una red de memoria a largo plazo (LSTM) larga mostraron una mejora del rendimiento del 15 al 30 por ciento y un total del 22 por ciento. Y en una red neuronal convolucional (CNN) más grande, más lenta y más precisa, Sun y sus coautores registraron una reducción de errores del 6 al 19 por ciento, según la proporción de las clases de datos.



Source link

Microsoft lanza AI Business School



Microsoft lanzó hoy AI Business School, una serie de estudios de caso y videos tutoriales gratuitos que se crearon para ayudar a los ejecutivos a diseñar e implementar estrategias de inteligencia artificial dentro de su organización. La escuela AI es el resultado de tres años de discusiones con los clientes y sigue el inicio de la escuela AI para desarrolladores. AI Business School sigue el ejemplo de manuales de instrucciones similares, como el libro de jugadas de transformación de AI de Andrew Ng. Mitsubishi Azizirad le dijo a VentureBeat en una entrevista telefónica que AI Solutions presentó internamente en Microsoft, vicepresidente de mercadeo y productización de inteligencia artificial de Microsoft. El contenido del curso se centra en cuatro áreas principales: estrategia, cultura, principios básicos de tecnología e inteligencia artificial. Y los cursos desean incluir herramientas para cosas como evaluar el nivel de madurez de AI de una empresa para comprender qué se necesita para implementar con éxito AI en su negocio. "Hay muchas discusiones sobre la IA y la transformación que está ocurriendo en el mundo técnico. [for] trabajadores de oficina o incluso personal de primera línea, pero realmente necesitan escuchar sobre el niño de la transformación que realmente se necesita ", dijo Azizirad." La escuela de negocios de AI nace con líderes empresariales. "La transformación de AI en su confianza empresarial, pero también en su papel de líderes". los Estados Unidos y Europa en nombre de Microsoft, en el cual pretenden implementar la inteligencia artificial y la inversión como resultado de la inteligencia artificial en asuntos tales como motivar o inspirar a los empleados. Motivar e inspirar a los empleados sobre qué es lo más importante en lo que los empresarios quieren invertir mientras usan la IA, una forma de preparar a la empresa para la IA, puede cambiar la cultura de la empresa. Habla para satisfacer esta necesidad, la AI Business School aconseja hacer negocios en su propio trabajo. Es algo que la Oficial Principal de Finanzas Amy Hood descubrió cuando AI se incorporó al departamento de finanzas de la compañía. Inventado de nuevo ", dijo Azizirad," su función era generar confianza, entusiasmo, recompensas y un sistema para las personas que se sentirían lo suficientemente cómodas como para ser honestas ", dijo Azizirad, y el departamento de KI responsable de la escuela quiere investigar cómo los líderes Se pueden abordar los riesgos de mitigación de riesgos. La IA y el niño de la responsabilidad ética y la gobernabilidad. Se agregarán enfoques específicos de la industria y otras actualizaciones en el futuro, dijo Azizirad.



Source link

A %d blogueros les gusta esto: