AI 연구

지도 학습에는 모델 훈련을 위해 주석이 달린 큰 데이터세트가 필요하지만 최소한의 감독만 필요한 머신러닝은 레이블이 지정되지 않은 데이터를 사용하기 때문에 사람의 개입이 최소화됩니다. 준지도, 자율 지도, 적극적인 학습, 불확실성 모델링과 같은 최소한의 감독 접근 방식은 다른 학습 프레임워크를 사용하여 정확성을 향상시킵니다. 이러한 방법은 수동 레이블링이 시간이 많이 걸리거나 비용이 많이 드는 경우 사용됩니다.

SAP는 제한된 데이터를 모델 훈련에 사용할 수 있을 때 사용할 수 있는 빠른 학습 접근 방식을 개발합니다. SAP의 접근 방식에는 이미지와 텍스트를 모두 활용하는 멀티모달 데이터와 크로스 모달 복도 및 메타 학습 방법을 사용하는 것이 포함됩니다. 피드 샷 학습 접근 방식은 온라인 제품 카탈로그에서의 신규 제품 분류와 같이 제한된 교육 데이터가 있는 모든 비즈니스 시나리오에서 사용됩니다.

통합 VQA(Visual Question Answering) 모델은 미세 정보 및 VQA 평가 지표의 감지를 개선하여 컴퓨터가 자연 언어를 사용하여 이미지에 대한 질문에 답변할 수 있도록 지원합니다. VQA 모델의 적용은 지능형 챗봇의 통합부터 발권 및 송장 처리 시스템, 질병 진단을 위한 지능형 정보 검색에 이르기까지 다양한 산업에 걸쳐 있습니다.

최첨단 딥 러닝 모델에는 광범위한 계산 비용과 비용이 많이 드는 하드웨어가 포함됩니다. 당사는 모델 복잡성, 리소스 효율적인 네트워크, 양자화, 프루닝, 지식 증류 등을 평가하는 등 리소스 효율적인 딥 러닝에 대한 새로운 접근 방식을 개발합니다. 산업 애플리케이션의 효율적인 딥 러닝 접근 방식은 금전적 비용, 전력 소비, 추론 시간 및 환경 영향을 최소화하는 데 도움이 됩니다.

당사는 차등 개인정보보호 및 통합 학습, 멀티태스크 학습 등 개인정보 보호 및 공정성 제약을 가하는 머신러닝에 대한 접근 방식을 개발합니다. 이를 통해 기관에서는 개인의 개인정보 보호를 위협하지 않고 일반화된 진단 또는 예측 모델을 사용할 수 있습니다. 공정성 제약이 있는 알고리즘을 개발하면 신용 점수, 은행 대출 또는 이력서 매칭과 같은 애플리케이션에서 무의식적인 편견을 완화할 수도 있습니다.

우리는 머신러닝 모델이 사람의 업무 방식을 학습하고 점진적으로 학습하고 이전 지식을 활용하여 새로운 태스크를 학습할 수 있도록 하는 평생 학습 접근 방식을 조사합니다. 당사의 방법으로는 클래스 증분 접근 방식, 지속적인 도메인 적응, 신경가소성 및 적응형 용량 확장이 있습니다. 지속적으로 학습하는 머신러닝 모델은 과거 훈련 데이터를 유지할 수 없는 모든 상황에서 사용됩니다.

자연어로 표현되는 심리와 의견을 이해하는 것은 자연어 처리의 핵심 과제입니다. 신경어 임베딩과 감상 기반 방법에 초점을 맞춘 심리 분석을 위한 새로운 접근 방식에 대해 연구합니다. 센티먼트 분석은 제품 및 서비스에 대한 의견을 분석하고 조치를 취해야 하는 통신, 금융, 보험, 전자상거래 등의 비즈니스 부문과 관련이 있습니다.

머신러닝 모델과 알고리즘은 뛰어난 수준의 정교함에 도달하여 예측을 설명하는 데 어려움을 겪고 있습니다. 자기 지도, 메타 지도 학습, 큐리오스 중심 모델 등의 해석 가능한 머신러닝 접근 방식을 통해 데이터에서 패턴을 발견할 수 있습니다. 이는 투명성을 제공하고 제안된 출력의 근본적인 이유를 설명하는 데 도움이 되므로 비즈니스 애플리케이션에서 매우 중요합니다.

정형 및 비정형 문서에서 정보를 추출하는 것은 자연어 처리(NLP)에 어려움이 있으며 머신러닝 모델을 교육하기 위해 레이블이 지정된 데이터를 찾는 것은 어렵습니다. 당사의 연구는 구조화된 문서에 대한 순차적 및 2차원 접근 방식에 초점을 맞추고, NLP의 요소와 컴퓨터 비전을 결합하며, 정보 추출 파이프라인에 학습 전송을 사용하여 감독되지 않은 모델과 약한 지도 모델을 통합합니다.