Direkter Zugriff auf WAIC2022丨Jiuzhang Yunji DataCanvas Company legte mit seinen Errungenschaften im Bereich der Kausallerntechnologie einen wunderbaren Auftritt hin

Die World Artificial Intelligence Conference (WAIC) 2022 mit dem Thema „Intelligent Connected World, Unbounded Life“ ging am 3. September in Shanghai erfolgreich zu Ende. WAIC ist als „Technologiefahne, Anwendungsschaufenster, Branchenbeschleuniger und Governance-Forum“ für globale künstliche Intelligenz die einflussreichste Branchenveranstaltung im globalen Bereich der künstlichen Intelligenz.

„WAIC 2022 · AI Developer Day“ ist eines der wichtigsten technischen Foren der WAIC-Konferenz mit dem Thema „Was KI-Entwicklern wirklich wichtig ist“ und bringt die Gewinner des Turing Award 2021, chinesische und ausländische Akademiker zusammen Weltklasse-Technologien 15 wichtige Gäste aus Wissenschaft und Industrie, darunter Experten und Gründer von Technologieunternehmen. Yang Jian, Vizepräsident für Open-Source-Technologie und Direktor des D-Lab der Jiuzhang Yunji DataCanvas Company, wurde zur Teilnahme am Forum eingeladen und konzentrierte sich auf die Verwendung eines vollständigen, umfassenden End-to-End-Toolkits für kausales Lernen zur Lösung von „ Kausale Entdeckung, kausale Quantitätsidentifizierung, Ursache und Wirkung „Wirkungsabschätzung, kontrafaktische Schlussfolgerung und politisches Lernen“ sind fünf Schlüsselthemen. Er hielt eine wunderbare Grundsatzrede zum Thema „YLearn: Kausales Lernen, von der Vorhersage zur Entscheidung“.

Kausales Lernen: ein technologischer Durchbruch für die Entwicklung künstlicher Intelligenz

Da maschinelles Lernen und tiefes Lernen im Entwicklungsprozess auf technische Engpässe stoßen, verlangsamt sich die Entwicklungsgeschwindigkeit künstlicher Intelligenz allmählich Einerseits gibt es beim maschinellen Lernen zentrale Probleme wie eine schwache Generalisierungsfähigkeit, eine schwache Interpretierbarkeit und unzureichende Fähigkeiten zur Entscheidungsunterstützung. Andererseits haben Regierungen und Unternehmen die Forderung nach „intelligenter Entscheidungsfindung“ gestellt, also nach einer Automatisierung Entscheidungsfindung auf datengesteuerte Weise zur Verbesserung der Gesamtbetriebseffizienz.

Mit immer mehr Anwendungen der maschinellen Lernmodellierung hat sich die Technologie der künstlichen Intelligenz von der prädiktiven Analyse zur geführten Analyse entwickelt und ist im Zeitalter der digitalen Intelligenz zum Kernbedürfnis von Regierungen und Unternehmen geworden eine verständliche KI-Entscheidungslogik und glaubwürdige, erklärbare Entscheidungsergebnisse. Aktuelles maschinelles Lernen wird jedoch hauptsächlich zur Durchführung von Vorhersageaufgaben eingesetzt, was den Anforderungen von Regierungen und Unternehmen an eine automatisierte Entscheidungsfindung nur schwer gerecht werden kann.

Der von Gartner veröffentlichte „2022 Emerging Technology Hype Cycle“ erwähnte, dass kausale künstliche Intelligenz eine der Schlüsseltechnologien zur Beschleunigung der KI-Automatisierung ist. Kausales Lernen ist zu einer Schlüsseltechnologie zur Ergänzung von Problemen des maschinellen Lernens geworden. Es handelt sich um einen technologischen Durchbruch mit großem Potenzial für die Entwicklung künstlicher Intelligenz, der in der Branche große Aufmerksamkeit und heiße Forschung erregt hat.

YLearn: Kausales Lernen, von der Vorhersage bis zur Entscheidungsfindung

Herr Yoshua Bengio, Gewinner des Turing Award 2019, erwähnte einmal, dass „Kausalität für den nächsten Fortschritt des maschinellen Lernens sehr wichtig ist.“ Seit 2019 erscheinen immer wieder neue wissenschaftliche Forschungsergebnisse zum kausalen Lernen und die Zahl der veröffentlichten Fachartikel hat sich jedes Jahr verdoppelt. Derzeit gibt es, gemessen an der Forschung und Entwicklung des kausalen Lernens im In- und Ausland, viele kausale Lernwerkzeuge wie DoWhy, EconML, das sich auf die Lösung von Problemen bei der Bewertung kausaler Effekte konzentriert, CausalML, das zur Vervollständigung der Uplift-Modellierung verwendet wird, und CausalLearn that konzentriert sich auf die Lösung kausaler Entdeckungsprobleme. Allerdings können diese Tools nur einige der Probleme des kausalen Lernens lösen, und da unterschiedliche Tools auf unterschiedlichen theoretischen Rahmenbedingungen und Struktursystemen basieren, ist es schwierig, die Toolpakete zu integrieren und zu nutzen. Dem Bereich des kausalen Lernens fehlt ein systematischer, vollständiger, umfassender und durchgängiger Werkzeugkasten.

YLearn ist ein One-Stop-Open-Source-Algorithmus-Toolkit, das den gesamten Prozess des kausalen Lernens unabhängig von der Jiuzhang Yunji DataCanvas Company abwickelt. Es ist derzeit das erste durchgängige, vollständigere und systematischere kausale Lernalgorithmus-Toolkit. Es übernahm die Führung bei der Lösung der fünf Schlüsselprobleme „kausale Entdeckung, kausale Quantitätsidentifizierung, kausale Wirkungsschätzung, kontrafaktische Schlussfolgerung und Strategielernen“ beim kausalen Lernen, senkte die Schwelle für den Einsatz von „Entscheidungsträgern“ und erfüllte kontinuierlich die Bedürfnisse von Regierungen und Unternehmen nach automatisierter „Entscheidungsfindung“.

​

​Klicken Sie hier, um die GitHub-Adresse abzurufen​

​YLearn besteht aus CausalDiscovery, CausalModel, EstimatorModel, Policy, Interpreter, Whatif und anderen Komponenten. Jede Komponente unterstützt die unabhängige Verwendung und einheitliche Verpackung. Um Benutzern das Verständnis von Daten und die intuitivere Anpassung von Strategien zu erleichtern, bietet YLearn eine visuelle Ausgabe wichtiger Module wie Kausaldiagramme, Erklärungen zu Kausaleffekten und Entscheidungsbäume.

Im Vergleich zu in- und ausländischen Ursache-Wirkungs-Lerntools zeichnet sich YLearn von der Jiuzhang Yunji DataCanvas Company dadurch aus, dass es „alles aus einer Hand, neu und umfassend und mit einem breiten Anwendungsspektrum“ ist.

• Alles aus einer Hand

Der übliche kausale Lernprozess umfasst das Entdecken von Kausalstrukturen aus Daten, das Erstellen von Kausalmodellen für die Kausalstrukturen, die Verwendung von Kausalmodellen zur Identifizierung von Kausaleffekten und das Schätzen von Kausaleffekten aus Daten. YLearn unterstützt diese Funktionen aus einer Hand und ermöglicht es Benutzern, kausales Lernen zu den niedrigsten Lernkosten zu nutzen und einzusetzen.

• Neu und vollständig

YLearn implementiert eine Reihe verschiedener Algorithmen, die in den letzten Jahren im Bereich des kausalen Lernens entwickelt wurden, wie z. B. Meta-Learner, Double Machine Learning usw. Wir werden uns auch dafür einsetzen, mit den neuesten Fortschritten Schritt zu halten und die Modelle zur Ursachenerkennung und -schätzung fortschrittlich und umfassend zu halten.

• Breites Einsatzspektrum

YLearn unterstützt Funktionen wie die Erläuterung der geschätzten kausalen Effekte, die Auswahl der profitabelsten Option aus verschiedenen Optionen basierend auf den kausalen Effekten und die Visualisierung des Entscheidungsprozesses. Darüber hinaus unterstützt YLearn auch kleine Funktionen wie die Ausgabe des Wahrscheinlichkeitsverteilungsausdrucks des in der Kausalstruktur identifizierten Kausaleffekts in Form von LaTex und hilft Benutzern, das Kausallernen mit anderen Richtungen zu überschneiden.

Durch die Kombination der Bedürfnisse von Regierungen und Unternehmen bei Entscheidungsaufgaben wird YLearn mit der Plattform für automatisches maschinelles Lernen der Jiuzhang Yunji DataCanvas Company kombiniert, um die Robustheit und Verallgemeinerung des maschinellen Lernens durch die Integration von AutoML-Technologiefunktionen zu verbessern Interpretierbarkeit, die eine automatische Parameteranpassung und Optimierung des kausalen Lernens ermöglicht und die Schwelle für die Verwendung weiter senkt. Gleichzeitig löst YLearn das „steckengebliebene“ Problem des Fehlens eines leistungsstarken und vollständigen Werkzeugkastens für kausales Lernen auf dem Markt, bringt Technologie in das Geschäft zurück, unterstützt Geschäftsszenarien bei der Entscheidungsfindung und bietet Kunden eine Vielzahl von Entscheidungslösungen .

Kausales Lernen hilft der künstlichen Intelligenz, eine neue Stufe zu erreichen.

Als Kernkraft einer neuen Runde der technologischen Revolution und des industriellen Wandels befindet sich die Technologie der künstlichen Intelligenz in einer neuen Entwicklungsstufe von der Vorhersage bis zur Entscheidungsfindung. Kausales Lernen spielt in dieser Phase eine wichtige Rolle, indem es die theoretischen Mängel des maschinellen Lernens ausgleicht, das Problem schrittweise vom „Was“ zum „Warum“ löst und die Glaubwürdigkeit und Glaubwürdigkeit der „KI-Entscheidungsfindung“ basierend auf den Bedürfnissen verbessert von Regierungen und Unternehmen, weitere Übergabe von KI-Fähigkeiten an die Geschäftsnutzung.

Um die Entwicklung des heimischen Bereichs des kausalen Lernens besser zu fördern und die vielfältige Entwicklung des kausalen Lernens zu fördern, hat sich Jiuzhang Yunji DataCanvas Company mit dem Büro des Organisationskomitees der World Artificial Intelligence Conference, Machine Heart, Shanghai Artificial Intelligence Industry, zusammengetan Association ist Tianchi Mitorganisator des Hackathons „Causal Learning and Decision Optimization Challenge“ und bietet Elite-Entwicklern aus der ganzen Welt eine Plattform, auf der sie auf der gleichen Bühne konkurrieren können. Mit dem Thema „Wie man Interventionspläne optimiert, um kausale Effekte zu maximieren“ konkretisiert der Wettbewerb universelle Probleme des kausalen Lernens und zielt darauf ab, die Fähigkeit der Teilnehmer zu testen, kausale Schlussfolgerungen zu verwenden, um Entscheidungslösungen abzuschätzen.

Als der erste Wettbewerb der Branche für den „gesamten Prozess der kausalen Schlussfolgerung“ hat er Bewerbungen aus dem ganzen Land erhalten, darunter Unternehmen, die Technologien im Zusammenhang mit künstlicher Intelligenz nutzen, um die digitale Modernisierung zu ermöglichen, und wissenschaftliche Forschungseinrichtungen, die künstliche Intelligenz kombinieren Fast 4.000 Teams, darunter Teams von Hochschulen und Universitäten sowie professionelle Entwickler, haben sich für den Wettbewerb angemeldet. Nach 23 Wettkampftagen auf derselben Bühne erkundeten die teilnehmenden Teams weiterhin die technischen Gipfel im Bereich des kausalen Lernens, stellten neue Leistungsrekorde auf und kämpften um die Auswahl der TOP18-Gewinnerteams mit starker technischer KI-Stärke und Kreativität.

In Zukunft wird die Jiuzhang Yunji DataCanvas Company weiterhin Open-Source-Tools innovieren und entwickeln, die Geschäftsanforderungen von Regierungen und Unternehmen mit technischen Praktiken kombinieren, Regierungen und Unternehmen dabei unterstützen, ihre digitale Intelligenz zu verbessern und künstliche Intelligenz zu fördern neue Bühne.

Das obige ist der detaillierte Inhalt vonDirekter Zugriff auf WAIC2022丨Jiuzhang Yunji DataCanvas Company legte mit seinen Errungenschaften im Bereich der Kausallerntechnologie einen wunderbaren Auftritt hin. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!