Accès direct à WAIC2022 丨 Jiuzhang Yunji DataCanvas Company a fait une merveilleuse apparition avec ses réalisations technologiques d'apprentissage causal

La Conférence mondiale sur l'intelligence artificielle (WAIC) 2022, dont le thème est « Un monde connecté intelligent, une vie sans limites », s'est terminée avec succès à Shanghai le 3 septembre. WAIC, en tant que « girouette technologique, vitrine d'applications, accélérateur industriel et forum de gouvernance » pour l'intelligence artificielle mondiale, est l'événement industriel le plus influent dans le domaine de l'intelligence artificielle mondiale.

"WAIC 2022 · AI Developer Day" est l'un des forums techniques les plus importants de la conférence WAIC, avec pour thème "Ce qui intéresse vraiment les développeurs d'IA", réunissant les lauréats du Turing Award 2021, des académiciens chinois et étrangers, et technologies de classe mondiale 15 invités clés du monde universitaire et de l'industrie, dont des experts et des fondateurs d'entreprises technologiques. Yang Jian, vice-président de la technologie Open Source et directeur du D-Lab de Jiuzhang Yunji DataCanvas Company, a été invité à assister au forum et s'est concentré sur la façon d'utiliser une boîte à outils d'apprentissage causal complète et de bout en bout pour résoudre " La découverte causale, l'identification de la quantité causale, la cause et l'effet « Estimation des effets, inférence contrefactuelle et apprentissage politique » sont cinq questions clés. Il a prononcé un merveilleux discours d'ouverture sur « YLearn : apprentissage causal, de la prédiction à la décision ».

Apprentissage causal : une avancée technologique pour le développement de l'intelligence artificielle

Alors que l'apprentissage automatique et l'apprentissage profond rencontrent des goulots d'étranglement techniques dans le processus de développement, la vitesse de développement de l'intelligence artificielle ralentit progressivement, en raison. d'une part, l'apprentissage automatique Il existe des problèmes clés tels qu'une faible capacité de généralisation, une faible interprétabilité et des capacités d'aide à la décision insuffisantes, d'autre part, les gouvernements et les entreprises ont mis en avant la demande d'une « prise de décision intelligente », c'est-à-dire une réalisation automatisée ; prise de décision basée sur les données pour améliorer l’efficacité opérationnelle globale.

Avec de plus en plus d'applications de modélisation d'apprentissage automatique, la technologie de l'intelligence artificielle est passée de l'analyse prédictive à l'analyse guidée. La « prise de décision » automatisée est devenue le besoin essentiel des gouvernements et des entreprises à l'ère de l'intelligence numérique. une logique décisionnelle compréhensible de l’IA et des résultats décisionnels crédibles et explicables. Cependant, l'apprentissage automatique actuel est principalement utilisé pour effectuer des tâches prédictives, ce qui est difficile à répondre aux besoins des gouvernements et des entreprises en matière de prise de décision automatisée.

Le « 2022 Emerging Technology Hype Cycle » publié par Gartner mentionne que l'intelligence artificielle causale est l'une des technologies clés pour accélérer l'automatisation de l'IA. L'apprentissage causal est devenu une technologie clé pour compléter les problèmes d'apprentissage automatique. Il s'agit d'une percée technologique avec un grand potentiel pour le développement de l'intelligence artificielle, qui a attiré une large attention et des recherches brûlantes dans l'industrie.

YLearn : L'apprentissage causal, de la prédiction à la prise de décision

M. Yoshua Bengio, lauréat du prix Turing 2019, a mentionné un jour que "la causalité est très importante pour les prochains progrès de l'apprentissage automatique". Depuis 2019, de nouveaux résultats de recherches universitaires sur l’apprentissage causal ont continué à apparaître et le nombre d’articles publiés dans ce domaine a doublé chaque année. À l'heure actuelle, à en juger par la recherche et le développement de l'apprentissage causal au pays et à l'étranger, il existe de nombreux outils d'apprentissage causal, tels que Do Why, EconML qui se concentre sur la résolution des problèmes d'évaluation des effets causals, CausalML qui est utilisé pour compléter la modélisation de l'élévation et CausalLearn qui se concentre sur la résolution de problèmes de découverte causale. Cependant, ces outils ne peuvent résoudre que certains problèmes d’apprentissage causal, et comme différents outils s’appuient sur des cadres théoriques et des systèmes structurels différents, il est difficile d’intégrer et d’utiliser les ensembles d’outils. Le domaine de l’apprentissage causal ne dispose pas d’une boîte à outils systématique, complète, exhaustive et de bout en bout.

YLearn est une boîte à outils d'algorithmes open source unique qui gère le processus complet d'apprentissage causal développé indépendamment par Jiuzhang Yunji DataCanvas Company. Il s'agit actuellement de la première boîte à outils d'algorithmes d'apprentissage causal de bout en bout, plus complète et systématique. Il a pris l'initiative de résoudre les cinq problèmes clés de « découverte causale, identification de la quantité causale, estimation de l'effet causal, inférence contrefactuelle et apprentissage stratégique » dans l'apprentissage causal, a abaissé le seuil d'utilisation des « décideurs » et a continuellement répondu aux exigences. besoins des gouvernements et des entreprises en matière de « prise de décision » automatisée.

​​Cliquez pour obtenir l'adresse GitHub​

​

YLearn est composé de CausalDiscovery, CausalModel, EstimatorModel, Policy, Interpreter, Whatif et d'autres composants. Chaque composant prend en charge une utilisation indépendante et un packaging unifié. Pour aider les utilisateurs à comprendre les données et à ajuster les stratégies de manière plus intuitive, YLearn fournit une sortie visuelle de modules importants tels que des diagrammes de causalité, des explications des effets de causalité et des arbres de décision.

Par rapport aux outils d'apprentissage des causes et des effets nationaux et étrangers, YLearn de Jiuzhang Yunji DataCanvas Company présente les caractéristiques d'un

un guichet unique, nouveau et complet, et un large éventail d'utilisations.

• Un guichet unique

Le processus d'apprentissage causal habituel comprend la découverte de structures causales à partir de données, la construction de modèles causals pour les structures causales, l'utilisation de modèles causals pour identifier les effets causals et l'estimation des effets causals à partir des données. YLearn prend en charge ces fonctions en un seul endroit, permettant aux utilisateurs d'utiliser et de déployer l'apprentissage causal au coût d'apprentissage le plus bas.

• Nouveau et complet

YLearn implémente un certain nombre d'algorithmes variés développés dans le domaine de l'apprentissage causal ces dernières années, tels que Meta-Learner, Double Machine Learning, etc. Nous nous engagerons également à suivre les progrès de pointe et à maintenir les modèles d’identification et d’estimation des causes avancés et complets.

• Large gamme d'utilisations

YLearn prend en charge des fonctions telles que l'explication des effets causals estimés, la sélection de l'option la plus rentable parmi diverses options en fonction des effets causals et la visualisation du processus de prise de décision. De plus, YLearn prend également en charge de petites fonctions telles que la sortie de l'expression de distribution de probabilité de l'effet causal identifié dans la structure causale sous la forme de LaTex, aidant ainsi les utilisateurs à croiser l'apprentissage causal avec d'autres directions.

Combinant les besoins des gouvernements et des entreprises dans les tâches de prise de décision, YLearn sera combiné avec la plateforme d'apprentissage automatique de la société Jiuzhang Yunji DataCanvas pour améliorer la robustesse et la généralisation de l'apprentissage automatique grâce à l'intégration des capacités technologiques AutoML et l'interprétabilité, permettant l'ajustement automatique des paramètres et l'optimisation de l'apprentissage causal, abaissant encore le seuil d'utilisation. Dans le même temps, YLearn résout le problème « bloqué » de l'absence d'une boîte à outils d'apprentissage causal puissante et complète sur le marché, renvoie la technologie aux entreprises, prend en charge les scénarios commerciaux de prise de décision et fournit aux clients une variété de solutions de prise de décision. .

L'apprentissage causal aide l'intelligence artificielle à franchir une nouvelle étape

En tant que force centrale d'un nouveau cycle de révolution technologique et de transformation industrielle, la technologie de l'intelligence artificielle est dans une nouvelle étape de développement, de la prédiction à la prise de décision. L'apprentissage causal joue un rôle important à ce stade, compensant les défauts théoriques de l'apprentissage automatique, résolvant progressivement le problème du « quoi » au « pourquoi » et améliorant la crédibilité et la crédibilité de la « prise de décision de l'IA » en fonction des besoins. des gouvernements et des entreprises, en transférant davantage les capacités d’IA à l’usage professionnel.

Afin de mieux promouvoir le développement du domaine national de l'apprentissage causal et de promouvoir le développement diversifié de l'apprentissage causal, Jiuzhang Yunji DataCanvas Company a uni ses forces avec le bureau du comité d'organisation de la Conférence mondiale sur l'intelligence artificielle, Machine Heart, Shanghai Artificial Intelligence Industry. Tianchi co-organise le Hackathon « Causal Learning and Decision Optimization Challenge », offrant une plate-forme permettant aux développeurs d'élite du monde entier de s'affronter sur la même scène. Avec le thème « Comment optimiser les plans d'intervention pour maximiser les effets causals », le défi concrétise les enjeux universels de l'apprentissage causal et vise à tester la capacité des candidats à utiliser l'inférence causale pour estimer des solutions décisionnelles.

En tant que premier événement de l'industrie orienté vers « l'ensemble du processus d'inférence causale », il a reçu des candidatures de tout le pays, notamment des entreprises qui utilisent des technologies liées à l'intelligence artificielle pour permettre la mise à niveau numérique, des unités de recherche scientifique qui combinent l'intelligence artificielle technologie de renseignement pour l'exploration innovante et universités. Près de 4 000 équipes, dont des équipes de collèges et d'universités et des développeurs professionnels, se sont inscrites pour concourir. Après 23 jours de compétition sur la même scène, les équipes participantes ont continué à explorer les sommets techniques dans le domaine de l'apprentissage causal, à établir de nouveaux records de performance et à concourir pour les 18 meilleures équipes gagnantes dotées d'une forte force technique et créativité en IA.

À l'avenir, la société Jiuzhang Yunji DataCanvas continuera à innover et à développer des outils open source, à combiner les besoins commerciaux des gouvernements et des entreprises avec des pratiques techniques, à aider les gouvernements et les entreprises à améliorer leur intelligence numérique et à promouvoir l'intelligence artificielle au rang de nouvelle étape.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!