EN

Čevora.xyz

Dr. Jiří Čevora

Dr. Jiří Čevora

Moje nedávné výzkumné projekty

Hluboké učení

Úspěch hlubokého učení do značné míry závisí na inicializaci vah. V tomto článku jsme Marcel Marais, dr. Mate Hartstein a já představili novou techniku inicializace vah pro autoenkodéry, kterou jsme nazvali Straddled Matrix. V článku popisujeme experimenty, které naznačují, že náš postup překonává dosavadní nejlepší techniky.

V tomto článku jsme Oliver Turnbull a já vysvětlili, že tato nestabilita v počítačovém vidění vzniká kvůli typu úloh, které po počítačovém vidění chceme, a je proto nevyhnutelná. Naše analýza příčin ale zároveň ukazuje řadu způsobů, jak lze problém do značné míry zmírnit.

Posilované učení

Posilované učení je jednou z nejzajímavějších technik datové vědy a má obrovský potenciál proměnit celá odvětví tím, že řeší některé z nejvýznamnějších komerčních problémů. Jeho nasazení ale může být obtížné kvůli obavám o bezpečnost.

V našem článku na toto téma jsme Evan Hurwitz, Nelson Peace a já ukázali jednoduchou techniku dávkového učení, která zlepšuje stabilitu agentů posilovaného učení. Je to důležitý krok na cestě k tomu, aby se potenciál posilovaného učení dal plně využít v reálném světě.

Vysvětlitelná AI

S dr. Saviem Rozariem jsme zkoumali techniky vysvětlitelné AI z hlediska toho, nakolik odpovídají potřebám koncových uživatelů systémů AI. V článku publikovaném zde jsme došli k závěru, že současné techniky jsou pro tento účel zásadně nedostatečné, a navrhli jsme některé alternativy.

Věda o malých datech

Na příkladu rekvalifikace pracovní síly jsme dr. Evan Hurwitz a já ukázali, jak lze i velmi malé datové sady využít ke zlepšení rozhodování a tvorby politik.

Na neobvyklou žádost týmu veslařů připravujících se na závod přes Atlantik jsme dr. Mate Hartstein a já vyvinuli obecnou metodu trasování veslic přes oceány, která hledá optimální kompromis mezi nejkratší cestou a nejpříznivějšími větry. Přestože existuje velmi málo zaznamenaných přeplaveb Atlantiku na veslici závodní specifikace, projekt dosáhl výrazného zlepšení oproti stávajícím metodám.

Férové ML

S hrdostí představuji Rosu, systém, který bojuje proti diskriminaci v libovolné datově analytické pipeline. Rosa je v omezené verzi v současnosti dostupná online zdarma pro všechny.

Pokud vás zajímá, jak Rosa funguje pod kapotou, můžete si přečíst můj článek, který vysvětluje metodologii v pozadí – Fair Adversarial Networks –, kterou jsem vyvíjel poslední dva roky.

Pokud chcete vědět, jak vám Rosa může pomoci bojovat proti diskriminaci ve vašem datovém projektu, podívejte se na můj článek s praktickými příklady použití Rosy v boji proti diskriminaci.

Podívejte se na mou přednášku o potřebě vysvětlitelnosti v AI na konferenci ODSC 2018:

Neurověda

Přečtěte si mou kritiku humbuku kolem biologické inspirace umělé inteligence:The relationship between Biological and Artificial Intelligence

Přečtěte si mou dizertační práci o roli predikční chyby při učení asociací:The role of Prediction Error in Probabilistic Associative Learning

Přečtěte si můj argument, proč současné důkazy naznačující, že se lidé učí opravováním svých chyb, mohou být ve skutečnosti neprůkazné:Reconsidering the Imaging Evidence Used to Implicate Prediction Error as the Driving Force behind Learning