Google angekündigt eine Zusage von mindestens 50 Millionen US-Greenback bis 2030 zur Finanzierung von Projekten zur Beseitigung von Superschadstoffen.

Die Verpflichtung stellt einen Bruchteil des Jahresgewinns des Unternehmens dar und befasst sich mit Gasen, die Wärme tausendmal effizienter speichern als CO2. Google hat sich mit Amazon, Salesforce und anderen Unternehmen zusammengetan, um die Superpollutant Motion Initiative zu gründen, deren gemeinsames Engagement 100 Millionen US-Greenback beträgt. Ziel der Koalition ist es, die Reduzierung von Methan, Ruß und Kältegasen zu beschleunigen. Google gab an, dass diese Schadstoffe dafür verantwortlich seien quick die Hälfte aller Planetenerwärmung.

Randy Spock, Googles Leiter für CO2-Gutschriften und -Entfernung, erklärte, dass die Eliminierung von Superschadstoffen ein starker Hebel für kurzfristige Auswirkungen sei. Spock sagte, diese Bemühungen spielten eine wichtige ergänzende Rolle bei der CO2-Entfernung. Die Koalition behauptet, dass durch aggressive Maßnahmen eine Erwärmung um mehr als ein halbes Grad Celsius bis 2050 verhindert werden könnte.

Alphabet, die Muttergesellschaft von Google, meldete im Jahr 2025 einen Nettogewinn von 132 Milliarden US-Greenback. Die fünfjährige Zusage von Google in Höhe von 50 Millionen US-Greenback entspricht etwa drei Stunden dieses Gewinns. Das Unternehmen gibt Milliarden aus, um riesige Rechenzentren für KI zu bauen, und behauptet, sie seien ressourcenbewusster als andere. Der Ausbau der KI-Infrastruktur von Google führte im vergangenen Jahr zu einem Anstieg der Gesamtemissionen des Unternehmens um 11 Prozent.

---

Hervorgehobener Bildnachweis

James J. Collins, Termeer-Professor für Medizintechnik und Wissenschaft am MIT und Co-Leiter der Fakultät der Abdul Latif Jameel Clinic for Machine Studying in Well being, startet ein multidisziplinäres Forschungsprojekt, das synthetische Biologie und generative künstliche Intelligenz auf die wachsende globale Bedrohung durch antimikrobielle Resistenzen (AMR) anwendet.

Das Forschungsprojekt wird von Jameel Analysis gefördert, einem Teil des Netzwerks Abdul Latif Jameel Worldwide. Das erste dreijährige, 3 Millionen US-Greenback teure Forschungsprojekt im Division of Organic Engineering und Institute of Medical Engineering and Science des MIT konzentriert sich auf die Entwicklung und Validierung programmierbarer Antibiotika gegen wichtige Krankheitserreger.

AMR – verursacht durch den übermäßigen Gebrauch und Missbrauch von Antibiotika – hat die Zunahme arzneimittelresistenter Infektionen beschleunigt, während sich die Entwicklung neuer antibakterieller Mittel verlangsamt hat. Die Auswirkungen sind weltweit spürbar, insbesondere in Ländern mit niedrigem und mittlerem Einkommen, wo eine begrenzte diagnostische Infrastruktur zu Verzögerungen oder ineffektiver Behandlung führt.

Das Projekt konzentriert sich auf die Entwicklung einer neuen Technology zielgerichteter antibakterieller Mittel mithilfe von KI, um kleine Proteine ​​zu entwerfen, die bestimmte bakterielle Funktionen deaktivieren. Diese Designermoleküle würden von manipulierten Mikroben produziert und abgegeben, was einen präziseren und anpassungsfähigeren Ansatz als herkömmliche Antibiotika bieten würde.

„Dieses Projekt spiegelt meine Überzeugung wider, dass die Bekämpfung antimikrobieller Resistenzen sowohl mutige wissenschaftliche Ideen als auch einen Weg zu realen Auswirkungen erfordert“, sagt Collins. „Jameel Analysis möchte dieser Krise begegnen, indem es revolutionary, übersetzbare Forschung am MIT unterstützt.“

Mohammed Abdul Latif Jameel ’78, Vorsitzender von Abdul Latif Jameel, sagt: „Antimikrobielle Resistenz ist eine der dringendsten Herausforderungen, vor denen wir heute stehen, und ihre Bewältigung erfordert ehrgeizige Wissenschaft und nachhaltige Zusammenarbeit. Wir freuen uns, diese neue Forschung zu unterstützen und dabei auf unserer langjährigen Beziehung zum MIT und unserem Engagement für die Förderung der Forschung auf der ganzen Welt aufzubauen, um die globale Gesundheit zu stärken und zu einer widerstandsfähigeren Zukunft beizutragen.“

Da die globale Gesundheitskrise der Antibiotika -Resistenz weiter wächst und jedes Jahr mehr als eine Million Todesfälle verursacht, wenden sich die Forscher der künstlichen Intelligenz zu, um völlig neue Waffen gegen Superbugs zu schaffen. Nach Angaben einer aktuellen Bericht James Gallagher, ein Crew des Massachusetts Institute of Expertise (MIT), hat durch den korrespondenten des bBC der bBC verwendet Generative Ai zwei potenzielle neue Antibiotika von Grund auf neu erfinden. Die im Journal veröffentlichte Studie Zellebeschreibt, wie diese von KI gestalteten Verbindungen in Labor- und Tierversuche erfolgreich drogenresistente Gonorrhoe und MRSA getötet haben, was einen potenziellen Durchbruch in einem Feld bietet, bei dem seit Jahrzehnten ein Mangel an neuen Medikamenten zu mangeln.

Wie KI lernt, neue Medikamente zu erfinden

Im Gegensatz zu früheren Ansätzen, bei denen AI Tausende vorhandener Chemikalien für Antibiotika -Potential zu überprüfen, hat das MIT -Crew durch Verwendung einen erheblichen Schritt nach vorne gemacht Generative Ai Um völlig neue Moleküle Atom-by-Atom zu entwerfen. Um dies zu erreichen, schulten die Forscher ihr KI -Modell zuerst aus, indem sie es mit den chemischen Strukturen bekannter Verbindungen sowie Daten darüber zur Verfügung stellten, ob sie das Wachstum verschiedener Bakterienarten effektiv verlangsamten. Dieser Prozess ermöglichte es der KI, zu lernen, wie unterschiedliche molekulare Anordnungen von Atomen wie Kohlenstoff, Sauerstoff und Wasserstoff die Bakterien beeinflussen.

Einmal trainiert, hat die KI einen massiven Datensatz von befragt 36 Millionen Chemische Verbindungen, darunter viele, die entweder noch nicht existieren oder nicht entdeckt wurden. Die Forscher verwendeten dann zwei verschiedene Methoden, um neue Antibiotika -Kandidaten zu erzeugen. Der erste Ansatz bestand darin, ein vielversprechendes chemisches Fragment aus einer Bibliothek zu identifizieren und dann darauf aufzubauen, während die zweite Methode dem KI -freien Zügel gab, um von Anfang an ein neues Molekül zu entwerfen. Der Entwurfsprozess enthielt auch mehrere wichtige Einschränkungen, um sicherzustellen, dass die Ausgaben lebensfähig waren. Die KI wurde so programmiert, dass sie alle Designs auszusetzen, die bestehenden Antibiotika zu ähnlich aussahen, um alles herauszufiltern, was für den Menschen giftig ist, und um sicherzustellen, dass es sich eher um Medikamente als um Substanzen wie Seife befand.

Vielversprechende Ergebnisse und erhebliche Hürden voraus

Der AI-gesteuerte Entwurfsprozess führte zu zwei neuen potenziellen Medikamenten, die speziell auf die sexuell übertragbare Infektion abzielen Tripper und Methicillin-resistenter Staphylococcus aureus oder MRSAeine Bakterien, die schwerwiegende Infektionen verursachen kann. Wenn diese Verbindungen hergestellt wurden, wurden sie erfolgreich auf Bakterien im Labor und in infizierten Mäusen getestet. Professor James Collins, einer der MIT -Forscher, erklärte, dass diese Arbeit zeigt, dass dies zeigt Generative Ai Kann verwendet werden, um neue Moleküle billig und schnell zu entwickeln und möglicherweise ein „zweites goldenes Zeitalter“ bei der Entdeckung von Antibiotika zu beginnen.

Trotz dieser vielversprechenden frühen Ergebnisse ist der Weg zur klinischen Verwendung lang und voller Herausforderungen. Die beiden Verbindungen sind nicht bereit für menschliche Versuche und benötigen eine geschätzte Eins bis zwei Mehr Jahre der Verfeinerung vor dem langwierigen Take a look at des Assessments bei Menschen könnten sogar beginnen. Eine große Hürde ist die Schwierigkeit, die von der KI entworfenen komplexen Moleküle herzustellen. Im Falle der Gonorrhoe -Behandlungen der Spitze 80 In Theorie konzipierte Verbindungen konnten Forscher nur erfolgreich im Labor zwei davon synthetisieren.

Abgesehen von den wissenschaftlichen und verarbeitenden Herausforderungen gibt es auch ein erhebliches wirtschaftliches Drawback für die Entwicklung von Antibiotika. Wenn ein neues Antibiotikum erfunden würde, müsste seine Verwendung beschränkt werden, um seine Wirksamkeit gegen sich entwickelnde Bakterien zu bewahren. Diese notwendige Vorsicht erschwert es Pharmaunternehmen, einen Gewinn für ihre Investition zu erzielen. Darüber hinaus stellen Experten auf dem Feld fest, dass die Modelle für KI -Arzneimittelentdeckungsmodelle noch verbessert werden müssen. Professor Collins forderte „bessere Modelle“, die genauer vorhersagen können, wie sich ein Medikament im menschlichen Körper und nicht nur in einem Laborumfeld entwickeln wird.

---

Ausgewähltes Bildnachweis

New York, New York, 6. Februar 2025-Social Hyperlinks, ein Open-Supply Intelligence (OSINT) -Lösungsunternehmen, hat die Darkside-AI-Initiative angekündigt, die die steigende Fehlanwendung künstlicher Intelligenz in Cyberkriminierung, Desinformation und digitalem Betrug bekämpfen soll.

Social Hyperlinks lädt Unternehmen, Forscher, politische Entscheidungsträger und einzelne Experten ein, sich der Initiative anzuschließen und mit der Schaffung einer sichereren digitalen Zukunft zusammenzuarbeiten.

Der Begin erfolgt zu einem kritischen Zeitpunkt, in dem sich kI-gesteuerte Bedrohungen schnell beschleunigen. Der generative Betrug im Zusammenhang mit AI wird voraussichtlich von 12,3 Milliarden US-Greenback im Jahr 2023 auf 40 Milliarden US-Greenback bis 2027 erhöht, während DeepFake-Movies zwischen 2019 und 2023 um erstaunliche 550% gestiegen sind und 95.000 weltweit überschreiten. Der globale Risiken des Weltwirtschaftsforums identifiziert Desinformation und Fehlinformationen als dringende, kurzfristige globale Herausforderungen.

„Künstliche Intelligenz verändert die Industrie, aber ihr Missbrauch stellt Herausforderungen dar, die sich die Gesellschaft nicht leisten kann, um zu ignorieren“, sagte Ivan Shkvarun, CEO von CEO von Soziale Hyperlinks. „In einer Welt, die zunehmend von Fehlinformationen und Betrug geprägt ist, ist es für Unternehmen und Institutionen von wesentlicher Bedeutung, revolutionary Lösungen für die Anpassung und Reaktion einzulegen. Durch Darkside KI unternehmen wir konkrete Schritte, um das Drawback zu diagnostizieren. Die Idee der Initiative ist es, praktische Werkzeuge, technologische Fortschritte und Zusammenarbeit bereitzustellen, die erforderlich sind, um sicherzustellen, dass KI nicht zum Bösen wird, sondern als Kraft für das Guten dient. “

Die Darkside AI -Initiative konzentriert sich auf fünf kritische Bereiche, darunter:

• Aufbau praktischer und zugänglicher Lösungen. Social Hyperlinks wird weiterhin seine KI-betriebenen Technologien entwickeln, mit denen Bedrohungen wie synthetische Identitäten, Deepfakes und Desinformationen neutralisiert und neutralisiert werden können, um Unternehmen, Institutionen und Menschen zu ermöglichen, Betrug und andere Risiken aus dem Missbrauch von AI zu übertreffen.

• Förderung der globalen Zusammenarbeit. In Zusammenarbeit mit globalen Institutionen, Forschern und Unternehmen werden die Bemühungen Modelle und Requirements festlegen, in die Organisationen Vertrauen haben können, um die Bedrohungen durch KI zu besiegen.

• Sensibilisierung der Öffentlichkeit. Die Bemühungen werden Forschungen ausstellen und Bildung durchführen, die Unternehmen und der Öffentlichkeit helfen, die Risiken für den Missbrauch von KI und die Mittel und Methoden zur Besiege zu verstehen.

• Forschung und Datenerfassung. Es wird sich darauf konzentrieren, die von böswilligen Akteuren verwendeten Muster aufzudecken und Datenerblicke zu generieren, um neue Arten von Bedrohungen zu antizipieren und neutralisieren.

• Festlegung von Branchenstandards. Soziale Verbindungen werden klare Richtlinien, Richtlinien und Rahmenbedingungen für Unternehmen definieren, die ihnen helfen, Fehlinformationen und Missbrauch von KI zu bekämpfen und gleichzeitig ethische und transparente Praktiken beizubehalten.

Der Darkside ai Die Initiative ist ein solches Engagement durch soziale Verbindungen zu Brückenforschung, Innovation und umsetzbaren Lösungen durch hochmoderne Technologie, verbunden mit einer globalen Zusammenarbeit, um das Vertrauen in eine zunehmend aI-gesteuerte Welt zu schützen.

Während sich Finanzinstitute (FIs) gegen immer ausgefeiltere kriminelle Taktiken wehren, wird KI zu einem entscheidenden Unterscheidungsmerkmal. Besonders bemerkenswert ist dieser Wandel im Bereich der Bekämpfung der Geldwäsche (AML). Tatsächlich gehen Experten davon aus, dass der AML-Markt stark ansteigen wird 16,37 Milliarden US-Greenback bis 2033gegenüber 3,18 Milliarden US-Greenback im Jahr 2023. KI wird ein wichtiger Faktor für das Wachstum des Marktanteils von AML-Lösungen sein.

Der KI-Vorteil bei AML

KI bringt im Bereich AML drei entscheidende Vorteile:

1. Erweiterte Datenverarbeitung: KI-Systeme können kontinuierlich arbeiten und riesige Datenmengen aus unterschiedlichen Quellen mit beispielloser Geschwindigkeit im Vergleich zu Menschen verarbeiten. Diese Funktion ermöglicht eine umfassendere und zeitnahe Analyse potenzieller Risiken.

2. Intelligente Risikoanalyse: KI kann Fehlalarme deutlich reduzieren und echte Risiken priorisieren, indem sie maschinelles Lernen (ML) nutzt. Dieser kontextbewusste Ansatz ermöglicht es Compliance-Groups, ihre menschlichen Anstrengungen effektiver zu konzentrieren.

3. Optimierte Due Diligence: KI kann die Risikoklassifizierung und -profilierung automatisieren und so eine schnellere und gezieltere Kunden-Due-Diligence ermöglichen. Dies beschleunigt nicht nur den Onboarding-Prozess für Kunden mit geringem Risiko, sondern ermöglicht auch eine gründlichere Prüfung von Unternehmen mit hohem Risiko.

KI in Aktion: AML-Prozesse transformieren

KI wird AML-Prozesse in den folgenden Bereichen verändern.

Scannen und Filtern von Daten

Herkömmliche schlüsselwortbasierte Scan-Instruments versagen im heutigen komplexen digitalen Ökosystem, das eine Vielzahl von Daten umfasst, von sozialen Medien bis hin zu Nachrichtenartikeln, oft nicht. In dieser Umgebung können Key phrase-Matching-Instruments Verhaltensweisen übersehen, die auf betrügerische Aktivitäten hinweisen. KI-gestützte Lösungen können jedoch strukturierte und unstrukturierte Daten aus vielen weiteren Quellen durchsuchen, darunter interne Datenbanken, Transaktionsaufzeichnungen und On-line-Foren. Durch den Einsatz fortschrittlicher Techniken der Verarbeitung natürlicher Sprache (NLP) und ML können diese KI-Systeme den Kontext verstehen und relevante Informationen ans Licht bringen, die möglicherweise weitere Untersuchungen erfordern.

Kontextuelle Risikobewertung

Die Fähigkeit der KI, den Kontext zu verstehen, verändert die Risikobewertung grundlegend. Im Gegensatz zu starren, regelbasierten Systemen kann KI die Nuancen von Sprache und Scenario analysieren und so Fehlalarme drastisch reduzieren. Bei der Suche nach Begriffen wie „Imitator“ kann ein KI-System beispielsweise zwischen Erwähnungen betrügerischer Aktivitäten und harmlosen Verweisen auf Entertainer unterscheiden und so Compliance-Groups wertvolle Zeit und Ressourcen sparen.

Intelligente Due Diligence

Über die anfängliche Risikoerkennung hinaus revolutioniert KI den Due-Diligence-Prozess selbst. Durch die Klassifizierung von Erkenntnissen in Risikokategorien wie Finanzkriminalität, Betrug, Korruption oder Terrorismusfinanzierung kann KI Compliance-Groups dabei helfen, ihre Bemühungen effektiver zu priorisieren. Mithilfe dieser Risikoprofilierungsfunktion wird sichergestellt, dass Ressourcen zuerst den kritischsten Problemen zugewiesen werden, wodurch die Gesamteffizienz der AML-Operationen verbessert wird.

Herausforderungen und Überlegungen

Obwohl KI im Bereich der Bekämpfung von Geldwäsche ein enormes Potenzial bietet, ist ihre Implementierung nicht ohne Herausforderungen. Zu den Überlegungen gehören hier:

• Ethische Bedenken: Der Einsatz von KI in der Finanzkriminalitätsprävention wirft wichtige Fragen zu Voreingenommenheit und Equity auf. Finanzinstitute müssen sicherstellen, dass ihre KI-Systeme ethisch einwandfrei entwickelt und eingesetzt werden, und regelmäßige Audits durchführen, um Voreingenommenheit festzustellen und zu mildern.

• Datenschutzprobleme: Die enormen Datenmengen, die von KI-Systemen verarbeitet werden, erfordern ein sorgfältiges Gleichgewicht zwischen wirksamer Kriminalprävention und der Achtung der Rechte des Einzelnen auf Privatsphäre.

• Menschliche Aufsicht: Trotz der Fähigkeiten der KI bleibt das menschliche Fachwissen von entscheidender Bedeutung. Die effektivsten AML-Strategien werden wahrscheinlich eine Abstimmung von KI-Technologien und menschlichen Analysten beinhalten und dabei maschinelle Präzision mit menschlicher Instinct und Branchenwissen kombinieren.

Der Weg voraus

Da sich die KI-Technologien ständig weiterentwickeln, können wir mit noch ausgefeilteren Anwendungen im Kampf gegen Finanzkriminalität rechnen. Weitere Fortschritte im NLP könnten beispielsweise zu KI-Systemen führen, die in der Lage sind, Kommunikationsmuster im Zusammenhang mit komplexen Finanzsystemen mit mehreren Parteien zu analysieren.

Es ist jedoch wichtig zu beachten, dass KI kein Allheilmittel ist. Der robusteste Ansatz zur Finanzkriminalitätsprävention wird eine durchdachte Integration von KI-Fähigkeiten mit menschlichem Fachwissen und traditionellen AML-Methoden beinhalten.

Über den Autor

Vall Herard ist der CEO von Saifr.aiein Unternehmen von Constancy Labs. Er bringt umfangreiche Erfahrung und Fachkenntnisse zu diesem Thema mit und kann Aufschluss darüber geben, wohin sich die Branche entwickelt und was Branchenteilnehmer für die Zukunft der KI erwarten sollten. Im Laufe seiner Karriere hat er die Entwicklung des Einsatzes von KI in der Finanzdienstleistungsbranche miterlebt. Vall hat zuvor bei High-Banken wie BNY Mellon, BNP Paribas, UBS Funding Financial institution und anderen gearbeitet. Vall hat einen MS in Quantitative Finance von der New York College (NYU) und ein Zertifikat in Daten und KI vom Massachusetts Institute of Expertise (MIT) sowie einen BS in Mathematical Economics von den Universitäten Syracuse und Tempo.

Melden Sie sich für die kostenlosen insideAI-Information an E-newsletter.

Begleiten Sie uns auf Twitter: https://twitter.com/InsideBigData1

Treten Sie uns auf LinkedIn bei: https://www.linkedin.com/firm/insideainews/

Begleiten Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW

Forskare vid Göteborgs universitet Es besteht ein grundlegender Zusammenhang zwischen dem Krebsgenom und der Entwicklung eines KI-Modells, das die Krebsgenomanalyse von Brustkrebspatienten durchführen kann. Denn mit der bahnbrechenden Technik namens Candycrunch, die eine schnelle und effektive Methode zur Krebserkennung bietet, können wir Krebs schneller diagnostizieren und behandeln.

Snabb- und Noggrann-Analysen

Candycrunch kann man leicht mit traditioneller Methode knacken. das ist alles ganz genau. Modelle können komplexe Kellerstrukturen mithilfe von Blitzeinschlägen analysieren, wodurch potentiell abwehrfähige Krebssignale erkannt und mit einer genaueren Methode ausgewertet werden können. Dies ist eine dringende Notwendigkeit, da die Diagnose nach einiger Zeit für den Behandlungs- und Behandlungsrahmen des Patienten von Bedeutung ist.

Behandeln Sie den gesamten Datensatz

Um dies zu erreichen, hat Candycrunch eine sehr präzise Methode entwickelt, um über 500.000 Beispiele für die Fragmentierung von Süßigkeiten und deren nachvollziehbare Strukturen zu finden. Diese umfassende Datenbank ist für Modelle geeignet, die Identifizierungsobjekte erfassen, die auf Krebs hinweisen können. Basierend auf einem von Daniel Bojar, einem akademischen Dozenten für Bioinformatik an der Universität Göteborg, durchgeführten Projekt konnte Candycrunch die exakten Kernstrukturen in einem Versuch um 90 % verbessern.

Vergleichende Flaschenhalsanalyse

Innan Candycrunch führt ein Durchspielen von Massenspektrometriedaten und einem Zeitrafferprozess durch, der zu einem hochspezialisierten Künstler wird. Schließlich wird ein erfahrener Therapeut mit großer Sorgfalt vorgehen und eine Glykananalyse zur Krebserkennung durchführen. Um diesen komplexen Prozess zu automatisieren, öffnet Candycrunch seine Türen für eine umfassende Analyse der Glykananalyse in der Krebsforschung und klinischen Set up.

Durch die zusätzliche Validierung und klinische Assessments können Sie sich Ihr nützliches Wissen darüber aneignen, dass Candycrunch in einem großen Maßstab implementiert werden kann, um dieses Genom-Potenzial seiner KI in der medizinischen Forschung zu berücksichtigen. Durch die Kombination von medizinischer Ausbildung und biologischer Experience können wir Erkenntnisse gewinnen, die einen wichtigen Beitrag zur Krebsdiagnostik und Behandlung im Rahmen der klinischen Entwicklung leisten. Durch die Entwicklung von Candycrunch wird die Glykananalyse erheblich erschwert und gleichzeitig kann ein KI-gesteuerter Glykananalysator Standardmethoden zur Krebsforschung und -diagnose verwenden.

Mehr über Forschung:

KI-Underlattar-SockerKrebstest

Natur.com

Größer = besser?

In der KI ist größer oft besser – wenn genügend Daten vorhanden sind, um diese großen Modelle zu versorgen. Da jedoch nur begrenzte Daten vorliegen, Größere Modelle neigen eher zur Überanpassung. Überanpassung tritt auf, wenn das Modell Muster aus den Trainingsdaten speichert, die sich nicht intestine auf reale Datenbeispiele übertragen lassen. Es gibt jedoch einen anderen Ansatz, den ich in diesem Zusammenhang noch überzeugender finde.

Angenommen, Sie haben einen kleinen Datensatz von Spektrogrammen und entscheiden sich zwischen einem kleinen CNN-Modell (100.000 Parameter) oder einem großen CNN (10 Millionen Parameter). Erinnere dich daran Jeder Modellparameter ist effektiv eine aus dem Trainingsdatensatz abgeleitete Greatest-Visitor-Zahl. Wenn wir es so betrachten, ist es offensichtlich, dass es für ein Modell einfacher ist, 100.000 Parameter richtig hinzubekommen, als 10 Millionen.

Am Ende führen beide Argumente zum gleichen Ergebnis:

Wenn die Daten knapp sind, sollten Sie erwägen, kleinere Modelle zu erstellen, die sich nur auf die wesentlichen Muster konzentrieren.

Doch wie lassen sich kleinere Modelle in der Praxis umsetzen?

Walnüsse nicht mit Vorschlaghammer knacken

Meine Lernreise in der Musik-KI wurde von Deep Studying dominiert. Bis vor einem Jahr hatte ich quick jedes Drawback mithilfe großer neuronaler Netze gelöst. Während dies für komplexe Aufgaben wie Musik-Tagging oder Instrumentenerkennung sinnvoll ist, Nicht jede Aufgabe ist so kompliziert.

Beispielsweise kann ein anständiger BPM-Schätzer oder Schlüsseldetektor ohne maschinelles Lernen erstellt werden, indem die Zeit zwischen den Einsätzen analysiert bzw. Chromagramme mit Schlüsselprofilen korreliert werden.

Selbst für Aufgaben wie das Markieren von Musik muss es nicht immer ein Deep-Studying-Modell sein. Ich habe gute Ergebnisse beim Temper-Tagging durch einen einfachen Okay-Nearest Neighbor-Klassifikator über einen Einbettungsraum (z. B. CLAP) erzielt.

Während die meisten modernen Methoden der Musik-KI auf Deep Studying basieren, various Lösungen sollten bei Datenknappheit in Betracht gezogen werden.

Achten Sie auf die Dateneingabegröße

Wichtiger als die Wahl der Modelle ist in der Regel die Wahl der Eingabedaten. In der Musik-KI verwenden wir aufgrund der Datenineffizienz selten Rohwellenformen als Eingabe. Durch die Umwandlung von Wellenformen in (Mel)Spektrogramme können wir die Dimensionalität der Eingabedaten verringern um den Faktor 100 oder mehr. Dies ist wichtig, da umfangreiche Dateneingaben in der Regel größere und/oder komplexere Modelle zu ihrer Verarbeitung erfordern.

Um die Größe der Modelleingabe zu minimieren, können wir zwei Wege wählen

1. Verwendung kleinerer Musikschnipsel
2. Verwendung komprimierterer/vereinfachterer Musikdarstellungen.

Verwendung kleinerer Musikschnipsel

Die Verwendung kleinerer Musikausschnitte ist besonders effektiv, wenn das Ergebnis, an dem wir interessiert sind, world ist, additionally für jeden Abschnitt des Songs gilt. Wir können beispielsweise davon ausgehen, dass das Style eines Titels im Laufe des Titels relativ stabil bleibt. Aus diesem Grund können wir für eine Style-Klassifizierungsaufgabe problemlos 10-Sekunden-Ausschnitte anstelle ganzer Titel (oder der sehr häufigen 30-Sekunden-Ausschnitte) verwenden.

Dies hat zwei Vorteile:

1. Kürzere Snippets führen zu weniger Datenpunkten professional Trainingsbeispiel, sodass Sie kleinere Modelle verwenden können.
2. Indem wir drei 10-Sekunden-Schnipsel anstelle eines 30-Sekunden-Schnipsels zeichnen, können wir die Anzahl der Trainingsbeobachtungen verdreifachen. Insgesamt bedeutet dies, dass wir weniger datenhungrige Modelle erstellen und ihnen gleichzeitig mehr Trainingsbeispiele als zuvor zuführen können.

Es gibt jedoch welche Hier gibt es zwei potenzielle Gefahren. Erstens muss die Snippet-Größe lang genug sein, damit eine Klassifizierung möglich ist. Beispielsweise haben selbst Menschen Schwierigkeiten mit der Style-Klassifizierung, wenn ihnen 3-Sekunden-Snippets präsentiert werden. Wir sollten die Snippet-Größe sorgfältig wählen und diese Entscheidung als Hyperparameter unserer KI-Lösung betrachten.

Zweitens, Nicht jedes musikalische Attribut ist world. Wenn ein Lied beispielsweise Gesang enthält, bedeutet das nicht, dass es keine Instrumentalabschnitte gibt. Wenn wir den Monitor in wirklich kurze Schnipsel zerschneiden würden, würden wir viele falsch beschriftete Beispiele in unseren Trainingsdatensatz einfügen.

Effizientere Musikdarstellungen verwenden

Wenn Sie vor zehn Jahren Musik-KI studiert haben (damals, als das Ganze noch „Music Data Retrieval“ hieß), haben Sie etwas über Chromagramme, MFCCs und Beat-Histogramme gelernt. Diese handgefertigten Funktionen wurden entwickelt, um Musikdaten mit traditionellen ML-Ansätzen kompatibel zu machen. Mit dem Aufkommen des Deep Studying könnte es so aussehen, als wären diese Funktionen vollständig durch (Mel)Spektrogramme ersetzt.

Spektrogramme komprimieren Musik ohne großen Informationsverlust in Bilder und machen sie so zu Bildern Ideally suited in Kombination mit Laptop-Imaginative and prescient-Modellen. Anstatt benutzerdefinierte Funktionen für verschiedene Aufgaben zu entwickeln, können wir jetzt für die meisten Musik-KI-Probleme dieselbe Eingabedatendarstellung und dasselbe Modell verwenden – vorausgesetzt, Sie verfügen über Zehntausende Trainingsbeispiele, mit denen Sie diese Modelle füttern können.

Wenn Daten knapp sind, wollen wir das tun Komprimieren Sie die Informationen so weit wie möglich um es dem Modell zu erleichtern, relevante Muster aus den Daten zu extrahieren. Betrachten Sie diese vier Musikdarstellungen unten und sagen Sie mir, welche Ihnen dabei hilft, die Tonart am schnellsten zu identifizieren.

Während Mel-Spektrogramme als Eingabe für wichtige Erkennungssysteme verwendet werden können (und das möglicherweise auch tun sollten, wenn Sie über genügend Daten verfügen), enthüllt ein einfaches Chromagramm, das entlang der Zeitdimension gemittelt wird, diese spezifischen Informationen viel schneller. Aus diesem Grund erfordern Spektrogramme komplexe Modelle wie CNNs, während ein Chromagramm leicht mit herkömmlichen Modellen wie logistischer Regression oder Entscheidungsbäumen analysiert werden kann.

Zusammenfassend, bleibt die etablierte Kombination aus Spektrogramm und CNN für viele Probleme hochwirksam, vorausgesetzt, Sie verfügen über genügend Daten. Bei kleineren Datensätzen kann es jedoch sinnvoll sein, einige Characteristic-Engineering-Techniken von MIR erneut zu verwenden oder eigene aufgabenspezifische Darstellungen zu entwickeln.