Versión de la plataforma Kore.ai XO v9.3

En este mundo impulsado por la experiencia, todo se reduce a satisfacer las necesidades del cliente en el momento adecuado y de la manera correcta. Por supuesto, los asistentes virtuales inteligentes (IVA) están brindando esto de manera eficiente. Las marcas también están adoptando esta tecnología para mejorar las experiencias de sus clientes y empleados en general.

Leer más

Hacia el diseño de la arquitectura basada en los primeros principios: el blog de investigación de inteligencia artificial de Berkeley


Las redes neuronales profundas han permitido maravillas tecnológicas que van desde el reconocimiento de voz hasta la transición de máquinas a la ingeniería de proteínas, pero su diseño y aplicación, no obstante, carecen de principios. El desarrollo de herramientas y métodos para guiar este proceso es uno de los grandes desafíos de la teoría del aprendizaje profundo. En Ingeniería inversa del kernel de tangente neuronal, proponemos un paradigma para llevar algún principio al arte del diseño de la arquitectura utilizando avances teóricos recientes: primero diseñe una buena función de kernel, a menudo una tarea mucho más fácil, y luego «ingeniería inversa» una equivalencia de net-kernel para traducir el kernel elegido en una red neuronal. Nuestro principal resultado teórico permite el diseño de funciones de activación desde los primeros principios, y lo usamos para crear una función de activación que imita el rendimiento de la red profunda (textrm) con solo una capa oculta y otra que supera ampliamente el rendimiento de la ( textrm) redes en una tarea sintética.


Kernels de vuelta a las redes. Los trabajos fundamentales derivaron fórmulas que mapean desde amplias redes neuronales hasta sus núcleos correspondientes. Obtenemos un mapeo inverso, que nos permite partir de un núcleo deseado y convertirlo nuevamente en una arquitectura de red.

Leer más

Cómo la IA conversacional está reinventando la experiencia de los empleados

Crear una experiencia de trabajo positiva suma requiere crear experiencias de empleado de «grado de consumidor». Pero, el lugar de trabajo de hoy está plagado de herramientas toscas, procesos antiguos y tiempos de espera ridículamente largos. Claramente, esto conduce a una mala experiencia y, a su vez, más desgaste. Tarde o temprano, las organizaciones que no se centren en mejorar la experiencia de sus empleados perderán más personas, clientes y se convertirán en víctimas de mayores costos de reclutamiento, capacitación y adquisición de clientes.

Leer más

¿Por qué los métodos de gradiente de políticas funcionan tan bien en Cooperative MARL? Evidencia de representación de póliza


En el aprendizaje por refuerzo multiagente cooperativo (MARL), debido a su en política naturaleza, se cree que los métodos de gradiente de política (PG) son menos eficientes en la muestra que los métodos de descomposición de valor (VD), que son fuera de la política. Sin embargo, algunos reciente empírico estudios demostrar que con la representación de entrada adecuada y el ajuste de hiperparámetros, el PG multiagente puede lograr un rendimiento sorprendentemente fuerte en comparación con los métodos de VD fuera de la política.

¿Por qué los métodos de PG podrían funcionar tan bien? En esta publicación, presentaremos un análisis concreto para mostrar que en ciertos escenarios, por ejemplo, entornos con un panorama de recompensas altamente multimodal, VD puede ser problemático y conducir a resultados no deseados. Por el contrario, los métodos de PG con políticas individuales pueden converger a una política óptima en estos casos. Además, los métodos PG con políticas autorregresivas (AR) pueden aprender políticas multimodales.



Figura 1: representación de política diferente para el juego de permutación de 4 jugadores.

Leer más