2023年5月12日，Kaggle发起了一次竞赛，Kaggle社区可以参与构建一份总结过去两年人工智能快速发展的报告。 Kaggle社区是一个具有各种人工智能深度经验的多样化群体。
参赛者被要求以过去两年的变化和发展为基础，写一篇关于特定主题的文章，例如生成性人工智能，人工智能伦理等。
报告由以下部分组成：
- 生成性人工智能
- 文本数据
- 图像和视频数据
- 表格和时序数据
- Kaggle竞赛
- 人工智能伦理
让我们来深入了解我们学到的东西吧…
生成性人工智能
生成性人工智能最近是一个热门话题。这一部分介绍了过去两年生成性人工智能的快速进展和应用。我们已经看到了文本生成、图像创建和使用GANs和LLMs等工具和技术进行音乐开发等方面的进步。
这只有在使用更大的数据集和改进算法的硬件的训练阶段才能实现。虽然生成性人工智能仍处于早期阶段，但仅在过去一年中就展示了它如何革新不同行业。仍然需要考虑一些伦理问题，如隐私问题、误导和对这些人工智能系统的使用。
在不同的文章中进一步阅读：
文本数据
随着生成性人工智能的热潮，对自然语言处理（NLP）的兴趣也大幅增长，这要归功于大型语言模型（LLMs）的兴起。因此，Kaggle AI报告的下一部分聚焦于NLP技术及其在诸如摘要和翻译等各种任务中的应用。
早期的文本任务方法包括基于词频的特征工程，并结合非神经网络的机器学习方法。现在我们正针对更大的数据集进行学习，以了解模型解释的词表示。
使用互联网数据作为训练语料库，使这些模型能够有更好的学习，并在诸如迁移学习等领域中取得更好的性能。在Kaggle竞赛中，有一种趋势是微调公开可用的模型，这些模型已经显示出超越人类水平的性能。
以下顶级文章关注LLMs的出现和最新技术：
图像和视频数据
就像文本数据在内容生成等任务中的应用一样，图像和视频生成也非常流行。计算机视觉已经存在很长时间，但近年来得到了极大发展。我们现在可以处理物体检测等任务。
该部分介绍了模型架构以及计算机视觉中常用的实践方法，如数据增强。计算机视觉在各个行业中广泛应用，如医疗影像，但在深度伪造、伦理和哲学考虑、多模态模型的局限性等领域仍面临挑战。
我们有一些模型，如Segment Anything Model (SAM)和YOLO (You Only Look Once)，它们展示了通用的开源模型如何适用于不同和独特的任务。
通过以下文章深入了解图像和视频数据的进展：
表格和时间序列数据
接下来的部分深入探讨了表格数据和时间序列数据的历史意义。在过去几年中，这两者并没有像深度学习革命那样广泛流行。然而，它们仍然被广泛使用，并且在以下领域中具有非常有效的趋势：
- 针对个别数据集/问题的独特方法
- 数据预处理和特征工程的重要性
- 梯度提升树的主导地位
在Kaggle社区中，这些趋势已经被广泛认可，下面的文章将深入探讨这些趋势以及表格和时间序列数据所面临的独特挑战。
Kaggle竞赛
Kaggle社区的这一报告的一部分也是通过研究过去两年的发展和社区的观察来分析Kaggle竞赛。多年来，Kaggle竞赛广受欢迎，因为社区利用该平台来测试他们的技能、建立作品集并为真实世界做准备。
对Kaggle竞赛的观察包括伪标记、种子平均和爬山等技术，这些技术曾经被视为“技巧”，但现在已经成为常见做法。在过去的两年中，Kaggle竞赛变得更加具竞争力，RSNA、Learning Agency等竞赛非常受欢迎。
深入了解Kaggle竞赛的成功技巧：
AI伦理
围绕AI的伦理问题也是一个担忧的领域，社会上很多人对于AI系统的使用和实施有着复杂的情感。组织机构正在研究AI的伦理原则，并制定新策略，以确保他们不仅能够理解AI系统，还能够监控和缓解风险。
这不是一项学术研究，而是一项社会性研究，了解AI的世界以及在确保社会价值的同时如何利用它仍然是非常重要的。我们已经看到组织机构通过采用以伦理为设计原则对其AI系统进行持续审计。
深入了解AI所带来的挑战以及对社会的影响：
总结
Kaggle团队创建了一份独特的报告，允许他们的社区表达他们对人工智能世界及其近两年变化的意见和经验。如果有你觉得特别有趣的部分或论文，请告诉我们！
****[Nisha Arya](https://www.linkedin.com/in/nisha-arya-ahmed/)****是一位数据科学家和自由职业技术作家。她特别喜欢提供数据科学职业建议或教程和基于理论的数据科学知识。她还希望探索人工智能在延长人类寿命方面的不同方式。作为一个热衷学习的人，她希望拓宽自己的技术知识和写作技巧，同时帮助指导他人。