Στους «πατέρες» της επανάστασης του deep learning το «Νόμπελ των Υπολογιστών», Turing Award

Στους «πατέρες» της επανάστασης του deep learning το «Νόμπελ των Υπολογιστών», Turing Award

www.acm.org

Στους Γιόσουα Μπέντζιο, Τζέφρι Χίντον και Γιαν ΛεΚουν απένειμε η Association for Computing Machinery το «Νόμπελ των Υπολογιστών»- το Α.Μ Turing Award για το 2018.

Σύμφωνα με την ACM, οι τρεις επιστήμονες έλαβαν το βραβείο για τα επιτεύγματά τους, που κατέστησαν τα deep neural networks σημαντικό κομμάτι του τομέα των ηλεκτρονικών υπολογιστών. Ο Μπέντζιο είναι καθηγητής στο University of Montreal και επιστημονικός διευθυντής στο Mila, το ινστιτούτο τεχνητής νοημοσύνης του Κεμπέκ, ο Χίντον είναι αντιπρόεδρος και Engineering Fellow της Google, Chief Scientific Adviser του The Vector Institute, και επίτιμος καθηγητής στο University of Toronto και ο Γιαν ΛεΚαν καθηγητής στο New York University και αντιπρόεδρος και Chief AI Scientist στο Facebook.

Εργαζόμενοι ανεξαρτήτως και μαζί, οι τρεις ερευνητές, σύμφωνα με την ACM, ανέπτυξαν θεμελιώσεις βάσεις για τον τομέα, διαπίστωσαν φαινόμενα μεγάλου ενδιαφέροντος μέσω πειραμάτων και γενικότερα επέδειξαν τα πρακτικά πλεονεκτήματα των deep neural δικτύων. Σημειώνεται πως, τα τελευταία χρόνια, οι μέθοδοι deep learning έχουν επιφέρει σημαντικές προόδους στο computer vision, την αναγνώριση φωνής, την επεξεργασία φυσικής γλώσσας και τη ρομποτική, μεταξύ άλλων.

Το Α,Μ Turing Award, που συχνά χαρακτηρίζεται ως «Νόμπελ των Υπολογιστών», συνοδεύεται από έπαθλο ύψους ενός εκατομμυρίων δολαρίων, με την οικονομική υποστήριξη της Google. Έχει πάρει το όνομά του από τον Α.Μ. Τούρινγκ, τον Βρετανό μαθηματικό που θεωρείται ο «πατέρας» της επιστήμης υπολογιστών.

Το deep learning έχει να κάνει με τη δημιουργία προγραμμάτων υπολογιστών που μιμούνται τη δομή των εγκεφάλων ζωντανών οργανισμών, με πολλά στρώματα τεχνητών νευρώνων που επεξεργάζονται δεδομένα. Όταν τέτοιου είδους δίκτυα επεξεργάζονται δεδομένα, οι νευρώνες τους αντιδρούν διαφορετικά στο κάθε στρώμα. Τα αποτελέσματα αυτής της επεξεργασίας περνούν στο επόμενο στρώμα, μέχρι το δίκτυο να καταλήξει σε τελική απόφαση/ κρίση. Ένα τέτοιο σύστημα μπορεί να μάθει, πχ, να αναγνωρίζει πρόσωπα σε διαφορετικές φωτογραφίες ή να αντιλαμβάνεται και επεξεργάζεται την ανθρώπινη ομιλία.