Highlight

Những điều thú vị khi dùng Trí tuệ nhân tạo của Viettel

Những người dùng Internet tại Việt Nam thường lấy “chị Google” ra để… giải trí. Khi “chị” đọc văn bản hay chỉ đường cho người tham gia gi...

Monday, May 22, 2017

Share Artificial Intelligence ETF List

    2.  
  2. Artificial Intelligence ETF List
Artificial Intelligence is an area of computer science that focuses the creation of intelligent machines that work and react like humans. Artificial Intelligence ETFs potentially stand to benefit from increased adoption and utilization of artificial intelligence, including those involved with industrial and non-industrial robotics, automation, 3D printing, natural language processing, social media, and autonomous vehicles.
Artificial Intelligence ETFs are funds that meet at least one of the following three criteria:
  • They are funds that specifically invest in companies involved in the development of new products or services, technological improvements in scientific research related to artificial intelligence, or
  • They are funds that have at least 25% of portfolio exposure to companies that spend large amounts on artificial intelligence research and development (R&D) expenses. Examples of such companies are Amazon, Tesla Motors, Apple and Alphabet, or
  • They are funds that use artificial intelligence methodologies to select individual securities for inclusion into the fund.
Click on the tabs below to see more information on Artificial Intelligence ETFs, including historical performance, dividends, holdings, expense ratios, technical indicators, analysts reports and more. Click on an ETF ticker or name to go to its detail page, for in-depth news, financial data and graphs. By default the list is ordered by descending total market capitalization.
As of 05/22/17
at No comments:

Thought Leadership: Agent.ai takes staged approach to integrating AI into customer service



AI Trends editor John Desmond interviewed Barry Coleman, CTO, Agent.ai
Q. Tell me about Agent.ai?
A. Agent.ai is a customer service platform designed to help businesses connect in real-time with their customers wherever they are, whenever they’d like and in the communication channels they prefer. Agent.ai provides a robust standalone CRM or integrates with customers’ existing platforms like Zendesk, Desk, Intercom, and Freshdesk, to offer their support agents a powerful and consolidated dashboard view of customer event data, analytics, session information, transactions and more, in order to support better case management and streamlined customer issue resolutions.
With the integration of Agent.ai, CRM software can leverage machine learning to understand agent and customer conversations and soon begin to both anticipate and suggest accurate responses for the majority of customers’ inquiries. This allows customer support teams to focus on issues that need more dedicated attention, while providing the majority of customers with immediate resolutions without the need for human interaction.
Q. Can you tell me about the core features of your Agent.ai product that make it different?
A. At Agent.ai we have a unique approach to implementing and integrating our AI platform, with the aim of increasing automation over three stages:
  • The first stage consists of the AI engine passively monitoring agent interactions and company logs, as it learns to suggest and mimic the best agent responses.
  • In the next stage, called Co-Pilot mode, customer service agents are presented with increasingly accurate machine-learned and agent-taught responses for their customer inquiries directly in the Admin Console, enabling a simple review-and-send response process. The AI in Co-Pilot mode is acting more like an assistant. This mode leverages a mix of AI technologies to analyze customer and agent interactions, ticket resolutions, company knowledge base, FAQs and custom-selected events to anticipate and surface a logical response for the agent to forward along to the customer. The goal with our approach is to establish a reasonable set of intent, make the system as “smart” as possible, and create maximum efficiencies for the agents first — before moving on to full automation.
  • The final stage is called Auto-Pilot mode.  Over time, Co-Pilot responses increase in accuracy, to a point that allows companies to let Agent.ai become the first responder to customers’ frequently asked questions. This allows companies to provide immediate responses without agent intervention. The software includes logic parameters to only respond to inquiries when it has extreme confidence in the appropriate response, and otherwise routes questions to human agents.
Q. How do customers get started with Agent.ai?
A. Agent.ai offers a simple setup and onboarding process, enabling most customers to deploy within an hour. Additionally, we offer unlimited syncing of customer support ticket data to properly train our AI engines. Furthermore, unlike other solutions, Agent.ai enables organizations to service their customers in seconds, mirroring the response users have come to expect from messaging apps, without sacrificing the high-touch experience that customers are accustomed to.
Q. Do you see AI being integral to customer service going forward?
A. As the technology improves, you can bet that a lot more companies will start integrating AIs into their teams. According to research agency Gartner, “By 2020, customers will manage 85% of their relationship with the enterprise “without interacting with a human.” Machine learning just makes sense as a CRM tool. Over time, such a system can learn best practices for a wide range of company-specific issues. The responsive AI assistant can get back to customers with an answer (or question) in a matter of seconds, as opposed to days. It can make existing CRM teams more effective, and offer options for companies who need more flexibility or can’t afford to hire a large team.
For more information or to get a demo, visit Agent.ai’s site, or contact demo@Agent.ai.
at No comments:

Tuesday, May 16, 2017

3 Top Artificial Intelligence Stocks to Buy in 2017

Computer-assisted data analysis is not exactly a new thing, but these tools are becoming incredibly powerful. Here are three ideas for investors who want to jump aboard this careening bandwagon.

Artificial intelligence (AI) is a hot topic nowadays. Computer chips and clever programming can accelerate and improve an ever-growing numbers of tasks normally reserved for the intuitive thinking skills of human beings.
The number of ways to invest in this unstoppable trend is also large and growing. Any technology specialist worth its salt is at least investigating the artificial intelligence space right now, either as a product for their clients or as back-end tools for their own use. Therefore, what follows is not an attempt to cover the entire universe of artificial intelligence stocks but just a handful of the most investable names in that market today. On that note, I'll take a look at Samsung (NASDAQOTH:SSNLF), salesforce.com (NYSE:CRM), and IBM(NYSE:IBM) through the lens of artificial intelligence.
Salesforce Einstein, explained on a chalkboard.
IMAGE SOURCE: SALESFORCE.

Everything is relative in sales and marketing

You know Salesforce as a maker of cloud-based tools for management of customer relationships. Most of the time, this business amounts to automating or at least streamlining repetitive tasks in the process of finding customers and closing sales. The company's innovative approach to a set of traditional business problems has rewarded investors with a market-crushing 660% return over the last decade.
Now, the cloud computing veteran is taking the next logical step by building an artificial intelligence platform to analyze customer data. Salesforce Einstein was built out of several small acquisitions, bringing together their specialized tools under one unified umbrella. So Einstein takes the sales and marketing process, bakes in elements of machine learning, natural language processing, data analytics, relationship intelligence, and much more as a user-friendly all-in-one data management helper.
The platform was introduced last fall and rolled out to customers earlier this month. These are early days for Salesforce's artificial intelligence ambitions, but Einstein is designed to learn from experience and get better over time. The more data Einstein gets to process, the more sophisticated its results will become.
And so will Salesforce's overall efforts in this emerging market. If you're not buying in right now, make sure to at least keep an eye on Salesforce Einstein as the platform matures.
IBM Watson vs. Ken Jennings and Brad Rutter in a rollicking game of "Jeopardy!"
IBM WATSON FACING OFF AGAINST TWO ELITE HUMAN "JEOPARDY!" PLAYERS. IMAGE SOURCE: IBM.

It's elementary, my dear IBM Watson

Big Blue is a veteran in the artificial intelligence market.
Way back in 1996, the company built a chess-playing supercomputer capable of challenging world champion Garry Kasparov. Kasparov won that first match but Deep Blue collected two draws and one outright win along the way.
The next year, Kasparov lost the rematch against an upgraded Deep Blue. Thus began a new era in the contest between man and machine, with IBM carrying the robotic banner.
Kasparov moved on to promote computer-assisted chess, conceding that he -- the best human chess player -- no longer could challenge the best computer systems. And computers have only improved since then, giving humans no chance to keep up. "Today you can buy a chess engine for your laptop that will beat Deep Blue quite easily," Kasparov said in a podcast interview with ChessBase last year.
Encouraged by this early success, IBM dug deeper into artificial intelligence with qualities of human-like intuition. In 2011, the IBM Watson system beat Jeopardy! champions Ken Jennings and Brad Rutter at their own game. That system was powered by analysis of 200 million documents, including the then-current full text of Wikipedia.
Now, the Watson system has become the linchpin of IBM's overall strategy. The company recently reorganized to create a reportable business segment focused on Watson's cognitive computing. That segment already accounts for more than 40% of Big Blue's annual sales and more than half of its operating profits.
Watson is promoted as a catch-all platform for data analysis and human-to-machine interaction. The system "can understand all forms of data, interact naturally with people, and learn and reason, at scale," according to IBM's marketing materials.
If a few hundred million documents were enough to beat Ken Jennings at Jeopardy! six years ago, the system has evolved much further -- with hand-curated access to the entire internet and tons of private training data along the way. If I had to pick an artificial intelligence tool to assist in a life-or-death situation, Watson would be it.
And IBM is already making big money from that market-defining advantage. The best is yet to come.

Bixby, help me sell this Galaxy S8 phone

Finally, the most obviously consumer-facing pick on this list comes from South Korea.
No, you probably don't think of Samsung as an authority on artificial intelligence -- yet. That's about to change, if the Koreans have their way.
The Galaxy S8 smartphone flagship is hot off the presses, and comes with Samsung's first try at an AI-powered digital assistant. The Bixby tool was built around technology from Viv, a $214 million acquisition in October of 2016 that brought in talent originally associated with Apple's Siri assistant.
Like Watson and Einstein, Bixby knows how to communicate with humans using natural language instead of hand-picked key words. Samsung hopes to get its users accustomed to controlling their phones largely by voice, making on-screen keyboards irrelevant in the long run. Bixby has the artificial intelligence savvy that's needed to start moving in that direction.
Where existing digital assistants in the Siri mold tend to create a voice-driven bridge between the user and various online services, Bixby prefers to interface with the handset's internal operation. "Anything you can do with touch, you can do with voice," is the Samsung mantra here. The camera is also tightly integrated into Bixby, reaching for that elusive experience of augmented reality through your Samsung phone.
Bixby is a major talking point for the Galaxy S8, and Samsung hopes to make it a major selling point as well. The system may need to earn its wings by trial and error in real-world usage, but Samsung has the resources and motivation to make it work in the long run.
Samsung's Galaxy S phones have come a long way since a fairly low-key start in 2009. Expect Bixby to follow a similar trajectory, until it starts showing up in Samsung's TV sets and refrigerators. This is till the very early going of the whole artificial intelligence race.
10 stocks we like better than IBM
When investing geniuses David and Tom Gardner have a stock tip, it can pay to listen. After all, the newsletter they have run for over a decade, Motley Fool Stock Advisor, has tripled the market.*
David and Tom just revealed what they believe are the ten best stocks for investors to buy right now... and IBM wasn't one of them! That's right -- they think these 10 stocks are even better buys.
at No comments:

Le talon d’Achille de l’intelligence artificielle

Les algorithmes d’apprentissage sont à l’origine des progrès extraordinaires de l’intelligence artificielle. Mais certains d’entre eux ont un point faible : impossible d’expliquer leur fonctionnement.

Eric FEFERBERG /AFP
Eric FEFERBERG /AFP
lls sont à l'origine des dernières avancées les plus spectaculaires de l'intelligence artificielle, qu'il s'agisse d'analyse d'images, de reconnaissance vocale ou de traduction. On les appelle les réseaux de neurones profonds, mais ce sont en fait des algorithmes qui permettent aux machines d'apprendre par elles-mêmes - le fameux « machine learning ». Le problème, c'est que personne, pas même leurs concepteurs, n'est en mesure d'analyser par quel raisonnement ils arrivent à de si bons résultats. Les spécialistes de l'IA appellent cela « l'effet boîte noire ». Rien à voir avec les boîtes noires de l'aéronautique ou de l'automobile. C'est même tout le contraire : au lieu de donner accès facilement aux données qu'ils contiennent, les réseaux de neurones sont fondamentalement inaccessibles. On connaît les données qui y entrent, on connaît celles qui en sortent, mais entre les deux... mystère.
Cette opacité est liée à la façon dont fonctionnent ces réseaux de neurones. Avec eux, les données (chiffres, image, voix...) sont analysées par des couches successives de calcul, qui attribuent à chaque fois un coefficient, et transmettent le résultat à la couche suivante. « Pour entraîner un réseau de neurones, on va lui donner une multitude d'exemples, et en fonction de la différence entre le résultat obtenu et le résultat attendu, le système va mettre à jour ses coefficients », explique Gérard Berry, informaticien et professeur au Collège de France . Résultat : « Dans un programme informatique classique, si on connaît le code, on est capable de savoir ce qui se passe et de prévoir le résultat . Avec les réseaux profonds, on ne sait pas ce qui se passe : quand un algorithme donne une réponse, c'est comme ça. »

Opacité

Pendant plusieurs décennies, la question des « boîtes noires » n'était pas vue comme primordiale, car le « machine learning » était avant tout un sujet de laboratoire. Ce n'est plus le cas aujourd'hui : la croissance conjuguée des bases de données (indispensables pour « entraîner » les algorithmes) et des puissances de calcul (indispensables pour créer des réseaux de neurones profonds) a donné des résultats spectaculaires, poussant les géants de l'informatique, d'internet et du Big Data à recruter les meilleurs spécialistes du secteur, et à multiplier les applications . Quand Siri d'Apple reconnaît votre voix , quand Google Photos classe vos clichés de vacances par thèmes, quand Criteo recommande des publicités qui pourraient vous intéresser, c'est désormais, au moins en partie, grâce à l'apprentissage profond.
COMMENT « VOIENT » LES ALGORITHMES
Les machines ne pensent pas comme nous, et celles spécialisées dans l'analyse d'images ont une vision du monde bien différente de la nôtre. Le site Deepdream Generator en fournit une illustration frappante. Il exploite un réseau de neurones conçu par Google pour la reconnaissance d'images, qui a été publié en « open source » en 2015.
A l'origine, Deepdream a été développé pour trouver des formes récurrentes (« patterns ») dans les images. Il transforme aussi les images pour rendre ces formes visibles, montrant par l'exemple ce que les réseaux de neurones « voient » dans une photo. Le résultat produit est souvent psychédélique : dans l'image ci-dessus, une photo du discours d'Emmanuel Macron devant la pyramide du Louvre a été traitée par une version de Deepdream entraînée à reconnaître les animaux.
Lors d'une rencontre organisée fin avril chez Google France, Olivier Bousquet, responsable du machine learning au laboratoire de recherche zurichois du groupe, décrivait ainsi le fonctionnement de Google Traduction : « C'est un gigantesque réseau de neurones qui a appris tout seul à passer d'une langue à l'autre. Dans certains cas, il réussit à être meilleur que les traducteurs humains. L'autre chose étonnante est que l'on ne lui a appris que quelques paires de langues, et qu'il en a déduit les autres. Il a créé une sorte d'espéranto tout seul. Mais on n'arrive pas encore bien à le décrypter. »
Pour beaucoup de chercheurs, comme pour les pouvoirs publics, comprendre ces « boîtes noires », ou du moins rendre leur fonctionnement plus compréhensible, va devenir un enjeu majeur. En particulier si on veut les autoriser pour des applications jugées critiques, que ce soit pour la sécurité (pilotage des voitures autonomes), la médecine (analyse automatique des radios, prédiction de survenue d'un cancer), la défense (drones autonomes), etc. « Quand on cherche à savoir si une image contient un chien ou chat, l'importance de l'explicabilité est assez faible. En revanche, dans le milieu médical, les médecins vont toujours favoriser une technique qu'ils peuvent expliquer », résume Francis Bach, chercheur Inria à l'Ecole Normale Supérieure et spécialiste du machine learning.

« Le défi de l'explicabilité »

Dans un rapport publié en mars dernier, l'Opecst (Office parlementaire d'évaluation des choix scientifiques et technologiques) soulignait que « le phénomène des boîtes noires  appelle un effort de recherche fondamentale pour accroître leur transparence (...) Le défi à relever est donc celui de l'explicabilité. » Il est également au coeur des questions de transparence des algorithmes, demandée avec insistance par la Commission européenne au cours des derniers mois. Mais les régulateurs du Vieux Continent ne sont pas les seuls à penser que le sujet exige un effort de recherche. Au mois d'août dernier, la Darpa (« Defense Advanced Research Projects Agency »), une agence du Pentagone à laquelle on doit les recherches qui ont donné naissance à Internet, au GPS ou aux véhicules autonomes, a lancé un nouveau programme, intitulé « Explainable Artificial Intelligence » (XAI). Il vise à « créer des technologies de machine learning qui produisent des modèles plus explicables, tout en maintenant un haut niveau de performances, et à permettre aux humains de comprendre, d'avoir une confiance réelle et de pouvoir gérer efficacement la génération émergente d'outils d'IA ».
Le sujet est aussi sur la table du centre Google Research de Zurich , expliquait fin avril son directeur, Emmanuel Mogenet : « Il y a beaucoup d'efforts de recherche pour extraire le raisonnement de la machine, pour faire du « reverse engineering » (NDLR : analyse d'un produit pour en comprendre le fonctionnement ). C'est quelque chose d'extrêmement important, car il y a un certain nombre de domaines où cela peut poser problème. »
Reste que, pour l'heure, personne ne sait comment rendre les réseaux de neurones moins opaques. Il est certes possible de contrôler leurs résultats, par exemple en mettant plusieurs systèmes en concurrence, ou en utilisant des techniques pour savoir quelles variables d'entrée ont pris une importance prépondérante dans le résultat final. Mais cela se fait au détriment de la rapidité du traitement, voire de sa pertinence. « Est-ce que l'on est prêt à réduire la performance de prédiction pour obtenir une explicabilité ? », interroge Francis Bach.
A défaut de pouvoir expliquer le « raisonnement » des algorithmes de deep learning, une autre approche consiste à rendre visible la façon dont ils fonctionnent. Le fabricant de microprocesseurs NVidia a ainsi développé un système pour voitures autonomes, basé sur le deep learning, qui a appris la conduite sans règles, en se basant uniquement sur la façon de conduire de nombreux humains. Originalité, ce système montre clairement quels éléments sont les plus importants dans sa prise de décisions - les piétons, les voitures ou les éléments signalisation apparaissent en surbrillance sur les images que produit et exploite le système. Pour Laurence Devillers, chercheuse au laboratoire d'informatique pour la mécanique et les sciences de l'ingénieur (Limsi) du CNRS et auteur de l'essai « Des robots et des hommes » (Plon, 2017) , « s'il est important de rendre ces systèmes plus robustes, il faut aussi expliquer comment ils fonctionnent, et garder à l'esprit qu'ils apprennent sans comprendre, donc qu'ils décident sans comprendre. »
Reste que la question des boîtes noires divise encore les chercheurs. Pour Yann Le Cun , l'un des pionniers des réseaux de neurones, désormais responsable du laboratoire FAIR (Facebook Artificial Intelligence Research), « ce n'est pas un problème majeur. C'est très satisfaisant d'avoir une explication, et cela rassure l'humain si un système d'intelligence artificielle produit une explication. Mais, à la fin, ce que l'on veut, c'est avant tout une bonne fiabilité », indiquait-il début mai, à l'occasion d'une rencontre sur l'intelligence artificielle organisée par Facebook Paris. Très engagé dans les questions d'éthique de l'IA, Yann Le Cun a coutume de dire que le cerveau humain est lui aussi une boîte noire, et que nous avons appris à nous en accommoder. « Ce n'est pas complètement faux, reconnaît Gérard Berry. Mais nous avons l'habitude de traiter avec les humains, et nous connaissons à l'avance le type d'erreurs qu'ils font. Dans le cas de l'IA, la discipline est encore un peu jeune pour tirer ce genre de conclusions. »
Benoît Georges

at No comments:
Subscribe to: Posts (Atom)