コアテクノロジー

感情的および文化的観点から個々人を理解するための革新的な方法。​

高次元の複雑な状況理解

RCMLは個人だけでなく、個人の違いや個人間の関係性も理解します。 私たちの技術は、複数のソースからのデータを組み合わせて、人、場所、およびアイデアの関係性に基づいて、複雑で状況的な理解をします。

個人固有のモデルと説明可能な関係パターン

RCMLは、あらかじめ決められたモデルに当てはめることではなく、信号間の関係から学習します。 従来の機械学習とは異なり、RCMLは多くの内部的に一貫した世界観を構築し、発見した関係に科学的意味を関連付けます。 意味付けする必要はありません。 信号そのものに話させるのです。

速度とセキュリティのためのエッジ処理

ベクターのランタイムサイクルは、計算効率の高いクラスタリングアルゴリズムを使用して、エッジデバイス自体で実行されます。 これにより、RCMLをより速く、より安全に、分散させてパーソナライズできます。

主な特徴​

RCMLは、時間の経過やさまざまな状況での発言、行動、感情の関係をマッピングすることで、個人を理解します。 マッピングでは、複数のソースからの信号を使用して、個人ごとに複雑な文化的および感情的なプロファイル、またはベンチマークを作成します。 各プロファイルは、内部的に一貫した世界観を示しているため、個人、グループ、または概念を比較して、感情的および文化的な違いを理解できます。​

 

感情的・文化的知能機械学習

概要

レイヤード ベクトル クラスター パターン トリム (LVCPT)は、信号と意味の間の関連付けを何層も作成することから始まります。 最上位の層であるグローバルベクター レイヤー (GloVe)は、感情、意見、行動のシグナルを抽出し、それらをより高いレベルの概念、エンティティ、または意味に関連付けます。 これは、単語の普遍的な意味を理解しているスタンフォードのグローバルベクトル単語表現に似ていますが、(1)単語だけでなく複数の信号を処理し、(2)単一レイヤー内で同じアイテムの複数のビューを許可することにより、さらに深めることができます。​

他のすべての層は、単一の概念や個人など、ローカルに関連するアイテムの集まりを表すローカルベクターレイヤー(LoVe)です。 グローバルレイヤーの普遍性は、ローカルレイヤー内の関係の理解に役立つことを意味します。 それがこのプロセスを非常に強力にし、弊社のAIが他のAIに大幅な改善を提供できる理由です:グローバルレイヤーの多次元性は、さまざまな信号を使用して複雑な状況を理解し、この状況理解を使用してローカル層でより正確で低コストに関連付けを発見できることを意味します。

既存AIに先んじる

一般的なAIはユークリッド変換を使用して、処理できる信号の数を制限し、ワールドビューを単一の視点に制限します。 このタイプのユークリッドAIは、高いレベルの概念を要約することはできません。​

対照的に、RCMLは複数のソースからの信号を処理し、幾何学的連想メモリを備えた双曲3多様体ジオメトリに依存しているため、複数の視点と意味のレイヤーを記憶できます。 ​ RCMLの階層化されたベクトル化アプローチは、AIがローカルレイヤーで提供するデータからだけでなく、グローバルレイヤーで適用する既知の高レベルのアイデアや概念からも学習することを意味します。 これが、私たちが一般的なAIを90%を超える精度の修正フィードバックで改善できる方法です。– AIはより多くのデータをより高い次元で処理し、非線形で複雑な関係を識別します。

 

 

RCMLは、ほぼ教師なしの機械学習です。 「ほぼ教師なし」と言うのは、車のエンジンと同じように物事を動かすためにスターターを必要としますが、その後は単独で動作するためです。 「スターター」とは、双曲線多様体内の位置座標として表される高レベルの概念と意味の、まばらな明示的または暗黙的な要約からのガイダンスです。 このガイダンスを使用して、 非線形信号パターンを分類し、それらに意味を関連付けるために幾何学的連想メモリを適用します。

概要

私たちは、アイテム(例えば概念、人、物など)を幾何学的双曲線多様体にマッピングします。 私たちのアルゴリズムは、各種信号(例えば話し言葉、声の感情、行動など)の集合で多様体を定義します。 次に、双曲線多様体空間からランダムかつ均一にサンプリングして、アイテムに関連付けられた多様体を発見します。

双曲線レンズを使用して、RCMLは、多様体間の類似点と相違点を測定します。これは、コミュニティ内の人々の類似性や2つの文化的観点の理解の違いなど、アイテム間の文化的な違いなだけなのです。

RCMLをさらに強力にしているのは、ノットシーケンスの使用です。 ノットシーケンスの使用です。 ノットシーケンスを使用すると、同時の信号を双曲線多様体空間の単一の一時点に一致させることができます。 つまり、どの時点でも、数百万のマルチモーダル信号を表示し、個人の文化的、政治的、科学的信念体系の非線形関係を発見できることを意味します。

単一の時点をマッピングできるだけでなく、多様体群として表される一連の時点をマッピングすることもできます。 このシーケンス効果は、ミリ秒ごとに撮影され、時間順に組み立てられた画像から作成されたビデオシーケンスの効果に似ています。 異なるのは、シーケンスが特定の瞬間のキュービットレベルの構造と状況内容の多くを簡潔に要約していることです(たとえば、音声(「あれはすごい!」)、画像(興奮した顔、ロケット発射を指している手)、感情(高正の興奮と覚醒)、および生理学的データ(心拍数)。 RCMLには、双曲線多様体学習アルゴリズムを、ポイント(点)とシーケンス(列)の何層もの多次元の組み合わせに適用する柔軟性があります。

分散エッジ処理人工知能

Ipviveの教師なしグラフのスパース化では、分散化を使用してエッジ処理の効率を向上させ、パーソナライズ化させます何十億人もの人々がたくさんのデータを生成し続けるなか、IoTデバイスの組み込みAIによる分散処理(「エッジ処理」)は、非常にリスクが高く高価な集中データ処理を回避するのに役立ちます。 私たちのベクターランタイムサイクルはエッジで動作します。つまり、データをサーバーに移動せず、デバイスに残すことができます。 これは、結果処理の高速化とデータプライバシーの向上を意味します。 さらに、個人およびグループレベルで教師なしのグラフ管理を使用してIDを安全にチェックし、データの代わりに価値を提供し、分散型台帳技術を使用してトランザクションの速度と効率を向上させます

私たちとコラボレーションしませんか?