Get in my Think Art.

พอดคาสต์: สุดยอดนวัตกรรม AI กับ Ian Goodfellow และ Richard Mallah

พอดคาสต์: สุดยอดนวัตกรรม AI กับ Ian Goodfellow และ Richard Mallah

พอดคาสต์: สุดยอดนวัตกรรม AI กับ Ian Goodfellow และ Richard Mallah

jumbo jili

ปี 2559 มีการพัฒนา AI ที่สำคัญบางอย่าง เพื่อพูดคุยเกี่ยวกับความก้าวหน้าของ AI ในปีที่แล้ว เราหันไปหา Richard Mallah และ Ian Goodfellow Richard เป็นผู้อำนวยการโครงการ AI ที่ FLI เขาเป็นที่ปรึกษาอาวุโสของบริษัท AI หลายแห่ง และเขาสร้างแพลตฟอร์มการวิเคราะห์ข้อความระดับองค์กรที่ได้รับคะแนนสูงสุด เอียนเป็นนักวิทยาศาสตร์วิจัยที่OpenAIเขาเป็นผู้เขียนนำของตำราการเรียนรู้ลึกและเขาเป็นนักประดิษฐ์นำของกำเนิดเครือข่ายขัดแย้ง

สล็อต

Ariel: สองงานที่ฉันประทับใจในปี 2016 ครั้งแรกคือ AlphaGo ซึ่งเอาชนะ Lee Sedol แชมป์ Go อันดับหนึ่งของโลกเมื่อเดือนมีนาคมที่ผ่านมา AlphaGo คืออะไร และเหตุใดจึงเป็นความสำเร็จที่เหลือเชื่อเช่นนี้
Ian: AlphaGo เป็นระบบของDeepMindสำหรับการเล่นเกม Go เป็นเกมที่คุณวางก้อนหินไว้บนกระดานโดยมีผู้เล่นสองคน เป้าหมายคือเพื่อยึดอาณาเขตให้ได้มากที่สุด แต่มีตำแหน่งที่แตกต่างกันหลายร้อยตำแหน่งที่เราสามารถวางหินในแต่ละเทิร์นได้ เป็นไปไม่ได้แม้แต่จากระยะไกลที่จะใช้คอมพิวเตอร์เพื่อจำลองเกม Go ต่างๆ มากมาย และค้นหาว่าเกมจะดำเนินไปอย่างไรในอนาคต คอมพิวเตอร์ต้องอาศัยสัญชาตญาณแบบเดียวกับที่ผู้เล่น Go ของมนุษย์สามารถดูกระดานและได้รับสัมผัสที่หกที่บอกว่าเกมดำเนินไปได้ดีหรือไม่ดีสำหรับพวกเขา และพวกเขาควรจะวางศิลาก้อนต่อไปไว้ที่ใด เป็นไปไม่ได้ในการคำนวณที่จะคำนวณอย่างชัดเจนว่าผู้เล่นแต่ละคนควรทำอะไรต่อไป
Richard: ทีม DeepMind มีเครือข่ายหนึ่งสำหรับสิ่งที่เรียกว่าการเรียนรู้อย่างคุ้มค่า และอีกเครือข่ายหนึ่งสำหรับการเรียนรู้นโยบาย นโยบายคือโดยพื้นฐานแล้วฉันควรประเมินสถานที่ใดสำหรับส่วนต่อไป เครือข่ายคุณค่าคือสถานะที่ดีเพียงใดในแง่ของความน่าจะเป็นที่ตัวแทนจะชนะ จากนั้นพวกเขาก็ทำการค้นหาต้นไม้มอนติคาร์โลซึ่งหมายความว่ามีการสุ่มและเส้นทางที่แตกต่างกันมากมาย ตามลำดับการประเมินหลายพันครั้ง ดังนั้นจึงเป็นเหมือนมนุษย์ที่พิจารณาการเคลื่อนไหวที่แตกต่างกันจำนวนหนึ่งและพยายามกำหนดว่าการเคลื่อนไหวเหล่านั้นจะดีเพียงใด
เอียน: ตั้งแต่ปี 2555 ถึงปี 2558 เราได้เห็นความก้าวหน้ามากมาย โดยสิ่งที่น่าตื่นเต้นคือ AI สามารถลอกเลียนแบบความสามารถของมนุษย์ได้ ในปี 2559 เราเริ่มเห็นความก้าวหน้าที่เกินความสามารถของมนุษย์ ส่วนหนึ่งของสิ่งที่น่าตื่นเต้นเกี่ยวกับ AlphaGo ก็คือ AlphaGo ไม่เพียงแต่เรียนรู้วิธีคาดการณ์สิ่งที่ผู้เล่น Go ที่เป็นผู้เชี่ยวชาญจะทำ แต่ AlphaGo ยังพัฒนาไปมากกว่านั้นด้วยการฝึกเล่นเกมกับตัวเองและเรียนรู้วิธีที่จะดีกว่าผู้เล่นที่เป็นมนุษย์ที่ดีที่สุด ดังนั้นเราจึงเริ่มเห็นว่า AI ก้าวไปไกลกว่าที่มนุษย์สามารถบอกให้คอมพิวเตอร์ทำ
Ariel: แล้วสิ่งนี้จะนำไปใช้กับแอปพลิเคชันที่เราจะโต้ตอบด้วยเป็นประจำอย่างไร? เราจะเริ่มเห็นเทคโนโลยีและเทคนิคเหล่านี้ใช้งานจริงได้อย่างไร?
Richard: ด้วยเทคนิคเหล่านี้ เทคนิคส่วนใหญ่ก็คือระบบการวิจัย ไม่จำเป็นว่าพวกเขาจะเข้าสู่ขั้นตอนการผลิตโดยตรง แต่พวกเขากำลังช่วยโมเดลที่เรียนรู้โดยปริยายภายในระบบ AI และระบบการเรียนรู้ของเครื่องให้ดีขึ้นมาก
เอียน: มีกลยุทธ์อื่นๆ ในการสร้างประสบการณ์ใหม่ที่คล้ายกับประสบการณ์ที่เคยเห็นมาก่อนหน้านี้ หนึ่งในนั้นคือเรียกว่าWavenet เป็นแบบจำลองที่ผลิตโดย DeepMind ในปี 2559 สำหรับสร้างคำพูด หากคุณใส่ประโยคโดยเขียนลงไป และต้องการได้ยินประโยคนั้นที่พูดออกมา WaveNet สามารถสร้างรูปคลื่นเสียงที่ฟังดูสมจริงราวกับมนุษย์ที่ออกเสียงประโยคนั้น ข้อเสียเปรียบหลักของ WaveNet ในตอนนี้คือมันค่อนข้างช้า จะต้องสร้างรูปคลื่นเสียงทีละชิ้น ฉันเชื่อว่า WaveNet ใช้เวลาสองนาทีในการสร้างเสียงหนึ่งวินาที ดังนั้นจึงไม่สามารถทำให้เสียงเร็วพอที่จะสนทนาแบบโต้ตอบได้
Richard: และในทำนองเดียวกัน เราเคยเห็นแอพพลิเคชั่นสำหรับระบายสีภาพถ่ายขาวดำ หรือเปลี่ยนภาพสเก็ตช์ให้เป็นภาพที่เหมือนจริง ซึ่งทำให้สามารถเปลี่ยนข้อความเป็นภาพได้
Ian: ใช่ สิ่งหนึ่งที่ตอกย้ำว่าเรามาไกลแค่ไหนแล้วคือในปี 2014 หนึ่งในความก้าวหน้าครั้งยิ่งใหญ่คือความสามารถในการถ่ายภาพและแต่งประโยคโดยสรุปสิ่งที่อยู่ในภาพถ่าย ในปี 2016 เราได้เห็นวิธีการต่างๆ ในการถ่ายภาพประโยคและการสร้างภาพถ่ายที่มีภาพที่บรรยายด้วยประโยค การเปลี่ยนจากคำสองสามคำไปเป็นภาพที่เหมือนจริงมากซึ่งมีจำนวนพิกเซลเป็นพันหรือล้านพิกเซลนั้นซับซ้อนกว่าการเปลี่ยนจากภาพเป็นคำพูด
อีกสิ่งหนึ่งที่น่าตื่นเต้นมากในปี 2559 คือการใช้แบบจำลองกำเนิดสำหรับการค้นพบยา แทนที่จะจินตนาการถึงภาพใหม่ แบบจำลองสามารถจินตนาการถึงโมเลกุลใหม่ที่มีจุดประสงค์เพื่อให้มีผลทางยาเฉพาะ
Richard: และนี่เป็นเรื่องที่น่าตื่นเต้นมาก เพราะสิ่งนี้กำลังถูกนำไปประยุกต์ใช้กับการวิจัยโรคมะเร็ง พัฒนาวิธีการรักษามะเร็งใหม่ๆ ที่อาจเกิดขึ้น
เอเรียล: แล้วมีโปรแกรมแปลภาษาของ Google, Google ประสาทเครื่องแปลภาษา คุณสามารถพูดคุยเกี่ยวกับสิ่งที่ทำและเหตุใดจึงเป็นเรื่องใหญ่
เอียน: มันเป็นเรื่องใหญ่ด้วยเหตุผลสองประการ อย่างแรก Google Neural Machine Translation นั้นดีกว่าวิธีการแปลด้วยเครื่องรุ่นก่อนมาก Google Neural Machine Translation ลบองค์ประกอบการออกแบบของมนุษย์จำนวนมากออกไป และมีเพียงโครงข่ายประสาทที่รู้ว่าต้องทำอย่างไร
อีกสิ่งที่น่าตื่นเต้นมากเกี่ยวกับ Google Neural Machine Translation คือโมเดลการแปลด้วยคอมพิวเตอร์ได้พัฒนาสิ่งที่เราเรียกว่า “Interlingua” เมื่อก่อนถ้าคุณต้องการแปลจากภาษาญี่ปุ่นเป็นภาษาเกาหลี คุณต้องหาประโยคมากมายที่แปลจากภาษาญี่ปุ่นเป็นภาษาเกาหลีมาก่อน จากนั้นคุณสามารถฝึกโมเดลการเรียนรู้ของเครื่องเพื่อคัดลอกขั้นตอนการแปลนั้นได้ แต่ตอนนี้ ถ้าคุณรู้วิธีการแปลจากภาษาอังกฤษเป็นภาษาเกาหลีแล้ว และคุณรู้วิธีแปลจากภาษาอังกฤษเป็นภาษาญี่ปุ่น ตรงกลาง คุณมีภาษาอินเทอร์ลิงกวา ดังนั้นคุณจึงแปลจากภาษาอังกฤษเป็นภาษาอินเทอร์ลิงกวาและภาษาญี่ปุ่น ภาษาอังกฤษเป็นภาษาอินเทอร์ลิงกวา และภาษาเกาหลี คุณยังสามารถแปลภาษาญี่ปุ่นเป็นภาษาอินเทอร์ลิงกวาและภาษาเกาหลีเป็นภาษาอินเทอร์ลิงกัวแล้วแปลเป็นภาษาญี่ปุ่นหรือภาษาเกาหลีได้

สล็อตออนไลน์

Ariel: เทคนิคต่างๆ ที่ใช้กับภาษานำไปใช้ที่อื่นได้อย่างไร? คุณคาดหวังอย่างไรที่จะได้เห็นสิ่งนี้พัฒนาขึ้นในปี 2560 เป็นต้นไป
ริชาร์ด: ดังนั้น ฉันคิดว่าสิ่งที่เราได้เรียนรู้จากแนวทางนี้ก็คือ ระบบการเรียนรู้เชิงลึกสามารถสร้างแบบจำลองของโลกที่สมบูรณ์ ซึ่งสามารถแสดงออกถึงสิ่งที่เราคิดได้ ซึ่งเป็นก้าวที่น่าตื่นเต้นทีเดียว ความสามารถในการรวม Interlingua นั้นเข้ากับข้อมูลที่มีโครงสร้างมากขึ้นเกี่ยวกับโลกเป็นสิ่งที่ทีมต่างๆ กำลังทำงานอยู่ ซึ่งเป็นพื้นที่เปิดขนาดใหญ่สำหรับปีต่อๆ ไป
Ian: ที่ OpenAI หนึ่งในโปรเจ็กต์ที่ใหญ่ที่สุดของเราUniverseอนุญาตให้ตัวแทนการเรียนรู้แบบเสริมกำลังเล่นเกมคอมพิวเตอร์หลายเกม และโต้ตอบกับเกมเหล่านี้ในลักษณะเดียวกับที่มนุษย์ทำ โดยส่งการกดปุ่มหรือเมาส์ไปที่เกมจริง เครื่องยนต์. ตัวแทนการเรียนรู้แบบเสริมกำลังคนเดียวกันสามารถโต้ตอบกับทุกสิ่งที่มนุษย์สามารถโต้ตอบด้วยบนคอมพิวเตอร์ได้ การมีตัวแทนเพียงคนเดียวที่สามารถทำสิ่งต่างๆ เหล่านี้ได้ เราจะใช้ความสามารถของเราในการสร้างปัญญาประดิษฐ์ทั่วไป แทนปัญญาประดิษฐ์เฉพาะแอปพลิเคชัน และโครงการอย่าง Interlingua ของ Google ได้แสดงให้เราเห็นว่ามีเหตุผลมากมายที่เชื่อได้ว่าสิ่งนี้จะได้ผล
Ariel: มีอะไรอีกบ้างในปีนี้ที่พวกคุณคิดว่าสำคัญที่จะพูดถึง?
Richard: One-shot [การเรียนรู้] คือเมื่อคุณเห็นข้อมูลเพียงเล็กน้อย อาจเป็นเพียงจุดข้อมูลเพียงจุดเดียว เกี่ยวกับงานใหม่หรือหมวดหมู่ใหม่บางอย่าง จากนั้นคุณจะสามารถอนุมานได้ว่าชั้นเรียนนั้นควรเป็นอย่างไรหรืออะไร ฟังก์ชั่นนั้นควรมีลักษณะทั่วไป ดังนั้น ความสามารถในการฝึกอบรมระบบโดยใช้ข้อมูลเพียงเล็กน้อยจากความรู้พื้นฐานทั่วไป จึงค่อนข้างน่าตื่นเต้น
Ian: สิ่งหนึ่งที่ฉันตื่นเต้นมากคือพื้นที่ใหม่ที่เรียกว่าความปลอดภัยของการเรียนรู้ของเครื่องซึ่งผู้โจมตีสามารถหลอกล่อให้ระบบการเรียนรู้ของเครื่องดำเนินการผิดพลาดได้ ตัวอย่างเช่น เราพบว่ามันง่ายมากที่จะหลอกระบบการรู้จำวัตถุ เราสามารถแสดงภาพที่ดูเหมือนหมีแพนด้าได้มาก และมันถูกมองว่าเป็นรถโรงเรียน หรือในทางกลับกัน เป็นไปได้จริงที่จะหลอกระบบการเรียนรู้ของเครื่องด้วยวัตถุจริง มีกระดาษชื่อAccessorize to a Crimeซึ่งแสดงให้เห็นว่าการสวมแว่นตาสีผิดปกติสามารถขัดขวางระบบจดจำใบหน้าได้ และผู้ทำงานร่วมกันที่GoogleBrainและฉันเขียนบทความชื่อAdversarial Examples in the Physical Worldซึ่งเราแสดงให้เห็นว่าเราสามารถสร้างภาพที่มีลักษณะเป็นเม็ดเล็กและมีจุดรบกวน แต่เมื่อมองผ่านกล้อง เราสามารถควบคุมวิธีที่ระบบการจดจำวัตถุจะตอบสนองต่อภาพเหล่านั้นได้
Ariel: มีอะไรอีกไหมที่คุณคิดว่าสำคัญสำหรับปี 2016 หรือตั้งตารอปี 2017?
Richard: ใช่ ตั้งตารอปี 2017 ฉันคิดว่าจะมีการเน้นที่การเรียนรู้แบบไม่มีผู้ดูแลมากขึ้น โลกส่วนใหญ่ไม่มีคำอธิบายประกอบโดยมนุษย์ ไม่มีโน้ตเล็ก ๆ น้อย ๆ เกี่ยวกับสิ่งของรอบ ๆ บ้านที่บอกว่ามันคืออะไร ความสามารถในการประมวลผล [โลก] ในลักษณะที่ไม่มีผู้ดูแลจะปลดล็อกแอปพลิเคชันใหม่มากมายเหลือเฟือ

jumboslot

Ian: มันจะทำให้ AI เป็นประชาธิปไตยมากขึ้นด้วย ตอนนี้ ถ้าคุณต้องการใช้ AI ที่ล้ำหน้าจริงๆ คุณจำเป็นต้องมีคอมพิวเตอร์ไม่เพียงแต่จำนวนมากแต่ยังมีข้อมูลจำนวนมากอีกด้วย นั่นเป็นส่วนหนึ่งที่ทำให้บริษัทขนาดใหญ่ส่วนใหญ่แข่งขันกันในด้าน AI ถ้าคุณต้องการทำงานได้ดีจริงๆ คุณจะเก่งในงานนั้นโดยแสดงตัวอย่างต่างๆ มากมายให้คอมพิวเตอร์ดู ในอนาคต เราจะมี AI ที่สามารถเรียนรู้ได้มากกว่าที่มนุษย์เรียนรู้ โดยเพียงแค่แสดงตัวอย่างบางส่วนก็เพียงพอแล้ว เมื่อเรามีระบบแมชชีนเลิร์นนิงที่สามารถเข้าใจแนวคิดทั่วไปของสิ่งที่เกิดขึ้นอย่างรวดเร็ว ในแบบที่มนุษย์ทำ ไม่จำเป็นต้องสร้างชุดข้อมูลขนาดมหึมาเหล่านี้อีกต่อไป
Richard: แอปพลิเคชันหนึ่งที่ฉันคิดว่าจะมีความสำคัญในปีที่จะมาถึงนี้คือการตรวจจับข่าวปลอม เสียงปลอม รูปภาพปลอม และวิดีโอปลอมโดยอัตโนมัติ แอปพลิเคชั่นบางตัวในปีที่ผ่านมามุ่งเน้นไปที่การสร้างเฟรมวิดีโอเพิ่มเติม เมื่อสิ่งเหล่านี้ดีขึ้น เมื่อการสร้างภาพถ่ายที่เราพูดถึงก่อนหน้านี้ดีขึ้น และการสร้างเทมเพลตเสียงก็ดีขึ้น… ฉันคิดว่า Adobe ได้สาธิตสิ่งที่พวกเขาเรียกว่าPhotoShop for Voiceซึ่งคุณสามารถพิมพ์บางอย่างและเลือกบุคคลได้ และมันจะฟังดูเหมือนคนๆ นั้นกำลังพูดอะไรก็ตามที่คุณพิมพ์ ดังนั้นเราจึงต้องการวิธีการตรวจสอบ เนื่องจากแนวคิดทั้งหมดของข่าวลวงนี้ยังคงปรากฏอยู่เบื้องหน้าในทุกวันนี้
เอียน: เป็นมูลค่าการกล่าวขวัญว่ามีวิธีอื่นในการจัดการกับการแพร่กระจายของข่าวปลอม อีเมลขยะใช้เงื่อนงำต่างๆ มากมายที่สามารถเชื่อมโยงในเชิงสถิติได้ว่ามีคนทำเครื่องหมายอีเมลว่าเป็นสแปมหรือไม่ เราสามารถทำได้หลายอย่างโดยไม่ต้องพัฒนาระบบ AI พื้นฐานเลย
Ariel: มีอะไรที่คุณกังวลไหม จากความก้าวหน้าที่คุณเคยเห็นในปีที่แล้ว?
เอียน: ปัญหาการจ้างงาน เนื่องจากเราสามารถทำให้งานของเราเป็นแบบอัตโนมัติได้ในอนาคต เราจะแน่ใจได้อย่างไรว่าทุกคนจะได้รับประโยชน์จากการทำงานอัตโนมัตินั้น และวิธีที่สังคมถูกจัดโครงสร้าง ตอนนี้ระบบอัตโนมัติที่เพิ่มขึ้นดูเหมือนจะนำไปสู่การกระจุกตัวของความมั่งคั่งที่เพิ่มขึ้น และมีผู้ชนะและผู้แพ้ในทุกความก้าวหน้า ความกังวลของฉันคืองานอัตโนมัติที่ทำโดยคนหลายล้านคนจะสร้างผู้แพ้จำนวนมากและผู้ชนะจำนวนน้อยที่ชนะรางวัลใหญ่จริงๆ
Richard: ฉันยังกังวลเล็กน้อยเกี่ยวกับความเร็วที่เรากำลังเข้าใกล้ความเป็นทั่วไปเพิ่มเติม เป็นเรื่องที่เยี่ยมมากที่ได้เห็นระบบสามารถทำสิ่งต่างๆ ได้มากมาย และสามารถทำงานที่ไม่เคยเห็นหรือไม่เคยเห็นมาก่อนได้ แต่มันทำให้เกิดคำถามว่าเมื่อใดที่เราใช้เทคนิคความปลอดภัยประเภทต่างๆ ฉันไม่คิดว่าเราอยู่ในจุดนั้น แต่มันทำให้เกิดปัญหา
Ariel: ปิดท้ายด้วยข้อคิดดีๆ: มองย้อนกลับไปในสิ่งที่คุณเห็นเมื่อปีที่แล้ว คุณคาดหวังอะไรมากที่สุดสำหรับอนาคตของเรา?
Ian: ฉันคิดว่ามันเยี่ยมมากที่ AI เริ่มถูกนำมาใช้กับสิ่งต่างๆ เช่น ยา ในปีที่แล้ว เราได้เห็นอัลกอริธึมแมชชีนเลิร์นนิงหลายแบบที่อาจเกินความสามารถของมนุษย์ในบางงาน และเราก็เริ่มเห็นการนำ AI มาประยุกต์ใช้ในการช่วยชีวิต เช่น การออกแบบยาใหม่ๆ และทำให้ฉันมีความหวังอย่างมากว่าเราจะเริ่มเห็นการออกแบบยาที่เหนือมนุษย์ และการใช้งาน AI ประเภทอื่นๆ เพื่อทำให้ชีวิตดีขึ้นสำหรับผู้คนจำนวนมาก ในแบบที่เราไม่สามารถทำได้โดยปราศจากมัน
Richard: งานประเภทต่างๆ ที่ผู้คนมองว่าน่าเบื่อหน่ายในงานของตนจะเป็นไปโดยอัตโนมัติ ซึ่งจะทำให้พวกเขาเปิดกว้างในการทำงานในสิ่งที่มีมูลค่าเพิ่มมากขึ้นด้วยความคิดสร้างสรรค์มากขึ้น และอาจสามารถทำงานในด้านที่น่าสนใจมากขึ้นในสาขาของตนหรือในสาขาต่างๆ ฉันคิดว่าอนาคตเปิดกว้างและนั่นคือสิ่งที่เราทำซึ่งน่าตื่นเต้นในตัวเอง
ที่ Oxford Insights งานของเราได้สอนเราว่ารัฐบาลท้องถิ่นกำลังอยู่ในแนวหน้าของการปฏิวัติ AI พวกเขาจะเป็นจุดติดต่อแรกสำหรับคนจำนวนมากที่รู้สึกถึงผลร้ายของการหยุดชะงักของตลาดแรงงาน สิ่งนี้ทำให้พวกเขามีความสำคัญมากขึ้นในการเตรียมพร้อมสำหรับอนาคตของการทำงานที่เปลี่ยนแปลงไป เราผลิตAI ระดับเมืองแห่งแรกของโลกและกลยุทธ์การทำงานในอนาคตสำหรับเมืองสต็อกตันในสหรัฐอเมริกา รายงานของเราประมาณการภาคส่วนและสถานที่ที่สต็อกตันน่าจะได้รับผลกระทบจากระบบอัตโนมัติ และเน้นย้ำถึงโอกาสพิเศษบางอย่างที่จะได้รับประโยชน์จากการนำเทคโนโลยี AI มาใช้
[NPC5]อย่างไรก็ตาม การทำแผนที่กลยุทธ์ AI มีมากกว่าแค่การวางแผนสำหรับผลร้ายของระบบอัตโนมัติ รัฐบาลท้องถิ่นมักถูกจัดวางให้ใช้ประโยชน์จากนวัตกรรมทางเทคโนโลยีเพื่อให้บริการสาธารณะอย่างมีเอกลักษณ์ เราเพิ่งร่วมมือกับธนาคารเพื่อการพัฒนาของละตินอเมริกา (CAF) ไปดูที่สนามใหม่ของGovTech สำหรับรายงานที่กำลังจะมีขึ้นของเราเกี่ยวกับระบบนิเวศ GovTech ในละตินอเมริกา เราได้พูดคุยกับผู้เชี่ยวชาญท้องถิ่นหลายคนในรัฐบาลและในบริษัทสตาร์ทอัพด้านเทคโนโลยี หลายคนเห็นพ้องกันว่ารัฐบาลท้องถิ่นมักถูกวางให้ทำงานร่วมกับสตาร์ทอัพเชิงนวัตกรรมที่อาจมีปัญหาในการขยายขนาดผลิตภัณฑ์ของตนให้สอดคล้องกับความต้องการของสัญญาระดับประเทศ เห็นได้ชัดว่ามีความอยากอาหารสำหรับสภาในการใช้ประโยชน์จากเทคโนโลยีใหม่ ๆ โดยสมาคมรัฐบาลท้องถิ่นแห่งสหราชอาณาจักรกำลังค้นพบที่ 89% ได้เปลี่ยนหนึ่งในบริการของตนโดยใช้โซลูชันดิจิทัลหรือข้อมูล เราต้องการเห็นแนวโน้มเหล่านี้ดำเนินต่อไป โดยหน่วยงานท้องถิ่นใช้แนวทางการจัดซื้อจัดจ้างเพื่อส่งเสริมนวัตกรรมเชิงกลยุทธ์ในระบบเศรษฐกิจท้องถิ่นของตน