Искусственный интеллект

DeepMind и Google: битва за контроль над сильным ИИ

Демис Хассабис основал компанию по созданию самого мощного в мире ИИ. Затем её купила Google

В августе 2010 года в конференц-зале в пригороде Сан-Франциско на сцену вышел 34-летний лондонец по имени Демис Хассабис. Он вышел неторопливой походкой человека, который пытается контролировать нервы, сжал губы в краткой улыбке и начал: «Итак, сегодня мы поговорим о разных подходах к разработке...» — тут запнулся, словно вдруг осознав, что озвучивает потаённые честолюбивые помыслы. Но потом всё-таки сказал: «… сильного ИИ».

Сильный ИИ (artificial general intelligence или AGI) означает универсальный искусственный интеллект — гипотетическую компьютерную программу, способную выполнять интеллектуальные задачи как человек или даже лучше. Сильный ИИ сможет выполнять отдельные задачи, такие как распознавание фотографий или перевод текста, которые являются единственными задачами каждого из слабых ИИ в наших телефонах и компьютерах. Но он также будет играть в шахматы и говорить по-французски. Будет понимать статьи по физике, сочинять романы, разрабатывать инвестиционные стратегии и вести восхитительные беседы с незнакомыми людьми. Он будет следить за ядерными реакциями, управлять электросетями и транспортными потоками и без особых усилий преуспеет во всём остальном. AGI сделает сегодняшний самый продвинутый ИИ похожим на карманный калькулятор.

Источник

9 фильмов конкурса «Let IT DOK!», которые стоит увидеть

ЛАНИТ и фестиваль документального кино
«ДОКер» дружат уже пять лет. Вместе с оргкомитетом фестиваля мы придумали конкурс фильмов об информационных технологиях, который получил название
«Let IT DOK!». Фильмы в этой номинации рассказывают, как технологии меняют жизнь людей, их стремления.

В этом году на конкурс «Let IT DOK!» поступило более 300 фильмов, а в финал отобрано — 9. В этом посте мы расскажем вам об этих девяти финалистах. Кстати, посмотреть их можно в киноцентре «Октябрь» с 3 по 8 апреля.



Источник

Семь мифов в области исследований машинного обучения

Для тех, кому лень читать всё: предлагается опровержение семи популярных мифов, которые в области исследований машинного обучения часто считаются истинными, по состоянию на февраль 2019. Данная статья доступна на
сайте ArXiv в виде pdf [на английском языке].

Миф 1: TensorFlow – это библиотека для работы с тензорами.

Миф 2: Базы данных изображений отражают реальные фотографии, встречающиеся в природе.

Миф 3: Исследователи МО не используют проверочные наборы для испытаний.

Миф 4: В обучении нейросети используются все входные данные.

Миф 5: Для обучения очень глубоких остаточных сетей требуется пакетная нормализация.

Миф 6: Сети с вниманием [attention] лучше свёрточных [convolution].

Миф 7: Карты значимости – надёжный способ интерпретации нейросетей.

А теперь — подробности.

Источник

Интуитивный RL (Reinforcement Learning): введение в Advantage-Actor-Critic (A2C)

Это вольный перевод статьи Rudy Gilman и Katherine Wang Intuitive RL: Intro to Advantage-Actor-Critic (A2C).

Специалисты по обучению с подкреплением (RL) подготовили множество отличных учебных пособий. Большинство, однако, описывают RL в терминах математических уравнений и абстрактных диаграмм. Нам нравится думать о предмете с другой точки зрения. Сама RL вдохновлена ​​тем, как учатся животные, так почему бы не перевести лежащий в основе этого механизм RL обратно в природные явления, которые он призван имитировать? Люди учатся лучше всего через истории.

Это история о модели Actor Advantage Critic (A2C). Модель «Субъект-критик» — это популярная форма модели Policy Gradient, которая сама по себе является традиционным алгоритмом RL. Если вы понимаете A2C, вы понимаете глубокий RL.

Источник

Формула для корейского, или распознаем хангыль быстро, легко и без ошибок

На сегодняшний день сделать распознавание корейских символов может любой студент, прослушавший курс по нейросетям. Дайте ему выборку и компьютер с видеокартой, и через некоторое время он принесёт вам сеть, которая будет распознавать корейские символы почти без ошибок.

Но такое решение будет обладать рядом недостатков:

Во-первых, большое количество необходимых вычислений, что влияет на время работы или требуемую энергию (что очень актуально для мобильных устройств). Действительно, если мы хотим распознавать хотя бы 3000 символов, то это будет размер последнего слоя сети. А если вход этого слоя равен хотя бы 512-ти, то получаем 512 * 3000 умножений. Многовато.

Во-вторых, размер. Тот же самый последний слой из предыдущего примера будет весить 512 * 3001 * 4 байт, то есть около 6-ти мегабайт. Это только один слой, вся сеть будет весить десятки мегабайт. Понятно, для настольного компьютера это проблема небольшая, но на смартфоне не все будут готовы хранить столько данных для распознавания одного языка.

В-третьих, такая сеть будет давать непредсказуемый результат на изображениях, которые не являются корейскими символами, но тем не менее используются в корейских текстах. В лабораторных условиях это не трудно, но для практического применения технологии этот вопрос придётся как-то решать.

И в-четвёртых, проблема в количестве символов: 3000, скорее всего, хватит чтобы, например, отличить в меню ресторана стейк от жареного морского огурца, но порой встречаются и более сложные тексты. Обучить сеть на большее количество символов будет сложно: она будет не только более медленной, но и возникнет проблема со сбором обучающей выборки, так как частота символов падает приблизительно экспоненциально. Конечно, можно доставать изображения из шрифтов и аугментировать их, но для обучения хорошей сети этого недостаточно.

И сегодня я расскажу, как нам удалось решить эти проблемы.

Источник

Создана основа для обобщённой теории нейросетей

Огромные возможности нейросетей иногда сравнимы с их непредсказуемостью. Теперь математики начинают понимать, как форма нейросети влияет на её работу



Когда мы проектируем небоскрёб, мы рассчитываем, что он в итоге будет удовлетворять всем спецификациям: что башня сможет выдержать такой вес, а также землетрясение определённой силы.

Однако одну из самых важных технологий современного мира мы, по сути, проектируем вслепую. Мы играемся с различными схемами, различными настройками, но пока мы не запустим пробный прогон системы, мы на самом деле не имеем понятия, что она сможет сделать, или где она откажется работать.

Источник

Microsoft: Россия опережает США и Европу по внедрению искусственного интеллекта

Корпорация Microsoft сегодня
опубликовала результаты анализа процессов активного внедрения искусственного интеллекта в США, России и Европе. Как оказалось, РФ достигла самого высокого показателя в этой работе среди всех стран-участниц опроса. Средний результат по миру равен 22,3%, в России же он составил 30%, то есть треть российских компаний активно внедряет искусственный интеллект.

По мнению экспертов Microsoft, представивших исследование Business Leaders in the Age of AI, российские руководители используют возможности искусственного интеллекта для бизнеса более активно, чем зарубежные коллеги. Если взять средний показатель внедрения ИИ в 22,3%, о чем уже говорилось, то в некоторых странах он гораздо ниже среднего значения — так, во Франции это всего 10%.

Источник

SmartMail Conf: первая конференция Почты Mail.ru по машинному обучению

23 марта в нашем офисе пройдет первая профессиональная конференция от разработчиков Почты Mail.ru — SmartMail Conf. Она будет посвящена использованию технологий машинного обучения в высоконагруженных сервисах. Машинное обучение — одно из приоритетных для нас направлений, и используется, например, в
Почте Mail.ru для классификации писем, защиты от спама, сортировки рассылок, выделения важных писем, в технологии Smart Reply и прочих задачах.

Источник

ИИ, обученный на основе результатов десятилетий кулинарных экспериментов, создает новые блюда

Искусственный интеллект (слабая его форма) проникает в науку, искусство, военное дело, игры и многие другие сферы. Сейчас эта технология начинает применяться и в такой неожиданной отрасли, как кулинария. Пионером стала компания IBM, которая воспользовалась возможностями Watson для
составления новых рецептов и улучшения уже существующих.

Эксперты, которые работают над проектом, считают, что если тестовая фаза эксперимента пройдет хорошо, то ИИ окажет значительное влияние на то, что мы едим каждый день. До идеала еще очень далеко, но кое-какие успехи уже есть.

Источник

Уже сейчас технологии позволяют разговаривать с автомобилем как с человеком

Количество аварий заставили принять закон об обязательном внедрении систем разговора по мобильной связи по технологиям «без рук». Но технологии не стоят на месте, и сейчас, благодаря развитию технологий создания говорящих цифровых сознаний, возможно сделать гораздо больше для улучшения комфорта и безопасности поездок на автомобиле.

Сегодня Ваш автомобиль может разговаривать как человек, который знает всё о состоянии авто и если Вы поделитесь некоторой информацией о Вас, например телефонный номер супруги, офиса, адрес работы и дома, то может изменить ваши «отношения» со своим авто.

Настало время посмотреть видео:

Давайте рассмотрим подробнее плюсы таких взаимоотношений:

Источник

Mayhem — машина, способная находить уязвимости в программах и исправлять их

Программа заняла первое место в конкурсе Cyber Grand Challenge от DARPA, посвящённом автоматизации этичного взлома



В 2011 года, когда инвестор Марк Андриссен
сказал, что «программы поедают мир», эта идея была свежей. Сейчас очевидно, что ПО проникает во все аспекты наших жизней. От сложных электронных устройств типа медицинского оборудования и робомобилей до простейших, вроде лампочек, подсоединённых к интернету и термометров – нас окружает ПО.

А это значит, что мы уязвимы для атак на это ПО, как никогда раньше.

Источник

Нетехнологические компании начинают масштабно использовать искусственный интеллект

По словам Александры Суйч Басс, искусственный интеллект распространяется за пределы технологического сектора, что повлечет серьезные последствия для компаний, работников и потребителей.

Детекторы лжи не очень широко используются в бизнесе, но китайская страховая компания Ping An считает, что сможет выявить обман. Компания позволяет клиентам подавать заявки на кредиты через свое приложение. Потенциальные заемщики отвечают на вопросы о своих доходах и планах погашения с помощью видеотрансляции, которая отслеживает около 50 крошечных выражений лица, с целью определить искренность их решений. Программа, работает на базе искусственного интеллекта (AI) и помогает точно определить клиентов, с которыми следует продолжить работу.

AI заменит большинство обязательных проверок состояний банковских счетов заемщиков. Johnson & Johnson, фирма по производству потребительских товаров, и Accenture, консалтинговая компания, используют AI для сортировки резюме и выбора лучших кандидатов. AI помогает Caesars, группе компании из сферы казино и отелей, угадывать вероятные расходы клиентов и предлагать персонализированные рекламные акции для их привлечения. Bloomberg, медиахолдинг и финансово-информационная компаний, использует AI для сканирования отчетов о доходах компаний и автоматического создания новостных статей. Vodafone, оператор мобильной связи, может предсказать проблемы со связью и устройствами пользователей до того момента, как они возникнут. Компании из каждой экономической отрасли используют AI для мониторинга угроз кибербезопасности и других рисков, таких как эмоциональное выгорание сотрудников.

Источник

Как можно упростить и ускорить вычисление нейронной сети прямого распространения

Здравствуйте, уважаемые читатели. О нейронных сетях написано и сказано очень много, преимущественно о том, как и для чего их можно применить. При этом как-то не очень много внимания уделяется двум важным вопросам: а) как нейронную сеть упростить и быстро вычислить (одно вычисление экспоненты реализуется библиотечными функциями языков программирования, обычно, не менее чем за 15-20 процессорных инструкций), б) какова, хотя бы отчасти, логика работы построенной сети – в самом деле, получаемые после обучении сети огромные матрицы значений весов и смещений как-то не очень помогают понять закономерности, которые эта сеть нашла (они остаются скрытыми и задача их определить – задача вербализации – иногда очень важна). Я расскажу об одном своем подходе к решению этих вопросов для обычных нейронных сетей прямого распространения, при этом постараюсь обойтись минимумом математики.

Источник

Почему не стоит ждать проявлений морали от робомобилей

С тех пор, как компании начали разработку робомобилей, люди стали задавать вопросы о том, как дизайнеры собираются решать
моральные вопросы, типа кого должен убить робомобиль в случае, когда авария неизбежна. Недавнее
исследование говорят о том, что на этот вопрос, возможно, ответить будет ещё сложнее, чем считалось ранее, поскольку в разных странах моральные предпочтения людей разнятся.

Исследователи из Гарвардского университета и MIT разработали онлайн-игру, симулирующую ситуации, в которых ДТП с жертвами было неизбежно. Они опросили 40 млн человек из 200 стран мира, предлагая выбрать различные варианты того, как должны заканчиваться такие инциденты, к примеру, должны ли погибать пассажиры авто или пешеходы.

Источник

«Статья про минет»: ученые обработали 109 часов орального секса, чтобы разработать ИИ, который сосет член

Привет, Хабр! Представляю вашему вниманию перевод
статьи Саманты Коул (Samantha Cole) c motherboard.vice.com.

Анонимные специалисты по машинному обучению написали «статью про минет», чтобы сделать эту машинку для отсоса более реалистичной.

Autoblow AI, секс-игрушка для пользователей с пенисом, состоит из резинового рукава и расположенного внутри корпуса электродвигателя, и пытается имитировать оральный секс. Ее
кампания на Indiegogo была запущена на прошлой неделе и быстро достигла своей цели в 50 000 $. Ее главное преимущество над предыдущей моделью, Autoblow 2, выпущенной в
2014 — это алгоритм машинного обучения, который «постоянно меняет технику», чтобы удовлетворить пользователя новыми способами.

Вместо повторяющихся, механических движений, этот «режим искусственного интеллекта» обещает воспроизвести сложные и непредсказуемые движения настоящего, человеческого минета. Чтобы сделать это, компания попросила команду из шести человек просмотреть и аннотировать 109 часов порно и наняла специалистов по машинному обучению, чтобы создать модель, обрабатывающую эти данные и транслирующую их в то, что делает игрушка. Вся работа заняла три года.

Источник