Нейросети новости: Документ не найден

Содержание

Эксперт рассказал, как нейросети изменят бизнес через несколько лет

https://ria.ru/20200904/neyroseti-1576715655.html

Эксперт рассказал, как нейросети изменят бизнес через несколько лет

Эксперт рассказал, как нейросети изменят бизнес через несколько лет — РИА Новости, 04.09.2020

Эксперт рассказал, как нейросети изменят бизнес через несколько лет

Технологии нейронных сетей и машинного обучения все активнее используются в бизнесе, уже через несколько лет они изменят рынок труда, помогут контролировать… РИА Новости, 04.09.2020

2020-09-04T07:38

2020-09-04T07:38

2020-09-04T07:38

юрий любимов

экономика

/html/head/meta[@name=’og:title’]/@content

/html/head/meta[@name=’og:description’]/@content

https://cdn22.img.ria.ru/images/152297/71/1522977132_128:0:7374:4076_1920x0_80_0_0_04ec5fd1abe7f78c95e028c368cc1e7c.jpg

МОСКВА, 4 сен — РИА Новости. Технологии нейронных сетей и машинного обучения все активнее используются в бизнесе, уже через несколько лет они изменят рынок труда, помогут контролировать бизнес-процессы и станут главными «советниками» руководителей, заявил РИА Новости генеральный директор провайдера IT-инфраструктуры Selectel Олег Любимов. Эксперт привел данные исследования Всемирного экономического форума, согласно которым к 2022 году без работы останутся 75 миллионов человек, при этом появятся около 133 миллионов новых рабочих мест.»Новые инструменты рекрутинга, использующие технологии нейронных сетей, изменят рынок труда. Раньше HR тратил много времени на первичный отбор резюме до этапа личного общения с кандидатами. Современные инструменты на основе нейросетей позволяют автоматически сужать воронку, отбрасывая неподходящие резюме, и составлять список кандидатов, экономя время. Такие системы в скором времени будут повсеместно использоваться и интегрироваться в решения для рекрутинга и изменят эту сферу», — полагает эксперт.Помимо этого, по мнению Любимова, нейросети станут постоянными «советниками» руководителей и помогут топ-менеджерам принимать более точные решения. «Интерес к нейросетям среди руководителей в первую очередь связан с их стремлением перейти к data-driven decisions (решениям, основанными на данных). Нейросети помогут топ-менеджменту принимать ключевые бизнес-решения, основываясь на анализе ключевых метрик бизнеса, на цифрах, а не только на собственном видении, интуиции и субъективном знании рынка», — пояснил он.

https://ria.ru/20200715/1574349181.html

https://ria.ru/20200501/1570733404.html

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

2020

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

Новости

ru-RU

https://ria.ru/docs/about/copyright.html

https://xn--c1acbl2abdlkab1og.xn--p1ai/

РИА Новости

interne[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

https://cdn25.img.ria.ru/images/152297/71/1522977132_1033:0:6468:4076_1920x0_80_0_0_e04539dd3929124ca189ad95a47f89e0.jpg

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

РИА Новости

[email protected] ru

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

юрий любимов, экономика

МОСКВА, 4 сен — РИА Новости. Технологии нейронных сетей и машинного обучения все активнее используются в бизнесе, уже через несколько лет они изменят рынок труда, помогут контролировать бизнес-процессы и станут главными «советниками» руководителей, заявил РИА Новости генеральный директор провайдера IT-инфраструктуры Selectel Олег Любимов.

Эксперт привел данные исследования Всемирного экономического форума, согласно которым к 2022 году без работы останутся 75 миллионов человек, при этом появятся около 133 миллионов новых рабочих мест.

15 июля 2020, 08:00НаукаНейросеть подает голос. Неожиданные успехи искусственного интеллекта

«На рынке появится больше специалистов, которые создают системы обработки больших массивов данных, архитекторов автоматизации, системных операторов, копирайтеров для диалоговых интерфейсов и ботов. Сейчас же в зоне риска находятся бухгалтеры, сметчики, библиотекари, экскурсоводы, журналисты, копирайтеры, логисты, билетеры, прорабы. На трансформацию и автоматизацию этих отраслей уйдет 10-15 лет», — считает Любимов.

«Новые инструменты рекрутинга, использующие технологии нейронных сетей, изменят рынок труда. Раньше HR тратил много времени на первичный отбор резюме до этапа личного общения с кандидатами. Современные инструменты на основе нейросетей позволяют автоматически сужать воронку, отбрасывая неподходящие резюме, и составлять список кандидатов, экономя время. Такие системы в скором времени будут повсеместно использоваться и интегрироваться в решения для рекрутинга и изменят эту сферу», — полагает эксперт.

Помимо этого, по мнению Любимова, нейросети станут постоянными «советниками» руководителей и помогут топ-менеджерам принимать более точные решения. «Интерес к нейросетям среди руководителей в первую очередь связан с их стремлением перейти к data-driven decisions (решениям, основанными на данных). Нейросети помогут топ-менеджменту принимать ключевые бизнес-решения, основываясь на анализе ключевых метрик бизнеса, на цифрах, а не только на собственном видении, интуиции и субъективном знании рынка», — пояснил он.1 мая 2020, 08:00Хорошие новостиНейросеть научится планировать операции на сетчатке глаза

«Машинное обучение и нейросети помогут контролировать бизнес-процессы. Улучшение повседневных операций поможет бизнесу расти быстрее, алгоритмы машинного обучения будут делать основную монотонную работу — анализировать цепочки поставок и рабочие процессы, искать неочевидные точки роста в больших объемах данных, контролировать, какие ресурсы не довезли, нарушены ли сроки, кто именно виноват, кого лишить премии», — добавил эксперт.

Образование будущего. Дистант, онлайн, нейросети, VR, нейроинтерфейсы

https://ria.ru/20210529/obrazovanie-1733957572.html

Образование будущего. Дистант, онлайн, нейросети, VR, нейроинтерфейсы

Образование будущего. Дистант, онлайн, нейросети, VR, нейроинтерфейсы — РИА Новости, 31. 05.2021

Образование будущего. Дистант, онлайн, нейросети, VR, нейроинтерфейсы

Чем отличается онлайн-университет от дистанционного вуза? Возможно ли полноценное образование полностью на удалёнке? Какова цель истинная образования — обучить или воспитать? Чтение устарело? Когда VR и эдьютейнмент полностью вытеснят традиционное обучение? Как технологии сохраняют и даже приумножают знания и наследие давно умерших людей?

2021-05-29T10:00

2021-05-29T10:00

2021-05-31T09:11

социальный навигатор

сн_образование

мы все умрём. но это не точно

нейробиология

виртуальная реальность

подкаст

технологии

общество

/html/head/meta[@name=’og:title’]/@content

/html/head/meta[@name=’og:description’]/@content

https://cdn21.img.ria.ru/images/07e5/05/1a/1733957212_3:0:638:357_1920x0_80_0_0_a02e65a93d767b33bf55158e750f3177.jpg

Образование будущего. Дистант, онлайн, нейросети, VR, нейроинтерфейсы

Чем отличается онлайн-университет от дистанционного вуза? Возможно ли полноценное образование полностью на удалёнке? Какова цель истинная образования — обучить или воспитать? Чтение устарело? Когда VR и эдьютейнмент полностью вытеснят традиционное обучение? Как технологии сохраняют и даже приумножают знания и наследие давно умерших людей?

audio/mpeg

Образование будущего. Дистант, онлайн, нейросети, VR, нейроинтерфейсы

Чем отличается онлайн-университет от дистанционного вуза? Возможно ли полноценное образование полностью на удалёнке? Какова цель истинная образования — обучить или воспитать? Чтение устарело? Когда VR и эдьютейнмент полностью вытеснят традиционное обучение? Как технологии сохраняют и даже приумножают знания и наследие давно умерших людей?

audio/mpeg

На эти и другие вопросы отвечают Елена Фёдорова — кандидат педагогических наук, международный эксперт в области дистанционного образования — и научный журналист, блогер и писатель Илья Кабанов.Слушайте подкасты РИА Новости и подписывайтесь на них в мобильных приложениях: для iPhone — iTunes, для Android — Google Podcasts. С любым устройством вы можете использовать Яндекс.Музыка, Castbox и SoundStream. Скачайте выбранное приложение и наберите в строке поиска «РИА Новости» или название подкаста.Как и где бесплатно подписаться на подкасты__________Эпизод подготовил Игорь КривицкийМонтаж Анастасии ПаниотиСпрашивайте нас, предлагайте нам, спорьте с нами: [email protected] ru

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

2021

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

Новости

ru-RU

https://ria.ru/docs/about/copyright.html

https://xn--c1acbl2abdlkab1og.xn--p1ai/

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

https://cdn22.img.ria.ru/images/07e5/05/1a/1733957212_83:0:559:357_1920x0_80_0_0_536de9fc2ff0d676a63b9e67a805a5a6.jpg

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og. xn--p1ai/awards/

социальный навигатор, сн_образование, аудио, нейробиология, виртуальная реальность, подкаст, технологии, общество

10:00 29.05.2021 (обновлено: 09:11 31.05.2021)

Чем отличается онлайн-университет от дистанционного вуза? Возможно ли полноценное образование полностью на удалёнке? Какова цель истинная образования — обучить или воспитать? Чтение устарело? Когда VR и эдьютейнмент полностью вытеснят традиционное обучение? Как технологии сохраняют и даже приумножают знания и наследие давно умерших людей?

Нейросети научат выбирать данные | ComNews

Подход DVSE позволяет нейронной сети автоматически выбирать из видеопотока разнообразные и репрезентативные данные, используя метрику сравнения разных кадров. Механизм также позволяет отфильтровывать из видеопотока лишние данные, не влияющие на процесс обучения.

Руководитель департамента разработки беспилотных транспортных средств Cognitive Pilot Юрий Минкин отмечает, что разработка подхода длилась около года. «Наше решение является в целом универсальным, и механизм автоматического отбора датасетов с редкими событиями или объектами мы будем использовать во всех своих продуктах для направлений агро-, рельсового и автотранспорта. Какая-либо коллаборация с другими разработчиками нами не планируется, хотя, конечно, мы будем смотреть и внимательно изучать мировой опыт в этом направлении при развитии и совершенствовании нашего решения. На настоящий момент мы не планируем коммерческого распространения нашего решения. Оно будет использовано только во внутренних проектах. В будущем, возможно, мы рассмотрим такой вопрос», — подчеркивает Юрий Минкин.

Первый заместитель председателя правления Сбербанка Александр Ведяхин отметил: «Наши коллеги из Cognitive Pilot продемонстрировали огромное преимущество систем искусственного интеллекта над традиционными подходами. Эта инновация в разы сокращает время разработки и кардинально упрощает создание умных решений в одном из наиболее востребованных секторов рынка — беспилотниках. Благодаря этой технологии мы сможем увеличить функциональность существующих решений для автономного управления сельскохозяйственным и рельсовым транспортом и масштабировать наши проекты на новые российские и зарубежные рынки».

«У нас большой опыт по обучению нейронных сетей и созданию датасетов. В этой зоне мы в числе мировых лидеров. В отличие от многих игроков рынка искусственного интеллекта для беспилотного транспорта, которые работают в основном с готовыми данными, публичными датасетами и используют их в приложениях для одного направления — или агро, или automotive, или иного, — мы накопили солидную экспертизу по обучению нейронных сетей на собственных датасетах сразу в нескольких сегментах: агро, рельсового транспорта и авто», — говорит генеральный директор Cognitive Pilot Ольга Ускова.

«В данный момент нельзя сказать, какое решение будет революционным в разработке беспилотников: битва за первый массовый беспилотный автомобиль на общественных дорогах еще идет. Каждый месяц разные компании у нас и за рубежом объявляют о новых достижениях. Данная технология интересная, однако насколько она продвинет разработку в целом, пока неизвестно», — комментирует архитектор машинного обучения Softline Digital Lab Николай Князев.

Николай Князев считает, что выгода использования подхода DVSE сильно зависит от задачи. «Сама технология подразумевает создание пространства тегов (слов) и определение тех тегов, которыми возможно описать изображение, но как их использовать с коммерческой точки зрения — вопрос. Ведь если рассматривать это нововведение технически, то критерий успеха один — насколько улучшена финальная метрика всей системы. А если коммерчески, то непонятна идея сделать большое пространство близких тегов, но что потом с ним делать? Ведь компаниям нужно выявление не всех возможных тегов, а конкретных, и вот качество на выявлении тех нужных тегов и будет показателем в задачах от дефектов на производстве до перебегающих дорогу кошек», — отмечает Николай Князев.

«Эта технология появилась довольно давно по сравнению с развитием технологий машинного обучения — семь лет назад. С этого момента появилось огромное количество других гораздо более востребованных технологий и готовых нейронных сетей. То, что ей нашли применение — интересно, однако востребованность будет определяться исключительно по стабильности работы собранного решения», — подчеркивает Николай Князев.

«Использование векторных представлений – embedding — для сжатия данных при минимальной потере исходной информативности действительно является мейнстримом в области эффективного обучения моделей и сокращения количества вычислений как в процессе разработки, так и в применении моделей машинного обучения. Методы формирования подобных векторных представлений постоянно совершенствуются, однако идея обучения при отнесении близких объектов в близкие векторные представления кажется неизменной. Если скорость отработки модели является достаточной для работы на ресурсах беспилотных летательных аппаратов, то решение имеет высокий потенциал промышленной реализации», — отмечает руководитель направления «Большие данные» компании «Техносерв» Денис Рыбченко.

Rambler Group начала использовать нейросети для «умного» таргетинга

Интернет
Интернет-реклама


|

Поделиться

Разработчики DMP-платформы (Data Management Platform) Rambler Group провели многочисленные исследования по использованию алгоритмов на основе нейронных сетей и вышли на новую, ранее недостижимую, планку качества. Добавление нейронных сетей позволило увеличить рекламную ёмкость более чем на 200 миллионов показов в месяц, доступных для таргетинга на точные социально-демографические данные.

Артём Выборнов, руководитель платформы по обработке данных AdTech Rambler Group, отметил: «При решении любой задачи по ML наступает момент, когда качество выходит на плато и добиться ощутимых улучшений всё сложнее. Мы преломили этот тренд путём кардинального изменения нашего подхода. С помощью нейронных сетей на основе поведения пользователей в интернете мы построили эмбединги, то есть для каждого посетителя наших медиаресурсов создали вектор чисел, который его характеризуют. Добавление этого вектора в существующие модели позволило нам значительно повысить качество социально-демографических сегментов».

Rambler Group – одна из немногих российских digital-компаний, которая использует собственные передовые технологии для размещения и таргетирования рекламы.

Для максимально точной персонализации специалисты Rambler Group используют собственную DMP-платформу, которая собирает и обрабатывает огромный массив неперсонифицированных данных (более 10 ТБ в день). Система анализирует и структурирует разрозненную информацию более 500 миллионов профилей и формирует её в 10 тысяч аудиторных сегментов, обновляющихся в режиме реального времени.

Юлия Коновалова, CPO AdTech Rambler Group, сказала: «Социально-демографические сегменты – это ключевая и самая популярная категория у наших рекламодателей. Увеличение качества и ёмкости для них даёт прирост охватов почти во всех рекламных кампаниях. Благодаря работе наших специалистов из AdTech и исследованиям, проводимым в течение последних лет, Rambler Group уже достаточно точно определяет социально-демографические сегменты пользователей из всего массива неперсонифицированных данных. Поэтому улучшение показателей даже на несколько процентов – сложная технологическая задача. Мы стремимся к максимальной эффективности и докручиваем каждый инструмент до идеала. В итоге рекламодатели получают более точное таргетирование на аудиторию и всё чаще выбирают Rambler Group в качестве приоритетного партнёра для своих кампаний».

Технологии на основе машинного обучения и искусственного интеллекта помогают не только при определении социально-демографических данных пользователей, но и при оптимизации performance-рекламы, которую используют для повышения эффективности кампании. Искусственный интеллект в режиме реального времени оценивает большое количество факторов, включая пользовательское поведение, площадку, рекламное место, дату, время, погоду и другие, и советует наиболее оптимальные решения для показа того или иного креатива. С помощью нейросетей в Rambler Group вышли на новый уровень в таргетировании рекламы, и эти технологии теперь активно внедряются и в другие проекты группы компаний.

Владимир Бахур

Нейросеть 2021

Камера с искусственным интеллектом

Современный процессор должен иметь возможность запускать нейросетевую видеоаналитику. В сравнении с обычными процессоры умных камер чаще всего имеют улучшенный графический (GPU, Graphics Processing Unit) чипсет, который дает больше вычислительной мощности для алгоритмов, потребляя при этом меньше энергии и выделяя меньше тепла.

Стоит отметить, что со стремительным развитием искусственного интеллекта начинают появляться специализированные чипсеты, приходящие на смену привычным CPU (Central Processing Unit) и GPU. Среди них NPU (Neral Processing Unit) или TPU (Tensor Processing Unit). Расчетные мощности нейросетей требуют от процессоров значительных ресурсов. До сегодняшнего времени пользователи выбирали, на каком типе процессоров производить расчеты, графическом (GPU) или центральном (CPU). При этом GPU более подходит под требования нейросетевых вычислений, а значит выполняет их более эффективно. В настоящее время производители процессоров, комбинируя преимущества CPU и GPU в одной микросхеме, выпускают специализированные гибридные чипы, узко направленные на нейросетевые вычисления или работу с «морем» множителей, потребляющие при этом меньше энергии. Стоимость таких решений еще достаточно высока, но постепенно снижается.

Как различать камеры с искусственным интеллектом? Читайте в статье «Как устроены камеры с искусственным интеллектом» >>>

Что умеет нейросетевая видеоаналитика?

Часто приходится слышать, что рынок систем видеонаблюдения все больше коммодитизируется. Множество продуктов со схожей функциональностью (или, по крайней мере, схожими обещаниями производителя) затрудняют выбор для пользователя, и одним из главных аргументов становится имя вендора и его репутация. У самих производителей остается два пути: или ввязаться в ценовую войну, делая ставку на максимальную оптимизацию затрат, или предложить что-то действительно новое и прорывное.

Тренд, который пытаются оседлать разработчики, выбравшие второй путь, – искусственный интеллект, основанный на нейронных сетях и глубоком обучении. Зародившийся несколько лет назад рынок ИИ-видеоаналитики находится в стадии взрывного роста. Новая технологическая волна добавила оптимизма небольшим, но амбициозным компаниям. Кажется, у них появился шанс прорваться к лидерству – в перспективе нескольких лет.

Однако хайп, поднятый новым модным трендом, вызывает здравые опасения умудренных опытом профессионалов рынка безопасности, как со стороны клиента, который ищет решение для своих задач, так и со стороны интегратора, который строит стратегию долгосрочного развития. Это очень похоже на очередной технологический «пузырь». Такой, который уже успел надуться вокруг видеоаналитики без нейронных сетей и громко лопнуть, когда стало ясно, что громкие обещания – всего лишь (не очень добросовестная) реклама. Но в пользу того, что ИИ в системах видеонаблюдения не «пузырь», говорит множество фактов.

Первый (и главный) – это работающие системы на реальных объектах. Они выполняют те самые обещания, которые в эпоху предыдущего «пузыря» давали горячие головы, пытающиеся научить компьютер анализировать реальность, используя классический алгоритмический подход.

На что способен искусственный интеллект и как работает поведенческая видеоаналитика — читайте полный текст статьи «Что умеет и чего не умеет нейросетевая видеоаналитика?» >>>

Нейросеть генерирует псевдоконтент, который могут распознать только специалисты

Ученые Вашингтонского университета создали программу, которая способна генерировать контент, внешне мало отличимый от нормальных новостей. Ранее исследователи из Сан-Франциско уже заявляли, что искусственный интеллект (ИИ) может создавать фейковые новости, и предупреждали об опасности использования таких технологий недобросовестными пользователями и организациями.

Ученые из Института Аллена по изучению ИИ совместно с Вашингтонским университетом создали генерирующую фейк-ньюс нейросеть. Программа на основе анализа текстов Wall Street Journal (WSJ) написала новость, что в США якобы была создана компания по добыче полезных ископаемых на Луне. «Опасность заключается в том, что в мире уже достаточно пропагандистских статей. Поэтому нейросети могут взять модели этих статей и генерировать из них фейковый контент,— заявила WSJ доцент Института Аллена Йечжин Чу.— Их качество настолько высоко, что они выглядят весьма убедительными».

Впрочем, специалисты отмечают, что при подробном анализе распознать фейк, созданный нейросетью, все-таки можно. В частности, в данной статье программа упомянула не существующее устройство — «гравитационный трактор/тягач» — теоретический вид космического аппарата, о вероятности создания которого нередко пишут СМИ. Кроме того, в сообщении были цитаты несуществующих экспертов из несуществующих организаций, названия которых созданы путем соединения слов из названий настоящих компаний. Также в тексте есть логические и смысловые нестыковки между абзацами и небольшие грамматические ошибки.

Однако эти недостатки с лихвой окупаются дешевизной и простотой генерирования фейк-ньюс для массового потребителя, говорят эксперты. «Большие объемы синтезированной дезинформации не только возможны, но дешевы и правдоподобны,— отмечает принимавшая участие в эксперименте Сара Крепс из Университета Корнелла.— Распространение такой информации в интернете может дать возможность для целенаправленных кампаний по дезинформированию населения. Даже если люди не верят фейковым новостям, само понимание их существования подрывает доверие к СМИ и правительствам».

В феврале ученые из сан-францисского исследовательского института OpenAI создали генератор текстов, который может создавать вымышленные новости, анализируя алгоритмы реальных новостей. Таким образом, программа создала довольно стройный со стилистической точки зрения текст о том, что «Россия объявила войну США после того, как Дональд Трамп случайно запустил в воздух ракету. Россия проанализировала траекторию полета и заявила, что примет все меры для обеспечения безопасности ее населения». Директор OpenAI Джек Кларк заявил, что «подобные технологии быстро развиваются и через год-два могут быть использованы для масштабных кампаний по дезинформированию и пропаганде».

Проблема все большего распространения фейковых новостей в интернете беспокоит не только специалистов по IT, СМИ и власти многих стран, но и психологов. В августе британская The Times сообщила об исследовании ирландских ученых влияния фейковых новостей на политические предпочтения избирателей. В прошлом году за неделю до проведения в Ирландии референдума о легализации абортов ученые Университета Корка показали 3140 участникам эксперимента шесть новостных заметок по теме референдума, две из которых были ложными. Затем участников попросили выбрать фейки. В ходе обсуждения участники поняли, какие именно новости оказались недостоверными. Спустя некоторое время ученые опросили людей по ряду вопросов, связанных с референдумом и политиками, высказывавшимися по этому вопросу. Выяснилось, что примерно половина участников имеют представление о теме, «помня» о каких-то событиях на основании фейковых новостей. Причем многие из них не смогли восстановить в памяти реальные события даже после того, как им напомнили, что новостные сообщения были сфабрикованы. Исходя из этого исследователи сделали вывод, что фейковые новости могут влиять на мнения и, соответственно, выбор избирателей даже после разоблачения таких новостей.

Евгений Хвостик

Урок «Нейросети и коммуникации» — Урок Цифры

Вы: *

Ученик

Учитель

Родитель

Если под вашим аккаунтом уроки будут проходить ученики, вы сможете добавить их в личном кабинете, чтобы мы корректно считали статистику прохождений и упростили вам доступ к тренажерам.

E-mail *

Пароль *

Повторите пароль *

Я не из России

Страны: *Выбрать

Регион: *ВыбратьАдыгеяАлтайАлтайский крайАмурская областьАрхангельская областьАстраханская областьБашкортостанБелгородская областьБрянская областьБурятияВладимирская областьВолгоградская областьВологодская областьВоронежская областьДагестанЕврейская АОЗабайкальский крайИвановская областьИнгушетияИркутская областьКабардино-БалкарияКалининградская областьКалмыкияКалужская областьКамчатский крайКарачаево-ЧеркессияКарелияКемеровская областьКировская областьКомиКостромская областьКраснодарский крайКрасноярский крайКрымКурганская областьКурская областьЛенинградская областьЛипецкая областьМагаданская областьМордовияМоскваМосковская областьМурманская областьНенецкий АОНижегородская областьНовгородская областьНовосибирская областьОмская областьОренбургская областьОрловская областьПензенская областьПермский крайПриморский крайПсковская областьРеспублика Марий ЭлРостовская областьРязанская областьСамарская областьСанкт-ПетербургСаратовская областьСаха (Якутия)Сахалинская областьСвердловская областьСевастопольСеверная Осетия — АланияСмоленская областьСтавропольский крайТамбовская областьТатарстанТверская областьТомская областьТульская областьТываТюменская областьУдмуртияУльяновская областьХабаровский крайХакасияХанты-Мансийский АО — ЮграЧелябинская областьЧеченская республикаЧувашская республикаЧукотский АОЯмало-Ненецкий АОЯрославская область

Город (если не нашли свой, выберите центр вашего региона): *Выбрать

Класс: *Выбрать1-й2-й3-й4-й5-й6-й7-й8-й9-й10-й11-й

Обычно я прохожу тренажер один

Снимите галочку, если предполагаете, что с вашего профиля уроки будут проходить множество учеников. Например, когда все ученики сидят за одним компьютером.

Авторизация в VK Connect

Авторизируйтесь, чтобы использовать VK Connect для дальнейших входов в личный кабинет

Объяснение: Нейронные сети | MIT News

За последние 10 лет самые эффективные системы искусственного интеллекта, такие как распознаватели речи на смартфонах или новейший автоматический переводчик Google, были созданы с помощью техники, называемой «глубокое обучение».

Глубокое обучение — это фактически новое название подхода к искусственному интеллекту, называемого нейронными сетями, который входил и выходил из моды уже более 70 лет. Нейронные сети были впервые предложены в 1944 году Уорреном Маккалоу и Уолтером Питтсом, двумя исследователями из Чикагского университета, которые переехали в Массачусетский технологический институт в 1952 году в качестве членов-основателей того, что иногда называют первым отделом когнитивной науки.

Нейронные сети были основной областью исследований как в нейробиологии, так и в информатике до 1969 года, когда, согласно знаниям информатики, они были убиты математиками Массачусетского технологического института Марвином Мински и Сеймуром Папертом, которые через год стали содиректорами. новой лаборатории искусственного интеллекта Массачусетского технологического института.

Затем эта техника возродилась в 1980-х, снова потеряла свою актуальность в первом десятилетии нового столетия и вернулась, как гангстеры во втором, во многом благодаря возросшей вычислительной мощности графических чипов.

«Есть мнение, что идеи в науке чем-то похожи на эпидемии вирусов», — говорит Томазо Поджио, профессор мозга и когнитивных наук Юджина Макдермотта в Массачусетском технологическом институте, исследователь Института исследований мозга Макговерна при Массачусетском технологическом институте и директор центра Массачусетского технологического института. для мозга, разума и машин. «По-видимому, существует пять или шесть основных штаммов вирусов гриппа, и, по всей видимости, каждый из них возвращается примерно через 25 лет. Люди заражаются, у них развивается иммунный ответ, поэтому они не заражаются в течение следующих 25 лет.А еще есть новое поколение, готовое заразиться тем же штаммом вируса. В науке люди влюбляются в идею, воодушевляются ею, забивают ее до смерти, а затем получают иммунизацию — они устают от нее. Так что идеи должны иметь одинаковую периодичность! »

Важные вопросы

Нейронные сети — это средство машинного обучения, при котором компьютер учится выполнять некоторые задачи, анализируя обучающие примеры. Обычно образцы маркируются заранее вручную.Система распознавания объектов, например, могла бы получать тысячи изображений автомобилей, домов, кофейных чашек и т. Д. С этикетками и находить на изображениях визуальные паттерны, которые постоянно соотносятся с определенными этикетками.

Нейронная сеть, смоделированная на основе человеческого мозга, состоит из тысяч или даже миллионов простых узлов обработки, которые плотно взаимосвязаны. Большинство современных нейронных сетей организованы в слои узлов, и они имеют «прямую связь», что означает, что данные проходят через них только в одном направлении.Отдельный узел может быть подключен к нескольким узлам на нижнем уровне, от которого он получает данные, и к нескольким узлам на верхнем уровне, на которые он отправляет данные.

Каждому из своих входящих соединений узел присваивает номер, известный как «вес». Когда сеть активна, узел получает другой элемент данных — другое число — по каждому из своих соединений и умножает его на соответствующий вес. Затем он складывает полученные продукты вместе, получая одно число.Если это число ниже порогового значения, узел не передает данные на следующий уровень. Если число превышает пороговое значение, узел «срабатывает», что в современных нейронных сетях обычно означает отправку числа — суммы взвешенных входных данных — по всем его исходящим соединениям.

Когда нейронная сеть обучается, все ее веса и пороги изначально устанавливаются на случайные значения. Обучающие данные поступают на нижний уровень — входной уровень — и проходят через последующие уровни, умножаются и складываются сложным образом, пока, наконец, не попадают, радикально преобразованные, на выходной уровень.Во время обучения веса и пороги постоянно корректируются до тех пор, пока данные обучения с одинаковыми метками не будут давать одинаковые результаты.

Умы и машины

Нейронные сети, описанные Маккаллоу и Питтсом в 1944 году, имели пороговые значения и веса, но они не были расположены по слоям, и исследователи не указали какой-либо механизм обучения. Маккалоу и Питтс показали, что нейронная сеть, в принципе, может вычислить любую функцию, которую может выполнить цифровой компьютер.В результате получилось больше нейробиологии, чем информатики: суть заключалась в том, чтобы предположить, что человеческий мозг можно рассматривать как вычислительное устройство.

Нейронные сети продолжают оставаться ценным инструментом для нейробиологических исследований. Например, определенные схемы сети или правила настройки весов и пороговых значений воспроизводят наблюдаемые особенности нейроанатомии и познания человека, что свидетельствует о том, что они фиксируют что-то о том, как мозг обрабатывает информацию.

Первая обучаемая нейронная сеть, Персептрон, была продемонстрирована психологом Корнельского университета Фрэнком Розенблаттом в 1957 году.Дизайн персептрона был очень похож на дизайн современной нейронной сети, за исключением того, что у нее был только один слой с регулируемыми весами и порогами, зажатый между входным и выходным слоями.

Персептроны были активной областью исследований как в психологии, так и в молодой дисциплине информатики до 1959 года, когда Мински и Паперт опубликовали книгу под названием «Персептроны», которая продемонстрировала, что выполнение некоторых довольно распространенных вычислений на персептронах будет непрактично трудоемким.

«Конечно, все эти ограничения как бы исчезают, если вы берете оборудование немного более сложное — например, двухуровневое», — говорит Поджио. Но в то время книга оказала сдерживающее влияние на исследования нейронных сетей.

«Вы должны поместить эти вещи в исторический контекст», — говорит Поджио. «Они выступали за программирование — для таких языков, как Lisp. Не так давно люди все еще использовали аналоговые компьютеры. В то время было совершенно неясно, что программирование — это правильный путь.Думаю, они немного переборщили, но, как обычно, это не черно-белое изображение. Если вы думаете об этом как о конкуренции между аналоговыми вычислениями и цифровыми вычислениями, они боролись за то, что в то время было правильным ».

Периодичность

Однако к 1980-м годам исследователи разработали алгоритмы для изменения весов и пороговых значений нейронных сетей, которые были достаточно эффективны для сетей с более чем одним слоем, устранив многие ограничения, указанные Мински и Папертом.Поле пережило ренессанс.

Но интеллектуально в нейронных сетях есть что-то неудовлетворительное. Достаточное обучение может изменить настройки сети до такой степени, что она сможет с пользой классифицировать данные, но что означают эти настройки? На какие особенности изображения смотрит распознаватель объектов и как он объединяет их в отличительные визуальные подписи автомобилей, домов и кофейных чашек? Глядя на веса отдельных связей, мы не ответим на этот вопрос.

В последние годы компьютерные ученые начали придумывать гениальные методы для вывода аналитических стратегий, используемых нейронными сетями.Но в 80-е годы стратегии сетей было невозможно расшифровать. Поэтому на рубеже веков нейронные сети были вытеснены машинами опорных векторов — альтернативным подходом к машинному обучению, основанным на очень чистой и элегантной математике.

Недавнее возрождение нейронных сетей — революция глубокого обучения — произошло благодаря индустрии компьютерных игр. Сложные изображения и быстрый темп современных видеоигр требуют оборудования, способного не отставать, и в результате появился графический процессор (GPU), который объединяет тысячи относительно простых процессорных ядер на одном кристалле.Исследователям не потребовалось много времени, чтобы понять, что архитектура графического процессора удивительно похожа на архитектуру нейронной сети.

Современные графические процессоры позволили однослойным сетям 1960-х годов и двух- или трехуровневым сетям 1980-х годов превратиться в современные 10-, 15- и даже 50-уровневые сети. Вот что означает «глубокое обучение» в «глубоком обучении» — глубина слоев сети. И в настоящее время глубокое обучение отвечает за самые эффективные системы почти во всех областях исследований искусственного интеллекта.

Под капотом

Непрозрачность сетей по-прежнему беспокоит теоретиков, но и в этом направлении есть успехи. Помимо руководства Центром мозга, разума и машин (CBMM), Поджио возглавляет исследовательскую программу центра в области теоретических основ интеллекта. Недавно Поджио и его коллеги из CBMM опубликовали теоретическое исследование нейронных сетей, состоящее из трех частей.

В первой части, опубликованной в прошлом месяце в International Journal of Automation and Computing , рассматривается диапазон вычислений, которые могут выполнять сети с глубоким обучением, и когда глубокие сети предлагают преимущества перед более мелкими.Вторая и третья части, выпущенные в виде технических отчетов CBMM, посвящены проблемам глобальной оптимизации или гарантии того, что сеть нашла настройки, которые наилучшим образом соответствуют ее обучающим данным, и переобучению, или случаям, в которых сеть становится настроенной таким образом. к особенностям его обучающих данных, которые он не может обобщить на другие экземпляры тех же категорий.

Есть еще множество теоретических вопросов, на которые нужно ответить, но работа исследователей CBMM может помочь гарантировать, что нейронные сети наконец разорвут цикл поколений, который приносил им пользу и выходил из него на протяжении семи десятилетий.

Нейронные сети — Новости, исследования и анализ — The Conversation — страница 1

posteriori / Shutterstock

Екатерина Комендантская, Heriot-Watt University ; Лука Арнабольди, Эдинбургский университет , и Мэтью Даггитт, Университет Хериот-Ватт

Общественность считает беспилотные автомобили невероятно высокими стандартами безопасности, и мы работаем над их соблюдением.

Shutterstock

В серии экспериментов австралийские исследователи показали, как машины могут находить уязвимости в процессе принятия человеческими решениями и использовать их, чтобы влиять на наше поведение.

Для искусственного интеллекта, помимо прочего, необходимы машины, вычислительная мощность и потребление энергии. Часто мы не подозреваем о наличии этой инфраструктуры вокруг нас.(Shutterstock)

Pascale Lehoux, Université de Montréal и Lysanne Rivard, Université de Montréal

Искусственный интеллект поддерживается инфраструктурой аппаратного и программного обеспечения, которая все чаще присутствует в нашей жизни, но остается скрытой на виду.

Центры обработки данных, подобные этому предприятию Google в Айове, потребляют большое количество электроэнергии.Чад Дэвис / Flickr

Кейт Саенко, Бостонский университет

Обучение нейронных сетей сжигает много энергии. По мере того, как область искусственного интеллекта растет, она работает над тем, чтобы вместе с ней не увеличивался углеродный след.

Нейронные сети пытаются имитировать мозг, обрабатывая данные через слои искусственных нейронов.MF3d / E + через Getty Images

Там Нгуен, Дейтонский университет

Сегодня нейронные сети делают все, от камер до переводов. Профессор информатики дает базовое объяснение того, как работают нейронные сети.

Shutterstock

Александра Луиза Уитденбогерд, Университет RMIT

Генераторы текстов, такие как GPT-3, могут производить удивительно убедительное письмо, но они пока не могут избавиться от человеческого надзора.

Скриншот из видео Neuralink

Анджела Рентон, Квинслендский университет

Самое интересное, насколько свободна Гертруда передвигаться, пока имплантированный чип собирает данные.

Ученые все еще пытаются разгадать, как работает мозг.Юичиро Чино / Момент через Getty Images

Сальваторе Доменик Моргера, Университет Южной Флориды

Биоинженер объясняет, как более четкая картина структуры и функций мозга может точно настроить способы, которыми хирургия головного мозга пытается исправить структуру, а лекарства пытаются исправить функцию.

Круги на полях в Швейцарии.Jabberocky / Wikimedia Commons

Крис Импи, Университет Аризоны,

Интернет позволил лженауке процветать. Искусственный интеллект может помочь удержать людей от плохой информации.

Человеческий мозг насчитывает около 100 миллиардов нейронов и 100 триллионов нейронных связей.

Shutterstock

Кайо Сегин, Мельбурнский университет и Эндрю Залески, Мельбурнский университет

Разделы мозга, называемые «отправителями» и «получателями», отвечают за направление нейронного трафика, и теперь мы на шаг ближе к пониманию того, как они работают.

Нейроны, обработанные флуоресцентным красителем, показывают свои взаимосвязи.

Silva Lab

Габриэль А. Сильва, Калифорнийский университет, Сан-Диего,

Более подробная информация о том, как работает мозг, может помочь программистам перевести мышление влажного и мягкого мира биологии в совершенно новые формы машинного обучения в цифровом мире.

Системы обучения искусственного интеллекта могут вовлекать учащихся в диалог.

(Shutterstock)

Неха Шиваре, Университет Саймона Фрейзера

Роботы для обучения? Желание идти в ногу с технологическим прогрессом не должно затмевать более серьезные вопросы о том, как это влияет на развитие детей.

Искусственный образ, созданный на сайте Ganbreeder.sgc / Ganbreeder

Аарон Хертцманн, Вашингтонский университет

Поскольку множество художников и программистов могут оставить свой отпечаток на конечном продукте, возникли разногласия и заявления о краже.

Как каждый препарат будет взаимодействовать с белками в вашем организме?

Евлахов Валерий / Shutterstock.ком

Guowei Wei, Государственный университет Мичигана

Программы создания лекарств с искусственным интеллектом могут открыть новые методы лечения состояний, которые сложно или слишком дорого вылечить.

Shutterstock.

Майкл Хартманн, Университет Хериот-Ватт,

Объединение квантовых вычислений с нейронными сетями может привести к созданию ИИ, способного быстро принимать очень сложные решения.

Геральт / Pixabay

Martial Mermillod, Университет Гренобль-Альпы (UGA)

Остерегайтесь слепого использования искусственного интеллекта: его использование в качестве «волшебной палочки», например, в автономном автомобиле, сопряжено с риском.

искусственный интеллект-503593_1920 / flickr

Вячеслав Полонский, Оксфордский университет

Необходимо устранить опасности решения проблемы ИИ.

Конечно, ваш AI-помощник может записаться на прием, но как насчет любого содержательного разговора?

Shutterstock / Bas Nastassia

Питер Страттон, Квинслендский университет

Новейший искусственный интеллект Google обещает помочь вам организовать вашу жизнь, назначив для вас встречу по телефону, но его возможности ограничены механическим заучиванием простых задач повседневной жизни.

Лю Цзышань / Shutterstock.com

Дэн Маккуиллан, Goldsmiths, Лондонский университет

Кажется, что ИИ способен ответить на вопросы, лежащие в основе гуманизма — на такие вопросы, как кого мы должны спасти и как добиться масштабной эффективности.

Чат-боты с ИИ все еще не могут понять влияние своих слов.(Shutterstock)

Аманда Тернбулл, L’Université d’Ottawa / University of Ottawa

Индустрия чат-ботов рассматривает большее количество данных как ответ на построение по-настоящему диалоговой системы. Но индустрия может учить чат-ботов неправильному.

Нейронная сеть искусственного интеллекта узнает, когда ей нельзя доверять

Исследователи из

Массачусетского технологического института разработали способ нейронных сетей глубокого обучения для быстрой оценки уровня достоверности своих результатов.Этот прогресс может повысить безопасность и эффективность принятия решений с помощью ИИ. Кредит: MIT

.

Более быстрый способ оценки неопределенности в принятии решений с помощью ИИ может привести к более безопасным результатам.

Все чаще системы искусственного интеллекта, известные как нейронные сети с глубоким обучением, используются для принятия решений, жизненно важных для здоровья и безопасности человека, таких как автономное вождение или медицинская диагностика. Эти сети хорошо распознают закономерности в больших и сложных наборах данных, чтобы помочь в принятии решений.Но как мы узнаем, что они правы? Александр Амини и его коллеги из Массачусетского технологического института и Гарвардского университета хотели выяснить это.

Они разработали быстрый способ для нейронной сети обрабатывать данные и выводить не только прогноз, но и уровень достоверности модели на основе качества доступных данных. Прогресс может спасти жизни, поскольку глубокое обучение уже сегодня внедряется в реальном мире. Уровень достоверности сети может быть разницей между автономным транспортным средством, определяющим, что «все ясно, проехать через перекресток» и «вероятно, ясно, так что остановитесь на всякий случай.”

Современные методы оценки неопределенности для нейронных сетей имеют тенденцию быть дорогостоящими в вычислительном отношении и относительно медленными для принятия решений за доли секунды. Но подход Амини, получивший название «глубокая доказательная регрессия», ускоряет процесс и может привести к более безопасным результатам. «Нам нужна способность не только иметь высокопроизводительные модели, но и понимать, когда мы не можем доверять этим моделям», — говорит Амини, аспирант группы профессора Даниэлы Рус в Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL). .

«Эта идея важна и широко применима. Его можно использовать для оценки продуктов, основанных на изученных моделях. Оценивая неопределенность изученной модели, мы также узнаем, сколько ошибок следует ожидать от модели и какие недостающие данные могут улучшить модель », — говорит Рус.

Амини представит исследование на конференции NeurIPS в следующем месяце вместе с Русом, профессором электротехники и компьютерных наук Эндрю и Эрны Витерби, директором CSAIL и заместителем декана по исследованиям Массачусетского технологического института Стивеном А.Компьютерный колледж Шварцмана; и аспиранты Вилко Швартинг из Массачусетского технологического института и Ава Сулеймани из Массачусетского технологического института и Гарварда.

Эффективная неопределенность

После долгой истории глубокое обучение продемонстрировало замечательную производительность при решении множества задач, в некоторых случаях даже превосходящую человеческую точность. И в настоящее время кажется, что глубокое обучение применяется везде, где бывают компьютеры. Он поддерживает результаты поисковых систем, каналы социальных сетей и распознавание лиц. «Мы добились огромных успехов в использовании глубокого обучения», — говорит Амини.«Нейронные сети действительно хорошо знают правильный ответ в 99% случаев». Но 99 процентов не справятся, когда на кону стоят жизни.

«Одна вещь, которая ускользнула от исследователей, — это способность этих моделей знать и сообщать нам, когда они могут ошибаться», — говорит Амини. «Мы действительно заботимся об этом 1% времени и о том, как мы можем надежно и эффективно обнаруживать такие ситуации».

Нейронные сети могут быть огромными, иногда переполненными миллиардами параметров. Так что получить ответ, не говоря уже об уровне уверенности, может быть тяжелым испытанием.Анализ неопределенности в нейронных сетях не новость. Но предыдущие подходы, основанные на байесовском глубоком обучении, много раз полагались на запуск или выборку нейронной сети, чтобы понять ее достоверность. Этот процесс требует времени и памяти — роскоши, которой может не быть в высокоскоростном трафике.

Исследователи разработали способ оценки неопределенности всего за один запуск нейронной сети. Они спроектировали сеть с увеличенным объемом выходных данных, вырабатывая не только решение, но и новое вероятностное распределение, собирающее доказательства в поддержку этого решения.Эти распределения, называемые доказательными распределениями, напрямую отражают уверенность модели в ее предсказаниях. Это включает в себя любую неопределенность, присутствующую в исходных исходных данных, а также в окончательном решении модели. Это различие может сигнализировать о том, можно ли уменьшить неопределенность путем настройки самой нейронной сети или же входные данные просто зашумлены.

Проверка уверенности

Чтобы проверить свой подход, исследователи начали с сложной задачи компьютерного зрения.Они обучили свою нейронную сеть анализировать монокулярное цветное изображение и оценивать значение глубины (то есть расстояние от объектива камеры) для каждого пикселя. Автономное транспортное средство может использовать аналогичные вычисления для оценки своей близости к пешеходу или другому транспортному средству, что является непростой задачей.

Производительность их сети была на уровне предыдущих современных моделей, но она также получила возможность оценивать собственную неопределенность. Как и надеялись исследователи, сеть прогнозировала высокую неопределенность для пикселей, где она предсказывала неверную глубину.«Он был тщательно откалиброван с учетом ошибок, которые допускает сеть, что, по нашему мнению, было одним из наиболее важных факторов при оценке качества нового оценщика неопределенности», — говорит Амини.

Чтобы провести стресс-тестирование калибровки, команда также показала, что сеть прогнозирует более высокую неопределенность для данных «вне распределения» — совершенно новые типы изображений, которые никогда не встречались во время обучения. После того, как они обучили сеть домашним сценам в помещении, они скормили ей серию сцен вождения на улице. Сеть постоянно предупреждала, что ее реакция на новые сцены на открытом воздухе была неопределенной.Тест показал способность сети отмечать, когда пользователи не должны полностью доверять ее решениям. В таких случаях «если это медицинское приложение, возможно, мы не доверяем диагнозу, который ставит модель, и вместо этого ищем второе мнение», — говорит Амини.

Сеть даже знала, когда фотографии были подделаны, что потенциально могло застраховать себя от атак манипулирования данными. В другом испытании исследователи повысили уровень злонамеренного шума в пакете изображений, которые они отправляли в сеть.Эффект был незаметным — едва заметным человеческому глазу, — но сеть уловила эти изображения, пометив их выходные данные с высоким уровнем неопределенности. Эта способность бить тревогу в случае фальсифицированных данных может помочь обнаруживать и сдерживать враждебные атаки, что вызывает растущую озабоченность в эпоху дипфейков.

Глубокая доказательная регрессия — это «простой и элегантный подход, который расширяет область оценки неопределенности, которая важна для робототехники и других систем управления в реальном мире», — говорит Райя Хадселл, исследователь искусственного интеллекта в DeepMind, которая не принимала участия в работе. .«Это сделано новым способом, который позволяет избежать некоторых беспорядочных аспектов других подходов — например, выборка или ансамбли — что делает его не только элегантным, но и более эффективным в вычислительном отношении — выигрышная комбинация ».

Глубокая доказательная регрессия может повысить безопасность принятия решений с помощью ИИ. «Мы начинаем видеть, как все больше этих [нейросетевых] моделей просачиваются из исследовательской лаборатории в реальный мир в ситуациях, затрагивающих людей с потенциально опасными для жизни последствиями», — говорит Амини.«Любой пользователь метода, будь то врач или человек на пассажирском сиденье транспортного средства, должен осознавать любой риск или неопределенность, связанные с этим решением». Он предполагает, что система не только быстро выявляет неопределенность, но и использует ее для принятия более консервативных решений в рискованных сценариях, таких как автономное транспортное средство, приближающееся к перекрестку.

«Любая область, в которой будет внедряться машинное обучение, в конечном итоге должна иметь надежную информацию о неопределенности», — говорит он.

Эта работа была частично поддержана Национальным научным фондом и Исследовательским институтом Toyota через Объединенный исследовательский центр Toyota-CSAIL.

«Жидкая» система машинного обучения адаптируется к меняющимся условиям

Новый тип нейронной сети может помочь в принятии решений при автономном вождении и медицинской диагностике.

Исследователи из

Массачусетского технологического института разработали тип нейронной сети, которая обучается на рабочем месте, а не только на этапе обучения.Эти гибкие алгоритмы, получившие название «жидких» сетей, изменяют лежащие в их основе уравнения, чтобы постоянно адаптироваться к новым входным данным. Прогресс может помочь в принятии решений на основе потоков данных, которые меняются со временем, в том числе связанных с медицинской диагностикой и автономным вождением.

«Это путь в будущее управления роботами, обработки естественного языка, обработки видео — любой формы обработки данных временных рядов», — говорит Рамин Хасани, ведущий автор исследования. «Потенциал действительно значительный.”

Исследование будет представлено на февральской конференции AAAI по искусственному интеллекту. Помимо Хасани, постдока в Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL), соавторами Массачусетского технологического института являются директор CSAIL Даниэла Рус, профессор электротехники и компьютерных наук Эндрю и Эрна Витерби и аспирант Александр Амини. Среди других соавторов — Матиас Лехнер из Института науки и технологий Австрии и Раду Гросу из Венского технологического университета.

По словам Хасани, данные временных рядов являются повсеместными и жизненно важными для нашего понимания мира. «Реальный мир — это все, что связано с последовательностями. Даже наше восприятие — вы не воспринимаете изображения, вы воспринимаете последовательности изображений », — говорит он. «Итак, данные временных рядов действительно создают нашу реальность».

Он указывает на обработку видео, финансовые данные и медицинские диагностические приложения в качестве примеров временных рядов, которые имеют ключевое значение для общества. Превратности этих постоянно меняющихся потоков данных могут быть непредсказуемыми.Тем не менее, анализ этих данных в режиме реального времени и их использование для прогнозирования поведения в будущем может ускорить развитие новых технологий, таких как беспилотные автомобили. Итак, Хасани построил алгоритм, подходящий для этой задачи.

Хасани разработал нейронную сеть, которая может адаптироваться к изменчивости реальных систем. Нейронные сети — это алгоритмы, распознающие закономерности путем анализа набора «обучающих» примеров. Часто говорят, что они имитируют технологические пути мозга — Хасани черпал вдохновение непосредственно из микроскопической нематоды C.elegans . «В его нервной системе всего 302 нейрона, — говорит он, — но он может генерировать неожиданно сложную динамику».

Хасани закодировал свою нейронную сеть, уделяя особое внимание тому, как нейроны C. elegans активируются и взаимодействуют друг с другом с помощью электрических импульсов. В уравнениях, которые он использовал для структурирования своей нейронной сети, он позволял параметрам изменяться с течением времени на основе результатов вложенного набора дифференциальных уравнений.

Эта гибкость является ключевой.Поведение большинства нейронных сетей фиксируется после фазы обучения, что означает, что они плохо приспосабливаются к изменениям во входящем потоке данных. Хасани говорит, что подвижность его «жидкой» сети делает ее более устойчивой к неожиданным или зашумленным данным, например, если сильный дождь закрывает обзор камеры на беспилотном автомобиле. «Так что он более надежный», — говорит он.

Есть еще одно преимущество гибкости сети, добавляет он: «Ее легче интерпретировать».

Хасани говорит, что его жидкая сеть обходит непостижимость, обычную для других нейронных сетей.«Просто изменив представление нейрона, — что Хасани проделал с дифференциальными уравнениями, — вы действительно можете исследовать некоторые степени сложности, которые иначе невозможно было бы исследовать». Благодаря небольшому количеству высокоэкспрессивных нейронов Хасани легче заглянуть в «черный ящик» процесса принятия решений сетью и диагностировать, почему сеть сделала определенную характеристику.

«Сама модель более выразительна, — говорит Хасани. Это может помочь инженерам понять и улучшить производительность жидкой сети.

Сеть

Хасани показала отличные результаты в серии тестов. Он на несколько процентов опередил другие современные алгоритмы временных рядов в точном прогнозировании будущих значений в наборах данных, начиная от химии атмосферы и кончая моделями трафика. «Во многих приложениях мы видим, что производительность надежно высока», — говорит он. Кроме того, небольшой размер сети означал, что она прошла тесты без больших затрат на вычисления. «Все говорят о расширении своей сети», — говорит Хасани. «Мы хотим уменьшить масштаб, чтобы количество узлов было меньше, но было больше.”

Хасани планирует продолжать улучшать систему и готовить ее к промышленному применению. «У нас есть доказанно более выразительная нейронная сеть, вдохновленная природой. Но это только начало процесса », — говорит он. «Возникает очевидный вопрос: как это продлить? Мы думаем, что такая сеть может стать ключевым элементом будущих интеллектуальных систем ».

Ссылка: «Жидкие сети с постоянной времени» Рамина Хасани, Матиаса Лехнера, Александра Амини, Даниэлы Рус и Раду Гросу, 14 декабря 2020 г., Computer Science> Machine Learning .
arXiv: 2006.04439v4

Это исследование частично финансировалось Boeing, Национальным научным фондом, Австрийским научным фондом и Electronic Components and Systems for European Leadership.

Что нейронная сеть может сказать о новостях | Автор: A Samuel Pottinger

Отношения с информационным агентством, где толщина линии пропорциональна сходству.

Перед выводами немного контекста. Незначительные языковые различия раскрывают информацию о пристрастиях и идентичности говорящего.Конечно, намеренное «создание» автором аргумента может отражать его мнение, но подсознательный выбор слов также может раскрыть его убеждения [3] [4]. Мне было интересно, может ли искусственный интеллект, называемый нейронными сетями, интерпретировать эти сигналы, как и люди [4]. Имея это в виду, мой компьютер прочитал новостные статьи * за пять месяцев, чтобы изучить «лингвистические» шаблоны, чтобы угадать издателя статьи, которую он никогда раньше не видел, с точностью 74%. Эта модель также указывает на сходство между организациями (см. Изображение сети) и раскрывает «прототипы» статей, иллюстрирующих «голос» агентства (наиболее «похожие на CNN» статьи CNN).Рассмотрим следующие примеры статей, посвященных климату:

Статьи, наиболее похожие на их издательское агентство, описывающее климат

Несмотря на то, что исследования часто фокусируются на политике, эта модель подчеркивает, что «голос» и «предвзятость» в новостях не всегда точно соответствуют левому и правый спектр [5] [6]. Я сравнил свои результаты с уже существующими работами по идеологии СМИ и с полярностью настроений («ужасная политика с пагубными последствиями» несет отрицательную полярность, в то время как «благородные действия героического патриотизма» демонстрируют положительную полярность) [5] [7] [8].Модель, кажется, понимает атрибуты обоих, но данные показывают, что ни политика, ни «суровость» языка сами по себе не могут полностью объяснить поведение модели [7] [8]. Примеры статей о климате, приведенные выше, могут помочь продемонстрировать эту сложность: менее крайняя полярность настроений объединяет Wall Street Journal и NPR, но одна подходит к климату с экономической точки зрения, а другая — с научной точки зрения. Точно так же Fox и CNN имеют общие черты в модели, и, несмотря на предыдущие работы, предполагающие различия в идеологической ориентации, примеры, не связанные с климатом, могут указывать на то, что оба агентства используют одинаковый полярный язык и часто обсуждают преступность [7].Короче говоря, представляя новостной ландшафт, учтите, что голос агентства определяется не только политикой. Уклон может быть больше, чем наклон влево или вправо.

при представлении ландшафта новостей учтите, что голос агентства определяется не только политикой.

Этот эксперимент также показывает, как идеологические предубеждения могут непреднамеренно возникать в машинном обучении. Я не говорил модели, что нужно искать политический уклон или контекстуализацию, но она все же усвоила «идеологические особенности» (например, это может быть как позитивное отношение к социализму или тенденция сообщать о насилии).Когда искусственный интеллект определяет, что видят пользователи, «рекомендующие» могут аналогичным образом изучить идеологию и все чаще показывать элементы, соответствующие представлениям пользователей. Подобный искусственный интеллект может уменьшить частоту, с которой статьи из источника появляются перед пользователем, и вызвать усиление так называемых «пузырей фильтра», чем они могли бы быть в противном случае [9]. Несмотря на то, что инженеры, стоящие за системой, никогда не планировали их, эти препятствия могут проявиться, несмотря на то, что пользователь подписывается на широкий набор торговых точек. Точно так же в других системах машинного обучения, где все пользователи видят одни и те же элементы, «ненейтральность» может расти внутри платформы, чтобы отразить предпочтения большинства.Конечно, в то время как рекомендатели хорошо мотивируют эти важные вопросы, другие продукты машинного обучения, которые фильтруют и ранжируют (взвешивание комментариев или указатели несоответствия), могут научиться обнаруживать похожие атрибуты, даже если платформа желает идеологической нейтральности. При этом есть прецедент для решения, но усиление эхо-камер может генерировать больше кликов (денег) даже за счет общего понимания [10] [11].

Подобный искусственный интеллект может уменьшить частоту, с которой статьи из источника появляются перед пользователем, и вызвать усиление так называемых «пузырей фильтра», чем они могли бы быть в противном случае.

Тем не менее, не только технологические компании могут учиться у моего ИИ. Опять же, читатели тяготеют к средствам массовой информации в соответствии со своими убеждениями, и моя работа раскрывает особенности, которые, как политический уклон статьи, могут аналогичным образом усиливать различия в «потреблении средств массовой информации» (откуда люди получают новости) [5]. Если это правда, то современный журналист должен опасаться не только предполагаемой политической предвзятости, ограничивающей его аудиторию, но и того, как тон и фрейм соблазнят одних читателей, отвергая других.

* описания статей, опубликованные десятью информационными агентствами — всего около 49 тыс.

Машинное обучение включает глубокое обучение и нейронные сети

Человеческий интеллект отражает способность нашего мозга учиться. Компьютерные системы, которые действуют как люди, используют искусственный интеллект. Это означает, что эти системы находятся под контролем компьютерных программ, которые могут обучаться. Как и люди, компьютеры могут научиться использовать данные, а затем принимать решения или делать оценки на основе того, что они узнали.Машинное обучение — это часть более широкой области искусственного интеллекта.

Первые разработчики машинного обучения начали с задачи научить компьютер выигрывать в шашки. Детский музей Индианаполиса / Викимедиа (CC BY-SA 3.0)

Для компьютеров, решающих проблемы, люди просто писали пошаговые инструкции для программ, управляющих аппаратным обеспечением компьютера. Эти программисты должны были обдумывать каждый шаг, с которым может столкнуться компьютер.Затем они описали, как они хотят, чтобы компьютер реагировал на каждое решение, которое его могут попросить принять в процессе.

В 1940-х годах, работая инженером в Иллинойском университете, Артур Сэмюэл решил по-другому программировать компьютеры. Этот ученый-компьютерщик научил бы компьютеры учиться самостоятельно. Его обучающий инструмент: шашки.

Вместо того, чтобы программировать все возможные ходы, он дал компьютеру советы от чемпионов по шашкам. Думайте об этом как об общих правилах.

Он также научил компьютер играть в шашки против самого себя. Во время каждой игры компьютер отслеживал, какие из его ходов и стратегии работали лучше всего. Затем он использовал эти ходы и стратегии, чтобы в следующий раз сыграть лучше. Попутно компьютер превратил биты данных в информацию. Эта информация станет знанием — и заставит компьютер делать более разумные шаги. Самуэль завершил свою первую компьютерную программу для этой игры за несколько лет. В то время он работал в лаборатории IBM в Покипси, штат Нью-Йорк.Y.

Учителя и родители, подпишитесь на шпаргалку

Еженедельные обновления, которые помогут вам использовать Новости науки для студентов в учебной среде

В поисках паттернов: от шашек к картинкам

Программисты вскоре вышли за рамки шашек. Используя тот же подход, они научили компьютеры решать более сложные задачи. В 2007 году Фей-Фей Ли из Стэнфордского университета в Калифорнии и ее коллеги решили обучить компьютеры распознавать объекты на фотографиях.Мы можем думать о зрении как о наших глазах. Фактически, именно наш мозг распознает и понимает, что показывает изображение.

Группа

Ли вставила большие наборы изображений в компьютерные модели. Компьютеру нужно было много картинок, чтобы узнать кошку у собаки или что-нибудь еще. И исследователи должны были убедиться, что каждая фотография кошки, на которой обучен компьютер, действительно изображала кошку.

Для одной системы машинного зрения компьютеры были обучены распознавать кошек, как этот котенок, загорающий на подоконнике.Это оказалось непросто. В отличие от детей, компьютерам было трудно изначально распознавать кошек, когда они были в странных позах или когда могла быть видна только часть их тел. Э. Карей

В своем выступлении на TED в 2015 году Ли описала, как ее команда решила эту проблему. Им нужна была помощь других ученых. Почти 49 000 добровольцев из 127 стран потребовалось около трех лет, чтобы разобрать почти 1 миллиард изображений.

В конце концов, команда Ли получила набор из более чем 62 000 изображений, все кошки.Сели какие-то кошки. Остальные стояли. Или присел. Или лежал свернувшись клубочком. На фотографиях изображен широкий спектр видов, от львов до домашних кошек. По мере того, как компьютерные программы просматривали данные на этих изображениях, эти программы научились определять кошку на любой новой фотографии, которую они могли показать.

Примерно таким же образом команда Ли затем научила свои компьютерные модели распознавать людей, собак, воздушных змеев, автомобили (по марке и модели) и многое другое. Все эти наборы данных теперь доступны другим ученым для бесплатного использования в image-net.org /.

От шаблонов к глубокому обучению

Компьютеры систематизируют данные с помощью алгоритмов. Это математические формулы или инструкции, которые следуют пошаговому процессу. Например, шаги одного алгоритма могут дать компьютеру команду сгруппировать изображения с похожими шаблонами. В некоторых случаях, например на фотографиях кошек, люди помогают компьютерам отсортировать неверную информацию. В других случаях алгоритмы могут помочь компьютеру выявлять ошибки и учиться на них.

Объяснитель: Что такое алгоритм?

Один из наиболее эффективных методов машинного обучения называется «глубокое обучение».«Он объединяет свои вычислительные усилия в системы, известные как нейронные сети (или нейронные сети). Сети состоят из подключенных узлов, через которые данные могут перемещаться и обрабатываться. В этом смысле эти сети чем-то напоминают человеческий мозг. Идея нейронных сетей возникла в 1940-х годах Уорреном Маккалоу и Уолтером Питтсом. Они разработали эти системы немного позже, когда работали в Массачусетском технологическом институте в Кембридже.

На время нейросети вышли из моды.Но в 1980-х они снова стали популярными. Сегодня они продолжают служить основой для все более сложных систем машинного обучения.

В современных системах глубокого обучения данные обычно перемещаются через узлы (соединения) только в одном направлении. Каждый уровень системы может получать данные от нижних узлов, затем обрабатывать эти данные и передавать их на более высокие узлы. Слои становятся более сложными (более глубокими) по мере того, как компьютер учится. Вместо простого выбора, как в игре в шашки, системы глубокого обучения просматривают множество данных, учатся на них и затем принимают решения на их основе.Все эти шаги происходят внутри компьютера без каких-либо новых действий со стороны человека.

Искусственный интеллект — инструмент в помощь людям

Машинное обучение недавно появилось в инструментах, программном обеспечении и продуктах, призванных облегчить жизнь. Одним из примеров являются программы, используемые в современных интеллектуальных колонках и потоковых сервисах. Они ищут тенденции в музыке или видео, которые вы выбираете, а затем предлагают похожие, которые могут вам понравиться. Машинное обучение также используется, чтобы помочь людям решать более серьезные проблемы во всем, от инженерии до медицины.Попутно некоторые системы машинного обучения используют видеоигры в качестве обучающего инструмента.

Например, одна система, разработанная инженерами Аргоннской национальной лаборатории, недалеко от Чикаго, штат Иллинойс, может тестировать сотни различных конструкций двигателя. Затем он может предложить, как исследователи могут создать лучший из этих проектов (а не все) для тестирования в реальном мире. В медицине машинное обучение помогает выявлять болезни на основе размера и формы вируса.

В своем развитии искусственный интеллект (ИИ) все еще далек от того, чтобы быть таким умным, как человеческий мозг.Например, система искусственного интеллекта может играть в шашки или идентифицировать кошку, но она еще не может понять, почему кошки не могут играть в шашки.

Глубинные нейронные сети «видят» то же самое, но иначе, чем люди: Исследование | India News

Нью-Дели: Глубинные нейронные сети — технология, работа над которой ведется более десяти лет и дает важные сведения о том, как люди воспринимают вещи, — эволюционировали немного дальше, поскольку исследователи обнаружили некоторые интересные новые факты.

Группа исследователей из Центра нейробиологии (CNS) Индийского института науки (IISc) недавно провела исследование, чтобы сравнить визуальное восприятие глубоких нейронных сетей с человеческим.

Они обнаружили, что глубокие сети способны видеть те самые объекты, которые видят люди, они просто видят их «по-другому».

Что такое глубокие нейронные сети?

Глубинные нейронные сети — это системы машинного обучения, основанные на сети клеток или нейронов человеческого мозга, которые можно обучить для выполнения определенных задач.

Эти сети сыграли ключевую роль, помогая ученым понять, как наш мозг воспринимает то, что мы видим.

Несмотря на то, что глубокие сети значительно эволюционировали за последнее десятилетие, они все еще далеко не так эффективны, как человеческий мозг в восприятии визуальных сигналов.

Чем глубокие сети отличаются от людей?

Команда под руководством С.П. Аруна, доцента CNS, изучила 13 различных эффектов восприятия и обнаружила ранее неизвестные качественные различия между глубокими сетями и человеческим мозгом.

«Многие исследования показали сходство между глубокими сетями и мозгом, но никто на самом деле не изучил систематические различия», — сказал Арун, старший автор исследования.

«Выявление этих различий может подтолкнуть нас к тому, чтобы сделать эти сети более похожими на мозг», — добавил он.

Ключевые результаты исследования:

1. Глубокие сети продемонстрировали эффект Тэтчер, который тоже наблюдается у людей. Эффект Тэтчер — это явление, при котором людям легче распознать изменения локальных особенностей на вертикальном изображении, но это становится трудным, когда изображение переворачивается вверх ногами.

2. Путаница в зеркале: людям зеркальные отражения вдоль вертикальной оси кажутся более похожими, чем отражения вдоль горизонтальной оси. Исследователи обнаружили, что глубокие сети также показывают более сильную зеркальную путаницу для вертикальных изображений по сравнению с горизонтально отраженными изображениями.

3. Другой феномен, свойственный человеческому мозгу, заключается в том, что он сначала фокусируется на более грубых деталях. Это известно как эффект глобального преимущества. Например, при представлении изображения лица люди сначала смотрят на лицо в целом, а затем сосредотачиваются на более мелких деталях, таких как глаза, нос, рот и т. Д.

«Удивительно, но нейронные сети показали локальное преимущество», — сказал Георгин Якоб, первый автор и доктор философии. студент ЦНС. Это означает, что, в отличие от мозга, сети в первую очередь сосредотачиваются на мелких деталях изображения.

Таким образом, несмотря на то, что эти нейронные сети и человеческий мозг выполняют одни и те же задачи по распознаванию объектов, шаги, выполняемые ими, сильно различаются, говорится в заключении исследования.

Прямая трансляция

.

Оставьте комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *