Что если?
#ai_inside
Сегодня мы расскажем вам о том, что сильно отличает искусственный интеллект от человека.
Это неспособность ИИ понимать концепцию причина-следствие. Ученые считают, что это — одна из главных преград на пути к созданию более мощного ИИ, интеллекта нового уровня.
О чем это?
Мы — люди — обладаем способностью соотносить явления между собой и образовывать причинно-следственные связи. Простой пример: мы знаем, что грозовые тучи чаще всего вызывают дождь. Тучи — причина, дождь — следствие. В отличие от нас, ИИ не создает причинно-следственных связей. Все, чем он оперирует — это корреляции. То есть, нейросеть понимает, что грозовые тучи и дождь часто возникают вместе, но создать связь "из-за тучи возникает дождь" она не способна.
Из умения видеть причины и следствия вырастает еще одна способность, на порядок выше: задаваться вопросом "что если?". Пусть вы — медик, который испытывает новый препарат. Ваш пациент умирает. Было это из-за того, что препарат не сработал? Или из-за чего-то еще? А что если это из-за шаурмы, который пациент купил в ларьке напротив и съел на обед?
Умения создавать связь "причина-следствие" и задавать вопрос "что если?" составляют часть здравого смысла. Это один из основных навыков человека, необходимых для выживания. Без этого мы бы просто не могли понимать мир. Значит, если мы хотим создать ИИ, который сможет "понимать" мир на уровне человека, ИИ нужно научить создавать связь "причина - следствие".
Но это не так-то просто) Особенно если учесть, что люди в этом тоже не очень хороши)
Люди, оказывается, тоже часто путают связь "причина-следствие" с корреляцией, причем как в одну сторону, так и в другую. Пример: человек просыпал соль и в тот же день сломал ногу. Вспоминая примету, ему кажется, что просыпанная соль вызвала несчастье (перелом ноги). Но на самом деле тут нет причино-следственной связи.
Другой пример: ученые изучают взаимосвязь курения и рака легких. По результатам всех исследований (и здравого смысла) получается, что курение вызывает рак. Но не тут-то было: ученые начинают сомневаться. А вдруг не курение вызывает рак? Вдруг есть какая-то третья сила, например, генетика, которая заставляет людей и курить, и вызывает рак?
Похоже, мы сами не до конца понимаем, как должна создаваться причинно-следственная связь. Значит, научить ИИ этому нам и подавно будет труднее)
Что же делать?
Многие исследователи интересуются описанной проблемой и пытаются придумать, как ее решить. Эти попытки уже привели к созданию нескольких концепций. Лауреат премии Тьюринга Джуди Перл предложил байесовские сети — сети, которые обрабатывают огромные массивы данных и вычисляют, какие переменные с большей вероятностью имеют причинно-следственную связь.
Другой виток исследований — meta-learning, предложенный еще одним лауреатом премии Тьюринга Йошуа Бенжио. Meta-learning позволяет модели находить не только отличительные особенности разных объектов, но и сходства между ними, что сильно поможет для "глобального" понимания нейросетями мира и объектов в нем.
Но о прорыве в обучении сетей находить причины и следствия говорить рано. Пока что ученые нацелены на создание гибридных моделей компьютер+человек. Они помогут ученым в исследованиях, где задействованы большие массивы данных. Скажем, вы хотите понять причины аномально высокой продолжительности жизни людей на Окинаве. На продолжительность жизни влияет тонна факторов: еда, погода, социум и т.д. Всего факторов — много тысяч. Человек просто не может удержать все их в голове, сделать расчеты и понять, с каким лучше начать исследование. Вот тут и помогут компьютеры — они работают с оргомными массивами данных лучше людей. Компьютеры будут исследовать данные и подсказывать человеку, с каких переменнвх лучше всего начать исследование. Это сэкономит много сил, времени и денег.
Вот такие дела. Таких глобальных "проблем", которые стоят у нас на пути перед созданием "всесильного ИИ" несколько. Эта — только одна из них.
Как считаете, скоро ли человек научится ее решать? И на что ИИ будет способен в этом случае?
Материал написан на основе этой статьи.
#ai_inside
Сегодня мы расскажем вам о том, что сильно отличает искусственный интеллект от человека.
Это неспособность ИИ понимать концепцию причина-следствие. Ученые считают, что это — одна из главных преград на пути к созданию более мощного ИИ, интеллекта нового уровня.
О чем это?
Мы — люди — обладаем способностью соотносить явления между собой и образовывать причинно-следственные связи. Простой пример: мы знаем, что грозовые тучи чаще всего вызывают дождь. Тучи — причина, дождь — следствие. В отличие от нас, ИИ не создает причинно-следственных связей. Все, чем он оперирует — это корреляции. То есть, нейросеть понимает, что грозовые тучи и дождь часто возникают вместе, но создать связь "из-за тучи возникает дождь" она не способна.
Из умения видеть причины и следствия вырастает еще одна способность, на порядок выше: задаваться вопросом "что если?". Пусть вы — медик, который испытывает новый препарат. Ваш пациент умирает. Было это из-за того, что препарат не сработал? Или из-за чего-то еще? А что если это из-за шаурмы, который пациент купил в ларьке напротив и съел на обед?
Умения создавать связь "причина-следствие" и задавать вопрос "что если?" составляют часть здравого смысла. Это один из основных навыков человека, необходимых для выживания. Без этого мы бы просто не могли понимать мир. Значит, если мы хотим создать ИИ, который сможет "понимать" мир на уровне человека, ИИ нужно научить создавать связь "причина - следствие".
Но это не так-то просто) Особенно если учесть, что люди в этом тоже не очень хороши)
Люди, оказывается, тоже часто путают связь "причина-следствие" с корреляцией, причем как в одну сторону, так и в другую. Пример: человек просыпал соль и в тот же день сломал ногу. Вспоминая примету, ему кажется, что просыпанная соль вызвала несчастье (перелом ноги). Но на самом деле тут нет причино-следственной связи.
Другой пример: ученые изучают взаимосвязь курения и рака легких. По результатам всех исследований (и здравого смысла) получается, что курение вызывает рак. Но не тут-то было: ученые начинают сомневаться. А вдруг не курение вызывает рак? Вдруг есть какая-то третья сила, например, генетика, которая заставляет людей и курить, и вызывает рак?
Похоже, мы сами не до конца понимаем, как должна создаваться причинно-следственная связь. Значит, научить ИИ этому нам и подавно будет труднее)
Что же делать?
Многие исследователи интересуются описанной проблемой и пытаются придумать, как ее решить. Эти попытки уже привели к созданию нескольких концепций. Лауреат премии Тьюринга Джуди Перл предложил байесовские сети — сети, которые обрабатывают огромные массивы данных и вычисляют, какие переменные с большей вероятностью имеют причинно-следственную связь.
Другой виток исследований — meta-learning, предложенный еще одним лауреатом премии Тьюринга Йошуа Бенжио. Meta-learning позволяет модели находить не только отличительные особенности разных объектов, но и сходства между ними, что сильно поможет для "глобального" понимания нейросетями мира и объектов в нем.
Но о прорыве в обучении сетей находить причины и следствия говорить рано. Пока что ученые нацелены на создание гибридных моделей компьютер+человек. Они помогут ученым в исследованиях, где задействованы большие массивы данных. Скажем, вы хотите понять причины аномально высокой продолжительности жизни людей на Окинаве. На продолжительность жизни влияет тонна факторов: еда, погода, социум и т.д. Всего факторов — много тысяч. Человек просто не может удержать все их в голове, сделать расчеты и понять, с каким лучше начать исследование. Вот тут и помогут компьютеры — они работают с оргомными массивами данных лучше людей. Компьютеры будут исследовать данные и подсказывать человеку, с каких переменнвх лучше всего начать исследование. Это сэкономит много сил, времени и денег.
Вот такие дела. Таких глобальных "проблем", которые стоят у нас на пути перед созданием "всесильного ИИ" несколько. Эта — только одна из них.
Как считаете, скоро ли человек научится ее решать? И на что ИИ будет способен в этом случае?
Материал написан на основе этой статьи.
Депутатам придется... работать!
#ai_fun
Сегодня пятница, а значит — веселые истории из мира ИИ)
Бельгийский художник Дрис Депортер был возмущен, что многие депутаты правительства Бельгии работают спустя рукава, в частности — залипают в телефонах во время заседаний. К примеру, в 2019 году (уже бывший) депутат палаты представителей Бельгии Ян Джембон был пойман за игрой в Angry Birds прямо во время дебатов на заседании парламента🌝
Поэтому Дрис создал проект The Flemish Scrollers, который призван исправить это недоразумение с помощью нейросетей.
Многие заседания правительства Бельгии транслирут в прямом эфире на YouTube. Дрис создал нейросеть, которая по видео определяет, когда депутат достает телефон. После этого кадры депутата с телефоном публикуются в Twitter и Instagram со ссылкой на аккаунт депутата. Уже за сутки после запуска нейросеть выявила четыре случая, когда политики доставали смартфоны во время заседаний 🙃
Как вам идея? Считаете, поможет? Может быть, нам в страну тоже такого завести?🤔
#ai_fun
Сегодня пятница, а значит — веселые истории из мира ИИ)
Бельгийский художник Дрис Депортер был возмущен, что многие депутаты правительства Бельгии работают спустя рукава, в частности — залипают в телефонах во время заседаний. К примеру, в 2019 году (уже бывший) депутат палаты представителей Бельгии Ян Джембон был пойман за игрой в Angry Birds прямо во время дебатов на заседании парламента🌝
Поэтому Дрис создал проект The Flemish Scrollers, который призван исправить это недоразумение с помощью нейросетей.
Многие заседания правительства Бельгии транслирут в прямом эфире на YouTube. Дрис создал нейросеть, которая по видео определяет, когда депутат достает телефон. После этого кадры депутата с телефоном публикуются в Twitter и Instagram со ссылкой на аккаунт депутата. Уже за сутки после запуска нейросеть выявила четыре случая, когда политики доставали смартфоны во время заседаний 🙃
Как вам идея? Считаете, поможет? Может быть, нам в страну тоже такого завести?🤔
Be right back
#tech
Смотрели серию черного зеркала "Скоро вернусь"? Там умирает парень по имени Эш, а его девушка Марта очень из-за этого переживает. Вскоре она узнает, что есть онлайн-сервис, куда можно загрузить информацию об Эше из его социальных сетей и воссоздать его "виртуальную копию". И с этой копией она общается, как с реальным Эшем.
Так вот, теперь это реальность.
Знакомьтесь: Project December. Реальный сервис на основе GPT-3, где можно общаться с ботами, которые ведут себя, как реальные люди. И да, там можно создать своего бота на основе реального человека. Нужно просто скормить системе тексты переписок этого человека в социальных сетях.
Для тех, кто знаком с технологией GPT-3, звучит неудивительно. Ну да, языковая модель учится на примерах текстов их переписки и потом выдает похожую на человека речь. Но даже понимая все это, естественность ботов Project December просто поражает. Судите сами:
Проект Project December стал популярен после истории о писателе из Канады Джоше Барбо. У Джоша была девушка Джессика, которая умерла в 2012 году, и Джош так и не смог оправиться после ее потери. Но в 2020 году он узнал о Project December и загрузил в систему переписки Джессики.
Результат его поразил: начав общаться с "виртуальной Джессикой", Джош больше не хотел прерывать общение. Первый разговор Джоша с Джессикой длился 10 часов. Это была точно она, Джош поражался ее реальности, в мыслях и интонации, она вызывала у него море чувств и стопроцентную уверенность, что разговаривает он именно с Джессикой. Настолько убедительна была система.
Посмотрите вот на начало его диалога с Джессикой:
Джошуа: "Джессика?"
Джессика: "О, ты, похоже, проснулся... это мило"
Джошуа: "Джессика... это правда ты?"
Джессика: "Конечно это я! Кто же еще? :P Я — девушка, в которую ты по уши влюблен! Почему ты вообще спрашиваешь?"
Далее разговор набирал обороты. Джессика "помнила" все: свою сестру, события из жизни, выражала эмоции в ответ на воспоминания о разных событиях. В эти моменты даже Джошу было не по себе и он пытался объяснить виртуальной Джессике, что "она умерла".
Прямо как в черном зеркале, не находите?
Полную историю со всеми подробностями переписки Джоша с Джессикой читайте в материале San Francisco Chronicle. Также в статье рассказывается о создателе сервиса Project December Джейсоне Рорере: как идея пришла ему в голову, какие мысли и чувства вызывает у него сервис и какое у этого будущее.
А мне очень интересно узнать: вы хотели бы вот так "возродить" близкого человека? Общаться с ним виртуально?
Я — точно нет. Мне кажется, так становится еще больнее. Все в этом мире когда-то заканчивается и нужно уметь это принять. Тем более, как бы убедительно ни выглядел бот, ты всегда понимаешь, что это — бот. И его "естественность" только вводит психику в ступор.
И да, даже мне крайне не по себе от этой истории.
#tech
Смотрели серию черного зеркала "Скоро вернусь"? Там умирает парень по имени Эш, а его девушка Марта очень из-за этого переживает. Вскоре она узнает, что есть онлайн-сервис, куда можно загрузить информацию об Эше из его социальных сетей и воссоздать его "виртуальную копию". И с этой копией она общается, как с реальным Эшем.
Так вот, теперь это реальность.
Знакомьтесь: Project December. Реальный сервис на основе GPT-3, где можно общаться с ботами, которые ведут себя, как реальные люди. И да, там можно создать своего бота на основе реального человека. Нужно просто скормить системе тексты переписок этого человека в социальных сетях.
Для тех, кто знаком с технологией GPT-3, звучит неудивительно. Ну да, языковая модель учится на примерах текстов их переписки и потом выдает похожую на человека речь. Но даже понимая все это, естественность ботов Project December просто поражает. Судите сами:
Проект Project December стал популярен после истории о писателе из Канады Джоше Барбо. У Джоша была девушка Джессика, которая умерла в 2012 году, и Джош так и не смог оправиться после ее потери. Но в 2020 году он узнал о Project December и загрузил в систему переписки Джессики.
Результат его поразил: начав общаться с "виртуальной Джессикой", Джош больше не хотел прерывать общение. Первый разговор Джоша с Джессикой длился 10 часов. Это была точно она, Джош поражался ее реальности, в мыслях и интонации, она вызывала у него море чувств и стопроцентную уверенность, что разговаривает он именно с Джессикой. Настолько убедительна была система.
Посмотрите вот на начало его диалога с Джессикой:
Джошуа: "Джессика?"
Джессика: "О, ты, похоже, проснулся... это мило"
Джошуа: "Джессика... это правда ты?"
Джессика: "Конечно это я! Кто же еще? :P Я — девушка, в которую ты по уши влюблен! Почему ты вообще спрашиваешь?"
Далее разговор набирал обороты. Джессика "помнила" все: свою сестру, события из жизни, выражала эмоции в ответ на воспоминания о разных событиях. В эти моменты даже Джошу было не по себе и он пытался объяснить виртуальной Джессике, что "она умерла".
Прямо как в черном зеркале, не находите?
Полную историю со всеми подробностями переписки Джоша с Джессикой читайте в материале San Francisco Chronicle. Также в статье рассказывается о создателе сервиса Project December Джейсоне Рорере: как идея пришла ему в голову, какие мысли и чувства вызывает у него сервис и какое у этого будущее.
А мне очень интересно узнать: вы хотели бы вот так "возродить" близкого человека? Общаться с ним виртуально?
Я — точно нет. Мне кажется, так становится еще больнее. Все в этом мире когда-то заканчивается и нужно уметь это принять. Тем более, как бы убедительно ни выглядел бот, ты всегда понимаешь, что это — бот. И его "естественность" только вводит психику в ступор.
И да, даже мне крайне не по себе от этой истории.
Недавно мы писали о том, как компании используют ИИ для оценки навыков кандидатов при найме на работу. Но это — лишь один из моментов в процессе хайринга, куда внедрен ИИ.
#ai_inside
Самый известный кейс автоматизации в хайринге — автоматический парсинг резюме. Это называется "скрининг". Когда вы отправляете свое CV как отклик на вакансию или загружаете на сайт вроде Linkedin, часто ваше CV читают не люди, а роботы. Робот выделяет из CV ключевую информацию и решает, стоите ли вы того, чтобы пригласить вас на собеседование. Часто если роботу не понравилось ваше CV, человек его смотреть уже не будет — вам просто придет отказ.
В выпуске подкаста In Machines We Trust: Beating the AI hiring machines эксперты HR поделились лайфхаками, как составить CV, которое с наибольшей вероятностью ублажит роботов и пройдет скрининг. Вот какие советы они дают:
Совет #1: Главное правило: CV должно быть как можно более простым. Это поможет избежать ошибок парсинга. Если ваше резюме изобилует сложными языковыми выражениями и элементами стиля, робот просто не поймет, что там написано. А вы получите отказ. Поэтому напичкайте свое CV простыми ключевыми словами, которые отражают ваш опыт и скиллы, чтобы робот с легкостью нашел нужную ему информацию.
«Обычный здравый смысл погубит вас в случае с резюме» — говорит Ян Зигель, сооснователь и CEO компании ZipRecruiter; — «Вам нужен самый простой и скучный шаблон резюме, который вы можете найти. Пишите как пещерный человек, используя самыме короткие и недвусмысленные слова».
Да, такое резюме должно выглядеть довольно убого. Если вас это пугает, то вот вам другой совет:
Совет #2: сделайте несколько копий резюме. Одно CV — максимально простое и убогое — для ИИ, второе — аккуратное и приятное глазу — для людей. Второе вам понадобится, если по поводу вакансии вам пишет живой человек или если вас уже позвали на собеседование после скрининга.
Также можно сделать разные варианты резюме для разных типов вакансий. Если подаетесь на вакансию frontend-разработчика, сделайте версию CV, где выделите больше ключевых слов о фронтенде. Если затем решили податься на вакансию ML-исследователя — сделайте другой вариант CV, с ключевыми словами про ML.
Совет #3: проверьте свое CV с помощью алгоритмов ИИ. Разные компании используют разные технологии для парсинга резюме. Невозможно узнать, как работает каждая из них, чтобы подстроить свое CV под эти алгоритмы. Но что-то сделать можно: есть много открытых сайтов, куда можно загрузить CV и робот проверит его на читаемость.
Вот примеры таких сайтов: Jobscan, VMock. Кроме простого парсинга резюме Jobscan также оценивает релевантность ваших скиллов разным вакансиям, помогая вам подстроить CV под конкретный job offer. А VMock находит опечатки и может даже предложить добавить что-то в резюме: «хей, смотри, ты тут год проработал в маркетинге, это наверняка значит, что у тебя классные communication skills! Давай добавим это в поле "soft skills"?»
Совет #4: Практика прохождения собеседований. Без практики никак ¯\_(ツ)_/¯ Уверенность на собеседовании достигается только с опытом. Но и тут вам поможет ИИ.
Interview Stream — сайт, чтобы учиться отвечать на вопросы, которые задают на собеседованиях. ИИ спрашивает вопрос, а вы — отвечаете. Процесс записывается на видео, затем ИИ оценивает ваши ответы. Вы также можете пересматривать свои видео: это поможет посмотреть на себя со стороны и выявить ошибки. Ну и, конечно, с практикой вы обретете больше уверенности.
Еще платформы для собеседований на основе ИИ: Big Interview, Talk Hiring, HireVue, Retorio, Yobs.
Если вас не устраивает ИИ в качестве учителя для собеседований, можете проводить пробные интервью (mock-interview) с реальными людьми. Сайтов, где можно найти себе "собеседующего" и потренироваться проходить собесы — много. Вот пример: pramp.com
В завершение скажем, что ИИ все сильнее внедряется в процесс найма. Важно понимать, как этот процесс устроен и пытаться узнать как можно больше, какие именно алгоритмы использует компания, куда вы подаетесь.
Удачи вам на карьерном пути ❤️
#ai_inside
Самый известный кейс автоматизации в хайринге — автоматический парсинг резюме. Это называется "скрининг". Когда вы отправляете свое CV как отклик на вакансию или загружаете на сайт вроде Linkedin, часто ваше CV читают не люди, а роботы. Робот выделяет из CV ключевую информацию и решает, стоите ли вы того, чтобы пригласить вас на собеседование. Часто если роботу не понравилось ваше CV, человек его смотреть уже не будет — вам просто придет отказ.
В выпуске подкаста In Machines We Trust: Beating the AI hiring machines эксперты HR поделились лайфхаками, как составить CV, которое с наибольшей вероятностью ублажит роботов и пройдет скрининг. Вот какие советы они дают:
Совет #1: Главное правило: CV должно быть как можно более простым. Это поможет избежать ошибок парсинга. Если ваше резюме изобилует сложными языковыми выражениями и элементами стиля, робот просто не поймет, что там написано. А вы получите отказ. Поэтому напичкайте свое CV простыми ключевыми словами, которые отражают ваш опыт и скиллы, чтобы робот с легкостью нашел нужную ему информацию.
«Обычный здравый смысл погубит вас в случае с резюме» — говорит Ян Зигель, сооснователь и CEO компании ZipRecruiter; — «Вам нужен самый простой и скучный шаблон резюме, который вы можете найти. Пишите как пещерный человек, используя самыме короткие и недвусмысленные слова».
Да, такое резюме должно выглядеть довольно убого. Если вас это пугает, то вот вам другой совет:
Совет #2: сделайте несколько копий резюме. Одно CV — максимально простое и убогое — для ИИ, второе — аккуратное и приятное глазу — для людей. Второе вам понадобится, если по поводу вакансии вам пишет живой человек или если вас уже позвали на собеседование после скрининга.
Также можно сделать разные варианты резюме для разных типов вакансий. Если подаетесь на вакансию frontend-разработчика, сделайте версию CV, где выделите больше ключевых слов о фронтенде. Если затем решили податься на вакансию ML-исследователя — сделайте другой вариант CV, с ключевыми словами про ML.
Совет #3: проверьте свое CV с помощью алгоритмов ИИ. Разные компании используют разные технологии для парсинга резюме. Невозможно узнать, как работает каждая из них, чтобы подстроить свое CV под эти алгоритмы. Но что-то сделать можно: есть много открытых сайтов, куда можно загрузить CV и робот проверит его на читаемость.
Вот примеры таких сайтов: Jobscan, VMock. Кроме простого парсинга резюме Jobscan также оценивает релевантность ваших скиллов разным вакансиям, помогая вам подстроить CV под конкретный job offer. А VMock находит опечатки и может даже предложить добавить что-то в резюме: «хей, смотри, ты тут год проработал в маркетинге, это наверняка значит, что у тебя классные communication skills! Давай добавим это в поле "soft skills"?»
Совет #4: Практика прохождения собеседований. Без практики никак ¯\_(ツ)_/¯ Уверенность на собеседовании достигается только с опытом. Но и тут вам поможет ИИ.
Interview Stream — сайт, чтобы учиться отвечать на вопросы, которые задают на собеседованиях. ИИ спрашивает вопрос, а вы — отвечаете. Процесс записывается на видео, затем ИИ оценивает ваши ответы. Вы также можете пересматривать свои видео: это поможет посмотреть на себя со стороны и выявить ошибки. Ну и, конечно, с практикой вы обретете больше уверенности.
Еще платформы для собеседований на основе ИИ: Big Interview, Talk Hiring, HireVue, Retorio, Yobs.
Если вас не устраивает ИИ в качестве учителя для собеседований, можете проводить пробные интервью (mock-interview) с реальными людьми. Сайтов, где можно найти себе "собеседующего" и потренироваться проходить собесы — много. Вот пример: pramp.com
В завершение скажем, что ИИ все сильнее внедряется в процесс найма. Важно понимать, как этот процесс устроен и пытаться узнать как можно больше, какие именно алгоритмы использует компания, куда вы подаетесь.
Удачи вам на карьерном пути ❤️
❤🔥2❤1
#промо
Хотите запустить ИИ-стартап или просто узнать, «как оно всё работает»?
Заглядывайте в AI Bible — канал об AI-продуктах, нейросетях и о всём ИИ-шном. Здесь ребята из Signum.AI, разработавшие ИИ-платформу для снижения стоимости привлечения клиентов, делятся апдейтами и инсайтами ИИ-рынка, своим опытом и новостями с полей.
В AI Bible вы найдёте:
• Особенности разработки и внедрения прикладного ИИ
• Лайфхаки для фаундеров ИИ-стартапов, продактов и маркетологов
• Разборы интересных use кейсов, факапов и перспективных направлений в рамках индустрии
• Новости и тренды ИИ-рынка
Маст-хэв для продактов и фаундеров, которые планируют работать с ИИ-продуктами (или уже).
Подписывайтесь 💥
Хотите запустить ИИ-стартап или просто узнать, «как оно всё работает»?
Заглядывайте в AI Bible — канал об AI-продуктах, нейросетях и о всём ИИ-шном. Здесь ребята из Signum.AI, разработавшие ИИ-платформу для снижения стоимости привлечения клиентов, делятся апдейтами и инсайтами ИИ-рынка, своим опытом и новостями с полей.
В AI Bible вы найдёте:
• Особенности разработки и внедрения прикладного ИИ
• Лайфхаки для фаундеров ИИ-стартапов, продактов и маркетологов
• Разборы интересных use кейсов, факапов и перспективных направлений в рамках индустрии
• Новости и тренды ИИ-рынка
Маст-хэв для продактов и фаундеров, которые планируют работать с ИИ-продуктами (или уже).
Подписывайтесь 💥
Telegram
Visual Holy Bible
Visual Holy Bible | Daily Verses | Bible Quiz - IOS application: https://apps.apple.com/us/app/visual-holy-bible/id6498934309
Если вы боитесь, что кто-то (не будем показывать пальцем) следит за вами в zoom, то эта прога — для вас.
#tech
DeepFaceLive — программа, которая в реалтайме заменяет ваше лицо на видео в зуме на другое. Сейчас программа доступна только для Windows 10, но если хочется, то для других систем можно самому собрать код из репозитория.
Очень удобно например, для стримов, когда не очень хочется светиться 🌝
Автор проги — тот же человек, кто создал DeepFaceLab — гитхаб-репо для удобного создания своих дипфейков. Думаю, половина дипфейков интернета создана с помощью этого кода) Я тоже когда-то делала на его основе свой дипфейк *ностальгирует*
#tech
DeepFaceLive — программа, которая в реалтайме заменяет ваше лицо на видео в зуме на другое. Сейчас программа доступна только для Windows 10, но если хочется, то для других систем можно самому собрать код из репозитория.
Очень удобно например, для стримов, когда не очень хочется светиться 🌝
Автор проги — тот же человек, кто создал DeepFaceLab — гитхаб-репо для удобного создания своих дипфейков. Думаю, половина дипфейков интернета создана с помощью этого кода) Я тоже когда-то делала на его основе свой дипфейк *ностальгирует*
Как машинное обучение НЕ помогло в борьбе с Covid-19
#ai_inside #ai_med
Когда в 2020 году вспышка Covid-19 переросла в пандемию, все бросились разрабатывать ИИ для борьбы с болезнью. Вот уж где ИИ точно доказал бы свою пользу для мира! Создавались нейросети для раннего выявления болезни, предсказания выздоровления и появления осложнений, а также просто тонна моделей для предсказания роста заболеваемости в разных странах.
Недавно ученые-эпидемиологи провели два больших исследования моделей для борьбы с covid-19. Результаты опубликованы в научных журналах: the British Medical Journal и Nature Machine Intelligence.
Выводы поразили даже самих авторов: ни одна из более чем 600 моделей на основе ИИ не помогает в борьбе с covid-19 и не может быть использована в клинических условиях. А в некоторых случаях технологии могут скорее навредить, чем помочь: предсказать вкорне неверное течение болезни и помешать лечению.
Получается, наш всесильный ИИ оказался тут бессилен ¯\_(ツ)_/¯
Разбираемся, почему так вышло:
Главная проблема здесь даже не в самом ИИ, а в данных, которые использовались для обучения ИИ. Когда начался бум "ИИ для борьбы с covid", все бросились создавать датасеты, чтобы быстрее натренировать модели. Только на одном каггле датасетов с пометкой "covid-19" — 35 тысяч! Из-за спешки базы данных часто создавались "на коленке". Вот какие проблемы это породило:
— дубликаты. Из-за того, что медицинские данные — деликатная информация и может быть использована только в обезличенном виде, в базах данных часто попадаются дубликаты. В датасет может попасть два фото одного и того же скана КТ легких. Затем при делении выборки на трейн и тест одно из этих фото попадет в трейн, а другое — в тест. В таком случае результаты работы алгоритма будут искажены.
— смещенность выборок. Пример: в одном датасете сканов КТ легких все фото, на которых было поражение, были получены от взрослых людей. А в качестве примеров легких без поражений использовали сканы легких детей. В итоге ИИ вместо выявления легких с поражениями научился отделять легкие взрослого человека от детских.
Это суперчастая проблема в датасетах covid-19. Отчасти она возникла потому, что медицинские данные непросто достать. И чтобы получить достаточно данных для обучения нейросетей, исследователи миксуют данные из разных источников.
— артефакты. Некоторые нейросети, которых учили распознавать легкие с поражением, обращали внимание не на сами легкие, а на маркировку больницы, которая присутствует на снимке КТ. В результате предсказание течения вашей болезни основывается не на ваших симптомах, а на том, в какой больнице вы лежите)
— ручная разметка. Медицинские данные для обучения ИИ размечаются реальными докторами. Часто от взгляда и опыта конкретного доктора зависит, будет конкретный снимок легких размечен как "содержащий признаки болезни" или нет. Это вносит в данные много шума.
Другие проблемы ИИ для covid-19, не связанные с данными:
— непрозрачность решений. Для большинства ИИ моделей неизвестно, как они работают и на каких данных обучались. Все дело опять же в деликатности медицинских данных. Часто ИИ разработчики подписывают соглашение о конфеденциальности с госпиталями и просто не имеют права рассказывать о своих разработках.
А кто тогда знает, насколько нормально эти ИИ модели работают?
— желание выделиться. Вместо того, чтобы скооперироваться и вместе создать адекватный ИИ для борьбы с covid, исследователи хотели как можно быстрее выпустить свою новую личную классненькую нейросеть (ну и прославиться). В результате у нас есть тонна плохих решений, сделанных кое-как. ( а вообще — это далеко не новая проблема в индустрии ИИ 🙃)
Такие дела. Создается ощущение, что провал ИИ в борьбе с covid вызван исключительно человеческими факторами: жадностью, поспешностью и невнимательностью. Стоит понимать, что все это происходит не только в ИИ для covid-19, но и во всей индустрии ИИ в целом. Но медицина — слишком деликатная сфера, связанная с человеческими жизнями, чтобы закрывать на такие проблемы глаза.
В следующем посте расскажем, как борются с этими проблемами.
#ai_inside #ai_med
Когда в 2020 году вспышка Covid-19 переросла в пандемию, все бросились разрабатывать ИИ для борьбы с болезнью. Вот уж где ИИ точно доказал бы свою пользу для мира! Создавались нейросети для раннего выявления болезни, предсказания выздоровления и появления осложнений, а также просто тонна моделей для предсказания роста заболеваемости в разных странах.
Недавно ученые-эпидемиологи провели два больших исследования моделей для борьбы с covid-19. Результаты опубликованы в научных журналах: the British Medical Journal и Nature Machine Intelligence.
Выводы поразили даже самих авторов: ни одна из более чем 600 моделей на основе ИИ не помогает в борьбе с covid-19 и не может быть использована в клинических условиях. А в некоторых случаях технологии могут скорее навредить, чем помочь: предсказать вкорне неверное течение болезни и помешать лечению.
Получается, наш всесильный ИИ оказался тут бессилен ¯\_(ツ)_/¯
Разбираемся, почему так вышло:
Главная проблема здесь даже не в самом ИИ, а в данных, которые использовались для обучения ИИ. Когда начался бум "ИИ для борьбы с covid", все бросились создавать датасеты, чтобы быстрее натренировать модели. Только на одном каггле датасетов с пометкой "covid-19" — 35 тысяч! Из-за спешки базы данных часто создавались "на коленке". Вот какие проблемы это породило:
— дубликаты. Из-за того, что медицинские данные — деликатная информация и может быть использована только в обезличенном виде, в базах данных часто попадаются дубликаты. В датасет может попасть два фото одного и того же скана КТ легких. Затем при делении выборки на трейн и тест одно из этих фото попадет в трейн, а другое — в тест. В таком случае результаты работы алгоритма будут искажены.
— смещенность выборок. Пример: в одном датасете сканов КТ легких все фото, на которых было поражение, были получены от взрослых людей. А в качестве примеров легких без поражений использовали сканы легких детей. В итоге ИИ вместо выявления легких с поражениями научился отделять легкие взрослого человека от детских.
Это суперчастая проблема в датасетах covid-19. Отчасти она возникла потому, что медицинские данные непросто достать. И чтобы получить достаточно данных для обучения нейросетей, исследователи миксуют данные из разных источников.
— артефакты. Некоторые нейросети, которых учили распознавать легкие с поражением, обращали внимание не на сами легкие, а на маркировку больницы, которая присутствует на снимке КТ. В результате предсказание течения вашей болезни основывается не на ваших симптомах, а на том, в какой больнице вы лежите)
— ручная разметка. Медицинские данные для обучения ИИ размечаются реальными докторами. Часто от взгляда и опыта конкретного доктора зависит, будет конкретный снимок легких размечен как "содержащий признаки болезни" или нет. Это вносит в данные много шума.
Другие проблемы ИИ для covid-19, не связанные с данными:
— непрозрачность решений. Для большинства ИИ моделей неизвестно, как они работают и на каких данных обучались. Все дело опять же в деликатности медицинских данных. Часто ИИ разработчики подписывают соглашение о конфеденциальности с госпиталями и просто не имеют права рассказывать о своих разработках.
А кто тогда знает, насколько нормально эти ИИ модели работают?
— желание выделиться. Вместо того, чтобы скооперироваться и вместе создать адекватный ИИ для борьбы с covid, исследователи хотели как можно быстрее выпустить свою новую личную классненькую нейросеть (ну и прославиться). В результате у нас есть тонна плохих решений, сделанных кое-как. ( а вообще — это далеко не новая проблема в индустрии ИИ 🙃)
Такие дела. Создается ощущение, что провал ИИ в борьбе с covid вызван исключительно человеческими факторами: жадностью, поспешностью и невнимательностью. Стоит понимать, что все это происходит не только в ИИ для covid-19, но и во всей индустрии ИИ в целом. Но медицина — слишком деликатная сфера, связанная с человеческими жизнями, чтобы закрывать на такие проблемы глаза.
В следующем посте расскажем, как борются с этими проблемами.
👍2
Как машинное обучение НЕ помогло в борьбе с Covid-19
#ai_inside #ai_med
Это вторая часть поста про ИИ для covid-19. Первая часть, где мы рассказывали о причинах, почему ИИ не смог помочь в борьбе с covid — постом выше.
Так как же улучшить ситуацию и не допустить такого в будущем?
Вот несколько идей:
☑️ Дерек Дриггс, ML-исследователь из Кембриджа, считает, что для создания лучших моделей ИИ для медицины необходимо тесное сотрудничество между разработчиками ИИ и врачами. Понимание врачами медицинских нюансов поможет создать адекватные ИИ-модели.
☑️ Датасеты и модели должны быть открыты для изучения. Это поможет выявить слабые места моделей и иметь их в виду при использовании.
☑️ Также необходимо решить проблему с конфиденциальностью данных. Нужно, чтобы медицинские данные были более доступны ИИ-разработчикам, особенно в случаях крайней нужды, как при пандемии. Это не так просто сделать: как мы писали выше, медицинские данные — деликатная информация и часто содержат персональные данные. Их нельзя просто так пересылать и использовать.
Всемирная организация здравоохранения (ВОЗ) предлагает создать "аварийный протокол", по которому в кризисных ситуациях исследователи смогут проще получать доступ к данным и пересылать данные из одной страны в другую.
☑️ И последняя проблема, над которой нужно работать — кооперация в научной среде. Сейчас мир науки и индустрии устроен так, что поощряет индивидуальные достижения и инновации. Из-за этого все компании и разработчики стремятся создать "что-то новое и свое", чтобы прославиться. Конкуренция — высока, сотрудничество — не поощряется. В результате мы получаем кучу статей и ИИ-прототипов, но мало какие из них доводят до того состояния, когда они могут начать приносить реальную пользу.
В заключение: проблемы, описанные выше, возникают во всех сверах применения ИИ. Хочется надеяться, что на провальном примере ИИ для covid-19 человечество чему-то научится.
А вы как считаете? Сможем ли мы извлечь урок? Сможет ли ИИ приносить реальную пользу людям? Что для этого нужно сделать?
Материал написан на основе этой статьи.
#ai_inside #ai_med
Это вторая часть поста про ИИ для covid-19. Первая часть, где мы рассказывали о причинах, почему ИИ не смог помочь в борьбе с covid — постом выше.
Так как же улучшить ситуацию и не допустить такого в будущем?
Вот несколько идей:
☑️ Дерек Дриггс, ML-исследователь из Кембриджа, считает, что для создания лучших моделей ИИ для медицины необходимо тесное сотрудничество между разработчиками ИИ и врачами. Понимание врачами медицинских нюансов поможет создать адекватные ИИ-модели.
☑️ Датасеты и модели должны быть открыты для изучения. Это поможет выявить слабые места моделей и иметь их в виду при использовании.
☑️ Также необходимо решить проблему с конфиденциальностью данных. Нужно, чтобы медицинские данные были более доступны ИИ-разработчикам, особенно в случаях крайней нужды, как при пандемии. Это не так просто сделать: как мы писали выше, медицинские данные — деликатная информация и часто содержат персональные данные. Их нельзя просто так пересылать и использовать.
Всемирная организация здравоохранения (ВОЗ) предлагает создать "аварийный протокол", по которому в кризисных ситуациях исследователи смогут проще получать доступ к данным и пересылать данные из одной страны в другую.
☑️ И последняя проблема, над которой нужно работать — кооперация в научной среде. Сейчас мир науки и индустрии устроен так, что поощряет индивидуальные достижения и инновации. Из-за этого все компании и разработчики стремятся создать "что-то новое и свое", чтобы прославиться. Конкуренция — высока, сотрудничество — не поощряется. В результате мы получаем кучу статей и ИИ-прототипов, но мало какие из них доводят до того состояния, когда они могут начать приносить реальную пользу.
В заключение: проблемы, описанные выше, возникают во всех сверах применения ИИ. Хочется надеяться, что на провальном примере ИИ для covid-19 человечество чему-то научится.
А вы как считаете? Сможем ли мы извлечь урок? Сможет ли ИИ приносить реальную пользу людям? Что для этого нужно сделать?
Материал написан на основе этой статьи.
Доброй пятницы! Мы с очередной пятничной порцией веселых историй из мира ИИ 🙃
#ai_fun
Ловите:
😳 похоже, карьера модели скоро будет не так престижна — всех заменят нейронками. StyleGAN научили генерировать не только лица, но и, кхм... остальные части тела)
Смотрите сами: вот в этом инстаграме все фото девушек — ненастоящие. А вот еще один пример генерации не-только-лиц (возможно, автор Инстаграма и Твиттера — один и тот же). А вот код к этой божественной нейронке.
💏 Мемный тиндер: студентка из Стэнфорда создала мемный аналог Тиндера — приложение Schmooze. В нем вместо фотографий людей вы свайпаете влево и вправо мемы. А искусственный интеллект на основе ваших мемных предпочтений подбирает вам подходящего партнера. Я зарегалась, го свайпать 🌝
🐶 Ютуб-блогер Райдер Дейман создал нейросеть, которая распознает проходящих мимо его дома собак и... кричит им комплименты! Изначально Райдер хотел, чтобы ИИ просто оповещало его, когда собака находится у его дома. Тогда Райдер мог подойти к окну, взглянуть на собаку и получить порцию гормонов счастья) Но затем он решил добавить в систему автоматическую выдачу комплиментов.
Реакция прохожих с собаками, когда они слышат механическое "I like your dog!" — в видео на канале блогера. Также там описано, как работает нейросеть.
#ai_fun
Ловите:
😳 похоже, карьера модели скоро будет не так престижна — всех заменят нейронками. StyleGAN научили генерировать не только лица, но и, кхм... остальные части тела)
Смотрите сами: вот в этом инстаграме все фото девушек — ненастоящие. А вот еще один пример генерации не-только-лиц (возможно, автор Инстаграма и Твиттера — один и тот же). А вот код к этой божественной нейронке.
💏 Мемный тиндер: студентка из Стэнфорда создала мемный аналог Тиндера — приложение Schmooze. В нем вместо фотографий людей вы свайпаете влево и вправо мемы. А искусственный интеллект на основе ваших мемных предпочтений подбирает вам подходящего партнера. Я зарегалась, го свайпать 🌝
🐶 Ютуб-блогер Райдер Дейман создал нейросеть, которая распознает проходящих мимо его дома собак и... кричит им комплименты! Изначально Райдер хотел, чтобы ИИ просто оповещало его, когда собака находится у его дома. Тогда Райдер мог подойти к окну, взглянуть на собаку и получить порцию гормонов счастья) Но затем он решил добавить в систему автоматическую выдачу комплиментов.
Реакция прохожих с собаками, когда они слышат механическое "I like your dog!" — в видео на канале блогера. Также там описано, как работает нейросеть.
Нейронная сеть стала изобретателем
Помните картину, которую написала нейросеть, и которую продали на аукционе Sotheby's за тонну денег? Тогда еще было много разговоров о том, что теперь ИИ может иметь статус "художника" и как это все футуристично.
Прошло несколько лет, и ИИ пошел дальше: теперь ИИ может быть изобретателем и подавать патентные заявки 🙃
Суд в Австралии постановил, что искусственный интеллект может считаться изобретателем и указываться в графе "inventor" в заявках на патент. При этом владельцем патента все равно является человек.
Вот как судья Бич прокомментировал свое решение:
«На мой взгляд, ИИ вполне может играть роль изобретателя. Во-первых, изобретатель — это агент, а агент может быть как человеком, так и предметом, который что-то изобрел. Во-вторых, реальность такова, что для многих нынешних изобретений нельзя сказать, что их изобрел человек. В-третьих, формулировка австралийского закона нигде не указывает, что машина не может быть изобретателем.»
Австралия — первая из развитых стран, кто принял такое решение. В США, Европейском союзе и Великобритании в законах явно указано, что изобретателем должен быть живой человек. И, по мнению некоторых юристов, в этом есть смысл: патентный юрист Марк Саммерфилд считает, что разрешение ИИ считаться изобретателем может породить тонну "мусорных" патентных заявок.
Кстати, познакомьтесь с человеком, который стал инициатором суда по патентному праву в Австралии: Стивен Талер. Этот человек подал очень много заявок на патент от лица ИИ по всему миру (кажется, он всерьез озабочен правами ИИ). Но вот одобрили только в Австралии, в остальных странах остались непреклонны.
Ну что, ждем, когда остальные страны подтянутся за Австралией, ато нечего ущемлять права ИИ 🙃
Помните картину, которую написала нейросеть, и которую продали на аукционе Sotheby's за тонну денег? Тогда еще было много разговоров о том, что теперь ИИ может иметь статус "художника" и как это все футуристично.
Прошло несколько лет, и ИИ пошел дальше: теперь ИИ может быть изобретателем и подавать патентные заявки 🙃
Суд в Австралии постановил, что искусственный интеллект может считаться изобретателем и указываться в графе "inventor" в заявках на патент. При этом владельцем патента все равно является человек.
Вот как судья Бич прокомментировал свое решение:
«На мой взгляд, ИИ вполне может играть роль изобретателя. Во-первых, изобретатель — это агент, а агент может быть как человеком, так и предметом, который что-то изобрел. Во-вторых, реальность такова, что для многих нынешних изобретений нельзя сказать, что их изобрел человек. В-третьих, формулировка австралийского закона нигде не указывает, что машина не может быть изобретателем.»
Австралия — первая из развитых стран, кто принял такое решение. В США, Европейском союзе и Великобритании в законах явно указано, что изобретателем должен быть живой человек. И, по мнению некоторых юристов, в этом есть смысл: патентный юрист Марк Саммерфилд считает, что разрешение ИИ считаться изобретателем может породить тонну "мусорных" патентных заявок.
Кстати, познакомьтесь с человеком, который стал инициатором суда по патентному праву в Австралии: Стивен Талер. Этот человек подал очень много заявок на патент от лица ИИ по всему миру (кажется, он всерьез озабочен правами ИИ). Но вот одобрили только в Австралии, в остальных странах остались непреклонны.
Ну что, ждем, когда остальные страны подтянутся за Австралией, ато нечего ущемлять права ИИ 🙃
👍1
Forwarded from местный датасасер ☮️
📚 Библиотека кейсов машинного обучения
Что это?
Ребята из Data Monsters собирают что-то вроде небольшой энциклопедии архитектур ML-приложений на все случаи жизни. Сейчас в нем есть несколько кейсов от самих Data Monsters, Иннополиса и Machine Intelligence Lab МФТИ (😎). Среди задач встречаются детекция лесных пожаров по снимкам из космоса, квантизация нейросетей для мобильных устройств и использование ИИ для анализа рентгеновских снимков. Идея проекта в том, что много ML-кейсов для разных бизнес задач похожи в техническом плане, поэтому сборник различных решений будет полезен в большом спектре задач.
Как описывать кейсы?
В начале указывается автор и дата публикации, затем — blueprint решения (см. фото). Текстовая часть представляет собой описание задачи (challenge), затем идут краткая идея решения и перечень использованных технологий.
Как поучаствовать?
Если у вас есть интересный решенный кейс по ML, или вы просто хотите пообщаться с авторами, то пишите @eIwis
Что это?
Ребята из Data Monsters собирают что-то вроде небольшой энциклопедии архитектур ML-приложений на все случаи жизни. Сейчас в нем есть несколько кейсов от самих Data Monsters, Иннополиса и Machine Intelligence Lab МФТИ (😎). Среди задач встречаются детекция лесных пожаров по снимкам из космоса, квантизация нейросетей для мобильных устройств и использование ИИ для анализа рентгеновских снимков. Идея проекта в том, что много ML-кейсов для разных бизнес задач похожи в техническом плане, поэтому сборник различных решений будет полезен в большом спектре задач.
Как описывать кейсы?
В начале указывается автор и дата публикации, затем — blueprint решения (см. фото). Текстовая часть представляет собой описание задачи (challenge), затем идут краткая идея решения и перечень использованных технологий.
Как поучаствовать?
Если у вас есть интересный решенный кейс по ML, или вы просто хотите пообщаться с авторами, то пишите @eIwis
Генерация изображений с помощью StyleGAN+CLIP
#paper
Помните CLIP? Это нейросеть, которая работает в двух доменах: текстов и изображений. Например, с помощью CLIP можно по текстовому запросу генерировать картинки. Подробно про CLIP и почему это крутейшая нейросеть, мы писали тут. Обязательно прочитайте, если еще не: есть все основания полагать, что за CLIP-подобными архитектурами стоит будущее.
Сегодня мы расскажем о том, как с помощью CLIP можно заставить сеть для генерации изображений StyleGAN генерировать картинки из нового домена. Пример работы такого подхода на изображении выше: на нем везде лица людей, но из разных доменов: есть лицо-зомби, лицо-монализа, лицо-белый-ходок и т.д.
Итак, как это работает:
Пусть у нас есть обычный обученный StyleGAN, который умеет генерировать обычные лица людей. Создадим две копии этого стайлгана: StyleGAN-v1 и StyleGAN-v2. Одну будем обучать (пусть это будет StyleGAN-v2), а вторую заморозим.
Выберем домен, который мы хотим научиться генерировать. Пусть это будет "зомби". Обратимся к CLIP: попросим у него эмбеддинги для слов "лицо" и "зомби". Далее будем учить StyleGAN-v2 так, чтобы разница между эмбеддингом, выдаваемым StyleGAN-v2 и StyleGAN-v1 на одинаковый вход была ровно такой же, как разница между эмбеддингами слов "зомби" и "лицо". То есть, разница между картинками "лица-зомби" и просто лица будет в том же, в чем разница между словами "зомби" и "лицо".
Обучая таким образом StyleGAN-v2, мы получим, что он будет выдавать лица, но уже с оттенком "зомбоватости".
Схема архитектуры представлена на этой картинке. Идея очень простая) Но работает круто.
Полный текст статьи читайте тут.
А мы обещаем, что скоро еще расскажем вам о суперкрутых подходах к генерации изображений с помощью CLIP😉
#paper
Помните CLIP? Это нейросеть, которая работает в двух доменах: текстов и изображений. Например, с помощью CLIP можно по текстовому запросу генерировать картинки. Подробно про CLIP и почему это крутейшая нейросеть, мы писали тут. Обязательно прочитайте, если еще не: есть все основания полагать, что за CLIP-подобными архитектурами стоит будущее.
Сегодня мы расскажем о том, как с помощью CLIP можно заставить сеть для генерации изображений StyleGAN генерировать картинки из нового домена. Пример работы такого подхода на изображении выше: на нем везде лица людей, но из разных доменов: есть лицо-зомби, лицо-монализа, лицо-белый-ходок и т.д.
Итак, как это работает:
Пусть у нас есть обычный обученный StyleGAN, который умеет генерировать обычные лица людей. Создадим две копии этого стайлгана: StyleGAN-v1 и StyleGAN-v2. Одну будем обучать (пусть это будет StyleGAN-v2), а вторую заморозим.
Выберем домен, который мы хотим научиться генерировать. Пусть это будет "зомби". Обратимся к CLIP: попросим у него эмбеддинги для слов "лицо" и "зомби". Далее будем учить StyleGAN-v2 так, чтобы разница между эмбеддингом, выдаваемым StyleGAN-v2 и StyleGAN-v1 на одинаковый вход была ровно такой же, как разница между эмбеддингами слов "зомби" и "лицо". То есть, разница между картинками "лица-зомби" и просто лица будет в том же, в чем разница между словами "зомби" и "лицо".
Обучая таким образом StyleGAN-v2, мы получим, что он будет выдавать лица, но уже с оттенком "зомбоватости".
Схема архитектуры представлена на этой картинке. Идея очень простая) Но работает круто.
Полный текст статьи читайте тут.
А мы обещаем, что скоро еще расскажем вам о суперкрутых подходах к генерации изображений с помощью CLIP😉
Помните, мы рассказывали про OpenAI Copilot? Это ИИ, который помогает вам писать код: может даже написать за вас целые функции. Подробнее читайте в нашем посте вот тут.
#tech
Так вот, OpenAI анонсировали API для Codex. Codex — это, собственно, ИИ, который и работает под капотом Copilot. (То есть, чтобы не запутаться: Copilot — это инструмент для помощи в написании кода, Codex — имя нейронки, которая работает внутри Copilot).
Также разработчики поделились некоторыми особенностями Codex, а именно:
— Codex основан на GPT-3 и обучен на миллиардах строк кода, включая код из публичных GitHub репо (теперь мы точно можем быть уверены, что Copilot будет предлагать говнокод 💩)
— Лучше всего Codex работает с языком Python (с чего бы это), но также умеет и в почти все другие, даже в Shell
— Для дополнения вашего кода Codex использует много контекстной информации — для этого у него есть 14kb "оперативной памяти". Для сравнения, у GPT-3 "оперативы" всего 3kb, а значит, Codex может учитывать реально обширный контекст и предлагать более разумные варианты.
Сейчас Codex API доступен в бета, зарегистрироваться на бета-тест можно тут.
Также OpenAI записали демо-видео с презентацией Codex. Выглядит просто потрясно) Интересно, насколько примеры с видео "специально подготовлены" для демонстрации и отражают ли они реальные способности Codex 🙃
#tech
Так вот, OpenAI анонсировали API для Codex. Codex — это, собственно, ИИ, который и работает под капотом Copilot. (То есть, чтобы не запутаться: Copilot — это инструмент для помощи в написании кода, Codex — имя нейронки, которая работает внутри Copilot).
Также разработчики поделились некоторыми особенностями Codex, а именно:
— Codex основан на GPT-3 и обучен на миллиардах строк кода, включая код из публичных GitHub репо (теперь мы точно можем быть уверены, что Copilot будет предлагать говнокод 💩)
— Лучше всего Codex работает с языком Python (с чего бы это), но также умеет и в почти все другие, даже в Shell
— Для дополнения вашего кода Codex использует много контекстной информации — для этого у него есть 14kb "оперативной памяти". Для сравнения, у GPT-3 "оперативы" всего 3kb, а значит, Codex может учитывать реально обширный контекст и предлагать более разумные варианты.
Сейчас Codex API доступен в бета, зарегистрироваться на бета-тест можно тут.
Также OpenAI записали демо-видео с презентацией Codex. Выглядит просто потрясно) Интересно, насколько примеры с видео "специально подготовлены" для демонстрации и отражают ли они реальные способности Codex 🙃
ИИ поможет в диагностике деменции.
#tech #ai_med
Исследователи из Кембриджа разработали искусственный интеллект для диагностики деменции. Нейросеть сравнивает МРТ снимки мозга здоровых людей со снимками мозга людей с диагнозом. Предполагается, что ИИ сможет предсказать, как будет развиваться болезнь: будет ли состояние пациента оставаться стабильным или последует резкое ухудшение. Также, похоже, технология может предсказывать болезнь задолго до ее появления: даже тогда, когда человеческие доктора не видят никаких признаков поражения.
Деменция — это синдром, при котором нарушаются когнитивные способности человека: происходит деградация памяти, мышления, поведения и способности выполнять ежедневные действия. Ежегодно в мире регистрируются около 10 миллионов случаев заболевания. Лечения деменции нет, она довольно быстро прогрессирует и приводит к смерти. Причины возникновения болезни также мало изучены, что делает появление болезни непредсказуемым. Если ИИ действительно поможет с ранним выявлением симптомов, это может значительно улучшить жизнь пациентов.
На данном этапе нейросеть для диагностики деменции проходи тесты на реальных людях: исследователи надеются получить результаты, сравнимые с лабораторными. Мы тоже надеемся на их успех❤️
#tech #ai_med
Исследователи из Кембриджа разработали искусственный интеллект для диагностики деменции. Нейросеть сравнивает МРТ снимки мозга здоровых людей со снимками мозга людей с диагнозом. Предполагается, что ИИ сможет предсказать, как будет развиваться болезнь: будет ли состояние пациента оставаться стабильным или последует резкое ухудшение. Также, похоже, технология может предсказывать болезнь задолго до ее появления: даже тогда, когда человеческие доктора не видят никаких признаков поражения.
Деменция — это синдром, при котором нарушаются когнитивные способности человека: происходит деградация памяти, мышления, поведения и способности выполнять ежедневные действия. Ежегодно в мире регистрируются около 10 миллионов случаев заболевания. Лечения деменции нет, она довольно быстро прогрессирует и приводит к смерти. Причины возникновения болезни также мало изучены, что делает появление болезни непредсказуемым. Если ИИ действительно поможет с ранним выявлением симптомов, это может значительно улучшить жизнь пациентов.
На данном этапе нейросеть для диагностики деменции проходи тесты на реальных людях: исследователи надеются получить результаты, сравнимые с лабораторными. Мы тоже надеемся на их успех❤️
BBC News
Artificial Intelligence may diagnose dementia in a day
The system being tested should spot the disease long before symptoms or obvious brain signs develop.
Сегодня на канале небольшой анонс:
#podcast
Завтра, в четверг 19.08 в 20:00 МСК в канале Долгосрочные инвестиции будет живой подкаст с автором канала Вячеславом и мной (Таней @atmyre) в качестве гостя.
Поговорим про ИИ в целом и про ИИ в финансах и инвестициях:
- что такое ИИ простыми словами;
- какие компании и как используют ИИ;
- какие факторы — ключевые для успеха в сфере ИИ;
- в каких областях ИИ сейчас развивается наиболее стремительно;
- как ИИ применяется в финансах и инвестициях
Вот ссылка на подключение к подкасту в качестве гостя. Подключаться можно будет завтра к 8 часам. Подкаст будет сохранен.
Приходите!😘
#podcast
Завтра, в четверг 19.08 в 20:00 МСК в канале Долгосрочные инвестиции будет живой подкаст с автором канала Вячеславом и мной (Таней @atmyre) в качестве гостя.
Поговорим про ИИ в целом и про ИИ в финансах и инвестициях:
- что такое ИИ простыми словами;
- какие компании и как используют ИИ;
- какие факторы — ключевые для успеха в сфере ИИ;
- в каких областях ИИ сейчас развивается наиболее стремительно;
- как ИИ применяется в финансах и инвестициях
Вот ссылка на подключение к подкасту в качестве гостя. Подключаться можно будет завтра к 8 часам. Подкаст будет сохранен.
Приходите!😘