Красивый вид с холма в Сан Хранциско
Как то неожиданно выдался свободный вечер, и я вышел прогуляться по району.
Живем мы в районе Alamo square, о котором я наверное расскажу в другой раз.
Еще с тех пор как я остался в Сан Франциско на первую ночь, я заприметил холмик. Этот холмик меня с завидной регулярностью к себе манил. Но сходить на него было все как-то не в досуг.
После примерно 25 минутной прогулки пешком и подъема в горку ~120м, открывается вот такой вот сумасшедший вид.
Природа - это определенно сумасшедшее, преимущество Сан Франциско. Ведь смотря на такое хочется простить и бесконечную серость и холод.
Кто бы мог подумать что Трондхейм меня застигнет в Калифорнии. Но в тоже время это прям настоящая походная природа. Залезь на горку, преодолей невзгоды и на промозглом ветру сядь на пенопопу, и выпей горячего чайку с друзьями.
📍Corona Heights
Как то неожиданно выдался свободный вечер, и я вышел прогуляться по району.
Живем мы в районе Alamo square, о котором я наверное расскажу в другой раз.
Еще с тех пор как я остался в Сан Франциско на первую ночь, я заприметил холмик. Этот холмик меня с завидной регулярностью к себе манил. Но сходить на него было все как-то не в досуг.
После примерно 25 минутной прогулки пешком и подъема в горку ~120м, открывается вот такой вот сумасшедший вид.
Природа - это определенно сумасшедшее, преимущество Сан Франциско. Ведь смотря на такое хочется простить и бесконечную серость и холод.
Кто бы мог подумать что Трондхейм меня застигнет в Калифорнии. Но в тоже время это прям настоящая походная природа. Залезь на горку, преодолей невзгоды и на промозглом ветру сядь на пенопопу, и выпей горячего чайку с друзьями.
📍Corona Heights
🔥20❤11👍8
Forwarded from Earth&Climate Tech
Выделение объектов на Лидаре с помощью ML
LiDAR (Light identification, Detection and Ranging) - крутая штука. Это технология получения и обработки информации с помощью активных оптических систем (лазеров). Такой "лазерный дальнометр" для картирования объектов в 3Д и еще с координатами. Используется повсеместно в куче индустрий от беспилотных автомобилей до майнинга. Даже на айфонах есть (но не на моем 😢). На картинке, например, "лидарная" карта залива Линнхейвен в Вирджинии 🤩.
Но я даже не про красивые картинки. Они же просто красивые, а пользы сами по себе приносят мало. Польза есть, если, например, из этих моделей, по сути точек с координатами, вытаскивать реальные объекты. То есть делать сегментацию 💡.
Об этом и интересная статья на Медиуме: Introducing Segment-Lidar: Revolutionizing Unsupervised Instance Segmentation of Aerial LiDAR Data, которая рассказывает как применять крутейший алгоритм по выделению объектов SAM от компании Meta для выделения объектов на геопространственных данных, полученных с помощью Лидара (картинка 2). Статья, собственно, представляет собой пошаговую инструкцию, как это делать с помощью модуля в Питоне segment-lidar.
📖 Medium
💻 Github
#GIS #ML
LiDAR (Light identification, Detection and Ranging) - крутая штука. Это технология получения и обработки информации с помощью активных оптических систем (лазеров). Такой "лазерный дальнометр" для картирования объектов в 3Д и еще с координатами. Используется повсеместно в куче индустрий от беспилотных автомобилей до майнинга. Даже на айфонах есть (но не на моем 😢). На картинке, например, "лидарная" карта залива Линнхейвен в Вирджинии 🤩.
Но я даже не про красивые картинки. Они же просто красивые, а пользы сами по себе приносят мало. Польза есть, если, например, из этих моделей, по сути точек с координатами, вытаскивать реальные объекты. То есть делать сегментацию 💡.
Об этом и интересная статья на Медиуме: Introducing Segment-Lidar: Revolutionizing Unsupervised Instance Segmentation of Aerial LiDAR Data, которая рассказывает как применять крутейший алгоритм по выделению объектов SAM от компании Meta для выделения объектов на геопространственных данных, полученных с помощью Лидара (картинка 2). Статья, собственно, представляет собой пошаговую инструкцию, как это делать с помощью модуля в Питоне segment-lidar.
📖 Medium
💻 Github
#GIS #ML
🔥18❤7👍2🤩1
Forwarded from Neural Shit
Не chatgpt единым.
Тем временем автор проекта llama.cpp и разработчик библиотеки ggml, объявил о создании компании ggml.ai с целью дальнейшего развития этой библиотеки.
ggml позволяет запускать большие языковые модели на центральных процессорах (не нужна йоба-видеокарта) и ужимать их до удобных размеров с незначительными потерями в точности.
Штош, желаем удачи и надеемся, что эти чуваки напилят еще много интересного и крутого!
Тем временем автор проекта llama.cpp и разработчик библиотеки ggml, объявил о создании компании ggml.ai с целью дальнейшего развития этой библиотеки.
ggml позволяет запускать большие языковые модели на центральных процессорах (не нужна йоба-видеокарта) и ужимать их до удобных размеров с незначительными потерями в точности.
Штош, желаем удачи и надеемся, что эти чуваки напилят еще много интересного и крутого!
❤66🔥17👍1
Media is too big
VIEW IN TELEGRAM
Ура, добывающая профессия теперь и в МЛ. Infinigen - «золотоносная» жила для генерации качественных синтетических 3D сцен для задач компьютерного зрения
Двигатель прогресса в МЛ - качественные данные. С этим много сложностей от этичного сбора до проклято-трудоемкой аннотации (особенно видео). Исследователи давно работают над симуляцией, и пока это не было достаточно хорошим решением (ограниченная вариативность, упрощенные текстуры и геометрии, зависимость от референсов).
Ученые из Принстона представили Infinigen - источник бесконечных возможностей генерации природных 3D сцен с автоматической аннотацией.
Infinigen восхитительный, потому что:
Процедурный. Каждый объект, от формы до текстуры, создается с нуля по стохастическим правилам и настраивается(!), а количество интерпретируемых человеком степеней свободы (типа материала и размера камней, формы листьев и лепестков) не менее 1070.
Геометрически достоверный. В нем не используются рельефные карты или прозрачности. Все детали геометрии реальные. В этом помогает Blender.
Вдохновлен эволюцией. Зрение млекопитающих развивалось в мире растений, животных, ландшафтов и природных явлений: огонь, дождь, снег. И важно в геологоразведке, навигации беспилотников, экологического мониторинга, спасательных работ, автоматизации сельского хозяйства.
Автоматически аннотируется. Для различных задач CV от оптического потока, 3D-flow сцены, нормалей поверхности до паноптической сегментации и границы окклюзии.
Доступный. Открытый код и artist-friendly с конвертацией Blender Nodes в питон.
Теперь почему это труд и нужен инпут сообщества.
Среднее время создания пары изображений 1080p составляет 3,5 часа. Примерно один час из этого времени используется GPU для рендеринга. Требует в среднем 24 Гб памяти (тестировали на 2 процессорах Intel(R) Xeon(R) Silver 4114 @ 2.20GHz и 1 из 5 NVidia-GPU).
Зато получается годно с первого раза.
Обещают в ближайшее время выложить предсимуляции и создать большой репозиторий с общей копилкой генераций.
🔑Сайт
⛏ Код
📖Пейпер
@GingerSpacetail
Двигатель прогресса в МЛ - качественные данные. С этим много сложностей от этичного сбора до проклято-трудоемкой аннотации (особенно видео). Исследователи давно работают над симуляцией, и пока это не было достаточно хорошим решением (ограниченная вариативность, упрощенные текстуры и геометрии, зависимость от референсов).
Ученые из Принстона представили Infinigen - источник бесконечных возможностей генерации природных 3D сцен с автоматической аннотацией.
Infinigen восхитительный, потому что:
Процедурный. Каждый объект, от формы до текстуры, создается с нуля по стохастическим правилам и настраивается(!), а количество интерпретируемых человеком степеней свободы (типа материала и размера камней, формы листьев и лепестков) не менее 1070.
Геометрически достоверный. В нем не используются рельефные карты или прозрачности. Все детали геометрии реальные. В этом помогает Blender.
Вдохновлен эволюцией. Зрение млекопитающих развивалось в мире растений, животных, ландшафтов и природных явлений: огонь, дождь, снег. И важно в геологоразведке, навигации беспилотников, экологического мониторинга, спасательных работ, автоматизации сельского хозяйства.
Автоматически аннотируется. Для различных задач CV от оптического потока, 3D-flow сцены, нормалей поверхности до паноптической сегментации и границы окклюзии.
Доступный. Открытый код и artist-friendly с конвертацией Blender Nodes в питон.
Теперь почему это труд и нужен инпут сообщества.
Среднее время создания пары изображений 1080p составляет 3,5 часа. Примерно один час из этого времени используется GPU для рендеринга. Требует в среднем 24 Гб памяти (тестировали на 2 процессорах Intel(R) Xeon(R) Silver 4114 @ 2.20GHz и 1 из 5 NVidia-GPU).
Зато получается годно с первого раза.
Обещают в ближайшее время выложить предсимуляции и создать большой репозиторий с общей копилкой генераций.
🔑Сайт
⛏ Код
📖Пейпер
@GingerSpacetail
🔥28❤6🤯3👍2🤩1
Тренды в Компьютерном Зрении
На этой неделе, в Канаде проходит конференция по компьютерному зрению CVPR. По ней можно судить о самых горячих трендах в области:
Трансформеры для обработки изображений: Эта архитектура уже стала уверенной альтернативой сверточным нейронным сетям, начиная с момента публикации статьи о ней в 2020 году. Однако до сих пор остаются нерешенными вопросы, например, как наиболее эффективно превратить задачу обработки изображений в проблему предсказания токенов.
Генерация изображений: Алгоритмы для генерации изображений становятся все более распространенными в CVPR после появления GAN и моделей диффузии. В этом году было представлено много оригинальных работ по редактированию изображений и предоставлению пользователям более детализированного контроля над тем, что генерируют эти модели.
NeRF: Этот подход к созданию 3D-сцены из набора 2D-изображений набирает обороты уже некоторое время. Исследователи стремятся масштабировать NeRF для больших сцен, сделать его более эффективным, справляться с движущимися сценами, работать с меньшим количеством входных изображений и так далее.
Мультимодальные модели: Также привлекают внимание исследователей, поскольку один трансформер может преобразовывать как изображение, так и текст в последовательность токенов. Многие команды исследуют подобные архитектуры.
Самоуправляемые автомобили: Несмотря на то, что путь к ним оказался длиннее, чем многие ожидали, в этой области продолжаются активные исследования.
Такие тренды указывают на активное развитие отрасли и открывают новые возможности для применения компьютерного зрения в различных областях.
Продолжайте учиться!
На этой неделе, в Канаде проходит конференция по компьютерному зрению CVPR. По ней можно судить о самых горячих трендах в области:
Трансформеры для обработки изображений: Эта архитектура уже стала уверенной альтернативой сверточным нейронным сетям, начиная с момента публикации статьи о ней в 2020 году. Однако до сих пор остаются нерешенными вопросы, например, как наиболее эффективно превратить задачу обработки изображений в проблему предсказания токенов.
Генерация изображений: Алгоритмы для генерации изображений становятся все более распространенными в CVPR после появления GAN и моделей диффузии. В этом году было представлено много оригинальных работ по редактированию изображений и предоставлению пользователям более детализированного контроля над тем, что генерируют эти модели.
NeRF: Этот подход к созданию 3D-сцены из набора 2D-изображений набирает обороты уже некоторое время. Исследователи стремятся масштабировать NeRF для больших сцен, сделать его более эффективным, справляться с движущимися сценами, работать с меньшим количеством входных изображений и так далее.
Мультимодальные модели: Также привлекают внимание исследователей, поскольку один трансформер может преобразовывать как изображение, так и текст в последовательность токенов. Многие команды исследуют подобные архитектуры.
Самоуправляемые автомобили: Несмотря на то, что путь к ним оказался длиннее, чем многие ожидали, в этой области продолжаются активные исследования.
Такие тренды указывают на активное развитие отрасли и открывают новые возможности для применения компьютерного зрения в различных областях.
Продолжайте учиться!
👍30❤7🔥4😢2
Forwarded from Earth&Climate Tech
Mineral-X. Начало
Вчера и сегодня сижу на открытии Mineral-X - это коммьюнити, в центре которого Стэнфордская группа Джефа Каерса. Они конечно про AI, но также про коммьюнити, ответственную добычу, декарбонизацию и объединение. Если вы занимаетесь или интересуетесь, то следите за ними внимательно.
На открытии были топы Теслы, Kobold Metals, Exxon, Google X люди из департамента энергетики и инвесторы. В чем посыл и хайп? Игроки начинают верить, что рынок декарбонизации и критического минерального сырья раздувается, теперь дело за технологиями и их внедрением, при чем на всех этапах цепочки. Mineral-X хочет стать центральным элементом объединяющим исследователей, бизнес, итнвесторов и представителей государства.
Тесла рассказывала, что для безуглеродного будущего у нас есть все. Согласно их рассчетам нам нужно хранилищ на 240 ТВт, 30 ТВт возобновляемой энергии и $10 трлн инвестиций. По сравнению с сегодняшним днем нужно на 20% больше лития, на 15% больше никеля и серебра. Между 2023 и 2050 годом понадобится больше меди, чем мир использовал между 1900 и 2022. Вообще у Теслы есть крутой план по устойчивому развитию всея Земли - ссылка ниже.
KoBold рассказал, что в мире скоро возникнет дефицит предложения маталлов примерно в $12 трлн (картинка 3). При этом компании добывающие сырье не тратятся на исследования. Как результат растут затраты на добычу, эффективность разведки падает и накапливается технологический бэклог. Все что было на поверхности уже добыли, теперь как-то нужно думать как эффективно искать то, что под землей. Тем самым он сделал отсылку на работу Джефа Каерса, про интеллектуальных AI агентов для процесса приятия решений при разведке и добыче металлов (и не только). Я писал про это тут.
Были секции и дискуссии не только по AI и разведке сырья, но и по переработке батарей, по ответственной и экологичной добыче, работе с местными коммьюнити, например в африканских и латам странах.
Мне понравилось. Воодушевляет и хочется верить в будущее.
📖 - тот самый доклад от Tesla
#mineral #event
Вчера и сегодня сижу на открытии Mineral-X - это коммьюнити, в центре которого Стэнфордская группа Джефа Каерса. Они конечно про AI, но также про коммьюнити, ответственную добычу, декарбонизацию и объединение. Если вы занимаетесь или интересуетесь, то следите за ними внимательно.
На открытии были топы Теслы, Kobold Metals, Exxon, Google X люди из департамента энергетики и инвесторы. В чем посыл и хайп? Игроки начинают верить, что рынок декарбонизации и критического минерального сырья раздувается, теперь дело за технологиями и их внедрением, при чем на всех этапах цепочки. Mineral-X хочет стать центральным элементом объединяющим исследователей, бизнес, итнвесторов и представителей государства.
Тесла рассказывала, что для безуглеродного будущего у нас есть все. Согласно их рассчетам нам нужно хранилищ на 240 ТВт, 30 ТВт возобновляемой энергии и $10 трлн инвестиций. По сравнению с сегодняшним днем нужно на 20% больше лития, на 15% больше никеля и серебра. Между 2023 и 2050 годом понадобится больше меди, чем мир использовал между 1900 и 2022. Вообще у Теслы есть крутой план по устойчивому развитию всея Земли - ссылка ниже.
KoBold рассказал, что в мире скоро возникнет дефицит предложения маталлов примерно в $12 трлн (картинка 3). При этом компании добывающие сырье не тратятся на исследования. Как результат растут затраты на добычу, эффективность разведки падает и накапливается технологический бэклог. Все что было на поверхности уже добыли, теперь как-то нужно думать как эффективно искать то, что под землей. Тем самым он сделал отсылку на работу Джефа Каерса, про интеллектуальных AI агентов для процесса приятия решений при разведке и добыче металлов (и не только). Я писал про это тут.
Были секции и дискуссии не только по AI и разведке сырья, но и по переработке батарей, по ответственной и экологичной добыче, работе с местными коммьюнити, например в африканских и латам странах.
Мне понравилось. Воодушевляет и хочется верить в будущее.
📖 - тот самый доклад от Tesla
#mineral #event
👍16🔥5❤3😢3
Forwarded from Earth&Climate Tech
Ностальгии пост
Читаете Вастрика? Я тут разгребал старые заметки и презентации и наткунлся на тот самый огромный пост Вастрика про машинное обучение написанный тыщу лет назад (олды, так сказать, поймут).
Лушего введения в предмет я до сих пор не встречал, а это на минуточку 2018! Простым языком, без формул и с прикольчиками всякими. Все раскладывает по полочкам, охватывает 90% всего того, что называют машинным обучением даже на сегодняшний день.
Пост Вастрика с тех пор стал легендой, мемом и классикой. Я до сих пор иногда к нему возвращаюсь, чтобы научиться объяснять сложные вещи так же доступно. Чего только стоит вводный абзац "Машинное обучение — как секс в старших классах. Все говорят о нем по углам, единицы понимают, а занимается только препод. Статьи о машинном обучении делятся на два типа: это либо трёхтомники с формулами и теоремами, которые я ни разу не смог дочитать даже до середины, либо сказки об искусственном интеллекте, профессиях будущего и волшебных дата-саентистах." НЕТЛЕНКА!
В общем, если вы такие 🙄 "что за баян?", то сори. Если в машинном обучении и каким-то неведомым мне образом прошли мимо этого поста - марш читать, это чистое удовольствие! То же самое касается тех, кто до сих пор мечтал разобраться, но боялся прикасаться к умным статьям и книжкам. Кстати, еще подойдет для всяких менеджеров, чтобы понимать что там их инженеры делают.
📖 - нетленка на русском и английском
P.S. У Вастрика недавно вышел еще один фундаментальный пост про AI alignment и я тоже советую его почитать примерно всем.
#AI #classic
Читаете Вастрика? Я тут разгребал старые заметки и презентации и наткунлся на тот самый огромный пост Вастрика про машинное обучение написанный тыщу лет назад (олды, так сказать, поймут).
Лушего введения в предмет я до сих пор не встречал, а это на минуточку 2018! Простым языком, без формул и с прикольчиками всякими. Все раскладывает по полочкам, охватывает 90% всего того, что называют машинным обучением даже на сегодняшний день.
Пост Вастрика с тех пор стал легендой, мемом и классикой. Я до сих пор иногда к нему возвращаюсь, чтобы научиться объяснять сложные вещи так же доступно. Чего только стоит вводный абзац "Машинное обучение — как секс в старших классах. Все говорят о нем по углам, единицы понимают, а занимается только препод. Статьи о машинном обучении делятся на два типа: это либо трёхтомники с формулами и теоремами, которые я ни разу не смог дочитать даже до середины, либо сказки об искусственном интеллекте, профессиях будущего и волшебных дата-саентистах." НЕТЛЕНКА!
В общем, если вы такие 🙄 "что за баян?", то сори. Если в машинном обучении и каким-то неведомым мне образом прошли мимо этого поста - марш читать, это чистое удовольствие! То же самое касается тех, кто до сих пор мечтал разобраться, но боялся прикасаться к умным статьям и книжкам. Кстати, еще подойдет для всяких менеджеров, чтобы понимать что там их инженеры делают.
📖 - нетленка на русском и английском
P.S. У Вастрика недавно вышел еще один фундаментальный пост про AI alignment и я тоже советую его почитать примерно всем.
#AI #classic
❤39👍15🔥6😁2🤯1
Ignition (Зажигание)
Вчера мне довелось побывать в одной из самых уникальных и закрытых лабораторий в мире - National Ignition Facility (NIF).
Эта лаборатория знаменита тем, что 5 декабря 2022 года на Национальной установке зажигания (NIF) была достигнута важная веха в термоядерной энергетике: в результате реакции было получено больше энергии термоядерного синтеза, чем было потрачено лазерной энергии, поданной на мишень.
Эта важная веха в истории человечества связана со сложным процессом направления 192 лазерных лучей в крошечную капсулу, содержащую изотопы водорода, что вызывает термоядерный синтез в экстремальных условиях, аналогичных условиям внутри звезд.
Интересно то, что этот прорыв был достигнут (отчасти) благодаря машинному обучению. Машинное обучение помогло проанализировать огромное количество данных, полученных в результате предыдущих экспериментов, что позволило предсказывать экспериментальные результаты, тем самым повышая скорость итераций.
Отдельно хочу отметить стандарты безопасности на объекте - на каждом шкафчике, на каждой детальке этого прибора (а он размером с 4 футбольных поля) висит предупреждение о том, как правильно эту деталь эксплуатировать.
Почитать больше про прорыв можно тут
Вчера мне довелось побывать в одной из самых уникальных и закрытых лабораторий в мире - National Ignition Facility (NIF).
Эта лаборатория знаменита тем, что 5 декабря 2022 года на Национальной установке зажигания (NIF) была достигнута важная веха в термоядерной энергетике: в результате реакции было получено больше энергии термоядерного синтеза, чем было потрачено лазерной энергии, поданной на мишень.
Эта важная веха в истории человечества связана со сложным процессом направления 192 лазерных лучей в крошечную капсулу, содержащую изотопы водорода, что вызывает термоядерный синтез в экстремальных условиях, аналогичных условиям внутри звезд.
Интересно то, что этот прорыв был достигнут (отчасти) благодаря машинному обучению. Машинное обучение помогло проанализировать огромное количество данных, полученных в результате предыдущих экспериментов, что позволило предсказывать экспериментальные результаты, тем самым повышая скорость итераций.
Отдельно хочу отметить стандарты безопасности на объекте - на каждом шкафчике, на каждой детальке этого прибора (а он размером с 4 футбольных поля) висит предупреждение о том, как правильно эту деталь эксплуатировать.
Почитать больше про прорыв можно тут
🔥69❤12👍10
Знакомимся с Софией!
Оптимизатор Адам долгое время являлся для всех привычным выбором, но теперь у него появилась многообещающая альтернатива - София.
Это упрощенный и легко масштабируемый стохастический оптимизатор второго порядка разработанный ребятами из Стэнфорда 🤓
В результате теста на языковой модели GPT-2 София оказалась в два раза эффективнее Адама по многим параметрам 💨
Это значит, что София может значительно сократить время и затраты на обучение больших языковых моделей💰🦙🤖
📚тыц
@innovationitsme
Оптимизатор Адам долгое время являлся для всех привычным выбором, но теперь у него появилась многообещающая альтернатива - София.
Это упрощенный и легко масштабируемый стохастический оптимизатор второго порядка разработанный ребятами из Стэнфорда 🤓
В результате теста на языковой модели GPT-2 София оказалась в два раза эффективнее Адама по многим параметрам 💨
Это значит, что София может значительно сократить время и затраты на обучение больших языковых моделей💰🦙🤖
📚тыц
@innovationitsme
👍60🎉14🔥13😁5❤2
Machine Unlearning
Поскольку обеспокоенность по поводу неправомерного использования данных и нарушения конфиденциальности все больше формирует ландшафт искусственного интеллекта, на первый план выходит новая область машинного обучения - машинное забывание.
Эта концепция предполагает снижение потенциальных рисков, таких как необъективность данных и вторжение в частную жизнь, путем исключения концептов из уже обученных моделей.
Для решения этих проблем исследователи Google Фабиан Педрегоса и Элени Триантафиллу объявили о проведении первого в истории конкурса Machine Unlearning Challenge. Это соревнование, предназначенное для развития передового опыта в области машинного забывания, будет проводиться на Kaggle и направлено на развитие эффективных, действенных и этичных алгоритмов забывания.
Машинное забывание связано с другими областями машинного обучения, такими как дифференциальная конфиденциальность, обучение в течение всей жизни и справедливость.
Конкурс, являющийся частью конкурсного трека NeurIPS 2023, будет проходить с середины июля до середины сентября 2023 года. Его цель - изучить реалистичные сценарии, в которых определенные подмножества концептов должны быть забыты.
😌 Блог-пост
👾 Конкурс
🪛 Starting kit
Поскольку обеспокоенность по поводу неправомерного использования данных и нарушения конфиденциальности все больше формирует ландшафт искусственного интеллекта, на первый план выходит новая область машинного обучения - машинное забывание.
Эта концепция предполагает снижение потенциальных рисков, таких как необъективность данных и вторжение в частную жизнь, путем исключения концептов из уже обученных моделей.
Для решения этих проблем исследователи Google Фабиан Педрегоса и Элени Триантафиллу объявили о проведении первого в истории конкурса Machine Unlearning Challenge. Это соревнование, предназначенное для развития передового опыта в области машинного забывания, будет проводиться на Kaggle и направлено на развитие эффективных, действенных и этичных алгоритмов забывания.
Машинное забывание связано с другими областями машинного обучения, такими как дифференциальная конфиденциальность, обучение в течение всей жизни и справедливость.
Конкурс, являющийся частью конкурсного трека NeurIPS 2023, будет проходить с середины июля до середины сентября 2023 года. Его цель - изучить реалистичные сценарии, в которых определенные подмножества концептов должны быть забыты.
😌 Блог-пост
👾 Конкурс
🪛 Starting kit
👍25❤4🔥2😢1
3 июля в 19:00 присоединяйтесь к тренингу по управлению СДВГ и вечеру знакомств от моих друзей @fsd_tlv.
Синдром дефицита внимания с гиперактивностью (СДВГ) — это состояние, которое влияет на концентрацию, память и поведение.
Знаете ли вы, что симптомы СДВГ напоминают проблемы, с которыми мы сталкиваемся при разработке нейросетей? Мозг - это самая сложная система, которую нужно время от времени отлаживать и дообучать, так же как и самый изощренный алгоритм искусственного интеллекта.
Отлаживать наш мозг мы будем вместе с Сашей Березович, специалистом по СДВГ.
Нас ждет:
* Семинар по вниманию и саморегуляции от Саши Березович
* Практические упражнения для ясности мысли и эмоциональной устойчивости
* Интерактивные мини-сессии мастермайнд для обмена знаниями
* Возможности для знакомства один на один c использованием специального бота
Захватывающий 3-часовой сеанс (100nis, регистрация через @socialize_reg_bot) включает перерыв и легкий перекус.
📍Место проведения: Тель Авив, ул. Кибуц Галиот 21.
Если вас увлекает связь между нейросетями и человеческим сознанием и вы хотите оптимизировать свою сосредоточенность, не пропустите это уникальное мероприятие.
#этополюбви #яунихживу
Синдром дефицита внимания с гиперактивностью (СДВГ) — это состояние, которое влияет на концентрацию, память и поведение.
Знаете ли вы, что симптомы СДВГ напоминают проблемы, с которыми мы сталкиваемся при разработке нейросетей? Мозг - это самая сложная система, которую нужно время от времени отлаживать и дообучать, так же как и самый изощренный алгоритм искусственного интеллекта.
Отлаживать наш мозг мы будем вместе с Сашей Березович, специалистом по СДВГ.
Нас ждет:
* Семинар по вниманию и саморегуляции от Саши Березович
* Практические упражнения для ясности мысли и эмоциональной устойчивости
* Интерактивные мини-сессии мастермайнд для обмена знаниями
* Возможности для знакомства один на один c использованием специального бота
Захватывающий 3-часовой сеанс (100nis, регистрация через @socialize_reg_bot) включает перерыв и легкий перекус.
📍Место проведения: Тель Авив, ул. Кибуц Галиот 21.
Если вас увлекает связь между нейросетями и человеческим сознанием и вы хотите оптимизировать свою сосредоточенность, не пропустите это уникальное мероприятие.
#этополюбви #яунихживу
🤯9👍6❤5😢3🔥1
OpenAI начинает работу над сверхалайнментом
Текущие методы работы с ИИ полагаются на способность людей его контролировать. Но люди не смогут надежно контролировать системы ИИ, когда они станут намного умнее их.
OpenAI объявила о начале работы над сверхалайнментом для управления сверхинтеллектуальным ИИ и предотвращением его выхода из-под контроля. Если очень упрощенно, то сверхалайнмент это суперучитель для моделей ИИ будущего, более умных чем люди 👨🏫
Для работы над задачей компания выделит 20%(!) своих вычислительных мощностей на четыре года и создает отдельную команду, которой будут руководить Ilya Sutskever (cofounder and Chief Scientist of OpenAI) и Jan Leike (Head of Alignment).
🌐 блог-пост
@innovationitsme
Текущие методы работы с ИИ полагаются на способность людей его контролировать. Но люди не смогут надежно контролировать системы ИИ, когда они станут намного умнее их.
OpenAI объявила о начале работы над сверхалайнментом для управления сверхинтеллектуальным ИИ и предотвращением его выхода из-под контроля. Если очень упрощенно, то сверхалайнмент это суперучитель для моделей ИИ будущего, более умных чем люди 👨🏫
Для работы над задачей компания выделит 20%(!) своих вычислительных мощностей на четыре года и создает отдельную команду, которой будут руководить Ilya Sutskever (cofounder and Chief Scientist of OpenAI) и Jan Leike (Head of Alignment).
🌐 блог-пост
@innovationitsme
🔥34😁10👍6❤4😢1
Forwarded from Neural Shit
Media is too big
VIEW IN TELEGRAM
Посмотрите как беспилотники с искусственным интеллектом и компьютерным зрением собирают яблоки в Израиле ❤️❤️❤️
🔥69❤10👍9😁2
Deep TDA работает лучше, чем традиционные алгоритмы снижения размерности🔬🧮
Мы вступаем в новую эру анализа данных благодаря прорывному алгоритму - Deep TDA. Этот новаторский метод позволяет добывать инсайты из сложных данных. Он сочетает в себе мощь self-supervised learning (#SSL) и Топологического Анализа Данных (TDA).
Долгое время такие инструменты, как t-SNE и UMAP, были непревзойденными в области снижения размерности. Их роль в анализе сложных наборов данных неоценима, причем t-SNE, разработанный Хинтоном и ван дер Маатеном еще в 2008 году, до сих пор очень популярен.
Но ветер перемен дует! Deep TDA обещает впечатляющие возможности:
1️⃣ Он демонстрирует устойчивость к шуму и выбросам.
2️⃣ Он эффективно масштабируется для сложных, высокоразмерных наборов данных.
3️⃣ Он снимает необходимость в тщательной настройке или глубоком понимании данных.
4️⃣ Он охватывает и отображает более полную картину набора данных.
На картинке сверху сравнительное исследование всех трех техник на временном ряде (исследователи повесили акселерометр на корову, посмотрите как TDA создает кластеры для разных типов движения):
• t-SNE удерживает слишком много структуры, большая часть которой не существует.
• UMAP справился лучше, хотя структура казалась несколько размытой.
• TDA, однако, сработал великолепно, сохраняя детализированную структуру данных.
Deep TDA это еще один важный шаг к светлому будущему анализа данных!
🦾 Блог-пост
Мы вступаем в новую эру анализа данных благодаря прорывному алгоритму - Deep TDA. Этот новаторский метод позволяет добывать инсайты из сложных данных. Он сочетает в себе мощь self-supervised learning (#SSL) и Топологического Анализа Данных (TDA).
Долгое время такие инструменты, как t-SNE и UMAP, были непревзойденными в области снижения размерности. Их роль в анализе сложных наборов данных неоценима, причем t-SNE, разработанный Хинтоном и ван дер Маатеном еще в 2008 году, до сих пор очень популярен.
Но ветер перемен дует! Deep TDA обещает впечатляющие возможности:
1️⃣ Он демонстрирует устойчивость к шуму и выбросам.
2️⃣ Он эффективно масштабируется для сложных, высокоразмерных наборов данных.
3️⃣ Он снимает необходимость в тщательной настройке или глубоком понимании данных.
4️⃣ Он охватывает и отображает более полную картину набора данных.
На картинке сверху сравнительное исследование всех трех техник на временном ряде (исследователи повесили акселерометр на корову, посмотрите как TDA создает кластеры для разных типов движения):
• t-SNE удерживает слишком много структуры, большая часть которой не существует.
• UMAP справился лучше, хотя структура казалась несколько размытой.
• TDA, однако, сработал великолепно, сохраняя детализированную структуру данных.
Deep TDA это еще один важный шаг к светлому будущему анализа данных!
🦾 Блог-пост
🔥55👍9🤩2
Приглашаем на лекторий 19 июля, где мы будем обсуждать Искусственный Интеллект и сознание. Что такое сознание? Как мы можем его изучить? Есть ли смысл задаваться вопросом про сознание ИИ? Мы попробуем объединить разные методы познания и подходы для ответа на эти вопросы.
Количество мест ограничено, так как наш лекторий рассчитан всего на 35 участников.
Лекторий ведут:
🌟 Полина Кривых — психофизиолог, co-founder стартапа по борьбе с выгоранием Revive, автор канала “Редакция.Наука”
🌟 Алекс Поляков — психоделик-рисерчер, автор канала Unstoppable technologies
🌟 Даша Ильяшенко — кураторка искусства, основательница KakdelArt, со-авторка канала «Пост-тарбут»
🌟 Артемий Новоселов — доктор наук, исследователь ИИ из Стэнфорда, создатель канала NN for Science
Полина поможет нам разобраться, что такое сознание и как его можно изучать. Саша представит последние открытия в области психоделик-криптографии. Даша поделится, как художники исследуют ИИ. Артемий завершит, объединив все подходы и обсудив связь мозга и ИИ.
📍 Faktura (Tel Aviv, Levontit st. 6)
🕦 19 июля 19:00
💰 60 шек
Регистрация
Please open Telegram to view this post
VIEW IN TELEGRAM
👍5🔥5🤯2😱2❤1😁1
Как устроены трансформеры для задач CV на примере ViT
— один из примеров статьи в канале DeepSchool
В нем 15 практикующих инженеров пишут уникальные посты:
- разбирают статьи
- дают советы по обучению нейросетей
- напоминают теорию ML/DL
- и пишут туториалы к сервисам и фреймворкам
Ребята ревьюят посты друг друга, чтобы добавить разные точки зрения, а редактор упрощает текст и убирает лишнее, чтобы вам было легче читать.
Еще больше примеров постов:
❶ Подкаст «Почему растет популярность 3D CV»
❷ Разбор решений Kaggle соревнования по детекции столкновений футболистов
❸ Обзор ключевых идей MobileNet — почему она столь эффективна
❹ Что такое kafka доступным языком и с примером для датасаенс
❺ Вопрос на подумать: как защититься от ленивых разметчиков на краудсорсинг-платформах
Подписывайтесь, чтобы не пропустить полезный совет и развиваться в Deep Learning!
#реклама
— один из примеров статьи в канале DeepSchool
В нем 15 практикующих инженеров пишут уникальные посты:
- разбирают статьи
- дают советы по обучению нейросетей
- напоминают теорию ML/DL
- и пишут туториалы к сервисам и фреймворкам
Ребята ревьюят посты друг друга, чтобы добавить разные точки зрения, а редактор упрощает текст и убирает лишнее, чтобы вам было легче читать.
Еще больше примеров постов:
❶ Подкаст «Почему растет популярность 3D CV»
❷ Разбор решений Kaggle соревнования по детекции столкновений футболистов
❸ Обзор ключевых идей MobileNet — почему она столь эффективна
❹ Что такое kafka доступным языком и с примером для датасаенс
❺ Вопрос на подумать: как защититься от ленивых разметчиков на краудсорсинг-платформах
Подписывайтесь, чтобы не пропустить полезный совет и развиваться в Deep Learning!
#реклама
👍14❤4🔥4😢1
Media is too big
VIEW IN TELEGRAM
ИИ меняет гуманитарные науки, как когда-то микроскопы и телескопы изменили естественные науки
Древние языки хранят культуру и историю прошлого и дают надежду на разрешение тысячелетних споров (например, об историчности Иисуса или аутентичности Библии) на основе исследования форм и жанров древних текстов, семантического анализа, лингвистических аспектов и литературных связей с материальными памятниками культуры.
Естественно, специалистам приходится решать крайне сложные текстовые задачи: от расшифровки утраченных языков и восстановления поврежденных надписей до определения авторства литературных произведений.
MIT сделали всесторонний обзор опубликованных исследований с использованием машинного обучения для изучения древних текстов, написанных на любом языке, письменности и носителе, охватывающих более трех с половиной тысячелетий цивилизаций древнего мира.
Я подозреваю, что авторы невероятные перфекционисты и дома раскладывают носки по цветам. Потому что они ввели таксономию задач на основе этапов изучения древних документов (оцифровка, реставрация, атрибуция, лингвистический анализ, текстовая критика, перевод и дешифровка), и разложили МЛ инструменты по этим полочкам (разпознавание - лучший результат показала ResNet; улучшение качества - GAN и трансформеры хорошо сработали после денойза; для реставрации древне-греческих текстов берите BERT-вдохновенную Ithaca с картами значимости на выходе для explainable AI). В общем, мое восхищение.
У работы три основных вклада:
⁃ упорядочивание научной области на стыке гуманитарных наук и машинного обучения;
⁃ убедительное доказательство, что междисциплинарное сотрудничество - ключ к созданию эффективных и убедительных научных исследований;
⁃ обозначение перспективных направлений исследований в этой области.
📖Статья MIT
🪝Видео похищено у Кирилла Семёновича, вопросы о научной достоверности, пожалуйста, к нему
@GingerSpacetail
Древние языки хранят культуру и историю прошлого и дают надежду на разрешение тысячелетних споров (например, об историчности Иисуса или аутентичности Библии) на основе исследования форм и жанров древних текстов, семантического анализа, лингвистических аспектов и литературных связей с материальными памятниками культуры.
Естественно, специалистам приходится решать крайне сложные текстовые задачи: от расшифровки утраченных языков и восстановления поврежденных надписей до определения авторства литературных произведений.
MIT сделали всесторонний обзор опубликованных исследований с использованием машинного обучения для изучения древних текстов, написанных на любом языке, письменности и носителе, охватывающих более трех с половиной тысячелетий цивилизаций древнего мира.
Я подозреваю, что авторы невероятные перфекционисты и дома раскладывают носки по цветам. Потому что они ввели таксономию задач на основе этапов изучения древних документов (оцифровка, реставрация, атрибуция, лингвистический анализ, текстовая критика, перевод и дешифровка), и разложили МЛ инструменты по этим полочкам (разпознавание - лучший результат показала ResNet; улучшение качества - GAN и трансформеры хорошо сработали после денойза; для реставрации древне-греческих текстов берите BERT-вдохновенную Ithaca с картами значимости на выходе для explainable AI). В общем, мое восхищение.
У работы три основных вклада:
⁃ упорядочивание научной области на стыке гуманитарных наук и машинного обучения;
⁃ убедительное доказательство, что междисциплинарное сотрудничество - ключ к созданию эффективных и убедительных научных исследований;
⁃ обозначение перспективных направлений исследований в этой области.
📖Статья MIT
🪝Видео похищено у Кирилла Семёновича, вопросы о научной достоверности, пожалуйста, к нему
@GingerSpacetail
🔥27👍9❤4😢2🤯1