​​📍Пахнет жареным: как нейронные сети помогают связать мир запахов и технологий

Из пяти базовых чувств человека, в числе которых зрение, осязание, слух, вкус и обоняние, технологии искусственного интеллекта неплохо освоили три. Голосовые помощники легко считывают вербальные команды: по вашей просьбе подскажут прогноз погоды и напомнят записаться к врачу. В некоторых магазинах уже можно оплатить покупку буквально «взглядом» — по биометрическим данным, если вы подключили сервис распознавания по лицу в банковском приложении.

В отличие от них «осязательные» способности технологий пока не так далеко ушли из лабораторий. Исследователи Массачусетского технологического института ещё в 2019 году научили нейросеть по внешнему виду объекта предсказывать тактильные ощущения, которые могут возникнуть от прикосновения к нему. Это позволит роботам безопаснее и точнее взаимодействовать с объектами — например, аккуратнее сжимать хрустальный бокал или мягкий томат, не превращая его в гаспачо. Однако массового применения технология пока не получила.

Так что современные разработки уже могут «видеть», «слышать» и «слушать», а также уверенно прогрессируют в умении «осязать», основанном на компьютерном зрении. Этот успех во многом обусловлен тем, что мы научились «оцифровывать» изображения и звуки, переводить в понятный машинам вид. Сделать подобное со всеми существующими запахами в разы сложнее, поэтому пока «обоняние» — очень ограниченно доступное электронным устройствам свойство. Но с развитием технологий, которые дают возможность проводить статистический анализ закономерностей в больших наборах данных, появляются смелые исследования по «картированию» запахов.

Какая работа проводится в этой сфере и смогут ли когда-нибудь технологии различать сложные композиции запахов, — в нашем новом посте.

Читать пост ➡

#AI #историятехнологий

​​❓«Мышиный» искусственный интеллект: как создают микросхемы с живыми нервными клетками

Для тренировки GPT-4 потребовалось двадцать пять тысяч видеокарт Nvidia A100 и около ста дней, а один день её работы стоит миллионы долларов. «Прожорливость» современных нейросетей постоянно растёт. Им требуется всё больше ресурсов: данных для обучения и людей-репетиторов, вычислительной мощности и электричества. А с ростом применимости практически во всех сферах нашей жизни высокая во всех смыслах стоимость AI-решений заставляет искать альтернативные платформы — и новые, в том числе биоматериалы — для реализации таких вычислений.

Некоторые исследователи полагают, что решение проблемы стоит искать в области биологии. По их мнению, интеграция живых нейронов в аппаратные решения поможет драматически снизить энергопотребление при сложных вычислениях и обеспечить недостижимую для существующих архитектур производительность.

Пока это скорее концепция, чем реальность, но отдельные компании добились первых успехов. О том, как электроды подсказывали нейронам, где мяч, кому удалось создать работающую «гибридную» систему и стоит ли в ближайшее время ждать «мышиный» искусственный интеллект, читайте в новом посте.

Читать ➡

#приборы #AI

​​📄Не Python единым: нейросеть на С++ для распознавания лиц на фото

Машинное обучение традиционно ассоциируется с Python. Этот язык программирования буквально захватил направление, его используют повсюду — от обучающих курсов до серьёзных ML-проектов. Однако Python — не единственный язык, применимый для реализации задач машинного обучения. Альтернативой может стать С++.

Ведущий инженер-программист в YADRO Кирилл Колодяжный, помимо рабочих задач по исследованию проблем производительности СХД, увлекается машинным обучением. Он участвовал в коммерческих проектах, связанных с техническим зрением, 3D-сканерами и обработкой фотографий, и часто использовал в задачах С++. В статье Кирилл делится опытом, как написать простую нейронную сеть на C++ и применить её для поиска лица конкретного человека на фотографии — например, актёра Арнольда Шварценеггера. Вы узнаете:

▪как организовать работу с данными и загрузку обучающего датасета,
▪как описать структуру нейронной сети,
▪как использовать уже готовые алгоритмы машинного обучения из доступных библиотек и фреймворков,
▪как организовать конвейер обучения сети,
▪как использовать предобученные глубокие сети для решения задач.

Читать статью ➡

#программы #AI #ML #языкипрограммирования

❓От синего трактора к харвестеру из «Дюны»: как развивается беспилотная сельхозтехника

Беспилотные авто помогают Google создавать Street View, возят пассажиров по Иннополису и доставляют их на посадку в аэропорту Хитроу. Крупные автоконцерны встраивают автопилоты в свои машины, и, кажется, этим уже никого не удивишь. Автономным транспортом дело давно не ограничивается: тяжёлая беспилотная техника вовсю работает на добыче полезных ископаемых и помогает фермерам.

Современные автономные тракторы с высокой точностью следуют заданному маршруту, невзирая на погодные условия и рельеф местности, а комбайны убирают урожай и автоматически собирают информацию о состоянии поля. Привычные глазу сельскохозяйственные машины понемногу становятся похожи на футуристичные харвестеры из «Дюны». Пока они работают под присмотром людей, но, возможно, в будущем техника будет настраиваться удаленно и показываться людям только для ремонта.

Из нашей новой заметки вы узнаете:

▪В чём ценность использования современных технологий в земледелии;
▪Какие сельхозработы уже подвластны беспилотным системам;
▪Как работают беспилотные системы для тракторов;
▪Какие компании предлагают подобные решения в России и за рубежом;
▪Что за агроробот на фото к этому посту.

Читать ➡

#приборы #AI #ML #индустрия4_0

​​📺Не про Меладзе и Тейлор Свифт, а про точные науки в музыке

Обсудили вопросы искусственного интеллекта и математики в музыке вместе с Анной Виленской, популярным музыковедом и композитором.

Из лекции для «Истового инженера» вы узнаете:

▪Готов ли искусственный интеллект к полноценному композиторству;
▪Можно ли создать гармоничное, музыкальное произведение, разложив мелодию по принципам математики;
▪Как музыка заставляет нас танцевать или плакать;
▪Зачем в оркестре так много скрипок.

Слушать | Смотреть

➡А в интервью с Анной вы прочтёте о развитии современной музыкальной культуры и о том, как правильно обучать искусственный интеллект созданию музыки.

#музыкальныетехнологии #AI #ML #персоны

​​❓Чудеса на миражах: действительно ли галлюцинируют большие языковые модели

Бывает, нейросеть выдает информацию, никак не связанную с запросом. Ты ей про Фому, а она тебе про Ерёму. Такой эффект называют галлюцинациями, и они считаются основной проблемой больших языковых моделей с архитектурой типа трансформер (GPT-4, LLAMA и подобные).

Но действительно ли галлюцинации — главный бич LLM? Инженер по разработке ПО искусственного интеллекта в YADRO Полина Пластова и эксперт Андрей Соколов задались этим вопросом и проверили актуальность проблемы для современных предобученных LLM в вопросно-ответном сценарии. Эксперимент на собранном ими датасете они описали в новой статье.

Из текста вы узнаете:

▪Какова архитектура трансформенных моделей;
▪Что за явление называется галлюцинированием LLM в строгом определении;
▪К каким результатам приведет анализ выбранного датасета на наличие галлюцинаций;
▪Как построить простейший пороговый алгоритм для определения галлюцинаций.

Читать ➡

#AI #ML #нейротехнологии

​​📄Утешительный прогноз: как создать модель для предсказания отказов жёстких дисков

Если вам когда-нибудь приходилось срочно заменять отказавший жёсткий диск в сервере, вы понимаете, насколько ценной была бы большая предсказуемость сбоев. Системы мониторинга помогают быстро обнаружить поломку, но не в состоянии заглянуть в будущее и сообщить о потенциальной проблеме за неделю-две до события.

Однако здесь применима «магия» машинного обучения. Инженеры по разработке ПО искусственного интеллекта в YADRO — Владислав Маркин и Андрей Соколов — решили создать модель для прогнозирования сбоев в работе HDD. Задача непростая: модели нужны данные для обучения и тренировки, а где их найти — отдельный вопрос.

Что из этого вышло, читайте в новой статье. Вы узнаете:

▪На каких данных можно натренировать прогнозную модель для HDD;
▪Что стало основой для модели инженеров YADRO;
▪Чем модель отличается от подобных моделей с открытым исходным кодом;
▪Каковы результаты тестов полученной модели на четырех моделях дисков от Seagate.

Читать статью ➡

#AI #ML #программы

​​📄Что объединяет «Сбер», Tesla, OpenAI и General Motors? Для робототехника ответ очевиден: все эти компании активно работают над созданием роботов-гуманоидов с искусственным интеллектом.

Революция в этой сфере произойдет в ближайшие пять лет, считает руководитель отдела робототехники в YADRO Олег Зобов. С того момента, как в 2016 году он получил в американском Фениксе «малую Нобелевку» за прототип робота-манипулятора, технологии шагнули далеко вперед.

На наших глазах происходит слияние двух направлений инженерной мысли — робототехники и достижений в области ИИ. Прежде развивавшиеся независимо друг от друга, эти линии научного прогресса пересеклись.

Выход на массовый рынок гуманоидных роботов-ассистентов позволит нейросетям беспрерывным потоком получать универсальную информацию для самообучения.

«Мы сможем оперировать теми данными, которые максимально релевантны человеческому опыту. Сегодня поставщик таких данных один — сам человек. Но завтра все изменится — робототехника находится в шаге от того, чтобы наделить искусственный интеллект новой модальностью», — поясняет эксперт.

В интервью «Истовому инженеру» Олег Зобов рассказал про свой путь в профессию, перспективы развития робототехнической отрасли и о том, почему четыре руки у андроида не всегда лучше двух.

Читать интервью ➡

#роботы #AI #ML

​​❓Физика нейросетей: почему исследования лауреатов Нобелевской премии «признали» только спустя 40 лет

Современные нейросети — от систем распознавания до генеративного ИИ — невозможны без работ учёных, которые были удостоены Нобелевской премии по физике в этом году. Джон Хопфилд предложил архитектуру нейросетей, которая имитировала ассоциативную память человека. Его «сеть Хопфилда» способна запоминать и восстанавливать информацию, даже если данные искажены или неполны.

Джеффри Хинтон, вдохновлённый исследованиями Хопфилда, пошёл дальше и создал машину Больцмана — модель, в которой нейросеть самостоятельно выявляет скрытые закономерности в данных. В отличие от сети Хопфилда, машина Больцмана позволила находить сложные взаимосвязи и обучаться без прямых инструкций. Такой подход приблизил исследователей к созданию мощных генеративных моделей и глубоких нейросетей, которые легли в основу технологий современного ИИ.

В новом материале — о том, как работы Хопфилда и Хинтона в 80-х годах заложили фундамент для нейросетей, которые сегодня решают задачи, ранее доступные только человеку. Михаил Захаров, кандидат физико-математических наук, ведущий менеджер продукта в YADRO, объяснит, почему эти революционные открытия удостоились награды лишь спустя десятки лет.

Читать статью ➡

#историятехнологий #персоны #AI #ML

@ultimate_engineer

📺Роботентакли, маска-орган и машина-поводырь: как выглядят современные технологические перформансы и зачем они нужны

Технологическое искусство рождается на стыке творчества и достижений науки и техники. Появившись в конце XIX века, оно продолжает исследовать наш эмоциональный и чувственный опыт взаимодействия с технологиями и то, как меняется наше представление о мире благодаря их прогрессу.

Как переплетаются эти две сферы — искусство и технологии, ранее нам рассказала Ольга Ремнёва, арт-консультант и специалист по Art&Science. В новой статье она продолжила эту тему, приведя в пример и разобрав пять знаковых российских перформансов. Подборка получилась колоритной: здесь и 80-часовое «заточение»-соседство с промышленным роботом-манипулятором, и футуристические биометаморфозы, и размытие границ между машиной и человеком.

Вы узнаете:

▪️Что такое перформанс и какие вопросы поднимают художники этого жанра;
▪️Как технически реализуются подобные проекты и какова здесь роль инженеров;
▪️Как выглядят технологическое одиночество и технологическое расширение;
▪️Куда движется жанр техноперформанса.

Читать статью ➡️

#artscience #роботы #AI #ML

@ultimate_engineer

​​❓Что можно сделать с 505 петабайтами данных о климате, которые метеорологи накопили с 1940-го года

Оказавшись в распоряжении нейросети, эти огромные архивы информации о климатических изменениях становятся основой для точных прогнозов погоды. В метеорологии большие данные и машинное обучение открывают новые горизонты, меняя правила игры.

Яркий пример такого подхода — GenCast от Google DeepMind, использующий новаторский для синоптиков метод диффузного моделирования. В отличие от традиционных моделей, эта система определяет движение воздушных масс не с помощью ресурсоёмких математических вычислений, а благодаря нейросетевой обработке данных — тех самых петабайт из уникальной копилки синоптиков.

Процесс любопытный — начинается с того, что эти данные намеренно «загрязняют» информационным шумом, а затем постепенно вычищают и уточняют. Так через 20 итераций и рождаются реалистичные погодные паттерны. Причём, такой подход позволяет создавать не один, а сразу 50 вероятных сценариев развития погоды, что важно для предсказания стихийных бедствий.

Конкретный пример: тайфун Хагибис, траектории которого GenCast просчитала за 15 дней до его появления, оставив традиционные модели прогнозирования далеко позади.

В новом тексте разбираем детали: как работает диффузное моделирование в метеорологии и в чём его уникальность, а также рассказываем про перспективные альтернативы GenCast и интересные российские ИИ-разработки в сфере прогнозирования погоды.

Читать ➡

#научпоп #AI #ML #алгоритмы

@ultimate_engineer

​​📄Верите в инженерную интуицию? А она есть. В 2015 году бельгийский искусствовед провел лазерное сканирование Нотр-Дама, создав трёхмерную карту из миллиарда точек. Тогда ничто не предвещало… А четыре года спустя, когда пожар едва не уничтожил собор, эта модель стала бесценным путеводителем для реставраторов.

Без нее восстановление одного из символов Франции могло затянуться на десятилетия. Шутка ли — разобраться с геометрией восьмисотлетнего здания, когда весомая часть конструкции лежит в руинах, а чертежи давно утеряны.

Но технологии помогли собору не только в этом. Пока пожарный робот Colossus боролся с огнем в нефе собора, над его крышей кружили дроны, передавая данные спасателям. А потом армия роботов-строителей месяцами разбирала завалы там, куда люди не могли войти из-за угрозы обрушения и расплавленного свинца кровли.

Искусственный интеллект анализировал тысячи фотографий, чтобы определить первоначальное положение каждого упавшего камня, а реставраторы использовали технологии дополненной реальности, чтобы видеть, как именно нужно восстанавливать витражи и своды.

Но и это не всё. Современные новации не просто помогли восстановить собор — они раскрыли тайны средневековых технологий. Например, благодаря спектральному анализу ученые узнали точный состав средневековых витражей. А по изучению сгоревших балок определили, каким был климат Франции восемь веков назад.

И теперь у собора появился виртуальный хранитель — его цифровая копия, которая поможет предотвратить новые трагедии. Как сработал этот симбиоз средневековой архитектуры и современных технологий? Рассказываем в нашем новом материале.

Читать ➡

#роботы #AI #индустрия4_0

@ultimate_engineer

​​📍Учёные проверили ChatGPT на деменцию… и нашли то, что искали

Израильские исследователи протестировали популярные большие языковые модели с помощью Монреальской шкалы когнитивных функций (MoCA) — одного из методов в неврологии для определения ранних признаков умственных недугов. По 30-балльной шкале этот тест оценивает такие свойства человеческого разума, как внимание, память, речь и логическое мышление. Обычно его проходят пациенты-люди, но на этот раз инструкции давали ИИ в виде промтов.

В основе эксперимента — классика нейродиагностики. Для проверки визуального восприятия неврологи попросили модели использовать ASCII-арт — способ рисовать объекты с помощью символов. Способность различать детали и видеть общую картину тестировалась на фигуре Навона — большой букве H, составленной из маленьких S. «Кража печенья» из Бостонского теста выявляла умение анализировать комплексные сцены, а проба Поппельрейтера — способность разделять наложенные изображения. В финале использовали тест Струпа: например, слово «красный», написанное синим цветом, оценивало скорость реакции на конфликтующие стимулы.

Результаты оказались любопытными. ChatGPT 4o с трудом преодолел порог нормы, набрав 26 баллов. ChatGPT 4 и Claude 3.5 получили по 25, а вот Gemini 1.0 — всего 16, что для человека означало бы серьёзные когнитивные нарушения. Как отмечают исследователи, ChatGPT не сумел корректно повторить рисунок кубика, а Gemini зачем-то изобразил циферблат в виде авокадо.

Авторы исследования констатировали: новые версии моделей показали себя лучше старых, а в целом ИИ демонстрирует поведенческие особенности, похожие на старческое слабоумие. Можно ли объяснить это тем, что LLM-технологии интенсивно развиваются, и каждый свежий релиз просто сообразительней предыдущего? Исследователи выдвинули другую гипотезу: возможно, даже нейросети «стареют» и склонны к деменции.

Всё это можно было бы списать на специфический юмор неврологов, если бы не публикация в British Medical Journal — одном из старейших и авторитетных медицинских изданий, далёких по формату от сатирических «Анналов» Марка Абрахамса, создателя «Шнобелевки».

Так в чём же ценность данной работы? Возможно, главное в ней — не выводы, а сама постановка вопроса: насколько существенно искусственный интеллект отличается от естественного.

Эксперимент израильских неврологов — шаг в сторону осмысления возможностей и границ взаимодействия общества и ИИ. Он показывает, что большим языковым моделям ещё есть куда расти и чему учиться у человека. Но и человеку предстоит глубже изучать «натуру» ИИ. Ведь чем дальше, тем больше ментальное здоровье одного будет зависеть от состояния другого.

➡Как думаете, корректно ли такое сравнение интеллектов?

Таблицу скоринга для тестируемых моделей, а также статьи по теме, которые могли бы быть вам интересны, оставим в комментариях.

#AI

@ultimate_engineer