Английские синоптики получат искусственный интеллект для того, чтобы увеличить точность своих прогнозов

Прогнозирование погоды: ошибки синоптиков и перспективы искусственного интеллекта

Тяжелые последствия майского урагана в Москве вызвали волну критики в отношении специалистов по прогнозированию погоды – почему они не сумели предупредить о разгуле стихии? Попутно гидрометеорологам припомнили неточность в обычных прогнозах погоды – такое действительно случается. Но в чем причина? Как выяснилось, причин несколько.

Абсолютно точного прогноза не будет

Во-первых, говорят специалисты, точно предсказать погоду невозможно в принципе. Даже современное оборудование и высокоточные замеры не могут гарантировать стопроцентный результат.

Из этого следует также, что идея о том, чтобы наказывать специалистов за несбывшиеся прогнозы, не совсем правильная. Хотя, например, у соседей-финнов за неточность прогнозов следуют определенные материальные санкции, но при этом за точность прогнозов – премируют.

Сложности прогнозирования

Вообще, надо понимать, что когда речь заходит о прогнозировании, это не только краткосрочный прогноз погоды на день или озвученные перспективы того, будет ли лето теплым.

Прогноз нужен для капитанов и летчиков, для того, чтобы определить, когда отключать и включать отопление в домах. Есть гидрологические прогнозы, есть климатические прогнозы, есть прогноз на урожай.

Есть прогноз для предприятий, околоземной космической погоды, прогноз ледовый, вскрытия рек. У нас 83 субъекта, для каждого нужен свой прогноз.

Для обеспечения работы по прогнозированию задействованы 36 тыс. специалистов.

Обратите внимание

Для того чтобы получить прогноз, нужно предварительно провести наблюдения, порой в очень сложных метеорологических условиях – при температуре за 70-80 градусов, при сильном ветре, при грозах, в определенное время.

Это ведь не только Санкт-Петербург, это и Антарктида, и Арктика, это и южные регионы. Специалисты напоминают, что основная цель прогнозирование погоды – предупреждать об опасных явлениях. Предупрежден – значит вооружен.

Уникальным специалистам – уже за 70

Для того чтобы получить исходную информацию для прогнозирования, необходима работа метеостанций, гидрологических постов, а главное – грамотных специалистов. К сожалению, проблемы в этом плане есть. Гидрометеослужбы испытывают кадровый голод – молодых грамотных специалистов не хватает.

Проректор Российского государственного гидрометеорологического университета Алексей Крылов рассказал, что с 2012 года ведется серьезная работа по реформированию квалификационных требований к специалистам в области гидрометеорологии, которые станут основой для формирования квалификационных требований для специалистов данной отрасли.

На основании этого будет создаваться федеральный образовательный государственный стандарт, который позволит готовить специалистов, отвечающих современным требованиям.

Многие вопросы, связанные с подготовкой специалистов и обеспечением точности прогнозов будут обсуждаться в эти дни в Петербурге, на специальной конференции с международным участием «Современное гидрометеорологическое образование: ответы на вызовы XXI века».

Искусственный интеллект спрогнозирует погоду

В перспективе специалистов в области прогнозирования погоды сможет заменить искусственный интеллект. Работы в данном направлении ведутся, рассказал по видеосвязи из Женевы заместитель директора офиса по образованию и подготовке кадров ВМО Патрик Перриш.

Российские специалисты шутят, что были бы рады внедрению искусственного интеллекта в сферу прогнозирования – было бы прекрасно, если искусственный интеллект заменил бы человека и он же нес бы ответственность за то, что оправдал или не оправдал ожидания.

Юлия Медведева

Источник: https://nevnov.ru/487505-prognozirovanie-pogody-oshibki-sinoptikov-i-perspektivy-iskusstvennogo-intellekta

— «Искусственный интеллект и жизнь в 2030 году»

Проект Стэнфордского университета, который носит официальное название «Сто лет исследования искусственного интеллекта», ставит своей целью непрекращающиеся оценки ученых относительно того, как искусственный интеллект будет оказывать влияние на различные аспекты повседневной жизни человека. И если одни считают, что искусственный интеллект обладает неиссякаемым потенциалом и обширными возможностями, то другие приводят в качестве аргумента восстание машин и уничтожение человечества.

«Искусственный интеллект и жизнь в 2030 году» содержит возможные результаты, которые прогресс искусственного интеллекта может оказать на типичный североамериканский город чуть больше, чем через десять лет.

«Изображение искусственного интеллекта в кино и в литературе является вымышленным. Мнение людей о том, что искусственный интеллект — это одно целое, ошибочно.

Мы также выяснили, что широкая общественность либо очень положительно относится к искусственному интеллекту и взволнована этим слишком нереалистично, либо боится и настаивает на том, что искусственный интеллект уничтожит нас, но так же нереалистичным способом», — рассказывает Питер Стоун, ученый Техасского университета в Остине и автор доклада «Искусственный интеллект и жизнь в 2030 году».

В рамках анализа Стоун вместе с соавторами углубился в некоторые аспекты городской жизни будущего, где искусственный интеллект или уже перевернул статус-кво, или обладает достаточным потенциалом, чтобы сделать это.

Важно

В тех областях, которые варьируются от транспортной отрасли и здравоохранения до образования, исследование представляет искусственный интеллект как нечто напоминающее современный смартфон.

Это не значит, что он буквально врывается в повседневную деятельность человека, но большинство пользователей в то же время не могут себе представить жизнь без этого устройства.

«Транспорт, вероятно, станет одной из первых областей, в которой широкой публике будет предложено доверить надежность и безопасность системе искусственного интеллекта для решения критической задачи.

Автономный транспорт в скором будущем станет обычным делом и, как первый опыт большинства людей с физически воплощенными системами искусственного интеллекта, будет сильно влиять на восприятие», подчеркивается в докладе.

В части доклада касательно здравоохранения говорится, что текущая система «остаётся структурно неподходящей» для быстрого развертывания высокотехнологичных достижений и возможностей искусственного интеллекта.

Заглядывая вперед ещё на 15 лет, можно будет говорить о времени, когда продвинутые системы искусственного интеллекта «в сочетании с достаточным количеством данных и адресными системами» возьмут на себя некоторые вычислительные типы задач.

Искусственный интеллект также сделает быстрее: во-первых, процесс извлечения идей из данных на уровне населения; во-вторых, постановку более персонализированных диагнозов и возможных методов лечения.

Охрана общественного порядка и безопасность общества является ещё одной областью, где, как показало исследование, изобилует потрясающий потенциал, чреватый при этом сложностями.

Как прогрессирует искусственный интеллект в областях качества изображений и распознавания лиц, так и камеры будут лучше помогать предупреждать преступность и уголовного преследование «за счет повышения точности классификации событий» и при обработке видео с целью выявления аномалий.

Помимо прочего, искусственный интеллект может помочь правоохранительным органам с анализом социальных сетей.

«Правоохранительные органы все больше заинтересованы в обнаружении планов разрушительных событий из социальных медиа, а также мониторинге активности больших скоплений людей с целью анализа безопасности.

Впереди большая работа по моделированию поведению толпы для того, чтобы определить, как её можно контролировать», подчеркивается в докладе.

Совет

В то же время, законные опасения высказывались по поводу превышения полномочий правоохранительными органами и использования этих инструментов для вторжения в частную жизнь человека.

Что касается занятости на рабочих местах, то в исследовании искусственный интеллект рассматривается в качестве замены тривиальным задачам, а также возможности создания новых видов профессий.

Авторы доклада «Искусственный интеллект и жизнь в 2030 году» постепенно приходят к выводу, что не обнаружили никаких причин для беспокойства относительно того, что искусственный интеллект стоит рассматривать в качестве непосредственной угрозы для человечества. Более того, работа была опубликована в момент, когда институты и корпорации тратят финансовые ресурсы и внимание ведущих ученых на аналогичные исследования о влиянии искусственного интеллекта на будущее человека.

Источник: https://xage.ru/artificial-ntelligence-and-life-in-2030/

Ии для прогнозирования преступлений признали некомпетентным

Специалисты по компьютерным наукам изучили работу популярного алгоритма для прогнозирования случаев рецидивов, через который прошло более 1 млн американских подсудимых.

Эксперты попросили фрилансеров с онлайн-платформы Mechanical Turk представить свои прогнозы в тех же судебных случаях и сравнили результаты.

Оказалось, что ИИ оценивает криминальные риски на уровне обывателей и даже уступает им в точности предсказаний.

Алгоритм Compas, разработанный компанией Equivant (в прошлом Northpointe), используется в США с 1998 года.

Программа анализирует данные подсудимых и решает, можно ли отпустить преступника под залог или лучше оставить его под стражей, а также помогает судьям определить меру пресечения в зависимости от степени риска.

При оценке дел система учитывает возраст, пол и уголовное прошлое подсудимых. Как пишет The Guardian, за 20 лет алгоритм провел оценку более 1 млн человек.

Китайские ИТ-специалисты начали покидать Кремниевую долину

Специалисты по компьютерным наукам из Дартмутского колледжа (США) решили проверить, насколько можно доверять прогнозам Compas. Для этого они сравнили точность предсказаний алгоритма с точностью предсказаний обычных людей без юридического образования. Участников эксперимента набрали на бирже фрилансеров Mechanical Turk, пользователи которой выполняют небольшие задачи для заказчиков.

Обратите внимание

В эксперименте эксперты использовали базу данных 7000 подсудимых из округа Броуард, штат Флорида, которые проходили оценку Compas. Алгоритм строил прогноз на основе демографических данных, информации о поле, возрасте и уголовном прошлом.

Фрилансерам для вынесения решения предоставили только короткую справку, в которой были указаны возраст, пол и прошлые судимости. Таким образом, ИИ располагал набором данных из 137 пунктов, а люди — из 7.

Чтобы проверить точность предсказаний, эксперты использовали досье арестов в последующие два года после заключения. В результате точность прогноза составила 67% у фрилансеров и 65% у алгоритма Compas.

Весь общественный транспорт Шэньчжэня стал электрическим

Анализ также показал, что алгоритм ошибочно присуждает риск рецидивизма чернокожим заключенным чаще, чем белым. Ранее организация ProPublica проанализировала те же 7000 судебных случаев и обнаружила, что чернокожим правонарушителям алгоритм чаще присуждает средний и высокий показатель риска.

«Цена ошибки в данном случае очень высока, поэтому всерьез стоит задуматься, можно ли вообще применять этот алгоритм для принятия судебных решений», — заметил Анри Фарид, автор исследования, опубликованного в журнале Science Advances.

Исследование также помогло понять, какая логика стоит за вынесением решений Compas. Оказалось, что работа алгоритма — это простейшие вычисления, в которых решающую роль играет возраст подсудимого и количество арестов в прошлом. Чем меньше возраст и чем больше арестов, тем больше риск, считает система. Эксперты признали технологию не слишком впечатляющей.

Впрочем, некоторые специалисты отмечают, что алгоритм не просто решает, отпустить подсудимого под залог или оставить под стражей. Программа дает подробную оценку рисков и выявляет уязвимые стороны преступников. Например, рекомендует человеку обратиться в центр по борьбе с наркозависимостью сразу после выхода на свободу.

Конец эпохи антибиотиков и подтверждение «биологической аннигиляции»

В 2016 году американец Эрик Лумис подал иск в Верховный суд штата Висконсин с требованием пересмотреть использование алгоритма Compas для вынесения судебных решений. По мнению Лумиса, система работает некорректно и выносит решения предвзято.

Американца приговорили к 6 годам заключения после попытки скрыться от полиции на машине, задействованной в одном из преступлений.

Однако Верховный суд не встал на сторону Лумиса и заключил, что такое решение в отношении американца было бы принято даже без использования алгоритма.

Источник: https://hightech.fm/2018/01/18/judging_fail

OhMyBet! — самообучающийся сервис прогнозов на теннис от выходцев из «Яндекса» — Трибуна на vc.ru

Сегодня в рубрике «Стартапы» — сервис на основе машинного обучения OhMyBet!, который предоставляет прогнозы на исход теннисных матчей. Передаем микрофон.

Меня зовут Александр, мне 27 лет. Занимаюсь стартапами четыре года. OhMyBet! — это сервис прогнозов на теннис на основе алгоритмов машинного обучения для тех, кто делает ставки на спорт.

OhMyBet! задуман как сервис с математически обоснованными прогнозами на теннис, дает которые не человек, а машина — модель искусственного интеллекта.

Важно

С помощью алгоритмов машинного обучения мы проанализировали большую базу данных со статистикой прошедших матчей и построили прогностическую модель, которая способна предсказывать победителя предстоящего матча.

Алгоритм самообучающийся: чем больше исторических данных (сыгранных матчей) он анализирует, тем выше точность модели.

Мы проанализировали более 825 тысяч прошедших матчей турниров Международной федерации тенниса и Ассоциации теннисистов-профессионалов с 2000-го по 2014 год. Проверяли модель на матчах 2015 года. Результат — точность предсказания победителя 85%. Потенциальная прибыль, размещай мы ставки в 2015 году по прогнозам системы, составила бы 300%.

Фишка системы в том, что она дает очень ограниченное количество прогнозов: один-два в день, иногда ни одного.

Модель отбирает только матчи с максимальной вероятностью прогноза и высокими коэффициентами на предсказанного победителя — это снижает риск проигрыша и обеспечивает высокую доходность с каждой ставки.

Читайте также:  Структура искусственной нейронной сети прямого распространения

На достаточно долгой временной дистанции это порядка 12% ROI (возврат инвестиций) — очень хороший показатель в беттинге.

После регистрации пользователь получает семь дней пробного периода, в течение которых он получает доступ к новым прогнозам и истории прогнозов с 2015 года. Есть разные варианты подписки: на 1, 3, 6 месяцев. Параллельно мы ведем открытый мониторинг прогнозов на платформе Blogabet, чтобы каждый мог удостовериться в нашей честности.

Команда проекта — это специалисты по машинному обучению и анализу данных, выходцы из «Физтеха» и «Яндекса». С начала 2016 года мы начали делать сайт и дорабатывать модель, в июне запустились. В планах — более широкий охват англоязычной аудитории. Будем стараться изменить общественное мнение, что прогнозы на спорт — это только мошенничество и убытки.

#Стартапы #OhMyBet

Совет

Материал опубликован пользователем. Нажмите кнопку «Написать», чтобы поделиться мнением или рассказать о своём проекте.

Написать

Источник: https://vc.ru/tribuna/16890-onhmybet

Как повысить интеллект: 10 работающих способов

Стать умнее в один миг невозможно. Быть умным — это образ жизни, постоянный поиск и преодоление себя. Это довольно сложный, но вместе с тем приятный путь. И вы можете выбрать, как его начать.

1. Регулярно занимайтесь физическими упражнениями

Это улучшает кровоток и насыщает мозг кислородом, а хорошее физическое состояние способствует хорошему психическому здоровью. Выберите программу, комфортную для своего возраста и физических способностей. Главное здесь — регулярность.

2. Убедитесь, что вы спите достаточно

Многочисленные исследования показали, что недостаток сна снижает концентрацию внимания, краткосрочную и долгосрочную память, скорость решения проблем, остроту зрения и слуха, замедляет реакцию. Особенно для поддержания хорошего психического здоровья важна правильная комбинация глубокого и быстрого сна. Здесь вам снова помогут физические упражнения и гид по сну от Лайфхакера.

3. Придерживайтесь здорового, сбалансированного питания

Ваш мозг нуждается в определённом количестве питательных веществ для оптимальной работы. Разнообразьте своё привычное меню, чтобы получать достаточно витаминов, аминокислот и углеводов. Для этого не обязательно покупать пищевые добавки! Ранее мы писали о пище для ума.

4. Если вы курите — прекратите!

Токсины, содержащиеся в сигаретном дыме, ухудшают работу мозга и могут вызвать длительное снижение когнитивных функций. Отказ от курения — это то, о чём вы никогда не пожалеете.

5. Снизьте употребление алкоголя

Алкоголь в небольших количествах, особенно в сочетании с общением, может быть полезным для некоторых функций мозга. Но чрезмерное употребление может привести к острым и хроническим нарушениям его деятельности и вызвать необратимые когнитивные расстройства.

6. Регулярно изучайте новое

Обучайтесь чему-то новому, например иностранным языкам, игре на музыкальных инструментах. Научитесь чему-то, что давно хотели попробовать! Это способствует пластичности и гибкости мозга.

Изучение математики является отличной тренировкой логики и абстрактного мышления, а также улучшает концентрацию, психическую выносливость и гарантированно поднимет ваш IQ на несколько пунктов.

Используйте онлайн-сервисы, чтобы научиться чему-то новому.

7. Поддерживайте дружбу с умными и образованными людьми

Сделайте встречи с ними регулярными и обсуждайте широкий круг вопросов — сложные интеллектуальные дискуссии подарят вам новые идеи и перспективы. Вы поймёте, как думают и выражают себя умные люди и что, возможно, стоит изменить в себе.

8. Читайте хотя бы одну серьёзную книгу в неделю и разнообразьте своё чтение

Это улучшит словарный запас и вербальный интеллект, а также повысит ваши знания и разговорный репертуар. Чтение должно быть ежедневным!

9. Играйте в сложные компьютерные игры

Шутеры и гонки в лучшем случае развивают скорость реакции, но не дают вам умственной стимуляции. Выберите игру, которая включает в себя сложные правила, стратегию и требует определённых психических навыков. Такими являются, например, игры-головоломки Braid и Portal.

В многопользовательских онлайн-играх самым высоким порогом вхождения обладает, пожалуй, Eve-online.

10. Откажитесь от ограничивающих представлений о собственном интеллекте

Многие действительно квалифицированные люди склонны занижать свои способности и страдают от недостаточной уверенности в себе. Часто мнение родителей, чересчур критично настроенных (или даже некомпетентных) преподавателей значит больше, чем упрямые факты ваших успехов. Поверьте в себя и начните жить полноценной жизнью!

Источник: https://Lifehacker.ru/kak-povysit-intellekt/

Искусственный интеллект предсказал итоги ЧМ-2018. Почему не угадал? · Город 812

Математические модели прогнозируют не первый чемпионат, но технологии стремительно развиваются, поэтому на свежие прогнозы возлагались большие надежды.

В Техническом университете Дортмунда подключили способ машинного обучения random forest («случайный лес») и получили сто тысяч различных вариантов развития событий чемпионата мира. Вероятными победителями назвали Испанию (17,8%) и Германию (17,1%).

Аналогичную методику применил инвестиционный банк Goldman Sachs: проанализировали порядка миллиона вариантов развития событий, получили победу Бразилии. Испания, по прогнозу Goldman Sachs, должна была вылететь в первом раунде плей-офф (здесь угадали).

18 аналитиков швейцарского банка UBS моделировали чемпионат мира около десяти тысяч раз и получили вероятное чемпионство Германии (24%). Бразильцам давали 19,8%, испанцам 16,1%, французам только 7,3%.

Commerzbank использовал «Монте-Карло», метод «случайного моделирования», который учитывал все, что можно: футбольный рейтинг Эло, предыдущие результаты сборных, факт проведения ЧМ в России, даже возможные сенсации. Провели около десяти тысяч симуляций для каждого из матчей, чемпионом должна была стать Германия.

Ученые Инсбрукского университета работали с моделью «букмекерского консенсуса», которую создали в 2009 году три сотрудника Венского экономического университета Кристофер Ляйтнер, Ахим Цайляйс и Курт Хорник. Модель предсказала чемпионство Бразилии.

Американская компания спортивной статистики Gracenote на основе анализа Big Data предсказала возможность сенсации: чемпионом мира может сборная не из тех, которые побеждают с 1970 года (Бразилия, Германия, Аргентина, Испания или Франция). Gracenote получила 47% вероятности, что чемпион будет совершенно новым, например, Колумбия или даже Перу, которой вообще не было на чемпионатах мира с 1982 года.

Gracenote получила 60% вероятности выхода России в плей-офф со второго места своей группы, — это сбылось.

Один из прогнозов на ЧМ-2018, сделанных искусственным интеллектом

Обратите внимание

С прогнозами на Россию почти получилось у Danske Bank. В расчетах этого банка, который подключил тот же метод стохастического моделирования «Монте-Карло», наша сборная получала семь очков и первое место в группе.

Дальше из модели Danske Bank следовало — Россия в 1/8 финала попадает на Португалию и проигрывает. Возможно, именно этот прогноз помог Станиславу Черчесову разработать верный турнирный путь.

Победу в Danske Bank обещали сборной Бразилии (17% вероятности), Германии и Аргентине давали по 12%.

Любопытно сопоставить шесть обнародованных банками и исследователями прогнозов. Три раза чемпионство отдавали немцам, три бразильцам. Хорватию никто из прогнозистов не увидел даже в первой десятке, только Инсбрукский университет давал хорватам 10-е место в рэнкинге вероятности чемпионства. Франция получала четыре пятых места, одно четвертое, одно третье (Reuters).

Обратим внимание, что самый удачный прогноз, от Reuters, не был машинным, агентство просто опросило 145 аналитиков, экономистов, стратегов.

Кстати, в 2014 году UBS проводил подобное исследование, которое выдавало победу Бразилии. В этом мало кто сомневался без машинного анализа, бразильцы обязаны были выиграть домашний чемпионат мира, но рухнули в полуфинале с немцами, которые потом стали чемпионами.

Банки продвигали свои инновационные методы и машинные прогнозы именно как действующие инструменты анализа, в том числе финансового.

Теперь эти инструменты поставлены под сомнение вместе с качеством машинной аналитики инвестбанков. Многие животные в прогнозах через выбор еды вновь оказались точнее.

Важно

Не говоря уже о ныне покойном осьминоге Пауле из немецкого зоопарка — тот вообще почти не ошибался.

Футбол пока не поддается машинным прогнозам, которые оказались составленными по знаменитому принципу «играют 22 человека, а выигрывают немцы», ну или бразильцы.

Одна из букмекерских контор утверждает, что разработала уникальный «авторский» искусственный интеллект, который достаточно точно выдает результаты спортивных событий, делает ставки и уверенно выходит в плюс. Статистику робота можно посмотреть на сайте букмекерской конторы, но и это, видимо, маркетинговый ход.

Некоторые успехи у искусственного интеллекта в прогнозировании все же есть.

Компания IBM доверила начала предсказывать вероятную эффективность сотрудников искусственному интеллекту Watson своей собственной разработки. Этот интеллект составляет прогнозы производительности каждого сотрудника компании, а их по всему миру 380 тысяч.

Система отслеживает навыки сотрудника, оценивает его опыт, анализирует данные о развитии человека и пытается предсказать, пригодится ли он IBM дальше, а если да, то как.

В компании утверждают, что Watson справляется со своей задачей на 96%, но критерии результативности этого искусственного интеллекта неизвестны, в компании говорят, что сравнивают точность предсказаний «Ватсона» с тем, что вышло по жизни. А для людей крайне важно, что оценки искусственного интеллекта влияют на начисление премий и карьерные перспективы.

Есть искусственному интеллекту место в творческих процессах.

Исследователи Disney Research и University of Massachusetts в Бостоне разработали нейронные сети, которые пробуют оценивать, понравятся ли людям те или иные короткие рассказы.

Ученые подчеркивают, что нейронные сети не претендуют на статус литературных критиков, но по определенным алгоритмам довольно точно предсказывают коммерческий успех или неудачу литературного произведения.

В американских клиниках начали предлагать машинные предсказания вероятности смерти пациента в течение года. Уверяют, что точность прогноза достигла 90%.

Хотя еще в восемнадцатом веке французский математик и сторонник теории вероятности Абрахам де Муавр самостоятельно рассчитал день своей смерти. На девятом десятке жизни математик обратил внимание, что каждое утро просыпается позже на пятнадцать минут.

Де Муавр логично предположил, что когда эти минуты сложатся в 24 часа, он умрет. Расчеты оказались точными, математик скончался в предсказанный им самим день 27 ноября 1754 года.

Совет

Способны ли технологии в перспективе обеспечить стопроцентно точные прогнозы или количество вариантов развития событий всегда будет превышать возможности алгоритмов?  Если технологии достигнут стопроцентной точности прогнозирования, зачем вообще проводить чемпионаты? Чем еще инновации могут помочь спорту? На эти вопросы «Городу 812» ответили в международной компании Teradata, которая специализируется на улучшении аналитических возможностей.

Способны ли технологии машинного обучения, Big Data и пр. в принципе выйти на такой уровень, чтобы давать стопроцентные прогнозы спортивных и других событий? Или количество вариантов развития событий всегда будет превышать возможности расчетов? 

— Причины неудачи кроются, во-первых, в учитываемых факторах. Большинство из перечисленных организаций ограничивалось в своих моделях очень высокоуровневыми показателями, такими, как ВВП страны, рейтинг команды по версии FIFA, или успех на предыдущем чемпионате.

Однако при работе с такими сложно предсказуемыми событиями, как исход футбольного состязания, необходимо рассматривать существенно более детальные данные — каждое действие конкретного игрока, поведение на поле во время тренировок и игр, скорость его бега, количество ускорений и так далее.

Чтобы построить правильный прогноз, должны учитываться тысячи параметров, но здесь существует проблема доступности данных, так как самой детальной информацией по игрокам (например, по их физическому состоянию) обладает только тренерский штаб команды, и вряд ли он станет делиться этой информацией с инвестиционными банкирами.

Во-вторых, на исход результата повлияли использованные методики. Оговорюсь, что у меня есть серьезные вопросы к объективности этих исследований, так как в некоторых случаях они выглядят подозрительно патриотично.

Например, и немецкий Commerzbank, и бразильский Itau заявили о вероятном повторении в финале схватки их национальных сборных, но если немецкая организация пророчила закрепление прошлогоднего успеха, то бразильская говорила о долгожданном реванше.

Не принимая во внимание патриотический настрой, предположу, что, вероятно, при построении данных прогнозов использовался классический математический аппарат, знакомый финансистам более сотни лет.

Читайте также:  Роботы могут не только защищать, но и просто играть

В первую очередь, это классические регрессионные модели — они просты, хорошо объяснимы, и, используя их, аналитик получает и прогноз, и информацию о влиянии каждого из параметров модели на описываемое событие.

Но когда речь идет о таких сложных объектах и процессах из мира спорта, есть смысл обратиться к технологиям искусственного интеллекта и пробовать модели, основанные на нейронных сетях, так как они позволяют хорошо работать с неявными связями и моделировать нелинейные процессы, лучше «чувствовать» объект моделирования.

Обратите внимание

Некоторые публикации (например, Danske Bank) раскрывают формулы, по которым считался прогноз, и в них есть большая доля экспертной оценки.

Причина в отсутствии парадигматического сдвига: вместо того, чтобы доверить «машине» самой рассчитать все коэффициенты, оценить каждый из факторов и построить модель, банкиры, видимо, по привычке внесли свой вклад. Тем не менее, процесс неумолим, и уже сейчас эксперты полушутя говорят о том, что существует три типа компаний: те, кто уже использует искусственный интеллект, те, кто скоро начнет его использовать, и те компании, которые скоро перестанут существовать.

В результате нет ничего удивительного в том, что перенос финансового подхода в мир спорта дал негативный результат: виной тому естественная работа в финансовом секторе с верхнеуровневыми данными, неправильно выбранный математический аппарат и страх дать «машине» свободу в построении прогноза.

Если технологии достигнут уровня 100% прогнозирования, перед человечеством встанут морально-этические вопросы. Например, зачем проводить чемпионаты?

— Моделирование спортивных событий — тяжелый процесс. Ни одна организация до сих пор не приблизилась к стопроцентной вероятности предугадывания результата матча: в спорте всегда есть место случайности.

Появление такой модели автоматически сделает бессмысленным весь букмекерский бизнес, более того, она может нанести серьезный ущерб экономике в целом, так как огромная доля болельщиков, которые сейчас с удовольствием смотрят спортивные трансляции, рекламу, покупают сопутствующие товары, просто не будут интересоваться матчами с предрешенным результатом. Подобная модель нанесет серьезнейший удар по мировой экономике и оставит за собой вереницу банкротств и исчезнувших рабочих мест. Это затронет медийный бизнес, ритейл, производителей одежды, прохладительных напитков и многих других. В конце концов, даже если не учитывать все экономические последствия, в жизни всегда должно быть место эмоциям и чувству праздника.

Как цифровые технологии могут сделать большой футбол еще интереснее, помимо попыток прогнозов?

— В спорте инновации уже работают, в командных видах особенно. В чем самая существенная сложность для аналитики? К спортсменам нельзя прикрепить датчики, например, это помешало бы игре. Поэтому анализируют, в основном, по видеозаписи. Это делали всегда в футболе, например, но раньше анализировать матчи специалистам проходилось долго.

И это было весьма утомительно: по видеозаписям считать вручную все технические действия спортсменов, количество ускорений, остановок и многое другое. Лет десять назад для анализа матчей начали использовать относительно простые программные решения, но потом профессионалы все равно анализировали эти данные вручную.

Сейчас искусственный интеллект и обработает всю информацию, и проанализирует!

И даст рекомендации, как сыграть?

— Да, искусственный интеллект может сделать анализ и дать предложения, как улучшить показатели каждого спортсмена и всей команды с учетом качеств и состояния каждого игрока.

Машинный анализ позволит просчитать игру соперника, учесть все детали и дать верную стратегию на матч. Сильный тренер не так и нужен, если у команды есть большие данные и умные алгоритмы.

Это будут очень специфичные, точные решения для каждой игры.

То есть алгоритмы вообще заменят тренеров?

— Не совсем так. Хороший тренер, хорошие игроки будут нужны по-прежнему, искусственный интеллект поможет выбрать лучших с учетом финансовых возможностей клуба. Выигрывать будут не только игроки и тренер, но целый комплекс факторов, заложенных в программное обеспечение. Если ваши возможности и соперника равны, все решит искусственный интеллект.

Финансовую составляющую работы клубов, например, приобретение и продажу игроков, определение оптимальной стоимости билетов на матчи, тоже можно более успешно организовать с умными алгоритмами.

А вот что думают по поводу машинных футбольных прогнозов в компании Navicon — одном из российских лидеров в области ИТ-консалтинга и системной интеграции.

— В спорте есть множество переменных данных, которые невозможно предсказать: травмы в футболе, погода, судейские ошибки, болельщики, выбегающие на поле.

Как, собственно говоря, и в финансах: курс валюты и биржевые индексы поддаются прогнозу в рамках того исходного набора данных, который заложен в системе.

Важно

Число предикторов для прогноза и в одном, и в другом случае получается необычайно высоким и, главное, далеко не все эти данные есть в оцифрованном виде, поэтому 100% точности добиться от прогнозных систем на сегодняшнем уровне развития технологий невозможно.

Тем не менее, ИТ для финансов развивается очень активно: на рынке появляется все больше финтех-«единорогов», а глобальные инвестиции в технологии для финансовых компаний за 2014-2017 годы росли со среднегодовой скоростью в более чем 18% и достигли почти 40 млрд долларов, по данным FinTech Global. И постепенно прогнозные модели для финансового сектора становятся все более «умными» —  уже сейчас машины принимают решения лучше среднестатистического брокера, и с годами их точность будет только расти.

Одновременно развиваются и технологии для спорта: уже применяются VAR (видео-помощники судей), глобальные и локальные трекинг-системы (GPS и LPS), предназначенные для сбора данных об игроках для спортивного анализа и медиа-обработки, акселерометры, или носимая электроника, измеряющая биологические и физиологические показатели игроков. И даже системы прогнозирования/оптимизации в виде «помощника тренера» уже работают.

Во-первых, например, телеметрия игроков во время матчей все еще запрещена. Да, в рамках тренировок можно снимать показатели —  это сильно помогает готовить команды и сокращает количество помощников тренера, так как тренер, по сути, видит всю команду и все показатели сразу на бумаге/планшете.

Но тренировка отличается от игры – эмоциональное состояние в игре и физические показатели на конкретном поле отличаются от отрабатываемых «стандартов» на тренировке. Мы не можем заложить в систему точные данные по каждому игроку, а значит, в итоге прогноз «по ходу» матча не будет таким уж точным.

Во-вторых, всегда есть вероятность непредвиденных ходов: многие команды во время прошедшего чемпионата смогли нас действительно удивить, и вот такой «человеческий» фактор в игре всегда будет оставаться. Но ведь именно за это мы и любим футбол, правда?

Алексей Сердитов

Источник: http://gorod-812.ru/iskusstvennyiy-intellekt-predskazal-itogi-chm-2017-pochemu-ne-ugadal/

Пройти мимо: почему в России катастрофически мало применяется искусственный интеллект

В исследовании PwC Digital IQ отмечается, что к 2017 году только 35% российских компаний инвестировали в развитие ИИ, тогда как в мире 54%. Но уже к 2020 году эти показатели прогнозируются на уровне 74% для отечественного сегмента и 63% для зарубежного. Доля России на рынке машинного обучения в ближайшие годы будет расти, и признаки этого мы уже наблюдаем.

Точки роста

Пока западные компании (по мнению того же Gartner) называют управление клиентским опытом одной из основных бизнес-задач, решаемых с помощью ИИ, в России технологии находят более широкое применение в оптимизации производственных процессов.

Например, промышленные корпорации используют машинное обучение для выявления брака на производстве. Для предприятий с высоким оборотом повышение эффективности производства даже на 5–20% представляют собой огромный потенциал.

Кстати, тенденция повышения спроса со стороны промышленников четко отражена в исследовании компании «Цифра» и Российского союза промышленников и предпринимателей, согласно которому объем российского рынка ИИ в промышленности к 2021 году достигнет $380 млн (нельзя напрямую сравнивать с вышеприведенным исследованием по ИИ, так как возможно применение различных методик).

Совет

Расширение применения систем ИИ происходит благодаря появлению новых инструментов, которые повышают точность и снижают требования как к специалистам по Data Science, так и к вычислительным мощностям. Становятся все более доступными и сами вычислительные мощности, и средства сбора информации, в частности, решения в области интернета вещей.

Растут и возможности по подготовке специалистов: например, в 2017 году 5 из 10 топ-курсов образовательной платформы Coursera были посвящены машинному обучению (Mary Meeker, Internet trends 2018). На рынке появляется все больше экспертов с соответствующим опытом, и они дешевеют (это немаловажно с учетом того, что сейчас их зарплаты порой в 10 раз выше, чем у других IT-специалистов).

Совокупность всех этих факторов ведет к тому, что отрасль за отраслью входит в зону окупаемости применения ИИ. К примеру, отечественный рынок разговорного ИИ (чат-боты и интеллектуальные ассистенты) будет увеличиваться почти в 3 раза ежегодно, вплоть до 2023 года, по прогнозам Just AI.

Барьеры для внедрения

Даже если применение ИИ может быть результативным, далеко не всегда компании оказываются готовы к внедрению новых технологий. Исходя из практики, я вижу несколько основных причин, замедляющих распространение новых технологий, несмотря на их рентабельность.

Во-первых, организациям действительно нужно измениться самим и быть готовыми потратиться на новые статьи расходов.

Дорогостоящее ПО, высокооплачиваемые вакансии, новые механизмы принятия решений и бизнес-процессы по итогам — согласование всего этого может длиться довольно долго.

Причем часто в западных компаниях как раз эти вопросы решаются проще: там уже назначен ответственный за направление (Chief Data Officer), есть бюджет и есть поддержка этих изменений на уровне центрального офиса.

Во-вторых, искусственный интеллект встречает серьезное сопротивление со стороны своих «человеческих конкурентов».

Например, опытному инженеру, который 40 лет работает в цехе и прекрасно знает, «что и как должно быть», требуется пересмотреть отношение к своей работе, согласиться с коррективами в механизме принятия решений, научиться взаимодействовать со специалистами по Data Science. Последние не заменят реальных экспертов, которые досконально знают свою предметную область, могут правильно поставить задачу, интерпретировать полученные данные и, главное, применять созданную модель для достижения конкретных бизнес-результатов. Специалисты по Data Science станут их помощниками и партнерами. Но для понимания этого требуется время, а также стимулирование со стороны руководителей и владельцев бизнеса.

В-третьих, многие стартапы, готовые создать прорывные решения, часто оказываются неспособны завершить проект и внедрить реально работающую систему.

Обратите внимание

Побеждая в популярных хакатонах, молодые команды решают задачи бизнеса в том числе с помощью машинного обучения, однако в большинстве случаев самостоятельно провести интеграцию, подготовить методику испытаний, протестировать системы, оценить возможность сбора дополнительных данных и т. д не могут.

Эту трудность можно разрешить, привлекая опытные компании, имеющие опыт по интеграции решений в сложные и неповоротливые бизнес-процессы корпораций.

Эти препятствия характерны не только для России. В недавнем исследовании Fujitsu и Pierre Audoin Consultants (PAC) по Европе отмечается: самыми серьезными факторами, тормозящими внедрение ИИ, считаются отсутствие его доступности в готовых решениях (61%), а также внутренняя культура и процессы предприятия, которые серьезно затрудняют внедрение технологии (52%).

Перед прыжком

Машинное обучение и искусственный интеллект применимы в массе областей деятельности любого крупного предприятия — от борьбы с промышленным браком, оптимизации производства, управления складскими запасами и информационной безопасностью до управления персоналом, маркетинга и электронной коммерции. И это разнообразие в областях применения успешно реализуется уже сейчас.

— Бинбанк использует искусственный интеллект в маркетинговых коммуникациях, что позволило компании в три раза снизить стоимость привлечения новых клиентов, по собственным данным фирмы.

— Росбанк с помощью ИИ выбирает оптимальное расположение розничных отделений.

— В банке ВТБ запущена кросс-канальная система противодействия мошенничеству на базе методов машинного обучения и углубленной аналитики.

— В сети «Рив Гош» по итогам нашего проекта, представленного на конференции Forbes, искусственный интеллект с точностью до 47% оценивает шансы прихода в магазин того или иного держателя карты лояльности и в 33% случаев угадывает, какие два товара из десятков тысяч он приобретет в ближайшие две недели.

Читайте также:  Пластырь с искусственным интеллектом поможет восстанавливать поврежденные ткани

— Сеть гипермаркетов «Лента» работает над усилением клиентоориентированности, используя аналитику Revionics и машинное обучение.

— В «М.Видео» с помощью искусственного интеллекта мы с коллегами сегментируем брошенные в интернет-магазине корзины, выявляем, по каким причинам покупки не доведены до конца.

— Новолипецкий металлургический комбинат выделил десятки производственных процессов, в которых возможно применение ML-технологий, и теперь предприятие последовательно отрабатывает каждый из них совместно с нашими специалистами.

— Компания «Химпром» заявила о внедрении рекомендательной ИИ-системы, которая будет определять оптимальные технологические режимы и позволит увеличить производительность на 5%.

Не только коммерческий сектор активно тестирует возможности искусственного интеллекта: в проектах поддержки государственных инициатив технологии также апробируются. Например, в программе «Умный город» автоматизируется поиск преступников в московском метро и инновации в образовании.

Оптимизация конкретного бизнес-процесса с помощью ИИ может заработать или сэкономить всего 3–5%, но раз таких бизнес-процессов десятки, при грамотном подходе регулярная работа по внедрению технологии может дать гигантский общий эффект. И чем раньше компания начнет на практике внедрять искусственный интеллект, учиться на ошибках, меняться и наращивать свои компетенции в использовании этой новой технологии, тем сложнее потом будет ее догнать конкурентам.

  • Все на завод: какие технологии спасут российскую промышленность

Источник: https://www.forbes.ru/tehnologii/363405-proyti-mimo-pochemu-v-rossii-katastroficheski-malo-primenyaetsya-iskusstvennyy

Создание сверхразума: что ждет человечество, когда появится искусственный интеллект?

Здесь и далее фото iChip.ru

Развитие цифрового мира за последние полвека неразрывно связано с законом Мура. С одной стороны, этот закон по сути не является законом, а представляет собой нечто среднее между эмпирическим наблюдением и прогнозами. С другой стороны, конкретной формулы, выражающей выводы Гордона Мура в цифрах или символах, не существует.

Сооснователь концерна по производству микросхем Intel еще в 1965 году предсказал, что количество транзисторов, размещаемых на одном кристалле микросхемы, из года в год будет удваиваться. Десять лет спустя он скорректировал свой прогноз, увеличив интервал удвоения до двух лет.

В 1965 году сооснователь Intel Гордон Мур сформулировал свои первые прогнозы на будущее полупроводниковых технологий: количество элементов на кристаллах электронных микросхем будет удваиваться приблизительно каждые два года.

Сегодня, оглядываясь назад, можно сказать, что плотность элементов на кристаллах увеличивалась в два раза каждые 20 месяцев. Нередко закон Мура объявляется недействительным.

Но даже когда миниатюризация техпроцесса кремниевых микросхем достигнет атомарных пределов, повышение производительности еще долго будет происходить за счет разработки новых микроархитектур и использования новых материалов.

Мировосприятие Курцвейла

Закон Мура описывает развитие всей IT-отрасли, экспоненциальная динамика которой, казалось бы, не имеет исторического прецедента. Согласно этому закону, все устройства и компоненты становятся все быстрее, меньше в размерах и доступнее по цене.

По быстродействию флагман Samsung Galaxy S6 не уступает пяти приставкам PlayStation второй версии 2000 года, вместе взятым. Новая консоль Sony PS 4 в свою очередь оставляет далеко позади ASCI Red — самый мощный суперкомпьютер в мире версии 1998 года.

Важно

А вот североамериканский изобретатель Рэймонд Курцвейл убежден, что закон Мура применим не только для цифровой эры, но и для всех информационных процессов в истории человечества, которую он понимает как постоянную смену эпох, выделяемых исходя из способа представления данных: «Эволюция идет косвенным путем: для того, чтобы создать следующую стадию или эпоху, используются информационно-процессуальные методы из предыдущей».

Рэй Курцвейл рассматривает эволюцию как экспоненциальное развитие. В цифровой эре события сменяют друг друга до тех пор, пока не наступит время «большого взрыва» искусственного интеллекта — сингулярности.

График выше иллюстрирует данное динамическое развитие с сокращающимися промежутками времени между все более усложняющимися событиями.

С момента зарождения жизни, так называемой химической эволюции в начале истории Земли, до кембрийского взрыва, когда внезапно увеличилось разнообразие биологических форм, прошло около 3,5 млрд лет.

С этого времени до появления современного человека — еще целых 500 млн.

Рэй Курцвейл

Чтобы напечатать первую книгу, человеку разумному потребовалось еще 150 000 лет, в течение которых он попутно изобрел колесо. Со времен Гутенберга до первого сбоя Windows прошло еще 500 лет. А сегодня, 30 лет спустя, мы делаем запросы на смартфонах о робомобилях.

Источник: https://playboyrussia.com/data/gadzhety/sozdanie-sverkhrazuma-chto-zhdet-chelovechestvo-kogda-poyavitsya-iskusstvennyy-intellekt/

Использование искусственного интеллекта для картирования «нейронной проводки» головного мозга

В июле нейробиолог Себастьян Сеунг (кор. 승현준, англ. Hyunjune Sebastian Seung) и его сотрудники завершили свой 18-месячный марафон.

Работая примерно с терабайтом данных, учёные использовали искусственный интеллект для реконструкции всей нейронной проводки в пределах 0,001 кубического миллиметра фрагмента коры головного мозга мыши.

Результатом стала замысловатая схема проводки, которую лаборатория Сеунга будет использовать для дальнейшего изучения коры головного мозга. Например, исследователи смогут выяснить, как связаны отдельные контуры и как они выполняют вычисления.

Однако у Сеунга и его команды нет времени наслаждаться достигнутым. Учёные спешат пройти следующий этап проекта, на котором предусмотрено добиться в тысячу раз большего: реконструировать кубический миллиметр мышиной коры головного мозга.

Обе карты являются частью программы «Машинный интеллект из нейронных сетей кортекса» (Machine Intelligence from Cortical Networks, MICrONS), реализуемой сразу несколькими лабораториями.

Эта программа финансируется Агентством передовых исследований в сфере разведки (Intelligence Advanced Research Projects Activity, IARPA) федерального правительства США. Проект направлен на развитие искусственного интеллекта при помощи исследования головного мозга.

«Целью нейробиологии при выполнении этой пятилетней программы является наблюдение за активностью и связями каждого нейрона в кубическом миллиметре мышиного неокортекса», — объясняет Сеунг.

В сеунговскую IARPA-команду входят лаборатории Медицинского колледжа Бейлора (Baylor College of Medicine) в Хьюстоне, штат Техас, и Института Аллена по изучению мозга (Allen Institute for Brain Science) в Сиэтле, штат Вашингтон. Бейлорцы занимаются физиологией: они используют визуализацию кальция, чтобы отслеживать нейронную активность в целевом кубе головного мозга.

Совет

Затем они отправят исследованный ими фрагмент кортекса учёным из Института Аллена, которые выполнят сканирующую электронную микроскопию этого кубического миллиметра. Полученные данные будут отправлены в лабораторию Сеунга для реконструкции связей 100 000 нейронов.

Две другие команды, финансируемые IARPA, работают параллельно: они пытаются сделать то же самое другими методами.

Алгоритмы машинного обучения Сеунга являются важным компонентом данной программы. Без искусственного интеллекта (ИИ) для реконструкции 0,001 кубического миллиметра фрагмента мышиного кортекса (первая фаза проекта) потребовалось бы примерно 100 тыс.

человеко-часов. По мнению Сеунга, достигнутый успех отчасти обусловлен бурным развитием машинного обучения в последние пять лет.

«Мы и сами удивились тому, насколько нам удалось повысить точность искусственного интеллекта менее чем за 18 месяцев», — признаётся Сеунг.

От игры — к головному мозгу

Стремительный рейд Сеунга в область исследований, составляющей предмет изучения науки коннектомики, начался в 2006 г. Именно тогда нейробиолог решил радикально переориентировать деятельность своей лаборатории.

Учёные создавали инструменты для отображения устройства головного мозга с разрешением на уровне синапса, но сведение кучи данных микроскопии в единое целое шло чрезмерно медленно.

Нужна была эффективная альтернатива, и Сеунг решил применить свёрточные нейронные сети — технику машинного обучения, разработанную на основе изучения головного мозга, с которой он познакомился в 1990-х годах, работая в Лаборатории Белла (Bell Labs).

Создавая схемы нейронной проводки вручную, учёные начинают с создания поперечных образов среза мозговой ткани. На каждом образе представлены поперечные сечения отдельных аксонов и дендритов, отслеженные путём анализа стопки изображений.

Конечным результатом этой кропотливой работы становится реконструкция клеток и их многочисленных связей. Алгоритмы машинного обучения построены аналогично: используя вручную маркированный набор данных, машина выявляет отдельные нейроны, чтобы затем вписать их в единую карту нейронной проводки.

«Компьютер учится мыслить как человек», — говорит Сеунг.

Уже ранние сеунговские алгоритмы внесли значительный вклад в автоматизацию процесса реконструкции нейронной проводки, однако данный процесс всё ещё требовал участия большого количества людей. Поэтому в 2012 г. Сеунг и его сотрудники запустили краудсорсинговую компьютерную игру под названием Eyewire, в которой нужно исследовать нейронную проводку.

В игре приняла участие целая армия «гражданских нейробиологов» (более 100 тыс. человек). Благодаря созданному игроками набору нейронных данных были опубликованы две научные статьи.

Полученную в ходе игры информацию учёные использовали для обнаружения в сетчатке нового типа клеток, и определения того, как некоторые нейроны сетчатки реагируют на направление движения.

Обратите внимание

В онлайн-музее Eyewire можно увидеть нейроны, реконструированные с помощью игроков.

Реконструкция шести пирамидальных клеток — наиболее известного типа клеток кортекса. Дендриты этих клеток в местах синаптических связей покрыты крохотными шипами. Фото предоставлено лабораторией Сеунга.

Примерно в то время, когда популярность Eyewire стала сбавлять обороты, в сфере глубокого обучения произошла революция. У алгоритмов нейробиологии, благодаря появлению графических процессоров для видеоигр, появилась мощная вычислительная платформа.

«Графические процессоры создавались так, чтобы даже десятилетние дети могли играть в видеоигры, но оказалось, что эти устройства просто идеально подходят для ИИ», — отмечает Сеунг.

Внедрение новой технологии обеспечило алгоритмам нейробиологии бурное развитие. Они превратились в программы распознавания образов и речи, получившие широкое распространение в смартфонах и других устройствах.

Сеунг и его сотрудники воспользовались этим прогрессом, чтобы улучшить софт для коннектомики, усилить его возможности в деле реконструкции головного мозга. «В сфере глубокого обучения нас захлестнуло цунами, — говорит Сеунг.

 — Благодаря усилиям всего общества и миллиардным инвестициям известных компаний мы получили мощный импульс для движения вперёд».

Новейшие версии нейробиологического программного обеспечения производительнее и изощрённее, чем прежние, они способны, например, различать аксоны и дендриты.

И в самом деле: новейший софт сеунговской команды настолько хорош, что в некоторых случаях превосходит возможности человеческого интеллекта.

В 2013 году сеунговцы организовали соревнование между обучающейся машиной и человеком в деле реконструкции трёхмерных данных электронной микроскопии.

Важно

Участники соревнования «обкатывали» алгоритмы на маркированном наборе данных, а затем тестировали своих соперников на двух новых массивах изображений. Сеунговская команда продолжает совершенствовать и тестировать создаваемые ею алгоритмы машинного обучения, сравнивая результаты их применения с теми, что ранее для тех же данных получили два учёных-аналитика.

В начале этого года один из машинных алгоритмов превзошёл человеческий. «Впервые есть основания заявить, пусть и с множеством оговорок, что компьютер проявил сверхчеловеческую точность, — констатирует Сеунг. — Существующие средства генерации объективной истины, увы, ущербны. Однако многие годы никак не удавалось превзойти уровень человеческой точности».

Тысячекратное улучшение

Несмотря на быстрое развитие ИИ, реализация следующего этапа проекта IARPA вызывает беспокойство.

Для реконструкции увеличенного в тысячу раз объёма мозговой ткани потребуется тысячекратное улучшение ИИ или комбинированное применение искусственного и человеческого интеллекта.

Массив информации поднимется с тера- на петауровень, что, весьма вероятно, потребует создания новых систем управления и обработки потока данных.

Сон не сомневается, что его команда справится с этой задачей. «Благодаря успехам в глубоком обучении мы обрели такой огромный потенциал, что, безусловно, сможем анализировать растущее количество данных в разумные сроки, — утверждает Сеунг.

 — На мой взгляд, сейчас более чем когда-либо прежде есть основания, чтобы с оптимизмом смотреть на осуществимость автоматической реконструкции, почти не требующей человеческого участия.

Автоматическая реконструкция всё ещё дело будущего, но это осуществимо».

А пока участие большого количества людей, частично обеспечиваемое краудсорсингом, остаётся важным компонентом проекта. «Даже улучшив ИИ в 100 раз, мы будем нуждаться в добавочном десятикратном улучшении, — говорит Сеунг. — Мы хотим мобилизовать помощников».

С этой целью сеунговцы работают над игрой-преемником Eyewire, которая получила название NEO. «Квантовый скачок, осуществлённый нами в сфере искусственного интеллекта, требует различных видов краудсорсинговых платформ и различных способов взаимодействия человека с ИИ», — заявляет Сеунг.

Усилия лаборатории Сеунга сосредоточены, главным образом, на исследовании нейронных связей, тогда как, согласно проекту MICrONS, следует в равной степени учитывать и анатомию, и физиологию.

«Я думаю, что сочетание анатомической и физиологической информации в столь крупном масштабе значительно ускорит наше исследование», — считает Сеунг.

Совет

Например, с его точки зрения, карта коннектома может помочь нейробиологам разрабатывать физиологические эксперименты.

Сон надеется, что технологии, которые его лаборатория разрабатывает для проекта IARPA, включая автоматическое получение изображений и автоматизированный анализ и реконструкцию каналов связи, получат широкое распространение. «На мой взгляд, чем более продвинутой является технология, тем легче её использовать всем, кому она может понадобиться», — говорит он.

На деятельность Сеунга существенно повлияли успехи в сфере ИИ.

В конце концов, IARPA рассчитывает завершить нынешний цикл исследований, используя для дальнейшего улучшения ИИ новое понимание работы головного мозга.

Нейробиология вдохновила на создание первого поколения искусственных нейронных сетей, и теперь нейробиологи используют их для изучения головного мозга, отмечает Сеунг: «Почему бы не пройти этим путём повторно».

Источник: https://22century.ru/popular-science-publications/seung-neurons-ai

Ссылка на основную публикацию
Adblock
detector