Топ 10 компаний, занимающихся разработкой искусственного интеллекта

Топ-10 трендов технологий искусственного интеллекта (ИИ) в 2018 году

Добра!

Слушатели первого курса «Разработчик BigData» вышли на финишную прямую — сегодня начался последний месяц, где выжившие займутся боевым выпускным проектом. Соответственно, открыли и набор на этот достаточно непростой курс. Поэтому давайте рассмотрим одну интересную статью-заметку по современным трендам в ИИ, которые тесно связаны с BD, ML и прочим.

Поехали. Искусственный интеллект находится под пристальным вниманием глав правительств и бизнес-лидеров в качестве основного средства оценки верности решений.

Но что происходит в лабораториях, где открытия академических и корпоративных исследователей будут устанавливать курс развития ИИ на следующие годы? Наша собственная команда исследователей из AI Accelerator от PwC нацелилась на ведущие разработки, за которыми следует внимательно следить как бизнес-лидерам, так и технологам. Вот что они из себя представляют и почему они так важны.

1. Теория глубокого обучения: демистификация работы нейронных сетей

Что это такое: глубокие нейронные сети, которые имитируют человеческий мозг, продемонстрировали свою способность «учиться» по изображениям, аудио и текстовым данным. Тем не менее, даже с учетом того, что они используются уже более десяти лет, мы все ещ` многого не знаем о глубоком обучении, в том числе то, как обучаются нейронные сети или почему они так хорошо работают.

Обратите внимание

Это может измениться благодаря новой теории, которая применяет принцип узкого места информации для глубокого обучения.

В сущности, теория предполагает, что после начальной фазы подстройки глубокая нейронная сеть «забудет» и сожмет данные-шум (то есть наборы данных, содержащие много дополнительной бессмысленной информации), при этом сохраняя информацию о том, что представляют эти данные.

Почему это важно: точное понимание того, как работает глубокое обучение способствует его более широкому развитию и использованию.

Например, оно может сделать более очевидным оптимальный выбор дизайна и архитектуры сети, обеспечивая при этом большую прозрачность для систем повышенной надежности или управляющих приложений.

Ожидайте увидеть больше результатов от исследования этой теории, в применении к другим типам глубоких нейронных сетей и разработке в целом.

2. Капсульные сети: имитация мозговой обработки визуальной информации

Что это такое: капсульные сети, новый тип глубоких нейронных сетей, обрабатывают визуальные информацию практически так же, как мозг, что означает, что они могут поддерживать иерархические отношения.

Это резко контрастирует с сверточными нейронными сетями, одной из наиболее широко используемых нейронных сетей, которые не учитывают важные пространственные иерархии между простыми и сложными объектами, что приводит к ошибочной классификации и высокой частоте ошибок.

Почему это важно: для типичных задач идентификации капсульные сети обещают лучшую точность за счет уменьшения ошибок — на целых 50%. А также им не нужно столько данных для обучающих моделей. Ожидайте увидеть широкое распространение использования капсульных сетей во многих проблемных областях и глубоких нейронных сетевых архитектурах.

3. Глубокое обучение с подкреплением: взаимодействие с окружающей средой для решения бизнес-задач

Что это такое: тип обучения нейронной сети, которая учится, взаимодействуя с окружающей средой посредством наблюдений, действий и вознаграждений. Глубокое обучение с подкреплением (Deep reinforcement learning — DRL) использовалось для изучения игровых стратегий, таким как Atari и Go, включая известную программу AlphaGo, которая победила человека.

Почему это важно: DRL является наиболее универсальным из всех методов обучения, поэтому его можно использовать в большинстве бизнес-приложений. Он требует меньше данных, чем другие методы для обучения своих моделей.

Еще более примечательным является тот факт, что его можно обучить с помощью моделирования, что полностью исключает необходимость маркировки данных.

Важно

Учитывая эти преимущества, ожидайте увидеть больше бизнес-приложений, которые объединяют DRL и агентное моделирование в ближайшем году.

4. Генеративно-состязательные сети: комбинирование нейронных сетей для стимулирования обучения и облегчения вычислительной нагрузки

Что это такое: Генеративно-состязательная сеть (generative adversarial network — GAN) — это тип системы глубокого обучения без учителя, которая реализуется как две конкурирующие нейронные сети.

Одна сеть, генератор, создает поддельные данные, которые выглядят точно так же, как реальный набор данных. Вторая сеть, дискриминатор, обрабатывает подлинные и сгенерированные данные.

Со временем каждая сеть улучшается, позволяя паре изучать весь дистрибутив данного набора данных.

Почему это важно: GAN открывают глубокое обучение большому диапазону задач обучения без учителя, в которых помеченные данные не существуют или слишком дороги для получения.

Они также уменьшают нагрузку, необходимую для реализации глубокой нейронной сети, потому что бремя разделяют две сети.

Ожидайте увидеть больше бизнес-приложений, таких как обнаружение кибератак с использованием GAN.

5. Обучение на неполных (Lean Data) и дополненных данных: решение задачи с маркированными данными

Что это такое: Довольно крупной проблемой в машинном обучении (в частности, в глубоком обучении) является доступность больших объемов маркированных данных для обучения системы. Два общих метода могут помочь решить эту проблему: (1) синтезировать новые данные и (2) перенести модель, подготовленную для одной задачи или области в другую. Методы, такие как перенос обучения (передача знаний, полученных из одной задачи / области в другую) или обучение с первого раза (“экстремальный” перенос обучения, происходящий лишь с одним или без соответствующих примеров) — это техники обучения на “неполных данных”(Lean Data). Аналогично, синтез новых данных посредством моделирования или интерполяции помогает получить больше данных, тем самым дополняя существующие данные для улучшения обучения.

Почему это важно: используя эти методы, мы можем решать самые разнообразные проблемы, особенно те, которые не имеют полноценных входных данных. Ожидайте увидеть больше вариантов неполных и дополненных данных, а также различные типы обучения, применяемые для решения широкого круга бизнес-задач.

6. Вероятностное программирование: языки для облегчения разработки модели

Что это такое: высокоуровневый язык программирования, который облегчает разработку вероятностной модели, а затем автоматически «решает» эту модель.

Вероятностные языки программирования позволяют повторно использовать библиотеки моделей, поддерживают интерактивное моделирование и формальную проверку, а также обеспечивают уровень абстракции, необходимый для создания общего и эффективного вывода в универсальных классах моделей.

Почему это важно: вероятностные языки программирования имеют возможность учитывать неопределенную и неполную информацию, которая так распространена в бизнес-области. Мы увидим более широкое внедрение этих языков и ожидаем, что они также будут применяться к глубокому обучению.

7. Модели гибридного обучения: объединение подходов к неопределенности модели

Что это такое: Различные типы глубоких нейронных сетей, таких как GAN или DRL, показали большие перспективы с точки зрения их производительности и широкого применения с различными типами данных.

Однако модели глубокого обучения не моделируют неопределенность, как делают байесовские или вероятностные подходы. Модели гибридного обучения сочетают в себе два подхода, чтобы использовать сильные стороны каждого из них.

Некоторыми примерами гибридных моделей являются байесовское глубокое обучение, байесовские GAN и байесовские условные GAN.

Почему это важно: модели гибридного обучения позволяют расширить разнообразие бизнес-задач, включая глубокое обучение с неопределенностью.

Совет

Это может помочь нам достичь лучшей производительности и объяснимости моделей, что, в свою очередь, может способствовать более широкому внедрению.

Ожидайте, что более глубокие методы обучения получат байесовские эквиваленты, а компоновка вероятностных языков программирования начнет включать глубокое обучение.

8. Автоматическое машинное обучение (AutoML): создание модели без программирования

Что это такое: разработка моделей машинного обучения требует трудоемкого рабочего процесса под наблюдением экспертов, который включает подготовку данных, выбор функций, выбор модели или техники, обучение и настройку. AutoML стремится автоматизировать этот рабочий процесс, используя ряд различных методов статистического и глубокого обучения.

Почему это важно: AutoML является частью того, что рассматривается как демократизация инструментов AI, позволяя бизнес-пользователям разрабатывать модели машинного обучения без глубокого программирования. Это также ускорит время, затрачиваемое учеными-данными для создания моделей. Ожидайте увидеть больше коммерческих пакетов AutoML и интеграцию AutoML на более крупных платформах машинного обучения.

9. Цифровой двойник: виртуальные копии за пределами промышленных приложений

Что это такое: цифровой двойник — это виртуальная модель, используемая для облегчения детального анализа и мониторинга физических или психологических систем. Концепция цифрового двойника возникла в промышленном мире, где она широко использовалась для анализа и мониторинга таких вещей, как ветряные фермы или промышленные системы.

Теперь, используя моделирование на основе агентов (вычислительные модели для моделирования действий и взаимодействия автономных агентов) и системной динамики (компьютерный подход к анализу и моделированию линий поведения), цифровые двойники применяются к нефизическим объектам и процессам, включая прогнозирование поведение покупателя.

Читайте также:  Интересные исторические факты о роботах

Почему это важно: цифровые двойники могут способствовать развитию и более широкому внедрению Интернета вещей (IoT), обеспечивая способы предсказательной диагностики и поддерживая системы IoT. В будущем ожидаем большего использования цифровых двойников как в физических системах, так и в моделировании потребительского выбора.

10. Объяснимый ИИ: метод черного ящика

Что это такое: сегодня существует множество алгоритмов машинного обучения, которые осязают, мыслят и действуют в великом множестве самых разных приложений.

Тем не менее многие из этих алгоритмов считаются «черными ящиками», проливая очень мало света на то, как они достигли своего результата.

Объяснимый ИИ — это движение в сторону разработки методов машинного обучения, которые создают более объяснимые модели, сохраняя при этом точность прогнозирования.

Почему это важно: ИИ, объяснимый, доказуемый и прозрачный, будет иметь решающее значение для установления доверия к этой технологии и будет способствовать более широкому внедрению методов машинного обучения.

Предприятия будут применять объясняемый ИИ в качестве требования или передовой практики, прежде чем приступать к широкомасштабному развертыванию ИИ, в то время как правительства могут сделать объяснимый ИИ нормативным стандартом в будущем.

THE END

Как всегда ждём комментарии, обсуждения вопросы тут или, например, это можно обсудить с Ксенией на открытом уроке.

Источник: https://habr.com/company/otus/blog/350614/

7 полезных российских ИИ-разработок, о которых вы могли не знать | Rusbase

SocialDataHub разрабатывает системы искусственного интеллекта. Основной продукт компании — платформа анализа информационного поля, которая собирает и анализирует данные, откуда только возможно: социальные сети, блоги, ТВ, базы данных, форумы, мобильные приложения и даже TOR.

В компании занимаются не мониторингом, а именно извлечением и анализом данных, используя технологии искусственного интеллекта и Big Data. Работает система на собственных алгоритмах и метриках.

Кроме сбора и структурирования данных, в SocialDataHub занимаются анализом связей, распознаванием фото- и видеоконтента и построением скоринговых моделей.

Обратите внимание

Один из последних проектов SocialDataHub — «Родительская опека», который предупреждает родителей, если у ребёнка в друзьях появляются подозрительные личности или он вступает в группы с запрещённым контентом.

Чтобы мониторить чадо, SocialDataHub не читает личные сообщения, а собирает доступную и открытую информацию в интернете.

Кроме этого, в компании могут анализировать интересы и поведение ребёнка в социальных сетях и на основе этих данных подсказывать родителям,  в какие кружки ребёнку будет интереснее ходить, в какой вуз и на какую специальность поступать, и какая профессия в будущем ему подойдёт больше.

Deep Systems

Российская компания, которая решает задачи бизнеса с помощью искусственного интеллекта. Один из продуктов Deep Systems — Movix.ai.

Это интерактивная рекомендательная система фильмов на основе deep learning, которая адаптируется к предпочтениям пользователей в реальном времени.

Работает это на нейронной сети, которая взаимодействует с пользователями и предлагает решать, пожалуй, самую важную проблему человечества на выходных — какой фильм посмотреть сегодня?

Сама нейронная сеть построена при помощи фреймворка TensorFlow, а для обучающей выборки разработчики использовали датасет MovieLens, откуда брали предпочтения пользователей по фильмам.

Как рекомендательный сервис система понимает пользователя с полуклика.

Концепция Deep Systems заключается в том, чтобы пользователь заходил на сайт без регистрации, делал несколько кликов по фильмам и получал рекомендации, которые отражают его настроение — так подбирается кино на вечер.

Когда больше не нужно ломать голову над тем, что посмотреть вечером.

Cezurity

Cezurity разработали технологию динамического обнаружения атак, которая основана на искусственном интеллекте. Работает это на анализе изменений состояний систем, выявлении в них аномалий, их классификации и выявлении признаков атаки.

На всех компьютерах стоит агент, раз в два часа собирающий информацию об объектах, которые определяют работу приложений. Это более 200 характеристик каждого объекта — например, ареал распространения, места, где они встречаются в системе, поведение файлов в случае их исполнения и тому подобное.

Эта информация формирует срез системы, который отправляется для анализа в облачную аналитическую систему Cezurity Sensa.

Источник: https://rb.ru/story/five-cool-russian-projects-in-ai/

Ведущие разработчики искусственного интеллекта – МК

В последние годы развитие искусственного интеллекта происходит невероятными темпами

28.03.2018 в 17:29, просмотров: 671

Компания Boston Dynamics регулярно выпускает все новых и новых роботов, которые способны не только самостоятельно передвигаться, вставать после падений, открывать двери, но и выполнять различные бытовые задачи. Ученые придумывают революционные технологии, расширяют возможности ИИ, адаптируют его для взаимодействия с окружающим миром.

Дошло до того, что некоторые эксперты с мировым именем, включая покойного Стивена Хокинга, уже предрекли человечеству гибель из-за восстания искусственного интеллекта – прямо как в фантастических фильмах начала 21 века.

Важно

Столь пессимистичные прогнозы кажутся нелепыми, ведь пока что искусственный интеллект только помогает человеку.

Не все об этом знают, но ИИ уже активно участвует в бизнес-процессах и даже в некоторых повседневных задачах.

Кто же стоит за внедрением искусственного интеллекта в нашу жизнь? Ниже представлены самые известные специалисты, которые развивают технологии искусственного интеллекта для практического применения.

Яна Эггерс (Jana Eggers)

Дипломированный специалист в области математики и компьютерных технологий, известный эксперт в области искусственного интеллекта. Занимает должность генерального директора компании Nara Logics, которая применяет ИИ для решения бизнес-задач.

Инновационная система от Nara Logics анализирует информацию из нейросетей в реальном времени, сопоставляет с данными из прошлого, изучает все сведения в структурированном и в хаотичном виде. После этого она выявляет взаимодействие различных сегментов и участников нейросетей и определяет, какие взаимосвязи в нейросети сильнее других и какие станут сильнее в будущем.

Если говорить проще, то система анализирует тренды – как нынешние, так и утратившие актуальность. На основе анализа огромных массивов данных программа от Nara Logics позволяет предсказать, какие планируемые компанией или бизнесом действия будут полезными, а какие нанесут ущерб.

Например, стоит ли добавлять в ассортимент определенный товар, будет ли он востребован в ближайшем будущем, или его время еще не наступило? Целесообразно ли ресторану предлагать клиентам новое блюдо, станет ли оно популярным? Среди преимуществ своей разработки в Nara Logics особенно гордятся легкой интеграцией системы в уже существующую программную среду благодаря применению облачных технологий. К сожалению, конкретная эффективность системы пока не изучена.

Гэри Маркус (Gary Marcus)

Программист с мировым именем, писатель и ученый, занимающийся исследованием искусственного интеллекта.

Совет

Руководитель подразделения AI Labs (Лаборатория Искусственного Интеллекта) в компании Uber, которое занимается разработкой автопилота для автомобилей, а также развитием искусственного интеллекта, способного динамически менять маршруты и графики поездок в зависимости от трафика, дорожной обстановки и так далее.

Компания Uber известна тем, что одной из первых стала применять автопилот на современных автомобилях. В частности, на улицах Сан-Франциско очень часто можно встретить машины марок Volvo, Toyota, Ford и ряда других, которые находятся под управлением ИИ.

По мнению экспертов, примерно через 10 лет автомобили, ведомые искусственным интеллектом, станут нормальным повседневным явлением.

Причем технологии позволят эксплуатировать транспортные средства без водителя уже в ближайшие годы, но значительное время займет доработка и адаптация законодательства.

Интересно, что в декабре 2016 года Гэри Маркус лично инициировал доработку системы автопилота от Uber, поскольку автопилот иногда сокращал дорогу по не предназначенным для этого местам: полосам движения для велосипедов и маршрутных транспортных средств.

Гэри Маркус придумал особую систему определения поверхностей, движение по которым разрешено.

Детали этой уникальной технологии не разглашаются, но очевидно, что в Uber проделали отличную работу, поскольку инциденты, связанные с выездом управляемых ИИ автомобилей на запрещенные участи дороги, прекратились.

Технологии, созданные под началом Гэри Маркуса, полностью готовы к практическому применению. По мнению многих специалистов, искусственный интеллект уже сейчас управляет автомобилем лучше, чем водитель средней квалификации!

Обратите внимание

18 марта 2018 года, спустя несколько лет после начала тестирования автопилота, случилось первое и единственное смертельное ДТП с участием автомобиля, который находился в управлении автопилота Uber.

Но полиция после расследования пришла к выводу, что автопилот невиновен в происшествии.

Все это говорит о высоком качестве разработанных Uber технологий, а также о том, что их массовое применение возможно и наверняка начнется уже в ближайшем будущем.

Читайте также:  Интервью с сергеем дударовым - деканом факультета иту рхту им. д.и. менделеева

Дмитрий Дриго (Dmitry Drigo)

Известный IT-специалист, бывший руководитель Лаборатории IBM в России, основатель компании Codigy, которая разрабатывает системы искусственного интеллекта и адаптирует их для бизнес-применения.

Codigy создала уникальную технологию анализа песен для американской академии искусства ISINA.

ИИ анализирует записи молодых артистов на основе данных из нейросетей, а затем путем изучения гистограмм мелодий, их тональности и других аспектов выявляет композиции, которые могут стать популярными.

Известно, что благодаря разработке от Codigy поиск талантов в ISINA стал вдвое эффективнее. Но главное – Дмитрий и Codigy доказали, что машины можно научить думать так, как думают сами музыканты, и оценивать таланты!

Технология может быть доработана, чтобы превратить машины в преподавателей музыкального искусства, способных дать образование мирового уровня заинтересованному студенту из любой части мира с минимальными затратами.

Важно

Это невероятно, потому что сегодня только очень ограниченное количество студентов может позволить себе уроки у лучших преподавателей музыки в живом формате. Сколько артистов, к примеру, способен принять сооснователь ISINA, двукратный победитель «Грэмми» Уолтер Афанасьефф? Наверняка совсем немного.

Но если компьютер можно научить думать так, как думает сам Уолтер, то количество студентов, которые смогут извлечь пользу из его мудрости, будет бесконечным.

Также Codigy разработала уникальное приложение для американского медицинского стартапа.

Благодаря этому приложению пользователь может оставить заявку на получение медицинской помощи, после чего к нему приедет фельдшер с оборудованием и прямо на месте сделает все нужные анализы – вплоть до УЗИ.

Раньше между консультацией у врача и началом лечения мог пройти месяц – это время уходило на обследование, повторные приемы и дополнительные анализы, а сейчас можно пройти диагностику за 15-20 минут и сразу приступить к лечению.

Еще одна особенность приложения – революционная технология от Codigy, умеющая составлять расписание докторов и медсестер таким образом, чтобы пациенты максимально быстро получали помощь, а у самих специалистов не было времени простоя.

Благодаря этой технологии теперь можно удаленно попасть на прием к лучшим докторам со всего мира! Известно, что очередь к именитым специалистам достигает нескольких месяцев и даже лет. Но если клиент отменит визит незадолго до назначенного времени, у врача может быть простой в работе.

При этом вполне вероятно, что еще один пациент, в том числе живущий на другом континенте, был бы рад заплатить любую сумму за экспертное заключение от уважаемого доктора, который неожиданно оказался свободен. Технология от Дмитрия Дриго и Codigy решает эту задачу.

Совет

Теперь врач, который готов принять дополнительного пациента, указывает свободное время в системе и проводит консультацию, причем руками фельдшера, который физически находится рядом с пациентом, он может удаленно взять все необходимые анализы и сразу назначить лечение.

А сами пациенты могут попасть на прием к лучшим докторам мира без длительного ожидания и не выходя из дома. Таким образом, приложение ощутимо снижает стоимость медицинских услуг, повышает оперативность и качество лечения, делает доступными консультации у специалистов с мировым именем.

Джи Джи Кардвелл (J.J. Kardwell)

Инвестор в области IT, основатель прогностической маркетинговой компании EverString.

Согласно данным консалтинговой фирмы Gartner, в среднем каждый бизнес тратит около 10% денег на маркетинг, но при этом многие компании не анализируют, насколько эффективно происходит генерация лидов и как можно сократить затраты.

Джи Джи Кардвелл и компания EverString активно внедряют технологию, основанную на искусственном интеллекте, которая снижает стоимость лидов, улучшает соотношение затраты/польза во всем, что касается маркетинга, и позволяет увеличить количество успешных действий до 70% – это беспрецедентно высокий показатель по меркам рекламной сферы. Не исключено, что в ближайшем будущем работу, связанную с размещением баннеров, контекстной и другой рекламы, станет выполнять искусственный интеллект – по крайней мере, благодаря EverString для этого есть все предпосылки.

Илон Маск (Elon Musk)

Один из самых обсуждаемых в мире бизнесменов, владелец SpaceX и Tesla, в 2015 году стал сооснователем некоммерческой компании OpenAI, которая изучает, как принести пользу человечеству при помощи искусственного интеллекта.

Основные задачи компании – создавать искусственный интеллект, который сможет сам писать программы, а также применять ИИ для защиты и безопасности компьютерных систем.

Также OpenAI должна отслеживать, нет ли в мире скрытой системы искусственного интеллекта, которая способна нанести вред человечеству. Компания декларирует максимальную открытость, ее проекты не находятся под грифом «совершенно секретно».

Обратите внимание

Также OpenAI обязалась публиковать в свободном доступе данные обо всех проведенных исследованиях.

20 февраля 2018 года Илон Маск покинул совет директоров OpenAI, чтобы избежать конфликта интересов, вызванного разработкой систем искусственного интеллекта и автопилота в рамках Tesla. Тем не менее, в дальнейшем он может вернуться в число руководителей OpenAI.

Источник: https://www.mk.ru/social/2018/03/28/vedushhie-razrabotchiki-iskusstvennogo-intellekta.html

В cognitive technologies считают, что в россии не из чего создавать беспилотники – колеса.ру

Президент Cognitive Technologies Ольга Ускова рассказала о том, на какой стадии находится разработка искусственного интеллекта для беспилотных автомобилей.

Российский разработчик недавно вошёл в ТОП-10 мировых лидеров инновационных разработок, об этом сообщает «Коммерсант». По словам главы компании, полного решения по «мозгам» искусственного интеллекта сейчас нет сегодня ни у кого, кроме Cognitive Technologies и Mobileye (это израильская компания, которая в прошлом году была куплена корпорацией Intel).

Президент российской компании, которая занимается разработкой искусственного интеллекта (ИИ) для беспилотников, Ольга Ускова, рассказала о том, что с Cognitive Technologies уже сейчас хотят сотрудничать 29 компаний. По её мнению, это свидетельствует о том, что пока никто из разработчиков среди автогигантов не достиг финишной черты.

Новости / Авто и бизнес

По словам представителя Росавтодора, движение автомобиля без участия человека – это «технически сложная система», поэтому первые технические проезды такого транспорта ведомство планирует осуществить на закрытом участке…

297 0 0 10.04.2018

При этом в компании отметили, что ИИ Cognitive Technologies только в январе перешёл на новую ступень: он перестал быть просто помощником, став полноценным «водителем». По мнению Ольги Усковой, беспилотник – это автомобиль, который из объекта стал субъектом, то есть у него в некотором роде появилось мышление. Она отметила, что осознание этого простого факта – это уже шок для водителей.

Одним из важнейших вопросов она называет разработку алгоритма действия роботов в случае ДТП. «Скажем, кто-то выскочил на дорогу.

Кто в этом случае «должен» пострадать? Выскочивший? Пассажиры авто? Пассажиры другой машины? Имеет при этом значение количество людей в автомобиле и за его пределами? Их пол, возраст? Кого робот «должен» погубить и на основании чего он будет делать свой выбор? Это сложные и неприятные вопросы, но на них нужен ответ», — сказала Ольга Ускова.

Важно

Эксперт отметила, что первые роботизированные функции в массовом производстве появятся уже в 2019 году: ожидается запуск в производство автомобилей с функцией автономной езды в пробке.

По словам президента Cognitive Technologies, без роботизации машин при их сегодняшнем количестве и в условиях прироста глобального автопарка «человечество не сможет развиваться».

Учёные подсчитали, что без «человеческого фактора» смертность в ДТП получится сократить на 48%.

Ольга Ускова добавила, что весь мир кроме России рассматривает переход на беспилотный транспорт как некий важный порог, который придётся преодолеть всем странам в ближайшие 10-15 лет.

«Оснащать «мозгами» в отечественном автопроме просто нечего, — заявила она. — Объёмы наших продаж – даже не погрешность на мировом рынке».

Напомним, ранее сообщалось о том, что Cognitive Technologies сотрудничает с КАМАЗом в рамках проекта по созданию беспилотного грузовика.

Искусственный интеллект предположительно можно будет внедрить не только в новый автомобиль, но и установить на уже готовую машину, отметили в российской компании. Однако, это станет возможным не раньше, чем через 10-15 лет после того, как западные автоконцерны выпустят беспилотный транспорт на свои дороги.

Ранее портал «Колёса.ру» сообщал о том, что российская компания придумала, как избежать ошибок зарубежных разработчиков беспилотников: специальная технология компьютерного зрения позволяет системам такого транспорта оценивать сложные дорожные ситуации.

Источник: https://www.kolesa.ru/news/rossijskij-razrabotchik-iskusstvennogo-intellekta-v-avtoprome-rf-nechego-osnashhat-mozgami

“Искусственный интеллект пригодится в любой индустрии, в которой уже используются инструменты Big data”

NVIDIA за пять лет из производителя графических чипсетов превратилась в одного из лидеров рынка глубокого обучения (Deep learning), создав вокруг технологий искусственного интеллекта экосистему. МАРК ХАМИЛЬТОН — вице-президент по архитектуре, решениям и инженерным разработкам в NVIDIA. Его команда регулярно общается с заказчиками, помогает им начать ИИ в бизнесе.

Читайте также:  Изучение искусственного интеллекта включено в программу российского вуза

— Вы много общаетесь с клиентами? Кто ваши основные заказчики теперь, после того как стратегия компании изменилась?

— Я провожу примерно половину своего рабочего времени за общением с клиентами, вторая половина занята работой с командой инженеров. Наши заказчики — это представители различных отраслей. В первую очередь из игровой индустрии. Но с ними я не работаю. Моя зона ответственности — крупный бизнес.

Эту группу клиентов мы делим на несколько сегментов. Первая — это компании, профессионально работающие в сфере инженерного проектирования, дизайна и визуальных проектов. К примеру, это команды, разрабатывающие дизайн будущих автомобилей, самолетных двигателей, создатели анимационных фильмов.

Второй сегмент — из сферы дата-центров: это компании, разрабатывающие высокопроизводительные компьютерные системы, а также те, что строят облачные платформы на базе искусственного интеллекта. Третий тип клиентов — это производители автомобилей.

Совет

Они начинали использовать наши продукты сначала для дизайна машин, теперь все чаще для решения задач, связанных с созданием автономных автомобилей.

— Ваши “исторические” клиенты — это те, кто работает в игровой индустрии и в области визуального проектирования. Все другие компании стали покупать ваши продукты только в последнее время, не так ли? Похоже, что новые клиентские группы появились у вас в связи с распространением технологий искусственного интеллекта и машинного обучения.

— Давайте посмотрим, кто использует ИИ. Эти технологии разрабатываются последние 40-50 лет, но до последнего времени их невозможно было применять в индустриальных решениях. Три ключевых фактора сделали ИИ доступным бизнесу за последние пять лет. Во-первых, конечно же, алгоритмы и программы, которые существуют уже десятилетия, были доработаны.

Во-вторых, появилось решение, которое эту математическую базу позволило перенести в машины. Раньше все эти алгоритмы не могли использоваться, потому что традиционные базы данных при наполнении больших количеством информации просто переставали работать. Но с ИИ дело обстоит так, что чем больше данных анализируешь, тем лучше результат.

К примеру, невозможно понять, что предпочитают покупать мужчины, которым за 50 лет, живущие в Калифорнии, если в базе данных таких всего два человека. Поведенческие паттерны можно выявить, если есть, скажем, миллион записей для анализа.

То есть три вещи должны сойтись, чтобы эти методы применять с пользой: алгоритмы, большое количество данных, вычислительные мощности, достаточные для их анализа.

Искусственный интеллект, по сути, произведение большого количества сложных математических операций на каждом из кусочков этих данных. Для такой задачи графический процессор (GPU) работает как акселератор в паре с центральным процессором (CPU).

Такая комбинация позволяет прекрасно распараллелить вычисления. Именно по этой причине дизайнеры используют самые мощные графические карты, потому что в дизайне и проектировании также выполняется множество сложных математических вычислений.

— NVIDIA всегда славилась своими графическими картами. Гики и геймеры копили деньги на них. А сейчас вы фактически повернули бизнес в новом направлении и построили стратегию на ИИ, создали экосистему, причем довольно быстро. Даже открыли Deep Learning Institute в прошлом году. Как это все так стремительно произошло?

Источник: https://www.kommersant.ru/doc/3311049

Естественная среда искусственного интеллекта – Журнал Стратегия

08 октября 2018

С каждым годом усиливается проникновение искусственного интеллекта (ИИ) во многие сферы человеческой жизни, так как привычные способы анализа данных и построения статистических моделей перестают действовать в нескончаемых потоках информации. Применение ИИ в банковском деле, финансовой отрасли, логистике, промышленности и некоторых других областях уже стало привычным, это ключевое условие конкурентоспособности. Однако некоторые кейсы все еще могут удивить.

Робот-рекрутер

Искусственный интеллект для подбора персонала

Наиболее успешным примером таких ботов считается американский робот Mya. Система может общаться с кандидатом посредством текстового чата, оценивая его навыки и профессиональные качества, а также вносить собеседования в календарь и формировать списки претендентов. Совокупность этих возможностей позволяет повысить результативность специалиста по найму от 38 до 150%.

Роботы-рекрутеры оценивают кандидата в виртуальной реальности, проводят видеоинтервью. В России более известен продукт стартапа «Стафори» из Санкт-Петербурга – бот Вера. Разработка базируется на самообучающейся нейронной сети.

Обратите внимание

Наиболее широкое применение алгоритм нашел в X5 Retail Group. Вера пообщалась более чем с 30 000 соискателей. Такой объем автоматизации позволяет высвободить до 200 человеко-часов ежемесячно.

Также бот был запущен в социальных сетях и мессенджерах для постоянной информационной поддержки кандидатов.

Робот-художник

10 000 долларов за картину, написанную искусственным интеллектом

Французская арт-группа Obvious, создавшая генеративно-состязательную нейросеть, разработала алгоритм для написания картины. Его необычность в том, что он включает в себя две отдельные нейронные сети.

Первая занимается анализом образов на основе 15 000 полотен реальных художников XIV–XX веков – выделяются общие особенности и стиль написания, затем изображения генерируются самостоятельно, и уже вторая сеть фактически проводит тест Тьюринга с первой: повторение обучения и генерации происходит до тех пор, пока картины не становятся неотличимы от написанных человеком. Полотно «Портрет Эдмонда Беллами», созданное этим алгоритмом, будет выставлено в престижном аукционном доме Christie’s вместе с работами людей с 23 по 25 октября. Минимальная ставка — 10 000 долларов. Оно будет первым проданным на аукционе произведением искусства, написанным машиной.

Робот-психолог

Искусственный интеллект оказывает психологическую помощь и выявляет склонность к самоубийству

Лишь 20% граждан, которым необходима психологическая помощь, готовы обратиться за ней по горячей линии. Ситуация еще сложнее в развивающихся странах.

Для решения этой проблемы китайскими специалистами был разработан превентивный сетевой алгоритм, выявивший 20 000 пользователей Сети, находящихся в группе риска совершения суицида.

Машина оценивает состояние человека по языковым конструкциям и текстовым паттернам, сравнивая их с посланиями, непосредственно имевшими связь с попытками суицида.

Система автоматически отправляет подбадривающие сообщения, сохраняя полную анонимность пользователя, а при наличии более серьезной опасности сообщает номера горячих линий и адреса центров помощи. Дальнейшее развитие алгоритма предполагает обнаружение неявных суицидальных наклонностей у пользователей, еще не подозревающих о своих проблемах. Эта разработка используется не только в Китае — Канада планирует ее приобрести.

Робот-фермер

Компьютерное зрение и машинное обучение для прогнозирования роста растений

Важно

Создание инструментов точного земледелия важно для удовлетворения непрерывно растущего спроса на аграрную продукцию и поддержания продовольственной безопасности.

Модели прогнозирования роста биомассы необходимы как для привычных хозяйств, так и для космических хозяйств будущего, которые будут еще более ограничены в ресурсах. Одну из самых совершенных подобных моделей разработала группа ученых Сколтеха.

Разработка базируется на методах машинного обучения и компьютерного зрения и прогнозирует рост растений. Сбор информации о росте растений в экосистеме без почвы производился посредством 3D-камеры, а измерение площади поверхности листьев — при помощи 2D-камеры.

Такая система вкупе с датчиками позволила проанализировать более 10 000 изображений и создать эффективную модель прогнозирования тепличного прироста биомассы, нуждающуюся лишь в одном трехмерном изображении для каждого отдельного вида растений. Для последующего контроля достаточно самых обыкновенных камер.

Робот-картежник

Искусственный интеллект обыграл человека в азартной игре

Люди сдали позиции в очередной игре под натиском умных алгоритмов — сначала Гарри Каспаров проиграл суперкомпьютеру Deep Blue, затем лучшие игроки в покер не смогли одолеть программу Libratus. Предыдущие успехи ИИ были достигнуты в играх с полной информацией: го, шашки, шахматы. Игроки видят расклад и продумывают действия, предсказывая ходы оппонента.

Покер же ставит перед ботом принципиально иную задачу — нет возможности просчитать все, состав чужих карт неизвестен. Libratus удалось решить эту проблему: прежде чем играть с людьми, программа провела триллионы партий с собой, учась на собственных ошибках.

Против системы играли четыре профессионала мирового класса: Донг Ким, Джейсон Леc, Джимми Чу и Дэниел Маколей. По их словам, Libratus играла настолько агрессивно и непредсказуемо, что выработать ответную тактику было невозможно. Компьютер, в отличие от людей, не может выдать свои карты эмоциями.

Исследователи, создавшие Libratus, утверждают, что алгоритм универсален и может применяться для любых систем с неполной информацией — например оценки рисков на бирже.

Робот для аутсорсинга

Искусственный интеллект повышает прибыль компаний

Источник: http://strategyjournal.ru/articles/estestvennaya-sreda-iskusstvennogo-intellekta/

Ссылка на основную публикацию
Adblock
detector