0: Сегодня вам свой доклад представит Насыбуллин Альберт, специалист лаборатории анализа данных и биоинформатики университета Иннополис. Соответственно, тема нашей сегодняшней встречи искусственный интеллект, различные перспективные проекты и решения в этой сфер.
1: Альберт поделится непосредственно теми инструментами, технологиями, которые применяются при разработке решений искусственного интеллекта в университете на полис.
2: Вот регламент выступления сначала выступает эксперт в течение часа, затем в течение получаса зачитываем ваши вопросы. Соответственно, разбираемся с тем, какие у вас возникли.
3: Кладу вопросы, вопросы можете направлять либо в чат в зуме. Также напоминаю, что ведётся трансляция на YouTube, можете задавать вопросы там либо можно будет подключиться затем уже голосом так, все, Альберт, прошу начать.
4: И слово передаю вам. Да, секундочку, давайте проверим, как меня слышно. Скажите, слышите ли?
5: Слышим. Отлично. Да, спасибо. Давайте, пожалуйста, дорогие зрители, перед тем, как я представлюсь, перед тем, как мы продолжим, напишите, пожалуйста, в чат, откуда вы
6: Какой университет, какой город и какая область вашей экспертности? Какие предметы вы преподаёте, изучаете или в каких областях занимаетесь исследованиями? Так мне будет потом проще отвечать на ваши вопросы. Ну а
7: В целом мы можем начинать.
8: Да, добрый вечер, дорогие друзья. Меня зовут Сулин. Альберт бинар уже представил меня. В том числе я являюсь аспирантом в университете Иннополис, а конкретно в рамках своей кандидатской.
9: Диссертации, я занимаюсь проблемами искусственного интеллекта и применением приложения искусственного интеллекта, а именно в контексте нейронаук, то есть наука о мозге человека и поведение человека
10: Чтобы не откладывать в долгий ящик, давайте сразу начнём это короткий план сегодняшнего нашего с вами разговора. В начале я пройдусь по основным терминам и понятиям, чтобы мы с вами были на 1 волне и оперировали примерно одними и теми же темами. Потом
11: Я разберу примеры или так называемый кейс стади того, как можно применять технологии искусственного интеллекта. В конце будет небольшой блок про технологии и инструменты, которые используются и в конце будет
12: Множество полезных ссылок и литературы. Это все. Я также прокомментирую. Давайте начнём с основных терминов и понятий. Искусственный интеллект это какое-то свойство интеллектуальных систем, которые вы
13: Выполняет и способна выполнять творческие задачи, которые мы обычно считаем прерогативой человека. К примеру, живопись, постановка диагнозов, вождение автомобиля, а также искусственный интеллект это довольно
14: Широкая область компьютерных наук и естественных наук в целом, которая направлена на создание интеллектуальных машин или интеллектуальных систем. Важная ремарка. Когда я говорю искусственный интеллект, я не имею ввиду
15: Систему, обладающую сознанием. Это просто устойчивый термин, который покрывает довольно большую область. Что такое интеллектуальная система, интеллектуальная система, это вот какая-то техническая реализация. Неважно про
16: Программа или аппаратная, способная решать задачи, которые мы считаем творческими или человеческими, как я упомянул ранее, живопись, вождение автомобиля, постановка диагнозов или написание музыки.
17: С другой стороны, искусственный интеллект это область знания. Искусственный интеллект это зонтичный термин, который объединяет в себя довольно много дисциплин. Сам искусственный интеллект является под областью компьютерных наук в целом внутри искусстве.
18: Интеллекта. Существует область машинного обучения. Внутри машинного же обуччения существует область, которая изучает искусственные нейронные сети. И уже внутри искусственных нейронных сетей существует область, которая называется глубоким обучением. Что
19: Важно знать про глубокое обучение каждый раз, когда в новостных заголовках вы видите нечто похожее на искусственный интеллект, написал музыку или переиграл лучшего игрока в го в 3 партиях.
20: Речь, скорее всего, идёт о технологиях глубокого обучения, но здесь важно отметить то, что искусственный интеллект не ограничен 1 лишь глубоким обучением. Просто так сложилось то, что большинство
21: Практических реализаций, технологий искусственного интеллекта. Это реализация либо методов машинного обучения, классического машинного обучения или же глубокого обучения на основе искусственных нейронных сетей.
22: Я также хочу немножко затронуть несколько философских концепций, они по большей части являются философскими, которыми оперируют в области искусственного интеллекта. Искусственный интеллект может быть
23: Сильным, слабым, а также узким или общим. Что это значит? Сильный и слабый. Искусственные интеллекты это философские парадигмы в парадигме слабого искусственного интеллекта, это некоторые интеллект.
24: Система, которая может решать широкий или узкий набор задач, к примеру, построить карту вашего дома или построить маршрут навигатора от точки, а до точки б или же, к примеру, вообще водить машину, но
25: При этом слабый искусственный интеллект не обладает никакими признаками, признаками сознания почему это философская концепция, потому что в областях нейронауки ответ на то, что такое человеческое сознание все ещё не найден.
26: И это является 1 из главных задач нейронаук в принципе сильный же искусственный интеллект подразумевает то, что машина, компьютер или любая другая интеллектуальная система может обладать признаками сознания.
27: Подведём черту гипотеза слабого искусственного интеллекта подразумевает, что компьютер не может обладать сознанием. Гипотеза сильного искусственного интеллекта подразумевает, что компьютер может обладать сознанием или признаками сознания.
28: Также существует другая парадигма разделения искусственного интеллекта. Это общий искусственный интеллект и узкий искусственный интеллект, узкий искусственный интеллект. Это то, с чем сталкиваются сейчас инженеры именно
29: Инженеры, а не исследователи. Каждый день это те системы, которые рекомендуют вам музыку. К примеру, когда вы просите об этом своих голосовых помощников. Самый простой пример. Когда вы говорите, Алиса, поставь музыку для
30: Вечеринки это система узкого искусственного интеллекта, которая анализирует все ваши предыдущие прослушивания и ставит музыку в соответствии с этим.
31: Доктрина общего искусственного интеллекта, или artificial general intelligence подразумевает то, что существует набор искусственных интеллектов или искусственный интеллект как таковой, который может решать широкий набор задач. То есть
32: Это 1 и та же программная оболочка, которая водит машину, выбирает вам музыку, ставит таймеры и напоминает о днях рождений ваших близких. На текущий момент человечество обитает.
33: В области знаний и в том числе практического применения, когда существует, существуют только слабые и узкие искусственные интеллекты. Но при этом важно отметить то, что огромной областью исследований в машинном обучении и в искусственном интеллекте в целом
34: Является как раз-таки создание общего искусственного интеллекта. Сейчас ведётся огромная гонка между крупнейшими исследовательскими центрами за то, чтобы решить эту задачу.
35: Теперь вернёмся к более приземлённым терминам о том, что подразумевается, когда вы слышите искусственный интеллект в массовых медиа, в социальных сетях или в новостях. Как правило, речь идёт о классическом машинном обучении, или
36: О глубоком обучении на основе искусственных нейронных сетей и о том, и о другом мы поговорим чуть чуть подробнее, но сегодняшний разговор будет сконцентрирован именно на глубоком обучении, на основе искусственных нейронных сетей.
37: Классическое машинное обучение по большому счёту, является не более чем набором действительно продвинутых статистических методов их огромное количество это метод опорных векторов линейной регрессии.
38: Метод поиска средних, и можно перечислять их до бесконечности, и, я уверен, каждый год изобретаются новые глубокое обучение на основе искусственных нейронных сетей же несёт в себе 2 основных
39: Компонент. 1 компонент это математическая модель индивидуального искусственного нейрона, 2 компонент глубокого обучения это математическая, взаимо математическая модель взаимодействия группы нейронов, то есть
40: Так много искусственных нейронов взаимодействуют между собой.
41: Другое важное разделение это то, что машинное обучение и глубокое обучение разделяют на 2 категории обучение с учителем и без учителя обучение с учителем подразумевает, что испытуемый
42: Система спонтанно обучается выполнять поставленную задачу, и экспериментатор не вмешивается со стороны обучение без учителя же подразумевает, что система принудительно.
43: Обучается с помощью некоторого набора стимул реакции, какой-то не очень понятный набор слов, объясним чуть чуть проще обучение с учителем подразумевает то, что обучение искусственных нейронных сетей
44: Или алгоритмов искусственного интеллекта проходит на данных, которые предварительно были размечены человеком экспертом. Что это значит? Представьте себе 2 больших набора фотографий на одних нарисованы коты, на других собаки.
45: Мы хотим обучить компьютер распознавать, на каких фотографиях кошка, на каких собака. Когда происходит обучение с учителем, мы предварительно размечаем и говорим нашей системе то, что на вот этой фотографии кошка, а на вот этой
46: Собака, вот тебе 10000 картинок. Найди некоторые скрытые закономерности. Как определи, как отличать 1 от другого обучение без учителя подразумевает то, что нету вмешательства экспериментатора. То есть.
47: Данные предварительно не были размечены, размечены человеком для системы искусственного интеллекта, все данные равны, и она не знает никаких зависимостей с самого начала.
48: Немножко поговорим про искусственные нейронные сети и что это такое вообще искусственная нейронная сеть это математическая модель, её программное и аппаратное воплощение, неважно, которая построена по принципу того, как
49: Функционируют организмы, как функционируют нейронные сети биологических организмов, то есть набор нервных клеток. Это понятие возникло довольно давно в результате изучения процесса.
50: Которые протекают в мозге. Нейронаука довольно старая область знания, ей более 100 лет, но её бум пришёлся вот как раз-таки на последние 20 лет, во многом благодаря появлению новых инструментов. Но об этом мы сегодня не будем, если вы
51: Вы посмотрите на картинку справа, вы увидите, как в учебниках биологии и медицинских учебниках описывают нервную клетку. У этой клетки есть тело, в котором находится ядро, а также есть
52: Rita и синаптические окончания одни принимают сигналы, другие передают сигналы последующим нервным клеткам, а внутри тела клетки внутри ядра происходит некоторая трансформация этого сигнала слева вы мо.
53: Можете увидеть, как выглядит нервная клетка на фотографии, когда её предварительно подкрасили фирсен раствором, в чем прелесть глубокого обучения это то, что мы модель.
54: Живого нейрона упрощаем довольно до довольно простой математической абстракции. Здесь вы можете увидеть эту абстракцию. У нас есть поток входящих сигналов. Некоторые икс иты. Их может быть
55: Сколько угодно. Допустим, рассмотрим простой случай каждый икиты это либо 0, либо 1. Также у нас есть непосредственно тело клетки.
56: Которая делает некоторое математическое преобразование на основе сигналов, которые в неё поступили, и передаёт этот сигнал последующим клеткам. Магия глубокого обучения происходит на вот этом этапе.
57: Между так называемая расстановка весов. Расстановка весов основана на математической операции, которая называется обратное распространение ошибки это довольно сложная математическая концепция. Я не буду в неё углубляться, но
58: Важно запомнить то, что человеческий мозг, учёные исследователи смогли упростить аппроксимировать модель настоящего нервную клетку человека до довольно.
59: Простой и вычислительно дешёвой математической модели само собой, современные модели искусственных нейронов гораздо сложнее и дороже в вычислениях.
60: Модель, которую вы видите здесь называется перцептрон или перцептрон. Её придумал фрэнк розенбаум в 1958 году, то есть меньшее буквально через 10 лет.
61: После того, как было создано представление о современных компьютерах, то есть появилась архитектура фон неймана, и авантюрин также выпустил свою знаменитую статью о вычислимости и
62: И все первые компьютеры уже произошли в 60 году. Модель искусственного нейрона он воплотил на электронной машине Марк 1, то есть электронная машина Марк 1 в 1960 60 году вне
63: В некотором смысле может считаться 1 1 системой искусственного интеллекта.
64: А здесь, на фотографии, вы можете видеть, как обычно художники представляют себе набор нейронных сетей, нейронные сети, то есть набор отдельных нейронов, которые друг с другом взаимодействуют.
65: Маргарита, вас очень плохо слышно. Маргарита. Выключите, пожалуйста, звук. Угу. Спасибо. Я продолжаю.
66: Угу. Так, художники видят нервные, нервную систему, нейронные сети естественные. А вот это довольно простая математи.
67: Абстракция нейронной сети до простой модели мы видим набор нейронов на входе, мы видим, как эти нейроны на входе передают свои сигналы другим нейронам и как все эти нейроны замыка.
68: На 1 каком-то нейроне, который выдаёт финальное значение, к примеру, число 0, или 1, или или какое-то число в интервале от нуля до 1, существуют также другие модели, где оперируют более сложными математически.
69: Функциями функция, которая передаёт значение от 1 нейрона к другому, называется функция активации функций активации великое множество, опять же многие из них довольно сложны и нетривиальны.
70: Мы не будем углубляться в математику сегодня.
71: Чудо глубокого обучения искусственных нейронных сетей происходит, когда мы объединяем эти 2 модели вместе, когда мы берём модель искусственного нейрона и воплощаем её в полноценный, искусственный, полноценный
72: Сети.
73: Пойдём дальше. Сейчас мы пройдёмся по примерам. Опять же важное пояснение. Я буду говорить о системах глубокого обучения системы глубокого обучения. Это далеко не все.
74: Область искусственного интеллекта существует вот такая вот смешная картинка, которая говорит, что вам нужно применять и какую систему искусственного интеллекта под вашу задачу. Мне очень нравится вот это описание
75: Потому что оно довольно близко к правде. Мы действительно используем искусственные нейронные сети, глубокое обучение в тех случаях, когда имеются сложные многомерные данные, их огромное количество и человек исследователь просто не может извлечь признаки.
76: И зависимости из этих данных.
77: Но более полная карта это далеко не полная карта мира, машинного обучения, но эта карта выглядела бы примерно вот так. Здесь вы можете ознакомиться с классическим машинным обучением с
78: Обучением с подкреплением это отдельная большая область, она особенно важна для робототехники и также нейросети и глубокое обучение.
79: Давайте.
80: Переберём несколько областей, в которых глубокое обучение применяется активнее всего в 1 очередь, конечно же, это системы компьютерного зрения, область компьютерного зрения или же машинного зрения.
81: Как её чаще называют в России, довольно стара она существует с шестидесятых годов прошлого века, но до появления глубокого обучения системы компьютерного зрения были примитивны они могли распознавать.
82: Примитивные образы, простые геометрические фигуры, к примеру, круги, эллипсы, квадраты, отдельные линии или же могли задать, решать задачу сегментации. Сегментация это когда вы
83: Сканируйте ваш набор пикселей и проверяете их соседство друг с другом, близость друг с другом, и на основе этого подсвечиваете какие-то интересные участки на вашей фотографии. Другой огромный кусок, безумно набирающий
84: Популярность в последнее время и тот, который действительно меняет мир, с которым вы можете чаще всего лично провзаимодействовать, это системы обработки естественного языка. Чаще всего, когда вы пишите в техподдержку вашего
85: Банка вам отвечает не человек, а вам отвечает чат бот, который на самом деле является системой искусственного интеллекта. То есть этот чат бот, это система искусственного интеллекта хранит в себе пере.
86: Списки всех пользователей за некоторое время и на основе этого обучаются, пытаются, пытаются выдать лучший результат другой важный пример это обработка естественного языка в контексте голосовых помощников.
87: В контексте голосовых помощников глубокое обучение решает сразу несколько задач во первых, это распознавание речи не существует достаточно надёжных и, главное, понятных аналитиче.
88: Систем аналитических решений для распознавания речи, распознавание речи, то есть перевод голоса в текст. Как правило, задача глубокого обучения.
89: Интеллектуальная система получает ваш текст, вычленяет там ключевые слова и подбирает подходящий ответ. И потом, система же глубокого обучения передаёт это в программу синтеза голоса, которая также может быть
90: Построено на основе глубокого обучения, и вы взаимодействуете, получается, с 3 системами глубокого обучения за раз. И это если оставить за бортом рекомендательной системы, когда вы просите алису поставить музыку другой.
91: И, наверное, самый старый кусок мира глубокого обучения это предсказательные системы, это когда у вас есть некоторый набор данных за, скажем, 10 лет.
92: И вы на основе этих десятилетних данных пытаетесь предсказать погоду на послезавтра. Ну и важно помнить то, что системы глубокого обучения, в принципе могут применяться в любой другой задаче, где
93: Существуют так называемые большие данные, то есть где есть формализованный, структурированный набор данных, на основе которого можно вычленить интересные признаки. Я думаю, каждый из вас сможет придумать примеры собственных областей знания.
94: Когда имеется большой набор данных, но люди эксперты не справляются с их анализом.
95: Разберём, не скажем, христоматийный пример, который реализуют очень многие студенты, в том числе здесь, в университете Иннополис, это распознавание рукописных цифр, цифр на
96: Фотография представьте то, что у вас есть набор данных, в нём 60000 картинок, и эти картинки равноценно разбиты по цифрам от нуля до 9. А ещё у вас есть компьютер, нужно научить
97: Компьютер определять, какую цифру написал человек от руки, здесь возникает сразу несколько проблем во первых, почерк каждого человека индивидуален, кто-то спишет.
98: Вправо. Кто-то пишет с наклоном влево кто-то ставит чёрточку в семёрке кто-то не ставит про левшей я даже упоминать не буду. Я сам, левша. В общем, речь идёт о том, то, что когда мы
99: Распознаем рукописный текст. В целом нет некоторого универсального правила и алгоритма, который можно написать и который бы решал все задачи люди действительно пишут по разному.
100: Но это все не важно или не особо важно, когда мы говорим о глубоком обучении, почему вот как выглядит наш рукописный набор данных. Если вы посмотрите сюда, то увидите.
101: Кучу способов, как люди пишут однёрку. И тоже самое будет для четвёрок. Многие четвёрки похожи на девятки. То есть человек эксперт не может явно вычленить признаки, которые будут работать всегда.
102: Для таких задач, а это именно является задачей классификации, то есть определить, к какому заранее подготовленному классу относится то или иное изображение для таких задач, используют часто свёрточные нейронные сети. Это довольно
103: Метод широко известный, существует 1000000 его реализаций. Поговорим о нём.
104: Мы уже видели с вами эту картинку, это картинка искусственной нейронной сети.
105: Но когда мы говорим о свёрточных нейронных сетях, это становится несколько сложнее. На этой картинке мы видим архитектуру свёрточной нейронной сети. Что именно на ней происходит здесь вы можете увидеть, как
106: Наша система окошком или так называемым кернелом ядром сканирует изображение.
107: И. И что позволяет сделать эта архитектура? Она позволяет разбить наши изображения на максимально нетривиальные и общие признаки, которые относят изображение к классу цифр 0.
108: 1 или 2. Если пояснить несколько конкретнее, то вот здесь на последнем слое обитают маленькие штришки. К примеру, вот такая закорючка на конце двойки и
109: Эти значения передаются уже в финальный слой, где у нас есть полносвязный полносвязный слой. А вот эта линия, которую вы здесь видите, где цифры от нуля до
110: Это наш последний слой. Активация каждого из этого нейронов отвечает за некоторый класс, который мы определили ранее. То есть мы скормили сюда циферку 2. 1 слой вырезал кусок этой циферки и
111: Вставил её его в картинку побольше. Потом мы из этой картинки вырезали ещё 1 кусок и вставили его в картинку поменьше, и мы продолжаем это делать до тех пор, пока не активируется нейрон номер 2 на последнем слое активация.
112: Этого нейрона говорит нам, что да, на картинке действительно цифра 2.
113: Что мы можем с этим сделать? К примеру, можно написать довольно простую html обёртку и нарисовать там свою цифру здесь вы можете видеть то, что буквально на тачпаде мышкой была нарисована цифра 3 и систем.
114: Действительно, предсказала, что это цифра 3.
115: Другое интересное направление в анализе изображений и в работе с изображениями это генерация. Представьте себе ситуацию. То, что у вас имеется множество картинок, 1000, десятки тысяч может
116: Быть даже сотни тысяч. И вам нужно ещё больше картинок, похожих на те, что у вас есть. Но немножко другие. Такую задачу называют генерацией изображений. Вот так выглядит дата сет или набор.
117: С десятью тысячами котиков да, это не самые удачные фотографии котиков, но они все в той или иной степени похожи друг на друга.
118: Для решения таких задач используют так называемые генеративные соревновательные сети или general нетворкс и в
119: Прошу прощения.
120: В основе генеративно соревновательных сетей лежит первые 2 слова генерация и соревнования что это значит?
121: Генеративная соревновательная сеть на самом деле является тандемом из 2 искусственных нейронных сетей. 1 нейронная сеть называется генератором, 2 нейронная сеть называется дискриминатором. Задача генератора добавлять
122: Шумное изображение и получить оценку от дискриминатора. Дискриминатор говорит, насколько генератор был близок к тому, чтобы скопировать изображение. Задача же генератора обмануть дискриминатор что
123: Дискриминатор не смог отличить, где изображения, которое мы создали, а где-то изображение, которое существует на самом деле очень простая иллюстрация вот мы видим, где генератор рисует линию и говорит эта картина написана Ван гогом.
124: А дискриминатор удивляется и считает, что его разводят, генератор добавляет ещё лишний шум, все ещё говорит, что эта картина написана Ван гогом, а дискриминатор все ещё не согласен и через обы.
125: 1000, возможно, сотни тысяч, а в некоторых случаях и миллионы итераций добавления этого случайного шума. Генератор получает изображение, которое довольно близко к тому, что нарисовал.
126: Тому, что видел дискриминатор до этого, в тот момент, когда дискриминатор не может отличить, фальшивая эта картинка или настоящая, как правило, обучение прекращают.
127: В более общем виде архитектура генеративной соревновательной сети выглядит следующим образом вот изображение, на котором случайный шум, оно перед оно передаётся в генератор и генератор.
128: Отдаёт это изображение в дискриминатор. Дискриминатор же между делом анализировал настоящие изображения и вычленял оттуда признаки так, как это делается в свёрточных нейронных сетях. Дискриминатор получает по
129: Изображение от генератора и говорит настоящие они или фальшивые, и даёт ему обратную связь с помощью метода обратного распространения ошибки.
130: Архитектура дискриминатора немножко отличается от того, что мы видели ранее. Да, это все ещее свёрточная нейронная сеть, но важный момент.
131: Том здесь является, это подбор корректных функций активации, как я говорил ранее, упоминал ранее, функция активации это 1 из важнейших элементов искусственных нейронных сетей, потому что
132: Есть функция активации, которая оперирует бинарными значениями 0 1, а есть функция активации, которые могут оперировать интервалами значений, то есть множество значений от - 1 до 1, к примеру.
133: Генератор же выглядит обратным образом. Он берет картинку максимально подробную и портит её только так, как, возможно, пытаясь подобрать те общие признаки, которые
134: Вот здесь выучивать дискриминатор.
135: Здесь вы можете увидеть, как генератор работает в реальном времени. Это гифка с модели. Да, многие изображения могут вас напугать. Они не очень приятные, не стоит смотреть на ночь именно поэтому.
136: Генеративные сети являются довольно сложной областью до сих пор в них сложно добиться стабильных результатов, в них сложно добиться повторяемых результатов, и, как правило, для генеративных сетей необходимы огромные наборы.
137: Данных и огромные вычислительные мощности.
138: Другая важная область это генерация текста. Представим ситуацию, когда у нас есть очень, очень много текста, к примеру, вся русская классическая литература и даже больше, и мы хотим
139: Наш компьютер генерировать сколько-нибудь связные ответы и поддерживать диалог. Что мы можем с этим сделать? Во первых, нужно уточнить, что это за задача. Это является задачей обработки естественного языка.
140: Которых я упоминал ранее, в последние 2 года, тут сильнее всего себя показывает так называемая архитектура трансформеров.
141: К сожалению, нет простого способа объяснить, что такое архитектура трансформеров на это потребуется не 1 вебинар с кучей математики, но в общем виде архитектуру трансформеров можно описать следующим образом архи.
142: Архитектура трансформеров мимикрирует под то, как работает распределение внимания в естественных нейронных сетях, то есть в мозгу человека на этой картинке вы можете видеть связь.
143: Одних слов с другими чем темнее цвет в левом столбце, тем чаще это слово встречается с словом, с которым построена связь, то есть что мы здесь можем?
144: Сказать мы можем сказать то, что артикль з. И слово animal очень часто на некотором удалении соседствуют со словом ит и имеют к нему прямое отношение, то есть это некоторые сущности 1.
145: И также можем сказать то, что слово вас то есть было не очень часто встречается с местоимением it s, местоимением оно.
146: Подробнее углубляться в то, как устроена архитектура трансформеров, я не буду. Как я упомянул, это действительно сложная область машинного обучения и искусственного интеллекта. Вместо этого я хотел бы показать вам
147: Несколько примеров того, на что вообще такие архитектуры способны 1 делом хочу упомянуть даджин даджин это текстовая ролевая игра, где роль ведущего
148: Система искусственного интеллекта. В мире существуют довольно популярные, так называемые словесные ролевые игры, то есть это подземелье драконы.
149: Другие живой ведущий рассказывает другим игрокам некоторые приключения, здесь же эту задачу может решать система искусственного интеллекта, и, что удивительно, временами она выдаёт действие.
150: Сильный литературный поворот, а здесь, на скриншоте, ведущий, то есть искусственный интеллект, говорит, и все закончилось. Здесь игрок пишет системе тогда
151: Я ухожу, на что система ему отвечает ты обернулся и оставил остывающее тело мужчины, ты слышишь громкий шум рядом с выходом из комнаты это зву.
152: Звучит как землетрясение, но намного хуже. Ты выбегаешь из дома и видишь то, что теперь ты на маленьком островке, окружённом водой. Я считаю, так бы мог писать стивен кинг. Ну или.
153: Иногда системы искусственного интеллекта могут демонстрировать очень своеобразное чувство юмора. Здесь ведущий искусственный интеллект говорит игроку ты курица, ты делаешь те вещи, которые делает курица, и поверь в
154: Нет твоей вины. Так просто случилось, на что игрок отлично, логично отвечает найти еду я пойду и найду еду.
155: Но система искусственного интеллекта не сдаётся, она говорит нет, это не моя вина, я не, я не выбирал родиться курицей, знаешь? И в конце искусственный интеллект спрашивает так почему ты все ещё здесь? Почему ты играешь опять?
156: Как я упоминал ранее, у систем искусственного интеллекта нет сознания аи данжен, который основан на архитектуре GPT-3 от некоммерческого фонда open eye, не.
157: Не знает, что он говорит, он просто прочитал очень много книг и выдаёт ответы по максимальному совпадению, соседствованию слов друг с другом.
158: Разберём пример, который существует на русском языке. К сожалению, в свободном доступе, в свободном доступе не так много наборов данных текстовых и голосовых на русском языке и не так много речевых моделей, но
159: Но при этом существует довольно популярный интернет портал Парфирьевич, который был создан как шутка соль порфирьевича, заключается в том-то, что Порфирьевич прочитал все книги писателя виктора.
160: То есть вы пишите некоторую короткую фразу или слово, и система искусственного интеллекта. Помня все книги виктора пилепина, дописывает эту фразу так, как её мог бы дописать писатель, к примеру, вот что.
161: Написал нашей системе порфирьевичу сегодня утром я ему написал, как же я не хочу вести вебинар.
162: Парфирьевич решил ответить то, что дополнить выражение как же я не хочу вести вебинар в этом вшивом пиджаке, но доктор абу так смотрит на меня, что надо быть во всеоружии, чтобы это не значило, но звучит довольно.
163: Поэтично.
164: А теперь перейдём к самой старой, но при этом довольно важной области глубокого обучения. Это прогнозирование. Здесь мы рассмотрим конкретный пример прогнозирования временных рядов.
165: Временными рядами являются любые численные данные, которые по оси игрек имеют какие-то свои собственные значения, а по оси икс имеют значение времени неважно, о чем речь секунды, минуты.
166: Дни или годы. Рассмотрим пример, когда мы хотим научить компьютер предсказывать погоду. У нас есть данные за 10:15 лет, они включают в себя самые разные метеорологические показания.
167: Как мы можем получить наилучшее предсказание от системы глубокого обучения?
168: Во первых, как я упомянул ранее, да, мы можем твёрдо сказать, что метеорологические данные это временные ряды для работы с временными рядами, очень хорошо себя зарекомендовали так называемые рекуррентные нейронные сети.
169: Эта картинка похожа на многие другие картинки, которые я сегодня вам показывал, это картинка архитектуры рекуррентной нейронной сети. Но здесь есть 1 ключевое отличие искусственные нейроны в 1 слое сообщи.
170: Друг с другом, то есть внутри этой искусственной нейронной сети существуют зацикленные структуры, точно так же, как они, к примеру, существуют в мозгу человека, и именно это позволяет реку.
171: Нейронным сетям так хорошо справляться с временными рядами, потому что одно и то же значение, один и тот же поступающий сигнал обрабатывается в несколько циклов. Прежде чем выдать ответ, посмотрим.
172: Как выглядят наши данные, которые мы получили от метеорологов здесь мы можем видеть то, что мы получаем уникальные данные. Каждые 10 минут здесь мы видим давление в миллиметрах ртутного Столба типа.
173: Цельсия, температура в. Кельмана, влажность воздуха и многие, многие другие показатели.
174: 1 делом, что мы можем сделать? Мы можем сделать предсказание на основе 1 показателя. К примеру, на основе температуры воздуха мы можем предсказать температуру воздуха. Звучит вполне себе логично, даже невооружённым глазом.
175: Исследователь, человек может увидеть то, что да, в погоде существует некоторая цикличность. В зимние периоды времени бывает холодно, в летние периоды времени бывает тепло, как это нам помогает.
176: Если объяснять по простому, то мы скармливаем наш временной ряд системе глубокого обучения, а именно рекуррентной нейронной сети, что мы получаем на выходе, мы получаем модели предсказаний.
177: И эта модель предсказаний не на годы, как мы видели на основных данных, а на дни.
178: Что здесь важно упомянуть то, что рекуррентные нейронные сети вдохновлены нашим представлением о том, как устроена память человека мы. Современная нейронаука предполагает.
179: То, что обращение к воспоминаниям у человека несёт в себе некоторую зацикленную активность в головном мозге человека. И здесь мы можем увидеть то, что да, в некоторых случаях прогноз
180: Модели довольно сильно отличается от истинного будущего значения, а в некоторых случаях они действительно близки Зелёная точка это прогнозируемое значение.
181: Красный крестик это истинное значение, которое существует в наборе данных. Как мы можем это все улучшить? Как мы можем улучшить наши предсказания? Мы можем улучшить наши предсказания, если будем использовать
182: Многомерные временные ряды, то есть у нас есть набор временных рядов атмосферное давление, температура в цельсиях, плотность воздуха и любые другие показатели здесь конкретно рассматривается
183: Проанализировав эти 3 показателя и выискивая скрытые признаки, мы можем предсказать то, какой будет погода на следующий день и на этот
184: Возможно, наш прогноз будет более точным. Я говорю, возможно, потому, что многие эксперименты в глубоком обучении бывают непредсказуемы. К сожалению, правда такова то, что
185: Математически верифицировать и доказать применимость и сходимость многих решений из области искусственного интеллекта практически невозможно в тех случаях, когда это возможно, имеются ввиду очень простые системы.
186: Минимальным набором искусственных нейронов. И здесь мы можем сказать то, что, да, предсказание погоды справляется гораздо лучше и даже на больших интервалах времени здесь
187: Мы видим то, что между последней точкой данных и нашим предсказанием 10 дней. То есть наша система довольно точно предсказала погоду через 10 дней, а не просто через день. Почему?
188: Ему ещё важно использовать многомерные временные ряды. Это потому, что многомерные временные ряды прекрасно справляются с задачами, когда нужно предсказать множество значений или
189: Тренд в нашем наборе данных или в будущем наборе данных. Те же самые правила работают для любых других временных рядов и любых других данных, которые являются временными рядами. Пример
190: Биржевая торговля или сигналы экг с сердца, или сигналы экг с мозга человека и любой другой пример, который вы можете представить как временные ряды.
191: Заканчивая эту часть, я хотел бы упомянуть очень важную вещь мир глубокого обучения и обучения на основе искусственных нейронных сетей невероятно.
192: Существуют десятки архитектур и существуют 1000 реализаций этих архитектур. Тут вы видите лишь небольшое количество, самые известные и популярные из них и
193: Нужно понимать то, что исследование, работа и преподавание в области искусственного интеллекта это огромный труд, который требует знаний из множества областей.
194: Чему и будут посвящены следующие 2 блока. Сейчас я хотел бы поговорить про инструменты и технологии, которые используются в области искусственного интеллекта и в глубоком обучении, в частности, 2 самых популярных и самых
195: Практичных языка программирования в области искусственного интеллекта это python и c plus plus си плюс плюс python самый популярный язык в мире искусственного интеллекта, он лаконичный и понятный, это тот язык программирования на.
196: Котором пишут математики и учёные. То есть он прекрасно подходит для работы над исследованиями разработ, для разработки новых архитектур или для всех тех ситуаций, когда мы обладаем, когда
197: У нас не катастрофически огромные наборы данных, где миллионы и десятки миллионов уникальных элементов. И когда мы не боремся за скорость вычислений, к примеру, системы беспилотного транспорта, самые
198: Популярные из них, вы, конечно, знаете это tesla дженерал моторс, гуугл яндекс системы искусственного интеллекта на борту беспилотного транспорта, как правило, как правило, реализованы на языке сикло пас и
199: На специально подготовленных для этого вычислительных машинах в беспилотном транспорте искусственный интеллект может решать множество задач, но самая главная его задача это распознавание образов, именно система глубокого обучения.
200: Система компьютерного зрения на основе глубокого обучения понимает то, что в поле зрения находится человек собака распознает знаки и любые другие объекты на дороге.
201: Я буду говорить про технологии и реализации, имеющие отношение к языку python, по той простой причине, что область применения сипос плас в искусственном интеллекте требует невероятной квалификации это люди.
202: Реализующие глубокое обучение искусственного интеллекта на типа path невероятные профессионалы и это применяется довольно в Узких точечных областях, пайтон же может применяться примерно везде пройдёмся по основным библиотекам в 1 очередь.
203: Стоит упомянуть библиотеки, которые как раз-таки реализуют многие функции и многие абстракции из глубокого обучения искусственных нейронных сетей это тензер фо от google кирас.
204: Который является оболочкой над тендер фол пайторч от компании facebook теперь это мета, насколько я помню, и также сайки.
205: Learn сайкит лерн это решение на основе открытого программного кода, в которое вкладывается сообщество сайкит. Лерн используется гораздо меньше в индустрии и в исследованиях в том числе
206: Потому что sklearn не поспевает за основным функционалом и тенденциями в глубоком обучении несколько других важных библиотек, которые стоит упомянуть, это библиотеку. Нампай, библиотека, нампай очень важна.
207: Та библиотека, которая упрощает многие вычисления, то есть вычисления линейной алгебры, поиск решения дифференциальных уравнений и многое другое и во во многих смыслах.
208: Работа искусственной нейронной сети это решение миллионы миллионов дифференциальных уравнений здесь библиотека нампай часто справляется даже быстрее, чем встроенные функции на языке python.
209: Другую библиотеку также очень важно упомянуть это библиотека сайпай это специальная библиотека, которая разработана для учёных. Очень часто вам могут пригодиться функции из этой библиотеки, и они
210: Могут быть неочевидными или реализация их собственными руками займёт кошмарное количество времени, другая библиотека это пандас pandas это библиотека для обработки данных и управления данными очень часто.
211: Набор данных, которые вы получаете для анализа, это не более чем эксель файл с ссылками на другие эксель файлы, и библиотека pandas просто необходима здесь, чтобы ими оперировать и последнее, но далеко.
212: По не по значению библиотека это библиотека open cv, библиотека open cv это библиотека для работы с компьютерным зрением или машинным зрением там реализованы многие классические алгоритмы из.
213: Машинного зрения и в том числе там реализованы многие алгоритмы и инструменты для разработок систем компьютерного зрения на основе глубокого обучения.
214: Важно упомянуть то, что не обязательно устанавливать все существующие здесь библиотеки. Многие из них находятся в пакете анаконда, пакет, анаконда. Это святой грааль науки о данных. Все, дата санти.
215: Молятся на библиотеку анаконда и на оболочку анаконда, потому что она позволяет легче настраивать окружение и не тратить кошмарное количество времени на перенастройку окружения для каждой новой задачи.
216: Поговорим немножко про среды разработки. Я исходил из того. То, что мы подбираем среду разработки для образовательных целей и для образовательных целей. Лучше всего, конечно, подойдёт google, google, лаборатории это
217: Это прекрасное решение, которое работает прямо в браузере. Это виртуальная машина, где вам предоставляются бесплатные видеокарты и оперативная память, что немаловажно. То есть это можно запускать на не очень мощных компьютерах. И что ещё?
218: Ещё важнее нет необходимости настраивать окружение гуггл 3 по умолчанию интегрированы многие, многие библиотеки для образовательных целей, я очень рекомендую google 3.
219: Другая среда разработки, если её так, конечно, можно назвать, это джупитер, ноутбук, джупитер, ноутбук для пользователя во многом похож на google лаборатории, за тем лишь исключением то, что gp.
220: Ноутбук обрабатывает данные на локальной машине пользователя да, jupyter notebook также работает в браузере, там почти отсутствует необходимость настраивать окружение, но при этом используются мощности вашего собственного компьютер.
221: То есть ваш процессор, ваша видеокарта, ваша оперативная память и другой инструмент, который важно упомянуть именно для больших и сложных проектов, когда у вас большие объёмы данных или сложные.
222: Архитектуры это виртуальные машины, а именно яндекс датасфера. Это продукт от корпорации яндекс, которая предоставляет облачное решение. По большому счёту, корпорация яндекс даёт
223: В аренду очень мощный компьютер с самыми передовыми видеокартами, где вы можете настраивать окружение на любой операционной системе, которая вам необходима, и с любым окружением, которое вам также необходимо.
224: Важно то, что запуск виртуальной машины и поддержка поддержка виртуальной машины это отдельный навык, который требует отдельного обучающего курса на самом деле многие инженеры, многие исследователи.
225: Испытывают огромные проблемы, когда занимаются облачными вычислениями, тут я бы сказал то, что каждой команде пригодится специалист по devops, ну и конечно же, это нужно упомянуть.
226: К сожалению, кризис на рынке полупроводников и курсовая разница поставила нас в ситуацию, когда использовать облачные решения от яндекса безумно дорого аренда 1 виртуальной машины с.
227: Лучше на сегодня видеокарты может вам обойтись вплоть до 100 000 ₽ в месяц.
228: Так у нас же осталось ещё время, да?
229: Да, время есть.
230: Я подготовил довольно большой набор ссылок и литературы на разные случаи жизни. Я хотел бы их прокомментировать, чтобы вы знали, куда и зачем искать. В 1 очередь я хочу обратить ваше внимание на 1 ссылку. Это
231: Прекрасное иллюстрированное пособие практически комикс, которое рассказывает о мире машинного обучения человеческим языком с очень понятными иллюстрациями. Также я упоминал про распознавание рукописных цифр.
232: Вы можете перейти по 2 ссылке. Это туториал на сайте хабр, где реализована данная архитектура. Что важно, это довольно интересное решение, где применяется не самая популярная технология библио.
233: Тендер фо, которую я упоминал ранее, также имеет поддержку языка джава скрипт я лично не знаю учёных, по данным инженеров данных, которые используют java script, но.
234: Знаете, что такое решение? Существует другая важная ссылка. Это перевод книги майкла нильсона. Это довольно всеобъемлющее пособие по искусственным нейронным сетям и глубокому обучению, и его наконец то взялись переводить.
235: На русский. Я точно знаю то, что где-то треть книги переведена на данный момент. Если кто-то хочет структурированные знания, где будет объясняться, что и как устроено, прошу обратить внимание на вот эту книгу также
236: Я здесь оставлю ссылки на даджин и Парфирьевич, то есть инструменты, которые анализируют тексты. Также здесь я оставлю ссылку на туториал по прогнозированию временных рядов.
237: Рекуррентных нейронных сетей. И также хочу обратить ваше внимание на вот эту статью. Она очень важна, потому что она даёт оценить объём того, насколько огромен мир искусственных нейронных сетей и насколько там множество
238: Какое-то множество разных архитектур. Ну и здесь я оставлю ссылки на сервисы, которые вам могут пригодиться. Гугла, джупитер, ноутбук, пакет анаконда, яндекс, Асфира и все остальное. Мо.
239: Можно найти на ресурсах хабар или open data science про литературу особенно будет полезно для тех, кто преподаёт в колледжах, то есть в среднем профессиональном.
240: Образовании. К сожалению, в современном мире не все программисты знают математику, и даже не все программисты имеют представление о том, к примеру, что такое сложность алгоритмов или
241: Какие типы данных бывают или как компьютер функционирует на базовом уровне? Для этого я рекомендую вам книгу теоретический минимум по computer science это даже не книга, это буклет буквально 150 страниц, но
242: Которая очень простым и доступным языком объясняет ключевые важнейшие концепции компьютер сайнс, она в том числе подойдёт старшим школьникам, она написана довольно просто другая книга, которую хочется
243: Отметить эта книга в большей степени является некоторым исследованием философских абстракций и философских гипотез в мире искусственного интеллекта, но вместе с тем это един.
244: Неизвестная книга на русском языке, которая рассказывает о самых передовых открытиях и самых передовых решениях в области искусственного интеллекта, и в том числе здесь есть интересные
245: Главы, где упоминаются нетривиальные решения, которые не нашли пока что решения в промышленности, но исследователями активно занимаются, а именно генеративные эволюционные нейронные сети или вероятностные нейронные.
246: Сеть. Об этом вы можете узнать здесь.
247: Если же вам необходимы живые примеры того, как большие и сильные бизнесы реализуют системы глубокого обучения искусственного интеллекта в своих внутренних процессах, советую обратить внимание на вот эту книгу.
248: Это больше попадает в категорию бизнес литературы, но это поможет поддержать все-таки разговор или заинтересовать ваших студентов как вариант. То, что да, корпорация дженерал электрик это уже не
249: Машиностроительная корпорация, а это в некотором смысле it корпорация, потому что она интегрирует информационные решения в свои процессы на каждой стадии.
250: Хочу отметить отдельно книгу создаём нейронную сеть Тарика Рашина. Я не знаю, возможно ли её сейчас найти в России, потому что дополнительный тираж не выпускался. Особенно рекомендую эту книгу преподавателям. Кто хотел?
251: Провести курс по искусственному интеллекту именно вводный курс по искусственному интеллекту, потому что, по большому счёту, эта книга является прекрасным пособием. Здесь буквально книга разбита на уроки и за 10 уроков за
252: 10 полуторачасовых уроков можно будет с нуля с некоторым пониманием внутренних процессов создать нейронную сеть, которая классифицирует изображение.
253: Для более длинных курсов и для более долгого чтения рекомендую вам книгу data science наука о данных с нуля она недавно была переиздана в России, это всеобъемлющее пособие, там есть живые.
254: Примеры с математикой, там есть, в том числе лабораторные работы с программным кодом, который вы можете сами реализовать или дать своим студентам. И ещё 1 книга это книга основы глубокого обучения.
255: Это прекрасная книга, она погружена в глубо, погружена в глубокое обучение. Эта книга исследует вопросы ключевой концепции глубокого обучения. Здесь довольно много математики, она доступно объяснена, но.
256: Здесь также есть примеры кода на языке python, который вы можете интегрировать в учебный процесс в учебную программу.
257: У меня на этом вроде как все. Если у вас есть какие-то вопросы или нужны пояснения, я буду рад на них ответить.
258: Большое спасибо, Альберт. Так вот, 1 вопрос в чате, как и какие инструменты искусственного интеллекта могут быть использованы в педагогическом образовании учителями школ, преподавателями ссузов и вузов?
259: Я не очень понимаю, что имеется ввиду под педагогическим образованием. Мы имеем ввиду сам учебный процесс.
260: Полагаю, имеется ввиду обучение именно преподавателей. Преподаватели какого направления не уточняется. Ну, вопрос задан от представителя чеченского государственного педагогического университета. Я не
261: Не уверен, что я понял этот вопрос, но я отвечу на него, как я его понял. Не добрый день. Можно пояснить? Да, да, пожалуйста, поясните. Спасибо вам. Просто у нас педагогический вуз, и мы готовим учителей.
262: Так как в декабре 20 года вышел указ президента Российской Федерации о введении искусственного интеллекта во все учебные планы образовательного процесса и во всех школах, и всех педвузах,
263: Чуть ли не в каждом направлении подготовки введена вот данная дисциплина, вот как будущим учителям. Вот базы у нас практически нету в школах. Смотрим у нас в вузах, чтобы преподавать какие
264: Инструменты использовать именно что показать будущим учителям, чтобы они могли дальше своей профессиональной деятельности все это продемонстрировать учащимся и так далее. Вот такой был вопрос. Спасибо вам. Ага. Да, я думаю, понял.
265: Да, есть в учебных планах России такая некоторая особенность, то, что все засовывается везде. Я лично не думаю, то, что технологии искусственного интеллекта необходимо преподавать в школах. Ну, я тут, но
266: Да, есть. А вы можете ответить? Будет прекрасно. Вот 1, ну, программирование сейчас это 2 грамотность. Вот как Альберт сказал, язык питон сейчас уже и в школах преподают. Если у ваших
267: Студентов. Есть какой-то опыт программирования. Очень хорошо было бы искусственный интеллект им давать именно с использованием этого языка. Соответственно, с использованием тех библиотек, которые привёл Альберт. 2, если студенты не
268: Изучали какие-то языки программирования. Ну не у всех сейчас в школах. И даже информатика, да, проходила. Вот есть системы визуального программирования из того, что я могу посоветовать. Это, например, кнайм и века 3
269: Ну, наиболее советую кнайм. Это, соответственно, инструмент, конечно, заграничный. Облачная версия у него платная, но десктопная версия. Можно скачать её совершенно свободно, там очень много раз.
270: Различных алгоритмов. Фактически они реализуются перетаскиванием различных блоков, там, на экран, ну, соответственно, из них составляется схема там, входных данных того алгоритма, который нужно над ними применить, того, каким образом визуализировать.
271: Выходные данные, он и века 3 это, соответственно, инструменты открытые тоже примерно такого же класса. То есть там визуальным образом все эти алгоритмы машинного обучения, там, анализа данных и прочего реализуются затем из российских
272: Ani logic, могу посоветовать, это система прогнозной аналитики и имитационного моделирования. Тоже она включает в себя различные алгоритмы искусственного интеллекта. Ну вот из таких распространённых применений, для которых, которые я
273: Встречал с помощью неё, например, моделируется логистика, да, там движения, регулировка дорожного движения, там на перекрёсток на перекрёстках, каким образом светофоры должны переключаться, в какие моменты и прочее. Вот, и
274: Других инструментов. Это, например, кэгл. Ну, точнее, кэггл это источник открытых данных. Можете оттуда для анализа информации информацию для анализа данных информацию черпать. Вот есть ещё такой инструмент, как
275: Ну, опять-таки, это разработка американская. Вот, но у неё есть открытая версия, которую сейчас можно скачать в лабвью. Очень удобно работать с различным аппаратным обеспечением, то есть к ней можно
276: Просто подключить различные видеокамеры, различные датчики. Там тоже очень много алгоритмов, связанных с машинным обучением в области компьютерного зрения. Там очень много алгоритмов связаны.
277: С анализом каких-то сенсорных данных, да, и прочего. Если мы говорим конкретно про сферу образования, тут очень актуален, например, цифровой след, да, в последнее время очень много говорят про
278: Вот этого цифрового следа, в том числе в связи с тем, что образование так активно в онлайн форму переходит. Вот, ну поэтому придумать тут каких-то кейсов можно достаточно много. Я сейчас в чат
279: Название сами скину.
280: Продублирую, да? Ну, можно будет потом как-то посмотреть. Угу. В целом ответил на вопрос. Я коротенькое дополнение сделаю, если существует необходимость преподать курс без
281: Его последующего продолжения я советую вам обратить внимание на книгу, которую я упоминал это вот пишем нейронную сеть с нуля Рашид Тарик, она объясняет ключевые концепции языка python и она.
282: Довольно маленькая, то есть это тот курс, который можно преподать за семестр, и если все-таки вы пойдёте по этой книге, то вы можете использовать google collaboratori это облачное решение и все, что будет требоваться от студентов это
283: Ноутбук с подключением к интернету.
284: Спасибо вам огромное. Вы ответили. Спасибо.
285: Угу. Так вот, ещё 1 вопрос из чата. Какие есть кейсы по применению искусственного интеллекта в управлении, в управлении документами организации и их хранении?
286: Это отличный вопрос. Я точно могу сказать то, что в небольших организациях, даже средних организациях, просто не существует такой потребности в оптимизации, управлении базами данных.
287: Но крупные корпорации, которые оперируют огромными данными или, к примеру, обладают своими дата центрами они активно используют технологии глубокого обучения, к примеру, корпорация amazon или google.
288: Или опять же, яндекс инструменты предективной аналитики предсказательные, они могут предсказ, они могут вам предоставить потенциальное поведение пользователей, то есть в каком месте, какие
289: Сервера какой мощности потребуются и как вы можете оптимизировать эти процессы? Другая важная сторона. Это в целом весь цифровой документооборот, он во многом завязан на инструментах глубокого обу.
290: То есть это и составление документов, и распознавание текста к примеру, на сканах распознавание текста текста на сканах может быть решено как задача глубокого обучения.
291: Пожалуйста, ещё вопросы?
292: Можете подключаться голосом, можете писать в чат.
293: Меня слышно? Да, но у меня вопрос коротенький. Есть ли у нас в России аналог?
294: Аналог ibm cloud точно.
295: У нас, так сказать, какое-то облако, к которому можно подключиться, желательно бесплатно, где можно, скажем, зарезервировать. Батя, честно говоря, можно, конечно, но реально, то есть
296: Было ещё лет 6 бесплатно.
297: Вот такие рода вещи. Я просто спрашиваю, как эксперт, я пока не видел, может быть, ну, сервисы мл и аи есть в яндекс облаке, не знаю, с точки зрения платности, бесплатности.
298: Какая там ситуация? Яндекс сфера даёт, по моему, тестовый депозит на 3 000 ₽, подарочный при регистрации. Но этого вам надолго не хватит. Нужно просто смириться с данностью. То что железо.
299: Рожает железа, требуется много и бесплатных вычислительных мощностей не предвидится в скором будущем точно. То есть бесплатных решений нет. Единственное бесплатное решение, которое вы можете сделать, это вы можете
300: Использовать инструменты децентрализации, дата майнинга и поставить его их на рабочий компьютер ваших коллег, но не более. Значит, да, что это смешно. Ну, говорите о каких-то Зада.
301: Естественно, мы знаем, что можно на рабочем компьютере, а что можно сделать? Нет, спасибо большое за ответ.
302: Ещё какие-то вопросы?
303: Какие продукты вы бы посоветовали для лабораторных работ по курсу строительные материалы?
304: Albert вас не слышно.
305: Я говорю прекрасный вопрос, меня он очень греет. Я бакалавр строительства закончил казанский государственный архитектурно строительный университет. Сложно назвать какие-то конкретные продукты, глубокое обуче.
306: Пока что только на той стадии, когда она заходит в материаловедение, проводится огромное количество конкурсов, как раз-таки по предсказанию свойств материалов то, что можно сделать уже сейчас, уже существую.
307: Решениями можно использовать инструменты компьютерного зрения. То есть, но опять же, нужно понимать то, что готовых решений не очень много, а те, которые есть
308: Это корпоративное решение, которыми никто не поделится, и вам придётся собирать собственный набор данных. Самый простой пример, который можно вам предложить, это, к примеру, измене.
309: Износа конструкций или измерение деформации конструкций. Если с износом конструкции, это задача глубокого обучения, то деформацию конструкции на самом деле можно измерить методами классического машинного обучения, если
310: У вас есть телевидение, есть хотя бы 2 камеры, я бы рекомендовал смотреть в сторону решения на основе классического компьютерного обучения и классического компьютерного зрения. Там есть дешёвые решения.
311: Но которые при этом будут довольно эффективны.
312: Спасибо, ещё вопросы?
313: Пока больше вопросов нет. Ну, от себя тоже добавлю искусственный интеллект. Если мы берём вот с точки зрения образования, это такая сквозная технология, которую можно применить практически в любой рабочей программе, то есть и в гуманитарных направлениях, и в технических, в любых
314: Направлениях, которые связаны с данными, данные есть практически везде для любых направлений, для которых актуальны экспертные системы. Да, все. Вот как сказали, есть проект по внедрению дисциплин искусственного интеллекта и в школьное
315: Уже, то есть обучение с самого раннего детства данным технологиям. К нам, например, на прошлых потоках поступали запросы по внедрению машинного обучения в дисциплину, связанную с базами данных. Вот где-то в чате.
316: Видел, что есть преподаватель, да, по базам данных. Есть, например, системы майнс диби, которые позволяют с помощью эскуэль запросов осуществлять обработку и анализ этих данных. Понятно, что там под капотом опять
317: Toki лежит python, лежит тензерфлоу, там классические базы данных да ну вот позволяет людям, которые знакомы только с программированием баз данных, не отвлекаться на изучение каких-то других Языков, при этом методом.
318: Машинного обучения в своей практике применять. Есть база данных, специально оптимизированная для работы с большими данными. Да, вот я сам специалист по сетевым технологиям. Вот если мы берём сетевые технологии,
319: Тоже там очень большой простор и в сфере больших данных и машинного обучения, да, там применяется, например, метод k ближайших соседей в системе айдиэс суриката.
320: Для классификации там атак сетевых по различным типам. Вот в принципе, что ещё сказать? Ну, с точки зрения здравоохранения и медицины, да.
321: Тоже очень много в данный момент применений, там и носимые устройства, там некая прогнозная аналитика, опять-таки о развитии различных заболеваний на основе текущих данных, о состоянии пациента и прочее.
322: Я дополню ответ на предыдущий вопрос. Я сейчас зашёл на кэгл и посмотрел, какие там лежат открытые данные из области материаловедения в принципе и возможно,
323: Лучшее, что можно сделать в вашем случае, Елена, это как раз-таки предсказание временных рядов или в целом предиктивная аналитика, то есть предсказывать свойства материалов для
324: Каких-то экстремальных случаев на основе данных, которые у вас существуют, и проверка потом их опытным путём, это может получиться очень интересная лабораторная работа, но опять же
325: В целом, отвечая всем сегодняшним зрителям, главная проблема это доступ к данным не во всех областях на текущий момент накоплены большие данные и данные, которые
326: Достаточный объём данных, к которым можно применить инструменты глубокого обучения искусственного интеллекта. К примеру, лично в моей области в нейронауках таких данных не существует на данный момент.
327: То есть, возможно, вы будете 1 в мире, который соберёт уникальный набор данных по вашей предметной отрасли.
328: Спасибо большое. Уважаемые слушатели, прошу задавать ещё вопросы. Здрасьте. Можно вопрос? Пожалуйста. Угу. Здравствуйте. Здрасьте. Ага. Вот мы занимаемся исследованием.
329: Ну, солнце в данном случае моя специальность, да, физика солнца. И мы на телескопе, ну, с помощью системы телескопов наблюдаем корональные дыры, то есть, и, соответственно,
330: Сейчас при помощи наших кисловодских друзей, мы там создали программу, которая, ну, на основе вот это вот нейросетей обучения, да, как правильно сказать, ну, исследует корональных дыр.
331: То есть там мы с помощью различных фотографий, допустим, большого количества, потом фотографии крутим, да, то есть мы говорим, это дыра, то есть там, здесь нету и так далее. Да, понятно.
332: Но мы это делаем на основе, как правильно сказать, таких вот градаций света, там чёрный, белый и все. Ну, если чёрный, то run дыра, если белый, то, соответственно, нету. Ну и по точкам идём. Так понятно, да?
333: То есть разбиваем на этот, на небольшие области и так далее. Вот хотел спросить, вы не знаете ли такое решение, чтобы можно было бы, как правильно сказать по градации?
334: А, то есть, ну, допустим, того же серого, да, на самом деле, там серого градация цвета же много же, вот, чтоб не такой, не предельный такой, этот, как случай, скажем так.
335: Да, спасибо за вопрос. 1 делом вам нужно уточнить, в каком виде к вам поступают данные у нас сейчас можно, извините, скажу сразу, у нас это получается, мы исследуем Инте.
336: Интенсивность и получается в каждой точке у нас интенсивность там, ну разная. Вот. И соответственно, каждой интенсивности соответствует свой цвет каждой точки градация
337: Ну, градация серого, допустим, самый простой. Это в целом распространённая практика в компьютерном зрении и в глубоком обучении в компьютерном зрении, то, что цветные изображения очень редко
338: Анализируется. Обычно анализируется так называемый грейскелл. Это вот как раз-таки представьте себе, 0 это белый цвет и число 255 это абсолютно чёрный то есть грейс кел, да, и
339: Это на самом деле распространённая практика. Существуют методологии, которые позволяют анализировать цветовые решения. То есть у вас изображение обычно кодируется в 3 цветовых канала. Допустим, это
340: То есть красный, зелёный и синий перед тем, как это делать, попытайтесь просто понять, добавляет ли анализ цветного изображения дополнительную ценность вашим данным чаще всего ответ нет.
341: Все, я понял. Хорошо. Угу. Спасибо.
342: Ещё 1 вопрос из чата. Есть ли примеры применения искусственного интеллекта органами государственной власти в работе с обращениями граждан? Да, могу назвать вам популярный пример, и вы, скорее всего, с ним лично сталкивались.
343: Когда вы заходите на портал Госуслуги, вас очень часто встречает надоедливый бот Макс. Его, по моему, зовут Макс. Это типичный современный чат бот. Это чат бот на основе
344: Я не общался с разработчиками портала Госуслуг, но я подозреваю то, что этот чат бот функционирует на основе глубокого обучения и, возможно, даже модели трансформеров, и он не просто же вычленяет ключевые слова, он
345: Пытается создать контекст и направить вас наилучшим образом в конкрет, на конкретную страницу. То есть в государственном управлении я могу вам сказать то, что такие системы не применяются.
346: Там, где необходимо твёрдые решения, потому что практически никто не может объяснить, почему система искусственного интеллекта приняла то или иное решение. Это, по большому счёту, чёрный ящик.
347: И математически на данный момент неразрешимая задача, но там, где это применяется, это же, конечно, взаимодействие с пользователями, то есть с гражданами, а другой простой пример, если мы
348: Звоните на опять же, популярную горячую линию какую-нибудь, то скорее всего, вас там встретит голосовой помощник, голосовой ассистент, который будет вас направлять. Практически все голосовые ассистенты на текущий момент имеют в себе
349: Ту или иную часть глубокого обучения, как минимум в части распознавания речи. Когда вы передаёте какое-то ключевое слово, система искусственного интеллекта его считывает и перенаправляет вас куда-то дальше.
350: Большое спасибо. Есть ли ещё вопросы?
351: Прошу прощения, я вас, возможно, не услышал, когда вы говорили о существующих системах для, в процессе обучения, вы упоминали?
352: Упоминал, что google джулию вроде было у вас juli нет нет, я не упоминал ну, тогда я порекомендую тем, кто хочет сделать.
353: Лабораторные работы есть действительно система под названием, которая включает в себя и платформу. То есть это в принципе, современный аналог маклава, скажем так, то есть
354: Сейчас достаточно. Он хорошо развит для того, чтобы сделать портабельную версию в том смысле, что запускать на любой практически машине, что включает инструменты для визуализации практически самые современные. Нет, это не реклама, прошу прощения.
355: Просто напросто это анализ, результат анализа. Дмитрий, вы можете название, пожалуйста, в чат написать? Я его не расслышал. Я пос. Хорошо. Итак, что там есть ещё?
356: Так, есть интерфейсы, интерфейсы ко всем системам типа torture там и так далее. Машинного обучения. Есть интерфейсы, которые позволяют вам
357: Добывать данные, ну, то есть работать и обрабатывать данные. Более того, ещё года 2 назад давали доступ в облако собственное, ну, тухленькое, 2, 3 процессора, всего лишь бесплатный. Вот, ну,
358: Есть интерфейс типа он как этот ноутбук, анаконда, да, не анаконда, как он называется? Jupyter, jupyter, notebook, jupyter да, есть, то есть просто рекомендую посмотреть, в принципе, я его
359: Пробовал адаптировать н, лет 5, ещё назад, но тогда он был не готов для использования, ну, в нашем университете. То есть слишком ненадёжная система была, ну, капризная. То есть нужно, чтобы могли установить
360: Ну, короче говоря, сейчас я ссылочку дам, да кому интересно.
361: Угу. Спасибо большое. Так вот, ещё 1 вопрос. В чате. Как вы оцениваете будущее специальных чипов для искусственного интеллекта приведён чип от samsung. Я, к сожалению, не
362: Эксперт в области железа. Я не смогу вам объяснить, как это работает, но здесь важно понимать то, что это не будущее, это уже настоящее, это уже случилось. Крупнейшие производители имеют в своих системах.
363: Чипы, оптимизированные под решение задач машинного обучения, глубокого обучения. Это точно относится к apple и samsung. И я точно могу сказать, что это относится к корпорации тесла, потому
364: Потому что у них на борту автомобилей стоит их собственный компьютер.
365: То есть это настоящее, не будущее.
366: Угу, спасибо. Есть ли ещё вопросы?
367: Так способен ли на сегодняшний день искусственный интеллект скрывать свою деятельность в информационных системах? А вы можете, пожалуйста, уточнить ваш вопрос?
368: Просто не совсем понятно, что имеется ввиду скрывать свою деятельность в информационных системах.
369: Потому что это может быть сценарий, когда вы обращаетесь в техподдержку, и вы думаете, что вам отвечает живой человек, а на самом деле это искусственный интеллект.
370: Такие ситуации вполне возможны, и в целом многие компании не то чтобы раскрывают, что вы общаетесь с ботом.
371: Проходит ли машина тест тьюринга? Тест тьюринга не является полноценным тестом на создание это это очень элегантное представление и проверка, но оно морально устарело, беско.
372: Лично во всех его вариациях.
373: Так, спасибо. Есть ли ещё вопросы? Я, кстати, мне кажется, я нашёл ответ. На самом деле есть система искусственного интеллекта, которые скрыто присутствуют постоянно, если мы берём
374: Биржевую торговлю, то там оперируют торговые роботы и стратегии для торговых роботов бывают как аналитические, но я точно знаю то, что большие инвестфонды экспериментировали.
375: Системами глубокого обучения именно для алгоритмической торговли, так что вполне может быть то, что на рынке присутствуют сотни, 1000 торговых роботов на финансовых рынках, и мы о них особо не знаем.
376: Так, ещё вопросы?
377: Так, больше вопросов не вижу.
378: Хорошо, тогда если больше вопросов нет, на сегодня будем закругляться. Если у кого-то возникнут ещё дополнительные вопросы. Если будет необходима помощь в внедрении искусственного интеллекта своей рабочей программы, можете эти вопросы направлять через своих модераторов.
379: Соответственно, как отраслевые кураторы, мы вам ответы на них подготовим. Альберту большое спасибо за сегодняшнее выступление, за ответы на вопросы. Спасибо всем, кто присоединился.