0: Когда мы увидим первые результаты, первые плоды сможем попробовать руками какая-то магическая кнопка. Разве это не так? То что-то пошло не так? Давай тогда поговорим, что будет в арке? Чего ожидать, над чем работать. Мы хотим предсказывать.

1: Браковать, не браковать, когда нашим клиентам ждать там первые результаты. Добрый день. Сегодня у нас в гостях Алексей Хохунов, основатель компании Маслов эйай и я. Вячеслав Колтаков, генеральный директор диджи фарм софт.

2: А сегодня говорить мы будем о искусственном интеллекте и особенно его в системе управления стадом. Арка. Алексей, привет. Как дела? Привет, привет. Привет. Отлично. Спасибо, что мы ещё раз собрались. Да, я думаю, мы ещё будем часто собираться. Отклик

3: На твою, на нашу систему очень хороший, много вопросов. И 1 из вопросов искусственный интеллект. На текущий момент пользователям системе попробовать нечего, но всех интересует, что это будет, как это будет рабо.

4: На основе чего собираются эти данные? Мы с тобой в предыдущем интервью посмотреть можете? По ссылке уже затрагивали эту тему. Что ты в этом специализируешься? Что у тебя были стартапы, которые работали с искусственным интеллектом? Расскажи немного.

5: Какое применение это найдёт в нашей системе, в системе управления стадом арка? И как это будет работать? Как вообще идёт процесс, когда мы увидим первые результаты, первые плоды сможем попробовать руками?

6: Да, спасибо. Ну, здесь для того, чтобы вообще ответить на этот вопрос, надо немножко познакомить всех с понятием искусственный интеллект, потому что мне кажется, что оно немножко такое мифическое. Всем кажется, что это какая-то магическая кнопка, которую нажимаешь, и все сразу становится хорош.

7: Разве это не так? Это не совсем, да, так. То есть машинное обучение действительно даёт много бенефитов в бизнесе. Но, в общем, надо понимать природу возникновения, в общем, до, там, где-то.

8: 2010, 2015 года. Если мы хотели написать какой-то алгоритм, мы писали его с помощью эвристик, че значит с помощью эвристик. Это, например, если мы хотим, чтобы система определяла, что там, не знаю, перед нами автомобиль, то мы условно говорим, ну,

9: Автомобиле должно быть 4 колеса, не знаю, там лобовое стекло, 2 фары, не знаю, там 5 дверей, в общем, да, да, да. Какое-то количество объектов. И вот тогда, условно мы считаем, что это автомобиль. Ну вот вещи, которые ты писал,

10: Очень условные эвристики. То есть мы придумываем как бы какие-то правила, которые должны срабатывать. Проблема с тем, что если мы смотрим на машину, там с 1 ракурса у неё будет 2 двери, 1 фара, с другого ракурса, не знаю, 2 колеса, где-то 1 колесо, в общем, на самом деле

11: Описать многие вещи в природе с помощью эвристик достаточно сложно. И, соответственно, там, ну, это произошло ещё в прошлом веке, но прям применение реальное в жизни, это где-то в середине, там, 2010, 2010, 2015 го.

12: Мы начали применять это в бизнесе, что вообще из себя представляла машинное обучение. Она говорила, что давайте вместо парадигмы, что мы все описываем с помощью эвристик, мы будем создавать системы, которые будут условно обучаться самостоятельно, то

13: Перебью. Ну вот если простым языком сказать, эвристика это признаки какие-то эвристика, это правило, эвристика это нами, нами из головы, нами из головы придуманное правило, по которому как бы объект, который отвечает вот этим правилам, есть

14: Машина, да. Ну, например, все, давайте переведём на сельское хозяйство. Мы говорим, если у коровы начало падать молоко, значит, она заболела. Вот это евристика, ну, типа, самая простая, которую может сказать, или там, не знаю, поднялась активность, значит, в охоте. Да, да, поднялась.

15: Активный, значит, охочет, не знаю, даёт больше 10, там тысяч молока. Хорошая генетика. Будем её дальше производить. А, дорогие, их не будем, да, размножать. Вот это как бы, пример простых эвристик. Угу. У них есть очень большая проблема с тем, что они

16: Базируется чаще всего на нашем субъективном опыте. То есть мы как-то сами, у нас есть какие-то представления о мире, и мы, используя их, пытаемся придумать эти правила. Ну, ну, как наши клиенты говорят по ощущениям там, да, да, этот препарат хороший, этот

17: Аппарат плохой, да, по ощущениям, это вообще самая такая страшная история. Ну, в общем, мы большинство там систем, вот, которые даже существуют до сих пор, они работают, на самом деле, на базе эвристик, но есть активно растущие

18: Тренд это вот, ну здесь опять же, надо ввести понятие с тем, что одно и то же это искусственный интеллект, нейросети, машинное обучение, вот это как бы такой все синонимичные понятия. Поэтому если я буду заменять 1 на другое, чтоб люди не боялись, что здесь

19: Есть какие-то какой то подвох так вот, парадигма машинного обучения она была про то, что давайте вместо того, чтобы придумать вот этих там сотню правил для каждой задачи, мы попробуем сделать следующее. Ну она шла из того, что это похоже на то, как

20: Мы взрослеем, растём. Мы же не можем, например, на, спросить, что такое огурец. Да, мы такие, да, хрен его вообще знает. Ну, знаю, что вот это огурец, потому что в детстве, да, да, что в детстве, потому что в детстве мы показывали условно овощи родителям, и нам говорили, это огуре.

21: Помидор, там, не знаю, этот перец, и вы поняли там, что вот, посмотрев на 50 примеров, где вам сказали, что это огурец, а это не огурец вас, ваш мозг не очень даже. Вы понимаете, как понял, что вот это огурец, а вот это нет. Ну и на самом деле, опять же, мы знаем, что при не

22: Остатки опыта. Наша эта нейронка может сбоить, если мы увидим овощ, который на самом деле является другим, но мы его раньше не встречали, но похож на огурец, мы скажем, ну, наверное, это огурец, потому что у нас не было в жизни таких примеров. Вот, собственно, Ровно точно также работае.

23: Работает машинное обучение, мы должны сделать 2 вещи. 1, это собрать данные. При этом, ну, мы про сбор данных отдельно, поподробнее поговорим. И 2, это создать саму архитектуру нейросети. Вот начнём с архитектуры нейросети, потому что там

24: Все сложнее, поэтому будем про это меньше разговаривать. В общем, нейросети создают очень дорогие и очень умные, да, since это, по сути, такие математики, которые научились писать код, они создают вот эти разные архитектуры и

25: И, в принципе, от них больше ничего сильно не требуется, да, но вся сложность и вся магия находится в истории про сбор данных, потому что собирать данные на самом деле очень сложно. Вот, возвращаясь, к примеру, который приводил

26: С огурцом мы можем собрать датасет, где будет куча овощей, которых мы, например, ну, допустим, мы хотим сделать систему, которая отличает овощи между собой, и мы взяли и пошли в огород и сфотографи.

27: Кучу овощей, как они там растут у себя на грядке и обучили нашу нейросеть. Так вот, если мы начнём в неё скармливать фотографии, которые были не в огороде, а условно на столе, когда овощи, к примеру, нарезаны, или, ну, не знаю, каким-то

28: В каком-то сильно в другом упакованный, упакованный, да, вы хороший пример, да, упакованный, то нейросеть не будет с этим работать, потому что она не видела таких примеров, она не понимает, как это работает, как это, как это будет вообще устроено. И для того, чтобы она работала хорошо, то можно

29: Представить, что есть такое как бы условное пространство. Ей в этом пространстве надо дать, ну, условно, все виды огурцов, которые существуют, упакованные, порезанные, висящие в огороде, не знаю, жёлтые, красные, синие, зелёные, то ей нужно дать как можно больше примеров в обучении, чтобы она

30: Могла, ну, это называется как бы обобщающая способность, что она могла обобщить эти знания. И на самом деле, даже если она встретит какой-то 5 вариант, не знаю, в космосе плавающего огурца. Если у меня перед этим было достаточно много версий разных огурцов, то она

31: Может все равно понять, что это нужный нам овощ, что это огурец. Да, давай другими словами. То есть я правильно понимаю то, что, чтобы нейросеть работала правильно, она обучилась, ей надо, но

32: Много там успешных примеров того или иного объекта, того или иного решения там вот как в chat gpt. То есть, как я понимаю, он работает так туда скормили очень, очень много диалогов. Вот, и он на основе этих диалогов давай выбираете ответы.

33: Не будем. Давай, давай не будем. Давай огурцами адванс левел, мы можем про него немножко в конце поговорить, ну, как бы, чтобы людей с этим познакомиться. Насколько я понимаю, как он работает, он выбирает. Не, не, не, это работает, нет, сильно по другому сильно.

34: Другому, да, но окей, давай тогда к огурцам, давай, давай вернёмся к огурцам, но я переведу его теперь как бы на наши. Вот, ну, на фермерский пример мы хотим, допустим, сделать, ну вот как бы возьмём 1 из наших реальных кейсов, мы хотим научить систему выявлять болезни.

35: У животных, чтобы она предсказывала, что корова заболеет. Так вот, чтобы собрать хорошие данные, у нас, ну вот, сходу есть 2 большие проблемы. 1, нам нужно получить одинаковый вид данных с большого количества разных ферм. То есть

36: Мы 1 ферму будем очень хорошо записывать и собирать из неё датасет и обучим на неё нейросеть, то она не будет работать на другой ферме, потому что как огурец на грядке, как огурец на грядке, да, потому что слишком мало вот этих вот, вот в этом пространстве версий, если

37: Возьмём, например, 100 ферм, то, скорее всего, это уже будет достаточной выборкой, чтобы система могла работать v 1000 условно других предприятий, потому что 100 ферм это диверсифицированные уже датасет угу. То есть наш огурец побывал везде в магазине, на столе в Упаков.

38: Там где-то, да, да, то да, окей. Есть ещё ещё 2 на самом деле проблема, которая, ну, в реальной жизни, она очень существенная это, а что, ну, есть в машинном обучении, это называется ground truth, то ест

39: Условно, что является абсолютной правдой. Вот, например, ветврач поставил какой-то корове, что у него мастит. Но на самом деле мы достоверно не знаем, был ли это мастит или был мастит, потому что, потому что он мог, он мог, он мог

40: Ввести какую-то фигню, это могла быть другая болезнь, он ввёл не той корове, там, ну как бы версии того, что могло пойти не так. То есть плохие данные, какие-то, которые, наоборот, запутывают. Да, да. Ну просто плохие данные. Они, во первых, могут быть связаны с ошибкой человека. Ошибка человека.

41: Диагностирование ошибка человека при вводе. Есть ещё на самом деле 2 штука, если мы говорим про данные, которые есть в dc, в том, что данные могут вводиться не единообразно, то есть мы не можем обучить нейросеть, определять болезни, если 1 писал, не знаю там.

42: Сокращением из 3 букв, другой пятью буквами, другой полным названием и добавлял сильный, например, там, не знаю, или что-то подобное, потому что это все как бы данные, которые невозможно очистить. Их надо тогда вручную все как-то там очень сложно перебирать, что, ну, на практике

43: На самом деле довольно сложно. Да, да. Вот. И вот эти вот вещи, они на самом деле создают очень, очень большой, ну, объём сложности. Здесь есть очень смешная история, просто, чтобы понимать, что это не не одни

44: Мы такие вот мы делали перед этим, там года, 2, 3 назад, нам надо было сделать систему, которая определяла, сколько на индейке осталось мяса. То есть вот с индейки мясо снимают при разделке даже, да, да, при разделке её снимают вручную, и, ну,

45: Потому что курица, она одинакового почти всегда размера, а индейка, она очень сильно отличается, и поэтому её разделывают вручную. И вот у неё в конце остаётся сколько-то мяса, и надо было, ну там это потери, там 2, 3, 4, 5% могут быть прям значимые. И надо было оценивать, насколько это хорошо или плохо.

46: И мы такие, окей, мы фигня вопрос, мы же умные дацаны, мы сейчас обучим систему, мы собрали кучу картинок, посадили 5 технологов размечать данные, мы им дали, они оценивали от 1 до 10 примеры и

47: У них просто появляется картинка, они от 1 до 10 ставят оценку. Хорошо, плохо было разделано, много мяса осталось, мало, мяса осталось, да, много мяса или мало. Да, да, все. Так вот, примерно в 20 процентах данных отличие было больше чем 5 баллов. Ну, то есть

48: Условно 1 поставил 7, другой поставил 2, ну или там, ну, то есть, если брать от среднего, то есть от максимального до минимального, да, разброс был просто как бы, ну, то есть это рандомизированная история, при том, что они как бы их посадили, им объяснили важность, им объяснили, что это нужно, как бы, как это

49: Работает. Ну и проблема, на самом деле, здесь оказывается в том, что для многих вещей существует очень сильный субъективный опыт. То есть это история про по ощущениям, да, да, это именно история про ощущениям. То есть, чтобы её решить, эту проблему, мы её нашли, посадили потом всех этих

50: Технологов в 1 комнату и говорим, договоритесь, а что на самом деле является хорошо или плохо? Вот обсудите критерии оценки, посмотрите, да, введите, введите чёткие критерии оценки и как бы после этого оно там, типа, ну, мы пришли к тому, что у нас там меньше, чем 1% остался таких

51: Данных, что уже как бы, окей. Ну вот надо понимать, что до того, как мы сделали вот эту операцию, там это прям, ну, собрать данные было просто невозможно. И это не, не пример, то, что там конкретно технологии на этом заводе были дураки, а это

52: На самом деле, работает почти для всего в мире. Если мы будем делать какой-нибудь body кондишн, скор оценку людей, да, это прям прям пример из животноводства. Ну да, да, я говорю, что вот, ну типа, 1 будет говорить, это вообще самая лучшая корова.

53: Вот её прям, это толстые телки, это толстые телки, да, где-то вот такая она и должна быть. Да, есть такая история очень частая. Вот. Ну и это хороший пример, как бы, понимания того, почему, собственно, собирать

54: Вообще сбор данных это очень важный этап, который существует. Вот, ну да, и, соответственно, то, что мы, почему на текущий момент мы все ещё не, не релизнули, какой-то супер умный ии, который

55: И там все проблемы за вас решает. Ну, начнём с того, что я уже говорил, что супер умного и который вместо вас ходит на работу. Ну, давайте, в принципе, не ожидать это мы, мы делаем в системе алгоритмы, как, как можно вообще их

56: Описать это алгоритмы, которые учитывают большое количество факторов и могут на основе этого предсказывать какие-то события. Ну то есть то, что людям тяжело даётся, например, как мы разговаривали. Вот история с болезнью, это хорошая история.

57: Потому что у нас есть много данных, у нас есть данные по молоку, у нас есть данные по активности, у нас есть данные там по тому, что происходит ещё в этой группе. Мы надеемся, что там в какой-то период времени у нас появятся данные по кормлению. И вот много, много, много вот там, типа как корова, не знаю там

58: Её всякие концепшн, рейд, прогнос рейты. В общем, вот эти все данные у нас есть и придумать правила, по которым мы считаем, что у коровы есть вероятность болезни или нету, очень сложно. Но если мы накопили большое количество исторических примеров, ну, можно сказать, что это

59: Достаточное количество это полторы 2000 случаев на разных предприятиях. Очень важно, что здесь не так важно число. То есть датасеты нельзя описывать количеством, их надо описывать уровнем разницы. То есть вот если мы

60: Собрали там полторы, 2000, не знаю, случаев болезни хотя бы там на 20, 30 предприятиях, а не на 1, то все это как бы достаточно, чтобы можно было на этом обучить систему. Плюс ещё должны быть данные достоверны, мы не должны сомневаться.

61: Не должны там не, ну мы, мы на самом деле ошибается, не ошибается ну мы на самом деле понимаем, что такого на практике ну то есть не бывает, мы не можем здесь делать дополнительную какую-то верификацию, но для этого есть отдельная механика

62: Как бы очистки данных. То есть мы что делаем? Вот мы берём как раз вот эти все

63: Ну, типа, всю информацию, которую мы получили, и мы как будто, ну вот, вот в этом пространстве, в котором я описывал, мы строим как эти истории распределены. Вот хорошие данные, они распределены достаточно кучно. И обычно у этой кучки есть ещё какое-то количество

64: Ну, типа, таких странных аутлаеров. Ну, это, скорее всего, как раз, где люди ошибаются. График распределения, доверительные интервалы там, ну да, да. Ну, просто это, это, знаешь, это графики распределения в 30 мерных пространствах, как бы, ну, я

65: Что? Ну да, в общем, это чуть чуть более сложная математика, чем распределение лактации там какие-нибудь. Ну да, вот, и в общем, да, да. И грязные данные, в общем, их можно аккурат.

66: Ну, со всем этим, ну, не быстро, но можно это сделать. В общем, да, и мы отдельно этим занимаемся. Скажи, будет ли, ну, искусственный интеллект, там алгоритм.

67: Совершенствоваться. То есть вот у нас есть первичные данные, там первые 1500 случаев попали туда, он сделал какие-то выводы, ну как я понимаю, выставил какие-то параметры, сказал, что вот при этих параметрах там это животное больное, то есть

68: Он потом отберёт животных ещё там следующие 1500 кейсов и уже на основании там уже, так сказать, первичной очистки он ещё сможет улучшиться или там без вмешательства человека это не произойдёт.

69: То есть самосовершенствуется ли алгоритм, либо вот он как настроился, то есть там мы задали параметры, вот он сказал, вот такие параметры хорошие, все мы по ним работаем. Как это будет развиваться твой вот вопрос, он на самом деле содержит в себя такой

70: 1 из ключевых заблуждений, которых у людей существует про искусственный интеллект. То есть люди думают, что нейросети, они как-то сами дообучаются. Вот мы с ними общаемся, там с чатом gpt chat gpt сразу понимает все, что мы там говорим, и это запихивает.

71: Себя и вообще становится умнее. Лучше вообще такой кибератлет. Вот на самом деле это немножко работает не так. Тут как бы надо разделить, что во первых, можно ли дообучать нейросети точно можно, но при этом процесс дообучения на самом дел

72: Очень не менее сложный, чем процесс начального обучения, что нам для него тоже самое, но на других данных, на не совсем уже на улучшенных или нет, не совсем. Нам для того, чтобы нейросети могли дообучаться. 1 критерий, который существует, должна

73: Будто появиться новая информация. То есть, например, что является новой информацией. Вот мы предсказали, что у коровы был мастит, мы сделали такой предикшн, и дальше у нас должна существовать подтверждение, был ли он на самом деле или не был. Вот если у нас есть этот предикшн, то

74: Мимо информации, которую нейросеть в себе уже и так знала. То есть она предсказала, что у коровы есть мастит. У неё есть вот этот цикл обратной связи, в который говорит о том, что на самом деле это было правда. Или на самом деле это была неправда. Вот когда существует вот эта вот обратная связь, условно,

75: От мира. Это то, что даёт возможность действительно дообучать алгоритмы. Для того, чтобы их дообучать, надо собрать, ну типа взять вот эти новые данные и очень аккуратно дообучить систему на них, потому что

76: Ну, мы когда, в общем, может происходить такое, что взяв больше данных, мы можем обучить нейросеть, и она может стать хуже, поэтому её нельзя просто так дообучат.

77: Её надо, ты всегда контролируешь метрики. У тебя есть какие-то, ну типа наборы данных, которые являются правдивыми, в которых ты смотришь. Ну то есть есть так называемый валидационный датасет это то, что нейросеть не видела в своём обучении, но ты проверяешь её реальное качество работы.

78: Вот. Ну, ну, в общем, это такая очень все сложная история. То есть это не простая, это, это, это, ну, да, давай, давай, давай, давай на примере валидационного датасета расскажу, потому что

79: Кажется, это интересная штука. То есть мы, чтобы обучить какой-то алгоритм, всегда собираем набор данных, который нейросеть не видит, и она себя на нём проверяет. И, допустим, существует сценарий, в котором мы собрали много новых данных, доучили нейросеть, она

80: Валидационных данных почему-то начала работать хуже и вроде бы кажется логичным выводом, что значит, ну, наш алгоритм стал хуже и нафиг нам такой алгоритм не нужен. Но может быть такое, что проблема была в том, что наши новые дан

81: Они стали более диверсифицированы, не знаю, мы запустили фермы на крайнем севере там или не знаю где, в каких-то других климатических зонах или где-то у них настолько сильно отличаются факторы, что мы научились их учитывать и с ними работать, но

82: Наши валидационные данные, они не включали в себя такие, такую информацию, и мы просто там её не хранится. То есть, algorithm вроде бы инженера стал лучше, но нам даже сложно это понять, а как бы лучше он стал или нет, потому что вот эту метрику, она её достаточно сложно.

83: Всегда построить. Вот, но как бы возвращаясь к твоему вопросу, становятся ли алгоритмы лучше, да, становятся и алгоритмы лучше просто по щелчку пальцев сами собой не становятся, да, то есть

84: Это всегда много, собственно, работы, вот этих вот прекрасных дацанов, которые эти истории все разгребают и приводят это к нормальному ввиду. Вот скажи, а другой кейс, другой пример, то есть, ну там животновод?

85: Ходит там мифов, споров, там, теории, допустим, о том, что надо животное сменять позже, иначе мы там потеряем молоко, или там надо запускать раньше или позже, чтоб там увеличить, уменьшить.

86: Надо. Можем ли мы при помощи нейронных сетей проверить вот это вот эти теории проверить. Работает это не работает. И дать какой-то однозначный ответ надо сдвигать, не надо сдвигать.

87: Будет ли у нас такой вообще такой? Да, это есть как бы тут просто надо немножко разделять такие 2 разные истории. То есть есть история вот машинного обучения, про которую я сейчас рассказывал.

88: Это на самом деле такое машинное обучение в продвинутом его, скажем так, виде, в том плане, что оно построено для решения собственно сложных многофакторных задач. Но помимо этого, машинное обучение ещё, ну, на своих ранних

89: Этапах, оно было придумано для того, чтобы бы приводить, ну условно, чтобы можно было проще описывать какие-то математические явления сложными функциями. Ну то есть представьте, что у нас есть, вот мы хотим предсказывать какой

90: Там, какой у тебя был пример. Ну, там стоит ли сменять позже, чтобы увеличить стоит. Да, да, да. 1 сдвинуть подальше от начала локации. Или там вот 50 дней прошло, и мы вперёд, мы, как бы, да, да, когда, когда не повлияет.

91: Когда сменять корова, да, все правильно. Ага. Вот в этом история, как бы это, по сути, очень близко к задаче матстатистики. То есть у нас есть много данных, и мы хотим просто статистически понять, что из этого, там, не знаю, является правильной гипотезой, что неправильной, какие

92: Построить там аппроксимации и подобные вещи. И вот нейросети, они, по сути, позволяют это эту историю сделать, не заходя в супер глубокий мат анализ, то есть не заходя в какие-то бесконечно там эти

93: Десятистепенные, десятистепенные, условно, да, функции, которые мы будем это аппроксимировать, а просто ты говоришь, ну вот я хочу привести к Такому формату уравнения, пожалуйста, вот возьми все вот эти данные и сама рассчитай все коэффициенты, которые существуют сама все сделай, как это должно быт.

94: Да, да. И для таких задач это очень круто работает, потому что это очень просто. То есть вот как раз вот эта задача, она решается очень хорошо. Если у тебя просто есть много данных, как бы к нему же, например, относится там-то, что мы, у нас есть в пайплайне задач, что мы хотим лучше считать вообще.

95: Тационную кривую и прогноз надоя, потом, что мы видим, что, что прогноз надоя там на 305 дней, это такая очень, ну, формула довольно, да, да. Такая, эвристический подход, скажем так, к этому.

96: Существует, да, это, ну, как бы, те вещи, которые хочется как раз, ну, сделать чуть более продуманно, чуть более каким-то умным способом. И для этого нейросети тоже подходят просто это разные её на

97: И вот, вот этот 2, он сильно проще, но для него тоже нужны данные. То есть надо понимать все ещё, чтобы это сделать, нужно иметь данные, на которых мы будем это там считать, смотреть. Окей, понятно. То есть нейросети.

98: Несколько основных направлений, это там предсказание, это анализ ситуации, который позволяет нам понять, как делать лучше, как делать хуже. Либо помогает предсказывать, ну там, когда животное заболеет и что там с ним произойдёт.

99: И ещё есть на самом деле 3, есть ещё 3 направление. Это называется поиск аномалий. То есть мы хотим, помимо вот того, что я рассказал, понимать, а когда что-то на предприятии идёт условно не так сильно отличающееся, либо там, не знаю,

100: От среднего других предприятий, да, да, типа стандартной картины. Это тоже очень важный инструмент, который даёт как раз машинное обучение, в нём нет какой-то целевой функции, но ты можешь условно давать сигналы о том, что, ну, не знаю, условно.

101: По какой-то причине у тебя success rate твоих протоколов ну success rate твоих протоколов лечения ниже чем у всех остальных это это это странно там не знаю на 10% у тебя ниже может у тебя там плохие препараты может врачи врут может быть?

102: Все, что происходит, это тоже на самом деле делают также нейронки. Просто это тоже как бы их немножко другой подтип, но он все ещё об этом. Лёш, ну смотри, мы вот сейчас посмотрели такие кейсы, то есть мы

103: Проверяем условно какую-то теорию, учим нейронную сеть находить то или иное отклонение, которое мы подозреваем. Условно, что болезнь. То есть мы подозреваем, что вот эти факторы говорят нам о болезни, что там осеменение, там мы

104: Проверяем теорию. Работает, не работает. А могут ли нейронки помочь нам найти что-то новое? То есть вот как в фильмах показывают, что они сами че то нашли, о чем мы не подозревали там, я не знаю, там, что обезроживание телят.

105: На 10 день нам позволит, не знаю, получить надои там на 100 килограмм больше за лактацию, там на 200 килограмм больше за лактацию. То есть мы не знали, она вот съела вот эту волшебную, страшную

106: Биг дату собирала, собирала, собирала, собирала и че то сама нашла какую-то последовательность, какую-то связь на текущий момент. Есть такая вещь. Мы сегодня или сегодня без человека, без какой-то теории, которую надо проверить. Это не работает. Я сейчас

107: Скажу. В общем, мы, мне кажется, сегодня у нас будет идеальный курс по всему машинному обучению. Мы затронем все его вещи. Вот сейчас мы будем, как если вам мы говорили сегодня про это называется ееще супервайз лернинг ан супервайз лернинг, обучение с учителем, обучение без учителя.

108: Обучение с учителем, когда есть данные обучение без учителя, когда нету данных, и мы ищем какие-то аутлаеры. И вот сейчас мы будем говорить про инфорсмент. Лернинг это называется, что такое инфорсмент? Лернинг это когда, ну вот, например, алгоритмы, которые играют в

109: Шахматы в го там или что-то подобное это алгоритмы вот этого инфорсмента иинфа, как мы будем его дальше называть. Вот реинфо базируется на том, что у нас есть какая-то среда и нейросеть может сама исследовать своё поведение в этой среде, то есть она

110: Какие-то, ну то есть как учится система играть в шахматы, она сама с собой, у неё есть правила, она сама с собой играет миллиарды партий. И после этого она приходит к состоянию, что типа самый крутой способ играть в шахматы там или в какие-то

111: Игры это вот такой. Применимо ли это только в играх? На самом деле нет. Вот я приведу пример там из нашей другой части в хардвере у нас есть манипулятор, который доит коров манипуля.

112: Это 4 привода, по сути, которыми нам надо управлять, говорить, что там ты передвинься в это положение, ты передвинься в это положение, но финально мы оптимизируем, что мы должны прийти к какой-то точке в пространство, что вот есть точка в пространстве. И, пожалуйста, соверши какие-то действия, чтобы сюд

113: Сосок, стакан встретились, да, досок, стакан встретились и там, в общем, убери манипулятор. Ну, в общем, в целом мы хотим решить вот эту задачу, и чтобы её, ну, классический алгоритм, её решают так что мы независимо каждым приводом управляем и придумываем сло,

114: Сложную мат модель, как это работает? Мы пошли по пути того, что мы делаем. Собственно реинфорс модель, которая управляет одновременно всеми приводами. Но чтобы её научить, она сначала условно просто берет манипулятор, и там несколько недель она его условно шатает.

115: В разных направлениях и смотрит, что я вот когда действую вот так прихожу сюда, когда действую вот так прихожу сюда и у неё есть вот это вот цикл обратной связи. Собственно, переходя к нашей истории, такие алгоритмы действительно можно создавать, но для этого должна

116: По сути, существовать механика типа проверки теории, например. Угу. Что тебе система говорит, ты говоришь, я хочу лечить корову вот этим протоколом. Она говорит, а давай попробуем лечить её вот этим. И ты не говоришь, типа пошла ты ***.

117: А, да, да. А ты такой, ну окей, интересная, интересная штука. Давай, давай попробуем. Вот. И если у неё есть вот этот вот, условно, возможность в свободном мире, как бы, совершать какие-то действия и получать.

118: Обратную связь. Сработало это или не сработало, то алгоритмы действительно могут давать пользу, но так что это будет работать, что она, не знаю, всегда будет совершать правильные действия или там как-то сама по себе научится в синтетическом мире. И потом вот

119: Начнёт работать. Такого, к сожалению, не бывает. То есть ей нужен способ взаимодействия с реальностью. Ну вот, возвращаясь на примере, напоминает анекдот про консультанта и корову извините, наша корова сдохла, у меня столько ещё идей, столько идей.

120: Примерно так работает, пока все не попробуем поймём. Не, ну да, ну вот опять же там на примере чат gpt, то есть как chat gpt обучалась, она по сути генерировала 4 версии диалогов. Вот ты ей пишешь сообщение, она тебе генерирует 4 ответа, и человек выбирал

121: Этот хороший, там вот этот хуже, вот этот хуже, вот этот самый ужасный и всегда вот так вот, типа их выстраивали рейтинг между ними. И за счёт этого у нейросети всегда была способность условно совершать ошибки, она делала много Шагов, но здесь

122: Просто плюс в том, что человек может быть источником критерия, что хорошо, что плохо в нашем сценарии, у нас нету такого, ну то есть нету сорс оф труф типа нету принимающего решения, то есть на

123: Там, да, да, мы не достигну, да, вот, поэтому, ну, это, в принципе, как теоретический концепт. Я говорю, может работать. Мы сейчас этой штукой точно не будем заниматься. Я думаю, что там ближайшие полгода, год 100%, но, может быть,

124: Мы когда-то к этому придём, но я говорю, вот в другой части компании у нас такая примерно механика есть, давай тогда поговорим, что будет в арке, чего ожидать, над чем работаете там, какие планы у нас по ii, как мы его применим.

125: Теорию мы прошли, теперь все все в data идут вот все да, что что у нас будет что будет реализовано в 1 очередь какие там цели, идеи, чего ожидать нашим клиентам ну у нас есть.

126: Давай начнём с прогнозирования. То есть у нас есть несколько функций, которые мы хотим предсказывать. Хорошо, это 1, что мы хотим научиться предсказывать на максимально возможную, скажем так, глубину количества молока, которое будет получать предприятие.

127: И отдельно каждая взятая корова. То есть, ну, это работает так, что мы на самом деле для каждой коровы предсказываем, а сколько она даст молока, суммируем все вместе и получаем, сколько его получит предприятие, то есть и отдельно по корове, и отдельно по компании, то, что мы знае.

128: Что сейчас это вообще, ну, как бы, можно, как это с вероятностью 50 на 50, там примерно с такой люди умеют предсказывать количество молока. 2 история, которая у нас есть, это увели

129: Увеличить глубину прогнозирования поголовья. То есть сейчас там это 9, 12 месяцев. Хочется сделать его дальше, что ты можешь и предсказывать поголовье, и предсказывать состав стада, и, в общем, вот эту вот всю историю, структуру стада, да.

130: Все понятно, да, всю структуру стада, да, потом у нас есть часть про, собственно, ветеринарию, болезни, что мы, ну, это вот комбинация вещей, что мы хотим предсказывать болезни, хотим рекомендовать, чем лечить, чем не лечить. Что там вообще с этим всем происходит.

131: Большой блок. Угу. Потом у нас есть история про оценку генетического потенциала. То есть мы хотим упростить. То есть мы хотим свести к 1 величине, ну, условно, что каждой корове ставится там, не знаю, абцде.

132: Информацию, что вот эту, она классная, пожалуйста, её осеменяйте. Вот это, это сохраняем, это, это сохраняем, это можем продать, да, то, что, ну, мы видим, что сейчас, условно, там люди как-то заходят в карточки, че то там смотрят 2 глаза.

133: Да, да, не браковать, в общем, да, да, все работает по ощущениям. Вот. Ну, хотя мы как бы, за историю жизни коровы хорошо понимаем в итоге, какая была хорошая, какая была плохая, че там с ней происходит эффективность, че от кого ждать? Угу. Да.

134: Вот молоко, поголовье, болезни, оценка. Пытаюсь понять, не забыл ли я что-то? Ну, это так, и ближайших. Да, да.

135: Это вроде из ближайших, да, это все, что у нас есть, что мы, че мы сейчас делаем сейчас? Я просто пытаюсь проверить, там, может быть, по воспроизводству выявление. То есть что корову бы надо проверить или надо осеменить тоже?

136: Ну, это, ну да, там есть, там есть часть про воспроизводство, но воспроизводстве просто пока нету точной, скажем так, целевой функции. То есть мы там просто пока с данными разбираемся, хотим посмотреть, что там лучше всего предсказывать. Опять же, если у вас есть идеи, если вы

137: Слушали мою лекцию про машин лернинг и поняли, что оптимизировать надо именно вот это вы, пожалуйста, напишите. Вы, пожалуйста, напишите в комментариях, мы искренне это все прочитаем, посмотрим то, что возможно мы здесь действительно что-то

138: Могли не заметить, но, опять же, мы видим сильный, ну, как бы вот такой буст по развитию машинного обучения будет, когда мы, во первых, у нас появится информация из датчиков активности, потому что

139: Это большой источник вообще информации про то, что происходит с животными. И 2, как у нас есть цель с тем, чтобы включить туда кормление, да, да, включить туда кормление, потому что корма это там, опять же, просто тонны информации, которой сейчас вообще нет в системе, и 50.

140: Процентов затрат на ферме, да, 50% затрат на ферме. Да, все верно. Ну и как бы будем постепенно. То есть вообще я хочу привести все машинное обучение к экономике. Просто. То есть я хочу привести к тому, что вот типа

141: Какая у тебя там себестоимость молока? Какая она, скорее всего, будет, сколько каждая корова там, какая у неё конверсия, корма в молоко. Ну то есть такой не только там технологический прогноз по поголовью, как будет двигаться, но и экономический там.

142: Тире финансовые, то есть, скорее всего, затраты на корма будут такие, молока будет столько там на лечение у тебя уйдут такие косты, такая вещь идёт супер. Это очень интересно, когда нашим клиентам ждать

143: Там первые результаты, они смогут потрогать руками этот ii в системе. Я думаю, что у нас первые результаты прям интегрированы в product, будут в апреле, в мае приблизительно. То есть, ну, ещё раз я повторюсь, что это очень сильно завязано на количеств.

144: Данных, которые мы получаем. Вот мы сейчас быстро подключаем новые фермы. У нас прям сильно растёт количество данных. Ну вот по нашим оценкам, там к концу апреля, в начале мая у нас будут какие-то первые, прям версии, первые интегри.

145: В продукт система по болезням именно. Угу. То, что про болезни больше всего информации, они регулярнее всего заносятся. Ну, потому что, опять же, там, на примере генетики, чтобы получить много данных про генетику, мы должны увидеть, как корова родила.

146: Тёлочку, да, тёлочка выросла, у неё там прошло 2, 2, 3 лактации. И вот мы такие, а, ооо, это была хорошая, как бы, хорошая, у, подгружать данные, там, не, ну да, которых ты больше не

147: Шучу, да. Ну, в общем, я про то, что, как бы, эти данные придётся, да, какое-то время копить. Но вот, в, я думаю, что конец апреля, начало мая, 1 история про болезни, она появится внутри, она, она появится уже в системе Лёш. Ну, спасибо, что провёл нам интересную

148: Pre. Теперь все в курсе, все в датасайнсе. Понятно чего и когда ждать нам в арке. Вот будем продолжать снимать видео по мере выхода новых функций в программе новых планов. Я думаю, следующее видео у нас будет такой.

149: Более расширенное про road matt куда движется арка, что вышло, что ещё в планах спасибо тебе большое, будем да, следить за новостями спасибо, что позвали все, спасибо за все, давай Удачного дн.

150: С вами был Вячеслав Колтаков и Алексей Хакунов, основатель компании Маслов эйай.