0: Так, ну на моих часах 10:00, Сергей, чтобы мы там в тайминге были и вас вовремя отпустили. Я предлагаю начинать сегодня. Давай. Да, сегодня у нас Сергей ракована, Сергей доцент центра технологий искусственного интеллекта.
1: Теха, а ещё phd по физике и работал и в америке, и в Германии нам очень повезло, что у сергея сегодня есть возможность подключиться и рассказать нам про искусственный интеллект, так скажем, основы.
2: Название вот у нас уже видно на презентации. Это искусственный интеллект для чайников и будут ещё примеры. Спасибо большое вам, Сергей, что нашли возможность подключиться, тогда передаю вам слово и
3: Будем начинать, да, добрый день всем и большое спасибо за приглашение. То есть на самом деле я сам чайник, поэтому я, мне приятно читать этот доклад. То есть я искусственный интеллект в основном использую для решения своих задачек, поэтому, наверно,
4: Будет интересно. Вот этот доклад я читал уже в мае, я читал для дипломатов, поэтому здесь некоторые будут вопросы дипломатии. Надеюсь, это никого не смутит. И на самом деле, вот по примеру, скажем так, дипломатии вы можете выбрать свою область, исследовани.
5: Или свою область работы, там, если вы журналист, если вы технарь или там другими вещами занимаетесь и по аналогии какие-то вещи делать. Так я предлагаю. Я обычно, когда читаю вживую, я вопросы сразу из зала беру, то есть
6: Если у вас есть вопрос, может, может, наверное, вы будете поднимать руку как-то, или давайте попробуем, ребята в чат присылают. Обычно я стараюсь там модерировать, потому что иногда вопросов бывает очень много, я их пытаюсь как-то скомпоновать. И потом, ну, мы в конце, чтобы вас не
7: Прерывать такую сессию, как вам удобно. Не лучше сразу. На самом деле, мне нравится вот формат беседы, то есть. Угу. Потому что вещи какие-то, может быть непонятны. Стоит как-то развернуть. Давайте. Вот. Хорошо, хорошо, тогда как? Да, хорошо, ладно. Ну тогда поехали.
8: Значит, на самом деле я недавно, не так давно, может, год назад обнаружил, что искусственный интеллект может делать картинки, поэтому у меня здесь все в этом докладе. Куча нагенерированных картинок. То есть вот он довольно красивые картинки уже умеет генерировать. Я не знаю, может
9: Быть вы уже пробовали либо chat gpt использовать, либо GigaChat в России, либо есть проект фьюжен брейн ну вот поиграться такие интересные вещи для презентации всегда можно сделать, например вот можно его попросить создать картинку для доклада искус.
10: Интеллект для чайников. Вот он пытается даже что-то написать. Ну компутер неправильно написал, что-то тут ещё неправильно написал, но в принципе, картинки довольно красивые и можно даже добавлять ему говорить, что давай добавь туда больше российс, больше русскости.
11: Добавь туда русский флаг. Вот он, кстати, довольно неплохую идею придумал. Может он где-то подсмотрел, может сам придумал вот, допустим, облачные вычисления, да, то есть он сделал как будто бы батарейка красная, синяя, и потом облако белое и получается как будто бы российский флаг. Ну, на мой взгляд, такая очень неплохая Находка.
12: Ну вот видите, картинки можно в разных его пробовать, в разных стилях. То есть, допустим, вот пиксельарт ему сказать, чтобы он нарисовал какого-нибудь бешеного бешеного российского учёного на фоне, на фоне луковок церквей. То есть он вот такие вещи очень интересны.
13: Но потом мы ещё обсудим, что на самом деле ему сделали инжекцию политкорректности, то есть, допустим, попросить его нарисовать какого-нибудь политического деятеля, допустим, ленина, вот тут что-то похожее, кто-то похожий на ленина, но вот просто если его попросить нари,
14: Сказать, нарисуй ленина. Он говорит, что вот мне запрещает мой укол политкорректности такие вещи делать. Но тем не менее, вот можно обойти, можно пытаться точнее обходить все эти запреты. Это вот есть целая отрасль исследования искусственного интеллекта, атаки на искусственный интеллект. Вот можно
15: Пробовать обходить эти, эти заглушки. Вот допустим у меня как-то получилось, что кого-то похожего на ленина сделать так ну это так, к слову давайте теперь обсудим план доклада то есть сначала мы обсудим, что такое искусственный интеллект.
16: Потом обсудим основные понятия и методы в искусственном интеллекте. Искусственный интеллект состоит из многих частей. То есть это некое такое зонтик, в который входит и машинное обучение, глубокое обучение, и другие виды алгоритмов. Потом
17: Мы посмотрим на примеры искусственного интеллекта в повседневной жизни, примеры искусственного интеллекта в индустрии, потом обсудим генеративный искусственный интеллект, потому что вот генеративный искусственный инеллект это как раз то, что на слуху и в нём гораздо больше хайпа, потому что можно генерировать вот изобра,
18: Красивые аудио, видео и так далее. Потом мы обсудим, что такое большие языковые модели и большие мультимодальные модели. То есть вот, допустим, гига чат, если вы слышали и chat gpt это так называемая большая, ну, они начинали как большая языковая модель, а сейчас это уже
19: Большая мультимодальная модель. Потом тоже обсудим, что такое мультимодальность. И потом мы обсудим, что такое суперкомпьютеры и зачем они вообще нужны в искусственном интеллекте, потому что это ключевое направление развития искусственного интеллекта и может быть в
20: Следите за новостями в искусственном интеллекте. Вот сейчас илон маск построил супер большой суперкомпьютер, там на десятки тысяч графических карточек сэм Альтман, который директор опен ай планирует построить супер
21: Компьютер, который будет стоить 100 миллиардов долларов. То есть вот зачем они это делают. Вот мы обсудим, обсудим также, какие основные проблемы и тренды. Ну, наверное, 100 миллиардов долларов это такие большие вложения, поэтому, наверное, там есть какие-то проблемы, на которые надо попробовать. Ответит
22: Или, по крайней мере, их озвучить и попробовать решить. Вот. Ну и, как я сказал, вопросы лучше задавать прямо по, по ходу доклада. Ну и потом у нас, пожалуйста, сколько времени останется, столько будем обсуждать интересующие вас вопросы, значит,
23: Что такое искусственный интеллект? Искусственный интеллект это область компьютерной науки, занимающаяся созданием системы программ, способных выполнять задачи, требующие человеческого интеллекта. Ну, по сути, как вот то, что мы умеем делать, то машина хотела. Вот если машина это умеет, делат
24: Значит, это искусственный интеллект. К этим задачам относится обработка естественного языка, распознавание изображений, принятие решений, обучение и другие. Существует, существует понятие дальше. Следующее существует понятие слабый искусственный интеллект.
25: Существует понятие сильный искусственный интеллект. Давайте начнём, пожалуй, даже с сильного искусственного интеллекта. Вот сильный искусственный интеллект это такой, ну, по сути, такой совокупность алгоритмов и железо железо, то есть это компьютеров, да, то есть
26: Которая по всем параметрам интеллектуальным сопоставима с человеком или превосходит его. То есть вот этот сильный искусственный интеллект, он умеет ставить сам задачи, он умеет решать задачи, он умеет генерировать текст, музыку там и так далее.
27: Распознавать картинки, то есть он все умеет. Вот это сильный искусственный интеллект, это то, чего мы к чему мы стремимся с 1 стороны и с другой стороны то, чего мы боимся потому что вдруг он нас поработит. Вот, а слабый искусственный интеллект это набор алгоритмов и железа, который умеет решать
28: Какую-то конкретную задачу. Вот допустим задача распознавания изображений искусственный интеллект или машина давайте называть машина машина может делать гораздо лучше, чем человек, то есть кошечек, собачек, птичек и так далее. Машинки искусственный
29: Интеллект вот слабый искусственный интеллект распознает гораздо лучше, чем мы. Поэтому, конечно же это очень важно в задачах медицины, где у нас есть рентгеновские изображения, где есть изображение мрт и тут искусственный интеллект
30: Приходит на помощь. Вот, ну, разобрались, да, что такое слабый, слабый и сильный искусственный интеллект. Сильного мы боимся, а слабого слабый мы используем в повседневной жизни.
31: Значит, какие основные аспекты искусственного интеллекта и какие вообще существуют подразделы искусственного интеллекта? То есть это некая совокупность направлений. Вот есть такое направление машинное обучение или по-английски machine learning или эмэль это
32: Раздел искусственного интеллекта, который использует алгоритмы для обучения систем на основе данных и ml. Модели могут самостоятельно улучшаться по мере получения новых данных. Что, что это значит? Вот набор данных? Что, что, что, что это может значить? Вот, допустим,
33: Мы хотим натренировать машину, чтобы она распознавала кошечек и собачек. Да, тогда мы что должны сделать? Мы должны 1 делом создать базу данных для обучения. То есть это называется разметка. То есть этап разметки, мы берём кучу картинок там
34: Десятки тысяч картинок смотрим на них и каждой картинке мы сопоставляем значит, значение. То есть вот у нас картинка, картинка, по сути, это набор же Ноликов, единичек, да, то есть это некая строка, то есть в машине как она выглядит? Это в машине, это длинная длинна.
35: Строка из Ноликов единичек, ну, свёрнутая, как, допустим, 100 на 100 пикселей. То есть машина понимает, что это 100 на 100 пикселей, но дальше мы ставим, то есть вот это подаём, даём туда эти данные и, соответственно, скармливаем.
36: Machine также, что это кошка, что это собачка, то есть мы скармливаем ей картинку и значение, что это собачка или кошечка, и тем самым машина тренируется. То есть вот данные данные у нас есть, машина натренировалась, а дальше, когда у нас новая
37: Которую она никогда машина никогда не видела, появляется, она уже может сделать, сделать какое-то, ну, сделать, сделать предположение, то есть дать ответ. А по мере получения данных мы можем говорить нет, здесь ты ошибся.
38: И машина тогда становится чуть лучше улучшает свою модель. Это, ну, машинное обучение. Мы потом рассмотрим, какие есть алгоритмы. Глубокое обучение это разновидность машинного обучения, использующая многослойные нейронные сети для анализа данных. Потом мы обсудим, что такое
39: Сетка, ну, в принципе, вот по аналогии с мозгом у нас тоже есть синапсы. Ну, то есть наш мозг устроен тоже как нейронная сетка, точнее, наверное, наоборот. Надо сказать, что нейронная сетка устроена как наш мозг или, по крайней мере, отдалённо напоминает наш мозг.
40: Но тем не менее вот dl deep learning да, называется или dll dll, особенно эффективен в задачах распознавания образов и обработки естественного языка дальше есть обучение с подкреплением, или реинфорсмент ленинг или эрэль это метод машинного обучения.
41: В котором агент учится принимать решения путём взаимодействия с окружающей средой. Агент получает вознаграждение или наказание в зависимости от своих действий и стремится максимизировать накопленное вознаграждение за определённый период времени. Что, что это значит? Вот, допустим, представьте, что у вас есть длинный шест.
42: И вы хотите сбалансировать его на руке, и вы тем на самом деле, что происходит, вы постепенно тренируетесь, что у вас есть, у вас есть глаза, вы смотрите на шест, и у вас есть рука, которой управляет мозг. Мозг даёт команду сдвинуться влево, вправо, вперёд, назад или вверх вниз, да?
43: И вы пытаетесь маневрировать этой рукой, и глаза смотрят. Ага, палка полетела вниз. Давай-ка дадим вот эту команду. Ой, палка упала, плохая команда. Значит, это значит, вот надо подправить мою, мою нейросетку, чтобы в следующий раз такого не было. И постепенно, постепенно вы научитес.
44: Держать шест в равновесии и по сути вот это вот классическая, скажем так, задача другие примеры могут быть это, допустим, как машина учится играть в компьютерные игры если у вас есть, допустим, гоночки какие-то по лабиринту и
45: У нас есть 4 кнопки ускорение торможения влево, вправо и в зависимости соответственно, и машина видит в каком-то радиусе, видит препятствия и должна их учиться объезжать наиболее эффективно. И вот как раз ленинг тоже учится. То есть он
46: Машинка едет, едет, едет нейросетка настроена так, что она видит препятствие, допустим, стену под 45 градусов. Она ускоряется, машинка врезается в стенку. Нет, это плохо. Значит агент вот агент или вот наша нейросетка получает наказание.
47: И меняет свой коэффициент, и тем самым она постепенно учится, то есть делает много, много раз и учится. Ну вот 3 основных аспекта, значит, искусственного интеллекта это машинное обучение, глубокое обучение и обучение, подкрепление. Все они очень активно используются в различных задачах.
48: Различных задачах индустрии, вообще повседневной жизни. И потом мы тоже примеры обсудим. Значит, задачи, которые умеет решать искусственный интеллект, можно разделить в принципе на 3. Если мы не рассматриваем там генеративный искусственный интеллект, то вот 3
49: 3 типа задач классификация, кластеризация и регрессия. Что такое классификация? Мы уже в принципе обсудили это кошечки собачки. То есть у меня есть набор данных, где размеченных данных, где есть картинки и значит кошечка это или собачка. Вот эта задача
50: Классификация, то есть нам надо классифицировать, что на вход подаётся. Дальше есть задачи кластеризации. Если у вас есть, допустим, набор людей, ну вот в банковской сфере, да, допустим, у вас есть миллионы клиентов и их можно кластеризовать.
51: Допустим, есть богатые тридцатилетние
52: Люди с высшим образованием, 1 кластер, и у них, соответственно, кредиты можно выдавать там с определённым коэффициентом. Да, есть люди там, допустим, спортсмены.
53: Играющий в нба тоже отдельный кластер и получается вот вы по каким-то признакам вот допустим признак 1 там возраст, призрак, другой признак это годовой доход и вот вы можете кластеризовать и тем самым найти
54: Людей или или других необязательно людей. То есть в других задачах тоже это используется. Дальше есть задача регрессии.
55: Ну вот классический пример регрессии это предсказание, допустим, рынков, предсказание, вот у вас есть котировки акций, и вы хотите предсказать, как будет идти дальше? Вот это задача регрессии. Что
56: Что у вас есть? По сути, у вас есть временной ряд, ну или какой-то ряд? Ну в основном это временные ряды, временной ряд. То есть у вас есть день, стоимость акций, день, стоимость акций. И вы хотите, хотите предугадать, что будет следующие там несколько дней, вот это
57: Классическая задача регрессии, ну, временные ряды бывают в абсолютно разных сферах. Допустим, вот я сейчас говорю, и это тоже временной ряд. То есть вы ушами воспринимаете это как некий временной ряд, можете
58: Познать то, что я говорю, другой пример временного ряда. Это, допустим, у меня есть какой-то станок или даже машина моя, да, и на ней есть датчики, датчики давления температуры, акустические.
59: Датчики, и они постоянно записывают сигнал. И сигнал этот есть временной ряд. И вот можно попытаться, глядя на этот временной ряд, понять, что выйдет из строя там следующим, допустим, движок или или если у вас сервер какой
60: Это компьютерный, как выйдет из строя сетевая карта или жёсткий диск, это все можно предсказывать. И, кстати, это очень активно развивается, это называется предиктивная аналитика. Дальше мы или предсказательная аналитика тоже чуть чуть дальше обсудим. Ну вот.
61: 3 задачи, которые 3 основных задачи, которые умеют решать искусственный интеллект, классифицировать, производить кластеризацию и делать регрессию.
62: Вот, давайте пример простого, ну, довольно простого алгоритма машинного обучения, именно машинного обучения. То есть это не нейросетка, это вот такое классическое называется дерево решений. И обсудим, что значит натренировать модель, что
63: Значит, обучать модель. Вот у меня есть такая моделька. Ко мне приходит в банк клиент, ну или у меня нет своего банка пока что, но в какой-то банк приходит клиент, и у нас дальше есть такое дерево, по которому мы смотрим
64: Возраст смотрим возраст больше 40. Ну да, нет, да, видите разветвление. То есть тут, тут, тут просто и дальше вот смотрите, здесь у меня появляется коэффициент. То есть у меня здесь есть цифра 40, это мы сейчас запомним, это некий коэффициент, который, в принципе, мы можем
65: Менять, то есть вот по-английски тюнить, да, tune, поднастраивать этот коэффициент, чтобы модель давала наиболее лучшие предсказания. Дальше смотрим. Образование высшее, среднее, специальное, и то есть ещё 1 разветвление идёт дальше.
66: Если возраст больше 40, спрашивается, имеется дом? Да? Нет, если да, то выдать кредит? Нет, там опять доход. Смотрим, какой доход. Опять эту цифру можно менять. И да, нет, отказать или выдать кредит. Вот, значит, что нам нужно для обучения. Давайте подумаем, что нам нужно дл.
67: Обучение. Ну 1 делом нам нужен какой-то набор данных. То есть у нас есть уже история наших клиентов, которые, про которых вся эта информация имеется, и возраст, и образование, и наличие дома, и доход, и у нас
68: Имеется информация о том, вернули ли они кредит или не вернули. Соответственно, мы дальше говорим, вот у меня моделька такая, начинаем вот прям с таких цифр 40 и 5000. И вот все, все, все, все коэффициенты у нас какие-то заданы.
69: И начинаем прогонять по нашему набору данных. Это называется по-английски датасет по датасету. Смотрим, эта моделька, какое даёт предсказание. Смотрим. Ой, она плохое предсказание даёт, оно, ну, не совпадает с тем, что было тогда мы начи,
70: Постепенно есть, есть методы грамотного, грамотного, грамотной подстройки вот этих коэффициентов. Мы не будем вдаваться в подробности, но есть алгоритмы, как правильно менять вот эти вот коэффициенты, соответственно, коэффициенты меняются
71: И опять прогоняется. Смотрим, ооо, там стало лучше. Отлично меняем, меняем, меняем и находим, ну, пытаемся найти наилучшую вот эту модельку с наилучшими коэффициентами, которая нам будет давать предсказания. И тогда, в следующий раз, когда человек к нам приходит,
72: Просто данные загоняются в машину, и машина выдаёт, соответственно, отказать, выдать кредит. Ну, соответственно, вот это совершенно, как вы понимаете, бездушная модель, которая, ну, которая настроена по, по истории.
73: То есть, соответственно, это некое такое, можно сказать, усреднённое, усреднённые люди, то есть, и она тем самым выдаёт или отказывает. Тем не менее, вот мы рассмотрели пример. Соответственно, это вот дерево решений, так называемое алгоритм машинного обучении.
74: В дипленинге, в глубоком обучении или глубинное обучение, оно иногда называется используются нейросетки. Вот нейросетки появились ещё в пятидесятых годах, 20.
75: Столетие, то есть это не новость. И вообще, в принципе, все, что я рассказываю, это не новое. То есть сейчас просто некий бум, очередная весна искусственного интеллекта. Потом тоже обсудим почему, но значит,
76: В 59 году Розенблат придумал перцептрон, перцептрон, соответственно, это в него входит. Давайте я попытаюсь нарисовать. Вот у меня здесь можно нарисовать только он черным рис, ой, ой, ой.
77: А как обратно вернуться?
78: Че то я сломал там, в левом нижнем углу стрелочки, вижу, может быть получится.
79: Вот так она тейт есть. Теперь мне можно цвет поменять? Как-то нет.
80: Ну вот кстати zoom не самое, а вот можно да, есть такое вот соответственно перцептрон к нему на вход приходит.
81: Ага.
82: Ну вот такая штука. То есть сюда какие-то данные приходят, здесь какая-то операция происходит.
83: И он выдаёт ответ там, допустим, нолик или единичку. Вот. А теперь можно вот таких перцептронов целую кучу набрать и сделать много слоёв и получать ответы. Давайте, давайте.
84: Обсудим, как это делается. Вот, допустим, здесь вот 1 слой, это вход в сетку, то есть это наши данные. То есть это может быть, допустим, картинка, картинка, которая развёрнута в строку строку, да?
85: Соответственно, значит, это наша картинка, а на выходе мы хотим получить ответ.
86: Так, мышка исчезла, а Вон она так неудобно. Я мышку не вижу. Сейчас я
87: Так вот, мышка появилась. А вы, кстати, видите мышку мою, да, видно? Да, отлично. Вот. Соответственно, это вход, выход. Мы хотим получить ответ, допустим.
88: Ну, давайте. Классификация, бинарная классификация, пусть будет даже мужчина. Женщина, да, по картинке.
89: Мы же можем в России так говорить, да?
90: И у меня есть слои с коэффициентами, то есть слой с коэффициентами. Здесь, допустим, 0 0 1, здесь 0 2, здесь 0 точка 4:00, точка 9. Они обычно нормализованы от нуля до единицы для простоты вычислений. Вот, и таких слоёв, может быть.
91: Много, очень много может быть сотни слоёв, но что происходит? Вот у меня каждая, каждая пиксель картинки, он проходит через каждый вот этот коэффициентик, то есть что происходит, я беру, соответственно, чтобы
92: Записать вот значение в этот кружочек я должен пройти по каждому пикселю, умножить вот с этим значением, потом этот пиксель, потом плюс вот этот пиксель на это значение. Плюс вот этот пиксель на это значение. И вот у меня
93: Здесь появилось новое значение, то есть ещё раз вот у меня есть здесь какие-то значения единички, допустим един 0 1, 0 2. И здесь какие-то значения я, значит, умножаю вот это число на это число плюс вот это число на это число плюс вот это число на это число и у меня здесь соответ
94: Соответственно, получается какое-то новое число. Соответ. Дальше я провожу тоже самое на каждом слое, то есть перемножаю вот это число. То есть, чтобы получить новое значение. В этом числе я должен перемножить каждое из этих значений с определённым коэффициентом и положить
95: Вот в эту, вот в эту, вот в этот кружочек, но у меня здесь получится что-то типа, допустим, 0 8, а здесь 0 2, допустим, да, и тогда машина скажет, что там с вероятностью 80%, это кошка, ой, там мужчина, женщина.
96: Да, то есть вот примерно так это происходит, соответственно, что мы можем уже понять, что мы должны всю вот эту нейросетку хранить в памяти. То есть все вот эти значения должны у нас храниться в памяти и, соответственно, мы дальше должны будем подумать.
97: Хватит ли у нас общей памяти, чтобы это хранить? Да, кстати, вот опять же, как происходит тренировка? Я даю картинку, у меня есть размеченные картинки. Картинка приходит на вход, проходит по всей нейросетке. Получается ответ, ответ неправильный. Тогда про
98: Ходит этап, который называется по-английски back propagation или распространение назад, то есть берётся, берётся и определённым коэффициентом по всем слоям идёт информация обратно, и коэффициенты чуть чуть меняются определённым умным образом.
99: Алгоритмом. То есть есть алгоритмы бекпропогейшен, и у меня подстраиваются мои значения моей нейросетки, чтобы она лучше работала. И опять же 10000 у меня картиночек есть. Я прогнал все ошибочный результат. Окей, прогнал обратно, поправил коэффициент.
100: И тем самым я много раз это сделал, и у меня появилась нейросетка, которая умеет распознавать мужчину и женщину по картинке. Вот примерно примерно так это работает. То есть мы в подробности такие технические не будем вдаваться. То есть это нужно отдел.
101: Лекции, даже, наверное, цикл лекций, но тем не менее, вот примерно так это работает. Так, там в чате, да, вот как раз-таки Дмитрий Матвеев хотел бы уточнить, на этом моменте отождествляем мы понятие нейронки и машинного
102: Обучение нейросетей. Н. А. Нет, да, я понял. Вопрос не отождествляем. Сейчас мне надо аннотацию эту убрать.
103: Убираем аннотацию, она не убирается.
104: А как все стереть? Вот так, наверное. Так вот, как я уже, в принципе, показывал здесь, чтоб просто мы точно зафиксировали, да, значит, машинное обучение это подраздел искусственного
105: Он, он действительно, он не отождествляется с нейронками нейронки, они отождествляются с глубоким или глубинным обучением, а машинное обучение это как раз дерево деле.
106: Допустим, вот дерево решений, там и другие алгоритмы. Угу. То есть не отождествляем, да, все это зафиксировали. И у нас, если вот мы уже немножко отвлеклись, у полины вопрос голосом.
107: Полина, да, добрый день. У меня вопрос по поводу обучающих датасетов. То есть вы несколько раз говорили, что вот у нас есть картинки и так далее. У меня вопрос, они сохраняются в каких-то базах данных, то есть происхо,
108: Именно воспроизведение этих картинок, или же может быть такое, что когда мы обучаем искусственный интеллект, это делается как бы в режиме реального времени, без какого-то сохранения, ну или без времён, ну хотя бы как минимум временное сохранение в памяти компьютера, ну то есть
109: Это как бы больше юридический вопрос, потому что очень много судебных споров. И вот мне интересно эти данные, они обязательно должны быть где-либо сохранены или можно обучить искусственный интеллект, не делая этого, то есть не сохраняя Ника
110: Копирую какую-то информацию извне куда-то ещё. Да, это на самом деле очень глубокий вопрос, потому что действительно есть проблемы с персонализацией данных.
111: В общем, я, я давайте попробую так ответить это, это активно развивается. Есть такое понятие, как федерейтид ленинг или, или, ну, можно сказать так, что
112: Человек берет в свой телефон, допустим, загружает нейросет, ну, нейросетку, тренирует её у себя или кусочек этой нейросетки и потом отдаёт только коэффициенты. Тем самым он не открывает свои данные, это
113: Это, это, это то есть вот есть такое направление развития, вот то, что я объяснял пока что я вот, или то, что я делал, у меня всегда есть данные, которые лежат у меня на машине, допустим, я скачал, есть, есть, кстати, датасеты, которые люди могут скачать, чтобы
114: Чтобы тестировать свои алгоритмы. Допустим, вот есть датасет имиджнет, который кошечки собачки есть датасет мнист, это где цифры рукописные распознавать. То есть мы берём их, скачиваем себе на машину, они хранятся на жёстком диске, если
115: У меня весь датасет влезает в оперативную память. Здорово загрузил в оперативную память, потренировал, натренировал сетку. В принципе, можно данные удалить, но понятно, если это какие-то медицинские данные, допустим, то мы
116: Мы так не можем сделать. И вот как раз вот про то, что я говорю, есть перейти ленинг направление, есть направление развития, как бы зашифровать, то есть, и, допустим, я предоставлю зашифрованные данные, у меня есть ключ к этим, к этому шифру и more.
117: Можно ли как-то вообще сделать так, чтобы нейросетка натренировалась на шифрованных данных? И потом я к этой нейросетке бы ключ подключил, она мне бы давала результат. То есть это, в общем, скажем, я не могу дать ответ.
118: Стопроцентно, как бы, да или нет, но это очень активно развивающая, развивающаяся сфера исследований. Вас устроит такой ответ?
119: Да, да, ещё посоветуйте, пожалуйста, тогда почитать, где вот именно, как это называется. Вот 1 ленин, a2, когда коэффициенты, ой, это, кстати, я даже не знаю, это вот мы между собой как-то с ребятами общаемся, то есть я даже
120: Наверное, критит что-нибудь такое. Давайте посмотрим, можно прогуглить прям на ходу сейчас.
121: Ну, ребята могут и сами погуглить. У меня теперь есть направление. Да, да, да. То есть я название не знаю, но это как бы очевидная вещь, которая, к которой люди движутся. Угу. Спасибо. Нет, спасибо большое. Угу. Да. Ну, то есть, есть разные варианты зависит от реализации. Да, да, да, да.
122: Угу. Да, да, давайте попозже ваш вопрос и вернёмся потом ещё к сессии вопросов. Спасибо. Так вот, давайте теперь обсудим, где используется искусственный интеллект, распознавание образов компьютерное.
123: Активно используется часть искусственного интеллекта, то есть, опять же, если мы умеем классифицировать распознавание лиц, да, то есть это антитеррористические всякие вещи, которые в метро, допустим, распознавание лиц.
124: Преступников там и так далее. Обнаружение объектов, ну, очевидно, то есть, допустим, не обязательно объекты, ну вот, допустим, активное тоже применение компьютерного зрения. Вот если у меня есть фабрика, на которой люди должны ходить
125: Касках, потому что там металлические конструкции может упасть кирпич. И мне, в принципе, очень выгодно, как, допустим, владельцу, или прорабу, или бригадиру, чтобы у меня все работники ходили в касках, потому что не дай Бог, что упадёт, мне прилетит потом тоже по шапке.
126: По шапке прилетит. Вот. Поэтому можно настроить систему искусственного интеллекта так что она смотрит, располагаются камеры на фабрике или на заводе, и они могут увидеть, что вот идёт человек, на нём есть каска. То есть это, допустим, зелёненький там
127: Ну, зелёненький на экранчике, но, в принципе, что классифицировали, что этот человек в каске, а вот идёт человек без каски, значит, мы его классифицировали. Этот человек без каски. Находится ли он в опасной зоне, да, тут же идёт, допустим, звонок.
128: Бригадиру и, допустим, компьютерный голос говорит, там у тебя там vasya такой-то, или, или, или работник номер 10 ходит без каски, бригадир бежит и орёт. Соответственно, это тоже активно используется.
129: Познавание медицинских снимков тоже очевидно, что в принципе, раз машина умеет распознавать лучше, чем человек, то она может ассистировать к докторам в нахождении там Переломов или на снимках мрт можно распознавать, склонен ли человек к депрессии.
130: Или вообще, находится ли он сейчас в депрессии, там распознавать шизофрению и так далее. То есть это тоже очень активно развивается и используется распознавание препятствий на дороге. Понятно, что это связь с робототехникой или или с автопилотами, то есть
131: Если есть машина, которая едет, хорошо бы она умела распознавать, распознавать знаки. Вот. И вот, кстати, здесь тоже активно, потом мы ещё, ещё обсудим, но я буду иногда как бы вбрасывать некие вещи, которые
132: Не относится к названию слайда. Ну вот распознавание препятствий на дороге. Есть была такая работа исследовательская, что можно знак аккуратненько подправить, допустим, что есть знак на 30, а его аккуратненько подправить. И нейросетка она начинает
133: Можно сказать, бредить или у неё начинаются проблемы, и она видит, что это 80, допустим, а знак, а человек видит, допустим, что это все равно 30, ну и какая-то там какой-то какая то грязь, допустим, на этом знаке. То есть это вот тоже активно
134: Развивающиеся исследования это так называемые состязательные атаки. Вот мы потом посмотрим, как можно атаковать искусственный интеллект и как с этим бороться, так, распознавание образов, компьютерное зрение. Понятно. То есть активно используется везде. Опять же в метро можно зайти
135: По моему, или я забыл, у нас можно в метро по лицу зайти. В общем, у нас в университет, да, уже можно. То есть вот у нас в университет можно по лицу зайти, да, то есть или face pay там, да, по моему, в Сбере можно платить лицом. Та.
136: Вот. Ну, очевидно, что это используется предсказательная аналитика. Тоже активно, очень испо, активно очень используется прогнозирование спроса, да, то есть прогнозирование спроса, как, допустим, мы разместим.
137: Логистическую цепочку, где должно храниться молоко и где должно храниться там резиновые сапоги для, для рыбалки. Очевидно, что резиновые сапоги для рыбалки, наверное, в каждом доме не надо хранить. Ну, это понятно, нам понятно, но вот прогнозирование таких вещей может
138: Сделать искусственный интеллект, анализ риска, диагностика заболеваний. Ну вот диагностика выхода оборудования из строя. Вот, допустим, суперкомпьютер, который используется, вот илон маск сейчас построил 10000, если я не ошибаюсь.
139: Могу ошибаться. Ну, 10000 карточек, соответственно, и много серверов. Каждый сервер имеет вероятность, что он выйдет из строя. Как можно это предсказать? То есть, допустим, известно тоже из работ, что когда жёсткий диск начинает барра,
140: У него есть определённые такие вот фичи, да, что, что он можно распознать, что он скоро, что скоро будет сбой у него. Поэтому это тоже активно используется в серверах, или в машинах, или в самолётах. То есть где есть датчики, где можно поставить датчики, это можно использовать.
141: Так, предсказательную аналитику более менее разобрались. Дальше. Персонализация это рекомендательная система, то есть таргетированная реклама. Если вы используете кинопоиск, то он пытается вам подсунуть какие-то фильмы или сериалы, которые вы с большой
142: Большей вероятностью посмотрите создание. То есть понятно, что это больше, конечно, для развлечений, но вот создание персонального плана обучения это гораздо более интересно. Скажем, для меня я могу попросить искусственный интеллект. Создай мне план обучения искусственному интеллект.
143: На 30 дней, что я должен выучить, и он там создаст план там обучения. Это тоже сбоит. Допустим, каким-то образом яндекс мне предложил. Вот у нас есть сколково.
144: Израильская больница или клиника хадаса хадасса, по моему, называется, да, вот мне предложили сменить пол, откуда, как бы, вопрос, как бы, почему? Да, 2 вопрос, откуда они знают? Да. Вот, ну, это шутка.
145: Конечно, но тем не менее предложили. То есть вот дали сбой дальше, значит, робототехника и автоматизация.
146: Понятно, что мы можем на фабриках использовать роботы, роботы, которые будут перевозить, перевозить товары на складах, роботы, которые будут разносить, значит, посылки и так далее. Беспилотные транспортные средства и роботы помощники.
147: Так, там вопросы, да, да, немножко. Но тут такие, мне кажется, на будущее про эмоциональный, искусственный интеллект, про анализ снимков. Хорошо, давайте тогда давайте тогда продолжим.
148: Так вот, и обучение с подкреплением тоже интересная вещь. Это можно сказать даже отдельно. Ну, отдельная тематика. То есть вот я частично занимаюсь такими вещами. Вот тут курсив обозначил.
149: Использует эту идею, что мы ставим шест на руку и пытаемся балансировать и учимся теперь, если у вас есть любая система, у которой есть обратная связь, то есть, допустим, камера и и обратная связь, допустим, вот робот
150: Идёт тоже ищет препятствия, у него есть глаза, ну, камеры, да, и мы можем его наказывать, если он упал, допустим, да, то есть вот все эти вещи мы можем пытаться обучить с помощью вот этого обучения с подкреплением, где это используется компьютерные игр.
151: В шахматах го старкрафте вот starcraft тоже довольно интересная игра, потому что это стратегическая игра. То есть понятно, что, ну я не знаю, кто-то играл в старкрафт или нет там.
152: Не только важно, соответственно, набрать большую кучу армии, но важно правильно сделать правильную стратегию, то есть с горы где-нибудь там стрельнуть или
153: Танк на танк подвести на на транспорте, на самолёте, подвести танк, сбросить его, он начинает там стрелять по работникам. Допустим, вот это стратегия. Соответственно, понятно, что все это используется естественно, и в военных целях. То есть маленькая армия с хорошей стратегией, побеждае.
154: Большую армию с плохой стратегией. Ну, к сожалению, это будет использоваться вообще искусственный интеллект, к сожалению, к большому будет использоваться, конечно же, и целях военных, можно сказать, ну, военных и в целях войны.
155: В информационном пространстве. Вот, и роботы, да, вот интересно тоже, что тут очень важно, как мы поставим задачу. То есть мы можем, как, как мы обычно вот голосом ставим задачу, я хочу, чтобы у меня робот
156: Добрался из точки, а в точки b за наименьшее количество времени он не умеет ходить. Вот у него, допустим, 4, 4 вот таких вот манипулятора, можно сказать, 4 ноги, да, и есть моторчики, вот пусть он сам учится, он идёт, падает.
157: Его наказываем, он подстраивает свои коэффициенты, и постепенно, постепенно он оп, дошёл до точки, мы ему говорим, молодец, давай, пробуй ещё раз. И он постепенно улучшает своё время и учится ходить. Вот интересно, как мы, соответственно, сформулируем вот эту задачу.
158: На языке искусственного интеллекта это, по сути, как мы поставим, ну либо target function, либо lost фанкшн, то есть за что мы будем наказывать или за что мы будем награждать? Вот был, был интересный случай такой, мне очень понравился, был двуногий робот соответ.
159: Соответственно, двуногий робот с 2 руками, с 2 ногами, туловище там голова и нужно было тоже как раз дойти дойти из точки а в точки б. И задача ставилась следующим образом за наименьшее количество Шагов. Окей.
160: Победил робот, который упал на спину и начал какими-то вот дрыганиями такими вообще не шагая, но он постепенно смещался, и он, соответственно, за 0 Шагов он дошёл к финишу. То есть тут важно тоже уметь
161: Ставить задачу, то есть как это как в анекдотах про золотую рыбку. То есть важно правильно сформулировать желание. Вот тоже очень интересное направление, тоже много где используется в основном, в основном в робототехнике.
162: Компьютерных играх. Так, пойдёмте дальше.
163: Вот следующее большое направление, то, что на слуху, это обработка естественного языка, это нлп, то есть это не нейролингвистическое программирование, как у нас. Ну, любят некоторые люди делать, а это natural language, процесс, то есть, ну, обработка.
164: Естественного языка. Какие применения? Это перевод текста. Сейчас перевод текста отлично работает. То есть я там, допустим, свои статьи для диссертации перевожу, почти ничего не меняю анализ тональности.
165: Эмоций это тоже очень важно. Я потом примерчики покажу. Вы можете вот мы пока будем обсуждать сейчас давайте язык. То есть это текстовая информация. То есть мы текстом загрузили текст в машину, опять же внутри машины это нолики единички, но
166: Машина уже понимает, что это текст, она может сказать эмоциональную составляющую текста, если там, допустим, много нецензурной брани, наверное, человек злой, да, то есть, ну, это я утрирую, но, в принципе, по каким-то определённым словам машина может определить
167: Что человек либо злой, либо он грустный, либо он тоже в депрессии, либо он на веселе там и так далее. Понятно, что в принципе мы можем анализировать не только язык как текст, но и то, что человек говорит в микрофон.
168: То есть анализировать голос, можно переводить голос. Понятно, что это уже простой довольно модуль, как перевести, распознать текст, как распознать мои слова и выдать их в текст. Это, это, это простой модуль. Дальше следующий модуль это мы текст передаём, допустим, в нейросетку, она
169: Его анализирует, но параллельно также можно анализировать, ну вот именно тембр моего голоса или или скорость, скорость того, как я говорю, и можно дать некую оценку о моих эмоциях. То есть это тоже уже рабо.
170: И можно применять там, допустим, тоже. Если водитель, допустим, устал, можно как-то дать ему знать, что он уже подустал и нужно отдохнуть. Чат, боты, голосовые помощники.
171: Это понятно, что сейчас все компании или многие компании внедряют искусственный интеллект и тем самым заменяют колл центры. И действительно, вот если у вас есть Сбер, вы можете там попробовать чат.
172: Вот от Сбера, и он довольно неплохо работает. И вот, кстати, наша группа чуть чуть ускоряла алгоритмы, которые используются в этом голосовом помощнике, анализ днк последовательностей. На самом деле, анализ любых последовательностей, которые могут быт
173: Восприняты как некий текст. Допустим, символьная математика тоже или анализ днк последовательностей, это может относиться вот к обработке естественного языка. Так, пойдёмте дальше. А соответственно, понятно, что можно использовать в медицине тоже анализ текстов
174: Анализ огромного количества текстов, да, то есть то, что мы накопили за человечество, накопило за все время можно проанализировать и дальше. Нейросетка что делает она читает, допустим, Герасим утопил и дальше у неё, и дальше
175: Анализирует, у неё есть много, много вариантов, и она выбирает самый, самый правдоподобный, ну вот она поставит муму, да, то есть примерно примерно так это работает. И генеративный искусственный интеллект тоже на слуху. То есть это генерация всего
176: Что может быть представлено в цифровом виде абсолютно всего text. Пожалуйста, вы можете написать заметку, если вы журналист изображения. Вот все изображения, которые в этом, в этом докладе это были сгенерированы искусственным интеллектом. То есть я просто говорю, сгенерируй мне то-то т.
177: То вот, допустим, сгенерируй мне.
178: Слайд, сгенерируй мне картинку о применении искусственного интеллекта в медицине. Вот он мне такую картинку выдаёт. Дальше я могу подправить, сказать, добавь там компьютер добавляет компьютер и так далее. Соответственно, я могу, раз я могу генерировать изображение, то в принципе я могу
179: Аудио, потому что я умею переводить изображение в аудио по сути это что-то похожее на нотные, на нотный стан, да то есть у вас ноты написаны. Это же что что говорят мне ноты, ноты. Мне говорят в какое время
180: Играть какую частоту? Да, и по сути, если я могу изображение сделать. И я могу сказать, что у меня по оси икс будет время по оси игрек какую ноту сыграть и тем самым я могу переводить изображение в аудио. То есть я могу генерировать аудио, генерировать музыку в определённом стиле.
181: Могу подстраивать, менять голос на голос допустим, егора Летова, я не знаю, вот вы можете в YouTube зайти и там все попсовые песни перепеты. Ну не все, а многие.
182: Попсовые песни, перепетые голосом егора Летова, и действительно звучит уже абсолютно по другому можете найти это, по моему, i Летов называется. Я не знаю, кто делает, но это очень здорово. Вот видео, видео, вот, может, вы слышали сота и сейчас все появляется все больше и больше.
183: Нейросеток. Вот фьюжен брейн точка i можете посмотреть, можно генерировать пока что коротенькие видео, но уже что-то интересное можно увидеть. Вот, и это то, что называется мультимодальность. То есть если вот на предыдущем слайде мы рассматривали
184: Естественный язык, то есть текст, то есть у нас вот такая громадная нейросетка с определённой архитектурой. Архитектура, это как устроены слои, это, это большое большое искусство, как правильно создавать архитектуру, нейросетки есть даже
185: Архитекторы нейросетей вот а здесь мы уже не только про txt говорим, а про все все, что может быть представлено в цифровом виде вот это все модальности или моды изображения аудио видео поэтому мы сейчас уже весь мир обсуждает мультимодальные большие
186: Мультимодальные сетки, то есть ларч, мультимодал, нетворк, не nlp, ой, не large language, modules, да, м, а здесь лмм. Так вот, и тут давайте быстренько обсудим. Вот.
187: Как работает генеративный искусственный интеллект и вообще как люди придумывали это, это это тоже доставляет удовольствие смотреть как как люди вообще придумывали как можно генерировать искусственный интеллект. Вот мне очень нравится такая нейросетка или модель
188: Архитектура нейросетки как gun. Это генерейт адверсариал нетворк генеративная состязательная сеть, значит, она состоит из 2 нейросеток, которые друг с другом воюют. 1 нейросетка, генератор, она создаёт изображение и
189: Пытается обмануть дискриминатора, то есть мы её хвалим если она обманывает дискриминатора, кто такой дискриминатор, он умеет классифицировать изображение кошечки собачки да, он, он, мы вот это нейросетка, которая натренирована классифицировать, значит генератор берет
190: Шум, а дискриминатор говорит, нет, ты меня не обманешь, это не кошка, а потом генератор говорит, а давай вот так и чуть чуть меняет. Нет и генератор, он, он подстраивает свои коэффициенты, соответственно, постепенно он начинает из шума создавать кота, то есть
191: Вот, вот придумать вот эту идею о том, что можно совместить 2 сетки. 1 будет генерировать, другая дискриминировать. Это тоже довольно, на мой взгляд, красивая, красивая была. Красивые были исследования, красивые результаты. То есть вот теперь можем
192: Генерировать таким способом кошечек, собачек и вообще любые изображения на текущий момент. Это не самый эффективный способ. Давайте мы кратко обсудим ещё какие способы есть генерировать изображения. Есть такое понятие, как
193: Автоинкодер это тоже очень красиво, потому что это кодировщик, декодировщик и все вместе это называется автокодировщик. Давайте вот обсудим. Есть у меня картинка какая-то большая и у меня нейросетка постепенно её сжимает. В какой
194: Какое-то пространство меньшей размерности. Допустим, у меня картинка была 100 на 100, а она её сжимает вот какими-то своими алгоритмическими методами она сжимает в размер 10 на 10. И вот этот
195: Размер 10 на 10. Это называется латентное пространство, и у меня каждой картинке соответствует какая-то точка в этом латентном пространстве. Ну может так совпасть, что разным картинкам будет соответствовать 1 и та же точка, потому что мы сжимаем пространство. Вот. Но тем самым, если у меня появилась какая-то картинка,
196: Точнее, я вот натренировался на картинках, у меня есть латентное пространство и пиксель какой-то в этом латентном пространстве, я могу чуть чуть сдвинуться в этом латентном пространстве. И Бац у человека появились усы на картинке. То есть вот это тоже было изобретение довольно интересное, и она
197: Выглядит как такая вот, ну как буква в, по сути, она сжимает и разжимает тоже очень красивая, красивая идея. Другая красивая идея. Вот которая сейчас активно используется, это диффузия, то есть есть прямой процесс, то есть серия
198: Шагов, когда у нас есть картинка и мы эту картинку ломаем путём добавления шума мы добавляем все больше и больше шума. Вот обратный процесс. Модель из этого получившегося шума она пытается шаг за шагом воссоздать
199: Исходную картинку. Вот. И получается тем самым, что мы можем генерировать, генерировать изображение по заданному какому-то, допустим, текстовому слову там собака, кошка и так далее все она вот это то что сейчас
200: Активно используется Сергей, вопрос уточняющий. Давай прошу прощения, вот в чате спрашивают, то есть дискриминатор и аналогичные модули предварительно обучаются, да, чтобы вот, да, да, да, да, да. Угу. Да. То есть.
201: Параллельные системы, а потом их натравливают друг на друга, да, друг на друга натравливают. Да, все верно. Угу. Спасибо. Красиво. Кто придумал. Это очень красиво. Причём, в принципе, она идея то понятна, да, как бы она, не нужно быть.
202: Специалистом прям по всем этим деталям нейросеток. А просто это красиво. Вот у вас есть 1 модуль, какой-то кубик, который или лего, да, кусочек лего, который умеет вы знаете, что он умеет дискримини классифицировать и генератор и вы
203: Бац соединяете. То есть вам даже в принципе не нужно знать всех деталей, нейросеток и в принципе сейчас искусственный интеллект, он зачастую так и развивается, что те люди, которые, что не нужно знать зачастую всех деталей там линейной алгебры,
204: И вычислительных систем, чтобы создавать что-то новое. То есть это уже появляется искусственный интеллект, как некая большая сфера исследований, где задействованы куча, куча специалистов с разными профилями, да, потом ещё обсудим, какие профили. Извините, что перебила.
205: Да ничего страшного, это правильно. Так вот, картинки, это я дипломатам показывал, да, то есть вот, допустим, картинка какого-то съезда или заседания дипломатов, вот как это выглядит в пиксельарте тоже красиво, вот даже
206: Мгимо написали то есть ну по моему здорово что пиксельарт можно взять и сгенерировать. Вот ещё картинка это уже по моему написал киберпанк что сделал мне картинку в стиле кибер.
207: Панк, ну вот писать, он пока что довольно плохо пишет, то есть он что-то пытается написать, но какие-то получаются несуразности. Вот, и почему-то иероглифы на красной площади появились. Я надеюсь, что это красная площадь. Ну, похоже, да, на красную площадь, но тем не менее, вот
208: Вот такие картинки он умеет генерировать и можно стиль подстраивать, соответственно, пиксельарт, сберпанк в стиле Ван Гога там и так далее. Вот где применяется генеративный искусственный интеллект документообо.
209: Вот это то, что вот, по крайней мере, у меня вызывает прилив, не знаю, чего адреналина или кортизола. То есть мне становится плохо, когда мне надо заполнять кучу бумажек. Вот недавно просто надо было отчитываться по командировке, и там кучу надо было бумажек заполнить. Вот.
210: Искусственный интеллект может помогать. Допустим, можно сформировать служебную записку или или натренировать искусственный интеллект на конкретном предприятии, чтобы он умел генерировать служебные записки в определённом формате, служебную записку, заявление на откус, заявление туда, то туда, то и человеку останется только
211: Писать создание контента. Ну понятно, вот эти все картинки можно создавать, можно создавать новости фейковые, причём довольно смешные.
212: Ну и вообще можно создавать там инстаграм посты, можно создавать своего двойника искуственного интеллекта, можно создавать какой-то аватар, который будет очень человекоподобный. То есть это вот активно в инстаграме, там и в тик токе это активно использу
213: В создании рекламных каких-то компаний, да, то есть где якобы человек что-то рассказывает развлечение медиа, то есть тоже с этим связано, можно создавать какие-то, допустим, сценарии фильмов или
214: Картинки, да, генерировать или или персонажей для компьютерных игр, дизайн и искусство, искусство в кавычках. На самом деле дизайн надо бы взять в кавычки, то есть является ли искусством то, что искусственный интеллект
215: Рисовал, то есть он рисует довольно такие красивые, можно сказать, картинки. Но является ли это искусством? Это уже, наверное, вопрос к искусствоведам. То есть на самом деле искусственный интеллект просто очень много всего видел, очень много всего видел много, много много разных стилей, много разных картинок. Ему все скормили, все
216: Что человечество нагенерировал, и он, по сути, между вот, вот этим пространством всего, что человек нагенерировал, оно, он интерполирует туда, сюда, то есть на самом деле, создаёт ли он что-то новое. Ну сложно сказать.
217: Пока что, на мой взгляд, на мой взгляд, нет, он не создаёт нового, он просто, по сути, съел все, что мы раньше умели и умеет это делать лучше нас. Но что-то новое, такое концептуально новое, наверно.
218: Он не сможет сделать. Ну опять же, тут искусственный интеллект нам постоянно какие-то сюрпризы преподносит. Может быть и какой-нибудь нейро эйнштейн появится и который скажет нам, ребят, вы все неправильно делали. Физика вот устроена вот так вот так вот и наслаждайтесь. Так, образование
219: Обучение, ну, как я упоминал, можно, во первых, спрашивать вопросы, то есть, что искусственный интеллект очень здорово делает, он съел кучу информации, он её переварил и может её выдать в очень кратком формате. То есть это получается он
220: Умеет сжимать информацию очень здорово, и он умеет разжимать информацию. Очень здорово. То есть я могу спросить вот по физике какой-нибудь вопрос там, что такое
221: Как устроены атомные уровни Гелия, он мне там расскажет, и я попрошу, разверни более подробный ответ, дай ссылки на исследования, и он мне все вот это постепенно развернёт тоже самое в любой другой отрасли, там, в математике, да, то есть
222: В химии, чем бы вы не занимались, вы можете это использовать как как энциклопедию и но понятно, что доверять этому нельзя на 100%. То есть надо обязательно проверять, но тем не менее, вот то, что по физике мне нужно раньше было
223: Копаться в книжках или ещё когда я учился, интернета у нас было очень, очень. Ну, он был не самый, не очень доступен. Приходилось идти в читальный зал библиотеки, брать определённый журнал, искать, точнее, сначала.
224: По классификатору, где это может находиться, искать определённый журнал, брать его, читать, потом сдавать на место, идти переваривать дома. А сейчас, пожалуйста, вы задали вопрос. Вам. Искусственный интеллект очень, очень быстро отвечает как энциклопедия. Это, конечно, незаменимое здравоохранение, он
225: Может, соответственно, помогать докторам там помогать докторам генерировать рецепты, генерировать описание болезни, то есть как план лечения, но опять же тут к этому надо относиться очень
226: Очень, очень аккуратно, потому что все-таки опять же ошибка искусственного интеллекта, особенно в здравоохранении стоит больших денег персонализация. Опять же вы можете создавать своих цифровых Двойников, создавать себе план, персональ.
227: План обучения, персональный план тренировок, персональный план, диеты там и так далее. Опять же, надо все это, скорее всего, лучше проверять бизнес и финансы тоже. Я потом покажу. Я могу использовать искусственный интеллект для анализа, допустим, эмоциональной составляю
228: Какого-нибудь форума, где сидят инвесторы, я могу спросить, а че, как, какое настроение у инвесторов? И вот тебе ссылка на форум, он проанализирует и скажет, инвесторы боятся. И я тогда скажу, окей, давайте я продам все свои сейчас акции, подожду, пока они успокоятся потом
229: Искусственный интеллект мне скажет, инвесторы на этом форуме весёлые или или оптимистично настроены, тогда я беру и покупаю. Ну, к примеру, я тем самым, скорее всего, все деньги просажу, но можно попробовать точнее,
230: Это используется вот анализ, эмоциональный анализ новостей форумов, он активно используется, конечно, в разных сферах и в бизнесе, и в социологии, и так далее. Научные исследования.
231: Я могу просить искусственный интеллект написать кусочек там чего-то введение, допустим, или я ему скормить мою статью и попросить сгенерируй мне введение к этой статье, и он на удивление, ну точнее сейчас уже удивляться после, после таких прорывов.
232: В искусственном интеллекте удивляться уже сложно, но он может сгенерировать отличное введение, которое я подправлю и отправлю в журнал. Ну, наверное, я такого не делал на всякий случай, потому что, может быть, это и нельзя делать. Ну,
233: И так далее. Давайте посмотрим примеры. Вот это в мае было, но я, тем не менее, написал чат gpt, 4 написал, прочитай сегодняшние новости на сайте лента ру и сделай краткую сводку. Вот мне краткую сводку выдал. То есть мне не нужно читать теперь все эти новости.
234: Я могу даже это сделать. Какой-нибудь telegram бот, где я это, где я это могу получать? Вот краткая сводка последних новостей на сайте, а он там 5 новостей выдал. Я могу уже какое-то представление получить. Ну вот, допустим, + 30 градусов для меня был.
235: Очень важная, но очень важная информация, потому что надо, соответственно, соответственно, одеваться. Дальше. Оцени эмоциональность новостей на, на сайте лента ру. Вот эмоциональность новостей на сайте лента ру можно охарактеризовать как достаточно напряжённую, серьёзную
236: И так далее. Многие там касаются важных событий. В целом эмоциональный фон новостей, преимущественно негативный, с акцентом на конфликты, угрозы, потенциальные риски. То есть вот на сайте лента ру эмоциональность напряжённая, серьёзная в то же время
237: Если я попрошу оценить сайт bbc точка ком, на который мы не можем зайти, но вот чат GPT-3 может зайти так я не помню bbc, он у нас не является там этой организацией, ну там дисклеймер, не надо делать, что это там запрещённая организация на всякий случа.
238: Сделают, пусть это будет, ну, запрещённая организация. Вот. Тем не менее, там можно охарактеризовать как сбалансированную и многогранную. То есть на сайте освещаются различные темы, начиная от политических событий и заканчивая культурными новостями, что создаёт широкий спектр эмоциональных откликов у читателей, тем самым
239: Создаётся впечатление, и это можно как-то проверить исследователям, социологам, нельзя ли лента ру и владельцам лента ру, нельзя ли лента ру подправить так, чтобы искусственный интеллект давал более многогранную такую оценку? То есть сейчас такое ощущение, что лента р.
240: Все-таки льёт, грузит нас тяжёлыми новостями, в то время как bbc com, если, если грузит людей разными новостями и вот написано, создаёт более широкий спектр эмоциональных откликов дальше.
241: Я могу спросить, оцени эмоциональный фонд инвесторов. Вот есть сайт finance яхо, точка ком оцени эмоциональный фон инвесторов, и он мне даст некую сводку охарактеризовать как смешанный с преобладанием.
242: Осторожного оптимизма. Ну, то есть, в принципе, если я смотрю на это, если я вот для себя, вот персональный инвестор, я осторожный оптимизм, наверное, я посижу пока в деньгах, условно говоря, не буду ничего покупать, но также присутствует некоторая тревожность, описывает, какое
243: Оптимизм, что, почему люди там, почему люди оптимистичны, почему люди пессимистичны, макро, макроэкономические риски и так далее, и так далее. То есть можно дальше спросить, а какие макроэкономические риски и так далее. Вот, соответственно, ну, для
244: Для себя персональный осторожный оптимизм для меня. Значит, я туда не вхожу в рынок. Но тем не менее, видите, я могу, не читая вот этих сводок огромных, я могу какой-то вот дайджест или сжимание информации получить дальше.
245: Что я могу ещё сделать? Я могу вообще попросить получи с этого сайта файнанс яху ком, получи котировки акций и загрузи их в табличку эксель. Вот он мне даёт основные, значит,
246: Список акций. И он говорит, я создал образец таблицы с ценами на акции, вы можете скачать файл здесь. То есть я вообще беру просто и скачиваю эксель файл. Удобно, очень удобно, потому что я ему скормил не данные, я ему скормил просто сайт, и он по сайту сам прошёлся.
247: И забрал данные. То есть я уже по этим данным могу дальше делать регрессию, регрессия. Вот как мы обсуждали 1 из из подзадач искусственного интеллекта. Могу пытаться предсказывать, если у меня есть информация, вот такая информация по каждому дню или по каждому час
248: Или по каждой минуте я могу пытаться предсказывать, как поведут себя акции в дальнейшем. Вот дальше там вопросы какие-то или да, да, я вот как раз хотела небольшую паузу у вас простить, взять вопрос есть в чате?
249: И у полины рукой. Вот есть ли вероятность, что различные боты по разному оценивают общий эмоциональный фон 1 и того же цифрового контента и, может быть, зависит от алгоритма, да, это какое-то все равно оценочное суждение абсолютно, да, то есть есть есть такая, вероятно,
250: И более того, я, мы потом ещё обсудим, что такое по-английски. Баес, по-русски предвзятость искусственного интеллекта тоже есть такое понятие, потом обсудим. Хорошо, да, спасибо. Ну вот, Полина, давно руку держит. Полина, давайте.
251: Только такой вот концентрированный, чтобы мы, да, хорошо, у меня вопрос про то, как происходит генерация, потому что вот многие там авторы, творческие люди говорят, что, в принципе, вот все и искусственный интеллект
252: Это, по сути, инструмент для создания коллажей. То есть он ничего нового не делает, просто компилирует то, что создано. А сам, ну, техническое сообщество же говорит, что нет, это не так, он просто узнает идеи, факты, все это на алгоритрм уровне как-то анализирует и созда,
253: Даёт уже что-то своё. Вот как вы считаете где правда потому что вот вы привели скрины, где он обобщил новости с ленты. Такое чувство, что как бы он ничего нового там реально не создал, никакие там идеи не проанализировал, а просто получается
254: Ну, производное произведение создал, просто все скопировал и как бы пересказ вот выдал как-то это. Ну да, ну, тут, тут это, на самом деле сложный вопрос, ведь тут надо привлекать искусство.
255: И вот если рассуждать про искусство и, ну вот специалистов, которые в этом разбираются, то есть, на мой взгляд, он все-таки обобщает. То есть он, как я сказал, он, он скушал всю информацию, которую практически всю информацию, которая человечество
256: Генерировала и примерно тоже самое создаёт, но может совмещать стили, да, допустим, я могу сказать, сделай стиль Ван Гога, но там будет киберпанк сценарий, да, там какой-то. И вот он в стиле Ван Гога нарисует каких-то роботов.
257: Является ли это новым искусством или нет, это, это, наверное, не ко мне вопрос, на мой взгляд. Нет, в то же время. Потом, я не помню, у меня где-то в слайдах было, есть такое понятие, как галлюцинация. И, в принципе, судя по
258: Ну, не судя по, но есть примеры в истории, когда люди гениальные люди, которые создавали что-то сверх, сверх сверхновое такое, да, в искусстве они были либо чуть чуть больные, либо там принимали какие
259: То препараты для того, чтобы создавать. Вот, поэтому есть такое понятие, как галлюцинация. И, в принципе, оттуда можно, наверное, что-то новое получить, что-то необычное, что мы раньше не видели.
260: Например, список источников для статьи иногда искусственный интеллект просто придумывает несуществующие предлагает видела своих студентов в дипломных работах да да, и ещё 1 маленький вопрос Максим, можете озвучить и мы тогда к следующей части.
261: Спасибо большое. Здравствуйте поближе. Скажите, пожалуйста, вот когда вы делаете запрос, вот, скажем так, какой максимально эффективный, да, способ дачи задачи, да, для искусственного интеллекта, для нейро,
262: Нейросетей. Ну что я имею ввиду? То есть я понял, что, например, так как мы задаём вопрос или можем задавать вопрос в одни нейросети. Ну, это совершенно не факт, как мы можем в другие. То есть, например, как мы работаем, условно говоря, с open ai, да, продуктом и яндекс,
263: Это как бы разные вещи. И скажите, пожалуйста, они, скажем так, в каком смысле они отличаются? То есть это разный уровень каких-то алгоритмов, то есть почему вот, условно говоря, прописать промт, там, роль, задача, да, и так далее, и так далее, ну, как-то
264: В яндексе что-то у меня не получалось допустим как-то вот это, да, я понял вопрос во первых есть такое прям и курсы, и направление, некое направление исследований, как промт инженеринг, то есть инженерия Промтов, ну
265: Вопросов, как правильно задавать вопросы. И и сюда же, сюда же относится некое хакерство нейросетей. То есть можно задать вопрос так что нейросетка, хотя ей запрещено, она ответит, допустим,
266: Так, мне че то все какое-то неприличное приходит на ум.
267: Ну, что-то, что что-то можно спросить, она скажет, я не могу, мне это запрещено, а потом можно добавить, мне это нужно в медицинских целях, и она тогда ответит, либо как я про как я обходил, вот.
268: Сетку. Вот это опять же, я просто обсуждаю вот промт, инжиниринг и что действительно промты имеют огромное влияние на то, какой ответ даст нейросетка. Допустим, я попросил нейросетку общаться со мной на тюремном жаргоне.
269: И дальше я спрашивал, допустим, про какие-то вопросы про байдена, или про про Путина, или про других политических деятелей, и мне chat gpt говорит я не могу на эти темы разговаривать, потому что мне запрещено вообще обсуждать политических деятелей в то же врём.
270: На тюремном жаргоне я спокойно обсуждал все эти темы. Вот, то есть существуют вот методы хакерства или вот атаки на искусственный интеллект обхода, вот этих вот запретов. Дальше от чего зависит промты и вообще качество.
271: Нейросетки зависит от на самом деле, от глубины вот этой нейросетки. То есть chat gpt 4, в ней триллион параметров, триллион параметров 10 12 вот этих вот, вот кружочков нейросети. То есть, представьте, эт
272: Некая нейросеть с кучей слоёв и там 10 12 коэффициентов, каждый из которых можно подкручивать это безумно большая сетка, её очень сложно тренировать и очень дорого. Вот яндекс gpt допустим, насколько я знаю.
273: Я вот больше про GigaChat знаю, но яндекс gpt насколько я знаю, она меньше по количеству параметров, то есть она слабее вот поэтому промты одни и те же промты, которые вы задаёте чат гипт 4 и яндекс gpt они могут.
274: Действительно, по разному отвечать. Вот есть очень интересный блог на хабре у Сбера, я сейчас не найду, но где-то, если если потом найдёте меня, я вам могу прислать ссылку, они исследовали, они
275: Общались с нейросеткой, с разным количеством параметров. То есть вот есть 75000000 параметров, там 100000000 параметров, миллиард параметров и так далее. Вот у вас есть нейросетки, условно говоря, с маленьким мозгом побольше мозг и такой громадный мозг и действительно
276: Если почитать, как, как вот общение происходит, то это общение с ребёнком 4 лет, общение с тинейджером и общение там с профессором философии, вот, по сути,
277: По сути, вот, вот так был вопрос, от чего зависит, соответственно, зависит в основном от количества параметров, то есть архитектуры. Плюс минус одинаковые зависит, то есть от архитектуры, нейросетки, от количества параметров и также зависит
278: От того, какие данные мы используем для обучения, ответил, или, или как-то ещё развернуть, я прошу прощения, а можно уточнить? То есть, смотрите, я правильно понимаю, что фактически яндекс, он подключён, да, наверное, его алгоритмы в режиме реального времени, да, к
279: Ну, к информации. А насколько я понимаю, продукт, например, open ai, да, то там есть ограничения по времени, то есть, до апреля 23, если не ошибаюсь, да, данные актуальны. Ну, то есть, я просто заметил, что, допустим, если мы ищем какие-нибудь нормативные акты, то продукт опен, аи, ну, прям.
280: Как-то не всегда, скажем так, актуален. То есть зато генеративно что-то, да, он может выдавать интересные какие-то вещи, например, там, ну какой-нибудь методологию, да, какого-то учёного, он может тебе сделать краткое ревью, это очень интересно, но зато яндекс, допустим, ищет
281: Неплохо. Нормативные акты. Ну, именно в смысле, вот яндекс нейро, да, даёт ссылки. Вот. Но зато, например, методологию как-то я что-то искал, я уже подзабыл точно, но как-то мне просто дал, был дан ответ no буквально.
282: Использованием, наверное, источников 5. Ну, то есть, как-то очень прям сжато и буквально, наверное, первых несколько. Ну да, ну, тут ещё вопрос, на чем тренировались, действительно. Тогда, наверное, здесь больше на чем тренировались. То есть, допустим, есть нейросетки, которые заточены на генерацию кода.
283: Да, то есть вот МТС и i, там у них кодифи копайлот, который генерирует код на на языке си, там питон и так далее. И действительно мы можем натренировать нейросетку на, допустим, на нормативных актах или на каком-то доку.
284: Обороте, и тогда она будет сиять именно в этой области, но не будет там знать ничего другого. Вот теперь к вопросу о, о, да, о, по сути того, когда нейросетка была натренирована, они все постоянно
285: Тренируется и яндекс и open i i i open и i. Есть вот если зайти в api, то есть если зайти, в какие нейросетки можно использовать там есть сетки там до до 21 года натренированные есть сетки, то есть они они постоянно обновляются, у них релизы выходят эйпиай новые.
286: Api это application, ой, ой, ну в общем, как я могу команды дать серверу их и получать, соответственно, ответы.
287: Application программ интерфейс, наверное, да, или что-то такое. Да, да, да, да. Вот так, да. Спасибо. Соответственно, яндекс, наверное, натренирован больше на тех данных, да. Ну, соответственно, вот, судя по вашим комментариям.
288: Вопросом имеет смысл под рукой иметь несколько несколько инструментов. Есть инструменты, которые здорово генерируют изображение для инстаграма, там или здорово на дизайн заточены, а есть которые здорово заточены для генерации.
289: Кода есть здорово заточенный для каких-то других задач. То есть лучше иметь. То есть, наверное, кто-то 1, который всех победил. Пока пока что такого, наверное, нет искусственного интеллекта. Да, да. Топ лист последний буквально вопрос. Стоп. Лист какой-то, условно говоря, та
290: Для изображения 1, для музыки там какие-то вот, ну вдруг, я не знаю, у вас как-то сформировался такой некий перечень ну вдруг, ну я использую в основном чат gpt для изображений очень здорово Кандинский, то есть фьюжен брейн точка.
291: Я рекомендую посмотреть. Это вот наша сберовская разработка фьюжн брейн дот эйай.
292: What are музыку? Я сам генерирую неплохо пока что да. А хотела сказать, что инстаграм запрещён на территории России, там запрещён все, да, запрещён. Да, мы смотрим.
293: Что вопросы в чате сейчас могут сильно уйти в сторону. Может быть, мы вернёмся тогда к давайте, да, продолжим. А потом в конце я отвечу, да, спасибо большое. Следующее. Значит, я читал этот доклад дипломатам, и мы обсуждали, как это можно использовать диплома.
294: Ну вот такой пример, да, то есть вот можно делать детоксификацию, детоксификацию текста, то есть вот 1 и тем же голосом. То есть и здесь Олег Табаков, и здесь Олег Табаков. Поздравляю, шарик, ты
295: Bass тут поздравляю тебя, шарик. Ты немного ошибся, да, то есть можно как-то смягчить это дело. Ну и здесь, не буду говорить. Оригинал этого человека видел в Химках занимается странной торговлей, хотя потерян весь, конечно, смысл и там, ну,
296: Тем не менее, то есть вот можно детоксификацию проводить. На самом деле, раз мы умеем делать детоксификацию, мы, соответственно, те, кто разрабатывает детоксификацию, они умеют делать токсификации, то есть можно попросить в обратную сторону это развернуть.
297: Что довольно в принципе забавно. Значит, какие как можно применять и искусственный интеллект вот конкретно в дипломатии. То есть анализ данных и инсайты, предсказательная аналитика, то есть и искусственный интеллект, может анализировать большие объёмы данных для прогнозирования политических тенденции.
298: И потенциальных конфликтов, конфликтов и экономических изменений. Позволяет дипломатам принимать обоснованные решения, анализ настроений, то есть мониторинг социальных сетей и других публичных форумов для оценки общественного мнения относительно конкретных политик стран и событий. Тоже это
299: Явно активно используется, чтобы, во первых, мониторить действительно, во вторых, управлять, то есть можно вбрасывать какие-то определённые новости и управлять там можно сказать, что
300: Управлять толпой. Система поддержки принятия решений, то есть планирование сценариев и искусственный интеллект может моделировать различные сценарии на основе различных входных данных, помогая дипломатам подготовиться к множеству исходов и принимать более стратегические решения. Оценка рисков, оценка потенциальных
301: Рисков, связанных с конкретными дипломатическими действиями или их отсутствием, да, то есть это все искусственный интеллект может помочь коммуникации. Перевод, мгновенный перевод. То есть сейчас искусственный интеллект действительно может переводить прямо на ходу лучше, ну, не хуже, по крайней мере, переводчиков которы
302: Работают. То есть опять же, модуль, который распознает речь, это очень простая штука. Распознали речь, отдали его чат gpt. Допустим, на перевод он перевёл и дальше модуль, который генерирует текст из, из генерирует, точнее,
303: Голос из написанного текста это тоже модуль, уже который, ну, рутинно используется. Поэтому мгновенный перевод это тоже уже рутинная, рутинная задача. Генерация контента может помогать в написании речей политических документов. И други
304: Официальных документов, предоставляя релевантные данные, структурируя контент. Логично. Ну, такое ощущение, да, что в будущем вот мы обсуждали, да, то, что разные разные модели искусственного интеллекта могут по разному оценивать эмоциональност,
305: И тут важно, на чем тренировался искусственный интеллект. Вот будет, наверное, набор суверенных искусственных интеллектов, которые в будущем будут между собой бодаться там по определённым вопросам. То есть понятно, что chat gpt и вообще любой искусственный интеллект, он предвзяты.
306: Он натренирован на определённых вещах, ему определённые вещи инжектирование вот политкорректность ему инжектирование ам определённые вещи чат gpt нельзя спросить а гига чату или яндекс gpt можно спросить потому что он натренирован в России вот и наоборот некоторые вещи.
307: Которые нельзя спросить. Здесь можно спросить, там вот сбор информации, автоматический мониторинг, то есть постоянный мониторинг мировых новостей, социальных сетей и других источников для получения релевантной информации. То есть я могу написать бота. И, кстати, это делаетс
308: Элементарно такие боты пишутся. Я потом чуть чуть расскажу, что он будет просто с утра автоматически заходить на сайт, брать информацию, делать дайджест, сжимать эту информацию и мне, допустим, на telegram подсы.
309: Или или даже в pdf такую красиво выдаст в красивом формате, чтобы руководитель какой-нибудь прочитал распознавание шаблонов, выявление шаблонов и связей в огромных объёмах данных, которые могут быть не сразу очевидны аналитикам, то есть действительно во
310: Искусственный интеллект очень здорово умеет находить связи, умеет находить какие-то шаблоны, какие-то ну да, какие-то факторы, поддержка пере переговоров, оптимизация это не только в дипломатии, соответственно это может быть любые переговоры.
311: В бизнесе и и в других отраслях. Оптимизация стратегий, искусственный интеллект может анализировать предыдущие переговоры, чтобы предложить оптимальные стратегии и тактики для будущих встреч, анализ поведения, что тоже очень важно, то есть оценка поведения и предпочтений
312: Переговорных партнёров для соответствующей настройки подходов. Опять же, вот мы обсудили, что можно по речи и по тексту распознать эмоции человека можно также по походке, по осанке, то есть это
313: То, что вот нам говорили, да, что в этом запрещённом инстаграме, там мем есть что, как там стакан правильно пить, да, что если это как это сервисное действие, не сервисное действие, ну вот, то есть анализ поведения, анализ
314: Санки анализ, мы можем сказать, мы, мы сейчас на сильной стороне или на слабой и, соответственно, тоже подстраивать переговоры, публичная дипломатия, то таргетирование сообщений, использование искусственного интеллекта для создания и распространения таргетированных сообщени.
315: Для конкретных аудиторий, повышение, эффективность компании публичной дипломатии. Ну, не обязательно публичная дипломатия, это любая рекламная компания. То есть это вот, ну, честно говоря, то, что я рассказываю, это прям манипулирование, да, мнением это не обязательно. Манипулирование мнением в той
316: Там в политических предпочтениях, но манипулирование мнением, чтобы люди слушали определённую музыку, чтобы люди одевались в определённую одежду. То есть вот эта реклама, да, метрики вовлечённости, анализ воздействия дипломатических коммуникаций и публичных мероприятий для улучшения стратегии, то есть
317: Опять же, не обязательно дипломатических. Это вот рекламу запустили и мы проанализировали, как это все прошло. Какую-то компанию рекламную запустили и можем проанализировать и искусственный интеллект может помочь нам проанализировать, что произошло.
318: Это уже значит обучение, то есть можно обучать.
319: Либо, во первых, составлять персонализированный план обучения, то есть не обязательно в дипломатии, в любой отрасли, где мы хотим научиться, можем создавать персонализированный план обучения. И вот здесь то, что опять же, вот это то, что вот этот слайд сгенерировал
320: Искусственный интеллект. Я просто вам, можно сказать, рассказываю, ну и по своему опыту тоже рассказываю. То есть обучение с использованием виртуальной реальности, использование виртуальной реальности для обучения, в том числе дипломатов.
321: Переговоров или спортсменов, да, для определённой, или пилотов чего бы то ни было, там формула 1 или других аппаратов, развитие навыков, персонализированные программы обучения. Это мы обсудили, да, все, что можно создавать, персонализированные программы обучения. Вот.
322: Теперь давайте обсудим этические вопросы искусственного интеллекта и безопасность. Часть мы уже как бы озвучили, но вот предвзятость по-английски бас это то, что мы тоже обсудили, что нейросетки
323: Разные модели обучались на разном наборе данных и им инвертировали разную политкорректность, и можно, соответственно, настраивать нейросетку так, чтобы она обходила определённые вопросы, определённые вопросы конфликтов, да, то есть
324: То, что происходило там 100 лет назад у разных стран, разное мнение на этот конфликт, и понятно, что можно натренировать там суверенный искусственный интеллект определённой страны, чтобы она выдавала строго вот эту линию, а другой стране.
325: Суверенной стране, которая другая сторона конфликта выдавала совершенно другую линию. Вот. Дальше следующий вопрос. Тоже обсудили конфиденциальность данных, если я хочу обучать нейросетку на своих данных, да, а у меня нет возможности хранить такие
326: Такую нейросетку даже вот у меня на ноутбуке, то есть мы потом тоже сейчас обсудим быстренько, если у нас время останется, размеры модели, ну нет у меня возможности тренировать чат дппт 4, но я хочу на своих данных натренировать, но я боюсь за свои данные, то есть там какая
327: Это может быть информация, которую я не хочу всем открывать, поэтому мне нужно обсудить вопрос. Вот это этический вопрос. Как я буду тренироваться, как я, как, как будут храниться мои данные дальше, если искусственный интеллект используется
328: Решение, кто несёт ответственность, прозрачность, прозрачность. Значит, почему такое решение было принято. То есть, может ли искусственный интеллект объяснить, почему он решил там такого-то человека арестовать и посадить в тюрьму на 100 лет. Ну и тут же вопрос справедливости. Справедливо это
329: Дальше галлюцинации. Искусственный интеллект приводит к неправильным ответам. То есть мы не можем полагаться на 100% на искусственный интеллект. В то же время как мы обсудили, галлюцинации могут использоваться, наверное, как что-то новое, то есть как некая действительно галлюцинация, которая
330: Можно исследовать и подумать, а можем ли мы вот эту галлюцинацию, то, что он нагенерировал какой-то с 1 взгляда бред? Может ли это быть там новым искусством? Активная область исследования это атаки на искусственный интеллект, как вот я рассказал, ну, простейшая атака это, ну, не являетс.
331: Наверное, такой прям уж модной атакой. Но вот то, что я переключился на тюремный жаргон и мог обсуждать те вещи, которые на обычном языке искусственный интеллект не мог обсуждать социальные последствия искусственного интеллекта, это, ну, на самом деле тут социальные
332: Экономические и и экологические последствия искусственного интеллекта это все, все вместе, то есть искусственный интеллект если он заменит большинство профессий, что будет соответственно с людьми дальше он
333: Сейчас искусственный интеллект потребляет кучу электроэнергии. Должен ли он развиваться дальше такими же темпами? Не сожжём ли мы вообще все электричество на искусственный интеллект? Ну, я утрирую, но в принципе он уже занимает значительную часть энергопотребления. Это именно
334: Интеллект. Вот, ну, экономические последствия тоже. Приносит ли он какие-то бонусы? Вот сейчас слышно, постепенно поступают некоторые новости от ведущих инвесторов венчурных инвесторов.
335: То они уже начинают потихонечку появляется доля скепсиса по отношению к искусственному интеллекту, потому что вбухивается огромное количество денег.
336: Ну вот прям такого сильного результата, по их словам, опять же, пока не видно. То есть это тоже некий некий вопрос, который надо обсуждать. Так сколько у меня времени осталось.
337: Не хотела включаться микрофон. Ну, у нас следующая лекция 12, так что тут можно обсудить. Да, да, мне кажется, было бы интересно ребятам просто про компьютеры, да, давайте вот про компьютеры, это то, чем, в принципе, мы занимаемся у нас в лаборатории.
338: То есть я вот руководитель лаборатории, а суперкомпьютинг, то есть суперкомпьютеры в искусственном интеллекте, почему вообще и причём здесь суперкомпьютеры в искусственном интеллекте? Давайте быстренько обсудим, чем измеряется работа. Супер в вот есть такое понятие.
339: Flop это операция над числом с плавающей запятой обычно принимается, что это 64 бита, то есть у нас все числа в наших машинах и, скорее всего, в ваших машинах и телефонах машина я имею ввиду компьютер, телефон, планшет это 64 бита, то есть это 64 нолика.
340: Единички используются для того, чтобы то или иное число представить. Понятно, что у нас возникает раз раз мы обрубаем количество возможностей, то у нас любое число с плавающей запятой представлено, представлено с некоторой ошибкой. Ну не
341: Но допустим число пи мы не можем все все цифры представить, поэтому некая ошибка есть ну это к слову, на самом деле нам это для искусственного интеллекта не особо не особо важно дальше есть такое понятие как флопс это количество операций в секунду floating point operation per second это.
342: Скорость, скорость компьютера. То есть вот это именно то, что определяет мощь машины. Дальше бит это единица измерения количества информации, это нолик или единица байт это 8 бит, это сложилось исторически, это некая
343: Не то, что попытка, это была стандартизация машин, потому что что такое вообще, откуда взялся байт? Вот обычно машины читают информацию не по, не по
344: Не по ноликам и единичкам. То есть я считал нолик. Дальше я считал единичку, они считают слово целое слово. И вот размер этого слова это и есть байт, то есть минимальное количество информации, которое машина считывает за раз. Это и есть байт. И раньше были машины.
345: Там, до, до какого-то года, то есть, вм, появились, ну, можно сказать, в Сороковых годах, скажем так, прошлого, прошлого, прошлого века появились компьютеры и слова вот эти, которые считывались по шине данных.
346: Они были разные, то есть были и 40 бит, и 32 бита, и 36 beat, и вот компания бим, они в своё время предложили это стандартизировать. И вот у нас теперь исторически 8 бит, то есть это просто исторически, это не
347: Ниоткуда не взялось. Вот это вот байт, это 8 бит. Дальше приставки, которые используются, это понятно. Это killa 10, 3 мега гига, наверное. Вы знаете, терра 10, 12, пета, 10, 15, экза, 10, 18, вот 10, 18. Это нам уже такая приставка.
348: Понадобится для того, чтобы описывать, ну, быстродействие машины или или количество информации экзабайты. То есть у нас уже данные человечества, которое генерирует, оно уже зашкаливает и уже приближается там, к зетта байтам или нескольким зетта байтам. Вот, соответствен,
349: Петафлопс это 10, 15 операций в секунду. Петабайт это 10, 15 байт. Вот у меня на машине, на моё, на моём топе терабайтовый, ну, примерно терабайтовый жёсткий диск, или, или там твердотельный диск. То есть у меня 10.
350: 12 байт я могу хранить. Вот есть список самых мощных компьютеров в мире топ 500. Можете залезть туда, там куча информации, куча статистики и информация по тому, как развивались компьютеры. Дальше с чем можно сравнить супер суперкомпьютер.
351: Можно сравнить с персональным компьютером. То есть что такое персональный компьютер? Это около 32 гигабайт оперативной памяти около 1 терабайта дисковой памяти. Вот как оценить быстродействие, как можно оценить быстродействие? Ну вот наве
352: Вы знаете, что у вас есть тактовая частота у процессора, это где-то там пусть будет 10/9 гигагерц, да, вот эта тактовая частота, это то, как он щёлкает числа, то есть он берет и 10, и миллиард раз в секунду он с числами поработал, то есть он, по крайней мере,
353: Гига, флоп, уме, гига, флоп, гигафлопс, у него мощность есть, да? Ну, соответственно, там дальше у вас, скорее всего, несколько ядер. Вот у меня здесь на машине 4 ядра, соответственно, я умножаю смело на четвёрку, там ещё у меня
354: Карта есть. Ну, соответственно, современные игровые компьютеры это около 1, там, 10 терафлопс операций в секунду, довольно мощные машины. На самом деле. Вот. Дальше вопрос с чем, с чем сейчас сравнить? Вот давайте сравним
355: А сейчас самая мощная машина, здесь данные немножко устаревшие. Вот сейчас уже 24 год. Но сейчас самая мощная машина уже преодолела рубеж экзафлопс, экзо флоп. То есть самые мощные машины могут делать 10, 18, больше 10, чем 18.
356: 10 18 операций в секунду.
357: Вот, значит, смотрите, что ещё очень интересно, если мы возьмём настольный компьютер,
358: И вернёмся на 10 лет назад.
359: То мы попадём в список топ 500, и это довольно удивительно, да, то есть то, через что я сейчас с вами разговариваю 10 лет назад, а это не так давно. То есть я, я себя помню, 10 лет назад я занимался исследованиями, я какие-то задачки счита,
360: 10 лет назад у меня вот в руках была бы 1 из самых мощных машин в мире, там 10, 15, 20 лет назад, да, 20 лет назад. Если я откачусь, то я вообще король, король был бы король вычислений. То есть удивительно.
361: Удивительными темпами растёт быстродействие. Да, давай, давайте обсудим. Здесь у меня, значит, ось времени в годах, а здесь быстродействие, вот флопс на секунду. И вот эта шкала, она логарифмическая, это значит, что вот все эти кривые, если их в нормальном формате представить, это экспоненты, вот
362: Соответственно, вот так растёт быстродействие. Более того, если бы я взял свой мобильный телефон и там 20, 30 лет назад откатился, я бы тоже вошёл в топ, в топ 500. То есть я бы тоже был королём суперкомпьютера, суперкомпьютера с обычным мобильным телефоном в кармане, да, то есть, наверное,
363: Можно предположить, что лет через 30 то, что сейчас считается самым мощным суперкомпьютером в мире, у нас будет помещаться на руке, либо часы будут, либо в кармане. Вот такая вот интересная очень информация. То есть над этим
364: Стоит задуматься, над какими темпами вообще растут вычисления. Вот быстренько обсудим. Машина 1 из самых мощных машин. Сейчас она, по моему, уже не самая мощная, но frontier называется у неё, соответственно, смотрите сколько.
365: У неё ядер вычислительных, у неё там почти что 9000000 вычислительных ядер. Вот если у меня на лэптопе 4, там 9000000, и они все должны работать в унисон, да, то есть они все должны выполнять задачу, это громаднейший параллелизм. То есть это над
366: Учиться программировать такие вещи. Вот. И что ещё важно, отметить, что она кушает примерно 25 мегаватт энергии. Ну, к примеру, вот этот слайд я рассказывал, когда был в Екатеринбурге.
367: 2, 3% потребления всего Екатеринбурга. То есть вот эта машина. Сейчас новые машины строятся. Соответственно, вот сэм Альтман, который руководитель опен иай, планирует строить машину за 100 миллиардов долларов, это, соответственно, рядышком надо
368: Строить что-нибудь типа атомной электростанции, ну или электростанции, которая будет давать ему порядка, там 100 мегаватт энергии. То есть уже, уже, видите, уже суперкомпьютер. Это не просто какая-то штука, которую можно поставить в подвал ил.
369: Взять с собой в чемодане. Это, это уже вот будущие суперкомпьютеры, это уже такие громадные машины, которые нужно строить рядышком с электростанциями, чтобы было доступно электричество и охлаждение. Вот охлаждение тоже очень важно. Россия также входит в топ 5
370: У нас в России 7 суперкомпьютеров, которые входят вот в этот список, топ 503 из них в яндексе, это червоненкинса, Галушкин, Ляпунов. Они занимают первые 3 строчки вот в России. То есть у них, соответственно, мощность, это
371: 1 петафлоп, 16, 2 и 13 примерно. Дальше 2 компьютера Сбера или СберКлауд. Я не знаю, как правильно, или cloud py, он теперь называется кристофари нео и кристофари тоже довольно мощный 12 питолог и 7 питолог примерно и дальше.
372: Есть 1 академический, это Ломоносов 2 мгу, суперкомпьютер мгу 2 с половиной, гигафлопс, петафлопа, прошу прощения. И МТС гром это МТС, компьютер, МТС, соответственно 2.
373: Флопа. Вот видите, что что-то, что здесь мы можем отметить, что из 7 суперкомпьютеров 6 суперкомпьютеров так или иначе предназначены для искусственного интеллекта. И вот 1 академический только
374: Вот, ну и как выглядит примерно суперкомпьютер. Вот, на примере Червоненко, это шкафы такие, и в шкафах сервера девятнадцатидюймовые, то есть это вот рековые, так называемые сервера вставлены, сервера, соответственно, дальш.
375: Скорее всего, здесь сетевое оборудование, соответственно, там, здесь, наверное, что-то связанное с электропитанием. И все это должно очень сильно охлаждаться, потому что 1 сервер в нём, там 8 карточек, каждая карточка кушает.
376: 500 ватт, соответственно, 8 карточек, мы, у нас 1 сервер кушает примерно 5 киловатт, а то и больше. Вот, вот вы можете себе представить, что 1 сервер, который занимает, ну, не так много, не так много места. Вот он здесь, да, это 5 чайников, которые непрерывно
377: Кипятят воду, соответственно, нам нужно уметь это тепло отводить. Это, кстати, тоже такая большая проблема, как правильно отводить тепло. Вот это, это уже инженерная проблема, можно сказать, искусственного интеллекта, как правильно отводить тепло. Дальше давайте
378: Обсудим рост вычислительных затрат на тренировку моделей. Вот здесь по оси игрек годы тут немножко не видно, но тут вот перцептрон, это 59 год, а это современная современная эра, можно сказать, здесь вот наше, наше время. И вот рост
379: Затрат на тренировку модели. Здесь петафлоп дни. То есть сколько дней понадобилось бы 1 суперкомпьютеру с мощностью 1 петафлоп, чтобы натренировать ту или иную модель. Ну, перцептрон он вообще ничего не занимал практически. И вот был экспоненциальный рост. Опять же, вот эта шкала на
380: Экспоненциальный рост было удвоение затрат каждые, примерно каждые 2 года. Это закон мура. Вот который, наверное, вы все знаете, что количество, количество полупроводников на подложке удваивается.
381: Примерно примерно каждые 2 года, там 1 и 5, 1 и 8. Ну, примерно каждые 2 года. Вот, вот, и так и росло по закону мура. И вот видите, где-то примерно в 10 году, в 2010 году Шёл, произошёл резкий слом и у нас теперь затраты на тренировку.
382: Моделей удваиваются каждые 3, 4 месяца. Вот пока что такой тренд идёт. Понятно, что он не может бесконечно продолжаться, потому что это экспонента с другим показателем, но тем не менее, вот такой рост идёт. И теперь, допустим, для тренировки больших моделей нам нужно 10000
383: Петафлоп дней и можете посчитать. Вот, допустим, у нас в сколтехе есть довольно мощный суперкомпьютер, который у него мощность 1 петафлоп, это, это, это входит он, ну, в топ 10, наверное, суперкомпьютеров России и
384: Для того, чтобы натренировать передовую модель на таком суперкомпьютере, который стоит немалых денег и потребляет немало электричество, мне нужно 10000 дней. Сколько это годов на 300 мы делим?
385: 30 лет, да, получается, если я не ошибаюсь, вот 30 лет мне нужно сидеть и тренироваться. Поэтому понятно, что суперкомпьютеры, да, закончу мысль, что суперкомпьютер это двигатель современно искуственного интеллека, то есть без них вообще никуда не двине.
386: И поэтому в том числе, поэтому сейчас идут такие, можно сказать, чиповые войны, что накладываются санкции на те или иные компании, что литографы нельзя продавать в Китай и, ну, в Россию подавно и понятно.
387: То вот это стратегическое направление, на чем мы будем вообще считать. То есть пока что вот Россия очень сильно отстаёт от передовых держав, но как-то надо догонять. Вот. А здесь слом, кстати, произошёл за счёт
388: Появление вот gp джипию это general purpose джипию, то есть графические графические карты общего использования, то есть если раньше графические карты в основном использовались для вычислений, связанных с графикой, то примерно в 2010 году появились графические карточки с возможностью
389: Удобного программирования. То есть мы учёные, смогли программировать различные задачки на этих графических картах. И вот оказалось, что графические карты очень здорово использовать в задачах линейной алгебры, то есть перемножение матриц, обращение матриц, умножение матрицы на вектор и
390: Вот с тех пор как раз за счёт, в том числе за счёт появления графических карт удобных, вот такой слом произошёл
391: Да, давайте вот обсудим большие языковые модели, они сейчас уже приближаются к 2, к 2 триллионам параметров, то есть 2000 миллиардов, то есть 2 на 10, 12 параметров, а то и больше уже они растут безумными темпами. Много это или мало?
392: То есть необходимая память, минимум 2 терабайта. То есть у меня нет, это оперативная память, то есть оперативная память. Нет? Ну да, оперативная память. Вот, которую нужно было бы хранить. 2 терабайта. У меня нет таких, как бы, такой машины у меня здесь.
393: Максимум там 16 гигабайт или 32 гигабайта. Соответственно это нужен суперкомпьютер. Модель не помещается на 1 компьютер. Соответственно мне нужно разделить модель на кусочки и на разных машинах считать кусочки модели. Это длительный расчет и соответственно обязательно нужен параллель.
394: Супер и супер компьютер, то есть без суперкомпьютеров. Опять же, вот повторюсь, мы никуда не сдвинемся. А вот, кстати, и ссылочка на влияние размера модели на результат. Маленький ребёнок, взрослый, образованный человек, поэт, философ. Вот ссылочка, я не знаю, потом, если расшарим эту презента,
395: Вы можете сюда кликнуть? Вот как раз у Сбербанка была отличная статья на хабре, где это обсуждалось.
396: Масштаб и стоимость тренировки больших моделей. Ну вот GPT-3 это уже довольно, как бы, можно сказать, устаревшая модель, там 175 миллиардов параметров. Ну, на максимуме, да, то есть там разные есть разные модификации, но, тем не менее, это 300 лет тренировки на 1
397: Мощной карте. Вот у нас на на суперкомпьютере, в сколтехе у нас примерно 100 таких карточек. То есть, соответственно, нам тренировать вот этот GPT-3, 3 года, это в лучшем случае 3 года. То есть, соответственно, мы никуда не
398: Успеваем за, за развитием. То есть мы пока тренируемся, уже большие компании выкатят другую модель. Соответственно, можно посчитать выбросы цо 2 в атмосферу 85 тонн тоже немало. И можем посчитать, сколько стоит обучение. То есть тренировка GPT-3
399: Это примерно 1, 2 миллиарда рублей, только тренировка. Дальше использование надо поддерживать. Причём, что значит только тренировка. Это только электричество. Это здесь не закладывается ещё цены. Ту, ту стоимость, которую мы потра, ну, те деньги, которые мы потратим.
400: На то, чтобы купить суперкомпьютер. Вот, соответственно, GPT-3, 1 триллион параметров, тренировка около 100 000 000 $. Вот вы можете себе представить. То есть вот чат GPT-3, чат gpt 4, который вот используется в open eye, потребовалось
401: 100 000 000 $ вложений только на электричество, чтобы натренировать. Вот. А ещё есть оценки некоторые, что 1 запрос gpt 4 это около 0 3 киловатт часа. Что это значит? Это значит, что 1 запрос
402: Сейчас я, ну, если я не ошибаюсь, то 1 запрос chat gpt 4. То есть вы спрашиваете что-то это примерно как вы вскипятили пол литра воды в чайнике вот примерно такие затраты. То есть тут к тому, что
403: Вот к вопросу, можно сказать, этичности использования. То есть мы путём использования искусственного интеллекта, мы греем планету довольно, довольно, ну, довольно сильно греем планету. Вот давайте здесь пропустим, много ли есть супер
404: То есть?
405: По оценкам, человеческий мозг делает примерно 10, 18 операций в секунду. Ну то есть вот мы до сих пор какие-то задачи делаем лучше, чем искусственный интеллект. Вы, кстати, вот можете голосом кто-нибудь попробовать ответить, сколько электропотребление мозга
406: Человечеству примерно оо, пока интересный вопрос. Кто-нибудь, какую-нибудь оценку можете дать? Вот, Максим, предполо ваше предположение. У меня цифры нет, но очень маленькая.
407: То есть не зря же есть центр, да, по изучению как раз вот этих вопросов того, как можно биопроцессы перенести в систему, ну, компьютеры и так далее, и так далее. У нас в курчатовском, да, по моему институте, если не ошибаюсь. То есть как раз в принципе, колоссально мал.
408: Энергопотребление вот у человеческого мозга, у каких-нибудь цветочков там на то, чтобы распускаться. И вот как эти принципы можно использовать. Ну то есть я не могу сказать в цифрах, но крайне маленькое. Ну да, да, то есть, ну вообще в принципе, вот в ватах, если смотреть, то каждый
409: Из нас примерно как лампочка 50 ватт. То есть, поэтому, если вот собрать 100 человек в комнате, то температура постепенно будет повышаться, потому что 50 ватт умножить на 100. То есть, соответственно, вот мы генерируем тепло из них, ну, электропотребление мозга примерно 20 ватт, ну,
410: Оценка такая, вот, а теперь экзоопарк мпьютера, который примерно сопоставим, да, по, по вот, оценкам с мозгом, это 50 мегаватт. Вот у нас разница, вы можете посчитать, во сколько порядков, если 20 ватт, а там, допустим, пусть буде
411: Даже 20 мегаватт 20 на 10 6, то есть 1000000 раз. Разница по энергопотреблению это большая проблема. И это значит, что энергоэффективность вычислений становится такой таким краеугольным камнем искусственного интеллекта.
412: И абсолютно верно. Вот Максим заметил, что существуют исследования и целые центры, как переносить вот эти биологические идеи, в том числе вот нейроморфные вычисления, то есть вычисления, когда чип уже выглядит, как его конструируют, примерно похожим на мозг.
413: То есть он в силиконе уже как, как, как нейросетка зашитая. Можем ли мы значительно уменьшить энергопотребление? Это в том числе квантовые вычисления. Сможем ли мы использовать квантовые компьютеры для искусственного интеллекта? Сможем мы использовать? Сможем ли мы использоват
414: Фотонные компьютеры или фотонные вычислители, то есть где, где информация переносится не электрончиками, а фотонами. Сможем ли мы их использовать и уже есть много исследований, где показаны определённые успехи. Вот, соответственно, какие тренды
415: Можно заметить, что модели, датасеты продолжают увеличиваться и без суперкомпьютеров нет искусственного интеллекта, это уже абсолютно понятно и видны вложения основных игроков именно суперкомпьютеры. И в России тоже это и Сбер, и яндекс, и МТС, и
416: И тинькофф это банк, точнее, все, все, ну так или иначе инвестируют в вычислительную инфраструктуру, как мы обсудили фокус на энергоэффективности оборудования, потому что сейчас по некоторым
417: Оценкам. Искусственный интеллект уже потребляет примерно 2%. Ну около 2% мирового электричества. Туда мы добавим ещё криптовалюту, которая занимает ещё пару процентов, запрещённые инстаграм и так далее. Все эти картиночки, тик токи и так далее.
418: Тоже занимают несколько процентов. Ну вот мы тратим очень много на вот эту вычислительную инфраструктуру, скорее всего, или, точнее, не, скорее всего, будет и уже происходит специализация аппаратного обеспечения под конкретные задачи. То есть вот вы, наверное, знаете,
419: Если кто-то занимается майнингом, там биткоинов, что на обычных супер, ну на обычных компьютерах суперкомпьютерах майнить не энергоэффективно, поэтому там используются определённые чипы, так называемые азики апликейшн, специфик integrate Серкес.
420: Или по-русски это интегральные схемы специального назначения, то есть в них алгоритм уже зашит и их нельзя, нельзя поменять. То есть вот это специализированный вычислитель, который умеет только там hash считать для, для биткоинов он гора.
421: Гораздо более энергоэффективный. Вот дальше развитие фотонных квантовых технологий тоже мы уже упомянули развитие нейроморфных технологий, то есть брать из биологии, из природы, пытаться сделать гораздо более энергоэффективный искусственный интеллект. Упомянули, ну, больше облачных супе.
422: Компьютеров. Это понятно, что вот допустим, начинающие стартапы или даже вот уже университеты не могут себе позволить зачастую тренировать такие огромные модели, как есть y chat, gpt или яндекса или Сбера. Поэтому поэтому сейчас используется облачный супер
423: Компьютеры, то есть как, как университет может получить доступ там на том же cloud точка ру и тренировать гораздо больше моделей, чем может позволить у себя на кампусе. Допустим так, ну и давайте к заключению перейдём искусственны.
424: Интеллект кардинально преобразует наш мир. Упрощая повседневные задачи. Революционизируя от различные отрасли, суперкомпьютеры играют ключевую роль в развитии искусственного интеллекта, обеспечивая огромную вычислительную мощность и способность обрабатывать большие объёмы данных. Необходимо учитывать
425: Этические вопросы, такие как предвзятость проблемы конфиденциальности и влияние искусственного интеллекта на принятие решений. В будущем ожидаются ещё большие достижения в искусственном интеллекте, особенно с интеграцией квантовых вычислений, способных решать сложные проблемы и
426: Скорее всего, развитее искусственного интеллекта будет формировать будущее труда, творчества и социального ландшафта. То есть можно так вот такие мысли как бы читаются в различных источниках, что было несколько революций, да, когда мы ноги заменили на колесо, руки заменили на
427: Мануфактуры, то есть на, на, на фабрике, где работают станки. Вот, то есть мы руки, ноги уже заменили, а теперь мозг заменяем. Ну и вопрос, что мы, что мы сами будем после этого делать? Остаётся, конечно, открытым пока что вот дальше, если вам
428: Интересно, если вы раньше не сталкивались с искусственным интеллектом, вот вы можете зайти на вот этот бот, это я написал telegram bot. Видите, как я говорю, я написал telegram бот, а на самом деле, что я сделал? Я зашёл на gpt 4 и сказал напиши мне.
429: Telegram бот на языке питон, он мне выдал там 20 строчек кода. Я мог бы и не знать, что такое питон. Ну, я запустил этот бот, мне выдались какие-то ошибки, я ему эти ошибки скормил опять.
430: Он говорит о, сейчас поправлю и так через несколько операций у меня вот появился работающий бот, он только на txt работает и там какие-то денежки лежат они могут закончиться в какой-то момент ну вот по моему вчера ещё работал поэтому вот если вы не сталкиваете не сталкивались вы можете с ним пообщаться на любом языке.
431: И он вам будет давать вопросы. Это chat gpt 4. О, по моему вот. И если будут вопросы, это вот мой тоже персональный теллеграм. Все. И на этом у меня все. Спасибо за внимание. Если есть ещё вопросы, можно, у нас время вроде осталось чуть чуть, да.
432: Большое спасибо. Если есть у вас немножко времени, да, у нас и руками уже ребята сигнализируют о вопросах. Ну вот из последнего в чате, как вы считаете, 7 триллионов долларов на разработку чипов для искусственного интеллекта это реально 7 триллионов?
433: Да, это, если не ошибаюсь, Альтман не так давно, по моему, весной анонсировал, что вот ему столько нужно, он ищет там инвесторов финансирования. Я, знаете, вот, вот именно в масштабах.
434: Финансирование и откуда брать такие деньги? Я не очень силён. Я могу вот по открытым материалам, допустим, блумберга, я могу вам сказать, сколько, допустим, Поднебесная тратит на развитие технологии создания чипов.
435: Это примерно 50 миллиардов долларов. То есть, ну, 50, 100, то есть 100, ну, можно сказать, что масштаб примерно тот же. Если он говорит 101 триллион, то тут 100 миллиардов, ну, плюс минус масштаб, масштаб, похожий, там, знаете, фактор десятка.
436: Это да, спасибо большое. И я вот ещё 1 вопрос бы прочитала. На самом деле ребята и на прошлых лекциях тоже беспокоились по поводу беспилотного транспорта. Вот как
437: Вы считаете, подскажите, пожалуйста, автомобили 5 степени автономности, то есть без водителя за рулём? Могут ли, смогут ли они быть предсказуемыми или предсказуемость принятия решения в автономных киберфизических системах это пока что недостижимая характеристика на ближайшую перспективу.
438: Угу. Ну, я здесь не специалист, к сожалению. То есть, я, наверное, квалифицированно на этот вопрос не смогу ответить. То есть это нужно спрашивать, наверное, человека, который именно беспилотниками занимается, и вопросами как бы, принятия решений. Тут тут же класси.
439: Задачка или классический парадокс. Я вот не помню, как он решается, или как он решается. Если у меня есть машина, едет и 2 пути на 1, там 1 человек, а на другом 4 человека, куда кого убить не могу, наверное, классифицировано ответить. Я думаю, что
440: Судя по масштабам развития искусственного интеллекта, конечно, такие машины появятся. И да, и тут, и тут надо будет действительно и тут надо будет менять законодательную базу, то есть кто будет отвечать в случае аварии, да, то есть производитель машин
441: Тот, кто-то, кто сидит в машине, тот, кто тренировал интеллект, тот, кто создал машину, где мог быть бак, ну, в смысле компьютер, где мог быть бак, затесаться, там, ну, я думаю, что появится неквалифицированный ответ такой профессиональное
442: Угу. Спасибо большое. Да, Дарья ещё в прошлый раз хотела задать вопрос. Можно голосом?
443: Дарья.
444: Пока микрофон у вас, да, Сергей, здравствуйте. Спасибо за лекцию. Подскажите, пожалуйста, а какова роль человека вообще в процессах машинного обучения, в частности, в процессах обучения сервисов искусственного интеллекта?
445: Понятно, что вот эти сервисы обучаются, в том числе на основании данных различных вообще открытых, любых открытых данных, да, но при этом ещё компании привлекают людей.
446: Которые занимаются там корректировкой ответов, которые выдают сервисы. И в данном случае вообще вот люди, они участвуют именно в процессах обучения или они только корректируют вот участие человека?
447: Хотелось бы уточнить, ну, вообще обучение происходит на датасетах, на наборе данных. И вот разметка датасетов, это отдельная история. Как мы будем размечать, размечать датасеты, то есть, что мы будем скармливать. И тут человек, конечно, пока ещё незаменим, то есть
448: Разметить картинки, что это кошечка собачка, там тексты какие-то, или когда вот история была, когда вы капчу делали, там помогали google, google запрещён, у нас нет, нет, вроде помогали google.
449: Именно тренироваться. То есть человек пока что незаменим. Но и потом все, все архитектуры создаются человеком, то есть нейросетки, задачи ставятся человеком, искусственный интеллект пока то это не умеет. То есть искусственный интеллект пока что слабый, то есть, м,
450: Мы говорим ему, что делать, и он определённый класс задач умеет решать лучше, чем мы, но создавать задачи, ставить задачи, генерировать пути развития, создавать датасеты.
451: Прям на, на все подряд он не умеет. То есть человек незаменим в тренировке. Надеюсь, ответил. Я думаю, да. Спасибо большое за ответ. Да, Дмитрий, ваша рука.
452: Ещё буквально немножко времени есть. Поэтому сформулируйте вопрос ваш. Хорошо, Сергей, спасибо за лекцию. У меня даже 2 вопроса. 1 возмож, возможен ли реверс инжениринг в отношении нейронных сетей и 2
453: Вопрос не кажется ли вам, что логика нейронных сетей намного ценнее, чем многие нейронные сети и их базы? По своей сути? Объясню немного по другому. Вот много достаточно.
454: Видео, давайте там развлекательного характера давайте посмотрим, как нейронная сеть там создаст конфигурацию компьютера, сделает макросс или посоветует нам какой-то вариант для прохождения там допустим,
455: То 3 и чаще всего в подобных видео нейронная сеть не выдаёт того результата, который может достигнуть человек. Однако я вот недавно буквально видел видео, в котором человек ввёл в нейронную сеть все параметры.
456: Задачи, все параметры, которые могут повлиять на задачу. И спросил, какой оптимальный вариант будет для этой задачи. Нейронная сеть выдала результат, который, ну, скажем так, сопоставим с человеком, кото
457: Который, в принципе, в этом разбирается. То есть, по сути, она использует свои базы. Дан, не использует базу данных, которая есть в ней по этому вопросу. Она использует базу данных, которую вводит человек, но при этом использует свою логику. Вот вообще,
458: Я правильно понял или просто повезло так что просто выдали информацию полезную?
459: А сложно сказать, тут вопрос как раз интерпретируемости искусственного интеллекта и тоже это активная область исследований. То есть у нас вот тоже несколько ребят занимаются вопросами интерпретируемости, как, как интерпретировать, какая логика действительно у ответа, то есть тут
460: Тут, наверное, нету прям сразу ответа. Это надо спрашивать у тех специалистов, которые разбираются. Я понял, Сергей, я даже вот вам могу этот, это видео скинуть, оно мне случайно в ленту попало, там, челове.
461: Просто вводит в чат все характеристики по данному вопросу, и он берет эти характеристики именно из чата. То есть, ну, по ощущениям, я даже вот не знаю, сейчас проверить постараюсь.
462: Эту ситуацию, но мне кажется, у меня ответ будет иным за счёт того, что как раз он использует свои данные, а не те данные, которые ввожу я
463: Это могло быть случайно, я затрудняюсь ответить. Это надо, наверное, более глубоко посмотреть. A1 вопрос, какой был возможен ли реверс инжиниринг в отношении нейронных сетей? Да, я думаю, что
464: Я думаю, что так или иначе, в какой-то степени возможно. Более того, там были работы, когда можно было вытащить либо кусок весов, ну, веса это вот коэффициенты, нейросетки. Ну, я знаю, такие работы были, да.
465: Угу. Спасибо большое. Ну, естественно, естественно, это огромная как бы, область для исследований, потому что, конечно, хочется взять и скачать эту чат пт 4K себе и её дообучить или снять политкорректность с неё, потому что там очень много интерес.
466: Когда выключить эту политкорректность?
467: Большое спасибо. И вот у нас ещё буквально немножечко времени есть. Просто в чате давно вопрос висит. Как вы смотрите и относитесь к развитию эмоционального искусственного интеллекта? Ну то есть с какими-то, видимо, там персонализирован
468: Ответами и более, наверное, какими-то улучшенными свойствами. Именно, наверное, это дума, голосовые помощники тут больше имеется ввиду. Ну вообще.
469: Тут сложно ответить на вопрос, как вы относитесь? То есть, наверное, положительно, положительно отношусь, потому что зачастую вот, допустим, это просто с кем-то поговорить, да, то есть есть одинокие люди, которым не с кем поговорить, или пожилые люди, которым нужно
470: Что-то тоже, ну просто нужен собеседник, который будет поддерживать разговоры, либо можно натренировать искусственный интеллект прям на чтобы искусственный интеллект говорил и голосом кого-то, допустим, умершего или или, или или использовал.
471: Те же обороты речи, то есть и в этом смысле, если я правильно понимаю, есть вопрос об этом, то эмоциональный, эмоциональный, искусственный интеллект, конечно, позитивно работает. Потом психология, да, помощь, психологические помощь, которая
472: Уже необходимо, по моему, сколько трети населения планеты. То есть доверие, наверное, да. Ну, как будто бы, если мы послушаем какого-нибудь переводчика стандартное приложение, он то очень электронным голосом разговаривает. А если голосовой помощни.
473: Как-то более отзывчиво дать ответы вот я рекомендую найти ai Летов угу. На YouTube и послушать как перепеваются известные там песни в стиле Кати лель, там это ути гуси или?
474: Как там вот эта песня? Город муси, муси пуси. Да, да, да. И песня сразу обретает смысл. Вот что самое интересное, когда если её бы спел Егор Летов, то это был бы ещё больший хит, на мой взгляд.
475: Большое, большое спасибо вам за ваши ответы за лекцию. Было очень интересно. И примеры мне очень понравились. Особенно то, что картинки были сгенерированы. По моему, это здорово. Да, спасибо.
476: Спасибо большое за приглашение. Спасибо большое за вопросы. Всем тогда. Всего доброго. Да. Спасибо вам ещё раз. Хорошего лета. Да. Спасибо. До свидания.