Сообщество - Машинное обучение
Машинное обучение
188 постов 2 904 подписчика
78

Разработчик обучил нейросеть играть в змейку. Не до конца.

Разработчик с ютуб-ником Greer Viau показывает, как обучал нейросеть играть в «Змейку» с помощью эволюционного подхода. Сначала всё предсказуемо плохо: нейронка ничего не понимает и не знает, чего от нее хотят.

Постепенно она обучается есть еду и избегать стен.

К тридцатому поколению змейка довольно уверенно ходит по стенке и доходит до еды. Единственное, чему ее так и не удалось обучить — как не загонять себя в ловушку из собственного туловища.

Важно понимать, что нейросеть понятия не имеет, что вообще происходит. Всё, что она знает — это расстояние до ближайшей стены, расстояние до еды и до собственного хвоста. Она даже не видит игровое поле так, как видим его мы.

_______________________
Позаимствовано с Дзена, баянометр выдавал какую-то хрень

Показать полностью 2
176

Искусственный интеллект попытался «очеловечить» эмодзи. Кошмары обеспечены.

Специалист в области искусственного интеллекта (ИИ) Джонатан Флай с помощью алгоритма попробовал перевести в высокое разрешение эмодзи из твиттера. Опытом и результатами он поделился у себя в блоге.

Для своего эксперимента Флай использовал алгоритм Progressive Face Super-Resolution, созданный инженерами Корейского института передовых технологий (KAIST).


По замыслу корейцев, алгоритм нужен для того, чтобы переводить изображения лиц из разрешения 16*16 пикселей в 128*128 пикселей. Потенциально, разработку KAIST можно использовать для поиска людей по видео с камер наблюдения.

Искусственный интеллект попытался «очеловечить» эмодзи. Кошмары обеспечены. Нейронные сети, Эмодзи, Фотография, Длиннопост

Но Флай нашел ИИ другое применение. Он заметил, что разрешение эмодзи в твиттере как раз 16*16 пикселей, и решил попробовать перевести их в разрешение 128*128.


Результат получился жутковатым, а некоторые эмодзи стали похожи на монстра из фильма «Нечто».


Так как алгоритм KAIST обучен искать изображения лиц, то он умудрился найти его даже на эмодзи пиццы.

Искусственный интеллект попытался «очеловечить» эмодзи. Кошмары обеспечены. Нейронные сети, Эмодзи, Фотография, Длиннопост
Искусственный интеллект попытался «очеловечить» эмодзи. Кошмары обеспечены. Нейронные сети, Эмодзи, Фотография, Длиннопост

Флай также попробовал использовать алгоритм на дипфейк видео с ютьюба. Результат он назвал «дипфейком Дьявола».


Ссылка на Твит: https://twitter.com/jonathanfly/status/1166822003476590592


Источник: https://rtvi.com/takoe-/nightmares-are-made-of-this/

Показать полностью 2
11

Нейросеть, генерирующая осмысленный текст

Компания OpenAI выложила модель и код нейросети, которая генерирует довольно осмысленные тексты на английском. Систему-генератор GPT-2 анонсировали в феврале этого года, но позже отказались от распространения полной версии: боялись, что её будут использовать для создания фейк ньюс, спама и прочей мерзости. Но на этой неделе GPT-2 всё-таки увидел свет. И теперь на нём можно генерировать фейк ньюс, спам и прочую мерзость.


Нейроночка нового поколения обучалась на 8 миллионах документов и умеет генерировать связный текст из минимальных подсказок. Например, может написать новостную статью из любого заголовка и целое стихотворение из первой строки. Получаются пугающе естественные тексты — ранее никто из исследователей не добивался подобных результатов.


Попробовать систему в действии: https://talktotransformer.com


Пример забавного(для меня точно) сгенерированного текста(перевод с Английского):

Нейросеть, генерирующая осмысленный текст Новости, Нейронные сети, IT, Openai
11

Hyundai разрабатывает систему круиз-контроля, которая будет подражать стилю езды водителя

Hyundai разрабатывает систему круиз-контроля, которая будет подражать стилю езды водителя Новости, Hyundai, Искусственный интеллект, Машинное обучение, Нейронные сети, Технологии, Авто

Компания Hyundai решила интегрировать в систему круиз-контроля технологию машинного обучения.

Hyundai рассчитывает, что пользователи захотят использовать их новую систему умного круиз-контроля (Smart Cruise Control Machine Learning, SCC-ML), потому что она сможет соответствовать их стилю езды. В первую очередь, система будет держать примерно такую же дистанцию до впереди идущей машины, что и обычно водитель. Также SCC-ML будет стараться управлять педалью акселератора в пробках, как это делает пользователь.

Впрочем, автопроизводитель также отмечает, что хоть новый круиз-контроль и сможет улучшить любую существующую систему, это не значит, что он будет вести себя так в каждой ситуации на дороге. SCC-ML будет достаточно умен, чтобы понять, что водитель не всегда держит определенную дистанцию до следующего автомобиля и может разгоняться с разной интенсивностью.

SCC-ML сможет адаптироваться под стиль любого водителя. Однако, система не будет использовать небезопасные привычки пользователей. К слову, Hyundai не единственная компания, которая работает над усовершенствованием круиз-контроля. Ранее в этом году стало известно, что BMW также разрабатывает систему, которая будет способна учитывать цвет светофора, что может сделать ее более полезной в условиях городского трафика.


Источник: engadget

12

Ученые из MIT разработали способ восстановления потерянных данных на фото и видео

Ученые из MIT разработали способ восстановления потерянных данных на фото и видео Новости, Машинное обучение, Искусственный интеллект, Mit, Восстановление данных, IT, Технологии

Исследователи из Массачусетского технологического института (MIT) разработали способ восстановления потерянных деталей на фотографиях и создания чёткого видео с размытых изображений. Алгоритм получил название «модель визуальной депроекции», он основан на свёрточной нейронной сети, суть которой заключается в переходе от конкретных особенностей изображения к более абстрактным деталям. Учёные из MIT обучили эту сеть, позволив ей проанализировать множество пар изображений в низком и высоком качестве. После этого она начала понимать, как из чёткой фотографии могут получаться размытые, едва различимые кадры.


Когда алгоритм используется для обработки ранее незнакомых изображений низкого качества с размытыми элементами, нейросеть старается понять, что стало причиной этого размытия, затем создаёт новые изображения, объединяя данные с уже существующими. Так появляется видео, которое чётко показывает источники движения.


Оперируя данными из 35 видеозаписей с 30 людьми, алгоритм смог точно воссоздать 24 кадра, демонстрирующие походку определённого человека, в том числе размеры и формы его тела, положение конечностей и так далее. Учёные хотят усовершенствовать свою технологию для дальнейшего её применения в медицинских целях. Они считают, что «модель визуальной депроекции» можно использовать для преобразования 2D-изображений (рентгеновские снимки) в 3D-изображения с дополнительными данными (КТ-снимки). Врачи, как правило, предпочитают результаты обследования, полученные с помощью компьютерной томографии, но КТ обходится дорого и не везде доступна. Сейчас исследователи сотрудничают с коллегами из Корнелльского университета, чтобы по такому же принципу воссоздавать трёхмерную анатомическую информацию о человеке.


Источник: Engadget

692

Как вам такое от Intel?

Intel представила нейроморфную систему Pohoiki Beach.

Два года назад корпорация Intel анонсировала самообучающийся нейроморфный процессор Loihi, состоящий из «искусственных нервных клеток» и предназначенный для имитации работы мозга живого существа и ускорения работы с системами ИИ и глубокого обучения.

Loihi производится по 14-нм технологическим нормам и вмещает 130 тысяч нейронов, 130 миллионов синапсов и три ядра Quark x86. Размер кристалла Loihi составляет 60 мм², а сам чип состоит из 2,1 млрд транзисторов. Набор инструментов для программирования Loihi включает в себя Python API. Intel заявляет, что в задачах распределенного кодирования, поиска графов, нахождения пути, одновременной локализации и построения карты (SLAM) Loihi в 1000 раз быстрее и в 10 000 раз эффективнее, чем классические CPU.

В своих заявлениях Intel не скрывала, что одной из значимых вех в создании мультичиповых нейроморфных систем является достижение суммарного числа в 100 млн нейронов/100 млрд синапсов. Теоретически, такая система по своему потенциалу приблизится к мозгу небольшого животного — обычной домовой мыши.

Накануне Intel представила нейронную масштабируемую систему под кодовым названием Pohoiki Beach, в состав которой входит до 64 нейроморфных чипов Loihi. Таким образом, общее количество нейронов/синапсов в рамках одной системы составляет 8,32 млн/8,32 млн единиц соответственно. Нетрудно посчитать, что для достижения порога в 100 млн нейронов, Intel понадобится интегрированная система, вмещающая 768 отдельных процессоров Loihi или 12 систем Pohoiki Beach.

Intel также предоставила несколько примеров того, как исследователи используют Loihi, чтобы доказать жизнеспособность нейроморфных вычислений. Проекты включают расчет адаптации к протезу ноги, отслеживание объектов, автоматизацию настольного футбола, обучение управлением маятником и имитацию тактильных зон на коже робота.

Как вам такое от Intel? Intel, Pcgamer, Технологии, Искусственный интеллект
12

Нейросеть научилась брать фотографию пейзажа и делать из нее видео.

Нейросеть научилась брать фотографию пейзажа и делать из нее видео. Новости, Технологии, Нейронные сети, Фотошоп мастер, Видео, Цифровизация, Машинное обучение

Нейросеть научилась брать фотографию пейзажа и делать из нее видео. Кроме этого, нейросети могут теперь качественно убирать фон с фотографий людей.


Переведу в силу понимания то, что написано в представлении проекта:

Автоматическая генерация высококачественного видео из одного изображения остается сложной задачей, несмотря на недавние достижения в области генеративных моделей. В этой статье предлагается метод, который может создавать долговременную анимацию с высоким разрешением с использованием сверхточных нейронных сетей (CNN) из одного ландшафтного изображения, где мы в основном фокусируемся на небе и воде. Наше ключевое наблюдение состоит в том, что движение (например, движущиеся облака) и внешний вид (например, изменяющиеся во времени цвета на небе) в естественных сценах имеют разные временные масштабы. Таким образом, мы изучаем их по отдельности и прогнозируем их с разделенным контролем, обрабатывая будущую неопределенность в обоих прогнозах путем введения скрытых кодов. В отличие от предыдущих методов, которые выводят выходные кадры напрямую, наши CNN предсказывают пространственно-сглаженные промежуточные данные, т. е. для движения, поля потока для деформации и для внешнего вида, карты передачи цвета, через самообучаемое обучение, т. е без явно предоставленной наземной правды. Эти промежуточные данные применяются не к каждому предыдущему выходному кадру, а к входному изображению только один раз для каждого выходного кадра. Этот дизайн имеет решающее значение для облегчения накопления ошибок в долгосрочных прогнозах, что является существенной проблемой в предыдущих периодических подходах. Выходные кадры могут быть зациклены, а также управляться напрямую путем указания скрытых кодов или косвенно через визуальные аннотации. Мы демонстрируем эффективность нашего метода, сравнивая его с современными технологиями прогнозирования видео, а также манипулирования внешним видом.

И видео:

P.S.

Берегите свои фотографии и не лепите их во всеобщее обозрение где их добросовестно тырят все кому не лень.

Источник: http://www.cgg.cs.tsukuba.ac.jp/~endo/projects/AnimatingLand...

Источник: https://www.remove.bg/

Показать полностью 1
71

О Big Data - просто или Почему вам кажется, что телефон тайно записывает ваши разговоры

О Big Data - просто или Почему вам кажется, что телефон тайно записывает ваши разговоры Большие данные, Amazon, IT, Рептилоиды, Слежка, Финансы, Деньги, Длиннопост

Вообще я пишу о том, что я в 30 лет уже откладываю на пенсию и о том, как я это делаю (об этом - следующий пост).

А этот пост на отвлечённую тему.

Big Data по моему мнению – самый недооцененный широкими массами ресурс, но при этом справедливо оцененный большими и «умными» деньгами. Такая золотая руда информационной эры, если позволите, к которой человечество только начинает подбирать технологии для обработки и получения чистого золота.

О Big Data - просто или Почему вам кажется, что телефон тайно записывает ваши разговоры Большие данные, Amazon, IT, Рептилоиды, Слежка, Финансы, Деньги, Длиннопост

Я опущу скучную и базовую историю о том, как это работает, что такое ETL, и прочие пайплайны, хадупы и машинные обучения. Это слишком сложно и слишком неинтересно для широкой публики, тем более что статей на эту тему – вагон и целая тележка, кто захочет, тот найдет, просто вбив в гугл «как работает Big Data».

А здесь разговор о том, как крупные корпорации анализируют Big Data при помощи пространственного анализа, чтобы повысить эффект от рекламы (сделать больше продаж, повысить выручку и прибыль). Я не нашёл на этот счет ни одной интересной статьи, поэтому пришлось написать весь материал самому.

О Big Data - просто или Почему вам кажется, что телефон тайно записывает ваши разговоры Большие данные, Amazon, IT, Рептилоиды, Слежка, Финансы, Деньги, Длиннопост

Для начала приведу пару цифр для осознания МАСШТАБА больших данных сейчас в мире: за 48 часов распродажи Amazon Prime Day 15-16 июля 2019 было произведено 7,11 триллионов обращений к базе данных, продано 175 миллионов товаров, проведено 15,5 миллионов банковских транзакций. Данные генерируются каждый день без выходных и перерывов, и эти данные уже сейчас стараются обрабатывать, фильтровать, извлекать какую-то пользу.

Как же это можно использовать? Возьму пример, пришедший первым в голову. Возьмем частный сектор города N-ска. Amazon, анализируя массив транзакций, замечает: в летние дни жители района начали лавинообразно просматривать и заказывать средства против комаров. Пользователи на карте помечены тремя цветами: зелёным – уже купил средство, жёлтым – перешел на страницу и просматривал, но не купил, серым – ещё не интересовался средствами против комаров.

О Big Data - просто или Почему вам кажется, что телефон тайно записывает ваши разговоры Большие данные, Amazon, IT, Рептилоиды, Слежка, Финансы, Деньги, Длиннопост

Наложив данные на буфер в 250 метров от близлежащих водоемов, где плодятся комары, Amazon видит прямую зависимость. Проведя анализ и отфильтровав данные, Amazon получает список из 106 юзеров, которым при последующем визите на сайт, настойчиво рекомендует средства от комаров.

О Big Data - просто или Почему вам кажется, что телефон тайно записывает ваши разговоры Большие данные, Amazon, IT, Рептилоиды, Слежка, Финансы, Деньги, Длиннопост

10 из 106 юзеров ни разу не вбивали в поиск ничего такого, но при этом за ужином говорили родным, что комары достали, надо бы купить какие-нибудь средства. Садясь за компьютер, они видят рекомендуемый товар и нервно проверяют, заклеена ли камера на телефоне и косятся на умную колонку Алексу, в мыслях проклиная корпорации и спецслужбы, занимающиеся прослушкой разговоров и самих себя за слабость и недальновидность, выразившуюся в покупке этих шпионских девайсов. А на самом деле всё гораздо проще (или сложнее - смотря с какой стороны). Ваши соседи рассказали Амазону о ваших потребностях вместо вас.

О Big Data - просто или Почему вам кажется, что телефон тайно записывает ваши разговоры Большие данные, Amazon, IT, Рептилоиды, Слежка, Финансы, Деньги, Длиннопост

Amazon в примере взят неспроста, и даже не потому что это топ-3 публичная компания по капитализации в мире. Посмотрите на количество опубликованных вакансий от компаний на LinkedIn по тегу «Big Data». Я проанализировал только компании из топ-100 S&P500, в выборку попали компании с 100+ вакансий. Из интересного – Amazon с 2468 вакансиями кратно превышает всех остальных, а если смотреть по всем дочерним компаниям и стартапам типа Amazon Robotics, то там под 4000 вакансий. Удивили банки (JPM на втором месте, а еще в выборку попали GS и BAC). Удивил IBM. Я прекрасно понимаю, что это нерелевантная выборка, потому что взят только один ресурс, явно не основной для публикации вакансий, и потому что она учитывает вообще вакансии, а не существующий уже в компании штат разработчиков и инженеров, но тем не менее. Если вы знаете, напишите мне пожалуйста, где бы взять актуальные данные.

---

P.S.: Тег - моё, был бы рад не тратить время, но я не нашел адекватных интересных статей о применении больших данных, написанных не для профессионалов, поэтому начал думать и искать информацию самостоятельно. Я веду свой канал в Telegram, если ссылка блокируется, найти меня нетрудно, вбив в телеграме в поиск: @finindie. На канале в основном интересный контент о том, как я коплю на пенсию, но есть и такой контент о компаниях, в которые я верю и вкладываю пенсионные деньги.

Показать полностью 4
Мои подписки
Подписывайтесь на интересные вам теги, сообщества,
пользователей — и читайте персональное «Горячее».
Чтобы добавить подписку, нужно авторизоваться.
Отличная работа, все прочитано!