Преред походом к стоматологу
DentalMonitoring ScanBox позволяет пациентам отсканировать свои зубы с применением искусственного интелекта и переслать материал врачу, у которого пациент наблюлается. Из любого места и в любое время.
DentalMonitoring ScanBox позволяет пациентам отсканировать свои зубы с применением искусственного интелекта и переслать материал врачу, у которого пациент наблюлается. Из любого места и в любое время.
Как и обещал в первом посте, после обсуждения, привожу все варианты выживания предприятий при имеющейся жесткой нехватке специалистов.
На первом месте, конечно же, повысить зарплату. Тут и хороший и сразу плохой совет. Для единичного предприятия, за счет повышения зарплаты, можно решить вопрос отсутствия специалистов. Но когда это вопрос глобальный, то нет, таким образом не получится решить проблему отсутствия специалистов, по крайней мере, быстро. Потому, что когда специалистов нет, то и появится неоткуда, сколько не плати. Да, если везде поднять и хорошо поднять зарплату, то конечно, через какое-то время появятся специалисты. Кто-то вспомнит старое и вернется к давно полученному образованию. Кто-то пойдет учиться на соответствующих специалистов. Однако не так легко вспомнить, особенно когда не знал, а если еще и научить-то некому. Поэтому на это надо время, много времени.
Остальные советы были, практически все, в единичном экземпляре. Среди них: предоставлять жилье, ДМС, другие бонусы, подготавливать самостоятельно, закреплять за собой студентов на старших курсах ВУЗов. Да, это все, конечно, влияет на набор специалистов, но не может спасти ситуацию, потому что сейчас уже многие такое применяют. Отдельно лишь поговорим про подготовку самостоятельно и закреплению студентов. Подготовкой сейчас стали заниматься некоторые предприятия, особенно крупные, но в основном, чаще всего, занимаются подготовкой рабочих специальностей. Для того, чтобы подготовить квалифицированного технического специалиста необходимо наличие тех, кто будет подготавливать, причем эти «учителя» должны обладать приличным набором знаний, а еще умением обучать, что является обязательным условием, ну и конечно необходимо, чтобы у них было свободное время для обучения. А при нехватке специалистов где взять еще и свободное время? По поводу закрепления студентов. К сожалению, в тех ВУЗах, где еще более менее выпускаются нормальные студенты, уже все студенты разобраны. В первую очередь, организациями, связанными с военкой. К тому же выпустятся они еще не раньше чем через год-два, да и выпустятся они не специалистами, а лишь выпускниками, специалистов с них еще надо делать, на это еще надо год-два. Итого эти способы только на перспективу, получить здесь и сейчас специалистов не получится.
Отдельно хочу выделить предложения об отношении к инженеру, как к человеку, ну и всякие вытекающие, типа соблюдения КЗОТ. Это очень важный пункт, и не только в отношении к инженерам, этого хотелось бы ко всем, но, к сожалению, тут сложно что-то сделать. Но очень бы хотелось.
Еще было предложение с наймом с заграницы. Ну, считаю, это нереально. Во-первых, там тоже напряженка с такими специалистами. Во-вторых, все же уровень оплаты там существенно выше нашего, поэтому конечно, иногда можно таким образом найти специалиста, но это может быть только точечное решение, а не когда это глобальная нехватка.
Ну и также, я в первом посте писал, что напишу свой вариант, если его никто не напишет. Барабанная дробь... Очень близко есть совет от одного профессора МГУ, с которым мы, правда, разошлись в другом вопросе, но здесь не об этом. Итак, его совет был аутсорсинг. Этим способом, конечно, можно решить много проблем: можно вести бухгалтерию, можно изготавливать детали, можно даже заказать разработку КД. Однако технические вопросы решать аутсорсингом, все же не всегда возможно. Например, как можно решить аутсорсингом наладку детали на станке с ЧПУ? Я это трудно себе представляю. Управляющую программу, конечно, можно сделать по аутсорсингу, а вот провести наладку практически нереально. Но все же, я тоже считаю это решением. Я долго ломал голову, как можно решить проблему нехватки специалистов и пришел к выводу, что это один из реальных способов, причем быстрых. Конечно, это не решит все проблемы, но помочь может, причем здесь и сейчас. А чтобы это принесло больше помощи, я считаю, надо распределять работу по возможностям, что нельзя делать удалено, а что наоборот, надо отдавать и не тратить на это время, высвобождая его на другие работы.
Но тут самое важное — это сделать правильный выбор. Правильный выбор задач, которые отдать на аутсорсинг. Правильный выбор аутсорсера. От этого будет зависеть не просто качество выполнения работ, но и чем в итоге обернется решение использования аутсорсинга в таких задачах, плюсом, или наоборот крахом предприятия.
Вот это я и предлагаю обсудить в этот раз.
P.S. Не знал, что из пикабу посты попадают в дзен, он мне не очень нравится, поэтому меня там нет, но на удивление, там возможно даже больше толковых комментариев.
Upd: Видать не смог я правильно выразить свою мысль, используя аутсорсинг, конечно специалистов больше не станет, но за счёт правильного распределения повысится производительность и качество работ.
Например, возьмём небольшое предприятие, там один специалист и за технолога и за конструктора. Ему надо успеть и конструкцию начертить и сделать техпроцесс, понятно что маршрутный в лучшем случае, и оснастку подготовить и инструмент купить, а ещё станок наладить. И это надо все сразу. Более быстро и качественно будет, если часть задач отдать на аутсорс, и выполнять это всё параллельно.
Кадр из фильма “Назад в Будущее 2”
Впервые о том, как будут развиваться технологии в будущем, заговорили ещё во 2 веке нашей эры. И этим человеком считается сирийско-греческий писатель Лукиан Самосатский, написавший роман “Правдивая история”. В романе были описаны путешествие в открытый космос на корабле и межпланетная война за колонизацию Утренней звезды (Венеры).
Вот и как тебе такое, Илон Маск?
И вот уже потом подхватили научную фантастику, как жанр, писатели Жюль Верн, Рэй Брэдбери, Дуглас Адамс и другие. Потом подключились и режиссеры: Дени Вильнев, Ридли Скотт, Джей-Джей Абрамс… Перечислять имена других создателей и восхищаться их произведениями можно долго.
Вот и сегодня мы вспомним, появление каких из современных технологий писатели, режиссеры, исследователи предсказывали чаще всего и что из этого сбылось.
Как представляли раньше:
Как выглядит сейчас:
В 1980-х годах люди начали говорить о том, что дом может стать "умным" — то есть использовать компьютеры и технологии для автоматизации задач и управления. Один из первых концептов умного дома был представлен в статье Джима Систэнда в журнале "Компьютеры и графика" в 1984 году. На тот момент идея осталась просто концепцией, потому что нужные технологии ещё не были разработаны.
С появлением интернета вещей (IoT) и развитием беспроводных технологий, умные дома стали реальностью в 21 веке. Теперь умный дом — это дом, который использует сенсоры, умные устройства и интернет для автоматизации и контроля. Вы можете управлять освещением, температурой, безопасностью и другими системами в вашем доме с помощью смартфона или голосовых команд.
Такие системы обеспечивают комфорт, безопасность и разумное энергопотребление в доме, делая жизнь более удобной и качественной. Сегодня умные дома становятся всё более доступными и распространёнными, и мы видим, как они интегрируются в повседневную жизнь людей по всему миру.
Как представляли раньше:
Как выглядит сейчас:
Идея создания авто, способных летать, была представлена в научной фантастике ещё в середине 20 века. С развитием технологий авиации и электромобилей в наше время стали разрабатываться прототипы летающих автомобилей, хотя коммерческое использование этой технологии пока остается ограниченным.
Первый прототип летающего автомобиля был разработан компанией "Terrafugia", основанной в 2006 году американским инженером Карлом Дайкстра. Их модель под названием Transition была представлена в 2009 году и была первым автомобилем, способным превращаться из автомобиля в самолёт и обратно. Этот прототип предназначался для личного использования и имел возможность взлетать и приземляться на небольших аэродромах.
Сейчас китайская компания X-Peng Motors готовит к выходу новую модель электромобиля — стильный спорткар, который сможет не только ездить по дорогам, но и летать в воздухе. Предполагаемая стоимость составит около 1 миллиона юаней, что в пересчете по текущему курсу составляет примерно 11,1 миллиона рублей.
Как представляли раньше:
Как выглядит сейчас:
История 3D-принтеров началась в 1980-х годах. Одним из первых пионеров в этой области была компания 3D Systems, основанная Чаком Халлом. Они создали первый коммерчески доступный 3D-принтер под названием "Аппарат для производства трехмерных объектов методом стереолитографии" (SLA) в 1986 году. Затем в 1992 году компания Stratasys выпустила первый прототип фьюзорной депозиционной моделировочной (FDM) технологии 3D-печати.
Сейчас 3D-принтеры применяются везде: прототипирование, производство, медицина, архитектура и даже космическая индустрия! Они позволяют создавать сложные детали, индивидуальные изделия и прототипы быстро и сравнительно недорого.
Технология 3D-печати продолжает развиваться, и с каждым годом появляются новые материалы, методы и применения, что делает ее одной из наиболее захватывающих и перспективных областей в мире инженерии и дизайна.
Как представляли раньше:
Как выглядит сейчас:
Истоки нейросетей и технологий ML восходят к 1943 году, когда Уоррен Маккаллок и Уолтер Питтс представили модель искусственного нейрона, которая послужила основой для развития нейронных сетей. В 1957 году Фрэнк Розенблатт создал перцептрон, одну из первых моделей нейронной сети, способную обучаться на основе обратной связи.
Сегодня нейросети и ML находятся в центре внимания в IT-индустрии. С развитием вычислительных мощностей и больших объемов данных они стали доступны для решения широкого спектра задач: от распознавания образов и обработки естественного языка до управления автономными системами и принятия решений в реальном времени. ML-инженеры, специализирующиеся на разработке и применении алгоритмов машинного обучения, в настоящее время являются одними из самых востребованных специалистов в IT-сфере. Их работа позволяет создавать инновационные продукты и решения, которые изменят нашу жизнь и бизнес-процессы в любой отрасли.
Как представляли раньше:
Как выглядит сейчас:
Идея виртуальной реальности (VR) зародилась еще в середине 20 века. Разработки были, но самого термина не существовало. Наиболее значительный вклад в ее развитие внес Джарон Ланье в начале 1980-х годов. Он создал термин "виртуальная реальность" и разработал первые системы виртуальной реальности, такие как манипулятор DataGlove и первый коммерческий VR-шлем EyePhone. Эти устройства позволяли пользователям взаимодействовать с виртуальным миром через сенсорные и визуальные интерфейсы.
Сегодня VR-технология является актуальной благодаря своему потенциалу в различных областях. В играх это открывает новые возможности для иммерсивного гейминга и виртуального туризма. В образовании VR может быть использована для создания интерактивных учебных сред, позволяющих студентам исследовать сложные концепции в более увлекательной форме. В медицине — для тренировки хирургов, реабилитации пациентов и даже лечения фобий.
Также VR используется в архитектуре, дизайне, военной симуляции и многих других областях. Перспективы развития связаны с улучшением технологий визуализации, созданием более доступных и удобных устройств виртуальной реальности, а также расширением ее применения в новые сферы, где она может значительно улучшить опыт человека.
Как представляли раньше:
Как выглядит сейчас:
Идея дронов с искусственным интеллектом присутствовала в научной фантастике и концепциях инженерии уже давно. Хотя 100 лет назад конкретно о такой технологии, как AI-дроны, не говорили, но в истории аэрокосмической индустрии существовали предпосылки для развития этой идеи. К примеру, в работах пионеров авиации, таких как Никола Тесла и Леонардо да Винчи, можно найти прототипы беспилотных летательных аппаратов.
Зато сейчас ИИ-дроны становятся все более актуальными и развитыми. Искусственный интеллект позволяет дронам принимать решения на основе анализа данных с датчиков и камер, обучаться на ходу, улучшать свою производительность и даже взаимодействовать с окружающей средой и другими дронами. Это делает их более автономными и эффективными в выполнении различных задач, таких как доставка грузов, наблюдение и патрулирование, аэрофотосъемка и даже поиск и спасение людей.
Роботы-хирурги
Как представляли раньше:
Как выглядит сейчас:
Идея использования роботов в хирургии впервые пришла в начале 20-го века, когда были разработаны первые прототипы медицинских роботов. Но их реальное внедрение началось лишь в конце 20-го — начале 21-го века благодаря совершенствованию технологий робототехники и искусственного интеллекта.
Один из первых успешных примеров роботизированной хирургии — это система Da Vinci, разработанная компанией Intuitive Surgical в начале 2000-х годов.
В 2024 году NASA планирует отправить робота-хирурга MIRA на МКС. MIRA — робот для внутренних операций, созданный в Virtual Incision совместно с Университетом Небраски. Под руководством профессора Фарритора его разрабатывали более 20 лет. В 2023 году он использовался при операции на толстой кишке через один разрез.
В ходе предстоящего полёта на орбиту инженеры хотят изучить особенности работы машины в условиях невесомости. В перспективе — через 50 или 100 лет — роботы вроде MIRA должны войти в стандартную комплектацию космического корабля на тот случай, если, к примеру, у одного из членов экипажа начнётся аппендицит.
Как представляли раньше:
Как выглядит сейчас:
В научной фантастике часто рассказывали о технологиях, позволяющих управлять компьютером только силой мысли. Сегодня такие интерфейсы уже существуют и используются, в основном, в медицине и исследованиях.
В 2024 году Neuralink впервые вживила в мозг человека специальное устройство, позволяющее управлять компьютером с помощью мыслей. Операция прошла успешна, ведь на данный момент первый испытуемый чувствует себя отлично, играя в игры действительно силой мысли.
В ходе исследования Neuralink применяет робота, который хирургическим путем вводит устройство интерфейса "мозг-компьютер" в участок мозга, ответственный за движения.
Как представляли раньше:
Как выглядит сейчас:
В 1960-е годы в фильмах можно было увидеть различные идеи роботов и автоматизации, но роботы-помощники в домашнем хозяйстве не были столь распространены. Некоторые фильмы того времени, такие как "Метрополис" (1927) Фрица Ланга или "Запретная планета" (1956) Фреда М. Уилкокса, изображали роботов. Правда, в ином контексте: они выполняли другие функции, не связанные с помощью в бытовых делах.
Первым коммерчески доступным роботом-помощником по дому был Unimate, созданный компанией Unimation в 1961 году. Этот робот был предназначен для выполнения задач на производстве, таких как поднятие и перемещение тяжелых предметов. Он не был таким, как современные роботы-помощники по дому, но его появление заложило основу для развития этой технологии в дальнейшем.
Взять с собой побольше вкусняшек, запасное колесо и знак аварийной остановки. А что сделать еще — посмотрите в нашем чек-листе. Бонусом — маршруты для отдыха, которые можно проехать даже в плохую погоду.
В Уругвае обнаружен удаленный охранник: девушка следит за входом в здание по видеосвязи через экран. При этом она наблюдает сразу за несколькими входами.
- - -
NeuroTrends 👇:
https://t.me/neuro_trends8/7144
Или история о том, как научная статья "Вам нужно только внимание..." немного перевернула игру и индустрию ИИ.
Трансформеры становятся сотами или попросту попадают в самые последние решения сферы NLP. Кстати, заслужили свою популярность они вообще недавно — только в 2017 году, когда курс доллара был 60 рублей, а для тг-каналов с новыми ИИ не исчислялись тысячами.
Мы уже писали почему трансформаторы стали популярными и как обеспечили компаниям по типу OpenAI успех. Не зря их главный продукт называется GPT, иначе Generative Pre-trained Transformer.
Нет взрывающихся или исчезающих градиентов.
Параллельное и быстрое обучение.
Механизм внимания и больше никакой зависимости от положения слов.
Читайте об этой архитектуре нейронок в нашем новом материале
Задачи машинного перевода, языкового конструирования или распознавания голоса. Когда-то все они решались при помощи RNN, так называемых, рекуррентных нейронных сетей, которые упрощали, сводили огромное число параметров к конечному результату и условному прогнозу.
Отличие RNN от обычной нейронки со скрытыми слоями и output/input — наличие временной компоненты и памяти.
Визуализация работы полносвязной или простейшей нейронной сети.
Принцип работы рекуррентных нейронных сетей основан на идее обратной связи, где выход одного шага сети используется как часть входа на следующем шаге. Информация из предыдущих шагов последовательности сохраняется и передается на следующие шаги для анализа и прогнозирования. Именно поэтому RNN доминировали в решении задач, связанных с языком.
В этом смысл названия. Рекурсия. Мы постепенно переходим от временного шага t и входных данных к новому скрытому состоянию и так постепенно накапливаем данные. Так и учитывается контекст. Читая книгу, мы запоминаем детали с предыдущих страниц, а в конце неожиданно начинаем сами дописывать прочитанный нами "детектив"...
Создатели RNN-щики попросту учли наш способ чтения — он последовательный. Слово за словом, состояния за состояниями, данные за данными. Обрабатывая токен или слово, ИИ запоминает "информацию" с токена и передает ее дальше для использования при обработке следующего слова/токена. У каждого слоя нейронки появляется своеобразная "память".
Помимо связей между слоями, элемент получает связь с самим с собой, возвращается к себе, передавая информацию с текущего момента времени t1 в следующий момент времени t2.
Возьмем за пример предложение: “I love dogs”. Сначала рекуррентная нейронка пронесет через себя I, которую можно представить в виде вектора, запомнит некоторые данные и использует их при последующей последовательной обработке love.
Формулы рекуррентной сети немного сложнее:
Обучаемая матрица в конкретный момент времени t умножается на входные данные. Все это суммируется с умноженной обучаемой матрицей и скрытым вектором на предыдущем шаге (t-1). Все это безусловно прогоняется через функцию активации.
Новое скрытое состояние умножается на обучаемую матрицу и готово. Наш выход yt!
Вектор скрытого состояния — это и есть "память" слоя.
Мы получили новое скрытое состояние, приправив обработанное старое дополнительными входными данными. Всем понятно, что такие рекуррентные нейросети из-за своего принципа постепенного накопления данных работают дольше. Представьте себе нейросеть, которая прогоняется через тысячи слов и предложений…
Память у такой рекуррентной сети неизбирательная, так что в какой-то момент мы просто можем забыть "информацию" с самых первых “скормленных” слов… При обработке длинных последовательностей RNN кодеры могут столкнуться с проблемой исчезающего градиента.
Так как нам учитывать все эти злосчастные скрытые состояния, а не только одно последнее? Вот для этого в 2017 году энтузиасты и разработали механизм "Attention".
В нужные моменты мы обращаем внимания на нужные слова. А не распределяем токены один к одному. Очевидно, что, например, последовательность слов в разных языках разная. А одни слова чаще употребляются с другими. Принцип Attention, который был разработан ученым-энтузиастами, призван как раз распределять веса или значимость токенов/слов и создавать эффект “контекста”.
Принцип максимально приближен к имитации семантических цепочек.
Например, плитку мы упоминаем в архитектурном, строительном или интерьерном контексте. Для любого слова в языке есть набор постоянно употребляемых в контексте слов. Говорим "выстрели", скорее, из ружья или пистолета... Говорим “включи” чаще ПК, телефон или "в розетку".
Млекопитающее-кит-планктон-вода...
Стул-стол-гарнитур-мебель-вилка...
Мы можем распределить "значимость" одних слов для других. Стулья бывают разные: на улице, на кухне, в банкетном зале, в офисе... Необязательно стул как-то должен быть связан с гарнитуром или вилкой. А вот со столом...
Именно поэтому предпочтительнее в тексте раскидывать значимость слов контекстуально.
Легче понятие "attention" описать концепцией сущности вещей. Вот есть у нас автомобиль, что прежде всего делает автомобиль автомобилем? Безусловно — колеса. Колеса важнее всех остальных элементов.
Зеленым подсвечены точки интереса – внимания.
Attention (внимание) в машинном обучении — это механизм, который позволяет модели динамически выбирать, на какие части входных данных сосредоточить своё внимание при выполнении задачи.
Механизм Attention используется для вычисления весового коэффициента для каждого слова во входной последовательности на основе его важности в контексте текущего запроса или задачи. Эти весовые коэффициенты затем используются для взвешенного суммирования представлений всех слов, чтобы получить контекстуализированное представление.
Матрица должна обучаться при тренировке. Для каждого токена она будет считать вектор и распределять места по месту в предложении. Выглядит это примерно так.
Механизм Attention задает матрицу весов или тех самых семантические цепей, где определяется важность одних слов для других. Если открыть обычный google-переводчик, мы увидим целый список переводов одного слова по степени их популярности или важности.
При работе типичных кодеров/декодеров, например, вариационного автокодировщика результаты с применением дополнительного слоя Attention повышаются, значительно. “Внимание” раскрывает вероятностный подход нейросети.
Какая вероятность, что перевод слова sex – любовь, а не пол человека? Но полноценно вся мощь этого механизма разработана в трансформерах.
Attention заменяет каждый эмбеддинг токена/слова на эмбеддинг, содержащий информацию о соседних токенах, вместо использования одинакового эмбеддинга для каждого токена вне зависимости от контекста. Если бы мы кодировали слова по принципу словаря, получили бы просто “мешок слов”, который никак с друг другом не связан.
Теперь вместо рекуррентных нейронок пришло время трансформеров. Они учитывали контекст избирательно и формировали своеобразные матрицы весов для слов. Теперь процесс обработки естественного языка предполагал не последовательной накопления нагромождения данных, а получения избирательного контекста отдельных слов и их употреблений…
Архитектура трансформера состоит из енкодера и декодера.
Энкодер состоит из слоев, как и декодер.
Каждый из слоев состоит из блоков: self-attention и полносвязной нейронной сети (обычная нейронка, где одни слои связаны со всеми последующими слоями).
Входные данные проходят через механизм self-attention и в новом векторном представлении “скармливаются” обычной полноразмерной нейронной сети.
Self-attention — главный костяк работы трансформера. Давайте представим, что у нас есть предложение "Кот ловит мышь". Каждое слово в этом предложении (кот, ловит, мышь) представлено вектором. Self-Attention — это механизм, который позволяет модели фокусироваться на важных словах в предложении и определять, какие слова имеют большее значение для понимания смысла всего предложения.
Для каждого слова в предложении мы создаем три вектора: запрос (Query), ключ (Key) и значение (Value). Затем мы используем эти векторы, чтобы определить, насколько каждое слово важно для каждого другого слова в предложении. Естественно, что подобное перемножение не работает простым образом.
Главная цель self-attention затащить в нейронную сеть максимальное число векторных представлений, которые бы обрисовывали значимость отдельных слов в разных контекстах.
Когда мы говорим "Кот ловит мышь", модель может сосредоточиться на слове "Кот", чтобы понять, о ком идет речь. Для этого модель вычисляет, насколько слово "Кот" важно для каждого другого слова в предложении. Если важно, она больше обращает на него внимание.
Слово It зависимо в большей степени от animal. Животных в английском языке называют местоимением “Оно”.
Таким образом, благодаря механизму Self-Attention, модель может динамически определять, какие слова в предложении наиболее значимы, учитывая их контекст и взаимосвязь друг с другом. В результате работы механизма мы получаем attention-score.
Если провести такую операцию своеобразного эмбендинга кода, а именно восемь раз и получить на выходе новые матрицы с весами мы получим целый набор весов для разных контекстов, а это еще больше информации! Чем больше информации – тем лучше.
ChatGPT обучается на больших наборах текстовых данных, где модель пытается минимизировать потери (например, перекрестную энтропию) между сгенерированным текстом и правильными ответами. В процессе обучения модель настраивает веса внутри блоков трансформера, чтобы улучшить качество генерации текста. И вот мы получаем мощнейшую нейронку с миллиардами параметров и вполне приемлемым текстом для пользователей.
1. BERT (Bidirectional Encoder Representations from Transformers): Разработанный в Google, BERT - это модель трансформера, обученная на огромном корпусе текстовых данных для выполнения различных задач NLP, таких, как классификация текста, извлечение информации и вопросно-ответные системы.
2. T5 (Text-to-Text Transfer Transformer): Разработанный Google, T5 – универсальная модель трансформера, которая может решать широкий спектр задач NLP, представленных в формате текст-к-тексту. Такой формат позволяет использовать единый обученный трансформер для различных задач, таких как перевод, классификация, генерация текста и многое другое.
3. XLNet. Этот подход, также разработанный Google, представляет собой расширение и улучшение модели трансформера BERT. XLNet использует перестановочный механизм предложений и предлагает улучшенное моделирование контекста и лучшее качество на различных задачах NLP.
4. RoBERTa (Robustly optimized BERT approach). Разработанный Facebook, RoBERTa – это улучшенная версия модели BERT, которая была обучена с использованием различных стратегий обучения, таких как динамическое маскирование и обучение на длинных последовательностях, что привело к улучшению качества на различных задачах NLP.
IT-мир впервые узнал о трансформерах в 2017 году, когда команда исследователей из проекта Google Brain представила эту технологию. Это был тот самый момент, когда разработка ИИ вышла на новый уровень.
Почему?
Трансформеры представляют собой архитектурный подход, который отличается от традиционных рекуррентных нейронных сетей (РНС) и сверточных нейронных сетей (CNN). Они используют механизм внимания для обработки входных данных без необходимости в управляемом порядке. Ведь трансформеры могут работать с данными параллельно, в отличие от старых моделей, где обработка шла последовательно.
Это делает их не только быстрее в обучении, но и позволяет им эффективно обрабатывать большие объемы данных.
Технически, трансформеры используют механизм внимания для того, чтобы "сосредоточиться" на разных частях текста одновременно, а также позиционные эмбеддинги для того, чтобы знать, где каждое слово расположено в предложении или тексте.
Помимо обработки текстовых данных, трансформеры, такие как ViT (Vision Transformer), применяются для обработки изображений на различных задачах computer vision.
Сегодня на основе архитектуры трансформер работают практически все большие языковые модели: GPT-4, YandexGPT, Llama, Claude, Gemini и другие.
Привет всем читателям! Сегодня в деталях расскажем, какие профессии частично или полностью уже заменили технологии ИИ.⚡Самые свежие данные на февраль 2024.
Содержание:
— Введение
— Какие профессии заменят нейросети? 19 реальных примеров!
— Заменит ли ИИ специалистов этих профессий на 100%?
В современном мире искусственный интеллект (ИИ) играет все более значимую роль в различных областях человеческой деятельности.
Вместе с тем, развитие технологий ИИ ставит под угрозу ряд профессий, которые ранее выполнялись в основном людьми.
В нашей статье мы рассмотрим, как именно ИИ уже заменяет сотрудников в различных сферах деятельности, а также проанализируем прогнозы развития этой тенденции до 2030 года.
Поехали!
Уже применяют: Associated Press.
ИИ выполняет следующие задачи:
· Автоматизированное создание новостных статей на основе анализа данных.
· Генерация отчетов и аналитических материалов по событиям.
· Мониторинг новостных источников и сбор информации.
· Формирование и адаптация текстов под разные платформы и аудитории.
· Анализ реакции читателей и оптимизация контента под интересы аудитории.
Ожидается, что к 2025 году ИИ будет активно использоваться в журналистике для автоматического создания новостных материалов, анализа данных и формирования аналитических отчетов, что изменит способы производства и распространения новостей.
Уже применяют: Amazon.ИИ выполняет следующие задачи:
1. Роботы-сборщики перемещают товары по складу.
2. Системы автоматической сортировки определяют распределение заказов.
3. Алгоритмы маршрутизации оптимизируют процесс сборки заказов.
4. Программы прогнозирования спроса оптимизируют управление запасами.
5. Автоматические сканеры отслеживают движение товаров.
К 2030 году ожидается, что 20 миллионов сборщиков заказов по всему миру могут быть заменены роботами и автоматизированными системами на складах.
Уже применяют: банковская сфера в Европе/РФ.
ИИ выполняет следующие задачи:
· Автоматическая обработка и анализ финансовых данных.
· Генерация финансовых отчетов и документов.
· Автоматизированный анализ юридических документов и договоров.
· Предсказание рисков и советы по соблюдению законодательства.
· Оптимизация налоговых обязательств и управление финансами.
По прогнозам экспертов, до 2025 года 65% компаний планируют автоматизировать свои бухгалтерские и юридические процессы с использованием ИИ и автоматизации рабочих процессов.
Уже применяют инвестиционные компании в США.
ИИ выполняет следующие задачи:
· Автоматизированный анализ финансовых рынков и трендов.
· Прогнозирование цен акций и облигаций на основе алгоритмов машинного обучения.
· Определение инвестиционных возможностей и рисков.
· Автоматическое выполнение торговых операций на бирже.
· Моделирование и анализ портфелей инвестиций.
Согласно опросам, более 70% финансовых учреждений Европы планируют интегрировать ИИ для анализа данных и автоматизации процессов принятия решений в фин анализе до 2025 года.
Уже применяют: Google Translate.
ИИ выполняет следующие задачи:
· Автоматический перевод текстов и аудио.
· Распознавание и перевод речи в реальном времени.
· Адаптация перевода под контекст и стиль.
· Обучение на основе больших объемов данных.
· Постоянное совершенствование качества перевода.
Ожидается увеличение использования машинного перевода с 2022 по 2025 годы, что значительно сократит объемы работы для переводчиков.
Уже применяют: 80% крупных организаций в Индии.
ИИ выполняет следующие задачи:
· Обработка и анализ больших объемов данных.
· Построение статистических моделей и прогнозирование трендов.
· Идентификация паттернов и корреляций в данных.
· Визуализация данных и создание информационных дашбордов.
· Автоматизация процесса принятия решений на основе данных.
К 2025 году ожидается, что более 70% компаний в Европе и Азии будут активно использовать ИИ для анализа данных и выявления закономерностей, что существенно сократит время на обработку информации и улучшит принятие стратегических решений.
Уже применяют: Call center Amazon.
ИИ выполняет следующие задачи:
· Автоматизированные ответы на повторяющиеся запросы клиентов.
· Распознавание и классификация тематики звонков.
· Анализ тона голоса и эмоциональной окраски клиентов.
· Предложение персонализированных рекомендаций и услуг.
· Оптимизация расписания и распределения малого кол-ва операторов.
До 2025 года большинство компаний, занимающихся обслуживанием клиентов, перейдут к использованию ИИ для автоматического ответа на повторяющиеся запросы и анализа тона голоса клиентов, что повысит эффективность работы и улучшит качество обслуживания.
Уже применяют: Редакция Forbes.
ИИ выполняет следующие задачи:
· Проверка орфографии, пунктуации и стилистики текстов.
· Генерация заголовков и подзаголовков на основе алгоритмов ИИ.
· Автоматическое создание текстов на основе предложенных тем.
· Анализ SEO-параметров и оптимизация контента под поисковые запросы.
· Использование алгоритмов для определения наиболее востребованных тем и ключевых слов.
В ближайшем будущем ИИ будет играть все более важную роль в создании и редактировании контента, улучшая его качество, уникальность и адаптированность к целевой аудитории.
Уже применяют: Сеть автосервисов Bosch.
ИИ выполняет следующие задачи:
· Диагностика неисправностей на основе анализа данных с датчиков автомобиля.
· Предложение рекомендаций по ремонту и обслуживанию на основе базы знаний.
· Планирование и оптимизация процесса ремонта с использованием алгоритмов.
· Интерактивное руководство для автомехаников на основе дополненной реальности.
· Прогнозирование дальнейших проблем и необходимых ремонтных работ.
Ожидается, что к 2030 году автоматизация диагностики и ремонта автомобилей с помощью ИИ значительно увеличится, что приведет к более эффективному обслуживанию и сокращению времени на ремонтные работы.
Уже применяет: Zillow.
ИИ выполняет следующие задачи:
· Автоматизированная оценка стоимости недвижимости на основе анализа рынка.
· Предложение персонализированных рекомендаций покупателям на основе их предпочтений.
· Анализ тенденций рынка недвижимости и прогнозирование цен.
· Сопоставление предложений покупателей и продавцов на основе алгоритмов.
· Создание виртуальных туров по недвижимости и аналитических отчетов.
По прогнозам аналитиков, к 2025 году процесс покупки и продажи недвижимости будет все более автоматизирован с помощью ИИ, что упростит поиск и сделки для клиентов, а также ускорит процесс заключения сделок.
Уже применяют: Luminance в Великобритании.
ИИ выполняет следующие задачи:
· Автоматический анализ юридических документов и выявление ключевых моментов.
· Предсказание результатов судебных процессов на основе анализа аналогичных случаев.
· Автоматическое формирование договоров и юридических документов.
· Обнаружение возможных юридических рисков и нарушений.
· Предоставление консультаций и рекомендаций по юридическим вопросам на основе аналитики.
Ожидается, что к 2025 году ИИ станет неотъемлемой частью работы юристов, сокращая время на анализ юридических документов, предсказывая результаты судебных процессов и предоставляя рекомендации по юридическим вопросам.
Уже применяют: платформа Coursera.
ИИ выполняет следующие задачи:
· Персонализированное обучение на основе анализа стиля и уровня знаний студента.
· Автоматическая проверка заданий и тестов.
· Предложение рекомендаций по курсам и материалам для обучения.
· Адаптивное создание учебных программ и курсов на основе запросов студентов.
· Анализ эффективности образовательных методов и их оптимизация.
По прогнозам экспертов, к 2025 году образовательные процессы будут все более персонализированными благодаря использованию ИИ, что улучшит качество обучения и повысит доступность образования для всех.
Пример: Wix.
ИИ выполняет следующие задачи:
· Создание шаблонов и макетов веб-сайтов на основе алгоритмов.
· Адаптация дизайна под различные устройства и разрешения экранов.
· Анализ пользовательского поведения и оптимизация интерфейса.
· Генерация графических элементов и иллюстраций автоматически.
· Предложение рекомендаций по улучшению пользовательского опыта.
Ожидается, что к 2025 году ИИ будет активно применяться в веб-дизайне для автоматизации создания шаблонов, адаптации дизайна под разные устройства и оптимизации пользовательского опыта.
Пример: HubSpot.
ИИ выполняет следующие задачи:
· Анализ трендов и ключевых слов для создания контента.
· Планирование контент-стратегии на основе данных о поведении аудитории.
· Генерация и оптимизация контента с использованием алгоритмов.
· Автоматическое распространение контента через социальные сети и платформы.
· Мониторинг и анализ эффективности контент-маркетинговых кампаний.
По прогнозам специалистов, к 2025 году ИИ будет широко использоваться в контент-маркетинге для анализа трендов, генерации контента и оптимизации контент-стратегий, что улучшит эффективность маркетинговых кампаний.
Уже применяют: Hootsuite в Канаде.
ИИ выполняет следующие задачи:
· Автоматизированная публикации контента в социальных сетях.
· Анализ эффективности публикаций и вовлеченности аудитории.
· Генерация отчетов и аналитика по социальным медиа-аккаунтам.
· Планирование контент-календаря и оптимизация публикаций.
· Мониторинг упоминаний бренда и реакция на отзывы пользователей
Ожидается, что к 2025 году ИИ станет неотъемлемой частью управления социальными медиа-аккаунтами, автоматизируя процессы публикации контента, анализа эффективности и взаимодействия с аудиторией.
Это дополнение позволяет получить более конкретное представление о том, каким образом ИИ будет влиять на различные профессии в ближайшем будущем.
Заменят ли нейросети художников, программистов, дизайнеров… человека?
Вопрос о том, стоит ли нам переживать из-за возможной замены человеческого труда нейросетями и искусственным интеллектом, остается открытым, и мы активно обсуждаем его и другие важные события в мире ИИ и бизнеса в своём TG канале! Подписывайтесь, что бы всегда быть в курсе свежего и полезного ;)
Действительно, в некоторых областях ИИ уже сегодня заменяет человека полностью, обеспечивая большую эффективность и точность выполнения задач.
Однако в других сферах, таких как творчество, креативный дизайн и решение сложных нетривиальных задач, человеческий интеллект пока остается неповторимым.
Важно помнить, что в центре всех технологических инноваций всегда должен оставаться человек, его креативность, интуиция и способность к адаптации.
_____
Спасибо за прочтение и до новых встреч!
Nexmind.ru - внедрение ИИ в бизнес.
Huntr - сервис с искусственным интеллектом поможет в создании резюме и сопроводительных писем под каждую вакансию, кроме того автоматически заполнит формы
Вся информация удобно хранится в одном месте, что очень удобно - контакты, задачи, даты, документы, зарплаты, данные компании и многое другое.
Есть доска трекинга, которая отслеживает состояние поиска работы и визуализирует процесс - сколько вы отправили заявок, прошли собеседований и получили предложений о работе.
Кроме этого, сервис находит и предлагает вакансии от ведущих мировых компаний. Есть приложения на iOS и Android.
В видео такой голос, так как перевод и дубляж выполнен в нейросети ElevenLabs с сохранением изначального голоса и тембра.
Хотите быть в курсе полезных ии сервисов для работы, учебы и облегчения жизни? Подпишитесь на мой канал в Telegram НейроProfit, там я рассказываю о том, как зарабатывать с помощью нейросетей и использовать ии-сервисы для бизнеса 😉