Теги → глубинное обучение
Быстрый переход

GTC Europe 2017: ПО Vincent превращает наброски на экране в картины великих художников

На выставке GPU Technology Conference, состоявшейся на днях в Мюнхене, бюро дизайна и разработки Cambridge Consultants продемонстрировало инструмент, который создаёт картины на основе сделанных от руки набросков в стилистике великих художников.

В основе Vincent лежит нейросеть, полученная с помощью различных методов глубокого обучения. Основной из них — функция перцептивных потерь — позволяет трансформировать одно изображение в другое, сохраняя высокоуровные признаки и заменяя низкоуровневые (таким образом работает известное приложение Prisma). Однако разработчики Vincent дополнительно применили метод вложенных (stacked) сетей, который подразумевает совместную работу нескольких, натренированных по отдельности, моделей. А главное, логика программы отточена состязательным подходом, когда одна нейронная сеть пытается произвести изображение, стилистически неотличимое от картины какого-либо известного художника, а другая сеть пытается обнаружить отличия между сгенерированным изображением и известными шедеврами.

Обучение Vincent выполнялось на аппаратной платформе NVIDIA DGX-1 (шасси содержит восемь процессоров P100 либо V100) при помощи базы, содержащей тысячи произведений — от эпохи Возрождения до наших дней. В итоговую сеть вошли почти 200 тысяч параметров. В отличие от предшествующих приложений такого рода, которые используют в качестве вводных данных готовые изображения, системе Vincent достаточно предоставить созданный человеком набросок, а сеть затем определит, что «означают» те или иные формы, и заполнит холст в соответствии со стилем выбранного живописца. После того, как трансформация завершена, пользователь может внести изменения, которые будут интегрированы в новую версию картины.

GTC Europe 2017: NVIDIA использует виртуальную реальность для тренировки роботов

На днях NVIDIA запустила программу раннего доступа к виртуальной среде Holodeck, предназначенную для совместного проектирования материальных объектов и тренировки персонала промышленных предприятий в обращении с новым оборудованием. Но данная технология может с таким же успехом применяться в другой сфере — обучении искусственного интеллекта. Для этого предназначен проект Isaac (имя дано в честь Ньютона и Азимова), который компания продемонстрировала на GPU Technology Conference.

В простейшем случае Isaac позволяет роботам, действующим на основе сетей глубокого обучения, многократно ускорить освоение простых физических манипуляций — таких как сортировка и монтаж деталей на конвейере. В данный момент заводские роботы программируются алгоритмическим образом. Как следствие, подготовка последовательности операций занимает сравнительно большое время — это подходит для выпуска изделий большими партиями, но плохо окупается на мелких заказах. С другой стороны, обучение робота при помощи нейросетей может быть ещё более длительным и даже небезопасным, если речь идёт о больших машинах. Оба из этих факторов устраняет предварительный этап тренировки в виртуальной среде, скорость которой ограничена фактически лишь вычислительной мощностью массива GPU. Полученную с помощью Isaac программу затем загружают в память реального робота.

Хотя Isaac позиционируется в первую очередь как средство обучения роботов моторным операциям, таким же образом могут решаться задачи иного класса (распознавание образов, навигация в пространстве и т. д.) — при условии, что VR-среда в каждом конкретном случае обеспечивает лучшую скорость обучения, чем предшествующие методы. К примеру, на GTC при помощи шлема HTC Vive и ПО Isaac можно было сыграть с роботом в домино. Сам Isaac тоже является самообучаемой системой: одновременно могут быть запущены несколько сценариев тренировки, среди которых будет избран наиболее эффективный путь. Последний, в свою очередь, тоже будет размножен на несколько альтернативных сценариев и т. д.

Как и Holodeck, проект Isaac использует движок Unreal Engine 4, а также поддерживает интеграцию с OpenAI Gym — открытом наборе алгоритмов обучения с подкреплением. В данный момент исследователи могут получить доступ к ранней версии Isaac, подав обращение на сайте NVIDIA.

Google купила индийского разработчика искусственного интеллекта Halli Labs

Сегодня стало известно о покупке Google индийской компании Halli Labs, базирующейся в Бангалоре (Индия). Этот стартап, основанный в мае 2017 года, занимается разработками в области искусственного интеллекта. Специалисты Halli Labs главным образом сосредоточены на создании систем глубинного и машинного обучения.

Halli Labs сообщила о сделке с Google на веб-сайте Medium. Факт приобретения Halli Labs затем подтвердил в Твиттере вице-президент Google по продуктам Цезарь Сенгупта (Caesar Sengupta). Детали покупки не раскрываются.

Стартап заявил, что присоединится к команде Next Billion Users компании Google, чтобы «помочь получить больше технологий и информации для людей по всему миру».

Сделка подтверждает интерес технологического гиганта к разработкам в области ИИ, в которой он является одним из признанных лидеров. Google и до этого приобретала разработчиков ИИ, подобных британской DeepMind, а также активно продвигала программы с учебными заведениями для подключения к исследованиям юных талантов.

Помимо Google и её материнской компании Alphabet, активным приобретением стартапов в области ИИ занимаются такие компании, как Baidu, Samsung, Microsoft, Apple, Facebook и Snap.

Сотрудничество Volkswagen и NVIDIA вышло за пределы автоиндустрии

Volkswagen объявила об углублении сотрудничества с NVIDIA с целью расширения использования своих технологий искусственного интеллекта (ИИ) и глубинного обучения за пределами области автономных транспортных средств в других сферах бизнеса.

В 2014 году Volkswagen создала в Мюнхене лабораторию анализа данных. В прошлом году компания наняла профессора Патрика ван дер Смагта (Patrick van der Smagt), возглавившего подразделение по разработке ИИ, реализующее задачу использования этой технологии в таких областях, как «роботизированное предприятие», или в корпоративных настройках.

Предпосылкой для нынешнего объявления о расширении партнёрства стало желание Volkswagen задействовать новые возможности ИИ и глубинного обучения в рамках своих корпоративных бизнес-функций и «в области мобильных услуг», то есть расширить сферу их применения.

Grejeen Business

Grejeen Business

Например, немецкий автопроизводитель сообщил о работе над путями оптимизации транспортного потока в городах и городских районах, а также о большом потенциале новых технологий для интеллектуального взаимодействия человека с роботом.

«Искусственный интеллект — это ключ к цифровому будущему Volkswagen Group. Мы хотим сами разрабатывать и развёртывать высокопроизводительные системы ИИ. Вот почему мы расширяем необходимые специальные знания. Сотрудничество с NVIDIA станет важным шагом в этом направлении», — заявил д-р Мартин Хофманн (Martin Hofmann), ИТ-директор Volkswagen Group.

Помимо работы с собственными брендами Volkswagen, автопроизводитель и NVIDIA объединили усилия, чтобы помочь другим стартапам в автомобильном пространстве. VW Data Lab запустила при помощи NVIDIA программу поддержки стартапов, которая специализируется на машинном и глубинном обучении. В ходе первого этапа будет реализована поддержка пяти стартапов, он стартует осенью этого года. Дуэт также вскоре запустит для студентов проект «Summer of Code».

Новая статья: Репортаж с Intel AI Day: новый мозг для искусственного разума

Данные берутся из публикации Репортаж с Intel AI Day: новый мозг для искусственного разума

Виртуальный помощник Mezi сфокусировался на путешествиях

Стартап Mezi первоначально создавал одноименный программный продукт в качестве универсального интеллектуального виртуального помощника, но разработчики решили сконцентрироваться на одном направлении. Обновлённое приложение Mezi app станет незаменимым помощником для путешественников.

Mezi поможет путешественникам

Mezi поможет путешественникам

Новое приложение позволяет пользователям искать и бронировать билеты, места в отелях, а также резервировать места в ресторанах. Причём все эти действия будут сопровождаться подсказками чат-бота.

Google Trips

Google Trips является одним из самых популярных инструментов для путешественников

В отличие от большинства стартапов, которые используют движок искусственного интеллекта от одного из провайдеров, например, IBM Watson, Mezi решила пойти другим путём и построила собственную систему глубинного обучения с поддержкой обработки речи.

Travel-приложения, такие как Kayak app, Google Trips, Skyscanner, также помогают путешественникам планировать поездки, но многие из них всего лишь дают ссылку на отдельные сайты для завершения покупки. Mezi не только ищет информацию, но и умеет совершить транзакцию. Пользователю достаточно один раз ввести свои персональные данные и реквизиты кредитной карты, а дальше все заботы берёт на себя приложение.

По словам главы компании Свапнила Шинде (Swapnil Shinde), рост количества travel-запросов в три раза превышает запросы на покупки в интернет-магазинах. За последние десять месяцев средняя стоимость заказа (касающегося путешествий) через Mezi составила $505. Это стало решающим фактором для изменения вектора развития приложения.

Toshiba создала самый энергоэффективный нейроморфный процессор

Компания Toshiba Corporation работает над созданием так называемой нейронной сети во временной области (Time Domain Neural Network, TDNN) для Интернета вещей и отрасли Big Data. Особенностью TDNN является использование нового нейроморфного процессора, который отличается сверхнизкой потребляемой мощностью и при этом покрывает потребности глубинного обучения.

Нейронная сеть TDNN

Нейронная сеть TDNN

Нейронные сети и глубинное обучение требуют огромного массива вычислительных операций. Традиционно для этого используются высокопроизводительные процессоры, потребляющие много энергии. Но в отрасли IoT такой подход неприемлем, так как эти устройства не могут обеспечить большой мощности. Для них необходимо разрабатывать микросхемы с высокой энергоэффективностью, которые отличаются высокой производительностью при малых энергетических затратах.

Искусственные нейронные сети открывают новые уникальные возможности

Искусственные нейронные сети открывают новые уникальные возможности

В традиционной фон-неймановской архитектуре большая часть энергии затрачивается на перемещение данных от памяти к процессору. Одним из наиболее эффективных подходов к устранению этого недостатка является размещение огромного массива вычислительных элементов, каждый из которых нацелен на обработку данных, размещённых ближе всего к нему. Эти точки данных получают весовые коэффициенты в процессе преобразования входного сигнала в выходной. Чем ближе точка данных к желаемому выходу, тем выше коэффициент. Схема весовых коэффициентов используется в процессе глубинного обучения.

Построение процессоров для нейронных сетей часто сопряжено с увеличением сложности микросхем и их габаритов. Toshiba нашла способ создать такой вычислительный блок, который состоит всего из трёх логических вентилей и 1-битной памяти. Компания создала прототип чипа, который использует ячейку SRAM в качестве памяти и при этом способен распознавать рукописные фигуры. По энергоэффективности новое решение в 6 раз опережает другие устройства.

Теперь в планах Toshiba использовать ReRAM-память, что, по её мнению, позволит добиться ещё большей энергоэффективности. Конечной целью является разработка микросхемы, которая позволит добавить технологии глубинного обучения в компактные мобильные устройства.

DENSO и Toshiba разработают искусственный интеллект для автомобилей

Официальным пресс-релизом две известные японские компании — производитель запчастей и комплектующих DENSO Corporation и разработчик электроники Toshiba Corporation — объявили о договорённости совместно разрабатывать искусственный интеллект для автомобилей. Совместный проект носит название «Deep Neural Network-Intellectual Property» (DNN-IP). Итоговая разработка будет включать самостоятельно разработанные обеими компаниями технологии по распознаванию объектов, что поможет создать систему помощи водителю и привести к появлению технологий автоматического вождения.

Как следует из названия проекта, технология распознавания объектов системами автомобилей базируется на имитации работы головного мозга человека. Это алгоритм глубинного обучения на основе нейронной сети. В перспективе система на базе технологии Deep Neural Network должна будет работать лучше — быстрее и  точнее, чем на это способен человек.

Концепция работы системы автоматического распознавания объектов (Toshiba)

Концепция работы системы автоматического распознавания объектов (Toshiba)

Современные системы обучения машин опираются на анализ полученных с камер автомобиля картинок с учётом ранее загруженных изображений. Очевидно, что в этом случает учесть все возможные варианты дорожной ситуации просто невозможно. Системы глубинного обучения на базе нейронных сетей способны учиться на данных, получаемых самой системой в процессе сканирования пространства. Тем самым список идентифицируемых объектов быстро расширяется, а точность распознавания растёт.

Партнёры в лице компаний DENSO и Toshiba планируют создать целый спектр решений по глубинному обучению машин с использованием нейронных сетей. Блок для обучения может быть настолько небольшим, что он может быть встроен в состав процессора для управления системами автомобиля или в автомобильные камеры наблюдения.

Блоки для управления системами распознавания с обучением будет выпускать компания DENSO (DENSO)

Блоки для управления системами распознавания с обучением будет выпускать компания DENSO (DENSO)

Комплексную систему по оказанию помощи водителю в управлении машиной или автопилоты будет разрабатывать компания DENSO. Компания Toshiba берёт на себя задачу реализовать технологию «умного» распознавания объектов на дороге в виде электронных схем. При этом эффективность специализированного решения DNN-IP обещает оказаться выше широко используемых в данной сфере универсальных цифровых сигнальных процессоров или графических адаптеров.

Алгоритм Mitsubishi улучшит глубинное обучение в 30 раз

Компания Mitsubishi Electric Corporation заявила о создании нового высокоскоростного алгоритма глубинного машинного обучения, который включает функции логического вывода для идентификации, распознавания и прогнозирования неизвестного на основе известных фактов.

По мнению разработчиков, их алгоритм позволит упростить реализацию машинного обучения в автомобилях, промышленных роботах и других приложениях благодаря существенному уменьшению использования памяти и процессорного времени. Кроме того, отмечается возможность создания недорогих решений для систем искусственного интеллекта.

Mitsubishi Electric

Mitsubishi Electric

Mitsubishi планирует представить свою разработку в ходе Международной конференции по обработке нейронной информации (ICONIP 2016), которая проходит в Киотском университете с 16 по 21 октября. Кроме того, работа будет опубликована в издании Lecture Notes in Computer Science.

bgr.com

bgr.com

По утверждению авторов разработки, алгоритм выигрывает по времени обучения, вычислительной стоимости и требованиям к памяти в 30 раз у типичных систем искусственного интеллекта. Интеллектуальные логические выводы высокого уровня можно будет интегрировать непосредственно во встраиваемые системы без необходимости задействовать сервера и «тяжёлое» сетевое оборудование. Традиционные алгоритмы глубинного машинного обучения требуют построения больших нейронных сетей и большого количества ресурсов, в том числе много памяти.

Согласно данным аналитиков из компании Ernst & Young, рынок технологий искусственного интеллекта в 2015 году составил около $35 млрд. В 2016 году он вырастет ещё на 30 %.

Новая статья: ПаВТ 2016: Ускорители NVIDIA для суперкомпьютеров и нейронных сетей

Данные берутся из публикации ПаВТ 2016: Ускорители NVIDIA для суперкомпьютеров и нейронных сетей

MemNet проанализирует ваши фото на запоминаемость

Каждый из нас наверняка замечал, что одни визуальные образы (лица, пейзажи, картины и т.п.) запечатлеваются в нашей памяти надолго, другие же забываются почти мгновенно. Такая избирательность головного мозга человека подтолкнула исследователей из Лаборатории вычислительной техники и искусственного интеллекта Массачусетского технологического института (CSAIL MIT) к созданию MemNet — алгоритма для определения степени запоминаемости изображений, основанного на технологиях глубокого обучения.

К эксперименту учёные привлекли через Интернет почти пять тысяч добровольцев, которым было предложено последовательно просмотреть некоторое количество картинок. При этом участники исследования должны были нажимать на кнопку каждый раз, когда фотография казалась им знакомой.

Эксперимент показал, что абсолютно разные люди склонны запоминать и забывать в среднем одни и те же изображения. Те из них, что набрали наибольшее количество голосов от респондентов как ранее ими уже виденные, были «пропущены» через MemNet, использующую в своей работе искусственные свёрточные нейронные сети, архитектура которых основана на некоторых принципах функционирования зрительной коры головного мозга человека. Целью было выяснить, сможет ли программа предугадать реальную запоминаемость этих фотографий.

Результат оказался впечатляющим: MemNet оказалась на 30 % продуктивнее в своих прогнозах, чем существующее аналогичное ПО, а погрешность по отношению к реальным показателям оказалась в пределах лишь нескольких процентных пунктов.

Однако, как утверждают авторы проекта, высокая точность прогнозов — не единственное преимущество их разработки. Весьма полезной в практическом применении MemNet может стать функция выделения тех участков снимка, которые являются самыми запоминаемыми из всей композиции, и наоборот. Такие возможности открывают перед MemNet широкие перспективы в применении при создании более эффективной визуальной рекламы, но это в будущем, а пока все желающие могут ознакомиться с демо-версией приложения в режиме онлайн.

Автопилот Toyota взял на вооружение глубинное обучение

Компания Toyota постепенно совершенствует автопилотируемые функции своего экспериментального автомобиля, спроектированного на базе модели Lexus GS. Теперь этот автомобиль умеет самостоятельно вливаться в поток при выезде на автомагистраль с примыкающей дороги, безопасно съезжать с основного направления, менять полосы движения и обгонять другие автомобили.

Tech-On!

Tech-On!

Кроме того, Toyota заявила об использовании методов глубинного изучения в технологии, позволяющей распознавать окружающую ситуацию на дороге. Особенно полезными методы глубинного изучения оказались при организации автономного перемещения на участках дороги с круговым движением. Проезд таких перекрёстков представляет особые трудности для систем автопилота. При использовании традиционных технологий распознавания изображения предугадать поведение автомобилей на перекрёстке и место, где они сходят с круга, довольно сложно. Новая техника изучает целый массив изображений движущихся по кругу автомобилей и обеспечивает гораздо более высокую точность прогноза.

engadget.com

engadget.com

Напомним, свои автопилотируемые автомобили Toyota начала тестировать ещё с конца прошлого года.   

Робот BRETT учится на своих ошибках

Исследователи Калифорнийского университета в Беркли разработали алгоритмы, которые дают возможность роботам развивать моторику методом проб и ошибок. Интересно, что процесс такого обучения очень похож на то, как учится человек.

UC Berkeley

UC Berkeley

UC Berkeley

UC Berkeley

Изобретатели продемонстрировали результаты своей разработки, заставив робота завершить несколько разнообразных заданий, таких как развешивание одежды на крючки, сборка игрушечного самолётика, закручивание крышки на бутылке с водой, а также многие другие. При этом никакие образцовые похожие задачи в «мозг» робота не закладывались изначально, до всего он доходил на своём, иногда горьком, опыте. В своих экспериментах инженеры работали с роботом Willow Garage Personal Robot 2 (PR2), которого они назвали BRETT (Berkeley Robot for the Elimination of Tedious Tasks).

Как отметил профессор Питер Абель (Pieter Abbeel), здесь предлагается новый подход к обучению роботов. Ключевым является отсутствие необходимости перепрограммировать его при появлении новых неожиданных трудностей. Инженеры Калифорнийского университета в Беркли использовали технику глубинного обучения. Эта перспективная отрасль уже давно интересует конструкторов роботов, но ярких успешных примеров обученных по такому принципу роботов пока мало. Интересно отметить, что некоторые достижения отрасли глубинного обучения используются в таких популярных сервисах, как Apple Siri, Google speech-to-text и Google Street View. По мнению Абеля, серьёзные прорывы в глубинном обучении, которые позволят роботам решать действительно сложные задачи, можно ожидать в ближайшие 5–10 лет.

window-new
Soft
Hard
Тренды 🔥