Теги → искусственный
Быстрый переход

Учёные из MIT научили ИИ понимать тактильные ощущения

Роботы, которые смогут ориентироваться в пространстве на ощупь, появятся в недалёком будущем, утверждают исследователи из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (MIT). В недавно опубликованной ими научной работе, которая будет представлена на этой неделе на Конференции по компьютерному зрению и распознаванию образов в Лонг-Бич, Калифорния, они описывают систему на базе искусственного интеллекта (ИИ), способную воссоздавать визуальный образ объекта по тактильным ощущениям и предсказать тактильные ощущения от прикосновения к нему на основе изображения.

Учёные из MIT научили ИИ использовать тактильные ощущения. Пока что на ограниченной выборке, но ИИ уже может понять к чему и где он прикасается, а также предсказать ощущения от прикосновения к объекту на основе одного лишь изображения

Учёные из MIT научили ИИ использовать тактильные ощущения. Пока что на ограниченной выборке, но ИИ уже может понять к чему и где он прикасается, а также предсказать ощущения от прикосновения к объекту на основе одного лишь изображения

«Используя визуальное изображение, наша модель может представить возможные ощущения от прикосновения к плоской поверхности или к острому краю», — говорит аспирант Лаборатории искусственного интеллекта MIT и ведущий автор работы Юнчжу Ли (Yunzhu Li), который провёл исследования вместе с профессорами MIT Руссом Тедрейком (Russ Tedrake) и Антонио Торралба (Antonio Torralba), а также постдокторантом Джун-Ян Чжу (Jun-Yan Zhu). «Просто касаясь объектов без использования зрения, наша ИИ-модель может предсказать взаимодействие с окружающей средой исключительно по тактильным ощущениям. Объединение этих двух чувств может расширить возможности роботов и уменьшить объем данных, которые требуются для выполнения задач, связанных с манипулированием и захватом объектов».

ИИ предсказывает тактильные ощущения на базе визуальной информации. Зелёный квадрат — данные с тактильного сенсора, красный — предсказание ИИ

ИИ предсказывает тактильные ощущения на базе визуальной информации (зелёный квадрат — данные с тактильного сенсора, красный — предсказание ИИ)

Для генерации изображений на основе тактильных данных команда исследователей использовала GAN (англ. Generative adversarial network — генеративно-состязательная сеть) — двухчастную нейронную сеть, состоящую из генератора, который создаёт искусственную выборку, и дискриминатора, которые пытаются различить сгенерированные и реальные образцы. Обучалась модель на специальной базе данных, которую исследователи назвали «VisGel», представляющую собой совокупность из более чем 3 миллионов пар визуальных и тактильных изображений и включающую в себя 12 000 видеоклипов почти 200 объектов (таких как инструменты, ткани и товары для дома), которые ученые самостоятельно оцифровали при помощи простой веб-камеры и тактильного датчика GelSight, разработанного другой группой исследователей в MIT.

Используя тактильные данные, модель научилась ориентироваться относительно места прикосновения к объекту. Например, используя эталонную выборку данных по обуви и снятые с тактильного датчика данные, путём сравнения определить, к какой части обуви и с какой силой в данный момент прикасается манипулятор Kuka. Эталонные изображения помогли системе правильно декодировать информацию об объектах и окружающей среде, позволяя дальше ИИ самосовершенствоваться самостоятельно.

На базе тактильной информации ИИ определяет какого объекта коснулся манипулятор и в каком месте

На базе тактильной информации ИИ определяет, какого объекта коснулся манипулятор и в каком месте (зелёный квадрат — считывание информации, красный — поиск места предыдущего касания при помощи ИИ)

Исследователи отмечают, что текущая модель имеет примеры взаимодействий только в контролируемой среде и пока ещё малопригодна для практического применения, и что некоторые параметры, например, такие как мягкость объекта, системе определить пока ещё сложно. Тем не менее, они уверены, что их подход заложит основу для будущей интеграции человека с роботом в производственных условиях, особенно в тех ситуациях, когда визуальных данных просто недостаточно, например, когда свет по каким-то причинам отсутствует, и человеку приходится манипулировать с объектами вслепую.

«Это первая технология, которая может достоверно транслировать визуальные и сенсорные сигналы друг в друга», — говорит Эндрю Оуэнс (Andrew Owens), научный сотрудник Калифорнийского университета в Беркли. «Подобные методы потенциально могут быть очень полезны для робототехники, когда вам нужно ответить на вопросы типа „Этот объект твёрдый или мягкий?“ или „Если я подниму эту кружку за ручку, насколько надёжен мой захват?“ — это очень сложная задача, так как сигналы очень разные, и эта модель (созданная исследователями из MIT) продемонстрировала большие возможности».

ИИ научился определять вероятность скорой смерти героя в игре Dota 2

Многие события можно предсказать до момента их наступления, например, достаточно очевидно, что персонаж человека, играющего в популярную игру в жанре MOBA — Dota 2, вскоре погибнет, если к нему из зоны вне его видимости приближается более сильный герой противника. Но что очевидно для человека, не всегда легко даётся компьютеру, да и человек не всегда в состоянии следить за всем, что происходит на игровой карте. В статье под названием «Время умереть: предсказание смерти персонажа в Dota 2 с использованием глубокого обучения» исследователи из Йоркского университета описали, как им удалось обучить ИИ с достаточно высокой точностью предсказывать приближающуюся гибель игрового героя за 5 секунд до того, как это фактически случится.

Исследователи из Йоркского университата научили ИИ предсказывать гибель чемпиона в компьютерной игре Dota 2 за 5 секунд до фактического события

Исследователи из Йоркского университета научили ИИ предсказывать гибель персонажа в компьютерной игре Dota 2 за 5 секунд до фактического события

На самом деле, предсказать, что персонаж через 5 секунд будет убит — это немного сложнее, чем кажется на первый взгляд. Средний матч состоит из 80 000 отдельных фрагментов, в течение каждого из них персонаж может выполнить десятки из 170 000 возможных (по расчётам исследователей) действий. В среднем игроки на карте выполняют 10 000 передвижений за каждый фрагмент матча, внося более 20 000 игровых изменений.

Авторы исследования отмечают, что низкое здоровье персонажа не всегда тесно связано с его скорым убийством, так как некоторые герои обладают способностями к исцелению, а также для лечения или телепортации существуют специальные предметы. Учитывая все эти факторы, команда использовала для обучения нейронной сети записи матчей в Dota 2, предоставленные Valve, в которых содержались 5000 профессиональных и 5000 полупрофессиональных игр, сыгранных до 5 декабря прошлого года. Перед фактическим обучением записи подвергли предварительной обработке, путем преобразования матчей во временные шкалы для каждого из игроков, поделённые на отрезки по 0,133 секунды игрового времени, где каждая точка на шкале содержала полный набор данных о персонаже и его окружении.

Из всей внутриигровой информации исследователи выделили 287 параметров, например, такие как здоровье, мана, сила, ловкость и интеллект персонажа, имеющиеся у него активируемые предметы, готовые к применению способности, положение героя на карте, расстояние до ближайшего противника и защитной башни союзников, а также общая история обзора (когда и где в последний раз игрок видел противника). Данные параметры, как указывают исследователи, играют ключевую роль в том, погибнет ли персонаж или выживет в ближайшей перспективе, при этом самую значимую роль играло положение на карте и история обзора.

«Поведение игроков зависит от информации о недавнем прошлом», — пишут соавторы работы. «Например, если враг просто скрылся из виду, игрок всё равно знает, что он находится где-то в этом районе. С другой стороны, если враг исчез несколько минут назад, он может быть где угодно с точки зрения игрока. Это стало причиной, почему мы добавили функцию анализирующую историю обзора».

Диаграммы, показывающие участки совпадений, где «К» указывает на достоверность убийства.

Диаграммы со временными линиями для 10 игроков, буква "K" соответствует моменту гибели персонажа в игре

Для обучения нейронной сети ученые использовали 2870 входов (287 параметров на 10 игроков) и 57,6 млн точек с данными, зарезервировав 10 % данных для проверки и еще 10 % для тестирования. В ходе экспериментов команда обнаружила, что она достигла средней точности 0,5447 в ситуациях, когда ИИ было предложено предсказать, герой какого из десяти игроков любой из команд умрёт в течение ближайших пяти секунд. Кроме того, исследователи указывают, что модель могла прогнозировать смертельные исходы и в более большом временном промежутке благодаря изучению всех факторов и ситуаций, которые могут к ним привести.

Учёные отмечают, что у их подхода есть определенные ограничения, а именно, что системе требуется такое количество внутриигровой информации (в том числе о невидимых для рассматриваемого чемпиона чемпионов противника), чтобы делать свой прогноз, и что она может быть не совсем совместимой с новыми версиями игры. Тем не менее, они считают, что разработанная ими модель, которая доступна в открытом коде на GitHub, может быть полезна комментаторам и игрокам, когда они следят за ходом матча.

«Игры в киберспорте очень сложные, из-за высокой скорости игрового процесса баланс игры может измениться буквально в течение нескольких секунд, при этом различные события могут происходить во многих областях игровой карты одновременно. Они могут происходить настолько быстро, что комментаторы или зрители могут легко пропустить важный момент в игре и затем наблюдать лишь за его последствиями», — пишут исследователи. «При этом в Dota 2 убийство героя противника является ключевым событием, интересующим как комментаторов, так и зрителей».

Hyundai возьмёт на вооружение искусственный интеллект ради повышения безопасности

Компания Hyundai Motor объявила о сотрудничестве с израильским стартапом MDGo с целью разработки систем автомобильной безопасности следующего поколения.

Фирма MDGo специализируется на системах искусственного интеллекта (ИИ) для здравоохранения. В рамках партнёрства MDGo поможет Hyundai создать ряд служб «подключённого автомобиля», которые позволят наладить более тесное взаимодействие между автомобильной отраслью и здравоохранением.

Речь, в частности, идёт о разработке платформы на базе искусственного интеллекта, которая сможет предсказывать тяжесть травм водителя и пассажиров при аварии, позволяя заранее оценить объём необходимой медицинской помощи.

В системе анализа травм MDGo используется сложный ИИ-алгоритм, который учитывает различные параметры столкновения и их влияние на пассажиров. Благодаря различным автомобильным датчикам и технологии MDGo Hyundai Motor сможет отправлять спасателям исчерпывающие данные о вероятной тяжести повреждений и активации автомобильных систем безопасности.

«ИИ-технология MDGo анализирует эти аварии и собирает многочисленные данные, просчитывая различные сценарии того, что могло случиться с пассажирами и автомобилем. В течение семи секунд после столкновения в аварийно-спасательные службы направляется подробный отчёт о возможных повреждениях, написанный языком точных медицинских формулировок», — отмечает Hyundai.

Таким образом, службы спасения смогут заранее подготовиться к оказанию необходимой медицинской помощи. Это поможет сэкономить время и спасти человеческие жизни.

Важно отметить, что ИИ-система постоянно обучается и совершенствует свой анализ различных аварийных ситуаций. Иными словами, по мере накопления данных прогнозы, выдаваемые системой, будут становиться всё более точными. 

Стартап Testim использует ИИ для автоматизации тестирования веб-приложений

Платформа для автоматизированного тестирования программного обеспечения Testim привлекла 10 миллионов долларов в рамках цикла финансирования серии B при участии венчурных фондов SignalFire, Lightspeed Venture Partners, Meron Capital, NHN Ventures и Spider Capital. Основанная в 2014 году, Testim предлагает своим клиентам инструменты на основе искусственного интеллекта для непрерывного тестирования их программного обеспечения. Тестирование и обеспечение качества является одной из ключевых задач в разработке современного программного обеспечения, но она может занять очень и очень много времени, в свою очередь автоматизация этой задачи помогает ускорить процесс, чтобы минимизировать ошибки в публичных версиях приложений и быстрее выйти на рынок. Стартап утверждает, что его клиентами уже являются такие крупные компании, как NetApp, LogMeIn, Sprinklr и JFrog.

Стартап Testim, разрабатывающий ПО для автоматизации тестирования, получил 10 миллионов долларов инвестиций, которые планирует потратить, чтобы добавить в свой продукт поддержку тестирования мобильных приложений

Стартап Testim, разрабатывающий ПО для автоматизации тестирования, получил 10 миллионов долларов инвестиций, которые планирует потратить, чтобы добавить в свой продукт поддержку тестирования мобильных приложений (изображение: testim.io)

«Сейчас, чтобы оставаться конкурентоспособными, команды разработчиков программного обеспечения должны быть быстрее, чем когда-либо ранее», — говорит основатель и генеральный директор Testim Орен Рубин (Oren Rubin). «Мы помогаем им тестировать больше при гораздо меньших усилиях, снижая риск выпуска приложений с ошибками и увеличивая их скорость выхода на рынок».

В настоящее время платформа Testim поддерживает только веб-приложения. Она способна анализировать тысячи параметров для каждого элемента интерфейса, ранжируя их по степени надёжности. Чем больше Testim исследует приложение, тем больше она «узнаёт», что является правильным результатом, а что будет ошибкой. Разработчики могут создавать тесты напрямую при помощи кода или записывая их в виде макросов, а также комбинируя оба подхода. При этом любой тест можно использовать повторно в других компонентах или приложениях. Сейчас разработчики Testim работают над расширением своей платформы, чтобы добавить поддержку нативных мобильных приложений. Стартап обещает выпустить бета-версию с новыми возможностями для своих клиентов уже в этом году.

Наглядный пример, как в Testim  создаются макросы для тестов

Наглядный пример, как в Testim создаются макросы для тестов (источник: testim.io)

Рынок автоматизированного тестирования программного обеспечения в США составил около 8,5 млрд долларов в 2018 году, и эта цифра может вырасти почти до 20 млрд долларов в течение пяти лет. И, судя по всему, инвесторы также считают данное направление крайне перспективным. Так, венчурный фонд GV, ранее известный как Google Ventures, в прошлом году инвестировал в компанию Mabl 20 миллионов долларов, а в это же время австрийский стартап Tricentis также собрал около 165 миллионов долларов инвестиций. Обе компании занимаются разработкой инструментов для автоматизированного тестирования. С другой стороны, некоторые компании, такие как Facebook, предпочитают вкладывать средства в свои собственные инструменты для автоматизации, чтобы быть максимально уверенными в качестве своих продуктов.

Любое изменение кода в веб-приложении можно сразу же протестировать

Любое изменение кода в веб-приложении можно сразу же протестировать (источник: testim.io)

«Когда была основана Testim, нашей целью было дать возможность командам разработчиков создавать тесты в 20 раз быстрее», — рассказывает Рубин. «Никто не верил, что это возможно, но постоянно внедряя инновации и используя новые технологии, мы достигли этой цели. Теперь у нас есть более амбициозная задача — создавать тесты в 150 раз быстрее при помощи автономного тестирования».

Вы можете посмотреть наглядно, как работает Testim, в видео на английском языке ниже.

Argo AI выпускает на улицы беспилотные автомобили нового поколения

Argo AI — стартап, специализирующийся на беспилотных машинах, представил свой автономный автомобиль третьего поколения: модифицированный Ford Fusion Hybrid. Новый автомобиль получил целый ряд улучшений, как на уровне автомеханики, так и на уровне датчиков и программного обеспечения для автономной системы. Планируется, что со временем он полностью заменит все используемые машины старого поколения, которые на данный момент ездят по дорогам Майами, Вашингтона, Питтсбурга и Пало-Альто.

Argo AI выпускает на улицы автономным автомобили третьего поколения с улучшенными датчиками и более производительным бортовым компьютером, а также резервной системой торможения и управления

Argo AI начал тестирование на улицах Детройта автономного автомобиля третьего поколения со множеством улучшений в программной и аппаратной начинке, которые должны сделать поездки более безопасными и комфортными

В своём блоге на Medium бывший ведущий инженер Uber и президент Argo AI Питер Рандер (Peter Rander) сообщил, что новый автомобиль стал ещё на шаг ближе к массовому потребителю и предназначен для безопасного вождения практически в любых условиях благодаря «значительно» модернизированному набору датчиков. Они оснащены новым комплектом радаров и камер с более высоким разрешением и увеличенным динамическим диапазоном, а дополняет их более производительная вычислительная системой, чтобы максимально быстро обрабатывать увеличенный поток данных. Помимо этого Рандер уверяет, что команда инженеров «сделала всё возможное», чтобы обеспечить безопасность поездок даже в случае, если «что-то пойдет не так». С этой целью автомобили Argo AI оснащены резервными системами торможения и рулевого управления, которые будут задействованы в случае каких-либо неисправностей.

«Когда вы пытаетесь увидеть объект, который находится очень далеко, камера с более низким разрешением может показать его вам только в виде пикселя или двух, но используя камеру с более высоким разрешением, вы можете получить уже дюжину пикселей», — рассказывает Рандер. «В сочетании с обновлённым программным обеспечением это означает, что наши автомобили стали лучше видеть, что находится впереди. Автомобиль стал более умным, делая поездку более комфортной и безопасной для всех, кто находится внутри».

На улицах Детройта Argo AI сможет испытать свои автомобили во всех возможных условиях и ситуациях

На улицах Детройта Argo AI сможет испытать свои автомобили во всех возможных условиях и ситуациях

Рандер отмечает, что начало эксплуатации обновлённых автомобилей Argo в Детройте даст возможность испытать их в самых разных сложных сценариях, таких как дороги без разметки, жилые улицы с узкими двухполосными дорогами и припаркованными с обеих сторон автомобилями и строительные зоны. «Детройтские улицы не имеют единственной определяющей черты», — написал Рандер. «В городе и его районах есть почти все виды дорог, которые вы можете себе представить».

Argo поддерживает тесные отношения с производителем автомобилей Ford, который в феврале 2017 года заявил, что в течение следующих пяти лет инвестирует в стартап 1 млрд долларов, чтобы помочь ему достичь своей цели по созданию действующего автопарка с автономными автомобилями к 2021 году. Это сделало Ford крупнейшим акционером компании и позволило Арго нанять 200 дополнительных сотрудников, многие из которых ранее работали над беспилотными автомобилями в Ford.

Аппаратное и программное обеспечение остаются основными проектами Argo, которое в конечном итоге будут использоваться в автомобилях Ford, чтобы реализовать его планы по запуску собственного такси и службы доставки к 2021 году.

ИИ поможет дронам уклоняться от быстро движущихся объектов

Беспилотники, способные к автономному уклонению, не являются чем-то новым на рынке: например, DJI демонстрирует подобную функциональность в своих продуктах в течение многих лет. Но как насчёт квадрокоптеров, которые могут уклоняться от быстро движущихся в их направлении снарядов? Например, таких, как брошенный в их сторону мяч или летящий навстречу дрон? Именно такую технологию описывают ученые из Университета Мэриленда и Швейцарской высшей технической школы Цюриха (ETH Zurich) в недавно опубликованном препринте под заголовком «EVDodge: Реализация ИИ для высокоскоростного уклонения при помощи событийной камеры». Они утверждают, что созданная ими система, получившая название «Embodied AI», позволяет практически любому беспилотнику избегать движущихся препятствий при помощи только камеры и бортового компьютера. Исследователи намерены выпустить демонстрационный код и набор обучающих данных в открытый доступ сразу после того, как статья будет принята к публикации в научном издании.

ученые из Университета Мэриленда и Швейцарской высшей технической школы Цюриха ( ETH Zurich)

Учёные из Университета Мэриленда и ETH Zurich разработали систему, которая при помощи одной лишь камеры поможет дронам уклоняться от быстро движущихся в их сторону объектов, таких как мячи или другие дроны

Исследователи использовали установленные на тестовом дроне фронтальную событийную камеру, то есть оптический датчик с минимальной задержкой и высоким динамическим диапазоном, дополнительную камеру, направленную вниз, а также сонар и инерциальный измерительный блок. На уровне программного обеспечения применялись три «неглубокие» модели ИИ: EVDeBlurNet, EVHomographyNet и EVSegFlowNet — каждая из них выполняла одну из задач, таких как увеличение чёткости и шумоподавление на последовательности изображений, аппроксимация движения фона с камеры, обращенной вниз, для уклонения и возврата на исходную точку, и сегментирование препятствий, летящих по направлению фронтальной камеры, для расчёта их траектории.

Для обнаружения снаряда, летящего по направлению к дрону, данной системе требуется пять последовательных кадров, чтобы оценить его траекторию и скорость, затем ИИ классифицирует движущийся объект в соответствии с его геометрией по трём возможным сценариями: 1 — сфера с известным радиусом, 2 — объект неизвестной формы с известным размером, 3 — неизвестный объект без предварительной информации о размере, чтобы дать дрону окончательные инструкции как уклониться от столкновения.

Наглядная демонстрация эксперимента. Дрон успешно уклоняется от объектов, которые в него кидают исследователи

Дрон успешно уклоняется от мячика и игрушечного самолёта, которые в него бросает исследователь

Команда провела испытания с четырьмя различными объектами: сферическим мячом, игрушечной машинкой и самолётом, а также беспилотником Parrot Bepop 2, либо брошенным, либо направленном в полёте на тестовый квадрокоптер Intel Aero с расстояния около 5 метров. Во время эксперимента на пол были положены ковры с различной текстурой, чтобы с одной стороны упростить сканирование поверхности, а с другой стороны сделать эксперимент более реалистичным. В ходе более 200 испытаний исследователи достигли показателя успешного уклонения от 70 % до 86 % с игрушечным автомобилем и моделью самолета. Кроме того, они продемонстрировали, что их система может быть легко адаптирована к задаче преследования (где Aero следовал за Bepop 2).

Стоит отметить, что ранее в этом году швейцарские инженеры уже проводили подобное исследование без участия американских коллег, результат их работы вы можете прочитать в статье в научном журнале IEEE Robotics and Automation Letters, а также посмотреть на работу системы уклонения в живую на видео ниже.

«Синьхуа» и ТАСС показали первого в мире русскоязычного виртуального ведущего

Китайское государственное информационное агентство «Синьхуа» и ТАСС в рамках 23-го Петербургского международного экономического форума представили общественности первого в мире русскоязычного виртуального телеведущего с искусственным интеллектом.

steamcommunity.com

steamcommunity.com

Его разработкой занималась компания Sogou, а прототипом стала сотрудница ТАСС по имени Лиза. Сообщается, что её голос, мимику и движения губ использовали для обучения глубинной нейронной сети. После этого был создан цифровой двойник, который имитирует живого человека.

«Особенность телеведущей с искусственным интеллектом состоит в том, что она может адаптировать артикуляцию, жесты и мимику к содержанию зачитываемого текста. Виртуальная телеведущая будет постоянно учиться, продолжая повышать и улучшать свои вещательные способности», — заявил Цай Минчжао, генеральный директор «Синьхуа».

А глава ТАСС Сергей Михайлов выразил надежду на дальнейшее сотрудничество с китайским СМИ в области искусственного интеллекта и не только. При этом отметим, что ранее китайцы уже использовали виртуальных телеведущих с искусственным интеллектом. Это были двойники мужского и женского пола, которые вещали на китайском и английском языках.

Преимущества такого ведущего очевидны — ему не нужно платить зарплату, его внешность легко меняется, он не ошибается и может работать круглые сутки. При этом отметим, что искусственный интеллект, по мнению учёных, в будущем отберёт у людей как раз интеллектуальные сферы деятельности, оставив низкоквалифицированный или монотонный труд «венцам творения».

Впрочем, до такого пока далеко, ведь управление ИИ на данный момент всё ещё находится в руках людей.

Разрабатывающий эмоциональный ИИ стартап Realeyes получил $12,4 млн инвестиций

Искусственный эмоциональный интеллект — одно из ключевых направлений развития современных исследований в области ИИ. Хорошо иметь машины, которые могут понимать и отвечать на вопросы людей на естественном языке и даже побеждать людей в видеоиграх, но пока они не смогут расшифровывать невербальные сигналы, такие как голосовые интонации, язык тела и выражения лица, люди всегда будут иметь преимущество в понимании других людей. Одна из компаний, которая пытается решить эту проблему, это лондонский стартап Realeyes, помогающий крупным брендам, таким как AT&T, Mars, Hershey's и Coca-Cola, в маркетинговых целях при помощи камер настольных компьютеров и мобильных устройств анализировать человеческие эмоции.

Лондонский стартап Realeyes, занимающийся анализом человеческих эмоций при помощи ИИ, получил 12.4 млн долларов финансирования

Лондонский стартап Realeyes, занимающийся анализом человеческих эмоций при помощи ИИ, получил 12,4 млн долларов финансирования, планирует развитие бизнеса в новых регионах, и не только

Realeyes был основан в 2007 году, в настоящее время в компании работает 78 сотрудников, половина из которых заняты в отделе исследований и разработок в офисах Realeyes в Нью-Йорке, Бостоне, Лондоне и Будапеште. Компания объявила о получении инвестиций в размере 12,4 миллиона долларов от Draper Esprit, венчурного подразделения японского телекоммуникационного гиганта NTT Docomo, и японского венчурного фонда Global Brain, а также от фондов Karma Ventures и The Entrepreneurs Fund. Данный раунд финансирования следует за инвестициями серии A в размере 16,2 миллиона долларов, полученных стартапом в мае прошлого года.

Realeyes предоставляет своим клиентам подробный отчет изменения эмоций испытуемых на всём временном промежутке просмотра маркетингового материала

Realeyes предоставляет своим клиентам подробный отчет изменения эмоций испытуемых на всём временном промежутке просмотра маркетингового материала

Основное направление деятельность Realeyes — это маркетинговые кампании, включая видеоролики и фото-публикации, в рамках фокус-групп. Компания получает и обрабатывает информацию от участников исследований, которые для этого открывают ей доступ к своим веб-камерам или камерам смартфонов, после чего Realeyes использует так называемое «кодирование лица» для анализа эмоций, уровня внимания и чувств человека через мимику его лица во время просмотра маркетинговых материалов. Также компания использует ИИ для анализа письменных опросников по итогам исследований, что хорошо дополняет данные, полученные в результате лицевого кодирования. Как правило, Realeyes доставляет отчёты своим клиентам в течение одного дня, давая брендам возможность заранее оценить, как реагируют на их рекламу различные демографические и рыночные сегменты.

Существуют и другие стартапы, работающие над использованием ИИ в данном направлении, при этом лицевое кодирование — только один из методов, который они используют, чтобы понять человеческие эмоции. При этом в некоторых отчётах указывается, что в 2018 году рынок по выявлению и распознаванию эмоций составил около 12 миллиардов долларов, а к 2024 году он может вырасти до более чем 90 миллиардов долларов.

Например, израильский стартап Beyond Verbal разрабатывает систему, которая распознаёт признаки гнева, тревоги, возбуждения и многие другие эмоции, анализируя голос человека — не какие-то конкретные слова, а именно интонацию. Это может оказаться полезным для оценки психического здоровья людей или даже для помощи колл-центрам в улучшении отношений с клиентами по телефону. Даже такой гигант, как Amazon, также работает над улучшением способности своего умного помощника Alexa обнаруживать эмоции в голосе пользователей. Различные исследователи также ищут способы улучшить понимание человеческих эмоций ИИ путём объединения данных, получаемых как из интонации речи, так и из выражения лица.

Получив 12,4 миллиона долларов, Realeyes имеет возможности для расширения своей деятельности по всему миру. Тем более что с учётом участия NTT Docomo и Global Brain в этом раунде финансирования становится ясно, на какой рынок Realeyes будет ориентироваться в ближайшем будущем, учитывая, что Япония является третьей в мире страной по величине расходов на рекламу в мире, после США и Китая.

Генеральный директор и соучредитель Realeyes Михкель Яятма, судя по всему, счастлив

Генеральный директор и соучредитель Realeyes Михкель Яатма, судя по всему, счастлив от новых инвестиций

«Благодаря новым японским инвесторам NTT DOCOMO Ventures и Global Brain у нас есть прекрасные партнёры, которые помогут нам выйти на один из крупнейших и наиболее интересных рекламных рынков в мире», — говорит генеральный директор и соучредитель Realeyes Михкель Яатма (Mihkel Jäätma). «В Японии наблюдается почти ненасытный аппетит к онлайн-видео, и продукт Realeyes на базе ИИ предоставляют идеальное решение для рекламодателей, стремящихся максимально эффективно использовать этот огромный спрос».

Компания заявила, что она также будет использовать свои новые ресурсы для развития в США, Европе, на Ближнем Востоке и в Африке, а также планирует расшить свою сферу деятельность и помимо маркетинга изучить такие направления, как умные города, психическое благополучие и робототехника.

«Это только начало путешествия Realeyes», — уверен Яатма. «Выходя за рамки маркетингового направления, мы увидели лишь намёк на потенциальные возможности эмоционального ИИ. Благодаря глобальному развёртыванию сетей 5G Realeyes стремится гуманизировать технологии, фундаментально изменив способы взаимодействия с нашими устройствами».

В Сбербанке ИИ одобряет кредиты для юрлиц

Сбербанк продолжает внедрять технологии искусственного интеллекта в свои бизнес-процессы. Сообщается, что сейчас запущен процесс одобрения кредитов юридическим лицам до 2 млрд рублей. Решение будет принимать ИИ, а время согласования составит 7 минут. Как отметил первый зампред правления Сбербанка Александр Ведяхин в рамках сессии на Петербургском международном экономическом форуме, ранее для одобрения нужно было минимум 2–3 недели.

pixabay.com

pixabay.com

«Мы запустили процесс на основе исключительно искусственного интеллекта, который занимает от запроса клиента до выдачи денег, включая юридический анализ правильности принятия решений, 7 минут. Ровно 7 минут до денег, до 2 млрд рублей, это приличные деньги», — отметил он.

По его словам, ликвидность портфеля корпоративных кредитов, выданных с помощью ИИ, находится на положительном уровне. При этом всего в Сбербанке функционирует более 2000 моделей на базе искусственного интеллекта и машинного обучения. Все они улучшают производительность бизнес-процессов, причём эффективность растёт минимум на 30 %.

Напомним, что ранее в Сбербанке запустили проект корпоративного мессенджера «СберЧат». Он должен, как ожидается, повысить удобство коммуникаций сотрудников финансовой организации и эффективность работы в целом. Такой себе вариант Slack для внутреннего использования.

Этот мессенджер позволяет персоналу Сбербанка и его дочерних организаций передавать сообщения, документы, фото, аудио и видео, создавать групповые чаты, осуществлять звонки на личные и рабочие номера сотрудников и так далее.

NVIDIA подтвердила намерения выпустить преемника Turing в начале следующего года

На мероприятие Bank of America Merrill Lynch компания NVIDIA делегировала своего вице-президента по ускорению вычислений Йена Бака (Ian Buck). В силу специфики своей деятельности представитель NVIDIA очень много говорил об успехах компании в создании активно развивающейся экосистемы, о роли платформы CUDA в опережении действия «закона Мура», о ближайших перспективах развития отрасли. Ведущему мероприятия, тем не менее, удалось выудить из вице-президента NVIDIA ряд интересных комментариев, которые вполне удачно вписываются в повестку дня.

Йен Бак подчеркнул, что с момента выхода графических процессоров Kepler, которые впервые обеспечили поддержку CUDA, сменилось уже несколько поколений графических архитектур. Если быть точнее, Turing является пятым по счёту поколением графических процессоров NVIDIA, которые можно с успехом применять для ускорения вычислений. Общее количество отгруженных за это время графических процессоров с поддержкой CUDA приблизилось к миллиарду штук. Платформу NVIDIA используют 1,2 млн разработчиков. Йен обещает, что архитектурой Turing дело не ограничится, и у неё появится преемник.

Источник изображения: NVIDIA

Источник изображения: NVIDIA

В этом контексте представитель NVIDIA сделал важное замечание — по его словам, до сих пор компания анонсировала новую архитектуру каждые 12 или 18 месяцев. Хотя он и не сказал, будет ли компания придерживаться подобной периодичности и в дальнейшем, это позволяет предположить, что преемник Turing должен появиться через полтора года после анонса первых носителей этой архитектуры. За точку отсчёта можно брать август 2018 года, в продажу первые видеокарты поколения Turing поступили в сентябре того же года. Значит, на подготовку анонса преемника NVIDIA могла бы дать себе время до начала марта 2020 года. Первый месяц весны для компании традиционно насыщен событиями, как отраслевыми, так и корпоративными, с более узкой аудиторией. Они являются отличной площадкой для анонса преемника Turing.

Под конец конференции Bank of America Merrill Lynch ведущий попытался вытянуть из представителя NVIDIA комментарии по поводу целесообразности перехода на 7-нм технологию, но вице-президент компании словно бы транслировал психологические установки, определённые ранее исполнительным директором. Оптимизации архитектуры и программной экосистемы NVIDIA склонна уделять больше внимания, чем погоне за новыми техпроцессами. По словам Йена Бака, нынешние 12-нм графические процессоры NVIDIA оказываются в четыре раза быстрее изделий конкурента при работе с нейронными сетями (ResNet-50). Прозвучал и ещё один пример: архитектура Volta своё быстродействие за время присутствия на рынке увеличила вдвое без каких-либо вмешательств в «кремний» графического процессора. Такой эффект обеспечила непрерывная работа над совершенствованием программного обеспечения, и не зря же основная часть специалистов NVIDIA — это программисты, а не разработчики микроэлектроники, как резюмировал Йен Бак.

Билл Гейтс и Трэвис Каланик инвестируют в стартап Luminous, разрабатывающий оптический ИИ-чип

Основатель Microsoft Билл Гейтс (Bill Gates) вместе с сооснователем Uber Трэвисом Калаником (Travis Kalanick) и его венчурным фондом 10100, а также совместно с нынешним генеральным директором Uber Дара Хосровшахи (Dara Khosrowshahi), инвестировали в Luminous, небольшой стартап, работающий над созданием собственного оптического чипа для обучения искусственного интеллекта. При дополнительной поддержке венчурных фондов Gigafund во главе с Люком Носеком (Luke Nosek) и Стивеном Оскуи (Stephen Oskoui), и Neo, основанного Али Партови (Ali Partovi), стартап собрал 9 миллионов долларов в первом раунде финансирования.

Стартап Luminous, занимающийся разработкой оптического ИИ чипа, получил 9 миллионов долларов инвестиций в первом раунде финасирования от группы инвесторов, в том числе Билла Гейтса и Трэвиса Каланика

Стартап Luminous, занимающийся разработкой оптического ИИ-чипа, получил 9 миллионов долларов инвестиций в первом раунде финансирования от группы инвесторов, в том числе Билла Гейтса и Трэвиса Каланика

Инвестиции показывают, что ключевые фигуры в технологической отрасли считают, что всё ещё есть большой потенциал для появления нового стандарта, когда речь заходит об аппаратном обеспечении для ИИ. «Я всегда предпочитаю делать ставки на талантливую молодую команду, а не на крупную устоявшуюся компанию», — поделился мнением один из инвесторов Али Партови в своём письме для портала CNBC. «Несмотря на то, что существует определённая масса рисков, именно поэтому стоит инвестировать сейчас: если гонка уже закончилась, инвестировать было бы слишком поздно».

«Современные компании и стартапы часто пытаются добиться успеха с помощью специализированных чипов, которые могут работать с моделями искусственного интеллекта», — сказал в интервью для CNBC соучредитель и генеральный директор Luminous Маркус Гомес (Marcus Gomez). Цель компании Маркуса, состоящей из семи человек, состоит в том, чтобы создать чип, который в одиночку сможет заменить 3000 плат с тензорными процессорами от Google.

Когда Google вступила в бизнес искусственного интеллекта — это был смелый шаг. Компания взяла дело в свои руки вместо того, чтобы полагаться на видеокарты NVIDIA, которые стали крайне популярными среди исследователей для обучения моделей ИИ с огромными базами данных. Сейчас облачный сервис Google применяет собственные тензорные процессоры для обучения ИИ, но компания не продаёт эти чипы кому-либо, используя их только для собственных продуктов.

Luminous, с другой стороны, хочет продавать свои чипы всем заинтересованным компаниям. Их смогут приобрести облачные провайдеры, такие как Google или Amazon Web Services, кроме того, ими могут заинтересоваться компании, которые производят беспилотные летательные аппараты, роботы или автомобили с автоматическим управлением.

Маркус, который до этого работал в Google и Tinder Match Group, рассказывает, что в Tinder утром он мог начать тренировать модель ИИ в облаке, а затем проверить результат обучения только вечером. По мнению Маркуса, эта ситуация должна измениться в ближайшем будущем. «Обучение системы ИИ по-прежнему занимает дни, в то время как это может требовать всего несколько минут», — сказал Гомес в недавнем интервью порталу TechCrunch.

Luminous рассматривает использование кремниевой фотоники как способ отличить себя от компаний со схожими устремлениями, например, таких как Graphcore. Кремниевая фотоника обеспечивает максимально быструю передачу данных с помощью света на небольшом расстоянии, например, внутри серверов, подобно тому, как оптоволоконные кабели могут быстро перемещать данные на большие расстояния. Подход, используемый Luminous, опирается на проведенные в прошлом исследования нейрономорфной фотоники техническим директором стартапа Митчеллом Намиасом (Mitchell Nahmias) в Принстонском университете.

В то же время Luminous — не единственная компания, работающая в данном направлении, несколько других стартапов, таких как Lightmatter и Lightelligence, также изучают использование кремниевой фотоники для ускорения обучения ИИ. При этом холдинг Alphabet, владеющий Google, уже инвестировал в Lightmatter, а Lightelligence поддержал китайский поисковый гигант Baidu. 

Гомес отметил, что трудно сказать, когда первые чипы его компании станут коммерчески доступными. «Мы используем точно такие же технологии, которые используют и все остальные, и, как следствие, наши сроки достаточно похожи», — сказал он. Тем не менее, Маркус утверждает, что у них уже есть работающий прототип, и он подчеркнул, что будущий запуск чипа от Luminous — это не какая-то отдалённая фантазия. Компания, как минимум, планирует выпустить комплекты для разработчиков в течение следующих нескольких лет.

Twitter приобретает Fabula AI для борьбы с фейковыми новостями

Как сообщает Twitter в своём официальном блоге, компания приобрела Fabula AI, лондонский стартап, который использует машинное обучение для выявления случаев распространения ложных новостей в социальных сетях. Условия сделки не разглашаются, но это приобретение послужит хорошим фундаментом для исследовательской группы в Twitter во главе с Сандипом Пандеем (Sandeep Pandey), которая будет работать над поиском новых способов использования машинного обучения при помощи обработки естественного языка, систем рекомендаций, обучения с подкреплением и глубокого обучения.

Twitter приобретает лондонский стартап Fabula AI, создавшие систему на базе машинного обучения, которая по моделям распространения может отличить настоящие новости от ложных

Twitter приобрёл лондонский стартап Fabula AI, создавший систему на базе машинного обучения, которая по моделям распространения может отличить настоящие новости от ложных

Основанная в 2018 году компания Fabula AI разработала запатентованную технологию, которую она назвала «геометрическое глубокое обучение» — эффективный алгоритм, который учится на больших и сложных наборах данных, полученных из социальных сетей.

«Фейковые новости» стали широко используемым словом для описания преднамеренного распространения дезинформации в сети, а Fabula AI помогает быстро идентифицировать подлинность любой информации, которая распространяется в социальных сетях, независимо от намерений её создателей.

Исследования показали, что ложные новости распространяются в Интернете быстрее, чем новости, основанные на фактах. Этот факт может быть использован для выявления дезинформации, и это то, на чём фокусируется Fabula: обнаружение различий в том, как контент распространяется в социальных сетях для оценки вероятной подлинности.

«Поскольку эта технология изучает модель распространения информации, её применение не зависит от языка и региона. На самом деле, Fabula AI можно использовать даже в том случае, если контент зашифрован», — говорится в сообщении компании на официальном сайте. «Мы также считаем, что данный подход, учитывая, что он основан на моделях распространения информации, гораздо более устойчив к попыткам его обойти».

Покупка Fabula в большей степени похожа на наём, чем простое приобретение технологии, учитывая, что команда разработчиков лондонского стартапа в полном составе присоединяется к подразделению Twitter Cortex, которое является внутренней группой исследователей и инженеров, работающих в области машинного обучения для Twitter. Соучредитель Fabula и учёный Майкл Бронштейн (Michael Bronstein) теперь будет руководить изучением глубокого обучения на графах в Twitter, сохраняя при этом отдельную должность заведующего отделом машинного обучения и распознавания образов в Имперском колледже Лондона.

Как и большинство популярных социальных сетей, в прошлом Twitter подвергся критике за то, как он используется для распространения дезинформации. По словам технического директора Парага Аграваля (Parag Agrawal), приобретение команды Fabula AI направлено на «улучшение здоровья общественных коммуникаций» в Twitter, чтобы помочь остановить различные формы спама и злоупотребления платформой.

За прошедшие годы Twitter сделал несколько приобретений в области машинного обучения, в том числе стартап Madbits в 2014, а также Whetlab и Magic Pony в последующие годы. Но Fabula AI является особенно заметным приобретением, поскольку базовая технология стартапа направлена на борьбу с распространением дезинформации в социальных сетях и может быть прямо интегрирована в Twitter.

Подобные приобретения могут оказаться чем-то вроде глобальной тенденции, учитывая, что в прошлом году Facebook также приобрела Bloomsbury AI, стартап, работающий над технологиями, помогающими ИИ анализировать тексты на естественном языке, которые также можно использовать для борьбы с ложными новостями.

В преддверии президентских выборов в США в 2020 году компании, занимающиеся социальными сетями, будут внимательно следить за тем, как они обрабатывают и фильтруют новости. Именно поэтому Twitter стремится заранее инвестировать в автоматизацию решения данной проблемы, чтобы минимизировать будущие риски.

ИИ DeepMind освоил командную игру и превзошёл человека в Quake III

Захват флага — достаточно простой соревновательный режим, реализованный во многих популярных шутерах. У каждой команды есть некий маркер, расположенный на её базе, и цель состоит в том, чтобы захватить маркер соперников и успешно доставить его к себе. Однако то, что легко понимают люди, не так легко даётся машинам. Для захвата флага неигровые персонажи (боты) традиционно программируются с помощью эвристики и несложных алгоритмов, предоставляющих ограниченную свободу выбора и значительно уступающие людям. Но искусственный интеллект и машинное обучение обещают полностью перевернуть эту ситуацию.

В статье, опубликованной на этой неделе в журнале Science примерно через год после препринта, а также в своём блоге, исследователи из DeepMind, лондонской дочерней компании Alphabet, описывают систему, способную не только научиться играть в захват флага на картах Quake III Arena от id Software, но и разрабатывать совершенно новые командные стратегии, ни в чём не уступая человеку.

Игроки, обучающие ИИ игре на ранних этапах исследования

Игроки обучают ИИ на ранних этапах исследования. Первоначально для обучения использовались карты Quake III с упрощённым дизайном уровней

«Никто не рассказал ИИ, как играть в эту игру, у него был только результат — победил ИИ своего противника или нет. Прелесть использования подобного подхода в том, что вы никогда не знаете, какое поведение возникнет при обучении агентов», — рассказывает Макс Джадерберг (Max Jaderberg), научный сотрудник DeepMind, который ранее работал над системой машинного обучения AlphaStar (недавно она превзошла человеческую команду профессионалов в StarCraft II). Далее он объяснил, что ключевой метод их новой работы — это, во-первых, усиленное обучение, которое использует своеобразную систему наград для подталкивания программных агентов к выполнению поставленных целей, причём система наград работала независимо от того, выиграла команда ИИ или нет, а во-вторых, обучение агентов производилось в группах, что принуждало ИИ осваивать командное взаимодействие с самого начала.

«С исследовательской точки зрения это новинка для алгоритмического подхода, которая действительно впечатляет, — добавил Макс. — Способ, которым мы обучали наш ИИ, хорошо показывает, как масштабировать и реализовать некоторые классические эволюционные идеи».

Схема агентской архитектуры For The Win (FTW). Агент объединяет повторяющиеся нейронные сети (RNN) в быстрых и медленных временных масштабах, включает в себя модуль общей памяти и изучает преобразование игровых очков во внутреннее вознаграждение.

Схематичное изображение архитектуры агентов FTW. Агент объединяет две  рекуррентные нейронные сети (RNNs) для быстрых решений и медленного анализа, включает в себя модуль общей памяти и изучает преобразование игровых очков во внутреннее вознаграждение

Агенты DeepMind, получившие вызывающее название — For The Win (FTW), учатся непосредственно на экранных пикселях, используя свёрточную нейронную сеть, набор математических функций (нейронов), расположенных в слоях, смоделированных по аналогии со зрительной корой мозга человека. Полученные данные передаются в две сети с многократной кратковременной памятью (англ. long short-term memory — LSTM), способные распознавать долгосрочные зависимости. Одна из них управляет оперативными данными с быстрой скоростью реакции, а другая работает медленно для анализа и формирования стратегий. Обе связаны с вариационной памятью, которую они совместно используют для прогнозирования изменений игрового мира и выполнения действий через эмулируемый игровой контроллер.

Посмотрите, как наши агенты представляют игровой мир. На приведенном выше графике паттерны нейронной активации в данный момент времени показаны в зависимости от того, насколько они похожи друг на друга: чем ближе две точки находятся в пространстве, тем больше сходны паттерны их активации. Затем они раскрашиваются в соответствии с игровой ситуацией в то время - тот же цвет, та же ситуация. Мы видим, что эти паттерны нейронной активации организованы и образуют цветные кластеры, что указывает на то, что агенты представляют значимые аспекты игрового процесса в стереотипной, организованной форме. Обученные агенты даже демонстрируют некоторые искусственные нейроны, которые кодируют непосредственно для конкретных ситуаций.

Как ИИ видит игровой мир? Паттерны нейронной активации показаны в зависимости от того, насколько они похожи друг на друга: чем ближе две точки находятся в пространстве, тем вероятнее применение одного и того же паттерна. Паттерны организованы и образуют цветные кластеры, что указывает на то, что агенты представляют значимые аспекты игрового процесса в стереотипной, организованной форме. Обученные агенты даже демонстрируют некоторые искусственные нейроны, которые кодируют конкретные игровые ситуации

В общей сложности DeepMind обучила 30 агентов, учёные дали им ряд товарищей по команде и противников, с которыми можно было играть, а игровые карты выбирались случайным образом, чтобы ИИ не запоминал их. Каждый агент имел свой собственный сигнал вознаграждения, позволяющий ему создавать свои внутренние цели, например, захват флага. Каждый ИИ по отдельности сыграл около 450 тыс. игр на захват флага, что эквивалентно примерно четырём годам игрового опыта.

Полностью обученные агенты FTW научились применять стратегии, общие для любой карты, списка команд и их размеров. Они обучились человеческому поведению, такому как следование за товарищами по команде, размещение в лагере на базе противника и защита своей базы от нападающих, а также они постепенно утратили менее выгодные модели, например, слишком внимательное наблюдение за союзником.

Прогресс навыков ИИ в процессе обучения. Примерно после 225 тыс. игр агенты сравнялись в навыках и рейтинге Эло с профессиональными игроками

Так каких же удалось добиться результатов? В турнире с участием 40 человек, в котором люди и агенты случайным образом играли как вместе, так и друг против друга, агенты FTW значительно превзошли коэффициент побед у игроков-людей. Рейтинг Эло, который соответствует вероятности выигрыша, у ИИ составил 1600, по сравнению с 1300 у «сильных» игроков-людей и 1050 у «среднего» игрока-человека.

Создание искусственной задержки в скорости реакции не дало людям преимущества перед ИИ

Создание искусственной задержки в скорости реакции не дало людям преимущества перед ИИ

Это не удивительно, так как скорость реакции ИИ значительно выше, чем у человека, что давало первому значимое преимущество в первоначальных экспериментах. Но даже когда точность агентов была уменьшена, а время реакции увеличено благодаря встроенной задержке в 257 миллисекунд, ИИ всё равно превзошёл людей. Продвинутые и обычные игроки выиграли только 21 % и 12 % игр от общего числа соответственно.

Навыки ИИ оказались применимы и к полноценным картам Quake III, а не только к упрощённым, которые использовались для обучения

Более того, после публикации исследования учёные решили испытать агентов на полноценных картах Quake III Arena со сложной архитектурой уровней и дополнительным объектами, таких как Future Crossings и Ironwood, где ИИ начал успешно оспаривать первенство людей в тестовых матчах. Когда исследователи изучили схемы активации нейронных сетей у агентов, то есть функции нейронов, ответственных за определение выходных данных на основе входящей информации, они обнаружили кластеры, представляющие собой комнаты, состояние флагов, видимость товарищей по команде и противников, присутствие или отсутствие агентов на базе противника или на базе команды, и другие значимые аспекты игрового процесса. Обученные агенты даже содержали нейроны, которые кодировали непосредственно конкретные ситуации, например, когда флаг взят агентом или когда его держит союзник.

«Я думаю, что одна из вещей, на которые стоит обратить внимание, заключается в том, что эти многоагентные команды являются исключительно мощными, и наше исследование демонстрирует это, — говорит Джадерберг. — Это то, что мы учимся делать лучше и лучше за последние несколько лет — как решить проблему обучения с подкреплением. И обучение с подкреплением действительно показало себя блестяще».

Тор Грэпел (Thore Graepel), профессор компьютерных наук в Университетском колледже Лондона и ученый из DeepMind, уверен, что их работа подчёркивает потенциал многоагентного обучения для развития ИИ в будущем. Также она может послужить основой для исследований взаимодействия человека с машиной и систем, которые дополняют друг друга или работают вместе.

«Наши результаты показывают, что многоагентное обучение с подкреплением может успешно освоить сложную игру до такой степени, что игроки-люди даже приходят к мнению, что компьютерные игроки — лучшие товарищи по команде. Исследование также предоставляет крайне интересный углубленный анализ того, как обученные агенты ведут себя и работают вместе рассказывает Грэпел. — Что делает эти результаты такими захватывающими, так это то, что эти агенты воспринимают своё окружение от первого лица, [то есть] так же, как человек-игрок. Чтобы научиться играть тактически и сотрудничать со своими товарищами по команде, эти агенты должны были полагаться на обратную связь с результатами игры, без какого-либо учителя или тренера, показывающего им, что нужно делать».

Путин предложил увеличить финансирование исследований в области искусственного интеллекта

Президент России Владимир Путин предложил увеличить финансирование проектов и исследований в области технологий машинного обучения и систем искусственного интеллекта (ИИ) на базе нейронных сетей. С таким заявлением глава государства выступил в ходе посещения «Школы 21» — учреждённой Сбербанком образовательной организации по подготовке специалистов в области информационных технологий.

Фото пресс-службы президента России

Фото пресс-службы президента России

«Это, действительно, одно из ключевых направлений технологического развития, которые определяют и будут определять будущее всего мира. Механизмы искусственного интеллекта обеспечивают в режиме реального времени быстрое принятие оптимальных решений на основе анализа гигантских объёмов информации, так называемых «больших данных», что даёт колоссальные преимущества в качестве и результативности. Добавлю, что такие разработки не имеют аналогов в истории по своему влиянию на экономику и на производительность труда, на эффективность управления, образования, здравоохранения и на повседневную жизнь людей», — сказал российский лидер, подчеркнувший, что для реализации подобных проектов необходимо, помимо финансирования и проработки правовых вопросов, ускорить создание продвинутой научной инфраструктуры и наращивать кадровый потенциал.

По словам Владимира Путина, борьба за технологическое превосходство, прежде всего, в сфере искусственного интеллекта, уже стала полем глобальной конкуренции. «Скорость создания новых продуктов и решений растёт в геометрической прогрессии, по экспоненте. Уже говорил и хочу ещё раз повторить: если кто-то сможет обеспечить монополию в сфере искусственного интеллекта — ну, последствия нам всем понятны, — тот станет властелином мира», — резюмировал президент РФ, ранее уже озвучивавший свои идеи по запуску в стране национальной программы в сфере ИИ.

О том, что искусственный интеллект является ярким трендом на IT-рынке, свидетельствуют исследования аналитиков. По данным International Data Corporation, (IDC) в 2018 году затраты на системы ИИ в глобальном масштабе составили приблизительно 24,9 млрд долларов США. В текущем году, как ожидается, отрасль вырастет практически в полтора раза — на 44 %. В результате объём мирового рынка достигнет $35,8 млрд. В период до 2022 года показатель CAGR (среднегодовой темп роста в сложных процентах) прогнозируется на уровне 38 %. Таким образом, в 2022-м объём отрасли достигнет $79,2 млрд, то есть увеличится по сравнению с текущим годом более чем в два раза.

Если рассматривать рынок систем искусственного интеллекта по секторам, то крупнейшим сегментом в нынешнем году, по прогнозам IDC, окажется ретейл — $5,9 млрд. На втором месте расположится банковский сектор с затратами в размере $5,6 млрд. Отмечается, что на программное обеспечение в области ИИ в текущем году придётся $13,5 млрд. Затраты в области аппаратных решений, прежде всего серверов, составят $12,7 млрд. Кроме того, компании по всему миру продолжат инвестировать в сопутствующие сервисы. В перспективе десяти лет наиболее динамичный рост упомянутого рынка ожидается в Северной Америке, поскольку этот регион является центром развития инновационных технологий, производственных процессов, инфраструктуры, располагаемого дохода и т. д. Что касается России, то в нашей стране первоочередными сферами применения ИИ станут транспорт и финансовая сфера, промышленность и телекоммуникации. В более отдалённой перспективе будут затронуты практически все отрасли, включая государственное управление и систему международного обмена товарами и услугами.

Видео: ИИ убедится, что ваша пицца идеальна

Наконец-то искусственный интеллект нашёл объективно хорошее применение! Domino's Pizza внедрила новую систему на базе ИИ, которая проверяет каждую пиццу, чтобы она была совершенной (по-крайней мере по стандартам франшизы).

DOM Pizza Checker на страже вашей пиццы

DOM Pizza Checker на страже вашей пиццы

Как сообщает австралийская сеть ресторанов франшизы Domino's Pizza, её новый DOM Pizza Checker является «первым в мире интеллектуальным сканером», который проверяет качество пиццы до её доставки в Австралии и Новой Зеландии.

Ник Найт (Nick Knight), генеральный директор компании в этих двух странах, утверждает, что самая частая жалоба от клиентов заключается в том, что пицца не выглядит так, как на рекламных фотографиях. «DOM Pizza Checker даёт нашим клиентам уверенность в том, что их пицца будет выглядеть так, как и должна, а если это не так, то мы её переделаем».

Устройство разработано по технологии компании Dragontail Systems и состоит из системы камер, прикрепленных к потолку и направленных на стол, где каждая пицца нарезается и упаковывается перед доставкой.

Программное обеспечение ИИ, натренированное по технологии машинного обучения, анализирует информацию с камер, оценивая, соответствует ли каждая пицца требованиям по внешнему виду. Компания Domino's объясняет, что ИИ фотографирует пиццу, распознаёт её тип, анализирует распределение начинки и сыра, а затем выносит свой вердикт. По сообщению компании, ИИ прошел обучение на «большом банке данных потрясающей пиццы».

Затем, если пицца получает одобрение искусственного интеллекта, она отправляется на доставку, если же нет, то пицца будет отложена (остаётся надеяться, что её не выбрасывают просто так), а вместо неё будет сделана новая.

К сожалению, эта система не учитывает главного противника равномерного распределения начинки и сыра — доставку. Если водитель резко ускоряется на повороте или машину подбрасывает на кочке, то можно смиренно попрощаться с идеальной пиццей. Впрочем, дроны от Domino's Pizza должны решить эту проблему в будущем.

Обратите внимание, что DOM Pizza Checker работает пока что только в Австралии и Новой Зеландии, но вскоре может распространиться по всему миру.

window-new
Soft
Hard
Тренды 🔥