Теги → машинное обучение
Быстрый переход

У «Яндекса» появилась нейросеть-полиглот, распознающая десять языков одновременно

Облачное подразделение компании «Яндекс» (Yandex Cloud) сообщило о разработке новой системы на базе машинного обучения, которая способна распознавать более 10 иностранных языков одновременно.

 Источник изображений: «Яндекс»

Источник изображений: «Яндекс»

В основе модели лежат сервис синтеза и распознавания Yandex SpeechKit и специализированная архитектура под названием Transformer. Алгоритмы обрабатывают входные слова параллельно и независимо друг от друга, благодаря чему быстро обучаются.

Система распознаёт речь на любую тему и в разных форматах: это могут быть короткие и длинные фразы, имена, адреса, даты и пр. Модель способна распознавать язык автоматически в одном потоке: нейросеть может в любой момент переключаться между различными языками. При этом есть возможность давать ей «подсказки» — это повышает качество распознавания.

Для обучения модели использовались огромные массивы данных (десятки терабайт) из профессиональных источников, а также из сервисов и приложений самого «Яндекса». Нейросеть-полиглот может работать и с популярными языками, такими как английский и французский, и с более редкими — датским, финским, турецким и другими.

«Яндекс» представил YaLM 100B — самую большую открытую нейросеть для генерации текстов

Компания «Яндекс» анонсировала нейросеть YaLM 100B, предназначенную для генерации и обработки текстов на русском и английском языках. Утверждается, что на сегодняшний день это самая большая в мире GPT-подобная (Generative Pre-trained Transformer) модель, опубликованная в свободном доступе.

 Источник изображений: pixabay.com / geralt

Источник изображений: pixabay.com / geralt

YaLM 100В содержит 100 млрд параметров — больше, чем какая-либо из существующих моделей для русского языка. Благодаря этому нейросеть можно применять для решения широкого круга задач, связанных с обработкой естественного языка.

Языковые модели семейства YaLM определяют принцип построения текстов и генерируют новые, опираясь на законы лингвистики и свои знания о мире. Допускается формирование текстов любого типа: это могут быть ответы, стихи, поздравления и пр. Более того, алгоритмы способны придумывать идеи для рекламных кампаний, создавать описания товаров и видео, а также классифицировать тексты.

 Источник изображения: pixabay.com / Gerd Altmann

Источник изображения: pixabay.com / Gerd Altmann

В процессе обучения сети были задействованы суперкомпьютеры «Яндекса», признанные самыми мощными в Восточной Европе. YaLM 100B обработала около 2 Тбайт текстов из открытых источников и интернета на английском и русском языках.

Теперь нейросеть могут использовать разработчики и исследователи со всего мира. Модель предоставляется по открытой лицензии Apache 2.0 и доступна на GitHub.

Машинное обучение избавит Google Chrome от навязчивых запросов на показ уведомлений от сайтов

Google решила добавить в браузер Chrome алгоритмы машинного обучения, чтобы сделать работу с программой более удобной, а веб-серфинг избавить от навязчивых запросов от сайтов на показ уведомлений. Chrome будет блокировать эти запросы, если сочтёт, что пользователю они неинтересны, а также станет подставлять кнопки с наиболее актуальными функциями в текущем контексте.

 Источник изображений: blog.google

Источник изображений: blog.google

Как сообщила Google, в версии Chrome 102 обновятся алгоритмы машинного обучения, полностью работающие прямо в браузере — без обмена данными с серверами Google или любыми другими внешними ресурсами. Алгоритмы будут идентифицировать сайты, отправляющие пользователю запросы на показ уведомлений, которые тот с высокой вероятностью отклонит, и такие запросы станут блокироваться ещё до вывода.

В перспективе эта же технология сделает интерфейс браузера адаптивным: панель инструментов программы будет в реальном времени подстраиваться под нужды пользователя, отображая рядом с адресной строкой кнопки голосового поиска или «Поделиться» в тот момент, когда пользователю они понадобятся с наибольшей вероятностью. И снова Google обещает, что данная функция будет работать локально — без обращения к внешним ресурсам. Впрочем, эту возможность можно будет отключить, назначив кнопке только одну функцию.

Разработчик также похвастался, что ещё в марте обновил браузерную модель машинного обучения, в 2,5 раза повысив вероятность обнаружения фишинговых сайтов.

Тёмное вещество будет искать российско-итальянская нейросеть

Учёные из России и Италии в журнале Computer Physics Communications опубликовали статью, в которой сообщили о создании нейросети для обнаружения загадочного тёмного вещества. Обученный алгоритм будет искать следы взаимодействия тёмного вещества и обычного в эмульсионных детекторах. Обычно детекторы фиксируют пролёты любых заряжённых частиц, что делает обнаружение следов тёмного вещества поиском иголки в стоге сена. Но нейросеть рутиной не испугать.

 Источник изображения: НИТУ «МИСиС»

Источник изображения: НИТУ «МИСиС»

Учёные исходят из предположения, что частицы тёмного вещества могут представлять собой особый класс слабовзаимодействующих массивных частиц или вимпов (WIMP, Weakly Interacting Massive Particles). С обычным веществом вимпы могут взаимодействовать только на очень маленьких расстояниях. Если такое взаимодействие произойдёт, то на эмульсионном детекторе — плёнке со слоем обычного желатина с вкраплениями из наночастиц чувствительного материала — останутся следы.

В пресс-релизе НИТУ «МИСиС» по этому поводу сказано следующее: «Исследователи из НИТУ «МИСиС», Национального института ядерной физики Италии, Неаполитанского университета имени Фридриха II, НИУ ВШЭ и Физического института имени П. Н. Лебедева РАН предположили, что взаимодействия вимпов и видимой материи будут оставлять внутри этих наночастиц характерные следы, направление и свойства которых будут зависеть от положения Земли относительно центра Млечного Пути. Это позволит отличить следы тёмной материи от случайных сигналов, вызванных прохождением заряженных частиц через детектор».

По этим следам — траектории, длительности пролёта и другим визуальным данным — можно вычислить массу частиц, их заряд и другие фундаментальные свойства. Но чтобы не тратить время на следы от пролёта обычных частиц все их необходимо отсеять, а это колоссальная работа, которую планируют поручить нейросети.

Нейросеть на основе принципов глубокого обучения способна отличать реальные следы вимпов от случайного срабатывания детектора. Для подготовки сети учёные подготовили снимки линий, оставленных разными случайными частицами на поверхности эмульсионных пленок, и использовали их для обучения системы. Как показали предварительные проверки, нейросеть лучше классических шумоподавляющих алгоритмов распознает и удаляет следы случайных событий с фотографий эмульсионных пленок. Метод уже применили в экспериментах на итальянском детекторе темной материи NEWSdm, а новый и более мощный алгоритм запустят для анализа снимков с нового 10-кг эмульсионного детектора.

Бывший глава Apple по машинному обучению перешёл на работу в Google

По сообщениям сетевых источников, бывший глава Apple по машинному обучению Ян Гудфеллоу (Ian Goodfellow), покинувший компанию несколько недель назад, вернулся на работу в Google и присоединился к команде DeepMind, занимающейся разработкой технологий в сфере искусственного интеллекта. Какую роль он будет играть в DeepMind, пока неизвестно, но в прошлом Гудфеллоу уже являлся одним из ведущих сотрудников Google в сфере машинного обучения.

 Источник изображения: 400tmax / Getty Images

Источник изображения: 400tmax / Getty Images

В конце апреля Гудфеллоу принял решение об уходе с должности главы Apple по машинному обучению. Согласно имеющимся данным, причиной этому стала политика IT-гиганта, стремящегося перевести своих сотрудников на гибридный рабочий график, предполагающий посещение офиса. Согласно имеющимся данным, в письме для сотрудников после решения об увольнении Гудфеллоу изложил свою позицию, отметив, что для его команды стала бы выгодной более гибкая политика компании.

Ранее Apple объявила об изменении рабочего распорядка, в соответствии с которым с 23 мая сотрудники компании должны работать в офисах не менее трёх дней в неделю. Отмечается, что позднее Apple смягчила свою позицию по данному вопросу, в результате чего некоторые сотрудники смогут работать в офисе всего два раза в неделю. Отмечается, что Google также ввела гибридную рабочую неделю, и сотрудники компании должны несколько раз в неделю посещать офисы. Возможно, Гудфеллоу будет иметь больше свободы в этом вопросе.

Согласно имеющимся данным, Гудфеллоу занимал разные должности в Google, начиная с 2013 года. В 2019 году он перешёл в Apple, где, в том числе, курировал разработку технологий автономного управления. Он также является автором системы, которая позволяет сервису Google Карты автоматически считывать адреса с фотографий, сделанных камерами на машинах Street View. Однако наибольшую известность Гудфеллоу принесла разработка генеративно-соревновательных сетей (GAN), которые, помимо прочего, могут использоваться для создания дипфейков.

Выходцы из Google создают сильный искусственный интеллект, способный использовать любой софт и API для выполнения задач

Бывшие сотрудники Google создали компанию Adept AI по разработке так называемого сильного искусственного интеллекта (Artificial General Intelligence, AGI), способного использовать каждое доступное в мире программное обеспечение, а также интерфейс программирования (API) в качестве инструментов для выполнения поставленных задач. Компания уже привлекла $65 млн инвестиций, пишет издание The Register.

 Источник изображения: The Register

Источник изображения: The Register

Основными бенефициарами нового проекта стали американский инвестор Сам Мотамерди (Saam Motamedi) и соучредитель социальной сети для профессионалов LinkedIn Рид Хоффман (Reid Hoffman) из венчурного фонда Greylock. Также проектом Adept AI заинтересовались глава разработки системы автопилота компании Tesla Андрей Карпатый (Andrej Karpathy), один из создателей мессенджера Skype Яан Таллинн (Jaan Tallinn), а также Крис Ри (Chris Ré), специалист компьютерных наук Стэнфордского университета и соучредитель компании Lattice Data, которая была приобретена Apple в 2017 году.

Соучредитель и генеральный директор Adept AI Дэвид Луан (David Luan) говорит, что их компания представляет собой «исследовательскую лабораторию для разработки и создания сильного искусственного интеллекта». В состав компании также входит технических директор Ники Пармар (Niki Parmar), главный научный специалист Ашиш Васнави (Ashish Vaswani) и группа специалистов, ранее работавшая в компании DeepMind. Последняя принадлежит Google и занимается проектами технологий ИИ.

Основатели Adept AI имеют глубокий опыт в разработке алгоритмов обработки естественного языка от OpenAI. Перед тем как покинуть Google Луан, Пармар и Васнави работали над популярными языковыми моделями GPT-2 и GPT-3 для обучения ИИ. Помимо этого, Пармар и Васнави являются разработчиками нейросетевой архитектуры Трансформер, которую они представили в 2017 году. Она используется для обработки последовательностей, таких как текст на естественном языке, и для решения таких задач, как машинный перевод и автоматическое реферирование.

«Трансформер стал первой нейронной сетью, которая могла "просто работать" со всеми задачами с использованием ИИ. Результаты убедили меня в том, что создание сильного искусственного интеллекта действительно возможно. Мы продолжали обучать всё более и более комплексные трансформеры в надежде однажды прийти к разработке одной модели AGI для работы со всеми методами машинного обучения. Однако в итоге пришли к выводу, что в нынешних моделях есть одно серьёзное ограничение: они могут обучаться на текстовых данных и по итогу способны написать действительно отличное произведение, но неспособны взаимодействовать с цифровым миром», — комментирует Луан.

 Источник изображения: Pixabay.com / geralt

Источник изображения: Pixabay.com / geralt

Adept AI сосредоточится на обучении нейронной сети для выполнения общих задач на компьютере, например, создания отчётов о выполнении поставленных задач или компилировании данных с использованием существующего программного обеспечения, такого как Photoshop, Tableau и Twilio.

«Объясню на примере: вы можете использовать сеть GPT-3 для обсуждения заказа пиццы, но вы не можете заставить её заказать пиццу за вас», — говорит Луан.

Модель Adept AI будет служить в качестве «надстройки» с помощью которой пользователь сможет взаимодействовать с компьютером или мобильным устройством посредством естественного языка. Система научится выполнять поставленные перед ней задачи с помощью доступных для неё программных инструментов. Самое главное в этом проекте заключается в том, что система, обученная использованию ПО и интерфейсов программирования, по крайней мере в теории, сможет выполнять команды пользователя с учётом наиболее эффективных «по её мнению» методов, то есть фактически по собственной инициативе. Такой гибкий и масштабируемый вид взаимодействия между пользователем и системой отличается от более тривиального и жёсткого подхода, заключающегося в расшифровке команды и, например, её разборе на предмет наличия жёстко закодированных инструкций и ключевых слов.

Разработка Adept будет вестись на базе современной архитектуры трансформера. «Только в отличие от моделей, которые обучаются на текстах, свою модель мы будем обучать на взаимодействиях с компьютером», — добавляет Луан.

Изначально Adept будет способна выполнять простые задачи, однако со временем их сложность будет увеличиваться. По мнению Луана, однажды их модель смогут использовать разработчики, например, для помощи в «мозговом штурме» и поиска новых идей и даже для выполнения научных исследований.

Ночь предстала в цвете — нейронную сеть научили раскрашивать изображение с камер ночного видения

Камеры ночного видения на основе инфракрасного излучения представляют изображения в монохромном виде, тогда как для человека цвет и оттенки несут дополнительную и зачастую важную информацию. К сожалению, глаз человека нечувствителен к инфракрасному излучению, чтобы уловить игру цвета, но этому можно обучить нейронную сеть. Группа учёных смогла доказать, что ИИ способен раскрасить изображение с камер ночного видения.

 Источник изображения: PLOS ONE

Источник изображения: PLOS ONE

Учёные из Калифорнийского университета в Ирвайне задались целью привязать длины волн в ближнем инфракрасном диапазоне к длинам волн видимого диапазона (цвета). Очевидно, что в зависимости от цвета отражаемой поверхности в видимом диапазоне свет в инфракрасном диапазоне также будет отражаться с разной интенсивностью. Обычные фотоприборы не способны перевести одно в другое, но обучаемая нейронная сеть на такое способна, что доказало научное исследование.

На примере 140 изображений лиц людей в основных типографских цветах каждое (голубой, пурпурный, жёлтый и чёрный) были получены изображения в ближнем инфракрасном диапазоне, которые обработали на нейронной сети. После обработки данных сеть смогла с высокой степенью точности раскрашивать монохромные инфракрасные снимки, представляя их в виде полноцветных изображений.

Учёные уверены, что чем больше данных представить нейронной сети, тем точнее она будет переводить монохромные оттенки в цветные. Работа опубликована в журнале PLOS ONE. Хотелось бы увидеть устройство цветного ночного видения в формате очков и работающее в режиме реального времени и без постоянной связи с суперкомпьютером. Вероятно, нужно просто дождаться подходящих контроллеров.

Японские учёные научили робота аккуратно снимать кожуру с бананов

Роботы в Японии широко распространены и выполняют всевозможные задачи. Разработчики непрерывно совершенствуют свои технологии. Например, недавно команда японских исследователей представила машину, которая способна выполнять деликатные задачи вроде очистки бананов без повреждения внутренней съедобной части.

 Источник изображения: Tokyo University

Источник изображения: Tokyo University

Хотя машина с двумя манипуляторами пока способна добиваться полного успеха только в 57 % случаев, эксперимент открывает дорогу в будущее, где машины способны выполнять более тонкие операции, чем простое перемещение с места на место деталей или доставка напитков.

На видео, предоставленном учёными Токийского университета, демонстрируется процесс очистки — с момента захвата со стенда до самой очистки за три минуты (с переменным успехом).

Учёные использовали процесс «глубокого имитационного обучения», в ходе которого процесс очистки бананов демонстрировался информационной системе сотни раз, пока робот не научился дублировать аналогичные действия. В данном случае до достижения первого успеха прошло более 13 часов тренировок.

Хотя тестирование продолжается, учёные уверены, что роботов можно научить множеству простых «человеческих» действий. Исследователи надеются, что роботы помогут Японии решить проблему нехватки кадров — в стране очень остро стоит проблема старения населения, но, тем не менее, пока она обходится практически без привлечения рабочих рук из других государств.

Новая статья: Логистическая регрессия и дары машинного обучения

Данные берутся из публикации Логистическая регрессия и дары машинного обучения

Meta* заявила, что создаст универсальный ИИ-переводчик устной речи для всех языков мира

Meta* объявила о новом амбициозном исследовательском проекте в области искусственного интеллекта, который должен привести к созданию системы для перевода устной речи, которое сможет работать во всём мире, с любым языком. О проекте было объявлено в рамках мероприятия, посвящённого широкому спектру возможностей, которые, по мнению Meta*, ИИ предоставит компании в работе с метавселенной.

 Источник изображения: Alex Castro/The Verge

Источник изображения: Alex Castro/The Verge

«Возможность общаться с кем угодно на любом языке — это суперспособность, о которой люди всегда мечтали, и ИИ сделает её реальностью ещё при нашей жизни», — сказал генеральный директор Meta* Марк Цукерберг (Mark Zuckerberg). В компании заявляют, что, несмотря на то, что современные инструменты перевода хорошо обслуживают широко распространённые языки, около 20 % населения Земли не говорят на языках, охватываемых этими системами. Многие из этих языков не имеют легко распознаваемых символов письменного текста, а некоторые вовсе не имеют стандартизированной системы письма, необходимой для обучения ИИ.

Meta* говорит, что хочет преодолеть эти проблемы, развернув новые методы машинного обучения в двух конкретных направлениях. Первое, получившее название No Language Left Behind (англ. — ни один язык не забыт), будет сосредоточено на создании моделей ИИ, которые могут научиться переводить языки, используя ограниченное количество обучающих примеров. Второе, Universal Speech Translator (англ. — универсальный переводчик речи), будет направлено на создание систем, которые напрямую переводят речь с одного языка на другой без необходимости использования текстового компонента в качестве посредника.

Meta* пока не объявила сроки реализации этих проектов или даже дорожную карту для основных этапов в достижении их целей. Вместо этого компания подчёркивает утопические возможности систем универсального перевода речи. Meta* предполагает, что описанные ею технологии принесут огромную пользу её продуктам, охватывающим весь мир, расширяя их охват и превращая их в необходимые инструменты коммуникации для миллионов людей. Предполагается, что универсальный переводчик будет встроен в метавселенную и станет частью ПО носимых устройств, таких как AR-очки.

Безусловно, за последние годы системы машинного перевода значительно повысили скорость и точность. Однако у лежащей в их основе технологии есть и недостатки. Машинный перевод упускает нюансы, важные для человека, и совершает странные неожиданные ошибки. Это имеет решающее значение, когда крупные платформы, такие как Facebook* и Instagram* автоматически применяют неверные переводы. Например, в 2017 году палестинский мужчина был арестован израильской полицией после того, как машинный перевод Facebook* неправильно перевёл его пост. Мужчина написал «доброе утро» на арабском языке, но социальная сеть перевела это как «навредить им» на английском и «напасть на них» на иврите.

Таким образом, хотя универсальный переводчик — это очень полезный продукт, Meta* должна будет доказать не только то, что её технология может выполнять возложенную на неё задачу, но и то, что как компания она может справедливо применять свои исследования.


* Внесена в перечень общественных объединений и религиозных организаций, в отношении которых судом принято вступившее в законную силу решение о ликвидации или запрете деятельности по основаниям, предусмотренным Федеральным законом от 25.07.2002 № 114-ФЗ «О противодействии экстремистской деятельности».

Научный центр «Яндекса» организовал проект в сфере машинного обучения

Центр Yandex Research объявил об открытии резиденции по машинному обучению ML Residency: участники программы смогут заниматься прикладными и теоретическими исследованиями в области машинного обучения, а также работать над сложными проектами.

 Источник изображения: pixabay.com / geralt

Источник изображения: pixabay.com / geralt

В инициативе, помимо научного подразделения «Яндекса», участвуют Московский физико-технический институт (МФТИ) и Высшая школа экономики (ВШЭ). Резидентом ML Residency может стать специалист с любым уровнем подготовки — от студента в области машинного обучения до опытного исследователя из смежных дисциплин, например, математики, физики, химии, компьютерных наук или лингвистики.

Программа рассчитана на год и может быть продлена. В течение этого времени участники проекта будут получать зарплату. Резидентам предстоит работать вместе с исследователями Yandex Research, которые выступят в роли наставников и кураторов.

 Источник изображения: pixabay.com / TheDigitalArtist

Источник изображения: pixabay.com / TheDigitalArtist

Участники программы выберут исследовательские проблемы в компьютерном зрении, речевых и диалоговых системах, обработке естественного языка, автономном вождении и других областях машинного обучения. Кроме того, резиденты смогут посещать курсы по машинному обучению в Школе анализа данных.

Подать заявку можно здесь. Студенты МФТИ и ВШЭ могут совместить участие в ML Residency с написанием магистерской или кандидатской диссертации.

IDC: затраты в сфере ИИ в 2022 году увеличатся почти на 20 %

Компания International Data Corporation (IDC) обнародовала прогноз по мировому рынку решений в области искусственного интеллекта (ИИ). В рассмотрение берутся программные продукты, аппаратное обеспечение и различные сервисы.

 Источник изображения: pixabay.com / geralt

Источник изображения: pixabay.com / geralt

В прошлом году, по оценкам, затраты в области ИИ составили в общей сложности около $362 млрд. В нынешнем году ожидается 19,6-процентный рост. Если этот прогноз оправдается, объём отрасли достигнет $433 млрд. В 2023-м рынок преодолеет отметку в $500 млрд.

 Источник изображений: IDC

Источник изображений: IDC

В категории программных продуктов на ИИ-приложения в первой половине прошлого года пришлось 47 % расходов. Далее идёт системное инфраструктурное ПО с долей около 35 %.

В области ИИ-сервисов всевозможные IT-услуги в первом полугодии 2021-го принесли $18,4 млрд выручки. Рост здесь составил 20,4 % в годовом исчислении. Прогнозируется, что в 2025-м расходы достигнут $52,6 млрд.

Что касается аппаратного обеспечения, то на него в 2022 году придётся 5 % от общих затрат в области ИИ. Рост в годовом исчислении ожидается на уровне 24,9%. Основную часть выручки принесут ИИ-серверы.

Самый большой в мире «процессор-мозг» помогает раскрывать тайны генетики

Британская фармацевтическая компания GSK воспользовалась возможностями самого большого в мире процессора компании Cerebras для изучения процессов эпигеномики — функции, контролирующей экспрессию генов или её отсутствие, и понимание того, в каких клетках происходят те или иные генетические изменения. Раскрытие механизмов эпигеномики поможет найти лекарства от множества неизлечимых болезней, с чем ИИ на новых системах могут справиться лучше человека.

 Источник изображения: tomshardware.com

Источник изображения: tomshardware.com

Процессор Cerebras WSE-1 (16 нм) и новейший WSE-2 (7 нм) — это невообразимые до недавнего времени решения, каждый из которых изготавливается целиком из одной 300-мм кремниевой пластины. Небольшой кластер из таких процессоров способен обслуживать ИИ-модели, сравнимые по возможностям с мозгом человека. Добавьте к этому, например, базу данных по генетике, и на выходе получится система, которая способна проанализировать такой объём данных, который один человек и даже большие коллективы учёных в обозримом масштабе времени не смогут осознать.

Компания GSK воспользовалась для анализа генома и его динамики во времени системой на первом поколении процессоров Cerebras и ждёт систему второго поколения в третьем квартале этого года. Сообщается, что с помощью системы CS-1 процесс обучения EBERT (перепрофилированной нейросетевой модели BERT или «эпигеномной» BERT) занял 2,5 дня по сравнению с 24 днями на 16-узловом кластере GPU. Новая система, как ожидается, удвоит скорость обработки данных.

 Источник изображения: tomshardware.com

Источник изображения: tomshardware.com

Исследователи утверждают, что после обучения EBERT «достигла наивысшей точности предсказания на четырёх из 13 наборов данных в промышленном эталоне под названием ENCODE-DREAM». Модель заняла третье место в общем рейтинге, и исследователи говорят, что результаты «очень многообещающие».

Проблема в том, что эпигеном человека огромен и требует колоссальных вычислительных ресурсов для моделирования или изучения на высоком уровне с помощью обычных методов. ИИ даёт возможность сократить этот путь. Предыдущие исследования дали достаточно реальных примеров влияния эпигеномики, чтобы научить компьютер делать то же самое на базе модели. Затем эта модель может быть использована для прогнозирования множества важных биологических процессов.

В России разработана технология испытаний спутников на базе цифровых двойников

Холдинг «Российские космические системы» (РКС), входящий в государственную корпорацию «Роскосмос», взял на вооружение передовую технологию виртуальных испытаний ракетно-космической техники.

 Источник изображений: pixabay.com / geralt

Источник изображений: pixabay.com / geralt

Речь идёт о применении алгоритмов машинного обучения и так называемых цифровых двойников. Это высокоточные виртуальные модели, повторяющие характеристики, функции и поведение реального объекта. Цифровой двойник существует и развивается в течение всего жизненного цикла изделия, собирая и обрабатывая поступающие данные и храня всю предыдущую историю.

Виртуальные испытания позволяют избежать серьёзных ошибок во время проектирования. Новая методика, применяемая в РКС, с помощью математических расчётов и программирования собирает, накапливает и анализирует информацию, а также прогнозирует поведение разрабатываемых изделий.

Технология цифровых двойников позволяет минимизировать ошибки при проектировании, а следовательно, значительно сократить стоимость проектов. Кроме того, уменьшается общее время от начала разработки до получения готового изделия.

В перспективе, как отмечает РКС, новая методика позволит улучшить характеристики космических аппаратов, сократить затраты по производству, эксплуатации и техническому обслуживанию ракетно-космической техники.

Meta* представила суперкомпьютер на 6080 ускорителях NVIDIA A100 — он научит ИИ думать как человек

Компания Meta* объявила о создании AI Research SuperCluster (RSC) — нового суперкомпьютера, предназначенного для работы с задачами искусственного интеллекта. По утверждению компании, он скоро станет самым быстрым в мире. Суперкомпьютер стал результатом почти двух лет работы, часть которой велась удалённо в разгар пандемии коронавируса.

 Источник изображения: ***

Источник изображений: Meta*

Работа над суперкомпьютером возглавлялась командами искусственного интеллекта и инфраструктуры Meta*. В проекте принимали участие несколько сотен специалистов, в том числе и сотрудники таких компаний, как NVIDIA, Penguin Computing и Pure Storage. Meta* сообщила, что её исследовательская группа в настоящее время использует суперкомпьютер для обучения моделей искусственного интеллекта обработке естественного языка и компьютерному зрению для исследований. Цель состоит в том, чтобы расширить возможности обучаемых моделей с более чем триллионом параметров, используя наборы данных размером до эксабайта, что примерно эквивалентно 36 тысячам лет видео в высоком качестве.

«Опыт, который мы создаём для метавселенной, требует огромных вычислительных мощностей, а RSC позволит создавать новые модели ИИ, которые могут учиться на триллионах примеров, понимать сотни языков и многое другое», — заявил генеральный директор Meta* Марк Цукерберг (Mark Zuckerberg).

Meta* сообщает, что на данный момент её новый суперкомпьютер состоит из 760 систем NVIDIA DGX A100, которые в сумме содержат 6080 ускорителей вычислений NVIDIA A100, что ставит его на пятое место в рейтинге самых быстрых суперкомпьютеров мира. Для связи кластеров используется NVIDIA Quantum на InfiniBand с пропускной способностью 200 Гбит/с.

По словам Meta*, к средине лета, когда RSC будет полностью достроен, он будет содержать около 16 тысяч графических процессоров NVIDIA A100, что сделает его самым быстрым суперкомпьютером для задач искусственного интеллекта в мире. Сообщается, что он сможет обрабатывать до 16 Тбайт данных в секунду. Компания отказалась раскрывать местоположение компьютера и стоимость проекта.

Искусственный интеллект обычно требует, чтобы компьютер одновременно выполнял огромное количество низкоточных вычислений. Для этой задачи очень хорошо подходят графические процессоры, имеющие тысячи вычислительных ядер, работающих одновременно. Обычные суперкомпьютеры оптимизированы для высокоточных операций, в то время как ИИ-компьютеры работают с гораздо более низкими уровнями точности, что позволяет существенно повышать скорость вычислений, не влияя на конечные результаты. Высокопроизводительная инфраструктура, такая как суперкомпьютер. необходима для обработки тех объёмов данных, которыми располагает Meta*.

Сообщается, что суперкомпьютер Meta* используется в исследовательских целях, и вряд ли продукты на его основе появятся в ближайшие годы. Предполагается, что цель компании состоит в том, чтобы создать модели ИИ, способные работать как человеческий мозг и даже обеспечивать контекстуальное понимание ситуаций. Они смогут работать на сотнях языков, анализировать текст, изображения, видео и разрабатывать инструменты дополненной реальности. Эта технология поможет Meta* проще и более точно выявлять вредоносный контент, а также даст исследователям компании возможность разработать модели ИИ, которые смогут мыслить как человек и предложат богатый многомерный опыт в метавселенной.


* Внесена в перечень общественных объединений и религиозных организаций, в отношении которых судом принято вступившее в законную силу решение о ликвидации или запрете деятельности по основаниям, предусмотренным Федеральным законом от 25.07.2002 № 114-ФЗ «О противодействии экстремистской деятельности».

window-new
Soft
Hard
Тренды 🔥
Intel начала поставки ASIC-майнера Blockscale в самое неподходящее для этого время 33 мин.
Видео: новый трейлер симулятора охоты Way of the Hunter посвящён фауне Тихоокеанского Северо-Запада 10 ч.
Инсайдер рассказал, что должен был включать не состоявшийся сегодня анонс даты выхода God of War Ragnarok 11 ч.
Разработчики skate. впервые показали геймплей и пригласили игроков на закрытое тестирование 12 ч.
К раздаче Epic Games Store на этой неделе присоединился мультиплеерный боевик Hood: Outlaws & Legends 13 ч.
Google заблокировала домены, которые использовались для заказных фишинговых атак в России и других странах 13 ч.
Аддон The Delicious Last Course для Cuphead наконец добрался до релиза и продаётся в Steam по привлекательной цене 13 ч.
1C Entertainment сменила название на Fulqrum Games 15 ч.
Nintendo не станет выпускать продолжения для всех серий, о возвращении которых просят фанаты 15 ч.
THQ Nordic анонсировала спортивный экшен Stuntfest: World Tour, но не от создателей Wreckfest и FlatOut 15 ч.