Сегодня 20 апреля 2018
18+
MWC 2018
Теги → машинное обучение
Быстрый переход

Samsung Exynos 7 Series 9610: скоростная съёмка и распознавание лиц в смартфонах

О подготовке к выпуску однокристальной сборки Samsung Exynos 7 Series 9610 стало известно ещё в июне прошлого года. Но лишь сегодня компания анонсировала эту интересную новинку для смартфонов премиального класса. Новый восьмиядерный прикладной процессор Samsung будет выпускаться с использованием 10-нм техпроцесса с FinFET-транзисторами. Правда, массовое производство решения начнётся только во второй половине текущего года, что почти на год позже ожидаемого.

Как уже сообщалось, в основе SoC Exynos 7 Series 9610 будут лежать четыре ядра ARM Cortex A-73 и четыре ядра ARM Cortex A-53. Тактовая частота старших ядер будет достигать 2,3 ГГц, а младших — 1,6 ГГц. Графика решения — видеоядра ARM Mali-G72. Изюминкой решения станут сигнальные процессоры для обработки статических изображений и видео. Более того, компания говорит о комбинации традиционных вычислительных алгоритмов с глубоким машинным обучением, что позволит поднять на новый уровень обработку визуальных образов.

Например, Samsung утверждает, что благодаря нейронным сетям платформа Exynos 7 Series 9610 позволит распознавать лица людей, которые отворачиваются от камер, либо частично скрытые преградами, например, головными уборами или прядями волос. Производительность сигнального процессора в составе Exynos 7 Series 9610 выросла в 1,6 раза, что позволит работать даже не с самыми совершенными датчиками изображения. Передовая система обработки с использованием наложения нескольких кадров также даёт возможность снимать одной единственной камерой чёткие изображения в условиях низкой освещённости, находящиеся не в фокусе и вести ускоренную съёмку FullHD со скоростью 480 кадров в секунду. Видео с разрешением 4K кодируется со скоростью до 120 кадров в секунду.

Группой ассоциированных с платформой Exynos 7 Series 9610 датчиков управляет контроллер (концентратор) на Cortex-M4F. Датчики всегда активны и для работы не требуют вывода из спячки прикладного процессора Exynos 7 Series 9610. Коммуникационные возможности Exynos 7 Series 9610 представлены широкополосным сотовым модемом с поддержкой LTE Cat.12 3CA для входящего трафика (до 600 Мбит/с) и LTE Cat.13 2CA для исходящего (до 150 Мбит/с). Поддержка Wi-Fi обеспечена стандартом 802.11ac 2×2 MIMO. В наличии модуль Bluetooth 5.0, FM-радио и решения для систем позиционирования GNSS, GPS, GLONASS, BeiDou и Galileo.

«Яндекс.Алиса» научилась заказывать такси

Команда разработчиков «Яндекса» сообщила об очередных усовершенствованиях голосового ассистента «Алиса» и включении в состав AI-сервиса функции вызова такси посредством мобильного приложения «Яндекс.Такси».

Теперь для вызова такси достаточно надиктовать сообщение голосовому помощнику и сказать, куда нужно ехать. «Алиса» уточнит указанный адрес и откроет упомянутое выше приложение, где уже будет заполнена строка «Куда». При этом «Алиса» сама определит текущее местоположение пользователя и укажет его при составлении маршрута в качестве отправной точки.

К голосовому ассистенту можно обращаться по-разному: «вызови такси», «закажи такси», «поехали на такси». «Алисе» можно назвать конкретные адреса или названия мест (Макдональдс, музей, кинотеатр). Также AI-помощник может вызвать такси домой или на работу: в первый раз «Алиса» уточнит адрес, а потом запомнит и будет указывать его в приложении «Яндекс.Такси» не переспрашивая.

Голосовой ассистент «Алиса» был запущен компанией «Яндекс» в октябре прошлого года. Сервис представляет собой альтернативу аналогичным решениям Apple (Siri), Google (Google Assistant), Amazon (Alexa) и в настоящий момент представлен для платформ Windows, Android, iOS. Созданная отечественными программистами помощница умеет искать информацию в Интернете, давать ответы на интересующие пользователя вопросы, беседовать на отвлечённые темы, подсказывать удобный маршрут, сообщать прогноз погоды, помогать в решении повседневных задач и даже играть в игры, такие, как «Угадай песню», «Слова», «Верю — не верю», «Города», «Этот день в истории» и некоторые другие.

Илон Маск покинул совет правления OpenAI во избежание конфликта интересов с Tesla

Технологический миллиардер Илон Маск (Elon Musk) покинул совет правления OpenAI — некоммерческой организации, которую он основал вместе с президентом Y Combinator Сэмом Альтманом (Sam Altman) и которая исследует этичность и безопасность искусственного интеллекта. Маск заявил, что уходит, чтобы избежать конфликта интересов OpenAI и Tesla: последняя разрабатывает системы для самоуправляемых автомобилей, которые активно используют возможности ИИ.

Маск продолжит финансировать и консультировать OpenAI. Организация также отметила, что к её донорам присоединились генеральный директор Valve Гейб Ньюэлл (Gabe Newell), основатель Skype Яан Таллинн (Jaan Tallinn) и бывшие американский и канадский олимпийские легкоатлеты Эштон Итон (Ashton Eaton) и Брианна Тейсен-Итон (Brianne Theisen-Eaton). OpenAI продолжит расширять этот список с целью наращивания инвестиций в «людей и вычислительные ресурсы, необходимые для обеспечения последовательных прорывов в области искусственного интеллекта».

OpenAI была основана около двух лет назад и очень быстро обрела значимость в глобальном сообществе машинного обучения. Она провела исследования в самых разных областях — например, научила компьютер управлять роботами с минимальным количеством инструкций и создала ИИ, способный эффективно играть в Dota 2.

Также стоит отметить, что совсем недавно организация внесла вклад в многодисциплинарный отчёт о том, каким образом в ближайшие пять лет ИИ может быть использован злоумышленниками.

Google Flights сообщит о задержке рейса раньше авиакомпании

Google добавляет несколько новых «фишек» в приложение Google Flights. Новшества должны помочь путешественникам с задержками рейсов. Теперь приложение будет не просто дублировать информацию, распространяемую авиакомпанией, а также предсказывать возможные задержки с помощью алгоритмов машинного обучения.

Как объясняют разработчики, существуют определённые комбинации факторов и специальные алгоритмы, позволяющие программе предсказать возможную задержку рейса раньше, чем об этом объявит авиакомпания. Причём в прогнозе задержка отобразится только при 80-процентной вероятности её возникновения. Это позволит пассажиру заранее настроиться на вынужденное ожидание и своевременно изменить планы. 

Также приложение будет отображать причину задержки или переноса рейса — погодные условия, задержка стыковочного рейса и другие. Статус рейса можно проверить по номеру или маршруту перелёта, введя эти данные в строке поиска.

В обновлённом сервисе можно будет узнать условия обмена и возврата купленного пассажиром билета, а также возможность и стоимость изменения даты авиаперелёта. В приложении клиента будет отображаться информация о его тарифе и ограничениях, которые этот тариф в себя включает.

Twitter начала обрезать интересные части фотографий с помощью машинного обучения

Польза машинного обучения не всегда кроется в крупных функциях — зачастую оно помогает привнести некое мелкое нововведение, которое делает продукт гораздо более удобным. Так произошло и в случае с Twitter, которая с помощью нейронных сетей начала обрезать наиболее интересные части фотографий для создания их миниатюр.

Компания начала работать над нововведением уже достаточно давно, но подробно рассказала о нём лишь сейчас. Исследователь в области машинного обучения Лукас Тис (Lucas Theis) и его руководитель Зехан Вонг (Zehan Wang) поведали, что сначала обрезали с помощью новой функции только лица, а вот с пейзажами, предметами и кошками метод не работал.

Решением проблемы стал метод «обрезания с использованием заметной части». Под «заметной частью» в данном случае подразумевается самая интересная часть картинки — неважно, лицо это или нет. Сотрудники Twitter воспользовались данными исследований в области отслеживания глаз для определения зон изображений, на которые люди смотрят в первую очередь. «Эти данные могут использоваться для тренировки нейронных сетей и алгоритмов, прогнозирующих, на что человек хочет бросить взгляд», — написали Тис и Вонг.

Когда исследователи научили нейронную сеть определять такие зоны, им потребовалось оптимизировать технологию, чтобы она работала на сайте в реальном времени. К счастью, обрезание фотографий для создания миниатюр довольно простое — достаточно выделить примерно треть картинки с самым привлекательным содержимым. Это позволило сузить критерии отбора материала.

В результате получилась нейронная сеть в 10 раз более быстрая, чем первоначальный вариант. «Это позволяет нам производить обнаружение заметной части на всех изображениях по мере их загрузки и обрезать их в реальном времени», — добавили Тис и Вонг.

Вскоре нововведение станет доступно всем пользователям Twitter на настольных устройствах, а также в приложениях для iOS и Android.

CES 2018: Intel продвинулась в квантовых и нейроморфных вычислениях

На проходящей в Лас-Вегасе выставке CES 2018 корпорация Intel объявила о важных достижениях в области квантовых и нейроморфных вычислений. Последние представляют собой перспективный тип компьютерной логики и могут принципиально улучшить возможности искусственного интеллекта, а, следовательно, и оказать огромное влияние на многие научные, исследовательские и индустриальные области.

Квантовые вычисления смогут быстро решать специфические задачи, для которых современным суперкомпьютерам требуются месяцы или годы, вроде создания лекарств, финансового моделирования и климатических прогнозов.

Во время основного доклада исполнительный директор Intel Брайан Кржанич (Brian Krzanich) сообщил о выпуске сверхпроводящего квантового чипа под кодовым именем «Tangle Lake», обладающего 49 кубитами, а также пообещал внедрение нейроморфных вычислений, имитирующих работу мозга и способных эффективно обрабатывать структурированные и неструктурированные данные, объём которых экспоненциально растёт. Название процессора происходит от группы озёр в Аляске и указывает на экстремально низкие температуры и переплетение, что необходимо для функционирования квантовых битов.

Старший вице-президент Майк Мейберри (Mike Mayberry) сообщил, что пройдёт ещё 5–7 лет, пока индустрия научится решать технические проблемы и окажется способной создавать чипы с миллионом или больше кубитов для достижения коммерческого успеха технологии. Tangle Lake является важным шагом на этом пути, позволяя исследователям оценивать и улучшать техники коррекции ошибок и моделировать вычислительные задачи.

Продолжая инвестиции в сверхпроводящие кубиты, Intel в стремлении нарастить количество взаимодействующих кубитов ведёт параллельную разработку другого типа — спиновых кубитов (spin qubits) в кремнии. Последние способны иметь принципиальное преимущество будучи гораздо меньше сверхпроводящих кубитов.

Спиновые кубиты схожи с одноэлектронным транзистором, который в свою очередь имеет много общего с традиционными транзисторами, и потенциально могут производиться на близких к современным техпроцессах. Intel уже разработала принципы применения технологии производства 300-мм кремниевых пластин для спиновых кубитов.

Вторым достижением стал созданный Intel Labs полностью функциональный опытный чип «Loihi» в рамках новой парадигмы нейроморфных вычислений, имитирующей базовые операции мозга. Технология Loihi объединяет обучение и логический вывод в одном чипе и обещает экспоненциальный рост производительности и энергоэффективности для искусственного интеллекта.

Как объясняет Intel, нейроморфные процессоры могут быть задействованы в задачах обработки и анализа данных настоящего постоянно изменяющегося окружения. В качестве примера названы камеры наблюдения и городская инфраструктура, приспособленные для информационной поддержки автономных транспортных средств в реальном времени. В первом полугодии Intel планирует передать образцы чипов Loihi в ведущие университеты и исследовательские институты, применив их к более сложным проблемам и наборам данных.

Intel в 2017 году: достижения в РФ и стратегия развития

Корпорация Intel провела презентацию, в которой осветила целый ряд достижений компании, совершённых ею на российском рынке и в мире за уже практически завершившийся 2017 год. Если брать третий квартал, то статистика, безусловно, неумолима и демонстрирует существенный рост в ряде отраслей, от производства памяти и устройств класса IoT до продвижения технологий Intel в секторах ЦОД и супервычислений. На одни только клиентские устройства во всём мире пришлось почти $9 миллиардов дохода, а ещё около $5 миллиардов — на рынок ЦОД, причём в последнем случае это на 7 % больше, нежели за аналогичный период 2016 года. Неплохую динамику демонстрируют секторы FPGA и IoT, но особенно сильно вырос рынок памяти — на целых 37 %, хотя в абсолютных числах он и не самый денежный.

Основные достижения Intel в 2017 году вспомнить нетрудно: в первую очередь, это появление долгожданного нового типа энергонезависимой памяти 3D XPoint, разработанной Intel в альянсе с Micron. И здесь мы видим не только недорогие кеширующие ускорители Optane в формате M.2, но и мощные решения для серверной сферы и энтузиастов: SSD P4800 и Optane SSD 900P соответственно. Ёмкость последних обещает вырасти до 1,5 Тбайт в самое ближайшее время. Второе событие по важности — это запуск платформы Purley, в рамках которой были представлены и процессоры Xeon Scalable с архитектурой Skylake. Совсем недавно мы об этом рассказывали читателям. Наконец, коснулись серьёзные изменения и рынка ПК: компания наконец-то выпустила восьмое поколение настольных процессоров, в число которых вошли доступные шестиядерные решения Coffee Lake для платформы LGA 1151.

Восьмое поколение пришло не только на ПК, но и в мобильный сегмент. Какое-то время мобильные Core i7 можно было назвать таковыми лишь номинально, поскольку они имели всего два физических ядра, но теперь в семейство входят и полноценные четырёхъядерные модели с поддержкой HT и энергопотреблением 15 ватт в экономичном режиме. А при питании от сети их частота может достигать 4,2 ГГц, что вполне серьёзно. Такой ноутбук может потягаться с неплохим настольным ПК, а если он ещё и оснащён дискретной графикой, то и стать хорошей мобильной игровой платформой. Intel вообще уделила большое внимание разнообразию форм-факторов, представив решения практически всех форм и размеров: от компактнейшего Compute Card и чуть менее компактной серии NUC до моноблоков, ноутбуков и устройств класса «два в одном». Рост рынка в России составил 9,8 % — довольно неплохой показатель.

Решения Intel используются терминалах проекта «Парк Зарядье». Они применяются для облегчения навигации гостей парка, работают в качестве касс для покупки билетов, и даже в киосках, где посетители могут сделать собственное фото. В солнечные дни проблем нет, поскольку во всех терминалах установлены панели, яркость которых только начинается от 2500 кд/м2. Изображение видно под любым углом и даже при прямом попадании солнечного света. Поскольку базой является Intel NUC, система охлаждения существенно упрощена, а уровень энергопотребления в сравнении с решениями аналогичного класса ниже на 35 %.

В презентации компания рассказывает, какие направления она считает в настоящее время стратегическими: это системы искусственного интеллекта и машинного обучения, в том числе обеспечивающие работу беспилотного транспорта, беспроводные сети пятого поколения (5G), а также виртуальная и дополненная реальности. Рынок VR и AR (Augmented Reality) к 2020 году может достигнуть более $143 миллиардов, так что это кусок, за который явно стоит побороться. Казалось бы, VR и AR — несерьёзные области, однако это далеко не только развлечения. Особенно полезной может стать в работе дополненная реальность. Она пригодится практически везде и в любой профессии, от простого кладовщика до инженера-проектировщика или микрохирурга, предоставляя нужную информацию мгновенно и не требуя отвлекаться на операции с носимым планшетом или терминалом. Intel ещё предстоит пробить барьер несерьёзного отношения к VR/AR, но такие устройства, как HoloLens, уже начинают использоваться в серьёзных отраслях.

Немного об автономном вождении: по-настоящему безопасные и умные решения используют серьёзные потоки данных. Один только лазерный 3D-сканер (лидар) выдает от 10 до 70 Мбайт данных в секунду, поток аналогичного объёма поступает с видеокамер, и к этому стоит приплюсовать потоки данных от GPS, сонаров и классических радаров радиодиапазона. И это только данные. На их основании ИИ транспортного средства должен составить картину происходящего и правильно, не нарушая безопасности, выполнить свою задачу. Неудивительно, что Intel всерьёз вкладывается в разработки в области искусственного интеллекта: объём экономики пассажиров беспилотного транспорта к 2050 году может достигнуть $7 триллионов. И компания не сидит сложа руки. Уже в 2017 году на дорогах можно увидеть модели BMW и Fiat Chrysler с 4-м уровнем автономности, которые оснащены именно решениями Intel.

Направление ИИ у Intel пока держится на трёх китах: мощных платформах обучения нейросетей Nervana, которые внешне чем-то похожи на ускорители NVIDIA Volta и также используют многослойную высокоскоростную память, процессорах Movidius, предназначенных не для обучения новых нейросетей, а для быстрого выполнения уже натренированных и готовых к исполнению своей задачи решений (на одной платформе таких процессоров может быть до 64). Подключения к облаку при этом не требуется, процессоры справляются собственными силами. Единственное, что им нужно — это соответствующее задаче количество доступных портов в хабе USB 3.0. Наконец, стоит упомянуть и нейроморфный процессор Intel Loihi, который нам предстоит увидеть в первой половине 2018 года.

Если верить разработчикам, Loihi достаточно мощен, чтобы работать вне облака и быть при этом достаточно «сообразительным» для выполнения серьёзных задач. Данных по этой новинке пока мало, мы знаем лишь, что внутри используется ячеистая сетевая топология, такая же, как в процессорах Xeon Scalable и новых процессорах класса HEDT, а 14-нм ядра Loihi способны работать в асинхронном режиме и каждое из них имеет свой движок обучения. По приблизительным оценкам, такой процессор эквивалентен 130 тысячам нейронов и 130 миллионам синапсов человеческого мозга. До «сильного ИИ» пока далеко, но серьёзный прогресс налицо. Возможно, появления настоящих роботов, описанных ещё в старой научной фантастике, ждать придётся не так уж долго. 

Intel и Amazon представили интеллектуальную камеру DeepLens

На ежегодной конференции re:Invent в Лас-Вегасе компании Intel и Amazon Web Services (AWS) презентовали беспроводную камеру DeepLens для создания продуктов, использующих искусственный интеллект и технологии машинного обучения.

DeepLens построена на базе процессора Intel Atom X5 со встроенным графическим ядром. Полагаясь на собственные вычислительные ресурсы, камера может распознавать объекты и исполнять заданные разработчиками модели компьютерного зрения в реальном времени.

Поддерживаются программные продукты и библиотеки глубинного обучения, в том числе Intel Compute Library для нейронных сетей Deep Neural Network (clDNN) и Apache MXNet. Поддержка Caffe2 и Google Tensorflow появится в І квартале 2018 года.

Машинное зрение позволяет существенно продвинуть организацию умного дома, розничной торговли, промышленности и других направлений. Благодаря сотрудничеству Intel и AWS разработчикам предоставлены новые интеллектуальные инструменты в этой области.

Недавно Intel представила сопутствующий набор инструментов Speech Enabling, включающий аудиомодуль с голосовым управлением в дальней зоне, использующий возможности облачной службы голосового помощника Amazon Alexa Voice Service.

Китайский разработчик ASIC для добычи криптовалюты заинтересовался ИИ

По мере роста популярности биткоина добыча этой криптовалюты перекочевала с компьютерных систем на специализированные платформы на основе заказных БИС (ASIC). Точнее, на ASIC перешли профессиональные, если так можно сказать, майнеры. Под это дело были созданы компании по проектированию заказных решений. Одной из таких компаний стала созданная в 2013 году в Пекине Bitmain Technologies. Первым продуктом Bitmain стал ускоритель расчётов алгоритма SHA-256 для добычи бикоинов. На базе заказных БИС компании Bitmain выпускались и выпускаются разнообразные готовые платформы для добычи криптовалюты, спрос на которые, по словам разработчика, до конца 2014 года был просто ошеломляющим.

Пример системы для манинга на ASIC компании Bitmain

Пример системы для манинга на ASIC компании Bitmain

В 2015 году на волне возобновления интереса к добыче биткоина компания выпустила новый ускоритель — ASIC BM1384. Но уже к концу 2015 года поняла, что следует подумать о расширении бизнеса в сторону нейронных сетей и систем с глубоким машинным обучением. Об ИИ к этому времени не говорил только ленивый. Распознавание речи, образов и обработка Больших Данных — всё это получило толчок и нашло воплощение в самых передовых разработках Intel, IBM, Google, Microsoft, Amazon, NVIDIA и других компаний. Центры по обработке данных стали комплектоваться платформами для решения вопросов, связанных с проблемами искусственного интеллекта. Это новый и огромный рынок, на котором вполне могут развернуться новички в виде компаний, подобных Bitmain Technologies.

Ускоритель Bitmain для ситсем с глубоким машинным обучением (с одновременной поддержкой операций обучения и принятия решений)

Ускоритель Bitmain для систем с глубоким машинным обучением (с одновременной поддержкой операций обучения и принятия решений)

Сегодня, полтора года спустя после решения выйти на рынок ускорителей для ИИ, Bitmain Technologies представляет опытные образцы специализированного ускорителя BM1680. Решение может обучаться в средах (моделях) Caffe, Darknet, Yolo и Yoto2 для нейронных сетей Alexnet, Googlenet, VGG и Resnet. Массовые поставки BM1680 компания рассчитывает начать к июлю 2018 года. Среди клиентов на ускоритель компания Bitmain рассчитывает увидеть компании Alibaba, Baidu и Tencent, но не собирается ограничиваться этим коротким списком. Также в планах разработчика создать собственный сервис по предоставлению услуг, связанных с работой нейронных сетей, как она сделала по отношению к собственным ASIC для добычи биткоина. Так, у неё есть собственный центр для майнинга. Как говорится, хочешь сделать хорошо — сделай сам.

Система машинного обучения Google создала более эффективный ИИ, чем сотрудники компании

В мае Google представила проект AutoML — искусственный интеллект, призванный помогать в создании других ИИ-систем. Теперь компания объявила, что AutoML обогнал разработчиков искусственного интеллекта: ИИ создал программное обеспечение машинного обучения более эффективное и мощное, нежели системы, созданные людьми.

Недавно AutoML побил рекорд в категоризации изображений по их содержимому, достигнув показателя 82 %. Это относительно простая задача, однако ИИ также удалось обогнать созданную человеком систему в более сложной работе, связанной с автономными роботами и дополненной реальностью. Речь идёт о маркировке расположения нескольких объектов на изображении: здесь AutoML достиг показателя 43 %, в то время как человеческая система остановилась на 39 %.

Эти результаты важны, поскольку даже в Google лишь небольшое количество сотрудников имеет достаточно опыта для создания ИИ-систем нового поколения. Для полноценной автоматизации этой сферы нужны редкие навыки, но в итоге это может изменить индустрию до неузнаваемости.

«Сегодня они (продвинутые системы искусственного интеллекта — прим.) вручную создаются учёными из области машинного обучения, и буквально всего несколько тысяч из них во всём мире могут с этим справиться, — говорит генеральный директор Google Сундар Пичаи (Sundar Pichai). — Мы хотим дать возможность делать это сотням тысяч разработчиков».

Сейчас проще настроить существующую систему под новые нужды, чем создать нейронную сеть с нуля. Тем не менее, исследователи предполагают, что это временно. Если ИИ научится достаточно эффективно создавать новые системы, то у людей появится больше времени на их тестирование и тонкую настройку.

Shutterstock тестирует поиск на основе расположения объектов на изображении

Многие компании используют возможности машинного обучения для того, чтобы помечать и искать визуальный контент. Например, Pinterest и Google позволяют находить похожие картинки. Shutterstock использует технологию несколько иначе: сервис фотостоков определяет схемы размещения предметов на изображении.

Новый инструмент доступен на тестовом сайте компании, который называется Shutterstock Labs. Вы можете добавить в строку поиска несколько предметов, а затем перетаскивать соответствующие им иконки, чтобы уточнять расположение объектов. Также можно указать место, где на картинке не должно быть ничего — например, чтобы добавить туда текст.

Судя по бета-версии инструмента, нововведение реализовано просто и работает быстро. Тем не менее, оно не всегда полезно. Вы можете указать расположение вина и сыра на столе, но у вас нет возможности работать с более сложными композициями — в том числе в трёхмерном пространстве. К тому же, иногда еле заметное смещение одной из иконок довольно сильно меняет все результаты.

Shutterstock отметила, что не собиралась тренировать алгоритм таким образом, чтобы он мог определять расположение предметов в пространстве — система должна была уметь только различать объекты. Информация о размещении вещей была получена в ходе анализа и позже идентифицирована как полезная категория.

МФТИ проведёт открытые семинары по искусственному интеллекту

16 октября МФТИ запускает цикл семинаров по искусственному интеллекту. Принять участие могут все желающие больше узнать о передовых исследованиях в этой области. Для тех, кто не сможет посетить семинары, будет запущена видеотрансляция в социальной сети «ВКонтакте».



Тема первой встречи: «Машинное обучение: шаг в цифровую экономику». Ведущий — Константин Воронцов, профессор РАН, заведующий лабораторией машинного интеллекта МФТИ. 

Константин Воронцов расскажет, как научиться находить задачи интеллектуального анализа данных в науке, бизнесе и повседневной жизни, и насколько серьёзной может быть роль открытых данных и конкурсов анализа данных в развитии экономики. Также будут рассмотрены отчёты Белого дома США за 2016 год «О влиянии искусственного интеллекта на экономику будущего» и их основная терминология. 

Цикл семинаров организуют Тагир Аушев, Михаил Бурцев, Константин Воронцов, Андрей Райгородский, Виктор Сафронов, Сергей Тренин и другие учёные России, предприниматели и представители крупного бизнеса. 

Они намерены поднять самые актуальные темы мира машинного обучения и технологического предпринимательства: как и почему интеллектуальные системы станут доминирующей частью нашей жизни и экономики в ближайшие годы, какие инициативы и проекты развиваются за рубежом, тренды рынка и как их создавать, что можно разрабатывать вместе с командами лабораторий МФТИ уже сейчас и как заключить союз и начать сотрудничать с «умными» машинами.

«МФТИ — это к настоящему времени ведущий центр в России и в мире в области искусственного интеллекта, больших данных, машинного обучения, нейронных систем. В наибольшей степени компетенции в указанных областях сконцентрированы в Физтех-школе прикладной математики и информатики. Достаточно упомянуть лаборатории Машинного интеллекта, Нейронных систем и глубокого обучения, Совместных исследований МФТИ-Сбербанк, Структурного анализа данных в предсказательном моделировании, Продвинутой комбинаторики и сетевых приложений и др., а также кафедры таких компаний, как Сбербанк, Яндекс, ABBYY, 1С, Acronis и др., и кафедры крупнейших научных институтов», — комментирует Андрей Райгородский, директор ФПМИ.

Первый семинар пройдёт 16 октября в аудитории 107 БФК, начало — в 18:30.

В Box появились новые интеллектуальные возможности для работы с файлами

Box представила новые инструменты, благодаря которым компаниям станет проще собирать данные из файлов, хранящихся в облачном сервисе. Нововведение называется Skills и позволяет с помощью машинного обучения автоматически обрабатывать изображения, видеоролики и аудиозаписи.

Новые функции предоставляет как сама Box, так и ряд сторонних технологических компаний. Среди возможностей — транскрибирование аудио на базе API IBM Watson, анализ видео с помощью Cognitive Services от Microsoft и анонсированные ранее собственные инструменты Box для обработки изображений, которые используют Cloud Image API от Google.

Также компания запустила Skills Kit API, который позволит клиентам подключать сторонние системы к содержимому облачного сервиса и использовать их для анализа контента. Так предприятия смогут создавать специфичные для их работы инструменты для обработки данных.

Помимо этого, Box представила функцию под названием Graph. Она задействует сигналы об использовании сервиса для того, чтобы показывать клиентам нужный контент в нужное время. На базе нововведения работает новостная лента, призванная помогать пользователям в поиске файлов, нуждающихся в рассмотрении. Graph основывается на моделях безопасности и разрешений Box, поэтому люди смогут просматривать только то содержимое, к которому у них есть доступ.

В дополнение к этому компания обновила возможности управления файлами, включая систему комментирования. Также появилась функция, которая позволяет клиентам видеть, кто просматривает тот или иной файл. Наконец, пользователи получат возможность сохранять ярлыки часто используемых файлов и папок в веб-интерфейсе Box.

Новая статья: Думать самим — или разумом ИИ?

Данные берутся из публикации Думать самим — или разумом ИИ?

Facebook открыла лабораторию по исследованию ИИ в Монреале

Facebook сообщила о расширении команды исследователей искусственного интеллекта. Компания открыла новую лабораторию по изучению ИИ в Монреале, что в Канаде. Таким образом, сеть лабораторий в Менло-Парке, Нью-Йорке и Париже пополнилась ещё одной.

«В монреальской лаборатории исследователи и инженеры будут работать над широким спектром амбициозных научных проектов в сфере искусственного интеллекта, но также в ней будет уделено особое внимание обучению с подкреплением и системам диалогов», — заявил старший научный сотрудник Facebook Ян Лекун (Yann LeCun).

Руководителем лаборатории выступит Джоэль Пино (Joelle Pineau) — профессор информатики Университета Макгилла и содиректор расположенной в учебном заведении Лаборатории аргументации и обучения. В своих исследованиях она фокусируется на планировании, обучении и принятии решений, а также на взаимодействиях человека и робота. Она опубликовала ряд работ на тему систем диалогов и трудилась в команде, которая разработала интеллектуальное роботизированное инвалидное кресло.

Лекун заявил, что, как и другие исследовательские лаборатории Facebook, учреждение в Монреале будет взаимодействовать с сообществами учёных через публикации, конференции и совместные проекты. Компания также собирается сотрудничать с Университетом Макгила, Канадским институтом продвинутых исследований, Монреальским институтом алгоритмов обучения и Монреальским университетом.

«В Монреале уже существует фантастическое академическое сообщество в сфере ИИ, экосистема стартапов и многообещающие правительственные установки, вдохновляющие на исследования в области ИИ, — сказал Лекун. — Мы рады стать частью этого большого сообщества и с нетерпением ждём, когда сможем начать взаимодействовать со всей экосистемой и помогать ей процветать».