Категории и разделы

Facebook создал систему искусственного интеллекта на основе наборов данных из Instagram, которая может сделать обучение компаний более эффективным для решения ряда задач компьютерного зрения, от распознавания лиц до функций, необходимых для беспилотных автомобилей. Компания представила новую систему в своем блоге. Сегодня для обучения систем машинного обучения таким задачам часто требуются сотни тысяч или даже миллионы помеченных наборов данных. Создание точно размеченного набора данных для этого обучения может быть дорогостоящим и трудоемким. Обучение маленьким шагам Прорыв Facebook позволяет обучать модель ИИ на основе очень большого набора немаркированных данных изображений, а затем настраивать ее для широкого круга конкретных задач, связанных с компьютерным зрением, используя лишь крошечную часть объема помеченных данных, которые обычно требуются для такого программного обеспечения. Ян ЛеКун, главный специалист по ИИ Facebook, сказал, что идея состоит в том, чтобы создать искусственный интеллект, который сможет обучаться так же, как человеческий младенец. То есть посредством наблюдения и построения мысленной модели отношений между объектами. «Младенцы узнают, как устроен мир, наблюдая за его ним, - сказал ЛеКун в интервью. - Если вы хорошо понимаете и представляете мир, вы можете относительно быстро справиться с любой задачей». Вот почему большинство подростков могут научиться водить машину всего за несколько часов, сказал ЛеКун. С другой стороны, современному программному обеспечению для беспилотных автомобилей требуются миллионы смоделированных часов для достижения того же уровня производительности. По словам ЛеКуна, способность учиться на гораздо меньшем количестве размеченных примеров имеет решающее значение для широкого спектра коммерческих приложений искусственного интеллекта. Например, в медицинской диагностике с помощью визуализации большая часть современного программного обеспечения компьютерного зрения требует десятков тысяч аннотированных примеров для достижения той же точности, что и человеческий радиолог. Но для редкого заболевания легких может не хватить десятков тысяч примеров для тренировки такой системы. Что «видит», то и транслирует В последние годы использование аналогичных методов в обработке естественного языка привело к гигантскому скачку вперед в возможностях программного обеспечения ИИ. Новейшие технологии могут выполнять такие задачи, как языковой перевод, обобщение документов, ответы на вопросы о тексте и написание длинных отрывков связного текста из простой подсказки, написанной человеком. Те же методы также позволили значительно повысить производительность распознавания речи для цифровых помощников, таких как Amazon Alexa и Google Assistant. Теперь Facebook надеется, что его новый ИИ приведет к аналогичному скачку вперед в возможностях систем компьютерного зрения, а также, возможно, систем, которые могут изучать взаимосвязь между изображениями и словами, описывающими эти изображения. Новый ИИ, который Facebook называет SEER, - это прорыв в области машинного обучения, называемого самоконтролем. Этот тип модели ИИ раскрывает взаимосвязи в данных самостоятельно, используя статистические методы, без необходимости использования помеченных данных, чтобы действовать как своего рода инструктор, который сообщает системе, как связать данный ввод с данным выводом. (SEER - это сокращение от слова «самоконтроль», согласно сообщению в блоге Facebook, в котором был опубликован анонс). В данном случае SEER - это сверхбольшая модель компьютерного зрения, учитывающая более 1 миллиарда переменных и обученная более чем 1 миллиарду изображений из общедоступных учетных записей Instagram. Это также была тенденция самоконтроля при обработке естественного языка. Некоторые из лучших систем принимают сотни миллиардов переменных и обучаются на основе наборов данных, которые включают почти все, что публично доступно в Интернете. В ImageNet, эталонном тесте идентификации изображения подписи в полевых условиях, SEER достиг точности 84,2%, даже несмотря на то, что он не был обучен на этих данных. Результаты превзошли лучшие предыдущие системы с самоконтролем, которые были обучены для этой задачи. SEER также превзошел лучшие системы, которые были обучены на основе маркированных данных по таким задачам, как обнаружение объектов, сегментирование изображения на составные части и классификация изображений. Когда для обучения было предоставлено только 10% помеченных примеров ImageNet, SEER по-прежнему достиг 77,9% точности на полном наборе данных ImageNet. Используя только 1% аннотированных примеров ImageNet, ИИ достиг точности 60,5%. ИИ использует изображения Instagram плюс хэштеги Хотя Facebook еще не использует SEER или какой-либо другой полностью контролируемый ИИ компьютерного зрения в своих социальных сетях, ЛеКун говорит, что компания действительно использует систему со слабым контролем, прошедшую обучение на изображениях в сочетании с хэштегами Instagram. Именно этот ИИ позволяет Facebook тематически группировать фотографии пользователей для них, а также позволяет компании автоматически обнаруживать изображения ненависти или террористическую пропаганду. ЛеКун сказал, что, по его мнению, SEER, или программное обеспечение, основанное на тех же базовых алгоритмах, вероятно, станет базовой системой компьютерного зрения компании, которая в ближайшем будущем будет адаптирована для конкретных случаев использования. Ученый признает, что размер этих очень больших систем искусственного интеллекта с самоконтролем и стоимость компьютерного оборудования, необходимого для их обучения и эксплуатации, могут испугать как руководителей предприятий, так и академических исследователей. Но он отметил, что новые достижения в области компьютерных микросхем, разработанные специально для работы с большими нейронными сетями, своего рода программное обеспечение для машинного обучения, в значительной степени основанных на модели человеческого мозга, лежат в основе последних достижений в области ИИ, включая SEER. Они значительно опережают развитие больших систем машинного обучения. Другими словами, в будущем стоимость машинного обучения должна снизиться. ЛеКун отмечает, что даже самые массивные искусственные нейронные сети, используемые сегодня, имеют примерно столько же соединений, сколько мозг мыши. Создание машин, сравнимых с человеческим интеллектом, почти наверняка потребует гораздо более крупных программных систем. ЛеКун, который в прошлом был лауреатом премии Тьюринга, высшей награды в области компьютерных наук, игнорировал опасения по поводу углеродного следа этих больших, самоконтролируемых моделей искусственного интеллекта. Он заявил, что все центры обработки данных в мире потребляют от 1% до 2% электроэнергии планеты, а обучение и использование алгоритмов искусственного интеллекта составляют еще меньшую часть этого количества. Он также говорит, что новые компьютерные чипы, разработанные для ИИ, более энергоэффективны, чем старое оборудование, при работе с большими системами ИИ. Так что даже если это программное обеспечение продолжит расти в размерах, его энергетический след на каждое решение со временем должен уменьшиться. Этические вопросы Эксперт более серьезно относится к этической проблеме, поднятой в отношении этих сверхбольших систем с самоконтролем: поскольку они обучаются на огромных объемах интернет-данных, то могут улавливать предубеждения, в том числе расовые и гендерные стереотипы, присущие таким наборам данных. Часто эти предубеждения не очевидны, пока система не развернута. Поскольку наборы обучающих данных очень велики, проверка их на предмет предвзятости может быть трудной. Устранение таких предубеждений в системах с самоконтролем может потребовать специализированного обучения ИИ с дополнительным меньшим набором данных, специально подобранным для того, чтобы избавить систему от определенных предубеждений. Чтобы выяснить, как это сделать, необходимо провести дополнительные исследования. Взгляды ученого из Facebook на потенциальную предвзятость систем искусственного интеллекта в прошлом доставляли ему неприятности. В прошлом году ЛеКун временно ушел из Twitter после ссоры из-за платформы социальных сетей с Тимнитом Гебру - исследователем этики ИИ, который недавно был уволен из Google после того, как выразил обеспокоенность по поводу больших, самоконтролируемых языковых моделей. Некоторые другие компьютерные ученые обвинили ЛеКуна в том, что он глухой и несправедливо властен в своих разговорах с Гебру, которая является одной из немногих выдающихся чернокожих женщин в исследованиях ИИ. В центре спора был вопрос о природе потенциального вреда, который системы ИИ могут причинить, и о том, какую ответственность должны нести исследователи машинного обучения для его устранения. Ученый считает, что следующие шаги для методов самоконтроля, лежащие в основе SEER, - это их распространение от неподвижных изображений до видео. «Это нелегкий шаг», - сказал он, признавая, что попытки разработать системы искусственного интеллекта, обладающие достаточным пониманием мира, чтобы точно предсказать, что будет дальше в видео. Это было проблемой, которая годами ставила в тупик компьютерных ученых, в том числе и его самого. Еще одна назревшая область исследований - это «мультимодальное обучение», при котором система ИИ обучается одновременно как изображениям, так и тексту. В основе системы SEER лежит алгоритм, который Facebook называет SwAV, сокращенно от «перестановки значений между несколькими представлениями», который включает кластеризацию изображений. Сначала алгоритм применяет к изображению некоторые искажения; в данном случае - серия обрезков, которые используются для создания нескольких «представлений» одного и того же изображения. Затем алгоритм пытается точно определить, какому кластеру следует назначить исходное изображение на основе этих альтернативных представлений. Этот новый метод позволяет обучать систему намного эффективнее. Согласно сообщению в блоге Facebook, для такого рода обучения требовалась шестая часть данных, необходимых в предыдущих методах, основанных на сравнении всего двух изображений одновременно. Facebook делает алгоритм SwAV открытым и бесплатным для всех. Компания также делает доступным для общественности набор компонентов для создания самоконтролируемых систем компьютерного зрения и инструментов тестирования для этих систем, называемых VISSL. По материалам: Fortune

Такие данные получил Комитет по вопросам интернет-рекламы при Интернет Ассоциации Украины (Инау) по результатам исследования поисковой и медийной рекламы. «Исследование объемов интернет-рекламы от Инау уже почти 10 лет дает возможность украинским рекламодателям отслеживать последовательное рост digital и, как следствие, перераспределять свои рекламные бюджеты в сторону наиболее динамичного и прогрессивного медиа-канала. Оно безусловно является важнейшим исследованием для индустрии, поэтому я очень благодарен тем компаниям, которые постоянно поддерживают его и особенно тем, кто поддержал его проведение в этом году. Благодаря вам в этом году в исследовании приняло участие рекордное количество участников - более 40 ведущих агентств, рекламных холдингов, сейлз-хаусов и издателей, что на мой взгляд является очень удачным началом 2021 года», — комментирует председатель Комитета по вопросам интернет-рекламы при Инау Иван Кучеренко. В сравнении с 2019 годом объем медийной интернет-рекламы в 2020 году увеличился на 41% и достиг рекордных 6,6 млрд грн.Больше всего средств рекламодателей в прошлом году было инвестировано в цифровое in-stream видео и баннерную рекламу, доля которых составила 39% и 35% соответственно. Доля programmatic на рынке медийной интернет-рекламы стабильно растет — у агентств она выросла до 41,7%, что на 8,8 процентных пунктов больше, чем в 2019 году, а у продавцов доля programmatic выросла до 59%. Также в прошлом году доля расходов на рекламу в социальных медиа и мессенджерах несколько выросла и составила в 2020 году 46,2%, что на 0,7 процентных пунктов больше, чем в 2019 году. Исследование объемов медийной рекламы традиционно происходило на основе перекрестного анализа данных анкетирования крупнейших рекламных агентств и рекламных холдингов, сайтов и сейлз-хаусов Украины. Данные для анализа объемов медийной рекламы в 2020 году предоставили следующие агентства и рекламные холдинги: Dentsu Ukraine, Razom Group, Sigma, Havas Digital, Resolution (Optimum Media Ukraine), TMGU, AdWork, NCG DIEVO, MediaHead, NEOS Digital, Netpeak, WebPromo, ADINDEX, MixDigital, PRODigital, Медиа Партнерство Баинг, TWIGA Digital, AMS Agency, Hashtag, а также представители издателей и сейлз-хаусов: Автоцентр, Люкс (24 канал), RBC, RIA, Ukr.net, UMH, Treeum, Admixer, Programmatic Media Group, Go2Net, Adpartner, StarLight Digital Sales, UAMobile, Медиа Партнерство, HTTPool, MGID, VPoint, Online.ua, olx.ua, NV, RST, Обозреватель, Liga.net. Партнером исследования по медийной интернет-рекламе стала компания «Василь Кисиль и партнеры». Согласно полученным данным, которые были предоставлены ведущими рекламными агентствами и рекламными холдингами, работающих на рынке performance-рекламы, объем рынка поисковой рекламы в Украине в 2020 году уменьшился на 13% по сравнению с 2019 годом и достиг 6,9 млрд грн. Уменьшение объемов произошло за счет уменьшения средней стоимости клика, после роста в первом полугодии ощутимо снизилась, особенно в таких категориях, которые дают наибольшее количество переходов, как «Электронная коммерция», «Транспортные средства» и другие. Также в первом полугодии уменьшилось количество переходов в некоторых категориях, которые потеряли заинтересованность пользователей во время кризиса, например, «Путешествия и туризм», «Искусство и развлечения» и другие, что также повлияло на общее уменьшение объемов поисковой рекламы в 2020 году в сравнении с 2019 годом. В 2020 году средняя стоимость клика составила 4,83 грн по сравнению с 4,53 грн в 2019 году. Так, самая высокая стоимость клика составляла 14,03 грн в категории «Закон и правительство», а самая низкая — в категории «Новости и медиа»: 1,44 грн. Доля мобильного платного поиска в 2020 году выросла в незначительной степени и составила 74%. Исследования поисковой рекламы в 2020 году произошло за участия агентств и рекламных холдингов: AdIndex, Artefact, ArtWeb, Aweb, Dentsu Ukraine, GroupM, Inweb, iplace, JUMP, Livepage, MAVR, Marketing Link, MediaHead, NCG DIEVO, NEOS, Netpeak, Omelyanenko, Publicis, Razom Group, SODA, TMGU, WAMP, Web Marketing, WebPromo. Технологический партнер исследования поисковой рекламы — компания SimilarWeb. Исследование объемов интернет-рекламы в Украине происходит под эгидой и по инициативе Инау с 2012 года. Полную версию общих результатов исследования можно найти здесь.

Программист запустил Minecraft на фотоаппарате Canon   Программисту по имени Turtius удалось установить и запустить сервер Minecraft на зеркальной камере Canon SL2, сообщает PetaPixel. Важно отметить, что камера – это просто сервер, а не клиент. Сама же игра запущена на компьютере, а "мир", отображаемый в игре, подключен к камере. Теоретически другие пользователи также могут подключиться к сети камеры и играть на том же сервере Minecraft через свой компьютер, сообщает "ЛІГА.net". Что может сбивать с толку, так это то, что все это выглядит так, будто камера просто записывает экран компьютера, но это было сделано специально, чтобы показать, что "она по-прежнему работает как камера", – объясняет программист. Однако SL2, похоже, находится на пределе своих возможностей: по словам Turtius, он с трудом может делать фотографии и видео в этом состоянии. Он считает, что если бы процессор камеры был немного мощнее, можно было бы поддерживать создание пользовательских миров. Полный исходный код программист выложил на GitHub, но прежде чем пытаться пойти по его стопам, имейте в виду: вы можете сломать свою камеру.

Наша Вселенная возникла около четырех миллиардов лет назад в результате катастрофического события – Большого взрыва. В момент своего рождения она была крошечной, но затем расширилась до своих нынешних размеров. То, какой была Вселенная в первые доли секунды после Большого взрыва давно интересует ученых но миллиарды лет ее эволюции, можно сказать, загнали их в тупик. Недавно с помощью суперкомпьютера международной команде исследователей удалось повернуть время вспять и определить, как выглядела Вселенная в момент своего рождения. В ходе нового исследования международная команда астрономов протестировали новый метод реконструкции состояния ранней Вселенной, применив его к 4000 смоделированных Вселенных с помощью суперкомпьютера ATERUI II Национальной астрономической обсерватории Японии. Результаты исследования показали, что примененный метод совместно с новыми наблюдениями позволит ученым наложить более строгие ограничения на инфляцию – один из самых загадочных процессов в истории космоса. Как галактики распределяются по Вселенной? После рождения Вселенной примерно 13,8 миллиардов лет назад, она резко увеличилась в размерах, причем происходило это на протяжении менее чем одной триллионной триллионной доли микросекунды. Никто из ныне живущих ученых на Земле сегодня не знает, как или почему это произошло. Беспрецедентное расширение нашей Вселенной из крошечной точки в то, что сегодня астрономы наблюдают с помощью телескопов, является одной из важнейших проблем современной астрономии. Исследователи полагают, что инфляция является причиной первичных флуктуаций плотности Вселенной, которые должны были оказать влияние на распределение галактик. По этой причине изучение распределения галактик на просторах Вселенной и составления подробной карты может помочь ученым исключить те модели инфляции, которые не соответствуют данным, полученным с помощью наблюдений. Кроме того, астрономы должны учесть и другие факторы, также способные оказывать влияние на распределение галактик. Наша Вселенная расширяется с ускорением. Но точную скорость ее расширения ученые пока установить не могут. Согласно знаменитому уравнению Альберта Эйнштейна E = mc2, масса и энергия эквивалентны, поэтому области Вселенной с небольшим избытком энергии эволюционировали в области с небольшим избытком массы. А поскольку гравитационные силы обусловлены массой, то в этих областях гравитация была несколько сильнее, чем в тех, где было меньше энергии когда Вселенная только родилась. На протяжении миллиардов лет гравитация усиливала этот эффект, и регионы с небольшим избытком массы собирали массу из регионов, которые развивались с небольшим дефицитом массы. Результатом этих процессов является наблюдаемая сегодня Вселенная. Всем во Вселенной руководит гравитация? Чтобы понять каким было распределение энергии во Вселенной вскоре после Большого взрыва, астрономы обратились к данным, полученным с помощью последних наблюдений, приняв во внимание почти четырнадцать миллиардов лет гравитационных взаимодействий. Международной группе исследователей удалось разработать метод, позволяющий понять влияние гравитации и определить распределение массы и энергии в ранней Вселенной. В ходе работы, опубликованной в журнале Physical Review D, был использован суперкомпьютер в Национальной астрономической обсерватории Японии для моделирования 4000 вселенных, каждая из которых имеет немного различную конфигурацию массы и энергии. Подобные симуляции позволяют эффективно воздействовать на массу каждой моделируемой вселенной четырнадцатью миллиардами лет гравитации. Затем исследователи разработали алгоритмы, которые могли бы надежно моделировать современные измерения и определять начальные условия моделируемой Вселенной. Чтобы понять какой была Вселенная в первые пол секунды после Большого взрыва, ученые прибегли к компьютерному моделированию. Как отмечает Forbes, подобные методы применялись в прошлом, чтобы понять, как галактики собираются в местные и локальные группы. Однако новое исследование заслуживает внимания, так как алгоритмы «удаления гравитации» не только работают во Вселенной в целом, но и, по-видимому, способны устранить эффекты, вызванные космической инфляцией – периодом в истории Вселенной, когда она расширялась со скоростью быстрее света в течение крошечной доли секунды. Инфляционная модель Вселенной является ключевым компонентом современного понимания астрономами истории Вселенной. Теория инфляции не только объясняет наблюдаемую однородность Вселенной в самых больших масштабах, но и объясняет, почему геометрия Вселенной – это то, что мы видим. Исследовательская группа еще не применила свои алгоритмы гравитационного удаления к данным, описывающим Вселенную, в которой мы живем, однако соответствующие данные уже были записаны другими исследовательскими группами. Источник: hi-news.ru

Белый дом назвал активной угрозой безопасности США кибератаку со стороны Китая. Она была организована проправительственными хакерами на серверы электронной почты компании Microsoft. Об этом сообщает "Голос Америки". Пресс-секретарь Белого дома Джен Псаки заявила, что уязвимости в ПО, которые используют серверы Exchange, "существенны" и могут иметь долговременные последствия. Microsoft и источник в федеральном правительстве США считают, что первую атаку провели высокопрофессиональные хакеры из группировки Hafnium, базирующийся в Китае и поддерживаемые правительством КНР. Позже к атаке подключились и иные акторы. В результате действий хакеров, воспользовавшихся уязвимостью в программном обеспечении Microsoft, пострадали более 20 тысяч организаций США. Пострадали также тысячи организаций в Европе и Азии. Атаки хакеров продолжаются, несмотря на то, что компания Microsoft во вторник попыталась ликвидировать обнаруженную уязвимость. Источник: rbc.ua