Честно говоря, я писатель. Мне платят за то, чтобы я писал слова. Но есть вещь, которую большинство обо мне не знают: я ненавижу читать.

Теперь не поймите меня неправильно — я все еще немного читаю. Я одолел книги и блоги, новые каналы и журналы. Но когда авторы становятся многословными, у меня замыливается взгляд. Мне скучно.


Все что я вижу — простыня слов.

В детстве я думал, что мое отвращение к чтению — моя слабость. Это было так, пока спустя годы я не осознал, что эта слабость и помогла мне стать хорошим писателем.

Дело в том, что, в основном, я пишу тексты для приложений и сайтов. Здесь краткость лучше восхитительного стиля, на счету каждый знак. А писать текст для интерфейса во многом напоминает дизайн — дизайн слов для людей, которые ненавидят читать.

На конференции White Nights Moscow 2016 Алексей Писаревский, генеральный директор Mobio, пообщался с Луисом Катальди, евангелистом Epic Games.


Epic Games занимается разработкой компьютерных игр, самые известные — Gears of War и Unreal Tournament. В 1998 году компания разработала игровой движок Unreal Engine.

Из интервью вы узнаете:

• Что отличает Unreal Engine от других движков;
• Какую игру можно разработать на Unreal Engine и насколько это сложно;
• Что победит: виртуальная, смешанная или дополненная реальность?

Приходит ветеринар к терапевту. Терапевт: — На что жалуетесь? Ветеринар: — Нет, ну так каждый может!

Искусственные нейронные сети способны обучаться. Воспринимая множество примеров, они могут самостоятельно находить в данных закономерности и выделять скрытые в них признаки. Искусственные нейронные сети во многих задачах показывают очень неплохие результаты. Закономерный вопрос — насколько нейронные сети похожи на реальный мозг? Ответ на этот вопрос важен главным образом для того, чтобы понять, можно ли, развивая идеологию искусственных нейронных сетей, добиться того же, на что способен человеческий мозг? Важно понять, носят ли различия косметический или идеологический характер.

Как это ни удивительно, но очень похоже, что реальный мозг противоречит всем базовым принципам искусственных нейронных сетей. Это вдвойне удивительно, учитывая, что изначально искусственные нейронные сети создавались как попытка воспроизвести именно биологические механизмы. Но в том и коварство подобных ситуаций. Очень часто то, что на первый взгляд выглядит правдоподобно, на поверку оказывается полной противоположностью того, что есть на самом деле.

В данной статье я хочу показать насколько просто сегодня использовать нейронные сети. Вокруг меня довольно много людей одержимы идеей того, что нейронки может использовать только исследователь. И что бы получить хоть какой то выхлоп, нужно иметь как минимуму кандидатскую степень. А давайте на реальном примере посмотрим как оно на самом деле, взять и с нуля за один вечер обучить chatbot. Да еще не просто абы чем а самым что нинаесть ламповым TensorFlow. При этом я постарался описать все настолько просто, что-бы он был понятен даже начинающему программисту! В путь!

Сегодня я вновь хотел бы поговорить с вами о погоде. Вновь — потому что почти год назад мы уже о ней разговаривали: я рассказал про нашу технологию построения прогнозов Метеум, основанную на метеомоделировании и машинном обучении. Теперь я хочу поговорить не о той погоде, которая будет завтра, на следующей неделе или в новогоднюю ночь, — а о той, которая уже установилась за окном, и о той, которая наступит в ближайшие несколько часов.



Под катом я расскажу о том, что такое наукастинг и как мы над ним работали.

Для одной из задач мне понадобился синтаксический анализатор русскоязычных текстов. Что это такое. Например, у нас есть предложение «Мама мыла раму». Нам нужно получить связи слов в этом предложении в виде дерева:


Из этого дерева понятно, что связаны слова «мама» и «мыла», а также «мыла» и «раму», а слова «мама» и «раму» напрямую не связаны.

Статья будет полезна тем, кому понадобился синтаксический анализатор, но не понятно, с чего начать.

Я занимался этой темой несколько месяцев назад, и на тот момент нашел не много информации по поводу того, где бы взять готовый и желательно свободный анализатор.

Приветствуем! Мы продолжаем публиковать лекции Стэнфордского университета. Рады представить вторую лекцию курса 2010 г. «Биология поведения человека» профессора Роберта Сапольски.

Набор задач для обучения с подкреплением сильного ИИ в рамках универсальной платформы OpenAI

Основанная Илоном Маском и соратниками некоммерческая организация OpenAI, которая ставит целью создание безопасного (то есть общедоступного и открытого) искусственного интеллекта, сделала очередной шаг для осуществления своих планов. OpenAI представила связующее программное обеспечение Universe для тренировки и обучения сильного ИИ. Теоретически, обучение может происходить на всей информации человечества, доступной через интернет. Это игры, веб-сайты и прочие приложения.

Всего девять строчек кода — и вашему ИИ доступны тысячи окружений для тренировки.

На днях представители подразделения DeepMind (сейчас входит в состав холдинга Alphabet) сообщили о предоставлении бесплатного доступа разработчикам к исходному коду платформы DeepMind Lab. Это сервис машинного обучения на базе Quake III, который предназначен для обучения искусственного интеллекта. А именно — научиться решать задачи в трехмерном пространстве без вмешательства человека. Основой платформы является движок игры Quake III Arena.

Внутри игрового мира ИИ получает форму сферы и возможность летать, изучая окружающее пространство. Цель, которую ставят перед собой разработчики — научить слабую форму ИИ «понимать», что происходит и реагировать на различные ситуации, происходящие в виртуальном мире. «Персонаж» может выполнять ряд действий, перемещаться по лабиринту, изучать ближайшее окружение.

Для повышения лояльности пользователей нашего платежного блокчейн-сервиса Wirex, мы предусмотрели партнерскую программу. Однако технология блокчейн, сама по себе, может сформировать абсолютно новый подход к организации программ лояльности, который, возможно, окажется в будущем на вооружении у многих развивающихся бизнесов. Именно этому подходу посвящен переведенный материал.

По некоторым подсчетам, более 75% взрослого населения Америки участвуют в потребительских программах лояльности, подобные тем, которые предлагают сети отелей, ритейлеры и компании, выпускающие кредитные карты. Ежегодно американские компании выпускают премиальные баллы и воздушные мили на общую сумму более 50 миллиардов долларов. Запуск программы лояльности считается одним из наиболее эффективных способов улучшения показателей удержания клиентов для мерчантов. Согласно исследованию, проведенному в прошлом году Colloquy, только в США клиенты участвуют в 3.3 миллиардах программ лояльности.

Intel давно и успешно работает в области искусственного разума. Теперь успехов, наверняка, станет еще больше. Объявлено о приобретении корпорацией американской компании Nervana, занимающейся программными и аппаратными средствами глубокого анализа. Таким образом, можно с легкостью предвидеть, что в ближайшем будущем продукты Intel обогатятся новым функционалом. На фото вы видите довольных участников переговоров о покупке: Диану Брайант, исполнительного вице-президента Intel и отцов-основателей Nervana. Под катом — короткая информация о компании Nervana, ее продуктах и уже представленных плодах сотрудничества с Intel.

Многие годы софтварные компании скрывали от нас это. Читайте скорее, пока не удалили, и распространяйте как можно шире.

Вы до сих пор думаете, что огромные корпорации обладают большим штатом разработчиков, которые пишут им программный код руками? Наивно. На дворе 2016 год, и правила полностью изменились. Сейчас легко доступны чудовищные вычислительные мощности, о которых 10 лет назад нельзя было и заикнуться. Ваш телефон мощнее, чем вычислительные модули, которые ставили на космические корабли. А человеческое время стоит страшно дорого — в особенности время квалифицированных программистов, которыми, словно пчёлами, якобы набиты офисы технологических гигантов.

Генеративная состязательная нейросеть, оптимизированная для видеообработки, способна показать, что случится в следующую секунду

Умение предсказать ближайшее будущее — важный навык для любого человека. Скорости человеческой реакции недостаточно, чтобы в реальном времени реагировать на окружающие события, поэтому мы предсказываем их в постоянном режиме с вероятностью, близкой к 100%. Спортсмены знают, куда полетит мяч. Бизнесмены знают, когда собеседник протянет руку для рукопожатия. Мы предсказываем траекторию автомобилей на дороге и ближайшие действия людей по выражению лица и предмету в руках.

Искусственному интеллекту тоже необходимо знать будущее. Он должен понимать, какие события приведут к какому результату, чтобы избежать очевидных оплошностей и планировать свои действия. Группа исследователей из Лаборатории информатики и искусственного интеллекта (CSAIL) Массачусетского технологического института обучает нейросеть предсказывать будущее, тренируя её на миллионах видеороликов.

Представляем вам завершающую статью из цикла по Deep Learning, в которой отражены итоги работы по обучению ГСНС для изображений из определенных областей на примере распознавания и тегирования элементов одежды. Предыдущие части вы найдете под катом.

Технология блокчейн, несмотря на всю ее перспективность для экономики, находится лишь в самом начале своего технологического цикла. Bitcoin — первый и самый известный случай применения этой технологии. Сейчас блокчейн существует отдельно от Bitcoin, разные компании и частные разработчики создают все новые и новые технологии на основе блокчейн. Корпорация IBM ее поддерживает и старается развивать эту технологию всеми доступными методами.

Благодаря блокчейну вся экономическая деятельность человека может быть перестроена. Многим людям сложно думать об этой технологии без привязки к Bitcoin, но по мере появления иных сфер применения блокчейна ситуация изменяется. Интересно, что сфера финансовых услуг лишь один из нишевых сценариев применения блокчейна, на самом деле, возможности этой технологии гораздо шире. В качестве примера можно привести несколько случаев работы с блокчейном современных компаний без привязки к финансам и Bitcoin.

Известно, что на старых картах, на неизведанных территориях, часто помещали зловещее предупреждение: «Здесь живут драконы». Вероятно, смысл этого предупреждения состоял в том, что не стоит входить в это пространство мира, не будучи готовыми сражаться с внушающим ужас противником. Всё что угодно может случиться на этих загадочных просторах, и нередко такое «что угодно» может закончиться очень плохо.

Программисты, возможно, являются несколько более цивилизованными, чем средневековые рыцари — однако это вовсе не означает, что современный технический мир не имеет своих технических драконов, поджидающих нас в непредвиденных местах: сложные проблемы, которые всплывают именно тогда, когда подходит срок сдачи работы или в моменты особенно высоких нагрузок и ответственной работы; конкуренты, которые прочитали руководство и знают, что недостаточно хорошо реализовано; злые «бесы», которые знают, как использовать неустранённые до конца баги и дефекты программ, причём узнают это часто сразу же после того, как программа сдана в использование.

Находятся люди, которые спокойно спят ночью, согреваемые своей наивной уверенностью, что компьютеры совершенно предсказуемы и без устали выдают потоком правильные ответы. Как же мало им ведомо! Несмотря на серьёзнейшие усилия разработчиков чипов, создателей языков и миллионов программистов, есть ещё в программировании опасные чащи, которые могут погубить даже самых продвинутых из программистов и разработчиков.

Вот семь из устрашающих уголков мира программирования, на которых легко можно написать: «Здесь живут драконы».

Модель архитектуры GNMT (Google’s Neural Machine Translation). Слева сеть энкодера, справа — декодера, в середине модуль внимания. Нижний слой энкодера двусторонний: розовые модули собирают информацию слева направо, а зелёные — в обратном направлении

Компания Google собирается полностью перевести сервис Google Translate на глубинное обучение. Детальное описание алгоритма нейросети опубликовано на arXiv.org.

По предварительным оценкам Google, нейросеть обеспечивает гораздо лучшее качество перевода, чем обычные статистические методы. Её уже опробовали в сложнейшей языковой паре английский⟷китайский, и нейросеть сразу на 60% снизила количество ошибок перевода. Результат впечатляет. Другие языковые пары подключат к нейросети в течение ближайших нескольких месяцев.

«Универсальный язык» нейронной сети Google Neural Machine Translation (GNMT). На левой иллюстрации разными цветами показаны кластеры значений каждого слова, справа внизу — смыслы слова, полученные для него из разных человеческих языков: английского, корейского и японского

За последние десять лет система автоматического перевода текстов Google Translate выросла с нескольких языков до 103, а сейчас она переводит 140 млрд слов ежедневно. В сентябре сообщалось, что разработчики приняли решение полностью перевести сервис Google Translate на глубинное обучение. У этого подхода есть много преимуществ. Перевод становится гораздо лучше. Более того, система может переводить тексты на языки, для которых никогда не видела переводов, то есть не обучалась специально для этой языковой пары.

Одна из вещей, которые отличают развитые страны от не очень — это доверие между людьми. В маленьких городках и деревнях доверие может держаться на том, что все друг друга знают. Но в быстро урбанизировавшихся обществах вроде российского, где люди оказались относительно быстро вырваны из одной среды, не успев до конца встроиться в другую — как обычно, в таких случаях приводят в пример то, что соседи по лестничной площадке часто не знакомы друг с другом — это уже не работает. Здесь уже приобретает значение другой фактор — прочность институтов. Чувство большей безопасности и комфорта в какой-нибудь уютной центральноевропейской стране держится на презумпции качественной работы институтов, государственных и общественных, от полиции до благотворительности, а вовсе не на вере, что люди там более честные и порядочные сами по себе. Люди везде более-менее одинаковы — различается только уровень доверия между ними. И сильные институты в индустриальную эпоху вернули людям доверие уровня маленькой общины.

Но в постиндустриальном обществе качество их работы удовлетворяет всё меньше. Что-то не так с самими институтами или просто человек XXI века ставит повышенные требования, которые старым системам не под силу удовлетворить — вопрос дискуссионный. Факт в том, что они стали слишком непрозрачны, слишком громоздки и, главное, слишком медлительны для современных темпов жизни. На смену им приходят технологии — теперь они должны обеспечить современному человеку тот уровень доверия, который необходим для комфортной жизни.

О том, как технологии, включая блокчейн, меняют взаимоотношения между людьми, удовлетворяя фундаментальную потребность во взаимном доверии новыми способами — выступление Рейчел Ботсман на TED в июне этого года:

Оптимизм по поводу нейронных сетей разделяют не все — или, по крайней мере, уровень такого оптимизма бывает разным. Старший преподаватель факультета компьютерных наук ВШЭ Сергей Бартунов согласен, что нейросетевая область сейчас на подъеме. С другой стороны, он хочет внести в происходящее некоторую ясность, определить реальный потенциал нейросетей. Вне зависимости от точки зрения докладчика, глубокое обучение и правда не проникает в нашу сферу совсем уж стремительными темпами. Традиционные методы обучения всё ещё работают и не обязательно будут вытеснены машинным интеллектом в ближайшей будущем.


Под катом — расшифровка лекции и часть слайдов Сергея.