В течение первого полугодия 2017 года цены на нефть подвергались серьезным колебаниям, демонстрируя тенденции к снижению, свойственные «медвежьему рынку», даже несмотря на сокращение предложения сырья.

Обычно инвесторы и энергетические аналитики винят в непредсказуемости цен алгоритмический трейдинг, однако в сложившейся ситуации даже они были удивлены: основываясь на фундаментальной информации, рост цен казался им очевидным, пишет The Australian.

По словам нефтяных инвесторов, добыча сырья и спрос на него больше не являются движущими силами ценообразования на рынке. Они утверждают, что программный трейдинг искажает ситуацию и провоцирует ценовые перепады. Взять к примеру ситуацию от 25 мая: даже после того, как страны-члены ОПЕК решили продолжить сокращение добычи сырья, цены на нефть упали практически на 5%.

Сеть обучалась последние 12 часов. Всё выглядело хорошо: градиенты стабильные, функция потерь уменьшалась. Но потом пришёл результат: все нули, один фон, ничего не распознано. «Что я сделал не так?», — спросил я у компьютера, который промолчал в ответ.

Почему нейросеть выдаёт мусор (например, среднее всех результатов или у неё реально слабая точность)? С чего начать проверку?

Сеть может не обучаться по ряду причин. По итогу многих отладочных сессий я заметил, что часто делаю одни и те же проверки. Здесь я собрал в удобный список свой опыт вместе с лучшими идеями коллег. Надеюсь, этот список будет полезен и вам.

Привет, Хабр! Недавно начал свое знакомство с библиотекой глубокого обучения (Deep Learning) от Google под названием TensorFlow. И захотелось в качестве эксперимента написать карту самоорганизации Кохонена. Поэтому решил заняться ее созданием используя стандартный функционал данной библиотеки. В статье описано что из себя представляет карта самоорганизации Кохонена и алгоритм ее обучения. А также приведен пример ее реализации и что из этого всего вышло.

Сегодня для токенов рано, но за ними — будущее технологий

В 2014 году мы писали: «Биткойн — это больше, чем деньги, и больше, чем протокол. Это модель и платформа для настоящего краудфаундинга — полностью открытого, распределенного и легко реализуемого».
 
И эта новая модель уже реализована — на идее «аппкойна», или «токена», который представляет собой дефицитный цифровой актив, опирающийся на вдохновленную «Биткойном» технологию. На момент написания статьи рыночная капитализация сектора токенов оценивалось в десятки миллиардов долларов (безусловно, этот сектор переоценен, и тем не менее). Такие «толстые протоколы» могут в конечном итоге создать и привлечь больше капитала, чем интернет-компании последнего поколения.
 
Здесь мы обсудим многие связанные с токенами концепции: начнем с основ для новичков в этой области, а затем перейдем к более сложным понятиям.
 
Переведено в Alconost

В этой статье речь пойдет о возможностях применения машинного обучения для анализа биомеханики в горнолыжном спорте.

Изначально гипотеза об указанных возможностях свелась к следующему набору требований:

• способность классифицировать технические элементы;
• способность по определенной метрике сравнивать указанные элементы; находить нетривиальные особенности прохождения трассы, позволяющие минимизировать время;
• способность строить прогнозы (например, на вторую попытку).

На прошлой неделе компания Adobe заявила, что к 2020 году прекратит поддержку Flash. В каком-то смысле это даже неожиданно: мне до сих пор иногда попадаются страницы, на которых он требуется, да и среди разработчиков ПО у него еще остаются сторонники. Но если посмотреть с другой стороны, все к тому шло. Нередко уход технологии можно предсказать заранее, если отслеживать статистику по ее использованию в IT-сообществе. Один из самых известных источников подобной информации — наш инструмент Stack Overflow Trends, и он показывает, что частота появления вопросов о Flash пошла на спад еще в 2010 году:


Такой неожиданный перелом в судьбе Flash позволяет заключить: расхожее мнение, что Apple погубил Flash, когда в 2010 году принял решение не поддерживать его на iPad, возможно, в чем-то соответствует действительности.

Раз у нас была возможность предугадать кризис Flash, давайте привлечем больше данных со Stack Overflow, чтобы понять, какие еще технологии сейчас на спаде.

Это мой рассказ о том, как я создавал бесплатное, оффлайновое, работающее в реальном времени open source-приложение, предназначенное для помощи организаторам любых мероприятий в допуске/авторизации только приглашённых людей с помощью технологии распознавания лиц или QR-кода.

Если не терпится перейти сразу к коду, то вот мой репозиторий.

Так что да, распознавание лиц — лишь часть приложения, причём самая трудная часть. Так что налейте себе кофе и наслаждайтесь моим рассказом (я старался).

Неэффективность бизнес-процессов, по данным исследовательской компании IDC, «съедает» от 20 до 30% доходов бизнеса. Одним из ключевых источников низкой эффективности являются рутинные задачи, которые могли бы быть автоматизированы. Автоматизация может сэкономить время, деньги и спасти от головной боли. Это факт. По данным McKinsey, автоматизация процессов может обеспечить снижение затрат до 90%. Поэтому инвестиции в соответствующие инструменты с лихвой себя оправдывают.

На корпоративном уровне популярностью пользуются решения, позволяющие автоматизировать важнейшие сервисные процессы компании в финансовом, юридическом, кадровом секторах. Например, одним из таких инструментов является платформа ServiceNow, внедрением функционала которой занимается компания «ИТ Гильдия».

Однако компаниям важно позаботиться не только об автоматизации глобальных процессов, но и о том, что происходит за столом у каждого сотрудника. Поэтому мы подготовили небольшую подборку инструментов, упрощающих управление разработкой и жизнь разработчиков.

Создание модуля генерации документов только на первый взгляд может показаться делом простым. На самом деле, чтобы создать такой модуль, надо решить несколько проблем, без решения которых его реализация будет неполноценной. Функционал генератора документов должен уметь решать проблемы, идущие в виде требований из реальной жизни. Рассмотрим одну из множества проблем.

Для генерации документов по шаблонам важной задачей является сокращение количества шаблонов. Чем меньше шаблонов, тем легче их поддерживать, вносить в них изменения. Этого можно достичь, если шаблоны будут полиморфны, т.е. будут содержать в себе избыточность. В зависимости от параметров генерации лишние части во время генерации документа будут удаляться и в результате останутся только те части, которые требуются. Разметим, например, текст шаблона следующим образом:

Недавно мне довелось побывать на встрече участников проекта FreeCodeCamp в Сан-Франциско. Если кто не знает, Free Code Camp — это сообщество, нацеленное на изучение JavaScript и веб-программирования. Там один человек, который готовился к собеседованиям на позицию фронтенд-разработчика, попросил меня подсказать, какие вопросы по JavaScript стоит проработать. Я немного погуглил, но не смог найти подходящего списка вопросов, на который я бы мог дать ссылку и сказать: «Разбери эти вопросы и работа твоя». Некоторые списки были близки к тому, что мне хотелось найти, некоторые выглядели очень уж простыми, но все они были либо неполными, либо содержали вопросы, которые вряд ли кто станет задавать на реальном собеседовании.

Эдуард Тянтов (Mail.ru Group)

Меня зовут Эдуард Тянтов, я занимаюсь машинным обучением в компании Mail.ru Group. Я расскажу про приложение стилизации видео с помощью нейронных сетей Artisto, про технологию, которая лежит в основе этого приложения.

Давайте я дам пару фактов о нашем приложении:

• 1-е мобильное приложение стилизации видео в мире;
• Уникальная технология стабилизации видео;
• Приложение с технологией разработаны за 1 месяц.

Выходим на финишную прямую. Чуть больше двух месяцев назад я делилась с вами вводной статьёй о том, для чего нужно машинное обучение в страховой компании и как проверялась реалистичность самой идеи. После чего мы поговорили о тестировании алгоритмов. Сегодня будет последняя статья из серии, в которой вы узнаете об улучшении модели через оптимизацию алгоритмов и их взаимодействие.

Устройство называется CEPappliance. CEP — от Complex Event Processing, а appliance — (и так должно быть понятно, но на всякий случай) “устройство” с английского.

Затеяли мы его в далеком 2010 году как хобби, трудясь над ним после основной работы долгими вечерами, плавно переходящими в короткие ночи, и по выходным дням. За 5 лет такой работы мы создали 3 прототипа в поисках решения с минимальными задержками и простой моделью программирования логики обработки данных.

В 2015 году мы осознали, что у нас получилось достойное творение, которое позволяет обрабатывать потоки данных с гарантированной задержкой в 2-3 микросекунды. И мы начали искать возможности превратить начатое в коммерческий продукт и, вероятно, перестать работать на “дядю”, заняться только нашим продуктом, посвящая ему все свое время. В конце 2015 мы нашли первого клиента, оставили “дядей” и пустились в “свободное плавание”.

Сегодня мы можем точно сказать, что устройство у нас получилось. Мы еще не реализовали всего задуманного и нам по-прежнему приходится много работать, чтобы добавлять новый функционал, иногда исправлять ошибки. Но наше устройство уже год работает в промышленной эксплуатации.

В 2014 году рабочее место трейдера Райффайзенбанка представляло из себя стол, под которым находилось скопление системных блоков с подключенными к ним мониторами, мышками и клавиатурами. Мало того, что на всем этом «зоопарке» было очень тяжело и неудобно работать, так и про хорошее и своевременное техническое обслуживание можно было забыть. Пыль, неизбежно образующаяся в открытых помещениях, повышенное тепловыделение от работающих станций значительно в разы сокращали срок службы оборудования.

В то время мы долго искали выход из сложившейся ситуации и в итоге пришли к очень

В этой лекции руководитель компании «Интеллект и инновации» Егор Токунов рассказывает, как нейросети позволяют влиять на двигательные навыки человека и как они могут помочь в реабилитации больных с двигательными нарушениями.

Егор выступил в секции digital health на Yet another Conference 2017.




Все вы знаете фильм «Матрица». Вдохновившись просмотром, мы подумали: «А почему бы нам не сделать такую систему, где человек просто за короткое время, не используя никаких объяснений, может взять и получить какой-то новый двигательный навык?».

У нас недоставало двух параметров. Первое — что мы можем передать человеку в мозг? И второе — как ему это непосредственно в мозг передать? Однако мы подумали и нашли решение.

Привет, Хабр!

* На самом деле не совсем так. При разработке информационной системы, частью которой является различная обработка конструкторско-технологической документации, у меня возникла проблема, которую вкратце можно описать следующим образом. Сегодня мы имеем один состав изделия, за день приходит несколько изменений по различным частям этого изделия и к вечеру уже неясно, что же изменилось? Изделия порой могут иметь более 10 000 элементов в составе, элементы не уникальны, а реальность такова, что изменения по составу могут активно приходить, хотя изделие уже почти готово. Непонимание объема изменений усложняет планирование.

Состав изделия можно представить в виде древовидного графа. Не найдя подходящего способа сравнения двух графов, я решил написать свой велосипед.

Всё должно быть изложено так просто, как только возможно, но не проще.
— Альберт Эйнштейн

Чтобы игра была развлекающей и интересной, не обязательно делать управляемых компьютером противников умнее. В конце концов, игрок должен побеждать. Однако позволять ему выигрывать только потому, что управляющий противниками ИИ разработан плохо, тоже неприемлемо. Интерес к игре можно увеличить, если совершаемые противником ошибки будут намеренными. Тщательно настроив ошибки противников, сделав их намеренными, но правдоподобными, программисты позволят противникам выглядеть умными и одновременно обеспечат победу игрока. Кроме того, отслеживая системы ИИ и соответствующим образом управляя ими, можно превратить ситуации, в которых противники выглядят глупо, в интересный игровой процесс.

Частая ошибка в разработке и реализации систем ИИ в компьютерных играх заключается в слишком сложном дизайне. Разработчику ИИ легко увлечься созданием умного игрового персонажа и потерять из виду конечную цель, а именно создание развлекающей игры. Если у игрока есть иллюзия того, что компьютерный противник делает что-то умное, то неважно, каким образом ИИ (если он есть) создаёт эту иллюзию. Признак хорошего программиста ИИ — способность противостоять искушению добавить интеллекта туда, где он не нужен, и распознавание ситуаций, в которых достаточно более «дешёвых» и простых решений. Программирование ИИ часто больше похоже на искусство, чем на науку. Способность различать моменты, в которых достаточно дешёвых трюков, и тех, где требуется более сложний ИИ, даётся непросто. Например, программист, обладая полным доступом ко всем структурам игровых данных, легко может читерить, сделав NPC всезнающими. NPC могут знать, где находятся враги, где лежит оружие или амуниция, не видя их. Однако, игроки часто распознают такие дешёвые трюки. Даже если они не могут определить саму природу читерства, у них может создаться ощущение, что поведение NPC не похоже на естественное.