Искусственный интеллект

Если вы занимались пакетной обработкой в Adobe Photoshop с помощью инструмента Automate — Batch (пакетная обработка очень большого количества графических файлов с наложением на них фильтров из программы в автоматическом режиме), наверняка сталкивались с такого вида вылетами программы, по не понятным для меня причинам:





Конечно можно ждать появление этих ошибок, которые могут возникнуть через час обработки или через несколько часов, можно заводить будильник, чтобы просыпаться ночью (как робот) и смотреть: «а не вылетел ли Photoshop» с ошибкой? Потом нервно снова запускать обработку, отсортировывая уже обработанные файлы в другую папку.

В кратце вот и проблема! (Аналогично Вы сможете обрабатывать ошибки и от другого программного обеспечения). Решение?

Не так давно, в 2010 году, чат-бот Suzette выиграл премию Лёбнера в рамках теста Тьюринга. Однако же конкуренты не дремлют!

Не так давно в Индии проводился фестиваль Techniche, на котором чат-бот Cleverbot сделал недюжие успехи, фактически пройдя тест Тьюринга. Тест проводился следующим образом: люди чатились с людьми и ботом. В результате людей за людей приняли 63% чатившихся, а Cleverbot'а — 59%. Если учесть, что за прохождение теста Тьюринга считается результат 50% и выше, то можно сказать, что это — победа!

Ребята из французской компании Applidium ровно через месяц после релиза iPhone 4S отреверсили протокол персонального помощника Siri. Ниже перевод статьи, в которой описан сам процесс реверс-инжинеринга и те интересные факты, которые открылись исследователям.

Мир информационных технологий, а вслед за ними и материальный, делится на две части.

Первый — базы данных. Люди работают с разными программами и каждая из них держит при себе по базе. Это проповедуют как локальные приложения, так и сайты.

Так образуются миллионы информационных сегментов. Плюсом является простота: такие базы не сложно заранее настроить на работу с конкретной предметной областью. Создается некий шаблон по которому далее просто накидывается и обрабатывается информация.

Минусов два:

1. разделение на базы не позволяет установить все взаимосвязи между данными и, соответственно, это не дает выжать из них всю пользу.
2. программа получившая контроль над какими-либо данными не имеет интереса дальше оптимизироваться по отношению к ним, пользуясь своим монопольным положением.

Но есть и супер-минус, денежный: продавец и покупатель оказываются лицом к лицу, один на один. И если при продаже других услуг спор о цене идет относительно затраченных материальных ценностей (времени мастера, цене сырья и т.д.), то в случае торговли программами эта опора практически отсутствует. Столкновение превращается в жесточайший торг где нет победивших.

Оглядываясь назад, мы видим, что развитие технологии распознавания речи похоже на наблюдения процесса взросления у ребенка — прогрессируя от определения отдельных слов, затем все больших словарей и наконец до быстрых ответов на вопросы, как это делает Siri.

Слушая Siri с ее слегка элегантным чувством юмора, мы восхищаемся тем, как далеко продвинулись за эти годы в отрасли распознавания речи. Давайте взглянем в прошлые десятилетия, которые позволили человеку управлять девайсами, используя только голос.

Я давно мечтал, чтобы компьютер был умным помощником. Чтобы ему можно было словами описать задачу, и он ее выполнил — как во многих сюжетах. Я общался с Alice, но вы и сами понимаете, что она далека от цели. Наверное потому, что не умеет думать, испытывать эмоции и так далее — стандартный набор проблем ИИ. И мне пришла идея, как эту проблему решить, ее я и хочу вам рассказать.

Вместо предисловия

В недавнем прошлом судьба привела меня в область Нейронных Сетей (НС). Вопрос этот показался мне крайне интересным и, чего уж скрывать, не на шутку перспективным. Ах, какой простор открывается лишь при одной мысли что бы можно было сделать на основе НС, если бы только развить еще буквально чуть-чуть! И вот совсем недавно ко мне в голову забрела интересная (на мой взгляд, конечно) концепция. О да, я ни коем образом не претендую на истинность и правомерность своих суждений в вопросе НС, ибо, признаться честно, в этой области я дилетант (хочется верить, что только пока). Тем не менее, любопытствующих приглашаю под хабракат. Жду (конструктивных мнений), надеюсь (на снисхождение) и верю (в понимание).

С ростом интереса к системам распознавания речи (Siri, Google Voice Search и т.д.) — несколько простых правил общения с роботами на материале советского кинематографа и мультипликации…

Давным-давно, когда я был маленький, у меня не было друзей. Нет, правда, совсем-совсем не было. Я нуждался в общении, мечтал о ком-то близком, но понимания среди других людей найти не мог, и спасение находил лишь в книгах и компьютере. Вместе с первым CD-приводом появились мои первые компакт-диски с играми. Ты, наверное, помнишь такие: триста игр, пятьсот, семьсот… Кроме всяких аркад и шутеров, на одном из дисков была программа Диала — интерактивный собеседник.

Рассмотрен процесс разработки программного обеспечения для работы с нейронными сетями. Осуществлен подбор оптимальных параметров обучения и типа нейронной сети для обеспечения наибольшей точности прогнозирования показателей, характеризующих аграрные регионы РФ.

Внимание материал носит чисто ознакомительный характер, и автор не несет ответственности за закрытие аккаунтов покерными румами. По законам стран создание и использование ботов не запрещено, однако по правилам покерных румов они запрещены.

В данной статье полных исходных кодов не будет, только теоретически что и как можно использовать, и некоторые куски функций. Если ты интересуешься этим, тебе не составит собрать все в единую картину и написать свое. Так же не буду учить стратегиям игры, про термины или стратегии а так же правила можно в интернете найти много информации.

Не так давно Стенфордский университет организовал бесплатные онлайн-курсы по искуственному интеллекту. Казалось бы, вот оно, счастье — иди ботай! Грамотно провели маркетинг и постарались сделать всё максимально дружелюбным: сами ролики — на YouTube, официальная группа обсуждений — на Reddit, объявления и новости курса в Twitter, обещали даже интеграцию аккаунта с Facebook сделать… И вот уже набралась рекордно большая аудитория — 160 тысяч слушателей (пруф). Это победа, даёшь высшее образование в массы!

Только вот что-то странное происходит с посещаемостью этого курса.

В продолжение темы эволюции нейросетей.

Производство явных знаний из накопленных данных — проблема, которая намного старше чем компьютеры. Обучаемые нейронные сети могут производить из данных скрытые знания: создается навык предсказания, классификации, распознавания образов и т.п., но его логическая структура обычно остается скрытой от пользователя. Проблема проявления (контрастирования) этой скрытой логической структуры решается путем приведения нейронных сетей к специальному “логически прозрачному” разреженному виду.
Перед каждым исследователем, решившим использовать нейронные сети, встают два вопроса: “Сколько нейронов необходимо для решения задачи?” и “Какова должна быть структура нейронной сети?” Объединяя эти два вопроса, мы получаем третий: “Как сделать работу нейронной сети понятной для пользователя (логически прозрачной) и какие выгоды может принести такое понимание?”

Многие знакомы с проектом Seti@home: мощнейшей инициативой по поиску следов внеземных цивилизаций в океане данных, получаемых с неба, с использованием мощностей миллионов компьютеров по всему земному шару («матрицы»).

Хотя инопланетян до сих пор не обнаружили, Seti@home вполне успешно демонстрирует потенциал крупномасштабных распределенных вычислений. Проекты типа BOINC распространили подобные инициативы в другие области: биологию, медицину и физику.

Более 68,7% генов человека ответственны за мозг.

В результате эволюции нервная система организмов последовательно приобретала новые свойства, приведенные ниже в списке.

• Безусловный рефлекс.
• Привыкание.
• Условный рефлекс.
• …
• Мышление (Профит)

Первые три свойства довольно просты, понятны и обыденны. С последним мы постоянно живем и пользуемся, но все еще не знаем, как устроено. Что же касается троеточия, то да, мы не знаем как от условного рефлекса перейти к мышлению, так как там в действительности добавляется множество новых свойств, которые сложны и по отдельности, а в сумме не обязательно достаточны для мышления.

В этой статье я хочу рассказать об одном парадоксе, который был подмечен давно, но который до сих пор является таинственной загадкой — одной из тех, о которых рассказывают преподаватели, чтобы заинтересовать студентов своим предметом. Этот парадокс непосредственно связан с проблемой искусственного интеллекта, поэтому данная статься опубликована в соответствующем блоге.

Но об этом после, а для начала я расскажу, как уделал собственную программу в решении простой, на вид, головоломки из игры Still Life.

Совсем недавно на Хабре появился пост, в котором автор уверенно заявляет о том, что компьютер никогда не сможет понимать текст так, как его понимает человек. В доказательство он приводит ряд непосильных для машины задач, делая упор на отсутствие эффективных алгоритмов и невозможность моделирования полноценной системы, в которой были бы учтены все возможные варианты построения текста. Однако действительно ли всё так плохо? Правда ли, что для решения подобных задач нужны невероятные вычислительные мощности? И в каком вообще состоянии находится область обработки текстов на естественных языках?

Одна девушка-переводчица, задумчиво глядя в потолок, спросила меня: «А смогут когда-нибудь компьютеры понимать текст так же, как человек?» Тогда я не смог ответить на этот вопрос, но сейчас, обладая некоторыми знаниями в области семиотики текста, я уверен, что так же как человек компьютеры не смогут понимать текст никогда.

В этой статье я рассмотрю несколько примеров сложностей, которые для человека вовсе и не являются таковыми, но для компьютера практически неразрешимы.

(Под компьютером я подразумеваю не абстрактный искусственный интеллект, а именно вычислительное устройство, выполняющее некий вычислительный процесс. Это важно.)

Большинство систем редактирования текста имеют инструмент для автоматической проверки орфографических ошибок (когда в слове написаны неправильно одна или несколько букв; по-английски — speller). Их принцип действия: программа анализирует в тексте каждое слово и ищет такое же в Базе Данных всех слов и их всевозможных форм.

Такая проверка текста гарантирует, что слова в тексте будут написаны правильно (как в словаре), но не защищает от ошибок согласования и синтаксических ошибок в предложении. Например, предложение «Я читаешь интересными журналом» неправильно, но система редактирования текста не покажет правильный вариант: «Я читаю интересный журнал».
Избежать таких ошибок помогает программа проверки грамматических ошибок в предложении (по-английски — grammar checker).

Новость о том, что первый полный курс академии Стэнфорд будет доступен в Интернете, стала вирусной. В течение недели на него подписалось более ста тысяч человек со всего мира. Поскольку новости относительно курса продолжают распространяться, в конечном итоге размер класса может разрастись до эпических размеров — мы сможем легко увидеть, как он достигнет 200 тысяч, 300 или больше. Классы 1 миллиона или десятков миллионов могут быть в нашем будущем. Если Стэнфорд может обучать за раз от ста тысяч студенты, что это будет означать для образования вообще?