Сегодня я раскопал для вас старый мастрид из золотого фонда. Если вы никогда не слышали о Василиске Роко, то после прочтения этого текста гарантированно расширите своё сознание и наверняка содрогнётесь от страха. Василиск Роко – плод дискуссии рационалистов (в том числе Элиезера Юдковски, про которого я уже много раз писал) о развитии Unfriendly AI.

"Этот мысленный эксперимент стал настолько опасным, что размышления о нем ставили под угрозу душевное здоровье пользователей". И это серьёзно.

На всякий случай поделюсь дисклеймером от авторов статьи:

"WARNING: Reading this article may commit you to an eternity of suffering and torment". Читать на свой страх и риск.

Английская версия: slate.com/articles/technology/bitwise/2014
Русский перевод: theoryandpractice.ru/posts/9427-vasilisk-roko

На прошлой неделе я публиковал на @mustwatch видео на ту же тему от одного из моих любимых ютюб-каналов Exurb1a. Посмотрите, если пропустили: t.me/mustwatch/150.

#золотой_фонд_мастридов
#рационалист_мастрид

Благодаря приложению Prisma все знают, что нейросети могут переносить стиль картин на фотографии. Но ведь нейросети могут и сами генерировать картины. Команда американских исследователей разработала интересную схему, позволяющую создавать картины в новых стилях. Вот как она работает.

Одна нейросеть - тупой генератор, который ничего не знает об искусстве. Он начинает генерировать картины случайным образом, то есть буквально рисовать всякую фигню. Вторая нейросеть (дискриминатор) - умная. Ей показали 82 тысячи картин в разных стилях. Дискриминатор умеет не только отличать искусство от беспорядочной мазни, но и определять стиль картины. Реализм, импрессионизм, кубизм, экспрессионизм - всего 25 стилей.

Первая нейросеть постоянно пытается обмануть вторую. Она создаёт свою случайную мазню, отправляет её в дискриминатор и получает ответ - "искусство" это или нет. Если нет, нейросеть перенастраивается, чтобы в следующей итерации все-таки обмануть дискриминатор.

Кроме того, если дискриминатор видит в сгенерированной картинке "искусство", он пытается узнать стиль картины. И если этот стиль сильно похож на те, которые дискриминатор уже знает, он возвращает генератору сигнал - мол, такое мы уже видели, давай что-то новое. То есть генератор должен не просто создать картину, которую дискриминатор посчитает искусством, но и создать её в таком стиле, которого дискриминатор раньше не видел. В этом вся задумка исследования - нейросеть должна не просто воспроизводить известные художественные стили, но и создавать новые.

Ну и главное: когда полученные картины показали людям и попросили оценить наряду с обычным современным искусством, многие машинные картины получили даже высшую оценку, чем "настоящие", человеческие. Здесь авторы исследования немного недоработали: было бы классно, если бы они продали одну из таких картин на ярмарке современного искусства, и только потом раскрыли секрет её авторства. Но и так неплохо получилось.

Машинные картины, которые получили наивысшие оценки: http://i.imgur.com/GQNOvMC.jpg

Публикация (почитайте, там и текст интересный, и картинки): https://arxiv.org/pdf/1706.07068.pdf

Что ещё почитать по теме:

Как работают генеративные нейросети: https://www.wired.com/2017/04/googles-dueling-neural-networks-spar-get-smarter-no-humans-required/

Как работает перенос стиля в приложениях вроде Prisma: https://t.me/brodetsky/642

Эппл запустили новый блог об их подходах к машинному обучению. И он очень эппловский. Для начала он называется не блог, а journal. Не подписаны авторы статей. И вообще не понятно кто это пишет :) однако последний пост все равно интересный и стоит потраченного на него времени. Буду следить за новыми их публикациями https://machinelearning.apple.com/

У китайцев с планированием в национальном масштабе всё неплохо: там планы выполняются. Вот сейчас принят официальный национальный план по развитию искусственного интеллекта: к 2030 Китай должен стать мировым лидером в области ИИ, связанные с ним области экономики должны давать 150 млрд. долларов, об этом много писали на днях. Госсовет официально обозначил ИИ как основной драйвер экономики не когда-нибудь, а к 2020. Но тема не затихает: премьер Госсовета КНР Ли Кэцян выступил на симпозиуме по ИИ в Пекине и очередной раз призвал ученых добиться лидерства страны в разработках ИИ. И потестировал автомат по продаже кофе, в котором вообще никаких платежных средств не надо: хватает распознавания лица покупателя.
Как-то на этом фоне наши разговоры про блокчейн в государственных системах выглядят не очень :(
http://english.gov.cn/premier/news/2017/07/24/content_281475750043336.htm

Новости искусственного интеллекта и машинного обучения

2 августа сервис «Яндекс.Музыка» представил музыкального бота для Telegram @YaMelodyBot. Он умеет распознавать песни по отрывкам от 5 до 10 секунд и присылать в ответ ссылки на соответствующий трек в «Яндекс.Музыке». Чтобы его активировать, нужно зажать и удерживать кнопку с микрофоном во время проигрывания композиции.

В компании рассказали TJ, что пока бот только учится распознавать мелодии, но улучшается с каждой прослушанной композицией. Кроме того, по словам представителей компании, бот — это только первое воплощение новой технологии распознавания мелодий, созданной на основе нейросетей «Яндекса».

Исследовательница Жанель Шейн (Janelle Shane) научила нейросеть придумывать новые названия для марок крафтового пива. Описание разработки автор опубликовала в своем блоге.

Возрастающая популярность крафтового пива повлекла за собой неожиданную проблему — производителей и марок пива стало слишком много. Уже известны судебные споры между производителями, претендующими на право использовать одни и те же названия сортов пива. Поэтому исследовательница, ранее научившая нейросеть придумывать названия для цветов, морских свинок и даже покемонов, решила адаптировать нейросеть для решения этой задачи.

Как и в предыдущих проектах, автор решила использовать готовую многослойную рекуррентную нейросеть с открытым исходным кодом под названием char-rnn, которую часто применяют для аналогичных проектов (к примеру такую сеть использовали для генерации твитов в стиле лидера Чечни Рамзана Кадырова).

Поскольку зачастую названия сортов пива, относящихся к одному типу, отчасти похожи друг на друга, исследовательница решила натренировать нейросеть на отдельных наборах названий, относящихся к одному типу, к примеру стаутам или индийским пэйл-элям. Для этого Шейн взяла сотни тысяч названий сортов, разделенных на более чем 90 типов, с сайта, занимающегося составлением рейтингов пива. Затем названия были разбиты на более общие группы, которые и послужили тренировочными данными для нейросети.

https://nplus1.ru/news/2017/08/04/friday-science

Примеры сгенерированных нейросетью названий индийских пэйл-элей:
Dang River
Earth Dock IPA
Yamquak
Bigly Bomb Session IPA
Binglezard Flack
Jain Is The Dog
Earth 2 Sanebus
Tower Of Ergelon
Toe Deal
Juicy Dripple IPA
Flying Rocks IPA
Yall In Wool
Earth Pump
Heaven Cat
Heart Compost
Wicked Geee
Text 5 Of The IPA
Cockamarin Hard IPA
Test Tha IPA
Yampy
Widee Banger Fripper IPA
Oarahe Momnila Day Revenge Bass Cornationn Yerve Of Aterid Ale

Горожане помогут создать нейросеть, считывающую показания счетчиков воды по фотографиям

https://www.mos.ru/news/item/27697073/

Издание BuzzFeed год назад обнаружило, что как минимум две сотни самолетов и вертолетов ФБР и министерства внутренней безопасности США регулярно кружат над Америкой, в том числе над крупнейшими городами. Эти самолеты оснащены техникой для съемки, а некоторые способны перехватывать телефонные разговоры. Журналисты указывали, что наверняка не всегда это оборудование используется с разрешения суда. Часть самолетов были зарегистрированы на подставные компании.

В августе 2017 года издание опубликовало новые расследования о самолетах, занимающихся слежкой. «Базфид» нашел секретный самолет, с которого следят за членами наркокартелей в Мексике, а также выяснил, что самолеты военного подрядчика, занимающегося слежкой за террористами в Африке, зачем-то летают и над американскими городами.

Журналисты вычислили эти самолеты при помощи машинного обучения. Они взяли базу данных сервиса Flightradar24 за несколько месяцев 2015 года, выделили из нее уже известные самолеты, которые используются для патрулирования США, и научили компьютер отличать обычные самолеты от подозрительных.

Для этого они использовали специальный алгоритм, который используется для классификации. Компьютер, получив набор данных о 500 случайных самолетов из базы и о 100 идентифицированных ранее, должен был определить, обычный это самолет или подозрительный. Алгоритм записал в подозрительные 69 воздушных судов. Главным критерием служила скорость разворота, поскольку самолеты, использующиеся для наблюдения, как правило, летают кругами.