👌 Будущее чтения.

Умелец прикрутил нейронки к Электронной книге.

Языковая модель считывает текст, StableDiffusion иллюстрирует.

Голосуем:
👍 - Круто, жду такой гаджет.
👾 - Нейросети не заменят мне воображение.

🔥 Яндекс представил третье поколение больших языковых моделей YandexGPT

YandexGPT 3 Pro, первая нейросетка линейки, уже появилась на Yandex Cloud. Её можно встроить через API, а перед этим, например, самостоятельно дообучить в сервисе ML-разработки Yandex DataSphere под конкретные задачи бизнеса.

Стоимость использования новой нейросети снизилась почти в два раза. Перед интеграцией в свои продукты у бизнеса есть возможность протестировать модель в отдельном чате на ограниченном количестве запросов. Для новых пользователей бесплатно доступно 100 запросов.

Языковая модель лучше понимает и держит контекст беседы, допускает меньше стилистических и фактических ошибок, а ещё теперь умеет представлять данные в формате JSON (JavaScript Object Notation).

@ai_machinelearning_big_data

🌟 ИИ применили для восстановления утраченного полотна Веласкеса

⏩В Испании художник-реставратор Фернандо Санчес Кастильо с помощью нейросети смог воссоздать утраченную при пожаре картину «Изгнание морисков» Веласкеса. Для обучения ИИ он использовал эскиз полотна и описания современников художника.

⏩Веласкес создал «Изгнание морисков» в 1627 году по заказу короля Филиппа IV. Картина изображала изгнание из Испании 300 тысяч перешедших в католичество мусульман из-за возможного предательства. В 1734 году картина была утрачена при пожаре.

⏩ИИ сгенерировал видео продолжительностью чуть более четырёх минут, которое вначале демонстрирует повреждения полотна, но затем постепенно реконструирует его. Этот ролик использовали для воссоздания холста размером 335х274 см. Также художники применили последнюю версию Adobe Photoshop с функциями ИИ. В частности, они использовали «генеративную заливку», чтобы незаметно объединить разные изображения.

⏩Работа заняла более ста часов. Как отмечает Кастильо, 80% работы соответствует «художественному творчеству», а 20% принадлежит ИИ.

@ai_machinelearning_big_data

📌Аппаратные требования больших языковых моделей ИИ сокращаются вдвое каждые восемь месяцев

⏩Большие языковые модели, лежащие в основе чат-ботов с искусственным интеллектом, развиваются настолько быстро, что всего за восемь месяцев необходимые им для работы аппаратные ресурсы сокращаются вдвое — сами чипы демонстрируют намного более скромный прогресс.

⏩Существуют два способа повысить производительность систем ИИ, обращает внимание исследователь из Массачусетского технологического института Тамай Бесироглу (Tamay Besiroglu): увеличить размеры больших языковых моделей, что потребует соразмерного увеличения вычислительной мощности, хотя оборудование для ИИ сегодня находится в дефиците; или оптимизировать базовые алгоритмы, чтобы более эффективно применять существующее оборудование. Похоже, нынешние разработчики больших языковых моделей предпочли второй подход.

⏩Учёные проанализировали показатели производительности 231 большой языковой модели, разработанных в период с 2012 по 2023, и обнаружили, что вычислительная мощность, необходимая для их работы, сокращалась в среднем вдвое каждые восемь месяцев. Это значительно быстрее, чем предполагает эмпирический закон Мура, согласно которому число транзисторов на кристалле (мера его производительности) удваивается каждые 18–24 месяца. Исследователи отмечают, что такой рост производительности систем ИИ отчасти связан с оптимизацией кода, хотя точно определить это не получается, потому что алгоритмы ИИ часто не поддаются анализу. Свою роль, конечно, сыграло и развитие аппаратных компонентов

⏩Разница в темпах развития является показателем того, насколько эффективно разработчики больших языковых моделей используют доступные им ресурсы. Бесконечно оптимизировать алгоритмы не получится, считает Бесироглу, и нет ясности, сохранится ли такой темп развития в долгосрочной перспективе. Существуют и опасения, что повышение эффективности моделей может, напротив, увеличить потребление энергии отраслью ИИ, поэтому нельзя заниматься только одним аспектом.

@ai_machinelearning_big_data