Rabbit R1. Очередной ненужный гаджет или реальная альтернатива голосовым помощникам?
Весной 2024 на рынок выходит необычное устройство.
Оранжевая коробочка с сенсорным экраном 2,88 дюйма, микрофоном, вращающейся камерой и кнопкой. Объем оперативной памяти - 2 Гб, постоянной - 128 Гб.
Цена устройства: 199$
Rabbit R1 удаленно управляет приложениями с использованием собственных механизмов интеграции. Управление осуществляется голосом.
Что под капотом?
Rabbit R1 использует нейросеть типа LAM (Large Action Model). Принцип работы заключается в том, что устройство воспринимает голосовые команды и интерпретирует их. LAM обучается путем демонстрации: алгоритм «наблюдает» за человеком, использующим определенное приложение, а потом воспроизводит его действия, даже если интерфейс сервиса отличается. Со временем модель накапливает все больше знаний и глубже «понимает» разные аспекты взаимодействия с сервисом.
Главный вопрос - почему бы просто не сделать мобильное приложение? По словам разработчиков - идея в том, чтобы изменить рынок и подходы к с устройствами на базе ИИ.
Генеральный директор Rabbit Джесси Лю на презентации устройства подчеркнул, что его разработчики не стремятся заменить смартфоны. С помощью R1 нельзя звонить, проигрывать ролики YouTube, проверять социальные сети или выполнять действия с электронной почтой. Кроме того, устройство не предполагает наличия обратной связи с другими владельцами Rabbit или смартфонов.
YouTube-демонстрация
Статья на Хабре
Сайт производителя
Весной 2024 на рынок выходит необычное устройство.
Оранжевая коробочка с сенсорным экраном 2,88 дюйма, микрофоном, вращающейся камерой и кнопкой. Объем оперативной памяти - 2 Гб, постоянной - 128 Гб.
Цена устройства: 199$
Rabbit R1 удаленно управляет приложениями с использованием собственных механизмов интеграции. Управление осуществляется голосом.
Что под капотом?
Rabbit R1 использует нейросеть типа LAM (Large Action Model). Принцип работы заключается в том, что устройство воспринимает голосовые команды и интерпретирует их. LAM обучается путем демонстрации: алгоритм «наблюдает» за человеком, использующим определенное приложение, а потом воспроизводит его действия, даже если интерфейс сервиса отличается. Со временем модель накапливает все больше знаний и глубже «понимает» разные аспекты взаимодействия с сервисом.
Главный вопрос - почему бы просто не сделать мобильное приложение? По словам разработчиков - идея в том, чтобы изменить рынок и подходы к с устройствами на базе ИИ.
Генеральный директор Rabbit Джесси Лю на презентации устройства подчеркнул, что его разработчики не стремятся заменить смартфоны. С помощью R1 нельзя звонить, проигрывать ролики YouTube, проверять социальные сети или выполнять действия с электронной почтой. Кроме того, устройство не предполагает наличия обратной связи с другими владельцами Rabbit или смартфонов.
YouTube-демонстрация
Статья на Хабре
Сайт производителя
👍3🤔3
Общая классификация постановки задачи машинного обучения
Ранее мы рассматривали, что такое машинное обучение (machine learning или ML), как метод ИИ.
Типы задач, которые могут решаться при помощи ML
Обучение с учителем:
🔹 классификация,
🔹 регрессия,
🔹 обучение ранжированию,
Обучение без учителя:
🔹 кластеризация,
🔹 снижение размерности,
🔹 оценка плотности.
Мы не касались трех типов задач задач: ранжирование, снижение размерности и оценка плотности.
Восполним этот пробел в ближайших постах.
👉 @aisimpleru
Ранее мы рассматривали, что такое машинное обучение (machine learning или ML), как метод ИИ.
Типы задач, которые могут решаться при помощи ML
Обучение с учителем:
🔹 классификация,
🔹 регрессия,
🔹 обучение ранжированию,
Обучение без учителя:
🔹 кластеризация,
🔹 снижение размерности,
🔹 оценка плотности.
Мы не касались трех типов задач задач: ранжирование, снижение размерности и оценка плотности.
Восполним этот пробел в ближайших постах.
👉 @aisimpleru
👍4🔥1
Задача снижения размерности в машинном обучении (ML)
Задача снижения размерности в машинном обучении сводится к уменьшению числа признаков набора данных.
Наличие в наборе избыточных, неинформативных признаков снижает эффективность модели.
После снижения размерности модель упрощается, а размер набора данных в памяти уменьшается. Ускоряется работа алгоритмов машинного обучения.
На практике приходится работать с данными очень больших размерностей. Изображения размером 224×224 пикселей или данные финансовых изменений во времени представляются в виде векторов.
Исследователю нужна простая и понятная визуализация и скорость для расчетов.
Где применяется:
🔹 распознавание изображений,
🔹 банковские транзакции,
🔹 аналитика больших данных.
Основные методы:
🔹 Метод главных компонент (PCA)
🔹 Метод k-средних (K-Means)
🔹 Линейный дискриминант Фишера (LDA)
🔹 Стохастические вложение соседей (t-SNE)
При подготовке текста использовали источник: ссылка
👉@aisimpleru
Задача снижения размерности в машинном обучении сводится к уменьшению числа признаков набора данных.
Наличие в наборе избыточных, неинформативных признаков снижает эффективность модели.
После снижения размерности модель упрощается, а размер набора данных в памяти уменьшается. Ускоряется работа алгоритмов машинного обучения.
На практике приходится работать с данными очень больших размерностей. Изображения размером 224×224 пикселей или данные финансовых изменений во времени представляются в виде векторов.
Исследователю нужна простая и понятная визуализация и скорость для расчетов.
Где применяется:
🔹 распознавание изображений,
🔹 банковские транзакции,
🔹 аналитика больших данных.
Основные методы:
🔹 Метод главных компонент (PCA)
🔹 Метод k-средних (K-Means)
🔹 Линейный дискриминант Фишера (LDA)
🔹 Стохастические вложение соседей (t-SNE)
При подготовке текста использовали источник: ссылка
👉@aisimpleru
👍4
Задача оценки плотности в машинном обучении (ML)
Под плотностью мы подразумеваем плотность распределения вероятности или вероятность.
Оценка плотности вероятности в ML - метод анализа данных, который позволяет оценить вероятностное распределение значений в наборе данных.
Она позволяет нам понять, как вероятно появление определенных значений или наблюдений в нашей выборке.
Зачем это нужно?
Для исключения из обучающих выборок нерелевантных, аномальных примеров.
Представьте, что у вас есть набор значений роста людей. Оценка плотности покажет, как часто встречаются разные значения роста.
В обучающем примере рост человека 175 см. Мы понимаем, что это средний рост для мужчин в мире. Если в выборке будут встречаться примеры 140 и 219 см? Скорее всего это аномальные значения. Вероятность их нахождения в выборке - минимальна. Для корректной работы модели, их лучше исключить из выборки.
Теперь представьте, что в выборке используются данные банковских транзакций или расстояния между атомами, как понять аномальны ли значения? Если вы специалист в конкретной предметной области, скорее всего, вы сможете определить. Но в большинстве случаев, лучше обратиться к ML-алгоритмам, которые помогут избежать ошибок при подготовке данных для обучения моделей.
Основные методы:
🔹 Гистограммы
🔹 Оценка плотности ядра (Kernel Density Estimation, KDE)
🔹 Случайные леса (random-forest)
🔹 Оценка парзеновского окна (Parzen Window)
Методические материалы:
scikit-learn.ru
en.wikipedia.org
Под плотностью мы подразумеваем плотность распределения вероятности или вероятность.
Оценка плотности вероятности в ML - метод анализа данных, который позволяет оценить вероятностное распределение значений в наборе данных.
Она позволяет нам понять, как вероятно появление определенных значений или наблюдений в нашей выборке.
Зачем это нужно?
Для исключения из обучающих выборок нерелевантных, аномальных примеров.
Представьте, что у вас есть набор значений роста людей. Оценка плотности покажет, как часто встречаются разные значения роста.
В обучающем примере рост человека 175 см. Мы понимаем, что это средний рост для мужчин в мире. Если в выборке будут встречаться примеры 140 и 219 см? Скорее всего это аномальные значения. Вероятность их нахождения в выборке - минимальна. Для корректной работы модели, их лучше исключить из выборки.
Теперь представьте, что в выборке используются данные банковских транзакций или расстояния между атомами, как понять аномальны ли значения? Если вы специалист в конкретной предметной области, скорее всего, вы сможете определить. Но в большинстве случаев, лучше обратиться к ML-алгоритмам, которые помогут избежать ошибок при подготовке данных для обучения моделей.
Основные методы:
🔹 Гистограммы
🔹 Оценка плотности ядра (Kernel Density Estimation, KDE)
🔹 Случайные леса (random-forest)
🔹 Оценка парзеновского окна (Parzen Window)
Методические материалы:
scikit-learn.ru
en.wikipedia.org
👍2
This media is not supported in your browser
VIEW IN TELEGRAM
Визуализация работы популярных оптимизаторов в Python
🐍 Python - наиболее популярный язык программирования для машинного обучения.
Оптимизатор - это встроенный в компонент Python алгоритм, позволяющий достичь оптимального значения функции потерь обучаемой модели.
В качестве модели может выступать нейронная сеть, алгоритм машинного обучения или их сочетание.
В процессе обучения мы стараемся минимизировать потери функции и обновлять параметры для повышения точности.
На графике выше наглядно представлено, как по-разному работают алгоритмы оптимизации Python. Все представленные оптимизаторы входят в пакет Numpy.
Источник: github.com
👉 @aisimpleru
🐍 Python - наиболее популярный язык программирования для машинного обучения.
Оптимизатор - это встроенный в компонент Python алгоритм, позволяющий достичь оптимального значения функции потерь обучаемой модели.
В качестве модели может выступать нейронная сеть, алгоритм машинного обучения или их сочетание.
В процессе обучения мы стараемся минимизировать потери функции и обновлять параметры для повышения точности.
На графике выше наглядно представлено, как по-разному работают алгоритмы оптимизации Python. Все представленные оптимизаторы входят в пакет Numpy.
Источник: github.com
👉 @aisimpleru
👍1🔥1
90% контента будет создаваться при помощи ИИ к 2026 году
К 2026 году 90% контента в интернете будет создавать искусственный интеллект, гласит прогноз Международного центра обработки данных (IDCA).
После публичного релиза таких генеративных моделей, как ChatGPT-3, StableDiffusion или MidJourney, инфополе заполнили скандалы вокруг выдачи ИИ-контента за творение человека.
В 2026, наступит интересное время. Время фейков, подделанных дважды.
Однозначно будет неясно, сгенерировано видео или контент при помощи ИИ-модели, или подготовлено человеком. На сознательный обман человека, который хочет выдать фейковое творение за реальное, будет накладываться вероятность сбоя ИИ-модели, которая сама может допускать ошибки-галлюцинации.
Изображение к посту сгенерировано в Midjourney.
Источник: idc-a.org
👉 @aisimpleru
К 2026 году 90% контента в интернете будет создавать искусственный интеллект, гласит прогноз Международного центра обработки данных (IDCA).
После публичного релиза таких генеративных моделей, как ChatGPT-3, StableDiffusion или MidJourney, инфополе заполнили скандалы вокруг выдачи ИИ-контента за творение человека.
В 2026, наступит интересное время. Время фейков, подделанных дважды.
Однозначно будет неясно, сгенерировано видео или контент при помощи ИИ-модели, или подготовлено человеком. На сознательный обман человека, который хочет выдать фейковое творение за реальное, будет накладываться вероятность сбоя ИИ-модели, которая сама может допускать ошибки-галлюцинации.
Изображение к посту сгенерировано в Midjourney.
Источник: idc-a.org
👉 @aisimpleru
👍3
По итогам 2023 года Россия - на 6 месте на GitHub, но в 2027 окажется на 9 месте
GitHub - это популярная платформа для коллективной разработки IT-проектов с возможностью контроля версий и просмотра кода чужих проектов.
В по данным GitHub сообщество российских разработчиков является 6 в мире по количеству пользователей.
В своих прогнозах на 5 лет вперед Github ориентируется на то, что Индия 🇮🇳 по числу разработчиков, зарегистрированных на GitHub, выйдет на 1 место 🚀, вытеснив США 🇺🇸 .
Бразилия 🇧🇷 поднимется на 3 место, потеснив Китай 🇨🇳 .
Россия 🇷🇺 и Германия 🇩🇪 опустятся, соответственно на 9 и 8 места, уступив позиции Индонезии 🇮🇩 и Японии 🇯🇵 .
Это мнение GitHub
👉 @aisimpleru
GitHub - это популярная платформа для коллективной разработки IT-проектов с возможностью контроля версий и просмотра кода чужих проектов.
В по данным GitHub сообщество российских разработчиков является 6 в мире по количеству пользователей.
В своих прогнозах на 5 лет вперед Github ориентируется на то, что Индия 🇮🇳 по числу разработчиков, зарегистрированных на GitHub, выйдет на 1 место 🚀, вытеснив США 🇺🇸 .
Бразилия 🇧🇷 поднимется на 3 место, потеснив Китай 🇨🇳 .
Россия 🇷🇺 и Германия 🇩🇪 опустятся, соответственно на 9 и 8 места, уступив позиции Индонезии 🇮🇩 и Японии 🇯🇵 .
Это мнение GitHub
👉 @aisimpleru
👍4
Задача ранжирования
Ранжирование - присвоение ранга классу объектов. Ранг изменяется от 1 до + бесконечности. В качестве объектов может выступать что угодно: люди, предметы, документы и т.д. В качестве простого критерия ранжирования - успеваемость для учеников, размер предмета, число страниц в книге. Здесь можно обойтись без сложных ИИ-моделей, сортируя объекты по убыванию значения критерия.
А если в качестве критерия взять релевантность поискового запроса? Это абстрактная величина, которая измеряется в том, насколько точно поисковая выдача соответствует требованиям запроса.
Так работают поисковые системы Yandex и Google. Каждую секунду поисковики выдают ТОП-10.
Основные алгоритмы:
1. Поточечный - построение регрессионной зависимости (ссылка) для каждой пары - запрос / документ
2. Попарный - создание бинарного классификатора, когда на вход поступают 2 документа, на выходе модель определяет лучший из них (см. RankNet, FRank, RankBoost, RankSVM, IR-SVM)
3. Списочный - на вход поступают все документы, на выходе - перестановка документов уже в проранжированном виде (см. SoftRank, SVMmap, AdaRank, RankGP, ListNet, ListMLE)
4. Нейросетевые алгоритмы. Так работает поиск Яндекса. Алгоритм был представлен в 2020 году. Нейронная сеть обучается приближать смысловую связь между запросом и документом на миллиардах обучающих примеров.
Источники:
- wiki
- Нейросетевой алгоритм Яндекса
👉 @aisimpleru
Ранжирование - присвоение ранга классу объектов. Ранг изменяется от 1 до + бесконечности. В качестве объектов может выступать что угодно: люди, предметы, документы и т.д. В качестве простого критерия ранжирования - успеваемость для учеников, размер предмета, число страниц в книге. Здесь можно обойтись без сложных ИИ-моделей, сортируя объекты по убыванию значения критерия.
А если в качестве критерия взять релевантность поискового запроса? Это абстрактная величина, которая измеряется в том, насколько точно поисковая выдача соответствует требованиям запроса.
Так работают поисковые системы Yandex и Google. Каждую секунду поисковики выдают ТОП-10.
Основные алгоритмы:
1. Поточечный - построение регрессионной зависимости (ссылка) для каждой пары - запрос / документ
2. Попарный - создание бинарного классификатора, когда на вход поступают 2 документа, на выходе модель определяет лучший из них (см. RankNet, FRank, RankBoost, RankSVM, IR-SVM)
3. Списочный - на вход поступают все документы, на выходе - перестановка документов уже в проранжированном виде (см. SoftRank, SVMmap, AdaRank, RankGP, ListNet, ListMLE)
4. Нейросетевые алгоритмы. Так работает поиск Яндекса. Алгоритм был представлен в 2020 году. Нейронная сеть обучается приближать смысловую связь между запросом и документом на миллиардах обучающих примеров.
Источники:
- wiki
- Нейросетевой алгоритм Яндекса
👉 @aisimpleru
👍3
Галлюцинации AI
Что-нибудь слышали о таком?
На изображениях к посту я привел свой вчерашний диалог с ChatGPT 3.5.
ИИ-модель запуталась в своих ответах про Юрия Лозу и его песни🤭
Современные модели ИИ могут искажать выходную информацию.
Галлюцинации ИИ — ситуация, когда модель не знает ответа на вопрос и выдает неверные результаты.
Галлюцинации опасны тем, что ИИ упрямо настаивает на своём. Если уличить модель во лжи, она продолжит доказывать свою правоту.
Чем могут быть вызваны галлюцинации ИИ?
1️⃣ Качество данных ИИ
2️⃣ Неверная обратная связь пользователей
3️⃣ Принцип работы ИИ-модели
4️⃣ Неточный или слишком сложный запрос
Как определить галлюцинации ИИ?
Пока что никто не придумал способа вычислять галлюцинации со 100% точностью. Самый надёжный вариант — проверять ответы модели через другие источники.
Модели ИИ будут совершенствоваться сводя к минимуму процент брака в выдаче ответов. Качество обучения будет улучшаться. Вскоре определить станет невозможно - модель ИИ случайно ошибается или намеренно искажает выдаваемые ответы. Совсем как человек 😎
👉 @aisimpleru
Что-нибудь слышали о таком?
На изображениях к посту я привел свой вчерашний диалог с ChatGPT 3.5.
ИИ-модель запуталась в своих ответах про Юрия Лозу и его песни🤭
Современные модели ИИ могут искажать выходную информацию.
Галлюцинации ИИ — ситуация, когда модель не знает ответа на вопрос и выдает неверные результаты.
Галлюцинации опасны тем, что ИИ упрямо настаивает на своём. Если уличить модель во лжи, она продолжит доказывать свою правоту.
Чем могут быть вызваны галлюцинации ИИ?
1️⃣ Качество данных ИИ
2️⃣ Неверная обратная связь пользователей
3️⃣ Принцип работы ИИ-модели
4️⃣ Неточный или слишком сложный запрос
Как определить галлюцинации ИИ?
Пока что никто не придумал способа вычислять галлюцинации со 100% точностью. Самый надёжный вариант — проверять ответы модели через другие источники.
Модели ИИ будут совершенствоваться сводя к минимуму процент брака в выдаче ответов. Качество обучения будет улучшаться. Вскоре определить станет невозможно - модель ИИ случайно ошибается или намеренно искажает выдаваемые ответы. Совсем как человек 😎
👉 @aisimpleru
👍5
Яндекс выпустил нейробраузер, стоит ли скачивать?
14 февраля 2024 компания «Яндекс» представила свой браузер со встроенным ИИ.
В список нововведений входят:
🔹 нейроредактирование - позволяет в один клик редактировать тексты, изменяя стиль, обобщая текст или исправляя ошибки.
🔹 генерация изображений при помощи YandexART - можно создавать собственные изображения по запросу «Нарисуй»,
🔹 пересказ и перевод видео - можно быстро получить информацию о видео, в т.ч. перевод на русский.
Стоит ли скачивать?
На наш взгляд, ИИ-функции еще сыроваты.
Посмотрите на изображение к посту, в особенности, на руки девушки. Такие картинки Midjourney генерировала 1,5 - 2 года назад.
Источник: https://browser.yandex.ru/c/index
👉 @aisimpleru
14 февраля 2024 компания «Яндекс» представила свой браузер со встроенным ИИ.
В список нововведений входят:
🔹 нейроредактирование - позволяет в один клик редактировать тексты, изменяя стиль, обобщая текст или исправляя ошибки.
🔹 генерация изображений при помощи YandexART - можно создавать собственные изображения по запросу «Нарисуй»,
🔹 пересказ и перевод видео - можно быстро получить информацию о видео, в т.ч. перевод на русский.
Стоит ли скачивать?
На наш взгляд, ИИ-функции еще сыроваты.
Посмотрите на изображение к посту, в особенности, на руки девушки. Такие картинки Midjourney генерировала 1,5 - 2 года назад.
Источник: https://browser.yandex.ru/c/index
👉 @aisimpleru
👍4
Посмотрите на эти видео. Замечаете что-то необычное?
Перед вами три детально проработанных видео, которые созданы искусственным интеллектом от OpenAI.
Sora - это новая модель, которая генерирует видео длиной до 1 минуты по текстовому запросу пользователя.
Креативные изображения в прошлом. Создавайте миры-вселенные в видеоформате. И это только начало.
Представьте, как в ближайшие годы изменится привычное нам мультимедийное пространство и вся наша жизнь!
По словам разработчиков, Sora - основа для моделей, которые могут понимать и моделировать реальный мир. Эта способность станет важной вехой на пути к созданию общего искусственного интеллекта (AGI).
С нетерпением ждем, когда эта модель станет доступна широкому кругу пользователей.
👉 @aisimpleru
Перед вами три детально проработанных видео, которые созданы искусственным интеллектом от OpenAI.
Sora - это новая модель, которая генерирует видео длиной до 1 минуты по текстовому запросу пользователя.
Креативные изображения в прошлом. Создавайте миры-вселенные в видеоформате. И это только начало.
Представьте, как в ближайшие годы изменится привычное нам мультимедийное пространство и вся наша жизнь!
По словам разработчиков, Sora - основа для моделей, которые могут понимать и моделировать реальный мир. Эта способность станет важной вехой на пути к созданию общего искусственного интеллекта (AGI).
С нетерпением ждем, когда эта модель станет доступна широкому кругу пользователей.
👉 @aisimpleru
👍5🔥1
Ученые из MIT разработали ИИ-модель, позволяющую определить какие препараты нельзя принимать вместе
Используя алгоритм машинного обучения, исследователи могут прогнозировать взаимодействия в организме человека, которые влияют на эффективность препарата.
Почти каждый препарат, который мы принимаем всасывается в кишечнике. За всасывание условно отвечают белки-переносчики. ИИ-модель позволяет определить такие белки, которые используются для различных лекарств.
В случае если для антибиотика и средства для разжижения крови используется один и тот же белок-переносчик, то такие препараты будут мешать друг другу при одновременном приеме внутрь.
ИИ-модель позволяет прогнозировать эффективность всасывания, тем самым повышая качество медикаментозного лечения, если одновременно назначено несколько препаратов.
Источник: nature.com
👉 @aisimpleru
Используя алгоритм машинного обучения, исследователи могут прогнозировать взаимодействия в организме человека, которые влияют на эффективность препарата.
Почти каждый препарат, который мы принимаем всасывается в кишечнике. За всасывание условно отвечают белки-переносчики. ИИ-модель позволяет определить такие белки, которые используются для различных лекарств.
В случае если для антибиотика и средства для разжижения крови используется один и тот же белок-переносчик, то такие препараты будут мешать друг другу при одновременном приеме внутрь.
ИИ-модель позволяет прогнозировать эффективность всасывания, тем самым повышая качество медикаментозного лечения, если одновременно назначено несколько препаратов.
Источник: nature.com
👉 @aisimpleru
👍6🔥1
Карьерный путь дата-саентиста или аналитика данных
Ранее мы уже писали, кто такие дата-саентисты или Data Scientists. Еще их иногда называют аналитиками данных.
Для тех, кто хочет развиваться в этом направлении, Яндекс.Практикум подготовил схему карьерного пути.
Не забудьте поделиться с друзьями.
Интересно, что все начинается с базовой аналитики. Затем специалист может развиваться в сфере Data Science или же уйти в продуктовую аналитику или маркетинг.
Все эти направления бок о бок пересекаются с ИИ и машинным обучением.
P.S. Это не реклама, просто рекомендация 😊
👉 @aisimpleru
Ранее мы уже писали, кто такие дата-саентисты или Data Scientists. Еще их иногда называют аналитиками данных.
Для тех, кто хочет развиваться в этом направлении, Яндекс.Практикум подготовил схему карьерного пути.
Не забудьте поделиться с друзьями.
Интересно, что все начинается с базовой аналитики. Затем специалист может развиваться в сфере Data Science или же уйти в продуктовую аналитику или маркетинг.
Все эти направления бок о бок пересекаются с ИИ и машинным обучением.
P.S. Это не реклама, просто рекомендация 😊
👉 @aisimpleru
👍4
Почему полноценный ИИ невозможен?
Ответ на этот вопрос - на картинке к посту.
Крупные СМИ во всем мире трубят о том, что скоро ИИ вытеснит человека из привычных сфер деятельности. Миром будут править роботы, а людям останется низкооплачиваемая работа или творчество. Так ли это на самом деле?
Почти все современные математические алгоритмы ИИ, моделируют функции работы коры головного мозга человека. Многослойные нейронные сети (Deep Learning), большие языковые модели (Large Language Models) и др.
Кора головного мозга или неокортекс отвечает за абстрактное мышление, обучение, адаптацию, речь, слух, зрительное восприятие.
Заметьте, что ни одна распиаренная модель ИИ не моделирует эмоции, регуляцию температуры или поведение. Безусловно, такие работы ведутся, и мы о них расскажем.
Сейчас на волне хайпа только генеративный ИИ - ChatGPT, Stable Diffusion, MidJourney и подобное.
Вы только вдумайтесь, какой пласт человеческих функций, присущих мозгу, текущие модели не описывают! Миллиардные бюджеты выделяются на создание моделирование работы некортекса.
Идея отбросить на второй план другие отделы мозга слишком примитивна. Без математического описания и дальнейшей разработки моделей эмоционального, поведенческого интеллекта, все научное направление может зайти не туда или лопнуть, как надутый пузырь.
По нашему мнению, без моделирования эмоций, инстинктов ИИ будет лишен способности называться интеллектом в полной мере. Согласны?
👉 @aisimpleru
Ответ на этот вопрос - на картинке к посту.
Крупные СМИ во всем мире трубят о том, что скоро ИИ вытеснит человека из привычных сфер деятельности. Миром будут править роботы, а людям останется низкооплачиваемая работа или творчество. Так ли это на самом деле?
Почти все современные математические алгоритмы ИИ, моделируют функции работы коры головного мозга человека. Многослойные нейронные сети (Deep Learning), большие языковые модели (Large Language Models) и др.
Кора головного мозга или неокортекс отвечает за абстрактное мышление, обучение, адаптацию, речь, слух, зрительное восприятие.
Заметьте, что ни одна распиаренная модель ИИ не моделирует эмоции, регуляцию температуры или поведение. Безусловно, такие работы ведутся, и мы о них расскажем.
Сейчас на волне хайпа только генеративный ИИ - ChatGPT, Stable Diffusion, MidJourney и подобное.
Вы только вдумайтесь, какой пласт человеческих функций, присущих мозгу, текущие модели не описывают! Миллиардные бюджеты выделяются на создание моделирование работы некортекса.
Идея отбросить на второй план другие отделы мозга слишком примитивна. Без математического описания и дальнейшей разработки моделей эмоционального, поведенческого интеллекта, все научное направление может зайти не туда или лопнуть, как надутый пузырь.
По нашему мнению, без моделирования эмоций, инстинктов ИИ будет лишен способности называться интеллектом в полной мере. Согласны?
👉 @aisimpleru
👍6❤2🔥1😱1
Число проектов в сфере генеративного ИИ выросло на 350% за 1 год
По данным GitHub количество проектов в области генеративного искусственного интеллекта (Generative AI) на одноименной платформе выросло с 2022 по 2023 с
до 60 000 штук. Рост составил почти 350%.
Это немыслимые цифры. В ближайшее время, мы увидим новую волну хайпа, связанную с ИИ-моделями, генерирующими видео, дипфейки, создающие любые виды контента по запросу пользователя.
Держим руку на пульсе.
👉 @aisimpleru
По данным GitHub количество проектов в области генеративного искусственного интеллекта (Generative AI) на одноименной платформе выросло с 2022 по 2023 с
до 60 000 штук. Рост составил почти 350%.
Это немыслимые цифры. В ближайшее время, мы увидим новую волну хайпа, связанную с ИИ-моделями, генерирующими видео, дипфейки, создающие любые виды контента по запросу пользователя.
Держим руку на пульсе.
👉 @aisimpleru
👍4