Forwarded from Shock Design
This media is not supported in your browser
VIEW IN TELEGRAM
Forwarded from Дизайн-Телега 🔥
Flame illustrations
💾 Скачать и использовать
https://www.figma.com/communy/file/1109160393742131535
🔎 Посмотреть описание
https://www.figma.com/communy/file/1109160393742131535
#illustrations #figma
💾 Скачать и использовать
https://www.figma.com/communy/file/1109160393742131535
🔎 Посмотреть описание
https://www.figma.com/communy/file/1109160393742131535
#illustrations #figma
Forwarded from UI_UX inspiration
Forwarded from PSD | Дизайн-пространство
Media is too big
VIEW IN TELEGRAM
Forwarded from Daily Coding 🔥
🛠 T-scroll - мощная и простая в использовании библиотека прокрутки с полезными опциями и анимацией. Она поставляется с vanilla Sass и предлагает большое количество анимаций CSS3, таких как отскок, исчезновение, переворот, увеличение масштаба и многое другое. T-scroll совместим с большинством современных браузеров, включая IE 10+, Firefox, Chrome и Safari.
🌍 Сайт
Daily Coding #инструменты #CSS
🌍 Сайт
Daily Coding #инструменты #CSS
Forwarded from Dezzigners
This media is not supported in your browser
VIEW IN TELEGRAM
🧰 Color K — поможет создавать более светлые и темные оттенки определенного цвета, можете использовать его для создания цветовых шкал
Dezzigners
Dezzigners
Forwarded from Веб-стандарты (Vadim Makeev)
Date уходит, Temporal приходит. Мэт Маркиз объясняет, почему JavaScript Date ведёт себя непредсказуемо при парсинге и легко ломает логику из-за изменяемости объектов. Он показывает Temporal, Stage 3 предложение TC39, где есть типы «только дата», работа с часовыми поясами и операции
https://piccalil.li/blog/date-is-out-and-temporal-is-in/
add/subtract возвращают новые значения. Поддержка уже есть в свежих Chrome и Firefox. #js #temporalhttps://piccalil.li/blog/date-is-out-and-temporal-is-in/
Forwarded from Визуальные приёмы
Forwarded from Node.JS [ru] | Серверный JavaScript
Статья исследует концепцию потоков в Node.js, объясняя их ключевую роль в модулях, таких как fs и http. Рассматриваются основные концепции и ментальная модель, помогающая понять и эффективно использовать потоки.
Читать...
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Цифровой геноцид
Цифровой геноцид ревью. What is Human-Centered about Human-Centered AI? A Map of the Research Landscape
Что именно является человеко-ориентированным в человеко-ориентированном ИИ? Карта исследовательского ландшафта https://dl.acm.org/doi/pdf/10.1145/3544548.3580959
Применение искусственного интеллекта (ИИ) в самых разных областях сопровождается как высокими ожиданиями от его преимуществ, так и мрачными прогнозами о возможном злоупотреблении. Как определяется и какие виды работ идут в человекоориентированном ИИ? обзор вносит вклад в виде обзора и карты исследований HCAI, основанной на работах, которые явно используют термины «human-centered artificial intelligence» или «human-centered machine learning» (или их вариации), а также предлагает будущие вызовы и направления исследований.
Карта показывает широту исследований в области HCAI, устоявшиеся кластеры и возникающие области взаимодействия с ИИ и этичного ИИ.
Опасения вызваны непрозрачностью используемых моделей, встроенными предубеждениями (особенно против меньшинств) из-за исторических данных и алгоритмических решений, проблемами конфиденциальности, машинами, вышедшими из-под контроля, вызовами в области прав человека и иллюзиями смысла, которые могут быть созданы. Термин human-centered AI (человеко-ориентированный ИИ) всё чаще используется, выражая ощущение, что ИИ должен служить людям и отвечать на растущие опасения по поводу потенциала ИИ эксплуатировать и вводить в заблуждение. Но «человеко-ориентированный ИИ» означает очень разные вещи для разных людей. Человек может быть субъектом алгоритмического изучения ИИ, пользователем продуктов ИИ, участником в проектировании самой системы ИИ и т.д. Или же HCAI может использоваться как aspirational (вдохновляющий, желаемый) термин — подобно «устойчивой добыче» в добывающей отрасли или «доверенному автономному управлению», — при этом ведутся значительные споры о том, как и возможно ли это достичь.
Ранние техники ИИ, применявшиеся в 1980-х годах, опирались на знание-ориентированный подход, при котором компьютеры могли автоматически рассуждать на основе утверждений знаний и правил логического вывода, закодированных в формальных языках. Однако эта парадигма была ограничена трудностями детального эксплицитного описания знаний, особенно неявных (tacit knowledge) .
Учёные в области HCI утверждали, что это происходит потому, что человеческое мышление воплощено (embodied), situated (ситуационно обусловлено), протекает в социальном контексте и включает действия — часто импровизационные — в реальном мире, сложность которых формальные модели не способны воспроизвести. Более того, сам контекст редко поддаётся чёткому выделению, он нестабилен и неотделим от деятельности, поэтому его трудно определить как форму информации, которую можно закодировать (доминирующая позитивистская точка зрения).
Альтернативная феноменологическая точка зрения, преобладающая в исследованиях HCI, состоит в том, что контекст возникает из деятельности, является реляционным свойством, связывающим объекты и действия, а набор релевантных контекстных признаков определяется динамически .
Эта последняя точка зрения отражает сдвиг в исследованиях HCI к более situated (ситуационно-ориентированной) парадигме, которая задаётся вопросом: как проектировать машины в качестве эффективных ресурсов для ситуационного действия человека, вместо того чтобы пытаться автоматизировать человеческое мышление. Однако новые техники машинного обучения (ML) произвели революцию в ИИ.
Что именно является человеко-ориентированным в человеко-ориентированном ИИ? Карта исследовательского ландшафта https://dl.acm.org/doi/pdf/10.1145/3544548.3580959
Применение искусственного интеллекта (ИИ) в самых разных областях сопровождается как высокими ожиданиями от его преимуществ, так и мрачными прогнозами о возможном злоупотреблении. Как определяется и какие виды работ идут в человекоориентированном ИИ? обзор вносит вклад в виде обзора и карты исследований HCAI, основанной на работах, которые явно используют термины «human-centered artificial intelligence» или «human-centered machine learning» (или их вариации), а также предлагает будущие вызовы и направления исследований.
Карта показывает широту исследований в области HCAI, устоявшиеся кластеры и возникающие области взаимодействия с ИИ и этичного ИИ.
Опасения вызваны непрозрачностью используемых моделей, встроенными предубеждениями (особенно против меньшинств) из-за исторических данных и алгоритмических решений, проблемами конфиденциальности, машинами, вышедшими из-под контроля, вызовами в области прав человека и иллюзиями смысла, которые могут быть созданы. Термин human-centered AI (человеко-ориентированный ИИ) всё чаще используется, выражая ощущение, что ИИ должен служить людям и отвечать на растущие опасения по поводу потенциала ИИ эксплуатировать и вводить в заблуждение. Но «человеко-ориентированный ИИ» означает очень разные вещи для разных людей. Человек может быть субъектом алгоритмического изучения ИИ, пользователем продуктов ИИ, участником в проектировании самой системы ИИ и т.д. Или же HCAI может использоваться как aspirational (вдохновляющий, желаемый) термин — подобно «устойчивой добыче» в добывающей отрасли или «доверенному автономному управлению», — при этом ведутся значительные споры о том, как и возможно ли это достичь.
Ранние техники ИИ, применявшиеся в 1980-х годах, опирались на знание-ориентированный подход, при котором компьютеры могли автоматически рассуждать на основе утверждений знаний и правил логического вывода, закодированных в формальных языках. Однако эта парадигма была ограничена трудностями детального эксплицитного описания знаний, особенно неявных (tacit knowledge) .
Учёные в области HCI утверждали, что это происходит потому, что человеческое мышление воплощено (embodied), situated (ситуационно обусловлено), протекает в социальном контексте и включает действия — часто импровизационные — в реальном мире, сложность которых формальные модели не способны воспроизвести. Более того, сам контекст редко поддаётся чёткому выделению, он нестабилен и неотделим от деятельности, поэтому его трудно определить как форму информации, которую можно закодировать (доминирующая позитивистская точка зрения).
Альтернативная феноменологическая точка зрения, преобладающая в исследованиях HCI, состоит в том, что контекст возникает из деятельности, является реляционным свойством, связывающим объекты и действия, а набор релевантных контекстных признаков определяется динамически .
Эта последняя точка зрения отражает сдвиг в исследованиях HCI к более situated (ситуационно-ориентированной) парадигме, которая задаётся вопросом: как проектировать машины в качестве эффективных ресурсов для ситуационного действия человека, вместо того чтобы пытаться автоматизировать человеческое мышление. Однако новые техники машинного обучения (ML) произвели революцию в ИИ.
Forwarded from Цифровой геноцид
Машинное обучение, рост вычислительной мощности и доступности данных, а также люди в контуре (humans-in-the-loop)
Вместо кодирования и программирования знаний в компьютеры машинное обучение «стремится автоматически извлекать значимые взаимосвязи и закономерности из примеров и наблюдений» [140], тем самым автоматизируя задачу построения аналитических моделей с помощью методов статистического вывода
С точки зрения вовлечённости человека:
В обучении с учителем (supervised learning) требуется человеческий труд для разметки наборов данных, чтобы обучить алгоритмы делать правильные предсказания.
В формах human-in-the-loop и интерактивного машинного обучения [97] люди могут участвовать в классификации, обучении, тестировании, настройке/корректировке и валидации алгоритмов машинного обучения.
«Контекстуализированный человек»
Работая с огромными объёмами данных, собранных из реального мира, видео и социальных контекстов (таких как социальные сети), машинное обучение и глубокое обучение имеют доступ к гораздо более богатым контекстам, чем ранние формы символического ИИ, а также к вычислительной мощности и статистическим методам для извлечения из них смысла. Благодаря цифровой фиксации аспектов контекста в массивных и богатых наборах данных человеческое мышление, взаимодействие и язык могут быть имитированы и смоделированы.
Как отмечает Blackwell, это «сводит контекстуализированного человека к машиноподобному источнику данных о взаимодействии. Вместо когниции, которая не situated (не ситуационно обусловлена), наша новая забота должна быть о взаимодействии, которое не является humane (гуманным)». Blackwell [39] отстаивает необходимость «гуманного взаимодействия», выделяя проблемы, связанные с авторством, справедливым признанием вклада, вознаграждением, самоопределением и контролем.
Несмотря на всю свою богатство, контекст, извлечённый из данных сенсоров, видео, социальных сетей и т.д., всё равно остаётся крайне избирательным, редуцированным и отличным от социального и воплощённого (embodied) восприятия людей в реальном мире
В результате некоторой дискуссии в которой участвовал и международно признанный эксперт типа Шнейдермана возник устойчивый термин HCAI, как фокусирующийся на «усилении, дополнении и улучшении человеческой производительности способами, которые делают системы надёжными, безопасными и заслуживающими доверия»
Человеко-ориентированный искусственный интеллект - использует данные для того, чтобы расширять возможности и поддерживать своих человеческих пользователей, одновременно раскрывая лежащие в его основе ценности, предубеждения, ограничения и этику сбора данных и алгоритмов, чтобы способствовать этичному, интерактивному и оспариваемому (contestable) использованию.
Итак, как выглядит разбивка по темам исследованиям? Это дало в общей сложности 2357 начальных результатов, которые отбирали рецензенты
В результате были выделены четыре темы:
Этичный ИИ (Ethical AI);
Человеческое взаимодействие с ИИ (Human Teaming with AI);
Объяснимый и интерпретируемый ИИ (Explainable and Interpretable AI);
Человеко-ориентированный подход к проектированию и оценке ИИ (Human-Centered Approach to Designing and Evaluating AI).
Объяснимый и интерпретируемый ИИ
Область объяснимого и интерпретируемого ИИ включает широкий спектр инструментов, методов и фреймворков, которые помогают человеку понять решения или предсказания, сделанные ИИ. Эта исследовательская область возникла в ответ на «чёрный ящик» моделей ИИ, из-за которого неясно, как и почему ИИ пришёл к тому или иному решению или предсказанию — иногда даже для самого создателя системы.
Вместо кодирования и программирования знаний в компьютеры машинное обучение «стремится автоматически извлекать значимые взаимосвязи и закономерности из примеров и наблюдений» [140], тем самым автоматизируя задачу построения аналитических моделей с помощью методов статистического вывода
С точки зрения вовлечённости человека:
В обучении с учителем (supervised learning) требуется человеческий труд для разметки наборов данных, чтобы обучить алгоритмы делать правильные предсказания.
В формах human-in-the-loop и интерактивного машинного обучения [97] люди могут участвовать в классификации, обучении, тестировании, настройке/корректировке и валидации алгоритмов машинного обучения.
«Контекстуализированный человек»
Работая с огромными объёмами данных, собранных из реального мира, видео и социальных контекстов (таких как социальные сети), машинное обучение и глубокое обучение имеют доступ к гораздо более богатым контекстам, чем ранние формы символического ИИ, а также к вычислительной мощности и статистическим методам для извлечения из них смысла. Благодаря цифровой фиксации аспектов контекста в массивных и богатых наборах данных человеческое мышление, взаимодействие и язык могут быть имитированы и смоделированы.
Как отмечает Blackwell, это «сводит контекстуализированного человека к машиноподобному источнику данных о взаимодействии. Вместо когниции, которая не situated (не ситуационно обусловлена), наша новая забота должна быть о взаимодействии, которое не является humane (гуманным)». Blackwell [39] отстаивает необходимость «гуманного взаимодействия», выделяя проблемы, связанные с авторством, справедливым признанием вклада, вознаграждением, самоопределением и контролем.
Несмотря на всю свою богатство, контекст, извлечённый из данных сенсоров, видео, социальных сетей и т.д., всё равно остаётся крайне избирательным, редуцированным и отличным от социального и воплощённого (embodied) восприятия людей в реальном мире
В результате некоторой дискуссии в которой участвовал и международно признанный эксперт типа Шнейдермана возник устойчивый термин HCAI, как фокусирующийся на «усилении, дополнении и улучшении человеческой производительности способами, которые делают системы надёжными, безопасными и заслуживающими доверия»
Человеко-ориентированный искусственный интеллект - использует данные для того, чтобы расширять возможности и поддерживать своих человеческих пользователей, одновременно раскрывая лежащие в его основе ценности, предубеждения, ограничения и этику сбора данных и алгоритмов, чтобы способствовать этичному, интерактивному и оспариваемому (contestable) использованию.
Итак, как выглядит разбивка по темам исследованиям? Это дало в общей сложности 2357 начальных результатов, которые отбирали рецензенты
В результате были выделены четыре темы:
Этичный ИИ (Ethical AI);
Человеческое взаимодействие с ИИ (Human Teaming with AI);
Объяснимый и интерпретируемый ИИ (Explainable and Interpretable AI);
Человеко-ориентированный подход к проектированию и оценке ИИ (Human-Centered Approach to Designing and Evaluating AI).
Объяснимый и интерпретируемый ИИ
Область объяснимого и интерпретируемого ИИ включает широкий спектр инструментов, методов и фреймворков, которые помогают человеку понять решения или предсказания, сделанные ИИ. Эта исследовательская область возникла в ответ на «чёрный ящик» моделей ИИ, из-за которого неясно, как и почему ИИ пришёл к тому или иному решению или предсказанию — иногда даже для самого создателя системы.
Forwarded from Цифровой геноцид
Объяснимость используется как для понимания поведения модели, так и для улучшения её производительности.
Хотя объяснимость и интерпретируемость широко признаны важными, не существует единого определения того, что значит для ИИ быть объяснимым или интерпретируемым. Существует множество способов интерпретации модели, и объяснения должны адаптироваться в зависимости от контекста и аудитории — например, для дата-сайентистов или экспертов предметной области.
к возможности людей взаимодействовать с объяснениями и оспаривать их, задавая вопросы типа «А что, если?» (например, в контексте рекомендации выдачи ипотечного кредита [274]) или напрямую манипулируя базовыми ограничениями, учитываемыми системой [297].
Эта возникающая область известна как contestable AI (оспариваемый ИИ) !!!
то отражает общий сдвиг в сторону HCAI, где человеко-ориентированное взаимодействие с ИИ проистекает из способности человека интерпретировать решение или предсказание системы, а не только из способности системы объяснить своё решение или предсказание.
Человеко-ориентированный подход к проектированию и оценке ИИ
Человеко-ориентированный подход к проектированию и оценке ИИ предполагает использование методов и инструментов взаимодействия человека с компьютером (HCI) на этапах проектирования и оценки систем ИИ. Главная претензия состоит в том, что если в процессе проектирования и оценки применяется человеко-ориентированный процесс, то и создаваемый ИИ по своей сути оказывается человеко-ориентированным.
Человек и ИИ — это команда - всякие коллаборативные работы
Исследования, рассматривавшие человека и ИИ как команду, делали это преимущественно через призму коллаборации. Human-in-the-loop — это направление ИИ, направленное на использование как ИИ, так и человека при создании и постоянном применении моделей машинного обучения
Ну и про этичный ИИ тоже все понятно: цензура, ограничения, проблемы контроля
На диаграмме виден размер тем на текущий момент
Хотя объяснимость и интерпретируемость широко признаны важными, не существует единого определения того, что значит для ИИ быть объяснимым или интерпретируемым. Существует множество способов интерпретации модели, и объяснения должны адаптироваться в зависимости от контекста и аудитории — например, для дата-сайентистов или экспертов предметной области.
к возможности людей взаимодействовать с объяснениями и оспаривать их, задавая вопросы типа «А что, если?» (например, в контексте рекомендации выдачи ипотечного кредита [274]) или напрямую манипулируя базовыми ограничениями, учитываемыми системой [297].
Эта возникающая область известна как contestable AI (оспариваемый ИИ) !!!
то отражает общий сдвиг в сторону HCAI, где человеко-ориентированное взаимодействие с ИИ проистекает из способности человека интерпретировать решение или предсказание системы, а не только из способности системы объяснить своё решение или предсказание.
Человеко-ориентированный подход к проектированию и оценке ИИ
Человеко-ориентированный подход к проектированию и оценке ИИ предполагает использование методов и инструментов взаимодействия человека с компьютером (HCI) на этапах проектирования и оценки систем ИИ. Главная претензия состоит в том, что если в процессе проектирования и оценки применяется человеко-ориентированный процесс, то и создаваемый ИИ по своей сути оказывается человеко-ориентированным.
Человек и ИИ — это команда - всякие коллаборативные работы
Исследования, рассматривавшие человека и ИИ как команду, делали это преимущественно через призму коллаборации. Human-in-the-loop — это направление ИИ, направленное на использование как ИИ, так и человека при создании и постоянном применении моделей машинного обучения
Ну и про этичный ИИ тоже все понятно: цензура, ограничения, проблемы контроля
На диаграмме виден размер тем на текущий момент
Forwarded from Дизайн-Телега 🔥
Дизайн-дайджест CSS Design Awards. Сайт месяца. Декабрь '25
Узнайте, кто победил в премии CSSDesign Awards "Сайт Месяца в Декабре'25" и заслужил главный приз на Новый Год. Читайте полный обзор в нашем дизайн-дайджесте!
Читать на дизайнерс | #дайджест
Узнайте, кто победил в премии CSSDesign Awards "Сайт Месяца в Декабре'25" и заслужил главный приз на Новый Год. Читайте полный обзор в нашем дизайн-дайджесте!
Читать на дизайнерс | #дайджест