Хопфилд и Хинтон: нобелевские лауреаты, изменившие этот мир
Недавно Джон Хопфилд и Джеффри Хинтон получили нобелевскую премию по физике за вклад в развитие искусственного интеллекта. Но кто же эти люди и что именно они сделали? Об этом вышел интересный материал на нашем Дзен.
Эта история об ученых, изменивших мир технологий и науки, о людях, без которых современный искусственный интеллект был бы лишь плодом воображения писателей-фантастов.
Недавно Джон Хопфилд и Джеффри Хинтон получили нобелевскую премию по физике за вклад в развитие искусственного интеллекта. Но кто же эти люди и что именно они сделали? Об этом вышел интересный материал на нашем Дзен.
Эта история об ученых, изменивших мир технологий и науки, о людях, без которых современный искусственный интеллект был бы лишь плодом воображения писателей-фантастов.
Психологический портрет участников студенческих стройотрядов: мифы, факты и новые открытия
Компания «Социальный код» и Российские студенческие отряды Магнитогорска провели исследование на платформе cvcode с целью выявить лидеров среди всех участников молодежного движения.
Анализ результатов показал, что лидеры стройотрядов чаще проявляют себя как генераторы идей, аналитики и ответственные за реализацию проектов. А также демонстрируют лучшие результаты в задачах, требующих логического мышления, и склонны принимать более взвешенные решения.
✍️ Рядовые участники, в свою очередь, проявляют большую гибкость в сложных ситуациях, широкую осведомленность и готовность к инновациям.
Результаты исследования могут быть полезны для оптимизации отбора кандидатов, создания программ развития и поддержки участников отрядов, а также для более глубокого понимания того, какие факторы способствуют успеху в командной работе. Анализ cvcode также показал, что участие в стройотрядах может способствовать формированию навыков, необходимых для успешной профессиональной деятельности.
Партнерство с cvcode будет продолжено с целью укрепления позиций руководителей и развития лидерских качеств у нового поколения участников Российских стройотрядов Магнитогорска.
Компания «Социальный код» и Российские студенческие отряды Магнитогорска провели исследование на платформе cvcode с целью выявить лидеров среди всех участников молодежного движения.
Анализ результатов показал, что лидеры стройотрядов чаще проявляют себя как генераторы идей, аналитики и ответственные за реализацию проектов. А также демонстрируют лучшие результаты в задачах, требующих логического мышления, и склонны принимать более взвешенные решения.
✍️ Рядовые участники, в свою очередь, проявляют большую гибкость в сложных ситуациях, широкую осведомленность и готовность к инновациям.
Результаты исследования могут быть полезны для оптимизации отбора кандидатов, создания программ развития и поддержки участников отрядов, а также для более глубокого понимания того, какие факторы способствуют успеху в командной работе. Анализ cvcode также показал, что участие в стройотрядах может способствовать формированию навыков, необходимых для успешной профессиональной деятельности.
Партнерство с cvcode будет продолжено с целью укрепления позиций руководителей и развития лидерских качеств у нового поколения участников Российских стройотрядов Магнитогорска.
"IT погрузились в пути"
Недавно Артем Аментес дал комментарии для издания Коммерсант. В вышедшей статье рассматривается актуальная ситуация с цифровыми решениями на рынке логистики: как много компаний пользуются новыми технологиями, чем может быть полезна цифровизация и в чем сложность внедрения на Российском рынке.
Об опыте Артема, компании Деловые линии, СДЭК, Таксом и других экспертов можно почитать в статье на сайте Коммерсантъ
Недавно Артем Аментес дал комментарии для издания Коммерсант. В вышедшей статье рассматривается актуальная ситуация с цифровыми решениями на рынке логистики: как много компаний пользуются новыми технологиями, чем может быть полезна цифровизация и в чем сложность внедрения на Российском рынке.
Об опыте Артема, компании Деловые линии, СДЭК, Таксом и других экспертов можно почитать в статье на сайте Коммерсантъ
Целью разработки является исследование влияния экзоскелетов на выполнение функций рабочих профессий. Искусственный интеллект будет анализировать положение и нагрузку на тело человека во время труда.
Разработка экзоскелетов позволит сократить уровень производственного травматизма и увеличить производительность физического труда во время разгрузки, сварки, конвейерных работ и при работе в наклонном положении. Программное обеспечение с ИИ будет собирать и анализировать информацию непосредственно в момент использования оборудования, что позволит усовершенствовать конструкцию моделей, а также реализовать мониторинг рабочего процесса и физического состояния сотрудников.
Please open Telegram to view this post
VIEW IN TELEGRAM
Технические аспекты DeepSeek R1: как обучение с подкреплением и архитектура MoE изменили подход к созданию нейросетей
DeepSeek R1 — это инновационная языковая модель, разработанная китайскими специалистами, которая стала прорывом в области искусственного интеллекта (ИИ). Её ключевая особенность — использование обучения с подкреплением (Reinforcement Learning, RL) и архитектуры MoE (Mixture of Experts), что делает её не только эффективной, но и экономически выгодной. Благодаря публикации авторами научных материалов о разработке, мы можем узнать, как выстраивалась работа над нейросетью и какие технические решения были приняты. Мнение команды "Социального кода".
Обучение с подкреплением: основа успеха DeepSeek R1
Традиционно нейросети обучаются тремя способами:
🔘 Обучение с учителем — модель получает данные с правильными ответами.
🔘 Обучение без учителя — модель ищет закономерности в данных без явных указаний.
🔘 Обучение с подкреплением — модель учится, получая "награду" за правильные действия и "штраф" за ошибки.
DeepSeek R1 была обучена с использованием "чистого RL", что позволило модели самостоятельно выбирать решения и корректировать их на основе обратной связи. Этот подход особенно эффективен в задачах с детерминированной семантикой, таких как математика и программирование. Например, модель может решить уравнение и сразу же проверить, верен ли ответ, что делает RL идеальным инструментом для таких задач.
Архитектура MoE: экономия ресурсов и повышение эффективности
Одной из ключевых инноваций DeepSeek R1 является использование архитектуры MoE (Mixture of Experts). В отличие от традиционных моделей, где все параметры задействованы для каждой задачи, MoE активирует только те "эксперты" (подмодели), которые необходимы для конкретной задачи. Это позволяет:
🔘 Экономить вычислительные ресурсы
🔘 Увеличить скорость обработки данных
🔘 Снизить стоимость разработки и эксплуатации модели
Благодаря MoE, DeepSeek R1 была создана всего за два месяца с бюджетом менее $6 млн, что в разы меньше затрат конкурентов, таких как OpenAI и Meta* (запрещена в РФ).
Дистилляция моделей: компактность и доступность
Авторы статьи также рассматривали возможность дистилляции моделей — процесса, при котором большая модель "сжимается" до меньшего размера без значительной потери качества. Это позволяет использовать DeepSeek R1 на бытовых компьютерах, делая её доступной для широкого круга пользователей.
Преимущества и ограничения DeepSeek R1
Преимущества:
1. Высокая производительность в специализированных задачах. Модель отлично справляется с математическими задачами и написанием кода.
2. Экономичность. Благодаря MoE и RL, DeepSeek R1 требует меньше ресурсов для обучения и эксплуатации.
3. Открытый исходный код. Это стимулирует развитие сообщества разработчиков и создаёт конкуренцию для закрытых систем.
Ограничения:
1. Проблемы с восприятием естественного языка. Модель испытывает трудности с обработкой текстов, особенно в контексте смешения культур и языков.
2. Ограниченная универсальность. DeepSeek R1 лучше всего подходит для задач с чётко определёнными ответами, таких как математика, но менее эффективна в гуманитарных областях.
DeepSeek R1 — это пример того, как инновационные подходы к обучению и архитектуре нейросетей могут изменить рынок ИИ. Использование обучения с подкреплением и архитектуры MoE позволило создать модель, которая не только эффективна, но и экономически выгодна. Однако, как и любая технология, DeepSeek R1 имеет свои ограничения, которые предстоит преодолеть в будущем.
DeepSeek R1 — это инновационная языковая модель, разработанная китайскими специалистами, которая стала прорывом в области искусственного интеллекта (ИИ). Её ключевая особенность — использование обучения с подкреплением (Reinforcement Learning, RL) и архитектуры MoE (Mixture of Experts), что делает её не только эффективной, но и экономически выгодной. Благодаря публикации авторами научных материалов о разработке, мы можем узнать, как выстраивалась работа над нейросетью и какие технические решения были приняты. Мнение команды "Социального кода".
Обучение с подкреплением: основа успеха DeepSeek R1
Традиционно нейросети обучаются тремя способами:
DeepSeek R1 была обучена с использованием "чистого RL", что позволило модели самостоятельно выбирать решения и корректировать их на основе обратной связи. Этот подход особенно эффективен в задачах с детерминированной семантикой, таких как математика и программирование. Например, модель может решить уравнение и сразу же проверить, верен ли ответ, что делает RL идеальным инструментом для таких задач.
Архитектура MoE: экономия ресурсов и повышение эффективности
Одной из ключевых инноваций DeepSeek R1 является использование архитектуры MoE (Mixture of Experts). В отличие от традиционных моделей, где все параметры задействованы для каждой задачи, MoE активирует только те "эксперты" (подмодели), которые необходимы для конкретной задачи. Это позволяет:
Благодаря MoE, DeepSeek R1 была создана всего за два месяца с бюджетом менее $6 млн, что в разы меньше затрат конкурентов, таких как OpenAI и Meta* (запрещена в РФ).
Дистилляция моделей: компактность и доступность
Авторы статьи также рассматривали возможность дистилляции моделей — процесса, при котором большая модель "сжимается" до меньшего размера без значительной потери качества. Это позволяет использовать DeepSeek R1 на бытовых компьютерах, делая её доступной для широкого круга пользователей.
Преимущества и ограничения DeepSeek R1
Преимущества:
1. Высокая производительность в специализированных задачах. Модель отлично справляется с математическими задачами и написанием кода.
2. Экономичность. Благодаря MoE и RL, DeepSeek R1 требует меньше ресурсов для обучения и эксплуатации.
3. Открытый исходный код. Это стимулирует развитие сообщества разработчиков и создаёт конкуренцию для закрытых систем.
Ограничения:
1. Проблемы с восприятием естественного языка. Модель испытывает трудности с обработкой текстов, особенно в контексте смешения культур и языков.
2. Ограниченная универсальность. DeepSeek R1 лучше всего подходит для задач с чётко определёнными ответами, таких как математика, но менее эффективна в гуманитарных областях.
DeepSeek R1 — это пример того, как инновационные подходы к обучению и архитектуре нейросетей могут изменить рынок ИИ. Использование обучения с подкреплением и архитектуры MoE позволило создать модель, которая не только эффективна, но и экономически выгодна. Однако, как и любая технология, DeepSeek R1 имеет свои ограничения, которые предстоит преодолеть в будущем.
Please open Telegram to view this post
VIEW IN TELEGRAM
Собрали для вас самые интересные тезисы по итогам конференции!
Экономика:
Кредитование:
Тренды ИИ:
Конференцию посетило более 200 человек, также в ней поучаствовал основатель Социального кода Артем Аментес с докладом о трендах в технологическом предпринимательстве и будущем ИИ.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Открытая библиотека Aniemore попала в подборку для разработчиков искусственного интеллекта!
Недавно портал Ict moscow опубликовал большой список решений с открытым исходным кодом, способных помочь разработчикам при создании собственных ИИ-продуктов. В подборку попало 80 решений, большая часть из которых создана в Москве и лишь 6 базируется в регионах.
Библиотека Aniemore, разработанная Социальным кодом, стала единственным представителем в области распознавания эмоций в голосе. Она абсолютно бесплатна, доступна к загрузке на GitHub и готова к интеграции в продукт!
Недавно портал Ict moscow опубликовал большой список решений с открытым исходным кодом, способных помочь разработчикам при создании собственных ИИ-продуктов. В подборку попало 80 решений, большая часть из которых создана в Москве и лишь 6 базируется в регионах.
Библиотека Aniemore, разработанная Социальным кодом, стала единственным представителем в области распознавания эмоций в голосе. Она абсолютно бесплатна, доступна к загрузке на GitHub и готова к интеграции в продукт!
Цифровой профиль на Госуслугах: что ждет нас в будущем?
Государство активно развивает электронные профили граждан. "Социальный код" подготовил большой материал на тему плюсов и минусов создания цифрового профиля учащегося на "Госуслугах", о котором рассказал РБК. Проект CVCODE.RU может изменить подход к образованию, трудоустройству и социальной поддержке при партнерстве с государством.
На что стоит обратить внимание?
🌟 Персонализация вместо шаблонов
🌟 Выгода для государства
🌟 Риски и решения
🌟 Цифровой двойник к 2030 году
🌟 Этика прежде всего
➡️ Хотите глубже разобраться в теме?
Читайте полный материал о будущем электронных профилей и их влиянии на нашу жизнь.
Государство активно развивает электронные профили граждан. "Социальный код" подготовил большой материал на тему плюсов и минусов создания цифрового профиля учащегося на "Госуслугах", о котором рассказал РБК. Проект CVCODE.RU может изменить подход к образованию, трудоустройству и социальной поддержке при партнерстве с государством.
На что стоит обратить внимание?
Читайте полный материал о будущем электронных профилей и их влиянии на нашу жизнь.
Please open Telegram to view this post
VIEW IN TELEGRAM