Как хорошо компьютеры могут читать беллетристику?
Современное понимание и анализ литературы - это не только вопросы искусства, то и математики. Сегодня учёные активно используют компьютеры и машинное обучение для того, чтобы анализировать беллетристику и находить закономерности, которые практически невозможно заметить обычному человеку, ведь машина может обрабатывать огромное количество материала за короткий промежуток времени. Новые данные исследований литературы с помощью вычислительных машин - в материале, который мы предлагаем вам сегодня.
"Около 85 процентов работ, которые изучили учёные, можно разделить на 6 групп. Некоторые из них были описаны красочными именами — такими как «Икар», в соответствии с эмоциональным типом повествования, который характеризуется взлётом, а затем падением; или «Из грязи в князи» — для тех, которые начинаются с негатива, а потом идут вверх. Некоторые из самых скачиваемых работ в «Проекте Гутенберга» подошли под модель «Золушка», которая характеризуется ростом, падением и новым ростом. Можно сделать выводы о том какой тип историй популярнее всего, или же о том, насколько мало истинное количество эмоциональных вариантов повествовательного развития в литературе".
https://theidealist.ru/computers-read/
#TheAtlantic #технологии #литература #МашинноеОбучение
Современное понимание и анализ литературы - это не только вопросы искусства, то и математики. Сегодня учёные активно используют компьютеры и машинное обучение для того, чтобы анализировать беллетристику и находить закономерности, которые практически невозможно заметить обычному человеку, ведь машина может обрабатывать огромное количество материала за короткий промежуток времени. Новые данные исследований литературы с помощью вычислительных машин - в материале, который мы предлагаем вам сегодня.
"Около 85 процентов работ, которые изучили учёные, можно разделить на 6 групп. Некоторые из них были описаны красочными именами — такими как «Икар», в соответствии с эмоциональным типом повествования, который характеризуется взлётом, а затем падением; или «Из грязи в князи» — для тех, которые начинаются с негатива, а потом идут вверх. Некоторые из самых скачиваемых работ в «Проекте Гутенберга» подошли под модель «Золушка», которая характеризуется ростом, падением и новым ростом. Можно сделать выводы о том какой тип историй популярнее всего, или же о том, насколько мало истинное количество эмоциональных вариантов повествовательного развития в литературе".
https://theidealist.ru/computers-read/
#TheAtlantic #технологии #литература #МашинноеОбучение
Entrepreneur: 2017 - год революции машинного обучения
Одним из самых ярких и заметных прорывов ушедшего от нас года стало активное развитие сферы машинного обучения. Казалось бы самообучающиеся механизмы проникают везде - от маркетинга и переводов текста до борьбы с троллингом и комплексного анализа классической литературы. Однако прошлый год был только началом настоящей революции машинного обучения, которая в 2017 году продолжит своё победное шествие. Известный предприниматель, основатель стартапа JotForm Айтекин Танк рассказывает о тех сферах, в которых machine learning может стать главным технотрендом ближайшего будущего
"Когда Брезос запустил Amazon в 1994 году, он не был специалистом по всему, что касалось интернета. Он бросил хорошо оплачиваемую работу на Уолл Стрит и поставил на интернет — он считал, что за ним будущее. Он был бизнесменом, а не техническим специалистом. Тем не менее он приложил большие усилия чтобы понять интернет и использовал свои бизнес-знания чтобы найти способы использовать эту новую сферу.
Таким же образом, вам не требуется быть экспертом в компьютерной науке чтобы создать стартап в машинном обучении. По факту лучше иметь опыт в другой сфере и затем решать проблемы вашей отрасли с его помощью. Скорее всего большие проблемы вашей сферы деятельности, которые могут получить максимальный профит от машинного обучения, вам хорошо известны."
https://theidealist.ru/airevolution/
#Enterpreneur #технологии #общество #бизнес #AI #МашинноеОбучение
Одним из самых ярких и заметных прорывов ушедшего от нас года стало активное развитие сферы машинного обучения. Казалось бы самообучающиеся механизмы проникают везде - от маркетинга и переводов текста до борьбы с троллингом и комплексного анализа классической литературы. Однако прошлый год был только началом настоящей революции машинного обучения, которая в 2017 году продолжит своё победное шествие. Известный предприниматель, основатель стартапа JotForm Айтекин Танк рассказывает о тех сферах, в которых machine learning может стать главным технотрендом ближайшего будущего
"Когда Брезос запустил Amazon в 1994 году, он не был специалистом по всему, что касалось интернета. Он бросил хорошо оплачиваемую работу на Уолл Стрит и поставил на интернет — он считал, что за ним будущее. Он был бизнесменом, а не техническим специалистом. Тем не менее он приложил большие усилия чтобы понять интернет и использовал свои бизнес-знания чтобы найти способы использовать эту новую сферу.
Таким же образом, вам не требуется быть экспертом в компьютерной науке чтобы создать стартап в машинном обучении. По факту лучше иметь опыт в другой сфере и затем решать проблемы вашей отрасли с его помощью. Скорее всего большие проблемы вашей сферы деятельности, которые могут получить максимальный профит от машинного обучения, вам хорошо известны."
https://theidealist.ru/airevolution/
#Enterpreneur #технологии #общество #бизнес #AI #МашинноеОбучение
Motherboard: Поддельное порно уже тут, спасибо искусственному интеллекту
Фотошоп изменил восприятие обществом фотографии: раньше, если вы видели снимок летающей тарелки, то скорее всего верили ему, теперь же люди относятся к снимкам гораздо более критически. Теперь настала очередь видео, и локомотивом прогресса послужило, как это часто бывает в современном мире, порно.
"В сети появилось видео, на котором актриса Галь Гадот занимается сексом со своим «сводным братом». Однако на самом деле в записи – не тело Гадот, и даже не совсем её лицо. Это мастерский монтаж. Видео было создано с помощью алгоритма машинного обучения, с использованием легко доступных материалов и открытого исходного код, который может использовать любой, у кого есть знания об алгоритмах глубокого обучения.
По словам автора видео deepfakes, программное обеспечение, которое он использовал, основано на нескольких библиотеках с открытым исходным кодом, таких как Keras с поддержкой TensorFlow. Чтобы скомпилировать лица знаменитостей deepfakes использовал поиск изображений Google, данные фотобанков и видео на YouTube. Глубокое обучение состоит из сетей взаимосвязанных узлов, которые автономно выполняют вычисления по входным данным. В этом случае, алгоритм обучался на порно видео и фотографиях Гадот. После изучения достаточного количества информации узлы настраиваются для выполнения конкретной задачи, например, убедительной манипуляции с видео «на лету»".
https://theidealist.ru/fakeporn/
#Motherboard #технологии #общество #ИИ #МашинноеОбучение #порно #видео #селебрити #ГальГадот
Фотошоп изменил восприятие обществом фотографии: раньше, если вы видели снимок летающей тарелки, то скорее всего верили ему, теперь же люди относятся к снимкам гораздо более критически. Теперь настала очередь видео, и локомотивом прогресса послужило, как это часто бывает в современном мире, порно.
"В сети появилось видео, на котором актриса Галь Гадот занимается сексом со своим «сводным братом». Однако на самом деле в записи – не тело Гадот, и даже не совсем её лицо. Это мастерский монтаж. Видео было создано с помощью алгоритма машинного обучения, с использованием легко доступных материалов и открытого исходного код, который может использовать любой, у кого есть знания об алгоритмах глубокого обучения.
По словам автора видео deepfakes, программное обеспечение, которое он использовал, основано на нескольких библиотеках с открытым исходным кодом, таких как Keras с поддержкой TensorFlow. Чтобы скомпилировать лица знаменитостей deepfakes использовал поиск изображений Google, данные фотобанков и видео на YouTube. Глубокое обучение состоит из сетей взаимосвязанных узлов, которые автономно выполняют вычисления по входным данным. В этом случае, алгоритм обучался на порно видео и фотографиях Гадот. После изучения достаточного количества информации узлы настраиваются для выполнения конкретной задачи, например, убедительной манипуляции с видео «на лету»".
https://theidealist.ru/fakeporn/
#Motherboard #технологии #общество #ИИ #МашинноеОбучение #порно #видео #селебрити #ГальГадот
Techcrunch: Новая ИИ-разработка Facebook по-настоящему откроет вам глаза
Возможно в самое ближайшее время из социальных сетей пропадут фотографии людей с закрытыми глазами. Всё благодаря новой разработке Facebook в области машинного обучения: программе наконец-то удалось успешно заметить закрытые глаза на фото открытыми, взятыми из другого снимка. Звучит, возможно, не очень воодушевляюще, зато прекрасно демонстрирует ощутимый прогресс техногигантов в целевой области.
"Главное достижение Facebook состоит в убедительной имплементации «образцовых» данных от целевого лица с открытыми глазами, из которого GAN узнает не только о том, какие глаза у человека, но какую форму имеют глаза этого конкретного человека, какой цвет и т. д. Результаты вполне реалистичны: рассогласования цветов или очевидной склейки незаметно. При тестировании люди ошибочно принимали обработанные фотографии за настоящие, или говорили, что сомневаются в своём выборе в более чем половине вариантов. И если я не знал, что фотография определенно обработана, то, вероятно, не заметил бы отличий в своей ленте новостей. "
https://theidealist.ru/blinkfree/
#Techcrunch #технологии #ИИ #машинноеобучение #facebook #фото
Возможно в самое ближайшее время из социальных сетей пропадут фотографии людей с закрытыми глазами. Всё благодаря новой разработке Facebook в области машинного обучения: программе наконец-то удалось успешно заметить закрытые глаза на фото открытыми, взятыми из другого снимка. Звучит, возможно, не очень воодушевляюще, зато прекрасно демонстрирует ощутимый прогресс техногигантов в целевой области.
"Главное достижение Facebook состоит в убедительной имплементации «образцовых» данных от целевого лица с открытыми глазами, из которого GAN узнает не только о том, какие глаза у человека, но какую форму имеют глаза этого конкретного человека, какой цвет и т. д. Результаты вполне реалистичны: рассогласования цветов или очевидной склейки незаметно. При тестировании люди ошибочно принимали обработанные фотографии за настоящие, или говорили, что сомневаются в своём выборе в более чем половине вариантов. И если я не знал, что фотография определенно обработана, то, вероятно, не заметил бы отличий в своей ленте новостей. "
https://theidealist.ru/blinkfree/
#Techcrunch #технологии #ИИ #машинноеобучение #facebook #фото
Harvard Business Review: 8 подходов, с помощью которых машинное обучение изменит сферу труда
Машинное обучение — это будущее бизнеса. Сегодня не стоит вопрос стоит ли его внедрять - менеджерам компаний надо задумываться о том, насколько быстро и эффективно это сделать. Специалисты Harvard Business Review проанализировали активно растущую сферу машинного обучения и предложили 8 самых перспективных подходов, внедрение которых может принести пользу уже сегодня
"Машинное обучение позволяет компаниям переосмыслить целые бизнес-процессы. Потенциал огромен. Именно поэтому поставщики программного обеспечения вкладывают значительные средства в добавление ИИ в свои существующие приложения и в создание сетевых решений".
https://theidealist.ru/machinelearning/
#HBR #технологии #общество #ИИ #машинноеобучение #бизнес
Машинное обучение — это будущее бизнеса. Сегодня не стоит вопрос стоит ли его внедрять - менеджерам компаний надо задумываться о том, насколько быстро и эффективно это сделать. Специалисты Harvard Business Review проанализировали активно растущую сферу машинного обучения и предложили 8 самых перспективных подходов, внедрение которых может принести пользу уже сегодня
"Машинное обучение позволяет компаниям переосмыслить целые бизнес-процессы. Потенциал огромен. Именно поэтому поставщики программного обеспечения вкладывают значительные средства в добавление ИИ в свои существующие приложения и в создание сетевых решений".
https://theidealist.ru/machinelearning/
#HBR #технологии #общество #ИИ #машинноеобучение #бизнес
Fastcompany: Искусственный интеллект не призван лишить вас работы, он поможет вам работать лучше
Роботы и компьютерные системы на основе нейронных сетей уже сейчас активно внедряются в экономику. Многие люди опасаются, что работодатель в конце концов предпочтёт человеческому сотруднику его механического коллегу, ведь он не спит, не ест и не ходит в отпуск. Однако по мнению ведущих специалистов в сфере труда причин для паники нет: ценность человека в будущем сохранится, а компьютерные системы призваны не заменить, но дополнить наши возможности, позволив нам стать эффективнее.
Кроме того, технологии, условно называемые Artifical Intelligence, требуют аккуратного и грамотного внедрения, только тогда они смогут принести бизнесу настоящую пользу.
"Согласно исследованиям PwC, к 2030 году ИИ принесёт глобальной экономике 15,7 трлн. долл. США, что будет обусловлено прежде всего ростом производительности и инновационными продуктами. В разных категориях технология уже демонстрирует потенциал. Компании с финансовыми услугами используют подобные технологии - от чатов, которые отвечают на основные вопросы клиентов на платформах с ИИ, до методов предотвращения мошенничества и отмывания денег. Приложения для управления персоналом (HR) помогают компаниям сортировать резюме, находить таланты и даже проводить предварительные собеседования. Робот может использоваться для предупреждений о техническом состоянии и предотвращения отказа оборудования и транспортных средств в автомобильных парках. Алгоритмы покупки могут помочь сортировать данные для принятия лучших коммерческих решений. В сфере здравоохранения перспективные приложения варьируются от роботизированной хирургии до автоматизации диагностики".
https://theidealist.ru/aifuturework/
#общество #технологии #компьютеры #ИИ #AI #экономика #МашинноеОбучение #работа #трудоустройство #hr #кадры #бизнес #будущее
Роботы и компьютерные системы на основе нейронных сетей уже сейчас активно внедряются в экономику. Многие люди опасаются, что работодатель в конце концов предпочтёт человеческому сотруднику его механического коллегу, ведь он не спит, не ест и не ходит в отпуск. Однако по мнению ведущих специалистов в сфере труда причин для паники нет: ценность человека в будущем сохранится, а компьютерные системы призваны не заменить, но дополнить наши возможности, позволив нам стать эффективнее.
Кроме того, технологии, условно называемые Artifical Intelligence, требуют аккуратного и грамотного внедрения, только тогда они смогут принести бизнесу настоящую пользу.
"Согласно исследованиям PwC, к 2030 году ИИ принесёт глобальной экономике 15,7 трлн. долл. США, что будет обусловлено прежде всего ростом производительности и инновационными продуктами. В разных категориях технология уже демонстрирует потенциал. Компании с финансовыми услугами используют подобные технологии - от чатов, которые отвечают на основные вопросы клиентов на платформах с ИИ, до методов предотвращения мошенничества и отмывания денег. Приложения для управления персоналом (HR) помогают компаниям сортировать резюме, находить таланты и даже проводить предварительные собеседования. Робот может использоваться для предупреждений о техническом состоянии и предотвращения отказа оборудования и транспортных средств в автомобильных парках. Алгоритмы покупки могут помочь сортировать данные для принятия лучших коммерческих решений. В сфере здравоохранения перспективные приложения варьируются от роботизированной хирургии до автоматизации диагностики".
https://theidealist.ru/aifuturework/
#общество #технологии #компьютеры #ИИ #AI #экономика #МашинноеОбучение #работа #трудоустройство #hr #кадры #бизнес #будущее
Nautilus: Почему человеческий мозг настолько эффективен?
Мы привыкли считать современные компьютерные системы выдающимися устройствами, во много раз превосходящими по эффективности человеческий мозг. И действительно, если речь идёт о математических вычислениях и обработке последовательной информации, то "железу" нет равных. Однако "венцу природы" тоже есть что противопоставить современному прогрессу: ни один современный компьютер, оказывается, не может параллельно обрабатывать столько информации, сколько мозг человека. Во всяком случае пока не может.
"Профессиональный теннисист может проследить траекторию теннисного мяча после его подачи со скоростью до 257 км. в час, перейти к оптимальному месту на корте, расположить свою руку и повернуть ракетку, чтобы отбить мяч на площадку соперника – и всё это всего за несколько сотен миллисекунд. Более того, мозг может выполнять все эти задачи (с помощью контролируемого им тела) с потреблением энергии примерно в десять раз меньше, чем у персонального компьютера. Как ему удаётся подобное? Важное различие между компьютером и мозгом заключается в способе обработки информации в каждой системе. Компьютерные задачи выполняются в основном последовательными шагами. Это видно по тому, как инженеры программируют компьютеры, создавая последовательный поток инструкций. Для последовательного каскада операций необходима высокая точность на каждом шаге, поскольку ошибки накапливаются и усиливаются с течением времени. Мозг также использует последовательные шаги для обработки информации. В примере с отбитым теннисным мячиком информация поступает из глаза в мозг, затем в спинной мозг, который обеспечивает сокращения мышц ног, туловища, рук и запястья. Но мозг также использует параллельную обработку, используя преимущества большого количества нейронов и соединений, которые устанавливает каждый нейрон".
https://theidealist.ru/brainvspc/
#Nautilus #наука #нейробиология #мозг #машинноеобучение #компьютеры
Мы привыкли считать современные компьютерные системы выдающимися устройствами, во много раз превосходящими по эффективности человеческий мозг. И действительно, если речь идёт о математических вычислениях и обработке последовательной информации, то "железу" нет равных. Однако "венцу природы" тоже есть что противопоставить современному прогрессу: ни один современный компьютер, оказывается, не может параллельно обрабатывать столько информации, сколько мозг человека. Во всяком случае пока не может.
"Профессиональный теннисист может проследить траекторию теннисного мяча после его подачи со скоростью до 257 км. в час, перейти к оптимальному месту на корте, расположить свою руку и повернуть ракетку, чтобы отбить мяч на площадку соперника – и всё это всего за несколько сотен миллисекунд. Более того, мозг может выполнять все эти задачи (с помощью контролируемого им тела) с потреблением энергии примерно в десять раз меньше, чем у персонального компьютера. Как ему удаётся подобное? Важное различие между компьютером и мозгом заключается в способе обработки информации в каждой системе. Компьютерные задачи выполняются в основном последовательными шагами. Это видно по тому, как инженеры программируют компьютеры, создавая последовательный поток инструкций. Для последовательного каскада операций необходима высокая точность на каждом шаге, поскольку ошибки накапливаются и усиливаются с течением времени. Мозг также использует последовательные шаги для обработки информации. В примере с отбитым теннисным мячиком информация поступает из глаза в мозг, затем в спинной мозг, который обеспечивает сокращения мышц ног, туловища, рук и запястья. Но мозг также использует параллельную обработку, используя преимущества большого количества нейронов и соединений, которые устанавливает каждый нейрон".
https://theidealist.ru/brainvspc/
#Nautilus #наука #нейробиология #мозг #машинноеобучение #компьютеры
The Atlantic: когда ваше лицо вам больше не принадлежит
Представьте себе ситуацию: зашли вы в кафе неподалёку от студенческого кампуса – выпить кофе с друзьями, обсудить научную работу с преподавателем. На неприметно висящую в углу камеру внимания не обратили. Но бесстрастный объектив не просто зафиксировал ваше лицо. Он добавил его к массиву данных, который будет использован для систем машинного обучения по распознаванию лиц. И очень скоро эти данные, пусть анонимные и обезличенные, будут доступны в сети кому угодно.
«Когда в кофейне собирается 20 человек, то в помещении есть по крайней мере 21 камера: по одной в телефонах и минимум одна в углу помещения. Ваш разговор могут записать и выложить в твиттер, а ваше лицо – «засветиться» на фоне селфи другого клиента или сеанса Skype. Но это не мешает даже беспокоящимся о приватности людям посещать кофейни. Они принимают на себя соответствующие риски. Это понятие - «разумного» ожидания конфиденциальности – помогает исследователям, которые изучают публичные объекты. Но сама идея того, что в этом случае разумно, достаточно сложна. Преподаватели в трех университетах - Дьюка, Стэнфорде и Университете Колорадо в Колорадо-Спрингс - столкнулись с негативной реакцией после формирования баз данных лиц студентов, посещающих кафе в студенческих городках. Когда вы приходите в подобное заведение, разумно ожидать, что вас увидит камера, однако навряд ли вы готовы к тому, что станете предметом исследования, частью набора данных, который может жить в сети вечно».
https://theidealist.ru/stolenface/
#TheAtlantic #технологии #общество #машинноеобучение #камеры #слежка #персональныеданные #приватность
Представьте себе ситуацию: зашли вы в кафе неподалёку от студенческого кампуса – выпить кофе с друзьями, обсудить научную работу с преподавателем. На неприметно висящую в углу камеру внимания не обратили. Но бесстрастный объектив не просто зафиксировал ваше лицо. Он добавил его к массиву данных, который будет использован для систем машинного обучения по распознаванию лиц. И очень скоро эти данные, пусть анонимные и обезличенные, будут доступны в сети кому угодно.
«Когда в кофейне собирается 20 человек, то в помещении есть по крайней мере 21 камера: по одной в телефонах и минимум одна в углу помещения. Ваш разговор могут записать и выложить в твиттер, а ваше лицо – «засветиться» на фоне селфи другого клиента или сеанса Skype. Но это не мешает даже беспокоящимся о приватности людям посещать кофейни. Они принимают на себя соответствующие риски. Это понятие - «разумного» ожидания конфиденциальности – помогает исследователям, которые изучают публичные объекты. Но сама идея того, что в этом случае разумно, достаточно сложна. Преподаватели в трех университетах - Дьюка, Стэнфорде и Университете Колорадо в Колорадо-Спрингс - столкнулись с негативной реакцией после формирования баз данных лиц студентов, посещающих кафе в студенческих городках. Когда вы приходите в подобное заведение, разумно ожидать, что вас увидит камера, однако навряд ли вы готовы к тому, что станете предметом исследования, частью набора данных, который может жить в сети вечно».
https://theidealist.ru/stolenface/
#TheAtlantic #технологии #общество #машинноеобучение #камеры #слежка #персональныеданные #приватность
Harvard Business Review: какие профессиональные навыки будут актуальны в эпоху массовой автоматизации?
Совсем скоро машины захватят все наши рабочие места, оттеснив человека не только из промышленного производства, но и из сферы услуг – так во всяком случае принято считать в среде футурологов и техновизионеров. Но так ли уж безраздельно совершенны детища кремния и пластмасс? Оказывается, есть области, где человек всё же может дать им нехилую фору. Например, в пабе вы охотнее перекинетесь парой слов с живым барменом, который благодаря своему уникальному пониманию контекста и эмоций мгновенно подберёт для вас правильный напиток. Или программу лечения вы скорее обсудите с живым доктором. Понимание контекста и эмпатия – главные козыри человеческого работника будущего, которыми он побьёт любого «железного» оппонента. Во всяком случае в среднесрочной перспективе.
«Люди могут легко принимать во внимание контекст при принятии решений или взаимодействии с другими людьми. Контекст особенно интересен, потому что он открыт: например, каждый раз, когда появляется новость, она меняет контекст (в большей или меньшей степени), в котором мы работаем. Кроме того, изменения в контексте могут изменить не только то, как факторы взаимодействуют друг с другом, но и изменить конфигурацию факторов на основных направлениях. Это проблема для машинного обучения, которое работает с наборами данных, которые по определению были собраны ранее, в другом контексте».
https://theidealist.ru/automation/
#HBR #общество #технологии #автоматизация #эмоции #компьютеры #машинноеобучение #рыноктруда
Совсем скоро машины захватят все наши рабочие места, оттеснив человека не только из промышленного производства, но и из сферы услуг – так во всяком случае принято считать в среде футурологов и техновизионеров. Но так ли уж безраздельно совершенны детища кремния и пластмасс? Оказывается, есть области, где человек всё же может дать им нехилую фору. Например, в пабе вы охотнее перекинетесь парой слов с живым барменом, который благодаря своему уникальному пониманию контекста и эмоций мгновенно подберёт для вас правильный напиток. Или программу лечения вы скорее обсудите с живым доктором. Понимание контекста и эмпатия – главные козыри человеческого работника будущего, которыми он побьёт любого «железного» оппонента. Во всяком случае в среднесрочной перспективе.
«Люди могут легко принимать во внимание контекст при принятии решений или взаимодействии с другими людьми. Контекст особенно интересен, потому что он открыт: например, каждый раз, когда появляется новость, она меняет контекст (в большей или меньшей степени), в котором мы работаем. Кроме того, изменения в контексте могут изменить не только то, как факторы взаимодействуют друг с другом, но и изменить конфигурацию факторов на основных направлениях. Это проблема для машинного обучения, которое работает с наборами данных, которые по определению были собраны ранее, в другом контексте».
https://theidealist.ru/automation/
#HBR #общество #технологии #автоматизация #эмоции #компьютеры #машинноеобучение #рыноктруда
Nautilus: почему человеческий мозг столь эффективен?
Мы живём в эпоху экспансии компьютеров, превосходящих человека, казалось бы, почти во всём: от игры в Го и шахматы до суперсложных вычислений, которые машина может производить с высокой точностью за доли секунд. Но говорить о том, что всех нас в ближайшее время заменят роботы рано. Человеческому мозгу есть что противопоставить компьютеру, одно из его уникальных свойств: это параллельная обработка разных потоков информации, значительно превосходящая по возможностям любые технологии - во всяком случае пока.
«Компьютерам в последние годы удалось победить людей-мастеров в сложных играх, таких как шахматы в 1990-х и совсем недавно в Го, а также в соревнованиях по энциклопедическим знаниям. На момент написания статьи, однако, люди одерживают победу над компьютерами в многочисленных реальных задачах — от идентификации велосипеда или конкретного пешехода на людной городской улице до плавной доставки чашки горячего кофе к губам — не говоря уже о концептуализации и творчестве».
https://theidealist.ru/superbrain/
#Nautilus #наука #мозг #компьютер #МашинноеОбучение
Мы живём в эпоху экспансии компьютеров, превосходящих человека, казалось бы, почти во всём: от игры в Го и шахматы до суперсложных вычислений, которые машина может производить с высокой точностью за доли секунд. Но говорить о том, что всех нас в ближайшее время заменят роботы рано. Человеческому мозгу есть что противопоставить компьютеру, одно из его уникальных свойств: это параллельная обработка разных потоков информации, значительно превосходящая по возможностям любые технологии - во всяком случае пока.
«Компьютерам в последние годы удалось победить людей-мастеров в сложных играх, таких как шахматы в 1990-х и совсем недавно в Го, а также в соревнованиях по энциклопедическим знаниям. На момент написания статьи, однако, люди одерживают победу над компьютерами в многочисленных реальных задачах — от идентификации велосипеда или конкретного пешехода на людной городской улице до плавной доставки чашки горячего кофе к губам — не говоря уже о концептуализации и творчестве».
https://theidealist.ru/superbrain/
#Nautilus #наука #мозг #компьютер #МашинноеОбучение
Aeon: у технологии распознавания лиц и френологии много общего
Распознавание лиц по праву можно считать уже технологией не будущего, но настоящего. В ближайшие 10 лет она будет буквально везде. Но наряду с очевидными плюсами за спиной этого эффективного инструмента скрывается зловещая тень лженаук прошлого: френологии и евгеники. Некоторые критики вообще ставят знак равенства по разрушительным последствиям между бесконтрольным распространением распознавания лиц и оборотом плутония. Конечно, камера на подъезде не убьёт вас радиацией, однако вы всё равно неиллюзорно рискуете вследствие ошибки машины оказаться, например, в списке потенциальных преступников. И дело не только в ошибках: сам подход мало того, что технологически несовершенен и научно не обоснован, так ещё и весьма неоднозначен с моральной точки зрения.
"В последние годы алгоритмы машинного обучения дают возможность правительствам и частным компаниям собирать все виды информации о внешнем виде людей. Несколько стартапов сегодня утверждают, что могут использовать искусственный интеллект (ИИ) для помощи в определении личностных качеств кандидатов на работу на основе их лиц. В Китае правительство первым использовало камеры наблюдения для выявления и отслеживания передвижений этнических меньшинств. Между тем некоторые школы используют камеры, которые отслеживают внимание детей во время уроков, засекая особенности движения лица и бровей. А несколько лет назад исследователи Сяолинь Ву и Си Чжан заявили, что разработали алгоритм идентификации преступников по форме лица, обеспечивающий точность 89,5%. Весьма напоминает идеи 19 века, в частности, работы итальянского криминолога Чезаре Ломброзо, который утверждал, что преступников можно распознать по скошенным, «звериным» лбам и ястребиным носам".
https://theidealist.ru/phrenology/
#Aeon #общество #технологии #ИИ #МашинноеОбучение #френология
Распознавание лиц по праву можно считать уже технологией не будущего, но настоящего. В ближайшие 10 лет она будет буквально везде. Но наряду с очевидными плюсами за спиной этого эффективного инструмента скрывается зловещая тень лженаук прошлого: френологии и евгеники. Некоторые критики вообще ставят знак равенства по разрушительным последствиям между бесконтрольным распространением распознавания лиц и оборотом плутония. Конечно, камера на подъезде не убьёт вас радиацией, однако вы всё равно неиллюзорно рискуете вследствие ошибки машины оказаться, например, в списке потенциальных преступников. И дело не только в ошибках: сам подход мало того, что технологически несовершенен и научно не обоснован, так ещё и весьма неоднозначен с моральной точки зрения.
"В последние годы алгоритмы машинного обучения дают возможность правительствам и частным компаниям собирать все виды информации о внешнем виде людей. Несколько стартапов сегодня утверждают, что могут использовать искусственный интеллект (ИИ) для помощи в определении личностных качеств кандидатов на работу на основе их лиц. В Китае правительство первым использовало камеры наблюдения для выявления и отслеживания передвижений этнических меньшинств. Между тем некоторые школы используют камеры, которые отслеживают внимание детей во время уроков, засекая особенности движения лица и бровей. А несколько лет назад исследователи Сяолинь Ву и Си Чжан заявили, что разработали алгоритм идентификации преступников по форме лица, обеспечивающий точность 89,5%. Весьма напоминает идеи 19 века, в частности, работы итальянского криминолога Чезаре Ломброзо, который утверждал, что преступников можно распознать по скошенным, «звериным» лбам и ястребиным носам".
https://theidealist.ru/phrenology/
#Aeon #общество #технологии #ИИ #МашинноеОбучение #френология
