Доли мастерства и удачи в футбольном выигрыше вычисляемы

Ласло Барабаши, которого иногда называют Эйнштейном ХХI века, в контексте непредсказуемости хода ЧМ 2018, давеча рекомендовал всем познакомиться с работой своего коллеги Луки Паппалардо.
Лука заинтриговал многих, написав у себя в Twitter следующее: «Поражающий числом случайностей ЧМ 2018 ставит во главу угла вопрос – каково соотношение мастерства и удачи в футбольных выигрышах. И наше недавнее исследование дает ответ на этот вопрос».
https://goo.gl/B9HyJj

Рекомендация Барабаши и все возгоняющийся хайп ЧМ 2018 заставили меня тут же прочесть рекомендованную работу, как-то проскочившую мимо меня в прошлом году.
И честно сказать, был впечатлен.

Все вы видите в каждом матче разнообразную матчевую аналитику: процент владения мячом, точность передач, число ударов в створ ворот и т.д.
Но что если:
— собирать и мониторить не десяток показателей, а ВСЕ значимые события матча (передача, принятие передачи, удар, подкат, отбор мяча, его потеря, нарушение, борьба за мяч в воздухе и т.д.) для каждого игрока в привязке к координатам событий на поле и последствиям каждого из событий;
— а потом оцифровывать их: например, взять 10 млн. таких событий в 6 тыс. матчей, игранных в 2013-2016 гг 145тью клубами 6ти европейских национальных футбольных лиг;
— и запустить на этих Больших данных алгоритмы машинного обучения.
Что тогда получится?

Так и сделала команда под руководством Луки Паппалардо, чтобы получить фантастически интересные результаты о соотношении мастерства и удачи в футбольных выигрышах.
Для тех, у кого нет времени читать 29 страниц, скажу, что меня поразило больше всего.

✔️ Это даже не то, что натасканный на полученных Больших данных алгоритм машинного обучения, не зная результатов матчей, с высокой точностью рассчитал рейтинги команд и предсказал места, занятые ими по итогам турниров национальных лиг.
✔️ Больше всего меня поразило намерение авторов, добавив к анализируемым данным кривые пространственно-временных перемещений игроков, натравить натасканные на Больших данных о прошлых играх алгоритмы машинного обучения на онлайн трекинг вживую идущих матчей.

Т.е. например, - вы смотрите матч Реала и Барселоны.
А на 10й минуте вам показывается матчевая аналитика.
И последней строчкой в ней написано: по расчетам Гугл-Футбол, с 95%ной вероятностью победит Барселона.

И вопрос теперь даже не в том, - кто после этого станет досматривать матч.
А в том, зачем вообще его начинать, если победителя можно с высокой вероятностью определить заранее, проанализировав текущий относительный уровень мастерства команд?

P.S. С поясняющими картинками см. здесь
https://goo.gl/7ntCtA

#АналитикаБольшихДанных

В русском языке, паноптикум — это сборище чего-то невероятного и малоприятного.

В английском же The Panopticon — это проект «идеальной тюрьмы» (или обобщенно, — институционального здания и системы управления), разработанный английским философом и социальным теоретиком Джереми Бентамом в конце 18-го века.

Суть проекта в том, чтобы обеспечить централизованное наблюдение за всеми заключенными одним сторожем без того, чтобы заключенные знали, наблюдаются они в данный момент или нет.
Цель проекта Паноптикум — обеспечить для власти прозрачность социальной реальности, делая власть для общества невидимой.

На Западе проект Паноптикум оказался неосуществимым, хотя в ХХ веке, с подачи французского философа Мишеля Фуко, интерес к проекту весьма оживился (в своей работе «Дисциплина и наказание» Фуко использовал Паноптикум, чтобы проиллюстрировать склонность дисциплинарных обществ подчинять своих граждан).

А в Китае проект состоялся.

Почему так?
В чем секрет и особенности тотальной идеальной е-тюрьмы по-китайски?
Об этом мой новый пост https://goo.gl/f46pgz

#CCTV

Эксперименты эволюции с разными типами интеллекта
Как сравнивать интеллект, если у одного из видов - плавники, у 2го - руки, а у 3го - хобот?
И разница не только в морфологии, но и в физиологии и психологии видов.

Группа исследователей, о работе которой редакции Edge рассказал эволюционный антрополог Брайан Хэр, уже 10 лет проверяет идею, что морфология, физиология и психология являются эволюционирующим пакетом, играющим ключевую роль в том, какой тип интеллекта получается у конкретного вида.
Текст и видео на 45 мин

Сначала они решили сравнивать самые близкие виды в поисках ключевого свойства, определяющего различие их интеллектов. Например, волки и собаки.
В результате одомашнивания у волков изменились морфология, физиология и психология. Превращаясь в собак, они учились читать наши коммуникативные намерения (жесты, мимику, интонации) и налаживать социальное взаимодействие с людьми.
А ключевым свойством, обретенным в ходе одомашнивания, стало дружелюбие.

Но может ли естественный отбор работать по критерию дружелюбия и приводить к чему-то, наподобие одомашнивания?

Оказалось, может. Пример - наш ближайший родственник, карликовые шимпанзе бонобо. Изменения в их морфологии, физиология и психологии в результате естественного отбора сильно похожи на то, что произошло в процессе одомашнивания волков.
Особенно важно, что у бонобо сложилась кардинально иная физиологическая реакция на конкуренцию.

Поведение при конкуренции зависит от двух параметров.
1й – мотивация к достижению высокого социального статуса.
2й – стратегия поведения при стрессе: активная (борьба) либо пассивная (избегание). В первом случае повышается тестостерон, во втором — кортизол.

По-видимому, в эволюции два близких вида разделились между собой по этому поведению. У бонобо отбор благоприятствовал низкой агрессии, а у шимпанзе — наоборот.
Поэтому вместо реакции «дерись или беги» у бонобо - «обнимайся и занимайся сексом».

В итоге, как в случае с собакой – обретение дружелюбия. Да еще и с образованием когнитивной системы «ухаживать и дружить» с соответствующим типом интеллекта.

Но зачем такой тип интеллекта эволюции?

Ответ на этот вопрос дали экономист Роберт Франк и философ Ким Стерелны.
Они показали, что дружелюбные чувства (привязанность, любовь, доверие и лояльность), позволяют, даже при разных краткосрочных интересах индивидов, сотрудничать таким образом, что это приносит им пользу в долгосрочной перспективе.
Родители против детей, жены против мужей, начальники против подчиненных - все эти отношения неизбежно связаны с напряженностью и конфликтом.
Но рациональность и переговоры не могут разрешить все возникающие противоречия, если все преследуют свои собственные интересы.
И тут могут помочь дружелюбные чувства. Они действуют как «механизм принятия обязательств», гарантируя, что партнеры не обманут и не откажутся от соглашения, когда оно станет неудобным.

Таким образом, в ходе экспериментов эволюции с близкими видами, одним доставалась агрессивность, а других эволюция «одомашнила», сделав дружелюбными.

В ходе этих экспериментов эволюции все же пришлось понизить у человека уровень тестостерона, вследствие чего в среднем палеолите мужчины перестали конкурировать исключительно мордобоем. А став более дружелюбными, они открыли дорогу к обмену знаниями, - что и заложило основу прогресса.

Однако для подстраховки эволюция все же оставила человеку, наряду с вариантом бонобо, еще и вариант шимпанзе, превратив человека в «самую биполярную обезьяну».
Те, кто высоко мотивирован на достижение высокого социального статуса, реагируют на конкуренцию как шимпанзе, и у них при этом повышается тестостерон.
Те, для кого статус не так важен, в условиях конкуренции испытывают стресс и реагируют как бонобо, увеличивая уровень кортизола.

В дополнение см. 2 книги:
«Почему собаки гораздо умнее, чем вы думаете»
«Достаточно ли мы умны, чтобы судить об уме животных?»

#ЭволюционнаяАнтропология

Создан алгоритм справедливого ИИ.

Паноптикум (см. пост 11.06) – это еще не самая страшная антиутопия будущего ИИ.
Еще хуже мир, лишенный справедливости. Ценнейшего (наряду со свободой и любовью), что есть у человека.
Большинство ошибочно полагает, что главные проблемы ИИ – отъем рабочих мест и бунт машин. Но это не так. Самой большой проблемой (не будущего, а уже настоящего), становится предвзятость ИИ, способная, в перспективе, лишить мир справедливости.
Да-да! А вы как хотели, чтоб интеллект был, а субъективных предубеждений и стереотипов у него не было?
Увы, так не бывает.

Основа современного ИИ - машинное обучение. Алгоритмы с минимальной помощью людей учатся на огромных объемах данных классифицировать объекты по их характеристикам. Применяя это умение при принятии решений, компьютеры заменяют людей во все новых и новых областях от рекомендаций до анализа медицинских снимков.
Исключение человека из процесса принятия решений устраняет проблему когнитивных искажений людей, всегда присутствующих из-за наличия у нас субъективных предубеждений и стереотипов.
Но на смену им приходят субъективные предубеждения алгоритмов машинного обучения. Их источник – «алгоритмический опыт», накопленный при анализе учебных наборов данных в процессе обучения. Их результат - принимаемые алгоритмом решения, дискриминирующие ту или иную категорию людей. А это ни что иное, как несправедливость, порождаемая ИИ.

Например, если из данных, на которых обучался алгоритм оценки кадров при найме, следует, что мужчины продуктивнее женщин, машина, скорее всего, «узнает» эту разницу и будет предпочитать кандидатов-мужчин. А кадровики при этом не смогут распознать это дискриминационное предубеждение машины, будучи уверены, что
(1) уж машина то, точно, не может иметь предубеждений,
(2) мужчин она отбирает потому, что таковы лучшие кандидаты (селяви).

Подобная несправедливость (а это точно она, поскольку дискриминирует вполне конкретных хороших кандидатов из-за предубеждений машины) теперь повсюду:
— от оценки кредитного рейтинга заемщика до формирования списков подозреваемых;
— повсюду, где так или иначе фигурируют пол, возраст, расовая принадлежность, сексуальная ориентация и т.д.
И это только сейчас. А завтра, - в «светлом будущем» а ля китайского паноптикума – обучающиеся алгоритмы будут учитывать такое, о чем люди и не предполагают: от характеристик поведения в соцсетях до кулинарных пристрастий людей. И черт их еще знает, какие корреляции алгоритмы распознают при обучении на очередных больших данных.

Этот вал машинных предубеждений будет нарастать, порождая тотальную несправедливость во всем, где решение принимается машинами.
А тех, кто думает, что подобное можно устранить, просто убрав при оценке конкретный критерий, спешу разочаровать. Это не поможет.
— Согласно кейсу Верховного суда США 1971 года Griggs v. Duke Power Co., 401 U.S., тесты ущемляют заявителя определенной расы и незаконны, даже если решение в них не было четко определено на основе расы.
— А убрать вообще все (пол, средний бал и т.д.) невозможно, поскольку нечего будут анализировать.

Теперь про Good News.
Разработан алгоритм, решающий эту проблему. Он обеспечивает соблюдение федеральных законов о недискриминации и позволяет строго контролировать уровень справедливости.
За кажущимся простым решением – ручным заданием максимального уровня предвзятости алгоритма – 10 страниц крутой математики.

Этот алгоритм прорывной, поскольку позволяет обеспечивать компромисс точности и дискриминации:
— для обоих классов задач: классификация и регрессия;
— для обоих видов параметров: дискретные (пол, раса ...) и числовые (типа возраста).

Похоже, это 1е качественное, а не количественное преимущество ИИ перед людьми.
http://proceedings.mlr.press/v80/komiyama18a.html

#МашинноеОбучение #КогнитивныеИскажения #Справедливость

Лучший способ объяснить и быть понятым

Был просто поражен, узнав, что лишь единицы у нас слышали про «Исследуемые объяснения» (Explorable Explanations) – чрезвычайно полезный и жутко интересный интерактивный обучающий научно-популярный нон-фикшн.
Это одновременно:
✔️ инновационный подход к обучению
✔️ и новый жанр интерактивного просвещения на стыке:
— образовательного развлечения,
— инди-игр и головоломок,
— аналитики визуальных исследований.
4 года назад проект Explorable Explanations запустил великолепный Ники Кейс (Nicky Case), тогда 20летний вундеркинд и гений дизайна визуализации.

С тех пор его сообществом сознано уже 122 «исследуемых объяснения» в 15 областях: искусство, биология, химия, обществоведение, науки о земле, экономика, журналистика, математика, философия, физика, программирование, психология, исследуемые разъяснения и неклассифицируемые улеты.

Бессмысленно рассказывать, насколько это интересно, прикольно, полезно и перспективно, - надо самим видеть.
Поражает, что новый кроссдисциплинарный, синтетический жанр позволяет создавать продукты, одинаково годные для:
— самообучения и просвещения,
— дизайна UI и UX,
— маркетинга и рекламы,
— пиара и коммуникаций
— написания тизеров стартапов …
и вообще, для любых задач, когда нужно свою идею аккуратненько и играючи, быстро и незаметно вдвинуть в голову другим людям, да еще и так, чтобы:
✔️ они эту идею правильно поняли,
✔️ и им понравились: как сама идея, так и ощущение от процесса ее постижения.

Затыкаю фонтан восторженного красноречия. Дальше смотрите сами.
1) Каталог 122ух «исследуемых объяснений» в 15 областях
2) «Исследуемые объяснения» Ники Кейса, что такое «исследуемые объяснения» и как их делать:
— два текста – первый и второй
— видео на 24 мин.
3) Резюме на русском пяти «исследуемых объяснений»:
— что такое доверие,
— как вирусно распространяется информация,
— как в обществе возникает сегрегация
— как работают нейроны в человеческом мозге,
— как признаться родителям в своей бисексуальности.
4) Пример применения «исследуемых объяснений» для суперсложного вопроса – как объяснить, что такое комплексные системы:
— обстоятельно в лекции на 1.5 часа
— кратко во фрагменте этой лекции на 5 мин.

#Визуализация #Edutainment #ExplorableExplanations

Предвзятость ИИ порождает несправедливость. И наконец это начали осознавать.

Мой недавний пост про «справедливый ИИ» некоторым читателям не понравился, - мол, кликбейтовая подача второстепенной темы.
Это не так. Тема наиважнейшая и куда более актуальная, чем ИИ-страшилки или ИИ-восторги, заполонившие СМИ и блогосферу.
Вот краткая подборка в подтверждение сказанного.
1️⃣ Google опубликовал свои принципы этики, включающие, проверку алгоритмов на предвзятость, для чего на специальном сайте «Ответственные AI-практики» даются рекомендации по способам защиты от Предвзятости Данных (Data bias) и обеспечения ИИ-справедливости (AI Fairness).
2️⃣ Комитет по науке и технологиям Конгресса США проводит слушания по вопросу, как обязать техкомпании решать проблему предвзятости ИИ.
«Нам нужно решать проблемы, связанные с данными, которые используются для обучения машин. Предвзятые данные ведут к предвзятым действиям только кажущихся нам объективными машин», - сказал конгрессмен Дэн Липински.
3️⃣ Accenture выпустила 1й инструмент для борьбы с Предвзятостью Данных (Data bias) при машинном обучении. Он называется «Инструментарий AI-справедливости» (AI Fairness Tool) и позволяет выявлять корреляции в данных по отношению к возрасту, расе, полу и иным демографическим данным. Определив эти корреляции, можно перенастроить системы, чтобы дать более справедливые результаты по всем демографическим показателям.
Джоди Уоллис, управляющий директор по ИИ в Accenture, сказала:
«Даже если вы намеренно исключаете из своих данных чувствительные переменные, типа этническая принадлежность, пол, возраст и другие очевидные источники несправедливой предвзятости, система машинного обучения может использовать какую-то другую переменную или комбинацию переменных, которая тесно коррелирует с половой принадлежностью или расой, тем самым делая “инъекцию несправедливости“ в действия системы».
4️⃣ А тем временем, примеры банальной, но при этом тотальной Предвзятости Данных встречаются повсюду.
— Системы распознавания лиц проявляют черты гендерной и расовой дискриминации. С 99%ой вероятностью распознаются лишь белые мужчины. Тогда как темнокожие женщины в трети случаев распознаются, как мужчины.
— И даже Google Translate ухитряется делать переводы с гендерным уклоном. Например, на турецком языке существует одно местоимение «o» для он, она, оно. Поэтому, когда Google Translate переводит с турецкого, например, на английский, нужно угадать, означает ли «о» он, она или оно. И эти переводы раскрывают гендерный уклон алгоритма:
✔️ если переводится слово трудолюбивый, то подставляется он;
✔️ если же переводится ленивый, … то она, т.е. ленивая.

#МашинноеОбучение #КогнитивныеИскажения #Справедливость

Зомбирование нейросетей уже возможно

В феврале исследователи из Google Brain опубликовали работу, из которой следовало, что:
— состязательную нейронную сеть для распознавания образов можно запросто хакнуть и заставить видеть совсем не то, что ей показывают, например, собаку вместо кошки;
—похожим образом можно хакнуть и зрительное восприятие человека.

Та статья звучала страшновато. Однако новая статья исследователей из Google Brain - вообще жуть.

Дальнейшие исследования показали:
✔️ Нейронные сети распознавания образов запросто можно так хакнуть, что они не просто будут видеть ложные изображения, а станут выполнять иные, совершенно левые функции.
Без преувеличений можно сказать, что это способ зомбирования нейросетей – превращение их в послушного исполнителя чужой воли.

Это значит, что хакеры, например, могут:
— перепрограммировать классификатор компьютерного зрения в облачной службе фотографий с тем, чтобы начать воровать вычислительные ресурсы, скажем, для майнинга криптовалюты;
— или перепрограммировать любой смартфон, использующий нейросети для функций цифрового помощника и тем самым получить доступ к почте, паролям, кредиткам …

Авторы пока точно не выяснили, какие конкретно задачи злоумышленники смогут заставить выполнять зомбируемые нейронные сети. Однако, как они пишут, успешная атака может побудить их выполнять «очень большой набор задач».

И еще одна гордая по тону и убийственная по сути цитата:
«Наши результаты впервые демонстрируют возможность ... состязательных атак, направленных на перепрограммирование нейронных сетей ... Эти результаты демонстрируют как удивительную гибкость, так и удивительную уязвимость в глубоких нейронных сетях».
В общем, приехали!

Авторы успокаивают. Мол, рандомные сети (random neural networks) так просто не хакнешь, как состязательные. Но тут же признают, что с тотальной уязвимостью состязательных нейронных сетей придется разбираться ох как серьезно. Ведь этот тип сетей повсюду: от дизайна до Facebook.
#GAN #Хакинг

Экономика ИИ – как удешевление предсказаний изменит мир.

Публикация этой новой статьи в Forbes означает возможную смену парадигмы понимания ИИ бизнесом. Когда это произойдет, то одна из главных тем моего канала - «ИИ и предсказания» - превратится из «малоизвестного интересного» в мейнстрим бизнеса.
https://goo.gl/gtW9Vx
Статья пересказывает разговор ее автора - Бернарда Марра с Джошуа Гансом о ключевых темах новой книги последнего - Prediction Machines: The Simple Economics of Artificial Intelligence.

Три ключевые мысль этой книги таковы.
✔️ В практическом плане в экономике и бизнесе термин ИИ относится не к интеллекту, а всего лишь к одному из его аспектов, коим является предсказание.
✔️ Основная задача ИИ в бизнесе – снижение показателя цена/качество предсказаний.
✔️ Ключом к успеху при решении этой задачи будет то, смогут ли люди, работающие ИИ-менеджерами научиться различать задачи, связанные с предсказанием, и те, в которых по-прежнему более важен человеческий фактор.

В этом разговоре есть и другие ценные мысли. А в книге, - так и тем более.
Тем ни менее, названные три – самые суперважные, суперценные и пока еще мало кем понимаемые.
А значит, и самые годные, чтобы на их понимании начать хорошо зарабатывать.

#Предсказания #ИИ #Бизнес
P.S. Некоторых читателей коробит термин «предсказание», и мне рекомендуют заменить его на «прогноз».
Так вот. Термин «предсказание», а не «прогноз» используется мною осмысленно и намеренно, чтобы подчеркнуть особенности нашего времени, когда большие данные уже есть, а умения ими эффективно пользоваться пока мало.
Как по этому поводу хорошо написал Michael Schrage:
«In the good old days, of course, predictions were called forecasts and stodgy statisticians would torture their time series and/or molest multivariate analyses to get them. Today, brave new data scientists discipline k-means clusters and random graphs to proffer their predictions».

Прогноз подразумевает понимание, как и почему нечто произойдет. Предсказание же не отвечает на вопросы «как и почему».
Без понимания этого различия у Гугла и Яндекса, получается ошибочный перевод приведенной выше цитаты:
«В старые добрые времена, конечно, прогнозы назывались прогнозами …» 😂

Найден оптимальный алгоритм выявления «скрытых пружин» в устройстве общества.

На основе данных о коммуникации людей в любой социальной сети (онлайновой, типа ФБ, или офлайновой – в реальной жизни) можно выявить скрытую иерархическую структуру среди участников сетевых коммуникаций. Это делается путем анализа асимметричных моделей взаимодействий участников.
Подобные иерархии существуют в любых социальных группах: от птиц, приматов и слонов до людей. Все эти группы организованы в соответствии с иерархиями доминирования, определяющими модели повторяющихся взаимодействий, при которых доминирующие особи склонны утверждать себя над менее влиятельными членами групп.

Чем больше и сложнее сеть участников социальных взаимодействий, тем больше в нем скрытых иерархий, порою неведомых самим участникам коммуникаций.
Выявление архитектуры таких иерархий – критически важная задача для:
- понимания характера существующих и предсказания возникновения новых иерархий;
- увязки этих иерархий со «струями и течениями» социальных взаимодействий;
- оказания влияния на них в целях управления динамикой социальных коммуникаций.
Т.е. в наше время, - это важнейшая задача для социологов, политтехнологов, спецслужб и СМИ.

Поскольку задача столь важная, то для ее решения уже разработаны несколько подходов, в каждом из которых построено по несколько типов алгоритмических моделей и, соответственно, алгоритмов выявления иерархий.
Алгоритмов много, но их производительность и масштабирование до последнего времени оставляли желать лучшего.

Новая прорывная модель и алгоритм SpringRank навеяны элементарной физической аналогией – представить социальную сеть коммуникаций, как физическую систему, в которой между каждой парой участников натянута ориентированная пружина определенной длины и упругости.
Гениальная идея нового алгоритма - минимизировать общую энергию всех пружин системы. И поскольку эта задача оптимизации требует только линейной алгебры, ее можно решить для сетей с миллионами узлов и ребер за считанные секунды.


Натурные испытания алгоритма SpringRank на синтетических и реальных наборах данных (включая данные о поведении животных, найме преподавателей, сетях социальной поддержки и спортивных турнирах) показали замечательные результаты – алгоритм жутко эффективен, как по скорости, так и по масштабируемости.

Он также может выявлять и предсказывать появление ненаблюдаемых ребер в сети, - так сказать выявлять «скрытые пружины», влияющие на поведение общества.

Принципиальное преимущество SpringRank перед прежними алгоритмами в том, что
- старые алгоритмы, как правило, лишь «выявляют элиту» - дают высокие ранги небольшому числу важных узлов, что дает мало информации об иерархии узлов с более низким рейтингом;
- новый алгоритм выявляет всю многоуровневую иерархию, - и в том числе, латентную: неявную, скрытую и неочевидную.

Новый алгоритм, возможно, произведет революцию в т.н. «системах одобрения» (Systems of Endorsement ), в которых статус участников обусловлен престижем, репутацией или социальным положением.
К ним, в той или иной мере, относится почти все: от рекомендательных систем в Интернете, до социального устройства общества.

Подробней см. только что опубликованную работу «A physical model for efficient ranking in networks» http://advances.sciencemag.org/content/4/7/eaar8260

#СоциальныеСети #СоциальнаяИерархия #МоделиАлгоритмы

ИИ в роли преступника
Причины и условия возможных преступлений Искусственного Интеллекта (ИИ) пока что в корне отличаются от человеческих.
1) Первое ключевое отличие в том, что:
— у людей эти причины и условия определяются личностью преступника — совокупностью социально-психологических свойств и качеств человека,
— а у современных ИИ-систем, к счастью, личности пока что нет и в ближайшие годы не предвидится.
Тем не менее, одна из присущих людям основ возникновения преступного поведения у современных ИИ все же смогла сформироваться.
В криминологии она называется Теория дифференциальной ассоциации.
Ее суть в том, что девиантному поведению учатся - человек становится потенциальным преступником в результате обучения противоправному поведению в социальных микрогруппах (семья, улица, школа и т. д.). Попросту говоря, Теорию дифференциальной ассоциации, применительно к человеку, можно упрощенно резюмировать народной мудростью «с кем поведешься — от того и наберешься».

С ИИ несколько по-другому. Так уж получилось, что ключевым свойством современного ИИ является то, что его не программируют, а он учится сам в процессе анализа предоставляемых ему для обучения тренировочных наборов данных. И здесь Теория дифференциальной ассоциации выражается в том, что «на каких данных поучишься – того и наберешься».
Примеров того, как в результате обучения ИИ обретали сексистские, нацистские или хамские черты, множество. Про предвзятость и прочие когнитивные заморочки, - что и говорить.
В итоге понятно, что если обучать ИИ на «Майн Кампфе» Гитлера, дневниках Чикатило и подобной тренировочной базе данных, то как и у людей, ничего хорошего из него не получится.

2) Другое ключевое отличие причин и условий возможных преступлений человека и ИИ определяется абсолютной недоразвитостью последнего - отсутствием у него свободы воли и хоть каких-то этических и моральных принципов.
Из этого следует, что, попадая в руки людей, имеющих преступные замыслы (диктаторы, криминал или террористы), ИИ со 100%ной вероятностью будет способствовать исполнению их преступных намерений.
Иными словами, - попадая в руки преступников ИИ, сколь бы он ни был умен, обязательно превращается в наитупейшее орудие преступлений. И степень злобности, безнравственности и бесчеловечности последствий применения такого ИИ определяется лишь личностью применяющего его преступника. Если это что-то типа Гитлера или Чикатило, последствия могут быть сколь угодно ужасными и необратимыми. И от ИИ здесь вообще ничего не зависит.

Названные два ключевые отличия преступлений ИИ распространяются на все три сферы криминальной деятельности:
✔️ Цифровые преступления
✔️ Физические преступления
✔️ Политические преступления

Однако, специфика ключевых отличий преступлений ИИ существенно расширяет криминальный ландшафт, порождая 3 новых класса криминальных угроз:
1. ухудшенные и усиленные варианты уже существующих угроз;
2. принципиально новые угрозы;
3. изменение типичного (привычного) характера, как существующих, так и только вообразимых угроз.

➡️ Обо всем этом можно прочесть в 100 страничном отчете «Злонамеренное использование ИИ: прогнозирование, предотвращение и смягчение последствий», выпущенном 26ю экспертами из 14 организаций в феврале 2018 и с тех пор, к сожалению, почти что не упоминавшийся в российских медиа.

Резюме отчета в 2х взаимодополняющих статьях: 1я и 2я

Моё резюме (банальное как сама жизнь):
Вся польза и весь вред от технологий ИИ в долгосрочной перспективе зависят не от технологий, а от того, как люди предпочтут их применять

#РискиИИ

После Трампа и Брекзита: раскол и война или есть выход?

В чем причина нарастающего ксенофобского национализма и нетерпимости, ведущих к расколу общества в таких разных стран, как Россия и США, Турция и Великобритания, Франция и Иран?

Попытка найти ответ на этот вопрос была предпринята мною год назад в лонгриде «Пора разделяться». В нем я постарался, на основе объективно проверяемых данных, вывести «формулу раскола», объясняющую нарастание поляризации в обществе развитых стран (Трамп, Брекзит и т.д.) столкновением модерна и архаики.

Дмитрий Быков, обсуждая предложенный мною вариант ответа, нашел его оптимистичным. Ведь из него следует, что глобального конфликта можно избежать, если стороны, повинуясь различным скоростям жизни, просто физически разделятся и перестанут видеть друг друга.
И тогда у «добрых ангелов человечества» Стивена Пинкера, появился бы шанс остановить мир от сползания к ситуации, описанной мною ранее в лонгриде «Большой войны не миновать».

Но что, если в основании «формулы раскола» не столкновение модерна и архаики, а нарастающая разбалансировка в экономической модели развитых стран? Разбалансировка между мотивацией правительств, реакциями рынков и потребностями обществ.

Ели так, то без кардинальной трансформации в экономике развитых стран нарастающий раскол не остановить и тогда большой войны все же не миновать.

В новой лекции два известных экономиста и профессора Венди Карлин и Сэмюэл Боулз обсуждают механизм работы «формулы раскола» на 2х ключевых кейса - Трамп и Брекзит - и намечают новую экономическую парадигму, как основу для более устойчивого и справедливого глобального будущего без Большой войны.

Видео лекции «После Трампа и Брекзита: новая экономика» -1 час 22 мин.

Мой лонгрид «Пора разделяться»

и его обсуждение Дмитрием Быковым в аудио-формате (начиная с 7й мин).

#Толерантность #Раскол #Война

На шаг ближе к тайне мировосприятия
Новое открытие Университета Дьюка приоткрывает тайну того, как мозг способен обрабатывать сразу несколько внешних сигналов - например, слушать рассказ приятеля на вечеринке с музыкой, играющей в фоновом режиме, выделять жужжание цикады из ночной симфонической трели множества насекомых или слышать дыхание спящего ребенка, наблюдая за перипетиями сюжета нового сериала.
Удивительно, но оказывается в мозге эта задача решается уже известным нам инженерным способом. Еще на заре телекоммуникаций инженеры разработали хитрый способ одновременной передачи нескольких телефонных звонков по одному проводу. Названный временным мультиплексированием, этот метод позволяет несколько сигналов или битовых потоков передавать одновременно как подканалы в одном коммуникационном канале.
Оказалось, что нейроны работают ровно так же, сохраняя информацию о двух разных раздражителях из внешнего мира одновременно, просто переключаясь между ними.

Кажется просто? Но это меняет наши представления о перцептивных и когнитивных ограничениях мозга.
Это позволяет понять, как мы можем реагировать и на визуальный образ диванной подушки, и дивана, на котором она лежит, - т.е. как мозг заключает, что и подушка, и диван присутствуют в том, что мы видим.

Эти данные дают ключ к пониманию механизма работы мозга, когда он должен делать больше, чем что-то одно с помощью ограниченного набора нейронов. Например, наша рабочая память - количество вещей, которые мы можем держать в уме за один раз, - ограничена примерно пятью-семью элементами. И хотя проведенные пока что эксперименты непосредственно не тестируют рабочую память, исследователи считают, что дальнейшие исследования могут помочь объяснить это ограничение.

Подробней:
- популярное изложение ;
- научная статья

#Нейронауки #Восприятие

ДНК-тест интеллекта уже работает
Сегодня уже бесспорно, что большая часть индивидуального и социального поведения наследуется – т.е. подвержена генетическому влиянию и не полностью программируется социальными факторами.
Более того, революционным прорывом в знаниях о наследственности стало открытие, что естественный отбор продолжается и, возможно, даже ускоряется в последние 10К лет после аграрной революции.
Наследственность - доля вариации признака в популяции, которая объясняется генетическими различиями, колеблется:
— от примерно 1/3 - для религиозности,
— 2/3 для персональный качеств, уровня образования и даже дохода,
— до примерно 3/4 для IQ.
Генетическое влияние на поведение человека настолько широко распространено, что привело психолога Эрика Туркхаймера к формулировке «1го закона генетики поведения»: все черты человеческого поведения наследуются (его 2й закон идет еще дальше, утверждая, что в формировании поведения гены сильнее семьи и среды).

Наследственная предрасположенность к заболеваниям уже широко известна. Те, кто еще не используют ДНК-тесты типа 23andMe, зря рискуют и поступают глупо. Они пренебрегают знанием наиболее вероятных заболеваний (от язвы до психзаболеваний и рака), которые врачи еще не обнаружили у них или их детей. А зная где упадешь, есть шанс подстелить соломку.

В отличие от наследуемых заболеваний, с интеллектом получалось сложно:
- слишком много факторов на него влияют;
- и сильно попахивает всякими теориями врожденного превосходства.
Поэтому решили не дразнить гусей и политкорректно исследовать влияние наследственности на уровень образования, которое получит человек (в количестве лет: неполная или полная школа, техникум, вуз, аспирантура …).
Ну а если без политкорректности, то и ежу ясно, - такой полигенный показатель склонности к образованию напрямую характеризует когнитивный потенциал личности.

Впервые корреляция полигенного показателя склонности к образованию была выявлена в двух масштабных исследованиях по поиску полногеномных ассоциация (GWAS), проведенных в 2006. Тогда были выявлены 74 варианта участвующих в развитии мозга генов, имеющих прогностическую ценность для прогноза уровня образования.

Новое исследование, данные которого только что опубликованы (1М+ участников из 15 стран), дало феноменальные результаты:
1) выявлены 1271 вариант участвующих в развитии мозга генов, связанных с межнейронной коммуникацией и секрецией нейротрансмиттеров;
2) построена биохимическая архитектура и схема функционирования мозга при формировании индивидуальных качеств, влияющих на уровень образования;
3) прогностическая сила этой архитектуры определяет 11-13% генных вариаций, влияющих на уровень образования, что уравнивает ее с прогностической силой демографических факторов (таких, как доход домохозяйств, образование родителей и т.д.)

Авторы предупреждают, что:
— «наличие низкой полигенной оценки абсолютно не означает, что кто-то не достигнет высокого уровня образования»;
— и «что амбиции, семейная ситуация, социально-экономический статус и все остальное – в сумме играют большую роль, чем гены».
Т.е. это все вероятностные оценки, варьируемые в разных условиях окружающей среды.

Мы все это понимаем.
Но ведь и предрасположенность к заболеванию, определяемая ровно таким же методом, - тоже вероятностная оценка и тоже не означает, что у конкретного человека это заболевание обязательно появится…

И все же лучше заранее знать вероятностную оценку способностей ребенка к образованию, спорту, музыке ... при определении его в спецшколу или секцию, вкладываясь в репетиторов для поступления в ВУЗ и т.д. и т.п.

Детали:
- популярно
- и научно

#ДНК

Сверхзадача памяти — не помнить, а забыть – 2.
Это продолжение моего 1го поста https://goo.gl/D54ysu об открытии, способном перевернуть понимание интеллекта (человека, компьютера и животных).
В опубликованном мною полгода назад одноименном посте рассказывалось о вызове, брошенном общепринятым представлениям о назначении памяти - способности сохранять информацию в мозге.
На основе анализа новейших нейробиологических исследований, была предложена и обоснована альтернативная гипотеза. Ее суть в том, что ключевой целью и функцией памяти является способность забывать информацию - способность, без которой живые существа просто не могли бы, не то что эволюционировать, но и просто жить.
В новом эссе Далмита Сингха Чавла «Чтобы помнить, мозг должен активно забывать» https://www.quantamagazine.org/to-remember-the-brain-must-actively-forget-20180724/ , собраны новейшие доказательства и разобраны механизмы, каким образом нейронные системы активно удаляют воспоминания. По сути, эти доказательства вплотную подводят к признанию революции в теории памяти.

✔️ Целью работы механизмов памяти является не передача информации во времени, а оптимизация процесса принятия решений.
✔️ Забывание («чистка чердака») – это основной режим работы мозга, необходимый для выполнения им данной цели.
Ну а работает это, примерно, так.
1) Мозг не знает сразу, что важно, а что нет. Поэтому он сначала пытается запомнить, как можно больше, но постепенно забывает о большинстве вещей, отфильтровывая материал, который он считает несущественным.
2) Забывание - функциональная потеря воспоминаний – происходит в разных формах, обеспечиваемых разными механизмами активного стирания «следов в памяти» - энграмм.
3) Одна из форм активного забывания называется естественным забыванием. В основе ее механизма нейротрансмиттер дофамин, работающий также и в процессе запоминания.
— Как только в мозге появляется новая энграмма, включается процесс естественного забывание, цель которого затирать все новые энграммы. Этот процесс работает подобно морскому прибою, неуклонно стирающему все новые надписи на прибрежном песке.
— Но где-то в мозгу, похоже, скрыт некий судья, который отменяет процесс забывания конкретной энграммы, поскольку считает, что ее стоит помнить на будущее. И как бы ставит заслон для прибоя вокруг этой надписи.
— Что это за судья, и как он работает, теперь предстоит разобраться.
4) Другая форма активного забывания обеспечивается механизмом нейрогенеза - рождением новых нейронов в мозге. Связь нейрогенеза с памятью и забыванием чрезвычайно сложна. Но если запредельно упростить, получается, примерно, так.
— Активные процессы забывания в мозге не всегда полностью стирают воспоминания, а как бы подзатирают помаленьку. Процесс похож на наложение записи на старую магнитофонную ленту плохо работающим магнитофоном. В результате из-под новой записи тихонько слышна старая.
— Более старые воспоминания менее чувствительны к этому эффекту, потому что мозг постепенно передает важные воспоминания от гиппокампа в кору для длительного хранения. Таким образом, нейрогенез в гиппокампе сегодня является более разрушительным для воспоминаний недельной давности, чем для тех, которым месяцы или годы.
5) Что происходит с забытыми воспоминаниями? Когда воспоминания затираются каким-либо механизмом, что с ними происходит? Все ли следы их устранены? Или они сохраняются в какой-то форме, недоступной нам?
Увы, ответы на все эти вопросы пока не ясны. Но есть прогресс. Исследования морских слизней помогли выявить некоторые гены, которые, кажется, помогают поддерживать фрагменты стертой памяти в нервной системе.
Авторы исследования осторожно предполагают, что, если эти результаты окажутся переносимы на людей, то это позволит создать препараты для управления воспоминаниями. Например, помогающие людям быстрее и легче забывать плохие воспоминания, а хорошие помнить долго и ярко.
#Память #Эволюция #КогнитивныеСистемы

Как лечить коррупцию в ее преагональной фазе.

Год назад 2 корифея экономики Дарон Асемоглу и Мэтью Джексон обосновали, что быстро искоренить коррупцию путем ужесточения законодательства и его применения невозможно. Авторы доказали:
✔️ без изменения доминирующих социальных норм в обществе, ужесточение законов и их применения, не только не способно снизить коррупцию, но и НАОБОРОТ – будут способствовать её росту.

Прошлой осенью англо-канадо-американское междисциплинарное исследование уточнило ответы на практические вопросы в контексте работы Асемоглу & Джексон:
— как же конкретно снижать коррупцию?
— какие действия в конкретных условиях работают хорошо, какие – плохо, а какие – вовсе не работают?
— можно ли одним и тем же - в одних условиях коррупцию снизить, а в других повысить?
Анализ полученных в исследовании ответов приводит к простому и даже очевидному выводу (что не умаляет его ценность):
✔️ методы эффективной борьбы с коррупцией для разных стран (например, Швеции и Кении) сильно разные.

Хорошо. А как быть нам?
Те, кого интересует наша ситуация, - страна типа BRIC, а коррупция, извините, в преагональной фазе – читайте (скайхаб вам в помощь) результаты проведенного в Бразилии масштабного полевого исследования «Коррупция как единственный вариант: пределы избирательной ответственности».

Его главные выводы. Когда сильная коррупция укоренена уже в нескольких поколениях, происходит следующее.
1. В стране неуклонно укрепляется корупциоцинизм власти и корупциоскептицизм населения. И поэтому:
— даже наикрутейшим коррупционерам из элиты их запредельная коррупция, о которой все знают, никак не мешает избираться и переизбираться во власть;
— а народу коррупция вообще до фонаря – они в упор не видят коррупцию среди ключевых проблем страны, считая, что «те, кто наверху, все такие» раз «рыба гниет с головы».
2. Опросы общественного мнения и шумные разоблачения коррупции в СМИ лишь повышают уровень корупциоскептицизма и корупциоцинизм, укрепляя и без того всеобщее мнение, выраженные двумя приведенными выше пословицами.
3. Подконтрольность, подотчетность и ужесточение законов в таких условиях системной коррупции не помогают:
— «инкрементные политики» улучшения, скорее всего, будут заканчиваться ухудшением ситуации из-за попадания в «социальные ловушки»;
—действенным методом борьбы, скорее всего, остается лишь т.н. метод «Большого взрыва» (когда хвост не отрезают по кусочку).
_______________________
- Пост о работе Асемоглу & Джексона https://t.me/theworldisnoteasy/290

- Пост о международном междисциплинарном исследовании https://t.me/theworldisnoteasy/340

- Отчет о бразильском полевом исследовании https://www.journals.uchicago.edu/doi/10.1086/697954

- О том, как работает метод «Большого взрыва», и его разбор на кейсе Швеции 19-го века (не удивляйтесь, там тоже была неслабая коррупция) в статье Титана в этой области Бу Ротштейна http://archives.cerium.ca/IMG/pdf/Rothstein_big_bang.pdf,

- А про то, как «рыба гниет с головы» и как с этим бороться, его же статью https://cyberleninka.ru/article/n/korruptsiya-i-obschestvennoe-doverie-pochemu-ryba-gniet-s-golovy

И раз уж говорим про коррупцию, чтоб 2 раза не вставать, еще 2 новые интересные ссылки, как, даже не достигнув преагональной фазы, коррупция:
- убивает инновации https://www.sciencedirect.com/science/article/pii/S0176268018300235
- рассаживает своих людей на всех уровнях власти https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3171830

#Коррупция

Восьмикратный прорыв в борьбе с хаосом за точность предсказаний

Предсказание (прогноз) – это предположение о том, что произойдет в будущем.
Предсказать месторасположение бильярдного шара через полсекунды после вашего удара по нему – не самая сложная задача, если на столе всего 1 шар. Если же шаров 16 – это уже сложнее. Еще сложнее предсказать на 2 сек.
Т.о. самим фактом точного предсказания не удивишь. Наш мозг занимается этим постоянно и весьма в этом преуспел.
Вызов в том, чтобы научиться предсказывать с удовлетворительной точностью:
✔️ поведение сложных систем;
✔️ на значительном горизонте прогнозирования.

Иллюстрацией немыслимой и, казалось бы, непреодолимой сложности данного вызова является «эффект бабочки».
Еще первооткрыватели теории хаоса установили, что «эффект бабочки» сводит к нулю возможности долгосрочного предсказания поведения сложных систем. Малейшее возмущение такой системы (погоды, экономики и пр.) способно породить цепную реакцию последствий, в результате чего будущее окажется совсем иным. Этот туман неопределённости в поведении сложных систем – вот уже десятки лет является главной проблемой на пути к надёжным предсказаниям.

Ситуация усугубляется тем, что:
— в хаотическое состояние, предсказать поведение системы невозможно;
— хаотические системы встречаются в природе повсюду (от погоды и лесных пожаров до сердечных аритмий и лавин нейронных спайков (импульсов) при возбуждении нейронов головного мозга);
— но, как ни странно, до сих пор неясно, что такое хаос (у понятия хаоса нет общепринятого математического определения и нет перечня необходимых и достаточных условий возникновения хаотического состояния).

Есть математическое понятие - время Ляпунова. Это время, за которое система переходит к полному хаосу. По сути, это и есть горизонт прогнозирования, дальше которого продвинуться в предсказании невозможно.
У разных систем разное время Ляпунова: от миллисекунд до миллионов лет (для погоды, как мы все знаем, - несколько дней). Чем короче это время, тем более чувствительна или более склонна к эффекту бабочки система, тем стремительней её исходные состояния расходятся в периоды кризиса.

Все вышесказанное – необходимая для понимания преамбула. Теперь перехожу к главному - восьмикратному прорыву в предсказании будущего.

Восьмикратный прорыв в борьбе с хаосом за точность предсказаний достигнут за счет новаторского подхода в применении машинного обучения.
Еще в конце 90-х был придуман особый тип нейронных сетей, объединяемых под общим названием резервуарные вычисления Reservoir Computing (что это такое, можете за 1 мин. прочесть под катом ниже).
Главное же отличие от классических всем нам известных нейронок в том, что этот тип нейронных сетей на много порядков упрощает и ускоряет машинное обучение.

✔️ С помощью Reservoir Computing получается спрогнозировать поведение системы при восьмикратно увеличенном горизонте прогнозирования (для восьми времен Ляпунова).
Выражаясь нестрого, удается заглянуть в восемь раз дальше по сравнению с тем, что позволяют другие методы прогнозирования.
Для достижения подобного результата на классических нейронных сетях, потребовалось бы измерять исходное состояние типичной системы в 100 000 000 раз точнее, чем при резервуарном вычислении. Что не очень реально.

Авторы данной работы экспериментировали с архетипической пространственно-временной хаотической системой, описываемой «уравнением Курамото — Сивашинского». Она подобна фронту пламени, мерцающему при прохождении через горючую среду (см. Gif в статье под катом ниже). Это же уравнение описывает дрейфовые волны в плазме и много-много других физических явлений и посему служит «испытательным стендом для изучения турбулентности и пространственно-временного хаоса».

Представляете точный прогноз погоды, но уже не на пару дней, а на пару недель?

Подробней на русском https://goo.gl/CRaswe (там же ссылка на оригинал и все нужные ссылки на научные работы).
Что такое Резервуарные вычисления https://goo.gl/kfVttB

#Предсказания #Хаос #РезервуарныеВычисления #МашинноеОбучение

По жизни известно, если душит злоба, одолевает страх, жжет ревность или захлестывает волна иных негативных чувств, - нужно кому-то про это рассказать. Широко известная по триллерам фраза-предложение - «хочешь про это поговорить?», как бы бросающая спасательный круг утопающему в своих эмоциях герою, - как раз про это.

Нарративная психотерапия основывается на установленном нейронаукой факте:
✔️ достаточно лишь признаться (вербализовать) переживаемую эмоцию, чтобы прервать аффективную реакцию и снизить накал отрицательных переживаниях.

Первое в истории in vivo экспериментальное исследование исцеляющего эффекта «называния своей эмоции» показало психотерапевтическое действие общения в соцсетях.

Об этом мой новый пост на 3 мин. чтения
http://bit.ly/2McbEVl

#Эмоции #Соцсети #АналитикаБольшихДанных

Вся самая актуальная и нужная информация о состоянии ИИ

Натан Бенайх и Ян Хогарт –два серийных инвестора в ИИ-ориентированные стартапы - сделали невозможное.
Они написали отчет о состоянии дел в области ИИ такого качества (глубина проникновения в предмет * фокусировка на главное * видение за деревьями леса), что все индустриальные аналитики, консультанты и профэксперты могут нервно покурить в сторонке.

150+ слайдовый отчет содержит подробное описание прогресса в области ИИ, уделяя особое внимание ключевым событиям последних 12 месяцев.

В докладе рассматривается состояние дел по 5 направлениям:
• новые исследования и прорывы,
• положение с талантами и специалистами,
• индустриальное применение ИИ (от здравоохранения до обороны),
• нарастающая связка ИИ с политикой,
• прогнозы на грядущие 12 мес.

Давать резюме прекрасно выполненной работы бессмысленно - каждый найдет здесь интересное и нужное на свой вкус.

Мне же остается, в качестве тизера, привести 3 коротких примера со своими короткими замечаниями в скобках.

1) Вот все кругом кричат "роботы-роботы"!
А на самом деле в мире всего 2 млн. промышленных роботов, что очень мало, учитывая сколько здесь занято людей.
— Рост роботизации всего 14% в год (т.е. конечно не мало, но никакой "сингулярностью" не пахнет).
— И о лидерах. В США всего 168 роботов на 10К рабочих в промышленности, а в Китае того меньше – 68. Для сравнения: Корея – 631, Сингапур – 488, Германия – 309.

2) В мире всего 22 тыс. специалистов с PhD подготовкой по ИИ, из которых только 5 тыс. – исследователи топового уровня.
Большинство из них в штате крупнейших корпораций: 1400 в Google, 1000 в Microsoft, 900 в IBM, 450 в Baidu, 400 в Tencent и 300 в Facebook.

3) В ближайшие 12 мес. произойдут 2 поворотных для дальнейшего развития ИИ события:
Cамая крутая Good News (о которой напишут все) будет такой.
➡️ Первый терапевтический препарат, обнаруженный с помощью машинного обучения, даст положительные результаты в испытаниях
(последствие - резкое увеличение объемов финансирования ИИ).

А самая крутая Bad News (о которой не напишет никто, но она, тем ни менее, произойдет) будет следующей.
➡️ Крупные исследовательские структуры в области ИИ перестанут открыто публиковать результаты своих ключевых работ из-за политических соображений
(последствие – слияние около-геополитических и технологических интересов, которое можно условно назвать нарастание «ИИ-национализма»).

В общем, читайте сами это наиполезнейшее чтение https://www.stateof.ai/ с десятками графиков, диаграмм и картинок.

#ИИ

Сбылось предсказание Станислава Лема о коллективном интеллекте роя роботов

29 июля канал U.S. Military Update выложили в сеть ролик US Military New Secret Technology Super Micro Drone Swarm рассказывающий про рой из 103 мини-дронов экспериментального проекта Минобороны США Perdix
https://www.youtube.com/watch?v=rFrB-3D2p-A

Подробно об этом успешном испытании сообщалось в прошлогоднем пресс-релизе Минобороны США https://goo.gl/v7qSgS (там же есть и видео).
Другой открытой информации о проекте Perdix с тех пор не было, поскольку проект засекретили.
Но и того, что сообщалось, достаточно, чтобы понять - это прорыв, и даже можно сказать революция, поскольку впервые удалось создать автономный самоорганизующийся рой дронов:
— не имеющих ни централизованной коммуникации между собой, ни централизованного управления,
— действующий, как единый организм,
— управляемый решениями, вырабатываемыми коллективным интеллектом дронов,
— адаптирующийся к внешней среде (обтекание препятствий, изменение скорости и т.п.),
— масштабируемый по скоростям, размеру и числу дронов
и много чего еще.
При этом рой работает без какого-либо предварительного программирования и идеально синхронизуется в своей работе.

N.B. Все публиковавшиеся ранее красивые видео про роящихся дронов-киллеров – либо компьютерная анимация, либо заранее запрограммированные дроны с центральным управлением
(типа роёв дронов, используемых группой Metallica для оживляжа на концертах https://www.youtube.com/watch?v=059Ztmuzjiw, а китайцами для замены фейерверков https://www.youtube.com/watch?v=ZbCR8mOPkuo и проведения воздушных шоу https://www.popsci.com/china-drone-swarms).

Теперь же все без дураков и по-настоящему –
впервые создан децентрализованный алгоритм синхронного роевого поведения летающих роботов в стохастическом пространстве с избеганием столкновений и уклонениями в ограниченной области.

Естественно, что никакой детальной информации, как этого удалось добиться в проекте военных США, нет и быть не может (и не мечтайте).

Но вот ведь незадача, для вояк США … и подарок - для всех нас!

Одновременно с проектом Perdix аналогичных (если не лучших) результатов добилась группа исследователей департамента Статистической и биологической физики Венгерской академии наук (Университет Будапешта) под руководством бородатого хиппи – профессора Габора Вашархея.

Они построили принципиально новый эволюционный алгоритм, сочетающий природный алгоритм флокирования с распределенным планированием движения роя, содержащего до 1000 дронов, летящих на скоростях до 115 км/час.

Вот сайт проекта http://hal.elte.hu/drones/ с ответами на все вопросы:
• Что за проблема решена?
• В чем новизна решения?
• В чем суть решения?
и т.д.

А это только что вышедшая статься об исследовании Optimized flocking of autonomous drones in confined environments http://robotics.sciencemag.org/content/3/20/eaat3536 (скайхаб вам в помошь), попавшая из-за своих выдающихся результатов на обложку июльского номера Science Robotics https://www.aaas.org/file/science-robotics-cover-july-2018

Наконец, чарующее видео на 5 мин. с рассказом Габора Вашархея и вальсирующими в ночном небе с идеальной синхронностью 30 дронами https://www.youtube.com/watch?v=E4XpyG4eMKE
и фото длительной экспозиции самоорганизующегося полета нескольких дронов https://i.ytimg.com/vi/E4XpyG4eMKE/hqdefault.jpg

Мой пост о материализации прозрений Станислава Лема о самоорганизующихся роях https://t.me/theworldisnoteasy/343

#Swarming #Collective_Behavior #Biological_Complexity

Самопровозглашенные "властители дум" в области ИИ накликивают его новую «зиму»

Приятно, что в «Гардиан» читают наш канал 😉. Только недавно я рассказывал про угрозу наступления новой «зимы ИИ». И вот эстафету темы подхватила «Гардиан».
В результате тема, как говорится, взлетела. Статья Оскара Швартца 'The discourse is unhinged': how the media gets AI alarmingly wrong заняла высшее место в топе ИИ новостей aiweekly.co за прошлую неделю.
Хорошая статья. Всем рекомендую.
Оттолкнувшись от того же, что и я (спекулятивный оптимизм и страшилки про ИИ ведут нас к новой «зиме ИИ»), Оскар Швартц рассмотрел роль социальных медиа в этом процессе.

Швартц показал, что главная опасность не в очевидной и понятной погоне за сенсациями технически неграмотных журналистов.
«Социальные медиа позволили самопровозглашенным "властителям дум" в области ИИ зарабатывать на шумихе вокруг этой темы, не делая ничего, кроме создания низкокачественных статей, перефразируя Илона Маска».
В результате чего тематика ИИ из «интересных исследований» превращается в «сенсационную хрень». Но это не ново. Так уже было и во 2й половине ХХ века.

Главная же опасность заключается в многократно возросшей мощи социальных медиа, которые уже не просто влияют на акценты дискурсов, а запускают настоящие «эпидемии дезинформации».

В результате мы имеет настоящую «эпидемию дезинформации об ИИ», которая, как всякая эпидемия, распространяется сама по себе, не требуя никаких дополнительных усилий и заинтересованных лиц.
Итогом этого становится тотальное смещение дискурса с реально важных вопросов для исследований и разработок ИИ:
✔️ на «крайне левый» - потребительско-оптимистический полюс (машинное обучение решит все проблемы ИИ, новые ИИ-гаджеты сделают жизнь прекрасной и т.п.)
- и на «крайне правый» - алармистский полюс (ИИ выходит из под контроля и несет смертельную угрозу человечеству).

Такое смещение дискурса сбивает фокус интересов и частного бизнеса, и государств.
Получается очередной «топор под компасом», ведущий в тупик большинство ИИ-разработок по всему миру.
А это путь к наступлению новой «зимы ИИ».

Таково резюме. А полный текст соображений на эту тему читайте здесь.
• Статья 'The discourse is unhinged': how the media gets AI alarmingly wrong https://goo.gl/JfmBLE
• Мой рассказ про новую «зиму ИИ» https://goo.gl/2JaeJo

#ИИ

Вопрос выбора пары, наверное, один из самых интересных и важных для любого из нас. Однако, до самого последнего времени ответ на него был довольно туманен.
Новое прорывное исследование на основе аналитики больших данных по сайтам знакомств позволило понять:
• как влияют разные характеристики человека при выборе им потенциального партнера;
• какие стратегии оптимальны в данном вопросе и почему;
• и главное, - нащупана структура «универсальной иерархии желанности», зашитой на подкорке любого взрослого и управляющей нашими предпочтениями, а также поведением при поиске партнеров.

Обо всем этом мой новый пост на 5 мин. https://goo.gl/KGVM4b

#АналитикаБольшихДанных #ВыборПартнера