На улицах Китая появятся мини-клиники “AI Doctor”

6 декабря 2018
AI doctor мини клиники в Китае

На улицах Китая появятся мини-клиники “AI Doctor”

В Китае запускают производство мини-клиник с искусственным интеллектом. Клиники размером с телефонную будку будут построены в 80 городах страны и помогут жителям получать врачебные консультации, рецепты и медикаменты без необходимости…

В Китае запускают производство мини-клиник с искусственным интеллектом. Клиники размером с телефонную будку будут построены в 80 городах страны и помогут жителям получать врачебные консультации, рецепты и медикаменты без необходимости заранее записываться в больницу.

Разработкой занимается китайская медицинская корпорация Ping An Healthcare and Technology Co, которую поддерживает технологический конгломерат SoftBank. Сейчас Ping An Good Doctor — ведущая компания по предоставлению медицинских онлайн-услуг в Китае.

Клиники — это станции для сбора данных

AI-клиники будут представлять собой небольшие станции, оснащенные компьютерами и автоматами для продажи медикаментов. ИИ будет фиксировать жалобы пациента с помощью текстового и голосового общения. После сбора информации о симптомах и предыдущих диагнозах, данные в структурированной форме будут передаваться реальному доктору, который в режиме онлайн будет ставить диагноз и, при необходимости, выписывать медикаменты. Некоторые из них пациент сможет купить в вендинговом автомате прямо на станции.

Вероятно, на данном этапе AI Doctor будет представлен в формате вопросно-ответной системы с технологиями распознавания речи. При этом, с большим количеством новых данных (клиники будут собирать не меньше миллиарда диагнозов в год), технология может в течение пары лет вырасти в полноценного ИИ-доктора, который будет самостоятельно ставить диагнозы и выписывать рецепты на основе анализа симптомов. 

Стоимость одной мини-клиники — $4500

«Мы планируем построить сотни тысяч таких клиник по всей стране в течение трех лет», — сказал основатель и исполнительный директор Ping An Good Doctor Тао Ванг. Создание одной клиники будет стоить компании 30 000 юаней (примерно $4500).

Обслуживанием клиник и оказанием онлайн-помощи займутся 5500 врачей. Для подготовки проекта компания уже собрала 300 миллионов онлайн-отчетов о медицинских консультациях, которые улучшат работу алгоритмов.

«NY Times»: фабрики разметки данных сделают Китай лидером в сфере ИИ

30 ноября 2018
AI china фабрики разметки данных для нейросетей

«NY Times»: фабрики разметки данных сделают Китай лидером в сфере ИИ

NY Times выпустил репортаж о деятельности фабрик по разметке данных в Китае и пришел к выводу, что Китай выйдет в лидеры в сфере машинного обучения и ИИ в ближайшие годы,…

NY Times выпустил репортаж о деятельности фабрик по разметке данных в Китае и пришел к выводу, что Китай выйдет в лидеры в сфере машинного обучения и ИИ в ближайшие годы, обогнав США.

Научные статьи китайских учёных чаще цитируются в исследованиях, а треть всех разработок в сфере компьютерного зрения в 2017 году пришли из поднебесной. Китайское правительство поддерживает сферу ИИ финансово и политически.

США и Китай давно соревнуются в области разработки искусственного интеллекта, но у Китая есть одно неоспоримое преимущество — почти бесконечное количество дешевой рабочей силы.

В Китае собирают не меньше данных, чем в США

В Китае слабо развиты законы обеспечения конфиденциальности, правительство имеет неограниченный доступ к огромному количеству данных. Люди часто используют мобильные телефоны при оплате покупок, еды, билетов в кино, поэтому китайские интернет-компании получают больше информации. Однако данные бесполезны без предварительной обработки — их нужно разбирать и маркировать.

Фабрики разметки

«Два десятка молодых людей просматривают фотографии и видеоролики, размечая почти все, что видят. Это машина. Это светофор. Это хлеб, это молоко, это шоколад».

В стране развивается новая отрасль — стартапы, которые занимаются исключительно маркировкой данных. Фабрики открываются по всему Китаю и упрощают работу AI-компаний. Они появляются в районах, далеких от крупных городов, с невысокой оплатой труда и низкой стоимостью помещений, поэтому позволяют нанимать больше работников со всей провинции. В компании Ruijin Technology работает 300 человек, но после Нового года стартап планирует расширить число сотрудников до 1000.

Работники стартапа, занимающегося маркировкой данных
Работники стартапа, занимающегося маркировкой данных

Стоимость аренды фабрики размеров с две баскетбольних площадки — $21000 в год, работник-маркировщик получает от $400 до $500 в месяц. Фабрики помогают AI-компаниям получать огромное количество размеченных данных быстро и дешево. Например, стартап AInnovation получил 20 000 размеченных фотографий для разработок за 3 дня и $2000.

Эксперты называют Китай «Саудовской Аравией данных», а подобные фабрики «нефтеперерабатывающими заводами». Они превращают необработанные данные в топливо, которое поддерживает амбиции правительства сделать Китай лидером в сфере искусственного интеллекта.

В Китае существует тенденция к созданию городов-фабрик, где люди работают, едят, проводят все свободное время и даже выходят замуж. Фабрики разметки данных тоже могут вырасти в такие производства к 2030 году. Подробнее о том, как устроены города-фабрики, смотрите в фильме Discovery:

Искусственный интеллект для малого бизнеса: 5 способов применения

1 ноября 2018

Искусственный интеллект для малого бизнеса: 5 способов применения

В массовой культуре искусственный интеллект (AI) покрыт мифами и считается исключительной силой, подрывающей экономическую стабильность. На самом деле, он похож на любую другую технологию. По мере того, как больше и больше…

В массовой культуре искусственный интеллект (AI) покрыт мифами и считается исключительной силой, подрывающей экономическую стабильность. На самом деле, он похож на любую другую технологию. По мере того, как больше и больше компаний используют AI, увеличивается конкуренция и снижаются издержки — искусственный интеллект становится доступным для широкого круга предприятий.

В Соединенных Штатах в малом бизнесе создается более половины рабочих мест, а его доля в ВВП составляет более 40 процентов. Поэтому разработчики стараются делать свои решения доступными для компаний этой экономической ниши.

Поскольку искусственный интеллект становится популярным, важно воспользоваться преимуществами этой технологии. Ниже представлено пять способов сделать это.

Используйте AI для сбора и анализа данных

Qualtrics провели исследование, в котором собрали и проанализировали мнения 250 маркетинговых лидеров. Обнаружилось, что 96% ожидают, что в течение пяти лет AI будет справляться с регулярными исследовательскими задачами, например, очисткой данных.  В то же время 63% полагают, что AI заменит статистический анализ в течение следующего десятилетия.

Изменения происходят не только в маркетинговой отрасли. AI незаменим для крупных компаний, которые имеют доступ к большому количеству потребительских данных. Он важен и для небольших предприятий, которые хотят сделать полезные выводы из более скромного объема информации. Современные методы, такие как статистический регрессионный анализ, были недоступны для малых предприятий с ограниченным бюджетом, но AI сделал их доступными и интуитивно понятными.

Когда небольшие предприятия получают доступ к сложным статистическим инструментам, они могут больше узнать о своих клиентах и ​​привлечь новых. Регрессионный анализ позволяет устанавливать взаимосвязи между большим набором переменных и определять, как они влияют на бизнес. AI – универсальный инструмент для статистических задач, от определения факторов, стимулирующих клиентов возвращаться, до поиска новых рыночных ниш.

Искусственный интеллект помогает собирать данные. Механизмы сбора данных – от анализа тональности текста, до алгоритмов машинного обучения, отслеживающих предпочтения и привычки клиентов, теперь доступны для любых предприятий. В Facebook, например, можно запустить подходящего для этих целей чат-бота, основанного на машинном обучении.

Используйте AI для найма сотрудников

У крупных компаний есть общественное признание, имя, обширные связи и ресурсы для поиска работников. Также у них есть обученные сотрудники отдела кадров, которые знают, как завербовать подходящих кандидатов как можно быстрее. Как же малому бизнесу конкурировать с таким подходом?

Искусственный интеллект уравнивает шансы в битве за талантливых сотрудников. Раньше рекрутерам приходилось вручную просматривать огромные стопки резюме, теперь AI делает этот процесс простым и упорядоченным.

Алгоритмы машинного обучения могут определять, какие предыдущие методы найма помогли найти сотрудников, например, где вы искали кандидатов и как устанавливали контакты. При помощи AI можно узнать, как привлечь конкретного кандидата, найти зацепки и детальную информацию об опыте работы и пригодности для определенной задачи. Эти способы улучшат процесс найма сотрудников, что поможет бизнесу быть конкурентоспособным.

Сделайте организацию бэкэнда более эффективной с AI

Часто обсуждается, что AI заменит человека на рабочем месте, но разумнее рассматривать AI как технологию, которая берет на себя выполнение некоторых задач. Часть этих задач есть на бэкэнде. Например, логистические операции, такие как базовый учет, планирование и другие повседневные задачи. Учитывая, что малый бизнес имеет ограниченное число сотрудников, передача трудоемких задач искусственному интеллекту поможет эффективнее использовать человеческие ресурсы.

В статье для Minutehack соучредитель inniAccounts, Джеймс Пойзер, рассказывает, как его малый бизнес сделал «значительные шаги для автоматизации некоторых процессов бухгалтерского учета» с помощью AI. Использование AI для задач бэкэнда также уменьшает давление на сотрудников. Пойзер отмечает: «Когда люди воспринимают искусственный интеллект как конкурента, не ждите ничего хорошего. К счастью, это не наш случай».

С другой стороны, большинство сотрудников приветствуют технологии, которые помогают избавиться от монотонных задач и освободить время для значимых поручений. Как признают респонденты опроса, AI именно это и делает.

Используйте AI для улучшения сервиса

Никогда еще у компаний не было столько способов взаимодействовать с клиентами. Из-за стремительного развития онлайн каналов коммуникации и более требовательных, чем прежде, потребителей пришло время предлагать новые методы для быстрого решения проблем клиента. Это одна из причин, по которой Gartner прогнозирует, что четверть операций в обслуживании клиентов будет «задействовать виртуального помощник клиента (VCA) или чат-бота уже к 2020 году».

Согласно опросу Qualtrics, часть опросов будет проводиться цифровым помощником и это будет реализовано в течение 5 лет. Прогнозы дают веские основания ожидать, что AI будет играть важную роль в общении с клиентами в ближайшие годы.

Чат-боты предоставляют преимущества малому бизнесу. Небольшие предприятия не могут позволить себе круглосуточные линии обслуживания клиентов. В таком случае хорошим решением будут чат-боты. Виртуальные помощники доступны для клиентов в любой момент, и сразу же ответят на вопросы потенциальных пользователей.

Создайте маркетинговую платформу на основе AI

Исследование показало, что 93% маркетологов считают искусственный интеллект перспективой для развития отрасли. AI коренным образом меняет маркетинг. Это справедливо как для небольших предприятий, так и для корпораций.

Раньше малый бизнес ограничивался рекламой, которую мог себе позволить на местных рынках, а теперь, размещая объявления онлайн, у него есть возможность охватить широкую аудиторию. Можно использовать рекламные платформы Facebook и Google для поиска конкретных потребителей, которые будут восприимчивы к объявлению, собирать и анализировать потребительские данные из нескольких каналов. И все это без армии маркетологов.

Вот почему неудивительно, что в отчете McKinsey за апрель 2018 года сделан вывод, что «наиболее значительно AI влияет на маркетинг и продажи». Малому бизнесу следует внедрять искусственный интеллект уже сейчас, чтобы привлечь как можно больше потребителей в будущем.


Интересные статьи:

 

Глубокое обучение (Deep Learning): краткий туториал

2 октября 2018
глубокое обучение

Глубокое обучение (Deep Learning): краткий туториал

Первым шагом к пониманию того, как работает глубокое обучение, является понимание различий между несколькими важными терминами. Нейронная сеть (искусственная нейронная сеть) — это попытка воспроизведения работы человеческого мозга на компьютере при…

Первым шагом к пониманию того, как работает глубокое обучение, является понимание различий между несколькими важными терминами.

Нейронная сеть (искусственная нейронная сеть) — это попытка воспроизведения работы человеческого мозга на компьютере при помощи слоев нейронов.

Искусственный интеллект — способность машины или программы находить решения при помощи вычислений.

Во время первых исследований ИИ ученые пытались воспроизвести человеческий интеллект для решения конкретных задач — например, игры с человеком. Было введено большое количество правил, которым должен следовать компьютер. На основе этих правил компьютер принимал решения в согласии с конкретным списком возможных действий.

Машинное обучение — это попытка научить компьютеры самостоятельно обучаться на большом количестве данных вместо жестко постулированных правил.

МО позволяет компьютерам самостоятельно обучаться. Это возможно благодаря вычислительной мощности современных компьютеров, которые могут легко обрабатывать большие наборы данных.

deep learning и машинное обучение различие
Разница между машинным и глубоким обучением

Контролируемое и неконтролируемое обучение

Контролируемое обучение (обучение с учителем, supervised learning) подразумевает использование помеченных наборов данных, содержащих входные данные и ожидаемые выходные результаты. Когда вы обучаете ИИ с помощью контролируемого обучения, вы подаете как входные данные, так и ожидаемые выходные результаты.

Если результат, генерируемый ИИ, неверен, он скорректирует свои вычисления. Это итерационный процесс, оканчивающийся тогда, когда ИИ перестает совершать ошибки.

Примером задачи ИИ с контролируемым обучением является предсказание погоды. ИИ учится делать прогноз погоды с использованием исторических данных. Обучающие данные включают в себя входные данные (давление, влажность, скорость ветра) и выходные результаты (температура).

Неконтролируемое обучение (обучение без учителя, unsupervised learning) — это машинное обучение с использованием наборов данных без определенной структуры.

Когда вы обучаете нейросеть неконтролируемо, она самостоятельно проводит логическую классификацию данных. Примером задачи с неконтролируемым обучением является предсказание поведения посетителей интернет-магазинов. В этом случае сеть не обучается на помеченных даннх. Вместо этого она самостоятельно классифицирует входные данные и отвечает на вопрос, какие пользователи чаще всего покупают различные товары.

Как работает глубокое обучение

Теперь вы подготовлены к изучению того, что такое глубокое обучение и как оно работает.

Глубокое обучение — это метод машинного обучения. Глубокое обучение позволяет обучать ИИ  предсказывать результаты по набору входных данных. Для обучения сети можно использовать как контролируемое, так и неконтролируемое обучение.

Рассмотрим, как работает глубокое обучение, на примере сервиса по оценке стоимости авиабилета. Мы будем обучать его контролируемым образом.

Мы хотим, чтобы наш сервис предсказывал цену на авиабилет по следующим входным данным:

  • аэропорт вылета;
  • аэропорт назначения;
  • дата отбытия;
  • авиакомпания.

Нейронные сети

Давайте заглянем внутрь нашего ИИ. Как и у животных, искусственная нейронная сеть содержит взаимосвязанные нейроны. На диаграмме они представлены кругами:

глубокая нейронная сеть
Глубокая нейронная сеть (с двумя скрытыми слоями)

Нейроны сгруппированы в три различных типа слоев:

  • входной слой;
  • скрытый слой (слои);
  • выходной слой.

Входной слой принимает входные данные. В нашем случае имеется четыре нейрона на входном слое: аэропорт вылета, аэропорт назначения, дата вылета и авиакомпания. Входной уровень передает эти данные в первый скрытый слой.

Скрытые слои выполняют математические вычисления со входными данными. Одна из задач при создании нейронных сетей — определение количества скрытых слоев и нейронов на каждом слое.

Слово «глубина» в термине «глубокое обучение» означает наличие более чем одного скрытого слоя.

Выходной слой выдает результат. В нашем случае это прогноз цены на билет.


Итак, как же вычисляется цена? Здесь вступает в силу магия глубокого обучения. Нейроны связаны между собой с определенным весом. Вес определяет важность элемента входных данных. Исходные веса задаются случайным образом.

При прогнозировании цены на билет дата вылета является одним из наиболее важных факторов. Следовательно, связи нейрона времени вылета будут иметь большой вес.

Каждый нейрон имеет функцию активации. Ее смысл трудно понять без привлечения математических рассуждений. Одной из ее целей является «стандартизация» данных на выходе из нейрона.

глубокое обучение нейросети с тензофлоу

После того, как набор входных данных прошел через все слои нейронной сети, функция активации возвращает выходные результаты через выходной уровень.

Обучение глубокой нейронной сети

Обучение нейросети — самая сложная часть глубокого обучения. Почему?

  • Вам нужен большой набор данных.
  • Вам нужно большое количество вычислительной мощности.

Для оценки стоимости билета нужно найти исторические данные о ценах на билеты. Из-за большого количества возможных комбинаций аэропортов и дат вылета нам нужен очень большой список цен на билеты.

Для обучения сети нужно подать в нее подготовленные данные и сравнить сгенерированные ей выходные результаты с результатами из нашего тестового набора данных. Поскольку сеть еще не обучена, результаты будут неверными.

После пропуска всех данных можно определить функцию, которая будет показывать нам, насколько результаты работы алгоритма отличаются от реальных данных. Эта функция называется функцией потерь.

В идеале мы хотим, чтобы функция потерь была равна нулю. В этом случае выходные результаты работы сети полностью совпадают с результатами тестового набора данных.

Как уменьшить значение функции потерь?

Нужно менять веса между нейронами. Можно делать это случайным образом до тех пор, пока функция потерь не станет равной нулю, но это не очень эффективно.

Вместо этого мы будем использовать метод градиентного спуска. Градиентный спуск — это метод, который позволяет найти минимум функции. В нашем случае мы ищем минимум функции потерь.

Суть метода состоит в небольшом изменении весов после каждой итерации. Вычисляя производную (или градиент) функции потерь при определенном наборе весов, можно определить, в каком направлении находится минимум.

Для минимизации функции потерь нужно многократно перебирать данные. Именно поэтому нам требуется большая вычислительная мощность. Уточнение весов с помощью градиентного спуска выполняется автоматически. В этом и состоит магия глубокого обучения!

После обучения можно использовать разработанный нами сервис для прогнозирования цен на авиабилеты.

В сухом остатке:

  • Глубокое обучение использует нейронную сеть для воспроизведения интеллекта животных.
  • Существует три типа слоев нейронов в нейронной сети: входной слой, скрытый слой (слои) и выходной слой.
  • Связи между нейронами имеют вес, определяемый важностью элемента входных данных.
  • Для обучения глубокой нейронной сети необходим реально большой набор данных.
  • Итерационно сравнивая выходные результаты со включенными в набор данными, можно вычислить функцию потерь, указывающую, насколько сильно ошибается алгоритм.
  • После каждой итерации (epoch) веса между нейронами перераспределяются с помощью метода градиентного спуска для минимизации функции потерь.

Интересные статьи:

В Японии создали робота-строителя HPR-5P. Он работает полностью автономно

2 октября 2018

В Японии создали робота-строителя HPR-5P. Он работает полностью автономно

Учёные из Японского Национального института передовых промышленных наук и технологий (AIST) создали робота-строителя, который сочетает в себе искусственный интеллект и прочный корпус, может работать автономно и выполнять тяжелые строительные работы.…

Учёные из Японского Национального института передовых промышленных наук и технологий (AIST) создали робота-строителя, который сочетает в себе искусственный интеллект и прочный корпус, может работать автономно и выполнять тяжелые строительные работы. На видео показано, как HPR-5P захватывает лист гипсокартона, поднимает, переносит и прикрепляет к стене с помощью шуруповерта и саморезов.

Распознавание и перемещение объектов

Робот может манипулировать тяжелыми предметами. Рост HPR-5P составляет 182 см, а вес — 101 кг. Его части имеют разные степени свободы перемещения (degrees of freedom, DoF). Шея — 2 DoF, руки — по 8 DoF, ноги — по 6 DoF. Такое строение помогает роботу поднимать и перемещать объекты по большему количеству осей.

На голове робота расположены камеры и датчики, с помощью которых HPR-5P создаёт трехмерную карту окружающего пространства. Исследователи использовали свёрточную нейросеть и базу данных изображений рабочих объектов и инструментов, чтобы обучить робота распознаванию. Сейчас робот умеет распознавать 10 видов рабочих инструментов с точностью 90% даже при плохом фоне и освещении.

Применение

AIST отмечают, что в будущем в Японии ожидается серьезная нехватка ручного труда во многих областях промышленности. Роботы помогут решить эту проблему. Кроме того, они смогут заменить человека на тяжелых работах, таких как сборка самолётов и кораблей.

Разработка будет представлена на конференции IEEE / RSJ International Conference on Intelligent Robots and Systems (IROS 2018), которая пройдет в Мадриде, Испания с 1 по 5 октября.


Интересные статьи:

Итоги EmTech 2018: как корпорации и стартапы уже используют и планируют применять AI

20 сентября 2018

Итоги EmTech 2018: как корпорации и стартапы уже используют и планируют применять AI

Ежегодная конференция EmTech 2018 от MIT проходила с 11 по 14 сентября в MIT Media Lab в Кембридже. Спикеры из Boeing, IBM, Amazon и инновационных стартапов поделились, как в их…

Ежегодная конференция EmTech 2018 от MIT проходила с 11 по 14 сентября в MIT Media Lab в Кембридже. Спикеры из Boeing, IBM, Amazon и инновационных стартапов поделились, как в их компаниях используют искусственный интеллект и машинное обучение для улучшения безопасности и оптимизации рабочего процесса на производствах.

Итак, главные технологические тенденции в области искусственного интеллекта.

Авиация

Boeing, ведущая аэрокосмическая компания, говорит об инвестициях в технологии будущего, подразумевая разработку искусственного интеллекта. «Boeing уже использует искусственный интеллект, однако сейчас его роль ограничена» — рассказал технический директор компании Грег Хислоп. Корпорация прогнозирует глобальную нехватку пилотов, поэтому основная задача ИИ сейчас — помогать пилотам, особенно тем, у кого меньше опыта, справляться со сложностями и обеспечивать безопасность.

Автомобилестроение

Роботы поднимают, перемещают, собирают автомобили на заводах, однако риск травм для человека слишком велик, поэтому машины работают отдельно от людей. Это очень замедляет производство. «Чтобы работник мог подходить к роботу, он не только должен быть в безопасности, он должен чувствовать себя в безопасности», — сказала Клара Ву, вице-президент Veo Robotics.

Используя 3D-датчики и технологии компьютерного зрения, автомобильный стартап создает роботов, которые смогут безопасно работать рядом с людьми.

Энергетика

Президент Uptake (компания разработывает и внедряет AI на производстве) Ганеш Белл поделился, как они анализируют данные в транспортной и энергетической отрасли и используют ИИ, чтобы предупреждать аварии на производствах. Так, проанализировав данные об энергии, разработчики обнаружили больше ста способов срыва ветровой турбины. «Если предупредить людей о том, почему что-то может пойти не так, время простоя оборудования уменьшится, и будет произведено больше энергии» — отмечает учёный.

Сельское хозяйство

Алгоритмы машинного обучения помогают модернизировать сельское хозяйство. «В ближайшие пять-десять лет мы увидим значительный рост в области разработки датчиков для сбора данных на фермах» — считает Сэм Этингтон, главный научный сотрудник Climate Corporation. По данным корпорации, фермеры, которые используют их ПО, собирают дополнительно 400 кг зерна с одного гектара земли.

Общественная безопасность

Фей Фанг — ассистент профессора из Университета Карнеги-Меллона, рассказала, как ИИ, который она разработала, используется каждый день для защиты 60000 пассажиров на паромах в Нью-Йорке. Алгоритм создает безопасные маршруты для катеров береговой охраны, оставляя их непредсказуемыми, и помогает предотвращать нападения на паромы. «Отзывы потрясающие. Мы защищаем паромы в зонах повышенного риска. Маршрут охранных катеров строится случайным образом, затрудняя планирование нападений».

На конференции также обсуждались вопросы организации и подсчета голосов на выборах, внедрение блокчейна в банковскую систему, летающие автомобили, профилактика и лечение заболеваний. Все выступления кратко приведены на странице конференции. Следующая конференция MIT EmTech Next пройдёт 11-12 июня 2019 в MIT Media Lab в Кембридже.


Интересные статьи:

Ученые смоделировали поведение религиозных групп и объяснили, почему атеизм непопулярен

3 сентября 2018
беженцы с ближнего востока

Ученые смоделировали поведение религиозных групп и объяснили, почему атеизм непопулярен

Представьте себя президентом европейской страны. В этом году вы планируете принять 50000 беженцев с Ближнего Востока. Большинство из них очень религиозны, в отличие от вашего населения, которое придерживается атеизма. Вы хотите…

Представьте себя президентом европейской страны. В этом году вы планируете принять 50000 беженцев с Ближнего Востока. Большинство из них очень религиозны, в отличие от вашего населения, которое придерживается атеизма. Вы хотите легко интегрировать иностранцев, при этом минимизировать риск экономического кризиса и насилия. Ваши советники предлагают разные стратегии:

  • инвестировать в образование беженцев;
  • предоставить рабочие места;
  • дать возможность молодежи общаться с местными детьми.

Но у вас ограничены ресурсы и нужно выбрать что-то одно, что именно?

Вы примете решение и будете надеяться, что выбранная вами политика сработает. Но этого может не случиться. В таком случае вы захотите запустить весь эксперимент сначала, на этот раз выбрав другую стратегию. Конечно, вы не сможете экспериментировать подобным образом с реальными людьми в демократическом обществе.

Эксперименты с виртуальными людьми

Тем не менее вы можете экспериментировать с виртуальными людьми. Международная команда ученых, философов и теологов работает над проектом моделирования религии.

Моделирование религии

В рамках проекта создаются компьютерные модели с виртуальными людьми или «агентами». Поскольку агенты взаимодействуют друг с другом, их убеждения, образование, религиозность и другие характеристики меняются при изменении условий в искусственной среде. Вначале исследователи программируют агентов подражать жителям страны, а затем экспериментируют. Модели также «обучают» на эмпирически обоснованных правилах социальных взаимодействий между людьми.

Результаты

Цель проекта – предоставить инструмент, который поможет оценивать различные стратегии политики, чтобы выбрать наиболее эффективный вариант. Проект моделирования религии разрабатывался в течение последних трех лет и завершился в прошлом месяце. Он дал начало нескольким спин-офф проектам.

Социализация мигрантов в Норвегии

Проект «Моделирование религии в Норвегии» (MODRN) фокусируется на беженцах и находится в начальной стадии. MODRN финансируется Норвежским научным советом, который рассчитывает получить полезные советы, как стоит интегрировать беженцев. Норвегия – подходящее место для проведения этого исследования по двум причинам:

  • здесь пытаются интегрировать сирийцев
  • собраны многочисленные данные о населении страны.

Используя данные для настройки модели, можно имитировать, что произойдет в конкретном городе или даже в определенном районе.

Жители США религиознее европейцев

В другом проекте «Прогнозирование религиозности и безопасности» рассматриваются вопросы атеизма. Почему Америка секуляризуется медленнее, чем Западная Европа? Какие условия сделают население более или менее религиозным? На основе данных 1998 года команде ученых удалось предсказать, как вера в Бога и приверженность религии будут меняться в течение 10 лет в 22 странах Европы и Японии. В некоторых случаях полученный результат в три раза точнее, чем предсказания линейного регрессионного анализа.

Почему люди продолжают верить в Бога

Используя модель «Будущее религии и светские традиции» (FOREST), команда обнаружила, что люди склонны оставлять религиозные убеждения, когда в среде присутствуют четыре фактора. Безопасность, личная свобода, плюрализм и образование. Если даже один из этих факторов отсутствует, процесс секуляризации замедляется. Ученые считают, это причиной того, что США секуляризируется медленнее, чем Западная и Северная Европа.

Условия для религиозной вражды

Другой проект «Взаимное распространение религиозного насилия» (MERV) определяет, какие условия вызывают вражду между религиозными группами. MERV показывает, что насилие вероятно, если присутствует несоответствие в размерах групп (менее чем 70|30). А также если «агенты» воспринимают противоположную группу как социальную угрозу.

Неэтичные рекомендации

По словам Уэсли Вилдмана, профессора философии и этики Бостонского университета, при создании модели можно случайно подготовить неэтичные рекомендации. Несколько лет назад Вилдман построил модель, чтобы выяснить, что вызывает процветание одних экстремистских групп, тогда как другие распадаются.

Оказалось, что наиболее важный фактор — харизматичный лидер, который лично практикует убеждения группы. У других моделей аналогичные проблемы. Используя их рекомендации, легко нарушить естественный ход событий и создать катастрофу. Ученые полагают, что единственный выход – проводить прозрачные исследования. Вместе с этим важно говорить об этической опасности.

Статьи по теме:

Samsung представил телевизор с технологией 8K AI Upscaling

31 августа 2018
samsung 8k

Samsung представил телевизор с технологией 8K AI Upscaling

На презентации во время IFA 2018 Samsung представил 8К-телевизоры, оснащенные искусственным интеллектом. Технология, основанная на машинном обучении, улучшает качество любого контента, который демонстрируется на телевизоре, до 8K. Разработка называется 8K…

На презентации во время IFA 2018 Samsung представил 8К-телевизоры, оснащенные искусственным интеллектом. Технология, основанная на машинном обучении, улучшает качество любого контента, который демонстрируется на телевизоре, до 8K.

Разработка называется 8K AI UpscalingКомпания не раскрывает подробностей, но предположительно в основе метода могут быть свёрточные (СNN) и генеративные нейросети (GAN), описанные здесь и здесь. Алгоритм проводит сравнения низкокачественных и высококачественных версий определенного контента, оценивает различия и находит корреляции. Затем выбирает оптимальные найстройки и фильтры и преобразовывает контент с низким разрешением в разрешение 8K.

Технология масштабирования совместима с любыми типами контента, включая SD, HD, FHD и UHD, и не зависит от источника сигнала. Входной контент редактируется в режиме реального времени, и повышает качество изображения и звука как для потокового видео, так и для OTT (On The Top) видеопотока.

Алгоритм работает в трех направлениях:

  • улучшает резкость и текстуру деталей изображения, которые после сжатия файла превратились в нечеткие;
  • определяет края объектов и текста на видео, реконфигурируя положение пикселей на границах, чтобы уменьшить их и повысить чёткость;
  • удаляет статические шумы, возникающие при сильном сжатии или рекомпрессии файлов (сжатие важно для правильной передачи изображения).

Также улучшается звук, благодаря добавлению низких частот для увеличения насыщенности.

Чтобы реализовать эти функции, Samsung разработал чип Quantum Processor 8K.

Примеры работы 8K AI Upscaling на видео:

В серию QLED 8K входят четыре модели телевизоров с диагональю 65”, 75”, 82” и 85”, индексом Q900R и разрешением 7680×4320 точек.

Дата старта продаж в России ещё не объявлена.

 

OpenAI запрограммировал нейросеть на любопытство

27 августа 2018

OpenAI запрограммировал нейросеть на любопытство

Учёные из OpenAI и Университета Беркли предложили способ обучения c подкреплением для прохождения игр, наделив нейросеть любопытством. Метод протестировали на 54 средах — аркадах и лабиринтах; в Super Mario Bros искусственный интеллект прошёл 10…

Учёные из OpenAI и Университета Беркли предложили способ обучения c подкреплением для прохождения игр, наделив нейросеть любопытством. Метод протестировали на 54 средах — аркадах и лабиринтах; в Super Mario Bros искусственный интеллект прошёл 10 уровней без внешнего вознаграждения. Разработчики считают, что любопытство вместо запрограммированной награды поможет роботам принимать решения автономно.

Под любопытством подразумевается внутренняя функция, которая использует ошибку предсказания в качестве вознаграждения. ИИ предсказывает следующий кадр, и лучшим результатом считается тот, который не совпадает с прогнозом.

Алгоритм научился играть в игры без подкрепления, исходя только из любопытства.

Ограничения модели

В ходе экспериментов проявились и недостатки подхода: Game Over тоже воспринимался ИИ как новое впечатление, поэтому иногда он сознательно действовал так, чтобы проиграть.

Команда также провела эксперимент с телевизором, поместив сцену с быстро меняющимися кадрами в лабиринт. Найдя её, ИИ не двигался дальше, потому что научился генерировать новые случайные кадры, и это оказалось самым интересным занятием для «любопытного» алгоритма.

Исходный код проекта доступен на GitHub.

OpenAI —  некоммерческая исследовательская компания Илона Маска, которая занимается изучением и разработкой искусственного интеллекта.