Как ИИ помогает бороться с пробками и выбросами 🤩

Привет, сегодня расскажу про крутую инициативу от Google Research — Project Green Light. Этот проект направлен на снижение выбросов и оптимизацию работы светофоров с помощью ИИ.

В чём суть?

- Проблема: На перекрестках загрязнение воздуха может быть в 29 раз выше, чем на дорогах. Около половины выбросов происходит из-за разгона транспорта после остановки.
- Решение: Инженеры Google использовали данные из Google Maps для создания модели ИИ, которая оптимизирует работу светофоров, сокращая время ожидания и улучшая координацию между перекрёстками.

Как это работает?

Команда Green Light анализирует данные о движении и определяет точки для улучшения, например, сокращение времени красного сигнала в непиковые часы или согласование движения между перекрёстками. Городские инженеры могут внедрять эти рекомендации всего за пять минут, используя существующую инфраструктуру.

Результаты

- Тестирование: С 2021 года проект протестирован в более чем десятке городов, включая Рио-де-Жанейро, Сиэтл, Бангалор и Бостон.
- Экономия: Green Light работает на более чем 70 перекрёстках, помогая экономить топливо и снижать выбросы для 30 млн поездок ежемесячно.
- Потенциал: Сокращение остановок до 30% и снижение выбросов на перекрестках до 10%.

Проект Green Light — это отличная инициатива, показывающая, как ИИ может реально помочь в борьбе с пробками и загрязнением воздуха. Надеемся, что таких проектов будет больше!

Поделитесь этой инфой с друзьями и коллегами, пусть тоже будут в курсе новинок!

💥 Neuralink делает шаг вперёд! 💥

Илон Маск в подкасте с Лексом Фридманом сообщил, что второй пациент успешно получил нейроимплант от Neuralink. Участник эксперимента, как и первый доброволец Ноланд Арбо, получил травму спинного мозга. В мозг нового пациента интегрировали 400 электродов, и, по словам Маска, всё прошло на ура.

🧠 Что дальше?
Neuralink планирует установить ещё восемь имплантов в этом году. Несмотря на некоторые аппаратные проблемы с первым пациентом, команда не останавливается и продолжает улучшать технологии.

🔥 Что это даёт?
Маск обещает, что нейроимпланты дадут парализованным людям возможность управлять компьютерами силой мысли. Но это не всё! В будущем BCI от Neuralink может подарить людям тепловое зрение, лечить болезни, устранять неврологические расстройства и даже слепоту.

🤖 Слияние с ИИ?
Маск уверен, что традиционное использование компьютеров покажется "мучительно медленным" после внедрения имплантов. В перспективе — объединение с ИИ для расширения возможностей мозга.

Буду держать вас в курсе всех новостей!

🤕Похакатоним немножечко

Что такое хакатон?

Хакатон — это ИТ-тусовка, где команды программистов, дизайнеров и менеджеров за короткий срок решают техничные задачи или предлагают новые продуктовые идеи. Цель — создать хотя бы базовый прототип или показать решение проблемы. Название "хакатон" происходит от слов "hack" (креативное решение задачи) и "марафон" (непрерывная работа), что идеально описывает атмосферу этих мероприятий, которые обычно длятся от 24 до 72 часов.

На хакатонах участники могут либо работать соло, используя свои идеи и навыки, либо объединяться в команды. Кульминация — презентация проектов перед жюри, которое оценивает инновационность, оригинальность и потенциал каждого решения.

Ближайшие хакатоны в августе и сентябре 2024

Вот список ближайших хакатонов в России.

1. ВШЭ ПСБ.Хак
Участвуй в хакатоне по искусственному интеллекту под руководством экспертов НИУ ВШЭ и ПСБ. Вместе разработаем новый финансовый продукт для студентов.
- Когда: 20-22 сентября (регистрация до 16 сентября).
- Где: онлайн/оффлайн в Москве
- Подробнее здесь.

2. Kazan Digital Transformation 2024
Прокачай цифровое развитие Казани и найди инновационные решения для городской среды. Выиграй денежный приз и получи стажировку или оффер в топовые компании.
- Когда:
  - 12-13 августа (Онлайн-этап): разработка концепций.
  - 14-23 августа: самостоятельная работа над проектом.
  - 24-25 августа (Оффлайн-этап): работа над MVP в Казани. Финал и награждение победителей.
- Подробнее здесь.

3. Интенсив RTL.Hack
Хакатон (с фуршетом!) по теме “Автоматизированная сегментация поставщиков для их эффективного привлечения в электронные торги”. Прокачаем инструментарий сегментации поставщиков.
- Когда: 7 сентября 2024 года
- Где: оффлайн в Санкт-Петербурге
- Подробнее здесь.

4. Хакатон Всероссийского форума молодых ученых «Полюс»
Проходит в рамках трека «Инноваторы» и включает направления: искусственный интеллект, беспилотники, робототехника. Лучшие команды получат стажировки и ценные призы.
- Когда: Онлайн – 16 по 29 сентября. Офлайн – 30 сентября по 3 октября.
- Где: онлайн и Архангельск.
- Подробнее здесь.

5. Окружной хакатон в Омске. Цифровой Прорыв: сезон Искусственный Интеллект
Командное соревнование, где решаются кейсы от государства и бизнеса по ИИ и другим IT-тематикам. Участвовать можно онлайн и офлайн.
- Когда: 6-8 сентября (регистрация до 29 августа)
- Где: онлайн/оффлайн в Омске
- Подробнее здесь.

ИИ всех переиграл 😏

Итак, по результатам, из всего количества ответов, правильно распознали настоящее фото только 34%.

Это что получается, скоро мы вообще не сможем отличить где ИИ-фото, а где нет?

P.S. скоро опубликую обзор на нейронку.

🌐Крутое, но сложно понятное открытие от химиков Копенгагена!

Три гения из Копенгагенского университета разработали приложение на базе ИИ, которое способно определять фазу рентгеновских лучей, дифрагированных кристаллами. Это открытие прокладывает путь к точному предсказанию структуры небольших молекул!

Как это работает❓

Традиционно, чтобы понять структуру молекул, их превращают в кристаллы и облучают рентгеном. Но загвоздка в том, что фазу лучей определить сложно, и часто приходится угадывать, что ведет к неточным данным.

Теперь, благодаря приложению PhAI, эта проблема решена! Исследователи создали миллионы искусственных моделей молекул и обучили ИИ распознавать размытые паттерны. Результат? Точная структура 2400 молекул!

Что дальше?

Команда планирует расширить возможности PhAI и интегрировать его с моделями типа ChatGPT для автоматизации анализа.

Программисты с жиру бесятся? 😡

🔥 Результаты ежегодного опроса Stack Overflow: что бесит разработчиков?

Недавний опрос Stack Overflow зацепил сразу несколько горячих тем: от искусственного интеллекта до рекордного недовольства на работе. Разработчики по всему миру явно не в восторге от своих условий труда.

💥 Неудовлетворенность работой: 80% профи не счастливы на работе. Каждый третий откровенно ненавидит её, а половина выживает как может. Высокие зарплаты и удаленка не спасают.

💸 Деньги и ожидания: ЗП начинают падать. Например, PHP-разработчики получают в среднем $49,000 в год. Только те, кто совмещает кодинг с предпринимательством, реально выигрывают.

Технический долг: Это раздражает больше всего. Костыли и несовершенные системы деморализуют и мешают работать.

⏰ Культура суеты: Безумные дедлайны и завышенные ожидания ведут к выгоранию. Частая смена работы – временное спасение, но стресс возвращается.

Бюрократия: В крупных компаниях – бесконечные совещания и оторванные от реальности требования. Вместо кода – бумажная работа, и это бесит.

Здоровье и сокращения: Массовые увольнения породили неуверенность. А сидячая работа вредит здоровью. Движение – наше всё!

⚡️ Код – не проблема: Несмотря на всё, 68% пишут код в свободное время для фана, почти 40% – ради роста и обучения. Проблема не в коде, а в условиях!

Разработчики, держитесь! 👊

Тонкое искусство настройки LLM 👌

Я тут понял, что уже успел Вам рассказать, что такое, RAG - вот пост, если что, но так и не рассказал про его предвестника - Fine-tuned model, иди же, говоря по-русски, тонкую настройку LLM.

Ниже я исправляюсь, но перед этим дам вам понимание в чем разница между RAG и Fine-tuned. В первом случае LLM будет использовать для ответов информацию только из того источника, который вы ей предоставите, а во втором использовать собственные данные и те, которые вы ей дополнительно дадите. Итак:

Как работает Fine-tuning❓

Fine-tuning — это процесс дообучения модели на специфических данных. После общего обучения модель дорабатывают, чтобы она стала экспертом в конкретной области.

Процесс:

1. Предварительное обучение: Модель обучается на разнородных данных, чтобы понять структуру и нюансы языка.
2. Тонкая настройка (Fine-tuning): Модель дообучают на узконаправленных данных, например, медицинских или юридических текстах, чтобы она могла решать специфические задачи.

🕹 Зачем это нужно?

Fine-tuning позволяет модели стать более специализированной и точной:

- Специализация: Модель адаптируется под конкретные задачи, будь то медицина, финансы или юриспруденция. Это как изучение узкой специализации после общего курса.
- Точность: Повышается качество выводов и снижается количество ошибок.
- Эффективность: Модель выполняет задачи быстрее и надёжнее.

💻 Примеры использования

- Медицина: Fine-tuned модели помогают врачам анализировать симптомы, предлагать диагнозы и даже разрабатывать планы лечения.
- Юриспруденция: Автоматизируют анализ контрактов, находят ключевые пункты и даже прогнозируют исходы судебных дел.
- Бизнес: Улучшают взаимодействие с клиентами через чат-боты, которые понимают и решают запросы быстрее.

🤖 Будущее с Fine-tuned LLM

Fine-tuned LLM — это мощный инструмент, который позволяет компаниям и специалистам добиваться лучших результатов. Это как иметь универсального помощника, который может адаптироваться к любым задачам. В мире, где точность и скорость решают всё, такие модели становятся незаменимыми.

Так что, если хотите сделать свои AI-решения умнее и эффективнее, Fine-tuning — ваш лучший друг! 😀

Когда-нибудь мы дойдем до того, что я буду не просто описывать общими словами как это работает и для чего применяется, а давать инструкции, но пока что стараюсь разобраться сам.

Братишка, я тебе покушать принёс 🌈

Точнее, большое количество ссылок с промптами и инструкциями по применению различных нейросетей, от LLM до генераторов изображений.

Пользуйтесь:

🔤Pompthero.com/
Огромная библиотека промтов для генерации изображений с удобной навигацией.

🔤Docs.anthropic.com/en/prompt-library/library
Документация с промтами в первую очередь для чат-бота Claude.

🔤Promptlibrary.org/
Промты и примеры картинок, созданных нейросетью Midjourney.

🔤Snackprompt.com/
Большая библиотека промтов для разных нейросетей, есть платные предложения.

🔤Writesonic.com/blog/chatgpt-prompts
Структурированная статья с примерами промтов для ChatGPT.

🔤Ailib.ru/promts/
Очень много промтов и примерно столько же рекламы, есть поиск и рубрики.

🔤Prompthackers.co/
Коллекция, которая, помимо прочего, содержит довольно оригинальные промты.

🔤Awesomegptprompts.com/categories
Небольшой каталог промтов для ChatGPT и других текстовых нейросетей.

🔤Learnprompting.org/ru/docs/introduction
По сути гайд, но со множеством примеров универсальных промтов.

🔤Prompts.chat
Репозиторий, посвящённый примерам использования

Neurobot.ru/prompts
Готовые промты для генерации изображений с помощью разных нейросетей.

🔤Academy.bothub.chat/biblioteka-promtov
Большая коллекция небанальных промтов, завёрнутая в курс.

🔤Developers.sber.ru/help/gigachat/catalog
Каталог промтов в первую очередь для GigaChat, но в целом применимых везде.

🔤Ai.mitup.ru/prompts
Коллекция универсальных промтов для создания контента и автоматизации рутины.

🔤Gptchat4.ru/prompts
Библиотека промтов для ChatGPT, которые можно протестировать прямо на сайте.

🔤Prompt-chatgpt.ru/biblioteka-promptov/
База промтов для чат-ботов с рубрикатором, в котором можно выбрать самые разные задачи.

🔤Prompt1.ru/
Библиотека промтов для генерации изображений и текста с обширным фильтром.

Что такое AGI и когда ждать❓

AGI (Artificial General Intelligence) — это искусственный интеллект, который может делать всё как человек. Представь себе ИИ, который и код пишет, и музыку сочиняет, и котиков рисует. Это как если бы ваш смартфон вдруг стал лучшим другом, с которым можно обсудить всё на свете.

Суть AGI

В отличие от узконаправленных ИИ, как Alexa или Siri, которые помогают с конкретными задачами, AGI должен быть универсальным. Представь, что у твоего компьютера появились настоящие мозги!

На данный момент основные направления исследований в области AGI включают:

1. Усиленное обучение (Reinforcement Learning):
   - Разработка алгоритмов, позволяющих системам обучаться через взаимодействие с окружающей средой.

2. Метаобучение (Meta-learning):
   - Создание систем, которые могут учиться учиться, адаптируясь к новым задачам с минимальными данными.

3. Объяснимый ИИ (Explainable AI):
   - Улучшение способности ИИ объяснять свои решения, чтобы повысить доверие и понимание.

4. Нейроморфные вычисления:
   - Использование архитектур, вдохновлённых человеческим мозгом, для повышения эффективности обучения и обработки информации.

5. Интеграция многомодальных данных:
   - Разработка моделей, способных обрабатывать и интегрировать различные типы данных (текст, изображения, аудио).

6. Общая теория интеллекта:
   - Исследования, направленные на понимание и моделирование принципов, лежащих в основе человеческого мышления.

Эти направления помогают приблизиться к созданию более универсальных и адаптивных систем.

Почему AGI сейчас невозможен

1. Ограниченные алгоритмы:
   - Современные ИИ обучаются на специфических данных и выполняют конкретные задачи. Они не могут обобщать знания или адаптироваться к совершенно новым ситуациям, как это делает человек.

2. Отсутствие понимания контекста:
   - ИИ может разбираться в текстах и изображениях, но не понимает их так, как человек. Например, ИИ может описать картину, но не почувствовать её атмосферу.

3. Невозможность самообучения:
   - Сегодняшние модели требуют огромных массивов данных и корректировки от людей. Настоящий AGI должен учиться сам, как ребёнок, экспериментируя и запоминая.

4. Энергопотребление и вычислительные мощности:
   - Современные ИИ требуют колоссальных ресурсов. Например, обучение больших моделей, как GPT, занимает тысячи GPU-часов. AGI потребовал бы ещё больше.

5. Отсутствие общей теории интеллекта:
   - Мы до сих пор не понимаем, как работает человеческий мозг на уровне, достаточном для его полной симуляции.

Проблемы на пути к AGI

- Этические вопросы:
  - Контроль и безопасность — как предотвратить возможные негативные последствия?
 
- Ресурсы:
  - Огромные мощности и данные необходимы для обучения. Это требует значительных вложений.

Когда ждать AGI?

Оптимисты говорят, что это вопрос десятилетий, пессимисты — полувека. Но технологии развиваются стремительно. Вспомни, как быстро телефоны стали умными — может, и здесь всё произойдёт быстрее.

AGI — это как научная фантастика, которая становится реальностью. Главное — двигаться вперёд, но с умом.

Что за зверь оптические нейросети? 🤔

Наткнулся я тут на статью, в которой ничего не понял. В три числе, что такое оптические нейросети. Пошел изучать и заодно вам рассказывать.

Оптические нейросети: Чё за зверь?

Если вы думали, что нейросети — это круто, то держись: оптические нейросети — это вообще космос! Они используют для вычислений не электричество, а свет. Представьте себе: ваш компьютер работает на лазерах!

Как они работают?

1. Компоненты:
   - Лазеры и фотодетекторы: используются вместо микросхем. Свет проходит через эти штуки, обрабатывая по пути обрабатывая информацию.
   - Интерферометры: Это как миксеры для световых волн. Они изменяют их фазы для вычислений.

2. Волноводы:
- Каналы для света, как те же самые провода, только для световых импульсов.

В чём плюсы?

- Скорость: Свет быстрее электричества, так что обработка данных ускоряется как на реактивной тяге.
- Энергоэффективность: На этот метод тратиться меньше энергии.
- Параллельная обработка: Работают над кучей задач сразу, как если бы у тебя было тысяча рук.

Зачем это нужно?

Представьте себе ИИ, который в реальном времени анализирует данные, как в фильмах про супергероев. Это значит, что можно будет мгновенно обрабатывать огромные объёмы инфы в медицине, безопасности и ещё куче сфер.

Оптические нейросети — это будущее, которое уже стучится в дверь. Скоро наш мир станет ещё быстрее и умнее. Так что держи руку на пульсе, пока ИИ нам их не откусил.

🚀 Прорыв в оптимизации языковых моделей (LLM): что нового?

Друзья, тут у нас горячие новости из мира AI! Исследователи из T-Bank AI Research представили новую архитектуру для языковых моделей, которая может серьезно изменить игру в области обработки текста.

В чем суть?
Если раньше модели типа GPT, BERT и их собратья были довольно ресурсоемкими — буквально пожирали гигабайты памяти и терафлопсы вычислительной мощности, то новая архитектура предлагает нечто более изящное и эффективное. Что же сделали ребята из T-Bank?

Основные новшества:
🔤Эффективное извлечение информации: Исследователи предложили добавить обучаемые параметры к механизму извлечения информации. Проще говоря, они научили модель быть умнее при обработке контекста. Теперь она не просто тупо сканирует текст, а знает, где и что искать, чтобы не тратить лишние ресурсы.

🔤Оптимизация работы с длинными текстами: Благодаря новой архитектуре, модель теперь быстрее и эффективнее справляется с длинными текстами. Это особенно круто, когда нужно обрабатывать большие объемы данных в реальном времени — например, для анализа длинных документов или потоков новостей.

🔤Снижение затрат на вычисления: Благодаря всем этим оптимизациям, новая архитектура снижает нагрузку на железо. Теперь те задачи, на которые раньше уходили минуты (а иногда и часы), могут быть выполнены за секунды.

Пример для простых смертных
Представьте, что раньше вы искали нужный отрывок в книге, листая страницу за страницей. Это медленно и утомительно. А теперь у вас есть супер-поисковик, который сразу показывает вам нужное место, плюс отмечает важные слова и фразы. Вот это и делает новая архитектура с текстом — экономит время и ресурсы.j

Зачем это нужно?
Такая оптимизация открывает двери к более широкому применению LLM в реальном времени: от улучшения голосовых ассистентов до более быстрых чат-ботов, работающих с огромными объемами информации. В будущем мы можем ожидать, что даже на слабом железе будут работать мощные модели, способные решать сложные задачи в мгновение ока.

Если вас интересуют детали, почитайте полное исследование здесь. Там всё подробно расписано.

А код на GitHub.

🧠 на работе: Лёгкость или выгорание?

Тут Upwork выкатил отчёт, который говорит, что ИИ не всегда облегчает жизнь. По их исследованию, вместо кайфа от новых технологий, народ ловит стресс и перегруз.

Что говорят цифры?

- Рабочая нагрузка: ИИ увеличил ожидания. Работники жалуются, что не справляются с новыми инструментами.
- Выгорание: 71% сотрудников в стрессе, особенно молодёжь. Женщины чувствуют это чаще, чем мужчины.
- Удочка надежды: 81% тех, кто освоил ИИ, говорят об увеличении эффективности. Но это не для всех.

Гонка вооружений

Компании используют ИИ, чтобы фильтровать резюме, а соискатели — чтобы их писать. Получается, что вместо упрощения, объём работы только растёт.

Реальные истории

Как пример, одна компания попросила начинать письма со слова "BANANA", чтобы обойти ИИ-фильтры. Вот такие вот забавные фишки.

Что думают боссы?

- 85% руководителей хотят, чтобы ИИ использовали все.
- 96% уверены, что его применение будет только расти.

Но из-за этого 65% работников с трудом справляются с требованиями. Каждый третий думает об

Будущее за удалёнкой?

Upwork предлагает бороться с перегрузом через фрилансеров. Многие компании уже перешли на гибкие модели работы.

Так что, ИИ — это круто, но пока не для всех. Надо грамотно вписывать его в работу, чтобы не перегореть.

Подробнее про исследование тут.