Любителям писать на заборах, активизироваться 🤩

Ну точнее обратить внимание на обновление Ideogram.

Если вы не в курсе, этот генератор — лучший для создания изображений с текстом. Там ещё есть возможность делиться своими работами, собирать лайки и подписчиков.

Так вот, обновили нейросетку до версии 2.0. Тесты показывают, что теперь Ideogram 2.0 даже мощнее, чем Flux Pro (респект Флюксу, задали стандарт, который теперь все догоняют, включая SD и Midjourney). Появились крутые инструменты — подробнее можно узнать по ссылке.

Конечно, Ideogram не полностью бесплатный, но бесплатные кредиты для генераций постоянно обновляются.

Зарегистрируйся и попробуй сам по ссылке.

А робот способен на эмпатию? 😇

Привет, наткнулся тут на интересную тему. В общем, чуваки на Хабре замутили исследование, как можно измерять эмпатию у чат-ботов. Представьте, боты, которые не просто отвечают, а реально чувствуют, как человек!

Смотрите, как это работает. Есть модель llama 70b — это такой умный ИИ, который можно натренировать, чтобы он говорил как душевный чел. А чтобы понять, насколько он реально крутой собеседник, используют метод PAD. Этот метод смотрит, как бот отвечает: радостно, спокойно, или напротив — сдержанно. Типа, бот не просто ляпает что-то, а реально подстраивается под настроение собеседника.

Но это ещё не всё. Разработчики пошли дальше и задумались: а как внешность бота и обстановка, в которой с ним общаются, влияют на юзеров? Для этого они задействовали такие мощные штуки, как Random Forest и XGBoost — это крутые алгоритмы, которые помогают настроить внешний вид аватара и весь интерфейс. Представьте, общаетесь вы с ботом, а он выглядит так, что тебе сразу приятно становится. А всё потому, что эти алгоритмы помогли создать идеальную внешку для бота, чтобы ты чувствовал себя с ним, как дома.

В итоге, чуваки предлагают нам не просто сухих ботов, а настоящих собеседников с душой. Если вы, как и я, задумываетесь о том, как сделать свой ИИ более человечным и душевным, то эта тема для вас.

Так что, если хотите погрузиться в тему и понять, как сделать своих ботов топовыми, советую заценить эту статью на Хабре. Там всё разложено по полочкам, даже если в этом всём деле не особо разбираешься. Вперёд, прокачивайте своих ботов до человеческого уровня!

Уверен, что можешь узнать, где искусственный интеллект? 🤩

Я уже не раз устраивал Вам викторину с целью отличить генерацию от реальной картинки.

Но сейчас я предлагаю Вам совершенно новый уровень!

На обнимающем сайте сделали приложение, в котором нужно выбрать какое изображение сгенерировано. А выбирать нужно из насекомых. Это намного труднее, чем людей различать.

Ах да, и у Вас на все будет 25 секунд. У меня максимум получилось набрать 6 очков, в больше степени из-за времени.

Играть тут - обнимаааааашки)

Присылайте свои результаты в комментарии.

Мир уже исказился 🤩

С видосом на сегодня отмена, тут что-то более интересное творится)

Произошла интересная ситуация с фотографией невесты, сделанной на айфон, прямо как демонстрация того, как вычислительная фотография уже давно не отражает реальный мир, а превращает его в метаверс, кривящийся под нейрочипами. Короче, подруга невесты бахнула фотку на айфон, и на ней оказались три разные невесты в одном снимке. Как такое возможно?

Стоя перед двумя большими зеркалами, невеста сделала какую-то позу, но её отражения в зеркалах что-то полное мракобесие показывают: одно зеркало отобразило её с обеими руками вниз, а другое — с руками на талии. Ну а айфончик, естественно, не врубается в реальность и просто решает, что в одном зеркале ей будет лучше так, а в другом — этак. Реальное отображение для него нафиг не нужно, важна только бьютификация, а мир — это всё, что можно испортить.

Пришлось ей топать в Apple Store, где ей объяснили, что айфон делает серию снимков и потом не просто выбирает лучший, а сшивает их в одну фотку. То есть, айфон сам решает, как ты должен выглядеть: как он это видит через свои нейрочипы.

Вычислительная фотография давно уже не просто захват реальности, но этот случай наглядно демонстрирует, что мы полагаемся на ИИ в гораздо более широком круге вопросов, чем осознаём.

А тут, кстати, оригинальный пост в инсте с недоумением самой невесты.

ДА НАЧНЕТСЯ РАЗРЫВ В КОММЕНТАХ!

Я сделаль 🤩

Все-таки добрался до того, чтобы попытаться повторить позавчерашнее видео.

Естественно, все фотографии сгенерированны. Как Вам качество, кстати?

Ну и пишите, какой переход понравился больше.

А если поставите сюда 10 реакций, то выложу пошаговую инструкцию 🤩

Инструкция по созданию видеотаймлапса жизни ⏱

Оказывается, Вы можете хорошо реагировать на посты. Да, я понимаю, что это классическая морока, но по реакциям я действительно могу оценить, нравится Вам то, что я пишу, или нет. Поэтому, если Вам был интересен пост, буду рад, если Вы будете чаще реагировать 🥺


А теперь к инструкции. Для вчерашнего видео я использовал Flux через KreaAI, чтобы сгенерить исходные фото, поэтому они в таком хорошем качестве. Чтобы зайти в него нужно нажать не на раздел генерации, а перейти на главную и выбрать окошко Flux.

Для меня сначала было не понятно, получится ли через обычные генераторы сделать контролируемые изображения человека по прошествии нескольких лет. Так, чтобы они хотя бы немного были похожи.

😃Но, оказывается, если, в Krea изменять только возраст и определение жизненного периода, а остальные параметры сохранять, то визуально можно выбирать очень похожие лица.

📝 Промпты:

A little boy of the Europyoid race, age 1 year, close-up, green eyes, pure emerald background

A little boy of the Europyoid race, age 2 year, close-up, green eyes, pure emerald background

A little boy of the Europyoid race, age 5 year, close-up, green eyes, pure emerald background

A boy of the Europyoid race, age 10 year, close-up, green eyes, pure emerald background

A teenage boy of European race, age 15, close-up, green eyes, clear emerald background

Young man of European race, age 25, close-up, green eyes, clear emerald background

Adult male Caucasian, age 40, close-up, green eyes, clear emerald background

Elderly man of European race, age 60, close-up, green eyes, gray hair, clear emerald background

Но, есть нюанс, в Krea у вас доступно только 3 минуты использования в день. Этого хватит в лучшем случае на 10 генераций. Мне вот пришлось менять аккаунт, поэтому запасайтесь почтами, они понадобятся и на следующем этапе.

Давайте, чтобы были не полотна текста, я разделю инструкцию на три этапа. Первый закончен, приступаю ко второму. Не беспокойтесь, я не буду растягивать это на три дня. Все выложу сегодня. ✍️

Если что-то не понятно, спрашивайте в комментариях.

Продолжаем создавать таймлапс жизни 🤩

Итак,  у Вас есть определенное количество фотографий с разными периодами жизни человека. Их мы и создавали на предыдущем этапе. Теперь нужно создать между ними переходы. Я использовал для этого Luma, а именно функцию перехода между первым и последним кадром.

Заходим в аккаунт на сайте через гугл, загружаем первую фотографию и после конечную. Как это выглядит можно посмотреть на скриншоте.

Кстати, сервис дает возможность сгенерировать только два видео в день, поэтому почт Вам нужно много. И еще, ждать генерацию иногда нужно достаточно долго, но если она уже стала в очередь, вы сразу же можете запустить другую.

🤔Небольшой лайфхак, который я использовал - когда поставил в очередь на одном аккаунте, открыть новое окно инкогнито или другой браузер, зайти там в новый аккаунт и запустить следующие генерации.

Я знаю еще один секрет, используя который, Вам не придётся создавать огромное количество почт. Но его расскажу так же только если наберется 10 реакций на посте 😝

И можно написать промпт, в котором указать, какой именно переход использовать. Но скажу сразу - он работает не всегда так, как вы хотите. Пишите в комментариях, если хотите, чтобы я разобрался, как его контролировать.

Конечным действием этого этапа, как можно догадаться, нужно скачать все получившиеся видео.

Внимание! Спасибо за внимание! 😄

Наткнулся на статейку, которая разбирает, как внимание человека и модели-трансформера (например, GPT) различаются при решении задач на основе схемы Винограда (The Winograd Schema Challenge, или WSC), названный в честь Терри Винограда, профессора компьютерных наук в Стэнфордском университете. Тест основан на разрешении синтаксической неоднозначности.

Это такие задачки, где нужно понять, кто или что упоминается в предложении (например, в предложении "Машина не смогла перепрыгнуть через канаву, потому что она была слишком широкой," нужно понять, что она относится к канаве).

Основные моменты:

🔤Сравнение внимания: Исследователи проанализировали, как люди и модели обращают внимание на разные части текста, чтобы решить задачи по схеме Винограда. Люди, естественно, лучше понимают контекст, потому что они могут учитывать множество факторов одновременно.

🔤Корреляция между вниманием человека и модели: Авторы исследования обнаружили умеренную корреляцию между тем, на что обращают внимание люди и на что – модели. Это значит, что модели иногда правильно угадывают, какие части текста важны, но делают это далеко не всегда.

🔤Ограничения моделей: Модели-трансформеры хороши, но они всё ещё далеки от полного понимания человеческого контекста. Они могут ошибаться в интерпретации текста, особенно когда дело касается тонких нюансов, которые человеку очевидны.

🔤Практическое применение: Понимание того, как модели обрабатывают внимание, помогает их улучшить и приблизить их работу к человеческому пониманию. Это знание может быть использовано для создания более продвинутых алгоритмов и улучшения качества обработки естественного языка.

По сути, статья показывает, что модели пока не могут заменить человека в задачах, требующих глубокого понимания контекста. Мы на правильном пути, но работы еще куча.

Смерть не является уважительной причиной пропускать работу 😫

Вполне вероятно, что скоро так и будет. Сначала, когда я наткнулся на новость, что ученые Йельского университета воскресили свинью, я не поверил, и полез искать подтверждения в надежных источниках. И, это оказалось правдой. Тут можно будет прочитать подробнее и найти ссылку на оригинальную статью.

Как это происходило? Всё просто и одновременно захватывающе: после остановки сердца кровь перестаёт доставлять кислород к органам, и те начинают постепенно умирать. Но учёные задумались: а что, если подать кислород другим способом и попробовать «запустить» органы снова? Для этого они создали установку под названием OrganEx, которая прокачивала через тела смесь крови и специальных веществ, имитируя работу сердца.

Сначала свиньи были мертвы около часа, а потом их подключили к аппарату искусственной вентиляции лёгких и OrganEx. Результаты впечатляют: у свиней частично восстановилась работа внутренних органов, сердца снова начали биться, а конечности — подёргиваться. Пусть это и не полное воскрешение, но для начала — очень даже неплохо! Да, свинки в итоге снова умерли 💀

Руководитель исследования, Дэвид Андриевич, отметил, что учёные раньше недооценивали способность млекопитающих к частичному восстановлению после прекращения кровотока. Это уже не первый их эксперимент — три года назад они смогли оживить мозг свиней спустя четыре часа после смерти. Конечно, сознание к ним не вернулось, но сам факт восстановления жизнедеятельности поражает.

➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
Сейчас учёные планируют усовершенствовать установку и продолжить эксперименты. Официально — для продления жизни донорских органов и борьбы с последствиями инсультов и инфарктов. Но, кажется, у них есть и более амбициозные цели — попробовать воскрешать людей.

И это не просто фантазии: исследователи из Университета Иллинойса обнаружили, что клетки мозга человека продолжают функционировать какое-то время после смерти, а некоторые — даже до 96 часов.

Кто знает, что может произойти, если им немного помочь?

ИИ пишет научные статьи? 👨‍💻

Пару недель назад австралийский журнал Cosmos вдруг стал топовым не из-за какой-то крутой статьи, а потому что решил замутить эксперимент с генеративным ИИ для создания научных текстов. Ну и как вы думаете, чем это всё кончилось? Правильно, диким замесом и кучей критики, причём со всех сторон: от научного комьюнити, читателей, бывших авторов и даже учредителей.

😮С чего всё началось?

В 2023 году журнал получил грант от Meta News Fund, и они решили эти бабки потратить на создание кастомного ИИ-сервиса, который бы на основе их архива генерил научные статьи. Идея была исследовать, насколько ИИ может вписаться в журналистику. Для эксперимента натренировали ИИ на базе 15 000 статей и запилили шесть новеньких текстов, которые в июле 2024 года залили на сайт Cosmos с пометкой, что контент сгенерен ИИ. Но не всё так гладко. Джексон Райан, президент Ассоциации научных журналистов Австралии, сразу указал, что в одной из статей нашлись неточности. Да, тексты делали через GPT-4 от OpenAI, а потом проверяли по архиву, но этого оказалось недостаточно.

🙌А что с авторами?

За полгода до этого, в феврале 2024, пять из восьми внештатных авторов журнала Cosmos были просто выкинуты за дверь. Им тупо пришли письма: мол, «вы уволены, статьи больше не принимаем». Официальная версия — финансовые проблемы. Но после всей этой истории с ИИ кажется, что причина может быть совсем другой. Это поставило под сомнение этичность и прозрачность политики журнала, и вообще — насколько можно доверять их научной журналистике.

☕️Какая в итоге реакция?

Когда вскрылась вся эта история, начался полный переполох. Оказалось, что ни редакторы, ни учредители журнала вообще не знали об этом эксперименте. Иэн Коннеллан, бывший редактор Cosmos, заявил, что вся редакция была в шоке, и что такое использование ИИ — точно не то, чего они хотели для своего журнала. Учредители, Кайли Аерн и Уилсон да Силва, тоже высказались крайне негативно.

😠Доверие на грани краха

Бывшие авторы Cosmos считают, что этот ИИ-сервис просто обесценивает их работу и угрожает всей профессии журналиста. Фонд Уокли, который финансировал проект, тоже оказался под обстрелом за поддержку такого эксперимента. Использование ИИ в науке и журналистике — это как играть с огнём. В эпоху, когда доверие к науке и СМИ и так на минимуме, такие фокусы могут привести к настоящей катастрофе. Джексон Райан, например, привёл в пример технологический сайт CNET, где в 2022 году уже была аналогичная ситуация, и более половины статей, созданных ИИ, оказались с косяками.

🏋️‍♂️Итоги и перспективы

На данный момент проект Cosmos приостановлен и проводится расследование. Но CSIRO, управляющая компания, утверждает, что они по-прежнему за «этичное и ответственное» использование ИИ.

А теперь давайте порассуждаем: ИИ в журналистике имеет потенциал, особенно для маленьких изданий, у которых не хватает ресурсов. Он может автоматизировать рутину, но это должно происходить открыто и с учётом мнения аудитории. Да, ИИ — это перспективный инструмент, но пока он остаётся именно инструментом, который может как помочь, так и навредить. Поэтому здесь важно держать баланс и не забывать, что доверие аудитории — это самое главное.

Привет, решил Вам накидать небольшой словарь терминов, связанных с LLM

А то попытался в гугле посмотреть, и не нашел нормальных статей на эту тему. Пжлста:

🔤1. Искусственный интеллект (ИИ) / Artificial Intelligence (AI)
   Компьютерные системы, которые выполняют задачи, требующие человеческого интеллекта. Бывает узкий ИИ, который специализируется на одной задаче, и широкий ИИ, который теоретически может справиться с любым видом задач.

🔤 2. Машинное обучение / Machine Learning (ML)
   Алгоритмы, которые учатся на данных, улучшаясь с каждым новым примером. По сути, это способ научить компьютеры делать предсказания и принимать решения на основе опыта, а не программных инструкций.

🔤 3. Глубокое обучение / Deep Learning
   Это тип машинного обучения, который использует многослойные нейронные сети для анализа сложных данных. Чем больше слоёв, тем сложнее задачи, которые модель может решать, например, распознавание лиц или обработка естественного языка.

🔤 4. Нейронные сети / Neural Networks
   Модели, которые работают по принципу нашего мозга: информация проходит через сеть "нейронов", которые обрабатывают данные и учатся на них. Основной инструмент глубокого обучения.

🔤 5. Обработка естественного языка / Natural Language Processing (NLP)
   Это направление ИИ, которое занимается тем, чтобы компьютеры понимали и обрабатывали человеческую речь и текст. Используется в чат-ботах, переводчиках и других системах, взаимодействующих с людьми.

🔤 6. Генеративные модели / Generative Models
   Модели, которые способны создавать новые данные, похожие на те, на которых они обучались. Например, могут генерировать текст, изображения или музыку на основе изученных примеров.

🔤 7. Разреженные представления / Sparse Representations
   Метод, при котором данные представляются так, что только небольшая часть из них имеет значение в любой момент времени. Это позволяет экономить вычислительные ресурсы и ускоряет процесс анализа.

🔤 8. Обратное распространение ошибки / Backpropagation
   Алгоритм, который позволяет нейронным сетям обучаться, корректируя свои ошибки. Сеть анализирует, где она ошиблась, и подстраивает свои веса, чтобы улучшить точность в будущем.

🔤 9. Трансформеры / Transformers
   Архитектура, которая кардинально изменила подход к обработке текста и других последовательных данных. Благодаря механизму внимания, трансформеры позволяют обрабатывать данные быстрее и с большей точностью.

🔤 10. Оверсэмплирование / Oversampling
   Техника, которая помогает сбалансировать классы в данных путём создания дополнительных копий редких примеров. Это улучшает обучение модели и делает её более точной на нечастых данных.

🔤 11. Адаптивные моменты (Adam) / Adaptive Moments (Adam)
   Алгоритм оптимизации, который регулирует скорость обучения для каждого параметра модели, что делает процесс обучения более эффективным и стабильным.

🔤 12. Объяснимый ИИ / Explainable AI (XAI)
   Подходы и методы, которые позволяют пользователю понимать, как и почему ИИ принял то или иное решение. Это важно для повышения доверия к системам ИИ, особенно в критически важных областях.

🔤13. Аугментация данных / Data Augmentation
   Метод увеличения объёма данных путём изменения существующих примеров, например, поворот изображения или изменение его яркости. Это помогает улучшить качество обучения модели.

🔤 14. Градиентный бустинг / Gradient Boosting
   Техника, при которой несколько слабых моделей объединяются для повышения точности предсказаний. Каждая новая модель исправляет ошибки предыдущих, создавая сильный ансамбль.

🔤 15. Обезличивание данных / Data Anonymization
   Процесс удаления или маскировки личной информации в данных, чтобы защитить конфиденциальность. Это важно для соблюдения стандартов безопасности и защиты данных.

Если было полезно, пишите, делать ли еще.

В чем разница Искусственный интеллекта и Машинного обучения 🤔

Сегодня поговорим о том, чем отличается Искусственный Интеллект (ИИ) от Машинного Обучения (МО). Эти термины часто путают, но разница между ними существенная, и понимать её важно для того, чтобы правильно использовать технологии.

❗️Искусственный интеллект:
ИИ — это общее название для технологий, которые позволяют машинам выполнять задачи, требующие человеческого интеллекта. Сюда входит всё: от простых систем, которые могут распознавать изображения, до сложных алгоритмов, способных анализировать большие массивы данных и принимать решения. Основная идея ИИ — создание системы, которая может решать задачи, обычно требующие участия человека.

Пример: алгоритмы, которые могут анализировать тональность текста или управлять беспилотным автомобилем, относятся к ИИ. Это всё обширная область, включающая в себя множество разных подходов и технологий, которые вместе формируют то, что мы называем искусственным интеллектом.

❗️Машинное обучение:
МО — это более узкая область внутри ИИ, которая фокусируется на том, как система может учиться на данных. Основная идея здесь — дать машине возможность находить закономерности и делать предсказания на основе прошлых данных.

Технически, машинное обучение — это процесс построения моделей, которые анализируют входные данные и затем делают предсказания или принимают решения. Эти модели "обучаются" на тренировочных данных, чтобы в будущем справляться с новыми задачами.

☝️Пример: если мы хотим, чтобы система распознавала котов на фотографиях, мы предоставляем ей тысячи изображений с метками "кот" и "не кот". Система анализирует эти данные, обучается, и в будущем способна отличить кота от других объектов на новых изображениях.

Различие между ИИ и МО
ИИ — это общее понятие, которое охватывает любую систему, способную выполнять интеллектуальные задачи, тогда как МО — это конкретный метод, который позволяет ИИ учиться и становиться умнее. Другими словами, МО — это один из инструментов, который делает ИИ возможным.

Важная деталь: МО требует большого количества данных и мощных вычислительных ресурсов, чтобы модель могла правильно обучиться и делать точные предсказания. Это как тренировка спортсмена: чем больше данных (тренировок), тем лучше результаты.

🙌Представьте, что вы управляете системой рекомендаций на сайте. ИИ здесь — это общая концепция создания системы, которая может рекомендовать пользователю фильмы или товары. МО — это конкретный алгоритм, который анализирует предпочтения пользователя, обучаясь на его предыдущих выборах, и затем предлагает что-то новое, что, по мнению системы, ему понравится.

Вывод
ИИ и МО — это не одно и то же, хотя часто их рассматривают как синонимы. ИИ — это широкий спектр технологий, а МО — это ключевой метод, позволяющий этим технологиям учиться и развиваться. Понимание этой разницы важно, чтобы эффективно применять эти технологии в бизнесе и жизни.

Как роботы в медицине меняют жизнь и спасают сердца 💔

Королевский госпиталь имени короля Фейсала в Саудовской Аравии просто шокировал медицину: они  опубликовали данные об 400 успешных операций на сердце с выживаемостью 98%! Это не просто цифры, а настоящая революция.

Вот основные плюсы от того, что операция проводится роботами:

▶️Быстрее выздоровление: после операции на сердце пациенты возвращаются домой на 50% быстрее.

▶️Экономия: роботизированные операции стоят дешевле и осложнений меньше.

▶️Сохранение детских жизней: это единственная больница в мире, которая делает роботизированные операции на сердце детям.

▶️Решение сложных задач: роботы успешно проводят операции, которые раньше считались невозможными.


В Индии уже тоже работает робот Misso, который помогает планировать ортопедические операции. А AiM Medical Robotics разработала робота для планирования операций в реальном времени. Да, первоначально это дорого, но в долгосрочной перспективе меньше осложнений, быстрее восстановление и выше качество жизни.


🇷🇺И в России за последние 5 лет выполнено более 20 тысяч роботизированных операций. 50 компаний разрабатывают медицинскую робототехнику, и это уже внедряется и у нас, и за рубежом. По прогнозам, рынок медицинских роботов к 2026 году достигнет 5 миллиардов долларов.

Ольга Мудрова из НАУРР отметила, что роботизация в медицине растет на 10-30% в год. Это не только медицинские роботы, но и другие сферы, которые выигрывают от технологий: меньше осложнений, быстрая реабилитация.

Но, естественно, применяются не только физические роботы. Мы также работаем над автоматизацией бизнес-процессов в медицине: от сбора данных до управления медицинскими записями. Это помогает сократить время на рутину и сосредоточиться на лечении.

Вот несколько примеров того, как автоматизируются процессы для медицинских учреждений:

▶️Договоры: автоматическое создание шаблонов, интеллектуальный анализ на соответствие стандартам и автоматизированное согласование.
▶️Тендеры: поиск тендеров, подготовка документации и автоматизированная оценка поставщиков.

Как Вы, решились бы на операцию, которую делает робот?

Как там эти ваши LLM работают и хранят информацию? 🤩

Мы вроде бы уже неплохо так погрузились в тему искусственного интеллекта, но как они там внутри работают? Вообще хер знает.

Увидел, что один классный чувак, хорошо разбирающийся в LLM рекомендует недавно вышедшее видео про то, как они устроены внутри. Вроде бы для новичков самое то.

Буду сегодня смотреть вместе с Вами.

Кстати, напоминаю, что в Яндекс браузере можно в стриминге смотреть англоязычные видео.

Эй, народ! 🤩

Слышали новость? Рамочная конвенция Совета Европы по ИИ и правам человека, демократии и верховенству права была принята 17 мая 2024 года и с 5 сентября открыта для подписания. Уже подписали немало стран — от США и Израиля до Великобритании и Норвегии. 🚀

Что это за документ? Конвенция устанавливает принципы для защиты прав человека и демократических институтов в сфере ИИ. Включает требования по прозрачности, подотчетности и защите данных. Но вот загвоздка: страны могут сами решать, какие обязательства они возьмут на себя в частном секторе. 🤔

Конвенция не охватывает научные исследования, нацбезопасность и оборону. Россия пока не подписала, и в свете текущей политической ситуации это маловероятно. 🤩

Критика: Документ критикуют за "беззубость" — слишком общие формулировки и отсутствие конкретных требований. К тому же, возможность для стран избегать строгого регулирования в частном секторе вызвала волну недовольства.

Эта конвенция вроде бы может быть важным шагом к глобальному регулированию ИИ, но как она повлияет на международные стандарты и законодательство? Будем следить за развитием событий! 🤩

Что думаете? Есть вопросы или свои мысли по поводу конвенции? Пишите в комментариях!

🔲Что такое реляционные базы данных (РБД)? И при чём тут ИИ?

Если коротко: реляционная база данных — это просто метод хранения данных в виде таблиц, которые связаны между собой. Представьте Excel-таблицы, только в 1000 раз мощнее. Каждый кусок инфы, будь то клиенты, заказы или товары, лежит в своей таблице, и они аккуратно соединяются по ключам. Это как собрать пазл: все части на своих местах, легко найти нужный кусок.

⏩Пример: У нас есть таблица с клиентами, где хранится имя, email и ID клиента. Есть другая таблица с заказами, где каждый заказ привязан к клиенту через ID. Вместо того чтобы в каждой строке дублировать имя клиента — мы просто ссылаемся на ID. Меньше хаоса — больше структуры.

Как всё это связано с ИИ❓

РБД — это как склад данных для ИИ. Чтобы ИИ работал, ему нужны тонны данных, и реляционные базы помогают эти данные организовать. Вот как это работает:

Подготовка данных для ИИ: данные в базе могут использоваться для обучения моделей. Например, если у нас база с покупками клиентов, ИИ может учиться предсказывать, что они купят дальше.

После того как модель обучилась, ей всё ещё нужно вытаскивать данные из базы, чтобы принимать решения. Например, рекомендовать новый товар, основываясь на предыдущих покупках.

Анализ результатов: ИИ что-то напрогнозировал или сделал? Результаты сохраняются в базе, чтобы потом можно было глянуть, как это всё сработало.

Короче, реляционные базы — это как кухня для ИИ. Всё готовится там, данные подаются ИИ на блюде, и он выдаёт результат. Без этих баз наш ИИ бы голодал и ничего не предсказывал. Так что если строишь ИИ — сначала подумай, где будешь хранить все данные.

Как ScribblePrompt помогает врачам быстрее разметить мед.снимки: новый уровень взаимодействия с ИИ 🖥

Когда смотришь на МРТ или рентген без подготовки, это выглядит как серые пятна и непонятные формы. Но для врачей это целый мир анатомических структур, которые нужно внимательно отслеживать, чтобы найти опухоль или другую аномалию. В обычной ситуации врачи часами сидят, разметывая снимки вручную. А вот тут на помощь и приходит ИИ.

💡 ScribblePrompt — это интерактивный ИИ-инструмент, который значительно ускоряет процесс разметки медицинских изображений. Он позволяет просто "нацарапать" примерную область на снимке, а ИИ сам выделит нужную структуру. Нужно ещё подправить — нет проблем, можно дорисовать или стереть лишнее. Всё это экономит врачам кучу времени и нервов.

Обычно, чтобы научить нейросеть разметке, надо промаркировать тысячи снимков, и это занимает огромное количество времени. Команда MIT решила обойти это и создала симуляцию того, как люди разметили бы снимки. Так ScribblePrompt обучили работать с разными типами мед. изображений — от МРТ до УЗИ. Это позволило системе быть гибкой и адаптироваться даже к новым задачам, с которыми она раньше не сталкивалась.

😊 Клиническая польза
Исследования показали, что ScribblePrompt позволяет разметить снимки на 28% быстрее, чем другие методы. Это помогает врачам больше времени уделять сложным аспектам диагностики, а не тратить время на рутинную работу.

Этот ИИ помогает не заменить, а дополнить работу врачей. Он делает разметку точнее, быстрее и эффективнее, что особенно важно для сложных областей, таких как нейроизображения или разметка 3D-структур.

ScribblePrompt уже успешно используется для разметки данных в исследованиях по неврологии, рентгенологии и биомедицине. Проект MIT показывает, как ИИ может улучшить работу медицинских специалистов и ускорить процесс диагностики.

В будущем такие системы могут стать стандартом для мед. анализа. ScribblePrompt — лишь один из шагов к тому, чтобы ИИ сделал медицину ещё быстрее и точнее.