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.

Девушки, модельное отменяется 😭

Можно было еще надеятся, что когда нас заменят в технических специальностях, останется место творчеству. Но, не тут-то было.

В онлайн-магазинах Mango на фотках теперь будут не настоящие модели, а сгенерированные в Stable Diffusion.

Но, фотографы пока живут. Потому что исходники одежды все еще будут вручную фотографироваться и потом уже накладываться на искусственных моделей.

Значит ли это, что фотографы переживут мясорубку ИИ? Сомнительно. В дальнейшем вполне возможен расклад, что дизайн одежды будет отрисовывать ИИ, потом он же будет делать 3D-модельки и натягивать на фото людей.

А если заглядывать ещё дальше, то мы просто будем своих виртуальных аватаров одевать на сайтах. Вроде я где-то такое уже слышал.

Тогда уж точно из квартир вылазить не будем. А новые шмотки только в фотографиях на экстремистских платформах показывать. Приветствуем 1000 лет одиночества...

Будет ли ИИ создавать игры? 👨‍💻

Когда я начал знакомиться с нейросетями и разбираться, что они могут делать, мои мысли насчет масштабов замены людей улетели в космос. О чем я только не думал. В том числе фантазировал, что можно сделать игру, в которой у каждого будет уникальная история прохождения, потому что все действия будет отслеживать ИИ и на их основе генерировать игру дальше.

Постепенно, больше разбираясь, как все работает, мои мечты разбились о реальность. А в разговоре с одним разработчиком мы пришли к выводу, что такое сейчас возможно только в текстовых квестах.

🧐 Но, не станем отрицать, что искусственный интеллект может помогать создавать игры. И скорее всего делает это уже сейчас. Сегодня ещё прочитал статью одного фронтендера и фаната игр, где он предположил, что ИИ сможет делать, а что нет.

Кратко опишу, к каким выводам он пришел. А саму статью можно прочитать тут.

🔤 Нейросети будут генерить уровни на ходу (скорее нет)
Это давно не новость, ещё с времён Rogue. Сейчас рогалики юзают рандомную генерацию из готовых фрагментов. AI может генерить что-то своё, но для этого надо дофига данных, и даже так оригинальности маловато. Так что, крупные игры вряд ли будут юзать нейросети для дизайна уровней.

🔤 Нейросети помогут делать грейбокс уровней (да)
Грейбокс — это черновик уровня. Человек задаёт концепт, нейросеть делает рутинные штуки типа расстановки платформ и укрытий. Дизайнер фокусируется на уникальных идеях, а AI помогает с простыми задачами.

🔤 Нейросети будут создавать модели (частично да)
AI может накидать примитивные 3D-модели, но для финальной картинки всё равно нужен человек. В будущем нейросети помогут делать основу, но допиливать будут люди.

🔤 Нейросети заменят творческих людей (нет)
Слабый ИИ может только генерить по образцам. Он не умеет выходить за рамки того, что ему дали. Все его работы уже палятся на раз-два, а креатив и свежие идеи пока только за людьми.

🔤 Нейросети будут тестировать баланс (да)
AI идеально подходит для автотестов баланса. Прогонит 100 матчей и подскажет, что поменять в игре. Правда, баланс для роботов и людей — это не одно и то же, так что могут быть сюрпризы.

🔤Нейросети будут искать баги (вряд ли)
Идея AI-плейтестера крутая, но вряд ли такое появится скоро. Плюс баги — это же весело! Спидранеры и мемы будут грустить, если AI почистит все глюки.

Пишите, с чем согласны, или свои идеи.

Как сделать прайс-лист с помощью нейросетей 🤩

У меня сегодня попросили помочь сделать прайс-лист. Человек тратил на 10 изображений 5-6 часов, потому что делал все вручную: копировал, переносил на картинку, редактировал и выравнивал по расположению.

А заказчик попросил сделать по-другому и нужно было снова тратить столько же времени на весь процесс. Я посидел, подумал, как это можно сделать эффективнее и нашел решение, которое в 5 раз сокращает времязатраты.

Решил поделиться с Вами.

Входные данные такие: у нас есть написанные подряд данные, с названием услуги/товара, их описанием, количеством времени на услугу и стоимость.

Алгоритм действий:

1️⃣ Копируем всё как есть.

2️⃣ Заходим в ChatGPT - именно на официальный сайт. И просим его сделать таблицу из данных, которые мы скопировали. Можно задать дополнительные условия, например, убрать описание услуг и оставить только название.

Теперь у нас есть упорядоченные данные.

3️⃣ Заходим на сервис Canva - у них есть сайт и приложение. И бесплатно доступен очень большой функционал.

4️⃣ Создаем новый дизайн и выбираем размеры файла, которые нужны.

5️⃣ Открываем вкладку "Элементы", ищем там таблицы, выбираем понравившуюся, добавляем нужное количество строк, убираем границы и вставляем туда информацию из таблицы в ChatGPT.

6️⃣ Осталось только задизайнить, как нравится и можно скачивать.

Готово, вы великолепны, можете спокойно продавать эту услугу.

Нас всех обманывали с тем, как нужно общаться с нейросетяими 🤩

Не буду Вас сильно грузить в вечер воскресенья. Просто расскажу немного про промптинг.

OpenAI вместе с выпуском новой модели, посоветовали общаться с ней максимально конкретно, кратко и по делу.

И что точно не нужно использовать формулировки по типу "думай шаг за шагом, проанализируй свои ответы и т.д.", о чем часто говорили многие блоггеры. Да и я скорее всего в начале об этом писал.

Но и не с одного слова, конечно промпт составляйте.

С генерацией изображений во Flux и Ideogram то же самое - просто пишите, что Вам нужно, без добавления большого количества эпитетов через запятую.

А ещё лучше попросите ChatGPT составить для Вас промпт. Идеально, если закинете ему пример изображения, которое хотите сгенерировать.

Вот и все, доброй ночи и спокойной продуктивной недели Вам 🤗

Какой из видеогнгераторов сейчас лучше? 🤩

Кто-то сделал сравнение популярных видеомоделей.

Но, есть один нюанс. Видео от Adobe - это материалы от них самих для анонса. Поэтому скорее всего подредактированны.

Luma самый доступный для нас, простых смертных. Но и самый низкокачественный, на мой взгляд. Но, если запариться, можно научиться там выдавать что-то стоящее.

Minimax вроде бы выглядит лучше всех.

А вы что думаете?

Пьем за программистов 🍔

Новая модель от OpenAI действительно, как было заявлено, достигает уровня PhD - это, если что, докторская степень в США.

Почему🔤

Позавчера исследователь из NASA опубликовал видео, на котором GPT-o1 за час написал код, который решает задачу из его докторской работы. И этот код реально работает. Причем еще и с меньшим количеством строк.

А знаете, сколько времени понадобилось самому чуваку, чтобы сделать работу? Всего 10 месяцев)

🧐Но, справедливости ради, нужно упомянуть, что он дал нейронке описание используемых методов из своей статьи.

Поэтому, если Вы совсем не разбираетесь в теме, вряд ли получиться сделать что-то похожее. Вы, как минимум не поймете, правильно ли всё получилось. Хотя, интересно провести эксперимент.

Но, мне кажется, мы реально не понимаем, насколько сильным вспомогательным инструментом сейчас становится искусственный интеллект для специалистов.
И если не начинать его активно осваивать, догнать их будет очень сложно.

Что думаете об этом? 🤔

P.S. Видео с переводом можно посмотреть через Яндекс.Браузер.