Что изображено на этом ⬆️графике? Выберете верное утверждение.
1 января 2017 года у продукта было чуть больше 5 миллионов пользователей. - 79
👍👍👍👍👍👍👍👍 83%
3 марта 2015 года у продукта было менее 1 миллиона пользователей. - 5
👍 5%
Отметка в 15 миллионов пользователей продукта будет достигнута к 1 января 2018 года. - 11
👍👍 12%
👥 95 человек уже проголосовало.
1 января 2017 года у продукта было чуть больше 5 миллионов пользователей. - 79
👍👍👍👍👍👍👍👍 83%
3 марта 2015 года у продукта было менее 1 миллиона пользователей. - 5
👍 5%
Отметка в 15 миллионов пользователей продукта будет достигнута к 1 января 2018 года. - 11
👍👍 12%
👥 95 человек уже проголосовало.
Анализ данных социальных сетей: подходы и методы
Социальные сети являются хорошим источником данных и важно уметь эффективно работать с этим данными. Рассмотрим несколько особенностей и подходов работы с данными социальных сетей.
Стоит отметить, что существует отдельное направление — Social Mining. Это применение методов и алгоритмов data mining для поиска и обнаружения зависимостей и знаний в социальных сетях (или тех областях знаний, где данные можно представить в виде сетей/графов). Области применения достаточно широки.
В общем случае, почти все практические задачи анализа данных соцсетей сводятся к следующим базовым:
1. Анализ инфопотоков, структуры и метрик социальной сети
2. Анализ тональности сообщений (эмоциональной окраски)
3. Анализ и извлечение тем (о чем пишут в соцсетях)
4. Анализ изображений
Часто встречаются и комбинации этих задач.
Социальные сети являются хорошим источником данных и важно уметь эффективно работать с этим данными. Рассмотрим несколько особенностей и подходов работы с данными социальных сетей.
Стоит отметить, что существует отдельное направление — Social Mining. Это применение методов и алгоритмов data mining для поиска и обнаружения зависимостей и знаний в социальных сетях (или тех областях знаний, где данные можно представить в виде сетей/графов). Области применения достаточно широки.
В общем случае, почти все практические задачи анализа данных соцсетей сводятся к следующим базовым:
1. Анализ инфопотоков, структуры и метрик социальной сети
2. Анализ тональности сообщений (эмоциональной окраски)
3. Анализ и извлечение тем (о чем пишут в соцсетях)
4. Анализ изображений
Часто встречаются и комбинации этих задач.
Метод главных компонент (PCA)/SVD
#algorithms
Это один из основных алгоритмов машинного обучения. Позволяет уменьшить размерность данных, потеряв наименьшее количество информации. Применяется во многих областях, таких как распознавание объектов, компьютерное зрение, сжатие данных и т. п. Вычисление главных компонент сводится к вычислению собственных векторов и собственных значений ковариационной матрицы исходных данных или к сингулярному разложению матрицы данных.
SVD — это способ вычисления упорядоченных компонентов.
#algorithms
Это один из основных алгоритмов машинного обучения. Позволяет уменьшить размерность данных, потеряв наименьшее количество информации. Применяется во многих областях, таких как распознавание объектов, компьютерное зрение, сжатие данных и т. п. Вычисление главных компонент сводится к вычислению собственных векторов и собственных значений ковариационной матрицы исходных данных или к сингулярному разложению матрицы данных.
SVD — это способ вычисления упорядоченных компонентов.
Хочешь освоить востребованную и высокооплачиваемую IT-профессию? Попробуй свои силы в Java-разработке!
Пройди бесплатный интенсив и напиши свою первую программу: https://clc.am/j96EpA.
За три дня ты:
👉 получишь базовые навыки программирования на Java;
👉 поймёшь на практике, как устроена работа Java-разработчика;
👉 напишешь программу для мониторинга активности рабочего стола.
Полезными навыками и лайфхаками поделится разработчик с опытом более 15 лет, директор центра SymbioWay, который находит IT-специалистов для крупнейших компаний России — Даниил Пилипенко.
🎁 Всех участников ждут подарки от издательства «МИФ», а авторов трёх лучших проектов — гранты на обучение в онлайн-университете Skillbox!
Пройди бесплатный интенсив и напиши свою первую программу: https://clc.am/j96EpA.
За три дня ты:
👉 получишь базовые навыки программирования на Java;
👉 поймёшь на практике, как устроена работа Java-разработчика;
👉 напишешь программу для мониторинга активности рабочего стола.
Полезными навыками и лайфхаками поделится разработчик с опытом более 15 лет, директор центра SymbioWay, который находит IT-специалистов для крупнейших компаний России — Даниил Пилипенко.
🎁 Всех участников ждут подарки от издательства «МИФ», а авторов трёх лучших проектов — гранты на обучение в онлайн-университете Skillbox!
Метод наименьших квадратов
#algorithms
Метод наименьших квадратов — математический метод, применяемый для решения различных задач, основанный на минимизации суммы квадратов отклонений некоторых функций от искомых переменных.
Он может использоваться для "решения" переопределенных систем уравнений (когда количество уравнений превышает количество неизвестных), для поиска решения в случае обычных (не переопределенных) нелинейных систем уравнений, а также для аппроксимации точечных значений некоторой функции.
Используйте этот алгоритм, чтобы соответствовать простым кривым/регрессии.
Полезные ссылки:
numpy.linalg.lstsq
numpy.polyfit
#algorithms
Метод наименьших квадратов — математический метод, применяемый для решения различных задач, основанный на минимизации суммы квадратов отклонений некоторых функций от искомых переменных.
Он может использоваться для "решения" переопределенных систем уравнений (когда количество уравнений превышает количество неизвестных), для поиска решения в случае обычных (не переопределенных) нелинейных систем уравнений, а также для аппроксимации точечных значений некоторой функции.
Используйте этот алгоритм, чтобы соответствовать простым кривым/регрессии.
Полезные ссылки:
numpy.linalg.lstsq
numpy.polyfit
Сингулярность, которую мы заслужили
Технологическая сингулярность, которую Вернор Виндж предсказывал в 1993 году, происходит прямо сейчас. В своём манифесте Виндж предложил тогда несколько вероятных сценариев того, как этот фазовый переход разумности землян мог бы состояться где-то между 2005 и 2030 годами, но подчеркнул, что детальные прогнозы тут невозможны. Они и не сбылись. Что сбывается сейчас, так это главная идея: когда в игру войдут созданные нами сверхчеловеческие существа – мы быстро и навсегда утратим не только возможность управлять событиями, но даже принципиальную способность понять новые правила.
Технологическая сингулярность, которую Вернор Виндж предсказывал в 1993 году, происходит прямо сейчас. В своём манифесте Виндж предложил тогда несколько вероятных сценариев того, как этот фазовый переход разумности землян мог бы состояться где-то между 2005 и 2030 годами, но подчеркнул, что детальные прогнозы тут невозможны. Они и не сбылись. Что сбывается сейчас, так это главная идея: когда в игру войдут созданные нами сверхчеловеческие существа – мы быстро и навсегда утратим не только возможность управлять событиями, но даже принципиальную способность понять новые правила.
Снижение размерности
#algorithms
Этот термин легко понять интуитивно. Есть набор данных и нужно уменьшить количество его измерений. В Data Science под этим подразумевается количество переменных признаков.
Куб представляет набор данных, имеет три измерения и содержит 1000 точек. Конечно, при современных вычислительных мощностях таким количеством никого не напугать, но когда это число начнёт расти, могут появиться проблемы. Однако, если посмотреть на данные с двухмерной точки зрения, можно увидеть, что с такого угла легко разделить все цвета. С помощью снижения размерности можно спроецировать 3D-данные на 2D-плоскость, что эффективно снижает количество точек для вычисления до 100 единиц.
Снизить размерность также можно с помощью отбрасывания маловажных признаков. Например, после изучения набора данных было выявлено, что из 10 признаков 7 сильно коррелируют с выходом, а остальные 3 — нет. Значит, 3 этих признака не стоят траты ресурсов на них и их можно исключить без вреда для выхода.
Наиболее распространённый метод для снижения размерности — метод главных компонент (PCA), который создаёт векторные представления признаков, тем самым показывая их связь с выходом. PCA можно использовать для обоих вариантов снижения размерности, описанных выше.
#algorithms
Этот термин легко понять интуитивно. Есть набор данных и нужно уменьшить количество его измерений. В Data Science под этим подразумевается количество переменных признаков.
Куб представляет набор данных, имеет три измерения и содержит 1000 точек. Конечно, при современных вычислительных мощностях таким количеством никого не напугать, но когда это число начнёт расти, могут появиться проблемы. Однако, если посмотреть на данные с двухмерной точки зрения, можно увидеть, что с такого угла легко разделить все цвета. С помощью снижения размерности можно спроецировать 3D-данные на 2D-плоскость, что эффективно снижает количество точек для вычисления до 100 единиц.
Снизить размерность также можно с помощью отбрасывания маловажных признаков. Например, после изучения набора данных было выявлено, что из 10 признаков 7 сильно коррелируют с выходом, а остальные 3 — нет. Значит, 3 этих признака не стоят траты ресурсов на них и их можно исключить без вреда для выхода.
Наиболее распространённый метод для снижения размерности — метод главных компонент (PCA), который создаёт векторные представления признаков, тем самым показывая их связь с выходом. PCA можно использовать для обоих вариантов снижения размерности, описанных выше.
Смешные собеседования: истории ИТ-рекрутеров
Невольный свидетель
Проводила собеседование с кандидатом по видеосвязи. На заднем плане был виден очень большой полированный шкаф времен СССР. Общение шло хорошо, кандидат был очень вежливый. В какой-то момент в комнату зашел дедуля, открыл шкаф и начал перебирать в нём вещи. Кандидат при этом ничего не мог сделать и продолжил рассказывать о своем опыте как ни в чем не бывало. Дедуля достал вещи, посмотрел в экран и удалился. По итогу интервью знала не только чего хочет мой кандидат, но и видела всё, что у них в шкафу хранится, а также частично познакомилась с его семьей.
Невольный свидетель
Проводила собеседование с кандидатом по видеосвязи. На заднем плане был виден очень большой полированный шкаф времен СССР. Общение шло хорошо, кандидат был очень вежливый. В какой-то момент в комнату зашел дедуля, открыл шкаф и начал перебирать в нём вещи. Кандидат при этом ничего не мог сделать и продолжил рассказывать о своем опыте как ни в чем не бывало. Дедуля достал вещи, посмотрел в экран и удалился. По итогу интервью знала не только чего хочет мой кандидат, но и видела всё, что у них в шкафу хранится, а также частично познакомилась с его семьей.
ИИ научился легко решать сложнейшие уравнения, которые описывают устройство Вселенной
Дифференциальные уравнения в частных производных встречаются в самых разных аспектах физико-математического моделирования. Они позволяют рассчитывать состояния весьма сложных систем, но их решение всегда было ресурсоемкой задачей. Благодаря специально созданной нейросети этот процесс значительно ускорился и мощности суперкомпьютеров можно будет перенаправить на другие важные задачи.
Большинство студентов технических специальностей встречают уравнения математической физики (УМФ), или дифференциальные уравнения в частных производных, лишь однажды. Пройдя их во время обучения, об этом сложном, но мощном инструменте почти всегда забывают. И лишь некоторые инженеры используют их регулярно. Речь идет, например, о моделировании воздушных потоков в аэродинамике, описании движения тектонических плит, расчете положения планет или метеорологии.
Дифференциальные уравнения в частных производных встречаются в самых разных аспектах физико-математического моделирования. Они позволяют рассчитывать состояния весьма сложных систем, но их решение всегда было ресурсоемкой задачей. Благодаря специально созданной нейросети этот процесс значительно ускорился и мощности суперкомпьютеров можно будет перенаправить на другие важные задачи.
Большинство студентов технических специальностей встречают уравнения математической физики (УМФ), или дифференциальные уравнения в частных производных, лишь однажды. Пройдя их во время обучения, об этом сложном, но мощном инструменте почти всегда забывают. И лишь некоторые инженеры используют их регулярно. Речь идет, например, о моделировании воздушных потоков в аэродинамике, описании движения тектонических плит, расчете положения планет или метеорологии.
Статистические характеристики
Статистические характеристики — наверное, наиболее часто используемая статистическая концепция в Data Science. Обычно это первое, что применяют при исследовании набора данных. В эту концепцию входят такие понятия как отклонение, дисперсия, среднее значение, медиана, процентили и многие другие. Их довольно легко понять и реализовать в коде.
Линия посередине — это медианное значение данных. Медиану используют вместо среднего значения по той причине, что она более устойчива к аномальным значениям в данных. Первый квартиль — это 25 процентиль, т.е. 25% значений в данных находятся ниже этого значения. Третий квартиль — это 75 процентиль, т.е. 75% значений в данных находятся ниже этого значения. Минимальное и максимальное значения отражают нижнюю и верхнюю границы диапазона данных.
Ящик с усами прекрасно демонстрирует, что мы можем сделать с основными статистическими характеристиками:
Когда этот ящик короткий, то можно сделать вывод, что большинство значений в данных похожи, так как много значений находится на небольшом расстоянии друг от друга.
Когда ящик длинный, то можно сделать обратный вывод: большинство значений отличаются друг от друга.
Если медианное значение ближе к низу, то можно сказать, что большая часть данных имеет более низкие значения. Если оно ближе к верху, то большая часть данных имеет более высокие значения. По сути, если медиана не находится по центру ящика, то это показатель того, что данные неравномерны.
Усы очень длинные? Значит, данные имеют высокое стандартное отклонение и дисперсию, т.е. значения сильно разбросаны и отличаются друг от друга. Если усы длинные только с одной стороны ящика, то, возможно, данные заметно изменяются только в одном направлении.
Используйте статистические характеристики для быстрой, но при этом информативной оценки ваших данных.
Статистические характеристики — наверное, наиболее часто используемая статистическая концепция в Data Science. Обычно это первое, что применяют при исследовании набора данных. В эту концепцию входят такие понятия как отклонение, дисперсия, среднее значение, медиана, процентили и многие другие. Их довольно легко понять и реализовать в коде.
Линия посередине — это медианное значение данных. Медиану используют вместо среднего значения по той причине, что она более устойчива к аномальным значениям в данных. Первый квартиль — это 25 процентиль, т.е. 25% значений в данных находятся ниже этого значения. Третий квартиль — это 75 процентиль, т.е. 75% значений в данных находятся ниже этого значения. Минимальное и максимальное значения отражают нижнюю и верхнюю границы диапазона данных.
Ящик с усами прекрасно демонстрирует, что мы можем сделать с основными статистическими характеристиками:
Когда этот ящик короткий, то можно сделать вывод, что большинство значений в данных похожи, так как много значений находится на небольшом расстоянии друг от друга.
Когда ящик длинный, то можно сделать обратный вывод: большинство значений отличаются друг от друга.
Если медианное значение ближе к низу, то можно сказать, что большая часть данных имеет более низкие значения. Если оно ближе к верху, то большая часть данных имеет более высокие значения. По сути, если медиана не находится по центру ящика, то это показатель того, что данные неравномерны.
Усы очень длинные? Значит, данные имеют высокое стандартное отклонение и дисперсию, т.е. значения сильно разбросаны и отличаются друг от друга. Если усы длинные только с одной стороны ящика, то, возможно, данные заметно изменяются только в одном направлении.
Используйте статистические характеристики для быстрой, но при этом информативной оценки ваших данных.
Ограниченная линейная регрессия
#algorithms
Метод наименьших квадратов может смутить выбросами, ложными полями и т. д.
Нужны ограничения, чтобы уменьшить дисперсию линии, которую мы помещаем в набор данных. Правильное решение состоит в том, чтобы соответствовать модели линейной регрессии, которая гарантирует, что веса не будут вести себя “плохо”.
Модели могут иметь норму L1 (LASSO) или L2 (Ridge Regression) или обе (elastic regression).
Используйте этот алгоритм для соответствия линиям регрессии с ограничениями, избегая переопределения.
Полезная ссылка:
Обобщенные линейные модели (eng)
Вводные гайды:
Ридж-регрессия (eng)
LASSO регрессия (eng)
#algorithms
Метод наименьших квадратов может смутить выбросами, ложными полями и т. д.
Нужны ограничения, чтобы уменьшить дисперсию линии, которую мы помещаем в набор данных. Правильное решение состоит в том, чтобы соответствовать модели линейной регрессии, которая гарантирует, что веса не будут вести себя “плохо”.
Модели могут иметь норму L1 (LASSO) или L2 (Ridge Regression) или обе (elastic regression).
Используйте этот алгоритм для соответствия линиям регрессии с ограничениями, избегая переопределения.
Полезная ссылка:
Обобщенные линейные модели (eng)
Вводные гайды:
Ридж-регрессия (eng)
LASSO регрессия (eng)
Как начинающему Data Engineer повысить свою эффективность? Начните прокачивать навыки 12 ноября с демо-занятия «Знакомство с Ni-Fi». Вместе с Егором Матешуком вы рассмотрите Ni-Fi и роль data ingestion инструментов в целом при построении систем обработки данных. Решите простую задачку по построению пайплайна для загрузки файлов в хранилище данных с использованием Ni-Fi.
Демо-урок входит в программу онлайн-курса «Data Engineer». Для записи на вебинар, пройдите вступительный тест https://otus.pw/1DbX/
Демо-урок входит в программу онлайн-курса «Data Engineer». Для записи на вебинар, пройдите вступительный тест https://otus.pw/1DbX/
Что такое функция?
На уроках математики вы не только слышали о ней, но и рисовали. Выберете подходящее в рамках курса определение.
Это способ показать зависимость одной величины от другой — мы можем показать это формулой или отразить на графике. - 98
👍👍👍👍👍👍👍👍 88%
Это результат математической операции. - 5
👍 5%
Это то, что выполняет какой-то орган или аппарат. - 8
👍👍 7%
👥 111 человек уже проголосовало.
На уроках математики вы не только слышали о ней, но и рисовали. Выберете подходящее в рамках курса определение.
Это способ показать зависимость одной величины от другой — мы можем показать это формулой или отразить на графике. - 98
👍👍👍👍👍👍👍👍 88%
Это результат математической операции. - 5
👍 5%
Это то, что выполняет какой-то орган или аппарат. - 8
👍👍 7%
👥 111 человек уже проголосовало.
⬆️⬆️⬆️ Правильный ответ ⬆️⬆️⬆️
Функция показывает зависимость одной переменной от другой. Слева можно увидеть пример записи функции: y = x2.
Функция показывает зависимость одной переменной от другой. Слева можно увидеть пример записи функции: y = x2.
ИИ создал симуляцию Вселенной, но ученые не понимают, как это получилось
Астрофизики решили использовать самый современной искусственный интеллект (ИИ) для того, чтобы создать трехмерную модель участка Вселенной. Проект был назван Deep Density Displacement Model (D3M) и исследователи не понимают, как ИИ смог создать нечто подобное.
Астрофизиков поразило не только то, что D3M получилась фантастически детализированной и точной моделью, но и то, что ИИ справился с задачей за 30 миллисекунд! Как машина смогла научиться этому? Откуда такие точные познания устройства нашей Вселенной?
Естественно, ИИ получил теоретические основы, было проведено 8000 тестовых симуляций, но машина регулярно справлялась с задачами существенно лучше, чем от нее ожидали. В итоге ИИ проанализировал действующие физические законы, просчитал перемещение частиц за всю историю времени и выдал результат.
"Это все равно что учить ИИ распознавать по снимкам кошек и собак, а потом узнать, что машина умеет распознавать слонов. То, что произошло при создании симуляции Вселенной, пока остается большой загадкой", - сказала астрофизик Ширли Хо, ведущий автор исследования.
ИИ за 30 миллисекунд создал детальнейшую модель Вселенной, которая была заключена в куб с гранями по 600 миллионов световых лет. Если бы астрофизики применяли классические технологии, то на аналогичную операцию ушло не менее 300 часов.
Никто из авторов исследования не может объяснить увиденное и у них в самом деле нет даже предположений. Настал тот день, когда искусственный интеллект в миллиарды раз превзошел ум человека?
Астрофизики решили использовать самый современной искусственный интеллект (ИИ) для того, чтобы создать трехмерную модель участка Вселенной. Проект был назван Deep Density Displacement Model (D3M) и исследователи не понимают, как ИИ смог создать нечто подобное.
Астрофизиков поразило не только то, что D3M получилась фантастически детализированной и точной моделью, но и то, что ИИ справился с задачей за 30 миллисекунд! Как машина смогла научиться этому? Откуда такие точные познания устройства нашей Вселенной?
Естественно, ИИ получил теоретические основы, было проведено 8000 тестовых симуляций, но машина регулярно справлялась с задачами существенно лучше, чем от нее ожидали. В итоге ИИ проанализировал действующие физические законы, просчитал перемещение частиц за всю историю времени и выдал результат.
"Это все равно что учить ИИ распознавать по снимкам кошек и собак, а потом узнать, что машина умеет распознавать слонов. То, что произошло при создании симуляции Вселенной, пока остается большой загадкой", - сказала астрофизик Ширли Хо, ведущий автор исследования.
ИИ за 30 миллисекунд создал детальнейшую модель Вселенной, которая была заключена в куб с гранями по 600 миллионов световых лет. Если бы астрофизики применяли классические технологии, то на аналогичную операцию ушло не менее 300 часов.
Никто из авторов исследования не может объяснить увиденное и у них в самом деле нет даже предположений. Настал тот день, когда искусственный интеллект в миллиарды раз превзошел ум человека?
Этого там точно не было!
Все известные миру сюжетные повороты уже точно были в сериале Симпсоны — ещё бы, за 30-то лет.
А на бесплатном марафоне по Data Science от Нетологии вы сможете создать совершенно новый, невиданный до этого сюжетный поворот и даже целый сценарий при помощи искусственного интеллекта.
В программе марафона — 3 эпизода, каждый из которых приблизит вас к созданию своего варианта культового сериала с помощью SQL, Python и Machine Learning.
Запишитесь на марафон и научите машину творчеству ↓
http://netolo.gy/fWw
Все известные миру сюжетные повороты уже точно были в сериале Симпсоны — ещё бы, за 30-то лет.
А на бесплатном марафоне по Data Science от Нетологии вы сможете создать совершенно новый, невиданный до этого сюжетный поворот и даже целый сценарий при помощи искусственного интеллекта.
В программе марафона — 3 эпизода, каждый из которых приблизит вас к созданию своего варианта культового сериала с помощью SQL, Python и Machine Learning.
Запишитесь на марафон и научите машину творчеству ↓
http://netolo.gy/fWw
Мама, я сделал Хабр!
Мне 17 лет и я уже несколько месяцев делаю клон мобильного приложения Хабра, назвав его соответствующе, модно, со стилем и пафосной точкой в конце — habra. Получилось реализовать несколько фич, которых пока нет ни в официальном приложении из плей маркета, ни на самом сайте.
Пост для любителей мобильных приложений.
Автор приложения прислушивается к комментариям и идет на диалог.
По мнению редакции Data science [ru] отличное начинание.
#Нереклама
Мне 17 лет и я уже несколько месяцев делаю клон мобильного приложения Хабра, назвав его соответствующе, модно, со стилем и пафосной точкой в конце — habra. Получилось реализовать несколько фич, которых пока нет ни в официальном приложении из плей маркета, ни на самом сайте.
Пост для любителей мобильных приложений.
Автор приложения прислушивается к комментариям и идет на диалог.
По мнению редакции Data science [ru] отличное начинание.
#Нереклама
Помните ли вы, как возводить числа в степень?
🤓 Это знание пригодится, когда вы будете знакомиться с функцией потерь и договариваться, по какому показателю оценивать качество работы алгоритма. Помните ли вы, как возводить числа в степень? Сколько будет квадрат от (– 5) (минус пяти)?
5 - 4
👍 2%
25 - 161
👍👍👍👍👍👍👍👍 95%
- 25 - 4
👍 2%
👥 169 человек уже проголосовало.
🤓 Это знание пригодится, когда вы будете знакомиться с функцией потерь и договариваться, по какому показателю оценивать качество работы алгоритма. Помните ли вы, как возводить числа в степень? Сколько будет квадрат от (– 5) (минус пяти)?
5 - 4
👍 2%
25 - 161
👍👍👍👍👍👍👍👍 95%
- 25 - 4
👍 2%
👥 169 человек уже проголосовало.
⬆️ Правильный ответ ⬆️
2️⃣5️⃣
Квадрат отрицательного числа — это положительное число. Именно это свойство помогает «отлавливать» ошибки алгоритма на этапе обучения и тестирования.
2️⃣5️⃣
Квадрат отрицательного числа — это положительное число. Именно это свойство помогает «отлавливать» ошибки алгоритма на этапе обучения и тестирования.
Примеры, которые заставляют задуматься о том, что восстание машин уже началось
В 2015 году пьяный японец избил первого в мире «эмоционального» робота Pepper за неудачную шутку. Отпинал до состояния, когда робот не смог двигаться, и все из-за одной шутки, сказанной в отделении банка.
Казалось бы, после этого Сара Коннор должна бросить связку оружия в багажник и поехать как можно дальше от человечества. Но проблема в том, что ИИ уже давно бунтует. Хотя ученые пытаются нас успокоить и утверждают, что машины с творческим интеллектом, близким человеческому, появятся в течение ближайших 50 лет. И вообще, очень маловероятно, что искусственный интеллект непременно разделит человеческие ценности.
Но столь же сомнительно, что он придаст какое-либо значение своей собственной жизни. Однако отдельные достижения уверяют нас совершенно в обратном. Да и разве можно верить ученым? Скорее всего, у нас, людей, есть повод для беспокойства.
В 2015 году пьяный японец избил первого в мире «эмоционального» робота Pepper за неудачную шутку. Отпинал до состояния, когда робот не смог двигаться, и все из-за одной шутки, сказанной в отделении банка.
Казалось бы, после этого Сара Коннор должна бросить связку оружия в багажник и поехать как можно дальше от человечества. Но проблема в том, что ИИ уже давно бунтует. Хотя ученые пытаются нас успокоить и утверждают, что машины с творческим интеллектом, близким человеческому, появятся в течение ближайших 50 лет. И вообще, очень маловероятно, что искусственный интеллект непременно разделит человеческие ценности.
Но столь же сомнительно, что он придаст какое-либо значение своей собственной жизни. Однако отдельные достижения уверяют нас совершенно в обратном. Да и разве можно верить ученым? Скорее всего, у нас, людей, есть повод для беспокойства.