Что вернет запрос "select 1 from USERS" ? Если таблица USERS существует.
#SQL
Ошибка выполнения запроса - 5
👍👍 5%
Запрос выведет количества строк в таблице USERS
▫️ 0%
Запрос выведет "1" - 13
👍👍👍 13%
Запрос выведет первую строчку таблицы USERS - 35
👍👍👍👍👍👍 35%
Запрос выведет "1" столько раз, сколько строк в таблице USERS - 46
👍👍👍👍👍👍👍👍 46%
👥 99 человек уже проголосовало.
#SQL
Ошибка выполнения запроса - 5
👍👍 5%
Запрос выведет количества строк в таблице USERS
▫️ 0%
Запрос выведет "1" - 13
👍👍👍 13%
Запрос выведет первую строчку таблицы USERS - 35
👍👍👍👍👍👍 35%
Запрос выведет "1" столько раз, сколько строк в таблице USERS - 46
👍👍👍👍👍👍👍👍 46%
👥 99 человек уже проголосовало.
⬆️ Правильный ответ ⬆️
Запрос выведет "1" столько раз, сколько строк в таблице USERS
Запрос выведет "1" столько раз, сколько строк в таблице USERS
Структуры данных и алгоритмы в Java.
Второе издание одной из самых авторитетных книг по программированию посвящено использованию структур данных и алгоритмов. Алгоритмы — это основа программирования, определяющая, каким образом разрабатываемое программное обеспечение будет использовать структуры данных.
Второе издание одной из самых авторитетных книг по программированию посвящено использованию структур данных и алгоритмов. Алгоритмы — это основа программирования, определяющая, каким образом разрабатываемое программное обеспечение будет использовать структуры данных.
Разработан проект национального стандарта о структуре и применении архитектуры больших данных
Технический комитет по стандартизации «Искусственный интеллект» (ТК 164) на базе РВК вынес на публичное обсуждение первую редакцию стандарта «Информационные технологии. Эталонная архитектура больших данных. Часть 1: Структура и процесс применения».
Проект стандарта разработан Национальным центром цифровой экономики МГУ и Институтом развития информационного общества. Координацию работ по согласованию и утверждению документа осуществляет ПК 02 «Данные» на базе МГУ, действующий в составе ТК 164 «Искусственный интеллект».
Документ входит в серию из пяти стандартов по эталонной архитектуре больших данных и представляет собой русскоязычную адаптацию международного технического отчета ISO/IEC TR 20547-1:2020 Information technology — Big data reference architecture — Part 1: Framework and application process.
Национальный стандарт (проект):
• содержит описание структуры эталонной архитектуры системы для работы с большими данными;
• обеспечивает решение задачи отображения в эталонной архитектуре возможных вариантов использования больших данных.
• может применяться организациями для описания архитектуры конкретных систем для работы с большими данными и реализации этих систем с учетом используемых технологий, а также ролей/исполнителей и их потребностей.
В документе дано концептуальное представление эталонной архитектуры больших данных, а также базовых понятий:
• эталонная архитектура;
• интерес;
• заинтересованная сторона;
• область применения;
• структура архитектуры;
• пользовательское и функциональное представление;
• процесс применения;
• идентификация заинтересованных сторон и др.
Представленный проект национального стандарта наряду с другими частями серии стандартов 20547-Х будет способствовать эффективному использованию сквозной цифровой технологии «большие данные» для решения экономических и социальных задач при реализации национальной программы «Цифровая экономика Российской Федерации».
«Формирование национальной экосистемы больших данных невозможно без соблюдения общих требований работы в распределенной среде, и серия международных стандартов ИСО/МЭК 20547-Х, последовательно адаптируемая в качестве национальных стандартов, служит этой цели», — отметил Юрий Хохлов, председатель подкомитета «Данные» (ПК 02) в составе ТК 164.
Первая редакция стандарта доступна: bigdata-msu.ru/standards
Технический комитет по стандартизации «Искусственный интеллект» (ТК 164) на базе РВК вынес на публичное обсуждение первую редакцию стандарта «Информационные технологии. Эталонная архитектура больших данных. Часть 1: Структура и процесс применения».
Проект стандарта разработан Национальным центром цифровой экономики МГУ и Институтом развития информационного общества. Координацию работ по согласованию и утверждению документа осуществляет ПК 02 «Данные» на базе МГУ, действующий в составе ТК 164 «Искусственный интеллект».
Документ входит в серию из пяти стандартов по эталонной архитектуре больших данных и представляет собой русскоязычную адаптацию международного технического отчета ISO/IEC TR 20547-1:2020 Information technology — Big data reference architecture — Part 1: Framework and application process.
Национальный стандарт (проект):
• содержит описание структуры эталонной архитектуры системы для работы с большими данными;
• обеспечивает решение задачи отображения в эталонной архитектуре возможных вариантов использования больших данных.
• может применяться организациями для описания архитектуры конкретных систем для работы с большими данными и реализации этих систем с учетом используемых технологий, а также ролей/исполнителей и их потребностей.
В документе дано концептуальное представление эталонной архитектуры больших данных, а также базовых понятий:
• эталонная архитектура;
• интерес;
• заинтересованная сторона;
• область применения;
• структура архитектуры;
• пользовательское и функциональное представление;
• процесс применения;
• идентификация заинтересованных сторон и др.
Представленный проект национального стандарта наряду с другими частями серии стандартов 20547-Х будет способствовать эффективному использованию сквозной цифровой технологии «большие данные» для решения экономических и социальных задач при реализации национальной программы «Цифровая экономика Российской Федерации».
«Формирование национальной экосистемы больших данных невозможно без соблюдения общих требований работы в распределенной среде, и серия международных стандартов ИСО/МЭК 20547-Х, последовательно адаптируемая в качестве национальных стандартов, служит этой цели», — отметил Юрий Хохлов, председатель подкомитета «Данные» (ПК 02) в составе ТК 164.
Первая редакция стандарта доступна: bigdata-msu.ru/standards
Bigdata MSU
Стандарты
Центр хранения и анализа больших данных
Быть программистом на JavaScript - прекрасное время. Веб-технологии развиваются все более быстрыми темпами, и поставщики браузеров больше не стесняются сразу же внедрять новые и инновационные функции. Этот сдвиг в развитии означает, что программистам необходимо постоянно обновлять свой набор навыков, чтобы оставаться конкурентоспособными на своей должности.
В этой статье мы рассмотрим шесть функций ES2020 и ES2021, которые недавно были реализованы в современных браузерах, и увидим, как они помогают разработчикам JavaScript писать менее подверженный ошибкам и более эффективный код.
В этой статье мы рассмотрим шесть функций ES2020 и ES2021, которые недавно были реализованы в современных браузерах, и увидим, как они помогают разработчикам JavaScript писать менее подверженный ошибкам и более эффективный код.
Какие из следующих ключевых слов используются в конструкции order by (выберите все подходящие варианты)?
#SQL
Ответ предусматривает несколько вариантов
abs - 2
👍 2%
having - 8
👍👍 9%
desk - 21
👍👍👍 22%
dask - 1
👍 1%
asc - 62
👍👍👍👍👍👍👍👍 66%
👥 94 человека уже проголосовало.
#SQL
Ответ предусматривает несколько вариантов
abs - 2
👍 2%
having - 8
👍👍 9%
desk - 21
👍👍👍 22%
dask - 1
👍 1%
asc - 62
👍👍👍👍👍👍👍👍 66%
👥 94 человека уже проголосовало.
В России случайно создали универсальную нейросеть для улучшения "зрения" беспилотников
Первоначально разработчики планировали создать приложение для распознавания документов
ТАСС, 12 февраля. Разрабатывая приложение для распознавания документов с помощью смартфонов, российские математики и программисты создали универсальную нейросеть, которая может улучшить системы компьютерного зрения на беспилотниках. Об этом пишет пресс-служба компании Smart Engines.
"Если говорить простым языком, в новую архитектуру в виде математических ограничений заложены законы перспективы. Этот новый подход ведет к интуитивному пониманию нейросетью геометрических законов физического трехмерного мира, законов перспективы и динамики изменения изображения сцены при движении", - пишет пресс-служба.
За последние годы ученые разработали десятки нейросетей, которые могут распознавать препятствия и вычислять оптимальную траекторию движения для автономных автомобилей, беспилотников и прочих приборов и устройств, которым нужно "видеть" окружающий мир и разбивать его на разные категории.
К примеру, подобные системы сейчас активно применяют для автоматического распознавания документов, при подсчете посетителей в ресторанах или проверки качества изготовления различных деталей на заводах. Как правило, каждая подобная система приспособлена для решения конкретной задачи, из-за чего они достаточно плохо справляются с другими проблемами, не похожими на исходную.
Коллектив российских ученых под руководством Дмитрия Николаева и Владимира Арлазарова, сотрудников Института проблем передачи информации РАН и ФИЦ "Информатика и управление" РАН, случайно создали универсальную нейросеть, которая умеет одинаково хорошо решать все эти задачи. Первоначально исследователи разрабатывали приложение для распознавания документов.
"Глаза" нейросети
Как отмечают исследователи, главная сложность при создании подобной программы заключается в том, что ее пользователи фотографируют документы не идеально ровно, а под некоторым углом. В результате этого алгоритм или человек видит не плоскую картинку, а трехмерное изображение с некоторой перспективой.
Для последних это обычно не представляет проблемы. Однако для того, чтобы создать системы искусственного интеллекта, которые смогли бы решить эту обыденную задачу, обычно нужно включить несколько десятков или даже сотни дополнительных слоев нейронов. Это значительно повышает энергетические аппетиты подобных систем, делает их непригодными для автономной работы на мобильных устройствах и не позволяет создавать универсальные нейросети.
Арлазаров, Николаев и их коллеги решили эту проблему, используя несколько новых математических принципов, в том числе так называемое "преобразование Хафа". Первую версию этого алгоритма еще в середине прошлого века создал американский математик Поль Хаф для анализа данных из пузырьковых детекторов частиц.
Этот набор формул позволяет искать прямые линии и определенные типы геометрических фигур на изображении с камеры смартфона или беспилотника. Встроив его в один из слоев нейросети, российские ученые получили универсальную систему, которая одинаково хорошо подходит для решения всех важнейших задач, которые связаны с компьютерным зрением. Как показали первые проверки, нейросеть оказалась примерно в сто раз более эффективной, чем классическая система U-net.
По словам исследователей, этот алгоритм можно применять не только для распознавания документов или улучшения работы автопилотов дронов и автомобилей, но и для анализа медицинских фотографий с томографов, а также в других областях науки и техники, где компьютерное зрение пока не применяется.
Источник: nauka.tass.ru
Первоначально разработчики планировали создать приложение для распознавания документов
ТАСС, 12 февраля. Разрабатывая приложение для распознавания документов с помощью смартфонов, российские математики и программисты создали универсальную нейросеть, которая может улучшить системы компьютерного зрения на беспилотниках. Об этом пишет пресс-служба компании Smart Engines.
"Если говорить простым языком, в новую архитектуру в виде математических ограничений заложены законы перспективы. Этот новый подход ведет к интуитивному пониманию нейросетью геометрических законов физического трехмерного мира, законов перспективы и динамики изменения изображения сцены при движении", - пишет пресс-служба.
За последние годы ученые разработали десятки нейросетей, которые могут распознавать препятствия и вычислять оптимальную траекторию движения для автономных автомобилей, беспилотников и прочих приборов и устройств, которым нужно "видеть" окружающий мир и разбивать его на разные категории.
К примеру, подобные системы сейчас активно применяют для автоматического распознавания документов, при подсчете посетителей в ресторанах или проверки качества изготовления различных деталей на заводах. Как правило, каждая подобная система приспособлена для решения конкретной задачи, из-за чего они достаточно плохо справляются с другими проблемами, не похожими на исходную.
Коллектив российских ученых под руководством Дмитрия Николаева и Владимира Арлазарова, сотрудников Института проблем передачи информации РАН и ФИЦ "Информатика и управление" РАН, случайно создали универсальную нейросеть, которая умеет одинаково хорошо решать все эти задачи. Первоначально исследователи разрабатывали приложение для распознавания документов.
"Глаза" нейросети
Как отмечают исследователи, главная сложность при создании подобной программы заключается в том, что ее пользователи фотографируют документы не идеально ровно, а под некоторым углом. В результате этого алгоритм или человек видит не плоскую картинку, а трехмерное изображение с некоторой перспективой.
Для последних это обычно не представляет проблемы. Однако для того, чтобы создать системы искусственного интеллекта, которые смогли бы решить эту обыденную задачу, обычно нужно включить несколько десятков или даже сотни дополнительных слоев нейронов. Это значительно повышает энергетические аппетиты подобных систем, делает их непригодными для автономной работы на мобильных устройствах и не позволяет создавать универсальные нейросети.
Арлазаров, Николаев и их коллеги решили эту проблему, используя несколько новых математических принципов, в том числе так называемое "преобразование Хафа". Первую версию этого алгоритма еще в середине прошлого века создал американский математик Поль Хаф для анализа данных из пузырьковых детекторов частиц.
Этот набор формул позволяет искать прямые линии и определенные типы геометрических фигур на изображении с камеры смартфона или беспилотника. Встроив его в один из слоев нейросети, российские ученые получили универсальную систему, которая одинаково хорошо подходит для решения всех важнейших задач, которые связаны с компьютерным зрением. Как показали первые проверки, нейросеть оказалась примерно в сто раз более эффективной, чем классическая система U-net.
По словам исследователей, этот алгоритм можно применять не только для распознавания документов или улучшения работы автопилотов дронов и автомобилей, но и для анализа медицинских фотографий с томографов, а также в других областях науки и техники, где компьютерное зрение пока не применяется.
Источник: nauka.tass.ru
ТАСС
В России случайно создали универсальную нейросеть для улучшения "зрения" беспилотников
Первоначально разработчики планировали создать приложение для распознавания документов
Какие из определений таблицы гарантируют, что в колонку с1 нельзя поместить значения NULL (укажите все подходящие варианты)?
#SQL
Ответ предусматривает несколько вариантов
CREATE TABLE z1 (c1 INT PRIMARY KEY) - 14
👍👍👍 22%
CREATE TABLE z1 (C1 INT) - 1
👍 2%
CREATE TABLE z1 (c1 INT NOT NULL) - 45
👍👍👍👍👍👍👍👍 70%
CREATE TABLE z1 (c1 INT DEFAULT 0) - 4
👍👍 6%
👥 64 человека уже проголосовало.
#SQL
Ответ предусматривает несколько вариантов
CREATE TABLE z1 (c1 INT PRIMARY KEY) - 14
👍👍👍 22%
CREATE TABLE z1 (C1 INT) - 1
👍 2%
CREATE TABLE z1 (c1 INT NOT NULL) - 45
👍👍👍👍👍👍👍👍 70%
CREATE TABLE z1 (c1 INT DEFAULT 0) - 4
👍👍 6%
👥 64 человека уже проголосовало.
⬆️ Правильный ответ ⬆️
CREATE TABLE z1 (c1 INT NOT NULL)
CREATE TABLE z1 (c1 INT PRIMARY KEY)
CREATE TABLE z1 (c1 INT NOT NULL)
CREATE TABLE z1 (c1 INT PRIMARY KEY)
Как ИИ обыграл сильнейших чемпионов мира по Dota 2?
Игры всегда являлись испытательным полем для нейросетевых разработок.
Dota 2 — это многопользовательская командная игра в жанре multiplayer online battle arena, разработанная Valve. Она изображает сражение на симметричной карте: в каждом матче участвуют две команды по пять игроков, управляющих персонажами с различными наборами способностей. Для победы команда должна уничтожить крепость, принадлежащую вражеской стороне, и защитить от уничтожения собственную.
Противником людей на поле Dota 2 должен был стать искусственный интеллект от OpenAI. Исследовательская компания OpenAI была запущена в конце 2015 года Сэмом Альтманом и Илоном Маском с целью создать открытую компанию, работающую на благо общества, а не государства или корпораций. На данный момент она широко известна благодаря невероятно реалистичному алгоритму GPT-3, но впервые мир узнал об успехах только в 2017 году, когда OpenAI выступил на киберспортивном чемпионате The International 2017 и обыграл одного из самых известных игроков мира в матче 1 на 1 — Данила «Dendi» Ишутина.
Работа над ИИ велась 6 месяцев. В начале его научили базовым механикам — передвижению по карте и реакции на приближение противника, а затем перешли к более сложным задачам – анализу матчей и играм против слабых соперников. Для обучения были выделены 256 графических процессоров и 128 000 процессорных ядер. Всего через полгода тренировок ИИ смог победить игроков профессиональной сцены — Sumail и Arteezy. Однако перед алгоритмом стояла более комплексная задача. В июне 2018-го разработчики объявили, что хотят выставить нейросеть против человеческой команды.
Каждый день на протяжении года боты OpenAI играли друг против друга по 180 лет игрового времени. Несмотря на титанические усилия при подготовке, условия игры все равно пришлось упростить: для равного противостояния с людьми количество героев сократили до 18. Киберспортсменам запретили использовать артефакты, призывать иллюзии или существ. Ботам же уменьшили скорость реакции до человеческого уровня. Несмотря на то, что ИИ с легкостью обыгрывал любителей, профессиональная сцена в 2018 году поддаваться отказалась: игры OpenAI с paiN Gaming и сборной китайских киберспортсменов закончились поражением нейронной сети.
Реванш состоялся год спустя в рамках финала OpenAI Five. Против ИИ выступили пять профессиональных игроков из команды OG, чемпионов мира 2019 и 2018 года. За десять месяцев OpenAI провел 45 000 лет внутриигровых матчей Dota 2. Во время матчей ИИ использовал весьма агрессивную тактику: система отдала предпочтение быстрым боям и краткосрочной выгоде из-за проблем с прогнозированием перспективы, однако это все же сработало. Первый матч длился всего полчаса — ИИ победил людей без особого труда. Второй был еще короче: алгоритм атаковал людей практически не уходя в защиту, а киберспортсмены буквально «топтались на месте» в попытках отразить удар. OpenAI Five одержал победу со счетом 2:0.
Турнир показал, что методика обучения с подкреплением даёт свои плоды. И хотя до полноценного искусственного разума пока далеко, ИИ получил ещё одно очко в свою пользу.
Игры всегда являлись испытательным полем для нейросетевых разработок.
Dota 2 — это многопользовательская командная игра в жанре multiplayer online battle arena, разработанная Valve. Она изображает сражение на симметричной карте: в каждом матче участвуют две команды по пять игроков, управляющих персонажами с различными наборами способностей. Для победы команда должна уничтожить крепость, принадлежащую вражеской стороне, и защитить от уничтожения собственную.
Противником людей на поле Dota 2 должен был стать искусственный интеллект от OpenAI. Исследовательская компания OpenAI была запущена в конце 2015 года Сэмом Альтманом и Илоном Маском с целью создать открытую компанию, работающую на благо общества, а не государства или корпораций. На данный момент она широко известна благодаря невероятно реалистичному алгоритму GPT-3, но впервые мир узнал об успехах только в 2017 году, когда OpenAI выступил на киберспортивном чемпионате The International 2017 и обыграл одного из самых известных игроков мира в матче 1 на 1 — Данила «Dendi» Ишутина.
Работа над ИИ велась 6 месяцев. В начале его научили базовым механикам — передвижению по карте и реакции на приближение противника, а затем перешли к более сложным задачам – анализу матчей и играм против слабых соперников. Для обучения были выделены 256 графических процессоров и 128 000 процессорных ядер. Всего через полгода тренировок ИИ смог победить игроков профессиональной сцены — Sumail и Arteezy. Однако перед алгоритмом стояла более комплексная задача. В июне 2018-го разработчики объявили, что хотят выставить нейросеть против человеческой команды.
Каждый день на протяжении года боты OpenAI играли друг против друга по 180 лет игрового времени. Несмотря на титанические усилия при подготовке, условия игры все равно пришлось упростить: для равного противостояния с людьми количество героев сократили до 18. Киберспортсменам запретили использовать артефакты, призывать иллюзии или существ. Ботам же уменьшили скорость реакции до человеческого уровня. Несмотря на то, что ИИ с легкостью обыгрывал любителей, профессиональная сцена в 2018 году поддаваться отказалась: игры OpenAI с paiN Gaming и сборной китайских киберспортсменов закончились поражением нейронной сети.
Реванш состоялся год спустя в рамках финала OpenAI Five. Против ИИ выступили пять профессиональных игроков из команды OG, чемпионов мира 2019 и 2018 года. За десять месяцев OpenAI провел 45 000 лет внутриигровых матчей Dota 2. Во время матчей ИИ использовал весьма агрессивную тактику: система отдала предпочтение быстрым боям и краткосрочной выгоде из-за проблем с прогнозированием перспективы, однако это все же сработало. Первый матч длился всего полчаса — ИИ победил людей без особого труда. Второй был еще короче: алгоритм атаковал людей практически не уходя в защиту, а киберспортсмены буквально «топтались на месте» в попытках отразить удар. OpenAI Five одержал победу со счетом 2:0.
Турнир показал, что методика обучения с подкреплением даёт свои плоды. И хотя до полноценного искусственного разума пока далеко, ИИ получил ещё одно очко в свою пользу.
GraphTransformer: расширение языковой модели для графов
Зачем это нужно
Оригинальный трансформер разрабатывали для обработки естественного языка. Стандартная модель работает с полносвязными графами, которые представляют связи между словами (токенами) в последовательности. Такая архитектура не масштабируется на задачи обработки графов и плохо справляется с задачами, где важна топология графа. Исследователи предлагают расширение традиционного трансформера с четырьмя отличительными характеристиками.
Зачем это нужно
Оригинальный трансформер разрабатывали для обработки естественного языка. Стандартная модель работает с полносвязными графами, которые представляют связи между словами (токенами) в последовательности. Такая архитектура не масштабируется на задачи обработки графов и плохо справляется с задачами, где важна топология графа. Исследователи предлагают расширение традиционного трансформера с четырьмя отличительными характеристиками.
Машинное обучение, классификация изображений
https://arxiv.org/abs/1911.04252
Когда речь заходит о deep learning’e в целом и о задачи классификации изображений в частности, общепринятой точкой зрения является, что чем больше размеченных данных, тем лучше качество модели.
Получить качественный размеченный датасет может быть долго и дорого, поэтому вместе с небольшим количеством размеченных данных можно использовать неразмеченные данные, которые имеются в избытке.
https://arxiv.org/abs/1911.04252
Когда речь заходит о deep learning’e в целом и о задачи классификации изображений в частности, общепринятой точкой зрения является, что чем больше размеченных данных, тем лучше качество модели.
Получить качественный размеченный датасет может быть долго и дорого, поэтому вместе с небольшим количеством размеченных данных можно использовать неразмеченные данные, которые имеются в избытке.
Разбираем XLNet
XLNet – новейшая и самая крупная модель, появившаяся в активно развивающейся сфере обработки естественного языка (Natural Language Processing, NLP). Статья о XLNet объединяет современные достижения в NLP и инновационный подход к решению задачи языкового моделирования. Обученная на огромном корпусе, модель достигает выдающихся результатов в NLP-задачах бенчмарка GLUE.
XLNet представляет собой авторегрессионную языковую модель, которая выдает на выходе вероятность совместной встречаемости последовательности токенов на основе архитектуры рекуррентного Трансформера. Задачей обучения модели является подсчет вероятности для заданного слова (токена), при условии наличия всех других слов в предложении (а не только слов слева или справа от заданного).
Если вам все понятно в описании выше, то этот пост не для вас. Если же нет, то продолжайте читать о том, как работает XLNet и почему он стал стандартом для многих NLP задач.
XLNet – новейшая и самая крупная модель, появившаяся в активно развивающейся сфере обработки естественного языка (Natural Language Processing, NLP). Статья о XLNet объединяет современные достижения в NLP и инновационный подход к решению задачи языкового моделирования. Обученная на огромном корпусе, модель достигает выдающихся результатов в NLP-задачах бенчмарка GLUE.
XLNet представляет собой авторегрессионную языковую модель, которая выдает на выходе вероятность совместной встречаемости последовательности токенов на основе архитектуры рекуррентного Трансформера. Задачей обучения модели является подсчет вероятности для заданного слова (токена), при условии наличия всех других слов в предложении (а не только слов слева или справа от заданного).
Если вам все понятно в описании выше, то этот пост не для вас. Если же нет, то продолжайте читать о том, как работает XLNet и почему он стал стандартом для многих NLP задач.
Язык метафор недоступен искусственному интеллекту
#Мнение
Между человеческим разумом и искусственным интеллектом существует фундаментальное различие, заявил философ, лидер движения «Суть времени» Сергей Кургинян 6 декабря в эфире программы «Воскресный вечер с Владимиром Соловьёвым» на телеканале «Россия 1».
«Формула существования искусственного интеллекта — она от тех отцов, которые только начинали им заниматься: Джон фон Нейман, Норберт Винер и дальше: „это очень быстрый и очень точный дурак“», — отметил политолог.
Кургинян привел базовое положение, на которое опирались создатели искусственного интеллекта, назвав его «грубоватым», но при этом очень верным.
Фундаментальное отличие искусственного интеллекта от человеческого, по мнению Кургиняна, находится «на уровне того скромного понятия, которое называется метафора и научное творчество».
Искусственный интеллект не способен создавать метафоры и творчески их осмысливать.
«Все языки, на которых машины говорят и будут говорить когда бы то ни было — формализованные языки, даже со стохастическими вариантами. Это языки, лишенные метафоричности», — подчеркнул он. Философ предложил порассуждать, каким образом искусственный интеллект будет анализировать поэму Маяковского «Хорошо!»
И я,
как весну человечества,
рожденную в трудах и в бою,
пою мое отечество,
республику мою!
«Машина смотрит: весна, человечество; весна — это время года, человечество — это совершенно другое, у него не может быть времени года. Она растеряна», — пояснил политолог.
По мнению Сергея Кургиняна, такие фундаментальные понятия как язык, логос, метафора позволяют человечеству развивать в себе творческое начало, быть свободным от избытка рациональности.
«Человеческий язык не имеет никакого отношения к машинам и не будет никогда к ним сводиться. Потому, что вся сфера неформальности, свободы и всего остального находится в этом [человеческом] языке. Значит, как только мы начинаем обоготворять машину, мы переходим в так называемое царство количества — царство цифры», — заявил аналитик, подчеркнув, что альтернативой цифре всегда было слово.
«Отказ от человечества слова и переход к человечеству цифры — смертелен», — уверен Кургинян. «Никакой моралью вы его не сдержите! Либо смерть человечества, либо антропоцентрическое развитие, в котором, конечно, будут использоваться и такие машины, и следующие, и другие», — резюмировал он.
Источник: rossaprimavera.ru
#Мнение
Между человеческим разумом и искусственным интеллектом существует фундаментальное различие, заявил философ, лидер движения «Суть времени» Сергей Кургинян 6 декабря в эфире программы «Воскресный вечер с Владимиром Соловьёвым» на телеканале «Россия 1».
«Формула существования искусственного интеллекта — она от тех отцов, которые только начинали им заниматься: Джон фон Нейман, Норберт Винер и дальше: „это очень быстрый и очень точный дурак“», — отметил политолог.
Кургинян привел базовое положение, на которое опирались создатели искусственного интеллекта, назвав его «грубоватым», но при этом очень верным.
Фундаментальное отличие искусственного интеллекта от человеческого, по мнению Кургиняна, находится «на уровне того скромного понятия, которое называется метафора и научное творчество».
Искусственный интеллект не способен создавать метафоры и творчески их осмысливать.
«Все языки, на которых машины говорят и будут говорить когда бы то ни было — формализованные языки, даже со стохастическими вариантами. Это языки, лишенные метафоричности», — подчеркнул он. Философ предложил порассуждать, каким образом искусственный интеллект будет анализировать поэму Маяковского «Хорошо!»
И я,
как весну человечества,
рожденную в трудах и в бою,
пою мое отечество,
республику мою!
«Машина смотрит: весна, человечество; весна — это время года, человечество — это совершенно другое, у него не может быть времени года. Она растеряна», — пояснил политолог.
По мнению Сергея Кургиняна, такие фундаментальные понятия как язык, логос, метафора позволяют человечеству развивать в себе творческое начало, быть свободным от избытка рациональности.
«Человеческий язык не имеет никакого отношения к машинам и не будет никогда к ним сводиться. Потому, что вся сфера неформальности, свободы и всего остального находится в этом [человеческом] языке. Значит, как только мы начинаем обоготворять машину, мы переходим в так называемое царство количества — царство цифры», — заявил аналитик, подчеркнув, что альтернативой цифре всегда было слово.
«Отказ от человечества слова и переход к человечеству цифры — смертелен», — уверен Кургинян. «Никакой моралью вы его не сдержите! Либо смерть человечества, либо антропоцентрическое развитие, в котором, конечно, будут использоваться и такие машины, и следующие, и другие», — резюмировал он.
Источник: rossaprimavera.ru
Красная весна
Язык метафор недоступен искусственному интеллекту — Кургинян
Между человеческим разумом и искусственным интеллектом существует фундаментальное различие, заявил философ, лидер движения «Суть времени» Сергей Кургинян 6 декабря в эфире программы «Воскресный вечер с Владимиром Соловьёвым» на телеканале «Россия 1».
Ключевое слово LIKE может быть использовано только для таких типов данных
#SQL
Ответ предусматривает несколько вариантов
integer - 2
👍 2%
char - 22
👍👍👍 24%
real
▫️ 0%
numeric
▫️ 0%
varchar - 68
👍👍👍👍👍👍👍👍 74%
👥 92 человека уже проголосовало.
#SQL
Ответ предусматривает несколько вариантов
integer - 2
👍 2%
char - 22
👍👍👍 24%
real
▫️ 0%
numeric
▫️ 0%
varchar - 68
👍👍👍👍👍👍👍👍 74%
👥 92 человека уже проголосовало.
HateXplain: датасет для интерпретируемого распознавания хейтспича
HateXplain — это датасет для обучения моделей распознавания оскорблений в тексте. Датасет собирали исследователи из Indian Institute of Technology и University of Hamburg. Датасет разрабатывали так, что бы учитывать метрики интерпретируемости моделей распознавания.
HateXplain — это датасет для обучения моделей распознавания оскорблений в тексте. Датасет собирали исследователи из Indian Institute of Technology и University of Hamburg. Датасет разрабатывали так, что бы учитывать метрики интерпретируемости моделей распознавания.
Прагматичный ИИ. Машинное обучение и облачные технологии
Искусственный интеллект - это мощный инструмент в руках современного архитектора, разработчика и аналитика.
Облачные технологии - ваш путь к укрощению искусственного интеллекта.
Тщательно изучив эту незаменимую книгу от Ноя Гифта, легендарного эксперта по языку Python, вы легко научитесь писать облачные приложения с использованием средств искусственного интеллекта и машинного обучения, решать реалистичные задачи из таких востребованных и актуальных областей, как спортивный маркетинг, управление проектами, ценообразование, сделки с недвижимостью.
Искусственный интеллект - это мощный инструмент в руках современного архитектора, разработчика и аналитика.
Облачные технологии - ваш путь к укрощению искусственного интеллекта.
Тщательно изучив эту незаменимую книгу от Ноя Гифта, легендарного эксперта по языку Python, вы легко научитесь писать облачные приложения с использованием средств искусственного интеллекта и машинного обучения, решать реалистичные задачи из таких востребованных и актуальных областей, как спортивный маркетинг, управление проектами, ценообразование, сделки с недвижимостью.
RECCON: датасет для распознавания причины эмоций в тексте
RECCON — это датасет для распознавания причины эмоций в тексте. Создатели предлагают две задачи, которые можно решать с помощью датасета: извлечение каузальных диапазонов в тексте и извлечения каузального следствия эмоции.
Зачем это нужно
Распознавание причины эмоций в тексте является фундаментальной темой исследования в обработке естественного языка. Открытия в этой области могут потенциально улучшить интерпретируемость и качество моделей, которые используют данные эмоций.
Задачу формулируют следующим образом: имея высказывание, размеченное эмоцией, необходимо извлечь отрывки текста из истории диалога так, что бы они в полной мере представляли причины данной эмоции.
Подробнее про датасет
RECCON основывается на двух датасетах с разговорами: IEMOCAP и DailyDialog. Оба датасета имеют разметку эмоций на уровне высказываний. IEMOCAP — это датасет с диалогами, размеченными шестью эмоциями: счастливый, грустный, нейтральный, злой, воодушевленный и разочарованный. Всего в датасете 16 уникальных ситуаций диалога. В RECCON попало по одному диалогу для каждой ситуации.
DailyDialog — это датасет с естественными разговорами людей, который покрывает различные темы из обыденной жизни. Датасет размечен эмоциями: злости, отвращения, страха, счастья, нейтральной, грусти и удивления. При этом данные в датасете несбалансированы — 83% лейблов являются эмоционально нейтральными. Создатели вручную отобрали диалоги, которые содержат хотя бы по 4 не нейтральных высказывания.
Источник: https://arxiv.org/pdf/2012.11820.pdf
Github: https://github.com/declare-lab/RECCON
RECCON — это датасет для распознавания причины эмоций в тексте. Создатели предлагают две задачи, которые можно решать с помощью датасета: извлечение каузальных диапазонов в тексте и извлечения каузального следствия эмоции.
Зачем это нужно
Распознавание причины эмоций в тексте является фундаментальной темой исследования в обработке естественного языка. Открытия в этой области могут потенциально улучшить интерпретируемость и качество моделей, которые используют данные эмоций.
Задачу формулируют следующим образом: имея высказывание, размеченное эмоцией, необходимо извлечь отрывки текста из истории диалога так, что бы они в полной мере представляли причины данной эмоции.
Подробнее про датасет
RECCON основывается на двух датасетах с разговорами: IEMOCAP и DailyDialog. Оба датасета имеют разметку эмоций на уровне высказываний. IEMOCAP — это датасет с диалогами, размеченными шестью эмоциями: счастливый, грустный, нейтральный, злой, воодушевленный и разочарованный. Всего в датасете 16 уникальных ситуаций диалога. В RECCON попало по одному диалогу для каждой ситуации.
DailyDialog — это датасет с естественными разговорами людей, который покрывает различные темы из обыденной жизни. Датасет размечен эмоциями: злости, отвращения, страха, счастья, нейтральной, грусти и удивления. При этом данные в датасете несбалансированы — 83% лейблов являются эмоционально нейтральными. Создатели вручную отобрали диалоги, которые содержат хотя бы по 4 не нейтральных высказывания.
Источник: https://arxiv.org/pdf/2012.11820.pdf
Github: https://github.com/declare-lab/RECCON
Порядок строк в результатах SQL-запроса
#SQL
Ответ предусматривает несколько вариантов
Принимается убывающим по умолчанию - 3
👍👍 6%
Может быть возрастающим или убывающим для каждого поля - 6
👍👍👍 13%
Может быть указан только для полей, включенных в список результатов запроса - 3
👍👍 6%
Невозможно предсказать, если не указан в запросе - 25
👍👍👍👍👍👍👍👍 52%
Указывается после ключевого слова SORTED BY - 11
👍👍👍👍 23%
👥 48 человек уже проголосовало.
#SQL
Ответ предусматривает несколько вариантов
Принимается убывающим по умолчанию - 3
👍👍 6%
Может быть возрастающим или убывающим для каждого поля - 6
👍👍👍 13%
Может быть указан только для полей, включенных в список результатов запроса - 3
👍👍 6%
Невозможно предсказать, если не указан в запросе - 25
👍👍👍👍👍👍👍👍 52%
Указывается после ключевого слова SORTED BY - 11
👍👍👍👍 23%
👥 48 человек уже проголосовало.