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.
⬆️ Правильный ответ ⬆️
Может быть возрастающим или убывающим для каждого поля
Невозможно предсказать, если не указан в запросе
Может быть возрастающим или убывающим для каждого поля
Невозможно предсказать, если не указан в запросе
MoGaze: датасет с передвижениями тела и движениями взгляда
MoGaze — это датасет с передвижениями тела и движениями взгляда. Датасет собирали для обучения моделей предсказания действия людей. Такие модели можно использовать в роботизированных системах, тесно взаимодействующих с людьми.
Ограничения прошлых датасетов
С увеличением присутствия роботов в человеческой среде становится ключевым для робота уметь понимать и предсказывать движение человека. Такие способности сильно зависят от качества и доступности данных с движением. Однако существующие датасеты с движениями всего тела редко включают в себя:
Длинные последовательности задач манипуляции объектами;
3D модель с геометрией среды;
Данные о направлении взгляда
Все эти данные являются важными, когда роботу необходимо предсказать движения людей вблизи. MoGaze включает в себя эти данные.
Подробнее про датасет
Данные движений были собраны с помощью традиционной системы захвата движений, основанной на отражающих маркерах. Эксперименты показывают, что данные взгляда являются хорошим предиктором намерения человека. Датасет включает в себя 180 минут данных движение с 1627 действиями поднять-поставить.
Github: https://github.com/PeizeSun/SparseR-CNN
MoGaze — это датасет с передвижениями тела и движениями взгляда. Датасет собирали для обучения моделей предсказания действия людей. Такие модели можно использовать в роботизированных системах, тесно взаимодействующих с людьми.
Ограничения прошлых датасетов
С увеличением присутствия роботов в человеческой среде становится ключевым для робота уметь понимать и предсказывать движение человека. Такие способности сильно зависят от качества и доступности данных с движением. Однако существующие датасеты с движениями всего тела редко включают в себя:
Длинные последовательности задач манипуляции объектами;
3D модель с геометрией среды;
Данные о направлении взгляда
Все эти данные являются важными, когда роботу необходимо предсказать движения людей вблизи. MoGaze включает в себя эти данные.
Подробнее про датасет
Данные движений были собраны с помощью традиционной системы захвата движений, основанной на отражающих маркерах. Эксперименты показывают, что данные взгляда являются хорошим предиктором намерения человека. Датасет включает в себя 180 минут данных движение с 1627 действиями поднять-поставить.
Github: https://github.com/PeizeSun/SparseR-CNN
Модели ИИ от Microsoft и Google обошли человека в понимании логики текста
Авторы бенчмарка SuperGLUE опубликовали результаты последнего тестирования моделей обработки естественного языка. Модели Microsoft DeBERTa и Google T5 + Meena доказали понимание причинно-следственных связей в тексте и впервые обошли в этом человека. ИИ от Microsoft набрал 90,3 балла, ИИ от Google — 90,1 балла, в то время как усредненный результат человека в этом тесте составляет 89,8 баллов. Тестирование моделей DeBERTa и T5 + Meena проводились только на английском языке.
Тестирование SuperGLUE включало восемь сложных задач, связанных с пониманием контекста, структуры текста, причинно-следственных связей и альтернативных вариантов. В ходе последней серии испытаний ИИ анализировал короткие отрывки статей из Википедии, отвечал на вопросы со «спрятанными» в тексте ответами и подбирал аналогии. У обеих моделей — Microsoft и Google — это получилось лучше, чем у людей.
Важно отметить, что тест измеряет не интеллект как таковой, а логику, которая раньше давалась ИИ с большим трудом. А представители Microsoft добавили, что рекордный результат DeBERTa не делает модель хорошим собеседником для бытового диалога, но определяет важный момент на пути к созданию общего ИИ.
«DeBERTa, превосходящая человеческие характеристики на SuperGLUE, знаменует собой важную веху на пути к общему ИИ. В отличие от DeBERTa, люди чрезвычайно хорошо используют свои знания, полученные при выполнении различных задач, для решения новой задачи без демонстрации пути достижения результата или с минимальной демонстрацией», — объяснили авторы из Microsoft Research.
В качестве примера Microsoft привела сложный тест для понимания естественного языка, с точки зрения ИИ: «Ребенок стал невосприимчив к болезни. В чем причина? 1) Он избежал контакта с болезнью. 2) Он получил вакцину от болезни». Если раньше этот простой для человека вопрос, поставил бы ИИ в тупик, то теперь все изменилось. Большая часть теста SuperGLUE включала аналогичные задачи и DeBERTa успешно с ними справилась.
Как отмечает VentureBeat, представители Google пока не готовы раскрывать подробности своей языковой модели, но Microsoft расписала характеристики DeBERTa в официальном блоге. Последняя версия DeBERTa поставляется с 1,5 млрд. параметров и построена на базе существующих моделей компании. Microsoft пообещала опубликовать исходный код DeBERTa и интегрировать систему в свои продукты: Bing, Office, Dynamics и Azure Cognitive Services.
Прогресс в искусственном интеллекте заставляет некоторых ученых и философов предупреждать об опасности неожиданного появления неподконтрольного человеку сверхразумного ИИ. Проделав теоретические вычисления, международная группа ученых под руководством команды исследователей из Института Макса Планка (Германия) показала, что появись такой ИИ, управлять им мы точно не сможем.
Авторы бенчмарка SuperGLUE опубликовали результаты последнего тестирования моделей обработки естественного языка. Модели Microsoft DeBERTa и Google T5 + Meena доказали понимание причинно-следственных связей в тексте и впервые обошли в этом человека. ИИ от Microsoft набрал 90,3 балла, ИИ от Google — 90,1 балла, в то время как усредненный результат человека в этом тесте составляет 89,8 баллов. Тестирование моделей DeBERTa и T5 + Meena проводились только на английском языке.
Тестирование SuperGLUE включало восемь сложных задач, связанных с пониманием контекста, структуры текста, причинно-следственных связей и альтернативных вариантов. В ходе последней серии испытаний ИИ анализировал короткие отрывки статей из Википедии, отвечал на вопросы со «спрятанными» в тексте ответами и подбирал аналогии. У обеих моделей — Microsoft и Google — это получилось лучше, чем у людей.
Важно отметить, что тест измеряет не интеллект как таковой, а логику, которая раньше давалась ИИ с большим трудом. А представители Microsoft добавили, что рекордный результат DeBERTa не делает модель хорошим собеседником для бытового диалога, но определяет важный момент на пути к созданию общего ИИ.
«DeBERTa, превосходящая человеческие характеристики на SuperGLUE, знаменует собой важную веху на пути к общему ИИ. В отличие от DeBERTa, люди чрезвычайно хорошо используют свои знания, полученные при выполнении различных задач, для решения новой задачи без демонстрации пути достижения результата или с минимальной демонстрацией», — объяснили авторы из Microsoft Research.
В качестве примера Microsoft привела сложный тест для понимания естественного языка, с точки зрения ИИ: «Ребенок стал невосприимчив к болезни. В чем причина? 1) Он избежал контакта с болезнью. 2) Он получил вакцину от болезни». Если раньше этот простой для человека вопрос, поставил бы ИИ в тупик, то теперь все изменилось. Большая часть теста SuperGLUE включала аналогичные задачи и DeBERTa успешно с ними справилась.
Как отмечает VentureBeat, представители Google пока не готовы раскрывать подробности своей языковой модели, но Microsoft расписала характеристики DeBERTa в официальном блоге. Последняя версия DeBERTa поставляется с 1,5 млрд. параметров и построена на базе существующих моделей компании. Microsoft пообещала опубликовать исходный код DeBERTa и интегрировать систему в свои продукты: Bing, Office, Dynamics и Azure Cognitive Services.
Прогресс в искусственном интеллекте заставляет некоторых ученых и философов предупреждать об опасности неожиданного появления неподконтрольного человеку сверхразумного ИИ. Проделав теоретические вычисления, международная группа ученых под руководством команды исследователей из Института Макса Планка (Германия) показала, что появись такой ИИ, управлять им мы точно не сможем.
Кибернетическое бессмертие. Успехи науки позволяют нам поднять знамя кибернетического бессмертия.
Успехи науки позволяют нам поднять знамя кибернетического бессмертия . Идея состоит в том, что человек - это, в конечном счете, определенная форма организации материи. Это очень сложная организация, которая включает в себя высокую многоуровневую иерархию управления . То, что мы называем нашей душой или нашим сознанием, связано с высшим уровнем этой иерархии управления. Эта организация может пережить частичное - возможно, даже полное - изменение материала, из которого она построена.
Большая часть знаний, полученных человеком, все еще исчезает при биологической смерти. Лишь малая часть этих знаний хранится вне мозга или передается другим людям. Жалко умереть, не осознав сотую долю задуманного и не сумев передать свой опыт и интуицию. Обидно забывать вещи, хотя мы знаем, как хранить огромное количество информации в компьютерах и получать к ним доступ за доли секунды. Дальнейшая эволюция была бы намного более эффективной, если бы все знания, полученные в результате опыта, можно было бы сохранить, чтобы освободить место только для более адекватных знаний. Это требует эффективного бессмертия когнитивных систем, определяющих индивидуальный и коллективный разум: выживет не материальный субстрат (тело или мозг), а его кибернетическая организация.
Один из способов достижения этого идеала был назван « выгрузкой »: перенос нашей ментальной организации в очень сложную компьютерную систему. Исследования в области искусственного интеллекта...
Успехи науки позволяют нам поднять знамя кибернетического бессмертия . Идея состоит в том, что человек - это, в конечном счете, определенная форма организации материи. Это очень сложная организация, которая включает в себя высокую многоуровневую иерархию управления . То, что мы называем нашей душой или нашим сознанием, связано с высшим уровнем этой иерархии управления. Эта организация может пережить частичное - возможно, даже полное - изменение материала, из которого она построена.
Большая часть знаний, полученных человеком, все еще исчезает при биологической смерти. Лишь малая часть этих знаний хранится вне мозга или передается другим людям. Жалко умереть, не осознав сотую долю задуманного и не сумев передать свой опыт и интуицию. Обидно забывать вещи, хотя мы знаем, как хранить огромное количество информации в компьютерах и получать к ним доступ за доли секунды. Дальнейшая эволюция была бы намного более эффективной, если бы все знания, полученные в результате опыта, можно было бы сохранить, чтобы освободить место только для более адекватных знаний. Это требует эффективного бессмертия когнитивных систем, определяющих индивидуальный и коллективный разум: выживет не материальный субстрат (тело или мозг), а его кибернетическая организация.
Один из способов достижения этого идеала был назван « выгрузкой »: перенос нашей ментальной организации в очень сложную компьютерную систему. Исследования в области искусственного интеллекта...
Какая разница между decimal и numeric?
#SQL
decimal-тип числовых данных с фиксированными точностью и масштабом, numeric-тип числовых данных без фиксированной точностью и масштабом - 2
👍👍 6%
numeric-тип числовых данных с фиксированной точностью и масштабом, decimal-тип числовых данных без фиксированной точностью и масштабом - 5
👍👍👍 14%
decimal-тип числовых данных с фиксированными точностью и масштабом, numeric-тип точных числовых данных, использующие целые значения - 19
👍👍👍👍👍👍👍👍 54%
numeric-тип числовых данных с фиксированной точностью и масштабом, decimal-тип точных числовых данных, использующие целые значения - 2
👍👍 6%
decimal и numeric-между этими типами числовых данных нет никакой разницы - 7
👍👍👍👍 20%
👥 35 человек уже проголосовало.
#SQL
decimal-тип числовых данных с фиксированными точностью и масштабом, numeric-тип числовых данных без фиксированной точностью и масштабом - 2
👍👍 6%
numeric-тип числовых данных с фиксированной точностью и масштабом, decimal-тип числовых данных без фиксированной точностью и масштабом - 5
👍👍👍 14%
decimal-тип числовых данных с фиксированными точностью и масштабом, numeric-тип точных числовых данных, использующие целые значения - 19
👍👍👍👍👍👍👍👍 54%
numeric-тип числовых данных с фиксированной точностью и масштабом, decimal-тип точных числовых данных, использующие целые значения - 2
👍👍 6%
decimal и numeric-между этими типами числовых данных нет никакой разницы - 7
👍👍👍👍 20%
👥 35 человек уже проголосовало.
⬆️ Правильный ответ ⬆️
decimal и numeric-между этими типами числовых данных нет никакой разницы.
Типы decimal и numeric являются взаимозаменяемыми синонимами.
decimal и numeric-между этими типами числовых данных нет никакой разницы.
Типы decimal и numeric являются взаимозаменяемыми синонимами.
NBDT: интерпретируемые нейронные деревья решений
NBDT — это нейросетевая архитектура деревьев решений для задач классификации. Модель объединяет в себе интерпретируемость классического алгоритма дерева решений с качеством предсказаний современных нейросетей. Разработчики тестировали модель на задаче классификации изображений.
NBDT — это нейросетевая архитектура деревьев решений для задач классификации. Модель объединяет в себе интерпретируемость классического алгоритма дерева решений с качеством предсказаний современных нейросетей. Разработчики тестировали модель на задаче классификации изображений.