НейросетиНейронные сетиНейротехнологии

В России нашли способ повысить эффективность работы нейросетей на 40%

Для этого входные данные и коэффициенты модели квантуются таким образом, чтобы их произведения помещались в 8-битные регистры. Суммирование результатов сделано с помощью двухуровневой системы 16- и 32-битных аккумуляторов для достижения максимальной эффективности. В результате в среднем на одно значение приходится 4,6 бита информации.

Нейросеть далеко не всегда удаётся обмануть так просто. В случае уверенного распознавания объекта придётся сгенерировать и проверить множество вредоносных примеров, прежде чем удастся найти рабочий. При этом он может быть практически бесполезным, так как вносит слишком сильные возмущения, заметные невооружённым глазом.

При этом их программную часть составляют трансформеры — универсальные архитектуры, которые помогают выстроить правильный порядок действий при обработке запроса и генерации ответа. В частности, трансформеры позволяют нейросетям выполнять множество задач одновременно, что ускоряет их работу.

Ученые Центра искусственного интеллекта и факультета компьютерных наук НИУ ВШЭ, а также Института искусственного интеллекта AIRI и Sber AI разработали структуру диффузионной модели, для которой возможно задать восемь видов распределения шума. Вместо классической структуры модели в виде цепи Маркова и применения нормального распределения ученые предложили звездообразную модель, где возможно выбирать тип распределения. Это поможет решать задачи в разных геометрических пространствах с помощью диффузионных моделей. Об этом 15 февраля 2024 года сообщили представители НИУ ВШЭ. Подробнее здесь.

Исследователи взяли нейросеть, которая «специализировалась» на распознавании изображений. На вход программе подавалась матрица смежности сети и номер входного и выходного узла. На выходе нейросеть давала ответ, будет ли квантовое блуждание между этими узлами быстрее классического.

Сегодня все больше людей понимают, что за нейросетями будущее, и что на них можно делать вещи, которые раньше были невозможны. Как и любой инновационный продукт — широкой аудитории нейросети кажутся чем-то малоприменимым, но любопытным. Они умеют писать музыку, обрабатывать и генерировать изображения, выделять главное, озвучивать текст, поддерживать несложный диалог. Но после первого восторга все наиграются, и новинка станет рабочей обыденностью во всех сферах. Например, специально для СМИ было отобрано несколько способов потенциального применения нейросетей для решения реальных задач.

Нейросети для работы PR-специалиста

9 сентября 2024 года компания Cognitive Pilot сообщила о разработке технологии, позволяющей автоматически исправлять ошибки нейронных сетей и оптимизировать эффективность обучения до 40%. Разработанную технологию в компании в шутку назвали Cognitive Neural Network Hospital, за ее способность «вылечивать больные места» нейронной сети. Например, при добавлении в обучающую выборку новых данных по дорожным светофорам, благодаря Cognitive Neural Network Hospital точность распознавания удалось оптимизировать сразу с 99,3% до 99,99%. Технология также позволяет сократить время обучения (с учетом отбора данных) в 15 – 20 раз. Подробнее здесь.

13 октября 2021 года аналитики Platforma («Платформа больших данных») подклились результатами изучения отношения малого и среднего бизнеса к искусственному интеллекту (ИИ) и большим данным. Больше трети респондентов (36,8%) считают, что работа ИИ требует контроля и проверки результатов. Но каждый пятый (22,1%) предприниматель уже на октябрь 2021 года готов заменить личного ассистента на умную программу для выполнения персональных поручений. Подробнее здесь.

Ученым из Vicarious удалось разработать нейросеть для расшифровки капчи, получившую название «рекурсивная кортикальная нейросеть» (англ. recursive cortical network, сокращенно RCN). Для ее создания использовались знания об обработке визуальной информации человеком, а именно — об эффективном разделении объекта и фона, даже в том случае, когда они имеют очень похожую структуру. Созданная нейросеть способна выделять на общем фоне контур объекта (например, буквы) даже в том случае, если часть объекта скрыта за другим.

Мэрия Москвы на своем сайте попросила помочь жителей города с обучением нейронной сети. Для этого им потребуется просто загрузить снимки на сайт, подтвердив затем корректность распознанных цифр. Москвичи смогут загружать неограниченное количество фото, однако должны будут следовать ряду правил при фотографировании показаний: камера должна находиться на расстоянии не более 15 см от счетчика; не менее половины снимка должно быть занято изображением счетчика; на одном фото не должно быть два счетчика и более; разрешается сделать несколько снимков одного счетчика с разных ракурсов.

Ученые Smart Engines нашли способ повысить эффективность работы нейросетей. В основе метода лежит принципиально новая схема квантования, благодаря которой скорость работы повышается на 40%. Результаты исследования были опубликованы в журнале Mathematics (Q1). Об этом Smart Engines сообщила 25 апреля 2024 года.

По его словам, чтобы обойти преграду, команда исследователей предложила добавить трансформерам «механизм памяти». Суть идеи в том, чтобы разделить длинные входные последовательности на сегменты и снабдить их дополнительными алгоритмами для резервирования информации. Эти элементы служат как бы «мостиками», по которым важные данные переносятся с предыдущего сегмента на следующий. Это позволяет языковой модели держать в «памяти» весь длинный текст на всем его протяжении. На следующем этапе программа уже может выполнять с «усвоенным» текстом различные операции, обрабатывая информацию в соответствии с запросами пользователей.

2019: Promt представила решения для переводов с использованием нейронных сетей

После запуска в работу натренированной нейросети фотографии нужно будет загружать в приложения «ЖКХ Москвы», «Госуслуги Москвы» или в личный кабинет на сайте mos.ru. Предполагается, что сеть сможет распознавать цифры на фотографиях счетчиков независимо от освещения, угла съемки, возможностей камеры и качества снимков.

Влад Шершульский, Директор по перспективным технологиям, Microsoft Rus комментирует: «Эта область окончательно стала в 2016 году «горячей»: примерно с 2009 года наблюдается быстрый прогресс в создании все более сложных, и при этом все более эффективных, глубоких нейронных сетей, а в самое последнее время мы увидели впечатляю щие приложения и стали свидетелями создания целого ряда успешных стартапов. Порог входа на рынок нейросетевых сервисов существенно снизился, а проекты, построенные вокруг идеи одного интересного приложения, реализуются за считаные месяцы. Все это породило бум нейросетевых стартапов, вызвало интерес крупных корпораций и способствовало росту спроса на специалистов в этой области, в том числе и в России. Приятно отметить, что важнейший вклад в создание нового поколения технологий работы с естественными языками внесли специалисты компании Microsoft. В известном телевизионном сериале «Звездный путь» создание онлайнового перевод чика устной речи прогнозировали в XXII веке, а он у нас уже есть сегодня. Конечно, другие применения – от прогнозирования поломок автомобилей и банкротства контрагентов до новых средств кибербезопасности – тоже развиваются весьма успешно».

Возможности искусственного интеллекта уже достаточно широки — нейросети становятся мощным инструментом, который потенциально полезен и бизнесу, и независимым художникам. Однако большинство крупных компаний избегают «сотрудничества» с искусственным интеллектом — в частности, из-за белых пятен в законодательстве.

Более масштабное использование ИИ в кино встречается нечасто. Однако в апреле 2024 года небольшая новая студия TCLtv+ Studios, частично принадлежащая китайской технологической компании, анонсировала фильм, полностью сгенерированный нейросетью. Трейлер уже выложили, но качество графики пока очень далеко от фильмов и мультфильмов, созданных людьми.

Идеей Алексея Мельникова, Леонида Федичкина и Александра Алоджанца было заменить эксперта машинным интеллектом: научить компьютер различать сети и давать ответ на вопрос, в каких сетях квантовые блуждания будут давать преимущество. То есть обнаружить сети на основе которых имеет смысл строить квантовый компьютер.

Ученые Центра ИИ и Института искусственного интеллекта и цифровых наук факультета компьютерных наук НИУ ВШЭ показали, что задача обучения генеративных потоковых сетей максимально схожа с общей задачей обучения с подкреплением, а также применили специализированные методы обучения с подкреплением для генерации дискретных объектов, например молекулярных графов.

Нейросети способны самостоятельно обучаться и развиваться, строя свой опыт на совершенных ошибках. Анализируя и обрабатывая информацию из какого-то конкретного источника, либо из сети Интернет в целом, самоорганизующаяся система способна создавать новые продукты, не только воспроизводя и структурируя вводные данные, но и формируя качественно иной результат, ранее недоступный искусственному интеллекту.

Пика популярности графовые нейросети достигли в 2018 году, когда они стали использоваться и показали высокую эффективность в различных приложениях. Самый известный пример – модель PinSage в рекомендательной системе сервиса Pinterest. С тех пор находится все больше новых применений технологии в областях, где раньше существующие методы были не способны эффективно учитывать в моделях связи между объектами. Подробнее здесь.