Команда исследователей из Университета Южной Калифорнии (USC) разработала технологию, помогающую искусственному интеллекту представить себе несуществующий объект. Это можно считать аналогом воображения. Новый метод поможет в разработке лекарств и, очевидно, найдет применение в сфере автономных транспортных средств.
Представьте себе оранжевого кота. А теперь представьте того же кота, но уже с черной шерстью. Или вообразите кошку, идущую вдоль Великой Китайской стены. Для человека это несложно — в результате быстрой активации нейронов, в мозгу возникнут вариации описанных картин, которые основаны на знаниях об окружающем мире. Другими словами, людям легко представить себе объект с разными свойствами. При этом, несмотря на достижения в области искусственного интеллекта, возможности которого по ряду параметров соответствуют или превосходят человеческие, в том, что касается «машинного воображения», ученые продвинулись не слишком далеко.
Совсем недавно группа исследователей из USC разработала модель искусственного интеллекта на основе нейросети, которая способна представить себе объект, который ранее не был в поле зрения ИИ. Точнее — известный объект с различными атрибутами. В основу модели положены результаты изучения человеческого мозга и его способностей к усвоению и экстраполяции визуальной информации.
Новый алгоритм может лечь в основу будущих систем автономного транспорта. Сейчас чтобы обучить ИИ распознаванию автомобилей на дорогах, требуется огромное количество изображений всех возможных моделей машин в различных ракурсах и расцветках. Но, обладая воображением, ИИ сможет самостоятельно добавлять любые атрибуты к опорным типам изображений объектов. Например, если новый алгоритм ИИ усвоит абстрактный паттерн легкового автомобиля, то дальше он уже самостоятельно додумает все конкретные атрибуты (цвет, габариты, форма), характерные для подобных объектов. Такой подход должен сделать процесс обучения автономного транспорта существенно более быстрым и эффективным.
К тому же новый алгоритм, теоретически, позволит автономным машинам самостоятельно моделировать различные варианты развития дорожной ситуации (даже такие, которых не было во время непосредственного обучения нейросети), чтобы избегать опасных сценариев. Авторы проекта полагают, что модель сможет найти применение также и в фармакологии, помогая выделять основные функции известных лекарств, а затем, с помощью метода рекомбинации на их основе синтезировать новые препараты.
«ИИ с его стандартными способностями к имитации человеческих действий показал всему миру, как можно облегчить жизнь человеку, ускорить или усовершенствовать важнейшие процессы. А теперь мы видим, как ИИ становится сложнее и приобретает одно из самых уникальных качеств человека — воображение. Думаю, что новый метод будет востребован не только в области построения беспилотных автомобилей и медицине, хотя это, несомненно, одни из самых важных и нужных направлений. Считаю, что эти способности могут быть использованы также для борьбы с преступностью, например, для выявления мошеннических схем. А, значит, технология будет востребована у страховых компаний или банков», — комментирует Александр Тихонов, генеральный директор SAS Russia.
SAS Viya: аналитические модели можно сразу запускать в «продакшн» без написания дополнительного кода
Данные — это золотая руда, однако, чтобы добыть из нее полезные знания, необходимы комплексные инструменты, которые включают в себя элементы машинного обучения, обработки естественного языка, компьютерного зрения, интернета вещей. Платформа SAS Viya позволяет решить эту задачу за счет «композитного» искусственного интеллекта, in-memory вычислений и возможности запускать аналитические модели в производство без написания дополнительного программного кода.
Какие преимущества дает технология потоковой аналитики для решения задач по обеспечению безопасности
Пользовательские устройства ежесекундно генерируют триллионы событий, данные о которых оседают в хранилищах. Накапливать такого рода информацию бессмысленно и дорого. Компании ищут способы монетизации сведений, собранных, например, о клиентах. Крупные игроки, инвестирующие в дата-центры и персонал, научились анализировать колоссальные объемы информации, делать выводы и даже составлять прогнозы. Анализ больших объемов данных в режиме реального времени позволяет мгновенно реагировать на происходящее, как того требует ситуация.
Александр Миронов, SAS: Индивидуальные предложения не придумать заранее: их формируют алгоритмы прямо при общении с клиентом
Эффективность маркетинговых кампаний может колебаться в широком диапазоне. Многие клиенты воспринимают звонки и сообщения с предложениями услуг как спам. Изменить ситуацию мог бы индивидуальный подход, когда клиенту предлагают именно то, что ему в данный момент необходимо. Как это сделать, в интервью CNews рассказал Александр Миронов, руководитель практики по клиентской аналитике и CRM, SAS Россия и СНГ.
