#машинное обучение

Энтузиасты прочитали свертки папирусов, которые спеклись при извержении Везувия в 79 году нашей эры (тот самый последний день Помпеи), используя компьютерную томографию и машинное обучение.

Взрыв мозга. 🤯

Вы только представьте: две тысячи лет назад извержение вулкана погребло среди прочего виллу, в которой хранились сотни (если не тысячи) книг.

Библиотеку случайно обнаружили в 18 веке и с тех пор пытаются прочитать.

Свертки папирусов спеклись, превратились в твердую золу. При попытке развернуть они рассыпаются. Некоторые свитки получалось развернуть — буквально по миллиметру в день, но древняя краска быстро выцветала от контакта с воздухом.

15 марта 2023 года ученые сканируют один из свитков в супер высоком разрешении на мощном ускорителе частиц методом компьютерной томографии (чтобы получилась 3Д-модель папируса) и выкладывают сканы в открытый доступ. Энтузиасты объявляют конкурс с суммой призов больше миллиона долларов для того, чтобы наконец расшифровать все свитки.

Для того, чтобы повысить вероятность общего успеха, организаторы назначили «промежуточные» призы за первое расшифрованное слово, первую фразу. Благодаря этому, все участники могли пользоваться результатами друг-друга на каждом следующем этапе.

Результат — первые абзацы, которые складываются в новый для историков текст. Победители — команда трех 20-летних парней, которое познакомились на конкурсе.

Достижение не только частное — компьютерную томографию в требуемом разрешении сделали вполне себе классические ученые в институте.

Если вы технарь — рекомендую обратить внимание на дизайн конкурса: заявки участников проверяют не только историки, но и группа инженеров, которые не только понимают все шаги команды победителя, но и самостоятельно воспроизводят их результаты. Это позволяет избежать галлюцинаций нейросетей и переобучения их под искомый результат.

В общем — полная синергия частного и государственного, торжество науки и техники.

Расшифрованный текст — ранее неизвестное сочинение эпикурейца о природе наслаждения. 🍷

Сайт конкурса содержит миллион подробностей, красивых видео и картинок, рекомендую!

Новый эпизод подкаста — с патологоанатомом. И это не персонаж из анекдотов, который режет трупы! Гораздо интереснее и сложнее.

Внутри эпизода много машинного обучения, крутые кейсы и доктор, который занимается не только лечением, но и наукой.

Немного страшно, что делать в следующем сезоне, когда в этом задана такая высокая планка 🙈

Слушайте и подписывайтесь: Apple, Google, Яндекс, Spotify, Castbox, Overcast, веб-версия.

У нас дома есть ритуал. Вернулся домой — кот мяучет и тот, кто вернулся, его кормит. Я привык рассматривать мяуканье как желание поесть. Но сегодня утром я проснулся, покормил его и пошёл выкинул мусор. Вернулся — а он мяучет как будто я вернулся с работы. Почти пошел за едой, но понял, что глупо.

Вот думаю, как часто я делаю вещи по привычке, без смысла?

—

Коту, по моему опыту, ок вместо еды посидеть на руках. Интересно, как часто он реально голоден, когда мяучет, а когда — просто хочет на руки?

Нашел приложение, которое переводит с языка котов (чумовая статья, wiki at it's best; русская статья в википедии совсем другая!), причем адаптируется под специфичный вокабуляр конкретного кота. Создатель — бывший разработчик Amazon Alexa. Вот истинное предназначение методов машинного обучения! iOS / Android и научная статья впридачу. А вот как самому подобное напрогать.

Новый эпизод подкаста, про машинное обучение. Как машины учатся обыгрывать человека в пинг-понг, шахматы, го и старкрафт; какая из этих игр сложнее и зачем вообще учить компьютеры играть в игрушки — все это обсуждаем с Серёжей Бартуновым из DeepMind. Google DeepMind — одна из главных компаний в области искусственного интеллекта. Заглавный вопрос эпизода: есть ли у машины интуиция?

А ещё Серёжа признаётся в подписке на стыдный паблик и советует книжку по квантовым вычислениям.

Слушайте и подписывайтесь: Apple, Google, Castbox, Яндекс, Spotify, Overcast и веб-версия

Что общего между выращиванием марихуаны и лечением рака?

В новом эпизоде подкаста мы разбираемся, как IT используют в сельском хозяйстве. Овощи и фрукты выращивают по всему миру, но это производство до сих пор слабо автоматизировано и требует много ручного труда. Основательница стартапа Fermata Валерия Коган придумала, как контролировать растения в теплицах за счет машинного обучения. Мы поговорили с Лерой о том, как искусственный интеллект меняет выращивание овощей, почему с марихуаной легче работать, чем с помидорами, как собрать датасет больных растений и как Лера использует одну и ту же технологию в сельском хозяйстве и в онкологии.

Слушайте и подписывайтесь: Apple, Google, Castbox, Яндекс, Spotify, Overcast и веб-версия.

И задавайте пожалуйста вопросы для новогоднего эпизода! Присылайте их @zapuskzavtrabot.

NB. После прослушивания прошлого эпизода, основатель сервиса jitbit Саша Юмашев написал классный пост о том, что есть системы приема платежей, которые берут всего 5% комиссии и не требуют больших единовременных инвестиций. Рекомендую его канал.

Новый эпизод подкаста — про машинное обучение.

В гостях: Самер Фатайри — главный по ML в adjust.com, одной из главных компаний по атрибуции мобильного трафика и Петя Ромов, который в своем стартапе GOSU.ai помогает геймерам лучше играть в доту (не шутка).

Запись летняя, так что я очень много смеюсь в микрофон, зато гости классные, рассказывают интересные вещи и звукорежиссер в этот раз сделал крутую интерактивную врезку и ending.

Подписывайтесь в приложениях, там все выпуски выходят в четверг утром, как часы: Apple, Google, Castbox, Spotify, Яндекс.

Ссылки из подкаста (даже те, что не вошли в финальную версию):
- курс по машинному обучению для школьников, где анализируют ДОТУ!
- русское slack сообщество по машинному обучению open data science — лучшее в мире
- мощная школа анализа данных Яндекса, если хотите заняться ML всерьез
- у нашего партнера, онлайн-школы Яндекс.Практикум тоже есть курс по ML
- голуби учатся распознавать рак.

Синтез речи и мимики лица по тексту, машинный перевод, чемпионство в шахматах и го, идентификация рака по рентгену точнее чем у опытных врачей — объем применений методов машинного обучения может создать иллюзию, что машины становятся умнее. Это не так. Можно натренировать стаю голубей отличать рак по рентгену в 99% случаев. Они не становятся от этого умнее.

Животные догадываются до очень хитрых схем добычи еды. Обезьяны строят башни из коробок чтобы достать банан, вороны наполняют узкую банку с водой камнями, чтобы еда всплыла вместе с повышением уровня воды. Что уж говорить о детях, добирающихся до верхних полок шкафов за конфетами.

Машины пока так не умеют. Задача «добраться до еды в реальном мире» слишком общая. В шахматах и даже в старкрафте речь идет о герметичной системе с довольно четкими правилами. Число возможных ходов ограничено. Вспомните пару анекдотов о смекалке. Они смешны, потому что решения часто парадоксальны и хотя понятны после озвучивания, догадаться до них «поступательным развитием» невозможно.

Так вот, ученые организовали небольшой конкурс на лучший алгоритм для выживания в реальном мире. Видео-анонс классный.

Спасибо Самеру Фатайри за наводку.

Похвастаюсь: записали сегодня подкаст про машинное обучение с Петей Ромовым, техдиром gosu.ai (стартап, анализируют доту), и Самером Фатайри, главным по дата-сайнсу в adjust (крупная компания про mobile attribution).

Вот вам история, которую Петя вспомнил уже после записи, в кафе: в школе анализа данных Яндекса, у него был студент-физик, Стас, который круто решал учебные задачи, но когда его просили объяснить решение, он начинал рассказывать про физический матаппарата и физическую интуицию, из которой он черпал свои идеи. То есть задачу на определение нелегального поведения в соцсети он мог решить через прием, взятый из матаппарата анализа молекул газа, например. 🤯 Вот пример аналогичного разбора на ютубе (задача уже из «взрослого соревнования»).

В последствии, Станислав Семенов стал top-1 игроком на Kaggle — самой популярной соревновательной платформе для дата-сайнтистов (читай олимпийским чемпионом в машинном обучении). 💫

Утреннее письмо от Apple — рекламируют сервис машинного обучения от IBM для разработчиков.

У Apple есть хорошая библиотека (фреймворк) машинного обучения — CoreML. IBM Watson вписывается в общую картину как звено обучения модели. Дальше её можно загрузить в телефон для оффлайн-использования.

Аналогичные публичные сервисы есть у прямых конкурентов — Amazon, Microsoft и Google, но их Apple не особо рекламирует ;)

Вообще, что Apple безусловно делает лучше всех на рынке — так это рассказывает истории. Хоть покупателям, хоть разработчикам, и на сайтах, и в pdf-ках, и в видео.

Хорошая статья про «искусственный интеллект» и этические проблемы, которые он несет.

Автор (кстати, он технический руководителем группы сервисов в гугле) на пальцах объясняет, как работает пресловутый искусственный интеллект — машинное обучение, в чем его сильные и слабые стороны. Дальше он рассказывает о нескольких вопросах, которые ярко подчеркивают этические проблемы ML.

- Проблема вагонетки: должен ли автопилот пожертвовать пассажиром или пешеходом?
- проблема распознавания фотографий людей с черной кожей: системы классифицировали их как орангутангов;
- проблема дискриминации в судебной системе, когда алгоритм автоматически отказывает в досрочном освобождении всем чернокожим.

Все эти вопросы — не новые. Просто раньше мы на них не отвечали. С компьютерами так не получается. Если мы хотим, чтобы машина делала работу за нас, нужно ясно ей сказать, чего мы от неё ждем.

«Честность с собой», на которую толкают нас машины — возможно, самое главное достижение технологий, заключает автор. Ух, спорное утверждение.

В начале статьи приложена ссылка на mp3-версию и её очень удобно слушать в дороге. Качество человеческого диктора пока ещё существенно лучше, чем iOS-ный «Экран вслух» (Speak Screen).

Кстати, если вы не пользуетесь этой функцией — очень рекомендую попробовать. Она включается один раз в настройках универсального доступа (Accessibility), дальше свайп двумя пальцами на любом экране зачитывает текст машинным голосом.