Машинное обучение

Платформа позволит обрабатывать большие данные, работать с нейросетями и алгоритмами машинного обучения.

ИТ-руководители используют анализ данных для повышения эффективности и дальнейшего роста бизнеса, однако не все их усилия приносят желаемый результат. Тем не менее вот несколько примеров успешных проектов внедрения анализа данных и машинного обучения в целях увеличения доходов компаний и сокращения их затрат.

Когда очередная технология становится притчей во языцех – а именно так происходит в последнее время с машинным обучением, – о ней обычно возникает немало ошибочных представлений. Мы постараемся развеять мифы и разъяснить, что машинное обучение действительно может, а что – нет.

Опросы специалистов по анализу данных показывают, что около 80% времени они тратят на сбор, организацию и извлечение информации из данных.

Новые возможности позволяют отслеживать, тестировать, переобучать и перестраивать модели машинного обучения, упрощая их обновление и снижая сопутствующие риски.

Samsung-HSE Laboratory будет разрабатывать механизмы байесовского вывода в современных нейронных сетях для решения ряда проблем в глубинном обучении.

В ходе уроков школьники узнают историю искусственного интеллекта, основные тенденции и перспективы развития искусственного интеллекта, машинного обучения и анализа данных, научатся выполнять задачи начального уровня сложности.

Еще во времена первых компьютеров обсуждалась идея создания программ, способных действовать, говорить и думать подобно людям и предназначенных не только для автоматизации рутинных действий, выполняемых людьми, но и для решения интеллектуальных задач. Какие сегодня имеются платформы для создания и использования ботов?

Проблема персонализации сегодня в центре внимания — появляются сотни технологических решений и сервисов, а соответствующие продукты уже сформировали свой отдельный рынок. Для директора по аналитике или директора по данным ключом к реализации возможностей персонализации, открывающихся благодаря доступности колоссальных объемов данных о клиентах, стало внедрение масштабируемых средств аналитики. Однако, несмотря на огромные инвестиции и широкий круг доступных технологий, предприятия по-прежнему испытывают сложности с персонализацией взаимодействия с клиентами и сотрудниками.

Компания будет работать сегменте услуг для корпоративных заказчиков и обещает помочь предприятиям повысить эффективность и сократить издержки бизнеса.

2017 год оказался весьма богат на слияния и приобретения в ИТ-отрасли. Целый ряд сделок на миллиарды долларов уже завершены или находятся в процессе реализации. Они затрагивают сферы облачных сервисов, хранения, микропроцессоров и транспорта. Представляем несколько крупных сделок, которые могут иметь важные последствия для ИТ-директоров.

Нейронная сеть обучалась на базе из более чем 100 тыс. вопросов, которые задавали пользователи юридического онлайн-сервиса.

Новый сервис автоматизирует рутинные процессы, оставляя специалистам время на экспертную работу.

Система глубинного обучения DeepHeart, разработанная компанией Cardiogram, на основе данных, собираемых пульсометрами, встроенными в умные часы, пытается выявить симптомы различных заболеваний

Необходимо добиваться полной прозрачности применения искусственного интеллекта: знать, кем, как и на каких данных проводилось обучение моделей, отражает ли оно профессиональные знания, утверждает глава IBM.

Анджей Аршавский, директор по анализу данных и моделированию Новолипецкого металлургического комбината, – о первых результатах оптимизации производства с помощью анализа данных и о перспективах применения искусственного интеллекта в металлургии.

Благодаря этому образовательные программы «Яндекса» по машинному обучению и анализу данных станут доступны за пределами стран СНГ.

ИТ-руководители крупных компаний поделились опытом применения искусственного интеллекта и машнного обучения с целью получения ценных для бизнеса сведений и создания новых сервисов, а также дали рекомендации тем, кто хотел бы задействовать искусственный интеллект в своих ИТ-стратегиях

Исследовательская лаборатория Carlsberg в Дании создает 1000 разных образцов пива каждый день. Этого достаточно, чтобы каждый житель Копенгагена мог пробовать более двух образцов в год.

Метод основан на предположении, что при интерпретации образов мозг сначала создает двухмерный «эскиз» объектов, а затем определяет их полную форму и расположение.