Машинное обучение

Классическое тестирование, при котором задаются сценарии тестирования или программы и методики испытаний, не применимо для систем на базе машинного обучения – модель обучилась чему-то новому и вправе выдавать непредсказуемые результаты. Как заказчику убедиться в том, что решение работает и будет приносить бизнес-пользу? Исполнитель также хочет наглядно доказать, что решение корректно работает. В этом случае может помочь системный подход к тестированию, учитывающий основные риски, которые заказчик и исполнитель должны обрабатывать совместно.

Разобраться в работе нейронных сетей вполне может и не профессионал – для этого достаточно учитывать, какой именно тип мышления сейчас заложен в ИИ, а также как это сказывается на роли человека в человеко-машинных системах. Однако некоторые особенности этого взаимодействия далеко не очевидны и пока широко не обсуждаются. Подобные дискуссии были бы полезны и инвесторам, и стартапам, и руководителям предприятий, чтобы не транжирить деньги на модные веяния, но и не отстать в мире новых технологий.

«Малые» языковые модели обучаются на более конкретных и качественных датасетах, отличаются компактностью и экономичностью.

Лауреатами стали Джон Хопфилд из США и британско-канадский ученый Джеффри Хинтон.

Созданная исследователями модель учитывает сотни голосовых биомаркеров, недоступных для человеческого слуха.

В центре внимания мероприятия, организованного издательством «Открытые системы», — технологии искусственного интеллекта в бизнес-процессах компаний.

По мнению аналитиков, оценивать возможность применения квантовых технологий в реальных сценариях пока рано.

Атаки на современные алгоритмы и модели машинного обучения и искусственного интеллекта отличаются большим разнообразием и сложностью предсказания результатов.

Работа разметчика данных предполагает долгий и однообразный труд, действия строго по инструкции, и поэтому тяжело воспринимается большинством людей. Однако люди с расстройствами аутистического спектра в силу своей специфики становятся лучшими разметчиками.

Искусственный интеллект сегодня – революционное средство для решения множества задач или хайп, вводящий в заблуждение относительно практического применения этих технологий?

Ошибка в темпе прокатки стали может привести к поломке оборудования, поэтому обычно оператор стана выставляет темп с небольшим запасом – но правильно ли он его высчитает? Важно оцифровать этот процесс и снизить влияние человеческого фактора.

Приложение формирует график тремора у пациента, отражая объективную картину в динамике и общее состояние пациента.

Ильдар Хасанов, исполнительный директор BRAINPHONE, – о разработке сервиса, позволяющего по голосу выявлять людей с болезнью Паркинсона, и создании массового и доступного инструмента диагностики этого заболевания.

Андрей Зима, директор департамента развития решений искусственного интеллекта «Ростелеком», – о запуске решения, помогающего определять наиболее перспективные сегменты клиентов и повышать качество работы с ними.

Владимир Горохов, директор по развитию «Русагро Тех» и Максим Андрианов, директор по разработке и внедрению ПО «Инфосистемы Джет», — о создании в «Русагро» системы планирования полевых работ, позволяющей добиваться оптимальных результатов.

Ирина Фадеева, управляющий директор отдела развития и продаж продуктов глобальных рынков розничным клиентам «Сбера», – о формировании персонализированных коммуникаций с учетом психометрии клиентов.

Светлана Потапова, руководитель кластера «Искусственный интеллект» «Северстали», – о создании решения на основе моделей машинного обучения, позволившего оптимизировать работу стана 2000 Череповецкого металлургического комбината.

Дмитрий Берестнев, Chief Data Scientist HiFi-стриминга «Звук», – о реализации проекта по автоматическому извлечению и анализу текстов песен, что позволило решить задачи фильтрации контента и оптимизировать выдачи рекомендаций пользователям.

Андрей Голов, руководитель Центра искусственного интеллекта «Северстали», – об использовании на предприятии физически информированного машинного обучения и его роли в повышении эффективности компании.

Исследователи сравнили модели, предсказывающие, насколько высокую оценку напитку поставят дегустаторы. Лучшие результаты — у модели, обученной методом градиентного бустинга.