Русский
Русский
English
Статистика
Реклама

Нейросети

Нейросети помогли ответить на вопрос, зачем мы видим сны

06.08.2020 18:13:01 | Автор: admin

Возможность видеть сны есть не у всех, при этом она очень важна

Наш мир полон суеверий, причем некоторые из них вызывают особый интерес. Известно, например, что Майкл Джордан носил шорты Университета Северной Каролины под своей формой Chicago Bulls; Серена Уильямс носит одни и те же носки на протяжении всего турнира; а теннисист Горан Иванишевич в свое время смотрел мультфильм Телепузики на протяжении всего соревнования (позже даже он не смог ответить, зачем). Для одних это не больше, чем просто «тараканы» в голове, однако ученые считают, что появляются они не просто так. Новая теория не только объясняет, с чем связано такое поведение, но и позволяет ответить на вопрос, почему вы вообще видим сны.

Откуда берутся суеверия

Психологи говорят, что данное поведение возникает из-за того, что человеческий мозг иногда связывает события, которые по факту имеют небольшую причинную связь или вообще не имеют ее. У исследователей, которые занимаются машинным обучением, другой ответ на этот вопрос. Для них это пример переобучения — использования нерелевантных деталей для построения нейросети. Может быть много факторов, которые способствуют успеху конкретной теннисной подачи или баскетбольного броска, но цвет носков или трусов вряд ли входит в их число.

Точно то же самое происходит с искусственными нейронными сетями. Во время обучения они узнают важные детали, но также и нерелевантные, которые просто не нужны. Переобучение — это настоящее проклятие для экспертов по машинному обучению, которые разработали широкий спектр методов, чтобы обойти его.

Если нейросети скормить слишком много лишних данных, она выдаст что-то вроде этого. Некоторые видят похожие сны

Но если нейросеть справляется с переобучением, то как с этим обстоят дела у человеческого мозга?

Ответить на этот вопрос можно благодаря новой работе Эрика Хоэла, нейробиолога из Университета Тафтса в Массачусетсе. Согласно его теории, человеческий мозг предотвращает переобучение с помощью сновидений. Сновидения были развиты специально для решения этой проблемы, которая является общей для всех нейронных сетей. Если его теория верна, она дает ответ на одну из больших нерешенных проблем нейробиологии: почему мы вообще видим сны.

Что такое сны?

Немного предыстории. Психологи, нейробиологи и другие ученые с незапамятных времен задумывались о происхождении и роли снов. Фрейд предположил, что они были способом выражения разочарования, когда человек не реализовывал одну и своих идей.

Другие считают, что сны - это своего рода эмоциональный инструмент, который позволяет нам контролировать и разрешать эмоциональные конфликты. Однако критики отмечают, что большинству снов недостает сильного эмоционального содержания, и бессмысленные сны без каких-либо эмоций обычное явление.

Третьи говорят, что сны — это часть процесса, который мозг использует для исправления воспоминаний или выборочного забывания нежелательных или ненужных воспоминаний. Однако это тоже не совсем верно, поскольку большинству снов не хватает реалистичных деталей, они имеют странные направленности, схожие с галлюцинациями, и часто содержат ранее неизвестную информацию. Вы давно видели осмысленный сон? Расскажите в нашем Telegram-чате.

Большинство снов вообще не связаны с конкретными воспоминаниями, что делает интеграцию новых воспоминаний сомнительной целью сновидения, — говорит Хоэл.

Зачем мы видим сны

Его новая идея заключается в том, что цель сновидений — помочь мозгу делать обобщения, основанные на конкретном опыте. Выстраивать настоящие связи. И сны делают это так же, как специалисты по машинному обучению, которые предотвращают переобучение в искусственных нейронных сетях.

Сны помогают мозгу избавиться от лишних связей и «прочистить голову»

Как они это делают? Самый распространенный способ добавить немного шума в процесс обучения, чтобы нейронной сети было сложнее сосредоточиться на несущественных деталях. На практике исследователи добавляют шум к изображениям или загружают в компьютер поврежденные данные и даже удаляют случайные узлы в нейронной сети. С человеческой точки зрения это было бы равносильно тому, чтобы заставить Майкла Джордана носить разные шорты или заставить Серену Уильямс менять носки. Это значительно снизило бы вероятность того, что они сосредоточатся на конкретной несущественной детали в их случае суеверии.

По словам Хоэла, сновидения выполняют ту же функцию для мозга. Он называет эту идею гипотезой переоборудованного мозга и указывает, что в ее пользу есть множество свидетельств. Например, один из лучших способов вызвать сновидения — это играть в простые повторяющиеся игры, такие как тетрис. Это создает условия, в которых мозг может стать переобучаемым за счет множества новых повторяющихся деталей.

Вот почему такие действия вызывают сны. Эти сны не являются повторами воспоминаний об играх в тетрис и, как правило, содержат мало деталей, больше похожих на галлюцинации. Именно этот шум помогает мозгу убрать лишние связи. Вот почему люди могут улучшить свои жизненные показатели после хорошего ночного сна.

Ученый использует свою новую теорию, чтобы сделать ряд смелых предположений.

Возможно, человеческий мозг способен измерять переобучение, — говорит он.

Сны помогают мыслить ясно

Чем опасен недосып?

Теория также может быть использована для лучшего понимания типов ошибок, которые люди с недостатком сна могут совершить. Если недосыпающий мозг окажется переполнен лишними связями, он будет склонен делать стереотипные ошибки. Так что Майклу Джордану и Серене Уильямс, возможно, стоило просто хорошо выспаться.

Кроме того, почему люди создают художественную литературу и наслаждаются ею, всегда оставалось загадкой. Но у Хоэла есть ответ:

Гипотеза переоборудованного мозга предполагает, что вымыслы и, возможно, искусство в целом могут иметь базовую когнитивную полезность для предотвращения переобучения, поскольку они действуют как искусственные сны.

Интересная работа! До сих пор большинство когнитивных теорий рассматривали сны как эпифеномен, побочный продукт общего сна, не имеющий собственной значимой функции. Данная работа переворачивает все это с ног на голову, раскрывая биологическую функцию сновидений и, следовательно, впервые обосновывая их эволюцию.

Подробнее..

Российский разработчик создал новое поколение алгоритма Deepfake. Что он умеет

29.09.2020 18:19:37 | Автор: admin

Кадр из видео, сделанного с помощью Deepfake 2.0

За последние несколько лет глубинное обучение (Deep Learning) шагнуло далеко вперед. Некоторые системы машинного зрения, голосового восприятия и некоторые другие работают настолько эффективно, что даже порой превосходят возможности человека. Но там, где есть новая перспективная технология, обязательно найдутся те, кто попробуют использовать ее в других целях. Так появились Deepfake нейросети, которые способны заменить лицо человека на фотографии или видео. То есть любой человек сможет сесть перед камерой, сказать что-то, а его лицо будет заменено на другого человека. А что если я скажу вам, что уже сейчас Deepfake может заменить не только лицо, но и даже волосы, цвет кожи и фигуру?

Что умеет новый Deepfake

Как заявил русскоязычный разработчик Алексей Чаплыгин, он потратил почти два года работы, чтобы создать Deepfake нового поколения. Его версия алгоритма может менять почти все: от кожи и цвета волос до лица и фигуры. Кроме того, нейросеть способна менять человека на любом фото, даже если оно изначально не было загружено для обработки алгоритмом. Вот примеры того, как это выглядит.

Хорошо, что разработчик не стал выкладывать исходный код алгоритма в Сеть, в противном случае это могло бы вызвать волну дипфейков, где людям на фото и видео подрисовывали бы лица и черты других людей. Сам Алексей заявил, что планирует использовать свой алгоритм для создания виртуальных примерочных, и это было бы действительно круто. Только представьте загрузили вы свое фото, алгоритм распознал его, и прямо на экране своего телефона вы видите себя и примеряете новые кроссовки, пальто или джинсы.

Практическая же цель моего проекта: создание виртуальной примерочной для интернет-магазинов одежды, где каждый видит себя, а не моделей с однотипными фигурами и похожими лицами. Технология затачивалась именно для этого применения, однако у нее много побочных эффектов, которые позволяют создавать подобный контент, пишет разработчик.

О каких побочных эффектах идет речь?

Система глубинного обучения может производить убедительную подделку (отсюда и название fake), изучая фотографии и видео человека с разных сторон, а затем имитируя его поведение и образцы речи. После создания подделки алгоритм делает ее более правдоподобной. Нейросеть натренирована на выявление недостатков в подделке, что приводит к улучшениям, устраняющим расхождения с реальным видео.

Давно ли Николас Кейдж снимался в Супермене?

Согласно недавнему отчету Массачусетского технологического института, устройство, позволяющее использовать дипфейки, может быть идеальным оружием для создателей фейковых новостей, которые хотят влиять на все, от цен на акции до выборов.

Если вам интересны новости нейросетей, подпишитесь на нас в Яндекс.Дзен, чтобы не пропускать новые материалы!

Чем опасен Deepfake

Можно сколько угодно говорить о том, что такая технология нужна, это очень круто и не надо наговаривать. Можно даже дойти до крайности и начать говорить о том, что это позиция лютого олдфага, который просто боится всего нового, но тут действительно опасностей больше, чем пользы. Только представьте, если кто-то воспользуется такой нейросетью и запишет ролик с участием Дональда Трампа, в котором он объявляет торговую войну Китаю? Пока администрация президента опровергнет это, рынок акций США просто рухнет. А за ним и доллар и резервы многих стран.

Как же распознать дипфейк? Если вы посмотрите видео в начале статьи, то поймете, что пока подделку можно буквально невооруженным глазом. Картинка похожа, но она достаточно грубая. Кроме этого, она иногда имеет некоторые проблемы с совмещением, особенно по границам лица. Но учитывая, что работа над алгоритмом ведется постоянно, есть риск того, что скоро отличить фейковое видео, созданное нейросетью, от настоящего будет гораздо сложнее.

Пока дипфейки легко отличить от оригинала, но скоро это будет сложнее

Можно представить и обратную ситуацию, когда реальный человек что-то скажет, а потом будет всех уверять, что его подставили.

Как быть в этой ситуации тоже не очень понятно. Это внесет такую смуту в новостные ленты, что перепроверить это в другом источнике просто не получится. В итоге станет вообще непонятно, что в этом мире правда, а что ложь.

От этого сможет защитить алгоритм, который уже создают YouTube и Facebook. В случае с известными людьми такая проблема будет решена на уровне видеосервиса, так как тот же YouTube знает, как двигается условный Дональд Трамп. Но когда дело дойдет до менее известного человека, это будет сложнее.

Подробнее..

Нейросеть поможет обыграть профессионального игрока в настольный теннис

11.05.2020 00:13:39 | Автор: admin

Нейросети уже дошли до такого уровня, что могут обыгрывать в шахматы или го профессиональных игроков. С помощью машинного обучения ученые обучают нейросеть, создают реалистичный симулятор, а затем реальный игрок пытается сразиться с мощью алгоритма на компьютере. Однако пока никому не приходило в голову использовать нейросети в активном спорте например, при игре в настольный теннис. Причем речь идет не о какой-то там компьютерной симуляции, а настоящей игре с реальным соперником.

Программисты из Японии смогли настолько хорошо обучить нейросеть, что она в режиме реального времени научилась определять, куда упадет мяч при игре в настольный теннис. Но одно дело, если бы нейросеть просто отслеживала траекторию движения мяча — в этом нет ничего такого удивительного. Самое интересное здесь в том, что ИИ начинает просчитывать потенциальную траекторию по движениям игрока, даже еще до того, как его ракетка коснулась мяча.

Залог успешной игры в настольный теннис кроется не только в умении игрока точно отбивать мяч на сторону стола соперника, он также должен оказаться в нужном месте на своей половине стола, чтобы успеть отправить мяч в противоположную сторону. Поэтому инженеры уже давно разработали робота, который может играть в настольный теннис, отслеживая траекторию мяча. Робот начинает свой просчет только после удара ракеткой, как бы захватывая мяч. Однако профессиональный игрок знает, куда будет бить, еще до того, как поднимет ракетку, поэтому отслеживание одного только мяча зачастую не так эффективно.

Нейросеть, которая играет в настольный теннис

Поэтому японские программисты решили разработать нейросеть, которая сможет определять потенциальное движение мяча еще во время замаха ракеткой — по движению руки и корпуса игрока. Но одна нейросеть здесь бы не справилась, поэтому была создана вторая нейросеть, которая работает в паре с первой, при этом все они с разными задачами и архитектурой. Первая нейросеть обрабатывает данные с веб-камеры, которая установлена со стороны принимающего игрока: она покадрово вычисляет положение руки и тела подающего игрока.

После этого в дело вступает вторая нейросеть, которой передаются обработанные данные, а она уже на их основе рассчитывает место падения мяча. Далее с помощью проектора полученная точка выводится на теннисный стол, и инженеры сопоставляют реальное место падения мяча и то, которое было рассчитано нейросетями.

По словам программистов, они самостоятельно собрали все данные для обучения. Они анализировали множество реальных игр по настольному теннису с установленной камерой, которая записывала полет мяча со скоростью 240 кадров в секунду. Чтобы собрать как можно больше исходных данных, разработчики скачали записи теннисных подач с реальными играми из интернета.

Для расчета используются две нейросети

В итоге алгоритм начал работать с завидной точностью. В среднем нейросети смогли точно распознать падение мяча на теннисный стол в 75% всех случаев. Что интересно, работу алгоритма протестировали как на профессиональных игроках, так и на любителях, и в случае с первыми нейросети работали даже лучше. Дело в том, что у профессионального игрока в настольный теннис за много лет уже выработаны характерные движения, которые он совершает перед подачей мяча, а любитель чаще всего подает по-разному.

Нейросеть даже может показать, как вы будете выглядеть через 50 лет. Попробуйте!

Встает логичный вопрос — а что если взять человека, который никогда не играл в настольный теннис, и предоставить в его распоряжение такой алгоритм? Инженерам тоже стало это интересно, и они протестировали работу нейросети во время игры между профессиональным игроком и обычным. В результате при помощи нейросетей обычный игрок успешно отбивал подачи на 20% чаще, чем без них.

Это ярко показывает, что области использования нейросетей ничем не ограничены. Они могут осуществлять поиск по картинке, вычислять самых активных в нашем Telegram-чате или выступать в роли голосового ассистента (та же Алиса уже максимально приблизилась по своему поведению к реальному человеку). Или высчитывать вероятность заболеваний, находить опухоли на снимках, бороться с мошенниками и так далее. А в прошлом году нейробиологи обучили нейросеть переводить сигналы мозга в членораздельную речь! В будущем подобные устройства смогут использовать людьми, потерявшими способность говорить в результате травмы или болезни. Или его можно будет использовать просто для того, чтобы читать ваши мысли. А вот это уже звучит как-то не так приятно, правда?

Теперь можно обыграть даже мирового чемпиона по настольному теннису! Ну, почти

Подробнее..

Эта нейросеть сделает вас персонажем Disney. Попробуйте!

18.09.2020 14:14:03 | Автор: admin

Наконец-то завезли нормальную нейросеть!

Нейросетям постоянно находят новые применения. Мы уже видели, как одна нейросеть смогла написать симфонию для оркестра, а другая нарисовала портрет, который затем ушел на аукционе за миллионы долларов. Также нейронные сети используют для обработки фотографий и развлечения: именно они, например, легли в основу приложения FaceApp, которое за считанные дни завоевало популярность во всем мире, штурмуя магазины App Store и Google Play. Это приложение позволяет состарить лицо на фото за пару секунд. Но что если стареть мы не хотим, а посмотреть например, на свою копию из фильма Disney?

Как сделать себя из мультика Disney

В чем-то это даже покруче, чем FaceApp. Разработчики сделали нейросеть, которая делает диснеевскую копию любого человека по фотографии. Причем копия получается ну очень похожей. Те, кто смотрели фильмы Disney, наверняка знают, что хотя все персонажи там разные, их объединяет особая форма и черты лица, которые за несколько лет стали фишкой анимационных режиссеров Disney.

Чтобы создать свою копию из фильма Disney, откройте страницу с нейросетью, нажмите Browse и загрузите нужную фотографию. Затем нажмите Toonify!. И наблюдайте магию.

Нейросеть предлагает множество примеров, как все это выглядит в итоге, но мы не смогли удержаться и сделали свои. Вот, например, как получился Филипп Киркоров:

Филипп Киркоров мог бы сыграть роль в мультике «Мулан»

А это Владимир Путин, если бы он был персонажем из фильма Disney:

Поразительное сходство

Барак Обама тоже хорошо вышел

Популярный репер Гуф:

Это новый персонаж из Супер Марио?

Ну и еще несколько примеров. Егор Крид, например, стал похож на друга Микки Мауса, а Гречку можно было бы сделать второстепенным персонажем в Холодном сердце.

Хотя больше на друга Барби стал похож

То самое чувство, когда тебя сделали похожей на Билли Айлиш

Так можно на анимационных режиссерах сэкономить, Гарри Поттер для мультфильма уже готов!

Подпишитесь на нас в Яндекс.Дзен, чтобы не пропускать появление новых необычных нейросетей!

Нейросеть для фотографий

Почему вообще появляются такие штуки? Нейросеть гораздо проще обучать на основе фотографий: ей можно скормить множество данных, которые находятся в открытом доступе. Именно так разработчикам удалось достичь впечатляющей точности в обработке фото нейросеть очень хорошо умеет делать диснеевские копии реальных людей. Меняет им черты лица, прическу, но оставляет максимально похожими на оригинал.

Интересно, как далеко продвинутся нейросети в ближайшие несколько лет. Например, всего два года назад компания Lyrebird из Монреаля создала речевой синтезатор на основе ИИ, способный воспроизвести любой голос. Конечно, часть нейросетей будут просто игрушками, как эта, но некоторых действительно надо будет бояться. Они смогут очень сильно повлиять на нашу безопасность и изменить привычный нам мир.

Подробнее..

Искусственный интеллект научили контролировать дистанцию между людьми

24.04.2020 00:09:20 | Автор: admin

Во время пандемии коронавируса социальное дистанцирование оказалось очень эффективной мерой для замедления распространения заболевания. Но в то время, как миллионы людей остаются дома, чтобы совместными усилиями победить опасную инфекцию, многим сотрудникам в пищевой, добывающей, фармацевтической и других промышленностях все еще приходится ходить на работу каждый день. От них зависит, чтобы к вам завтра приехал курьер с продуктами, или ближайшая аптека всегда была открыта на случай, если у вас вдруг заболит зуб. Как же обеспечить безопасность в этих случаях? Помимо ношения масок, есть еще один способ, который поможет контролировать соблюдение дистанции между людьми. И без искусственного интеллекта здесь не обошлось.

Чтобы обеспечить контроль за дистанцией между людьми на рабочем месте, стартап Landing AI разработал инструмент для отслеживания местонахождения людей с поддержкой искусственного интеллекта. Он может определять, находятся ли люди на безопасном расстоянии друг от друга, анализируя видеопотоки с камер наблюдения в режиме реального времени.

Отслеживание людей по камерам наблюдения

Например, на заводе, где производят маски и другое защитное оборудование, так необходимое во время пандемии, можно интегрировать это программное обеспечение в свои системы камер видеонаблюдения. Как показано на демонстрационном ролике ниже, детектор выделяет красным цветом людей, расстояние между которыми меньше минимально допустимого расстояния, и проводит линию между ними, чтобы обратить на это внимание. Система также сможет по громкой связи сделать предупреждение и напомнить людям, чтобы они держались на безопасном расстоянии.

Программное обеспечение устанавливается на компьютеры, которые управляют системой безопасности с помощью видеонаблюдения, и искусственный интеллект сам интегрируется в нужные ему элементы. Получается что-то вроде мини большого брата, который следит за каждым передвижением сотрудника. Но не для того, чтобы контролировать, работает он или нет, а чтобы работники держались на безопасной дистанции между собой. Помню, видел что-то подобное в сериале Подозреваемый — там была машина с искусственным интеллектом, которая распознавала перемещения каждого человека в городе. Правда, не для того, чтобы контролировать соблюдение дистанции между людьми.

После калибровки система готова к работе

И тут я подумал — а что мешает в дальнейшем доработать алгоритм и с помощью такой нейросети следить за передвижениями человека по городским камерам видеонаблюдения. Единственное, что для этого потребуется — качественная оптика, которая сможет без ошибок распознать лицо и характерные черты (походку, телосложение). И если человек совершит правонарушение, и камера его заметит, в дальнейшем нейросеть проследит за ним до дома, а там узнает, зашел он в наш Telegram-чат или нет. Страшно? Пока да, но мне кажется, что в будущем такая система будет реализована.

По данным издания Input, компания Amazon УЖЕ внедрила аналогичную технологию на своих складах. За работниками тоже следят в течение смены и предупреждают, что нарушение правил социального дистанцирования может привести к их увольнению. Видимо, не зря Безос на роботов хочет переходить, уж они вирусом не болеют.

Сотрудник Amazon на складе работает с соблюдением дистанции от других коллег

Карантин при коронавирусе

Как отмечают медицинские эксперты, до тех пор, пока вакцина от коронавируса не станет доступной, социальное дистанцирование является нашим лучшим инструментом, чтобы помочь снизить распространение пандемии. Помимо карантина, конечно же. Дело в том, что скорость распространения нового коронавируса довольно высока в случае полного бездействия количество зараженных будет удваиваться каждые три дня. Вирус существует и его единственная цель размножаться как можно успешнее. А потому, каждый раз, когда вы выходите из дома вы рискуете если не заболеть сами, то заразить окружающих.

Вот Швеция так и не ввела карантин, все было хорошо, а потом стала чуть ли не первой по количеству новых смертей от коронавируса.

Мне кажется, даже после пандемии такие системы с ИИ будут актуальны. Например, на тех же заводах руководство сможет получить отчет от нейросети, сколько времени работник находился на своем рабочем месте. Карантин и пандемия подарят нам много новых технологий, а хорошо это или нет — еще увидим.

Прям сцена из фильма «Эквилибриум»

Подробнее..

Важнейшее открытие за 50 лет алгоритм DeepMind научили определять структуру белка

03.12.2020 22:07:48 | Автор: admin

Эту структуру белка создал алгоритм на основе нейросети

Белок является важной частью жизни любого человека, но несмотря на то, что мы живем в XXI веке, когда нейросети рисуют картины, а 3D-принтеры полноценные органы, полностью изучить белок ученым пока не представлялось возможности. В частности, биологи на протяжении последних 50 лет пытались определить трехмерную структуру белка: если ее понять, то можно узнать, как он взаимодействует с другими веществами, в том числе лекарствами. До недавнего времени механизм сворачивания белка так и оставался неизвестным, пока команда DeepMind, подразделение Google, которое занимается созданием нейросетей, не решила воспользоваться для решения этой задачи искусственным интеллектом.

Как определить структуру белка?

В чем же проблема определить трехмерную структуру белка? Белки склонны принимать форму без посторонней помощи, руководствуясь только законами физики. До этого у биологов было представление, как это сделать, но все упиралось во время. Для решения этой задачи необходимо определить аминокислотную последовательность белка и проанализировать связи между членами этой последовательности. Вот только эта последовательность может состоять даже из 101 аминокислоты, между которыми будет, соответственно, 100 связей. Плюс у каждой из них может быть три возможных состояния.

В итоге у конечного белка будет невероятно много вариантов структур - 3 в сотой степени. Чтобы перебрать их все, человеку потребуются тысячи лет.

Конечно, столько времени в запасе ни у кого нет, поэтому десятки лет ученые пытались решить эту задачу другим способом. Не получалось, до появления AlphaFold алгоритма, который команда DeepMind разработала специально для этой цели.

Что такое AlphaFold?

Первую версию этого алгоритма DeepMind показала еще два года назад. AlphaFold оказался более точным, чем конкуренты, в прогнозировании трехмерной структуры белков из списка составляющих. Нейросети достаточно скормить последовательность аминокислот, а на выходе она покажет расстояние и углы связей между ними, что позволяет восстановить структуру белка.

Разработчики продолжили работу над алгоритмом, и 30 ноября 2020 года показали AlphaFold 2, который стал еще более точным. Идея в том, чтобы рассмотреть последовательность аминокислот в виде графа: его вершины это аминокислотные остатки, а ребра связи между ними. А затем дать задачу нейросети с блоком внимания исследовать его, учитывая уже известных похожих и эволюционно родственных белков. После этого из получившихся связей алгоритм выстраивает конечную трехмерную структуру белка.

Структуры белка, созданные алгоритмом DeepMind

Но любой нейросети нужны входные данные, на которые она может опираться, и в этом случае ученые загрузили информацию о структурах примерно 170 тысяч белков. Весь процесс обучения занял несколько недель по сравнению с тысячами лет, о которых велась речь в начале статьи, это настоящий прорыв. Алгоритм представили на недавней конференции CASP, где AlphaFold2 занял первое место, набрав 92,4 из 100 возможных баллов (исходит из правильности расположенных аминокислотных остатков в цепочке белка). Прошлая версия алгоритма набирала максимум 60 баллов.

Исследования точности алгоритмов по определению структуры белка (больше — лучше)

Зачем нужно определять структуру белка?

Это открытие позволит создать новые лекарственные препараты против болезней, поскольку с помощью структуры ученые будут знать, как работает белок, как он сворачивается и взаимодействует с другими элементами, чтобы его можно было безболезненно использовать в лекарствах. Также структура белка позволяет понять, как болезни распространяются и влияют на организм человека.

Например, болезнь Паркинсона развивается из-за накопления в организме белка альфа-синуклеина: он скручивается и образует внутри нейронов токсичные клубки тельца Леви. Последние затем поражают нейроны в головном мозге. Однако откуда именно появляется этот белок, ученые до сих пор точно не знают. Понимание трехмерной структуры белка поможет ответить на этот вопрос.

То же самое касается болезни Альцгеймера, путь распространения которой пролегает через нарушение связи между нейронами, особенными клетками, которые обрабатывают и передают электрические и химические связи между областями мозга. Это приводит к смерти клеток мозга и накоплению двух типов белка, амилоида и тау.

Точное взаимодействие между этими двумя белками в значительной степени неизвестно. Одна из трудностей диагностики болезни Альцгеймера заключается в том, что у нас нет надежного и точного способа измерения этих белковых накоплений на ранних стадиях заболевания.

AlphaFold 2 поможет диагностировать болезнь Альцгеймера на более ранних стадиях и даст возможность для создания нужного лекарства.

Это важнейшее открытие за последние 50 лет, говорит Джон Моулт, биолог из Университета Мэриленда, который стал соучредителем CASP в 1994 году с целью разработки вычислительных методов для точного предсказания структур белков. В каком-то смысле проблема решена.

Возможность точно предсказать структуру белков по их аминокислотной последовательности станет огромным благом для медицины. Это значительно ускорит исследования по пониманию строительных блоков клеток и позволит быстрее и эффективнее открывать новые лекарства.

Подпишитесь на нас в Яндекс.Дзен, чтобы получить доступ к закрытым материалам, которые не публикуются даже на сайте.

Как еще может использоваться AlphaFold 2

AlphaFold 2 вряд ли сделает ненужными лаборатории, которые используют экспериментальные методы для определения структуры белков. Но алгоритм показал, что менее качественные и простые для сбора экспериментальные данные — это все, что нужно для создания хорошей структуры белка.

Я думала, что эта проблема не будет решена при моей жизни, — говорит Джанет Торнтон, биолог из Европейской лаборатории молекулярной биологии.

Она надеется, что этот подход поможет пролить свет на функцию тысяч неизвестных белков в геноме человека и разобраться в вариациях генов, вызывающих болезни, которые бывают у разных людей.

Создание AlphaFold 2 также знаменует собой поворотный момент для DeepMind. Компания наиболее известна тем, что использует ИИ для освоения таких игр, как го, но ее долгосрочная цель — разработать программы, способные превосходить возможности человеческого интеллекта. Решение грандиозных научных задач, таких как предсказание структуры белков, является одним из наиболее важных, которое может сделать искусственный интеллект. Только подумайте, что будет дальше ведь нас ждут удивительные открытия!

Подробнее..

Как преступники могут использовать искусственный интеллект? Самый опасный вариант

07.08.2020 18:13:33 | Автор: admin

Искусственный интеллект способен на многое. Например, он может заменить лицо Арнольда Шварценеггера на Сильвестра Сталлоне

Последние 10 лет мы ежедневно слышим новости про то, как тот или иной искусственный интеллект научился новым навыкам. На сегодняшний день компьютерные алгоритмы умеют копировать стили рисования известных художников, имитировать чужие голоса, создавать поддельные видеоролики с публичными личностями и многое другое. За всем этим очень интересно следить, но многие эксперты по компьютерной безопасности обеспокоены тем, что разрабатываемые технологии могут использоваться злоумышленниками для совершения преступлений. Ведь использование нейронных сетей для осуществления каких-либо задач на данный момент никак не регулируется. Получается, что любой человек, хорошо владеющий программированием, может использовать искусственный интеллект для выманивания у людей денег, слежки и совершения прочих противозаконных действий. Недавно сотрудники Университетского колледжа Лондона решили выяснить, какое именно умение искусственного интеллекта может нанести человеческому обществу наибольший вред.

Искусственный интеллект свойство компьютеров выполнять творческие функции, которые больше свойственны реальным людям. На нашем сайте есть специальный раздел, посвященный этой теме.

Возможности искусственного интеллекта

Результатами проделанной работы поделилось издание The Next Web. В рамках научной работы исследователи определили 20 умений искусственного интеллекта, которые будут доступны преступникам в следующие 15 лет. К сожалению, полный список методов использования не удалось найти даже на сайте колледжа, но исследователи все же упомянули самые важные пункты.

Итак, по их мнению, искусственный интеллект умеет:

  • управлять электрическими автомобилями, что больше известно как автопилот;
  • обманным путем узнавать логины, пароли и прочие личные данные пользователей иначе говоря, заниматься фишингом;
  • собирать компрометирующие фото, видео и прочие данные о людях, которые могут быть использованы для шантажа;
  • генерировать фальшивые новости, при помощи которых можно управлять мышлением большого количества людей;
  • управлять роботами, при помощи которых можно следить за людьми и даже грабить дома;
  • создавать поддельные видеоролики с известными людьми, чтобы испортить их репутацию.

Эти и многие другие способы использования нейронных сетей в преступных целях были изучены группой из 31 эксперта по искусственному интеллекту. Перед ними была поставлена задача отсортировать все этим умения по уровню опасности для общества. При составлении рейтинга эксперты учитывали сложность использования искусственного интеллекта для выполнения тех или иных задач, возможность предотвращения мошенничества и количество денег, которые преступники могут получить обманным путем.

Читайте также: Почему мы верим фейковым новостям?

Опасность нейросетей

Самой опасной способностью искусственного интеллекта было названо создание так называемых дипфейков (deepfakes). Впервые об этом умении компьютерных алгоритмов стало известно примерно в 2017 году. Именно тогда один из пользователей сайта Reddit показал миру, как имея мощный компьютер можно создать фальшивое видео, где лицо одного человека человека заменено на другое. Он продемонстрировал это на самом непристойном примере, вставив лица известных людей в видео для взрослых. Эта новость навела очень много шума и дипфейки в таком виде даже стали запрещены. Однако, на данный момент никто не мешает программистам создавать забавные видео наподобие того, где Илон Маск поет песню про рокот космодрома.

Создание фальшивых видео было признано опасной функцией по двум причинам.

Во-первых, при помощи них можно как выманивать деньги, так и портить репутацию людей. Вот небольшой пример. На данный момент, с целью получения легких денег многие мошенники взламывают аккаунты людей в социальных сетях и просят их близких друзей перечислить им определенную сумму денег. Объяснением причин они особо не занимаются и уходят от такого разговора словами, мол, сейчас некогда, потом объясню. Примерно пять лет назад эта схема была рабочей и многие люди действительно выручали близких друзей. Но теперь на такие уловки мало кто клюет. Однако, если мошенники создадут дипфейк на основе аватарки пользователя и отправят его друзьям видео, на котором он якобы на камеру просит отправить деньги, многие люди всерьез обеспокоятся и поверят мошенникам.

Иногда фальшивое видео действительно трудно отличить от оригинала

Также дипфейки могут использоваться для порчи репутации известных людей и это было доказано много раз. Вот уже несколько лет подряд в Интернете возникают видео с якобы пьяной Нэнси Пелоси спикера Палаты представителей США. Разумеется, эти видео поддельные, но они набирают много просмотров и некоторые люди действительно могут принять их за настоящие. Ведь о технологии создания поддельных видео многие даже не подозревают из представителей старшего поколения технологически подкованных людей вообще единицы.

Об опасности нейросетей ранее писал мой коллега Артем Сутягин. Получился очень подробный материал, поэтому настоятельно советую к прочтению!

Вторая опасность заключается в том, что такой метод мошенничества трудно остановить. Дело в том, что фальшивые видео получаются настолько реалистичными, что распознать их практически невозможно. В июне 2020 года это было доказано в рамках проведенного компанией Facebook конкурса Deepfake Detection Challenge. В нем приняло участие более 2000 разработчиков, которые создавали алгоритмы распознавания поддельных видеороликов. Самая высокая точность распознавания составила 65% что, по мнению экспертов по кибербезопасности, в настолько серьезном деле очень плохой результат.

Раздел сайта Reddit, где публиковались дипфейки, уже заблокирован

Борьба с преступностью

Другие функции искусственного интеллекта вроде управления автомобилями и роботами не считаются настолько опасными, как дипфейки. Да, взломанный автопилот может заставить автомобиль свернуть с пути и на большой скорости врезаться в столб. Но это в этом случае речь идет об одной жертве, тогда как фальшивые видео могут повлиять на разум тысяч людей. Ну или, взять, к примеру, использование роботов для слежки за людьми и совершения ограблений домов. Эксперты вообще не видят в них опасности, потому что их очень легко обнаружить. Молоток в руки и все шпиона как не бывало.

Если вам нравятся наши статьи, подпишитесь на нас в Google News! Так вам будет удобнее следить за новыми материалами.

Что делать, чтобы свести к минимуму опасность от искусственного интеллекта, пока не ясно. Как вариант, можно продолжить работу над созданием алгоритма выявления фейковых видеороликов. Также можно каким-то образом контролировать использование нейросетей, но это может затормозить развитие технологий. Ведь искусственный интеллект используется не только преступниками, но и учеными, которые хотят сделать мир лучше. Недавно стартап Landing AI научил его следить за соблюдением социальной дистанции, что в наше непростое время может спасти множество жизней.

Подробнее..

Могут ли ученые воссоздать запахи древних времен?

19.11.2020 18:03:06 | Автор: admin

Технологический прогресс уже позволяет ученым воссоздавать давно забытые запахи

История человечества очень богата событиями, поэтому ученым интересно, как жили люди в давние времена. Благодаря изобретенному в XV веке печатному станку, сегодня в их распоряжении есть написанные сотни лет назад книги. Исходя из оставленной в них информации, они могут выяснить, чем питались жители прошлых веков, как они развлекались и так далее. Оказалось, что возможности ученых сегодня настолько велики, что благодаря древним книгам они могут воссоздать даже запахи. Например, они могут узнать, как пахло в средневековых кузницах, дворцах правителей и во многих других местах. Все это делается в рамках масштабного проекта Odeuropa, на поддержку которого планируется выделить целых 2,8 миллионов евро. А в пересчете на наши деньги, это более 254 миллионов рублей по текущему курсу. Но каким образом книги могут помочь воссоздать запахи?

Как вернуть запахи?

О необычном проекте, который был создан историками, искусствоведами и специалистами по искусственному интеллекту, было рассказано в научном издании The Guardian. Идея воссоздания запахов древних времен пришла в голову ученых в ходе изучения книг, изданных в Европе после 1500 года. По словам одного из авторов проекта Уильяма Туллетта (William Tullett), в этих работах можно найти описания множества запахов. Если собрать все эти данные воедино, можно привлечь к проекту химиков и парфюмеров, чтобы они воссоздали ароматы на основе собранной информации.

Один из участников проекта Матия Стрлиц (Matija Strlic) вдыхает запах древней книги

Так как старинных книг очень много, ученые не смогут самостоятельно прочитать их и найти все упоминания запахов. Поэтому они решили предоставить эту задачу искусственному интеллекту, который может быстро обрабатывать большие объемы данных. Он будет обучен поиску упоминаний запахов найденная информация будет записываться на компьютер. Также авторы проекта Odeuropa хотят создать нейронную сеть, которая будет искать испускающие запахи объекты на картинах древних художников.

Читайте также: Можно ли запомнить новую информацию, ассоциируя ее с запахами?

Энциклопедия запахов

Собранные нейронными сетями данные первым делом будут использованы для создания онлайн-энциклопедии запахов Европы. На этом портале можно будет узнать, какие запахи витали в различных сооружениях и как пахли всевозможные блюда и отвары. Также сотни лет назад люди считали, что запахи обладают различными свойствами. Например, в Европе XVII века люди верили, что запах розмарина (Rosmarinus officinalis) может спасти от чумы. А в последующие века люди использовали соль с резким запахом для выведения человека из обморока. Об этих и других свойствах различных запахов можно будет узнать в энциклопедии.

Розмарин

Также ученые хотят выяснить, как менялось отношение людей к разным запахам. Если верить книгам, в XVI веке запах табачного дыма ассоциировался с чем-то богатым и экзотическим. А уже в XVIII веке люди жаловались на табачный дым и от него у многих болела голова. Впрочем, к этому запаху негативно относятся и сейчас, как и к самому курению табачных сигарет. Скорее всего, отношение людей менялось и к другим запахам. Но точный ответ будет дан только в рамках программы Odeuropa.

У ученых давно есть возможности ощутить запахи древних предметов

Ну и наконец, авторы проекта хотят собрать интересную информацию о профессиях, которые когда-то были связаны с запахами. Например, им было бы интересно выяснить, в чем заключалась работа живших сотни лет назад парфюмеров. А врачи явно использовали различные ароматы для лечения определенных болезней. В общем, программа Odeuropa явно расскажет о прошлых эпохах много чего интересного. На выполнение всех перечисленных выше задач ученые планируют потратить не более трех лет.

Если вам интересны новости науки и технологий, подпишитесь на наш канал в Яндекс.Дзен. Там вы найдете материалы, которые не были опубликованы на сайте!

Между тем, о жизни в прошлых эпохах историкам и так известно очень многое. И об этом мы часто пишем на нашем сайте. Относительно недавно я рассказывал о самых странных методах лечения болезней древних времен. Вот знали ли вы, что крестьяне пытались спасти свои жизни при укусах ядовитых змей, обмазывая пораженное место ушной серой? Звучит отвратительно, но древние знахари собирали серу у всех жителей деревень. О других странных способах лечения болезней можно почитать в этом материале.

Подробнее..

Как стать специалистом по Data Science?

11.05.2020 14:04:37 | Автор: admin

На карантине многие начали осваивать новые профессии. Большинство офлайн-бизнесов вряд ли переживут пандемию, и нет ничего удивительного в том, что люди стали активно интересоваться программированием, машинным обучением и другими специальностями, которые не только будут наиболее востребованы в ближайшие несколько лет, но и также подразумевают работу онлайн из любой точки мира. Например, количество вакансий по профессии Data Scientist за 3 года выросло больше, чем в 4 раза! Сейчас такие специалисты пользуются наибольшим спросом на рынке труда, ведь работают они в самых разных сферах.

Кто такой Data Scientist

Эта профессия охватывает множество направлений. Видите, как ловко телефон распознает ваше лицо и разблокируется за доли секунды? Здесь поработали Data Scientistы. Использование умных помощников или голосового набора текста? То же самое. Даже когда вы проходите проверку на человечность (доказывая, что вы не какой-то там робот), за этим снова стоят мастера по Data Science.

Специалисты по работе с данными не только востребованы, но и хорошо зарабатывают

Проще всего разобрать работу таких специалистов на примере знакомых всем нейросетей. Каждый скормленный мегабайт данных используется для дальнейшего обучения нейросети. Именно Data Scientistы занимаются машинным и глубинным обучением нейросетей с использованием математики и статистики, разрабатывают и используют различные модели Machine Learning.

Например, нейросеть прошла обучение с использованием достаточного количества примеров. Все круто, но теперь она готова обработать новый набор данных. Для правильного составления набора данных нужно в них разбираться, для чего и нужны специалисты Data Science.

Как работать в Data Science

В чем плюс этой профессии над остальными онлайн-специальностями — вам не нужно быть программистом от бога или иметь ученую степень по информатике. Лучшие Data Scientistы получают свои умения, постоянно работая с моделями и наборами данных, решая конкретные задачи. Конечно, мозг все равно должен работать в правильном направлении, и в этом призваны помочь специальные курсы, которые позволяют обучиться профессии Data Science с нуля.

Например, в онлайн-школе данных SkillFactory недавно открылся набор на курс Профессия Data Scientist с обновленной, более продвинутой программой. Преподавательский состав довольно сильный — в обучении вам помогут эксперты по данным из Яндекса, NVIDIA и EORA. Последняя реализует IT-решения для бизнеса с использованием искусственного интеллекта. Но главное — в онлайн-школе не просто заставляют читать учебники и зубрить теорию, это вы можете и сами. Здесь же дают практические знания, а также базу, алгоритмы, новые парадигмы мышления. Не говоря о том, что вы становитесь частью сообщества однокурсников и преподавателей (почти как в Оксфорде или МГУ).

Главная особенность в том, что в SkillFactory вас не просто бросают на произвол судьбы смотреть видеоуроки и делать задания. Студенты получают персональный подход, в рамках которого преподаватели следят за прогрессом и остаются на связи весь курс. Плюс всегда можно получить личную консультацию от ментора и получить обратную связь по проделанной работе.

Это только часть увлекательной программы курса

Из чего состоит курс? Шаг за шагом вы получите навыки, которые обязательны для Data Scientistа: научитесь программировать на Python (а также изучите Pandas для анализа данных), научитесь работать с машинным и глубинные обучением и нейросетями. Не говоря о таких вечных вещах, как математика, статистика и блоки по Data Engineering. Именно такие навыки сейчас ценятся на рынке. Мало кому нужен сотрудник, который знает только теорию, поэтому здесь обучение максимально ориентировано на практику.

По итогам обучения вы получите новую профессию и сможете не бояться повторения подобных кризисов, как сейчас (а они наверняка будут). У IT-корпораций дела в такое время идут по-прежнему хорошо, и специалисты в области работы с данными нужны всегда, особенно, когда миллионы людей сидят дома и пользуются интернет-сервисами.

Готовы стать крутым специалистом и поучаствовать во множестве соревнований с разбором решений и обучением самых разных моделей Machine Learning? Получите скидку 35% по промокоду HI-news*! Узнайте больше о возможностях Data Scientistа по ссылке ниже.

Записаться на курс по Data Science

*Промокод действует до 30 мая 2020 и не суммируется с другими акциями.

Самоизоляция — самое время осваивать новые профессии

Подробнее..

Возможно ли стать дата-сайентистом? Развеиваем мифы и страхи о профессии

08.12.2020 18:12:28 | Автор: admin

Представления многих о Data Science ошибочны

Когда заходит речь о работе с большими данными, многие сразу представляют себе академиков в каком-нибудь научно-исследовательском институте или программистов, которые сидят за компьютером и пишут код 24/7. Поэтому сложилось мнение, что освоить профессию дата-сайентиста непросто (не просто так ведь ее называют одной из самых востребованных!). Но на самом деле большая часть того, что вы знаете о Data Science это миф. Разберем самые популярные из них.

Data Science это только машинное обучение

Широко распространено мнение, что дата-сайентисты только и делают, что разрабатывают нейросети и занимаются машинным обучением. Это вовсе не так, наука о данных гораздо более обширна, чем может казаться на первый взгляд. Data Science это больше про анализ данных, а за машинное обучение отвечает другое ответвление науки о даных Machine Learning. Дата-сайентист же больше обрабатывает массивы данных, ищет в них закономерности и помогает с их помощью решать различные задачи в бизнесе.

Например, с помощью такого анализа можно выявить, в каких местах клиент банка тратит больше всего, чтобы в следующем месяце предоставить ему эксклюзивное индивидуальное предложение. А чтобы автоматизировать этот процесс, нужны специалисты по машинному обучению, которые могут научить компьютер делать автоматические предсказания. И все это в совокупности является наукой Data Science.

Чтобы работать с данными, нужно быть программистом

Кадр из сериала «Кремниевая долина»

Data Science новая специальность, и у нее нет каких-либо ограничений относительно того, кто может выучиться на нее. Инженер вы или гуманитарий, разобраться в больших данных будет несложно. Главное подобрать нужный курс, где не просто нужно штудировать учебники, а есть много практических заданий и поддержка преподавателей (менторов), которые помогут, если что-то не получается.

Ну и, конечно, иметь желание учиться и познавать новое. Конечно, если вы знаете языки программирования и общаетесь с компьютером на ты, это ускорит процесс освоения специальности, но зачастую наличие другого образования, не связанного с программированием, может стать большим плюсом. Финансисты смогут решать с помощью Data Science задачи, которые касаются их специализации, а биологи делать новые медицинские открытия.

Например, не так давно команда DеepMind создала алгоритм AlphaFold 2, который помог определить трехмерную структуру белка. Это открытие позволит создать новые лекарственные препараты против болезней, поскольку с помощью структуры ученые будут знать, как работает белок, как он сворачивается и взаимодействует с другими элементами, чтобы его можно было безболезненно использовать в лекарствах.

Дата-сайентист это скучно

Типичный специалист по работе с данными в глазах большинства выглядит как худощавый паренек в очках, который с утра до ночи работает с таблицами, строит диаграммы и считает, считает, считает. Этот же стереотип ранее применяли относительно программистов, но все изменилось. Достаточно посмотреть сериал Кремниевая долина, чтобы хотя бы поверхностно понять, с какими задачами сталкиваются дата-сайентисты в современном мире. Это не просто офисные клерки, которые перепечатывают данные из одних таблиц в другие они часто сталкиваются с задачами, которые вообще никто не решал. И выявляют закономерности, которые простой обыватель в жизни даже не заметил бы.

Например, проанализировав метеорологические данные, можно предсказать не только, когда будет дождь, снег или ураган, а цены на нефть, чтобы впоследствии применить полученные данные на бирже. Увидеть подобную закономерность под силу далеко не всем.

Кто бы мог подумать, что изучая погоду, можно предсказать цены на нефть?

Data Science не применяется в повседневной жизни

Еще один миф, который сформировался, еще когда эта профессия только получала развитие. Тогда действительно все вычисления оставались в основном на бумаге. Но затем, когда бизнес понял, насколько важны данные, все изменилось. Сейчас вы каждый день видите работу дата-сайентистов, хотя даже не подозреваете об этом. Например, когда заходите в социальную сеть, и там отображается блок с аккаунтами людей, которых вы можете знать. Или выбираете новые категории кэшбека в банковском приложении. Или когда вызываете такси, и система выбирает ближайшего к вам водителя по вашим запросам из десятков других в округе.

Машинное обучение посредством потребления большого количества изображений позволяет, например, с успехом реализовывать проект самоуправляемого автомобиля Google.

Выучиться на дата-сайентиста уже поздно

Кадр из фильма «Стажер»

А вот и нет, рынок больших данных растет с каждым годом. В связи с этим растет спрос и на профильных специалистов. Так что вы успеете даже не просто запрыгнуть в последний вагон уходящего поезда, а спокойно дойти до локомотива и разместиться с комфортом.

Заработные платы дата-сайентистов только растут

Тем более учиться 4, 5 или 6 лет для того, чтобы стать специалистом по Data Science, не нужно. На курсе Data Science вSkillFactory, который длится 24 месяца, этой профессии учат с нуля, он подойдет иновичкам, иуже работающим программистам.

Студенты курса не только учатся основам работы с большими данными, но и также программированию на Python, основам математики и статистики, осваивают практический machine learning иdata engineering. Программа составлена ведущими экспертами в Data Science NVIDIA и EORA. Преимущество этого курса также в том, что он охватывает основные направления для работы сданными. На каждом этапе курса вы будете решать реальные кейсы, которые станут частью вашего портфолио. Менторы помогут вам дойти до конца обучения, всегда поддержат мотивацию и помогут, если что-то не понятно.

Читатели Hi-News.ru могут получить скидку 50% на курс* по промокоду Data Sciencе до 25 декабря 2020 года.

Учитывая, что уже через год-два после старта учебы можно устроиться напозицию джуниора сзарплатой 80120 тысяч рублей, такую возможность лучше не упускать. Востребованность дата-сайентистов растет чуть ли не каждый месяц, особенно в условиях пандемии, когда IT-сфера находится на подъеме и нуждается в новых кадрах.

*Скидка не суммируется со скидками на сайте

Подробнее..

Категории

Последние комментарии

© 2006-2021, umnikizdes.ru