Facebook отчитался об удалении более чем 900 учетных записей, страниц и групп на своей платформе и в Instagram, с помощью которых в сети велась дезинформационная кампания. Как говорится в отчёте Facebook, для этого использовали фальшивые учетные записи с аватарками, сгенерироваными нейросетями. Исследователи Facebook заявили, что это было первое массивное использование искусственного интеллекта для поддержки дезинформационной кампании в социальных сетях. Читать полностью »
Журналисты The Guardian, которая одной из первых раскрыла использование данных десятков миллионов пользователей Facebook британской компанией Cambridge Analytica, не могли добиться интервью с главой соцсети Марком Цукербергом. В итоге они пообщались с нейросетью Цукербот, которую обучили отвечать на вопросы с помощью интервью и публичных выступлений главы Facebook.
Алгоритм создала студия Botnik. Цукербота обучали с применением интервью, речей и публикаций в блогах Цукерберга за последние три года. В итоге нейросеть может оперировать 200 тысячами слов. The Guardian готовила вопросы для интервью совместно с Observer. Читать полностью »
Мы часто рассказываем о технологиях и библиотеках, которые зародились и сформировались в Яндексе. На самом деле мы ничуть не реже применяем и развиваем сторонние решения.
Сегодня я расскажу сообществу Хабра об одном из таких примеров. Вы узнаете, зачем мы научили нейросеть BERT находить опечатки в заголовках новостей, а не воспользовались готовой моделью, почему нельзя взять и запустить BERT на нескольких видеокартах и как мы использовали ключевую особенность этой технологии — механизм attention.
Nvidia создала AI-систему DIB-R (differentiable interpolation-based renderer), которая построена на основе ML-фреймворка PyTorch. Система способна преобразовывать двухмерные изображения в трехмерные объекты.
DIB-R обрабатывает картинку, а затем преобразует ее в высокоточную 3D-модель. Учитываются формы, текстура, цвета и освещение объекта. При этом задействована архитектура кодера-декодера, типа нейронной сети, которая преобразует входные данные в вектор, используемый для прогнозирования конкретной информации.
Вся работа занимает менее чем 100 миллисекунд. Читать полностью »
Hal 9000 прекрасно читал по губам, правда, по-английски
Нейросети сейчас умеют многое, и постепенно их обучают все большему количеству умений. На днях стало известно о том, что объединенная команда исследователей из США и Китая смогла обучить нейросеть распознавать речь по губам с высокой степенью точности.
Добиться этого удалось благодаря дополнительному элементу — алгоритму распознавания речи по аудиозаписям. Далее алгоритм использовался в качестве обучающей системы уже для второго алгоритма, который распознавал речь по видеозаписям.
Читать полностью »
Промышленная разработка программных систем требует большого внимания к отказоустойчивости конечного продукта, а также быстрого реагирования на отказы и сбои, если они все-таки случаются. Мониторинг, конечно же, помогает реагировать на отказы и сбои эффективнее и быстрее, но недостаточно. Во-первых, очень сложно уследить за большим количеством серверов – необходимо большое количество людей. Во-вторых, нужно хорошо понимать, как устроено приложение, чтобы прогнозировать его состояние. Следовательно, нужно много людей, хорошо понимающих разрабатываемые нами системы, их показатели и особенности. Предположим, даже если найти достаточное количество людей, желающих заниматься этим, требуется ещё немало времени, чтобы их обучить.
Что же делать? Здесь нам на помощь спешит искусственный интеллект. Речь в статье пойдет о предиктивном обслуживании (predictive maintenance). Этот подход активно набирает популярность. Написано большое количество статей, в том числе и на Хабре. Крупные компании вовсю используют такой подход для поддержки работоспособности своих серверов. Изучив большое количество статьей, мы решили попробовать применить этот подход. Что из этого вышло?
Иллюстрация: Yamagata University
Японские ученые из Университета Ямагато нашли новый геоглиф на плато Наска в Перу, использовав нейросеть на платформе IBM Watson Machine Learning. Университет Ямагато сообщил об открытии в пресс-релизе 15 ноября.
Геоглифы плато Наска — гигантские изображения людей, птиц, животных растений и геометрических фигур на юге Перу. Считается, что геоглифы Наски были созданы коренными жителями Южной Америки с V века до н.э. по V век н.э. Мнения об их назначении расходятся: некоторые предполагают что геоглифы играют роль указателей, другие — что у них есть обрядовая роль. При создании геоглифов местные жители стирали верхние темные слои камня, под которым был белый песок.
Ученые Университета Ямагато под началом профессора Макато Сакая ищут геоглифы Наски с 2018 года. За год с лишним они обнаружили 142 геоглифа, среди которых были фигуры людей, рыбы, треугольники, линии и т.д. В своих поисках они сочетали наблюдения с воздуха с работой «в полях». Для расширения своего инструментария ученые прибегли к помощи IBM.
Читать полностью »
Рассказываем о том, как мы портировали свой фреймворк для нейронных сетей и систему распознавания лиц на российские процессоры Эльбрус.
Это была интересная задача, весной 2019 года мы рассказывали об этом в офисе Яндекса на большом митапе про Эльбрус, теперь делимся с Хабром.
Читать полностью »
Всем привет! В первой статье из нашего цикла мы узнали, что такое DeepPavlov, какие модели библиотеки готовы к использованию без предварительного обучения и как запустить REST серверы с ними. Перед тем, как приступить к обучению моделей, мы расскажем о различных возможностях деплоймента моделей DeepPavlov и некоторых особенностях настройки библиотеки.
Договоримся, что все скрипты запуска библиотеки выполняются в environment Python с установленной библиотекой DeepPavlov (про установку см. первую статью, про virtualenv можно прочитать здесь). Примеры из этой статьи не требуют знания синтаксиса Python.
Схема компьютера CS-1 показывает, что большая часть отведена для питания и охлаждения гигантского «процессора-на-пластине» Wafer Scale Engine (WSE). Фото: Cerebras Systems
В августе 2019 года компания Cerebras Systems и её производственный партнер TSMC анонсировали крупнейшую микросхему в истории компьютерной техники. С площадью 46 225 мм² и 1,2 триллиона транзисторов микросхема Wafer Scale Engine (WSE) примерно в 56,7 раз больше, чем самый большой GPU (21,1 млрд транзисторов, 815 мм²).
Скептики говорили, что разработать процессор — не самая сложная задача. Но вот как он будет работать в реальном компьютере? Каков процент брака на производстве? Какое потребуется питание и охлаждение? Сколько будет стоить такая машина?
Похоже, инженерам Cerebras Systems и TSMC удалось решить эти проблемы. 18 ноября 2019 года на конференции Supercomputing 2019 они официально представили CS-1 — «самый быстрый в мире компьютер для расчётов в области машинного обучения и искусственного интеллекта».
Читать полностью »
