💊 Исследование Google: как ИИ помогает пользователям разбираться в кожных заболеваниях
Google Research опубликовала серию исследований, посвящённых тому, как ИИ-инструменты влияют на способность людей понимать кожные заболевания. В центре внимания — не просто диагностика, а человеческий фактор: как пользователи взаимодействуют с ИИ и принимают решения на основе полученной информации.
В крупномасштабном исследовании, опубликованном в JAMA Dermatology, участвовали 2 345 человек. Участникам показывали клинические случаи кожных заболеваний (с изображениями и историей болезни) и предлагали определить состояние. Те, кто использовал ИИ-инструмент с каруселью из 3–7 возможных диагнозов, называли правильное состояние почти в три раза чаще (23%), чем те, кто полагался на обычный поиск (8%). В «идеальной» группе, где ИИ выдавал точные диагнозы дерматологов, точность достигала 36%.
Однако ключевая проблема — определение дальнейших действий. Исследователи намеренно сделали ИИ недирективным: он показывал возможные состояния и общую информацию о лечении, но не давал персонализированных рекомендаций. В результате пользователи лучше понимали, с чем столкнулись, но не всегда знали, что делать дальше. Это подтверждает, что для реальной пользы ИИ-инструментов необходимо учитывать не только точность модели, но и то, как люди интерпретируют её ответы.
#AI #GoogleResearch #Dermatology #Medicine #JAMA
Google Research опубликовала серию исследований, посвящённых тому, как ИИ-инструменты влияют на способность людей понимать кожные заболевания. В центре внимания — не просто диагностика, а человеческий фактор: как пользователи взаимодействуют с ИИ и принимают решения на основе полученной информации.
В крупномасштабном исследовании, опубликованном в JAMA Dermatology, участвовали 2 345 человек. Участникам показывали клинические случаи кожных заболеваний (с изображениями и историей болезни) и предлагали определить состояние. Те, кто использовал ИИ-инструмент с каруселью из 3–7 возможных диагнозов, называли правильное состояние почти в три раза чаще (23%), чем те, кто полагался на обычный поиск (8%). В «идеальной» группе, где ИИ выдавал точные диагнозы дерматологов, точность достигала 36%.
Однако ключевая проблема — определение дальнейших действий. Исследователи намеренно сделали ИИ недирективным: он показывал возможные состояния и общую информацию о лечении, но не давал персонализированных рекомендаций. В результате пользователи лучше понимали, с чем столкнулись, но не всегда знали, что делать дальше. Это подтверждает, что для реальной пользы ИИ-инструментов необходимо учитывать не только точность модели, но и то, как люди интерпретируют её ответы.
#AI #GoogleResearch #Dermatology #Medicine #JAMA
👍1
🌍 От пикселей к плану: Earth AI для восстановления природы
Google Research представила новый векторный датасет Farmscapes, созданный с помощью глубокого обучения. Разработка позволяет выявлять мелкие экологические объекты — живые изгороди, рощи, каменные стены — которые не видны на стандартных спутниковых снимках. Эти элементы играют ключевую роль в связывании углерода и поддержании биоразнообразия, не занимая сельскохозяйственные земли.
Для создания датасета исследователи применили Vision-Transformer (ViT) от Remote Sensing Foundations, предобученный на 300 млн спутниковых изображений. Модель дообучили на размеченных данных (~247 км²) с использованием субметровых снимков и LiDAR. Это позволило различать наземные границы и надземные объекты, а также корректно обрабатывать сложные топологии — например, стену под кроной живой изгороди.
Векторный формат данных даёт возможность не просто видеть пиксели, а получать готовые к использованию геометрические объекты. Это упрощает планирование восстановления экосистем, углеродный учёт и управление ландшафтами. Датасет уже доступен в Google Earth Engine для всей территории Англии.
#AI #GoogleResearch #EarthAI #Restoration #Ecology
Google Research представила новый векторный датасет Farmscapes, созданный с помощью глубокого обучения. Разработка позволяет выявлять мелкие экологические объекты — живые изгороди, рощи, каменные стены — которые не видны на стандартных спутниковых снимках. Эти элементы играют ключевую роль в связывании углерода и поддержании биоразнообразия, не занимая сельскохозяйственные земли.
Для создания датасета исследователи применили Vision-Transformer (ViT) от Remote Sensing Foundations, предобученный на 300 млн спутниковых изображений. Модель дообучили на размеченных данных (~247 км²) с использованием субметровых снимков и LiDAR. Это позволило различать наземные границы и надземные объекты, а также корректно обрабатывать сложные топологии — например, стену под кроной живой изгороди.
Векторный формат данных даёт возможность не просто видеть пиксели, а получать готовые к использованию геометрические объекты. Это упрощает планирование восстановления экосистем, углеродный учёт и управление ландшафтами. Датасет уже доступен в Google Earth Engine для всей территории Англии.
#AI #GoogleResearch #EarthAI #Restoration #Ecology
👍1
Google Research показал мультиагентную систему, которая планирует визуальную непрерывность в многосюжетных нарративах. Она работает как оркестрационный слой поверх Gemini и Veo и наследует защиту SynthID. Цель - убрать семантический дрейф (изменение костюма персонажа или локации между кадрами) и каскадные сбои, из-за которых ранняя ошибка ломает всю цепочку генерации.
Архитектура построена на четырёх компонентах. Co-Director формализует сторителлинг как глобальную оптимизацию: multi-armed bandit выбирает творческую конфигурацию по трём осям - стратегия, режим повествования и эстетический архетип, - после чего агенты пре-продакшена и продакшена собирают раскадровку и медиа. CANVAS ведёт постоянную визуальную память о персонажах, локациях и состояниях объектов. A²RD генерирует видео посегментно, переключаясь между экстраполяцией (движение сюжета) и интерполяцией (привязка к уже существующим сущностям). VQQA замыкает цикл: VLM-критики превращаются в «семантические градиенты» и итеративно правят текстовый промпт, а механизм Global Selection выбирает лучший результат по исходному запросу.
Практический смысл - минуты связного видео без ручного вмешательства: система сама ведёт промптинг, сшивку кадров и визуальную доработку, а пользователю остаётся режиссура. Оценки показывают заметный рост консистентности и сохранения персонажей.
#Tech #AI #GoogleResearch #Veo #Gemini #VideoGen #Media
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡1🔥1🆒1