СПЕШУ АИ: Проводники в ИИ | ChatGPT, Claude, Gemini и ещё 300+ нейронок
3.75K subscribers
333 photos
204 videos
4 files
256 links
SpeShu.AI — платформа с мультидоступом к 300+ нейросетям

Открыть сайт 👉 https://speshu.ai
Download Telegram
⚡️ В NLP случился один из главных прорывов последних лет.

Если вы не видели модель BERT от Google, самое время. Как минимум, она показала сильные результаты на ключевых бенчмарках вроде GLUE и SQuAD.

GLUE измеряет, как модель справляется с набором разных задач понимания текста, а SQuAD — может ли она читать фрагмент текста и вытаскивать из него ответ на вопрос.

📌 Если модель хорошо проходит GLUE, значит, она лучше схватывает смысл текста, связи между фразами и нюансы формулировок

📌 Если модель хорошо проходит SQuAD, значит, она лучше ищет ответ внутри документов, договоров, инструкций, баз знаний, учебных материалов и медиатекстов.

Моя гипотеза: через год-другой Google внедрит эту технологию в браузер. Об этом сигнализирует ещё один нюанс. Расписал ниже.
😢1
Модель BERT научилась читать с двух сторон. Это как?

Когда модель читает слово в тексте, ей важно понимать не только само слово, но и контекст.

Например, слово bank: что это такое? Банк как организация? Банк как социальный институт? Кредитная кабала из-за банка?

А есть ещё конструкция bank of the river — берег реки. Может, речь об этом?

Раньше многие языковые модели читали текст в одну сторону: либо слева направо, либо справа налево. То есть модель, когда смотрит на слово, опирается только на часть контекста.

Например: I went to the bank to withdraw cash. Если модель читает слева направо, то на слове bank она уже знает только: I went to the ...

Это так себе подсказка. А вот слова withdraw cash, которые идут дальше, как раз нормально уточняют, что речь про финансовый банк.

Теперь другой пример: the fisherman sat on the bank of the river. Опять же: справа дальше идёт of the river, и именно это снимает неоднозначность.

BERT же на этапе обучения смотрит на слово, учитывая и левый, и правый контекст. Для текста это очень мощная штука, потому что в языке смысл слова часто определяется всей фразой целиком.
This media is not supported in your browser
VIEW IN TELEGRAM
NVIDIA хочет заменить свои дизайнеров?

Их модель GauGAN научилась превращать грубые наброски и цветовые пятна в фотореалистичные пейзажи.

От таких вещей реально захватывает дух.

Большинство людей воспринимают их примерно так: «ну да, распознают котиков, ну да, что-то там классифицируют». А наше маленькое комьюнити уже видит интерфейс, где человеку не нужно вырисовывать каждую деталь — достаточно задать смысл сцены, а машина сама соберёт визуальный мир.

Лет через 5 научится и логотипы, и баннеры рисовать. Тут же подключится бизнес средней и малой руки, поскольку нанимать своего дизайнера будет дороже, чем запустить GauGAN.

Источник видео: https://blogs.nvidia.com/blog/gaugan-photorealistic-landscapes-nvidia-research
❗️Берегитесь, бухгалтеры, аналитики, да и все остальные, кто сидит в Экселе с 09:00 до 18:00

На Google Cloud Next 2019, который прошёл 9–11 апреля в Сан-Франциско, Google довольно чётко показала, куда всё это движется: машинное обучение всё активнее упаковывают в нормальные сервисы для разработчиков и компаний.

Сужу по этому отчёту 👉 https://cloud.google.com/blog/products/ai-machine-learning/expanding-google-cloud-ai-to-make-it-easier-for-developers-to-build-and-deploy-ai

Самый показательный пример — AutoML Tables. Идея сильная: у бизнеса тонны табличных данных — продажи, отток, транзакции, скоринг, логистика, CRM, прогнозирование.

Google врывается с двух ног и говорит: «А давайте попробуем сделать так, чтобы модель для таких данных можно было собирать не только силами отдельной ML-команды, но заметно проще и ближе к обычной инженерной практике?».

До сих пор AI для многих выглядел так: есть лаборатории, есть ресёрч, есть какие-то очень умные люди, которые умеют собирать модели, тюнить их неделями и потом показывать красивые графики на конференциях. А здесь нам фактически говорят: ребята, машинное обучение пора переводить в слой обычной прикладной инфраструктуры. Мы в этом поможем.
Чем глубже анализирую рынок, тем меньше хочется обсуждать AI как набор красивых демо.

1. Большие игроки всё активнее упаковывают AI в инструменты для разработчиков и компаний. На недавней Build 2019 Microsoft прямо говорила о том, что хочет сделать AI-разработку проще и доступнее для более широкого круга разработчиков, а также отдельно продвигала темы autonomous systems, responsible AI и democratization of AI. Параллельно Azure расширяет набор AI-сервисов, чтобы разработчики и data scientists могли прикручивать такие возможности к обычным продуктам.

2. Та же Microsoft уже создала AI Business School, чтобы AI начинал внедрять на всех уровнях процессов и начинал продаваться не только инженерам, но и менеджерам, администраторам, руководителям отделов.

3. Starbucks уже использует reinforcement learning для персонализированных рекомендаций в своём приложении: система учитывает прошлые заказы, погоду, время дня, локальные предпочтения и ассортимент конкретной точки.
Часть 2. Мне кажется, сейчас уже можно довольно уверенно сказать одну вещь:

в ближайшие годы AI будет заходить в бизнес не точечно, а массово.

У бизнеса на это есть очень простой стимул: если система помогает лучше предсказывать, персонализировать, сортировать, искать, рекомендовать, обнаруживать аномалии и экономить время сотрудников — её будут внедрять снова и снова.

Сейчас это уже видно по тому, как рынок себя ведёт. Крупные платформы делают AI ближе к обычной разработке, AI-сервисы выносятся в облако, появляются готовые API и прикладные сценарии, а реальные компании вроде Starbucks показывают, что машинное обучение уже можно встроить в пользовательский продукт, а не только в презентацию для инвесторов.
Выводы. Есть популярная ошибка:

думать, что нейросети — это история только для учёных, математиков и пары людей, которые умеют обучать модели.

На самом деле, если AI действительно превратится в массовый бизнес-инструмент, это автоматически создаст спрос на целый новый слой специалистов.

Нужны будут люди, которые умеют: встраивать модели в продукт, готовить данные, проверять качество, объяснять поведение системы, поддерживать инфраструктуру, смотреть на риски, связывать бизнес-задачу и ML-решение.

Вангую, это перемена будет стремительной.
За год-два AI начнут пользоваться даже бабушки. Вы же знаете про закон ускоряющейся отдачи? Чем быстрее технологии развиваются, тем больше новых технологий получает человечество.

Если за 10 лет мы перешли от кнопочных телефонов к iPhone XS, то почему мы не можем перейти от размазни GauGAN к великим полотнам, сгенерированным каким-то новым AI?