-
Edge computing: зачем обрабатывать данные «на месте»
Современные технологии Интернета вещей порождают колоссальные объёмы данных. Миллиарды датчиков и устройств ежедневно передают информацию о температуре, движении, звуке, вибрациях, уровне загрязнения и многих других параметрах. Традиционно все эти данные отправлялись в облако — огромные центры обработки, где выполняется анализ и принятие решений. Однако с ростом числа подключённых устройств стало очевидно, что такой подход не…
-
Почему генеративные модели ошибаются в мелочах
Генеративные модели искусственного интеллекта поражают воображение. Они умеют писать тексты, создавать изображения, сочинять музыку и даже проектировать новые молекулы. На первый взгляд, кажется, что их интеллект почти не отличается от человеческого — настолько реалистичными бывают результаты. Однако при более внимательном рассмотрении обнаруживается странная закономерность: такие модели часто ошибаются именно в мелочах. Они могут идеально описать…
-
Почему важно правильно нормировать входные данные
В современном мире искусственного интеллекта и машинного обучения именно данные играют решающую роль. Даже самая сложная нейросеть не сможет показать хорошие результаты, если подаваемая ей информация не подготовлена должным образом. Одним из ключевых этапов этой подготовки является нормализация входных данных — процесс приведения значений признаков к единому масштабу. На первый взгляд это может показаться технической…
-
Self-supervised learning: зачем учить ИИ без учителя
Современный искусственный интеллект способен распознавать лица, переводить тексты и даже писать музыку, но за каждым таким достижением стоят гигантские объемы размеченных данных. Чтобы обучить нейросеть отличать кошку от собаки, нужно показать ей сотни тысяч изображений, каждое из которых человек предварительно пометил нужной меткой. Однако ручная разметка требует времени, денег и человеческих ресурсов. В некоторых областях,…