Любопытствующий AI через обучение с подкреплением исследует уровни Марио, учится обходить шипы и расправляться с монстриками. Правда пока ему трудно справляться с безумными человеческими задумками вроде прыжков в никуда, чтобы попасть на висящую в воздухе платформу, длинных комбинаций клавиш, и он игнорирует короткие пути, так как они дают меньше прибавки к целевой функции. В общем, есть еще над чем работать, мы вот буквально вчера на ЦИПР обсуждали, что ИИ будут много времени проводить в виртуальных мирах... И учиться, учиться... https://www.newscientist.com/article/2132916-curious-ai-learns-by-exploring-game-worlds-and-making-mistakes/ #AI #learning #virtualworlds
New Scientist
Curious AI learns by exploring game worlds and making mistakes | New Scientist
Algorithms with a taste for exploration can learn how to play video games and might be able to pick up other skills much faster than conventionally taught AIs
Пожалуй, самая большая проблема всего бума машинного обучения, искусственного интеллекта, когнитивных сервисов и т.д. лежит не в области составления конкретного алгоритма или накопления необходимого массива данных, а в том, как мы, как социум, к этому относимся.
Причем вопрос не только в уже растиражированном экономико-социальном аспекте вроде вытеснения отдельных профессий с рынка труда или, наоборот, усиления некоторых за счет новых возможностей, — но и в том, что именно мы как разработчики, ученые, интепретаторы, внедренцы и т.п. зашиваем в такие алгоритмы.
Время от времени я вижу на разных хакатонах, стартаперских тусовках и в лентах новостей проявления, например, такой идеи: а что, если по анализу фотографии (или видео-ряда) предсказывать хакактер человека? Его тип личности (интраверт, экстраверт и еще с десяток других систем), насколько он будет хорошим сотрудником, врет/не врет, кредитоспособность и много чего еще.
Все это называется физиогномикой и в широких кругах называется псевдонаукой, просторы которой простираются от банального шарлатанства всяких экстрасенсов до онаучненного оправдания расизма, с которым человечество то и дело сталкивается с самых разных формах.
Интересный вопрос — а какое отношение к этому имеет машинное обучение?
В прошлом году пара ученых из Китая Xiaolin Wu and Xi Zhang, — хотя страна тут не важна, потому что (и в этом главная проблема!) подобные работы плодятся по всему миру, — выкатили исследование о том, как с помощью натренерованной сеточки предсказать по фотографии человека, является ли он криминальным элементом или нет. При детальном рассмотрении оказывается, что в работу неявно (?) и, возможно, бессознательно, зашито очень много допущений и, в целом, неверных, предположений.
И хотя, даже здравый смысл, подсказывает, что невозможно по фотографии человека назвать его с 90% преступником, "научный" подход, объективность нейронных сетей, компьютеров, машинного обучения и вот этого всего — позволяют подвести достаточный фундамент для того, чтобы СМИ, социум и, что еще хуже, лица, принимающие соответствующие решения, приняли это все на веру.
===
Так вот, на этот счет и по поводу этого "исследования", в частности - большая детальная статья за авторством Blaise Agüera y Arcas, Margaret Mitchell и Alexander Todorov (на английском).
Потратьте 30-40 минут своего времени. Это важно. Я бы даже сказал, что это одна из самых важных статей на тему машинного обучения за последнее время — "Новые одеяния физиогномики"
https://medium.com/@blaisea/physiognomys-new-clothes-f2d4b59fdd6a #machine #learning #ai #bias
===
P.s. Очевидно все это касается не только распознавания лиц, но и вообще любых других ситуаций, когда мы переносим принятие решения на компьютер и как бы снимаем с себя ответственность (потому что "машина не может ошибаться"). Вот тут всегда должен стоять вопрос — а на заложили ли мы в данные и алгоритмы существующие в обществе стереотипы? Не закрепили ли мы в сеточке существующее неравенство, придав ему научного шарма и оправдания?
Причем вопрос не только в уже растиражированном экономико-социальном аспекте вроде вытеснения отдельных профессий с рынка труда или, наоборот, усиления некоторых за счет новых возможностей, — но и в том, что именно мы как разработчики, ученые, интепретаторы, внедренцы и т.п. зашиваем в такие алгоритмы.
Время от времени я вижу на разных хакатонах, стартаперских тусовках и в лентах новостей проявления, например, такой идеи: а что, если по анализу фотографии (или видео-ряда) предсказывать хакактер человека? Его тип личности (интраверт, экстраверт и еще с десяток других систем), насколько он будет хорошим сотрудником, врет/не врет, кредитоспособность и много чего еще.
Все это называется физиогномикой и в широких кругах называется псевдонаукой, просторы которой простираются от банального шарлатанства всяких экстрасенсов до онаучненного оправдания расизма, с которым человечество то и дело сталкивается с самых разных формах.
Интересный вопрос — а какое отношение к этому имеет машинное обучение?
В прошлом году пара ученых из Китая Xiaolin Wu and Xi Zhang, — хотя страна тут не важна, потому что (и в этом главная проблема!) подобные работы плодятся по всему миру, — выкатили исследование о том, как с помощью натренерованной сеточки предсказать по фотографии человека, является ли он криминальным элементом или нет. При детальном рассмотрении оказывается, что в работу неявно (?) и, возможно, бессознательно, зашито очень много допущений и, в целом, неверных, предположений.
И хотя, даже здравый смысл, подсказывает, что невозможно по фотографии человека назвать его с 90% преступником, "научный" подход, объективность нейронных сетей, компьютеров, машинного обучения и вот этого всего — позволяют подвести достаточный фундамент для того, чтобы СМИ, социум и, что еще хуже, лица, принимающие соответствующие решения, приняли это все на веру.
===
Так вот, на этот счет и по поводу этого "исследования", в частности - большая детальная статья за авторством Blaise Agüera y Arcas, Margaret Mitchell и Alexander Todorov (на английском).
Потратьте 30-40 минут своего времени. Это важно. Я бы даже сказал, что это одна из самых важных статей на тему машинного обучения за последнее время — "Новые одеяния физиогномики"
https://medium.com/@blaisea/physiognomys-new-clothes-f2d4b59fdd6a #machine #learning #ai #bias
===
P.s. Очевидно все это касается не только распознавания лиц, но и вообще любых других ситуаций, когда мы переносим принятие решения на компьютер и как бы снимаем с себя ответственность (потому что "машина не может ошибаться"). Вот тут всегда должен стоять вопрос — а на заложили ли мы в данные и алгоритмы существующие в обществе стереотипы? Не закрепили ли мы в сеточке существующее неравенство, придав ему научного шарма и оправдания?
Medium
Physiognomy’s New Clothes
by Blaise Agüera y Arcas, Margaret Mitchell and Alexander Todorov
Между новостями поделюсь учебным курсом по глубокому обучению, который я сейчас прохожу на EdX. В целом, понятно, что курсов на данную тему уже достаточно много на разных площадках и на разных языках. Если же вы хотите не только понять базовые концепции, но и попробовать на практике CNTK (Microsoft Cognitive Toolkit), то этот курс - то, что вам надо (знание python рекомендуется, но мой опыт показывает, что можно делать упражнения и на здравом смысле при поддержке документации). https://www.edx.org/course/deep-learning-explained-microsoft-dat236x #ai #cntk #education #deep #learning
edX
Deep Learning Explained
Learn an intuitive approach to building the complex models that help machines solve real-world problems with human-like intelligence.
В блоге Evernote рассказывают о подходе Ричарда Феймана к изучению новых тем. Резюме: 1) Запишите, все, что вы знаете о предмете (делайте закладки на источники информации). 2) Объясните это ребенку (коротко и простыми словами), 3) Отметьте, что вы НЕ знаете — изучайте по ссылкам на источники, восполняйте пробелы, 4) Организуйте, упрощайте, объединяйте в истории. https://medium.com/taking-note/learning-from-the-feynman-technique-5373014ad230 #stories #always #learning #explaining #complexity
Medium
Learning From the Feynman Technique
They called Feynman the “Great Explainer.”
В MIT Technology Review большая крутейшая статья из Торонто, где сейчас одна из самых горячих точек развития искусственного интеллекта, где работает Geoffrey Hinton, отец глубокого обучения, где все большие американские IT-компании открывают свои офисы и борются за внимание постдоков и профессуру по Data Science. Статья, в частности, о том, что сейчас происходит с глубоким обучением, и почему, несмотря на все инженерные (!) заслуги последних лет, в научном плане мы застряли. https://www.technologyreview.com/s/608911/is-ai-riding-a-one-trick-pony/ #ai #deep #learning #backprop #future
MIT Technology Review
Is AI Riding a One-Trick Pony?
I’m standing in what is soon to be the center of the world, or is perhaps just a very large room on the seventh floor of a gleaming tower in downtown Toronto. Showing me around is Jordan Jacobs, who cofounded this place: the nascent Vector Institute, which…
Удивительные вещи происходят в наши дни. Microsoft продолжает партнерство с Amazon (AWS) на почве AI (ранее была интеграция Alexa и Cortana) — только что анонсировали новую библиотеку (хотя это прежде всего спецификация интерфейса) для глубокого обучения - Gluon, совместимый на сегодня с Apache MXNet и скоро с CNTK и позволяющий единообразно описывать модели для обучения и алгоритм тренировки. https://news.microsoft.com/2017/10/12/aws-and-microsoft-announce-gluon-making-deep-learning-accessible-to-all-developers/ #ai #deep #learning #мирдружбажвачка
Stories
AWS and Microsoft announce Gluon, making deep learning accessible to all developers - Stories
New open source deep learning interface allows developers to more easily and quickly build machine learning models without compromising training performance. Jointly developed reference specification makes it possible for Gluon to work with any deep learning…
И в догонку, в рамках нашей большой инициативы Microsoft AI, мы запустили (на английском) AI.School - собрали в одном месте ссылки на разные учебные материалы по теме AI с нашими технологиями - от инструкций на GitHub до курсов на edX. https://aischool.microsoft.com/learning-paths #ai #learning
Microsoft
Artificial Intelligence Solutions | Microsoft AI
Explore Microsoft AI solutions, learn how to develop and use AI responsibly, and get the latest AI news—including Microsoft's partnership with OpenAI.
Учебного в ленту: Tess Ferrandez прошла на Coursera знаменитый курс лекций Andrew Ng по глубокому обучению и сделала очень классный визуальный конспект https://www.slideshare.net/TessFerrandez/notes-from-coursera-deep-learning-courses-by-andrew-ng #ai #deep #learning
p.s. Речь об этом курсе: https://www.deeplearning.ai/
p.s. Речь об этом курсе: https://www.deeplearning.ai/
SlideShare
Notes from Coursera Deep Learning courses by Andrew Ng
Notes from Coursera Deep Learning courses by Andrew Ng - Download as a PDF or view online for free
В нескольких американских околонаучных медиа вышла новость о том, что ИИ воссоздал с нуля периодическую систему элементов. Несколько интересных моментов:
1. Группа исследователей из Стэнфорда решила проверить, что будет, если в механике word2vec заменить в учебной выборке предложения на химические формулы, рассматривая отдельные химические элементы, как слова. В результате получился проект Atom2vec. (Анонс: https://news.stanford.edu/press-releases/2018/06/25/ai-recreates-chemistrys-periodic-table-elements)
2. Как следствие, сеточка научилась самостоятельно выводить классы близости элементов, например, предсказывая, что калий и натрий - похожие по свойствам элементы, способные оброзовывать соединения с хлором. Это позволило пиарщикам раструбить мысль о воссоздании периодической системы, что, конечно, не так. Например, Менделееву в свое время хватило ума не только упорядочить известные элементы, но и предположить существование еще не открытых так, где образовывались пробелы.
3. Тем не менее, сама мысль, что простая нейронная сеть может выводить скрытые связи, близость элементов и т.п. просто по анализу существующих наблюдений, очень крута. В случае с химическими элементами сеточка смогла "вывести" наличие нескольких "свойств" атомов -- измерений в многомерных векторах, по которым можно делать группировку элементов. Например, явно выделяются кластеры щелочных и щелочноземельных металлов, или можно наблюдать корреляцию с увеличением валентности элементов. (Технические детали: http://www.pnas.org/content/early/2018/06/25/1801181115)
4. Насколько я могу судить по результатам быстрого поиска, подобные техники начали активно использоваться в том числе для предсказания возможных свойств новых соединений. Вот, например, немецкий проект Mol2vec, направленный как раз на эту задачу: https://github.com/samoturk/mol2vec (кстати, по внешним признакам, кажется, что это очень похоже на американскую работу, но не так распиарено).
5. Также это хорошо согласуется с темой векторного представления различных соединений, белковых последовательностей и т.п. + описания "отпечатков" соединений. См., например, проект Deep Proteomics: https://github.com/ehsanasgari/Deep-Proteomics
#ai #ml #chemistry #biology #genetics #deep #learning
1. Группа исследователей из Стэнфорда решила проверить, что будет, если в механике word2vec заменить в учебной выборке предложения на химические формулы, рассматривая отдельные химические элементы, как слова. В результате получился проект Atom2vec. (Анонс: https://news.stanford.edu/press-releases/2018/06/25/ai-recreates-chemistrys-periodic-table-elements)
2. Как следствие, сеточка научилась самостоятельно выводить классы близости элементов, например, предсказывая, что калий и натрий - похожие по свойствам элементы, способные оброзовывать соединения с хлором. Это позволило пиарщикам раструбить мысль о воссоздании периодической системы, что, конечно, не так. Например, Менделееву в свое время хватило ума не только упорядочить известные элементы, но и предположить существование еще не открытых так, где образовывались пробелы.
3. Тем не менее, сама мысль, что простая нейронная сеть может выводить скрытые связи, близость элементов и т.п. просто по анализу существующих наблюдений, очень крута. В случае с химическими элементами сеточка смогла "вывести" наличие нескольких "свойств" атомов -- измерений в многомерных векторах, по которым можно делать группировку элементов. Например, явно выделяются кластеры щелочных и щелочноземельных металлов, или можно наблюдать корреляцию с увеличением валентности элементов. (Технические детали: http://www.pnas.org/content/early/2018/06/25/1801181115)
4. Насколько я могу судить по результатам быстрого поиска, подобные техники начали активно использоваться в том числе для предсказания возможных свойств новых соединений. Вот, например, немецкий проект Mol2vec, направленный как раз на эту задачу: https://github.com/samoturk/mol2vec (кстати, по внешним признакам, кажется, что это очень похоже на американскую работу, но не так распиарено).
5. Также это хорошо согласуется с темой векторного представления различных соединений, белковых последовательностей и т.п. + описания "отпечатков" соединений. См., например, проект Deep Proteomics: https://github.com/ehsanasgari/Deep-Proteomics
#ai #ml #chemistry #biology #genetics #deep #learning