В моих постах о вычислительных военных рассуждениях (тактический искусственный интеллект) мы рассмотрели алгоритмы для обнаружения закрепленных и не закрепленных флангов, внутренних линий и ограниченных путей атаки и отступления. В этом посте я представляю свое докторское исследование, которое использует эти и другие алгоритмы при создании неконтролируемой программы машинного обучения, способной классифицировать текущую тактическую ситуацию (поле боя) в контексте ранее наблюдавшихся сражений. Другими словами, он учится и запоминает.

Читать далее

https://habr.com/ru/post/708914/?utm_source=habrahabr&utm_medium=rss&utm_campaign=708914

Владельцы жилья оставляют на сайте Airbnb уникальные предложения аренды по всему миру. На Airbnb есть сотни миллионов сопутствующих фотографий. Фотографии содержат важную информацию о стиле и дизайне, которую сложно передать словами или списком. Поэтому несколько команд сотрудников Airbnb сегодня используют компьютерное зрение (computer vision), чтобы извлекать сведения об удобствах из нашего богатого массива данных, чтобы помогать гостям в удобном поиске предложений, соответствующих их предпочтениям.



В предыдущих постах WIDeText: A Multimodal Deep Learning Framework, Categorizing Listing Photos at Airbnb и Amenity Detection and Beyond — New Frontiers of Computer Vision at Airbnb мы рассказали о том, как используем компьютерное зрение для категоризации помещений и выявления удобств, чтобы сопоставлять фотографии предложений с таксономией дискретных концепций. В этом посте мы расскажем о том, как Airbnb использует эстетику и эмбеддинги изображений для оптимизации различных поверхностей продукта, включая содержимое рекламных объявлений, презентации и рекомендаций позиций. Читать дальше →

https://habr.com/ru/post/708594/?utm_source=habrahabr&utm_medium=rss&utm_campaign=708594

В двух предыдущих постах в блоге на тему анализа поля боя (вычислительное военное мышление и тактический искусственный интеллект), я рассказал, как программа может определять ключевые тактические позиции, как то: закрепленные / не закрепленные фланги и ограниченные / неограниченные пути атаки и отступления. Сегодня мы рассмотрим, как TIGER / MATE выполняет анализ фронтов и реализует маневры проникновения и инфильтрации.

Читать далее

https://habr.com/ru/post/708856/?utm_source=habrahabr&utm_medium=rss&utm_campaign=708856

В своём последнием посте в блоге я описал, как программы TIGER, а потом и MATE, класифицировали сражения (в терминах информатики - "объекты") на основе атрибутов, конкретнне - атрибута закреплённых и не закреплённых флангов, а после распознания их наличия или отсутвия, мы увидели как были реализованы тактические манёвры охвата и поворота. Сегодня я хочу рассмотреть вместе с вами ещё один атрибут, который мы можем детектировать, с помощью машинного обучения: ограниченные пути атаки и отступления.

Читать далее

https://habr.com/ru/post/708732/?utm_source=habrahabr&utm_medium=rss&utm_campaign=708732

Тактический ИИ делится на две части: анализ – поля боя и действия на основе полученной и обработанной информации, путем создания набора согласованных приказов (известных, как План действий), которые используют слабые места в позиции нашего противника, обнаруженные во время анализа поля боя.

Читать далее

https://habr.com/ru/post/708548/?utm_source=habrahabr&utm_medium=rss&utm_campaign=708548

Добрый день, коллеги! Меня зовут Елена Волченко. В компании Финолаб я являюсь руководителем отдела машинного обучения и анализа данных. Этой статьей я хочу начать цикл публикаций о создании нашей командой сервиса дистанционной оценки технического состояния автомобилей на основе технологий искусственного интеллекта.

Мой рассказ будет разделен на две части. В первой расскажу о потребностях и проблемах в дистанционной оценке повреждений автомобилей. Во второй - о том, как мы решали эту задачу с помощью нейронных сетей и классического machine learning, с какими проблемами сталкивались, каких результатов достигли и что еще предстоит сделать.

Читать далее

https://habr.com/ru/post/687776/?utm_source=habrahabr&utm_medium=rss&utm_campaign=687776

Декабрь – пора подводить итоги года. В этом посте постараемся рассказать читателям Хабра о новых интересных идеях, которые появились в области анализа и распознавания изображений документов.

В сентябре прошла очередная, 16-я конференция ICDAR-2021 – главное событие в области анализа и распознавания документов. Конференция проводится раз в два года, в этом году ABBYY также принимала участие с докладом, но сейчас речь пойдет не о нашей работе, а о других интересных, на наш взгляд, публикациях с этой конференции. К сожалению, не все работы легко найти в свободном доступе, поэтому под катом будет множество полезных ссылок для ознакомления. Поехали!

Читать далее

https://habr.com/ru/post/596635/?utm_source=habrahabr&utm_medium=rss&utm_campaign=596635

Исследователи Центра компетенций НТИ по направлению Искусственный интеллект на базе МФТИ работают над созданием автономной системы интеллектуального анализа фото- и видеоинформации для использования в беспилотниках и системах анализа обстановки в режиме реального времени. Она позволит летательным аппаратам безопасно перемещаться в городе, что, в свою очередь, может помочь развить беспилотную доставку.

Читать далее

https://habr.com/ru/post/569798/?utm_source=habrahabr&utm_medium=rss&utm_campaign=569798

Привет, Хабр! В этой статье я расскажу о том, как восстановить структуру таблицы и извлечь рукописные числа из отсканированного документа такого плана.

Читать далее

https://habr.com/ru/post/568990/?utm_source=habrahabr&utm_medium=rss&utm_campaign=568990

Наличие технических ошибок на сайте может негативно сказаться на его ранжировании, что в свою очередь приведет к снижению поискового трафика и позиций в поисковых системах.

Чтобы выявить технические ошибки, необходимо провести комплексный технический SEO-аудит сайта. Одним из основных помощников в этой сложной и трудозатратной задаче для нас выступает десктопная программа Screaming Frog.

Читать далее

https://habr.com/ru/post/565488/?utm_source=habrahabr&utm_medium=rss&utm_campaign=565488

В январе этого года в «Сириусе» прошла смена для школьников. Организатор — факультет математики и компьютерных наук СПбГУ.



Программа состояла из трёх треков: «Математика», «Программирование» и «Computer Science». Курсы были разбавлены общеобразовательными лекциями и чаепитиями с преподавателями и организаторами. Среди преподавателей — учёные и преподаватели факультета МКН СПбГУ, БГУ, ВШЭ, МГУ, разработчики Яндекса и JetBrains, сотрудники ПОМИ РАН. О том, как была устроена смена, мы рассказали здесь, а сейчас выкладываем материалы части курсов.




Читать дальше →

https://habr.com/ru/post/500776/?utm_source=habrahabr&utm_medium=rss&utm_campaign=500776

Практика установки камер видеонаблюдения в городах под эгидой противодействия терроризму и предотвращения преступлений распространилась уже глобально и все набирает обороты. Например, в начале 2019 года в Москве насчитывалось более 167 тысяч камер слежения, хотя в Китае или Великобритания эту цифру могли бы посчитать смешной (для сравнения в Лондоне в 2018 году их было 642 тысячи, по Пекину актуальных данных в открытом доступе нет, но по всему Китаю сейчас работает более 176 миллионов камер).



Такое количество объективов вокруг нас невольно навевает мысли о 1984. Особенно тревожно становится, когда вспоминаешь, что развитие искусственного интеллекта вывело видеонаблюдение на новый уровень. Ведь глубокое обучение позволяет ИИ с большой точностью отличить на изображении один объект от другого. Кроме того, искусственному интеллекту не нужно спать, он не отвлекается и ничего не пропускает.




Читать дальше →

https://habr.com/ru/post/487254/?utm_source=habrahabr&utm_medium=rss&utm_campaign=487254

Как-то мне в руки попало тестовое задание. Академический интерес взял верх и я решил посидеть над этой задачкой. Мое решение не претендует на оптимальность и правильность. Мне просто интересно было ее решить.

Читать дальше ->

https://habr.com/ru/post/472280/?utm_source=habrahabr&utm_medium=rss&utm_campaign=472280

Применение аналитических алгоритмов на потоке данных сейчас одна из самых актуальных задач в области построения аналитических систем. Множество высокоточных предиктивных моделей, например, разработанных на показаниях с датчиков промышленных установок, уже готовы предупреждать серьезные аварии на производстве, но для этого их нужно выполнять на конечных устройствах («edge devices»), там, где показания с сенсоров поступают в реальном времени. Решить эту проблему и перенести аналитику в «онлайн» призван продукт SAS Event Stream Processing. В этой публикации хотелось поделится опытом его настройки на примере прикладной задачи – анализа изображений с видеокамер.




Читать дальше ->

https://habr.com/post/429176/?utm_source=habrahabr&utm_medium=rss&utm_campaign=429176