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

Всё описанное далее, личное мнение, претендующее на единственно верное, но не факт, что являющееся таковым. Все лица, компании, метафоры - выдуманные и к реальности отношения не имеют.

Однажды, беседуя с коллегами по цеху о том, почему я не очень хочу заниматься именно беспилотными автомобилями, я сказал, что я не верю в них. А точнее я не верю в их коммерческий запуск в ближайшие пять лет, на что моя подруга позже дала ремарку, что это одно и то же, да и я не выгляжу как человек, который в это не верит. И я вдохновился это всё довольно чётко (хотя где-то почти везде в моём тексте будет включаться режим пьяного деда) обосновать. Так родилась идея лонгрида о том, почему я считаю, что в течение пяти лет если Full Self Driving и появится, то далеко не в коммерческом масштабе.

Хотя мысли все эти могут казаться непоследовательными, от того, что тесно взаимосвязаны, я постараюсь их изложить в порядке некоторой приоритетности проблем (на мой скромный взгляд, конечно), от наиболее поверхностных проблем, до наиболее фундаментальных.

И чтобы не застрять в tl;dr, где я буду описывать сказанные проблемы, вот вам содержание, которое отражает кратко их суть.

Читать далее

https://habr.com/ru/post/690826/?utm_source=habrahabr&utm_medium=rss&utm_campaign=690826

В предыдущей статье нам удалось конвертировать custom датасет, доставшийся от yolov5 из формата Pascal VOC в coco формат. Также из датасета Microsoft COCO 2017 (80 классов) были удалены «ненужные» классы, а также присоединены классы из custom датасета (двери и лестницы). В «сухом остатке» 46 классов, из которых 2 вновь добавленных. Осталось дело за малым: обучить модель yolox на вновь созданном датасете, а так же проверить как она работает.

Но для начала yolox необходимо установить.
Читать дальше →

https://habr.com/ru/post/680344/?utm_source=habrahabr&utm_medium=rss&utm_campaign=680344

В интернете достаточно статей на тему «как обучить custom dataset на yolo».

Что скрывается за этими словами?



Ничего сверхестественного. Собираем или находим где-нибудь датасет, размечаем его, создаем файл аннотаций к картинкам. Далее берем одну из предобученных моделей yolo, обучаем эту модель на собственном датасете и далее наслаждаемся результатом.



Есть конечно, свои нюансы от yolo к yolo (которые уже определяются семействами в своих версиях, например, той же yolov5 порядка десяти вариантов моделей), но, в целом, порядок действий такой.



Все так. Однако модель, обученная на собственном датасете, будет определять только те классы, которые в нее заложили. Например, только дым и огонь.
Читать дальше →

https://habr.com/ru/post/680116/?utm_source=habrahabr&utm_medium=rss&utm_campaign=680116

Когда люди думают о гипотетических опасностях ИИ, то почему-то сразу представляют себе эдакого терминатора, который внезапно сбежит из какой-нибудь лаборатории и пойдет крушить все вокруг.

Мало кто боится бессердечную систему, которая рекомендует банку не одобрять тебе ипотеку, или приложение того же банка, в которое ты заходишь по отпечатку пальца. Собака от Boston Dynamics так вообще, кроме умиления, ничего не вызывает, и совсем уж комично выглядит армия роботов-пылесосов, которыми многие пользуются.

Здесь в том числе срабатывает эффект «зловещей долины», который, в частности, активно используется в киноиндустрии:

Страшно? Жми

https://habr.com/ru/post/650565/?utm_source=habrahabr&utm_medium=rss&utm_campaign=650565

Развивать систему, созданную 16 лет назад, «конечно, не подвиг, но вообще что-то героическое в этом есть» (с). От пользователей регулярно прилетают вопросы: что будете делать дальше? Каким будет Антиплагиат через несколько лет? Все правильно, все верно – нельзя позволять рутине себя засасывать настолько, чтобы не оставалось времени подумать о далеком…, о жестоком…, ну вы поняли… о будущем.

Действительно, начало весны (отчетность закончилась, а сессия еще не началась) – самое удобное время для стратегических планов. Ну а заодно и для удовлетворения любопытства наших пользователей.

Не могу сказать, что описываю совсем уж ближайшее будущее. Какие-то идеи пока находятся в обработке у наших исследователей, какие-то и вовсе пока еще «варятся в головах». Но тем не менее, описанный ниже сценарий развития системы «Антиплагиат» сейчас наиболее вероятен.

Картинку даю, слегка опережая события. Она имеет непосредственное отношение к теме статьи, но, чтобы обо всем рассказать, нужно чуть больше места.

Кадр из а/ф «Шрек» (англ. « Shrek»), DreamWorks Pictures, 2001 год

Читать дальше →

https://habr.com/ru/post/549982/?utm_source=habrahabr&utm_medium=rss&utm_campaign=549982

Пока современные мировые автогиганты инвестируют миллиарды долларов в то, чтобы первыми приблизиться к созданию автономных самоуправляемых автомобилей, Honda Motor Co. вышла вперёд в этой ожесточенной технической гонке, заявив, что разработала первую в мире модель беспилотного автомобиля 3-го уровня «eyesoff».




Читать дальше →

https://habr.com/ru/post/528748/?utm_source=habrahabr&utm_medium=rss&utm_campaign=528748

При классическом программировании разработчик описывает на конкретном языке программирования определённый жестко заданный набор правил, которые были определены на основании его знаний в конкретной предметной области и которые в первом приближении описывают процессы, происходящие в человеческом мозге при решении аналогичной задачи. Например, может быть запрограммирована стратегия игры в крестики-нолики, шахмат и другое (рисунок 1).





Рисунок 1 – Классический подход решения задач



В то время как алгоритмы машинного обучения могут определять набор правил для решения задач без участия разработчика, а только на базе наличия тренировочного набора данных. Тренировочный набор — это какой-то набор входных данных ассоциированный с набором ожидаемых результатов (ответами, выходными данными). На каждом шаге обучения, модель за счет изменения внутреннего состояния, будет оптимизировать и уменьшать ошибку между фактическим выходным результатом модели и ожидаемым результатом (рисунок 2)





Рисунок 2 – Машинное обучение



2. Нейронные сети



Долгое время учёные, вдохновляясь процессами происходящими в нашем мозге, пытались сделать реверс-инжиниринг центральной нервной системы и попробовать сымитировать работу человеческого мозга. Благодаря этому родилось целое направление в машинном обучении — нейронные сети.



На рисунке вы можете увидеть сходство между устройством биологического нейрона и математическим представлением нейрона, используемого в машинном обучении (рисунок 3).
Читать дальше →

https://habr.com/ru/post/516438/?utm_source=habrahabr&utm_medium=rss&utm_campaign=516438

Ура! Мы завершили формирование программы конференции UseData Conf 2019! Эта конференция для тех, кто решает практические задачи с помощью методов машинного обучения. Между идеальным алгоритмом в вакууме и его применением на реальных данных часто лежит пропасть. Мы хотим, чтобы те, кто умеет преодолевать эту пропасть, встретились и смогли обменяться опытом.

Магия машинного обучения для управленцев, истории применения ML для анализа эффективности рекламы в телевизоре, беспилотные игрушечные машинки, нефть и автомобильные номера — это лишь часть докладов на UseData 2019. Об этих и других темах подробнее под катом.
Читать дальше ->

https://habr.com/ru/post/464637/?utm_source=habrahabr&utm_medium=rss&utm_campaign=464637