Случайны выбор дневника Раскрыть/свернуть полный список возможностей


Найдено 1290 сообщений
Cообщения с меткой

искусственный интеллект - Самое интересное в блогах

Следующие 30  »
rss_rss_hh_new

Яндекс.Толока. Как люди помогают обучать машинный интеллект

Среда, 20 Июля 2016 г. 17:48 (ссылка)

Вот уже полтора года в Яндексе для совершенствования поисковых алгоритмов и технологий машинного интеллекта применяется платформа Толока. Может показаться удивительным, но все современные технологии машинного обучения в той или иной степени нуждаются в человеческих оценках.



Люди оценивают релевантность эталонных документов поисковым запросам, чтобы на них ориентировались формулы ранжирования в поиске; люди переписывают аудиозаписи в текст, чтобы на этих данных настроился алгоритм голосового распознавания; люди размечают изображения по категориям, чтобы, натренировавшись на этих примерах, нейронная сеть дальше делала это без людей и лучше людей.







Все это можно делать в Толоке, которая является краудсорсинговой платформой и помогает найти тех, кто решит вашу задачу. Сегодня она переходит в статус беты и отныне открыта для всех внешних заказчиков. Так что пришло время рассказать вам подробно о самой платформе и о том, с какими неожиданными сложностями мы сталкивались в процессе работы над ней, поделимся своими наблюдениями и объясним, как Толока может помочь именно вам.



Задачи, о которых мы говорили выше, в Яндексе традиционно решаются с помощью обученных специалистов — асессоров. Асессоры смотрят, насколько результаты поиска соответствуют запросу, находят среди найденных веб-страниц спам, классифицируют его, решают схожие задачи и в других сервисах.



Ирония заключается в том, что чем больше новых технологий мы запускаем, тем сильнее растет потребность в человеческих оценках. Недостаточно просто определить релевантность страницы поисковому запросу. Важно понимать, не замусорена ли страница вредоносной рекламой? Не содержит ли страница контент для взрослых? А если содержит, то подразумевает ли запрос пользователя, что он искал именно такой контент? Для того чтобы автоматически учитывать все эти факторы, нужно собрать достаточное количество примеров для обучения поисковой машины. А так как все в интернете постоянно меняется, то и обучающие наборы нужно постоянно обновлять и поддерживать в актуальном состоянии. В общем, только для задач поиска потребность в человеческих оценках измерялась миллионами в месяц, и с каждым годом это число только растет.



Привлекать все больше и больше асессоров в каждой из стран присутствия Яндекса организационно непросто. При этом далеко не все новые задачи требуют специального обучения. Со многими заданиями может справиться практически любой человек, а часто даже более полезно собрать мнения обычных пользователей, не натренированных профессионально оценивать ранжирование. Подобное разделение задач привело нас к выводу, что в дополнение к асессорам нам нужен еще один более гибкий и масштабируемый источник получения человеческих оценок.



Краудсорсинг



В дополнение к сложным задачам, выполняемым асессорами, нам нужно было научиться собирать миллионы простых оценок в любой интересующей нас стране. Большинство заданий, о которых мы говорим, довольно простые и мелкие: на их выполнение не требуется больше 30 секунд. Зато количество этих заданий очень большое. Обычные фриланс-биржи, на которых можно связаться напрямую с несколькими исполнителями и объяснить им суть задания лично, для нас не подходили. Для промышленных масштабов нам нужно было привлекать тысячи исполнителей, оплачивать их работу без бумажной волокиты и контролировать результат.



Ближайшим аналогом того, что нам на самом деле было нужно, были краудсорсинговые платформы Amazon Mechanical Turk, Clickworker и CrowdFlower. Именно с помощью них, как правило, собирают простые человеческие оценки академические исследователи в области Machine Learning и крупные поисковые компании, например, Bing.







Вот только все эти платформы не работали в интересующих нас странах. К тому же мы уже успели накопить определенный опыт для того, чтобы решить задачу собственными силами.



Толока



В принципиальной логике работы любой краудсорсинговой платформы и, в частности, Толоки нет ничего сложного. С одной стороны, мы работаем с исполнителями, распределяем задания, производим оплату, а с другой – помогаем заказчикам получить результат с минимальными трудозатратами.







Кстати, что это за слово такое «Толока»? Над названием думали довольно долго, искали международные варианты, но в итоге вышло совсем наоборот. Идея назвать сервис «Толокой» родилась в нашем минском офисе, в котором, кстати, и сосредоточено ядро разработки платформы. Это слово (по-белорусски «талака») распространено в Беларуси примерно в 30 раз сильнее, чем в России, и означает совместную полезную работу на общий результат, а это отлично сочетается с краудсорсингом. Хотя выбор названия – это далеко не самый сложный вопрос, с которым мы столкнулись при разработке сервиса.



Какими могут быть задания? Потенциально они могут быть любыми по исходным данным, интерфейсу, ожидаемым ответам. Одному нужно загрузить картинки и попросить их классифицировать, другому — отобразить аудио-плеер и попросить написать, что слышно на записи, третьему — показать карту с расположением пользователя.







Несколько примеров














Поэтому был выбран путь максимальной гибкости: используя json для входных и выходных параметров и html/css/js — для интерфейса, заказчик может создать практически любое задание. А для тех задач, которые требуют работу «в поле» (например, пойти по адресу и проверить актуальность информации об организации), мы подготовили мобильную версию Толоки для Android.







У гибкости в настройках есть и обратная сторона – высокий порог вхождения. Далеко не каждый человек умеет верстать интерфейс. Эту проблему мы решаем с помощью готовых шаблонов, общее количество которых планируем увеличить.



Как платить толокерам? Успешный вывод кровно заработанных — один из главных мотиваторов для человека возвращаться и продолжать выполнять задания. Сложная и долгая процедура вывода может похоронить платформу. Поэтому мы выстроили систему, в которой достаточно добавить свой кошелек в PayPal или Яндекс.Деньгах. На этапе отладки процессов со стороны Толоки вывод денег мог занимать до 30 дней, сейчас — пару дней, а то и минут. При этом и толокеры, и заказчики освобождаются от бумажной волокиты.



Как обеспечить качество выполнения? Этот вопрос — главная головная боль любой краудсорсинговой платформы. В Толоке, как и любом социуме, есть люди прилежные и внимательные, а есть — ленивые, недобросовестные и при этом умеющие писать скрипты. Основная задача: удержать в сервисе первых и как можно раньше найти и ограничить вторых. Для этого мы научили Толоку анализировать поведение исполнителей. У заказчиков появилась возможность автоматически выявлять и ограничивать тех толокеров, кто, например, отвечает слишком быстро, или чьи ответы не согласовываются с ответами других. Мы также добавили возможность использовать контрольные задания («ханипоты») и обязательную приемку перед оплатой. Причем приемку тоже можно упростить. Отдать задания одним пользователям, а оценку их результатов – другим.







Кстати, а что мы знаем о самих толокерах?



Толокеры



В Толоке регистрируются и выполняют задания самые разные люди. Больше всего исполнителей (как и заданий) у нас в России, Украине и Турции. Большинство толокеров — это молодые люди до 35 лет (как правило, студенты технических ВУЗов или мамы в декрете). В основном исполнители рассматривают Толоку в качестве дополнительного источника денег, хотя многие отмечают, что им нравится выполнять полезную работу, делать интернет чище. Вот, например, что они сами пишут о себе, обсуждая Толоку в интернете:



Мне на кошелек уже упало 790,41 рублей. Если что, то в регионе, где я живу, зарплата, к примеру, учителя-молодого специалиста, составляет 2800 рублей. Обратите внимание, что это все набито между делом, в свободное время, в перерывах между выполнением основной работы, когда хотелось отдохнуть и немного переключиться.





И вообще, работая здесь, не чувствуешь себя тупым кликающим роботом. Есть какое-то ощущение полезности своей работы.





Толока в Яндексе



Толока сейчас — это почти 270 тысяч исполнителей из пяти стран мира, 80 тысяч выполняемых заданий в день, 400 уже опробованных разных типов заданий, 1 миллиард собранных оценок.



В момент открытия мы стартовали с тремя основными типами заданий, и интересно, что именно они по-прежнему остаются самыми любимыми заданиями для большинства толокеров: оценка качества поиска картинок, разметка контента для взрослых и попарное сравнение объектов (например, страниц в разном дизайне).



Использование краудсорсинга для сбора оценок в этих проектах позволило командам существенно сократить время ожидания оценок для построения метрик. Где асессорам требуется несколько дней на оценку набора объектов, толокеры справляются за пару часов. За счет снижения стоимости оценки удалось заметно увеличить размеры обучающих наборов и повысить качество алгоритмов классификации. К примеру, после перехода на Толоку качество определения контента для взрослых выросло на 30%.



Заказчиками оценок в Толоке выступают десятки разных команд Яндекса. С помощью этого сервиса собираются данные для технологий компьютерного зрения и распознавания речи, совершенствуются рекомендательные технологии, пополняется база справочника организаций, решаются многие другие внутренние задачи. Но их все равно недостаточно для того, чтобы обеспечить всех толокеров работой. Нужно двигаться дальше.



Первые внешние заказчики



Договорившись с несколькими внешними партнерами, мы организовали закрытое альфа-тестирование, чтобы проверить соответствие платформы потребностям извне. Внешние заказчики пришли как со знакомыми для нас типами задач, так и с новыми, специфичным для их бизнеса. За время тестирования были запущены задания по расшифровке ценников товаров с фото, аудиту торговых точек, категоризации товаров, поиску характеристик.



Сайт «Рейтинг Букмекеров» предложил толокерам задания по обновлению базы букмекерских отделений по всей стране (около 4000 объектов). Нужно было проверить, существует ли объект по указанному адресу, сделать фотографию и составить его описание. По данным заказчика, проверить актуальность базы объектов по России с помощью краудсорнинга оказалось выгоднее и оперативнее, чем командировать сотрудника или искать подрядчиков. Немного конкретики. Выполнение задачи по Санкт-Петербургу, где нашлось 157 адресов для проверки, с использованием Толоки обошлось заказчику чуть более чем в 4100 рублей. Это более чем в 10 раз дешевле, чем проектная семидневная командировка одного собственного сотрудника компании из Москвы в Санкт-Петербург, и в 3-6 раз дешевле, чем наем подрядчика на месте.



Толока оказалась полезна не только бизнесу, но и в научной работе. Дмитрий Усталов из Института математики и механики им.Н.Н.Красовского (ИММ УрО РАН) использует сервис для сбора оценок о смысловых связях русских слов, чтобы повысить качество электронных словарей, используемых в рамках проекта NLPub. По словам Дмитрия, он может быстро и недорого проводить эксперименты, проверяя большое количество гипотез в сжатые сроки. Для одного из заданий, например, ему удалось собрать 13 тысяч оценок всего за час.



И еще один пример. Рамблер использует Толоку для уточнения асессорских оценок поисковой выдачи. Результаты толокеров чуть менее точны, поскольку они не имеют специальной подготовки, но зато они могут выполнить задания больших объемов в короткие сроки и со стабильным качеством. Так что этот канал получения оценок особенно полезен в периоды пиковых нагрузок.



Закрытое альфа-тестирование помогло нам определиться с дальнейшим вектором доработок и в целом подтвердило гипотезу, что Толока может быть полезна внешним заказчикам и должна быть открыта для всех. Ровно это мы и сделали. Начиная с этой недели, Толока переходит в статус беты, и ее краудсорсинговые возможности доступны для всех желающих.



Как добавить свое задание?



Процесс отправки задания по-прежнему предполагает определенные знания со стороны заказчика, но мы уже работаем над тем, чтобы упростить этот процесс в ближайшем будущем. А пока для заказчиков доступна документация по адресу yandex.ru/support/toloka-requester.



Мы рекомендуем начать с песочницы. Эта тестовая среда позволит вам не только разобраться в процессе создания задач, но и испытать их, не рискуя потратить деньги впустую. После регистрации можете сразу приступить к созданию своего проекта, причем сервис предложит вам уже готовые шаблоны на выбор.







При постановке задачи вы сможете ограничить исполнителей по определенным критериям (например, страна, язык или юзер-агент браузера), включить предварительную проверку результата и контроль качества, настроить спецификации входных и выходных данных.



После обучения на песочнице вы можете перейти к боевой системе, перенести туда свои проекты, пополнить баланс и запустить краудсорсинг. Кстати, все это не обязательно делать в интерфейсе. У Толоки есть свой API.



В заключение хотелось бы рассказать об основных рекомендациях, которые мы сформулировали на основе собственного опыта работы с толокерами.



Рекомендации по работе с краудом



Wisdom of crowd (мудрость толпы) — вовсе не философский, а вполне статистически проверяемый феномен. Даже если мнение одного человека недостаточно компетентно, а его оценка — недостаточно точна, объединение оценок от многих разных людей может давать более точные результаты, чем оценка одного профессионального эксперта. Главное здесь — правильно организовать процесс сбора и агрегирования отдельных оценок.




  1. Краудсорсинг — очень мощный инструмент, он отлично подходит, когда речь идет о больших объемах и необходимости масштабировать и стандартизировать процессы. Но если у вас разовая задача, которая решается одним человеком за пару часов, то именно так ее и проще решить.

  2. Многократно проверено, что любую сложную задачу можно и нужно декомпозировать на набор мелких независимых подзадач. Это позволит существенно повысить качество итоговых данных без увеличения стоимости общей разметки.

  3. Большинство заданий в краудсорсинге запускаются с перекрытием (когда несколько исполнителей делают одно и то же задание). Популярное заблуждение: чем больше перекрытие, тем выше качество результатов. Как правило, это не так. Точность достаточно быстро стабилизируется с увеличением перекрытия, и мало для каких заданий обоснованно перекрытие больше 5 человек на задание.

  4. Не совсем интуитивный факт: цена за задание в краудсорсинге практически не влияет на качество получаемых оценок. Зачастую завышение ставки может даже навредить качеству, так как толокеры в погоне за деньгами перестают уделять заданиям достаточное внимание.

  5. А вот главное, от чего реально зависит качество оценок – это от организации задания. Чем понятнее написана инструкция и спроектирован интерфейс, тем выше качество результата. И не забываем о проверочных заданиях («ханипоты»), которые помогут выявить недобросовестных толокеров.

  6. Большинства проектов в Толоке не требуют от исполнителя специальных знаний. Тем не менее иногда приходится «тренировать» толокеров выполнять задание именно так, как нужно заказчику. В этом случае следует создавать специальные обучающие пулы и использовать дополнительные настройки (например, допускать до задания только тех толокеров, которые успешно прошли тренировку).

  7. Правильное таргетирование заданий на определенных исполнителей часто помогает заметно улучшить результаты разметки. Например, если для разметки каталога обуви вам требуется оценить пантолеты, то это задание лучше сразу отдать толокерам-девушкам.

  8. Далеко не все задачи можно отдать на откуп мудрости толпы. Всегда найдется задание, которое требует профессиональной подготовки и предельной внимательности. Но практически всегда в этих случаях с помощью предварительной фильтрации краудом можно упростить жизнь профессиональным экспертам, заметно снизить стоимость получения оценок и увеличить пропускную способность вашего рабочего процесса.





Были бы благодарны сообществу Хабрахабра за отзывы о работе бета-версии Толоки. Мы продолжаем работать над тем, чтобы любой заказчик мог получить максимально качественный результат без необходимости писать код, а каждый ответственный исполнитель – поощрение и достаточное количество заданий. И ваши отзывы помогут нашей команде в этой работе. Спасибо!
Original source: habrahabr.ru (comments, light).

https://habrahabr.ru/post/305956/

Комментарии (0)КомментироватьВ цитатник или сообщество
Avel_Hladik

искусственный интеллект

Пятница, 15 Июля 2016 г. 09:37 (ссылка)


 


Я за искусственный интеллект.  Всеми руками, душой и пальцами.


 


Я это осознал когда себе восемь лет назад Punto Switcher   поставил.


А я часто пишу - ну вы знаете - фразу "ты чо?"


Пишу фразу "ты чо?", а Punto Switcher исправляет её на "ты xj&". 


Странно правда? 


Так иногда, зачастую, непреднамеренно  бездушная машина  становится честнее человека.


 


Потому что пишешь порой кому-нибудь "ты чо?",


а хочешь написать "ты xj&",  но стесняешься.


 


 


Хотя с другой стороны, если верить Стивену Кингу,


только враги говорят друг другу правду.


Друзья и возлюбленные, запутавшись в паутине взаимного долга, врут бесконечно.


 


 


.

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
rss_rss_hh_new

Открыт приём заявок на VIII Летнюю Школу высокопроизводительных вычислений в области компьютерного зрения

Среда, 06 Июля 2016 г. 16:58 (ссылка)

image

Занятия начнутся 15 августа и продлятся ровно одну неделю. К участию в школе приглашаются студенты c уровнем образования не ниже бакалавриата или учащиеся 3-4 курса технических вузов. Все подробности под катом



Вычислительные платформы демонстрируют непрекращающийся рост. Главные успехи мы наблюдаем в промышленной робототехнике и мехатронике. Однако отставание в технологиях искусственного интеллекта и составной части — компьютерного зрения для понимания сцен и анализа изображений еще остается сдерживающим фактором для дальнейшего развития.



«Интеллектуализация — точный термин, отражающий развитие современных сложных систем управления. Это стремление технологий достичь полного функционального сходства с возможностями человека. Главный показатель этого прогресса — развитие технологий машинного зрения», — отметил Ярослав Холодов, руководитель Лаборатории Интеллектуальных Транспортных Систем Университета Иннополис.


Робототехники используют модельный подход, который сводит задачи машинного зрения к проблеме обнаружения и распознавания объектов по заранее заданному описанию. Решение задачи автоматического выделения сложных объектов открывает перед системами «машинного зрения» огромное число потенциальных областей применения. Эти решения востребованы в системах промышленного контроля качества, робототехнике, навигации, транспортировке, дистанционном зондировании, медицине, биомеханике, инженерном труде, автоматизации проектирования, технологиях обработки документов и других направлениях.



В ходе Летней Школы, организованной совместно с МФТИ, учащиеся посетят лекции, практические занятия, специальные семинары и поработают над командными проектами. По итогам школы состоится конкурс лучших работ.



К участию в школе приглашаются студенты c уровнем образования не ниже бакалавров или студентов 3-4 курсов технических вузов с механико-математических, физических и факультетов прикладной математики. Рекомендуется знание языков программирования С /C++ и Phyton.



Отбор кандидатов на участие в Летней Школе проводится на основании анкеты и мотивационного письма в произвольной форме, которое рассматривается оргкомитетом мероприятия. Анкету доступна по ссылке.



Заявки отправляйте по электронной почте: info@crec.mipt.ru до 15 июля, в теме письма укажите текст: «Заявка на участие в Летней Школе».

Окончательный список участников организаторы объявят не позднее 1 августа.



Лекции
Модуль 1. Компьютерное зрение




  1. Введение в компьютерное зрение. Какие задачи решает, какие методы использует

  2. Основные алгоритмы обработки изображений

  3. Разбор типовых задач и приложений компьютерного зрения

  4. Машинное обучение и его применение в компьютерном зрении

  5. Дополненная реальность

  6. Камеры глубины и удалённое присутствие

  7. Монокулярный бинокулярный SLAM

  8. Свёрточные нейронные сети и их применение в задачах компьютерного зрения





Модуль 2. Введение в распараллеливание алгоритмов и программ




  1. Проблемы эволюции вычислительных систем. Парадигмы последовательного и параллельного программирования

  2. Элементы асимптотического анализа алгоритмов

  3. Декомпозиция алгоритмов на уровне операций

  4. Укрупнение параллельных ярусов

  5. Параллельность циклов





Модуль 3. Программная модель CUDA




  1. Архитектура графических адаптеров Nvidia

  2. Работа с глобальной, разделяемой, текстурной памятью

  3. Примитивы синхронизации. Общие рекомендации по написанию оптимизированного кода





Ознакомиться с предварительной программой мероприятия можно по ссылке.
Original source: habrahabr.ru (comments, light).

https://habrahabr.ru/post/304906/

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
Понтифик_Иванов

Ловкая рука

Вторник, 05 Июля 2016 г. 09:37 (ссылка)
md-eksperiment.org/etv_page...ti_kulturi

Изобретение умеет быстро анализировать форму объекта и решать, как лучше за него взяться
Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
rss_rss_hh_new

Мысль — материальна: Алан Тьюринг как «универсальный вычислитель»

Вторник, 28 Июня 2016 г. 09:03 (ссылка)

image

Источник: geektimes.ru



В первой половине XX века, когда были изобретены первые вычислительные машины. Однако наряду с физически осязаемыми машинами появлялись и машины-концепции. Одной из них была «машина Тьюринга» — абстрактное вычислительное устройство, придуманное в 1936 году Аланом Тьюрингом — учёным, которого считают одним из основоположников информатики.



Его кругозор распространялся от квантовой теории и принципа относительности до психологии и неврологии. А в качестве способа познания и передачи своих знаний Тьюринг использовал аппарат математики и логики. Он находил решения, казалось бы, нерешаемых задач, но был сильнее всего увлечен идеей «Универсальной машины», способной вычислить всё, что в принципе вычислимо.



Детство, образование, увлечения



Родители Алана жили в индийском городе Чхатрапур. Отец — Юлиус Мэтисон Тьюринг представитель старого шотландского аристократического рода, работал в Имперской государственной службе. Мать — Сара Этель (урожденная Стони), была родом из Ирландии, из протестантской семьи англо-ирландского дворянства. Когда она ждала ребёнка, супруги решили переехать в Англию, чтобы он рос и воспитывался в Лондоне.



Там Алан Тьюринг и родился 23 июня 1912 года. У него был старший брат Джон. Государственная служба Юлиуса Тьюринга продолжалась и родителям Алана приходилось часто путешествовать между Гастингсом и Индией, оставляя двоих своих сыновей на попечение отставной армейской пары. Признаки гениальности проявлялись у Тьюринга с раннего детства.



В детстве Алан и его старший брат Джон довольно редко видели своих родителей — их отец до 1926 года служил в Индии; дети оставались в Англии и жили на попечении в частных домах, получая строгое английское воспитание, соответствующее их положению на социальной лестнице. В рамках такого воспитания изучение основ естественных наук фактически не предусматривалось.



image



Маленький Алан обладал очень пытливым умом. Самостоятельно научившись читать в возрасте 6 лет, он просил у своих воспитателей разрешения читать научно-популярные книги.



В 11 лет он ставил вполне грамотные химические опыты, пытаясь извлечь йод из водорослей. Все это доставляло огромное беспокойство его матери, которая боялась, что увлечения сына, идущие вразрез с традиционным воспитанием, помешают ему поступить в Public School (английское закрытое частное учебное заведение для мальчиков, учеба в котором была обязательна для детей аристократов). Но её опасения оказались напрасны: Алан смог поступить в престижную Шербонскую школу (Sherborne Public School).



В шесть лет Алан Тьюринг пошёл в школу святого Михаила в Гастингсе, директор которой сразу отметила его одарённость. В 1926 году, в возрасте 13 лет, Тьюринг пошёл в известную частную школу Шерборн в городе Шерборн графства Дорсет. Его первый день в школе совпал со Всеобщей забастовкой 1926 года. Поэтому Тьюрингу пришлось преодолеть расстояние около 100 км от Саутгемптона до Шерборна на велосипеде, по пути он переночевал в гостинице.



Увлечение Тьюринга математикой не нашло особой поддержки среди учителей Шерборнской школы, где уделяли больше внимания гуманитарным наукам. Директор школы писал родителям: «Я надеюсь, что он не будет пытаться усидеть на двух стульях разом. Если он намеревается остаться в частной школе, то он должен стремиться к получению «образования». Если же он собирается быть исключительно «научным специалистом», то частная школа для него — пустая трата времени».



image



О школьных успехах Алана красноречиво свидетельствует классный журнал, в котором можно найти, например, следующее

Я могу смотреть сквозь пальцы на его сочинения, хотя ничего ужаснее в жизни своей не видывал, я пытаюсь терпеть его непоколебимую небрежность и непристойное прилежание; но вынести потрясающую глупость его высказываний во время вполне здравой дискуссии по Новому Завету я, все же, не могу.


Тем не менее, в областях, интересовавших его, Тьюринг проявлял незаурядные способности.



В 1928 году, в возрасте 16 лет, Тьюринг ознакомился с работой Эйнштейна, в которой ему удалось разобраться до такой степени, что он смог догадаться из текста о сомнениях Эйнштейна относительно выполнимости Законов Ньютона, которые не были высказаны в статье в явном виде.



Университет



Из-за нелюбви к гуманитарным наукам Тьюринг недобрал баллов на экзамене и поэтому после школы поступил в Королевский колледж Кембриджа, хотя намеревался пойти в Тринити-колледж. В Королевском колледже Тьюринг учился с 1931 по 1934 год под руководством известного математика Годфри Харолда Харди.



Кембриджский университет, обладавший особыми привилегиями, дарованными английскими монархами, издавна славился либеральными традициями, и в его стенах всегда царил дух свободомыслия. Здесь Тьюринг обретает – пожалуй, впервые – свой настоящий дом, где он смог полностью отдаться науке.



Главное место в жизни заняло увлечённое изучение столь интересующих его наук – математики и квантовой физики. Те годы были периодом бурного становления квантовой физики, и Тьюринг в студенческие годы знакомится с самыми последними работами в этой области. Большое впечатление производит на него книга Джона фон Неймана «Математические основы квантовой механики», в которой он находит ответы на многие давно интересующие его вопросы.



image



Тогда Тьюринг, наверное, и не предполагал, что через несколько лет фон Нейман предложит ему место в Принстоне – одном из самых известных университетов США. Ещё позже фон Нейман, так же как и Тьюринг, будет назван «отцом информатики». Но тогда, в начале 30-х годов ХХ века, научные интересы обоих будущих выдающихся учёных были далеки от вычислительных машин – и Тьюринг, и фон Нейман занимаются в основном задачами «чистой» математики.



Тьюринг происходил из аристократической семьи, но никогда не был «эстетом»: кембриджские политические и литературные кружки были чужды ему. Он предпочитал заниматься своей любимой математикой, а в свободное время ставить химические опыты, решать шахматные головоломки.



Ставя химические опыты, он играл в особую игру «Необитаемый остров», изобретенную им самим. Цель игры заключалась в том, чтобы получать различные «полезные» химические вещества из «подручных средств» – стирального порошка, средства для мытья посуды, чернил и тому подобной «домашней химии».



Он также находил отдых в интенсивных занятиях спортом – греблей и бегом. Марафонский бег останется его поистине страстным увлечением до конца жизни.



image



Тьюринг блестяще заканчивает четырёхлетний курс обучения. Одна из его работ, посвященная теории вероятностей, удостаивается специальной премии, его избирают в научное общество Королевского колледжа. В 1935 году Тьюринг публикует работу «Эквивалентность левой и правой почти-периодичности», в которой он упрощает одну идею фон Неймана в теории непрерывных групп – фундаментальной области современной математики. Казалось, его ждет успешная карьера слегка эксцентричного кембриджского преподавателя, работающего в области «чистой» математики.



Однако Тьюринг никогда не удерживался в каких-либо «рамках». Никто не мог предвидеть, какая экзотическая проблема неожиданно увлечет его, и какой математически неординарный способ ее решения ему удастся придумать.



Кроме того, в Кембридже Алан посещал лекции Виттенштейна Людвига. Виттенштейн утверждал теорию о несостоятельности математики. По его словам математика не ищет истину, но сама создаёт её. Алан был с этим не согласен и много спорил с Людвигом. Тьюринг выступал за «формализм» — математическое философское течение, которое не требовало точного перевода слов и ограничивалось примерным смыслом. А Людвиг искал абсолютной точности.



Во время обучения в колледже Алан Тьюринг изучал основы криптографии – то есть расшифровки данных. Это пригодилось ему во время Второй Мировой войны, когда учёный работал над расшифровкой немецких посланий.



Машина Тьюринга



В 1928 году немецкий математик Давид Гильберт привлек внимание мировой общественности к проблеме разрешения (Entscheidungsproblem). В своей работе «On Computable Numbers, with an Application to the Entscheidungsproblem», опубликованной 12 ноября 1936 года. Тьюринг переформулировал теорему Гёделя о неполноте, заменив универсальный формальный арифметический язык Гёделя на простые гипотетические устройства, которые впоследствии стали известны как машины Тьюринга.



Он доказал, что подобная машина была бы способна произвести любые математические вычисления, представимые в виде алгоритма. Далее Тьюринг показал, что не существует решения Entscheidungsproblem, сперва доказав, что Проблема остановки для машины Тьюринга неразрешима: в общем случае невозможно алгоритмически определить, остановится ли когда-нибудь данная машина Тьюринга.



Хотя доказательство Тьюринга было обнародовано в скором времени после эквивалентного доказательства Алонзо Чёрча, в котором использовались Лямбда-исчисления, сам Тьюринг был с ним не знаком. Подход Алана Тьюринга принято считать более доступным и интуитивным. Идея «Универсальной Машины», способной выполнять функции любой другой машины, или другими словами, вычислить всё, что можно, в принципе, вычислить, была крайне оригинальной. Фон Нейман признал, что концепция современного компьютера основана на этой работе Алана Тьюринга. Машины Тьюринга по-прежнему являются основным объектом исследования теории алгоритмов.



image



На вопрос: «Что такое машина Тьюринга и какое отношение она имеет к программированию?» один из пользователей Toster ответил так:

В первую очередь — это формальное определение алгоритма. Задача считается алгоритмически разрешимой тогда и только тогда, когда её решение можно запрограммировать на машине Тьюринга (или каким-нибудь другим эквивалентным способом). Это определение даёт, например, возможность предъявить алгоритмически неразрешимые задачи. Позволяет ввести понятие «Тьюринг-полного» языка — если на языке можно реализовать машину Тьюринга, то на нём можно написать любой алгоритм (препроцессор языка С таким не является, а C# — является).



В общем, МТ — способ определить некоторый класс алгоритмов:



— некоторые задачи можно решить конечным автоматом;

— для некоторых потребуется конечный автомат со стековой памятью;

— для других достаточно машины Тьюринга;

— для остальных требуется божественное откровение или другие неалгоритмизируемые методы.


С сентября 1936 года по июль 1938 Тьюринг работал под руководством Чёрча в Принстоне. Кроме занятий математикой, учёный изучал криптографию, а также конструировал электромеханический бинарный умножитель.



image



В июне 1938 года Тьюринг защитил докторскую диссертацию «Логические системы, основанные на ординалах», в которой была представлена идея сведения по Тьюрингу, заключающаяся в объединении машины Тьюринга с оракулом. Это позволяет исследовать проблемы, которые невозможно решить с помощью лишь машины Тьюринга.



Криптоанализ



Во время Второй мировой войны Алан Тьюринг принимал активное участие во взломе немецких шифров в Блетчли-парке. Историк и ветеран Блетчли-парка Эйза Бригс однажды сказал:



«Блетчли-парку был нужен исключительный талант, исключительная гениальность, и гениальность Тьюринга была именно такой».



С сентября 1938 года Тьюринг работал на полставки в GCHQ — британской организации, специализировавшейся на взломе шифров. Совместно с Дилли Ноксом он занимался криптоанализом «Энигмы». Вскоре после встречи в Варшаве в июле 1939 года, на которой польское Бюро шифров предоставило Великобритании и Франции подробные сведения о соединениях в роторах «Энигмы» и методе расшифровки сообщений, Тьюринг и Нокс начали свою работу над более основательным способом решения проблемы.



Польский метод основывался на недоработках индикаторной процедуры, которые немцы исправили к маю 1940 года. Подход Тьюринга был более общим и основан на методе перебора последовательностей исходного текста, для которого он разработал начальную функциональную спецификацию Bombe.



Машина, созданная на основе этой спецификации, искала возможные настройки, использованные для шифрования сообщений (порядок роторов, положение ротора, соединения коммутационной панели), опираясь на известный открытый текст. Для каждой возможной настройки ротора (у которого было 10 ^ 19 состояний или 10 ^ 22 в модификации, использовавшейся на подводных лодках) машина производила ряд логических предположений, основываясь на открытом тексте (его содержании и структуре).



Далее машина определяла противоречие, отбрасывала набор параметров и переходила к следующему. Таким образом, бо

https://habrahabr.ru/post/304244/?utm_source=habrahabr&utm_medium=rss&utm_campaign=best

Метки:   Комментарии (0)КомментироватьВ цитатник или сообщество
rss_rss_hh_new

[Перевод] Будущее компьютерных технологий: обзор современных трендов

Среда, 15 Июня 2016 г. 16:16 (ссылка)





Сфера информационных технологий развивается в двух преимущественно независимых циклах: продуктовом и финансовом. В последнее время не утихают споры о том, на каком этапе финансового цикла мы находимся; очень много внимания уделяется финансовым рынкам, которые подчас ведут себя непредсказуемо и сильно колеблются. С другой стороны, продуктовым циклам достается относительно мало внимания, хотя именно они двигают информационные технологии вперед. Но, анализируя опыт прошлого, можно попытаться понять текущий продуктовый цикл и предугадать дальнейшее развитие технологий.









Новая эпоха компьютерных технологий начинается раз в 10–15 лет



Развитие продуктовых циклов в сфере высоких технологий происходит за счет взаимодействия платформ и приложений: новые платформы позволяют создавать новые приложения, которые, в свою очередь, повышают ценность этих платформ, замыкая таким образом цепь положительной обратной связи. Малые продуктовые циклы повторяются постоянно, но исторически сложилось так, что раз в 10–15 лет начинается очередной большой цикл – эпоха, полностью меняющая облик IT.





Финансовые и продуктовые циклы развиваются в основном независимо друг от друга



Когда-то возникновение компьютеров побудило предпринимателей создать первые текстовые редакторы, таблицы и много других приложений для ПК. С появлением интернета мир увидел поисковые механизмы, онлайн-коммерцию, электронную почту, социальные сети, бизнес-приложения модели SaaS и много других сервисов. Смартфоны дали толчок развитию мобильных социальных сетей и мессенджеров, а также появлению новых видов услуг вроде карпулинга. Мы живем в разгар мобильной эпохи, и, судя по всему, нас ожидает еще много любопытных инноваций.



Каждую эпоху можно условно разделить на 2 фазы:



1. фазу формирования – когда платформа впервые появляется на рынке, но является дорогостоящей, сырой и/или сложной в обращении;

2. активную фазу – когда новый продукт решает упомянутые недостатки платформы, тем самым начиная период ее стремительного развития.



Компьютер Apple II был выпущен в 1977 году, а Альтаир 8800 – в 1975 году, но активная фаза эпохи ПК началась с релиза IBM PC в 1981 году.





Продажи ПК в год



Фаза формирования интернета началась в 80-х и ранних 90-х годах, когда он, по сути, представлял собой инструмент обмена текстовыми данными, используемый учеными и правительством. Выход первого браузера, NCSA Mosaic, в 1993 году ознаменовал начало фазы интенсивного развития интернета, которая не закончилась и по сей день.





Количество пользователей интернета по всему миру



В 90-х годах уже существовали мобильные телефоны, а первые смартфоны появились на заре нулевых, но повсеместное производство смартфонов началось в 2007–2008 годах с выходом первого iPhone, а затем – с появлением платформы Android. С тех пор количество пользователей смартфонов взлетело до небес, и сейчас их число достигло уже порядка двух миллиардов. А к 2020 году смартфоны будут у 80 % населения планеты.





Продажи смартфонов по всему миру (млн.)



Если длительность каждого цикла действительно составляет 10–15 лет, всего через несколько лет начнется активная фаза новой компьютерной эпохи. Выходит, новая технология уже находится в фазе формирования. На сегодняшний день можно выделить несколько главных трендов в сферах аппаратного и программного обеспечения, позволяющих нам частично пролить свет на следующую эпоху. В данной статье я хочу обсудить эти тренды и выдвинуть несколько предположений о том, как может выглядеть наше будущее.



Аппаратное обеспечение: компактное, дешевое и универсальное



В мейнфрейм-эпоху только крупные организации могли позволить себе компьютер. Мини-компьютеры были доступны для организаций поменьше, а компьютеры – для домов и офисов.





Размер компьютеров уменьшается с постоянной скоростью



Сейчас мы на пороге новой эпохи, в которой процессоры и сенсоры становятся настолько дешевыми и компактными, что компьютеров скоро будет больше, чем людей.



Этому способствуют 2 фактора. Во-первых, неуклонный прогресс в производстве полупроводников за последние 50 лет (Закон Мура). Во-вторых, то, что Крис Андерсон называет «мирными дивидендами от войны смартфонов»: головокружительный успех смартфонов способствовал большим инвестициям в разработку процессоров и сенсоров. Загляните внутрь современного квадрокоптера, очков виртуальной реальности или любого устройства интернета вещей – что вы увидите? Правильно – главным образом компоненты смартфона.



Но в современную эпоху полупроводников всё внимание перешло от отдельных процессоров к целым узлам специальных микросхем, известным как однокристальные системы.





Цены на компьютеры стабильно снижаются



Обыкновенная однокристальная система сочетает в себе энергоэффективный ARM-процессор и специальный графический процессор, а также устройства обмена информацией, управления питанием, обработки видеосигнала и так далее.



Эта инновационная архитектура позволила сбросить минимальную стоимость базовых вычислительных систем со 100 до 10 долларов за единицу. Отличным примером послужит Raspberry Pi Zero – первый 5-долларовый компьютер на Linux с частотой 1 GHz. За те же деньги можно приобрести микроконтроллер Wi-Fi, поддерживающий одну из версий Python. Совсем скоро эти микропроцессоры будут стоить меньше доллара, и мы без труда сможем встраивать их практически всюду.



Но более серьезные достижения происходят сегодня в мире высококачественных микропроцессоров. Отдельного внимания заслуживают графические процессоры, лучшие из которых производит компания NVIDIA. Графические процессоры полезны не только для обработки графики, но и при работе с алгоритмами машинного обучения, а также с устройствами виртуальной и дополненной реальности. Однако представители компании NVIDIA обещают более существенные улучшения производительности графических процессоров в ближайшем будущем.





Raspberry Pi Zero: 5-долларовый Компьютер на Linux с процессором 1 GHz



Козырем всей сферы информационных технологий по-прежнему остаются квантовые компьютеры, которые пока существуют преимущественно в лабораториях. Но стоит сделать их коммерчески привлекательными, и это приведет к грандиозному росту производительности, прежде всего, в сфере биологии и искусственного интеллекта.





Квантовый компьютер Google



Программное обеспечение: золотой век искусственного интеллекта



Сегодня в мире программного обеспечения происходит много любопытных вещей. Хороший пример – распределенные системы. Их появление обусловлено многократным увеличением количества устройств за последние годы, что вызвало необходимость распараллеливать задания на нескольких машинах, налаживать обмен данными между устройствами и координировать их работу. Отдельного внимания заслуживают такие технологии распределенных систем, как Hadoop или Spark, предназначенные для работы с большими массивами данных. Стоит также упомянуть технологию блокчейн, обеспечивающую безопасность данных и ресурсов и впервые реализованную в криптовалюте Bitcoin.



Но, пожалуй, самые захватывающие открытия совершаются сегодня в области искусственного интеллекта (ИИ), имеющего длинную историю взлетов и падений. Еще сам Алан Тьюринг предсказывал, что к 2000 году машины будут способны имитировать людей. И хотя это предсказание пока не осуществилось, есть веские причины полагать, что ИИ наконец вступает в золотой век своего развития.



«Машинное обучение – это ключевой, революционный способ переосмысления всего, что мы делаем», – генеральный директор компании Google Сундар Пичаи.



Наибольший ажиотаж в области ИИ сосредоточен вокруг так называемого глубинного обучения – метода, который был широко освещен в рамках одного известного проекта компании Google, запущенного в 2012 году. В этом проекте была задействована высокопроизводительная сеть компьютеров, целью которой было научиться распознавать котиков на видеороликах с YouTube. Метод глубинного обучения основывается на искусственных нейронных сетях – технологии, зародившейся еще в 40-х годах прошлого века. Недавно эта технология снова стала актуальной из-за многих факторов: появления новых алгоритмов, снижения стоимости параллельных вычислений и широкого распространения больших наборов данных.





Процент ошибок в конкурсе ImageNet (красная линия соответствует показателям человека)



Остается надеяться, что глубинное обучение не станет просто очередным модным термином Силиконовой долины. Впрочем, интерес к этому методу обучения подкрепляется впечатляющими теоретическими и практическими результатами. К примеру, до введения глубинного обучения допустимый процент ошибок победителей ImageNet, известного конкурса по машинному видению, составлял 20–30 %. Но после его применения правильность алгоритмов неуклонно росла, и уже в 2015 году показатели машин превзошли показатели человека.



Многие документы, пакеты данных и инструменты программного обеспечения, связанные с глубинным обучением, находятся в открытом доступе, что позволило отдельным лицам и небольшим организациям создавать собственные высокоэффективные приложения. Компании WhatsApp Inc. потребовалось всего 50 разработчиков, чтобы создать популярный мессенджер для 900 миллионов пользователей. Для сравнения, создание мессенджеров предыдущих поколений требовало привлечения свыше тысячи (а иногда и нескольких тысяч) разработчиков. Нечто подобное теперь происходит и в области ИИ: программные средства вроде Theano и TensorFlow в сочетании с облачными дата-центрами для обучения и недорогими видеокартами для вычислений позволяют небольшим командам разработчиков создавать новаторские системы ИИ.



К примеру, ниже представлен небольшой проект одного программиста с использованием TensorFlow для преобразования черно-белых фото в цветные:





Слева направо: черно-белое фото, преобразованное фото, цветной оригинал фото. (Источник)



А вот небольшое стартап-приложение для классификации предметов в реальном времени:





Приложение Teradeep идентифицирует предметы в реальном времени



Хм, а ведь где-то я уже это видел:





Фрагмент из фильма Терминатор 2: Судный день (1991 г.)



Одним из первых приложений с методом глубинного обучения, выпущенных крупной компанией, было удивительно умное приложение для поиска изображений Google Photos:





Поиск по фотографиям (без метаданных) с ключевой фразой «big ben»



В скором времени нас ожидает значительное повышение производительности ИИ во всех сферах программного и аппаратного обеспечения: голосовые помощники, поисковые механизмы, чат-боты, 3D сканеры, языковые переводчики, автомобили, дроны, системы диагностической визуализации и многое-многое другое.



«Легко предугадать идеи следующих 10000 стартапов: взять Х и прибавить искусственный интеллект», – Кевин Келли.



Стартапы, создающие продукцию с упором на ИИ, должны оставаться предельно сфокусированными на определенных приложениях, чтобы поддерживать конкуренцию с крупными компаниями, для которых ИИ является высшим приоритетом. Системы ИИ становятся эффективнее по мере того, как увеличивается объем собранных для них данных. Получается нечто вроде маховика, постоянно вращающегося за счет так называемого эффекта сети данных (больше пользователей -> больше данных -> лучше продукция -> больше пользователей). К примеру, команда картографического сервиса Wase использовала эффект сети данных, чтобы сделать качество предоставляемых карт лучше, чем у их более маститых конкурентов. Всем, кто намерен использовать ИИ для своего стартапа, стоит придерживаться аналогичной стратегии.



Программное + аппаратное обеспечение: новые компьютеры



Сейчас на стадии формирования находится целый ряд перспективных платформ, которые скоро вполне могут перейти на стадию развития, так как они сочетают в себе самые последние разработки из сфер программного и аппаратного обеспечения. И хотя эти платформы могут выглядеть по-разному либо иметь разную комплектацию, у них есть одна общая черта: использование последних расширенных возможностей умной виртуализации. Рассмотрим некоторые из этих платформ:



Автомобили. Крупные информационно-технологические компании вроде Google, Apple, Uber и Tesla немало инвестируют в разработку автономных или беспилотных автомобилей. На рынке уже представлены полуавтономные автомобили Tesla Model S и вскоре ожидается выход обновленных и более совершенных моделей. Создание полностью автономного автомобиля потребует некоторого времени, однако есть основания полагать, что ждать осталось не более пяти лет. На самом деле, уже существуют разработки полностью автономных автомобилей, которые ездят не хуже, чем под управлением человека. Тем не менее, в силу многих аспектов культурного и регулятивного характера такие автомобили должны ездить намного лучше, чем управляемые человеком, чтобы быть допущенными к широкой эксплуатации.





Беспилотный автомобиль составляет схему своего окружения



Несомненно, объем инвестиций в беспилотные автомобили будет только расти. В дополнение к информационно-технологическим компаниям, крупные производители автомобилей тоже начали задумываться над автономностью. Нас ждет еще много интересных стартап-продуктов. Программные средства глубинного обучения стали настолько эффективными, что сегодня одному-единственному разработчику под силу сделать полуавтономный автомобиль.





Самодельный беспилотный автомобиль



Дроны. Современные дроны укомплектованы по последнему слову техники (в основном компонентами смартфонов и механическими деталями), но имеют относительно простое ПО. В скором времени появятся усовершенствованные модели, оснащенные компьютерным зрением и другими видами ИИ, что сделает их более безопасными, удобными в управлении и полезными. Фото- и видеосъемка с дронов будет популярной не только среди аматоров, но, что важнее, найдет и коммерческое применение. К тому же, существует немало опасных видов работ, в том числе высотных, для выполнения которых было бы гораздо безопаснее использовать дроны.





Полностью автономный полет дрона



Интернет вещей. Самые основные преимущества устройств интернета вещей – это их энергоэффективность, безопасность и удобство. Хорошими примерами первых двух характеристик могут послужить продукты Nest и Dropcam. Что касается удобства, стоит обратить внимание на устройство Echo от Amazon.



Большинство людей полагают, что Echo – это очередная маркетинговая уловка, но, воспользовавшись хотя бы раз, они удивляются, насколько удобным оказывается это устройство. Оно блестяще демонстрирует эффективность голосового управления как основы пользовательского интерфейса. Конечно, мы еще не скоро увидим роботов с универсальным интеллектом, способных поддерживать полноценный разговор. Но, как показывает Echo, компьютеры уже способны справляться с более-менее сложными голосовыми командами. По мере того как метод глубинного обучения будет совершенствоваться, компьютеры научатся лучше понимать язык.



3 основных преимущества: энергоэффективность, безопасность, удобство.



Устройства интернета вещей также найдут применение в бизнес-сегменте. К примеру, устройства с сенсорами и возможностью сетевого подключения широко используются для оперативного контроля промышленного оборудования.



Носимая техника. Сегодня функциональность носимых компьютеров варьируется в зависимости от ряда факторов: емкости батареи, средств коммуникации и обработки данных. Наиболее успешные устройства обычно имеют весьма узкую сферу применения: к примеру, фитнес-трекинг. По мере улучшения компонентов аппаратного обеспечения носимые устройства будут, как и смартфоны, расширять свою функциональность, открывая тем самым возможности для новых приложений. Как и в случае с интернетом вещей, предполагается, что голос станет основным пользовательским интерфейсом управления носимыми устройствами.





Миниатюрный наушник с искусственным интеллектом, фрагмент из фильма «Она»



Виртуальная реальность. 2016 год будет очень интересным для развития средств VR: релиз очков виртуальной реальности Oculus Rift и HTC Vive (и, возможно, PlayStation VR) означает, что удобные и иммерсивные системы VR наконец станут общедоступными. Разработчикам устройств VR придется хорошенько постараться, чтобы не допустить возникновения у пользователей так называемого эффекта «зловещей долины», при котором чрезмерная правдоподобность робота или другого искусственного объекта вызывает неприязнь у людей-наблюдателей.



Для создания качественных систем VR требуются качественные экраны (с высоким разрешением, высокой частотой обновления и низкой инерционностью), мощные видеокарты и возможность отслеживать точное положение пользователя (предыдущие поколения систем VR могли только отслеживать поворот головы пользователя). В этом году благодаря новым устройствам пользователи впервые смогут испытать на себе полноценный эффект присутствия: все чувства настолько качественно «обманываются», что пользователь ощущает полное погружение в виртуальный мир.





Демонстрация Oculus Rift Toybox



Несомненно, очки VR продолжат развиваться и со временем будут становиться всё доступнее. Разработчикам еще предстоит немало поработать над такими аспектами, как новые инструменты представления генерируемого и/или отснятого контента VR, усовершенствование машинного зрения для отслеживания положения пользователя и получения данных о нем прямо с телефона или очков виртуальной реальности, а также распределенные серверные системы для размещения масштабных виртуальных окружений.





Создание виртуального мира в 3D формате с помощью очков VR



Дополненная реальность. Скорее всего, AR получит развитие только после VR, потому что для полноценного использования дополненной реальности потребуются все возможности виртуальной вместе с дополнительными новыми технологиями. К примеру, для полноценного объединения в одной интерактивной сцене реальных и виртуальных объектов средствам AR потребуются продвинутые технологии машинного зрения с малой задержкой.





Устройство дополненной реальности, фрагмент из фильма «Kingsman: Секретная служба»



Но, скорее всего, эпоха дополненной реальности наступит быстрее, чем вам кажется. Этот деморолик был отснят непосредственно через устройство AR Magic Leap:





Демонстрация Magic Leap: виртуальный персонаж в реальной среде



Этот деморолик был снят непосредственно через устройство Magic Leap 14 октября 2015 года. При его создании не применялись ни спецэффекты, ни композитинг.



Что дальше?



Возможно, циклы в 10–15 лет больше не повторятся, и мобильная эпоха будет последним из них. А может быть, следующая эпоха будет короче, или лишь какой-то один подвид из рассмотренных выше технологий станет впоследствии действительно важным.



Я предпочитаю думать, что мы сейчас находимся в точке пересечения нескольких эпох. «Мирными дивидендами от войны смартфонов» стало стремительное появление новых устройств и разработок в сфере ПО, в особенности искусственного интеллекта, способного сделать эти устройства еще более умными и полезными.



Некоторые исследователи отмечают, что большинство новых устройств пока еще находятся в «пубертатном периоде»: они могут быть несовершенными и в некоторой степени нелепыми, а всё потому, что они еще не перешли в фазу развития. Как и в случае с персональными компьютерами в 70-х, интернетом в 80-х и смартфонами на заре нулевых, мы видим не полную картину, а лишь фрагменты того, во что текущим технологиям предстоит превратиться. Так или иначе, будущее близко: рынки колеблются, мода приходит и уходит, но прогресс, как и прежде, уверенно двигается вперед.

Original source: habrahabr.ru (comments, light).

https://habrahabr.ru/post/303258/

Комментарии (0)КомментироватьВ цитатник или сообщество

Следующие 30  »

<искусственный интеллект - Самое интересное в блогах

Страницы: [1] 2 3 ..
.. 10

LiveInternet.Ru Ссылки: на главную|почта|знакомства|одноклассники|фото|открытки|тесты|чат
О проекте: помощь|контакты|разместить рекламу|версия для pda