Вход

Ако нямате регистрация може да се регистрирате от тук

Регистрация

Въведи кода
21 резултата за обучение
човешки мозък
Mозъчните импланти ще предизвикат следващата голяма революция в изкуствения интелект
Mозъчните импланти ще предизвикат следващата голяма революция в изкуствения интелект
Технологиите вече промениха почти всеки аспект от ежедневието ни и обещават да продължават да го правят в следващите години. Днес имаме достъп до огромно количество информация и използваме иновации, които доскоро не бяха възможни. Представяте ли си бъдеще, в което няма да се налага да запаметявате никакви данни, тъй като ще имаме импланти, които го правят автоматично вместо нас? Това не е концепция от холивудски филм, а реална идея, която ще стане реалност до 20 години.   Това е предположение на един от най-големите специалисти в сферата на изкуствения интелект, който се казва Николас Кайринос и е главен изпълнителен директор на Fountech.ai. Според него са необходими не повече от две десетилетия, за да имаме мозъчни импланти, които за кратък период от време могат да обработят и запомнят огромно количество информация. Подобни иновации  ще направят ученето и помненето на данни напълно излишен процес, съобщава InterestingEngineering.     В своето изявление той определи идеята като заместител на Google, тъй като няма да се налага да търсим каквото и съдържание. Самите резултати ще се възпроизвеждат директно в главата ни. Николас Кайринос също така направи впечатляващата прогноза, че еволюцията на изкуствения интелект в следващите пет години ще надмине постиженията в света на технологиите от последните пет десетилетия. Именно заради това очаква AI софтуера да има все по-голяма роля в ежедневието ни.   Още от Digital: Учени създадоха имплант, който превръща мислите на хора с увреждания в текст
технологии
Какви e разликитa между дълбоко обучение, машинно обучение и изкуствен интелект
Какви e разликитa между дълбоко обучение, машинно обучение и изкуствен интелект
Ако следите технологичните новини, може би ви е направило впечатление, че компаниите често използват  термините дълбокото обучение, машинното обучение и изкуствения интелект взаимозаменяемо.   Но докато и трите технологии имат нещо общо, има и някои съществени различия между тях. От Make Use Of се опитват да набележат разликите между дълбокото обучение, машинното обучение и изкуствения интелект.   Какво е изкуствен интелект? Изкуственият интелект е по-скоро концепция, отколкото система. Интелигентността се възприема като уникална човешка черта. Традиционно се смята, че машините могат да получават знания, но не и интелигентност. Британският учен Алън Тюринг прекарва голяма част от живота си, опитвайки се да разбере дали машините могат да мислят. Той измисля теста на Тюринг, който има за цел да определи дали дадена машина може да прояви интелигентно поведение, без непременно да е интелигентна. Това е важно разграничение, защото ние все още не разбираме напълно мисълта или разума себе си. Учените се надяват да създадат машини, които могат да проявяват интелигентно поведение. Изкуственият интелект не е самата технология, а описание на системите. Тези системи могат да бъдат обозначени като Narrow AI и General AI. Narrow AI е система, която е интелигентна, но само при определена задача. General AI е по-позната за нас система от филмите и романите. Тези видове системи биха могли да покажат всички елементи на човешката интелигентност. Skynet от филма „Терминаторът“, например е типичен пример за General AI.   Какво е машинно обучение? Всички знаем, че данните могат да бъдат много полезни. Независимо дали искате да знаете по кой маршрут да поеме по пътя към офиса или искате да следите здравето си, данните могат да се окажат изключително важни за нас. Но ние генерираме толкова много данни всеки ден, че е станало невъзможно за нас хората да ги анализираме. За това имаме нужда от помощ от машините.   Google определят машинното обучение като "използване на данни за даване на отговори на въпроси". Те го разделят на две части: обучение и прогнози. Представете си, че имате колекция от изображения с фигури, които искате компютъра  да разпознае. Ако изображенията се подават в алгоритъма за машинно обучение, системата започва да разбира характеристиките на всяка форма. Когато срещне ново изображение, формата се сравнява с елементите от данните за обучение, за да се определи дали е съвпадение. Може и да се учудите, но персонализираните резултати от търсенето, списъците с песни в Spotify и препоръките за продукти на Amazon са резултат от машинното обучение. Netflix дори използва алгоритми за машинно обучение, за да персонализира обложката, която се показва.   Какво е дълбоко обучение? Може и да не разбираме напълно интелигентността, но учените са успели да разберат, че мозъкът генерира информация чрез сложна мрежа от неврони. Нашият мозък е съставен от неврони, които се разклоняват и се свързват един с друг. Връзките на тези невронни пътища са като системата на електрическата мрежа. Всеки неврон може да има множество връзки с други неврони. Тези пътища пренасят информация в тялото ни, което ни позволява да се движим, да дишаме и да мислим. Ако всеки един от тези невронни пътища е независим един от друг, реакционното време ще бъде изключително бавно и може да не успеем да свържем мислите си. Успехът на системата е свързан с връзката между всички тези пътища, което води до едновременна обработка на данните.   Дълбокото обучение е метод за възпроизвеждане на тази гъста мрежа от неврони. Чрез работа с няколко потока данни едновременно, компютрите могат да намалят значително времето, необходимо за обработване на данните. Прилагането на тази техника за дълбоко обучение създава изкуствени невронни мрежи.   Тези мрежи се състоят от серия възли. Има входни възли за получаване на данни, изходни възли за получените данни и скрити слоеве на възли в средата. Целта е входните данни да се трансформират в нещо, което могат да използват изходните възли. Това е мястото, където се появяват скритите слоеве. Тъй като данните напредват през тези скрити възли, невронната мрежа използва логиката, за да реши кой възел да предаде данните на следващия.   Дълбоко обучение срещу машинно обучение срещу изкуствен интелект Макар машинното обучение да е мощен инструмент, който ни помага да обхванем и разберем огромното количество данни, които създаваме, то не притежава независима мисъл. Алгоритъмът е създаден от програмистите и те определят правилата, на които системата за машинно обучение трябва да се подчинява. Пропуските на програмистите, независимо дали са съзнателни или не, имат последици.   Един от първите значителни неуспехи за машинното обучение беше уловен от един от инженерите на Google. През 2015 година той забелязал, че алгоритъмът за идентифициране на снимките на компанията го е означил правилно, но неговите чернокожи колеги били обозначени като горили. Google незабавно се извини и коригира бъга. Две години по-късно обаче стана ясно, че бъга бил изчистен едва когато от Google взели решение да премахнат напълно горилите от данните за тренировките на компютрите.   И все пак дълбокото обучение ни приближава с още една стъпка до изкуствения интелект, който познаваме от филмите. Като се опитват да възпроизведат човешкия ум чрез многопластова колекция от възли, структурите на дълбокото обучение не се нуждаят от обучение с голям първоначален набор от данни. Те вземат решения въз основа на предоставената информация и логиката на системата.   Това, че машините могат да вземат самостоятелно решения, може да изглежда доста обезпокоително, но това означава, че успяваме да възпроизведем човешката интелигентност. Все пак, дори ние самите не разбираме напълно как се появяват собствените ни мисли и решения.   В крайна сметка трябва да разбираме, че няма нужда да сравняваме машинното обучение с изкуствения интелект и с дълбокото обучение, тъй като те всички служат на различни цели. Изкуственият интелект описва концепцията за интелигентност на машините, докато машинното и дълбокото обучение представляват усилията за създаване на General AI. И все пак, изкуственият интелект  не е абстрактно понятие. Google се възползва от масивните си бази данни, като добавя изкуствен интелект към почти всички свои продукти. Понастоящем към Gmail бе добавена функция „Smart Replies“ (Интелигентни отговори). А Google не е единствената компания, която инвестира в изкуствения интелект.   Вижте 5 термина свързани с изкуствен интелект, които е добре да знам
АRM
ARM Projcet Trillium е новата платформа с изкуствен интелект за смартфони на компанията
ARM Projcet Trillium е новата платформа с изкуствен интелект за смартфони на компанията
ARM представиха официално новата си платформа Project Thrillium, която е създадена с идеята да ускори навлизането на усъвършенствани технологии с изкуствен интелект в пазара на смартфони. Всъщност под това име се крие комбинация от хардуерни и софтуерни компоненти, оптимизирани специално за машинно обучение и невронни мрежи. Project Thrillium съчетава нова серия процесори и сензори, както и специализиран софтуер, който ще подобри възможностите на мобилните устройства, информира Engadget.   Инженерите на ARM са създали процесор, който извършва сложни изчисления с машинно обучение и позволява на смартфоните да се учат да изпълняват определени задачи без да са програмирани за това. Project Thrillium е платформа, състояща се от два хардуерни компонента. Първият от тях е процесора ARM ML, който  е не само по-бърз, но консумира по-малко енергия от традиционните CPU и GPU чипове. ARM ML също така осигурява между два и четири пъти по-висока производителност.     ARM OD е фокусиран изцяло върху откриване и засичане на обекти и може да следи "практически неограничен" брой субекти в реално време при 1080p резолюция и скорост от 60 кадъра в секунда. Приложенията му са свързани с разпознаване на лица, жестове и други движения. Новата платформа се възполва от предимствата на софтуера АRM NN, чиято цел е да упрвалява невронни мрежи и инструменти като Google TensorFlow. Очаква се Project Thrillium да е достъпна за производителите до края на 2018г.   Вижте защо процесорите за смартфони вече използват изкуствен интелект
машинно обучение
Технологиите ще накарат хората и машините да бъдат съпричастни един към друг
Технологиите ще накарат хората и машините да бъдат съпричастни един към друг
Eволюцията на технологиите позволява да използваме все по-модерни и ефективни методи за решаване на най-големите проблеми на човечеството. Благодарение на иновациите в последните години се наслаждаваме на голям напредък в разнообразни сфери като възобновяема енергия, медицина, образования, превенция на природни бедствия и др. Все още е доста сложно технологиите да играят важна роля в разпознаването на човешките емоции при дирeктна комуникация, заради сложния характер на подобни процеси.   Софтуер с изкуствен интелект би могъл много по-лесно да изчисли сложен математически проблем, отколкото да разпознае дали даден човек изпитва удовлетворение или друга силна емоция. Oсновната причина за ситуацията е, че решаването на нормални житейски проблеми изисква наличието на съпричастност. Ние сме емоционално същества, особено когато трябва да направим избор или друго заключение. Машините и компютърните програми не биха се справили успешно с подобна ситуация, предаде VentureBeat.   Екип от международни учени вече провеждат серия от експерименти, с които да обучат дадена машина да разбира даден език и да може "да чете между редовете" на думите. Специалистите са намерили как за първи път да позволят на компютър не само да разбира смисъла, но и да вниква в контекста и да разбира какво се е опитвал да каже събеседника им. Един ден подобни методи биха подобрили възможностите на софтуера, но и да позволят машините и хората да бъдат съпричастни един към друг и да съжителстват заедно.   Вижте защо човечеството трудно ще намери друга обитаема планета
смарт джаджи
Могат ли преносимите устройства да предвиждат бъдещи събития
Могат ли преносимите устройства да предвиждат бъдещи събития
Смартфоните изместиха компютрите като най-използвано устройство в ежедневието на все повече потребители. Огромната им популярност доведе до създаването на ново поколение смарт джаджи като умни часовници и фитнес тракери. Тази концепция намира най-ярко приложение в платформата Интернет на нещата, която свързва всичките електрически уреди и устройства в домовете ни в една огромна мрежа. Следващата стъпка е смарт джаджите да използват алгоритми с машинно обучение.   Учени от University of South California разработват софтуер, който може да анализира не само показатели на тялото като сърдечен ритъм, пулс, температура, нива на стрес, но и да прогнозира човешкото поведение. Програмата им използва биометрични и биологични данни, за да разбира емоционалното състояние на базата на интензитета и вибрациите на гласа ни при разговор. Крайната цел е машинното обучение да позволи предвиждането на предстоящи събития минути преди те да са се случили.     Досегашните тестове поставят софтуера в реални ситуации, в които се опитва да предвиди възникването на конфликт. Ако смарт джаджите ни информират предварително за определени показатели, на които не обръщаме внимание биха могли да влияят положително на настроението, нивата на стрес и поведението. Може би не е чак толкова далече времето, в което джаджите ни ще могат да влияят на емоциите на своите собственици.   Вижте как нанотехнологиите ще доведат до създаването на прозрачни преносими устройства
Интернет
5 нови начина да се образовате по история в Интернет
5 нови начина да се образовате по история в Интернет
Ако искате да разберете някое място от нашата планета или човек от друга нация, трябва много добре да познавате световната история. Историята е доста скучен предмет в училище особено ако не се преподава правилно и от хора които не обичат професията си. Историята обаче бързо може да се превърне във ваш любим предмет стига да се ползвате от информацията на makeuseof. Предлагаме ви тези 5 нови начина да се образовате по история в Интернет.   1. The 25 Biggest Turning Points in Earth's History Нашата планета съществува от 4,5 милиарда години. На този сайт ще намерите интересна информация, разделена на 25 части. Всяка част засяга голям етапи от историята на Земята. Може да научите кога са се появили бозайниците както и много други интересни факти.   2. Chronas  Ето едно друго забавно място в интернет - chronas.org/history, където научаването на нови неща е изключително лесно. Wikipedia разполага с много исторически данни, но ще се съгласите че четенето на една гола информация е скучна работа. Chronas идва да ни спаси от скуката. Сайтът извлича данни от  Wikipedia и ги поставя върху световната карта. Целта на създателя на Chronas е била да се предостави начин за по-добро възприемане и разбиране на световната история.    3. Научете историята чрез графики Сайтът flowofhistory.com е идеален за тези, които имат логичен ум. Тук историята е представнена чрез графики, много по-нагледно и подредено.   4. Интензивен видео курс по История на света Образователните видеоклипове в YouTube са в изобилие, не липсват и такива които ни информират за световната история. Джон Грийн има свой канал, чрез който в 42 епизода ще ви преведе през един интензивен курс по история на света. От зората на цивилизацията до появата на великите империи тази поредица обхваща всички важни теми.   5. Слушайте историята като приказка Историята най-добре се запомня когато се слуша като завладяващ разказ, а TheMemoryPalace е мястото където може да направте това.   Вижте 5 Android приложения за научаване на жестомимичен език
Google
Нова технология с машинно обучение на Google ще намалява трафика на мобилен интернет
Нова технология с машинно обучение на Google ще намалява трафика на мобилен интернет
Всяко изображение, което правим и споделяме в социалните мрежи си има собствена история и заслужава да бъде видяно в максималната възможна резолюция. Точно това е идеята на новия проект на инженери на Google, които създадоха нова технология, използваща машинно обучение. Нейното име е Rapid and Accurate Image Super Resolution (RAISR). Основната функция на технологията е да използва софтуерни алгоритми, за да показва High Quality версии на снимките, заснети с ниска разделителна способност.   Oсновната разлика между Google RAISR и другите подобни методи в индустрията е, че не само добавя пиксели към снимката, но и я обработва, за да гарантира по-ярки и наситени цветове, съобщава PhoneArena. Системата на Google е "обучена" с показването на две снимки, които имат ниска и висока резолюция. Програмата след това открива филтрите, които селективно се прилагат към всеки пиксел, за да възпроизведе всеки един детайл на изображението с ниска резолюция и да осигури почти идентично качество с това на оригинала.   RAISR вече се използва от Google+ приложението за Android и резултатите показват, че технологията намалява потреблението на интернет при отваряне на всяка снимка с впечатляващите 75%. От компанията уточниха, че системата използва само 1/4 от пикселите на оригиналната снимка, които след това увеличава и така възпроизвежда същото качество. В момента RAISR се прилага в над 1 млрд. изображения на седмица и редуцира мобилния трафик на потребителите със средно около 30%.    Вижте три полезни трика за намаляване на месечното потребление на мобилен интернет
машинно обучение
Kaк машинното обучение ще направи хората по-добри мениджъри
Kaк машинното обучение ще направи хората по-добри мениджъри
Машинното обучение е иновация, която вече предизвика голям интерес от страна на технологични гиганти като Google, Microsoft и Amazon. Данните на анализаторите показват, че през тази година 200-те най-големи компании, разработващи изкуствен интелект са получили инвестиции в размер на почти $1.5 млрд., за да създават подобен софтуер. От своя страна това е шесткратно увеличение, в сравнение със същата стойност преди пет години. В следващите години компаниите ще продължат да инвестират още повече в тази технология.    Технологиите за изкуствен интелект имат голям потенциал в сферата на човешките ресурси, подбора на служители и управлението на хора, информира VentureBeat. Проучванията показват, че над 55% от компаниите изпитват проблеми с използването на машинно обучение за тази цел. Toзи софтуер има няколко предимства свързани с възможността по-бързо да анализира и преценява качествата на на кандидатите, както и да осигури по-добра обратна връзка между тях и бизнеса. Използването на машинно обучение може да направи хората по-добри мениждъри.   Основната причина за това е, че технологията премахва всякакви пристрастия и предразсъдъци свързани с начина, по който работи даден човек. Машинното обучение би позволило тяхната оценка да е базирана изцяло на постиженията в работния процес. Дори и най-добрите мениджъри имат предпочитания към дадени служители, което прави оценката им субективна. Не бива да забравяме и факта, че подобен софтуер може да обработва много по-голямо количество информация за осезаемо по-кратко време. Въпрос на време е технологията да започне да намира все по-силно приложение в сферата на човешките ресурси.    Вижте как чат ботовете ще помогнат на бизнеса да наема правилните служители
Мона Лиза
Ето как машинното обучение може да вдъхне живот на стари картини или снимки
Ето как машинното обучение може да вдъхне живот на стари картини или снимки
Международен екип от изследователи разработиха система, която използва машинно обучение и предлага една уникална функционалност. Учените разработват алгоритми, с които да пресъздадат реалистично движение само от един кадър на лицето на даден човек. Този проект може да намери разнообразни приложения, но отваря разнообразни възможности за анимиране не само на снимки, но също и на цели картини. Системата използва комбинация от различни алгоритми, за да постигне този ефект.   Разработката на виртуално копие на истинското лице става, чрез добавянето на уникалните черти и с имитиране на движенията, които прави оригиналния обект. В момента има различни варианти да го направите, но повечето от тях изискват огромно количествo информация и твърде бавно успяват да ренднат съдържанието. Новата система предлага ефективно решение на този проблем и е доста по-прецизна във визуализирането на лицата от конкурентните предложения, съобщава TechCrunch.     Експериментите показват, че е необходима само една снимка, за да генерират видео клип на даденото лице. Системата също така придава максимално реалистично излъчване на виртуалния образ. По този начин например може да се добавят физиономии, които придават различни емоции. Колкото повече информация обработи системата, толкова по-добър ще е крайния резултат, но е възможно целия ефект да се постигне и с една снимка. Учените ще продължат да експериментират с тази иновативна система.   Още от Digital: Откриха скрита картина в един от шедьоврите на Пабло Пикасо
изкуствен интелект
Каква е разликата между изкуствен интелект и машинно обучение
Каква е разликата между изкуствен интелект и машинно обучение
Изкуствената интелигентност и машинното обучение са термини, които много често се споменават през последните няколко години в технологичната индустрия, но какво точно означават те? Всеки, който е поне малко запознат с научно-фантастичните визии, вероятно има представа за изкуствения интелект.   Двата термина често се смесват и неправилно се използват взаимозаменяемо, особено от маркетинговите отдели, които искат да продадат нещо на по-висока цена от реалната му. Всъщност изкуствената интелигентност и машинното обучение са много различни неща, с много различни последици за това какво могат да правят компютрите и как те взаимодействат с нас пишат от   Всичко започва с невронните мрежи Машинното обучение е компютърната парадигма, която води до растежа на "големите данни" и изкуствения интелект. То се основава на развитието на невронни мрежи и дълбокото обучение. Обикновено това се описано като имитация на начина, по който хората се учат, но това е малко погрешно определение. Машинното обучение всъщност се отнася до статистически анализ и итеративно обучение.   Вместо да се изгражда традиционна програма, състояща се от логически твърдения и дървета за вземане на решения (ако…, то…), невронната мрежа е изградена специално за обучение и учене посредством паралелна мрежа от неврони, всяка от които е създадена за конкретна цел. Естеството на всяка конкретна невронна мрежа може да бъде много сложно, но ключът към начина, по който те функционират, е чрез прилагане на тежести (или важни фактори) на някакъв атрибут на входа. Използвайки мрежи от различни тежести и слоеве, възможно е да се получи вероятност или оценка, че вашият вход съвпада с един или повече от определените изходи.   Проблемът с този тип изчисления, както и редовното програмиране, е зависимостта му от начина, по който човешкият програмист го задава. Пренастройването на всички тези тежести, за да прецизирате точността на изхода, може да отнеме прекалено много часове усилена работа, за да бъде осъществимо. Невронната мрежа преминава в областта на машинното обучение, след като се въведе коригираща обратна връзка.   Машинно обучение Чрез мониторинг на изхода, сравнявайки го с входа и постепенно променяйки теглото на невроните, мрежата може да се обучи за подобряване на точността. Важната част тук е, че алгоритъмът за машинно обучение е способен да се учи и действа без програмисти, като уточнява всяка възможност в рамките на набор от данни. Не е необходимо предварително да дефинирате всички възможни начини. Обучението на мрежата може да се извърши по много различни начини, но всички са свързани с груба сила – сортират се много големи количества данни за много кратко време.   Веднъж обучен, алгоритъмът за машинно обучение е в състояние да сортира чисто нови входове през мрежата с голяма скорост и точност в реално време. Това го прави основна технология за компютърно виждане, гласово разпознаване, езикова обработка, както и научноизследователски проекти. Невронните мрежи понастоящем са най-популярният начин да се направи Deep Learning, но съществуват и други начини за постигане на машинно обучение.   Изкуствен интелект Изкуственият интелект е машина, която може да изпълнява задачи, характерни за човешката интелигентност, като учене, планиране и вземане на решения. Изкуственият интелект може да бъде разделен на две основни групи - приложен и  общ. Приложният изкуствен интелект е много по-възможен в момента. Той е проектирана да изпълнява конкретни задачи. Това може да бъде търговия с акции, управление на трафика в един град или помага за диагностициране на пациентите. Задачата или областта на разузнаването е ограничена, но все още има възможности за приложно учене за подобряване ефективността на изкуствения интелект.   Общият изкуствен интелект, както подсказва и името, е с по-широк обхват и е по-способен. Той може да се справи с по-широк кръг от задачи, да разбере почти всички данни и следователно може да мисли по-добре, точно като хората. Общият AI теоретично би могъл да се научи извън оригиналния набор от знания, което потенциално би довело до невероятен ръста на неговите способности.   Машинното обучение, като част от една по-сложна система, е от съществено значение за постигането на софтуер и машини, способни да изпълняват задачи, характерни за и сравними с човешката интелигентност.   Настояще и бъдеще Вече има приложения  за машинно обучение и изкуствен интелект. Все още сме далеч от общ AI, но ако сте използвали Google Assistant или Amazon Alexa, вече сте взаимодействали с форма на приложен AI. Машинното обучение, използвано за езикова обработка, е един от ключовите фактори за съвременните интелигентни устройства, макар че те със сигурност не са достатъчно интелигентни, за да отговорят на всичките ви въпроси.   Интелигентните домове са друг пример за използване на изкуствен интелект. Машинното обучение се използваше известно време в областта на големите данни и тези случаи на употреба все повече навлизат в територията на AI. Google го използва за своите инструменти за търсене. Facebook го използва за рекламна оптимизация. Вашата банка вероятно го използва за предотвратяване на измами.   Има голяма разлика между машинното обучение и изкуствения интелект, макар че първото е много важен компонент на второто. Със сигурност в бъдеще все повече ще чуваме да се споменават тези два термина, и това може би ще помогне на хората по-добре да ги разберат.   Вижте защо процесорите за смартфони вече използват изкуствен интелект
Facebook
Facebook ще отворят дигитални центрове за обучение в Европа
Facebook ще отворят дигитални центрове за обучение в Европа
Facebook потвърдиха официално, че ще инвестират в създаването на мащабна мрежа от дигитални центрове за обучение в държавите от ЕС. Компанията си е поставила амбициозната цел през следващите две години да обогати познанията в IT технологиите и социалните мрежи на повече от един милиона души. Facebook също така ще предложат работни позиции на хората, които отчетат най-добри резултати на онлайн курсовете, информира Reuters.   Първите три центъра за обучение ще бъдат изградени на територията на Испания, Полша и Италия. Предвидена е инвестиция в размер на €10 млн. във Франция, която ще дойде от дивизията за изкуствен интелект на компанията в страната. Въпросните хъбове за обучение ще предложат разнообразни програми за развитие на дигитални умения, медийна грамотност и онлайн сигурност. Facebook ще предложат обучение както на млади, така и на по-възрастни потребители.   От компанията изразиха увереност за тясно сътрудничество с представителите на бизнеса и ще обучат над 1 млн. техни служители до края на десетилетието. Информацията за този проект на Facebook се появява в разгара на антитръстови дела на ЕС срещу компанията свързани с укриване на данъци и нелоялни бизнес практики. През следващите 12 месеца ще бъдат тренирани над 100 хил. представители на местния бизнес, както и на над 250 хил. служители онлайн.   Вижте как да настроим Facebook да не ни проследява
Google
Google разработват софтуер, който подобрява качеството на снимките още преди да ги направим
Google разработват софтуер, който подобрява качеството на снимките още преди да ги направим
Камерите са едни от компонентите на смартфоните, които са обект на най-много иновации от страна на производителите през последните години. Компаниите експериментират с различни идеи като оптична стабилизация на изображенията, системи с лазерен автофокус и включването на два сензора в задната част. Google също така експериментират с използването на софтуерни алгоритми и машинно обучение, за да подобрят качеството на снимките, които правим. Компанията си партнира с учени от MIT в интересен нов проект, информира TheVerge.   Идеята им е заедно да създадат алгоритъм, който може да редактира и променя снимките в реално време още преди да са ги заснели, а единствено са отворили камера приложението. Въпросният софтуер сам ще коригира яркостта, наситеността на цветовете, автофокуса и може да предложи различни специални ефекти, в зависимост от ситуацията. Първоначалните тестове на Google и MIT показват, че невронните мрежи могат да се тренират до степен идентична на професионален фотограф.   Огромното предимство на софтуера им е, че е достатъчно ефективен, но и малък като размер да работи на смартфон без да дава бъгове или да изисква допълнителни аксесоари. Програмата не е по-голяма от една нормална снимка, но може бързо да обработва и добавя различни стилове към кадрите. Невронните мрежи могат да се обучават, което означава, че с течението на времето ще стават още по-добри и прецизни. Предстои да видим дали новите смартфони Pixel няма да са първите устройства, които се възползват от този софтуер.    Вижте как нова технология с машинно обучение на Google ще намалява трафика на мобилен интернет
Gmail
Gmail вече ще блокира фишинг и спам съобщенията, благодарение на изкуствен интелект
Gmail вече ще блокира фишинг и спам съобщенията, благодарение на изкуствен интелект
Google представиха нов голям ъпдейт на своята имейл услуга, който ще подобрява допълнително работата на потребителите. Основният акцент в актуализацията е блокирането на фишинг атаките. В момента това е най-разпространения метод за компрометиране на лична информация като пароли, имена на акаунти, номера на кредитни карти и др. За да се справи по-ефективно с този проблем Gmail вече ще използва алгоритми с машинно обучение, съобщава PhoneArena.   Благодарение на този софтуер Gmail ще е в състояние бързо да разпознава фишинг съобщенията и да предупреждава потребителите. Още по-впечатляващото е, че според Google с машинното обучение могат да защитят профилите ни в 99.9% от случаите. По същият начин Gmail ще се бори и с досадните спам съобщения. Новата функция ще показва съобщения, с които предупреждава за потенциално опасно съдържание.   Освен това Gmail ще може дали подателят на даден имейл е съществуващ контакт или някой, когото не е част от списъка ви с приятели. Ако е потребител, с когото общувате по-често няма да виждате постоянно предупредителните съобщения на услугата. Google потвърдиха, че са започнали разпространението на ъпдейта, което означа, че до броени дни ще е достъпен за всички потребители на Gmail.   Вижте седем полезни неща в Gmail, които ще подобрят работата ви        
Google
Процесорите с машинно обучение на Google ще са 30 пъти по-бързи от останалите на пазара
Процесорите с машинно обучение на Google ще са 30 пъти по-бързи от останалите на пазара
Теnsor Processing Unit (TPU) е първият компютърен чип на Google, който използва алгоритми с машинно обучение. Последните резултати от бенчмарк тестове показват, че процесора предлага впечатляващо предимство в производителността, спрямо другите конкурентни продукти. TPU отчита с между 15 и 30 пъти по-висока скорост, в сравнение с NVIDIA Tesla K80 и сървър процесор от Intel Haswell платформата. Първият чип с машинно обучение на Google консумира и с до 80 пъти по-малко енергия.    Бъдещите версии на TPU могат да бъдат още по-мощни, тъй като настоящият модел е произведен с 28-нанометрова технология. Aко Google преминат към по-усъвършeнстван 14-нанометров процес това би могло да удвои скоростта, предаде Tomshardare. Създателите на TPU уточниха, че за тях е най-важна не максималната производителност, а съотношението между цена и скорост. Разработването на новия процесор е отнело около 15 месеца. За същият период от време Google смятат, че могат да увеличат скоростта с допълнителни 50%.   Тези данни показват по най-добър начин как използването на машинното обучение може да подобри значително скоростта на процесорите, които използваме. Първите резултати на TPU са доста оптимистични и Google вече работят върху следващото поколение на иновативния си чип.  Все пак ще са необходими няколко години, за да може тази технология да е достатъчно добра и да се превърне в част от реални устройства на пазара.   Вижте как нова технология с машинно обучение ще намалява трафика на мобилния интернет
машинно обучение
Как машинното обучение ще сложи край на кражбата на логота на компаниите
Как машинното обучение ще сложи край на кражбата на логота на компаниите
Водещите технологични компании продължават да инвестират сериозно в разработването на усъвършенствани алгоритми с машинно обучение, които да подобрят работата на техните приложения и услуги. Австралийски стартъп с името TradeMark Vision намери много интересно приложение на тази технология. Нейните софтуерни инженери са създали уникална програма, която може да идентифицира и сравнява логота на различни брандове. Благодарение на него компанията получи финансиране от различни фондове в ЕС и Австралия.    Основната цел на този проект е да се сложи край на възможността друг бранд да открадне и използва дадена търговска марка или лого, предаде Mashable. За целта TrademarkVision използва усъвършенстван софтуер с машинно обучение, който е в състояние да анализира въпросните символи и да следи за прилики между тях. Програмата им е в състояние да разпознава обектите, които присъстват на самите логота и да ги превежда като думи. Именно така те осигуряват защита срещу евентуална кражба на даден символ.   От компанията вече разработват алгоритми, които могат да мисля като хора, за да обработват информацията за различните логота. По този начин софтуерът е в състояние да разпознава обекти, които имат еднаква форма и размер, но всъщност са различни. За в бъдеще компанията смята да генерира приходи, като лицензира технологията си за използване от други организации и брандове в индустрията. Техният проект е поредното потвърждение за възможностите и ползата от машинното обучение.   Вижте как машинното обучение ще направи хората по-добри мениджъри
Google Translate
Google Translate вече използва невронни мрежи, за да прави по-добри преводи
Google Translate вече използва невронни мрежи, за да прави по-добри преводи
Google Translate е много полезна услуга, която може бързо да превежда текстовe на над 100 различни езика. Компанията потвърди, че вече са започнали да използват невронни мрежи и софтуер с машинно обучение в Google Translate, за да я направят по-прецизна. В момента този метод подобрява преводите на услугата на девет езика: английски, испански, португалски, френски, немски, турски, китайски, японски и корейски. Желанието на Google е в следващите месеци този софтуер да се използва и за всички останали езици.    Лично шефът на Google Translate дивизията, Барак Туровски потвърди, че 35% от всички заявки на потребителите се обработват от невронни мрежи, информира VentureBeat. В следващите месеци се очаква тази технология да се използва за всички преводи в популярната услуга. Новата система на компанията е базирана на специални "Custom-built tensor processing units" (TPU) процесори. Благодарение на тях Google Translate може да работи три пъти по-бързо, в сравнение с конвенционалните процесори.    Според официалните данни над 500 млн. потребители използват услугата всеки месец. Google вече са започнали да обучават своите невронни мрежи да извършват едновременно преводи на няколко различни езика. По всичко личи, че подобни софтуерни решения ще имат все по-важно значение за начина, по който работи услугата. Крайният резултат за нас потребителите е по-бърза скорост на работа, по-прецизни и добри преводи в Google Translate.   Вижте как Google Translate вече може да превежда текстове на 103 различни езика