Хабрахабр искусственный интеллект: Всё, что вам нужно знать об ИИ

Содержание

Всё, что вам нужно знать об ИИ — за несколько минут / Хабр

Приветствую читателей Хабра. Вашему вниманию предлагается перевод статьи «Everything you need to know about AI — in under 8 minutes.». Содержание направлено на людей, не знакомых со сферой ИИ и желающих получить о ней общее представление, чтобы затем, возможно, углубиться в какую-либо конкретную его отрасль.

Знать понемногу обо всё иногда (по крайней мере, для новичков, пытающихся сориентироваться в популярных технических направлениях) бывает полезнее, чем знать много о чём-то одном.

Многие люди думают, что немного знакомы с ИИ. Но эта область настолько молода и растёт так быстро, что прорывы совершаются чуть ли не каждый день. В этой научной области предстоит открыть настолько многое, что специалисты из других областей могут быстро влиться в исследования ИИ и достичь значимых результатов.

Эта статья — как раз для них. Я поставил себе целью создать короткий справочный материал, который позволит технически образованным людям быстро разобраться с терминологией и средствами, используемыми для разработки ИИ. Я надеюсь, что этот материал окажется полезным большинству интересующихся ИИ людей, не являющихся специалистами в этой области.

Введение

Искусственный интеллект (ИИ), машинное обучение и нейронные сети — термины, используемые для описания мощных технологий, базирующихся на машинном обучении, способных решить множество задач из реального мира.

В то время, как размышление, принятие решений и т.п. сравнительно со способностями человеческого мозга у машин далеки от идеала (не идеальны они, разумеется, и у людей), в недавнее время было сделано несколько важных открытий в области технологий ИИ и связанных с ними алгоритмов. Важную роль играет увеличивающееся количество доступных для обучения ИИ больших выборок разнообразных данных.

Область ИИ пересекается со многими другими областями, включая математику, статистику, теорию вероятностей, физику, обработку сигналов, машинное обучение, компьютерное зрение, психологию, лингвистику и науку о мозге. Вопросы, связанные с социальной ответственностью и этикой создания ИИ притягивают интересующихся людей, занимающихся философией.

Мотивация развития технологий ИИ состоит в том, что задачи, зависящие от множества переменных факторов, требуют очень сложных решений, которые трудны к пониманию и сложно алгоритмизируются вручную.

Растут надежды корпораций, исследователей и обычных людей на машинное обучение для получения решений задач, не требующих от человека описания конкретных алгоритмов. Много внимания уделяется подходу «чёрного ящика». Программирование алгоритмов, используемых для моделирования и решения задач, связанных с большими объёмами данных, занимает у разработчиков очень много времени. Даже когда нам удаётся написать код, обрабатывающий большое количество разнообразных данных, он зачастую получается очень громоздким, трудноподдерживаемым и тяжело тестируемым (из-за необходимости даже для тестов использовать большое количество данных).

Современные технологии машинного обучения и ИИ вкупе с правильно подобранными и подготовленными «тренировочными» данными для систем могут позволить нам научить компьютеры «программировать» за нас.

Обзор

Интеллект — способность воспринимать информацию и сохранять её в качестве знания для построения адаптивного поведения в среде или контексте

Это определение интеллекта из (англоязычной) Википедии может быть применено как к органическому мозгу, так и к машине. Наличие интеллекта не предполагает наличие сознания. Это — распространённое заблуждение, принесённое в мир писателями научной фантастики.

Попробуйте поискать в интернете примеры ИИ — и вы наверняка получите хотя бы одну ссылку на IBM Watson, использующий алгоритм машинного обучения, ставший знаменитым после победы на телевикторине под названием «Jeopardy» в 2011 г. С тех пор алгоритм претерпел некоторые изменения и был использован в качестве шаблона для множества различных коммерческих приложений. Apple, Amazon и Google активно работают над созданием аналогичных систем в наших домах и карманах.

Обработка естественного языка и распознавание речи стали первыми примерами коммерческого использования машинного обучения. Вслед за ними появились задачи другие задачи автоматизации распознавания (текст, аудио, изображения, видео, лица и т.д.). Круг приложений этих технологий постоянно растёт и включает в себя беспилотные средства передвижения, медицинскую диагностику, компьютерные игры, поисковые движки, спам-фильтры, борьбу с преступностью, маркетинг, управление роботами, компьютерное зрение, перевозки, распознавание музыки и многое другое.

ИИ настолько плотно вошёл в современные используемые нами технологии, что многие даже не думают о нём как об «ИИ», то есть, не отделяют его от обычных компьютерных технологий. Спросите любого прохожего, есть ли искусственный интеллект в его смартфоне, и он, вероятно, ответит: «Нет». Но алгоритмы ИИ находятся повсюду: от предугадывания введённого текста до автоматического фокуса камеры. Многие считают, что ИИ должен появиться в будущем. Но он появился некоторое время назад и уже находится здесь.

Термин «ИИ» является довольно обобщённым. В фокусе большинства исследований сейчас находится более узкое поле нейронных сетей и глубокого обучения.

Как работает наш мозг

Человеческий мозг представляет собой сложный углеродный компьютер, выполняющий, по приблизительным оценкам, миллиард миллиардов операций в секунду (1000 петафлопс), потребляющий при этом 20 Ватт энергии. Китайский суперкомпьютер под названием «Tianhe-2» (самый быстрый в мире на момент написания статьи) выполняет 33860 триллионов операций в секунду (33.86 петафлопс) и потребляющий при этом 17600000 Ватт (17.6 Мегаватт). Нам предстоит проделать определённое количество работы перед тем, как наши кремниевые компьютеры смогут сравниться со сформировавшимися в результате эволюции углеродными.

Точное описание механизма, применяемого нашим мозгом для того, чтобы «думать» является предметом дискуссий и дальнейших исследований (лично мне нравится теория о том, что работа мозга связана с квантовыми эффектами, но это — тема для отдельной статьи). Однако, механизм работы частей мозга обычно моделируется с помощью концепции нейронов и нейронных сетей. Предполагается, что мозг содержит примерно 100 миллиардов нейронов.

Нейроны взаимодействуют друг с другом с помощью специальных каналов, позволяющих им обмениваться информацией. Сигналы отдельных нейронов взвешиваются и комбинируются друг с другом перед тем, как активировать другие нейроны. Эта обработка передаваемых сообщений, комбинирование и активация других нейронов повторяется в различных слоях мозга. Учитывая то, что в нашем мозгу находится 100 миллиардов нейронов, совокупность взвешенных комбинаций этих сигналов устроена довольно сложно. И это ещё мягко сказано.

Но на этом всё не заканчивается. Каждый нейрон применяет функцию, или преобразование, к взвешенным входным сигналам перед тем, как проверить, достигнут ли порог его активации. Преобразование входного сигнала может быть линейным или нелинейным.

Изначально входные сигналы приходят из разнообразных источников: наших органов чувств, средств внутреннего отслеживания функционирования организма (уровня кислорода в крови, содержимого желудка и т. д.) и других. Один нейрон может получать сотни тысяч входных сигналов перед принятием решения о том, как следует реагировать.

Мышление (или обработка информации) и полученные в результате его инструкции, передаваемые нашим мышцам и другим органам являются результатом преобразования и передачи входных сигналов между нейронами из различных слоёв нейронной сети. Но нейронные сети в мозгу могут меняться и обновляться, включая изменения алгоритма взвешивания сигналов, передаваемых между нейронами. Это связано с обучением и накоплением опыта.

Эта модель человеческого мозга использовалась в качестве шаблона для воспроизведения возможностей мозга в компьютерной симуляции — искуственной нейронной сети.

Искусственные Нейронные Сети (ИНС)

Искусственные Нейронные Сети — это математические модели, созданные по аналогии с биологическими нейронными сетями. ИНС способны моделировать и обрабатывать нелинейные отношения между входными и выходными сигналами. Адаптивное взвешивание сигналов между искусственными нейронами достигается благодаря обучающемуся алгоритму, считывающему наблюдаемые данные и пытающемуся улучшить результаты их обработки.

Для улучшения работы ИНС применяются различные техники оптимизации. Оптимизация считается успешной, если ИНС может решать поставленную задачу за время, не превышающее установленные рамки (временные рамки, разумеется, варьируются от задачи к задаче).

ИНС моделируется с использованием нескольких слоёв нейронов. Структура этих слоёв называется архитектурой модели. Нейроны представляют собой отдельные вычислительные единицы, способные получать входные данные и применять к ним некоторую математическую функцию для определения того, стоит ли передавать эти данные дальше.

В простой трёхслойной модели первый слой является слоем ввода, за ним следует скрытый слой, а за ним — слой вывода. Каждый слой содержит не менее одного нейрона.

С усложнением структуры модели посредством увеличения количества слоёв и нейронов возрастают потенциал решения задач ИНС. Однако, если модель оказывается слишком «большой» для заданной задачи, её бывает невозможно оптимизировать до нужного уровня. Это явление называется переобучением (overfitting).

Архитектура, настройка и выбор алгоритмов обработки данных являются основными составляющими построения ИНС. Все эти компоненты определяют производительность и эффективность работы модели.

Модели часто характеризуются так называемой функцией активации. Она используется для преобразования взвешенных входных данных нейрона в его выходные данные (если нейрон решает передавать данные дальше, это называется его активацией). Существует множество различных преобразований, которые могут быть использованы в качестве функций активации.

ИНС являются мощным средством решения задач. Однако, хотя математическая модель небольшого количества нейронов довольно проста, модель нейронной сети при увеличении количества составляющих её частей становится довольно запутанно. Из-за этого использование ИНС иногда называют подходом «чёрного ящика». Выбор ИНС для решения задачи должен быть тщательно обдуманным, так как во многих случаях полученное итоговое решение нельзя будет разобрать на части и проанализировать, почему оно стало именно таким.

Глубокое обучение

Термин глубокое обучение используется для описания нейронных сетей и используемых в них алгоритмах, принимающих «сырые» данные (из которых требуется извлечь некоторую полезную информацию). Эти данные обрабатываются, проходя через слои нейросети, для получения нужных выходных данных.

Обучение без учителя (unsupervised learning) — область, в которой методики глубокого обучения отлично себя показывают. Правильно настроенная ИНС способна автоматически определить основные черты входных данных (будь то текст, изображения или другие данные) и получить полезный результат их обработки. Без глубокого обучения поиск важной информации зачастую ложится на плечи программиста, разрабатывающего систему их обработки. Модель глубокого обучения же самостоятельно способна найти способ обработки данных, позволяющий извлекать из них полезную информацию. Когда система проходит обучение (то есть, находит тот самый способ извлекать из входных данных полезную информацию), требования к вычислительной мощности, памяти и энергии для поддержания работы модели сокращаются.

Проще говоря, алгоритмы обучения позволяют с помощью специально подготовленных данных «натренировать» программу выполнять конкретную задачу.

Глубокое обучение применяется для решения широкого круга задач и считается одной из инновационных ИИ-технологий. Существуют также другие виды обучения, такие как обучение с учителем (supervised learning) и обучение с частичным привлечением учителя(semi-supervised learning), которые отличаются введением дополнительного контроля человека за промежуточными результатами обучения нейронной сети обработке данных (помогающего определить, в правильном ли направлении движется система).

Теневое обучение (shadow learning) — термин, используемый для описания упрощённой формы глубокого обучения, при которой поиск ключевых особенностей данных предваряется их обработкой человеком и внесением в систему специфических для сферы, к которой относятся эти данные, сведений. Такие модели бывают более «прозрачными» (в смысле получения результатов) и высокопроизводительными за счёт увеличения времени, вложенного в проектирование системы.

Заключение

ИИ является мощным средством обработки данных и может находить решения сложных задач быстрее, чем традиционные алгоритмы, написанные программистами. ИНС и методики глубокого обучения могут помочь решить ряд разнообразных проблем. Минус состоит в том, что самые оптимизированные модели часто работают как «чёрные ящики», не давая возможности изучить причины выбора ими того или иного решения. Этот факт может привести к этическим проблемам, связанным с прозрачностью информации.

Материалы — Singularis lab

Компьютерное зрение и робототехника

Машинное обучение и искусственный интеллект

Дополненная и виртуальная реальность

Бизнес разработка

Высокопроизводительные вычисления

Шаповалов, О.В. (2018, Апрель). Применение ROS в промышленном приложении. Доклад был представлен на первом IT Meetup волгоградского сообщества iT-34, Волгоград, Россия.

Брианцони П., Якубчик Я., Крыжановский, Д.И., Катаев, А.В.(2018, Март). Дроны и искусственный интеллект. Доклад был представлен в интеллектуальному клубе Rotary International, Бормио, Италия.

Трансляция h364 видео без перекодирования и задержки. Статья в блоге Singularis Lab на Хабрахабр.

Никляев, И.Ю., Катаев, А.В.(2017, Август). Навигация и локализация. Доклад был представлен в онлайн-режиме в рамках Летней интернатуры Intel 2017.

Катаев, А.В.(2016, Октябрь). Распознавание маркеров дополненной реальности в реальных условиях. Доклад был представлен на CEE-SECR’16, Москва, Россия.

Никляев, И.Ю. (2016, Октябрь) Быстрое прототипирование системы управления БПЛА. (pptx pdf) Доклад был представлен на CEE-SECR’16, Москва, Россия.

Курс лекций на VII Всероссийской молодёжной школе по робототехнике, искусственному интеллекту и инженерному творчеству «Робошкола+»

Данный курс лекций читался сотрудниками нашей компании в рамках учебного курса «Компьютерное зрение и машинное обучение» наVII Всероссийской молодёжной школе по робототехнике, искусственному интеллекту и инженерному творчеству «Робошкола+» 19-24 ноября 2018 г.

Катаев, А.В. (2018, Ноябрь). Введение в компьютерное зрение и библиотеку OpenCV. . Доклад был представлен на Робошколе 2018, Волгоград, Россия.

Лекции, представленные на VIII Летней школе МФТИ — Иннополис

Данный курс лекций читался сотрудниками нашей компании на VIII Летней школе МФТИ — Университет Иннополис высокопроизводительных вычислений в области компьютерного зрения 15-21 августа 2016 г.

День 1

Катаев, А.В., Алексеев, А.В. (2016, Август). Введение в компьютерное зрение. (pdf)

Катаев, А.В., Алексеев, А.В. (2016, Август). Базовые алгоритмы обработки изображений. (pdf)

Катаев, А.В., Алексеев, А.В. (2016, Август). Введение в компьютерное зрение. Практика. (pdf)

День 2

Катаев, А.В., Алексеев, А.В. (2016, Август). Фильтрация изображений. (pdf)

Катаев, А.В., Алексеев, А.В. (2016, Август). Методы поиска объектов. (pdf)

Катаев, А.В., Алексеев, А.В. (2016, Август). Базовые алгоритмы обработки изображений. Практика. (pdf) Исходные материалы. (zip)

День 3

Катаев, А.В., Алексеев, А.В. (2016, Август). Машинное обучение в компьютерном зрении. Сверточные нейронные сети. (pdf)

Катаев, А.В., Алексеев, А.В. (2016, Август). TensorFlow MNIST example. (pdf)

Катаев, А.В., Алексеев, А.В. (2016, Август). Машинное обучение в OpenCV. Практика. (pdf) Исходные материалы. (zip)

День 4

Агафонов В.Ю. (2016, Август). Введение в SLAM. (pdf)

Катаев, А.В., Алексеев, А.В. (2016, Август). Работа с 3D. (pdf)

Катаев, А.В., Алексеев, А.В. (2016, Август). Исходные материалы. (zip)

День 5

Катаев, А.В., Алексеев, А.В. (2016, Август). Подготовка к хакатону. Практика (pdf)

Дополнительные материалы

Катаев, А.В., Алексеев, А.В. (2016, Август). Android + OpenCV. Основные понятия. (pdf) Исходные материалы. (zip)

Vision-based SLAM: tutorial. Статья в блоге Singularis Lab на Хабрахабр.

Навигация квадрокоптера с использованием монокулярного зрения. Статья в блоге Singularis Lab на Хабрахабр.

Пользовательские жесты, Kinect + Unity. Часть 2. Статья в блоге Singularis Lab на Хабрахабр.

Пользовательские жесты, Kinect + Unity. Часть 1. Статья в блоге Singularis Lab на Хабрахабр.

Robo code game challenge. Статья в блоге Singularis Lab на Хабрахабр.

Курс лекций «Компьютерное зрение и машинное обучение»

Данный курс лекций читался сотрудниками нашей компании в рамках учебного курса «Компьютерное зрение и машинное обучение» на VI Всероссийской молодёжной школе по робототехнике, встраиваемым системам и компьютерному зрению 9-13 ноября 2015 г.

Катаев, А.В., Алексеев, А.В. (2015, Ноябрь). Введение в компьютерное зрение. (pptx pdf) Доклад был представлен на Робошколе 2015, Волгоград, Россия.

Алексеев, А.В., Катаев, А.В. (2015, Ноябрь). Обработка изображений. Доклад был представлен на Робошколе 2015, Волгоград, Россия.

Филимонов, А.В. (2015, Ноябрь). Машинное обучение. Доклад был представлен на Робошколе 2015, Волгоград, Россия.

Курс лекций «Робототехника и искусственный интеллект»

Данный курс лекций читался сотрудниками нашей компании в рамках учебного курса «Робототехника и искусственный интеллект» на VI Всероссийской молодёжной школе по робототехнике, встраиваемым системам и компьютерному зрению 9-13 ноября 2015 г.

Крыжановский, A.И. (2015, Ноябрь) Поговорим о ROS. (7z pdf) Доклад был представлен на Робошколе 2015, Волгоград, Россия.

Никляев, И.Ю. (2015, Ноябрь) Фильтрация сенсорных данных. (pptx pdf) Доклад был представлен на Робошколе 2015, Волгоград, Россия.

Никляев, И.Ю. (2015, Ноябрь). Навигация и локализация. Доклад был представлен на Робошколе 2015, Волгоград, Россия.

Алексеев, А.В., Катаев, А.В. (2015, Октябрь). Опыт разработки приложения под Intel® RealSense^TM для анимации 3D-моделей (аватаров) на основе мимики пользователя. Доклад был представлен на SECR’15, Москва, Россия.

Катаев, А.В., Алексеев, А.В. (2015, Октябрь). Разработка приложений компьютерного зрения и дополненной реальности – в наше время это стало просто. (ppsx pdf) Доклад был представлен на SECR’15, Москва, Россия.

Никляев, И.Ю., Крыжановский, A.И., Бородинов, Л.Ю (2015, Октябрь) Реализация алгоритмов навигации БПЛА с использованием ROS. (ppsx pdf) Доклад был представлен на SECR’15, Москва, Россия.

Большой адронный коллайдер и Одноклассники. Статья в блоге Singularis Lab на Хабрахабр.

Глубокое обучение для идентификации картин. Статья в блоге Singularis Lab на Хабрахабр.

Алексеев, А.В. (2018, Май). Ready to use классификатор изображений. Доклад был представлен на втором IT Meetup волгоградского сообщества iT-34, Волгоград, Россия.

Филимонов, А.В. (2018, Апрель). Применение нейронных сетей для сегментации изображения. Доклад был представлен на первом IT Meetup волгоградского сообщества iT-34, Волгоград, Россия.

Исправление опечаток, взгляд сбоку. Статья в блоге Singularis Lab на Хабрахабр.

Бородинов, Л.Ю, Катаев, А.В., Алексеев, А.В.(2018, Март). Технологии виртуальной и дополненной реальности. Доклад был представлен в Школе интеллектуального досуга, Волгоград, Россия.

Агафонов Г.В. (2018, Ноябрь). Опыт использования мобильной платформы Google Firebase. Доклад был представлен в офисе компании Singularis Lab, Волгоград, Россия.

Крыжановский, A.И. (2018, Май). Опыт использования Octopus. Доклад был представлен на втором IT Meetup волгоградского сообщества iT-34, Волгоград, Россия.

Никляев, И.Ю. (2018, Апрель). Опыт использования Elasticsearch. Доклад был представлен на первом IT Meetup волгоградского сообщества iT-34, Волгоград, Россия.

Осинцев, Д.С. (2018, Апрель). Подружим Angular и Redux. Доклад был представлен на первом IT Meetup волгоградского сообщества iT-34, Волгоград, Россия.

Пыхтин П.C. (2016, Октябрь). Переписать нельзя рефакторить. Доклад был представлен на CEE-SECR’16, Москва, Россия.

Шаповалов В.В. (2019, июль). Опыт работы с MobX. Доклад был представлен в офисе компании Singularis Lab, Волгоград, Россия.

Крыжановский А.И. (2019, июль). Опыт работы с библиотекой Polly. Доклад был представлен в офисе компании Singularis Lab, Волгоград, Россия.

Курс лекций по разработке приложений под .NET

Данный курс был разработан сотрудниками нашей компании для студентов и стажёров. Читался в рамках пилотных лекций весной 2015 года.

Пыхтин, П.С. (2015, Май). Code review. (ppsx pdf) Доклад был представлен на открытой лекции в Singularis Lab, Волгоград, Россия.

Крыжановский, A.И. (2015, Май). Проблемы в .NET (ppsx pdf) Доклад был представлен на открытой лекции в Singularis Lab, Волгоград, Россия.

Шаповалов, В.В (2015, Май). Веб сервисы WCF. Доклад был представлен на открытой лекции в Singularis Lab, Волгоград, Россия.

Крыжановский, A.И. (2015, Апрель). Параллелизм в .NET (ppsx pdf) Доклад был представлен на открытой лекции в Singularis Lab, Волгоград, Россия.

Шаповалов, В.В (2015, Апрель). N-звенная архитектура инверсий зависимостей. Доклад был представлен на открытой лекции в Singularis Lab, Волгоград, Россия.

Пыхтин, П.С. (2015, Апрель). ORM.NHibernate. Доклад был представлен на открытой лекции в Singularis Lab, Волгоград, Россия.

Пыхтин, П.С. (2015, Апрель). ASP.Net MVC. Доклад был представлен на открытой лекции в Singularis Lab, Волгоград, Россия.

Усачева, Н.К. (2015, Апрель). Принципы SOLID. TDD. Доклад был представлен на открытой лекции в Singularis Lab, Волгоград, Россия.

Усачева, Н.К. (2015, Март). Знакомство с платформой .Net. Доклад был представлен на открытой лекции в Singularis Lab, Волгоград, Россия.

Крыжановский, A.И., Пыхтин, П.С. (2015, Март). Вводная лекция. Доклад был представлен на открытой лекции в Singularis Lab, Волгоград, Россия.

Векторизация кода преобразования координат в пространстве на Intel® Xeon Phi™ с помощью низкоуровневых инструкций. Статья в блоге Singularis Lab на Хабрахабр.

Курс лекций «Основы программирования на сопроцессоре Intel®Xeon Phi

^TM«

Данный курс лекций читался сотрудниками нашей компании в рамках учебного курса «Основы программирования на сопроцессоре Intel®Xeon Phi^TM» на Летней Суперкомпьютерной Академии с 27 июня по 2 июля 2016 г.

Гетманский, В.В. (2016, Июнь). Optimizations for 3-Dimensional Finite Difference (3DFD) . Доклад был представлен на Летней Суперкомпьютерной Академии 2016, Москва, Россия.

Сергеев, Е.С. (2016, Июнь). Improving performance of the N-Body problem. Доклад был представлен на Летней Суперкомпьютерной Академии 2016, Москва, Россия.

Сергеев, Е.С. (2016, Июнь). OpenMP examples. Доклад был представлен на Летней Суперкомпьютерной Академии 2016, Москва, Россия.

Гетманский, В.В. (2016, Июнь). Низкоуровневая оптимизация кода для Intel®Xeon Phi^TM. Доклад был представлен на Летней Суперкомпьютерной Академии 2016, Москва, Россия.

Гетманский, В.В. (2016, Июнь). Introduction to MPI. Доклад был представлен на Летней Суперкомпьютерной Академии 2016, Москва, Россия.

Сергеев, Е.С., Гетманский, В.В. (2016, Июнь). Programming coprocessor Intel®Xeon Phi^TM: from simple to complex^TM. Доклад был представлен на Летней Суперкомпьютерной Академии 2016, Москва, Россия.

Сергеев, Е.С. (2016, Июнь). Architecture overview. Доклад был представлен на Летней Суперкомпьютерной Академии 2016, Москва, Россия.

Серия практических занятий «Программирование на Intel®Xeon Phi™: от простого к сложному»

Данный курс читался сотрудниками нашей компании в рамках международной конференции IXPUG/RU 9-10 июня 2016 г.

Катаев, А.В. (2016, Июнь). Convolutional Neural Network Исходный код. Доклад был представлен на международной конференции IXPUG/RU, Санкт-Петербург, Россия.

Гетманский, В.В. (2016, Июнь). 3-Dimensional Finite Difference (3DFD) MPI Code. Доклад был представлен на международной конференции IXPUG/RU, Санкт-Петербург, Россия.

Гетманский, В.В. (2016, Июнь). Optimizations for 3-Dimensional Finite Difference (3DFD). Доклад был представлен на международной конференции IXPUG/RU, Санкт-Петербург, Россия.

Сергеев, Е.С. (2016, Июнь). Improving Performance of the N-Body problem. Доклад был представлен на международной конференции IXPUG/RU, Санкт-Петербург, Россия.

Сергеев, Е.С. (2016, Июнь). Programming coprocessor Intel® Xeon Phi™:from simple to complex course. Доклад был представлен на международной конференции IXPUG/RU, Санкт-Петербург, Россия.

Распараллеливание алгоритма Штрассена на Intel®Xeon Phi^TM. Статья в блоге Singularis Lab на Хабрахабр.

Гетманский, В.В., Чалышев, В.C., Крыжановский, Д.И., Лексиков Е.И. (2015, Июль). Оптимизация отображения ранга к узлу для MPI программ на больших кластерах. Доклад был представлен на международной суперкомпьютерной конференции ISC High Performance 2015, Франкфурт, Германия.

Курс лекций «Параллельное программирование с использованием инструментов Intel»

Данный курс лекций читался сотрудниками нашей компании в рамках учебного курса «Параллельное программирование с использованием инструментов Intel» на Летней Суперкомпьютерной Академии 23-26 июня 2015 г.

Гетманский, В.В., Шаповалов, О.В., Сергеев, Е.С., Крыжановский Д.И. (2015, Июнь). Векторизация кода для Intel®Xeon Phi^TM с помощью функций-интринсиков. Доклад был представлен на Летней Суперкомпьютерной Академии 2015, Москва, Россия.

Гетманский, В.В., Шаповалов, О.В., Сергеев, Е.С., Крыжановский Д.И. (2015, Июнь). Профилирование энергопотребления высокопроизводительного MPI-приложения. Доклад был представлен на Летней Суперкомпьютерной Академии 2015, Москва, Россия.

Гетманский, В.В., Шаповалов, О.В., Сергеев, Е.С., Крыжановский Д.И. (2015, Июнь). Оптимизация отображения ранга к узлу для MPI программ на больших кластерах. Доклад был представлен на Летней Суперкомпьютерной Академии 2015, Москва, Россия.

Шаповалов, О.В., Сергеев, Е.С., Гетманский, В.В., Крыжановский Д.И. (2015, Июнь). Применение параллельных вычислений в контексте конечно-элементного анализа задач геомагнитного зондирования. Доклад был представлен на Летней Суперкомпьютерной Академии 2015, Москва, Россия.

Шаповалов, О.В., Сергеев, Е.С., Гетманский, В.В., Крыжановский Д.И. (2015, Июнь). Вопрос распараллеливания в разработке ядра геометрического моделирования. Доклад был представлен на Летней Суперкомпьютерной Академии 2015, Москва, Россия.

Шаповалов, О.В., Сергеев, Е.С., Гетманский, В.В., Крыжановский Д.И. (2015, Июнь). Применение гибридного OpenMP/GPGPU подхода для ускорения вычислений 3D поля скорости по сейсмическим данным. Доклад был представлен на Летней Суперкомпьютерной Академии 2015, Москва, Россия.

Шаповалов, О.В., Сергеев, Е.С., Гетманский, В.В., Крыжановский Д.И. (2015, Июнь). Алгоритм Штрассена. Расширенная оптимизация под Intel® Xeon Phi^TM. Доклад был представлен на Летней Суперкомпьютерной Академии 2015, Москва, Россия.

Сергеев, Е.С., Шаповалов, О.В., Гетманский, В.В., Крыжановский Д.И. (2015, Июнь). Сопроцессор Intel®Xeon Phi^TM. Инструкции для выполнения лабораторных работ. Версия C++. Доклад был представлен на Летней Суперкомпьютерной Академии 2015, Москва, Россия.

Сергеев, Е.С., Шаповалов, О.В., Гетманский, В.В., Крыжановский Д.И. (2015, Июнь). Intel®MPI на Intel®Xeon Phi^TM — Инструкции для выполнения лабораторных работ. Доклад был представлен на Летней Суперкомпьютерной Академии 2015, Москва, Россия.

Сергеев, Е.С., Шаповалов, О.В., Гетманский, В.В., Крыжановский Д.И. (2015, Июнь). Распределение вычислительной нагрузки в гетерогенных вычислительных сетях Доклад был представлен на Летней Суперкомпьютерной Академии 2015, Москва, Россия.

Шаповалов, О.В., Гетманский, В.В., Крыжановский Д.И., Сергеев, Е.С. (2015, Март). Алгоритм Штрассена. Расширенная оптимизация под Intel®Xeon Phi^TM. Доклад был представлен на ПАВТ’15, Екатеринбург, Россия.

Гетманский, В.В., Чалышев, В.C., Крыжановский, Д.И., Лексиков Е.И. (2015, Март). Оптимизация отображения неоднородно взаимодействующих MPI процессов на вычислительную архитектуру. Статья была представлена на ПАВТ’15, Екатеринбург, Россия.

Сергеев, Е.С., Шаповалов, О.В., Чалышев, В.С., Крыжановский, Д.И. (2015, Март). Реализация алгоритма Штрассена на Intel®Xeon Phi^TM. Статья была представлена на ПАВТ’15, Екатеринбург, Россия.

Брак, заключенный на небесах / Хабр

Ожидается, что к 2025 году мировой рынок искусственного интеллекта достигнет 190 миллиардов долларов. Светлое будущее этой технологии манит каждого предпринимателя. На самом деле, когда мы думаем о технологиях, которые будут править в будущем, единственное имя, которое приходит нам на ум, — искусственный интеллект.

ИИ вместе с его подмножествами, такими как машинное обучение и глубокое обучение, делает возможными вещи, которые человечество не могло себе представить несколько лет назад. Он влияет на реальность, а иногда и полностью меняет реальность.

Сила искусственного интеллекта хорошо известна предприятиям, поскольку 84% респондентов в исследовании проголосовали за то, что, по их мнению, искусственный интеллект позволит им получить конкурентное преимущество над конкурентами .

Хотя у предпринимателей есть представление об ИИ, большинству из них не хватает надлежащей реализации. Использование оптимальных инструментов программирования для такой сложной технологии, как ИИ, может творить чудеса в мире бизнеса.

Каждый веб-разработчик знает, что Python — это подходящий инструмент для создания приложений с поддержкой ИИ. Язык был использовался для создания 126 424 веб-сайтов . С момента своего запуска в конце 1980-х Python продемонстрировал значительный рост не только пользователей, но и приложений.

Python — любимый язык разработчиков программного обеспечения для создания приложений со встроенными функциями искусственного интеллекта, машинного обучения и т. д. Но всему есть причины.

Этот блог написан с намерением раскрыть эти причины. Давайте рассмотрим, почему Python широко используется в службах разработки программного обеспечения с поддержкой ИИ.

Python для ИИ — идеальный партнер, вот основные причины:

Библиотеки — это заранее написанные коды в модуле или группе модулей, которые позволяют разработчикам Python выполнять определенные функции. В Python есть такие библиотеки, которые поддерживают разработку искусственного интеллекта.

Итак, разработчикам становится удобно писать коды для этих технологий. Некоторые из этих библиотек:

Scipy: Эта библиотека используется для расширенных вычислений
Scikit-learn: Эту библиотеку можно использовать для обработки алгоритмов машинного обучения, таких как регрессия, классификация, кластеризация и т. д.
Keras: Эту библиотеку можно использовать при разработке глубокого обучения, поскольку она позволяет быстро создавать прототипы и проводить расчеты.
Pybrain: Эта библиотека используется при разработке машинного обучения, а также для обучения без учителя, нейронных сетей и обучения с подкреплением.
TensorFlow: Это еще одна библиотека, которая используется для глубокого обучения с использованием нейронных сетей с большими наборами данных.

Эти библиотеки делают язык Python лучшим для написания кода для AI и ML. Разработчики Python получают эти простые в использовании и простые в реализации библиотеки, которые обеспечивают удобство создания приложений ИИ.

Python для ИИ #2: Гибкий язык

Python — чрезвычайно гибкий язык, который дает вам возможность выбирать между ООП и сценариями . Это самое большое преимущество для разработчиков программного обеспечения, которые борются с алгоритмами, потому что для Python они могут использовать IDE для проверки большинства кодов.

Кроме того, разработчики Python имеют возможность выбирать или комбинировать различные стили программирования . Некоторыми из этих стилей являются объектно-ориентированный стиль, функциональный стиль, императивный стиль, процедурный стиль и т. д.

Это позволяет разработчикам наслаждаться удобной средой, в которой ситуации находятся под их контролем. Помимо этого, гибкость также снижает риск ошибок и ошибок.

Python для ИИ №3: простота внедрения

Python уже давно переживает устойчивый рост. Вот график StackOverflow, который показывает график роста основных языков программирования. Python можно рассматривать как самый быстрорастущий инструмент программирования.

Это потому, что Python несложно изучить или использовать. Барьер начального уровня довольно низок () для этого языка, что позволяет специалистам по данным самим писать код для ИИ. Это избавляет от необходимости тратить время на изучение этого языка.

Разработка ИИ, а также услуги машинного обучения имеют сложные системы, которые упрощаются с помощью Python, поскольку его синтаксис чрезвычайно прост . Общие сложные задачи становятся проще благодаря простому синтаксису Python, который в основном сравнивается с английским языком.

Python для ИИ №4: без ограничений платформы

Помимо гибкости, Python также универсален. Это означает, что коды Python могут работать на различных платформах с большими усилиями. Веб-разработчикам нужно лишь внести незначительные изменения в коды, чтобы запустить их на разных платформах.

Платформы, включая Linux, Windows, macOS, Unix и многие другие. Коды могут быть выполнены на любой платформе с очень небольшой модификацией. Это делает процесс простым и экономит время.

Python для ИИ #5: обширное сообщество

Чем больше сообщество, тем больше поддержки получат разработчики. В языке с открытым исходным кодом много новичков, но что отличает его от других, так это его поддержка профессиональными разработчиками. Следовательно, новичкам легко решить свои вопросы.

Согласно веб-сайту переполнения стека, который используют миллионы профессиональных разработчиков, Python входит в число самых любимых языков программирования в 2019 году. . Вот график, изображающий то же самое:

Огромное количество пользователей предоставляет множество руководств по созданию программного обеспечения без ошибок. Это создает надежную веб-разработку с использованием Python, поскольку вероятность застревания между написанием кода очень мала. Безграничная поддержка сообщества обеспечивает безупречную и плавную разработку Python.

Заключение:

Несомненно, Python — это сильная опора для разработки приложений, созданных с помощью технологии искусственного интеллекта. Этот язык обладает функциями для создания динамичных, сложных и конкурентоспособных приложений с поддержкой ИИ.

Совершенно очевидно, что Python — лучший инструмент программирования для разработки ваших приложений с поддержкой ИИ . Для получения дополнительной помощи вы можете проконсультироваться с компанией-разработчиком Python, которая предложит вам в соответствии с вашими индивидуальными потребностями.

Если у вас есть что добавить об этой идеальной комбинации Python и ИИ, вы можете поделиться с нами в разделе комментариев ниже. Я считаю, что знания увеличиваются, когда ими делятся. Приятного чтения и размышлений!

AR и VR — Дополненная реальность и виртуальная реальность / Хабр

Дополненная реальность и виртуальная реальность

Статьи

Авторы

Компании

Показать первым

Лимит рейтинга

Александрволчек
000Z» title=»2022-07-12, 15:43″> 12 июля в 15:43

Децентрализованные сети *Машинное обучение *Искусственный интеллект Социальные сети и сообщества AR и VR

Александр Волчек, ИТ-предприниматель, генеральный директор образовательной платформы GeekBrains

Почти все в ИТ-сообществе говорят о метавселенных, NFT, блокчейне и криптовалюте. На этот раз мы обсудим метавселенные и вернемся ко всему остальному в последующих письмах. Предприниматели и основатели технологических гигантов увлечены этой идеей, а инвесторы выделяют миллионы долларов на проекты, связанные с метавселенными. Начнем с основ.

Подробнее

Всего голосов 2: ↑1 и ↓1 0

Просмотров

826

Комментарии
0

UWA4d
11 марта в 06:41

Разработка игр *Тестирование игр *Дизайн игр *AR и VR Игры и игровые приставки остановился. Соответствующие технические обсуждения в основном касались двух новых функций: технологии глобального освещения Lumen и технологии сверхвысокой детализации модели Nanite. Было несколько статей [1] [2], в которых более подробно анализировалась технология нанитов. Эта статья в основном начинается с анализа RenderDoc и исходного кода UE5 в сочетании с некоторыми существующими техническими данными и направлена на предоставление интуитивного и общего понимания Nanite, а также разъяснение принципов его алгоритма и идей дизайна, не затрагивая слишком много деталей реализации на уровне исходного кода. .

https://blog.en.uwa4d.com/2022/02

Рейтинг 0

Просмотров

Комментарии
0

UWA4d
8 марта в 06:18

Разработка игр *Тестирование игр *Дизайн игр *AR и VR Игры и игровые приставки вклад косвенного диффузного отражения. Он также включает непрямое диффузное отражение и непрямой свет, обеспечивая новый набор полного непрямого освещения. Lumen поддерживает как аппаратные RTX, так и программные алгоритмы Trace. Отправной точкой этой статьи является то, что Lumen GI использует процесс, алгоритм и анализ структуры данных части косвенного диффузного отражения на основе программного обеспечения Trace, чтобы понять основной принцип и механизм работы Lumen с точки зрения макроэкономики.

Ядро Lumen состоит из следующих частей:

Подробнее https://blog.en.uwa4d.com/2022/0

Рейтинг 0

Просмотров

1.5K

Комментарии
0

UWA4d
3 марта в 10:30

Разработка игр *Тестирование игр *Дизайн игр *AR и VR Игры и игровые приставки

Песочница

Сегодня мы поделимся некоторыми знаниями, связанными с утечкой памяти ресурсов. Утечка памяти — это наиболее распространенная проблема, которую мы постоянно наблюдаем и которую также боимся. В чем причина этого? Поскольку мы не можем предсказать степень утечки до того, как обнаружим узкое место утечки, мы не знали, произойдет ли она в определенный момент на линии. Мы получили отзывы от разработчиков о том, что у их игроков не было проблем с игрой в течение получаса, но они все больше и больше застревали после 3-4 часов игры, чего они никогда раньше не ожидали. Как это решить? Сегодняшняя публикация ответит на эти вопросы.

В отчете GOT Online-Assets UWA есть диаграмма тренда занятости ресурсов. Если есть восходящая тенденция, как показано ниже, вы должны обратить особое внимание.

Подробнее читайте в блоге dot en dot uwa4d dot com

Всего голосов 1: ↑0 и ↓1 -1

Просмотров

1.9K

Комментарии
0

Алексей Рыбаков
000Z» title=»2021-12-23, 18:02″> 23 декабря 2021 в 18:02

Сбер корпоративный блог Разработка для AR и VR *AR и VR

Привет! Я Алексей Рыбаков, Product Owner в Sber ARVR Lab.

И прежде чем рассказать вам, чего мы достигли, позвольте мне объяснить смысл заголовка этой статьи. Или, более того, объясните слово «метавселенная». Этот термин хорошо описал Марк Цукербург: «Метавселенная — это реализованный Интернет, где вместо того, чтобы смотреть в Интернет, вы находитесь внутри него». Типа параллельная вселенная, в которую можно попасть самому с помощью AR/VR-гаджетов или через 3D-аватар.

Другими словами, метавселенная является одновременно и виртуальным пространством, и способом взаимодействия с его объектами без общего средства «экран + клавиатура/мышь/сенсор».

И да, метавселенные здесь. Но чтобы попасть в него, вам понадобится несколько вещей. Во-первых, нужно знать, где искать. Об этом мы поговорим позже, когда будем описывать любопытный случай в Москве. Во-вторых, нужна технология, которая поможет соединить виртуальный мир с реальным. Мы поговорим и об этом.

Теперь позвольте представить: VPS.

Подробнее

Всего голосов 2: ↑2 и ↓0 +2

Просмотров

742

Комментарии
0

Елин
7 августа 2021 в 11:07

AR и VR Медицинские гаджеты Лайфхаки для гиков

Режим восстановления

Перевод

Назад к списку
Введение

Я долго думал, стоит ли мне писать такие истории из жизни новаторов. Ведь раскрывая суть незавершенного проекта, можно потерять саму основу проекта, его изюминку и даже его ноу-хау. Более того, это уже случилось со мной в одном из моих проектов 10-летней давности. Я не буду приводить пример этой ситуации, об этом уже говорилось в другой статье. История на этом сайте: intersofteurasia. ru/novosti/605/606.html.

Однако, учитывая, что современный прогресс не остановить и что рано или поздно какие-то любопытные умы докопаются до технического решения чего-то подобного, я решил немного приоткрыть завесу тайной жизни одного новатор.

Следует отметить, что этот незавершенный проект с условным названием АЭЛИТА представляет собой нечто среднее между биомедициной, электроникой, психологией и многим другим, так что реализовать его не так-то просто. Ведь для таких проектов нужны увлеченные люди, работающие в разных, порой диаметрально противоположных областях науки и техники, но междисциплинарный подход способен дать удивительные результаты, если такие проекты будут реализованы.

Подробнее →

Рейтинг 0

Просмотров

622

Комментарии
2

NIX_Solutions
29 Октябрь 2020 в 09:58

Корпоративный блог NIX Разработка мобильных приложений *Фототехника AR и VR

VuzeCamera — первая потребительская 360° 3D камера и новая двойная камера, которая дает любому возможность создавать и делиться захватывающий опыт в 360 ° или VR180 ° (3D) фото и видео.

Это устройство регулярно входит в топ подборок лучших камер, его хвалят многочисленные обзоры, а пару лет назад камера Vuze отправилась на Международную космическую станцию, чтобы снять первый в мире 3D VR фильм, снятый в космосе.

Всего голосов 3: ↑3 и ↓0 +3

Просмотров

705

Комментарии
0

ШифаМартин
12 марта 2020 г. в 13:49

Информационная безопасность *Разработка мобильных приложений *Разработка для Android *Разработка для IOT *AR и VR

Android всегда был в центре внимания, когда речь шла о разработке мобильных приложений. Доля рынка ОС Android для смартфонов в настоящее время колеблется в районе 85%. Кроме того, ожидается, что объемы вырастут со среднегодовым темпом роста в 2,4 % за пять лет, а в 2022 году объем поставок приблизится к 1,41 миллиарда штук9. 0003

Источник: Google Images

Но прежде чем вы решитесь исследовать и оседлать волны изменений или нанять разработчика приложений для Android для разработки приложения, важно понять тенденции и их влияние на экосистему разработки приложений для Android.

Подробнее →

Рейтинг 0

Просмотров

7.9K

Комментарии
2

Саша_Паттерсон
14 февраля 2020 в 23:34

Программирование *Разработка мобильных приложений *Разработка для Интернета вещей *Разработка для AR и VR *AR и VR

Песочница

С развитием технологий изучаются и внедряются новые способы сделать преподавание и обучение более продуктивными. Это вывело индустрию электронного обучения на новый уровень. Ожидается, что к 2025 году выручка мирового рынка электронного обучения достигнет 300 миллиардов долларов .

Подробнее →

Всего голосов 1: ↑0 и ↓1 -1

Просмотров

Комментарии
0

Райан0852
23 декабря 2019 в 10:56

Разработка мобильных приложений *Управление электронной коммерцией *Разработка для AR и VR *Искусственный интеллект AR и VR

2020, а также стать основой будущих технологических инноваций в области электронной коммерции. Помимо мира электронной коммерции, ориентированного на продажи и доходы, технологические тенденции электронной коммерции 2020 года дадут возможность создавать новые программные решения, мобильные приложения и услуги, которые приведут к созданию более богатого и приятного опыта покупок.

Подробнее →

Рейтинг 0

Просмотров

1.1K

Комментарии
0

Патриция Нил
000Z» title=»2019-11-25, 08:58″> 25 ноября 2019 г., 08:58

Python *Машинное обучение *Программное обеспечение Искусственный интеллект AR и VR

Ожидается, что к 2025 году мировой рынок искусственного интеллекта достигнет 190 миллиардов долларов. Светлое будущее этой технологии привлекает каждого предпринимателя. На самом деле, когда мы думаем о технологиях, которые будут править в будущем, единственное имя, которое приходит нам на ум, — искусственный интеллект.

ИИ вместе с его подмножествами, такими как машинное обучение и глубокое обучение, делает возможными вещи, которые человечество не могло вообразить несколько лет назад. Он влияет на реальность, а иногда и полностью меняет реальность.

Сила искусственного интеллекта хорошо известна предприятиям, поскольку 84% респондентов в исследовании проголосовали за то, что они верят, что искусственный интеллект позволит им получить конкурентное преимущество над конкурентами .

Каждый веб-разработчик знает, что Python — это подходящий инструмент для создания приложений с поддержкой ИИ. На данный момент язык использовался для создания 126 424 веб-сайтов . С момента своего запуска в конце 1980-х Python продемонстрировал значительный рост не только пользователей, но и приложений.

Подробнее →

Рейтинг 0

Просмотров

5. 6K

Комментарии
0

msgeek
27 июня 2019 в 10:00

Корпоративный блог Microsoft Разработка для AR и VR *AR и VR

Airbus понадобилось 40 лет, чтобы построить свои первые 10 000 самолетов. В течение следующих 20 лет аэрокосмический гигант намерен построить еще 20 000 единиц – это сложная задача, для решения которой потребуются передовые инновации.

Голографическая технология от Microsoft, известная как «смешанная реальность», поскольку она сочетает в себе физический и цифровой миры, станет ключом к тому, чтобы помочь Airbus достичь этой амбициозной цели.

Подробнее →

Всего голосов 4: ↑4 и ↓0 +4

Просмотров

891

Комментарии
0

мелиссакрукс
000Z» title=»2019-05-10, 12:34″> 10 мая 2019 г., 12:34

AR и VR

Создатели приложений, стремящиеся добиться большего успеха, часто обращаются к областям, которые еще предстоит изучить. Дополненная реальность и виртуальная реальность открывают перед разработчиками приложений совершенно новые миры. Например, ряд разработчиков приложений уже ориентируются в этом отношении на NBA.

НБА зарекомендовала себя как прогрессивная лига с технологической точки зрения. Команды уже участвуют в соревновательных играх, поскольку многие франшизы создали свои собственные киберспортивные команды. Теперь лига сотрудничает с разработчиками приложений, чтобы узнать больше о том, как они могут использовать дополненную и виртуальную реальность в своих интересах.

Подробнее →

Всего голосов 11: ↑11 и ↓0 +11

Просмотров

1.1K

Комментарии
0

сахсАГУ
000Z» title=»2019-02-25, 15:10″> 25 февраля 2019 в 15:10

Корпоративный блог Microsoft Конференции Разработка для AR и VR *Гаджеты AR и VR

Сегодня на пресс-мероприятии, посвященном началу выставки мобильных технологий MWC 2019 в Барселоне, мы представили миру HoloLens 2.

Подробнее читайте ниже.

Подробнее →

Всего голосов 19: ↑18 и ↓1 +17

Просмотров

1.7K

Комментарии
0

арттом
15 января 2019 в 16:05

Разработка игр *Машинное обучение *Геймдизайн *AR и VR Интервью

Перевод

Несколько лет назад у меня было ощущение, что Олег Чумаков (тогда работавший в игровой студии Nival) был самый известный программист в индустрии разработки игр. Он выступал с речами, вел Gamesjams и часто появлялся в подкасте «Как делаются игры».

Когда виртуальная реальность вышла на рынок, Олега выбрали руководителем нового подразделения компании — NivalVR. Но, как вы, наверное, знаете, виртуальная реальность не стала настолько популярной, как ожидалось.

Я как бы переключился на другие дела в жизни и на какое-то время перестал следить за разработкой игр, но когда снова занялся этим, я заметил, что дела у команды Олега налаживаются. Теперь он называется Luden.io и является их экспертным симулятором машинного обучения, а True:learn() стал огромным хитом в своей, по общему признанию, небольшой нише. Вокруг игры и команды происходит множество крутых историй.

Мы решили взять интервью у Олега, но я не смогла остановиться на одной теме — его жизнь до этого момента была, за неимением лучшего слова, «интересной». Он все это видел. А, для того, чтобы программист мог говорить о программировании, не опасаясь показаться слишком «занудным», интервью провел мой друг, коллега и опытный разработчик собственного fillpackart.