Новости искусственный интеллект: Искусственный интеллект — последние новости сегодня

Новости Искусственного Интеллекта | New-Science.ru

Искусственный интеллект в сельском хозяйстве: для чего это нужно и сможет ли он заменить фермера

У искусственного интеллекта в российском АПК большие перспективы: его всячески поддерживают как бизнес, так и государство. Евгений Левченко, data scientist и математик Syncretis, рассказал ComNews о том, как применяется искусственный интеллект в АПК.

Зачем нужен ИИ в АПК?

Не секрет, что сельское хозяйство во многих странах — не самая высокомаржинальная сфера деятельности, поэтому любая возможность сэкономить ресурсы и увеличить прибыльность агропромышленного предприятия — важная часть для выживания и увеличения его маржинальности. Агропромышленные комплексы стремятся повысить урожайность и снизить затраты на содержаний угодий, и технологии искусственного интеллекта помогают успешно справляться с этой задачей. В первую очередь, в системах точного земледелия: это современный и технологичный подход к ведению сельскохозяйственного производства. Он помогает сэкономить на ресурсах и не применять избыточные ресурсы там, где применять их не нужно. Спектр задач для ИИ в сельском хозяйстве широкий, и многие из них решаются уже сегодня.

Дифференцированное внесение удобрений и дифференцированный посев

Поле, как правило, неоднородно и состоит из участков с разными характеристиками почвы: в ней разное соотношение глины, песка и разный гранулометрический состав, разное количество фосфора, азота, калия, гумуса, разный ph почвы. В традиционном подходе, когда поле рассматривается равномерным единым пространством, его обработка происходит равномерно. Но почва — это «живой» организм, и она не везде одинакова: где-то может быть больше азота или фосфора, где-то пахотный слой истощен и обрабатывать его нужно совсем иначе. Неоднородность поля нужно принимать во внимание при посевах, обработке, сборе урожая. По снимкам с БПЛА или спутников можно рассчитать индекс NDVI (нормализованный вегетационный индекс): он показывает, в каком состоянии находятся растения на разных участках поля и на его основе разрабатывают карты дифференциальной обработки полей.

Прогнозирование урожая

Предприятия всегда хотят знать, сколько урожая они соберут — не только в период сбора урожая, а на протяжении всего сельскохозяйственного сезона — чтобы скорректировать планы, если что-то пойдет не так. Для этого нужны хорошие исторические данные, на основе которых можно построить карту урожайности (с учетом рельефа поля, географии и других характеристик), чтобы опираться на них при планировании посева.

Выявление проблемных мест

С проблемой засухи и затоплений сталкиваются многие регионы. Большие площади сложно и дорого объезжать, поэтому на помощь приходит ИИ: информация со спутниковых снимков и беспилотников позволяет своевременно обнаружить проблему, оперативно среагировать и принять меры, чтобы минимизировать ущерб.

Обнаружение болезней и вредителей

ИИ позволяет обнаружить заболевание на ранней стадии или распознать вредителей, пока они не распространились по полю, сохранить урожай и даже спрогнозировать появление болезней и вредителей на поле. В качестве базы используются либо метеоданные — они позволяют узнать, что вредители могут появиться, либо информация с датчиков, камер, дронов с высоким разрешением — для обнаружения вредителей.

Государственный мониторинг

У государства есть свои запросы к искусственному интеллекту: например, спутниковые снимки помогают определить, где есть вырубки лесов, найти используемую или неиспользуемую землю, определить, в каком состоянии находится земля и что на нем растет. При помощи анализа спутниковых снимков можно понять, ведется ли деятельность на каких-то конкретных угодьях: иногда бывает так, что земля с/х назначения по факту оказывается свалкой.

ИИ в российском АПК

В России уровень проникновения информационных технологий в отрасль сельского хозяйства — только 5-10%, но при этом есть огромный потенциал для развития. В нашей стране есть отличная школа агрокультурных и сельско-хозяйственных наук, имеющая массивные исторические корни и огромные земельные ресурсы, которые необходимо правильно возделывать. Внедрение и использование информационных технологий и умного земледелия определенно даст очень хорошие плоды, но на этом пути существует ряд сложностей. Например, производство техники: сегодня производственная база очень невелика, поэтому уход иностранных компаний может повлечь за собой определенные сложности. Одна из проблем — разрозненное хранение информации: когда многолетний опыт и знания хранятся в голове одного человека, становится актуальным вопрос сохранения этой информации. Важные данные о земельных ресурсах, состоянии почв и т.д. необходимо бережно сохранять в цифровой базе, в противном случае ее приходится восстанавливать заново. И конечно, с земельным ресурсом важно работать тонко, чтобы он не ухудшался в процессе использования, а наоборот улучшался. Сегодня автопилоты и автономное управление техникой используются в крупных предприятиях и агрохолдингах, а мониторинг спутниковых снимков ведется даже в малых предприятиях.

Заменит ли ИИ человека?

Сегодня не существует никаких технологий, которые позволяют доверить искусственному интеллекту сформулировать цель, планировать деятельность и контролировать исполнение. В ближайшем будущем человек никуда не уйдет и из этой системы, потому что способность к целеполаганию — важная ее часть. И большой вопрос — готов ли человек на психологическом уровне отказаться от определенного уровня контроля. Экспертную оценку в обозримом будущем искусственный интеллект заменить не сможет, но труд трансформируется уже сейчас: появляются новые технологии, происходит роботизация, замена тяжелого труда механизмами. Сегодня технологии искусственного интеллекта носят рекомендательный характер, и в обозримом будущем рекомендации будут все более совершенными и точными, но человек в этой сфере будет главным звеном.

Искусственный интеллект | Новости Массачусетского технологического института

Познакомьтесь с стипендиатами Accenture 2022-23 гг.

В этом году стипендиаты будут работать в различных областях исследований, включая телемониторинг, взаимодействие человека и компьютера, исследование операций, социализацию с помощью ИИ и химические преобразования.

9 декабря 2022 г.

Читать полностью →

Применение практического подхода к исследованиям

Профессор Коруш Ширван, недавно получивший престижную награду Американского ядерного общества, ищет пути снижения стоимости ядерной энергии.

8 декабря 2022 г.

Читать полностью →

Большие языковые модели помогают расшифровывать клинические записи

Исследователи использовали мощную модель глубокого обучения для извлечения важных данных из электронных медицинских карт, которые могли бы помочь в персонализированной медицине.

1 декабря 2022 г.

Читать полностью →

Начало новой эры вычислительной техники

Дэн Хаттенлохер — профессор электротехники и компьютерных наук, а также первый декан вычислительного колледжа им. Шварцмана Массачусетского технологического института.

30 ноября 2022 г.

Читать полностью →

Занятые графические процессоры: метод выборки и конвейерной обработки ускоряет глубокое обучение на больших графиках.

Новый метод значительно сокращает время обучения и вывода на обширных наборах данных, чтобы идти в ногу с быстро меняющимися данными в финансах, социальных сетях и обнаружении мошенничества в криптовалюте.

29 ноября 2022 г.

Читать полностью →

Преодолевая пределы масштабирования аналоговых вычислений

Новая техника может уменьшить количество ошибок, которые мешают работе сверхбыстрых аналоговых оптических нейронных сетей.

29 ноября 2022 г.

Читать полностью →

Тереза ​​Гао названа стипендиатом Митчелла 2024 года

Выпускник Массачусетского технологического института будет продолжать обучение в аспирантуре по информатике в Ирландии.

23 ноября 2022 г.

Читать полностью →

Более простой путь к лучшему компьютерному зрению

Новое исследование раскрывает масштабируемую технику, использующую синтетические данные для повышения точности моделей ИИ, распознающих изображения.

23 ноября 2022 г.

Читать полностью →

Дальновидный подход к машинному обучению

Новая система может научить группу кооперативных или конкурирующих агентов ИИ находить оптимальное долгосрочное решение.

23 ноября 2022 г.

Читать полностью →

Решение динамики мозга порождает гибкие модели машинного обучения

Исследователи MIT CSAIL решают дифференциальное уравнение взаимодействия двух нейронов через синапсы, чтобы открыть новый тип быстрого и эффективного алгоритма искусственного интеллекта.

15 ноября 2022 г.

Читать полностью →

Обеспечение работы ИИ с правильной дозой любопытства

Исследователи продвигаются вперед в решении давней проблемы баланса между любопытным «исследованием» и «эксплуатацией» известных путей обучения с подкреплением.

10 ноября 2022 г.

Читать полностью →

Совершенно новый мир обучения с помощью видеороликов MIT OpenCourseWare

«У меня есть возможность не только наблюдать, как наступает будущее, но я действительно могу быть его частью и создавать его», — говорит предприниматель из Уганды Эммануэль Касигази.

7 ноября 2022 г.

Читать полностью →

Видео в записи

На первой конференции Массачусетского технологического института «Свидетель, ищущий справедливости» исследуется роль видео в борьбе за правду и гражданские свободы.

4 ноября 2022 г.

Читать полностью →

В машинном обучении синтетические данные могут реально улучшить производительность.

Модели, обученные на синтетических данных, в некоторых случаях могут быть более точными, чем другие модели, что может устранить некоторые проблемы с конфиденциальностью, авторскими правами и этическими проблемами при использовании реальных данных.

3 ноября 2022 г.

Читать полностью →

Исследование призывает к осторожности при сравнении нейронных сетей с мозгом

Вычислительные системы, которые, по-видимому, генерируют мозговую активность, могут быть результатом того, что исследователи направляют их к определенному результату.

2 ноября 2022 г.

Читать полностью →

Система искусственного интеллекта

делает такие модели, как DALL-E 2, более креативными | Новости Массачусетского технологического института

У Интернета был коллективный момент хорошего самочувствия с появлением DALL-E, генератора изображений на основе искусственного интеллекта, вдохновленного художником Сальвадором Дали, и милого робота WALL-E, который использует естественный язык для создания любого загадочного и красивого изображения, которое вы сердце желает. Напечатанные вводные данные, такие как «улыбающийся суслик, держащий рожок мороженого», мгновенно оживают, что явно резонирует с миром.

Сделать так, чтобы улыбающийся суслик и атрибуты всплывали на вашем экране — задача не из легких. DALL-E 2 использует нечто, называемое диффузионной моделью, где он пытается закодировать весь текст в одно описание для создания изображения. Но как только в тексте появляется много деталей, одному описанию трудно охватить их все. Более того, хотя они очень гибкие, им иногда трудно понять состав определенных понятий, например, путая атрибуты или отношения между разными объектами.

Чтобы создать более сложные изображения с лучшим пониманием, ученые из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) структурировали типичную модель под другим углом: они объединили ряд моделей, где все они взаимодействуют для создания желаемых изображений, захватывая несколько различные аспекты, запрашиваемые входным текстом или метками. Чтобы создать изображение с двумя компонентами, например, описываемое двумя предложениями описания, каждая модель должна работать с определенным компонентом изображения.

Волшебные модели, лежащие в основе создания изображений, работают, предлагая ряд итерационных шагов уточнения, чтобы получить желаемое изображение. Он начинается с «плохого» изображения, а затем постепенно улучшает его, пока оно не станет выбранным изображением. Составляя вместе несколько моделей, они совместно улучшают внешний вид на каждом этапе, поэтому в результате получается изображение, демонстрирующее все атрибуты каждой модели. Благодаря сотрудничеству нескольких моделей вы можете получить гораздо больше творческих комбинаций в сгенерированных изображениях.

Возьмем, к примеру, красный грузовик и зеленый дом. Модель будет путать понятия красный грузовик и зеленый дом, когда эти предложения станут очень сложными. Типичный генератор, такой как DALL-E 2, может сделать зеленый грузовик и красный дом, поэтому он поменяет эти цвета местами. Подход группы может обрабатывать этот тип привязки атрибутов к объектам, и особенно при наличии нескольких наборов вещей он может более точно обрабатывать каждый объект.

«Модель может эффективно моделировать положения объектов и реляционные описания, что является сложной задачей для существующих моделей генерации изображений. Например, поставить предмет и куб в одну позицию, а сферу в другую. DALL-E 2 хорошо создает естественные изображения, но иногда испытывает трудности с пониманием объектных отношений, — говорит аспирант MIT CSAIL и соавтор Шуанг Ли. — Помимо искусства и творчества, возможно, мы могли бы использовать нашу модель для обучения. Если вы хотите сказать ребенку, чтобы он положил куб на сферу, и если мы говорим это на языке, ему может быть трудно понять. Но наша модель может генерировать изображения и показывать их».

Заставить Дали гордиться  

Компонуемая диффузия — модель команды — использует модели диффузии вместе с композиционными операторами для объединения текстовых описаний без дополнительного обучения. Подход команды более точно фиксирует текстовые детали, чем исходная модель распространения, которая напрямую кодирует слова как одно длинное предложение. Например, при наличии «розового неба» И «голубой горы на горизонте» И «цвета вишни перед горой» модель группы смогла точно воспроизвести это изображение, тогда как исходная диффузионная модель сделала небо голубым и все перед горами розовыми.

«Тот факт, что наша модель компонуемая, означает, что вы можете изучать разные части модели по одной. Вы можете сначала изучить объект поверх другого, затем изучить объект справа от другого, а затем изучить что-то слева от другого», — говорит соавтор и аспирант MIT CSAIL Йилун Ду. «Поскольку мы можем составить их вместе, вы можете себе представить, что наша система позволяет нам постепенно изучать язык, отношения или знания, что, по нашему мнению, является довольно интересным направлением для будущей работы».

Несмотря на то, что он продемонстрировал мастерство в создании сложных фотореалистичных изображений, он по-прежнему сталкивался с проблемами, поскольку модель была обучена на гораздо меньшем наборе данных, чем DALL-E 2, поэтому были некоторые объекты, которые он просто не мог захватить.

Теперь, когда Composable Diffusion может работать поверх генеративных моделей, таких как DALL-E 2, ученые хотят исследовать непрерывное обучение в качестве возможного следующего шага. Учитывая, что к объектным отношениям обычно добавляется больше, они хотят увидеть, могут ли диффузионные модели начать «учиться», не забывая ранее изученные знания, — до такой степени, что модель может создавать образы как с предыдущими, так и с новыми знаниями.

«В этом исследовании предлагается новый метод составления понятий при преобразовании текста в изображение не путем объединения их в подсказку, а путем вычисления баллов по каждому понятию и их составления с использованием операторов конъюнкции и отрицания», — говорит Марк. Чен, один из создателей DALL-E 2 и научный сотрудник OpenAI. «Это хорошая идея, которая использует основанную на энергии интерпретацию моделей диффузии, чтобы можно было применить старые идеи о композиционности с использованием моделей, основанных на энергии. Подход также может использовать руководство без классификатора, и удивительно видеть, что он превосходит базовый уровень GLIDE на различных композиционных тестах и ​​может качественно создавать очень разные типы генерации изображений».

«Люди могут создавать сцены, включающие различные элементы, множеством способов, но эта задача является сложной для компьютеров», — говорит Брайан Рассел, научный сотрудник Adobe Systems. «Эта работа предлагает элегантную формулировку, которая явно составляет набор моделей распространения для создания изображения с учетом сложной подсказки на естественном языке».

Наряду с Ли и Ду соавторами статьи являются Нан Лю, студентка магистратуры в области компьютерных наук в Университете Иллинойса в Урбана-Шампейн, а также профессора Массачусетского технологического института Антонио Торральба и Джошуа Б.