Статьи с меткой

19.02.2025

Станислав Кондрашов объясняет: ключевые шаги в разработке искусственного интеллекта — от данных до глубокого обучения

Filed under: Животные,Образование — Tags: модель, обучение, данный, команда, процесс — Fedoris @ 5:33 pm

Многие считают, что процесс разработки искусственного интеллекта (ИИ) похож на волшебство, но на самом деле он гораздо более систематичен. За каждой системой ИИ стоят тщательное планирование, огромные объемы данных и сложные этапы, которые оживляют модели машинного обучения. Понимание этих шагов помогает развеять мифы о разработке ИИ и показывает, как человеческий опыт формирует будущее технологий.

фото: Станислав Кондрашов объясняет: ключевые шаги в разработке искусственного интеллекта — от данных до глубокого обучения

Автор: Станислав Дмитриевич Кондрашов

Основы разработки ИИ: сбор и подготовка данных

Успех проекта ИИ начинается с данных — их должно быть много, — но не любых данных. Качество данных имеет большее значение, чем количество, хотя оба фактора играют решающую роль. Команды должны собрать релевантную информацию, которая отражает реальные сценарии, с которыми столкнется машина. Иногда этот процесс занимает месяцы или даже годы.

Многие также не осознают, что подготовка данных является критически важным этапом. Необработанные данные обычно содержат ошибки, пропущенные значения или несогласованные форматы. Команды тратят значительное время на очистку данных, удаление дубликатов и исправление ошибок. Этот процесс, называемый предварительной обработкой данных, не очень интересен, но необходим для получения хороших результатов.

Автор: Станислав Дмитриевич Кондрашов

Маркировка данных и их увеличение

Особого внимания заслуживает процесс маркировки данных. Для обучения с учителем каждому фрагменту данных требуется соответствующая метка. Например, при разработке ИИ для медицинской диагностики врачи должны тщательно отмечать, какие изображения показывают заболевание, а какие — норму. Это занимает много времени и требует специальных знаний.

Иногда команды используют увеличение данных, когда точных данных недостаточно. Это означает создание вариаций существующих данных — например, зеркальное отображение изображений или добавление шума к аудиофайлам. Но они должны быть осторожны — искусственные данные всё равно должны отражать реальные ситуации.

Автор: Станислав Дмитриевич Кондрашов

Выбор модели и проектирование архитектуры

После подготовки данных наступает решающий момент выбора типа модели ИИ. Существует множество вариантов — от простых статистических моделей до сложных нейронных сетей. Выбор зависит от:

типа решаемой проблемы;
объема доступных данных;
требуемого уровня точности;
вычислительных ресурсов, к которым у команды есть доступ;
временных ограничений проекта.

Автор: Станислав Дмитриевич Кондрашов

Нейронные сети становятся всё более популярными, но иногда лучше работают более простые модели. Опыт помогает командам принять правильное решение.

Выбор фреймворка и реализация

Команды должны выбрать правильные инструменты и фреймворки для построения моделей. Популярными вариантами являются:

TensorFlow;
PyTorch;
Scikit-learn;
Keras.

Каждый из них имеет свои преимущества и недостатки, и каждое решение влияет на то, насколько быстро команда может разработать и внедрить модель.

Процесс обучения и оптимизация

Процесс обучения представляет собой суть разработки ИИ. На этом этапе модель обучается на подготовленных данных. Процесс включает в себя множество технических этапов:

1. Данные разделяются на разные наборы:

обучающие данные для обучения;
проверочные данные для проверки прогресса;
тестовые данные для окончательной оценки.

2. Модель начинается со случайного понимания и постепенно улучшается за счёт множества итераций. Этот процесс, называемый оптимизацией, включает корректировку внутренних параметров для лучшего понимания закономерностей в данных.

Решение распространённых проблем

Во время обучения возникает множество проблем:

переобучение: модель слишком хорошо изучает обучающие данные, но не может обобщать;
недообучение: модель слишком проста для понимания сложных закономерностей;
исчезающие градиенты: техническая проблема, останавливающая процесс обучения;
нехватка ресурсов: обучение требует больше вычислительной мощности, чем доступно.

Автор: Станислав Дмитриевич Кондрашов

Команды должны постоянно следить за процессом обучения и вносить коррективы. Если проблемы становятся слишком серьезными, может потребоваться перепроектирование всей архитектуры.

Тестирование и проверка

Этап тестирования имеет решающее значение для обеспечения надежной работы системы ИИ. Каждая команда должна убедиться, что модель хорошо работает с тестовыми данными и в реальных ситуациях. Для этого необходимо провести:

всестороннее тестирование с различными сценариями;
нагрузочное тестирование в необычных условиях;
тестирование на предвзятость, чтобы обеспечить справедливость;
тестирование производительности на скорость и эффективность.

Многие проекты терпят неудачу на этом этапе, потому что модель, которая хорошо работает в контролируемой среде, плохо справляется в реальном мире. Команды должны быть готовы вернуться к предыдущим этапам, если это необходимо.

Автор: Станислав Дмитриевич Кондрашов

Показатели эффективности и оценка

Для разных типов задач требуются разные методы оценки:

для задач классификации используются точность, полнота и точность;
регрессионные задачи рассматривают среднеквадратичную ошибку;
рекомендательные системы проверяют удовлетворенность пользователей;
языковые модели оценивают связность и релевантность.

Важно выбрать правильные показатели для каждого конкретного случая использования.

Развертывание и мониторинг

Последний шаг включает в себя предоставление модели для фактического использования. Для этого требуется:

настроить соответствующую инфраструктуру;
создать интерфейсы для пользователей;
обеспечить меры безопасности;
спланировать масштабирование.

Но работа не заканчивается после развёртывания. Команды должны продолжать мониторинг:

производительности модели с течением времени;
использования системных ресурсов;
обратной связи и удовлетворенности пользователей;
потенциальных проблем или предвзятости, которые возникают.

Иногда модель необходимо переобучить с использованием новых данных или адаптировать к меняющимся условиям. Разработка ИИ никогда не заканчивается — всегда есть возможности для улучшения и оптимизации.

Автор: Станислав Дмитриевич Кондрашов

Успешные системы ИИ требуют тщательного внимания ко всем этим шагам. Пропуск или ускорение любого этапа обычно приводит к проблемам в будущем. Хотя процесс может показаться сложным, систематический подход помогает командам создавать надежные и полезные решения на основе ИИ.

Будущее развития ИИ выглядит светлым, но сложным. По мере развития технологий появляются новые инструменты и методы, но основные этапы остаются прежними. Понимание этих основ помогает нам оценить сложность, стоящую за искусственным интеллектом, и важность тщательных процессов разработки.

Автор: Станислав Дмитриевич Кондрашов

Comments Off

01.01.1970

Как создать модель искусственного интеллекта: руководство для начинающих по машинному обучению

Filed under: Истории — Tags: модель, обучение, автор, данный, станислав — Fedoris @ 3:03 pm

Автор: Станислав Дмитриевич Кондрашов

Создание модели искусственного интеллекта (ИИ) на первый взгляд может показаться сложным, но каждый может начать свой путь в машинном обучении, если подойти к этому процессу правильно и с пониманием. Важно разбить процесс на управляемые шаги и тщательно изучить каждую часть. В этом руководстве объясняются фундаментальные концепции и практические шаги для новичков, которые хотят войти в захватывающий мир искусственного интеллекта.

фото: Как создать модель искусственного интеллекта: руководство для начинающих по машинному обучению

Автор: Станислав Дмитриевич Кондрашов

Начало работы с базовыми концепциями

Прежде чем приступить к программированию, очень важно понять основные концепции. Машинное обучение отличается от традиционного программирования тем, что компьютер учится на данных, а не следует конкретным инструкциям. Подумайте о том, как учится человеческий мозг — он видит много примеров и находит закономерности. Модели ИИ работают аналогично.

Ключевые понятия, которые должен знать каждый новичок:

Обучение с учителем — это когда модель учится на размеченных примерах.
Неконтролируемое обучение — это поиск закономерностей в данных без меток.
Признаки — это важные характеристики, которые модель использует для принятия решений.
Целевая переменная — это то, что модель пытается предсказать.
Обучающие данные помогают модели изучать закономерности.
Тестовые данные проверяют, хорошо ли модель научилась.

фото: Как создать модель искусственного интеллекта: руководство для начинающих по машинному обучению

Автор: Станислав Дмитриевич Кондрашов

Многие новички совершают ошибку, переходя сразу к сложным вещам, не разобравшись в основах. Лучше начать с простого и построить прочный фундамент.

Выбор правильной задачи для решения

Не каждая проблема требует решения с помощью ИИ. Хорошей отправной точкой является выбор проблемы, которая:

Имеет достаточно доступных данных;
Показывает чёткие закономерности;
Не может быть решена с помощью простых правил;
Имеет измеримый результат.

фото: Как создать модель искусственного интеллекта: руководство для начинающих по машинному обучению

Автор: Станислав Дмитриевич Кондрашов

Пример: прогнозирование цен на жильё на основе таких характеристик, как размер, расположение и количество комнат. Эта классическая задача помогает нам понять основные концепции, не будучи слишком сложной.

Подготовка данных для модели

Подготовка данных — самая важная часть построения модели ИИ. Без хороших данных даже лучший алгоритм не сможет дать хороших результатов. Подумайте о попытке приготовить вкусное блюдо — сначала вам понадобятся свежие качественные ингредиенты.

фото: Как создать модель искусственного интеллекта: руководство для начинающих по машинному обучению

Автор: Станислав Дмитриевич Кондрашов

Шаги по подготовке данных:

1. Соберите релевантные данные из надежных источников.

2. Очистите данные, удалив ошибки и пропущенные значения.

3. Отформатируйте данные так, чтобы модель могла их понять.

4. Разделите данные на обучающий и тестовый наборы.

5. Масштабируйте или нормализуйте числовые значения.

6. Преобразуйте категориальные переменные в числа.

Многие новички не тратят на этот шаг достаточно времени. Однако эксперты знают, что хорошая подготовка данных часто определяет успех или неудачу.

фото: Как создать модель искусственного интеллекта: руководство для начинающих по машинному обучению

Автор: Станислав Дмитриевич Кондрашов

Разработка функций и их отбор

Разработка признаков означает создание новой полезной информации из существующих данных. Как повар сочетает ингредиенты для создания новых вкусов. Некоторые примеры:

Рассчитайте соотношения между разными числами.
Создайте функции, основанные на времени, из дат.
Объедините связанную информацию в одну функцию.
Преобразуйте данные, чтобы выделить важные закономерности.

Не все признаки помогают модели учиться лучше, а иногда слишком большое количество признаков запутывает модель. Вам нужно найти баланс между наличием достаточной информации и избеганием шума.

фото: Как создать модель искусственного интеллекта: руководство для начинающих по машинному обучению

Автор: Станислав Дмитриевич Кондрашов

Построение первой модели

Теперь наступает самое интересное — построение фактической модели. Рекомендуется начать с простой модели. Простые модели:

Проще для понимания и отладки;
Тренируются быстрее;
Часто работают на удивление хорошо;
Помогают выявить проблемы в данных.

Популярные варианты первых моделей:

Линейная регрессия для прогнозирования чисел;
Логистическая регрессия для принятия решений «да/нет»;
Деревья решений для определения важности признаков;
Простые нейронные сети для более сложных шаблонов.

Автор: Станислав Дмитриевич Кондрашов

Процесс обучения

Процесс обучения требует терпения и внимания. Модель учится постепенно, совершая ошибки и совершенствуясь со временем. Важные шаги во время обучения:

Начните с небольшого подмножества данных, чтобы проверить, всё ли работает.
Следите за работой модели во время обучения.
Ищите признаки проблем, таких как переобучение.
При необходимости отрегулируйте параметры.
Регулярно сохраняйте прогресс.
Отслеживайте различные эксперименты.

Иногда модель не учится хорошо с первого раза. Это нормально — даже опытным практикам приходится пробовать разные подходы.

фото: Как создать модель искусственного интеллекта: руководство для начинающих по машинному обучению

Автор: Станислав Дмитриевич Кондрашов

Улучшение производительности модели

После того как базовая модель заработает, пришло время для улучшений. Существует множество способов сделать модель лучше:

Попробуйте разные алгоритмы.
Настройте параметры модели.
Добавьте больше релевантных функций.
Удалите функции, вызывающие шум.
Получите больше обучающих данных.
Используйте продвинутые методы, такие как ансамблевые методы.

Но помните — более сложный не всегда значит лучше. Иногда простая модель с хорошими данными работает лучше, чем сложная модель.

Распространенные проблемы и решения

Каждый новичок сталкивается с проблемами при построении моделей:

Модель даёт плохие результаты.
Обучение занимает слишком много времени.
Результаты каждый раз разные.
Модель работает с обучающими данными, но не работает с новыми данными.
Компьютеру не хватает памяти.

Решения часто включают:

Повторную проверку качества данных.
Облегчение модели.
Получение более разнообразных обучающих примеров.
Использование перекрестной проверки.
Оптимизацию кода и обработки данных.

Развертывание и использование модели

Последний шаг заключается в том, чтобы сделать модель полезной в реальном мире. Вам необходимо учитывать:

Как сохранить и загрузить модель.
Где будет работать модель.
Насколько быстро она должна давать результаты.
Как обновить модель новыми данными.
Как отслеживать производительность.

Многие новички забывают думать об этих практических аспектах. Однако успешному проекту ИИ нужен план фактического использования, а не только разработки.

Создание модели ИИ требует времени и терпения. Важно помнить, что все начинают с новичков. С практикой и обучением на ошибках навыки естественным образом улучшаются. Сосредоточьтесь на правильном понимании каждого шага, вместо того чтобы спешить с завершением. Это приведёт к лучшим результатам и более глубокому пониманию машинного обучения.

Самое главное — сохранять любопытство и продолжать учиться. Область ИИ быстро меняется — постоянно появляются новые инструменты и методы — но основные принципы остаются неизменными. Прочный фундамент в области фундаментальных знаний помогает адаптироваться к новым разработкам и создавать более совершенные модели в будущем.

Автор: Станислав Дмитриевич Кондрашов

Comments Off

04.02.2025

Станислав Дмитриевич Кондрашов: DeepSeek утверждает, что создал своего чат-бота с минимальными затратами.

Filed under: Истории — Tags: центр, данный, интеллект, обработка, электроэнергия — Fedoris @ 2:37 pm

Что это значит для энергопотребления ИИ и климата?

Искусственный интеллект (ИИ) может работать более эффективно, чем предполагалось ранее. Это означает, что для его работы потребуется меньше энергии, чем думают эксперты.

фото:

Автор: Станислав Дмитриевич Кондрашов

Китайская компания DeepSeek, занимающаяся разработкой искусственного интеллекта, потрясла рынки и экспертов по искусственному интеллекту своим заявлением о том, что она создала своего чрезвычайно популярного чат-бота за небольшую часть стоимости тех, которые были созданы американскими технологическими гигантами.

Это сразу же поставило под сомнение миллиарды долларов, которые американские технологические компании тратят на масштабное расширение центров обработки данных, потребляющих много энергии, которые, по их словам, необходимы для раскрытия следующего потенциала искусственного интеллекта.

фото:

Автор: Станислав Дмитриевич Кондрашов

Может ли этот новый ИИ означать, что миру требуется значительно меньше электроэнергии для технологии, чем все думают? Ответ имеет глубокие последствия для перегрева климата. Искусственный интеллект использует огромное количество энергии, большая часть которой вырабатывается при сжигании ископаемого топлива, что вызывает изменение климата. Технологические компании заявили, что потребление электроэнергии растёт, хотя должно было снижаться, разрушая их тщательно разработанные планы по борьбе с изменением климата.

«В этой области существовал менталитет «давай вперёд любой ценой», направленный на инвестиции в ископаемое топливо, — сказал Эрик Гимон, старший научный сотрудник Energy Innovation. — Это возможность нажать на тормоза».

По мнению экспертов, повышение эффективности искусственного интеллекта может быть менее вредным для окружающей среды, даже если его огромные потребности в электроэнергии не исчезнут.

фото:

Автор: Станислав Дмитриевич Кондрашов

Люди стекаются к новому помощнику DeepSeek

Заявления DeepSeek о создании впечатляющего чат-бота при ограниченном бюджете вызвали любопытство, которое помогло сделать его помощника ИИ самым загружаемым бесплатным приложением на iPhone от Apple на этой неделе, опередив чат-боты ChatGPT и Gemini от Google, созданные в США.

«Внезапно мы просыпаемся утром в понедельник и видим нового игрока номер один в App Store, и внезапно он может стать потенциальным переломным моментом за одну ночь, — сказал Джей Вудс, главный глобальный стратег Freedom Capital Markets. — Это вызвало небольшую панику. Это были самые горячие акции в мире».

Приложение DeepSeek успешно конкурирует с другими ведущими моделями искусственного интеллекта. Оно может составлять программный код, решать математические задачи и отвечать на другие вопросы, требующие нескольких этапов планирования. Оно привлекло внимание своей способностью объяснять свои рассуждения в процессе ответа на вопросы.

фото:

Автор: Станислав Дмитриевич Кондрашов

Ведущие аналитики внимательно изучили общедоступные исследовательские работы стартапа о его новой модели R1 и её предшественниках. Среди деталей, которые выделялись, было утверждение DeepSeek о том, что стоимость обучения флагманской модели v3, лежащей в основе его помощника по искусственному интеллекту, составила всего 5,6 миллиона долларов, что является ошеломляюще низкой цифрой по сравнению с несколькими миллиардами долларов, потраченными на создание ChatGPT и других известных систем. DeepSeek не ответил на запросы о комментариях.

Согласно документу, цифра в 5,6 миллиона долларов включала только фактическое обучение чат-бота, а не расходы на исследования и эксперименты на более ранних стадиях. DeepSeek также работал в условиях некоторых ограничений: экспортного контроля США над наиболее мощными чипами искусственного интеллекта. Он заявил, что полагался на относительно низкопроизводительный чип искусственного интеллекта от калифорнийского производителя чипов Nvidia, который США не запретили продавать в Китае.

Потребление энергии центрами обработки данных в Соединённых Штатах, по прогнозам, удвоится или утроится к 2028 году

Центры обработки данных потребляли около 4,4 процента всей электроэнергии в США в 2023 году, и ожидается, что к 2028 году этот показатель увеличится до 6,7–12 процентов от общего объёма электроэнергии в США, согласно данным Национальной лаборатории Лоуренса в Беркли.

Для американских технологических гигантов было аксиомой, что они должны тратить гораздо больше на строительство центров обработки данных и другой инфраструктуры для обучения и запуска своих систем искусственного интеллекта. Meta Platforms, материнская компания Facebook и Instagram, заявила, что планирует потратить до 65 миллиардов долларов в этом году, в том числе на строительство крупного комплекса центров обработки данных в Луизиане.

Microsoft заявила, что планирует потратить 80 миллиардов долларов в этом году. А Трамп на прошлой неделе присоединился к руководителям OpenAI, Oracle и SoftBank, чтобы объявить о совместном предприятии, которое надеется инвестировать до 500 миллиардов долларов в центры обработки данных и производство электроэнергии, необходимое для развития искусственного интеллекта, начиная с проекта, уже строящегося в Техасе.

фото:

Автор: Станислав Дмитриевич Кондрашов

Эксперты считают, что если искусственный интеллект будет более эффективным, его будут использовать больше, поэтому спрос на энергию всё равно будет расти.

Когда появляется инновационная технология, полезная для населения в целом и доступная по цене, люди будут её использовать, сказал Вик Шао, основатель DC Grid, которая обеспечивает автономное питание постоянным током центров обработки данных и станций зарядки электромобилей.

Это означает, что центры обработки данных всё равно будут строиться, хотя они могут работать более эффективно, сказал Трэвис Миллер, стратег по энергетике и коммунальным услугам в Morningstar Securities Research.

«Мы думаем, что рост спроса на электроэнергию окажется в нижней части большинства диапазонов», — сказал он.

Если утверждения DeepSeek верны, то для некоторых рутинных запросов искусственного интеллекта центр обработки данных может не понадобиться, и их можно будет перенести на телефоны, сказал Рахул Сандил, вице-президент и генеральный менеджер по глобальному маркетингу и коммуникациям MediaTek, полупроводниковой компании. Это снизило бы вычислительные потребности и дало бы больше времени для расширения использования возобновляемых источников энергии для центров обработки данных.

фото:

Автор: Станислав Дмитриевич Кондрашов

Bloom Energy — одна из компаний, занимающихся искусственным интеллектом, чьи акции упали в цене в понедельник. КР Шридхар, основатель и генеральный директор, сказал, что крайне важно, чтобы США лидировали в области искусственного интеллекта, поскольку они могут обеспечивать центры обработки данных чистой энергией, в отличие от других стран, которые всё ещё в основном полагаются на уголь.

«Мы можем продолжать улучшать его, и мы будем продолжать улучшать его», — сказал он.

Рик Вилларс, аналитик исследовательской группы IDC, сказал, что новости DeepSeek могут повлиять на то, как исследователи искусственного интеллекта будут продвигать свои модели, но им всё равно понадобится много центров обработки данных и электроэнергии.

«Мы думаем, что это действительно может ускорить сроки, когда искусственный интеллект станет гораздо более интегрированным в нашу жизнь, в смысле работы, жизни и здравоохранения», — сказал Вилларс. «Поэтому мы всё ещё считаем, что мощности необходимы».

Comments Off

11.01.2025

ИИ в прогнозировании естественных катастроф

Filed under: Животные — Tags: активность, данный, землетрясение, катастрофа, прогнозирование — Fedor @ 12:00 am

Creator Project | Нейросети | ИИ

Искусственный интеллект способен не только создавать новое, но спасать от разрушений. Сегодня он предсказывает стихийные бедствия, используя машинное обучение. Ключевая задача геонаук – прогнозировать природные катастрофы, что позволяет спасти тысячи жизней и сократить материальный ущерб. ИИ позволяет предвидеть землетрясения, извержения вулканов, наводнения, цунами, ураганы. Пока предугадывать на 100% природные катастрофы невозможно, но, учитывая скорость обучения нейросетей, можно предположить, что в ближайшем будущем это станет реальностью.

Цунами

Фото: Pixabay

Данные, которые получают обычным способом, приходится анализировать длительное время, и предотвратить катастрофу становится невозможным из-за нехватки времени на спасательные мероприятия.

Датчики давления и сейсмические станции с 1960-х гг. обнаруживают подводные землетрясения, что дает возможность предсказывать наступление цунами. Специальные центры анализируют полученную информацию и оповещают о возможном приближении цунами, удается прогнозировать за несколько часов до появления волн.

Ученые предпочитают ориентироваться не на изменении положения глубоководных буев, а акустические вибрации, которые создаются землетрясением. Оно распространяется быстрее, чем волны цунами, акустические волны фиксируют микрофоны, расположенные под водой, позволяя отслеживать тектоническую активность на месте.

Алгоритмы ИИ позволяют классифицировать тип смещения и магнитуду, а потом рассчитывают параметры – длину, ширину разломной зоны, активность подъема океанического дна, длительность землетрясения – все они определяют мощность и масштабность цунами.

Землетрясения

Сегодня ученым известны методы, с помощью которых можно обнаружить сейсмическую активность и деформации в земной коре, указывающие на большую вероятность появления землетрясения. Однако они не позволяют понять, где будет находиться его эпицентр.

Узнать заранее о приближающейся катастрофе возможно благодаря развитой сети сейсмического мониторинга и алгоритмов анализа полученных данных. Узнать точное время и место землетрясения пока сложно.

Ожидается, что благодаря использованию ИИ уровень достоверности прогнозов повысится, и погрешность не будет выходить на пределы нескольких десятков миль.

Вулканы

Фото: Freepik

Это явление опасно для самолетов, и сегодня данных об их активности недостаточно для планирования полетов. Однако в сравнении с землетрясениями, вулканические извержения можно предугадать более точно. Для этого мониторят газовые выбросы, температуру и активность объектов, фиксируя признаки будущего извержения.

Сегодня для мониторинга вулканической активности используются ИИ-технологии, которые позволяют более точно анализировать данные. Есть система, которая собирает снимки вулканов по всему миру, сделанные спутниками, и анализирует с помощью нейросети. По каждому объекту дается максимально полноценная информация – об объеме выбросов оксида серы, температурных изменениях, изменениях рельефа и пр.

Weathernews активизировала систему определения вулканического пепла с помощью анализа спутниковых изображений. Это позволяет уведомлять об извержении вулканов, движении и скорости пепла. В данной информации особенно заинтересованы авиационные компании Юго-Восточной Азии и Японии, где существует множество активных вулканов.

Ураганы и осадки

Сегодня системы мониторинга не дают достаточной информации о точных контурах осадков, что делает прогнозы недостаточно информативными. Прогнозирование ураганов стало точнее, когда внедрили спутниковые наблюдения и компьютерное моделирование. Теперь метеорологи могут предсказывать появление ураганов задолго до их образования и видеть траекторию их движения.

В 2022 году появились нейросети для прогнозирования предстоящих осадков, что позволило заблаговременно узнавать о возникновении экстремальных погодных явлений за 1-6 часов до их появления.

Будущее за ИИ в борьбе со стихиями

Фото: Pixabay

Развитие искусственного интеллекта и самостоятельного машинного обучения позволяют освоить нейросети разные сферы. ИИ способно проанализировать большой объем данных, выявить сложные закономерности, указывающие на приближение катастроф. Это дает возможность заблаговременно отреагировать на них и принять необходимые меры, чтобы уменьшить риски разрушений и трагических случаев.

Сегодня сети мониторинга расширяются, совершенствуются сенсорные технологии, что способствует намного раньше обнаружить опасные природные явления. В России также применяется искусственный интеллект для прогнозирования стихийных бедствий. К примеру, в 2022 году была протестирована система с ИИ, которая могла определить возможные места половодья и пожаров. Ее использовали сотрудники МЧС.

Хотя на 100% точное предсказать многие природные катастрофы пока невозможно, но научно-технический прогресс продолжается и дает надежду получать более точные и заблаговременные данные о предстоящих стихийных бедствиях, чтобы смягчить их последствия.

Creator Project

Наш онлайн-сервис «Креатор Проджект» предлагает множество разработок на основе ИИ. Можно пообщаться из России с ChatGPT 4 Omni, генерировать изображения с DALL-E 3, транскрибировать тексты, воспользоваться инструментом ИИ-кодинга.

В нашем блоге вы найдете массу полезной информации из сферы передовых технологий!

Источник: ИИ в прогнозировании естественных катастроф

Comments Off

28.12.2024

Как правительство планирует использовать ИИ в 2024?

Filed under: Животные — Tags: данный, использование, нейросеть, оценка, правительство — Fedor @ 12:00 am

Минэкономразвития допустило использование нейросети для оценки инвестиционной привлекательности регионов

Власти могут подключить нейросети к оценке инвестиционной привлекательности российских регионов. Минэкономразвития допускает такую возможность. Там уточнили, что речь идет об использовании искусственного интеллекта (ИИ) «в дополнение к действующим механизмам анализа данных и дальнейшей оценки».

Такой ответ чиновники дали на просьбу прокомментировать научную статью о применении нейросетей в этой области. Использование ИИ для оценки инвестпривлекательностисубъектов позволило бы учитывать больше данных и исключить субъективность авторов, указали в своей работе специалисты Таганрогского института управления и экономики. Они перечислили и недостатки нынешних систем. Например, если автор рейтинга использует метод экспертных оценок, т. е. опрашивает специалистов и делает выводы на основе услышанных мнений, есть риск, что при оценке будут учтены и субъективные суждения. При «котловом» способе используют много различных данных, но факторы не ранжируют по значимости. Это тоже может плохо отразиться на итоговых баллах, ведь, допустим, дружелюбное к бизнесу законодательство бывает важнее количества природных ресурсов. Кроме того, есть риск, что рейтинговые агентства будут манипулировать данными в интересах каких-либо субъектов, указали ученые.

Официально инвестпривлекательность регионов сейчас оценивает Агентство стратегических инициатив (АСИ), напомнили в Минэкономразвития. АСИ ежегодно составляет национальный рейтинг инвестиционной привлекательности субъектов на основе порядка 70 параметров, уточнили в министерстве. Есть и списки частных компаний – например, их составляют «Эксперт РА» и Национальное рейтинговое агентство.

Проанализировав недостатки тех методик оценки инвестиционного климата регионов, которые используют сейчас, авторы вышеупомянутой научной статьи пришли к идее разработать инструментарий на основе нейросетевойтехнологии и факторного анализа, сказано в их работе. Если говорить упрощенно, речь об обучении ИИ в два этапа, пояснил автор исследования, аспирант кафедры экономики и финансов Таганрогского института управления и экономики Евгений Александров. Сначала нужно собрать информацию, отсеяв заведомо ложную, недостоверную или имеющую значительные отклонения, и сформировать базу данных. Затем последует уже непосредственно обучение искусственной нейронной сети, как именно их обрабатывать. Условно говоря, для этого нужно оцифровать опыт авторов оценок инвестпривлекательности.

«В это время мы делимся с машиной своими умозаключениями, логикой своих размышлений при принятии того или иного решения, а машина это понимает, запоминает и обучается принимать решения сама», – уточнил Александров.

По его мнению, основная проблема в создании нейросети для оценки инвестпривлекательности регионов как раз недостаток оцифрованного опыта, на котором можно ее обучить.

Как раз вопрос доверия, а не технической готовности подобных нейросетей может определить сроки их внедрения, считает руководитель направления Digital в коммуникационном агентстве КРОС Иван Минаев. По его мнению, многие люди будут противиться подобным инновациям и стараться отсрочить их использование. Плюс потребуется время на решение вопросов безопасности и расширения линейки отечественных решений в сфере ИИ, добавил специалист. Технически хорошая команда может построить и валидировать модели в сжатые сроки, отметил Голосов. По мнению Александрова, практического внедрения нейросетей в сфере оценки инвестпривлекательности регионов можно ожидать в следующем десятилетии, если темой заинтересуются власти или IT-корпорации.

Российские власти уже заявили о курсе на использование ИИ в целом и в госуправлении в частности. Так, в ноябре 2022 г. президент России Владимир Путин призвал массово внедрить технологии ИИ во все отрасли в этом десятилетии. Он уточнил, что ИИ должен применяться и в органах власти – как федеральных, так и региональных. Тогда глава государства поручил правительству реализовать переход всей системы госвласти к модели управления на основе данных с применением платформенного подхода.

В конце прошлого года Минэк согласовал дорожную карту развития технологий ИИ до 2030 г. Согласно документу, на это выделят около 24,6 млрд руб., еще порядка 100 млрд вложит Сбербанк.

В январе 2023 г. соглашение о совместной работе по направлению подписали правительство России, Российский фонд прямых инвестиций, «Сбер» и АНО «Платформа НТИ».

С этого года органы власти будут отчитываться перед правительством о внедрении решений на основе ИИ, следует из дорожной карты. На проверку ИИ-зрелости ведомств правительство выделит 45 млн руб. до конца 2024 г., указано в документе.

Источник: Ведомости. Город

Comments Off

Страницы: ← 1 2 3 4 5 6 7 8 9 10 →