Нейросети для бизнеса

2024. Google Bard переименован в Gemini. Google Assistant перешел на движок Gemini



Команда Deepmind Демиса Хассабиса победила внутри Google. Модель Gemini полностью заменит созданную внутри основной компании модель Bard. Языковой чат-бот Bard уже переименован в Gemini, а персональный голосовой ассистент Google Assistant перешел на движок Gemini (правда пока только на английском языке). Google заявляет, что Gemini соответствует и даже превосходит нейросеть GPT-4 от OpenAI во многих отношениях. Сейчас Bard использует Gemini Pro, модель среднего уровня серии Gemini. Говорят, что Gemini обрабатывает информацию как человеческий мозг и превосходит все существующие нейросети в любой сфере. Язык в этой ИИ модели - это лишь один из форматов информации, наряду с кодом, изображениями, аудио и видео.


2023. Google представил новую ИИ-модель Gemini и интегрировал ее в Bard


Модель Gemini разработана компанией Deepmind, давно купленной Гуглом, и которая раньше (до прихода ChatGPT и других языковых моделей) считалась лидером ИИ гонки. Сейчас, конечно, главе Deepmind Демису Хассабису обидно, что все внимание достается другим. Поэтому Deepmind создал модель Gemini, в которой язык - это лишь один из форматов информации, наряду с кодом, изображениями, аудио и видео. Демис говорит, что Gemini обрабатывает информацию как человеческий мозг и превосходит все существующие нейросети в любой сфере. Gemini уже как-то прикрутили к чат-боту Bard и говорят, что это значительно увеличило его возможности (пока не понятно каким образом). Кроме того, Gemini позиционируется как платформа, на которой компании смогут создавать свои мультимодальные модели.


2022. Google разработала улучшенный аналог нейросети DALL-E для генерации изображений



В 2021 году OpenAI представила нейросеть DALL-E, которая генерирует изображения по текстовому описанию, сформулированному простым языком. В DALL-E 2, представленной в начале апреля, исследователи модифицировали архитектуру модели и добились уже довольно качественной генерации в том числе и фотореалистичных изображений. Спустя полтора месяца исследователи из Google представили свою генеративную нейросетевую модель Imagen, которая архитектурно похожа на DALL-E 2, но все же имеет некоторые отличия и добивается лучших результатов. Imagen обучалась на собственных датасетах Google, в которых было суммарно 460 миллионов пар «изображение-описание», а также на публично доступном датасете Laion с 400 миллионами пар. В результате разработчикам удалось создать модель с высоким качеством генерации изображений разных типов.

2021. Microsoft внедрит в облако Azure нейросеть GPT-3 и даст компаниям доступ к языковым моделям



Microsoft анонсировала OpenAI Service на основе своей облачной платформы Azure. Сервис можно использовать для разных задач — от обработки клиентских запросов и обобщения больших текстов до написания кода или генерации ответов на вопросы. В качестве примера Microsoft привела спортивную франшизу, которая разрабатывает приложение для взаимодействия с фанатами во время матчей. С помощью GPT-3 поток комментариев можно превратить в короткие подборки самых ярких моментов игры или сгенерировать оригинальный контент для соцсетей. Microsoft пообещала предоставить клиентам инструменты для фильтрации и модерации запросов и ответов пользователей. В мае компания интегрировала алгоритм GPT-3 в платформу low-code разработки Power Apps для упрощённого написания программного кода.


2021. OpenAI выпустила язык программирования для создания нейросетей



OpenAI представила язык программирования с открытым исходным кодом Triton, который, по сообщению компании, позволит разработчикам легко создавать высокоскоростные алгоритмы машинного обучения. Разработчики Triton утверждают, что язык программирования позволит достичь максимальной производительности оборудования без значительных усилий. Triton предназначен для написания высокоэффективного кода, выполняемого на графическом процессоре, разработчиками без опыта работы с CUDA. Язык совместим с Python, разработчикам удалось с помощью 25 строк выполнить задачу, на реализацию которой потребовалось гораздо больше ресурсов. Представленное OpenAI решение также упрощает создание специализированных ядер, которые могут быть намного быстрее аналогов в библиотеках общего назначения. Компилятор автоматически оптимизирует код, преобразуя его для выполнения на последних графических процессорах Nvidia.


2017. Google запустил бесплатный playground для обучения нейросетей - Colaboratory



Google запустил сервис Colaboratory (или Colab), предназначенный для учебных и экспериментальных проектов обучения нейросетей на Python. Это бесплатный облачный сервис на основе Jupyter Notebook, который предоставляет всё необходимое для машинного обучения прямо в браузере, даёт бесплатный доступ к виртуальным машинам с GPU. В Colaboratory предустановлены Tensorflow, Keras и практически все необходимые для работы Python-библиотеки. Файлы Colaboratory представляют собой обычные .ipynb «ноутбуки» и хранятся в Гугл-диске. Конечно, у сервиса есть некоторые ограничения, поэтому вы не сможете использовать его для production (для этого есть Google Cloud Platform). Однако, вы можете загрузить свои данные на Colab, обучить нейросеть и сохранить ее для дальнейшего использования в своих приложениях или сервисах.


2017. TPU-чипы Google ускорят нейросети в 30 раз



Специалисты компании Google разработали специализированный процессор TPU (Tensor Processing Unit), имеющий производительность в 45 терафлопс. Такой процессор дает в 10–30 раз большую производительность для работы нейросетей, чем обычные процессоры и графические процессоры. При этом, эффективность работы тензорных процессоров превосходила эффективность других процессоров в 30–80 раз. Именно на тензорных процессорах работала система Alpha Go, которая одержала ряд впечатляющих побед над самыми именитыми игроками в китайскую игру Го. Немного позже в этом году система из тысячи таких процессоров, станет частью облачного сервиса Google Cloud Compute, доступ к которой совершенно бесплатно смогут получить разработчики систем машинного изучения.


2017. DeepMind создает универсальную нейросеть



Как известно, купленный Гуглом стартап DeepMind ранее создал ИИ, умеющий играть в старые компьютерные игры Atari. Однако, фактически они сделали несколько ИИ (нейросетей) - по одному для каждой игры. Теперь же они попробовали создать нейросеть с памятью, которая, научившись играть в одну игру переносила основные навыки (связи) на следующую. После обучения каждой игре в течение нескольких дней сеть могла играть на уровне человека в семь из десяти игр. Но ни в одной игре она не достигла уровня, которого добилась нейросеть, обученная только этой игре.


2017. Технология Google AutoML позволяет создавать нейросети автоматически



В Гугле говорят, что многие бизнесы могли бы воспользоваться достижениями технологии машинного обучения, например, для автоматической сортировки товаров в интернет-магазине или визуального контроля качества произведенной продукции. Но, говорят, у бизнесов не достаточно хороших программистов, которые могли бы запрограммировать нейросеть. Поэтому Гугл создал технологию AutoML которая создает нейросети автоматически. Работает это так: вы загружаете базу размеченных изображений и AutoML подбирает несколько нейросетей-кандидатов и прогоняет эту базу через каждую сеть, обучая их и выделяя самую подходящую модель. Если верить Google, даже сейчас уровень AutoML уже таков, что она может быть эффективнее экспертов-людей в вопросе поиска лучших подходов для решения конкретных проблем.


2015. IBM купила облачного провайдера ИИ-сервисов AlchemyAPI



В прошлом году IBM придумала, как монетизировать свой искусственный интеллект Watson - разместила его на облачной платформе и позволила разработчикам приложений использовать его способности по обработке речи и языка. С тех пор уже создано 7000 приложений с элементами ИИ, предоставляемыми Ватсоном. Однако, IBM - не единственная компания, которая предоставляет ИИ-сервисы. Стартап AlchemyAPI еще с 2011 года предоставлял свои технологии, основанные на глубинном обучении нейросетей, в качестве API-сервисов. Поэтому IBM просто купила конкурента и получила не только сообщество разработчиков, но и технологию компьютерного зрения, которой у Watson изначально не было.


2014. Компьютерная нейронная сеть распознает изображения быстрее мозга



Группа исследователей из Массачусетского технологического института доказала, что по крайней мере в одном аспекте нейросети для компьютерного зрения уже могут победить биологический мозг - в скорости. Они провели эксперимент с обезьянами. Показывали им быстро сменяющиеся картинки, снимая при этом карту активности их мозга. Оказалось что если картинка показывается всего 100 милисекунд, обезьяна успевает ее увидеть, но не успевает осознать (распознать изображенные объекты). А вот нейросеть, созданная этими же ребятами - отлично справлялась с этой задачей за указанное время. Правда, на выходе нейросети были не образы, а всего лишь последовательности чисел (каждое число соответствует определенному распознанному объекту, наприме дерево=4).