Компания NVIDIA, которая играет важную роль в создании вычислительных систем для работы современных алгоритмов глубокого обучения, открыла собственную лабораторию робототехники.
Новая исследовательская лаборатория NVIDIA AI Robotics в Сиэтле (США) — должна стать центром передовых исследований в области физического моделирования и восприятия роботов.

( Читать дальше )

Оказывается, ещё в январе, в стандартную библиотеку — CMSIS (Cortex Microcontroller Software Interface Standard) включили функционал для реализации нейронных сетей — CMSIS-NN.

Основанием для внесения подобного функционала в стандартную библиотеку, стало признание того, что с развитием интеллектуальных периферийных устройств, IoT и т.п. — нейронные сети становятся всё более популярными для выполнения задач аналитики данных сразу на месте, что позволяет уменьшить латентность системы, а также уменьшить энергопотребление, которое можно будет не затрачивать на передачу данных.

CMSIS-NN представляет собой набор функций для реализации нейронных сетей, разработанных для максимизации производительности и минимизации объема потребляемой памяти на процессорных ядрах ARM Cortex-M.

( Читать дальше )

Свежая статья Питера Уордена (Pete Warden) — «Почему вам необходимо улучшить свои тренировочные данные и как это сделать? (Why you need to improve your training data, and how to do it) снова поднимает серьёзный вопрос, касающийся практического применения алгоритмов машинного обучения для решения реальных задач.
Автор обращает внимание, что в научной среде, основной упор делается на разработку и исследование работы новых моделей, в то время как в индустрии — больше всего времени тратится на подготовку и обработку самих данных.

( Читать дальше )

Как связаны машинное обучение и нейронаука?
Например, нейронные сети были разработаны по прообразу устройства мозга.
Siraj Raval рассказывает об открытиях в области нейронауки, которые помогли совершиться прорывам в машинном обучении.

( Читать дальше )

Интересный проект — uTensor — ставит перед собой задачу запуска нейронных сетей и глубокого обучения на микроконтроллерах.

( Читать дальше )

Компания Numenta пытается создать сильный ИИ, копируя структуру новой коры головного мозга — неокортекса.
В этом видео, Siraj Raval рассказывает о том как работает иерархическая система временной памяти (Hierarchical Temporal Memory — HTM). Рассматривает технологический стек HTM и сравнивает его с технологиями глубокого обучения.

( Читать дальше )

Выступление Андрея Себранта (директор по маркетингу сервисов компании Яндекс) на конференции «Деловой интернет» 2017.

Тезисы
Будущее — это не улучшенное прошлое — оно просто другое.

( Читать дальше )

Интересное выступление Александра Хайтина (исполнительный директор Yandex Data Factory) на конференции «Искусственный интеллект в управлении непрерывным производством», совместно проводимой компаниями Yandex Data Factory и «Газпром нефть».

Тезисы выступления

( Читать дальше )

Распознавание речи, становится стандартной опцией (на лицо коммодитизация технологии).
Mozilla, в этом вопросе, не отстаёт от рынка. Год назад, при помощи добровольцев, она начала собирать голосовые данные в датасет Common Voice.
И вот уже готова открытая технология по распознаванию речи.

( Читать дальше )

Многие люди воспринимают нейронные сети как «ещё один инструмент машинного обучения». У них есть свои плюсы и минусы. Они популярны. И, разумеется, их можно использовать, чтобы выиграть соревнования по машинному обучения (Kaggle).

Однако, Andrej Karpathy (раньше — исследователь из OpenAI, сейчас — директор по ИИ в Tesla), считает, что подобный взгляд на нейронные сети — слишком поверхностен.
Рассматривать нейронные сети, как просто ещё один классификатор — это не видеть леса за деревьями.
На самом деле, современный успех нейронных сетей, представляет собой начало фундаментального сдвига в том, как мы пишем программное обеспечение. Это Software 2.0.

( Читать дальше )