Расшифровка видео
0:02
всем привет увлекательное зрелище да ну так вот
0:08
разговариваем про какие-то digital штуковины от urban люди выходят и руками
0:14
переставляют декорации на сцене то ли дело поменять 3 наружных реклам и
0:22
на билборде и переставить декорации друзья всем привет меня зовут никита белоголовцев
0:28
я не просто так вышел на сцену рассказать вам что помимо рефлюкс здесь
0:34
в северо-кавказском федеральном университете ближайшие три дня будет проходить еще
0:40
вот такая классная история ну точнее она собственно потому что декорации
0:45
поменялись уже начало происходить хакатоны и лекции по искусственному
0:51
интеллекту это совместный проект россия страна возможностей и рая к организатор
0:58
серии лекции это министерство экономического развития российской федерации лекции и хакатоны по искусственному
1:05
интеллекту проходят по всей стране серия из пяти десяти событий началась у
1:12
вас здесь в ставрополе 3 после нижнего новгорода и калининграда ближайшие 48
1:20
часов команды разработчиков будут решать самые разные вопросы вот прямо сидеть
1:26
ручками здесь в аудиториях и кодить но перед тем как начинается непосредственно
1:32
ход он всегда проходят лекции по искусственному интеллекту расскажите ребята чтобы я понял и чтобы поняли те
1:41
кто будет перед вами выступать кто занимается из вас чем-то связанным сайте
1:47
огонь так вы все пришли по делу они просто так это же всегда очень приятно
1:53
когда ты приходишь в лекционный зал и слушаешь о чем-то чем-то занимаешься а
1:59
не просто так у меня когда я учился в институте были самые а вы все учитесь здесь в университете до
2:07
или кто-то или кто-то пришел в гости класс ты приехал на хакатон судя потому
2:14
что ты сидишь с бокалом но вот собственно участников хакатон of обратите внимание участники хакатона
2:19
фоне всегда сидят с каким-нибудь напитком во втором ряду это самая
2:26
приятная история когда ты учишься в университете я в отличии от вас учился в
2:33
институте они в университете всегда приятно когда ты учишься и приходишь на лекции которые по твоему предмету иногда
2:41
когда проходишь мимо аудитории заходишь куда то не туда это прямо совсем грустно
2:47
так расскажите в двух словах если здесь кто-то кому нужно рассказать что такое
2:54
искусственный интеллект машин learning и вот вот это все
3:01
класс хочется пошутить что вы в таком выдающемся меньшинстве что вам нужно
3:08
провести индивидуальную лекцию в общем друзья искусственный интеллект все что с
3:13
ним связано один из главных драйверов развития современной цифровой экономике развития российской экономики
3:20
основные вещи которые происходят так слова и в той же самой рекламе на самом деле о которых вы слышали последние
3:26
несколько часов напрямую связаны с тем как машины обучаются алгоритмы
3:32
становится все более совершенными и так далее самые разные вещи от контроля
3:37
качества продуктов до тех же самых алгоритмов тег тока инстаграма дзена и
3:43
одноклассников работают благодаря машинному обучению прямо сейчас мы будем
3:49
говорить об актуальных проблемах машинного обучения и смотрите здесь даже 1 анонс спикера на самом деле выглядит
3:56
невероятно завораживающе дело в том что сейчас на этой сцене появятся сергей марков это ученый специалист по
4:03
искусственному интеллекту и машинному обучению при этом автор одной из сильнейших российских шахматных программ smartlink
4:10
основатель портала 22 век сергей будет рассказывать с одной стороны о последних
4:16
достижениях в области эти искусственного интеллекта и машинного обучения а с другой стороны о том чего мы все так
4:23
боимся а страхах связанных с появлением сверх интеллекта захват мира вот вот эти
4:29
суперкомпьютеры проблемы цифрового тайного суда но и об этом обо всем давайте встретим сергей аплодисментами
4:35
сергей выходите пожалуйста сюда на сцену спасибо за ваши аплодисменты друзья у
4:40
вас даже есть свой микрофон сергей не придется уступать прошу вас так с кликером что у нас здесь вот это
4:49
все здравствуйте друзья
4:54
я сегодня буду рассказывать главным образом о страхах которые
4:59
существуют у людях переда технологиями искусственного интеллекта но тем и это достаточно древняя да и в принципе
5:06
отношения человека с технологиями это вот такая очень непростая история да то
5:13
есть люди создают технология потом сталкиваются с последствиями возникновения этих технологий вот и моя
5:20
сегодняшняя лекция называются легенда о големе но поскольку уж мы будем говорить об
5:27
искусственном интеллекте начнем наверно с того что договоримся о том что мы будем понимать под искусственным
5:32
интеллектом потому что ну вот у бородатых мужиков с древности принято
5:38
было прежде чем о чем то говорить договориться о чем собственно пойдет разговор потому что в противном случае
5:45
все может пойти по неправильному пути дело в том что понятие искусственный
5:50
интеллект она изначально конечно появилась в среде специалистов по
5:56
вычислительной технологиям но в силу своей звучности довольно быстро попала в массовую культуру и сегодня если вы на
6:02
улице остановите человека случайного и сдадите ему вопрос а что такое искусственный интеллект то скорее всего
6:08
его ответ будет основан отнюдь не на чтение работ джона маккарти скорее всего
6:15
его ответ будет основан на голливуда вс комки надо поэтому люди конечно под искусственным интеллектом понимают очень
6:21
разные вещи но что под искусственным интеллектом понимают ученые но ученые понимают под искусственным
6:27
интеллектом область науки и технологии которые занимаются автоматизации решение интеллектуальных задач но что такое
6:35
интеллектуальные задачи но это такая задача которую решая которую человек задействует свой интеллект да то есть
6:40
если есть вот какая-то задачи которые вы решаете при помощи своего интеллекта а мы создаем машину которая также будет
6:47
способна решать эту задачу то собственно вот в этот момент мы занимаемся тем самым искусственным интеллектом
6:53
ну как можно увидеть из этого определения она довольно широкая и
6:58
некотором смысле есть целый ряд интеллектуальных задач которые конечно совершенно тривиально да например
7:04
складывая 2 числа в уме мы тоже задействуем свой собственный интеллект вот но здесь ситуация похожа на ту
7:11
ситуацию которая существует например математики до то есть арифметика два плюс два равно четыре это в общем то же
7:18
математика да на человека который освоил таблицу умножения вы вряд ли начнете называть математиком поэтому когда мы
7:25
говорим об искусственном интеллекте мы конечно обычно говорим о решении задач
7:30
который находится на грани возможностей современных технологий вот именно поэтому область собственные исследований
7:37
в области искусств но в искусственном интеллекте она всегда находится там где существуют какие-то интеллектуальные
7:43
задачи которые пока что мы не умеем решать очень хорошо ну или решили хорошо
7:49
сравнительно недавно внутри вообще понятие искусственного интеллекта есть очень важный водораздел
7:56
существует понятие прикладного или слабого искусственного интеллекта или русского искусственного интеллекта
8:04
что это такое это системы которые предназначены для решения обычно
8:10
какой-то одной задачи или какого-то маленького спектра задач ну скажем шахматная программа которая умеет играть
8:16
шахматы она кроме этого не умеет ничего да она не умеет играть не в покер да она
8:21
не умеет распознавать картинки она умеет так только играть шахматы да
8:26
еще и вдобавок она умеет играть только шахматной доске 8 на 8 он доски 9 на 9 она уже в шахматы сыграть не сможет с
8:33
вами вот и в общем то все практически все системы искусственные интеллекты
8:38
которые созданы человеком до нынешнего периода это как раз такие слабые системы
8:44
искусственного интеллекта она на другом полюсе науки находятся пока жду гипотетически систему
8:51
универсального искусственного интеллекта то что называется по английской арте fashion artificial general intelligence
8:58
то есть это такие системы которые смогут решать неопределенно широкий спектр интеллектуальных задач которые может
9:05
решать человеческой человеческий интеллект и мы сейчас продвигаемся
9:10
активном направлении создания таких систем вот но я сегодня расскажу в том числе некоторых опытах в этой области
9:17
ну тоже такая забавная шуточка да то есть очень часто обывательский взгляд на
9:23
искусственный интеллект он построен по такому принципу до что вот если какая-то задача уже решено машинами то вам люди
9:31
скажут что но нет это как бы никакой не искусственный интеллект скажем в пятидесятые годы
9:37
понятно было что если бы вы спросили у человека будет ли программа которая обыграет чемпиона мира
9:44
в шахматы система искусственного интеллекта то конечно бы вам человек сказал да да
9:49
будет да но сегодня если вы знаете такой же вопрос простому человеку вам скорее
9:54
всего скажут ну подумаешь там машина обыграли человек шахматы они просто они глупые просто очень быстрые да вот такое
10:01
тоже существует мнение а вот когда вы там не знаю сможете в гол обыграть до
10:07
сказал бы вам человек в начале двухтысячных вот тогда то это и будет искусственный интеллект вот но когда
10:13
машина наконец-то стали обыгрывать людей в года но тут тоже как бы встал снова вопрос а где где настоящий искусственный
10:20
интеллект да то есть очень часто в таком обывательском сознание искусственный интеллект от что то что не может
10:25
существовать в принципе да потому что ну как бы все что мы сделали до сих пор это
10:30
не искусственный интеллект а то что сделаем когда-нибудь потом вот она ему будет вот на это называется такой
10:36
шуточный эффект искусственную интеллектом вот тем не менее мы живем в эпоху
10:43
которую но в общем часто называют новой весной искусственного интеллекта я честно говоря думаю что уже правильно
10:49
говорить о лете искусственного интеллекта потому что она в отличие от предыдущих
10:56
периодов подъёмы интереса к этой области сегодня системы на базе машинного обучения
11:02
заняли очень плотно и место в нашей жизни и на самом деле вот у каждого из вас наверняка есть мобильный телефон но
11:10
так вот в нем несколько нейронных сетей например работы до решая некоторые задачи прикладного характера
11:15
вот потом практически в любом современном телефоне поэтому конечно мы наверное можем говорить уже о лете
11:23
искусственного интеллекта но почему это произошло именно сейчас ведь собственно само понятие искусственного интеллекта
11:29
она появилась в пятьдесят шестом году до до этого в общем то был
11:34
тьюринг стану который использовал чуть другое но похоже и понятие машинного интеллекта в конце концов был расцвет
11:43
нир сетевого направления в 60-е годы вот почему именно сейчас произошло то что
11:50
произошло но на самом деле здесь три самые главные причины по большому счету первое это то что
11:57
появились новые алгоритмы новые более совершенные архитектуры нейронных сетей в частности но и не
12:04
только а вот второй момент это значит появление машин которые оказались
12:13
способны работать с большими моделями машинного обучения да то есть и речь здесь идет не только о том что компьютер
12:20
становится быстрее да и воле все более и более производительным постепенно но дело в том что появились появились
12:26
специальные машины которые действительно удобны для выполнения например нейросетевых моделей но это в первую
12:33
очередь тем зарны и процессор это что является сердцем любой современные
12:39
видеокарты да то есть это процессор который может перемножать складывать большие матрицы чисел вот достаточно
12:47
быстро но и оказалось что такого рода оборудования она дает большое преимущество по сравнению с обычным с
12:52
конвенциональным процессором вот ну и третье но не менее важная причина это
12:58
накопление огромного количества цифровых данных называемому цифрового следа
13:03
человечество вот если бы вы в 70-е годы захотели бы научить машину понимать
13:09
естественный язык вы бы столкнулись тем фактом что у вас ну оцифрованных текстов
13:15
раз-два и обчелся да то есть вам бы пришлось не знаю посадить студентов университета за зачет набивать войну и
13:24
мир да и наверное они бы там за несколько месяцев большая команда людей это бы сделало да но во первых это в
13:32
общем трудоемкую история и зачета на халяву ставить не хочется вот во вторых
13:37
но как бы война и мир от конечно очень большой текст но по меркам всего
13:43
русского языка но он очень маленькие да то есть на самом деле вы столкнулись бы с тем что данных вам взять просто
13:49
неоткуда ну или например цифровая фотография ведь до появления цифровой фотографии собственно найти оцифрованные
13:57
изображения не знаю котиков и собачек да то есть он тоже нужно было это делать самим да то есть любой исследовательский
14:03
проект в этой области он упирался вы чаще всего именно вот в это да то есть в отсутствие должного количества цифровых
14:10
данных сегодня за счет появления фотографии в начале затем цифровой имеется ввиду за счет появления
14:18
значит различных систем допустим распознавания текстов да потом
14:23
появления интернета социальных сетей благодаря которым люди огромное количество цифровых данных
14:29
самостоятельно оцифровывают да и выкладывают в общий доступ человечество обзавелось гигантскими
14:35
массивами цифровой информации той сегодня найти например массив в котором будет там 10 или даже 100 миллионов
14:42
изображений но в общем то большой большого труда не составляет вот поэтому когда вы берете модель который обладает
14:50
большим аппетитом к данным ну такую такую как свёрточная глубокая нейронная сеть зато есть оказывается что вам есть
14:57
на чем ее учить ну и много на самом деле других факторов здесь вносит свой вклад например промышленная автоматизация
15:04
современными производствами тоже управляют люди используя машины да это
15:09
значит что в процессе работы не знаю современного производства накапливается огромное количество данных о том как это
15:15
производство работает эти данные потом можно использовать для обучения системы которая будет помогать принятие решений
15:21
на этом производстве ну вот у меня есть такой страшный слайд он на самом деле не для того чтобы его читать он скорее для
15:28
того чтобы подавлять а вот он про то что технологии искусственного интеллекта и
15:34
машинного обучения это технологии которые претендуют на то чтобы радикальным образом изменить вообще весь
15:41
облик нашей деятельности потому что очень трудно найти такую сферу народного хозяйства в которой технологии машинного
15:48
обучения искусственно интеллекта были бы не применимы вот и в этом смысле но
15:53
когда прозвучало знаменитое изречение о том что и резинку electricity до что
16:00
искусственный интеллект от новые электричества да на чем она была основана но вот а электричество ведь
16:05
похожие была судьба да то есть когда то давно в эпоху пара или там двигатели
16:11
внутреннего сгорания электричество воспринималось как но такая приятная вишенка на торте да то есть это вот но
16:18
это что то такое развлекательное да то есть конечно можно ведь дом освещать спокойные свечами да то есть и
16:24
керосиновой лампой да но электричество но это вот ну какие то игры богатых до
16:29
какого-то момента времени вот а потом вдруг оказывается что например при помощи этого электричество можно сделать
16:35
рефрижератор да и рыбу которую до этого потребляли только жители прибрежных районов отвести там
16:42
куда-то вглубь материка да и вот внезапно оказывается что такого рода изменения они но радикальным образом
16:48
перестраивают все общество да то есть сменяется там структура питания меняется
16:54
структура производства меняется огромное количество вещей в обществе да из-за такой казалось бы чепухи которая вчера
17:00
ну считалось каким-то таким развлечением для [музыка]
17:06
так сказать праздных людей вот ну количество данных до человечества
17:12
накапливает данные с огромной скоростью интересно что кривая вот роста
17:18
количества цифровых данных человечество она тоже такая похожая на экспоненту вот если взять все цифровые данные которые
17:26
человечество сейчас накопила а вот но точнее вот здесь 175 зато байт это
17:32
прогноз 2024 году сколько у человечества будет данных да то есть давайте представим себе что мы взяли вот ну что
17:39
что такое 175 за табой один за тобой этот один триллион гигабайт до давайте запишем эти все
17:46
данные на 9 диски с самой высокой плотностью с какой мы еще сумеем да и сложим эти все 9 диски в стопку да и у
17:54
нас получится стопкой высотой 17 миллионов километров достающим сорок четыре раза больше чем расстояние до
18:00
луны вот и смотрите каждые два-три года количество цифровых данных которым
18:05
человечество обладает удваивается вот то есть вот теперь меня например эта
18:12
тенденция наводит на мысль о том что вообще каждый новый год который мы живем на земле он радикальным образом не похож
18:18
и вообще на всю предыдущую историю человечества и возможно те так сказать хорошие рецепты которыми мы сегодня
18:25
обладаем основанные вот ну на нашем прошлом они уже не так уж и хороши но
18:31
несколько слов о моделях которые лежат в основе революции глубокого обучения вот
18:37
я нарисовал такой вот мемас который вкратце объясняет откуда появились
18:42
свёрточная нейронные сети вот я послал его я далеко но он подтвердил сказал да вот так и было поэтому это заправленными
18:49
масса вот значит но на самом деле понятно что рассказывать про историю возникновения современных нейросетевых
18:56
моделей можно можно долго да но со смертными нейронными сетями довольно забавная история она началась
19:03
эксперимент авторство вывези леди видах убили-то 2 нейрофизиолога будущих на тот
19:09
момент нобелевских лауреата они исследовали зрительную кору кошки вот и
19:14
в ходе своих экспериментов они обнаружили в ней нейроны которые реагируют на определенные паттерна и
19:20
которые находятся в изображении которое видит глаз кошки вот ну и собственно
19:26
говоря их открытие они вдохновили в начале фрэнка розенблат а потом после
19:32
его смерти этим занялся кунихико фукусима который создал неё как нейтрон в общем-то который можно уже считать
19:40
неким прообразом современных сверх ченных нейронных сетей ну и затем уже я нe ли кун
19:46
месяца своими коллегами с командой под
19:51
руководством джеффри хинтона он собственный разработал современной свёрточная нейронная сеть и и именно эта
19:59
модель в 80-е годы легла в основу например системы распознавания почтовых индексов сша в сша почтовые индексы
20:06
пишутся рукописным шрифтом поэтому значит было уже тогда создана нейронная
20:12
сеть которая распознавала вот эти рукописные циферки на конвертах вот ну а
20:18
уже в начале ну в тысячелетие святочные
20:23
сети начали свое победоносное шествие решая одну за другой сложные задачи по распознаванию образов в одну еще одна
20:30
модель который нужно упомянуть понимал сварочных нейронных сетей современной архитектурой рекуррентных
20:36
сетей мы рекуррентные сети это сети в которых выхода и нейронов сигнал из них могут попадать обратно на входы
20:42
возвращаться в предыдущие слои вот такие сети в общем-то знали очень давно то
20:47
есть ещё создатели 1 в первой модели искусственного нейронам около капица они рассматривали рекуррентные сети но
20:54
только вот благодаря работать юрги наш мир хубер а и его коллеги в
21:00
паховых райтера удалось построить архитектуры рекуррентных сетей которые действительно эффективно и быстро
21:05
обучалась это так называемая долгая краткосрочная память и эти сети они используются ситуациях
21:12
когда вам нужно обрабатывать последовательности они какие-то данные фиксированные размерности ну что в
21:18
результате в результате например мы увидели огромный прогресс в точности распознавания образов в 2010 году прошли
21:26
первые соревнования по распознаванию изображений из массива imagenet но это
21:33
такой гигантский массив картинок из десятка миллионов примерно изображений
21:39
вот и вот конкретно в этом соревновании модель машинного обучения но любая
21:47
модель искусство интеллекта участвующих знаниях должна была определять ну собственно что изображено на картинке
21:54
да то есть определять класс которому относятся объекты на картинке и в 2010
22:00
году вы видите ошибка составляла для лучшей системы 28 процентов вот ну
22:07
немножко удалось улучшить в одиннадцатом году этот результат и вот двенадцатом году на это соревнование впервые
22:13
приходят система основанный на сфер честных нейронных сетях мы видим что ошибка сразу падает на 10 процентных
22:20
пунктов и дальше все не останавливается фактически уже никакой конкуренции другие модели
22:27
машинного обучения в этой задаче с вечным сетям составить не могли в 2015
22:32
году происходит очень важная вещь дело в том что люди работая с этим же массивом изображений допускают примерно 5
22:39
процентов ошибок это значит что 2015 году появилась первая модель которая оказалась способна распознавать
22:46
изображение лучше чем это делают люди и на этом прогресс тоже не остановился и
22:51
все это привело к тому что в 2017 году массив и мыши над перестали использовать
22:57
для сравнения моделей машину обучения потому что задача стала слишком тривиальный для современных систем
23:03
распознавания образов и кроме того оказалось что вот этот вот там остаток 2 процента он связан не с ошибками модели
23:10
sage ip-камера заметки данных главным образом например там есть очень смешная картинка где нарисован причал на нем
23:19
стоит яхта а где-то в уголке лежит маленькое незаметно и полотенце и
23:25
размерчик проставил этому изображение метку полотенце
23:31
такой чепухи много было но использовать сейчас другие массивы более сложны для
23:37
распознавания образов но вот например такие массивы как си farstone то есть
23:42
там уже такой более серьезный набор 100 разных классов изображений нужно
23:47
распознавать мы видим что прогресс не останавливается да то есть мы сейчас там не будем вникать конкретные цифры но
23:53
смысл заключается в том что каждый год появляются модели которые все лучше и лучше справляются с
23:59
задачами распознавания образов примерно похожая ситуация в распознавании речи
24:04
вот то есть здесь опять же для английского языка был
24:10
в 2000 на границе шестнадцатого семнадцатого года проведен барьера
24:16
точности которые люди демонстрировали при распознавании распознавания речи но это результат для
24:22
английского языка и для достаточно чиста вода to set a да но скажем так сегодняшний stem распознавания речи а не
24:30
для других языков с этой задачей справляются не хуже чем людям
24:35
распознавать можно много других видов данных до например данная физической активности вот у вас смартфоне наверняка
24:41
есть встроенный гироскоп акселерометр до собирая данные с этих двух датчиков можно оказывается определить чем вы
24:48
занимаетесь данный момент времени там сидите стоите бежите поднимаетесь по лестнице и так далее есть конечно задачи
24:55
которые пока люди решают лучше чем нейросетевые
25:01
модели и в том числе вот есть такой такая проблема как ответа на
25:08
вопросы по картинке да то есть вы показываете человеку или машине картинку и задаете вопрос на естественном языке
25:13
ну например вот покажите верхнюю картинку и спрашивать а сколько на сколько частей здесь разрезана пицца до
25:20
или является ли она вегетарианской или вот по нижней картинке задаете вопрос там из чего сделаны усы этого человека
25:30
на картинки вот значит ну что здесь мы видим да ну вот
25:35
на конкретно этом массиве seo seo веке на нем люди демонстрируют там
25:42
точности 83 процента при распознавая при ответе сдают 83 процента правельных
25:49
ответы на заданные вопросы лучшая модель вот которая на 1 половину
25:54
2021 года была доступна да она давала точность там семь семь с половиной процентов вот но если темпы развития
26:02
будут сохраняться вы понимаете что это вопрос там пары лет чтобы машины и эту
26:09
задачу смогли решать лучше чем людям ну или вот другая традиционно сложная
26:16
задача в области машинного обучения и искусственный интеллект а это машинный
26:21
перевод вот очень много всяких ухом связано с машинным переводом я думаю что вы и сами наверняка себя развлекали
26:29
такими вещами но вот один из способов измерить насколько хорош машинный
26:34
перевод и перевод вообще это так называемая оценка blue
26:40
значит не вдаваясь подробности способа ее подсчёты скажу лишь что вот
26:48
границы 50 баллов blue она отделяет хорошего переводчика от очень-очень
26:53
хорошего до скажем так то есть вот достижение уровня 50 процентов этого достижения такого state-of-the-art
26:59
уровня перевода который демонстрирует люди вот что мы видим да лучшие модели
27:05
мы по опять же в разных языковых порах там точность разно достигается там есть свои нюансы 40 22,7 балла вот у модели
27:15
лучшие там двадцатом году 21 я не смотрел честно говоря наверно чуть-чуть
27:21
еще удалось улучшить этот показатель до ну то есть вот можно посмотреть 14 года
27:27
до 20 до за шесть лет модельки прибавили соответственно вот где то там в районе
27:33
там 7 8 пунктов по blue ну что это значит но это значит что вот опять же ну
27:41
нам нам нам по всей видимости нужно там лет шесть для того чтобы система машинного перевода достигли уровня
27:48
лучших переводчиков людей
27:53
ну или другие задачки да там раскрасить картинку до здесь на самом деле
28:00
нейронная сеть и довольно хорошо сегодня справляется с такими задачами потому что вы легко можете сделать обучающий набор
28:07
данных для такой сети да просто взять миллиона картинок обесцветить их да и дальше пытаться обучить сетку
28:15
восстанавливать цвет собственно каждого пикселя почему это работает но потому что сетка
28:21
изучив миллион картинок она знает там что у петухов гребешок красный поэтому
28:27
его надо в красный цвет красить там ну и так далее и так далее вот это вот кстати довольно ранний еще работает и 15 16 год
28:35
можно посмотреть в общем достаточно уже тогда получилось раскрасками
28:41
правдоподобное вот ну вот это тоже забавно и направление перенос художественного стиля то есть
28:47
оказывается можно сверху сетку вывернуть что называется наизнанку вот и вместо
28:53
того чтобы давать нам просто на выходе класс того изображение которое мы в нее
28:59
подаем мы можем изменить наоборот входное изображение таким образом чтобы
29:05
она больше соответствовала определённому классу да например вот ну и вот этот
29:11
подход он позволил появится такому направлению как перенос художественного
29:16
стиля то есть вы переносите стиль какой-то картинки на другую картинку которую подаете туда на вход вот ну мне
29:25
много таких картинок думаю что вы можете сами много-много нагуглить на и
29:30
попробовать сами интернете есть такие сервисы готовы ну еще один шаг вперед а давайте мы
29:37
попробуем сетку предсказывать какие-то утраченные части изображения да то есть вот у нас
29:43
есть сетка есть картинка на которой как часть удалена да и сетка догадывается
29:49
что там должно быть называется in painting окрашивание по русски вот вот
29:56
та же модель сделана последние годы на самом деле уже есть
30:02
репозиторию на гитхабе с очень полезным применением этой технологии для удаления
30:07
цензуры с хентай картинок вот но я вам результаты работы и не буду показывать
30:13
вот значит довольно интересное явление это появление в семнадцатом году новой
30:21
нейросетевой архитектуре который получил название трансформеры вот и благодаря
30:26
этой архитектуре удалось серьезно продвинуться в задачах
30:32
задачах понимания естественного языка вот ну в частности вот есть такой тест
30:38
который называется super blue он включает в себя большой набор разных задачек решающие и
30:45
чем человек или машины решающий задачки должна продемонстрировать свою способность понимать высказывания на
30:52
естественном языке ну и строить какие-то выводы вот на самом деле для русского языка существует аналог этого теста
30:58
называется рашен super glue он создан под руководством татьяны шаврин и ее команды вот но вот
31:04
что мы видим в начале 2021 года впервые появились модельки
31:10
которые обошлись здесь людей вот то есть решает причем не одну а сразу получается
31:16
набор из нескольких типов задачек на понимание естественного языка вот ну и в
31:23
общем-то благодаря трансформером на свет появились такие модели например как g5 3 вот модель
31:30
которая в прошлом году наделала очень много шума уже 5 3 эта модель которая
31:36
продолжает и введенный вами текст вот но это звучит очень просто да то есть
31:43
продолжу этот текста на самом деле оказывается что для того чтобы продолжить текст можно нужно уметь
31:48
решать очень много разных задач и куда потому что почти любую задачу по обработки
31:54
естественного языка можно представить в виде задачки продолжить текст да то есть например
31:59
например нужно вам определить является ли какое-то суждение ругательным ли
32:05
хвалебным да и вот вы тогда пишите текст там какое-то суждение те ругательное
32:11
обсуждение тире хвалебное осуждение тире ругательное осуждения тире и дальше
32:16
просите такой модель продолжить этот текст датой чтобы его там хорошо продолжить нужно угадать являются
32:22
выражения хвалебным или ругать или ну и так далее да то есть вы можете очень много разных задач по обратке
32:27
естественно языка превратить вот такую генерацию да это на самом деле не только про то что бы писать тексты которые
32:34
будут похожи на то что пишут люди дают gp3 самая большая версия этой модели
32:40
умеет писать тексты которые другие люди не отличают от текста в написанных людьми
32:45
вот ну попутно эта моделька стала на тот момент самые крупные вообще
32:52
такой конвенциональной нейронной сетью эта модель со 170 пятью миллиардами
32:58
параметров и внезапно вообще человечество снова вернулась в эпоху так
33:03
сказать больших компьютеров мэйнфреймов потому что для того чтобы такую модель его учить вам конечно нужны гигантские
33:09
вычислительные мощности более того нужны довольно серьезные чувствительной мощности даже для того чтобы
33:14
использовать уже обученную модель вот но джип ти3 не единственная модель на
33:21
основе трансформеров лишь способны решать широкий спектр задач обработки естественного языка ну
33:28
вот например у google есть своя моделька которая называется ти five ее многоязычная версия м ти five вот ну тут
33:37
в прессе появляются сообщения о моделях которых более триллиона параметров но
33:43
это немножко а такое читерство потому что модель свечи трансформер тоже
33:49
разработанной исследователями из google она на самом деле как бы не является единой нейронной сетью она является
33:55
таким комиссией не знал из нескольких нейронных сетей нейронной сети которые
34:01
перераспределяет между ними вопросы вот но тем не менее мы сейчас как бы
34:06
находимся в стадии такой гонке вооружений и огромное количество исследовательских коллективов во всем
34:12
мире создаёт все более и более большие нейросетевые модели для решения различных задач но и вот моя
34:19
команда в сбербанке это тоже не исключение здесь мы создали
34:25
русскоязычный аналог сети g5 3 которая получила название рудже 5 3 и для
34:30
обучения этой сети был использован самый большой и самый мощный в россии супер компьютер который называется кристофори
34:36
вот и в общем чтобы обучить модель с 13 миллиардами параметров например нам с
34:43
использованием этой машины нужно было несколько недель учить они roncato есть ну вот можете себе представить какие
34:50
здесь интересные ставки ну такие модели обычно учиться на
34:57
огромных объемах текстов то есть но наши например случае это были там слепки википедии русскоязычный англоязычный это
35:05
огромная база ход лета но на самом деле полностью либрусек вы груженый вот там
35:13
всякие разные вопрос на ответные datasette и юридические документы просто подряд по
35:20
сканированные сайты в интернете при помощи краулеры и так далее да то есть в сумме это но сейчас допустим и там
35:27
оперируем терабайт ными объемами текстов для того чтобы учить такие модели
35:33
вот ну что такие модельки могут но они вот например могут коробка коробка полети на небо принеси
35:41
нам да и вот сетка пишет вам вполне осмысленный текст целую притчу про эту
35:47
самую коробку коробку вот но поскольку в обучающей выборке были еще был еще и
35:53
программный код то пожалуйста можно вот ввести ввести некоторые программный код
35:59
попросить модель к его продолжить но и получается даже даже довольно довольно
36:04
вменяемо ну или вот например диалог да то есть вы затравку для сетки оформляете в виде
36:12
диалога да то есть видите там есть какой-то персонаж двоеточие что он сказал вот и сетка понимает это да то
36:19
есть она продолжает этот текст тоже как диалог да то есть вот тоже пример того
36:24
что вы получили модельку которая может решать не только одну задачу много разных вот
36:31
или вот это тоже у нас это долгое время был таким забавным развлечению мы брали
36:37
значит какие-то тексты занимательных фактов и дальше пробовали
36:43
сетку продолжать вот она на самом деле перевирает то есть она выдумывает факты но вот на глазок трудно отличить
36:51
настоящий фактор ненастоящего да то есть в северной корее пельмени едят даже голуби но я не знаю может быть я не
36:58
проверял вот ну или например рецепт давайте попробуем написать рецепт при помощи
37:05
такой сетки до чтобы приготовить самые вкусные мире гуляш нужно взять вот ну в
37:10
общем получается рецепт ну наверное наверно можно по нему с готовить гуляш не не знаешь насколько он будет самый
37:16
вкусный в мире но в принципе он какой то более менее годные да вот ну или вот
37:21
можно получить внезапно другой ответ да чтобы приготовить самый вкусный в мире
37:27
гуляш нужно взять всего лишь взять простой советский кабачок вот
37:33
но вот всякий трэш тексты до гороскопы или
37:39
желтые то что пишет желтая пресса пожалуйста все таки сегодня могут написать это не
37:46
хуже человека мне вот очень понравилось например что богачёва раскрыла подробности своей биографии в которой
37:53
оказалось немало скандальных эпизодов например она утверждала что в молодости была гейшей а также что не в шкафу
37:59
хранился сухой паек на случай атомной войны ее зять г л рамазанов открыл для
38:04
себя ясновидение вот но мне кажется можно уже смело выпускать газету с
38:10
такими текстами и она найдет своего читателя но от но с гороскопом то же самое видите
38:15
какое то получился меняем и гороскоп вот ну давайте попробуем такую сетку заставить делать куни задачку посложнее
38:21
ну например писать художественные тексты оказывается что в общем то но сетка с 13
38:27
миллиардами параметров может даже делать и такое вот это литературные анекдоты harm совские да посмотрим какие сетка
38:35
нам сочинила новые литературные анекдоты но мне конечно больше всего наверно понравилось понравился 5 навсегда
38:43
запомнилась пушкину как гоголь стал матросом он вышел из кабака и заглянул в один кабак заглянул в другой потом пошел
38:50
домой постучал свою мазанку и сказал я матрос
38:57
ну диалоговые модели активно развиваются тоже на основе трансформеров домино это
39:03
работа исследователи из угла блендер бататов из буковская facebook
39:11
овский разговорный бот сегодня общаясь с такими ботами практически не знаю что вас разводят
39:19
очень трудно отличить человека от такого разговорного бота то есть он будет
39:25
поддерживать с вами более чем сознать так сказать счас мысленный диалог до скажем так вот и мы тоже
39:34
сбербанке такие модели строим на основе трансформер ных архитектур в данном
39:39
случае вот у нас семейства виртуальных ассистентов салют есть персонаж джо и вот они и диалоговая моделька она
39:46
построена на основе генеративные трансформер на архитектуры но вот тут какие-то примеры диалогов до
39:53
в одном и стремились создать такого собеседника который будет максимально развлекать человека который с ним
39:59
общается вот то есть она в итоге там много чего конечно фантазирует всякой чепухи говорит not но мне кажется что
40:06
это достаточно забавно так
40:12
ну и на самом деле трансформер най архитектуры как казалось могут работать не только с текстами но и например
40:17
работать и в зрительной модальности вот эта моделька появилась в январе но
40:24
было опубликовано в январе 2021 года называется далее на самом деле это
40:30
архитектурный это та же самая gp3 вот но в которой
40:35
значит изображение как бы разделяется на такие токены как бы сники и условные
40:43
аналоги слов вот и соответственно эта сетка в результате может например по
40:49
тексту сгенерировать вам картинку или например по картинке сгенерировать текст или в соответствии с текстом
40:55
модифицировать ту картинку которую вы подаете на вход ну вот например картинки
41:01
которая далее нарисовала запрос кресло форме авокадо кресло
41:06
имитирующие авокадо вот ну или вот мне например очень нравится левый примеру
41:12
здесь сетки сказали попадали на вход текст иллюстрация с изображением ребенка до
41:19
икона в пачке выгуливающие собак у вот ну просто это примерно позволяет понять что сетка на самом деле не просто
41:25
запомнила там 100 миллионов картинок до из интернета на которых она обучалась она действительно в состоянии
41:30
комбинировать но довольно абстрактны и скажем так понятия до из них выстраивать
41:36
какой-то визуальный образ вот или вот справа тоже удивительный результат оказалось что сетка запомнила как
41:42
выглядят буквы и можно ей написать там типа витрина магазина с написанным на ней словом опыт и ой и увидеть вот такие
41:50
картинки на выходе с более длинными словами аппарат не очень хорошо получается но для коротких надписи
41:56
оказывается что дали тоже там с 13 миллиардами параметров в состоянии решить эту задачу но дали называется
42:03
потому что это одновременно про сальвадора дали и про робота воли ну то
42:08
есть игра слов название сетки вот ну очень сетки довольно хорошо справляются
42:15
с задачами трансформации изображение но это тут какие-то шуточки из серии
42:21
обучили сетку на изображениях котиков потом нарисовали ей
42:27
вот такой эскиз до нарисую нам такого котика в итоге появилась картинка
42:32
которая называется котлов от версии реал generation and такой локальный мем среди
42:38
разработчиков с тем машинного обучения то есть от такой кота ломоть даже толик
42:44
это буханка вот восемнадцатом году впервые на
42:49
крупному аукционе было продано картина нарисованная моделью машинного обучения
42:55
вот ну и вообщем мне кажется в чём чем дальше тем больше мы увидим такого рода
43:00
такого рода игр а здесь вот качестве подписи художника написано формула
43:06
но сформулированной задачи оптимизации для так называемых генеративно состязательных сетей довольно интересный
43:12
подход когда у вас есть две нейронные сети 1 нейронная сеть генерирует картинки а другая нейронная сеть
43:17
пытается отличить сгенерировано картинку от настоящей и обучаясь иди сети как бы
43:23
соревнуются друг с другом и таким образом первая сеть учатся генерировать такие картинки которые 2 не сможет
43:29
отличить от настоящего и вот это вот состязание она позволяет достичь более качественной генерации вот но опять же
43:38
если мы научились хорошо работать с текстом вот нужно менять что все в некотором смысле есть текст ну например
43:45
музыка это тоже ведь текст до написанный при помощи специальной специального языка нотной грамоты вот но здесь вот
43:52
например моделька сочиняет музыку он давайте поставим на какой-нибудь
43:57
не знаю 2 2 давайте ну можно попросить кликнуть на может мне кто-нибудь помочь
44:04
от с clicker они это самое не справлюсь
44:10
[музыка]
44:15
и [музыка]
44:27
[музыка]
44:33
[аплодисменты]
44:38
[музыка]
44:51
в общем короче тут примеров много я думаю организаторы потом расширит отопри за вы сможете послушайте другие примеры
44:58
музыки сгенерированные трансформерами герц генеративные моделями сейчас у меня уже времени мало совсем оканчивается я
45:04
поэтому буду прям галопом по европам здесь некоторые вещи пробегаюсь да это лица несуществующих людей до их
45:10
генерировал нейросеть это но это видосик про это немножко
45:17
рассказывается подробно потом тоже если захотите посмотрите вот это наша работа в общем-то совмещающие
45:27
несколько нейросетевых технологий и здесь не рамки могут по одному кадру по
45:33
статическому изображению при помощи и модели которая называется first ордер машину дал сгенерировать такие
45:41
трансформации этого кадра чтобы заставить двигаться это лицо вот она из другой стороны не рамки используются для
45:48
синтеза речи вот соответственно почему бы это не совместить
45:55
так звук не слышен человек суровей осужден он должен знать о смертном
46:01
приговоре подписанным когда он был рожден но
46:07
осознавая жизни быстротечность он так живет наперекор всему как будто жить
46:14
рассчитывает вечность и этот мир принадлежит ему
46:20
ну вот это голос накиньте я смог тонов ского которые не ровная сетка началась
46:25
воспроизводить там изучив 18 с половиной часов записи его речи и теперь мы можем
46:32
голосом скульптура вс кого читать произвольный текст вот
46:38
генерация музыки вместе со словами и с пением моделька juke box а там
46:48
стиля фрэнки с
46:54
поддельными расстилай frank sinatra на
47:01
так но синтез речи здесь тоже все в это уже наверняка видели и слышали что не
47:08
рамки в этом плане могут [музыка]
47:15
вами галатея пьяная и вингал боудя нейросетевой
47:21
китайская певица прекрасно прогресс в области игр до этого я думаю что тоже
47:28
многие из вас слышали о том что удалось серьезно продвинуться в разных
47:34
настольных играх и победа там на человеком в год а на этом все не закончилось система альфа зиру я сегодня развивается
47:43
дальше создана система mie озеро которое состоянии учиться играть в игру правил
47:48
которые она не знает и осваивает входят собственно своих своего процесса
47:54
обучения вот это вот направление которое называется обучение с подкреплением
47:59
почему она важна потому что по сути дела машины идут от решения задачи очень
48:06
упрощенным игровым пространством к задачам реального мира да то есть мы
48:11
понимаем что там крестики-нолики эта маленькая доска и мало вариантов до шахматы большая сравнительно доска много
48:19
вариантов тамга еще еще больше там
48:24
starcraft тот еще больше да и и все это движение в направлении реального мира да
48:30
то есть какой-то момент машины смогут и для реального мира решается задача с тем же с той же сложностью с тем же
48:37
количеством альтернатив вот но при всем при этом важно понимать одну
48:43
вещь значит современная электроника вообще по своим возможностям человеческому мозгу пока
48:50
уступает и довольно сильно на довольно парадоксальный момент когда вам кто
48:55
нибудь скажет что машины просто очень быстрый и берут грубой силой при решении
49:00
многих задач вот вы можете ему показать вот этот расчет человеческий мозг состоит из примерно 86 миллиардов
49:07
нейронов в среднем из квадриллиона синапсов на пике своего развития каждый синапс чтобы его смоделировать нам нужно
49:14
как минимум несколько но нам хотя бы тысяча триггеров да хотя на самом деле
49:19
видимо десятки тысяч транзисторов да вот если мы посчитаем как бы вот размер
49:25
мозга в условных транзисторах да кажется все для электроники очень плохо да вот и
49:31
даже несмотря на то что электроника работает быстрее действительно рабочей частоты для электроники гораздо выше чем
49:37
для человеческого мозга с его там одним килогерц сам но несмотря на все это пока что машинам
49:44
пару порядков не хватает по производительности для до человеческого мозга даты человеческий мозг каждое
49:50
мгновение производит гигантское количество операций мы сами этого не осознаем вот но тем не менее то есть
49:57
любой любую любая попытка создать систему которая основана электроники
50:03
которая должна решать какие-то задачи лучше чем это делает человеческий мозг но это немножко как сказать больших 7
50:11
шапок из овцы выкроить да то есть электроника пока не достаточно хороша для того чтобы сделать такую же
50:16
универсальную штука как человеческий мозг и если нам что-то удалось сделать какой-то области лучше чем это умеют
50:22
люди то это в общем ну такое покое благодаря хитрости это удается основном
50:30
тем не менее машина становится все быстрее совершенствуется электроника да вот рэй курцвейл в 2006 году в своей
50:38
книге сингулярность близко он попытался во-первых оценить но какие вычислительные мощности нам нужны чтобы
50:45
симулировать работу человеческого мозга вот и во вторых но он построил так вот такой вот график до демонстрирующий рост
50:53
мощности наших самых топовых суперкомпьютеров вот я на этот график
50:58
поставил красную точечку чтобы показать что в общем-то действительно тренд развития тренд роста вычислительных
51:04
мощностей машину он по-прежнему такой же да это значит что где-то там к началу
51:10
2030 их у нас по всей видимости появятся система способный симулировать
51:17
не расти вы модели размером с человеческий мозг вот а это значит что мы можем себе позволить
51:25
эксперименты с такими моделями да и возможно наконец-то сможем создать системы которые будут в париже
51:31
универсальны как мозг человека вот принципе я думаю что это даже неизбежно
51:39
параллельно в области технологии решается задача создания
51:44
специальных устройств которые сделают нейросетевые вычисления все более и более эффективными да значит это итан
51:52
тендерный процессоры то есть мы видим что все лидеры компьютерного рынка практически имеют в
51:58
своем портфеле проекты по предназначены для создания новых более
52:03
мощных тендерных систем вот на также развивается еще так называемые нейро морф ные компьютеры в которых фактически
52:11
симулируется работа работа нейронов и звезда то есть вот как
52:17
импульсные потенциалы действия передаются от нейрона к нейрону то чем также в такой
52:22
машине импульсы электрические передаются от одного искусственного нейрона к другому
52:27
вот и в этом смысле наша задача сейчас создание таких машин преодолеть проблему
52:33
бутылочного горлышка фон неймана как из-за которой мы симулируя при помощи электроники
52:39
большие нейронные сети в том числе биологические нейронные сети мы еще теряем сильно по производительности в
52:45
этот момент нужно учитывать но тем не менее я думаю что там где-то к началу можно середине 30-х годов эти проблемы
52:52
будут решены вот [музыка] мы видим как сегодня
52:59
значит благодаря развитию таких тендерных систем
53:05
благодаря развитию модели решаются очень многие задачи которые все довольно сильно должны наше общество
53:11
изменить альфа фолд система которая прогнозирует структуры белков означает
53:18
большой прогресс в области биотех а которые мы будем наблюдать в следующие годы мы создаем система которые сами
53:25
могут проектировать нейронные сети да то есть нейронная сеть которая проектирует другую нейронную сеть это значит что
53:32
возможно мы сможем все более и более эффективной архитектуры нейронных сетей
53:38
создавать уже без участия человека вот ну и все это конечно вызывает страхи определенные да эти страхи они стары как
53:45
мир вот легенда о големе да про rebel элияху баал шем а и съел moda
53:53
который значит создал себе глиняного помощника вот и чтобы оживить его
53:59
начертал у него на лбу слово истинно вот имеет вот ну а чтобы его остановить
54:07
нужно было одну буковку стереть чтобы получилось нет что значит мертвый дано вот голем
54:14
ополчился на своего создателя напал на него но и в разных версиях этой легенды
54:20
все кончилось либо совсем плохо либо плоховато и
54:25
многие сегодня спикер и на тему значит там
54:30
искусственного интеллекта они нагнетают здесь некоторую панику вот пожалуйста илон маск заявил что вообще нас вполне
54:39
может ждать воплощение в жизни значит сценария фильма терминатор вот и
54:47
даже сказал что разрабатывая искусный интеллект мы призываем демона вот не
54:52
хухры-мухры вот
54:58
интересно что билл гейтс тоже общем времен той же в том же духе высказывался единственное что он пояснил что значит
55:06
не пытается притормозить на очень технический прогресс но хочет привлечь внимание к двум потенциальным проблемам
55:11
значит что искусственный интеллект начинает выполнять работу которые привыкли люди и что сильный
55:16
искусственный интеллект может эволюционировать состоянии конфликтующие с человеческими целями и много кто ещё
55:22
высказывал такие страхи вот ник бостром с его знаменитый скрипач най машиной до
55:28
система искусственно интеллекта который поставлена задача производить скрепки и чтобы максимизировать число скрепок она
55:35
перерабатывает все человечество на скрепке вот но надо сказать что
55:41
специалисты которые занимаются машина мучениям они конечно такие может
55:47
быть менее публичное и менее склонны громким заявлением но в общем в какой-то момент например того же android допекли
55:54
вот с темой опасности систем искусственного интеллекта и он сказал что
56:00
ну вообще-то сейчас заботиться беспокоиться об опасности искусственный интеллект это примерно то же самое что
56:06
беспокоиться о перенаселении марса да то есть наверное на когда-то полетим на марс наверно там
56:13
когда-то возникнет колония наверно там количестве людей будет увеличиваться а потом возможно даже перенаселению
56:19
начнется да нам как бы нужно ли уже сейчас задумываться об этом да
56:24
вот вообще-то люди давно уже умеют и без всяких современных технологий
56:30
искусственного интеллекта создавать машины которые убивают других людей вот но я уж не говорю про какие-нибудь там
56:36
не знаю противопехотные мины но вот пожалуйста 80-е годы аппарат лучевой терапии through 25 из-за
56:45
дефектов его программном коде несколько пациентов получили смертельные дозы облучения
56:53
насчет сверх интеллекта я вижу что я совсем уж периле метил но все-таки несколько минут могу наверное да чтобы
57:00
подвести итоги на 4 проблема которая всех пугает это
57:05
сверх интеллект значит машины будут все более более интеллектуальными они человека быстро обойдут и дальше
57:12
дальше будет все очень плохо но на самом деле скорее всего сверх
57:18
интеллекта не получится вот по вполне прозаическим причинам значит во первых у
57:25
нас есть физически лимиты вычислений нельзя создать машину которая будет
57:31
считать быстрее некоторой фундаментальный предельной скорости почему потому что например вы не можете
57:39
передавать сигналы быстрее чем со скоростью света отдельный элемент машины вы не можете сделать меньше чем
57:45
планковская масштаба из-за квантовой неопределенности поэтому это называется предел время романа да то
57:51
есть машина массой m не может считать вам быстрее чем там какое-то количество
57:57
бит в секунду вот но есть на самом деле еще хуже причины да значит то есть лимит
58:03
ландау ира и машины каждый раз когда обрабатываю сбрасывает
58:08
один бит информации при расчете она выделяет какое-то количество теплоты и значит поэтому из-за вот этого лимита
58:17
ландау ира не получится сделать бесконечный рост производительности машин вот поэтому то что мы сейчас видим
58:23
как экспоненту в развитие вычислительных мощностей машины все на самом деле такая вот кривая который упрется рано или
58:31
поздно физический предел вот а вот с интеллектуальными задачами с ними вот какая проблема на самом деле с ростом их
58:38
сложности вычислительные затраты на поиск ответа они растут экспоненциально вот то есть
58:44
это значит что если вы стали думать в 100 раз быстрее это не значит что вы стали в сто раз умнее самом деле нет вы
58:53
стали умнее там может быть раз в полтора вот поэтому здесь вот эти два фактора
58:58
они приведут к тому что конечно мы скорее всего рано или поздно создадим универсальная система искусственно
59:04
интеллекта которые будут превосходить человека но это не будет такая же разница как между не знаю там человека
59:10
муравьем вот ну то есть тут нужно смотреть на конкретные расчеты но вот фактура да она такая то есть физики нам
59:18
как бы говорят что нить сверх интеллект и скорее всего не будет вот
59:23
чего люди боятся на самом деле да то есть вы любая технология наверное достаточно мощная она имеет две стороны
59:31
да то есть ее можно употребить во благо можно употребить во вред вот принципе то
59:37
что сегодня мы говорим об опасности искусственного интеллекта именно его да это
59:43
на самом деле потому что эта тема на слуху у всех да там 50 лет назад мы
59:48
говорили об опасности ядерных технологий но вот как бы тот то сюжет который мы
59:54
видим в терминаторе да там атомная война начата искусственным интеллектом давайте просто для для вот для наглядности
1:00:00
заменим в этом сценарии там систему искусственных интеллектов обезьяну да а если посадить обезьяну рядом с большой
1:00:06
красной кнопкой она ведь может она и и нажать но она может быть уже пора задуматься о запрете обезьян и заходя
1:00:13
как бы из этой логики вот есть второй момент да то что на самом деле
1:00:18
апокалипсис дешевеет что значит апокалипсис дешевеет это значит что если
1:00:23
бы 200 лет назад человечество даже бы захотела уничтожить весь свой вид еще
1:00:29
биосфера планеты у нас не было таких технологий не было таких возможностей для того чтобы такой сценарий
1:00:34
реализовался 50 лет назад нужно было бы чтобы свихнулась изрядное количество людей там на постах
1:00:41
на высоких государственных постах ведущих сверхдержава hda и вот тогда бы это могло бы закончиться
1:00:47
фундаментальной катастрофой сегодня мы можем представить себе я кстати эту лекцию впервые прочитал в шестнадцатом
1:00:54
по моему ли семнадцатом году я тогда сказал что представим себе лабораторию в которой значит какие-то учёные создают
1:01:01
вирус который будет например убивать людей с определенным цветом кожи да вот
1:01:06
и этот вирус будет таким же вирулентные как грипп и таким же
1:01:12
смертельным как и было вот ну понимаете да
1:01:18
чем более совершенно нашей технологии тем потенциально легче мы можем принести
1:01:24
большой вред да причем малыми средствами дома малыми затратами то есть устроение
1:01:29
апокалипсиса оно постоянно становится дешевле и вот тут встает вопрос ну типа а если мы
1:01:36
запретим технологии искусственные интеллекты и оставим у людей контроль например над таким таким разрушительным
1:01:42
оружием ну то есть как бы мы рассматриваем почему-то опасность того
1:01:47
что мы передадим искусственному интеллекту принятия важных решений но не рассматриваем опасность связана с тем
1:01:52
что мы оставим у людей контроль за принятием важных решений до может быть это более опасный сценарий до может быть
1:01:59
искусственный интеллект а для нас не способ повышения риска вас способ снижения рисков да то есть эта штука
1:02:06
которой можно как раз употребить для того чтобы снизить риски от развития дальнейшего развития технологии но при
1:02:12
этом очевидно что там развитие технологий остановить нельзя да даже при всем желании вот люди устраивали разные
1:02:19
техногенные катастрофы в истории если не брать воины да и в принципе тут как
1:02:25
говорится очень разные могут быть сценарии такого рода техногенных катастроф вот я бы сказал что
1:02:33
нас скорее наверное должны сейчас другие проблемы волноваться потому что мы все рассуждаем
1:02:41
об опасности искусство интеллекта на самом деле алгоритмы машина обучения искусство интеллекта
1:02:47
заняли уже давно прочное место в нашей жизни каждый раз когда вы в банке не знаю там делаете заявку на кредит ваша
1:02:54
кредитная заявка рассматривается какой-то система машинного обучения или например вы не знаю устраиваетесь
1:02:59
работать там яндекс такси убер там куда то еще то же самое сейчас все больше все
1:03:06
чаще и чаще модели принимают решение которое по силе влияния на жизнь человека сопоставимо с решением с
1:03:12
вердиктом суда вот поэтому значит проблема развития
1:03:19
алгоритмического общество это не то что показывает фильме терминатор да это то
1:03:24
что на самом деле здесь рядом с нами и вот проблема цифрового тайного суда да
1:03:31
то что он прекрасная история на протяжении двух тысяч сотрудники британской почтовой
1:03:38
компании использовали учета продаж систему под названием horizon и эта система насчитала им недостача на самом
1:03:45
деле многие из этих недостачу были мнимыми но на самом деле они были за ошибки в системе да вот но из эти
1:03:51
огромное количество детей получили реальные сроки там и кто-то даже покончил с собой вот и
1:03:59
проблемы на самом деле риски связанные с алгоритмическим обществом они как бы ускользают от внимания общественности
1:04:05
общественность обычно предпочитает говорить там про сверх интеллект про терминаторы потому что это какой-то
1:04:11
развлекательный сюжет да а вот реальные проблемы алгоритмического общество они не такие интересные вот но ими нужно
1:04:18
заниматься и нужно уделять большое внимание к тому чтобы риски связанные с развитием технологии здесь снизить
1:04:24
модели по-разному ср от по-разному с разным качеством распознают лица до
1:04:29
женские лица распознают хуже чем мужские лица темнокожих людей хуже чем лица
1:04:35
светлокожих что это значит значит что из этого завтра вытекает ткань
1:04:40
дискриминация до человека идет в аэропорту сингапура уже сегодня на
1:04:45
регистрацию да где на него смотрит cameras модели машинного обучения да и узнает или не узнает до человека вот
1:04:53
пожалуйста значит мы уже создали неравенство при помощи алгоритма особо не задумываясь даже над этим почему это
1:05:01
произошло но потому что в обучающих выборках в разные пропорции были люди представлены вот ну
1:05:07
бывает вот есть как хорош книжка автор к и tunel называется средства вейп анусов
1:05:14
mass destruction средства математического разрушения вот в ней довольно системно анализируется эти
1:05:20
проблемы часто же уже время кончилось и я на этом
1:05:25
останавливаться не буду вот еще одна последние наверно проблема про которые
1:05:30
несколько слов я скажу все же эта проблема технологической безработицы которые
1:05:36
вообще многих волнует и действительно если машины справляются уже сегодня с огромным количеством задачи с которыми
1:05:43
справляются люди то почему бы нам не за нет людей на машины да и какие социальные последствия будут у этого вот
1:05:52
здесь самый интересный вопрос заключается в том что с какой скоростью новые технологии создают новые рабочие
1:05:58
места с какое них ликвидирует то есть например развитие компьютерных
1:06:03
технологий успешно в двадцатом веке ликвидировала целый ряд работ до людей например которые занимались ручными
1:06:10
расчетами есть книга алана дэвид y грира которая называется когда мы когда
1:06:15
компьютерами были люди и вот она посвящена тому какие существовали технологии крутые когда нужно было не
1:06:22
знаю там выполнить огромный объем вычислений в рамках атомной программы и как там сажали людей рядами да и целый
1:06:31
коллектив людей выполнял матричные вычисления вот то есть огромное количество
1:06:36
профессий просто исчезла двадцатом веке но благодаря развитие технологии огромное количество новых профессий
1:06:41
появилась до появилась какая-нибудь индустрии компьютерных игр да понимаете
1:06:47
что в мобильном телефоне который лежит вас кармане больше вычислительных мощностей чем было у национального
1:06:54
космического агентства сша в момент запуска человека на луну до вот и
1:06:59
казалось бы мы должны были бы давно вообще посчитать все что нужно было посчитать но оказывается что можно при
1:07:07
помощи таких гигантских вычислительных мощностей решать очень сложные задачи например
1:07:12
запускать там птиц и свиней да вот и новый числитель на эта задача там
1:07:18
примерно сопоставима с расчетом траектории там какого-нибудь спутника вот то есть человечество на самом деле
1:07:24
находит быстро применение вот этим своим растущим возможностям да то есть появляются новые сервисы появляются
1:07:30
новые отрасли и оценке экспертов сегодня показывают что в целом революция глубокого обучения она на там протяжении
1:07:38
последующего десятилетия будет больше создавать новых рабочих мест чем ликвидировать вот другое дело что
1:07:45
конечно те новые рабочие места которые создаются это не те рабочие места которые ликвидируются на то есть будет
1:07:51
означать что какие-то компетенции кит знаний умение они действительно окажутся ненужными вот
1:07:58
новом обществе и в моменте большое количество людей окажется действительно без работы и оказывается уже сегодня
1:08:04
например у нас роботы постепенно заменяют операторов call центров по всей стране и по факту но огромное количество
1:08:13
сегодня звонком выполняют уже машиноместа людей а значит этим людям нужно переучиваться нужно каким-то
1:08:18
образом искать себе там новое место в жизни и это потенциально естественно связано социальными проблемами которыми
1:08:24
нужно управлять то есть кто должен заниматься перед подготовкой этих людей и здесь в общем то все непросто да то есть
1:08:32
мы знаем историю с тем как на заре промышленной революции овцы съели людей
1:08:37
до когда оказалось что для развития ткацкой промышленности нужно больше
1:08:42
шерсти да и поэтому арендаторов стали сгонять земель и
1:08:48
это привело к тому что огромное количество семей разорилась и от голода
1:08:55
погибло и так далее и так далее то есть поэтому это эта проблема которая нам
1:09:02
действительно нужно задумываться да и в этом смысле мы сейчас находимся в такой
1:09:07
стадии когда
1:09:13
благодаря развитию технологий возможно
1:09:18
возможно наша эпоха предъявляет гораздо больше
1:09:24
потребности в большие требования к нашей человечности чем когда бы то ни было вот
1:09:29
это довольно парадоксальный вывод да то есть оказывается что именно благодаря тому что могущество
1:09:36
технологии которыми которыми мы обладаем она растет именно поэтому востребованы
1:09:42
именно наши человеческие качестве наша способность те технологии которые мы
1:09:48
обладаем употребить во благо не во вред человечеству и это конечно проблемы которыми сегодня задаются специалисты во
1:09:56
всем мире нам нужно найти какую-то такую вот
1:10:01
дорогу дата между миром скрепок условных да и
1:10:07
когда там мы употребляем технологию для уничтожения человечества да вот и каким
1:10:13
то значит таким миром скреп в котором просто развитие технологии запрещают да и и человечество возвращается куда-то
1:10:20
там средневековья архаику и так далее вот поэтому наверное это все что я хотел рассказать
1:10:28
о сегодняшней не хотелось бы конечно поговорить еще пару часов вот но я
1:10:34
чувствую что уже и и вы подустали я тоже и у вас на сегодня так понимаю еще
1:10:39
намечены какие-то мероприятия вот буквально два слова о том чем занимаемся мы сейчас я вообще в сбере руковожу
1:10:47
управлению экспериментальных систем машинного обучения составе департамента сбер девайс с и мы
1:10:52
разрабатываем множество пользовательских устройств
1:10:58
сбербанк сбер портал может быть что то вы из этого видели до этих устройств становится все больше в этих устройствах
1:11:04
живут виртуальные ассистенты семейств виртуальных ассистентов салют вот
1:11:10
которые на самом деле умеет умеет очень очень многое вот ну например там
1:11:16
вы можете с ними познакомиться даже сбербанк онлайне то есть если вы запустите просто сбербанк онлайн там
1:11:23
видите зеленый кружок такой да и он активирует виртуального ассистента может с ним там
1:11:28
пообщаться ему у него чего-нибудь поспрашивать его попросить вам вам помочь решить какую нибудь задачку
1:11:36
вот-вот устройства которые мы разрабатываем сбер бокса такая тебе приставка который ваш телевизор обычные
1:11:42
превращают такое тоже устройство в котором живут виртуальный ассистент и вот сбер порталы такая умная колонка с
1:11:49
собственным экраном с там с топовым с топовой акустикой вот сбер бог стоп это
1:11:56
аналог сбер бокс так еще с камерой устройство для умного дома мы разрабатываем умные бюджетом кучу кучу
1:12:02
всего да то есть мы по сути дела занимаемся разработкой начинки вот всех
1:12:08
этих устройств вот ну вот извините знаем за скомканный конец моего
1:12:15
выступления спасибо что дослушали и если организаторы позволят могу не позволит
1:12:23
вот но когда в кулуарах можно я я еще не уезжаю я тут где-нибудь в уголке тогда стану и вы ко мне подходить я на все
1:12:31
вопросы вам отвечу на и можно меня добавить в соц сетях в фейсбуке в контактике и писать мне я там тоже буду
1:12:38
стараться по мере возможностей накид вопросы отвечать если они возникнут спасибо
1:12:44
[аплодисменты]
1:12:50
давайте спасибо огромное давайте еще аплодисментами сергея маркова проводим
1:12:55
сергей спасибо огромное за потрясающая содержательную лекцию честно говоря и
1:13:00
сам бы хотел вам задать какое-то количество вопросов поэтому попробую найти вас в планах и
1:13:06
вам дорогие друзья очень советую сергея найти и задать ему вопрос любые не
1:13:12
стесняйтесь их задавать потому что это действительно классная возможность узнать больше об искусственном
1:13:19
интеллекте машинном обучении и так далее знаете что самое интересное что мы
1:13:24
привыкли произносить словосочетание искусственный интеллект как что-то такое далекое
1:13:29
будущее там всякое тут футурология когда машины нас заменят там вот апокалипсиса
1:13:39
что если искусственный интеллект начнет войну и конечно то
