#большие данные

Трудно ли создать машинный сверхинтеллект? Поможет ли ИИ перейти к новому технологическому укладу? И как обучать искусственный разум на малом количестве примеров? Какие сложности возникают при взаимодействии с умными роботами, обсудили с директором центра когнитивного моделирования МФТИ, руководителем научной группы «Нейросимвольная интеграция» в Институте искусственного интеллекта AIRI Александром Пановым.

Технологии искусственного интеллекта уже прочно вошли в нашу жизнь в виде умных навигаторов, подбора новостной ленты и чат-ботов. Все это примеры «слабого» ИИ, обученного выполнять простейшие задачи. Для работы с огромными массивами данных ученые разрабатывают гораздо более сложные методы и алгоритмы, а вместе с ними и подходящее «железо». Naked Science попросил рассказать академика РАН Игоря Каляева* о том, какими проектами занимаются российские эксперты по ИИ, каких результатов удалось достичь за прошедший год, какие цели ставят перед собой ученые, участвующие в этих исследованиях, и какой будет следующая ступенька развития ИИ.

Аббревиатура ЖКХ хорошо знакома каждому россиянину. За ней скрывается целый спектр привычных образов. При этом цифровизация и применение искусственного интеллекта в этом контексте вспоминаются далеко не первыми. Сфера коммунальных услуг не чужда высоким технологиям, просто они не всегда заметны пользователю. Naked Science рассказывает, как искусственный интеллект, большие данные, нейросети и машинное обучение делают городскую инфраструктуру надежнее и эффективнее.

Новая работа показала, что в мире насчитывается примерно 50 миллиардов птиц — по шесть особей на человека. Они принадлежат к 9700 видам. Ученые отметили, что описали всего 92% птиц — оставшиеся 8% встречаются настолько редко, что их сложно зарегистрировать.

Ученые Сколтеха разработали новую методологию, аналитические инструменты и источник данных для анализа динамики роста стартапов. В качестве источника были использованы большие данные Google Trends, формируемые на основе информации о поисковых запросах.

Несколько лет назад ученые забили тревогу: от бега умирают, говорили им данные. К вопросу приложили типичные методы data science — и оказалось, что все куда интереснее. Вместе с онлайн-школой SkillFactory попробовали разобраться, как именно эти методы позволяют яснее увидеть мир вокруг нас.

Многие исследователи для анализа данных используют машинное обучение. Однако, похоже, это стало причиной некоторых проблем.

Команда испанских исследователей разработала надежную модель, использующую меньшие объемы больших данных для точных и эффективных прогнозов.