Комментарии 31
Не знаю как публика, а я погрузился прям с первой фотографии и вовсе не в нейронные сети ;)
  1. «Юра, это провокация»©
  2. Фотограф — молодец. Поймал Наталью Алексеевну.
  3. А еще возникли ассоциации с передачей «Спокойной ночи малыши» с ведущей Оксаной Федоровой.
  4. И попросите тетю Наташу написать статью про OpenAI Universe.
Нужно беречь публику, на первой фото с блузки вот-вот оторвутся пуговицы и шрапнелью ранят присутствующих.
Для тех, кто всё пропустил: https://hsto.org/files/1f2/1fc/645/1f21fc64562747db9ea603c2b80111cf.jpg
;)
Все хорошо, но:
Добрый день, меня зовут Наталья Ефремова и я research scientist в компании N-TechLab. Сегодня я буду рассказывать про виды нейронных сетей и их применение.

research scientist — это «научный сотрудник» по нашему.
Прототипом для создания нейронных сетей послужили, как это не странно, биологические нейронные сети. Возможно многие из вас знают, как программировать нейронную сеть, но откуда она взялась, я думаю, некоторые не знают.
Неужели? Кто бы мог подумать что прототипом для создания нейронных сетей послужили биологические нейронные сети?!

Вдобавок, предельно некорректно говорить
И только тогда система будет осмысленно распознавать то, что она видит.
Или вы претендуете на первенство в создании сильного ИИ при помощи самых простых и базовых архитектур?

К сожалению, не увидел в статье «практического применения». Увидел рекламу продукта вашей компании, приправленную чужими слайдами «про нейронные сети».
Я занимаюсь непосредственно deep learning. В этой области я работаю более 10 лет. Хотя она появилась чуть меньше, чем десятилетие назад, раньше были некие зачатки нейронных сетей, которые были похожи на систему deep learning.

Вот это прямо таки сильное заявление. Вы там совсем маркетингом долбанулись?
Там ещё потом мутный абздец идёт:
В последние 10 лет deep learning и компьютерное зрение развивались неимоверными темпами. Все, что сделано значимого в этой области, произошло в последние лет 6.

В начале 90х много неплохих систем появилось. То же распознавание чеков, распознавание по радужке глаза.
Первые системы распознавания лиц на рубеже 2000х появились где-то. Каскад Хаара 2001, и.т.д.

А уж 6-7 лет назад было уже неимоверное число алгоритмов, задач и применений. Господи, 10 лет назад был уже Хабр, а 6 лет назад я уже на него писал статьи по ComputerVision:)
Другое дело, что, в тех годах нейронные сети были в таком подполье, что и говорить то про них было не принято. Результат они давали на ComputerVision весьма унылый. Хотя рабочие применения на задачах анализа данных я даже тогда видел.
А года с 2012, после выигрыша ImageNet они пошли в народ.
Большая часть алгоритмов была разработана уже давно, а вот в массы сети пошли с увеличением вычислительных мощностей. По крайней мере у меня такое ощущение.
Свёрточные сети в конце 80х появились. Году в 90-91 был первый рабочий прототип.
Вычислительные мощности скакнули году в 2004-2006, когда начало появляться программирование на видеокартах.
Но чтото удобное для видюх сделали в 2010. В 2012 и скакнуло.
Правда с тех пор видюхи развились действительно нереальными темпами:)
Думаю, тут важна совокупность факторов. С одной стороны, стали очень дешевы вычислительные мощности, с другой стороны, появилось много больших хороших обучающих выборок, и вообще, данных стало кратно больше, что для нейросетей критично. И конечно, доступность для широких масс исследователей и разработчиков.

В свое время в составе университетской команды учавствовали в Student Cluster Competition и вот там прям здорово было заметно, как в 2010 году удавалось из 20-ватного кластера выжать от силы 1 терафлоп и победить, а на следующий год мы в тот-же баджет запихнули компьютер с античными Tesla M2070 и при том-же энергопотреблении получили 2 терафлопа вычислительных мощностей и это было прям Вау и нам никто не верил :-) А с тех пор GPU-шки стали минимум в 3-4 раза быстрее...

Тоже удивила эта фраза. 10 лет назад прям совсем мейнстримом был традиционный ML со всякими там AdaBoost'ами и SVM'ами… а 10 лет назад на Deep Learning были похожи разве что Restricted Boltzman Machine и Deep Belief Networks (эти кажется только в 2008-2009 году появились), но на тот момент, вроде бы кроме Google'а никто не располагал достаточными мощностями и навыками в их тренировке и практическом применении.
Т.ч. прям сильно заинтересовало, чего же там такого эта Наталья Ефремова рисерчила более 10 лет назад в области Deep Learning...

С Computer Vision и сетями тогда много экспериментировали автопроизводители. Сильно до Google. Там были и ресурсы и экспертиза.

Можно подробней, что именно с сетями делали в автомобилях?

Только при чем тут Highload? Оно вообще из другой сказки :)

Highload — это ведь высоконагруженые системы? Ну так прямо в кассу им… ведь масштабировать систему, у которой в бэкенде Deep Learning считается, под много пользователей — это на данный момент прям очень не тривиальная задача...

Очень бы хотелось сравинить свой навык работы с нейронными сетями специалистов — то есть Наталью сотоварищи и любителей, то есть меня. MegaFace был в том году и это прекрасно, но на тот момент я о нем не знал и узнал о нем после их убедительной победы.


Никто не знает, представители компании, часом, не участвуют в:



Обе задачи достаточно инетерсные, а за вторую призерам дают миллион баксов в приз, что привлекает серьезных и не только участников. Ну и к 3D изображениям в медицине имеет наипримейшее отношение.

Ну и зачем сменили первую картинку?)

Что бы поменьше отвлекались от темы)).
Нейронная сеть может помочь мне в решении моей проблемы, проблематика: подаётся массив значений(цифры и буквы для начала) на основе массива значений прогнозируются все варианты новых строк.

Почему никто не пишет об опасности прогнозирования для реального физического мира? Теория вероятностей для него непригодна и вредна. Возможна она вредна и для математического мира, но там это менее заметно, так как этот мир искусственно искусственен. Нас в него регулярно погружают со школы и института.

Сделайте уже возможность распознавания рекламы на TV с автоматическим выключением звука ;)
Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.