Пределы автоматизации и внедрения роботов

[BlackMokona]

как я понял проблема игры в го была сугубо количественная - большая доска и сложные правила. алгоритм всё равно работал на бинарной логике, как и все до него. то есть к моделированию мозга отношения это как и прочие ИИ навороты отношения не имеет.

Просто как обычно до успеха, кричали , что проблема качественная и даже в триллиард раз более сильный компьютер будет избиваем легко. Что число вариантов больше атомов во вселенной и прочий стандарт.

снайпер тоже - 1,2 практически предельная дистанция, и не ссылайтесь на всяческие особо дальнобойные, крупнокалиберные винтовки - в иделаьных условиях они конечно попадут и с большей дистанции, но когда у нас есть атмосферные изменчивые условия, видимость и не стоящий как мишень противник, то всё делается сильно печальнее... и мину гораздо труднее обнаружить, чем этакий агрегат, ещё и ставящий значки вокруг. кроме того, самый результативный советский снайпер, Зайцев, писал, что долговременная позиция для снайпера совсем не есть гуд, потому что её обнаружут и уничтожат весьма быстро. ачем перемещать такую штукенцию проще просто минировать.

Просто у ВС США есть ещё и патроны которые доводится на цель в полёте Поэтому чую 1.5 км будет рабочей дистанцией без труда.
И мины заложить на вражеской базе намного сложнее, чем в 1.5 километрах от неё поставить турель. А если у врагов ещё и арт.радаров нет, то пусть ещё найдут эту штуку. Против всяких Талибов по горам разбросатт, пусть ищут и умирают под перекрёстным огнём

[Dem]

Всё очень просто - если такая "мина" поражает цели в радиусе например километра - то их нужно на несколько порядков меньше, чем обычных.
Экономия, однако.

[BlackMokona]

https://geektimes.ru/post/272478/

Искусственный интеллект Google уже два раза победил чемпиона по игре го, которая ранее считалась прерогативой человека. Еще предстоит три игры, после чего будет известен победитель. Но и сейчас понятно, что ИИ Google уже ничем не уступает человеку, играя с ним на примерно одинаковом уровне (или даже чуть лучше).

Во что же будет играть ИИ Google после завершения чемпионата «компьютер — человек»? «Starcraft, я думаю, наша следующая цель», — говорит Джефф Дин (Jeff Dean), представитель команды исследователей Google.

Эта игра может быть еще сложнее для машины, чем го, поскольку это в настольных играх все игроки хорошо видят все, что происходит на столе/доске (за исключением карточных игр, вероятно). А в компьютерных играх действия противника (если это стратегия) в большинстве случаев остаются загадкой до определенного момента. И опытные игроки стараются скрывать свои действия до последнего момента. «Вы должны следить за тем, что происходит вне экрана», — говорит Дин.
Это означает, что ИИ Google понадобится предугадывать, что делает противник, чтобы адекватно отвечать на действия «врага». Кроме того, необходимо будет быстро реагировать на то, что пошло вне плана. Все это позволит протестировать уже следующий уровень возможностей искусственного интеллекта.

«В конце-концов мы хотим применить эти способности для решения общемировых проблем», — сообщил Демис Хассабис (Demis Hassabis), основатель компании Deepmind (именно ее в 2014 году купил Google, и сейчас на базе достижений купленной компании ведется разработка ИИ).

https://geektimes.ru/post/272430/

Программа Neural Doodle, сделанная на основе свёрточной нейросети, представляет собой скрипт doodle.py, который генерирует изображения, принимая три-четыре картинки в качестве входных параметров. В том числе на вход подаётся простенький набросок (то что авторы называют «каракулями») и образец стиля с его наброском. Например, в случае с примером выше образцом стиля является такая картина Ренуара.

Нейросеть извлекает характерные стилевые особенности — и переносит их на набросок.

Вот ещё один пример.

Для запуска программы нужен Python 3.4+, установленные библиотеки numpy и scipy, а также python3-dev. Для работы скрипта потребуется предварительно обученная нейросеть (VGG19, 80 МБ). Инструкции по установке локального окружения см. здесь.

Для рендеринга на GPU требуется хорошая карта Nvidia с поддержкой технологии CUDA и 2-4 ГБ памяти (для больших изображений — 8-12 ГБ). Рендеринг можно запустить и на CPU, в этом случае нужно примерно такое же количество оперативной памяти.

Конструкция нейросети описана в научной работе автора "Semantic Style Transfer and Turning Two-Bit Doodles into Fine Artworks", которую он подготовил для конференции nucl.ai Conference 2016.

Нейросеть использует алгоритм синтеза изображений, который предложен исследователями Чуан Ли (Chuan Li) и Майклом Вандом (Michael Wand) в научной работе "Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis".

[Кремальера]

Ну что.Машина победила.
https://gogameguru.com/alphago-5/
Хотя лично я,признаться думал, что именно в Го человека не переиграть.
Учитывая недавние успехи Boston Dynamics хомо можно будет смело задвигать в пыльный ящик истории.
Причем,видимо спастись от прогресса не удастся,никакие луддиты не помогут.Если только может убежать подальше(на Марс) от восстания железок,как Маск предлагает.

[Nucleosome]

Учитывая недавние успехи Boston Dynamics хомо можно будет смело задвигать в пыльный ящик истории.

так тут та же победа, что в и шахматах - они же закладывали в алгоритм предыдущие партии, и на их основании писали возможные ответные ходы. а играли в тех партиях люди. кроме того, в любой такой игре речь идёт о выигрывании человека в совершенно формализованном процессе, где всё с лёгкость поддаётся цифризации, тогда сила человека в другом - в нечёткой логике.

[Кремальера]

так тут та же победа, что в и шахматах - они же закладывали в алгоритм предыдущие партии, и на их основании писали возможные ответные ходы

Вы никогда не играли в Го?
Это не шахматы.Там количество комбинаций превышает число атомов в видимой части вселенной.
Программа Гугла не просчитывает,а играет интуитивно как человек.В этом вся мулька.
Если б я был Семенов,то сказал бы что "оно" вылупилось.

[ВадимZero]

Система Amelia компании IPsoft - система искусственного интеллекта, ориентированная на общение с живыми людьми
http://maxpark.com/community/603/content/3022084

Согласитесь, что очень мало приятного в том, когда при звонке на горячую линию или в службу поддержки какой-нибудь компании вам отвечает автоматический ответчик-робот. Но, в не таком уж и далеком будущем вышеописанная ситуация может изменится коренным образом, программы-автоответчики, использующие принципы искусственного интеллекта станут столь совершенны, что человеку будет практически невозможно различить, кто с ним разговаривает на другом конце провода, другой человек или робот-автоответчик. И одной из "первых ласточек" в этом направлении является система Amelia, разработанная американской компанией IPsoft, предназначенная для работы виртуальным сотрудником различных сервисных служб и для выполнения других интерактивных действий, требующих общения с людьми на простом естественном языке.

Система Amelia, названная так в честь известной американской летчицы Амелии Эрхарт (Amelia Earhart), является результатом 15-летних усилий специалистов нью-йоркской компании IPsoft. Как уже упоминалось выше, эта система предназначена для выполнения работы человека-помощника, работающего в онлайн- или телефонном режиме. Только времени на подготовку к работе системы искусственного интеллекта будет требоваться намного меньше, чем времени, требующегося для подготовки квалифицированного человека-консультанта. В настоящее время система Amelia уже способна работать во многих областях, связанных с обслуживанием людей, и делать это на 20 разных языках. Естественно, что в будущем количество областей применения системы и используемых языков общения будет постоянно увеличиваться.

Вместо того, чтобы подражать работе головного мозга, как это делают некоторые другие системы искусственного интеллекта, система Amelia концентрируется на задаче распознавания и понимания вопросов, составления ответов на естественном разговорном языке. Это достигается не за счет анализа ключевых слов, а за счет применения алгоритмов, использующих такие понятия, как смысл, логика, выводы для определения той информации, которая содержится в заданном вопросе или произнесенной фразе. На базе полученной информации система осуществляет поиск и выборку из собственной базы знаний, инструкций и из других доступных источников, выстраивая свою собственную линию поведения вместо того, чтобы следовать строго запрограммированным правилам.
Кроме того, что система Amelia может проанализировать и разобрать речь, она обладает возможностью оценивать эмоциональное состояние собеседника и реагировать на его изменения соответствующим образом. Система может учиться на своем собственном опыте и черпать извне данные опыта, наработанного другими такими системами.

В случае если человек, общающийся с системой Amelia, не может сразу четко сформулировать свой вопрос, то система будет подталкивать его к этому, задавая дополнительные и наводящие вопросы. Но в особо печальных случаях, когда система не сможет справиться с выполнением запроса или предмет запроса находится выше пределов понимания системы, она всегда может переадресовать звонок человеку-оператору, который сможет разобраться даже с самым "клиническим" случаем.

Несмотря на то, что в первую очередь система Amelia ориентирована на работу в сервисных и консультационных службах, компания IPsoft постоянно будет расширять ее возможности. Это позволит использовать эту систему искусственного интеллекта в службах финансовых консультаций, в качестве "советчика" людям, которые по необходимости вынуждены заняться несвойственной им работой, к примеру, ремонтировать утюг, и даже в качестве медика-консультанта, способного дать человеку несложные подсказки и рекомендации.

https://www.youtube.com/watch?v=OAWWpwn1suw

[stuuvi]

Ну что.Машина победила.
https://gogameguru.com/alphago-5/
Хотя лично я,признаться думал, что именно в Го человека не переиграть.
Учитывая недавние успехи Boston Dynamics хомо можно будет смело задвигать в пыльный ящик истории.
Причем,видимо спастись от прогресса не удастся,никакие луддиты не помогут.Если только может убежать подальше(на Марс) от восстания железок,как Маск предлагает.

в 2009 году вроде побеждала уже 9 дан, судя по википедии

[BlackMokona]

Учитывая недавние успехи Boston Dynamics хомо можно будет смело задвигать в пыльный ящик истории.

так тут та же победа, что в и шахматах - они же закладывали в алгоритм предыдущие партии, и на их основании писали возможные ответные ходы. а играли в тех партиях люди. кроме того, в любой такой игре речь идёт о выигрывании человека в совершенно формализованном процессе, где всё с лёгкость поддаётся цифризации, тогда сила человека в другом - в нечёткой логике.

1.Они не писали возможные ответные ходы
2.Программа основной опыт получила на миллионах игр сама с сбой.
3.Были применены генетические алгоритмы где немного видоизменненые программы бились между собой и выживали сильнейшие.
4.В го больше 10^100 вариантов, пробуйте брутфорсить до скончания веков

в2009 году вроде побеждалауже 9 дан, судя по википедии

С форой в 7 ходов, с форой в три хода я даже Каспарова снесу в шахматах.

[bob]

Когда г'оботы пог'аботят всех человеков:
http://www.rosbalt.ru/style/2016/03/12/1497133.html

[Nucleosome]

Вы никогда не играли в Го?

признаться нет.

Это не шахматы.Там количество комбинаций превышает число атомов в видимой части вселенной.

в шахматах меньше, но где-то читал, что чтобы составить алгоритм идеальной игры в шахматы комп должен делать какое-то невероятное число операций. так что программы работают несколько иначе.

Они не писали возможные ответные ходы

это как?

Программа основной опыт получила на миллионах игр сама с сбой.

основной это ещё не весь. надо же было брать что-то за исходные точки.

[BlackMokona]

это как?

Машина сама училась играть. Это же нейронные сети

основной это ещё не весь. надо же было брать что-то за исходные точки.

Так быстрее и дешевле, всё таки Гугл не кантора сидящай на гос.средствах, а тратят своих деньги. Всё таки в играх людей, опыт в пару тысяч лет накоплен. Но судя по анализу игр, программа делает большую кучу оригинальных ходов и реализует немало стратегий, как и освоила основные приёмы людей.

https://geektimes.ru/post/270248/

Алгоритм

Го давно считается игрой, обучить в которую искусственный интеллект затруднительно из-за огромного пространства поиска и сложности выбора ходов. Го принадлежит к классу игр с совершенной информацией, то есть игроки знают обо всех ходах, которые ранее совершили другие игроки. Решение задачи поиска исхода игры связано с вычислениями функции оптимального значения в дереве поиска, содержащем приблизительно bd возможных ходов. Здесь b — это количество корректных ходов в каждой из позиций, а d — длина игры. Для шахмат эти значения составляют b ≈ 35 и d ≈ 80, и полный поиск не представляется возможным. Поэтому позиции фигур оцениваются, а потом оценка учитывается при поиске. В 1996 году компьютер впервые выиграл в шахматы у чемпиона, а с 2005 года ни один чемпион уже не в состоянии выиграть у компьютера.

Для го b ≈ 250, d ≈ 150. Возможных позиций камней на стандартной доске более, чем в гугол (10^100) раз больше, чем в шахматах. Число возможных позиций больше, чем атомов во Вселенной. Осложняет ситуацию то, что предсказать ценность состояний трудно из-за сложности игры. Два игрока размещают камни двух цветов на доске определённого размера, стандартное поле — это 19×19 линий. Правила варьируются деталями, но основная цель игры проста: нужно отгородить на доске камнями своего цвета территорию большего, чем соперник, размера.

Существующие программы умеют играть в го на уровне любителей. Они используют поиск в дереве Монте-Карло для оценки ценности каждого состояния в дереве поиска. Также в программы заложены политики, которые предсказывают ходы сильных игроков.

В последнее время глубинные свёрточные нейронные сети смогли добиться хороших результатов в распознавании лиц и классификации изображений. В Google ИИ даже самостоятельно научился играть в 49 старых игр Atari. В AlphaGo похожие нейросети истолковывают положение камней на доске, чем помогают оценить и выбрать ходы. В Google исследователи применили следующий подход: они использовали сети ценности (value networks) и сети политики (policy networks). Затем эти глубинные нейросети обучаются как на множестве партий людей, так и на игре против своих копий. Новым является также поиск, объединяющий метод Монте-Карло с сетями политики и ценности.

Нейросети натренировывали в нескольких стадиях машинного обучения. Сначала проводилось контролируемое обучение сети политики прямо с помощью ходов игроков-людей. Другая сеть политики подвергалась обучению с подкреплением. Вторая играла с первой и оптимизировала её, чтобы политика сдвигалась к выигрышу, а не просто предсказаниям ходов. Наконец, проводилось обучение с подкреплением сети ценности, которая предсказывает победителя игр, в которые играют сети политики. Конечный результат — это AlphaGo, комбинация метода Монте-Карло и сетей политики и ценности. Был достигнут результат корректного предсказания следующего хода в 57 % случаев. До AlphaGo лучший результат составлял 44 %.

В качестве входных данных для обучения использовались 160 тыс. игр с 29,4 млн позиций с сервера KGS. Брались партии игроков с шестого по девятый дан. Миллион позиций был выделен для тестов, а собственно обучение велось на 28,4 млн позиций.
Для работы алгоритмов нужны на несколько порядков большие вычислительные мощности, чем при традиционном поиске. AlphaGo представляет из себя асинхронную многопоточную программу, которая выполняет симуляцию на ядрах центрального процессора и запускает сети политики и ценности на видеочипах. Финальная версия выглядела как 40-поточное приложение, запускаемое на 48 процессорах (вероятно, имелись в виду отдельные ядра или даже гиперпоточность) и 8 графических ускорителях. Также была создана распределённая версия AlphaGo, которая использует несколько машин, 40 потоков поиска, 1202 ядер и 176 видеоускорителей.

Полностью с отчётом DeepMind можно ознакомиться в документе.

[stuuvi]

Конечный результат — это AlphaGo, комбинация метода Монте-Карло и сетей политики и ценности.

Метод монте карло это перебором практически.

[BlackMokona]

Метод монте карло это перебором практически.

Очень уж упрощаете

Ме́тод Мо́нте-Ка́рло (методы Монте-Карло, ММК) — общее название группы численных методов, основанных на получении большого числа реализаций стохастического (случайного) процесса, который формируется таким образом, чтобы его вероятностные характеристики совпадали с аналогичными величинами решаемой задачи. Используется для решения задач в различных областях физики, химии, математики, экономики, оптимизации, теории управления и др.

[Кремальера]

Когда г'оботы пог'аботят всех человеков:

Помимо всего прочего владелец SpaceX известен тем что на полном серьезе панически боится восстания железяк.Хотя,возможно это кокетство на публику.

[bob]

Когда г'оботы пог'аботят всех человеков:

Помимо всего прочего владелец SpaceX известен тем что на полном серьезе панически боится восстания железяк.Хотя,возможно это кокетство на публику.

У каждого свои недостатки. (с) Кто-то боится летать самолётом, кто-то - ездить на лифте...

[stuuvi]

Очень уж упрощаете

Не пугайтесь формулировки. Это перебор.

"Одной из главных альтернатив использованию закодированных знаний и поиску ходов является метод Монте-Карло. Суть этого метода состоит в том, что сначала на текущей доске выбираются позиции, на которые можно пойти, а затем начиная последовательно с каждой из них разыгрывается большое количество случайных партий. Позиция, которая даёт наибольшее соотношение побед к поражениям, выбирается для следующего хода."

https://ru.wikipedia.org/wiki/Компьютерное_го

[VimanaPro]

Кто-то боится летать самолётом, кто-то - ездить на лифте...

Никогда не ездил на лифте ...

[stuuvi]

Помимо всего прочего владелец SpaceX

Обычный мужик, к тому же с кучей неврозов. Ну да - в силу сложившихся обстоятельств достиг некоего социального статуса. Что теперь - на фобии и параноидальные фантазии каждого человека достигшего высокого социального статуса смотреть как на абсолютную истину? Сотворение кумиров кстати ведёт к омрачению рассудка - на это ещё в Библии указывали.

[BlackMokona]

Очень уж упрощаете

Не пугайтесь формулировки. Это перебор.

"Одной из главных альтернатив использованию закодированных знаний и поиску ходов является метод Монте-Карло. Суть этого метода состоит в том, что сначала на текущей доске выбираются позиции, на которые можно пойти, а затем начиная последовательно с каждой из них разыгрывается большое количество случайных партий. Позиция, которая даёт наибольшее соотношение побед к поражениям, выбирается для следующего хода."

https://ru.wikipedia.org/wiki/Компьютерное_го

Вы упускаете начальный выбор позиции говоря про перебор.