Специализированный процессор для распознавания речи, разработанный учеными Массачусетского технологического института, расходует на 90-99% энергии меньше по сравнению с обычными, потребляя всего от 0,2 до 10 мВт в зависимости от длины фразы, которую нужно распознать. Учитывая достигнутый уровень экономии, новый чип позволит снабжать средствами голосового управления самые разные электронные устройства, в том числе месяцами работающие без подзарядки.

Процессоры подобного рода обычно состоят из нейронной сети и маломощного модуля, который непрерывно «прислушивается», включая основной чип только когда раздается речь. В результате экспериментов исследователи выяснили, что использовать более «разборчивый» модуль реагирования на речь — менее затратно, чем упрощенный с большим числом ложных срабатываний. Дополнительная экономия была достигнута за счет компрессии данных, обрабатываемых нейронной сетью, что позволило свести к минимуму затратный с точки зрения расхода энергии обмен информацией между чипом и внешней памятью.

Исследование финансировалось совместным предприятием МТИ и тайваньского производителя электроники Quanta Computer.

Сервис «Яндекс.Погода» с помощью нейронных сетей научился прогнозировать осадки с точностью до 10 минут в конкретной точке, сообщают в пресс-службе «Яндекса».

«Яндекс.Погода» составляет прогноз для конкретных координат — сервис предупреждает пользователя, когда начнется дождь или снег в месте его расположения. Также можно узнать погоду в другой точке, указав нужный адрес. Пользователь может перейти на карту и посмотреть интенсивность осадков и движение облаков на ближайшие два часа.

Сервис доступен на сайте «Яндекс.Погода» и в приложениях для устройств с операционной системой iOS и Android. Функция краткосрочного прогнозирования осадков работает в 21 городе России.

Для прогноза сервис использует алгоритм на основе нейронных сетей, который обрабатывает снимки облаков в атмосфере, поступившие от метеорадаров, а также учитывает карту ветров, рельеф местности и другие данные.

В мае 2016 года «Яндекс» начал использовать технологию прогноза погоды «Метеум» по всей России. Технология позволяет прогнозировать погоду в конкретном районе города или по определенному адресу.

Ученые МТИ смоделировали механизм распознавания лиц, присущий головному мозгу человека, выяснив, что их модель воспроизводит некоторые аспекты реального мозга. На основе своей модели исследователи создали нейросеть и научили ее распознавать определенные лица. Выяснилось, что обученная система имеет промежуточный этап обработки, реагирующий на угол поворота головы, но не на направление поворота.

Эта особенность не была предусмотрена в системе — она появилась сама собой в результате обучения. По словам ученых, нечто подобное происходит и реальном в головном мозге: в ходе экспериментов на обезьянах выяснилось, что информация от зрительного нерва проходит через несколько областей мозга, каждая из которых менее чувствительна к ориентации лица, чем предыдущая.

Работа была проведена для проверки гипотезы о том, что мозг должен генерировать «инвариантные» представления лиц и других объектов — независимые от их ориентации в пространстве, расстояния до зрителя и местонахождения в поле зрения.

В докладе исследователи математически доказывают, что созданная ими нейросеть неизбежно должна генерировать промежуточные репрезентации распознаваемого образа, независимые от угла поворота, и приходят к выводу, что им удалось построить биологически достоверную модель мозга.

На прошедшем недавно Международном семинаре по суперкомпьютерам постмуровской эпохи исследовательская группа из Университета Теннесси представила доклад о процессоре для выполнения нейроморфного программного обеспечения, созданном на базе доступных в продаже программируемых пользователем логических матриц FPGA.

Чип спроектирован для проекта DANNA, в рамках которого создается фреймворк для разработки нейроморфного ПО. По словам исследователей, матрица FPGA была выбрана как позволяющая имитировать работу нейронов и синапсов головного мозга. Моделирующая их ячеистая сеть построена из логических переключателей FPGA.

В качестве недостатка FPGA разработчики называют необходимость отключения для перепрограммирования и невозможность использования в качестве основного процессора системы. Поэтому идет поиск возможностей заменить FPGA на мемристоры — энергонезависимые элементы памяти, меняющие сопротивление при протекании через них заряда.

Основная задача работы — спроектировать возможную архитектуру нейроморфного процессора. Доступ к разрабатываемым прототипам планируется предоставлять другим исследователям.

В Facebook рассказали об особенностях Caffe2go — созданной в компании технологии стилизации видеозаписей под произведения Ван Гога, Пикассо и других знаменитых художников. В компании подчеркивают отличие Caffe2go от сервиса Prisma, с помощью которого можно придавать аналогичный вид фотоснимкам.

Как объясняют в Facebook, системы машинного обучения, подобные лежащей в основе Caffe2go, работают на мощных компьютерах в центрах обработки данных операторов, но из-за сетевой задержки это может быть неприемлемо для ситуаций, когда требуется ретушировать снимок и сразу наблюдать изменения. Приложение Prisma, в частности, не позволяет накладывать фильтры в режиме реального времени, и некоторые из его фильтров требуют наличия соединения с Интернетом. Caffe2go же может функционировать в автономном режиме; чтобы обеспечить эту возможность, нейронная сеть работает непосредственно на смартфоне пользователя, применяя модели, заранее обученные в датацентрах Facebook.

В компании добавляют, что у Caffe2go в дальнейшем могут появиться и другие применения помимо стилизации видеороликов.

Корпорация Google представила новую игру с тестированием возможностей искусственного интеллекта — Quick Draw with Google. В ней пользователю предлагается за 20 секунд нарисовать предложенный образ (дудл), а машина, используя нейронные сети, пытается угадать, что именно получилось. Как только образ становится узнаваемым, дается новое задание. Полученным результатом можно поделиться в социальных сетях.

Сыграть с Google можно здесь.

«Яндекс» запустил поисковый алгоритм «Палех», который позволит точнее отвечать пользователям, отыскивая нужные страницы не только по ключевым словам, но и смыслу запроса. Модель поиска построена на основе нейронных сетей, сообщается в блоге компании.

«Палех» позволит поисковику лучше отвечать на уникальные и редкие запросы пользователей. А свое название он получил из-за внешнего вида графика распределения запросов.

График распределения поиска в «Яндексе» представляют в виде птицы, у которой есть клюв, туловище и длинный хвост. Список часто поступающих запросов не велик – это «клюв» птицы. Запросы средней частотности образуют «туловище». Низкочастотные запросы встречаются чрезвычайно редко, но вместе составляют существенную часть потока и поэтому складываются в «длинный хвост».

Сеть будет учиться на положительных и отрицательных примерах поиска по сложным запросам. Основываясь на поведении пользователей, нейросеть научится различать смысловое соответствие между запросом и заголовками страниц.

Алгоритм начали тестировать несколько месяцев назад, постепенно развивая и улучшая лежащие в его основе нейронные модели.

До сих пор нейронные сети оставались «черным ящиком» — после многих раундов обучения даже сами их создатели не всегда знают, какие именно преобразования выполняются на индивидуальных узлах прежде чем будет получен результат. По этой причине системам машинного обучения могут не доверять, например, медики — компьютер не обосновывает свои решения.

В Лаборатории искусственного интеллекта МТИ создали нейросеть для анализа текста, которая не только выдает результат, но и выдает его обоснование. Она состоит из двух модулей — один извлекает фрагменты текста из обучающих данных, назначая им рейтинг в зависимости от длины и степени связности. Второй модуль, получая фрагменты, отобранные первым, выполняет основную задачу — распознавание или классификацию. Модули обучаются вместе; цели обучения — максимизировать рейтинг фрагментов и точность классификации.

Исследователи проверили нейросеть на обзорах пива. Сорта напитка оценивались по запаху, вкусу и цвету, каждый атрибут — по пятибалльной шкале, при этом обозреватели вручную отметили соответствие фраз различным оценкам. После обучения системы ее оценки, выставленные по еще не виденным ею обзорам, совпадали с оценками их авторов в 80-96% случаев.

Впоследствии систему также обучили на тысячах гистологических заключений извлекать текст и участки рентгеновских снимков, являющиеся обоснованием для постановки диагноза.