мир после США

[pioneer_lj]

Обсуждаем в комментариях разницу между стреляным воробьём и расстрелянным. Людям обидно за США, я их понимаю. Рушится голубая (в хорошем смысле) мечта о непокорных ковбоях, по всякому поводу метко стреляющих от бедра.

Я прожил половину жизни при тоталитаризме, в 90-е думалось что зря. Бессмысленный жизненный опыт. Обидно. Десять лет назад, когда

Comments

[zaharov]

Да ничего интересного в них нет. Придумали их чуть ли не до изобретения компьютеров. С тех пор ничего, кроме грубо понятой задачи распознавания (и производных от нее) с помощью этого нехитрого приема программирования не решили. От объема данных, которыми оперирует "нейросеть" ничего не изменилось и не изменится.
Да, задача распознавания - тоже важная. Но в автоматизации управления - второстепенная, и ее решение только с помощью нейросети - принципиально ненадежное, то есть, степень надежности даже невозможно установить. Даже многократная экспериментальная проверка ничего не гарантирует. Типичным казусом является экстренное торможение автопилота Гугла при виде велосипеда, укрепленного на велобагажнике сзади впереди идущей машины. Другой недавний казус - незначительное и незаметное для водителя изменение дорожного знака хулиганами заставляло автопилот превышать скорость и пр. И такие велосипеды могут выскочить в любой момент и совершенно неожиданно, т. к. никакой логики в "решениях" нейросети нет и не может быть - это результат многократно повторенного попадания пальцем в небо.

[rus_logic]

И такие велосипеды могут выскочить в любой момент и совершенно неожиданно

на то она и нейросеть
далее велосипед на багажнике описывается и причиной торможения уже не послужит

[zaharov]

Так послужит детская коляска или картинка на заднем стекле. Или в потоке что примерещится.

[rus_logic]

да, именно так нейросети и обучают. будет коляска - учтут и коляску

многие путаются из-за слов "самообучение" и "искусственный интеллект"

конечно, ни того ни другого там нет

[zaharov]

Я привел это как пример того, что надежность "решений" нейросети не поддается оценке даже экспериментально. Если вы кидаете яблоко с дерева высотой 2 м и с дерева высотой 3 м, и находите, что оно падает вниз, то можно сделат вывод о том, что будет падать вниз и с высоты 4 м. Так как мы имеем дело с физическим законом - логикой. У нейросети с высоты 4 м яблоко будет улетать вверх, а на высоте 1 м взрываться. Обучите нейросеть ронять яблоко с высот 1 и 4 - будет улетать с 2,5.

[rus_logic]

надежность вполне оценивается, и именно экспериментально
просто не ждите цифру 100%
будет 95...99%

[zaharov]

Так как вы не можете сказать, скольким из возможных ситуаций вы обучили нейросеть (так как не знаете всех возможных ситуаций, и для тех задач, которые сейчас решают при помощи нейросетей это - бесконечность), то нет, вы НЕ ЗНАЕТЕ надежность и НЕ МОЖЕТЕ установить ее экспериментально, т. к. не существует такого эксперимента. Можете попробовать проверить сами на моей модели с яблоком : )

[rus_logic]

вы не понимаете о чем разговор и как это работает, а мне лень заниматься ликбезом
прошу отнестись с пониманием

[zaharov]

Это как раз вы не понимаете, что такое эксперимент, и что такое надежность модели.

[rus_logic]

может и не понимаю

у нас последние 10 000 лет все определяется вот так.
построили мост. загнали на него людей и телег, сколько поместится. попрыгали. мост стоит.
с этого момента для нас - мост надежный, подтверждено экспериментально.

да, урановые ломики и смену гравитации в масштабах вселенной не учли, что уж теперь.

[biverbaclan]

С такой ленью вы и нейросеть не обучите)

[rus_logic]

это да. но в мои обязанности это и не входит

[alexbib]

>>> Придумали их чуть ли не до изобретения компьютеров.
идея в 1969, первая почти совсем работающая имплементация 1989, начало практического применения 2012

>>> задача распознавания ... и ее решение только с помощью нейросети - принципиально ненадежное

Распознает то, на что натренировано значительно надежнее чем человек.
Например, рак на маммограме распознает лучше самого крутого специалиста из числа кожаных мешков в белых халатиках :))) Ну, или физиономию в толпе.
И на 2+ порядка лучше чем любой другой известный способ распознавания изображений

>>>торможение автопилота Гугла при виде велосипеда, укрепленного на велобагажнике сзади впереди идущей машины
Дык, обучать надо. Показать сеточке на наборе примеров что такие подвешаные велосипеды угрозы не представляют - она и обучится. Потом тормозить не будет.
Все как у людей - необученый персонал часто ошибается, после обучения ошибается реже.

>>>Другой недавний казус - незначительное и незаметное для водителя изменение дорожного знака хулиганами
Это да, если знать как то можно и хакнуть.
Нужно отметить, что не любое незаметное изменение введет сетку в ступор, а очень тщательно посчитаное.
Если пытаться обмануть сетку случайным образом подкрашивая/царапая этот знак, то вероятность надуть сеть в раёне 0.000000000000000001
Это была хакерская атака основанная на знании интимных деталей как именно та самая нейронная сетка распознает подобные знаки. Несколько едва заметных пятнышек в строго определенных местах собьют именно эту сеть с понталыку.
Это как сказать что кодовый замок на 24 цифры весьма ненадежный потому что хулиганы его вскрыли на раз. А как вскрыли??? Да они просто узнали какой у того замка код: 568741256987452158965234
:)))

>>>это результат многократно повторенного попадания пальцем в небо.
Все как у людей.
except многие люди необучаемы.

[zaharov]

Все практические системы распознавания работают не на базе нейросетей, а на сложных алогоритмах, где нейросети выполняют подсобные задачи или вообще не используются.

[alexbib]

Это не так.

ВСЕ современные (10 лет и меньше) практические системы распознавания изображений, звука и прочих паттернов работают ТОЛЬКО на нейронных сетях и никак иначе.

Лучший алгоритмический распознаватель при распознавании картинок дает порядка 75% верных ответов.
Типичная нейронная сетка распознает то, чему она обучена с точностью 99..99.7%.

Если, например, обучить нейронную сеть распознавать различные сорта картошки, то она будет это делать быстрее и точнее чем самый быстрый и опытный ботаник, специализирующийся на картошке.
Для этого надо взять одну из известных моделей и за несколько часов ее обучить. Самое сложное это приготовить обучающие картинки - их должно быть много.
Алгоритмы распознаванита разных фич (feature) распознаваемых обьектов (сортов картошки) надо будет вручную писать и отлаживать месяцами.
Это вторая причина по которой алгоритмические распознаватели никто больше не использует.