Исследователи работают над бесконденсаторной памятью DRAM с использованием оксидных полупроводников, которая может быть встроена в трехмерные слои над кремнием процессора. Если разработка зарекомендует себя в тестах, то она позволит обеспечить экономию площади и энергии при работе больших нейронных сетей.
Сотрудники РТЛабс разработали и ежедневно развивают робота Макса. Сейчас его ядро выдерживает более 3 млн уникальных пользователей в сутки, асинхронно взаимодействуя с несколькими поисково-диалоговыми механиками, сервисами хранения, логирования и персонализации.⠀
Узнать больше о том, кто такой Робот Макс и какие задачи решает вы сможете на большом онлайн-митапе «Как создаются роботы. Мультиагентная архитектура и фреймворки построения нейронных сетей».
Он пройдет уже на следующей неделе, 24 февраля, в 19:00.
Инженер и музыкант Кит Блумер создал функциональную гитарную педаль NeuralPi, управляемую нейронной сетью в режиме режиме реального времени. Программное обеспечение запускается на одноплатном компьютере Raspberry Pi.
Автор YouTube-канала с одноименным названием Nathaniel F. представил систему, которая успокаивает собаку по имени Клэретт (Clairette). Все дело в том, что после долгого карантина псу было тяжело адаптироваться к тому, что его хозяин каждый день уходит из дома. Поэтому Натаниэль разработал систему с машинным обучением, которая распознает лай питомца и воспроизводит звуки, которые его успокаивают.
Команда Лаборатории ИИ и Института искусственного интеллекта AIRI представила лучшее решение самой сложной задачи — Matching на Data Fusion Contest 2022.
Специалисты Сбера не остановились на базовом подходе (бустинг), а подошли к решению задачи с помощью нейронных сетей, подтвердили свою гипотезу и в итоге заняли 1-е место.
Привет, Хабр! Это Александр Капитанов и Александр Нагаев из Sber Devices. Мы занимаемся задачами компьютерного зрения: генерацией, матированием и редактированием изображений, сегментацией, портретной гармонизацией, заменой лиц, распознаванием жестов. А с недавних пор ещё и распознаваниtv русского жестового языка.
Поговорим о том, что заставило нас решать данную проблему. Затронем теорию жестового языка — подозреваю, что мало кто с ней знаком. Расскажем, как мы собирали собственный датасет для распознавания русского жестового языка и затронем тему обучения моделей для решения данной задачи. Также поделимся с вами результатом и немного расскажем про семейство наших моделей signflow.
Ученые российской ИИ-компании Smart Engines представили и запатентовали в США принципиально новую модель нейросетей – биполярные морфологические сети. Они позволят создать ускоритель для нейросетевых моделей, который может обеспечить 30-40% улучшение аппаратных характеристик практически без снижения качества работы. БМ-сети способны вытеснить классические нейросети и значительно повлиять на развитие технологий ИИ в ближайшем будущем. Об этом представители Smart Engines рассказали «Газете.Ru».
В статье описана идея нейронных обыкновенных дифференциальных уравнений (Neural ODEs) - подхода в области глубокого обучения, который объединяет методы численного решения дифференциальных уравнений с нейронными сетями. Neural ODEs позволяют моделировать непрерывное изменение скрытых состояний, что открывает новые возможности для анализа временных рядов, обработки сигналов и динамических систем.
Друзья, всем привет! Сегодня я расскажу вам о новом чуде технологий от ребят из OpenAI. Знакомьтесь — Sora, искусственный интеллект, который умеет делать видео по вашему текстовому описанию. Да-да, вы не ослышались: напишите ему, что вы хотите видеть, и он это создаст. Волшебство? Почти. Давайте разбираться, что за зверь такой этот Sora и почему это круто. Ведь все видео в этой статье сделаны с помощью искусственного интеллекта.
Много видео роликов в статье.
Всем привет! Меня зовут Аня Власова, я работаю ML-инженером в Купере (ex СберМаркет), а именно — в команде поиска. Сегодня я расскажу про нашу нейросетевую модель, которая стои́т на страже корректных поисковых запросов. Вы наверняка найдете пару инсайтов в этой статье, если тоже разрабатываете сервисы поиска или просто интересуетесь языковыми нейронками.
В этой серии статей мы создадим симуляцию эволюции с помощью нейронной сети и генетического алгоритма.
Я расскажу вам, как работают простая нейронная сеть и генетический алгоритм, затем мы реализуем их на Rust и скомпилируем приложение в WebAssembly.
Предполагается, что вы немного знакомы с Rust, остальное я постараюсь объяснить.
Эта серия состоит из нескольких статей:
Интересно? Тогда поехали.
Это предпоследняя часть серии статей по разработке симуляции эволюции с помощью нейронной сети и генетического алгоритма.
В сегодняшнем выпуске:
Сексуальные многоугольники
Сертифицированные ISO диаграммы ASCII
------------
| \...%....|
| \......|
| @>....|
| \...|
| \.|
------------Клевые числа
Это заключительная часть серии статей по разработке симуляции эволюции с помощью нейронной сети и генетического алгоритма.
Это третья часть серии статей по разработке симуляции эволюции с помощью нейронной сети и генетического алгоритма.
В предыдущей статье мы реализовали простую FFNN (feedforward neural network — нейронная сеть прямого распространения), которая может передавать числа через рандомизированные слои — это первый шаг на пути создания мозга.
Однако рандомизация — это далеко не все. По большей части эволюция заключается во внесении небольших, постепенных изменений, чтобы система со временем становилась лучше, чтобы наш мозг начал накапливать знания и функционировать так, как ожидается.
Но как мы можем обучить группу чисел с плавающей точкой (запятой, если угодно)?
Это вторая часть серии статей по разработке симуляции эволюции с помощью нейронной сети и генетического алгоритма.
В этой статье мы заложим основы нашего проекта и реализуем простую FFNN (feedforward neural network — нейронная сеть прямого распространения), которая впоследствии станет мозгом. Мы также рассмотрим множество тонкостей и идиом, которые встречаются в коде Rust, включая тесты.
Готовы? Тогда поехали.
Согласно новому отчету Стэнфордского университета, компании, стоящие за ChatGPT и другими популярными и мощными системами искусственного интеллекта, недостаточно прозрачны в отношении своих обучающих данных и того, как они работают.
Привет, Хабр! Меня зовут Ирина Николаева и я — руководитель R’n’D отдела машинного обучения в компании Raft Digital Solution. Я внедряла различные ML-модели: от анализа временных рядов и Computer Vision до высоконагруженных дата-инженерных сервисов. Эта статья написана по мотивам моего доклада на Highload ++ 2023.
В статье вас ждёт: обзор LLM-моделей, техники работы с ними через призму MLOps, разбор лицензий и требований к железу. А так же трюки с квантизацией и файн-тюнингом «на сладкое». Главный дисклеймер статьи в том, что данные лидербордов и технических требований актуальны на момент выступления на Highload, то есть ноябрь 2023, но не всё из них актуально до сих пор. Но если бы я обновила всю статью, была ли бы это та же самая статья — вопрос риторический, поэтому было принято решение оставить всё как есть.
Нейросети для распознавания жестового языка, созданные командой компьютерного зрения RnD CV в SberDevices научились лучше всех в мире распознавать американский жестовый язык и подружились с GigaChat!
Такой результат был достигнут благодаря нашему датасету русского жестового языка (РЖЯ) Slovo, который недавно мы выложили в открытый доступ. Публичная версия датасета содержит тысячу классов жестов суммарным объемом в 20 тысяч HD+ видео, записанных большой группой экспертов. Датасет и обученные на нем модели нейронных сетей бесплатны и выложены в открытый доступ. Это самый большой открытый и разнородный датасет РЖЯ в мире. Оказалось, что предварительное обучение нейронных сетей на датасете Slovo позволило модели хорошо обобщиться и стать основой для распознавания не только РЖЯ, но и других жестовых языков, в частности американского.
Ученые российской AI-компании Smart Engines нашли способ повысить эффективность работы нейросетей. В основе метода лежит принципиально новая схема квантования, благодаря которой скорость работы повышается на 40%. Результаты исследования были опубликованы в журнале Mathematics (Q1).
Разработка уже используется при решении прикладных задач компьютерного зрения – для поиска объектов и распознавания текстов. Она также может стать неотъемлемой частью беспилотных автономных систем нового поколения, расширив класс задач, которые могут выполнять бортовые компьютеры.
Привет, мои дорогие любители нейро-картинок! Хочу поделиться с вами свежими новостями о Stable Diffusion 3!