17 сентября 2019 - ИИ Google научили диагностировать 26 кожных заболеваний. Как сообщается в официальном источнике специалистов, искусственный интеллект, способный диагностировать проблемы с кожей не менее точно, чем специалисты дерматологи (их точность составляет 77-96%), поможет снизить общее количество запущенных кожных болезней. Кроме того, использование технологии поможет врачам общей практики, которые не могут обеспечить точность диагностики выше 70%, а на них приходится большинство обращений пациентов. Новая нейросеть анализирует изображения проблемных участков кожи, общее состояние пациента, анамнез, возраст, пол и другие входящие данные. Алгоритм сравнивает имеющуюся информацию с обучающей базой, которая содержит более 50 тысяч изображений с подтвержденными диагнозами. После этого, с помощью глубокого обучения, искусственный интеллект самостоятельно делает выводы и ставит предварительный диагноз. На данный момент разработчики планируют доработать алгоритм для эффективного использования в диагностике меланомы, а также подготовить технологию для проведения клинических испытаний. Подробно ИИ-система описана авторами в статье A deep learning system for differential diagnosis of skin diseases в журнале Electrical Engineering and Systems Science. Стоит отметить, что в Google часто разрабатывают нейросети, способные заниматься диагностикой. В том числе это алгоритм Medical Brain, который может предсказать смерть пациентов, а также сделать прогнозы эффективности и длительности лечения. Или ИИ-системы, которые предсказывают риск сердечно-сосудистых заболеваний по сетчатке глаз или ставят диагноз рака груди с точностью до 99%. http://evo-rus.com/avto/exluzive/ii-google-nauchili-diagnostirovat-26-ko...
18 июля 2019 - Специалисты из Google Brain придумали способ, позволяющий существенно сократить время обучения, и вот в чем он состоит: по из словам, объем вычислений можно сократить, если использовать выходные данные на начальных стадиях повторно. Они утверждают, что это ускорит процесс минимум в 4 раза. Система обучения ИИ построена таким образом, что вначале данные считываются и обрабатываются, а потом собираются в группы. Теперь же будет добавлен новый этап, в котором данные будут повторно обрабатываться каждый новый раз. После проверки нового метода результаты оказались просто ошеломительными, как и предполагалось, время, потребовавшееся на полное обучение, сократилось практически в 4 раза. https://overclockers.ru/blog/RoadToKnowledge/show/28656/google-razrabota...
16 июля 2019 - Процессоры вроде Google Tensor или Intel Nervana ускоряют обучение моделей ИИ, но из-за своей архитектуры на ранних стадиях значимой прибавки в скорости не дают. Ученые из Google Brain предложили ускорить обучение ИИ технологией «эхоотражения данных» — она сокращает время обучения и существенно уменьшает необходимое для обучения число примеров. «Эхоотражение данных — эффективная альтернатива оптимизации процесса обучения или добавления дополнительных исполнителей для обработки восходящих данных, что не всегда бывает возможно или желательно», — пишут авторы статьи, опубликованной на Arxiv.org. https://hightech.plus/2019/07/16/v-google-brain-pridumali-novuyu-tehnolo...
29 августа 2018 - Команда программистов из Калифорнийского университета в Беркли (The University of California Berkeley) и компания Google создали новый алгоритм обучения искусственного интеллекта (ИИ). Этот метод позволит программам реже совершать ошибки, которые приводят к сбою всей их работы. Чтобы справиться с этой проблемой и минимизировать количество сбоев, программисты предложили двухуровневую концепцию машинного обучения. Ее принцип заключается в том, чтобы искусственный интеллект возвращался в исходное состояние, если произойдет сбой системы. Первый уровень отвечает за правильное выполнение задачи. Второй уровень анализирует базу данных и решает, сможет ли система пройти логическую цепочку без критических ошибок. При этом ИИ будет считать алгоритмы безопасными только в случае, если его состояние можно будет вернуть в исходное положение. Такой метод машинного обучения сокращает издержки на прямое вмешательство извне и время на машинное обучение. Кроме того, концепция двойного алгоритма имеет потенциал для создания у искусственного разума саморегулирующихся процессов, которые повысят работоспособность всей системы. https://sciencepop.ru/iskusstvennyj-intellekt-nauchili-otsenivat-posleds...
14 февраля 2018 - Подразделение Google по разработке ИИ DeepMind создало алгоритм, благодаря которому нейросети стали обучаться в 10 раз быстрее. Система IMPALA одновременно играет в 57 игр Atari и непрерывно обменивается опытом сама с собой. Новую методику создали с помощью "тренажера" DMLab-30, который работает на основе "стрелялки" Quake III и аркад Atari. IMPALA играет и за опытных "геймеров" и за "новичков", передавая опыт каждому "игроку". Такой ИИ в 10 раз эффективнее проходит видеоигры. Как утверждают разработчики DeepMind, при достаточной мощности процессоров система IMPALA обрабатывает 250 кадров в секунду и 21 миллиард кадров в день. Существующие аналоги далеки от таких результатов. https://oane.ws/2018/02/14/podrazdelenie-google-sozdalo-algoritm-rekordn...
09 декабря 2017 - Искусственный интеллект победил лучшего шахматиста, ничего не зная об игре. До начала турнира знал лишь как ходят фигуры. И больше ничего. Свое мастерство AlphaZero приобрел без посторонней помощи, в отличие от всех предыдущих шахматных программ у него не было никаких эмпирических данных, никакой базы с архивами уже сыгранных шахматных партий, никакого знания о шахматных стратегиях и фигурах. Он просто знал, как ходят фигуры, и цель игры. Начав с чистого листа и вооружившись обучающим алгоритмом подкрепления, нейросетью и фигурами на доске перед ним, AlphaZero начал играть сам с собой, снова и снова, оттачивая свои навыки с каждой партией, и если говорить человеческими понятиями времени, провел за игрой в шахматы около 1400 лет за эти четыре часа. Система может обработать 800 000 позиций за секунду. Затем он таким же образом за восемь часов сумел превзойти AlphaGo в го, и за два часа — программу Elmo, которая раньше считалась неоспоримым чемпионом по игре в сёги.
04 декабря 2017 - В мае 2017 года исследователи из Google Brain представили AutoML — искусственный интеллект, способный генерировать собственные ИИ. Недавно стало известно, что AutoML построил систему, которая превосходит «конкурентов», разработанных людьми. Специалисты из Google автоматизировали разработку моделей машинного обучения с помощью обучения с подкреплением. AutoML действует как управляющая нейросеть, которая разрабатывает дочернюю нейросеть для специализированной задачи. Для этой дочерней сети (которую исследователи назвали NASNet) в задачу входило распознавание объектов — людей, машин, светофоров, багажа и т. д. — на видео в реальном времени. При этом AutoML оценивает работу NASNеt и использует эту информацию для улучшения дочерней сети; этот процесс повторяется тысячи раз. Когда инженеры протестировали NASNet на наборах изображений ImageNet и COCO, она превзошла все существующие системы компьютерного зрения.
6 Августа. Hi-News Разработчики из Deepmind, а также университета Карнеги — Меллон решили, что будет лучше, если искусственный интеллект будет обучаться базовым принципам использования языка самостоятельно — для этого исследователи поместили две нейронные сети в аркадную игру и заставили их рубиться до посинения, сопоставляя отдельные объекты с разными характеристиками до тех пор, пока они не начнут понимать язык. Программы, пытаясь добиться нужного результата миллионами разных способов, научились ассоциировать определённые слова с объектами и их характеристиками и начали оперировать различными понятиями, такими как «больший» или «меньший», например, и стали различать похожие внешне предметы из игрового окружения.
23 мая 2017 - Если верить Google, даже сейчас уровень AutoML уже таков, что она может быть эффективнее экспертов-людей в вопросе поиска лучших подходов для решения конкретных проблем. В перспективе это позволит существенно упростить процесс создания новых ИИ-систем, так как по сути их будут создавать себе же подобные, но по состоянию на данный момент, AutoML по-прежнему находится на раннем этапе своего развития, говорит Google.