Документ Microsoft Office Word. Разум над материей
 Скачать 20.3 Kb.
|
|
Афонина М.А., гр. П16/1 Разум над материей Ранее, когда SpiNNaker работал только с 500000 процессорами, он моделировал 80000 нейронов в коре головного мозга, т.е. той области мозга, что удерживает данные от органов чувств. Согласно заявлению, другое моделирование SpiNNaker базальных ганглиев, области мозга, затронутой болезнью Паркинсона, намекает на потенциал компьютера как инструмента для изучения расстройств мозга. SpiNNaker может также управлять мобильным роботом под названием SpOmnibot, что использует компьютер для интерпретации данных от датчиков зрения робота и делает выбор навигации в режиме реального времени, утверждают представители университета. При всей своей вычислительной мощности и мощности мозга, насколько близко SpiNNaker ведёт себя как настоящий человеческий мозг? На данный момент точное моделирование человеческого мозга просто невозможно, считает Фурбер. Такая передовая машина как SpiNNaker, все ещё может контролировать только часть связи, выполняемой человеческим мозгом, и суперкомпьютерам предстоит долгий путь, прежде чем они смогут начать думать самостоятельно, написал Фурбер в электронном письме. "Даже с миллионом процессоров мы можем приблизиться только к 1 проценту человеческого мозга, и это только с большим количеством упрощённых предположений," - сказал он. Однако SpiNNaker способен имитировать функцию мозга мыши, которая в 1000 раз меньше человеческого мозга, добавил Фурбер. "Если мышь думает размером мышиного мышления и всё, что ей нужно, это достаточное количество вместе проводимых нейронов в правильной структуре (что само по себе спорный момент), то, возможно, теперь мы можем достичь этого уровня мышления в модели, работающей на Spinnaker", - сказал он. Обучение машины — забавная штука! Современное распознавание лиц с глубинным обучением Вы заметили, что Facebook обрёл сверхъестественную способность распознавать ваших друзей на ваших фотографиях? В старые времена Facebook отмечал ваших друзей на фотографиях лишь после того, как вы щёлкали соответствующее изображение и вводили через клавиатуру имя вашего друга. Сейчас после вашей загрузки фотографии Facebook отмечает любого для вас, что похоже на волшебство. Facebook автоматически маркирует людей на ваших фотографиях, которых вы отметили когда-то ранее. Я не могу определиться для себя, полезно это или жутко! Данная технология называется распознавание лиц. Алгоритмы Фейсбука могут распознавать лица ваших друзей после того, как вы отметили их лишь пару-тройку раз. Это — удивительная технология: Фейсбук в состоянии распознавать лица с точностью 98% — практически так же, как и человек! Рассмотрим же, как работает современное распознавание лиц! Однако просто распознавать ваших друзей было бы слишком легко. Мы можем подойти к границе этой технологии, чтобы решить более сложную задачу — попробуем отличить Уилла Феррелла (известный актёр) от Чеда Смита (известный рок-музыкант) Один из этих людей — Уилл Феррелл. Другой — Чед Смит. Клянусь — это разные люди! Как использовать обучение машины при очень сложной проблеме До сих пор в частях 1, 2 и 3 мы использовали обучение машины для решения изолированных проблем, имеющих только один шаг — оценка стоимости дома, создание новых данных на базе существующих и определение, содержит ли изображение некоторый объект. Все эти проблемы могут быть решены выбором одного алгоритма обучения машины, вводом данных и получением результата. Но распознавание лиц представляет собой фактически последовательность нескольких связанных проблем: 1. Во-первых, необходимо рассмотреть изображение и найти на нём все лица. 2. Во-вторых, необходимо сосредоточиться на каждом лице и определить, что, несмотря на неестественный поворот лица или неважное освещение, это — один и тот же человек. 3. В-третьих, надо выделить уникальные характеристики лица, которые можно использовать для отличия его от других людей — например, размер глаз, удлинённость лица и т.п. 4. В завершение необходимо сравнить эти уникальные характеристики лица с характеристиками других известных вам людей, чтобы определить имя человека. Мозг человека проделывает всё это автоматически и мгновенно. Фактически, люди чрезвычайно хорошо распознают лица и, в конечном итоге, видят лица в повседневных предметах: Компьютеры неспособны к такого рода высокому уровню обобщения, поэтому приходится учить их каждому шагу отдельно. Необходимо построить конвейер, на котором мы будем находить решение на каждом шаге процесса распознавания лица отдельно и передавать результат текущего шага на следующий. Другими словами, мы соединим в одну цепь несколько алгоритмов обучения машины: Как может работать базовый процесс распознавания лиц Распознавание лиц — шаг за шагом Давайте решать эту проблему последовательно. На каждом шаге мы будем узнавать о новом алгоритме обучения машины. Я не собираюсь разъяснять каждый отдельный алгоритм полностью, чтобы не превратить эту статью в книгу, но вы узнаете основные идеи, заключающиеся в каждом из алгоритмов, и узнаете, как можно создать свою собственную систему распознавания лиц в Python, используя OpenFace и dlib. Шаг 1. Нахождение всех лиц Первым шагом на нашем конвейере является обнаружение лиц. Совершенно очевидно, что необходимо выделить все лица на фотографии, прежде чем пытаться распознавать их! Если вы использовали в последние 10 лет какую-либо фотографию, то вы, вероятно, видели, как действует обнаружение лиц: Обнаружение лиц — великое дело для фотокамер. Если камера может автоматически обнаруживать лица, то можно быть уверенным, что все лица окажутся в фокусе, прежде чем будет сделан снимок. Но мы будем использовать это для другой цели — нахождение областей изображения, которые надо передать на следующий этап нашего конвейера Что есть "интернет вещей" В реальном мире вещи важнее идей. Кевин Эштон Июнь 22, 2009 - я мог ошибаться, но я уверен, что фраза "Интернет вещей" начала жизнь как название презентации, которую я сделал в Procter & Gamble (P&G) в 1999 году. Связывание новой идеи RFID в цепочке поставок P&G с раскаленной тогда темой интернета было больше, чем просто хорошим способом привлечь внимание руководства. Он подвел итог важному пониманию, что 10 лет спустя, после того как Интернет вещей стал названием всего, от статьи в Scientific American до названия конференции Европейского Союза, он всё ещё часто неправильно понимается. Тот факт, что я, вероятно, был первым человеком, который сказал "Интернет вещей", не дает мне никакого права контролировать, как другие используют эту фразу. Но я имел в виду и имею в виду следующее: сегодня компьютеры—и, следовательно, Интернет—почти полностью зависят от человека в плане информации. Почти все из примерно 50 петабайт (петабайт составляет 1024 терабайт) данных, доступных в Интернете, были впервые захвачены и созданы людьми—путем ввода, нажатия кнопки записи, создания цифрового изображения или сканирования штрих-кода. Обычные схемы Интернета включают серверы и маршрутизаторы и так далее, но они оставляют самые многочисленные и важные маршрутизаторы из всех: людей. Проблема в том, что люди имеют ограниченное время, внимание и точность—все это означает, что они не очень хорошо захватывают данные о вещах в реальном мире. И это очень большое событие. Мы физические, как и окружающая среда. Наша экономика, общество и выживание не основаны на идеях или информации-они основаны на вещах. Вы не можете съесть кусочки, сжечь их, чтобы согреться или положить их в свой бензобак. Идеи и информация важны, но вещи имеют гораздо большее значение. Тем не менее, современные информационные технологии настолько зависят от данных людей, что наши компьютеры знают больше об идеях, чем о вещах. Если бы у нас были компьютеры, которые знали бы все, что нужно знать о вещах—используя данные, которые они собирали без какой—либо помощи от нас - мы могли бы отслеживать и подсчитывать всё, и значительно сократить отходы, потери и затраты. Мы будем знать, когда вещи нуждаются в замене, ремонте или напоминании, и были ли они свежими или прошлыми их версии лучшими. Нам нужно наделить компьютеры их собственными средствами сбора информации, чтобы они могли видеть, слышать и нюхать мир для себя, во всей его случайной красе. RFID и сенсорная техника позволяют компьютерам наблюдать, определять и понимать мир без ограничений введённых людьми данными. Десять лет спустя мы добились большого прогресса, но мы в сообществе RFID должны понимать, что такого важно в том, что делает наша технология, и продолжать отстаивать её. Это не просто "штрих-код на стероидах" или способ ускорить платные дороги, и мы никогда не должны позволять нашему видению уменьшаться до этого масштаба. Интернет вещей имеет потенциал, чтобы изменить мир, так же, как это в своё время сделал интернет. А может даже и больше. Кевин Эштон был соучредителем и исполнительным директором Центра автоматической идентификации. |