Неопознанный Искусственный Интеллект (НИИ)

Борис Янгель работает в команде беспилотных автомобилей «Яндекса». Мы поговорили с ним о том, нужна ли полноценная интеллектуальность для создания беспилотника, в чем проблема обучения с учителем и почему сырая мощь вычислений постоянно оказывается «серебряной пулей», которая в конечном счете побеждает любые эвристики и специализированные модели. В этом выпуске мы обсудили:

02:52 — Что такое искусственный интеллект сегодня

07:01 — Что происходит в мире компьютерного зрения и как может работать нейросеть DALL·E

13:10 — Почему грубая сила вычислений всегда побеждает

17:01 — Как обстоят дела с генерацией музыки и видео по описанию

18:38 — Computer vision, беспилотники и компьютерное понимание происходящего на дороге

21:09 — Критерии интеллектуальности машины

23:49 — Почему машинное обучение с учителем сломано

30:59 — Как решать задачи бенчмарка ARC от Франсуа Шолле

38:10 — Как обучаются беспилотники

43:19 — Нужен ли AGI для создания беспилотных автомобилей

47:04 — Стоит ли пытаться копировать природу при создании ИИ

49:28 — Как стыкуются Alpha Go и Дэниэль Канеман

54:54 — Актуальна ли проблема вагонетки для современных разработчиков беспилотных автомобилей

1:08:06 — Блиц: советы начинающим ML-специалистам, сериалы про ИИ, о чем говорить с компьютерным разумом

01:00:47 — Резюме выпуска: что мы поняли в беседе с Борисом Янгелем

01:12:19 — Финал выпуска

Почему нейросети генерируют бред, когда от них ждут правды? Как преодолеть разрыв между компьютерной лингвистикой и теоретической? Что мы можем узнать с помощью нейросетей о внутреннем устройстве языке, и на каком слое BERT «лежит синтаксис»? Каким должно быть образование в области Natural Language Processing?

Все это мы обсудили с новым гостем подкаста «Неопознанный искусственный интеллект» — руководителем направления в «SberDevices», одним из создателей  семейства голосовых помощников «Салют» Денисом Кирьяновым. Яркие моменты выпуска:

• 01:33 — как делали голосовых помощников «Салют»
  
• 03:25 — чем машина все еще хуже человека: проблема целеполагания
  
• 06:53 — «писули» от «волшебной машины»: почему GPT-3 генерирует фейковые факты и выдуманные названия рок-групп
  
• 10:50 — как сделать персональных помощников более человекоподобными: проактивные ИИ-зануды
  
• 14:22 — как машине научиться делать то, чего она никогда не видела
  
• 16:55 — конец нейронного блицкрига: «забрасывать железом» компьютерно-лингвистические задачи больше не модно
  
• 17:59 — применение лингвистики в разработке голосовых помощников
  
• 19:07 — вычислительная лингвистика versus лингвистическая теория
  
• 24:30 — лингвисты между двумя стульями: преодолим ли разрыв между теоретиками и компьютерщиками
  
• 28:24 — что могут дать компьютерные модели теоретическим лингвистам
  
• 31:22 — когда нейросети начнут создавать новые теории
  
• 39:31 — ИИ будущего и межкультурные различия
  
• 40:54 — как должно быть устроено образование в области автоматической обработки языка
  
• 43:42 — Data Science в курятнике и кибер-village
  

Расшифровка подкаста

Ведущие подкаста: Даниил Скоринкин и Анатолий Старостин.

Над выпуском работали: Наталья Перкова, Этери Джафарова, Михаил Калра, Алена Завьялова, ВГ, Анастасия Хорошева и Илья Булгаков.

От закаливания стальных труб на заводе — до разработки голосовых помощников.

Таков путь в Data Science нового гостя подкаста «Неопознанный искусственный интеллект»  Давида Дале. Давид закончил экономфак, строил модели кредитного скоринга в Альфа-банке, делал проекты в Data Factory «Яндекса», а потом работал над «Алисой». Теперь Давид — фриланс-разработчик чатботов, преподаватель Y-DATA (филиал ШАД Яндекса в Тель-Авиве) и научный сотрудник «Сколтеха». Мы обсудили с Давидом:

01:24 — Путь датасайнтиста из корпорации во фриланс

06:34 — Как устроен мир разработки чат-ботов и персональных ассистентов

09:06 — Что такое «навыки» чатботов и как их программируют?

11:33 — Можно ли придумать для персональных ассистентов единый протокол

16:39 — Почему всех впечатляет нейросеть GPT-3

22:43 — Как работает GPT-3 и что позволяет ей порождать связный текст

28:00 — Как тестировать интеллектуальность нейросетей

32:54 — Где нужны гибридные подходы к построению интеллектуальных систем

44:34 — Зачем делать студию разработки персональных ассистентов

46:30 — Как устроено преподавание в Y-DATA

Почему современное машинное обучение стоит «примерно на уровне естественных наук XVIII века»? Могут ли нейросети начать закреплять внутри себя выученные знания? Почему опасно игнорировать необъяснимые «странности» нейросетей? В новом выпуске подкаста «Неопознанный искусственный интеллект» мы поговорили с Дмитрием Ветровым — профессором-исследователем НИУ ВШЭ, заведующий Центром глубинного обучения и байесовских методов. Вот что мы обсуждали:

01:32 — Что такое байесовские методы и зачем они в машинном обучении

07:45 — Машинное обучение как «недонаука»: современное состояние ИИ

10:18 — Вредят ли корпорации поиску новых методов машинного обучения

12:29 — GPT-3, мультидоменный ИИ, «сильный» ИИ

18:29 — Когда можно доверить ИИ судьбоносные решения

20:57 — Смена технологической парадигмы в разработке ИИ

22:28 — Стоит ли помнить про онтологии и возможны ли гибриды нейросетей и символьного ИИ

25:19 — Как открыть «черный ящик»: проблема интерпретируемости нейросетей

28:06 — Пересадка из Яндекс.Такси в Яндекс.Толоку: разметка данных для машинного обучения

31:08 — Должен ли ИИ быть похож на мозг, а его разработчики — следовать за открытиями нейрофизиологов?

33:33 — Чем заменить тест Тьюринга.

40:42 — Блиц: самые крутые книжки и самые эпичные провалы в области ИИ

3 лучшие книги по теме ИИ от Дмитрия Ветрова:

1. Christopher M. Bishop. Pattern Recognition and Machine Learning
2. Kevin P. Murphy. Machine Learning: A Probabilistic Perspective
3. David J. C. MacKay. Information Theory, Inference and Learning Algorithms

Гость нового выпуска «НИИ» Николай Любимов сменил работу в Яндексе на ИИ-стартап в Кремниевой долине.  Мы расспросили Николая, каким видится современное состояние области из Калифорнии, на чем надо обучать интеллектуальные системы и как обстоят дела с самопрограммирующимися нейросетями.

В этом выпуске звук хуже, чем обычно. Но тема кажется нам достаточно важной, чтобы выпустить его. На будущих записях будем вдвойне следить за качеством, а пока приносим извинения.

В этом выпуске:

02:29 — почему диплернинг называется диплернингом

03:44 — «узкое горлышко» разметки данных в современном ИИ

05:14 — как размечать данные для машинного обучения по-умному

06:55 — современный ИИ глазами стартапера из Кремниевой долины

10:19 — догонит ли разработка ИИ — фантастику об ИИ

14:06 — ИИ без «железного человека» и «звездных войн»: как ставить задачу четко

22:32 — ИИ для беспилотников: на чем обучать?

25:29 — должен ли сильный ИИ говорить по-человечески?

35:08 — фантазируем о мире, в котором победил ИИ

40:14 — умерла ли «старая школа» ИИ

50:00 — можно ли прийти к ИИ через моделирование мозга: нейрофизиология и антропоморфность

Достигли ли нейросети потолка, или они еще принесут много новых прорывов? Нужен ли человечеству сильный ИИ, или это угроза цивилизации? Как сталкиваются интересы Data Science и службы безопасности? Можно ли сделать ученых из всех рядовых инженеров, работающих с данными? В новом выпуске подкаста НИИ — Константин Воронцов, профессор Физтеха и Вышки, доктор физ.-мат. наук, человек, который занимается анализом данных, машинным обучением и искусственным интеллектом с начала 90-х. Вот о чем мы поговорили:

01:30 — В чем революция глубинного обучения

08:28 — Водитель машины как гибридная система машинного обучения

11:39 — Этап «братьев Райт» в глубинном обучении: смотрим, что взлетит

19:24 — Кошмар службы инфобезопасности: обучение на реальных потоковых данных

21:54 — Почему комар все еще умнее беспилотника

26:14 — «Мы роем себе могилу»: чем опасна мечта о сильном ИИ

36:03 — Можно ли сделать универсального помощника

51:16 — Человек versus нейросеть: сколько примеров нужно для обучения нам самим

54:36 — Когда мы уже начнем понимать, что происходит внутри нейросетей

В Data Science работать непросто. Но еще сложнее — преподавать другим. Виктор Кантор делает и то, и другое. Днем он руководит Data Science в МТС, а ночью — обучает новых датасаентистов.

Мы пригласили Виктора в подкаст «Неопознанный искусственный интеллект», чтобы поговорить о преподавании Data Science, развитии технологий машинного обучения и о будущем искусственного интеллекта. Вот что мы обсудили:

02:37 – Как обучать крутых датасаентистов

06:40 – Чем отличаются Data Mining, машинное обучение и Data Science

08:31 – Возможен ли сильный искусственный интеллект

16:35 – Что мешает преодолеть «узость» ИИ и так ли универсален человеческий мозг

24:14 – Как научить робота ловить рыбу и будем ли мы программировать на естественном языке

32:04 – Как стать крутым преподавателем Data Science и чем помогает игра в шляпу

38:22 – Как запускать космические корабли в далеком будущем

44:43 – Блиц: кто самый крутой русский датасаентист и о чем говорить с искусственным интеллектом

К искусственному интеллекту можно идти с разных сторон, и один из путей — через язык. В естественном языке выражены вся мощь, гибкость и разнообразие человеческого мышления.

О том, как лингвисты разрабатывают искусственный интеллект и потом тестируют его, мы поговорили с Татьяной Шавриной, руководителем команды по обработке естественного языка и искусственному интеллекту в Сбере.

В выпуске:

01:04 — Как разработка ИИ объединила лингвистику, программирование и когнитивные науки?

04:25 — Что должен уметь «сильный ИИ»?

08:10 — Как построить «сильный ИИ»?

12:50 — Должен ли ИИ быть устроен как человеческий мозг

17:20 — Поиграй со мной: обсуждаем тест на интеллектуальность

21:00 — Чем растущий ребенок отличается от обучающейся нейросети

21:59 — Нейросети решают ЕГЭ

27:35 — Super GLUE: тесты-головоломки для искусственного интеллекта

33:41 — Футурология: в каком гараже изобретут ИИ

35:30 — Колониализм в ИИ: цифровой Дикий Запад

37:23 — Блиц: кого заменят роботы и какие статьи об ИИ стоит почитать