5 év múlva lesz olyan önvezető autó, ami minden útviszonynak, időjárásnak és napszaknak meg tud felelni. 10 év múlva lesz olyan mesterséges intelligencia, ami jobban fog orvosi diagnózisokat felállítani, mint az egyes területek szakértői. Ennek a kiértékelése sem lesz könnyű, gondolom használatban kell majd legyen és ki is kell majd értékelni a hatékonyságát. Ugyanakkor úgy gondolom, hogy elfogadható, hogy olyan adatokat is felhasználjon, amelyek egy orvos számára lehet nem elérhetőek, vagy csak túl sok időt venne fel a kiértékelésük, pl. a páciens telefonján, vagy óráján begyüjtött idősorok, esetleg új típusú érzékelők, amelyekhez még nem írták meg a kézikönyvet.
2019. november 30., szombat
2019. november 29., péntek
🙏☯️📸✍️🙂💐✍️😊⚘🌿🍀 🙏💐✍️
Eszembe jutott egy nagyon jó film. The Fountain. Zeneszerző Clint Mansell (a Requiem for a dream zenéjét is ő szerezte).Előadja a Kronos Quartet.A közzétett írás nem csupán fikció. Minden egybeesés a valósággal, helyekkel, személyekkel nem csupán a véletlen műve.
2019. november 28., csütörtök
MI írja a jövőt nov24
Klaus Johannis megnyerte az elnökválasztást, majd beadta a felmondását. A mondat első felét én találtam ki, a másodikat egy mesterséges intelligencia (MI). Az OpenAi kutatói még februárban jelentették be, hogy létrehoztak egy olyan mesterséges intelligenciára épülő szöveggeneráló rendszert, ami képes egyetlen mondathoz, címhez egy teljes szöveget, cikket írni. Olyan jól sikerült a szoftver, hogy korábban nem merték nyilvánossá tenni az általuk futtatott kódot, sem az algoritmus betanításához felhasznált adatkészletet, attól tartva, hogy újabb eszközt adnának az álhírgyártók kezébe. A napokban azonban mégis hozzáférhetővé tették, mert úgy ítélték meg, hogy mégsem olyan veszélyes az algoritmus, mint hitték korábban. A GPT-2 nevű algoritmus a nyelvet modellezi, és azt igyekszik kitalálni, hogy egy adott szó után mi fog következni a mondatban. Hasonló ahhoz, amit nap mint nap látunk, amikor a telefonba pötyögött szavaink után a prediktív szövegbevitel igyekszik segíteni az írást, csak annál sokkal kifinomultabb az új eljárás. A nyelvfeldolgozó és szöveggeneráló algoritmusok sokáig szenvedtek a nyelvi fordulatokkal, de egyre ügyesebbek lettek az idők folyamán. Egy-két dolog még elárulja, hogy nem ember a szerzője egy-egy ilyen „alkotásnak”, például vannak érthetetlen ismétlődések és a szöveg sem mindenütt koherens. Azonban egész jól lehet vele szórakozni. Aki kipróbálná, itt éri el a felületet. Én magam is kipróbáltam, természetesen angol nyelven (az ilyen projektek többsége ezen a nyelven működik a legjobban). Mivel jelenleg az államfőválasztás tartja lázban a közvéleményt, ezért egy ezzel kapcsolatos mondatot tápláltam be a rendszerbe. A felmérések szerint Klaus Johannis jelenlegi elnök a legesélyesebb elnökjelölt, ezért ezt írtam be a programba: „Klaus Johannis elnök nyerte a választásokat Romániában”. Kíváncsi voltam, hogy milyen cikket írna, milyen jövőt vázolna ebből a mesterséges intelligencia. A született „remekmű” szerintem szúrná a Johannis-pártolók szemét, az ellenoldalon viszont sejtésem szerint prófétai ihletettségűnek ítélnék a szöveget. Az angol változat szabad fordítása körülbelül így hangzik: „Klaus Johannis elnök nyerte a választásokat Romániában. Másnap beszédet mondott Bukarestben az Alkotmánybíróságon, ahol elítélte a döntést mint ami »veszélyes a nemzet jövőjére, a román nép egységére és integritására«. »Semmi sem indokolt egy ilyen döntést. Mi több – amit az Alkotmánybíróság többsége világossá tett a döntésével –, a döntés elveszi azt a jogot, hogy az emberek közül válasszák az elnököt, akik az alkotói az alkotmánynak és a demokráciának. Ez volt az egyik oka annak, hogy november 22-én megírtam azt a levelet az Alkotmánybíróságnak. Tettem ezt azért, hogy biztosítsam, hogy volt itt egy döntés, de nem csak az az egy, hanem ez is az lesz« – mondta. Klaus Johannis, Románia elnöke szerint az Alkotmánybíróságnak benyújtott felmondólevelének a célja, hogy megelőzzön egy olyan helyzetet, amelyben nem tudná szolgálni a román népet és a nemzetet.” S hogy mire gondolt a „költő”? Hogy kik/mik közül választanák az elnököt, ha nem az emberek közül? Hogy Johannis miért mondana le az alternatív jövőben? Mindenki maga döntse el. A valósággal való bármilyen egyezés csupán a véletlen műve.
2019. november 27., szerda
Rubik kockát kirakó robotkéz
Most mutatta be az OpenAI, hogy olyan mesterséges intelligenciát alkottak, ami képes kirakni egy robotkézben tartva egy Rubik kockát.Youtube videó itt. Blogbejegyzés itt.Azt hiszem, hogy egy kicsit fontos értelmeznem ezt a hírt, mert lehet, hogy nem olyan egyszerű megérteni, miért is olyan fontos ez és amúgy is, mennyire is fontos.
Solving Rubik’s Cube with a Robot Hand
Először is, messze nem ez az első robot, ami képes kirakni a Rubik kockát, itt van pl. ez, amely sokkal gyorsabban csinálja, ráadásul ez mindig képes kirakni, az OpenAI megoldása meg nem mindig.A két megoldás között az a különbség, hogy az első megoldás sokkal általánosabbnak tűnő módszerekkel készült, mint a második. Mindkét megoldáshoz elég sok ember kellett, meg néhány év kemény munka, viszont elvileg az első megoldás nagyon sok hasonló feladatra alkalmazható módszereket dolgozott ki, míg a második módszerben inkább az emberek fejlődtek sokat a probléma megértésében és számítógépes modellezésben. Ha mindkét esetben elküldjük az embereket vakációzni és új csapattal szeretnénk megoldani azt a feladatot, hogy egy kéz valamilyen gömb alakú tárgyon gombokat nyomogasson valamilyen sorrendben, akkor az első módszerrel csak annyit kell tenni, hogy készítünk a feladatról egy virtuális modellt és írunk egy kis programocskát, ami nagyjából ki tudja értékelni a megnyomott gombok sorrendjét, hogy mennyire felel meg az elvártnak, utána pedig rengeteg számítógépet rátenni, hogy szimulálják ezt a feladatot és addíg próbálkozzanak a megoldásokkal, amíg elfogadható az eredmény. A második módszerrel mindent előlről kell kezedeni, tehát kell tervezni egy olyan robotot, ami képes egy gömböt megtartani, megforgatni, felismerni rajta a gombokat, megnyomni azokat és utána a helyes forgató és megnyomó műveleteket végrehajtani, a jó sorrendben. Egyébként, ha kevés számítógép áll rendelkezésünkre, még mindig lehet, hogy ez a gyorsabb módszer, az első ugyanis rengeteg számítási kapacitást igényel egyelőre, de jelenleg erről az az általános vélekedés, hogy nem jelent gondot, mert egyrészt az algoritmusokat is tudjuk gyorsítani és a számítógépek is gyorsulnak még, bár már egyre nehezebb kihozni belőlük az optimális teljesítményt.Ez lehet, hogy még zavarosabb mint eddig volt. A lényeg az, hogy a tanuló algoritmusokon alapuló problémamegoldás most nagyon népszerű, mert úgy gondoljuk, hogy bármeddig képesek vagyunk javítani a teljesítményüket, csak elég idő és energiát kell rá szánni. Erről biztos fogok még írni.Ami számomra igazán érdekes, az az, hogy hogyan oldották meg a szimulációban tanult mozgás való világba való átültetését. Az utóbbi pár évben jelent meg ez a technika, amit domain randomizationnak nevezük, ami nagyjából azt jelenti, hogy véletlenszerűsítjük a szimuláció egyes paramétereit és ezzel kényszerítjük a tanuló rendszert arra, hogy ne csak a képben található apró jeleket tanulgassa, hanem próbálja megérteni azokat az összefüggéseket, amelyek mindig igazak, a pixelek színétől függetlenül. Persze, ha véletlenszerűséget alkalmazunk, akkor (szinte) mindig lassabb lesz az algoritmusunk, hiszen sok esetet ki kell próbáljon. Viszont most úgy tűnik, hogy ez egy jó módszer arra, hogy robusztus eredményeket érjünk el, szóval a szimlációban tanultak a való világban is alkalmazhatóak legyenek, ahol sosem lehet tudni, hogy egy zsiráf mikor zavar be a képbe.Ez a módszer jelenleg az egyetlen olyan módszer, ami engem egy kicsit is meggyőz, hogy valamikor önvezető autókat fogunk tudni készíteni, hiszen ha egy véletlenszerűsített világban el fog tudni vezetni az autónk, akkor a való világban sem lehet neki gondja. Az egyetlen gond csak az, hogy elég nehéz egy bonyolultabb véletlenszerűsített világot szimulálni, ugyanis azt még relatív egyszerű, hogy mindenféle állat átvonulhasson az autó előtt, de hogyan fogjuk szimulálni a különböző alkoholszinttel rendelkező többi söfört szimulálni? Egy megoldás lehet az, hogy szép lassan haladunk a véletlenszerűsítéssel, először csak kicsit rángatják a kormányt, aztán jobban, stb. de nehéz kérdés az, hogy konvergál-e ez valaha. Meglátjuk, remélem azért nem olyan sok idő múlva.Miért fontos ez az eredmény? Szerintem egy fontos lépés ez azon az úton, hogy komolyabban kezdjenek sokan az olyan robotok fejlesztésén dolgozni, amelyeknek fontos lesz az, hogy kezük legyen, szóval vagy emberekkel kell együttműködjenek, vagy nagyon általános feladatokat kell megoldjanak, amelyekhez nagyon hasznos ez az architektúra, vagy mindkettő.Persze, a tanuló algoritmus skálázása is fontos lesz, de ezt az OpenAI is tudja, az ő robotkezük sem tud feldobni egy labdát és elkapni azt. Azt sem tudja, hogy szóban közöljük vele ezt a feladatot. És ők is tisztában vannak azzal, hogy ennyi tanítási idő (valahol 10000 óra körüli szimulációs időt láttam, talán a cikkben szerepel ez, én nem olvastam el, annyira nem érdekel ez a feladat :)) nem elfogadható egy ilyen feladat megoldásához, szóval jobb ha nekifognak kidolgozni valami módszert, amivel faktorizálni (felosztani) tudják a feladatot egy általános és egy specifikus részre, amelyből az általánost jó lenne csak egyszer betanulni. Ez egyébként a mesterséges intelligencia egyik legnagyobb rákfenéje mostanság, szóval pont jó lesz ebben az esetben is tanulmányozni.
Solving Rubik’s Cube with a Robot Hand
Először is, messze nem ez az első robot, ami képes kirakni a Rubik kockát, itt van pl. ez, amely sokkal gyorsabban csinálja, ráadásul ez mindig képes kirakni, az OpenAI megoldása meg nem mindig.A két megoldás között az a különbség, hogy az első megoldás sokkal általánosabbnak tűnő módszerekkel készült, mint a második. Mindkét megoldáshoz elég sok ember kellett, meg néhány év kemény munka, viszont elvileg az első megoldás nagyon sok hasonló feladatra alkalmazható módszereket dolgozott ki, míg a második módszerben inkább az emberek fejlődtek sokat a probléma megértésében és számítógépes modellezésben. Ha mindkét esetben elküldjük az embereket vakációzni és új csapattal szeretnénk megoldani azt a feladatot, hogy egy kéz valamilyen gömb alakú tárgyon gombokat nyomogasson valamilyen sorrendben, akkor az első módszerrel csak annyit kell tenni, hogy készítünk a feladatról egy virtuális modellt és írunk egy kis programocskát, ami nagyjából ki tudja értékelni a megnyomott gombok sorrendjét, hogy mennyire felel meg az elvártnak, utána pedig rengeteg számítógépet rátenni, hogy szimulálják ezt a feladatot és addíg próbálkozzanak a megoldásokkal, amíg elfogadható az eredmény. A második módszerrel mindent előlről kell kezedeni, tehát kell tervezni egy olyan robotot, ami képes egy gömböt megtartani, megforgatni, felismerni rajta a gombokat, megnyomni azokat és utána a helyes forgató és megnyomó műveleteket végrehajtani, a jó sorrendben. Egyébként, ha kevés számítógép áll rendelkezésünkre, még mindig lehet, hogy ez a gyorsabb módszer, az első ugyanis rengeteg számítási kapacitást igényel egyelőre, de jelenleg erről az az általános vélekedés, hogy nem jelent gondot, mert egyrészt az algoritmusokat is tudjuk gyorsítani és a számítógépek is gyorsulnak még, bár már egyre nehezebb kihozni belőlük az optimális teljesítményt.Ez lehet, hogy még zavarosabb mint eddig volt. A lényeg az, hogy a tanuló algoritmusokon alapuló problémamegoldás most nagyon népszerű, mert úgy gondoljuk, hogy bármeddig képesek vagyunk javítani a teljesítményüket, csak elég idő és energiát kell rá szánni. Erről biztos fogok még írni.Ami számomra igazán érdekes, az az, hogy hogyan oldották meg a szimulációban tanult mozgás való világba való átültetését. Az utóbbi pár évben jelent meg ez a technika, amit domain randomizationnak nevezük, ami nagyjából azt jelenti, hogy véletlenszerűsítjük a szimuláció egyes paramétereit és ezzel kényszerítjük a tanuló rendszert arra, hogy ne csak a képben található apró jeleket tanulgassa, hanem próbálja megérteni azokat az összefüggéseket, amelyek mindig igazak, a pixelek színétől függetlenül. Persze, ha véletlenszerűséget alkalmazunk, akkor (szinte) mindig lassabb lesz az algoritmusunk, hiszen sok esetet ki kell próbáljon. Viszont most úgy tűnik, hogy ez egy jó módszer arra, hogy robusztus eredményeket érjünk el, szóval a szimlációban tanultak a való világban is alkalmazhatóak legyenek, ahol sosem lehet tudni, hogy egy zsiráf mikor zavar be a képbe.Ez a módszer jelenleg az egyetlen olyan módszer, ami engem egy kicsit is meggyőz, hogy valamikor önvezető autókat fogunk tudni készíteni, hiszen ha egy véletlenszerűsített világban el fog tudni vezetni az autónk, akkor a való világban sem lehet neki gondja. Az egyetlen gond csak az, hogy elég nehéz egy bonyolultabb véletlenszerűsített világot szimulálni, ugyanis azt még relatív egyszerű, hogy mindenféle állat átvonulhasson az autó előtt, de hogyan fogjuk szimulálni a különböző alkoholszinttel rendelkező többi söfört szimulálni? Egy megoldás lehet az, hogy szép lassan haladunk a véletlenszerűsítéssel, először csak kicsit rángatják a kormányt, aztán jobban, stb. de nehéz kérdés az, hogy konvergál-e ez valaha. Meglátjuk, remélem azért nem olyan sok idő múlva.Miért fontos ez az eredmény? Szerintem egy fontos lépés ez azon az úton, hogy komolyabban kezdjenek sokan az olyan robotok fejlesztésén dolgozni, amelyeknek fontos lesz az, hogy kezük legyen, szóval vagy emberekkel kell együttműködjenek, vagy nagyon általános feladatokat kell megoldjanak, amelyekhez nagyon hasznos ez az architektúra, vagy mindkettő.Persze, a tanuló algoritmus skálázása is fontos lesz, de ezt az OpenAI is tudja, az ő robotkezük sem tud feldobni egy labdát és elkapni azt. Azt sem tudja, hogy szóban közöljük vele ezt a feladatot. És ők is tisztában vannak azzal, hogy ennyi tanítási idő (valahol 10000 óra körüli szimulációs időt láttam, talán a cikkben szerepel ez, én nem olvastam el, annyira nem érdekel ez a feladat :)) nem elfogadható egy ilyen feladat megoldásához, szóval jobb ha nekifognak kidolgozni valami módszert, amivel faktorizálni (felosztani) tudják a feladatot egy általános és egy specifikus részre, amelyből az általánost jó lenne csak egyszer betanulni. Ez egyébként a mesterséges intelligencia egyik legnagyobb rákfenéje mostanság, szóval pont jó lesz ebben az esetben is tanulmányozni.
2019. november 16., szombat
Terminator: Dark Fate-Terminátor:Sötét végzet
Terminator filmek örökös tanulsága, hogy az ember és gép együttműködése mindig legyőzi a gépet .Elértük az optimális biztonságot .Moore törvénye a jövőben,még gyorsabbá válik a duplázódás.Jó az a szuperintelligencia.Terminátor (T-800/101) / Carl A Skynet által visszaküldött Terminátor, egyike azoknak a Terminátoroknak akit visszaküldtek az időbe, hogy megölje John Connort. Miután végrehajtotta a tervét, saját életet kezdett, és családja lett. Később segít Sarah-nak és Grace-nek megvédeni Danit.egy fejlett Terminátor modellt, az úgynevezett Rev-9-et visszaküldik az időben hogy likvidálja Daniella "Dani" Ramos-t, míg egy kibernetikusan továbbfejlesztett katonát, Grace-t is, hogy megvédje tőle. A Terminátor beszivárog egy gyárba, ahol Dani és testvére, Diego dolgoznak, ám Grace megmenti őket és elmenekül velük. A Rev-9 üldözni kezdi őket, kihasználva képességét; kettéválik a kibernetikus endoszkeleton küllemétől, így a folyékony fém formájával megöli Diegót, majd a két nőt is próbálja megölni.Továbbá olybá tűnik, hiába van a gonosz terminátornak fejlettebb technológiája, a jó terminátor régebbi technológiáját jobban ki tudja használni, mert robusztusabb, többet volt tesztelve (ugyanis régebbi). Ez azt jelenti, hogy nem lehet csak úgy egyből kitalálni a tökéletes algoritmust, a valós életben tesztelést semmi nem pótolhatja.Most mivel a mesterséges intelligencia ennyire népszerű lett mindenhol, néhány kérdés, amit meg lehet fogalmazni a film alapján : mindig legyőzi a gépet, gonosz terminátor fejlettebb, közel van a szuperintelligencia.
Feliratkozás:
Bejegyzések (Atom)