AI - агрегатор про нейронки | ИИ | AI

Если и делать нейрорекламу Кока Колы, то только такую.

Согласитесь, смотрится куда круче нейрорекламы от самой Coca Cola.

📃500 реальных кейсов использования AI в крупных компаниях

Увидал у ребят из Evidently AI любопытную базу из 500 реальных применений ML и LLM систем. Там есть краткое описание, теги для поиска и ссылки на подробные объяснения. В базе просто любопытно позалипать и почитать, но может вам для дела еще пригодится.

Ссылка: https://www.evidentlyai.com/ml-system-design

P.S. Отмотал таблицу до конца и проверил — там реально 500 записей🤓

@TheEdinorogBlog — тот самый канал про стартапы🦄

Бывшие сотрудники соцсети X запустили «умный» агрегатор новостей Particle

⏮Приложение может кратко объяснить суть новости, а также рассказать о ней с разных точек зрения⏭

С помощью ИИ Particle создает для пользователей краткие и понятные сводки событий. В приложении есть несколько режимов подачи информации: например, объяснение «как для пятилетнего» или лаконичные сводки в формате 5W (что, кто, где, когда, почему).

Функция «Противоположные стороны» позволяет изучить мнения обеих сторон конфликта, а «Политический спектр» показывает, насколько активно новость освещали издания с правыми и левыми взглядами. В приложении также есть чат-бот, который может ответить на вопросы, связанные с инфоповодами.

ℹ️ Particle основали в 2023 году бывший директор по управлению продуктами X Сара Бейкпур и инженер X и Tesla Марсель Молина. Приложение уже привлекло $15,3 млн инвестиций.

@settersmedia_news

Демо-видео, показывающие фантастические возможности модели PaLM-E в выполнении комплексных задач.

Примеры включают получение конкретных предметов, сортировку блоков по цвету, выполнение задач с толканием объектов, а также демонстрацию способности модели обобщать действия на новые объекты, с которыми робот ранее не сталкивался.

#технологии

Большие поведенческие модели (LBM): новый этап в развитии ИИ

Представьте робота, который изучает, как вы готовите еду, и с каждым приготовленным вами блюдом он сам становится всё более искусным поваром. Разбираемся, как большие поведенческие модели (LBM) помогут роботу в этом деле.

Несмотря на впечатляющие достижения больших языковых моделей (LLM) в обработке и генерации текста, они не умеют обрабатывать изображения или сенсорные данные, необходимые роботу для ориентации в физическом пространстве, “понимания” объектов и обучения действиям пользователя.

Так Visual Language Models (VLM), обрабатывающие визуальные данные, могут “понимать” содержимое изображений и отвечать на вопросы по изображениям. Примером такой модели является GPT-4-Vision.

Large Action Models (LAM) обучены на данных о действиях (в том числе из сенсоров). LAM превращают LLM в автономных агентов, способных выполнять комплексные задачи, ориентированные на вызов определённых функций, улучшенное понимание и планирование. Salesforce уже начали выпускать такие модели для автоматизации процессов.

Visual Language Action Models (VLA) обучены на визуальных данных и данных о действиях. Они дают LLM возможность быть “воплощённым” агентом (Embodied Agent) в физическом мире. Например, RT-2 демонстрирует способность робота выполнять сложные команды благодаря использованию цепочки рассуждений. PaLM-E — мультимодальная языковая модель с 562 миллиардами параметров, демонстрирующая высокую универсальность и эффективность. А OpenVLA — открытая модель с 7 миллиардами параметров поддерживает управление несколькими роботами одновременно.

Для обучения агентов применяется обучение с подкреплением (Reinforcement Learning, RL). Существуют различные RL-методы, но в целом обучение агента построено на политике вознаграждений и наказаний за совершение определённых действий. Среди RL-методов также есть обучение с подкреплением на основе обратной связи от пользователя (Reinforcement Learning from Human Feedback, RLHF).

Комплексно задачу по обучению роботов действиям человека решают LBM (Large Behavior Models) — большие мультимодальные поведенческие модели, представляющие новое направление в ИИ. LBM направлены на понимание, моделирование, адаптивное обучение и генерацию человеческого поведения в физическом мире (похоже на RLHF на основе данных из физического мира).

Большие поведенческие модели уже используются на практике:

1. В Lirio разработали первую в мире LBM для здравоохранения. Их модель создаёт гиперперсонализированные рекомендации для пациентов на основе медицинских данных и данных о поведении пациента от различных датчиков.

2. Toyota Research Institute совершил прорыв в обучении роботов новым сложным навыкам с помощью метода Diffusion Policy. Их роботы могут быстро осваивать новые действия, такие как наливание жидкостей или использование инструментов, без необходимости перепрограммирования.

3. Стартап Physical Intelligence привлёк $400 миллионов инвестиций от Джеффа Безоса, OpenAI и других крупных игроков. Они стремятся создать роботов, которые смогут выполнять любые задачи по запросу пользователя, будь то уборка, сборка мебели или обслуживание клиентов.

Однако, как отмечал философ Людвиг Витгенштейн в своём "Логико-философском трактате": "Границы моего языка означают границы моего мира". Это актуально для LBM, так как они всё ещё ограничены данными, на которых обучены. Их "мир" определяется теми модальностями, что они могут воспринимать через сенсоры и понимать с помощью алгоритмов.

Для обучения качественной поведенческой модели нужно больше датчиков для сбора данных из различных модальностей. Так данные электроэнцефалографа позволили бы лучше распознавать и имитировать человеческие эмоции. А обучение моделей с помощью синтетических данных из симуляций делает "картину мира" LBM более разнообразной.

В реальном мире мы пока можем отличить робота от человека. Но возникает вопрос: а как мы будем отличать человеческое поведение от ИИ в цифровом мире?

#технологии

«Мэтчим не тела, а души» с дейтинг-сервисом на базе ИИ

В 2019 году я запустил свой первый стартап и первое в России корпоративное дейтинг-приложение.

В то время я работал руководителем команды из 10 дата-инженеров и дата-сайентистов в Сбере. Все участники команды были одинокими парнями от 22 до 26 лет.

За обедом коллеги часто делились историями о своих свиданиях в тиндере. Один из них потратил около 30 тыс. рублей в месяц за несколько свиданий, которые не привели к долгосрочным отношениям.

Как специалисты по данным, мы не могли не подумать о том, что это происходит в том числе потому, что дейтингу как коммерческому продукту совершенно невыгодно устраивать эффективные метчи, приводящие к удалению приложения. Наоборот, его задача — максимально растить возвращаемость и конверсии в платные подписки.

Поскольку в тот момент команда работала над задачами Стратегического блока, связанными с оптимизацией процессов компании, у нас был большой массив данных о сотрудниках. В обезличенном виде, конечно: психотип, образование, на что они тратят деньги, какие рабочие задачи выполняют, о чем пишут рабочие письма, когда приходят и уходят из офиса, и много чего еще.

Я решил использовать эти данные для того, чтобы создать некоммерческий внутренний дейтинг и мэтчить, образно выражаясь, не тела, а души — не для извлечения прибыли, а для того, чтобы пользователь в итоге удалил приложение, найдя свою пару. С этой идеей я пошел в бизнес-акселератор от Сбера. В акселераторе я три месяца занимался исследованием проблемы, рынка и созданием MVP (минимального продукта) под кураторством опытного ментора. В процессе работы я узнал много интересного: например, что в России более 40% одиноких людей, в Японии и Великобритании существуют министры по одиночеству, а так же что треть офисных романов заканчиваются созданием семьи.

В итоге я разработал ансамбль из рекомендательных алгоритмов на базе имеющихся данных о сотрудниках, который помогал максимизировать вероятность нахождения лучшей пары среди коллег. Мне помогли сделать мобильное приложение и мы запустили бета-тест дейтинг-сервиса. Пользователи получали 10 лайков в день, чтобы процесс смахивания был более осознанным, а не превращался в бесконечный скроллинг. Кроме того, прежде чем принять решение о лайке, пользователю необходимо было пролистать всю анкету потенциального партнера.

В результате один из участников нашей команды нашел свою пару в первый же день бета-теста, их отношения продлились несколько лет. Остальные участники команды также нашли свои пары. Мы победили в бизнес-акселераторе Сбера и решили масштабировать сервис на всю Россию (к чему я был не совсем готов).

Официальный релиз SberDating для сотрудников состоялся 14 февраля 2020-го года. В день запуска к нам пришло более 6000 пользователей, и со временем их количество начало расти. Сервис существовал до 2021 года, пока я работал в Сбере и поддерживал его на добровольных началах. На протяжении пяти лет после запуска бета-теста мне не переставали писать люди, которые выражали благодарность за то, что с помощью нашего сервиса нашли свои пары, а некоторые даже вступили в брак.

При масштабировании на Россию я встретил две проблемы:
— отсутствие обогащенных данных по пользователям, которые не работают в Сбере;
— не получилось создать сходимую финансовую модель в условиях, когда пользователи быстро находят себе пару и удаляют приложение.

Превращать эту историю в еще один обычный дейтинг не хотелось, но мне понравилось делать стартапы, приносящие пользу. В Сбере это делать было сложно, а для самостоятельного плавания на тот момент мне не хватало навыков в области создания устойчивых бизнес-моделей и маркетинга. Поэтому я ушел из Сбера набираться опыта в ИИ-стартапах в роли технического директора венчурной студии.

Сейчас я чувствую себя готовым выводить на международный рынок классные ИИ-продукты, которые будут полезны многим людям.

#кейсы

Красная панда - очень хороша на первый взгляд.

Причем она умеет в два мегапикселя и генерит очень быстро. Псина в очках и ZZ-Top - это 2048на1024. И там шерсть и бороды в отличном качество (тг жмет качество).

Промпта слушается отлично. Девушек на траву укладывает исправно.

Пока очень нравится.

@cgevent

А теперь за Клабхаус.

Берем NotebokLM, в который кстати приподсунули новые фичи:
Теперь вы можете настраивать подкасты с помощью кастомных инструкций. Вы можете экспериментировать с тоном, целевой аудиторией, конкретными темами, источниками и т. д.

Для тех кто в танке это пока еще существующий сервис от Гугла, который берет на вход любой текстовых документ (статья, страница в вебе, пдф, эссе) и превращает его в подкаст, где два ИИ-подкастера очень ловко трут голосом за тему, изложенную в документе. Этакая аудиокнига на двоих или радиоспектакль(слово то какое).

Так вот берем NotebokLM и кормим ему хайповые темы. Генерятся подкасты тоннами.
Потом с полки берется запылившийся Клабхаус (для тех кто в танке, погуглите), и туда, в его комнатки наливается все это добро. Туда также пристегиваютcя полчища ботов, которые задают вопросы по темам.
Ну и можно навалить сверху аватаров из предыдущего поста.

Получаем бесконечно телевидение. ИИ-Клабхаус на стероидах.

А кожаные сидят и внимают. Как было с Клабхаусом. Сбежались все, я помню, как бандерлоги к Каа.

А продавцы трафика уже считают прибыли.

Кстати, ютюб уже потихоньку забивается этим говном, сгенеренным с помощью NotebookLM. И как обычно, жемчужины тонут в мире шлака, ибо метрики у нас - количество, а не качество.

@cgevent

Агенты ИИ. Вот здесь, их очень много. И хрен знает как с этим быть :) - даже начинать думать, как это дальше изучать уже утомительно. Всего 403 на каждый вкус и цвет.

p.s. не удивлюсь, если chatGPT будет под "капотом" у каждого:)

Русский ИТ бизнес

Clubhouse, который мы заслужили.

Помните такой проект. Красивый был, но умер. Но ничего, скоро возродится. Навалю диванных мыслей про это.

Смотрите, есть две новости.

Несвежая: Zoom объявил о том, что в скором времени они позволят вам создавать ИИ-аватар, который вы сможете использовать для отправки коротких сообщений своей команде. Ну то есть только для сообщений.


Свежая: HeyGen вчера бахнул подключение (своих) ИИ-аватаров к встречам в Zoom. Поглядите ролик в шапке. Да, пока нельзя своих, только хейгеновских.

Но промотаем чуть вперед. И вот уже на встречах сидят ваши аватары и долго трут за жизнь и бизнес. Возможно бесконечно. Ведь метрики в корпоративном сегменте - время упорной работы, часы на совещаниях, объем переписки и документов. У каждого за спиной своя ЛЛМ-ка, подученная и зарагованная на ваших переписках, переговорах, доках. И вот они изрыгают цепочки мыслей, брейнстормят, а аватары все это эмоционально излагают.

А за Клабхаус следующий пост. А то кожаным, в отличие от ИИ, тяжело читать лонгриды.

А что тут делает тетенька на синем фоне, спросите вы.
А это специально для вас, ловцы блох. Вот так сейчас выглядят кожаные на официальных корпоративных стримах самого Zoom. Но если бы я вам этого не сказал, вы бы развопились - липсинк говно, не попадает в речь, зубы смазаны, мимика мэртвая, двигается неестественно. В общем уже сейчас практически нельзя отличить пожатый стрим от нейроаватара. И не делайте вид, что сможете отличить.

@cgevent