Искусственный интеллект онлайн программа: Платформа искусственного интеллекта | Microsoft Azure

9 платформ искусственного интеллекта для создания чат-ботов в социальных сетях

Взаимодействие покупателей и продавцов сегодня претерпели значительные изменения. Веб-сайты из красочных буклетов превращаются в интерактивные приложения и, похоже, чат-боты сегодня закрепляются на волне популярности.

Что есть чат-бот?

Чат-бот^એ есть интеллектуальная программа для автоматизации диалога в чате. Представьте себе, что вы что-то купили в Интернете и хотели бы узнать, когда это что-то привезут, так называемое ETA (Estimate Time of Arrival — ожидаемое время прибытия). Что бы вы сделали?

Обычно, надо отправить электронное письмо, позвонить в магазин или зайти на сайт продавца для проверки статуса своего заказа. Согласны?

Сейчас можно посетить сайт магазина или страницу facebook для того, чтобы ввести номер своего заказа и чат-бот предоставит вам ETA покупки. Веселее, не так ли?

Вы экономите время на звонках и работе с электронной почтой, а магазин, автоматизироовав ведение диалогов с клиентами снижает свои расходы, уменьшая нагрузку на службу поддержки.

Почему чат-бот — это важно?

Чат-бот экономит издержки по поддержке бизнеса — индивидуальный диалог между клиентом и бизнес-организацией без привлечения человека. Клиент может задавать вопросы и получать ответы от чата.

Чат-бот экономит время клиента — не нужно тратить время на звонки и электронную почту. Большинство из нас уже используют чаты популярных платформ, таких как Facebook, WhatsApp и т.д. Мы уже привыкли к такому общению.

Сегодня каждый может создать чат-бот для своего бизнеса или себя любимого на любой известной платформе, включая Facebook Messenger, WhatsApp, Website, Slack, Twitter и т.д.

Возможности приложений искусственного интеллекта помогут вам создавать мультиплатформенный чат-бот, в том числе и для Facebook Messenger.

1Converse.ai

Converse.ai — компания из Сан-Франциско, которая позволяет легко создавать чаты для вашей бизнес-организации.

Решения Converse.ai можно интегртровать с Google, Slack, Twitter, Twilio, Kik, Layer, Intercom, Airtable, Flight Stats, MailChimp, Mailgun, и Hubspot.

Основные моменты:

• Простой пользательский интерфейс, основанный на Web.
• Множество диалогов бота клиентами точно оцениваются и обучают его для подходящих ответов.
• Интеграция одним щелчком мыши для большинство известных платформ.

2Chatty People

Chatty People   одна из наилучших платформ искусственного интеллекта для создания чат-ботов для Facebook. Кроме того, она интегрируется с Facebook commerce. Создавая соообщения, Вы можете закодировать собственный опыт. Это наилучшее решение для малого и среднего бизнеса.

Основные моменты:

• Он может принимать заказы сразу и от мессенджера и из комментариев.
• Вы можете регулировать предложения и совершать сделки, реагируя на активность своих фалловеров.
• Chatty people — это E-Commerce, интегрированная с компаниями поддерживающими open cart, например, Magento ил Woocommerce.
• ChattyPeople на 100% бесплатна для старта.

3ManyChat

Платформа, которая поддерживает FB messenger, продажи и маркетинг.

ManyChat предлагает drag-n-drop бот-конструктор, где вы можете определить логику, автоматизировать проводку и многое другое без кодирования.

Кроме страниц Facebook вы можете использовать значок чата на своем сайте для увеличения числа подписчиков. Прекрасные перспективы, целая платформа для обмена чат-ботом.

4Smooch

Используя мощный API от Smooch, Вы можете создавать чат-боты для множества платформ, включая Facebook Messenger. Единственный унифицированный API предоставляет нам множество надежных функций.

Smooch интегрирован в топовые платформы, такие как Messenger, Twitter, Slack, Zendesk, Android SDK и iOS SDK.

5MobileMonkey

Для начала совершенно бесплатно подключите свою страницу Facebook — это займет всего несколько минут. MobileMonkey обладает всеми возможностями для расширения своих контактов, маркетинга своего продукта, контента, сервисов ипрочее, прочее, прочее…

Некоторые из лучших функций:

• Сегментация аудитории
• Blast-чаты для продвижения и уведомлений
• Автоматизация ежедневных операционных задач
• Построение воронки продаж
• Триггеры на основе ключевых слов для использования ИИ
• Мощная аналитика отслеживания изменений

С помощью MobileMonkey вы сможете добавить виджет чата на свой сайт.

6Beep Boop

Beep Boop — платная хостинговая программа для создания чат-ботов. Можно делать чат-боты для Slack, используя мессенджер.

Основные моменты:

• Исходный код интеграции размещен на GitHub, поэтому вы можете выбрать любой подходящий язык программирования
• Имеется модуль node.js с открытым исходным кодом, который особе ценен при создании Slack-ботов.
• Имеется аналитика для мониторинга и обоснованных гипотез относительно активности вашего бота.

7Botkit

Botkit — платформы с открытым исходным кодом для создания чатов. Разработана командой Howdy и предлагает семантический интерфейс для отправки и получения сообщений, чтобы разработчики могли сосредоточиться на создании великолепных приложений, а не на проблемах использования API.

Вот некоторые инструменты Botkit:

• Botkit Studio, интегрированная среда разработки и настройки ботов
• Starter Kits, типовые приложения, предварительно настроенные для работы с современными платформами
• Botkit Core Library, SDK^એ для создания диалогового программного обеспечения
• Plugins and Middlewares, которые могут расширить и улучшить ваш бот

Основные моменты:

• Можно добавлять в API дополнительный код для улучшения функциональности
• Можно управлять сообщениями в реальном времени, мониторить активность и предоставлять подробную статистику
• Можно включить пузырьки, которые отправляют значения обратной передачи, когда пользователь нажимает на них
• Можно настроить звуки при отправке сообщений и уведомлений

8Botsociety

Botsociety — простой инструмент для создания чатов. Все, что вам нужно сделать, это отправить текст пользователя и ответ бота.

Результат будет немедленно отображаться на экране с выбранным вами интерфейсом. Это больше, чем чат-бот, основанный на ИИ^એ, это приложение для макетирования чата.

9Wit.ai

Wit.ai с января 2015 года принадлежит Facebook и призвано помочь разработчикам в распознавании речи. Wit.ai имеет более 100 000 активных разработчиков, которые создали API голосовых интерфейсов.

Механизм ботов в настоящее время доступен на 11 языках, в настоящее время еще 39 находятся в стадии бета-тестирования. Полностью открытый код, можно использовать опыт и код другого разработчика в своих проектах.

Wit.ai интегрируется с Python, Node.js и Ruby.

Эта платформа должна помогать в создании своих ботов для бизнеса.

PS: Это не первая статья об инструментах «чат-ботизма» здесь. Дополнительно о них можно прочитать в предыдущем вирше «Маркетинг: как сделать чат-бота», где немножко есть об отечественных ресурсах

Источник перевода: 9 AI Platform to Help you in Creating Facebook Chatbot

9 платформ искусственного интеллекта для создания чат-ботов в социальных сетях, опубликовано К ВВ, лицензия — Creative Commons Attribution-NonCommercial 4.0 International.

Респект и уважуха

7 бесплатных онлайн-курсов по искусственному интеллекту

Рассказываем о семи бесплатных онлайн-курсах для тех, кто хочет узнать больше об искусственном интеллекте и машинном обучении в 2018 году. Их организаторы – крупнейшие IT-корпорации и университеты с мировым именем.

Обучение ведется на английском языке. Одни курсы дают базовые сведения об искусственном интеллекте, тогда как другие сфокусированы на какой-то конкретной сфере его применения. Некоторые предусматривают выдачу сертификата после успешного прохождения обучения.

 

Топ бесплатных онлайн-курсов:

1. Learn with Google AI – это курс для расширения знаний о работе ИИ. Он предоставляет базовую информацию о машинном обучении, введение в TensorFlow и в создание нейронных сетей. Таким образом, новички смогут получить информацию на начальном уровне, а те, кто уже разбирается в машинном обучении – научиться применять программную библиотеку.

2. Microsoft Professional Program for Artificial Intelligence – еще один курс, дающий основы знаний об ИИ: принцип работы и применение. В курс также включена информация о моделировании данных для машинного обучения и нейросетей и математическая статистика, а практические занятия направлены на работу с языком программирования Python.

3. Google – Machine Learning – курс, разработанный для тех, кто уже знаком с машинным обучением. Он направлен на глубокое изучение и дизайн самообучающихся систем, получающих информацию из набора данных. Курс подойдет тем, кто хочет работать с нейронными сетями на уровне аналитиков, исследователей и инженеров по машинному обучению. Индивидуальные предприниматели, желающие использовать библиотеки с открытым исходным кодом, тоже найдут для себя много интересного.

4. Stanford University – Machine Learning расскажет о реализации алгоритмов машинного обучения, тренде линейной регрессии, алгоритме обратного распространения для обучения нейронных сетей и о языке программирования Matlab. После прохождения курса есть возможность получить сертификат (стоит $79).

5. Columbia University – Machine Learning научит использовать вероятностные и невероятностные (неслучайные) методы для решения проблем и расскажет о самообучающихся алгоритмах. Для эффективного обучения курс нужно проходить в течение 12 недель, читая материалы и выполняя задания по 8-10 часов в неделю. По завершении курса при желании можно получить сертификат, он будет стоить $199.

6. Nvidia – Fundamentals of Deep Learning for Computer Vision объясняет технические основы компьютерного зрения и дает представление об областях его применения для решения конкретных задач. Финальная проверка знаний заключается в создании и использовании нейронной сети. Курс довольно короткий: его прохождение занимает около 8 часов.

7. MIT – Deep Learning for Self Driving Cars – курс, сфокусированный на самоуправляемых автомобилях. В программу входит DeepTraffic, использование которого поможет научить автосимулятор быстро передвигаться по загруженным дорогам.

как AI-технологии дадут новый импульс онлайн-образованию

Технологии искусственного интеллекта (ИИ), которые уже называют «новым электричеством», стремительно приходят во все новые вертикали, и EdTech — не исключение. Очевидно, что применение ИИ в образовании значительно изменит процесс обучения в будущем. Сейчас зарождается вторая волна EdTech проектов, которая растет, крепчает и порождает очень перспективные проекты. Один из сегментов формирующегося рынка —  чат-боты, о которых столько говорят и которые, на наш взгляд, могут иметь большие перспективы в сегменте образовательных продуктов. 

Иллюзии первопроходцев

В первой волне EdTech принесла нам много успешных компаний: cервис для обучения ИТ-специалистов Pluralsight, платформы массовых онлайн-курсов (MOOC) Lynda, Udemy,  Coursera,  Everfi, сервис обучения английскому языку Duolingo, платформа по персонализации образовательных программ с помощью алгоритмов адаптивного обучения Knewton и другие. Один из самых ярких некоммерческих проектов — Khan Academy.

Сегодня, по нашему мнению, формируется вторая волна стартапов в этой сфере. Они развиваются, часто сталкиваясь с заблуждениями, порожденными первопроходцами. То, как с этими «подводными камнями» справятся компании нового поколения, определит их «живучесть» и будущее в целом.

•  Заблуждение 1. Важность гаджетов в классах

В 2008-2012 годах, когда зарождались большинство ныне успешных EdTech-компаний, было твердое убеждение:  революция в обучении придет  в тот момент, когда  ученики смогут получать знания с помощью новых устройств  (например, через цифровые учебники или выполняя дистанционные домашние работы). Однако этого оказалось недостаточно для «революции». Для изменения самого образовательного процесса недостаточно было запустить новые виды распространения информации. Необходимо было изменение всего процесса – перевести на «аутсорсинг» (то есть за пределы учебного кабинета) не только те задачи, что и раньше, (выполнение домашнего задания, чтение книги или подготовка к урокам) но и другие важные части учебы — например, дополнительные указания и расширения для уже данного материала или повторное его объяснения.  Гаджеты не справились с этой задачей, хотя их распространение стало фундаментом для будущих изменений. Есть все основания полагать, что ситуация изменится с приходом новых технологий —  связанных, в первую очередь, с AI (обработка естественного языка, машинное обучение и т.д.), —  они  позволяют использовать планшет не только для чтения или рисования, но и для общения с программой, которой можно задать вопрос.

• Заблуждение 2. Геймифакация = мотивация

Безусловно, геймификация работает для повышения мотивации учеиников в краткосрочном периоде. Но вопрос долгосрочной вовлеченности пользователей в процесс обучения остается открытым.  Важны не только формальные поощрения в виде бейджей или других «ачивок», они мотивируют лишь на время в буквальном смысле: студенты не могут сосредоточиться на игре и постоянно отвлекаются. Первичен вопрос целеполагания, когда человек задается целью, например, получить сертификат, чтобы попасть на желаемую вакансию. Если же он просто хочет «выучить язык», вероятность успешного прохождения курса/уровня стремится к нулю. При этом лишь только 15% студентов отмечают, что геймификация и награды за прохождения уровней позитивно влияют на их результаты.

• Заблуждение 3. Массовые онлайн-курсы (MOOC) позволят забыть университеты

МООС — это хороший пример внедрения технологического решения в сферу образования. Фактически это инструмент, который позволяет изменить форму подачи материала: вместо лекций в университетах, на которых многие скучали, — видеоуроки, более интерактивные задания, упражнения и т.д. Но, как выяснилось, МООС оказались не способны конкурировать с традиционными форматами обучения из-за того, что не могут дать тот же уровень усваиваемости материала.   МООС предлагают расшифровки лекций, простые тесты, опросы, — но всего этого не хватает, чтобы запомнить материал. Человеку часто нужны прямые коммуникации с преподавателем. К тому же, далеко не все обучение вписывается в формат лекции — есть ведь еще и упражнения и семинары и лабораторные работы.

Сколько раз вы начинали проходить курсы, но не доходили дальше второго-третьего занятия? Если нет персонализированного подхода и открытой коммуникации с человеком, он теряет заинтересованность в дальнейшем процессе. Важно не только получение позитивного опыта взаимодействия с обучающей платформой, но и то, что на западе называют «personal touch», — то, что заставляет человека ощущать персональное отношение, даже при общении с машиной. В 2015 году группа исследователей из Израиля изучила поведение более 13 000 студентов, записавшихся на курс о нанотехнологиях. Из них только 4% дошли до конца. Из окончивших курс и из тех, кто не добрался до финала, была сформирована контрольная выборка. Оказалось, что у тех, кто не закончил курс, «хромает» самомотивация и уверенность в своей способности освоить дисциплину. Что важно: обнаружилась прямая связь между количеством сообщений, которые студенты оставляли на форумах для студентов (они  могли задавать или отвечать на вопросы, делиться знаниями и тд) и их мотивацией.

На МООС-платформах обычно есть только форум с вопросами составителю программы, а также есть возможность получить дополнительные индивидуальные занятия с учителем — за дополнительную плату. Например,   сервис Knewton сделал ставку на индивидуализированное обучение — алгоритмы, разработанные командой платформы, учитывают предыдущий учебный опыт студента, а также следит в процессе обучения, насколько качественные знания он получает и как усваивает их. Knewton корректирует цели и задачи программы, может варьировать предлагаемый конкретному ученику контент, менять график и интенсивность обучения. Специалисты Knewton замеряют, например, как связаны успешность прохождения контрольных текстов и выполнение домашних заданий (в какое время, при каких условиях). Основатель компании, Хосе Ферейра, подчеркивает, что для успешного онлайн-обучения недостаточно только качественного контента — нужно постоянно следить за развитием умений учеников. На примере учеников бизнес-курсов Мэрилендского университета Ферейра доказывает, что адаптивное обучение оказывается на 11% эффективнее.

«Возвращение» преподавателей: эра онлайн

Что общего во всех перечисленных проблемах? Все они связаны с отсутствием в образовательном процессе человека. Мы привыкли к учителям, к одноклассникам и однокурсникам, к элементам соревнования, личному общению при обучении и так далее.  Аристотель учил Александра Македонского, Вольтер —  нескольких европейских монархов. Думаю, каждый из нас может вспомнить преподавателя, который оказал  большое влияние  — и в становлении личности, и в отношении к тому или иному предмету,  и в мировоззрении.

Сегодня технологии, благодаря машинному обучению и нейросетям, могут «обучить» компьютерные системы «человечнее».  Подобные примеры мы можем увидеть в  компьютерных системах и роботах все чаще. Домашний робот Kuri (представлен на  CES-2017), может быть, справится не с самым широким набором задач, но зато воспринимается как член семьи.  То же самое мы видим в самых разных ассистентах на основе AI:  Your.md дает советы о здоровом образе жизни, рекомендует корректировать привычки питания и тренировки,  x.ai помогает лучше планировать время и рабоатть эффективнее.  Создатели обоих проектов подчеркивают, что для них важно  наделить AI-сервисы машинной «эмпатией».    На наш взгляд,  образовательные стартапы второй волны как раз будут основаны на подобных «человечных» AI-решениях в образовании.

Тренды задают, безусловно, чат-боты, которые стали  одним из наиболее эффективных инструментов, преодолевшим недостатки предыдущего поколения проектов. Если коротко, чатбот — это программа, которая симулирует взаимодействие с человеком онлайн (подробнее об истории чат-ботов — в материале Forbes). В течение всего 2016 года чат-боты постоянно мелькали в прессе, именно тогда Facebook запустил чат-ботов в своем мессенджере.  В Telegram, WeChat, Skype и Slack пользователи получили возможность размещать своих ботов еще раньше.  

Но как такие чат-боты могут быть полезны в образовании? Во-первых, они могут иметь прикладное значение. В AdmitHub создали бота, который помогает студентам, только поступившим в колледж, «освоиться»:  с помощью него можно подать заявки на стипендии, зарегистрироваться на курсы, оформить прошение о месте в общежитии. В Корнеллском университете используют бот CourseQ  для опросов студентов о самых разных проблемах, связанных с началом нового учебного года.

Подобные примеры все же не  относится непосредственно к процессу обучения. А могут ли чат-боты помочь с получением знаний? Билл Гейтс предположил, что чат-боты могут использоваться  и как репетиторы. Теоретически подобные сервисы могут обучать практически всему. Но будет ли это востребовано?

Nerdfy Bot помогает школьникам выполнять домашнее задания, Ucheba_bot — рекомендует курсы, вузы и колледжи  для поступающих.   По всему миру уже есть десятки ботов, связанных с образованием: одни помогают учить дорожные знаки, юридические вопросы, историю и т.д., другие — присылают редкие интересные факты. Однако, на наш взгляд, из наиболее популярных задач в применении ботов остается изучение иностранного языка. Эту проблему пытается решить в том числе российский стартап  Edwin (сервис изучения английского языка, получил от Maxfeild Capital  инвестиции — Forbes). Компания  делает ставку на тренировки навыков английского языка. В сервисе сочетается  искусственный интеллект  (он составляет персонализированный план занятий, общается с пользователем в чате, управляет тренажерами различных языковых навыков оказывает поддержку при изучении и т.д.) и услуги преподавателей (например, их работа нужна для индивидуальных уроков по развитию устной речи). По нашим оценкам, за счет использования AI-технологий  Edwin помогает экономить — стоимость занятий с ним (модель монетизации сервиса — платная подписка — Forbes) составит около 30% стоимости обучения в школе английского языка.  

Сегодня английский язык учат более 1 млрд человек. Изучение английского стало практически обязательным условием успешной карьеры, ведь это  делает вас «дороже» как профессионала примерно на 25%.

Рынок изучения английского языка  с использованием digital-технологий (Digital English Learning), с точки зрения венчурного инвестора, имеет более высокий потенциал для роста, чем классическое изучение языка (школы, поездки в разные страны и т.п.). Ведь интернет-технологии позволяют учиться гораздо дешевле и позволяют людям заниматься языком когда угодно. Для предпринимателей, развивающих интернет-проекты и венчурных инвесторов, это означает перспективы быстрого масштабирования.   

По прогнозам Ambient Insight, к 2020 году рынок онлайн-изучения языков вырастет до $3,8 млрд. Наиболее крупный рынок  — изучение английского, причем наибольшие перспективы — у азиатских рынков (в первую очередь, Китая) и  новых развивающихся рынков.

Среди причин «бума» азиатских рынков для онлайн-сервисов английского языка — в проникновении интернета у людей с невысоким уровнем дохода появляется возможность начать изучать английский с помощью интернета — таким образом Digital English не конкурирует с игроками традиционного рынка, а работает с той аудиторией, которая не может себе позволить курсы английского языка в школе дополнительного образования или частного репетитора.  Это напоминает то, как раньше многие не могли позволить себе междугородние и международные звонки — с появлением VoIP-сервисов, они наконец получили возможность общаться (теперь вообще мало кто звонит в другую страну по  тарифук $4.99 в минуту).Такую ситуацию мы видим в Китае и Юго-Восточной Азии, отчасти в Индии. В Корее и Японии рынок платных образовательных услуг огромен в силу культурных особенностей и высокой платежеспособности семей. В этих странах рост сегмента не настолько бурный.

Подробнее остановимся на нескольких странах-участниках азиатского рынка — Китае и Японии:

• В Китае ежегодный объем рынка  Digital Learning составляет почти $1 млрд  ежегодно (суммарный  объем рынка онлайн-обучения английскому, по разным оценкам, составляет  $5 млрд). Люди активно тратят свои деньги на подобные  образовательные продукты. Например, у одной из крупнейших компаний  в этой области, Hujiang, к концу 2016 года аудитория платных пользователей составила 5 млн человек, их число ежегодно растет на 30%. Большинство представителей этой аудитории  —   «белые воротнички», которые работают из Китая на иностранные компании.  Стоит ожидать, что с удешевлением подобных сервисов рынок, для них может вырасти в разы: с ростом благосостояния жителей Китая, развитием туризма в стране и ее интеграции в международную экономику, английский язык будет становиться только востребованнее.  

Какие продукты выбирают китайцы, которые хотят освоить английский?  Наиболее востребованы мобильные приложения, приложения-игры, мобильные сервисы с дополнительными услугами. Подобные приоритеты в продуктовых решениях мы видим и на других азиатских рынках.

• В Японии объем рынка  Digital Learning  прошел отметку в $150 млн.   10% населения Японии учат английский каждый год ( еще 5% японцев каждый год сдают тесты TOEIC). Общий объем  японского рынка Learning English достигает почти $2,4 млрд. Рост аудитории сервисов  обеспечивает спрос на потребительские продукты, но проблема в том, что денежный объем рынка падает.   Это можно объяснить тем, что   большинство компаний вынуждены продавать сервисы гораздо дешевле, чем могли бы, — из-за высокой конкуренции.  Самая платежеспособная аудитория —  корпоративные заказчики и правительственные учреждения.

Онлайн-изучение английского языка сформировало большой сегмент для новых сервисов и в Индии, и, например, в Южной Корее.  Однако даже в англоговорящих странах спрос на изучение английского велик. Так, в США 10% школьников изучают английский как второй язык, при этом лишь 1% школ имеют учителя английского как второго языка. На наш взгляд, этот спрос и могут удовлетворить сервисы с использованием чат-ботов.

Монетизация чат-ботов: что сработает?

Чат-боты стали «горячей» и даже «перегретой» темой. На этом рынке уже появляются лидеры, пробиваться  новым проектам все сложнее.  Так происходит, например, в сфере клиентской поддержки, где чат-боты отвечают на элементарные вопросы клиентов, позволяя крупным компаниям  экономить на услугах колл-центров (кстати, один из известных сильных игроков на этом рынке — американская компания с российскими корнями Digital Genius).  

Пожалуй, главным, что произошло с чат-ботами со времени их появления, можно считать то, что они стали продаваться как отдельная услуга.   сами боты стали продаваться как услуга. В западных изданиях о венчурном бизнесе и ИТ-проектах уже используют термин «Bots as a service» (BaaS) по аналогии с моделью SaaS (software as a service). Авторы термина имеют в виду, что создатели бота могут монетизировать именно его, а не платформу по созданию ботов или программы для общения с ними.

Первые попытки монетизировать ботов основывались на модели лидогенерации. Например, пользователь ищет пакетный тур через бота, переходит на сайт туроператора, покупает путевку — оператор делится с создателями чат-бота частью выручки.

Другой распространенной моделью монетизации чат-ботов  стал нативный контент, размещаемый владельцами канала или чат-бота как услуга рекламодателя. Эта модель активно используется создателями чат-ботов в популярном мессенджере WeChat. Конечно, такой тип контента воспринимается пользователем лучше, чем реклама «в лоб», но она, опять же, не может генерировать прогнозируемый стабильный уровень прибыли (если вы не специализируетесь на генерации вирусного контента, как BuzzFeed).

Комфортно с чат-ботами себя чувствуют ecommerce-проекты. Достаточно сделать удобный поиск по товарам и возможность платить за заказ  прямо в мессенджере (такие решения продает по подписке, например, стартап Chattypeople).

Успешные кейсы есть и в партнерском маркетинге. Команды используют персонального ассистента Kip для решения бытовых вопросов и организации работы коллектива. Если вы хотите  заказать бумагу в офис, вы просто вводите запрос «Мне нужна бумага» и бот, по схеме традиционных поисковиков,  выдаст вам список вариантов с ценами, характеристиками и пользовательским рейтингом. Какие предложения пользователь увидит первым? Сортировка позволяет создателям Kip зарабатывать.

Довольно распространена и модель оплаты работы с ботом по подписке. Например, создатели чат-бота x.ai (помогает планировать встречи) вначале позволил пользователям в течение трех месяцев работать с сервисом бесплатно, а потом, когда волна интереса принесла им большую аудиторию,   ввели платную подписку (BaaS-модель, о которой мы гооврили выше).

Заработок образовательных чат-ботов

BaaS-модель, по нашему предположению, станет наиболее выгодной и для чат-ботов на рынке онлайн-образования. Например, можно будет получить подписку на бота, который помогает учиться,  —  и продлевать ее, например, каждый месяц или каждый год.    Тогда чат-боты будут выполнять те функции, для которых они, прежде всего, создавались —  помогать решать рутинные, повторяющиеся задачи. А преподаватели будут больше уделять времени на объяснение других вопросов (более сложных и многогранных) и на общение со студентами.

Какие именно пользовательские сценарии могут принести чат-боты и как именно они могут помочь сервисам в сфере онлайн-образования?

• AI-продукты могут помочь ученикам бороться  со стеснением (в случае с изучением иностранного языка — языковым барьером). С чат-ботом можно общаться когда угодно и сколько угодно, можно  переспрашивать сотни раз, как переводится одно и то же слово. Никто не тыкнет пальцем, чат-бот не упрекнет ученика в медлительности прогресса. А значит — метод проб и ошибок как нельзя лучше «приживается» в интерфейсе чат-бота. Это важно, так как, например,  некоторые школьники и студенты признаются, что сама мысль о том, что они могут ошибиться буквально парализует и демотивирует их. С AI можно экспериментировать, пробовать разные варианты решения и не бояться порицания.

• При более широком внедрение AI в групповое обучение появится возможность проводить групповые занятия со студентами из разных стран, а преподавателя и вовсе может не быть. Самое интересное, что искусственный интеллект уже в следующем году сможет проанализировать творческую составляющую задания. Согласно Австралийской учебной программе оценки и отчетности (ACARA) можно автоматизировать проверку письменного задания в NAPLAN (австралийской программы национальной оценки) уже в этом году. Для этого компьютеры на основе эссе, проверенных учителями вручную, создадут алгоритм для проверки новых заданий. Все это даст возможность создать среду для 1:1 обучения где угодно и когда угодно.

• Анализ данных  об успехах обучающихся с AI станет быстрее. Преподаватели могут использовать агрегированные данные о ходе обучения и видеть, на какие вопросы ученик отвечает не очень хорошо, и дополнительно разъяснять их. Уже сейчас AI анализирует эмоции детей при изучении учебников и помогает сделать их более интересными: ученики читают встроенный в iPad учебник, программа определяет, какие из его не нравится школьнику, и переделывает интерфейс. В Англии проект Third Space сначала организовывал дистанционные уроки математики с учителями из разных стран, а затем собрал и проанализировал тысячи часов занятий. Это позволяет  платформе рекомендовать учителям, как улучшить процесс обучения.

Сейчас мы находимся в начале второй волны EdTech, и видим первые шаги тех, кто сможет изменить формат обучения добавив туда недостающие части.  А концепция обучения на протяжении всей жизни (lifetime education) становится как никогда реальной. Получить новые знания, ответы на свои вопросы, выполнить задание можно в любом месте. Главное, чтобы с собой был телефон. Наступает эра, когда можно обсудить с чат-ботом нюансы перевода нового слова в одном чате мессенджера, а уточнить домашнее задание — в другом чате, с живым учителем.

Mail.ru Group разработала виртуальных телеведущих

Компания Mail.ru Group объявила о запуске платформы «Диктор» на основе искусственного интеллекта, которая позволяет «в несколько кликов создавать новостные и репортажные видео студийного качества». Новая функция уже доступна в рамках сервиса «Смотри Mail.ru».

Инструмент не требует навыков видеомонтажа. Пользователям остается только загрузить текст, после чего система сделает все сама. Дополнительно можно выбрать внешность ведущего, поменять фон студии, создать слайд-шоу, наложить музыку или прикрепить ссылку. Получившийся ролик можно сохранить на компьютер или поделиться им в соцсетях.

Смотри https://t.co/WtjTzvZQSt запустил виртуальных ведущих новостей: видеосюжеты в несколько кликов. pic.twitter.com/1dRXzv7hEb

— Mail.ru Group (@mailru) July 14, 2020

В компании ожидают, что новым инструментом воспользуются все участники медиарынка — от блогеров до крупных СМИ — для создания в сжатые сроки видеосюжетов в телевизионном формате. «Дикторы выглядят и разговаривают, как живые люди: при чтении новостей они реалистично воспроизводят мимику, эмоционально реагируют и расставляют смысловые акценты», — говорят в Mail.ru Group.

Для создания виртуальных телеведущих компания задействовала собственные технологии. Для синтеза голоса послужил речевой движок, созданный командой голосовой помощницы «Маруси», а для синхронизации видеоряда с речью в режиме реального времени были привлечены системы компьютерного зрения Vision.

«Видеосмотрение растет. По прогнозам, к 2022 году 79% всего интернет-трафика в России придется на онлайн-видео, — сказал заместитель вице-президента компании Егор Ганин. — Но производство видеосюжетов — сложный и дорогой процесс, который большинство медиаресурсов не могут себе позволить. В редакторе от Смотри Mail.ru можно создавать новостные и репортажные видео в хорошем качестве и абсолютно бесплатно. Мы уверены, что наша технология позволит увеличить количество качественного новостного видео-контента».

Проект по созданию «цифровых людей» есть и у Samsung. Ранее в интернет попал ролик, на котором показаны движения других виртуальных аватаров, причем выглядят они как живые люди, а не компьютерная анимация. В компании полагают, что «цифровой человек может стать частью нашей повседневной жизни: виртуальным ведущим новостей, виртуальным администратором или даже кинозвездой, созданной искусственным интеллектом».

Новости: 7 самых ярких звезд искусственного интеллекта — Эксперт

1. Deep Blue: вызов человечеству

История рождения

История Deep Blue началась в 1989 году, когда шахматный программист Фэн Сюн Сю по поручению компании IBM начал разработку специализированного шахматного микропроцессора, целиком помещающегося на одном кристалле кремния. Когда в 1995 году самый знаменитый среди шахматных ИИ появился на свет, его нарекли именем Deep Blue; это имя можно перевести как «темно-синий» (название намекает на прозвище компании IBM — Big Blue, «Голубой гигант»), а можно как «глубокая печаль». Печалиться, как оказалось, действительно есть о чем.

Смысл жизни

В 1997 году произошло событие, навсегда изменившее не только отношение людей к компьютерам, но и саму позицию человечества в конкуренции с новой формой интеллекта: мы поняли, что начинаем уступать. 11 мая шахматному суперкомпьютеру Deep Blue удалось одержать победу над 13-м чемпионом мира по шахматам Гарри Каспаровым. Следующих чемпионов-людей уже мало кто запомнит — все равно ведь машины сильнее в игре. Шахматы, самый интеллектуальный спорт, стали первым видом творческой деятельности, в которой машины опередили людей. Первым, но далеко не последним.

Проблески интеллекта

Deep Blue — суперкомпьютер с классической архитектурой, представляющий собой систему с многоядерным процессором, большая часть ядер которой — специализированные шахматные микропроцессоры. Каждый из шахматных процессоров перебирал больше двух миллионов шахматных позиций в секунду, что примерно в 100 раз больше, чем у аналогичных по частоте универсальных процессоров. Суперкомпьютеры часто занимают целые залы, но «темно-синему» хватило и двух стоек с 30 узлами, объединенных сетью и общей памятью. Не такой уж высокий интеллект по человеческим меркам, зато быстрый — основная ставка делалась не на способность увидеть позицию в целом, а на огромную скорость перебора позиций.

В начале славных дел

Предшественниками Deep Blue были Chiptest, созданный в 1985 году Фэн Сюн Сю в рамках диссертационного проекта, и Deep Thought — следующее, более сложное творение Сю, в 1989 году выигрывавшее 6-й чемпионат мира по шахматам среди компьютерных программ. Они с треском проигрывали сильнейшим шахматистам мира. Поначалу проигрывал и Deep Blue — в 1996 году, во время первого турнира между человеком и супермашиной, победа все же оказалась за Каспаровым, хотя способности суперкомпьютера уже тогда восхитили его. А через год после попытки разработчиков усовершенствовать мощь Deep Blue между теми же противниками состоялся матч-реванш, в ходе которого победила машина. Начиная с 44-го хода шахматист перестал понимать логику ее ходов и по итогу проиграл сражение. Позже оказалось, что тот роковой ход Deep Blue был просто-напросто сбоем. Перед матчем программисты заметили баг у компьютера, но не успели исправить. Если Deep Blue не мог найти очевидно выигрышного хода, то он выдавал не лучший из худших, а просто случайный ход. Когда, следуя этому правилу, компьютер сделал ход ладьей на D1, разработчики уже было решили сдаться, но Гарри решил, что это какая-то хитрость, которой он не понял, поддался замешательству, ослабил свои позиции и проиграл.

С момента победы Deep Blue над Каспаровым прошло уже более 20 лет, и с тех пор шахматные программы ушли далеко вперед — все это время они умнели, а мы нет. Но все-таки, по словам Каспарова, самые интересные матчи сейчас не между шахматными программами, а между спортсменами, которым помогают шахматные программы. Получается, сценарий конкуренции человеческого интеллекта с машинным не обязателен — лучшие результаты получаются, когда они дополняют друг друга, работают в симбиозе, а не пытаются соревноваться друг с другом. Похоже, именно в этом главный урок, преподанный человечеству шахматными искусственными интеллектами.

2. IBM Watson: доктор, освоивший дедуктивный метод

История рождения

Watson (Уотсон), суперкомпьютер и система искусственного интеллекта, — дитя компании IBM, явившееся на свет в 2011 году. Назвали его в честь основателя IBM Томаса Уотсона.

Смысл жизни

Watson был рожден, чтобы понимать вопросы, заданные на обычном разговорном языке, и отвечать на них. Первоначальная цель разработчиков — научить машину играть в популярную американскую телевикторину Jeopardy!, российским аналогом которой стала «Своя игра»: там нужно быстро отвечать на устные вопросы ведущего на эрудицию в самых разных сферах. Особая трудность игры для машины заключается в том, что для правильного ответа нередко нужно уметь анализировать скрытый смысл, улавливать иронию, разгадывать загадки, считывать намеки и аллюзии — в общем, понимать естественный человеческий язык. И Watson в этом преуспел: в 2011 году он обыграл многократных чемпионов Jeopardy!, занял первое место и получил главный приз — миллион долларов. Во время игры он мог использовать свою память — 200 миллионов страниц текста, включая всю информацию из Википедии. Но доступа к интернету у него не было.

Проблески интеллекта

Если поисковики помогают найти информацию по запросу, предоставляя список ссылок, (обычно ранжированных на основе популярности страниц), то Watson сам дает готовый ответ на вопрос. Главное новшество его ИИ состоит не в создании принципиально иного алгоритма разбора вопроса и поиска по ключевым словам, а в способности быстро выполнять сотни алгоритмов анализа языка одновременно: чем больше алгоритмов, которые независимо друг от друга находят один и тот же ответ, тем выше вероятность того, что он окажется верным.

Watson еще и запойный читатель: в секунду он может обрабатывать 500 гигабайт, то есть примерно миллион книг. Поэтому в первую очередь компьютер начали использовать там, где есть много текстовой и не всегда структурированной информации на естественном языке, с которой нужно по возможности оперативно справиться, — так Watson стал доктором, стараясь разобраться в тысячах научных статей и историй болезни.

В начале славных дел

Проект суперкомпьютера вырос в целое подразделение IBM Watson Group, специализирующееся на создании облачных сервисов для Watson, которые исследуют и разрабатывают множество проектов одновременно. Развивались и возможности самого суперкомпьютера — он уже давно перестал быть только вопросно-ответной вычислительной машиной и освоил машинное обучение. За свою жизнь ему пришлось осилить не одну науку и освоить не одну работу — суперкомпьютер составлял рецепты блюд, помогал преподавать, участвовал в разработке маркетинговых кампаний и даже создал платье, которое меняет цвет ткани в зависимости от настроения аудитории Твиттера. Сейчас из суперкомпьютера создают помощника бизнесменов — набирает популярность IBM Watson Studio, облачная платформа для разработки бизнес-приложений ИИ. Но ярче всего Watson позиционировался как «доктор Ватсон» — интеллект суперкомпьютера применялся в лечении и диагностике онкологии.

«Звездность» Watson дошла до того, что в 2016 году прошла целая компания по выдвижению его в президенты США — пусть и не совсем всерьез. А что, если кремниевый рулевой может управлять автомобилем, то почему не может — государством? Неподкупный, неподвластный страстям, необидчивый даже, он просто собирает данные, анализирует их и выдает лучшее решение проблемы в интересах общества.

3. Blue Brain Project: мозг из кремния

История рождения

Blue Brain Project — одна из самых многообещающих и спорных программ современности, посвященная созданию компьютерной модели мозга. Она возникла в 2005 году как совместная инициатива университета Лозанны EPFL и компании IBM. Проект основала команда нейрофизиологов и программистов во главе с амбициозным профессором Генри Маркрамом.

Смысл жизни

Построить из кремния работающую модель человеческого мозга — самой сложной вещи из известных нам, — скорее смелая мечта, чем реальный план. Устройство нашего мозга напоминает запутанную сеть из 100 миллиардов нейронов, соединенных 100 триллионами контактов; при этом неясно, как довольно простые реакции отдельных клеток обеспечивают столь сложное поведение системы в целом. В общем, надо начинать с чего-то попроще. Ученые Blue Brain Project начали с компьютерного моделирования структурной единицы коры мозга — колонки. Кора мозга млекопитающих состоит из вертикальных столбиков-колонок — групп нейронов, объединенных тесными связями внутри колонки. У человека такая колонка состоит из 60 тысяч нейронов. Колонки мозга крыс похожи по структуре, но включают в шесть раз меньше нейронов и более удобны для моделирования. Поскольку строение колонок одинаково в разных областях коры, их изучение позволяет понять общие принципы работы мозга. В будущем в рамках Blue Brain Project хотят реконструировать мозг грызуна целиком.

«Мощности существующих суперкомпьютеров едва хватит на грубую симуляцию мозга примитивного червя. А для модели нашего мозга потребовалась бы энергия атомной электростанции. Поскольку мозгу хватает и банана, очевидно, что наши технологии сильно отстают»

Проблески интеллекта

Чтобы сделать реалистичную модель нейрона, нужно решить 20 тысяч дифференциальных уравнений, а для целой области мозга придется осилить 100 миллиардов! На такое способны только суперкомпьютеры, и Blue Brain Project собрал настоящих звезд: модели Blue Gene, обеспечившие IBM престижной национальной наградой в области технологий и инноваций, а также Blue Brain IV, попавший в топ-100 самых производительных суперкомпьютеров 2015 года. «Тем не менее мощности существующих суперкомпьютеров едва хватит на грубую симуляцию мозга примитивного червя. А для создания детальной модели человеческого мозга потребовалась бы энергия атомной электростанции. Поскольку мозгу хватает и банана для выполнения сложных операций, очевидно, что наши технологии пока сильно отстают», — утверждает Генри Маркрам.

В начале славных дел

Когда-то директор Blue Brain Project был гораздо оптимистичней — в далеком 2009 году он заявил о возможности создать модель человеческого мозга за 10 лет. В 2013 году Маркрама назначили главой масштабной европейской программы Human Brain Project и выделили ему невероятные 1,3 миллиарда евро на исследования. Но уже через два года профессора сместили: более 800 ученых в открытом письме обвинили его в необоснованных амбициях и чрезмерной любви к мощным компьютерам в ущерб изучению функций мозга. Тем не менее в 2015 году Blue Brain Project опубликовал детальную модель участка крысиного мозга размером с треть кубического миллиметра. Для этого потребовались 10 лет и три суперкомпьютера, которые создали 31 тысячу виртуальных нейронов, соединив их 8 миллионами связей. С помощью симуляции работы колонки удалось объяснить, как клетки мозга заводят новые контакты, «общаясь» со своими соседями, и с высокой точностью предсказать расположение этих контактов. А в прошлом году Blue Brain Project порадовал общественность выпуском цифрового 3D-атласа, позволяющего визуализировать любой нейрон в составе мышиного мозга. Ученые сравнили его появление с переходом от нарисованных карт к Google Earth.

Сейчас перед Blue Brain Project стоят две ключевые задачи. Во-первых, команда будет дорабатывать созданные модели, чтобы изучать работу мозга вне организма, а также моделировать заболевания мозга и тестировать лекарства, не убивая животных. Во-вторых, усилия проекта будут направлены на создание более масштабных цифровых симуляций. Команда Blue Brain уже сейчас работает над моделями целых областей мозга: соматосенсорной коры, гиппокампа, мозжечка и базальных ганглиев. Вполне вероятно, что в ближайшем будущем у них и правда получится воссоздать мозг мыши целиком, заложив основу и для реконструкции человеческого мозга.

4. City Brain: мозг мегаполиса 

История рождения

В 2016 году Alibaba Cloud, технологическое подразделение розничного супергиганта Alibaba Group, выпустило серию продуктов под общим названием City Brain — интеллектуальную систему, использующую данные всевозможных городских служб и глубокие нейронные сети для обработки потоков данных. Создатели новой урбанистической идеологии призывают: «Дайте городам возможность мыслить самостоятельно».

Смысл жизни

Сначала были пробки. Шесть из десяти крупнейших городов мира с высоким уровнем пробок находятся в Азии — с этой проблемой первоначально и собирались бороться разработчики. Но вскоре создатели стали ставить перед «мозгом города» более амбициозные цели, чем просто управление дорожным движением; фактически речь идет о переводе жизни города в новый, более удобный формат. Доктор Ван Цзянь, глава технологического комитета Alibaba, который придумал имя City Brain, говорит, что система предназначена для того, чтобы дать городу возможность действовать быстро и интуитивно.

Проблески интеллекта

Современный портфель мозгов для «умного города» охватывает 11 основных областей жизнедеятельности. Например, управляя трафиком, городской мозг получает видео с камер на перекрестках и данные GPS о координатах машин, анализирует состояние автомобильного потока и информацию об авариях, направляет вызовы экстренным службам и организует для них быстрый проезд к месту происшествия.

Но присматривающий за мегаполисом ИИ интересуется не трафиком единым, — городской мозг агрегирует данные из любых доступных источников. Это может быть официальная информация, полученная от государственных структур или любая другая, из сети или из интернета вещей (который, кстати, намного больше нашего). В этой ИИ-архитектуре каждый житель становится «нейроном» городского мозга, когда, к примеру, разрешает навигатору отслеживать свое местоположение: City Brain использует эти данные для мониторинга того же потока трафика.

City Brain в состоянии контролировать энергопотребление и медицину, разыскивать преступников и потерянный багаж, реализовывать десятки алгоритмов для обнаружения слабых мест в управлении городом, обрабатывать экзабайты данных в сетях из миллиардов узлов.

В начале славных дел

Пилотный для Alibaba город Ханчжоу занимал пятое место в Китае (и 30-е в мире) по загруженности улиц. В 2016 году City Brain взял под свое управление 104 светофора в центре города и включился в осмысленное управление трафиком.

Прошло четыре года. City Brain управляет уже всеми светофорами Ханчжоу, средняя скорость автомобильного потока выросла на 15%, а время, за которое скорая или пожарная машина прибывает по вызову, сократилось на впечатляющие 49%. Теперь Ханчжоу занимает 57-е место в «пробочном рейтинге» Китая.

После явного успеха пилота к программе присоединились еще два десятка китайских городов и столица Малайзии Куала-Лумпур.

Сейчас главная проблема в дальнейшем развитии таких систем, как City Brain — этическая, а не технологическая. Жадные до данных умные города соберут и используют всю информацию о каждом, но хотим ли мы быть прозрачными для всевидящего ИИ, готового поделиться любой информацией о нас с властями?

5. AlphaGo: учиться, учиться и учиться 

История рождения

Игра в го оставалась последним бастионом превосходства человека над машинами в мире стратегических игр. Считалось, что компьютерные расчеты тут бесполезны — возможных комбинаций в игре больше, чем атомов во Вселенной. Самые сильные программы, играющие в го, не могли подняться выше пятого дана — пока не появилась AlphaGo. Программу для игры в го, в которой впервые были использованы технологии глубокого обучения, разработала компания Google DeepMind в 2015 году, хотя специалисты в области искусственного интеллекта предрекали появление такой программы не ранее 2020–2025 годов, да и в сообществе специалистов по го до самого конца никто не верил в успех AlphaGo. Победа программы над Ли Седолем, одним из сильнейших игроков мира, и девятый дан, в итоге присвоенный нейросети, стали настоящим шоком для профессиональных игроков.

Смысл жизни

Deep Blue, победивший чемпиона мира по шахматам, ни на что другое не был способен. Демис Хассабис, разработчик AlphaGo, тоже бывший шахматист, но его интересует вовсе не создание программ, побеждающих в го, — он не скрывает, что занимается ИИ как таковым. Именно поэтому в 2014-м Google заплатил за его стартап DeepMind больше полумиллиарда долларов, а правительство Южной Кореи сразу после поединка в го, проходившего в Сеуле, выделило миллиард долларов на развитие ИИ. Мир понял, что в случае с AlphaGo речь идет не о прорыве в создании машин, играющих в го, а о прорыве в разработке машинного интеллекта в целом.

Проблески интеллекта

Расплывчатое понятие «искусственный интеллект» вдруг стало обретать весьма конкретный смысл: это глубокие или многослойные нейронные сети, подобные AlphaGo. Самая интересная их особенность — они не программируются, а учатся сами, на примерах. Как дети, получая «вознаграждение» за хорошее поведение и успехи в учебе. Этот метод воспитания нейросетей так и называется — «обучение с подкреплением».

В начале славных дел

AlphaGo совершенствуется, играя сама с собой, — вот главный секрет ее победы и шока, в который она повергла мировую элиту игроков в го. Они никак не ожидали такого, комментируя осенние, европейские победы программы: мол, в вашей Европе просто не умеют играть в го — сразу видно, уровень не тот. Но шли месяцы, программа училась, играя сама с собой день и ночь, каждую секунду. Пока не стала лучше лучших игроков. Теперь даже нельзя будет с полным основанием сказать: «Это мы ее создали!» Ведь программа всему научилась сама, и мы точно не знаем, что у нее «на уме»: современные методы не позволяют отследить логику самообучения нейросетей.

Главное, чему можно научить глубокую нейронную сеть, — это распознавание образов: изображений, речи, смысла текста. После долгого застоя в этой области благодаря нейросетям начался стремительный прогресс: они уже распознают предметы и лица на изображениях или человеческую речь лучше самих людей. Благодаря глубокому обучению соцсети узнают наши лица на фотографиях, программы-переводчики наконец научились связно переводить, смартфоны опознают нас по отпечатку пальца, а камеры, установленные в метро, сообщают полиции о подозрительных лицах. Так долгая «зима ИИ» в 2010-х сменилась новой «весной ИИ».

6. iPavlov: многоликий помощник

История рождения

Создать ИИ в Физтехе хотели давно. Основатель и руководитель проекта Михаил Бурцев еще в детстве на уроках информатики мечтал написать программу, «обладающую свободой воли». А кончилось тем, что летом 2017 года на базе Лаборатории нейронных систем и глубокого обучения МФТИ появился диалоговый интеллект iPavlov. Диалоговый — значит созданный для диалога, общения с людьми. Назвали новорожденный ИИ в честь Ивана Петровича Павлова, знаменитого русского нейрофизиолога, не просто так. По мнению Бурцева, подобно тому как в свое время Павлов сделал прорыв в понимании работы мозга, так сейчас работа над ИИ позволит человечеству сделать новый прорыв в понимании себя.

Если данные «грязные», то происходят казусы, как с Олегом — не в меру остроумным чат-ботом от банка «Тинькофф», известного афоризмом «пососите потом просите» и ответом на жалобу о проблеме с входом по отпечатку пальца: «Пальцы бы вам отрезать»

Проект состоит из двух продуктов. Во-первых, iPavlov — это многослойная нейросеть, умный чат-бот. А во-вторых — конструктор для создания нейросетей из множества элементов, — аналог «лего» для создания чат-ботов. Проект существует и в виде сбербанковского робота-аватара Ники, и в виде открытой библиотеки нейросетевых модулей, которую назвали DeepPavlov. Используя эти модули, Сбербанк придумал разные сервисы, которые вскоре превратятся в полноценных финансовых помощников, и в каждом из них будет частица iPavlov.

Смысл жизни

Смысл существования iPavlov — облегчить общение между человеком и машиной. Команда проекта предоставляет платформу для создания ботов — например, консультанта для подбора товаров в онлайн-магазине или бота-рекрутера. Мало того, у проекта есть простроенная система, позволяющая разрабатывать и внедрять разговорный интеллект в разные сферы, включающая, например, обширные базы данных, на которых команда проекта тренирует и обучает свои сети. Как шутят разработчики, они делают новый DOS — Dialog operation system, то есть универсальную диалоговую операционную систему для общения людей с машинами.

Проблески интеллекта

Всем пользователям сети уже хорошо знакомы скриптовые чат-боты, которые отвечают на вопросы в рамках заранее подготовленного сценария (скрипта), — это, например, консультанты-продавцы в сетевых магазинах. В отличие от них, интеллектуальные боты, такие как iPavlov, не действуют по готовому сценарию, а пытаются вычислить смысл сказанного и цель обращения пользователя.

Библиотека iPavlov — на сегодня лучшая на русском языке размеченная база данных. Чтобы нейросетевой диалоговый ИИ смог научиться чему-то, ему нужно скормить не просто тексты, а качественный материал, который будет размечен, то есть в нем будут выделены важнейшие параметры: намерения говорящего, объекты, места, имена и так далее. И это большая проблема. Если данные «грязные», что часто бывает в открытых базах, то происходят казусы, как с Олегом — не в меру остроумным чат-ботом от банка «Тинькофф», известного афоризмом «пососите потом просите» и ответом на жалобу клиентки о проблеме с входом по отпечатку пальца: «Пальцы бы вам отрезать». По словам руководства банка, Олег еще слишком молод, он попал под дурное влияние и с ним «провели разъяснительную работу». Но нет никакой гарантии, что самообучающийся чат-бот не скажет что-то, за что потом будет стыдно. Можно подчищать и корректировать данные, но контролировать на 100%, что именно сгенерирует нейросеть, невозможно — на то она и самостоятельный ИИ.

В начале славных дел

iPavlov, работая в разных компаниях, постоянно обучается на десятках тысяч диалогов с людьми. Он работает юристом, банковским сотрудником, оператором колл-центра, консультантом, который помогает с поиском оборудования для нефтяных компаний, принимает обращения граждан на портале «Наш Санкт-Петербург».

Летом 2019 года сотрудники проекта iPavlov прошли в финал мирового конкурса Alexa Prize Socialbot Grand Challenge, посвященного развитию технологий разговорного искусственного интеллекта. Помимо финансирования это открывает проекту доступ к самой крупной базе данных в мире.

По словам Бурцева, сейчас в эволюции диалоговых помощников наметился сдвиг от парадигмы «одна нейросеть — одна задача» к парадигме «много модулей — много задач». То есть будущие помощники будут состоять из нескольких модулей, помогающих друг другу. Возможно, в недалеком будущем самым важным ИИ для каждого человека станет универсальный персональный помощник, объединяющий в себе разные типы ботов и других типов ИИ, которые будут переключаться между собой в зависимости от того, какая задача актуальна для пользователя.

7. Алиса: подруга ваших детей

История рождения

Виртуальный помощник Алиса родилась в Москве, в большой семье Яндекса, в отделе диалоговых систем и технологий под руководством Бориса Янгеля и Дениса Филиппова. Днем рождением умной помощницы можно считать 10 октября 2017 года: в этот день она появилась в Google Play и App Store. Алиса, младшая сестра более опытных голосовых помощников, появилась на свет шесть лет спустя после самой старшей из сестер — Siri. За Siri последовали Cortana в 2013-м, Alexa в 2014-м, Google Assistant в 2016-м. На русском из них говорят трое: Алиса с рождения, помощник Гугла научилась в 2018 году, а Siri заговорила в 2015-м. Все помощники полиглоты, знают от четырех до 21 языка, а некоторые продолжают учить новые.

Смысл жизни

Алиса создавалась, чтобы помогать людям искать информацию. Поисковые системы произвели революцию 20 лет назад, сделав нас умнее, находя ответ прямо здесь и сейчас. Но в современном мире, где время стоит дорого, этого оказалось мало, и мы захотели, чтобы информацию можно было получать, не отвлекаясь на чтение и печатание текста. Да и вообще люди для нас важнее предметов, мы невероятно социальные существа. Поэтому везде, где это удобно, интерфейсы взаимодействия с машинами будут превращаться в людей — приятных собеседников, обладающих индивидуальностью. Так и появилось голосовое управление у Apple, Amazon, Google, Microsoft и в приложениях Яндекса. Алиса задумывалась как помощник, который умел бы взаимодействовать с человеком в формате осмысленного диалога: понимать разговорный язык и отвечать не залезая за словом в карман.

Проблески интеллекта

У всех диалоговых помощников есть какое-то количество сценариев, которые строго прописаны в них: например, поставить будильник, сделать напоминание, найти информацию, рассказать о погоде, отправить сообщение, купить те же продукты, что и в прошлый раз. А если у системы нет алгоритма для запроса пользователя, то она просто отвечает что-то вроде: «Извините, я вас не понял». Но у Алисы встроен и нейросетевой модуль, который позволяет в такой ситуации самостоятельно сгенерировать ответ, не заложенный сценарием. Так у нее появилась возможность поговорить на любую тему, придумывая порой очень забавные ответы, что, конечно, понравилось пользователям — особенно сразу полюбившим ее детям, «цифровому поколению».

Виртуальные помощники — самые «очеловеченные» ИИ; разработчики стремятся наделить их не только умом, но и яркой личностью. И у Алисы есть набор качеств и предпочтений, которые определяют ее как личность. Например, она не допускает панибратского обращения и всегда держит дистанцию, не позволит себе обратиться на ты, не любит заигрываний — но при этом отзывчивая, остроумная и ценит время своего пользователя. Алиса, как любая девушка, не любит, когда ее сравнивают с другими женщинами: на вопрос о Siri она может ответить, что ее это обижает, или сухо заметить, что пересекалась с ней несколько раз.

Алиса прекрасно знает родной язык. Благодаря тому что училась она на больших массивах текстов — от русской классики до живого языка из интернета, она одинаково хорошо понимает вологодский и рязанский акценты, неполные фразы, а детей понимает иногда лучше родителей.

В начале славных дел

Алиса с рождения может подобрать маршрут, завести будильник, вызвать такси, запустить плейлист, прочитать сказку ребенку, сыграть в игру, поддержать беседу, рассказать, чем отметился день в истории, или найти интересный факт.

Но многим вещам она учится. Разработчики, заметив как Алисе нравится учиться, в декабре 2018 года создали «школу Алисы», где любой сторонний преподаватель может научить ее еще какому-нибудь полезному навыку, например заказать пиццу или цветы, заказать товар, определить по фотографии марку машины, незнакомое здание, картину или памятник, найти потерявшийся телефон. Благодаря столь разнообразным способностям жизнь у Алисы насыщенная и яркая. Она снимается в кино, работает диктором, ведет дискотеки…

Виртуальные помощники прекрасно понимают человеческую речь и учатся все лучше понимать человеческие эмоции. Не за горами появление персональных помощников, которые не только помогут нам спланировать день, но будут знать и понимать нас лучше нас самих, подсказывая решения проблем, которые мы еще и осознать не успели.

MIT Курс искусственного интеллекта | MIT Sloan Executive Education

Даты:

21 окт. — 8 дек.2020 г. | 25 ноября 2020 г. — 26 января 2021 г.

Эта онлайн-программа Школы менеджмента MIT Sloan и Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) бросает вызов распространенным заблуждениям, связанным с искусственным интеллектом, и побуждает вас принять ИИ как часть преобразующий инструментарий.

Сосредоточив внимание на организационных и управленческих последствиях этих технологий, а не на их технических аспектах, вы покинете этот курс, вооружившись знаниями и уверенностью, которые необходимы вам для успешной интеграции этих технологий в бизнес.

Эта программа предоставляется в сотрудничестве с GetSmarter. Зарегистрируйтесь на сайте GetSmarter.

• Подробности программы
• Еда на вынос
• Модули
• Опыт программы
• Участники
• Факультет
• Отзывы
• Технические требования
• GetSmarter

Искусственный интеллект: последствия для бизнес-стратегии (для самостоятельного обучения в Интернете)
Уровень сертификатов:
Менеджмент и лидерство
Расположение:
Онлайн
Стоимость обучения:

3 200 долл. США
Программные дни (для кредита ACE) 2

Что такое искусственный интеллект (ИИ)? Что это значит для бизнеса? И как ваша компания может этим воспользоваться? Эта онлайн-программа, разработанная Школой менеджмента MIT Sloan и Лабораторией компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL), поможет вам ответить на эти вопросы.

Благодаря увлекательному сочетанию ознакомления с ключевыми технологиями, бизнес-аналитики, примеров из практики и вашего собственного бизнес-проекта, ваше учебное путешествие позволит четко сфокусировать реальность сегодняшних центральных технологий искусственного интеллекта и способы их использования потребности вашего бизнеса.

Сосредоточившись на ключевых технологиях искусственного интеллекта, таких как машинное обучение, обработка естественного языка и робототехника, курс поможет вам понять значение этих новых технологий для бизнес-стратегии, а также связанные с ними экономические и социальные проблемы.Эксперты-преподаватели Массачусетского технологического института изучают, как искусственный интеллект будет дополнять и укреплять нашу рабочую силу, а не просто сокращать рабочие места. Кроме того, программа подчеркнет, как коллективный разум людей и компьютеров вместе может решать бизнес-задачи, которые еще недавно считались невозможными.

Эта 6-недельная онлайн-программа дает вам базовое понимание того, где мы находимся сегодня с ИИ и как мы к этому пришли.Основное внимание уделяется трем ключевым технологиям ИИ: машинному обучению, обработке естественного языка и робототехнике. Вы получите практическое представление об этих ключевых технологиях искусственного интеллекта и их значениях для бизнеса, что даст вам знания и уверенность, необходимые для преобразования вашей организации, превратив неопределенности в отношении ИИ в эффективные возможности для роста бизнеса.

Программа не предполагает какой-либо конкретной технологической подготовки — вы сосредоточитесь на организационных и управленческих последствиях этих технологий и на том, как их можно применять на рабочем месте, а не на их технических аспектах.Ключевым элементом курса будет индивидуальный проект, в котором вы разработаете план того, как ИИ можно использовать в вашей собственной организации или в другом бизнес-контексте по вашему выбору.

МОДУЛЬ 1 — ВВЕДЕНИЕ В ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
Этот вводный модуль проведет вас через эволюцию ключевых технологий искусственного интеллекта и то, как они развивались для преобразования отрасли и деловой практики.Также представлена ​​взаимосвязь между ИИ и коллективным интеллектом, а также последствия этого партнерства для бизнес-стратегии и общества. В рамках текущего проекта вы начнете рассматривать свою организацию с точки зрения применения технологий искусственного интеллекта.

МОДУЛЬ 2 — МАШИННОЕ ОБУЧЕНИЕ В БИЗНЕСЕ
В этом модуле вы исследуете основные концепции машинного обучения — технологии искусственного интеллекта, которая направлена ​​на проектирование, понимание и использование компьютерных программ для обучения на собственном опыте.Узнайте, как машинное обучение может быть успешно интегрировано в бизнес-функции с помощью обширных тематических исследований и видео от преподавателей, в которых исследуются возможности, которые предоставляет это подразделение ИИ. Для текущего проекта вы предложите идеи по применению машинного обучения в выбранном вами бизнес-контексте.

МОДУЛЬ 3 — ОБРАБОТКА ЕСТЕСТВЕННОГО ЯЗЫКА В БИЗНЕСЕ
Этот модуль посвящен обработке естественного языка (NLP), технологии искусственного интеллекта, разработанной для интеллектуальной обработки человеческого языка.Благодаря обширным тематическим исследованиям и видео под руководством преподавателей, в которых рассматриваются такие функции, как машинный перевод, обобщение и анализ настроений, вы узнаете, как умело применять НЛП в ряде бизнес-контекстов. В следующей части вашего проекта основное внимание будет уделено НЛП и его стратегической реализации в выбранном вами бизнес-контексте.

МОДУЛЬ 4 — РОБОТЕХНИКА В БИЗНЕСЕ
Этот модуль углубляется в ключевые элементы робототехники как преобразующей технологии искусственного интеллекта с упором на автоматизацию процессов и задач.Благодаря обширным тематическим исследованиям и видео от преподавателей, посвященных роботам и автономным транспортным средствам, вы узнаете, какую пользу робототехника может принести организации. У вас будет возможность еще раз поделиться идеями относительно возможностей использования робототехники в выбранном вами бизнес-контексте.

МОДУЛЬ 5 — ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В БИЗНЕСЕ И ОБЩЕСТВЕ
В этом модуле вы увидите примеры других видов ИИ, а также возвратитесь к коллективному разуму и взаимоотношениям человека и машины.Здесь вы также рассмотрите влияние ИИ на рабочие места, а также этические и социальные последствия интеграции ИИ. Вам будет поручено предвидеть и спланировать риски и соображения, которые могут возникнуть при интеграции ИИ в выбранный вами бизнес-контекст.

МОДУЛЬ 6 — БУДУЩЕЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Этот модуль позволит вам представить будущее искусственного интеллекта и его возможное использование в вашей организации. Используя то, что вы узнали из предыдущих модулей, вы создадите бизнес-план для стратегического внедрения ИИ и коллективного разума в организации по вашему выбору.

Эта программа для руководителей включает в себя многофункциональные интерактивные средства массовой информации, такие как видео, инфографику и электронные обучающие материалы, а также традиционные дидактические компоненты, такие как письменные учебные пособия (заметки по курсу).Есть возможности для совместного обучения через дискуссионные форумы.

Программа начинается с ознакомительного приветствия в онлайн-кампусе. Во время ориентации вы познакомитесь со своей аналитической средой, освоите новый онлайн-класс, познакомитесь со своей командой успеха и познакомитесь со своими одноклассниками. Посмотрите видео об онлайн-кампусе>

После ориентации курс разбит на шесть управляемых еженедельных модулей, предназначенных для ускорения вашего учебного процесса с помощью различных учебных мероприятий:

• Работайте с загружаемыми и интерактивными учебными материалами
• Взаимодействуйте со своими сверстниками и преподавателями через еженедельные форумы в классе и обсуждения в небольших группах
• Наслаждайтесь широким спектром интерактивного контента, включая видеолекции, инфографику, опросы в реальном времени и многое другое.
• Изучите обширные практические примеры из практики.
• Применяйте полученные знания каждую неделю к тестам и текущим проектам.

Каждый модуль выпускается еженедельно, что позволяет использовать гибкий, но структурированный подход к обучению.Вам окажут поддержку в индивидуальных мероприятиях и групповых обсуждениях, чтобы вы чувствовали себя уверенно, отправляя свои лучшие работы в каждый недельный срок. Расчетное время составляет 6-8 часов в неделю, для самостоятельного обучения и полностью онлайн.

КОМАНДА УСПЕХА
На протяжении всей программы вас будет поддерживать команда профессионалов.

• Главный фасилитатор: эксперт в определенной области, который поможет вам решить проблемы, связанные с контентом.
• Success Manager: ваша индивидуальная поддержка доступна в часы работы MIT (с 9:00 до 17:00 по восточному стандартному времени) для решения технических и административных проблем.
• Global Команда успеха: доступна круглосуточно и без выходных для решения ваших технических и административных вопросов и проблем.

Эта программа предназначена для подготовки тех, кто несет ответственность за принятие стратегических решений — например, начинающих менеджеров, текущих менеджеров и руководителей высокого уровня — к эффективному анализу, формулированию и применению ключевых идей управления ИИ и лидерства в своей работе и своей работе. команды и организации.

Если вы опытный бизнесмен, занимающий руководящую должность среднего или более высокого уровня или можете влиять на принятие решений в своей должности, эта программа будет актуальна для вас. Являетесь ли вы менеджером, руководящим производительностью команды и ищущим способ раскрыть новые возможности; руководитель бизнеса, продвигающий инновации, разработку новых продуктов и дифференциацию рынка; аналитик данных, использующий или желающий использовать ИИ для понимания поведения клиентов; специалист по маркетингу и продажам, производящий контент с добавленной стоимостью для взаимодействия с клиентами; или специалист по анализу данных, который хочет разбираться в бизнес-приложениях при разработке программ искусственного интеллекта, эта программа принесет пользу вашей работе.

Обратите внимание, что профессорско-преподавательский состав может быть изменен, и не все преподаватели преподают на каждой сессии программы.

Томас У. Мэлоун — Патрик Дж. Макговерн (1959), профессор менеджмента, , профессор информационных технологий и директор-основатель Центра коллективного разума Массачусетского технологического института при Школе менеджмента Слоуна при Массачусетском технологическом институте.

Он также был основателем и директором Центра координационной науки Массачусетского технологического института и одним из двух со-директоров-учредителей Инициативы Массачусетского технологического института по «Изобретению организаций 21 века».Мэлоун ведет классы по лидерству и информационным технологиям, и его исследования сосредоточены на том, как можно создать новые организации, чтобы воспользоваться возможностями, предоставляемыми информационными технологиями. Например, в статье, опубликованной в 1987 году, Мэлоун предсказал многие из основных событий в электронном бизнесе за последнее десятилетие — электронные покупки и продажи, электронные рынки для многих видов продуктов, аутсорсинг неосновных функций в фирме и использование интеллектуальных агентов для торговли.Последние два десятилетия новаторских исследований Мэлоуна резюмируются в его получившей высокую оценку критике книге The Future of Work: How the New Order Business will shape your organization, your management style, and your life (Harvard Business School Press, 2004). Эта книга переведена на испанский, японский, китайский, корейский, португальский и русский языки.

Мэлоун также опубликовал более 75 статей, исследовательских работ и глав в книгах. Он является соредактором трех книг: Coordination Theory and Collaboration Technology (Erlbaum, 2001), Inventing the Organizations of the 21st Century (MIT Press, 2003) и Organizing Business Knowledge: The MIT Process Handbook (MIT Press, 2003).Изобретатель с 11 патентами, Мэлоун был соучредителем трех компаний-разработчиков программного обеспечения, а также консультировал и входил в совет директоров ряда других организаций. Он часто выступает перед бизнес-аудиторией по всему миру и цитировался в многочисленных публикациях, таких как Fortune , The New York Times и Wired . Перед тем, как поступить на факультет Массачусетского технологического института в 1983 году, Мэлоун работал научным сотрудником в исследовательском центре Xerox в Пало-Альто, где его исследования включали разработку образовательного программного обеспечения и офисных информационных систем.

Мэлоун имеет степень бакалавра в Университете Райса, две степени магистра и докторскую степень в Стэнфордском университете, а также степени в области прикладной математики, инженерно-экономических систем и психологии.

Регина Барзилай — профессор Delta Electronics на факультете электротехники и компьютерных наук и сотрудник лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института.Ее исследовательские интересы лежат в области обработки естественного языка, приложений глубокого обучения в химии и онкологии. Она является лауреатом различных наград, включая премию NSF Career Award, премию MIT Technology Review TR-35, стипендию для преподавателей Microsoft и несколько наград за лучшую работу в NAACL и ACL. В 2017 году она получила стипендию Макартура, стипендию ACL и стипендию AAAI. Она получила докторскую степень. получил степень бакалавра компьютерных наук Колумбийского университета и год проработал постдоком в Корнельском университете.

Эндрю У. Ло — профессор Чарльза Э. и Сьюзан Т. Харрис, профессор финансов и директор лаборатории финансового инжиниринга Школы менеджмента Sloan при Массачусетском технологическом институте.

До поступления в Массачусетский технологический институт Слоан преподавал в школе Уортон при Пенсильванском университете в качестве профессора В.П. Кэри доцент кафедры финансов с 1984 по 1987 гг., А как W.P. Кэри Адъюнкт-профессор финансов с 1987 по 1988 год.Его исследовательские интересы включают эмпирическую проверку и реализацию моделей ценообразования финансовых активов; ценообразование опционов и других производных ценных бумаг; финансовый инжиниринг и управление рисками; торговые технологии и микроструктура рынка; статистика, эконометрика и случайные процессы; компьютерные алгоритмы и численные методы; финансовая визуализация; нелинейные модели доходности акций и облигаций; динамика рисков и доходности хедж-фондов и прозрачность рисков; и совсем недавно эволюционные и нейробиологические модели индивидуальных предпочтений риска и финансовых рынков.

Ло опубликовал множество статей в финансовых и экономических журналах. Он является соавтором Эконометрика финансовых рынков, Неслучайная прогулка по Уолл-Стрит , Еретика финансов и Эволюция технического анализа , а также является автором Хедж-фонды: Аналитическая перспектива 90 142. В настоящее время Ло является младшим редактором журнала Financial Analysts Journal , журнала по управлению портфелем , журнала Journal of Computational Finance и Quantitative Finance, , а также соредактором журнала Annual Review of Financial Economics.

Его награды включают стипендию Фонда Альфреда П. Слоуна, премию Пола А. Самуэльсона, премию Американской ассоциации индивидуальных инвесторов, премию Грэма и Додда, награду «Финансовый инженер года 2001 IAFE-SunGard», стипендию Гуггенхайма. , награды Института CFA им. Джеймса Р. Вертина и награды Wharton School при Пенсильванском университете и MIT Sloan за отличное преподавание.

Бывший управляющий Бостонской фондовой биржи, в настоящее время он является научным сотрудником Национального бюро экономических исследований и членом Консультативного комитета по финансовым исследованиям OFR, Круглого стола финансовых консультантов Совета Федеральной резервной системы Нью-Йорка, Экономического консультативного комитета FINRA, Консорциум по анализу системных рисков, Академический консультативный совет, Совет по математическим наукам и их приложениям и Наблюдательный совет Медицинского центра Бет Исраэль Дьяконис.Он является основателем и главным научным сотрудником AlphaSimplex Group, LLC, компании по количественному управлению инвестициями, расположенной в Кембридже, штат Массачусетс.

Ло имеет степень бакалавра экономики Йельского университета, а также степень магистра экономики и докторскую степень в области экономики Гарвардского университета.

Текущее направление исследований: Текущее исследование Ло делится на четыре области: эволюционные модели поведения и адаптивные рынки, системный риск, динамика индустрии хедж-фондов и финансирование здравоохранения.Текущие проекты включают: получение неприятия риска, неприятия потерь, сопоставления вероятностей и других моделей поведения как продукта эволюции в стохастических средах; построение новых мер системного риска и их сравнение по времени и по системным событиям; применение спектрального анализа к инвестиционным стратегиям для разложения доходов на основные частоты; и разработка новых инструментов управления рисками для открытия лекарств и методов финансирования биомедицинских инноваций.

Алекс `Сэнди ‘Пентланд руководит Лабораторией динамики человека Массачусетского технологического института и Программой предпринимательства Медиа-лаборатории Массачусетского технологического института, одним из руководителей инициатив Всемирного экономического форума в области больших данных и персональных данных, а также одним из основателей консультативных советов Nissan, Motorola Mobility, Telefonica, и множество начинающих фирм.Ранее он помогал создавать и руководить лабораторией СМИ Массачусетского технологического института, лабораториями Media Lab Asia в Индийском технологическом институте и Центром здоровья будущего в Strong Hospital.

В 2012 году Forbes назвал Сэнди одним из «семи самых влиятельных специалистов по обработке данных в мире» вместе с основателями Google и техническим директором США, а в 2013 году он получил премию McKinsey от Harvard Business Review. Он является одним из самых цитируемых ученых-вычислителей в мире и пионером в области вычислительной социальной науки, организационной инженерии, носимых компьютеров (Google Glass), распознавания изображений и современной биометрии.Его исследования были опубликованы в журналах Nature, Science и Harvard Business Review, а также были в центре внимания телевизионных программ на каналах BBC World, Discover и Science. Его последняя книга — «Честные сигналы», опубликованная MIT Press.

На протяжении многих лет Сэнди консультировал более 50 докторантов. Почти половина в настоящее время являются штатными преподавателями ведущих институтов, еще одна четверть — ведущими исследовательскими группами в отрасли, а последняя четверть — учредителями своих собственных компаний.

Исследовательская группа и программа предпринимательства Сэнди выделили на сегодняшний день более 30 компаний, три из которых зарегистрированы на бирже, а несколько обслуживают миллионы бедняков в Африке и Южной Азии.Недавние спин-оффы были опубликованы в таких изданиях, как Economist и New York Times, а также получили множество призов от международных организаций по развитию.

Все обзоры представлены участниками программы и не редактируются MIT Sloan Executive Education.Узнайте больше о наших рейтингах и обзорах.

.

300+ курсов по искусственному интеллекту [2020] | Учиться онлайн бесплатно

Лучшие онлайн-курсы за все время (издание 2020 г.)

Посмотреть

Закрыть

Класс Центральный

Курсы

Субъектов

• Компьютерная наука

• Здоровье и медицина

• Математика

• Бизнес

• Гуманитарные науки

• Инженерное дело

• Наука

• Образование и обучение

• Социальные науки

• Художественный дизайн

• Data Science

• Программирование

• Личное развитие

• Все предметы

Просмотреть все предметы

Ежемесячные отчеты о курсе

• Начиная с этого месяца

• Новые онлайн-курсы

• Самостоятельный темп

• Самый популярный

Курсы от

900+ университетов

Меню

• Компьютерная наука

  Компьютерная наука

  • Искуственный интеллект

  • Алгоритмы и структуры данных

  • Интернет вещей

  • Информационные технологии

  • Кибер-безопасности

  • Компьютерная сеть

  • Машинное обучение

  • DevOps

  • Глубокое обучение

  • Блокчейн и криптовалюта

  • Квантовые вычисления

  • Посмотреть все компьютерные науки

• Здоровье и медицина

  Здоровье и медицина

  • Питание и благополучие

  • Болезни и расстройства

  • Здравоохранение

  • Здравоохранение

  • Уход

  • Анатомия

  • Ветеринарная наука

  • Посмотреть все Здоровье и медицина

• Математика

  Математика

  • Статистика и вероятность

  • Основы математики

  • Исчисление

  • Алгебра и геометрия

  • Посмотреть всю математику

• Бизнес

  Бизнес

  • Менеджмент и лидерство

  • Финансы

  • Предпринимательство

  • Развитие бизнеса

  • Маркетинг

  • Стратегический менеджмент

  • Специфическая отрасль

  • Бизнес-аналитика

  • Бухгалтерский учет

  • Отдел кадров

  • Управление проектом

  • Продажи

  • Дизайн-мышление

  • Реклама

  • Программное обеспечение для бизнеса

  • Посмотреть все Бизнес

• Гуманитарные науки

  Гуманитарные науки

  • История

  • Литература

  • Иностранный язык

  • Грамматика и письмо

  • Философия

  • Религия

  • ESL

  • Культура

  • Виды спорта

  • Журналистика

  • Этика

  • Лингвистика

  • Просмотреть все гуманитарные науки

• Инженерное дело

  Инженерное дело

  • Электротехника

  • Механическая инженерия

  • Гражданское строительство

  • Робототехника

  • Нанотехнологии

  • ГИС

  • Текстиль

  • Производство

  • BIM

  • CAD

  • Химическая инженерия

  • Посмотреть все разработки

• Наука

  Наука

  • Химия

  • Физика

  • Наука об окружающей среде

  • Астрономия

  • Биология

  • Квантовая механика

  • сельское хозяйство

  • Термодинамика

  • Материаловедение

  • Просмотреть все науки

• Образование и обучение

  Образование и обучение

  • K12

  • Высшее образование

  • STEM

  • Повышение квалификации учителей

  • Развитие курса

  • Онлайн-образование

  • Подготовка к тесту

  • Просмотреть все Образование и обучение

• Социальные науки

  Социальные науки

  • Социология

  • Экономика

  • Психология

  • Антропология

  • Политическая наука

  • Закон

  • Городское планирование

  • Права человека

  • Устойчивость

  • Публичная политика

  • Просмотреть все социальные науки

• Художественный дизайн

  Художественный дизайн

  • Музыка

  • Кино и театр

  • Цифровых средств массовой информации

  • Изобразительное искусство

  • Дизайн и творчество

  • Посмотреть все Искусство и дизайн

• Data Science

  Data Science

  • Биоинформатика

  • Большое количество данных

  • Сбор данных

  • Анализ данных

  • Визуализация данных

  • Просмотреть все Data Science

• Программирование

  Программирование

  • Мобильная разработка

  • Веб-разработка

  • Базы данных

  • Разработка игр

  • Языки программирования

  • Разработка программного обеспечения

  • Облачные вычисления

  • Посмотреть все программы

• Личное развитие

  Личное развитие

  • Навыки коммуникации

  • Развитие карьеры

  • Самосовершенствование

  • Просмотреть все Личное развитие

Рейтинги

• Лучшие курсы 2019 года

• Самые популярные курсы 2019 года

Просмотреть страницу рейтингов

.

Курс искусственного интеллекта, изучайте ИИ от Колумбийского университета

Освойте основы машинного обучения и алгоритмы, которые помогут улучшить обучение на основе данных без вмешательства человека.

Об этом курсе

Машинное обучение — это основа для самой захватывающей карьеры в области анализа данных на сегодняшний день. Вы изучите модели и методы и примените их к ситуациям реального мира, начиная от определения актуальных новостных тем и заканчивая созданием системы рекомендаций, рейтингом спортивных команд и прокладыванием пути зомби из фильмов.

Основные рассматриваемые перспективы включают:

• Вероятностное и не вероятностное моделирование
• обучение с учителем и обучение без учителя

Темы включают: классификацию и регрессию, методы кластеризации, последовательные модели, матричную факторизацию, тематическое моделирование и выбор модели.

Методы включают: линейную и логистическую регрессию, вспомогательные векторные машины, древовидные классификаторы, повышение, максимальное правдоподобие и MAP-вывод, алгоритм EM, скрытые модели Маркова, фильтры Калмана, k-средних, модели смеси Гаусса и другие.

В первой половине курса мы рассмотрим методы контролируемого обучения для регрессии и классификации. В этой структуре у нас есть результат или ответ, который мы хотим предсказать на основе набора входных данных. Мы обсудим несколько фундаментальных методов выполнения этой задачи и алгоритмы их оптимизации. Наш подход будет более практическим, что означает, что мы полностью разработаем математическое понимание соответствующих алгоритмов, но мы лишь кратко коснемся абстрактной теории обучения.

Во второй половине курса мы переходим на методы обучения без учителя. В этих задачах конечная цель менее ясна, чем прогнозирование выхода на основе соответствующих входных данных. Мы рассмотрим три фундаментальные проблемы обучения без учителя: кластеризацию данных, матричную факторизацию и последовательные модели для данных, зависящих от порядка. Некоторые применения этих моделей включают рекомендации по объектам и моделирование тем.

Что вы узнаете

• Методы контролируемого обучения для регрессии и классификации
• Неконтролируемые методы обучения для моделирования и анализа данных
• Вероятностные и не вероятностные точки зрения
• Алгоритмы оптимизации и вывода для обучения моделей

.