Сообщения intellect board hi tech. Google создала искусственный интеллект который может обучаться самостоятельно. Неконтролируемое машинное обучение
Задаваясь вопросом: Что такое искусственный интеллект? Ответо будет зависеть от того, когда вы задали этот вопрос.
Еще в 1950-х годах, Минский и Маккарти описали искусственный интеллект, как любая задача, выполняемая программой или машиной, которые могут быть выполнены так, как если бы выполнял эту же задачу человек в виде интеллектуальной деятельности.
Очевидно, довольно широкое определение ИИ.
Системы ИИ обычно демонстрируют некоторые из следующих поведений, связанных с человеческим интеллектом: планирование, обучение, рассуждение, решение проблем, представление знаний, восприятие, движение и манипуляции и, в меньшей степени, социальный интеллект и творчество.
Какая польза от искусственного интеллекта?
Искусственный интеллект в настоящее время используется повсеместно. Например, виртуальные голосовые помощники, такие как и Siri от Apple, чтобы узнать кто и что находится на фотографии, чтобы определить спам или обнаружить мошенничество с кредитными картами.
Типы искусственного интеллекта
На очень высоком уровне искусственный интеллект можно разделить на два широких типа: узкий ИИ и общий ИИ.
Узкий ИИ-это то, что мы видим вокруг себя в компьютерах сегодня: интеллектуальные системы, которые были научены или научились выполнять конкретные задачи, не будучи явно запрограммированными, как это сделать.
Этот тип машинного интеллекта очевиден в распознавании речи и языка виртуального помощника Siri на Apple iPhone, в системах распознавания зрения на беспилотных автомобилях. В отличие от людей, эти системы могут только учиться или обучаться тому, как выполнять конкретные задачи, поэтому их называют узким ИИ.
Есть огромное количество новых приложений для узкого ИИ: перевод видео с беспилотников, осуществляющих осмотр объектов инфраструктуры, таких как нефтепроводы, организация личных и деловых календарей, ответы на простые вопросы поддержкой клиентского сервиса, координация действий с другими интеллектуальными системами, выполнение таких задачх, как бронирование отеля в любой момент, помощь , чтобы определить возможные опухоли с помощью рентгеновских снимков, блокировка нежелательного контента в интернете, выявления износа в лифтах от данных, собранных с помощью IoT-устройств, список продолжаться может очень долго.
Какие функции может выполнять общий ИИ?
Общий искусственный интеллект очень отличается, и является адаптируемым типом интеллекта, подобно интеллекту человека, гибкой формой интеллекта, способной научиться выполнять совершенно разные задачи, от стрижки до построения электронных таблиц, или рассуждать на различные темы, основанные на его накопленном опыте. Этот ИИ более часто люди видели в фильмах, подобных Скайнет в Терминаторе, но который ещё не существует сегодня и эксперты в области ИИ пишут о том, как вскоре всё это станет реальностью.
Опрос, проведенный среди четырех групп экспертов в 2012/13 году исследователями ИИ Винсентом Мюллером и философом ником Бостром, показал 50-процентную вероятность того, что Общий искусственный интеллект (AGI) будет разработан между 2040 и 2050 годами, увеличившись до 90 процентов к 2075 году. Группа пошла еще дальше, предсказывая, что ИИ сможет значительно превзойти деятельность человека практически во всех областях.
Тем не менее, некоторые эксперты ИИ считают, что такие прогнозы дико оптимистичны, учитывая наше ограниченное понимание человеческого мозга, и считают, что AGI все еще будет развиваться на протяжении веков.
Что такое машинное обучение?
Существует широкий спектр исследований в области ИИ, многие из которых питают и дополняют друг друга.
В настоящее время, машинное обучение-это то пространство, где компьютерная система получает большие объемы данных, которые она затем использует, чтобы научиться выполнять определенную задачу, такую как распознавание речи или подпись к фотографии.
Что такое нейронные сети (Ботнет) ?
Ключом к процессу машинного обучения являются нейронные сети. Это умные сети взаимосвязанных уровней алгоритмов, называемых нейронами, которые питают данные друг в друга, и которые могут быть обучены выполнять конкретные задачи, изменяя важность, приписываемую исходными данными. Во время обучения этих нейронных сетей значимость информации, прикрепленной в виде входящих данных, будет изменяться до тех пор, пока выход из нейронной сети не будет очень близок к желаемому, и в этот момент сеть «научится» выполнять ту или иную задачу.
Подмножество машинного обучения является глубоким обучением, где нейронные сети расширяются в разросшиеся сети с огромным количеством слоев, которые обучаются с использованием массивных объемов данных. Именно эти глубокие нейронные сети подпитывали нынешний скачок вперед в способности компьютеров выполнять такие задачи, как распознавание речи и компьютерное зрение.
Существуют различные типы нейронных сетей, с различными сильными и слабыми сторонами.
Рекуррентные нейронные сети-это тип нейронной сети, особенно хорошо подходящей для обработки языка и распознавания речи, в то время как сверточные нейронные сети чаще всего используются в распознавании изображений. Одним из ярких примеров нейронной сети является Google переводчик .
Другая область исследований ИИ-это эволюционные вычисления, которые заимствованы из знаменитой теории естественного отбора Дарвина, они замечают, что генетические алгоритмы подвергаются случайным мутациям и комбинациям между поколениями в попытке развить оптимальное решение данной проблемы.
Этот подход был использован даже для того, чтобы помочь конструировать модели ИИ, эффектно используя ИИ, для того чтобы помочь построить AI. Такое использование эволюционных алгоритмов для оптимизации нейронных сетей называется нейроэволюцией и могло бы сыграть важную роль в содействии разработке эффективного ИИ, по мере того, как использование интеллектуальных систем становится более распространенным, особенно, когда спрос на информацию часто опережает предложение. Этот метод был недавно продемонстрированы компанией Uber Labs, которая опубликовала результаты исследования об использовании генетических алгоритмов для обучения глубоких нейронных сетей с подкреплением проблемы.
Наконец, существуют экспертные системы, где компьютеры программируются с помощью алгоритмов, которые позволяют им принимать ряд решений, основанных на большом количестве входов, что позволяет этой машине имитировать поведение эксперта-человека в конкретной области. Примером таких систем, основанных на знаниях, может быть, например, система автопилота на самолете.
Что помогает развитию Искусственного интеллекта?
Самые большие прорывы для исследований в области технологии ИИ, в последние годы, были в области машинного обучения, в частности, в области глубокого обучения.
Отчасти это было обусловлено легкой доступностью данных, а также стремительным подъемом развития параллельных вычислительных мощностей в последние годы, в течение которых использование кластеров GPU для обучения систем машинного обучения стало более распространенным.
Эти кластеры не только предлагают более мощные системы для обучения моделям машинного обучения, но теперь широко доступны в виде облачных сервисов через интернет. Со временем крупные технологические компании, такие как Google и Microsoft, перешли к использованию специализированных процессоров, адаптированных как к запущенным, так и к недавно обученным моделям машинного обучения.
Примером одного из этих пользовательских чипов является (TPU), последняя версия которого ускоряет скорость, с которой эффективные модели машинного обучения, построенные с использованием библиотеки программного обеспечения Tensorflow Google, могут выводить информацию из данных, а также скорость, с которой они могут быть обучены.
Эти чипы используются не только для обучения моделей для DeepMind Google, но и для моделей, которые находятся в и распознавания изображений в Google Фото, а также услуг, которые позволяют общественности построить машинное обучение модели с помощью Google TensorFlow. Второе поколение этих чипов былj представлено на конференции компании Google в мае прошлого года, с массивом этих новых TPUs способных обучить модель машинного обучения Google, используемая для перевода в половину меньше времени, которое потребуется чтобы обработать массив данных из топовых графических процессоров (GPU).
Из каких элементов состоит машинное обучение?
Как уже упоминалось, машинное обучение является подмножеством ИИ и, как правило, делится на две основные категории: контролируемое и неконтролируемое машинное обучение.
Машинное обучение под наблюдением
Распространенным методом обучения систем ИИ является их обучение с использованием очень большого количества информации с примерами. Эти системы машинного обучения получают огромное количество данных, которые были аннотированы, чтобы подчеркнуть особенности, представляющие интерес. Это могут быть фотографии с меткой, чтобы сообщить пользователю, содержат ли они собаку или тестовую надпись. То есть происходит распознавание документа, текст или картинка на документе. А затем, система определяет к чему можно отнести картинку и ставит соответствующие метки для изображений (вид животного, памятник итд) либо пытается распознать и прочитать текст на документе. После обучения система может применить эти метки к новым данным, например, к собаке на фотографии, которая только что была загружена.
Этот процесс обучения машин, на примере выше, называется обучением с учителем. Маркировкой меток осуществляется обычно сотрудниками, работающих на таких платформах, как .
Обучение этих систем ИИ,обычно, требует больших объемов данных, при этом некоторые системы должны искать миллионы примеров, чтобы научиться эффективно выполнять задачи, хотя это становится все более возможным в эпоху большого количества информации и широкого интеллектуального анализа данных. Тренировочные наборы данных огромны и растут в размерах — в доступных изображениях Google есть около девяти миллионов изображений, а видео хостинг YouTube до семи миллионов с отметкой видео.
Обучением такого искусственного интеллекта занимаются люди. Как уже было написано выше, они ставят различные метки для текстов, изображений, видео. Эти метки используются ИИ, как примеры, для будущих распознаваний текстов, изображений. За два года был собран штат почти в 50 000 человек — большинство из которых были наняты через Amazon Mechanical Turk.
В долгосрочной перспективе доступ к огромным наборам данных с маркировкой также может оказаться менее важным, чем доступ к большому количеству вычислительной мощности.
В последние годы, системы машинного обучения показали, что могут генерировать огромное количество информации для собственного обучения.
Этот подход может привести к росту полууправляемого обучения, где системы могут научиться выполнять задачи с использованием гораздо меньшего количества маркированных данных, чем это необходимо для систем обучения с использованием контролируемого обучения сегодня.
Неконтролируемое машинное обучение
В отличие первого, неконтролируемое обучение использует другой подход, когда алгоритмы пытаются определить шаблоны в данных, ища сходства, которые могут быть использованы для классификации этих данных.
Примером может быть группировка фруктов, которые имеют один вес или автомобили с одинаковым объемом двигателя.
Алгоритм не настраивается заранее, чтобы выбрать конкретные типы данных, он просто ищет данные, которые могут быть сгруппированы по своим сходствам, например, Google Новости, группирующие новости по похожим темам каждый день.
Обучение с подкреплением
В процессе обучения с подкреплением система пытается максимизировать вознаграждение, основанное на входных данных, в основном проходя через процесс проб и ошибок, пока не достигнет наилучшего возможного результата.
Примером обучения с подкреплением является Google DeepMind , которая используется для лучшей работоспособности человека в различных классических видеоиграх. Система питается пикселями от каждой игры и определяет различную информацию, например, расстояние между объектами на экране.
Ведущие компании в области технологии искусственного интеллекта
Технологические компании-гиганты, а также стартапы делают всё, чтобы завоевать место на рынке будущих технологий, а именно технологий связанных с развитием искусственного интеллекта.
Каждый из них регулярно пишет доклады и статьи в исследованиях ИИ, хотя, вероятно, что Google с его DeepMind AlphaGo, оказала самое большое влияние на осведомленность общественности об ИИ.
Какие услуги ИИ доступны пользователям?
Все основные облачные платформы Amazon, и Облачная платформа Google — обеспечивают доступ к GPU для подготовки и запуска моделей машинного обучения.
Вся необходимая инфраструктура и услуги доступны от большой тройки в облачных хранилищах данных, способных содержать огромное количество информации, необходимой для обучения моделей машинного обучения, служб преобразования данных для подготовки к анализу информацию, инструментов визуализации для четкого отображения результатов и программного обеспечения, которое упрощает построение моделей.
Эти облачные платформы упрощают создание пользовательских моделей машинного обучения, Google недавно представила сервис, автоматизирующий создание модели ИИ, называемый Cloud AutoML. Эта служба создает пользовательские модели распознавания изображений, даже если у пользователя не было опыта машинного обучения.
Основе облачных технологий, машинного обучения, сервисы постоянно развиваются, модели обучения ИИ упрощаются.
Для тех фирм, которые не хотят создавать свои собственные модели машинного обучения, но хотят использовать AI-powered, on-demand сервисы-такие как voice, vision и Language recognition- Microsoft Azure выделяется широтой предлагаемых сервисов, за которыми следуют облачная Платформа Google, а затем AWS. Тем временем компания IBM также пытается продать отраслевых услуги технологии ИИ, направленные на всё, начиная от здравоохранения до торговли, группируя эти предложения вместе под названиеми в последнее время инвестирует $2 млрд, чтобы увеличить свои услуги в сфере искусственного интеллекта.
Кто выигрывает гонку в технологиях ИИ?
Искусственный интеллект в здравоохранении
ИИ может оказать значительное влияние на развитие здравоохранения, помогая рентгенологам выявлять опухоли в рентгеновских снимках, помогая исследователям обнаруживать генетические последовательности, связанные с заболеваниями, и выявляя молекулы, которые могут привести к созданию более эффективных лекарств.
В больницах по всему миру были проведены испытания технологии, связанной с ИИ. Они включают использование системы IBM Watson, использование Google DeepMind систем Национальной службой здравоохранения Великобритании и многое другое.
Опять же, это зависит от того, кого вы спросите.
Генеральный директор компаний Tesla и SpaceX, что ИИ-это «фундаментальный риск для существования человеческой цивилизации». В рамках своего стремления к более сильному регуляторному надзору и более ответственным исследованиям по смягчению недостатков ИИ он создал OpenAI, некоммерческую компанию по исследованию искусственного интеллекта, которая стремится продвигать и развивать дружественный человечеству ИИ, который должен принести пользу обществу в целом.
Аналогично, уважаемый физик Стивен Хокинг предупредил, что как только достаточно продвинутый ИИ будет создан, он будет быстро продвигаться к точке, в которой технология во много раз превышает человеческие возможности, явление, известное как сингулярность, и может представлять экзистенциальную угрозу человеческой расе.
Тем не менее, представление о том, что человечество находится на грани уничтожения ИИ кажется нелепым для некоторых исследователей ИИ.
Возможность искусственно интеллектуальных систем, заменяющих большую часть современного ручного труда могут отнять рабочие места у людей. Это является более вероятной теорией в ближайшем будущем.
Хотя ИИ не заменит все рабочие места, кажется, что он изменит характер работы, и единственный вопрос заключается в том, насколько быстро и насколько глубоко автоматизация изменит рабочее место.
Едва ли существует область человеческих усилий, которую ИИ не смог бы освоить. Эксперт в сфере ИИ, Эндрю Нг выразился: «многие люди занимаются рутинной, повторяющейся работой. К сожалению, технология особенно хороша в автоматизации рутинной, повторяющейся работы», заявив, что он видит «значительный риск технологической безработицы в течение следующих нескольких десятилетий».
Начинают появляться доказательства того, какие рабочие места будут вытеснены. Amazon недавно запустила в супермаркете города Сиэтл, где клиенты просто взять предметы с полок и уйти. Что это значит для более чем трех миллионов людей в США, которые работают кассирами, еще предстоит увидеть. Amazon намеренна использовать роботов для повышения эффективности внутри своих складов. Эти роботы расставляют и носят товары для человека комплектовщика, который выбирает элементы для отправки. Amazon имеет более 100 000 роботов в центрах реализации, и имеет планы развивать и увеличивать число роботов. Но Amazon также подчеркивает, что по мере роста числа ботов, будет расти также и число человеческих работников на этих складах. Однако, в Amazon и в небольших робототехнических компаниях на данный момент можно увидеть, как люди и роботы работают вместе. Эти роботы, которые работают вместе с человеком на одном пространстве называются cobots .
Появление на дорогах общего пользования полностью автономных самоуправляемых автомобилей не реальность, но по некоторым расчетам эта технология может отнять 1,7 млн. рабочих мест в ближайшие десятилетия, даже без учета курьеров и таксистов, которые также останутся без работы.
Тем не менее, некоторые из самых простых заданий для автоматизации даже не требуют использования робототехники. В настоящее время миллионы людей работают в администрации, осуществляют ввод и копирование данных между системами, бронирование отелей для компаний, и многое другое. По мере того, как программное обеспечение будет становится лучше, автоматически обновлять системы и помечать важную информацию, потребность в администраторах будет падать.
Но будут создаваться новые рабочие места для замены утраченных. Рекомендуем почитать об этом статью « «. Однако, неизвестно насколько быстро создадутся новые рабочие места за место потерянных человеком. И смогут ли люди так быстро обучиться и адаптироваться к новым технологиям.
Не все люди пессимисты. Для некоторых, ИИ-это технология, которая будет дополнять, а не подменять работников.
Среди экспертов ИИ существуют мнения о том, как быстро искусственно интеллектуальные системы превзойдут человеческие возможности.
Оксфордского университета будущего человечества Институте попросили несколько сотен машинного обучения экспертов для прогнозирования ИИ возможности, в течение ближайших десятилетий.
Компании подключили к решению этой задачи сам ИИ, который рассчитал, водители грузовиков будут сокращены к 2027 году, ИИ превзойдет человеческие возможности в розничной торговле к 2031 году, написание бестселлера к 2049 году и выполнение работы хирурга к 2053 году.
Специалисты оценили относительно высокую вероятность того, что ИИ опередит людей во всех сферах в течение 45 лет и автоматизирует все человеческие рабочие места в течение 120 лет.
Искусственный интеллект спасет от кризиса?
По предварительным оценкам, в нынешнем году российский ИТ-рынок в денежном выражении будет не сильно отличаться от предыдущего. Одна из причин этого - общая экономическая ситуация в стране. «В целом по текущему году мы ожидаем, что экономика покажет рост на уровне 1,8%, а инфляция закончит год на отметке 3,4%», - отметил министр экономического развития РФ Максим Орешкин, рассказывая осенью этого года о прогнозе социально-экономического развития страны на 2019-2021 гг. и на период до 2024 г.
Одним из таких рынков является рынок систем искусственного интеллекта (ИИ). Выступая на ноябрьском заседании Комитета АПКИТ по мониторингу развития ИТ-индустрии, глава этого комитета и вице-президент IBM Кирилл Корнильев напомнил, что, по оценкам Frost & Sullivan, внедрение технологий ИИ к 2030 г. обеспечит прирос оборота компаний мира на 15,7 трлн. долл. (10,7 трлн. из них придутся на компании США и Китая), говорится в статье ITWeek .
Примерно такие же оценки вклада ИИ в мировую экономику содержатся в отчете PwC «What’s the real value of AI for your business and how can you capitalize?»: он будет плавно увеличиваться с примерно 1 трлн. долл. в 2017 г. до почти 16 трлн. долл. в 2030-м. Что же касается нашей страны, то в ней рынок машинного обучения вырастет с 700 млн. руб. в 2017 г. до 28 млрд. руб. в 2020-м (то есть примерно в 40 раз!), а в этом году составит около 1 млрд. руб.
На фоне столь высоких ожиданий интересно мнение руководителя Центра когнитивных технологий ГК «Ай-Теко» Ильи Калагина, что рынки ИИ и машинного обучения могут спасти отечественных интеграторов от разорения, обусловленного падением спроса на традиционные ИТ-проекты.
В то же время следует понимать, что ИИ - не панацея, подчеркнул Илья Калагин. Да и не всегда искусственный интеллект эффективнее естественного. Особенно если последний использует хорошо развитые традиционные методы прикладной математики, «материализованные» в современных BI-cистемах. Ведь не секрет, что разработчики ИИ-cистем склонны преувеличивать свои успехи и замалчивать неудачи, зачастую создавая о нейронных сетях и нейрокомпьютерах необъективное впечатление. Впрочем, как отмечает Илья Калагин, данная ситуация характерна не только для разработчиков нейросетевых систем.
Он также считает, что прежде чем искусственные нейронные сети можно будет использовать для решения задач, где поставлены на карту человеческие жизни или важные промышленные объекты (к примеру, в ядерной энергетике), должны быть решены вопросы надежности этих сетей. Вместе с тем он обращает внимание на то, что процесс улучшения ИИ-технологий происходит постоянно и современные нейросетевые алгоритмы по своей эффективности уже заметно превзошли традиционные алгоритмы в области машинного зрения и перевода.
Сделала невозможное - разработала саморазвивающуюся программу, способную мыслить и учиться без человеческого вмешательства. Устроив состязание с предыдущими программами этой версии, новый продукт показал себя с лучшей стороны, выиграв одну из самых сложных игр - го, рассказывает сайт.
AlphaGo Zero способна развиваться самостоятельно
Инженерам компании пришлось хорошенько попотеть. Они переписали алгоритмы нейросети старой версии AlphaGo, создав улучшенную самообучающуюся AlphaGo Zero. Этот искусственный интеллект настолько умный, что всего за несколько часов освоил навыки логической настольной игры го.
Далее начались более серьёзные состязания - AlphaGo Zero играла в го со своими предшественниками AlphaGo Lee, АlphaGo Master и AlphaGo 2016 года. Стоит заметить, что некоторые из них обыгрывали даже чемпионов мира, сильнейших игроков в го. Но AlphaGo Zero не оставила никаких шансов на победу, разгромив старые версии в пух и прах.
Секрет нового искусственного интеллекта в том, что он постоянно тренируется. Сначала AlphaGo Zero играла сама с собой и запоминала все промахи. Соответственно, алгоритмы анализировали каждый ход и искали оптимальное решение, которое помогло бы выиграть.
Потом вся эта информация сохранялась. Впоследствии, AlphaGo Zero была готова к новой игре с более сильным противником и более сложными ходами. Такой принцип работы дает возможность программе развиваться, учиться, выигрывать и быть самой умной.
Журналист ДжоИнфоМедиа Леся Мельник напоминает, что интерактивный дудл в честь фильма "Служебный роман".
Специалисты из США и Тайланда разработали метод достоверного воспроизведения мировых шедевров искусства живописи с использованием 3D-печати и искусственного интеллекта. Благодаря этой комбинации получается воспроизводить цветовую палитру изображения, максимально приближенную к оригиналу. Метод основан на печати множества слоев разными по цвету чернилами, благодаря чему удается получить максимально близкий к оригиналу цвет для каждого фрагмента картины. Технологию собираются представить на конференции SIGGRAPH Asia 2018.
В мировой практике часто применяется копирование шедевров мирового искусства. Делается это не ради каких-то махинаций, а для того, чтобы с работами могли познакомиться большее число людей. Кроме того, таким образом владельцы произведений искусства могут защитить оригиналы от разрушения.
Обычно репродукции создаются с помощью высокоточных сканеров и принтеров. Однако возможности этой техники весьма ограничены и не позволяют передать всю красоту оригинала в мельчайших деталях. Объясняется это несколькими недостатками. Например, один из них заключается в том, что обычно применяемые принтеры используют для передачи цвета оригинала комбинацию из четырех цветов, из-за чего точность цветопередачи снижается. Кроме того, как правило, принтеры создают колориметрическое, а не спектральное воспроизведение цвета оригинала, из-за чего напечатанная картина близка к оригинальной лишь при определенном эталонном освещении.
Получить более точную копию позволяет разработка исследователей из Массачусетского технологического института — система RePaint, в которой искусственный интеллект управляет 3D-принтером и позволяет передавать исходные цвета вне зависимости от освещения.
Создание репродукции с помощью этого метода происходит в несколько этапов. Сначала проводится качественное сканирование оригинала. После этого система проводит расчет параметров 3D-печати. Последним этапом является, собственно, сама печать копии на 3D-принтере. Для получения максимально достоверной передачи цвета в репродукции, инженеры используют специальный метод съемки. Помещенный на подложку оригинал картины снимает мультиспектральная камера. При сканировании жидкокристаллический фильтр перед камерой меняет свою десятинанометровую полосу пропускания начиная от 420 нанометров и заканчивая 720 нанометрами. В это же время камера делает монохромные снимки, после чего объединяет их в единое изображение, в котором каждому пикселю соответствует 31 спектральное значение.
Для воссоздания копии применяется 3D-принтер, способный печать множеством различных полупрозрачных чернил, накладываемых друг на друга слой за слоем. Для плавного перехода между цветами используется классический метод создания полутонового изображения. Весь процесс контролируется двумя нейросетями, одна из которых предсказывает спектр массива слоев из разных материалов. Эту нейросеть инженеры обучили на основе напечатанной пластины с множеством квадратов размером в миллиметр, состоящих из разных комбинаций слоев.
С помощью первой нейросети обучили вторую. Она используется для обратной задачи — предсказывает оптимальное расположение слоев из разных материалов для предоставленного ей изображения.
К сожалению, на данный момент технология имеет ограничение. Система способна выдавать репродукцию размером не больше открытки. Однако если технологию можно будет масштабировать, то у музеев появится еще одна возможность сохранить бесценные оригиналы, показывая посетителям точнейшие копии.
Специалисты из США и Тайланда разработали метод достоверного воспроизведения мировых шедевров искусства живописи с использованием 3D-печати и искусственного интеллекта. Благодаря этой комбинации получается воспроизводить цветовую палитру изображения, максимально приближенную к оригиналу. Метод основан на печати множества слоев разными по цвету чернилами, благодаря чему удается получить максимально близкий к оригиналу цвет для каждого фрагмента картины. Технологию собираются представить на конференции SIGGRAPH Asia 2018.
В мировой практике часто применяется копирование шедевров мирового искусства. Делается это не ради каких-то махинаций, а для того, чтобы с работами могли познакомиться большее число людей. Кроме того, таким образом владельцы произведений искусства могут защитить оригиналы от разрушения.
Обычно репродукции создаются с помощью высокоточных сканеров и принтеров. Однако возможности этой техники весьма ограничены и не позволяют передать всю красоту оригинала в мельчайших деталях. Объясняется это несколькими недостатками. Например, один из них заключается в том, что обычно применяемые принтеры используют для передачи цвета оригинала комбинацию из четырех цветов, из-за чего точность цветопередачи снижается. Кроме того, как правило, принтеры создают колориметрическое, а не спектральное воспроизведение цвета оригинала, из-за чего напечатанная картина близка к оригинальной лишь при определенном эталонном освещении.
Получить более точную копию позволяет разработка исследователей из Массачусетского технологического института — система RePaint, в которой искусственный интеллект управляет 3D-принтером и позволяет передавать исходные цвета вне зависимости от освещения.
Создание репродукции с помощью этого метода происходит в несколько этапов. Сначала проводится качественное сканирование оригинала. После этого система проводит расчет параметров 3D-печати. Последним этапом является, собственно, сама печать копии на 3D-принтере. Для получения максимально достоверной передачи цвета в репродукции, инженеры используют специальный метод съемки. Помещенный на подложку оригинал картины снимает мультиспектральная камера. При сканировании жидкокристаллический фильтр перед камерой меняет свою десятинанометровую полосу пропускания начиная от 420 нанометров и заканчивая 720 нанометрами. В это же время камера делает монохромные снимки, после чего объединяет их в единое изображение, в котором каждому пикселю соответствует 31 спектральное значение.
Для воссоздания копии применяется 3D-принтер, способный печать множеством различных полупрозрачных чернил, накладываемых друг на друга слой за слоем. Для плавного перехода между цветами используется классический метод создания полутонового изображения. Весь процесс контролируется двумя нейросетями, одна из которых предсказывает спектр массива слоев из разных материалов. Эту нейросеть инженеры обучили на основе напечатанной пластины с множеством квадратов размером в миллиметр, состоящих из разных комбинаций слоев.
С помощью первой нейросети обучили вторую. Она используется для обратной задачи — предсказывает оптимальное расположение слоев из разных материалов для предоставленного ей изображения.
К сожалению, на данный момент технология имеет ограничение. Система способна выдавать репродукцию размером не больше открытки. Однако если технологию можно будет масштабировать, то у музеев появится еще одна возможность сохранить бесценные оригиналы, показывая посетителям точнейшие копии.
все нейросети онлайн список
