Przełom w nauczaniu matematyki
By
KopalniaWiedzy.pl, in Technologia
-
Similar Content
-
Sztuczna inteligencja odtworzyła PAC-MANa. W przyszłości nauczy się praw fizyki oglądając YouTube'a?By KopalniaWiedzy.pl
Stworzony przez NVIDIĘ algorytm sztucznej inteligencji GameGAN był w stanie samodzielnie stworzyć grę PAC-MAN. System nie miał dostępu do kodu gry. Zaprezentowano mu jedynie 50 000 fragmentów wideo. Na tej podstawie sztuczna inteligencja samodzielnie stworzyła w pełni funkcjonalną warstwę graficzną PAC-MANa.
PAC-MAN to jedna z najpopularniejszych gier komputerowych. Ta klasyka wirtualnej rozrywki powstała przed 40 laty w Japonii. Podbiła świat w czasach salonów gier i automatów.
Osiągnięcie inżynierów NVIDII oznacza, że nawet bez znajomości podstawowych zasad rozgrywki ich algorytm jest w stanie samodzielnie je zrekonstruować oraz stworzyć własną grę. GameGAN to pierwsza sieć neuronowa, która wykorzystuje technologię GAN (generatywne sieci współzawodniczące) do stworzenia gry. GAN korzysta z dwóch niezależnych sieci neuronowych. Jedna to dyskryminator, druga zwana jest generatorem. Obie współzawodniczą ze sobą.
Zwykle sieci neuronowe uczą się np. rozpoznawać koty na zdjęciach dzięki przeanalizowaniu olbrzymiej liczby zdjęć kotów. Metoda ta jest po pierwsze czasochłonna, po drugie zaś wymaga, by wszystkie użyte do treningu zdjęcia zostały ręcznie prawidłowo oznaczone przez człowieka. Dopiero po analizie olbrzymiej bazy danych sieć jest w stanie rozpoznać kota na zdjęciu, z którym wcześniej nie miała do czynienia. GAN wymaga znacznie mniej czasu i pracy. w tej koncepcji generator stara się stworzyć zdjęcie kota jak najbardziej przypominającego kota, a dyskryminator przegląda zdjęcia kotów i decyduje, które jest prawdziwe, a które fałszywe. W wyniku tego współzawodnictwa generator tworzy coraz doskonalsze zdjęcia, a dyskryminator coraz lepiej rozpoznaje koty.
Teraz po raz pierwszy technika taka została użyta do stworzenia nadającego się do użycia funkcjonalnego layoutu gry. Chcieliśmy sprawdzić, czy sztuczna inteligencja jest w stanie nauczyć się reguł obowiązujących w środowisku jedynie patrząc na przebieg gry. I to jej się udało, mówi główny autor projektu Seung-Wook Kim.
Osiągnięcie inżynierów NVIDII oznacza, że autorzy gier będą mogli wykorzystać sztuczną inteligencję do szybszego i łatwiejszego tworzenie kolejnych jej etapów, a badacze sztucznej inteligencji będą łatwiej mogli stworzyć symulatory do treningu autonomicznych systemów. W przyszłości w ten sposób mogą powstać systemy sztucznej inteligencji, które samodzielnie – tylko na podstawie nagrań wideo – nauczą się przepisów ruchu drogowego czy zasad fizyki. GameGAN to pierwszy krok w tym kierunku, dodaje Sanja Fidler, dyrektor laboratorium NVIDII w Toronto.
« powrót do artykułu -
By KopalniaWiedzy.pl
Chociaż poziom wiedzy i umiejętności polskich rzemieślników znacznie się przez ostatnich kilkadziesiąt lat poprawił, wielu rodaków wciąż hołduje zasadzie „nikt nie zrobi ci tak dobrze, jak ty sam”. Polacy sami remontują domy i mieszkania, a gdy to tylko możliwe, także budują systemem gospodarczym. I nic dziwnego, bo można na tym sporo zaoszczędzić.
Wielka frajda czy droga przez mękę?
Kto przystąpił do budowy domu, ten dobrze wie, że samo załatwienie formalności zmierzających do uzyskania pozwolenia na budowę to przeważnie gehenna. Nie każdy zdecyduje się więc na jej kontynuowanie, a więc wykonywanie wszystkich robót, które nie wymagają uprawnień ani szczególnych umiejętności, własnymi siłami.
Budowa systemem gospodarczym może przy tym potrwać dłużej niż zlecona fachowym ekipom, bo przecież filozof i dentystka niekoniecznie znają się na zbrojeniu, szalunkach czy ławach. Nawet jeśli mają w rodzinie lub w kręgu bliskich znajomych kogoś, kto ma to wszystko w małym palcu i gotów jest pomóc, wiele pracy wykonają wolniej niż fachowcy, bo po prostu nie mają niezbędnej wprawy.
Budowa systemem gospodarczym zalety
Zbudować dom własnymi rękami jest ciężko,bardzo ciężko. Ma to jednak swoje niezaprzeczalne zalety. Pierwsza z nich polega na tym, że inwestor osobiście zaangażowany w budowę będzie znał swój dom jak nikt inny. Budynek nie będzie miał przed nim żadnych tajemnic, co przyda się zawsze wtedy, gdy trzeba będzie coś naprawić lub przerobić.
Zaleta druga polega na tym, że inwestor najprawdopodobniej wykona pracę niezwykle starannie, bo przecież buduje dla siebie, a ponadto dopilnuje każdego etapu robót wykonywanych przez fachowców. W naturalny sposób nauczy się o budownictwie wszystkiego tego, o czym uprzednio mógł nie mieć pojęcia, a co można przecież ogarnąć rozumem, przyswoić sobie i zapamiętać.
Dla niejednego inwestora taka budowa, mimo całego wysiłku, będzie źródłem radości i satysfakcji, bo samodzielne wykonywanie poszczególnych prac i obserwowanie ich postępu nie może przecież nie cieszyć.
Oszczędności to wielka pokusa
Możliwość zaoszczędzenia ładnych kilkudziesięciu tysięcy złotych na robociźnie przemawia do wyobraźni. Dodatkowe pieniądze można zaoszczędzić, kupując gotowy projekt, np. na stronie zawierającej projekty domów energooszczędnych – domoweklimaty.pl. Jeżeli inwestorowi pomoże znający się na budownictwie członek rodziny lub przyjaciel, który zapewni prawidłowy przebieg wykonywanych samodzielnie prac, mury będą się piąć do góry przy ograniczonym do minimum udziale wynajętych fachowców.
Warto jednak pamiętać, że każdy popełniony błąd będzie się mścił latami, toteż lepiej wziąć na swoje barki prace prostsze, jak choćby rozliczne roboty wykończeniowe, niż podejmować czynności znane tylko z lektury poradników i oglądania porad na YouTube.
Znaj proporcjum, mocium panie…
Kluczem do sukcesu jest więc między innymi prawidłowe rozdzielenie prac, które można wykonać własnoręcznie, od tych, którymi muszą zająć się fachowcy, jeśli budynek ma być konstrukcją ze wszech miar udaną. Pewną pomocą może być artykuł „Oszczędności inwestora, czyli budowa systemem gospodarczym krok po kroku”.
Wymienia on etapy budowy, które można zrealizować metodą gospodarczą, przestrzegając zarazem przed trudnościami, z którymi będzie się musiał zmierzyć każdy, kto postanowi odbierać chleb budowlańcom. Przestrzega przy tym, że nie jest to wyzwanie dla każdego, a wielu, którzy je podjęli, zdążyło tego gorzko pożałować. O taki bilans nietrudno, jeśli popełni się błędy w planowaniu prac, ale i wydatków.
« powrót do artykułu -
By KopalniaWiedzy.pl
Czysta matematyka sposobem na gry losowe? Temat ten od dawna żyje własnym życiem i ma wielu zwolenników, jak i przeciwników. Nie ulega jednak wątpliwości, że analityczne podejście m.in. do zakładów bukmacherskich ma rację bytu.
Gra na tzw. chybił-trafi nie ma sensu dla ludzi, którzy regularnie typują wyniki meczów. Dla nich najważniejsze stają się analizy, statystyki, liczby i rozeznanie w danej tematyce. Pasjonaci sportu zmieniają się w poważnych analityków.
Bajki czy rzeczywistość?
Historia zakładów jest dość długa i przez dziesiątki lat pojawiło się wiele plotek i spiskowych teorii na temat tego, że da się przechytrzyć bukmacherów i istnieje wzór na skuteczne obstawianie. Wiele pisało się o grupie matematycznych zapaleńców, która miała regularnie wygrywać w zakładach, aż została poproszona o zaprzestanie takich działań. To jednak tylko pogłoski i gotowe scenariusze na film czy książkę. Rzeczywistość jest inna, ale nie aż tak bardzo, jak moglibyśmy sądzić. Matematyka jest obecna w grach losowych i według większości ekspertów może pomagać.
Analiza fundamentem
Na początek należy się skupić stosunkowo najprostszych rzeczach. Czyli od dobrego przygotowania. Tak, jak sportowcy trenują, analizują i przygotowują się do meczów, tak i regularni gracze muszą się odpowiednio przygotować. W określeniu szans na zwycięstwo analiza wielu detali i dostrzeżenie praktycznie każdego szczegółu może działać na plus. Forma drużyny, kontuzje, taktyka, bilans historyczny, analiza ostatnich meczów – to wszystko układa nam się w jedną całość. Dlatego tak cenione są statystyki i wyliczenia, wśród których nie brakuje matematyki. W ostatnim czasie furorę robi xG, czyli „expected goals”. Jest to model określający szanse na zdobycie gola przez zawodników i drużynę. XG jest wyznacznikiem dyspozycji, skuteczności i kreatywności. Określa jednak prawdopodobieństwo, więc nie jest tak, że jest prawdą objawioną, ale daje pogląd i wskazówki.
Jak zniwelować przewagę?
Istnieją także terminy, które już samą swoją nazwą przekonują, że mogą być kluczem do poprawnego typowania. Chodzi o dwa pojęcia – valuebet i surebet. Najpierw warto się skupić na tym pierwszym. Valuebet to zakład, który według oceny szacującego został źle obliczony przez bukmachera i jego kurs jest niesłusznie zawyżony. Warto zwrócić uwagę, że w tym przypadku chodzi o subiektywną ocenę osoby typującej. Należy przeanalizować sytuację danych drużyn, ich statystyki i później odnieść to do (naszym zdaniem) zbyt wysokiego kursu. Istnieje na to wzór, wartość value obliczamy mnożąc p (czyli szacowany procent na sukces zdarzenia podzielony przez 100) i k (czyli kurs zdarzenia u bukmachera). Gdy wynik tego równania jest większy od 1 wtedy możemy mówić o wartościowym zakładzie (valuebet). Jeśli wartość jest mniejsza niż jeden, to przewaga leży po stronie bukmachera. Tak jak wcześniej wspominaliśmy, wartość k jest znana, bo kursy są stałe i podawane, tak wartość p już nie i zależy od uznaniowych szans. Wśród regularnych graczy stosowana jest zasada, że im więcej uda się znaleźć i tym samym postawić valuebetów, tym większa szansa na poprawne typy.
Pewniaki jednak istnieją?
Teraz pora na surebet. Co to takiego? Tłumacząc z języka angielskiego wychodzi, że to „pewny zakład”. Jak wiadomo jednak w życiu nie ma nic pewnego oprócz podatków i śmierci. To jak to więc jest? W przypadku surebetów chodzi o znalezienie takich kursów u bukmachera na dane wydarzenie, które w każdym z możliwych przypadków gwarantuje wygraną. Najprościej jest pokazać to na przykładzie monety, którą się rzuca. Możliwości rozstrzygnięcia są dwie: wypadnie albo orzeł, albo reszka. Załóżmy, że kurs u jednego bukmachera na to, że wypadnie orzeł wynosi 2.20, u innego reszka ma kurs 2.20. Stawiając po 10 zł na jeden i drugi typ jesteśmy pewni, że wygrana będzie wynosić 1 zł, niezależnie od wyniku rzutu monetą. Oczywiście to tylko przykład, ale pokazujący, iż w przypadku surebetów należy szukać zawyżonych kursów i gdy połączymy je z innymi, któryś z postawionych zakładów może być wygrany. Oczywiście nie jest to takie proste i nie ma wielu takich zdarzeń. Łatwiej znaleźć i oszacować surebet, gdy mamy do czynienia z tzw. zakładami dwudrogowymi, czyli takimi z dwoma możliwymi rozstrzygnięciami. Tak jest m.in. w przypadku tenisa, koszykówki itd. Istnieją także strony z kalkulatorami surebetów, co przydaje się przy zakładach trójdrogowych, czyli np. w meczach piłki nożnej, gdy może wygrać jedna z drużyn albo spotkanie może zakończyć się remisem.
« powrót do artykułu -
By KopalniaWiedzy.pl
Algorytmy do maszynowego uczenia się pozwoliły specjalistom z MIT zidentyfikować nowe potężne antybiotyki. Podczas testów laboratoryjnych nowe związki zabiły jedne z najtrudniejszych w zwalczaniu bakterii chorobotwórczych, w tym szczepy oporne na działanie wszystkich znanych antybiotyków. Jakby tego było mało, umożliwiły one zwalczenie infekcji w dwóch różnych mysich modelach chorób.
Naukowcy wykorzystali model komputerowy, który pozwala na przeanalizowanie w ciągu zaledwie kilku dni działania setek milionów związków chemicznych. Taka analiza pozwala na wybór do dalszych badań najbardziej obiecujących środków. Uczeni szukają związków, które zabijają bakterie w inny sposób, niż obecnie znane antybiotyki.
Chcieliśmy stworzyć platformę, która pozwoliłaby nam na wykorzystanie sztucznej inteligencji do zapoczątkowania nowej epoki w odkrywaniu antybiotyków. Dzięki takiemu podejściu natrafiliśmy na zadziwiającą molekułę, która jest jednym z najpotężniejszych znanych antybiotyków, mówi profesor James Collins z MIT.
Przy okazji zidentyfikowano wiele innych obiecujących kandydatów na antybiotyki. Substancje te dopiero będą testowane. Uczeni uważają, że ich model można wykorzystać również do projektowania nowych leków.
Model maszynowego uczenia się pozwala nam masowo badać związki chemiczne. Przeprowadzenie takich badań w laboratorium byłoby niemożliwe ze względu na koszty, dodaje Regina Barzilay z Computer Science and Artificial Intelligencje Laboratory (CSAIL) na MIT.
Przez ostatnich kilkadziesiąt lat wynaleziono niewiele nowych antybiotyków, a większość z tych nowych to lekko istniejące wersje wcześniej istniejących. Obecnie wykorzystywane metody badania związków chemicznych pod kątem ich przydatności do produkcji antybiotyków są niezwykle kosztowne, wymagają dużo czasu i zwykle pozwalają zbadać wąską grupę mało zróżnicowanych środków.
Stoimy w obliczu rosnącej antybiotykooporności. Z jednej strony problem ten spowodowany jest coraz większą liczbą antybiotykoopornych patogenów, a z drugiej – powolnym postępem na tym polu, mówi Collins. Coraz częściej pojawiają się głosy, że ludzie mogą zacząć umierać na choroby zakaźne, na które nie umierali od dziesięcioleci. Dlatego też niezwykle pilnym zadaniem jest znalezienie nowych antybiotyków. Niedawno informowaliśmy o odkryciu antybiotyków, które zabijają bakterie w niespotykany dotąd sposób.
Pomysł wykorzystania komputerów do identyfikowania potencjalnych antybiotyków nie jest nowy, dotychczas jednak obliczenia takie były albo niezwykle czasochłonne, albo niedokładne. Nowe sieci neuronowe znacznie skracają czas obliczeń.
Naukowcy z MIT dostosowali swój model obliczeniowy tak, by poszukiwał związków chemicznych mogących być zabójczymi dla E. coli. Swój model trenowali na około 2500 molekuł, w tym na około 1700 lekach zatwierdzonych przez FDA i około 800 naturalnych produktach o zróżnicowanych strukturach i działaniu.
Po zakończonym treningu sieć neuronowa została przetestowana na należącej do Broad Institute bazie Drug Repository Hub, która zawiera około 6000 związków. Algorytm znalazł tam molekułę, która miała strukturę inną od wszystkich istniejących antybiotyków i o której sądził, że będzie wykazywała silne działanie antybakteryjne. Naukowcy najpierw poddali tę molekułę badaniom za pomocą innego modelu maszynowego i stwierdzili, że prawdopodobnie jest ona mało toksyczna dla ludzi.
Halicyna, bo tak nazwano tę molekułę, była w przeszłości badana pod kątem jej przydatności w leczeniu cukrzycy. Teraz naukowcy przetestowali ją na dziesiątkach szczepów bakterii pobranych od ludzi. Okazało się, że zabija ona wiele antybiotykoopornych patogenów, w tym Clostridium difficile, Acinetobacter bumannii czy Mycobacterium turebculosis. Jedynym patogenem, który oparł się jej działaniu była Pseudomonas aeruginosa, powodująca trudne w leczeniu choroby płuc.
Po pomyślnych testach in vitro rozpoczęto badania na zwierzętach. Halicynę użyto do leczenia myszy zarażonej wcześniej opornym na działanie wszystkich znanych antybiotyków szczepem A. baumannii. Halicyna w ciągu 24 godzin zwalczyła infekcję u zwierząt.
Wstępne badania sugerują, że nowy antybiotyk działa poprzez zaburzanie u bakterii możliwości utrzymania gradientu elektrochemicznego w błonie komórkowej. Gradient ten jest niezbędny m.in. do wytwarzania molekuły ATP, niezbędnego nośnika energii. Bakterie pozbawione ATP giną. Naukowcy uważają, że bakteriom będzie bardzo trudno nabyć oporność na taki sposób działania antybiotyku.
Podczas obecnych badań uczeni stwierdzili, że w ciągu 30 dni leczenia u E. coli w ogóle nie rozwinęła się oporność na halicynę. Tymczasem np. oporność na cyprofloksacynę zaczyna się u E. coli rozwijać w ciągu 1-3 dni od podania, a po 30 dniach bakteria jest 200-krotnie bardziej oporn działanie tego środka.
Po zidentyfikowaniu halicyny naukowcy wykorzystali swój model do przeanalizowania ponad 100 milionów molekuł wybranych z bazy ZINC15, w której znajduje się około 1,5 miliarda molekuł. Analiza trwała trzy doby, a sztuczna inteligencja znalazła 23 molekuły, które są niepodobne do żadnego istniejącego antybiotyku i nie powinny być toksyczne dla ludzi. Podczas testów in vitro stwierdzono, że 8 z tych molekuł wykazuje właściwości antybakteryjne, z czego 2 są szczególnie silne. Uczeni planują dalsze badania tych molekuł oraz analizę pozostałych związków z ZINC15.
Naukowcy planują dalsze udoskonalanie swojego modelu. Chcą np. by poszukiwał on związków zdolnych do zabicia konkretnego gatunku bakterii, a oszczędzenia bakterii korzystnych dla ludzi.
« powrót do artykułu -
By KopalniaWiedzy.pl
Dr inż. Marcin Sieniek jest absolwentem Akademii Górniczo-Hutniczej w Krakowie i tamtejszego Uniwersytetu Ekonomicznego. Na AGH otrzymał również doktorat z informatyki za badania w dziedzinie nauk obliczeniowych. W Google Health zajmuje się pracą nad zastosowaniem sztucznej inteligencji w diagnozie raka piersi. Oprócz Google pracował w zespole Autopilota Tesli oraz prowadził w Polsce startup z dziedziny social learning. Prywatnie gra w zespole rockowym i prowadzi bloga expat-pozytywnie.pl.
Jak trafia się do Google Health i dlaczego właśnie tam? To dość niszowa działka w działalności Google'a czy Alphabetu i wymagająca chyba szczególnych umiejętności?
W Google Health pomocne są przede wszystkim różnorodne umiejętności i doświadczenia. W Google pracuję od ponad 5 lat, początkowo jako inżynier oprogramowania w polskim biurze firmy. Jednak już od samego początku pracowałem nad wykorzystywaniem sztucznej inteligencji, a konkretniej określonych technik - tzw. uczenia maszynowego. Później kontynuowałem pracę nad moimi projektami w amerykańskich biurach Google. Dopiero wtedy, szukając ciekawych wyzwań wewnątrz firmy, znalazłem możliwość dołączenia do Google Research - działu firmy skupiającego się na badaniach nad rozwojem sztucznej inteligencji i jej wykorzystaniem w różnych dziedzinach życia.
Tam powstawał właśnie mały zespół badawczy zajmujący się zastosowaniem głębokiego uczenia maszynowego właśnie w radiologii. Proces selekcji do zespołu był wymagający - sprawdzano m.in. znajomość technik sztucznej inteligencji oraz udokumentowane doświadczenie w badaniach biotechnologicznych co akurat zupełnie przypadkiem było przedmiotem jednej z moich prac na studiach doktoranckich.
Pod koniec 2018 roku mój zespół stał się częścią nowego działu Google Health - łączącego w sobie nie tylko inżynierów oprogramowania, ale także doświadczenie i wiedzę lekarzy, prawników, etyków i specjalistów od procedur medycznych.
Jest Pan jednym ze współtwórców algorytmu, który lepiej diagnozuje raka piersi niż lekarze. Jak powstaje i działa taki algorytm?
Algorytm taki powstaje podobnie jak np. technologia która pozwala rozpoznawać co znajduje się na zdjęciu. Algorytm sztucznej inteligencji jest „szkolony” na istniejącym zbiorze danych, gdzie obrazom (w tym wypadku medycznym, czyli zdjęciom z mammografii) towarzyszą oznaczenia (w tym wypadku: czy wykryto nowotwór złośliwy i ewentualna informacja o jego umiejscowieniu). Takie zbiory danych powstają w ramach normalnej praktyki w szpitalach i centrach programów przesiewowych, jednak często na tym ich zastosowanie się kończy.
Takie algorytmy działają na bazie mechanizmu zwanego „sieciami neuronowymi”. Ich struktura inspirowana jest tym w jaki sposób informacje przetwarza ludzki mózg. Proces nauki przypomina w istocie proces w którym człowiek uczy się rozróżniać obrazy (np. dziecko rozpoznawać koty i psy, a radiolog rozpoznawać groźne guzy od nieszkodliwych zmian). W odróżnieniu jednak od radiologa, który w toku treningu może zobaczyć kilkadziesiąt-kilkaset nowotworów, komputer jest w stanie przetworzyć dziesiątki tysięcy przykładów w przeciągu jedynie kilku godzin.
Taki „wytrenowany” algorytm stosuje się następnie do oceny osobnego, nowego zbioru danych. Następnie inżynierowie mogą wprowadzić poprawki w procesie uczenia się albo w budowie modelu i powtórzyć testy. Dopiero gdy wyniki działania modelu zadowalają jego twórców, sprawdza się go na kolejnym zbiorze danych, np. pochodzących z innej instytucji lub z innego źródła.
Na tym właśnie etapie postanowiliśmy opublikować nasz artykuł w Nature.
Na tym jednak nie kończymy pracy. Zanim taki model znajdzie praktyczne zastosowanie w szpitalach na całym świecie, muszą zostać przeprowadzone próby kliniczne i o na różnych populacjach pacjentów, musimy także ocenić skuteczność modelu na danych pochodzących z innych aparatów mammograficznych.
Niejednokrotnie informowaliśmy o systemach SI radzących sobie w pewnych zadaniach lepiej od lekarzy. Skąd się bierze ta przewaga sztucznej inteligencji?
Warto powiedzieć, że to „potencjalna” przewaga. Raczej patrzymy na to jako na wsparcie i usprawnienie procesów diagnostycznych lekarzy. To potencjalne usprawnienie bierze się kilku źródeł: po pierwsze, w procesie uczenia się algorytm może przeanalizować dużo więcej przypadków niż pojedynczy lekarz w procesie nauki (z drugiej strony ludzie wyciągają wnioski szybciej – maszyna potrzebuje więcej przykładów). Co więcej automat nie ma skłonności do zaspokojenia swoich poszukiwań jednym „znaleziskiem” i jest mniejsze ryzyko, że umknie mu inne, często ważniejsze. Wreszcie, system sztucznej inteligencji pozwala na „nastrojenie” go na pożądany przez daną placówkę medyczną poziom czułości i swoistości.
« powrót do artykułu
-