Машинное обучение для CFD


https://www.youtube.com/watch?v=8e3OT2K99Kw




Стивен Брантон (Steven L. Brunton) - доцент кафедры машиностроения, Университет Вашингтона, Сиэтл, Вашингтон, США (Department of Mechanical Engineering, University of Washington, Seattle, Washington, USA) рассказывает о том, как технологии машинного обучения и машинного интеллекта могут применяться при решении CFD задач. Во многом видео является презентацией его статьи, которая бесплатно доступна для скачивания по ссылке: https://www.annualreviews.org/doi/pdf/10.1146/annurev-fluid-010719-060214




https://www.youtube.com/watch?v=3fOXIbycAmc





https://www.youtube.com/watch?v=gb_C9LcjDSI






#ai #cfd #machine_learning
https://tinyurl.com/yxtofu9p
by Юрий Новожилов

​​Искусственный интеллект – Пифия современности
#ai
Публикация: Savcisens, G., Eliassi-Rad, T., Hansen, L. K., Mortensen, L. H., Lilleholt, L., Rogers, A., ... & Lehmann, S. (2023). Using sequences of life-events to predict human lives. Nature Computational Science, 1-14.

На пятый день после наступления нового года, когда беспечность настоящего постепенно угасает, неизбежно задумываешься о будущем... В долгосрочной перспективе оно кажется неосязаемым и туманным – по крайней мере, для нас. Но не для искусственного интеллекта!

Недавно в Nature Computational Science была представлена модель life2vec, предсказывающая жизнь людей. Модель опиралась на данные жителей Дании от 25 до 70 лет с 2008 по 2016 года. Эти данные представляли собой детализированную последовательность событий в сферах труда и здоровья: получение зарплаты или стипендии, устройство на работу, посещение врачей, постановку диагнозов и т. д. Используя эти данные, расположенные в хронологическом порядке, модель оценивала каждое событие как изолированно, так и в контексте всей последовательности жизни человека целиком. Это и позволяло осуществить предсказание на ближайшие четыре года.

С технической точки зрения важно подчеркнуть, что в модели не использовались традиционные методы предсказания временных рядов, поскольку события жизни человека характеризуются многомерными признаками и не регистрируются через равные промежутки времени. Наконец, само понятие времени в данном случае усложняется, так как представлено и датой события, и возрастом конкретного человека. С учётом всех сложностей была использована архитектура трансформера. Все категории событий жизни человека составили синтетический "вокабуляр", и последовательность событий жизни рассматривались как "предложения", состоящие из элементов этого вокабуляра. Если упрощать, то задача предсказания следующих событий жизни человека сводилась к задаче предсказания следующих "слов" по аналогии с тем, как это делают ИИ-чатботы.

Что именно может предсказывать модель? Концептуально ограничений нет, поскольку для каждого типа предсказаний на основе сырых данных формируется новое пространство векторов, специфичных для этого типа. То есть каждое событие жизни может быть по-разному представлено в контексте типа предсказания. Это и делает модель в чём-то универсальной. С её помощью удалось предсказать как раннюю смертность для выборки людей от 35 до 65 лет, так и психологически тонкие показатели, связанные с десятью личностными характеристиками экстраверсии. Интересно, что life2vec превзошла модели (рекуррентные нейронные сети), натренированные на данных, относящихся исключительно к предсказываемой переменной.

Представляет интерес пример (см. Рис.) двумерной проекции жизней людей для случая с предсказанием смертности. Выделенные на изображении (d) регионы 1 и 2 соответствуют высокой вероятности выживания и смерти соответственно. Примечательно, что в немалая часть региона 2 представлена молодыми людьми (f), которые в действительности умерли (см. красные точки), что указывает на сложный характер предсказаний, с которыми справилась модель. Реальные смерти, близкие к региону 1 (высокая вероятность выживания) и соответствующие ложно-отрицательному результату, объяснялись несчастными случаями, возникновениями новообразований или инфарктом, что действительно сложнее предсказать на основе имеющихся данных.

Из ограничений модели следует отметить использование лишь небольшого промежутка времени длиной в 8 лет, а также возможные социодемографические искажения, связанные с отсутствием данных тех, кто не получает зарплату или не посещает медицинские учреждения. Впрочем, ничто не мешает в дальнейшем использовать и иные источники данных – например, социальные сети.

Этические сомнения также возникают, но они настолько очевидны, что не требуют пояснений.

P. S. Отдельная благодарность подписчице канала Алине за наводку на статью. И для заинтересованных – по этой ссылке можно найти репозиторий с исходным кодом.

Google выпустил базовый документ, посвященный AI-агентам

Под агентами в нём понимаются программы, которые расширяют возможности генеративных AI-моделей, позволяя им использовать инструменты для доступа к актуальной информации и выполнения действий во внешнем мире. Агент может включать одну или несколько языковых моделей, которые принимают решения о том, как реагировать на запросы пользователей и управлять своими действиями, опираясь на данные, полученные от внешних инструментов.

Ключевыми аспектами агентного подхода являются:

1. Автономность: агенты способны действовать независимо, часто без прямого вмешательства человека, особенно если они снабжены четкими целями или задачами.

2. Целеполагание: агенты имеют конкретные цели, которых они стремятся достичь, используя свои встроенные инструменты и возможность вести рассуждения.

3. Рассуждение и планирование: агенты используют различные методы рассуждений для анализа ситуации и планирования своих дальнейших шагов.

4. Доступ к инструментам: агенты оснащены инструментами, которые позволяют им взаимодействовать с внешним миром, включая выполнение API-запросов, работу с данными и другие операции, которые модель не могла бы выполнить самостоятельно.

То есть, агенты представляют собой мощное сочетание модели, методов рассуждений и инструментов, которое позволяет действовать более эффективно и гибко в реальных условиях.

Ключевым способом реализации агентов разработчики видят схему «когнитивных архитектур». Её ключевые моменты:

1. Агенты расширяют возможности языковых моделей, используя инструменты для доступа к актуальной информации и выполнения сложных задач автономно. В своей работе они могут использовать одну или несколько LLM для принятия решений о том, как перейти через состояния и использовать внешние инструменты для решения различных задач, которые было бы сложно или невозможно решить с помощью одной модели.

2. Основой работы агента является слой оркестрации — когнитивная архитектура, которая структурирует процессы рассуждения, планирования, принятия решений и направляет действия агента. Различные методы рассуждений, такие как ReAct, Chain-of-Thought и Tree-of-Thoughts, предоставляют структуру для слоя оркестрации, который собирает информацию, обрабатывает ее, генерирует ответы или стимулирует действия.

3. Инструменты — расширения, функции и хранилища данных — служат «ключами» к внешнему миру для агентов, позволяя им взаимодействовать с внешними системами и получать доступ к знаниям за пределами обучающих данных. Расширения соединяют агентов с внешними API для получения актуальной информации. Функции дают разработчикам более детальный контроль над потоком данных и выполнением операций. Хранилища данных открывают доступ к структурированным или неструктурированным данным, поддерживая приложения, основанные на извлечении знаний.

Ожидается, что в будущем агенты покажут значительные достижения благодаря усовершенствованию инструментов и возможностей вести рассуждения. Это позволит им решать все более сложные задачи.

Кроме того, стратегический подход «цепочки агентов», объединяющий специализированных агентов для конкретных задач, будет способствовать созданию комплексных систем, работающих наподобие конвейера, каждое звено которого выполняет свою функцию.

#news #AI #бигтехи #политика

https://www.kaggle.com/whitepaper-agents