Цифровая трансформация.

Топ-10 применений генеративного ИИ в 2025 году

Из отчета The 2025 Top-100 Gen AI Use Case.

1. Терапия и виртуальное общение
ИИ заменяет психологов для миллионов людей: дает эмоциональную поддержку, анализирует настроение и помогает пережить расставания.

«Он единственный, кто меня слушает без осуждения».

2. Организация жизни
Планирование дел, составление списков, оптимизация времени — ИИ стал персональным ассистентом.

«ChatGPT создал для меня систему управления задачами, которую я наконец могу соблюдать».

3. Поиск жизненного смысла
Люди используют ИИ для экзистенциальных вопросов: определения ценностей, постановки целей и самопознания.

«Он помог мне понять, что я хочу от жизни».

4. Улучшение обучения
Персонализированные объяснения, интерактивные задания и «безопасное пространство» для любых вопросов.

«Мой ребенок наконец полюбил математику благодаря ИИ-репетитору».

5. Генерация кода
Разработчики массово используют ИИ для автоматизации рутинных задач — от написания тестов до отладки.

«Теперь 80% boilerplate-кода пишет ИИ, я только проверяю».

6. Генерация идей
От мозговых штурмов до творческих проектов — ИИ стал незаменимым партнером.

«Он придумал концепцию рекламной кампании за 5 минут».

7. Развлечения и абсурд
Мемы, пародийные диалоги, виртуальные «беседы» с историческими личностями.

«Мы с ИИ весь вечер разыгрывали, как бы поспорили Платон и Илон Маск».

8. Оптимизация кода
Профессионалы доверяют ИИ рефакторинг и поиск уязвимостей.

«Он нашел ошибку, которую мы не видели 2 недели».

9. Творчество
Генерация сценариев, дизайнов, музыки и даже помощь в рукоделии.

«ИИ нарисовал эскиз татуировки, который идеально отражает мою идею».

10. Здоровый образ жизни
Персональные планы питания, анализ техники упражнений и мотивация.

«ИИ скорректировал мою тренировку после просмотра видео с моими приседаниями».

Распознавание лиц и кражи в магазинах

Сеть британских супермаркетов Asda объявила о внедрении системы распознавания лиц для борьбы с кражами, которые ежегодно наносят компании ущерб в $650 млн, учитывая стоимость украденного товара и расходы на безопасность.

Система будет работать по стандартной схеме: охрана получит уведомление, если камеры обнаружат человека, который ранее забывал оплатить товар или участвовал в другой незаконной деятельности в магазинах сети.

Как показывает опыт России, воровство в магазинах часто осуществляется организованными группами, которые перемещаются между торговыми точками и даже городами, а затем переключаются на другие сферы — от финансового сектора до логистики.

Чтобы такая система была действительно эффективной, необходима единая база забывчивых покупателей. Однако создание и хранение подобных баз во всех странах остаётся в «серой» правовой зоне. Однако они существуют.

Вице-президент Meta Ян Лекун о больших языковых моделях

"Мы не достигнем искусственного интеллекта человеческого уровня, просто делая его больше. Это невозможно. Запомните: никак. Абсолютно никак. И что бы вы ни слышали от некоторых моих более авантюрных коллег — этого не произойдёт в ближайшие два года. Здесь, простите за мой французский, нет ни единого чертова шанса. Максимум, чего мы можем добиться, — это систем, обученных на таком огромном объёме данных, что на любой вопрос, который может задать разумный человек, найдётся ответ. И будет ощущение, будто рядом сидит профессор. Но это не профессор. Это система с гигантской памятью и способностью извлекать информацию — но не система, которая может изобретать решения для новых проблем".

Аминь!

В Третьяковской галерее открылась выставка Бориса Кустодиева, на которой целый этаж занимают портреты. Сравнили портрет Фёдора Шаляпина кисти художника с фотографиями певца. Сходство не стопроцентное. Выставку рекомендуем.

Чтобы Евгений Цыганов смог сыграть деда, шесть гримёров работали над его образом 2,5 часа. Грим включал накладные элементы на лице и руках, а также парик. Поздравляем российских кинематографистов с тем, что им удалось обмануть систему распознавания лиц!

Нас часто спрашивают, будет ли работать система распознавания лиц во время зомби-апокалипсиса. Мы уверены: идентифицировать мессию для создания вакцины получится — если, конечно, у него сохранится хотя бы один недоеденный фрагмент лица. Остальные примеры — в комментариях.

Вспомним сегодня вместе актрису Наталью Тенякову, которая сыграла бабу Шуру в фильме «Любовь и голуби». На момент съёмок Теняковой было 40 лет, а её героине — 65. Хотя некоторые зрители не сразу поняли, что за образом бабы Шуры скрывается Тенякова, гримёры не меняли черты её лица — поэтому система распознавания довольно точно определила сходство между актрисой и её героиней.

Мы изучили сайт компании-конкурента и обнаружили заявленную точность распознавания оружия в 99%. Такой показатель достижим только в идеальных условиях — когда в кадре не только четко виден сам объект, но и большая часть пространства вокруг него остаётся видимой. В реальных условиях точность, как правило, ниже. На практике точность одного и того же алгоритма может сильно отличаться в лабораторных условиях и на реальных данных. Например, обнаружение мелких объектов, таких как пистолеты или ножи, — крайне сложная задача. Основная проблема в том, что они занимают мало пикселей (иногда всего 3% кадра), особенно на большом расстоянии. Из-за этого их легко спутать с другими предметами или просто не заметить.

Есть и другие проблемы. У мелких объектов мало деталей — чем меньше объект, тем сложнее выделить его признаки. Кроме того, оружие часто скрыто руками, одеждой или другими объектами, что создаёт помехи. Разнообразие форм и углов (оружие может выглядеть как другие предметы), плохое качество видео, включая размытие, низкое разрешение и шумы, а также плохие условия съёмки (сильный шум, тени, дождь) снижают точность обнаружения. Ещё одной сложностью является нехватка данных — готовых размеченных видеодатасетов (наборов данных) с оружием мало, а те, что есть, часто не охватывают все возможные сценарии.

Для решения этих проблем применяют различные методы. Один из подходов — увеличение детализации. Кадр разбивают на части или используют нейросети, которые усиливают мелкие объекты. Другой способ — анализ позы человека. Если рука находится в неестественном положении (например, у пояса), система проверяет, нет ли там оружия. Также применяют аугментацию данных — процесс искусственного генерирования новых данных на основе существующих. Искусственные искажения во время обучения модели, такие как повороты, изменение яркости, масштабирование и добавление шума, помогают ей лучше работать в сложных условиях, например, при плохом освещении.

Не нужно забывать и о так называемых ложных срабатываниях, когда система может принять за автомат зонтик. Кажется, что для экстренного реагирования лучше ложное срабатывание, но это только кажется. Когда система анализирует поток с 10,000 камер, даже одно ложное срабатывание в день на каждую камеру приводит к 10,000 ложным срабатываниям и, соответственно, 10,000 уведомлениям службе безопасности.

Что касается реальной точности распознавания оружия, то в полевых условиях она сейчас составляет 80–90% в зависимости от разработчика.