​​Способность искусственного интеллекта генерировать поддельные фото- и видеоизображения — это еще одна темная сторона технологий и назревающая проблема. За прошедший год GAN стали так хороши в генерации изображений, что возможно уже очень скоро люди не будут способны отличить правду от подделки. Подробнее о том, что происходит и к чему все идет читайте в блоге Skillfactory.

​​Google AI опубликовали тестовые задачи для оценки моделей, которые генерируют представления изображений. VTAB (The Visual Task Adaptation Benchmark) состоит из 19 подзадач из компьютерного зрения. Итоговая оценка качества алгоритма рассчитывается как средняя оценка за все задачи. Результаты моделей фиксируются на публичном лидерборде.

​​Исследователи из MIT CSAIL изучили, какие объекты генеративным нейросетям сложнее синтезировать. На примере датасета LSUN churches такие классы объектов, как люди, машины и ворота, игнорируются генератором модели.

​​Objects365 — это самый крупный размеченный датасет для распознавания объектов. Данные состоят из 638 тысяч изображений, 365 категорий объектов и 10 миллионов размеченных границ объектов.

​​DialoGPT — это диалоговая модель, которую обучили на 147 миллионах комментариев в Reddit. Нейросеть генерирует ответы на реплики пользователя (single-turn dialogue). DialoGPT базируется на GPT-2. Обучающая выборка состояла из цепочек комментариев на Reddit с 2005 по 2017. Предобученная модель и пайплайн обучения доступны в репозитории на GitHub.

В МФТИ и Neurobotics обучили нейросеть, которая восстанавливает изображение по данным ЭЭГ. В 90% случаев сгенерированные моделью изображения верно классифицировались. Одним из применений нейросети является использование в девайсах для реабилитации после инсульта.

​​Graph2Diff - это графовая нейросеть, которая предлагает исправления в коде для ошибок сборки программы. Разработкой модели занимались исследователи из Google.

​​Исследователи из Uber AI предложили архитектуру нейросети, которая выучивает физические законы. Модель протестировали на трех базовых физических задачах. В сравнении с стандартной архитектурой нейросети предложенная модель обладает большей обобщающей способностью и обучается быстрее.

​​DeepFovea — это система для фовеального рендеринга для AR/VR дисплеев, которая основана на нейросетях. Фовеальный рендеринг отвечает за визуализацию только той части экрана, на которую в текущий момент направлен взгляд пользователя. Модель сокращает количество вычислительных ресурсов для рендеринга в 10-14 раз.

​​BodyPix — это нейросеть для сегментации людей и частей тела в реальном времени в браузере. В качестве архитектуры исследователи выбрали MobileNet.

​​Генеративная нейросеть MarioNETte меняет выражение лица человека на изображении. На вход нейросети дополнительно подается выражение лица, которое необходимо перенести. MarioNETte обходит state-of-the-art подходы и генерирует более реалистичные изображения. Разработкой модели занимались исследователи из Hyperconnect.

​​Исследователи из University of Edinburgh обучили нейросетевую модель анимировать игровых персонажей. Нейросеть предсказывает, как персонаж должен взаимодействовать со средой, чтобы выполнить какое-то действие. Среди действий — такие, как сидеть, стоять, передвигаться, избегать препятствия и поднимать предметы. Архитектура модели базируется на Neural State Machine.

​​CleanLab — это библиотека на Python для поиска неверно размеченных данных с помощью машинного обучения. Библиотека чистит данные от ложно присвоенных классов и помогает обучать модели на шумных данных. В основе библиотеки лежит теория уверенного обучения (confident learning).

​​Neurohive открывает вакансию на должность Data analyst (аналитик игровых данных). Наша цель - "next big title" в области разработки качественных, захватывающих игр. Нам важно, чтобы наши игры дарили геймерам массу положительных эмоций и невероятный игровой опыт.

Наша первая игра – Puzzle в жанре Match-2 уже вышла в soft launch и мы продолжаем работать над другими игровыми проектами.

Сейчас мы в поисках опытного Data analyst'а, у которого есть уникальная возможность собрать свою команду и осуществлять кросс-проектный анализ. Требуемый опыт работы: 3–6 лет. Занятость - полная.

Задачи:
- Сегментация игроков для адаптации продукта под опыт пользователя;
- Написания SQL запросов и агрегация сырых данных для подготовки отчетов;
- Контроль целостности и валидности всех собираемых игровых данных;
- Прогнозирование и оценка результатов А/Б тестов;
- Самостоятельные исследования: от постановки гипотезы и формирования целевых метрик до разработки рекомендаций по изменению игр для команды.

Что мы ожидаем от вас:
- Глубокие знания математического анализа и статистики;
- Опыт работы с большими данными, знание Python (Pandas, Numpy + Scipy, Matplotlib и т.д.);
- Опыт написания SQL запросов;
- Плюсом будут знания/опыт работы в machine learning, обучении нейросетей, а также опыт в построении графиков в Tableu.

Что мы предлагаем:
- Работу над интересными играми;
- Офис в стиле лофт в центре города (ст. метро "Горьковская");
- Официальное оформление по ТК РФ: конкурентная «ослепительно белая» зарплата, отпуск, больничные, бонусы и премии по результатам работы;
- Гибкий график: мы не считаем отработанные часы, главное для нас - это результат и качество работы;
- Компенсация питания и занятий спортом;
- Новая техника и здравый смысл вокруг.

Отклики присылайте на почту [email protected]

​​Кто такой специалист по машинному обучению?
Это тот, кто стоит за работой рекомендательных систем Netflix, распознаванием песен Shazam и персонализацией в e-commerce. Это востребованная и высокооплачиваемая профессия, которую ты можешь освоить в онлайн-университете Skillbox.

На курсе «Профессия Data Scientist с 0 до PRO» ты получишь актуальные навыки под руководством преподавателей-практиков, специалистов из ivi.ru, НИУ ВШЭ, NVIDIA.

Какие профессиональные навыки у тебя будут: 
• Владение языком программирования Python для анализа данных и применения алгоритмов машинного обучения;
• Знание основ SQL и NoSQL баз данных;
• Организация и проведение А/B-тестирования;
• Работа с различными источниками данных: CSV, XML и XLS;
• Создание аналитических панелей (фреймворки Dash и Shiny).

Начни учиться сейчас, а платить можешь через 6 месяцев! 
За подробностями переходи по ссылке: https://clc.to/tRLE6A

​​Исследователи из Google Brain предложили фреймворк для поиска классов и изображений в данных, для которых уменьшенная и оригинальная нейросети сильнее всего расходятся в предсказаниях. Pruning Identified Exemplars (PIEs) — это объекты в данных, для которых точность нейросети с меньшим размером систематически ниже в сравнении с оригинальной моделью.

​​OOPS — это датасет с видеозаписями действий людей, который предназначен для распознавания непреднамеренных действий. Созданием датасета занимались исследователи из Columbia University. OOPS состоит из 20,338 видеозаписей с YouTube. Видеозаписи собирались из компиляций видео с неудачами людей. Суммарно длительность видеозаписей составляет более 50 часов.

​​В Instagram есть возможность узнать о новых фотографиях, видео и историях на странице Explore. Рекомендации на этой странице составляются индивидуально для каждого пользователя в реальном времени. Система рекомендаций состоит из трех этапов. Итоговая модель собирает 65 миллиардов признаков и делает 90 миллионов предсказаний в секунду.

​​DREAM — это нейросетевая модель для распознавания позы робота по одному снимку. Разработкой модели занимались исследователи из CMU и NVIDIA. Модель получает на вход RGB изображение. На выходе нейросеть выдает разметку позы робота. Модель обучалась исключительно на симулированных данных.

​​YOWO — это сверточная нейросетевая архитектура для распознавания действия на видео в реальном времени. Предыдущие походы использовали для решения этой задачи несколько моделей, предсказания с которых объединялись с помощью еще одной модели. YOWO является единой end-to-end нейросетью. Модель обрабатывает 34 кадра в секунду для видеозаписей с 16 кадрами и 62 кадра в секунду — для видеозаписей с 8 кадрами. YOWO обходит state-of-the-art на 3.3% и 12.2% по frame-mAP метрике.