понедельник, 14 января 2019 г.

Искусственный интеллект или человек воплотит BIM ?

         Пока идут споры что есть BIM , что это вообще такое ? каков его физический или практический смысл ? в чем польза ? зачем оно вообще ? какими стандартами в сфере информационных технологий руководствоваться ? Project Enion решил пойти от обратного. Не создавать информацию ради информации, а наоборот научиться получать ее из окружающего пространства, с небольшим участием человека. В понятии "окружающая среда", есть небольшою нюанс и на этом нюансе мы остановимся немного подробнее.
         Но перед тем как начать, давайте договоримся, не стоит пытаться приложить опыт приложений в которых вы работали ранее, к статье, не стоит накладывать полученные знания о BIM к статье. Представьте себя совсем юным специалистом с не затуманенным сознанием, не младенцем, но с уровнем интеллекта позволяющим иметь уже понятие об окружающих тебя вещах. Статья заставит твои извилины поработать настолько, на сколько ты никогда не думал сможет твой мозг и перед началом нам с тобой необходимо уяснить основные термины которые встретятся в статье:


1. Угол Эйлера - угол вращения твердого тела в трехмерном Евклидовом пространстве.
2. Кватернионы - система гиперкомплексных чисел, образующих векторное пространство размерностью четыре над полем вещественных чисел. Для тех кто не понял, пример, посмотрите ровно прямо, а теперь наклоните голову и поверните в горизонтальном положении на 30 градусов, квартион позволяет выполнить данный поворот и в отличии от угла Эйлера может помочь интерполировать весь путь движения головы, для моделирования плавного движения или иными словами выполнить СЛИ.
3. СЛИ - сферическая линейная интерполяция.
4. Трэкинг - определение положения в реальном пространстве статичных/динамичных объектов во времени.
5. Нейрон - это клетка нервной ткани способная принимать, обрабатывать, кодировать, хранить и передавать информацию.
6. Нейронная сеть - это математическая модель, а также ее программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей.
7. ИНС - искусственная нейронная сеть, имитация работы нейронов человеческого мозга на основе наслоения компьютерных нейронных слоев.
8. МО (Машинное обучение) - метод искусственного интеллекта, при котором задача не решается напрямую, а происходит обучение программы в ходе которого решение находится с учетом примеров ранее решенных задач.
9.  ГМО (Глубокое машинное обучение) - Единственное отличие от машинного обучение, количество скрытых слоев, слоев нейронов, при машинном обучении возможно наличие одного слоя , при глубоком обучении с учителем или без , количество слоев безгранично и требует больших вычислительных мощностей.
10. Компьютерное зрение - это техническое зрение машин, служащее для восприятия окружающего мира. Само по себе компьютерное зрение не имеет смысла без принципов машинного обучения, поэтому эти термины идут бок о бок в реализации проектов ИИ.
11. ИИ - это наука и технология создания искусственного разума способного принимать самостоятельные решения, которые изначально не закладывались.
12. LERP - промежуток времени, в котором информация получаемая пользователем будет интерполироваться.
13. RGB - аддитивная цветовая модель, описывающая кодировку цвета.
14. Блокчейн - это цепочка блоков информации, по своей сути это альтернатива большим вычислительным дата центрам, когда каждый отдельный клиент забирает на себя часть вычислительных функций, простым примером является криптовалюта.
15. Будущая точка - положение точки пространства с неизвестными координатами в настоящее время.

Глава 1. Человек в информационной среде.

         И с самого начала нам понадобится испытуемый, и им будешь ты ! Возможно ты никогда и не задумывался, но ты и есть огромный генератор информации об окружающем пространстве, твои органы осязания, обоняния, вкуса, слуха, зрения, все они и говорят твоему мозгу о том, что происходит вокруг. Твой мозг переваривает полученную информацию от 100 000 000 000 нейронов со скоростью 2 квадриллиона мегабайт в секунду  и с учетом различных дополнительных функций выдает необходимую информацию.
         Опять же берем тебя для примера, да, да, именно тебя дорогой читатель. Представь себя на площади огромных размеров и тебе необходимо дойти до ближайшего объекта. Твой мозг сразу начнёт получать терабайты информации из всех органов чувств для оценки данной задачи и твое подсознание отфильтрует ненужную информацию, например, все, что ты слышишь в данный момент. Твой мозг отфильтрует и оставит информацию касающуюся зрительного расстояния проекции прямой на земную поверхность от всех зримых объектов и там где прямая будет наименьшей зрительной длинны, и есть наиболее близкий объект. Далее задача будет определить расстояние до ближайшего объекта. Твой мозг опять начнет сбор информации и в первую очередь он опять обратится к твоей базе знаний об окружающих объектах, например если объектом ближайшим является памятник Ленину, то твое подсознание подскажет, что он высотой примерно 8-10 метров, и опять же подсознание подскажет твоему мозгу угол между горизонтальной проекцией и высотой, а зная угол и высоту твой мозг уже подскажет тебе примерное расстояние. Но количество параметров влияющих на принятие решения не исчисляется одним или двумя, или тремя и даже 10, это могут быть 1000, подробнее об это в следующей главе этой статьи.
         И вот теперь когда мы разобрались кем является человек в информационном пространстве, давайте попробуем понять, а зачем вообще человеку информационная среда и информационные технологии, он же вроде и так кое как справляется сам !?  И ответ находится в вопросе, человек всего лишь "кое как" может определить расстояние, время, вкус, дозировку, возраст, прочность, усталость, сытость, цвет и именно поэтому существуют такие поговорки как:
"на вкус и цвет товарища нет"
"У всякого свой обычай"
"О вкусах не спорят"
         И все поговорки такого характера с одной стороны призывают относится терпимее к другим представителям своего рода, но с точки зрения информационных технологий говорят нам очень плохую новость, человек не может быть полноценным элементом информационной среды, ведь среда это совокупность информационных ресурсов и их качество. С одной стороны человек может быть и ресурсом хранение информации определенного качества, ведь в примере выше мы уже нашли пример какого рода ресурса информации он может быть. Человеческий мозг может уместить в себе всю информация хранящуюся в глобальном интернете, на всех ПК и серверах , а так же на ПК не в сети. Но, что с качеством данного ресурса ? Зрение у всех разное , из 100 человек расстояние будет разное у всех , высота объекта будет разная у всех , даже цвет объекта будет различный, оттенков которые воспринимает человеческий глаз более 15000. Что бы вы сделали например с часами которые показывают разное время ? наверное бы минимум не использовали, а максимум просто выбросили.
         Таким образом заставить человека формировать информационную среду невозможно в силу природных ограничений организма. Человек во всем этом круговороте информации лишь оператор, который может получить как полезную информацию, так и абсолютно бесполезную, а иногда и вредную для себя и окружающих.

Глава 2. Генетические алгоритмы 
       
         Но что делать в таком случае ? Что делать в патовой ситуации, когда человек не может, а все существующие технологии не дают должного результата ? Ответ на этот вопрос у меня есть. Он выглядит фантастично, амбициозно, нереально, немыслимо, но он есть ! И перед тем как его назвать, давай опять проведем пару опытов над твоим сознанием !
         Представь, что ты едешь по незнакомой дороге и встречаешь развилку , одна дорога налево, другая направо. Какую ты выберешь ? Но перед тем как ты дашь ответ, давай немного окунемся в нейрофизиологию - науку изучающую устройство и функционирование нервной системы и в частности мозга. Во время выбора, твоя нервная система отправит импульс к коре головного мозга, там хранятся нейроны с приобретенным опытом. Но импульс пройдя через все нейроны со скоростью 432 км/ч не найдет подходящих скрытых слоев нейронных оболочек, точнее результаты будут, но все они почти равны нулю. Это и есть процесс зарождения такого понятия как "сомнение", и в этой ситуации человек прислушивается к "интуиции", это дар природы который еще называет шестым чувством и отличает человека от машины. По своей сути интуиция это отдельная сеть нейронов которая предугадывают результат, в основном интуиция возникает с приобретенным опытом. Например боксер предугадывает удар соперника исходя из его расположения рук, корпуса тела, ног. И вот твоя интуиция подсказывает поворачивай налево, ты выворачиваешь руль налево и продолжаешь осторожное движение. Через несколько часов езды ты попадаешь в пункт назначения и в этот самый момент с ощущением расслабления от того, что ты выбрал нужный путь, в твоем мозге один из нейронов записывает результаты данной поездки с большим весом нейронной связи "налево". Если ты окажешься снова на данном распутье, то ты точно снова выберешь левый поворот без какиз либо колебаний и нейронная связь опять станет сильнее по отношению к правой. И так бесконечно. Но в один прекрасный день проезжая мимо дорожной карты ты видишь, что дорога "налево" является объездной и в три раза дольше. В этот момент ты испытаешь чувство сожаления и с данным чувством обычно происходит перестроение весов между нейронами. В данной ситуации произойдет почти обнуление "налево" и к единице приблизится связь с нейроном "направо". И так ты продолжаешь ездить до тех пор, пока одним прекрасным утром не замечаешь на распутье знак означающий участок платной дороги и он указывает на правую дорогу и тут снова в нейронной сети твоего мозга назревает сомнение. С одной стороны один нейрон говорит, что "направо" ехать в три раза быстрее, но с другой стороны подключается уже новый нейрон. Он древнее первого, он хранит весь твой опыт с малых лет, и он относится к финансовым затратам и связь его намного больше чем у совсем юного "направо". И как ты сам понимаешь нейрон отвечающий за деньги скажет тебе ехать налево.
       Это был очень простой пример который не учитывает всю сложность взаимосвязей между нейронами и он всего лишь показывал основы того, что называется опыт. Когда ты ползал по полу, кроме моторных функций, твоя нейронная сеть была как чистая книга и с каждой "шишкой" она наполнялась, записывала информацию. Именно поэтому есть утверждение, что дети впитывают всю информацию быстрее взрослых. Но давайте возьмемся за более реальный пример !?
       Представь себя руководителем конструкторского отдела, ты уже давно не ползаешь по полу на четвереньках, сеть нейронов твоего мозга сформировала личность обладающую опытом в конкретных сферах и одна из задач которую ты выполняешь - это получение задания от смежных отделов и решения вопроса выдачи документации в установленные договором сроки. Но не все так банально, так же сюда входит задание от специалистов ОВ, ВК, хватает ли лицензий программы Allplan, хватает ли исполнителей, хватает ли изначального сроки по договору , отсутствует ли неурочная работа с другого договора и многое другое:


      Казалось бы, такая простая задача, но ее описание в виде нейронных связей выглядит достаточно сложной и это только при семи входящих параметров в нейронную связь, а ведь бывают размером в несколько миллиардов, например слух человека или способность говорить.
      И вот теперь представь, что тебе пришлось бы найти математические взаимосвязи между входящими параметрами нейронной сети, в которую входят все вышеперечисленные параметры! И сразу подскажу, имея на руках даже калькулятор, нахождение решения у среднестатистического человека займет всю его сознательную жизнь, его детей и внуков, без сна и отдыха, только работа над решением уравнений. А их будет порядка 197 в степени 3.
       Но давай подключим машинное обучение для решения данной нейронной сети, мы сэкономим 100 лет себе и потомкам:

     
       Данный массив данных представляет собой силу синаптических связей между нейронами сети. То есть если сейчас начать записывать по верх каждой связи значение из таблицы мы получим сеть весов и предубеждений. Но данные связи нейросеть получила не из воздуха, ее обучил вполне живой человек непосредственно введя данные для тренировки:


       Данные представляют собой матрицу, каждая новая строчка матрицы представляет собой новую тренировочную выборку параметров (левый столбец в нейросети) и результатов (правый столбец в нейросети). Точно так же тренировали нейросеть победившую человека в шахматы, в игру ГО, покер, рулетку и многие другие игры где применима теория вероятностей и существуют эмпирические зависимости.
       Теперь в обученную нейросеть можно во входящие параметры записывать любые значения и на выходе мы получим ответ и он будет идентичен ответу человека на основании ответов которого была натренированна сеть.



       Иными словами мы получили нейронную сеть искусственного интеллекта на основе нейронной сети моего мозга, я переложил часть своего опыта для формирования искусственного, он в отличии от меня найдет решение уже намного быстрее, лучше и точнее. И при всем этом мы всегда будем знать при решении процент ошибки. Генетические алгоритмы на основе нейросетевого программирования искусственного интеллекта и есть мой ответ на вопрос в начале главы.
       Проблемы информационных технологий в строительстве не новы, они встречаются и в иных областях любой отрасли, например банковское дело, нейросети контролируют выдавать вам кредит/ипотеку или нет, нейросети контролируют систему спутникового слежения за объектами наземного базирования, нейросети отвечают за поиск всего и вся в поисковых системах интернета, нейросети показывают вам рекламу, нейросети переводят текст, нейросети синтезируют человеческую речь из текста, нейросети ищут покупателей, нейросети контролируют политический выбор, нейросети контролируют предрасположенность заболеваниям/преступлениям, нейросети управляют полетом космических аппаратов, нейросети управляют автомобилями, нейросети управляют людьми через социальные сети и многое и многое другое.
        Впервые про нейросетевое программирование начали говорить еще в середине прошлого века, но в силу сложных вычислений и невозможности проверить достоверность получаемых данных все теории долгое время существовали без практического применения. И вот в 90-х годах с ростом мощности персональных компьютеров появилась возможность реализовать ту же Байесовскую теорию или  метод ОРО Галушкина. В январе 2017 года я и начал создавать нейросеть своей новой программы CUBE именно с Байесовского представления, то есть использовать классификаторы Байеса. А сегодня в программе CUBE уже ряд нейросетей и при этом одна может брать данные у другой и наоборот, описать такие подходы в программировании классическим способом скорее невозможно.
        Но вы можете мне возразить, а может проще человека научить работать лучше, чем пытаться синтезировать работу его мозга? Дело в том, что несмотря на все 100 миллиардов нейронов в человеческом мозге, все они задействуются по принципу "все или нечего". Согласно данного принципа амплитуда действия вдоль всего волокна между нейронами одна и та же, то есть либо "0" либо "1". Этот принцип очень сильно сужает возможности человеческого мозга. И если взять конкретный пример, то с умением говорить человек разумный потерял возможности нейронов в рамках кратковременной памяти:

   
      Из-за ограниченного объема нейронов в мозге происходит процесс перезаписи информации  - реконсолидация памяти. Именно поэтому один человек может быть гением в физике, но полным двоечником по грамматике и наоборот, или при  потере зрения у человека "обостряются" другие органы чувств, но это не обострение, просто освободившиеся нейроны записывают уже информацию из других источников. И по своей сути человек ничего не забывает , он просто перезаписывает неактуальную информацию которую хранит каждый синапс нейрона, а в силу принципа "все или нечего" этого всего 1 бит информации.
      И именно поэтому мы должны научить машины думать как мы, но делать это лучше и быстрее.
      Ну и напоследок в этой главе, хочу вернутся к понятию "интуиция" - это случайный выбор при недостаточности входящей информации для решения. Интуиция относится к чувствам, поэтому бытует мнение о том, что человек на интуитивном уровне прислушивается к чувствам. В это же время у машины нет чувств, но есть математическая функция выдающая случайный порядок чисел от 0 до 9. И именно поэтому особо важно в нейросетевом программировании научить машину принимать решения интуитивно. То есть машину можно натренировать, но главное в том, что бы натренированная нейросеть при выполнении уже практических задач самообучалась, то есть  самостоятельно дополняла базу данных для тренировки и перестраивала веса в нейронной сети.
        Не стоит так же относится к нейросетям слишком скептически, с помощью их можно решать абсолютно любые задачи, даже задачи сопротивления материалов:


                         Глава 3. Инженерные программы нового поколения.
          
        При работе в классических программах информационного моделирования, таких как: Allplan, Tekla, VectorWorks, Archicad, Revit и многих других, пользователь создает модель наполненную информацией без привязки к пространству. Финальные информационные модели привязываются к местности непосредственно перед строительством для контроля ошибок, коллизий с местностью, соседними строениями и.т.д.
        Такого рода подход устарел и не может использоваться для программного обеспечения нового поколения. Старые принципы работы уже не подойдут ни в каком виде. Давайте разберем для примера принцип построения простой линии программы нового поколения CUBE и программы старого поколения Revit (Revit взят для сравнения из-за своего слишком навязчивого лоббирования). В обоих программах существует геометрическое ядро которое обрабатывает информацию получаемую с панели инструментов пользователя.
       В случае с программой Revit пользователь нажимает иконку "линия модели", указывает первую точку с глобальными координатами x,y,z, координаты соответствуют положению курсора в рабочем пространстве экрана, координата z соответствует положению рабочей плоскости модели, которую изначально уже задал пользователь. Далее пользователь указывает вторую точку пространства и геометрическое ядро отстраивает линию соединяющую две данные точки. Привязка линии модели осуществляется путем загрузки в лазерный тахеометр 2D плана с чертежом линии. Отследить точку пространства и точку линии модели невозможно, только примерно с помощью визуального контроля геодезистом.
       Теперь рассмотрим случай когда мы используем CUBE, с этим ПО все намного сложнее и принцип работы сравним с работой человеческого мозга.
        Сама по себе первая точка линии модели в программе CUBE, это точка реального пространства, которую CUBE отслеживает за счет камеры телефона, датчиков движения, датчиков отслеживающих углы Эйлера, лазерного фокусного расстояния которое помогает определить глубину компьютерного зрения, двойной фронтальной камеры, самого компьютерного зрения и многих других зависимых частей программы, все эти части работают лишь для трекинга единственной точки пространства. Рабочая плоскость модели, на которой находится первая точка, получается за счет всех вышеперечисленных модулей программы. По своей сути плоскость получается за счет нескольких сот или тысяч других точек которые принадлежат некой реальной поверхности, в случае если их координаты по высоте не выходят за среднее квадратичное отклонение контролируемое ИНС, то все точки данной реальной плоскости образуют виртуальную рабочую плоскость. Каждая точка данной плоскости является независимой и зависимой одновременно. Например существует 10 точек, между 1, 2 и 3 расстояние ровно 100 мм, в случае исчезновения из поля зрения 3 точки, ядро ИНС будет пытаться найти его в будущем, координаты положения этой точки заносятся в область "долгосрочной" памяти. Данная ситуация может произойти если например вы определили плоскость в одной комнате своей квартиры, а потом перешли в другую и при этом CUBE все равно не потеряет из вида старые точки, он по прежнему будет стараться их отслеживать по отношению к уже новым. Для того что-бы пользователю было удобно работать с дополненной реальностью основную роль выполняют кватернионы, которые выполняют бесконечную интерполяцию положения и точек и пользователя. После того как поставлена первая точка ее положение как вы понимаете не строго фиксировано, ее положение зависит от положения "характерных" точек рабочей плоскости и рабочего пространства. Контроль положения данной еще единственной точки контролируется каждые 0.03 секунды , человеческий глаз улавливает только 24 кадра поэтому человек не замечает мерцания точки, но он может заметить резкие скачки точки при уточнении координат геометрическим ядром, для этого каждые 0.03 секунды выполняется функция LERP, которая сглаживает резкие скачки и придает плавности, в конечном итоге пользователь просто не может заметить разницы в положении и пользователь ощущает иллюзию неизменяемости положения точки линии. И вот после того когда мы разобрались со всем сложным механизмом указания первой точки линии модели , мы указываем вторую точку, и вся вышеуказанная процедура накладывается и на второю точку линии. Что бы пользователь не видел "мерцания" размера между двумя точками , в самом главном слое ИНС , расстояние между двумя точками имеет самую большую "стоимость". И если CUBE не сможет удержать взаимное расстояние, между точками линии модели, первоначальным на всех уровнях ИНС с меньшей стоимостью связей нейронов в слоях, то произойдет неизбежное, расстояние измениться. Но оно не изменится бесповоротно и навсегда, как я писал выше, CUBE будет пытаться найти предыдущее положение точек линии, а так как линии модели есть функция двух точек, то и расстояние(линия) вернется к изначальным показателям. Но есть еще  одна "извилина" и она так же представляет собой независимую ИНС, которая пытается определить характерные точки пространства, но парадокс ее в том, что она пытается определить не в данный кадр изображения положение точки, а точку пространства в будущем (future point). И вы зададитесь вопросом как это возможно !? Ведь в будущем возможно бесконечное количество точек в бесконечном пространстве, но об этом как нибудь в следующий раз.
          Описывая весь этот сложней механизм я не описал самое главное, компьютерное зрение. По своей сути экран вашего мобильного телефона в совокупности с камерой и есть "око" машины. Камера телефона выполняет бесконечную процедуру разбиения на конечные элементы зримую область попавшую в объектив камеры, с фиксацией реального цвета каждого конечного элемента. Например если камера мобильного телефона поддерживает разбиение на 1920х1080 точек , то это разрешение соответствует произведению 1920*1080 и равно 2 073 600 точек или 2 мега пикселя. Данная информация по всем пикселям записывается в матрицу, где каждая ячейка матрицы хранит информацию в байтах. Таким образом, что для человека красивая картинка в красках передающаяся на сетчатку глаза, то для машины просто упорядоченный набор байтов. Каждый пиксель хранит информацию о цвете обычно в RGB кодировке. Каждое значение красного, зеленого или синего цвета может иметь значение от 1 до 255, и таким образом можно записать информацию более чем по 16 миллионам цветов. И вот уже данную информацию начинает анализировать ядро CUBE при непосредственном МО.


           ГМО пока на стадии тестирования и проблема в аппаратных возможностях мобильных устройств, поэтому в скором будущем CUBE начнет выполнять вычисления по принципу блокчейн систем. Но камера телефона пока уступает человеческому глазу в разрешении, каждый глаз человека это около 15 000 000 точек, поэтому это накладывает значительные ограничения по сравнению с человеческим зрением.

 Глава 4. Перспективы роста.

         Теперь я надеюсь стало немного более ясно почему новые технологии на примере программы CUBE это будущее, которое совсем не за горами и век стационарных ПК, и десктопных программ приходит к концу. Если раньше мобильный телефон ассоциировался с небольшими играми и приложениями для досуга, то теперь это уже устройство с характеристиками позволяющими выполнять задачи на ровне со стационарными ПК и с возможностями которые не доступны последним. Но и на сегодняшний день, при реализации инструментов на основе ИНС и МО в программе CUBE, приходится уделять больше времени на тестирование и бесконечные модификации в ядре, из за недостаточной производительности даже самых современных флагманов от основных производителей мобильных устройств. Но, то, что я не мог реализовать два года назад в программе CUBE, я смог реализовать спустя эти же два года. Что бы хоть как то визуализировать рост мощности мобильных устройств давайте посмотрим на рост мощности ЦПУ устройств и объем оперативной памяти. Для примера возьмем флагманский Samsung Galaxy S 2010 года  и Samsung Galaxy S9+ 2018 года:
Samsung Galaxy S - 1000 Мгц (1 ядро) , 512М RAM
Samsung Galaxy S9+ - 2800 Мгц (8 ядер), 6Gb RAM
Таким образом за 8 лет рост мощности центрального процессора составил 22.4 единиц, по объему оперативной памяти рост составил 12 единиц. Средний показатель роста в год 50%, при показателе роста ПК 30% в год.
        Но основным препятствием для новых CAD или BIM систем является сложность реализации продуктов, высокая квалификация программистов, огромные издержки на разработку, тестирование, обучение, продвижение новых продуктов на рынке, абсолютно иная концепция работы.
          Я сказал о многом связанного с работой программы CUBE, но не сказал о возможностях, возможности можно увидеть в небольшом ролике:


         Например с одной из реализуемых задач, в данный момент, Enion Project участвует в международном конкурсе от компании Unity, один из разрабатываемых инструментов для программы CUBE предоставляет любому человеку инструмент расчета конструкции на мобильном телефоне после распознания им всех окружающих предметов. Нейросеть сама рассчитает конструкцию и покажет результат в режиме реального времени:


         Я отказался от классического способа расчета конструкций в пользу искусственного интеллекта, CUBE знает, что от его не хотят узнать прочность подпорной стены, или балки или пилона, он знает что от его требуется визуализация результатов армирования горизонтальных конструкций.
         В уже очень скором будущем человеку не нужен будет архитектор или инженер, что-бы построить себе небольшой домик на даче, всю работу за данных специалистов смогут выполнять нейронные сети.

     Глава 5. Вывод.

         В начале статьи мы с тобой договорились о том что-бы ты отбросил все знания связанные с BIM. Теперь давай я тебе помогу собрать все выше перечисленное в некий итог. Все существующие концепции, трактования. понятия, тезисы , регламенты, стандарты связанные с BIM, это все относится к когнитивному искажению реальности. А реальность такова, что человек не может создавать информационные модели, он даже не может их воссоздать в реальности, природа человека ограниченна нашими внутренними резервами как умственными так и физиологическими. Информационную среду нужного качества может создавать только искусственный разум, который сможет оперировать сотнями тысяч параметров. Возьмем пример, расследование аварий связанных с беспилотными автомобилями сводится к расшифровке генетического алгоритма и в большинстве случаев при авариях исследуют автомобиль на факт технической неисправности, найти причину в самом алгоритме почти невозможно, человеческий мозг не способен проанализировать такую информацию:


          Суть подхода реализуемого в CUBE заключается в том, что саму информационную модель создает ИИ при помощи нейросетевого программирования. Я как разработчик не нахожу взаимосвязи между входящими параметрами и решением, я только указываю правильные решения на тестовых примерах, все остальное выполняет уже сам CUBE. В будущем появятся более сложные инструменты, но сразу хочу сказать, что концепция программы будет развиваться десятилетиями с развитием мобильных технологий , так с появлением в телефонах камер с тремя объективами в CUBE появится функция "Big Stan"- это пока кодовое название. Но даже уже сегодня программа обучается под конкретного пользователя, CUBE это карманный цифровой разум который учится при взаимодействии со своим хозяином и в конечной концепции это будет второй "ты"

Комментариев нет:

Отправить комментарий

Поиск по этому блогу