Российские ученые улучшили мировой стандарт онлайн-рекомендаций
Как рассказал исследователь рекомендательных систем в Центре искусственного интеллекта Т-Банка Александр Милоградский, за основу был взят и улучшен популярный алгоритм для предсказания предпочтений пользователей BBPR (Bayesian Personalized Ranking), который считается одним из мировых стандартов в рекомендательных системах на данный момент. Чтобы увеличить точность рекомендаций, эксперты провели более 15 000 экспериментов на внутренних данных Т-Банка, уточнил он.
"Это подчеркивает распространенную проблему в области рекомендательных систем: зачастую старые модели могут показывать лучшие результаты, чем новые, если уделить достаточно внимания их правильной реализации", - добавил Милорадский. Ученые уже представили новый алгоритм на международной конференции по рекомендательным система ACM RecSys в итальянском городе Бари.
17 октября Центр искусственного интеллекта Т-Банка открыл доступ к бесплатной библиотеке инструментов Turbo Alignment для обучения больших языковых моделей (LLM) под задачи бизнеса. Все желающие смогут использовать готовые технологии для разработки приложений на базе искусственного интеллекта, экономя время и средства.
Потребность в нейроморфном (т.е. "похожим на мозг") аппаратном обеспечение в последние годы выросла в разы. Причина тому стремительное развитие нейронных сетей. Уже стали привычными для пользователей большие языковые модели (такие, как ChatGPT), нейросетевая генерация изображений и видео, распознавание текстов и образов. Однако, до сих пор абсолютное большинство нейросетевых задач исполняются на удалённых серверах, запросы к которым мобильные устройства делают через Интернет. Это требует больших затрат энергии, и число запросов растет. Специалисты отмечают, графические и тензорные ускорители, вроде продуктов компании Nvidia, частично справляются с задачей, но они дорогие и пока недостаточно компактные для тех же смартфонов.
И здесь как раз может помочь нейроморфное оборудование. Его создатели стремятся при помощи искусственных нейронов и синапсов значительно ускорить выполнение сложных нейросетевых алгоритмов, снизить энергозатраты, как если бы это происходило в живом головном мозге. Одно из ведущих направлений - использование мемристоров в качестве искусственных синапсов в нейроформных чипах. Данные резисторы интересны тем, что их сопротивление изменяется при прохождении электрических сигналов и сохраняется в течение некоторого времени. То есть по принципу работы они максимально приближены к синапсам.
Кроме того в последнее время большую популярность приобретает технология "вычислений-в-сенсоре" ("in-sensor computing"). Это такая вычислительная архитектура, в которой детектирование сигналов и обработка информации осуществляются в одном блоке. Например, система искусственного зрения в камерах для распознавания лиц состоит из нескольких элементов: матрицы сенсоров (камеры), аналогово-цифрового преобразователя и разделённых блоков обработки (процессора), хранения информации (памяти). Необходимость подготовки и передачи информации между элементами сказывается на скорости работы всей системы. Намного эффективнее в данной области себя показывают биоподобные устройства, в частности, разработка команды ученых из МФТИ, ИТМО и Сколтеха.
"Зрительная информация обрабатывается живыми организмами в несколько этапов. Сначала происходит детектирование на сенсорах в сетчатке: палочках и колбочках. Затем фотосигнал передается в нейроны зрительного нерва, которые генерируют импульсы для обработки в зрительной коре мозга. Нам с коллегами удалось создать оптоэлектронный искусственный синапс на основе микрокристалла галогенидного перовскита и электродов из углеродных нанотрубок, который реализует все эти функции в одном устройстве. При этом размеры использованных микрокристаллов совпадают с размерами палочек и колбочек, а обеспечение работы устройства на гибкой подложке позволяет рассчитывать на интеграцию наших мемристоров в массивы, расположенные на изогнутой поверхности - прямо как в биологическом глазе", - рассказал Антон Ханас, один из ведущих разработчиков проекта, старший научный сотрудник лаборатории функциональных материалов и устройств для наноэлектроники МФТИ.
При этом изготовленный мемристор имеет поперечный размер примерно 5 х 5 мкм2 и потенциально может быть масштабирован до размеров в сотни нанометров и меньше. На следующем этапе научный коллектив планирует перейти к изготовлению массивов из микрокристаллов галогенидных перовскитов, то есть приблизиться к созданию искусственной сетчатки для нейроморфных зрительных систем.
(http://scientificrussia.r...)