Машины учить: женщинам и мужчинам, механику и автомат
Volkswagen Golf — самая любимая в ФРГ машина – DW – 28.10.2008
VW Golf — любимая машина немцевФото: Volkswagen
28 октября 2008 г.
Жители Германии любят большие новые автомобили. Но ездить предпочитают на подержанных и компактных. Такой вывод можно сделать на основе анализа данных о регистрации автомобилей в ФРГ.
https://p.dw.com/p/Fj6d
Реклама
Многие немцы относятся к своей машине как к любимому ребенку. Однако этот ребенок, как показывает статистика, становится все старше. Свыше половины автомобилей, колесящих по дорогам Германии, были произведены в восьмидесятые-девяностые годы, сообщает газета Die Welt. Если же взглянуть на 50 наиболее популярных моделей, то лишь каждая седьмая из них не относится к малому и компактному классу.
Любимцы публики
Mercedes С-класса — единственная машина среднего класса в первой «десятке»Первое место в списке занимает Volkswagen Golf четвертого поколения с двигателем объемом 1,4 литра.
На второй строчке — предшественник этой модели. Замыкает первую тройку Mercedes С-класса. Далее следует Renault Twingo, Volkswagen Polo, Opel Corsa второго поколения с двумя вариантами двигателей, Ford Ka и еще две модификации Volkswagen Golf. Из этой «десятки» к среднему классу относится лишь Mercedes. Остальные машины особой вместительностью не отличаются.
Четыре Volkswagen Golf в заветном списке — не случайность. Этот автомобиль, согласно опросам, являются любимой машиной жителей Германии. Самым успешным немецкие автолюбители считают Golf второго поколения, который выпускался до 1992 года. А вот Golf пятого поколения, который как раз сейчас уступает место на конвейере своему новому собрату, не слишком популярен. Лишь 9 процентов поклонников этой модели считают его лучшим.
Угонщики выбирают подержанные машины
Угонщики полюбили подержанные автоФото: BilderboxБольшую симпатию к подержанным машинам стали испытывать и угонщики. По данным объединения немецких страховых компаний GDV, автомобили старше десяти лет стали пропадать особенно часто.
Всего за прошлый год в ФРГ были угнаны 16502 машины. В то же время по сравнению с 1993 годом число угонов сократилось более чем в шесть раз.
Наибольшей популярностью пользуются у автомобильных воров не престижные автомобили премиум-класса, а… микроавтобусы. Так, чаще других в прошлом году исчезали машины Volkswagen Caravelle Multivan. Вторую и третью строчку в этом черном списке занимают популярные и среди российских угонщиков BMW X5 и Porsche Cayenne. Кстати, чаще всего машины пропадают в Берлине, Гамбурге и других крупных городах. В сельской местности угонщики предпочитают не работать. (вю)
Реклама
Пропустить раздел Еще по темеЕще по теме
Пропустить раздел Близкие темыБлизкие темы
Daimler AGVolkswagen AGMercedesВольфсбургПропустить раздел Топ-тема1 стр. из 3
Пропустить раздел Другие публикации DWНа главную страницу
«Знать и уметь сегодня могут и машины.
Детей нужно учить понимать»Как методики онлайн-образования повышают интерес ребенка к учебе, РБК+ рассказал основатель компании InternetUrok.ru Михаил Лазарев.
— В обществе обсуждаются перспективы широкого внедрения дистанционного образования — от школьного до профессионального. Между тем развитие EdTech — мировой тренд последних нескольких лет. Как вы оцениваете этот процесс с точки зрения участника рынка?
— Тренд передачи знаний дистанционным способом зародился давно. По сути, первый в России учебник, азбука, напечатанная Иваном Федоровым в 1574 году, это не что иное, как способ удаленного обучения, поскольку автор ни визуально, ни физически не контактировал с читателями.
По мере эволюции средств коммуникаций способы передачи информации становились все более эффективными. Благодаря современным технологиям на расстоянии сегодня можно обучать даже очень сложным дисциплинам. Рынок EdTech развивался бы и без «помощи» каких-либо форс-мажорных обстоятельств.
Другое дело, что пандемия COVID-19 выполнила роль катализатора для ускорения этого процесса. Люди вынужденно перешли на удаленку и увидели, что таким способом тоже можно вполне успешно учить и учиться.
Когда в традиционных общеобразовательных школах был введен режим самоизоляции, мы со своей стороны ощутили всплеск спроса на дистанционное обучение: в разы увеличилась посещаемость нашей «Библиотеки видеоуроков» — это более 5 тыс. видеоуроков, конспектов, тестов и тренажеров по всем основным предметам с 1-го по 11-й класс. Выросла и аудитория нашей общеобразовательной онлайн-школы, в которой обучение проходит полностью дистанционно и есть возможность получить российский аттестат гособразца: в марте 2020 года у нас в «Домашней школе» было около 12 тыс. учеников, а в апреле это количество увеличилось до 14 тыс.
— Насколько российский пользователь готов учиться в режиме онлайн? Тот же вынужденный переход на удаленку вызвал очень неоднозначную реакцию у учеников и их родителей.
— Важно четко представлять свою целевую аудиторию. Мы ориентируемся на тех, кто понимает и принимает тот факт, что дистанционный формат обучения ничем не уступает традиционной школе по эффективности освоения школьной программы — знаний, умений, навыков. К тому же надо понимать, что на начальных этапах, и тем более в младшем школьном возрасте, нужно участие взрослого, который терпеливо все покажет и подскажет, поможет выстроить учебный процесс. Аудитория таких онлайн-школ, как наша, пока менее 1% от общего количества школьников — сейчас их в России около 16 млн.
В целом формат онлайн-образования пока не стал нормой. На текущем этапе это некая удачная эволюционная мутация. И если завтра, например, все школы в стране должны будут перейти на постоянной основе на удаленку, это, скорее всего, приведет к коллапсу в образовании. Потому что не у всех образовательных учреждений и у самих учащихся есть возможности для такого перехода — технические, материальные, методологические.
Достаточно отъехать на несколько десятков километров от Москвы, и там уже не везде будет устойчивый доступ к интернету. Или, скажем, далеко не все родители младших школьников могут сидеть дома, чтобы помогать детям при дистанционной работе. Между тем задача и конституционная обязанность государства — дать среднее образование всем без исключения гражданам.
— Дистанционное обучение, наверное, было бы наиболее актуально именно для глубинки, где дети зачастую лишены доступа к качественному образованию?
— Да, конечно. И такие семьи тоже к нам приходят — порой из таких далеких и глухих деревень, что удивительно, откуда там может быть интернет.
Однако вопрос доступности образования и информационных технологий по всей стране находится далеко за рамками наших возможностей и компетенций. Нужно всегда понимать, что ты можешь сделать, изменить, а на что повлиять не в силах. В данном случае мы можем отвечать только за то, чтобы дать качественный уровень образования тем, кто к нам приходит.
Сейчас это в основном люди из больших городов, а также из-за рубежа. Наше преимущество в том, что мы можем предложить какой-то продукт, услугу, которые понравятся и будут удобными определенному проценту семей.
— Что могут предложить онлайн-школы, в частности ваша, чего нет в тех же государственных бюджетных образовательных учреждениях?
— Я не могу говорить за все онлайн-школы, но мы отличаемся своей философией, подходом к образовательному процессу. В моем понимании знания для человека — это многофункциональный инструмент, с помощью которого он может решать те или иные задачи в жизни. Вы откройте какой-нибудь стандартный учебник по математике. Там на первой странице во введении будет сказано: «Мы поведем вас в прекрасный мир математики…» В какой мир, зачем?
А можно сказать: я научу тебя математике, которая пригодится тебе в жизни в конкретных ситуациях, поможет понимать суть происходящих вокруг процессов. Знания — это бинокль, через который можно лучше увидеть и узнать окружающий мир.
Умения — это отвертка, с помощью которой можно «раскрутить» те или иные жизненные вопросы. Но при этом в триаде компетенций — знать, уметь, понимать — на первое место выходит именно последняя составляющая. Поскольку знать и уметь сегодня могут и машины, а понимать пока позволяет только человеческий интеллект.
Проще говоря, мы изучаем жизнь при помощи математики, физики, биологии, а не наоборот — живем, чтобы изучить все эти науки. И тогда к обучению у человека появляется уважение, а вкупе с ним — уверенность в необходимости учиться, и как можно лучше.
Еще один важный принцип — школа должна учить человека принимать решения и отвечать за них. Но при этом у каждого должна быть свобода выбора — образования, профессии, хобби. Дистанционное образование как раз дает такую возможность — собирать классы можно не в зависимости от местожительства, а по интересам. И можно с учетом этих интересов готовить образовательные программы так, чтобы весь школьный курс можно было пройти, скажем, за 600 уроков, а не за 6000.
Нужно избавить ребенка от огромного объема лишней, не соответствующей его увлечениям информации, которая дается в традиционной школе.
Мы стремимся сохранять в детях способность увлекаться. Хочет всю неделю заниматься биологией — пусть занимается и не отрывается на другие предметы, учится с увлечением. И тогда это увлечение можно развить, и человек сохранит его на всю жизнь, будет заниматься любимым делом.
— Как это выглядит на практике?
— При решении любой практической задачи мы сначала определяем модель — выделяем главное, отбрасываем ненужное. Рассчитывать модели сегодня может и компьютер, а вот правильно выделить модель — это задача, которая останется человеку.
Любой процесс должен изучаться в мультипредметном плане. Скажем, идея эволюционного развития и усложнения должна рассматриваться не только на уроках биологии, но и в курсе истории, обществознания (развитие общества, разделение труда и т.д.). При этом важно, чтобы общие принципы такого подхода понимали все, кто причастен к развитию ребенка.
Поэтому параллельно мы проводим онлайн-уроки (вся школа за 150 уроков) для непрофильных учителей и родителей. Большая часть жизни подростка связана со школой. Чтобы говорить с ним на одном языке, родители должны понимать, что он там изучает. Иначе рано или поздно ребенок задаст вопрос: если мама и папа не знают, что такое логарифм, то зачем мне это учить?
— Каким вообще может быть охват аудитории у такой школы? Бесконечным?
— В принципе да. У нас сейчас каждый год идет удвоение количества учащихся. Год назад было 7–8 тыс. Сейчас — 14 тыс. В наступающем учебном году мы ожидаем вдвое больше. В «Библиотеку» сейчас заходят около 3,5 млн посетителей. Когда начнется учебный год, рассчитываем на 4 млн.
Teachable Machine
Обучайте машину с помощью вашей камеры в прямом эфире в браузере. Кодирование не требуется.
Пошли!
или пропустить обучение
К сожалению, ваш браузер не поддерживает новейшие технологии.
Загрузите Google Chrome, чтобы использовать этот и другие эксперименты.
Если вы новичок в машинном обучении, посетите сайт для настольного компьютера, чтобы получить полезное руководство для начинающих и повысить производительность.
ПОНЯТНО
Извините, похоже, ваш браузер или устройство не поддерживает этот эксперимент. Узнать больше о Обучаемая машина здесь. Или попробуйте посетить этот сайт на компьютере компьютер в Браузер вроде Хрома.
Запись видео
Предоставьте доступ к своей машине с помощью видеозахвата экрана.
Что это?
Что я могу делать?
Вот несколько ссылок на то, что уже сделали люди: Заставьте свою руку мычать.
Рок, шевеля пальцами. И следите за обновлениями, скоро мы добавим сюда больше примеров. (Хотите поделиться чем-нибудь с нами? Используйте кнопку записи и поделитесь записью в социальных сетях с хэштегом #teachablemachine, чтобы мы могли это проверить.)
Есть какие-нибудь советы, которые мне следует иметь в виду?
Сделайте не менее 30 изображений для каждого класса. Следите за тем, когда вы нажимаете и отпускаете кнопку (именно тогда она начинает/останавливает захват изображений). И вам может понадобиться захватить множество ракурсов или вариаций того, что вы хотите, чтобы ваша машина распознала.
Почему моя машина не работает так, как я хочу?
Не волнуйтесь. Продолжайте играть. Увидеть, что работает, а что нет, — один из способов изучить, как работает машинное обучение. Имейте в виду, что ваша машина не понимает концепции более высокого уровня, такие как лица или объекты. Это обучение на примерах, которые вы ему приводите. Поэтому, если это не работает так, как вы хотите, вы можете щелкнуть x, чтобы сбросить свои классы и попробовать другие подходы.
Где я могу найти больше подобных вещей?
Проверьте Wekinator от Ребекки Фибринк, одного из вдохновителей этого проекта. Он позволяет любому использовать машинное обучение с помощью простых действий вместо кода. Вот несколько интерактивных руководств по изучению машинного обучения. И посмотрите другие забавные проекты, подобные этому и этому.
Мои изображения хранятся на серверах Google?
Нет. Все обучение происходит локально на вашем устройстве.
Как узнать больше о машинном обучении?
Вот вводное видео с объяснением. Этот сайт позволяет более подробно взаимодействовать с нейронными сетями. А этот бесплатный онлайн-курс позволит вам погрузиться еще глубже.
Как это было построено?
Классификация изображений основана на нейронной сети. Это стало возможным благодаря Нихилу Торату и Даниэлю Смилкову, команде разработчиков TensorFlow.js. Это библиотека с открытым исходным кодом, которая позволяет веб-разработчикам обучать и запускать модели машинного обучения локально в браузере.
Код для этого эксперимента находится в открытом доступе здесь, на Github.
Мы также сделали шаблонный проект, который демонстрирует, как использовать TensorFlow.js для создания собственных проектов, таких как Teachable Machine здесь.
Кто это сделал?
Этот эксперимент был проведен совместными усилиями друзей из Støj, Use All Five и команд Creative Lab и PAIR в Google.
Машинное обучение. Как опыт людей делает ИИ более мощным
| Дженнифер Лэнгстон
Марк Хаммонд, генеральный менеджер Microsoft по бизнес-ИИ и бывший генеральный директор Bonsai, разработал платформу, которая использует машинное обучение, чтобы помочь алгоритмам глубокого обучения с подкреплением решать реальные проблемы. Фотография Дэна Делонга для Microsoft.
Большинству людей и в голову не придет учить пятилетних детей отбивать бейсбольный мяч, вручая им биту и мяч, приказывая им подбрасывать предметы в воздух в миллионах различных комбинаций и надеясь, что они поймут, как эти две вещи соединять.
И все же именно так мы сегодня подходим к машинному обучению — показываем машинам много данных и ожидаем, что они будут изучать ассоциации или находить закономерности самостоятельно.
Для многих наиболее распространенных сегодня применений технологий искусственного интеллекта, таких как простое распознавание текста или изображений, это работает очень хорошо.
Но по мере того, как росло желание использовать ИИ для большего количества сценариев, ученые Microsoft и разработчики продуктов первыми предложили дополнительный подход, называемый машинным обучением. Это зависит от опыта людей, чтобы разбить проблему на более простые задачи и дать моделям машинного обучения важные подсказки о том, как быстрее найти решение. Это все равно, что учить ребенка делать хоумраны, сначала ставя мяч на площадку-ти, затем бросая мяч из-под руки и, в конце концов, переходя к фастболу.
«Это кажется очень естественным и интуитивно понятным, когда мы говорим об этом с точки зрения человека, но когда мы переключаемся на машинное обучение, все думают, осознают они это или нет, что «давайте просто бросим фастболы в систему», — сказал Марк Хаммонд.
, генеральный менеджер Microsoft по бизнес-ИИ. «Машинное обучение — это набор инструментов, которые помогут вам перестать это делать».
Машинное обучение направлено на получение знаний от людей, а не на извлечение знаний только из данных. Человек, который понимает стоящую перед ним задачу — как решить, какой отдел компании должен получать входящее электронное письмо, или как автоматически расположить ветряные турбины для выработки большего количества энергии, — сначала разложит эту проблему на более мелкие части. Затем они предоставили ограниченное количество примеров или эквивалент планов уроков, чтобы помочь алгоритмам машинного обучения решить эту проблему.
В сценариях контролируемого обучения машинное обучение особенно полезно, когда для алгоритмов машинного обучения существует мало или совсем нет помеченных обучающих данных, поскольку потребности отрасли или компании очень специфичны.
Видео на YouTube
В сложных и неоднозначных сценариях обучения с подкреплением, когда алгоритмы не могут определить, какое из миллионов возможных действий необходимо предпринять для решения задач в физическом мире, машинное обучение может значительно сократить время, затрачиваемое интеллектуальным агент, чтобы найти решение.
Это также часть более крупной цели — дать возможность более широкому кругу людей использовать ИИ более изощренными способами. Машинное обучение позволяет разработчикам или экспертам в предметной области с небольшим опытом работы с ИИ, таким как юристы, бухгалтеры, инженеры, медсестры или операторы погрузчиков, передавать важные абстрактные понятия интеллектуальной системе, которая затем выполняет механику машинного обучения в фоновом режиме.
Исследователи Microsoft начали изучать принципы машинного обучения почти десять лет назад, и теперь эти концепции внедряются в продукты, которые помогают компаниям создавать все, от интеллектуальных ботов для обслуживания клиентов до автономных систем.
«Даже самый умный ИИ будет бороться сам по себе, чтобы научиться выполнять некоторые из очень сложных задач, которые распространены в реальном мире. Поэтому вам нужен такой подход, когда люди направляют системы искусственного интеллекта, чтобы изучать вещи, которые мы уже знаем», — сказал Гурдип Полл, корпоративный вице-президент Microsoft по бизнес-искусственному интеллекту.
Сегодня, если мы пытаемся научить алгоритм машинного обучения узнавать, что такое стол, мы могли бы легко найти набор данных с изображениями столов, стульев и ламп, которые были тщательно помечены. После демонстрации алгоритму бесчисленных помеченных примеров он учится распознавать характеристики таблицы.
Но если бы вам нужно было научить человека распознавать стол, вы, вероятно, начали бы с объяснения, что у него четыре ножки и плоская поверхность. Если бы вы увидели, что человек также помещает стулья в эту категорию, вы бы объяснили, что у стула есть спинка, а у стола — нет. Эти абстракции и циклы обратной связи являются ключом к тому, как люди учатся, и они также могут дополнить традиционные подходы к машинному обучению.
«Если вы можете научить чему-то другого человека, вы должны быть в состоянии научить этому и машину, используя язык, который очень близок к тому, как учатся люди», — сказал Патрис Симард, выдающийся инженер Microsoft, который был пионером в работе компании по обучению машин для Microsoft.
Исследовательская работа. В этом месяце его команда переходит в группу Experiences and Devices, чтобы продолжить эту работу и интегрировать машинное обучение с предложениями разговорного ИИ.
Симард впервые задумался о новой парадигме построения систем ИИ, когда заметил, что почти все доклады на конференциях по машинному обучению посвящены повышению производительности алгоритмов на тщательно отобранных тестах. Но в реальном мире, как он понял, преподавание является столь же или, возможно, более важным компонентом обучения, особенно для простых задач, где доступны ограниченные данные.
Если вы хотите научить систему ИИ выбирать лучшую машину, но у вас есть только несколько примеров с пометками «хорошая» и «плохая», она может сделать вывод из этой ограниченной информации, что определяющей характеристикой хорошей машины является то, что четвертая цифра его номерного знака — «2».
Но указание системе ИИ тех же характеристик, которые вы посоветовали бы учитывать подростку — расход бензина, рейтинги безопасности, результаты краш-тестов, цена — позволяет алгоритмам правильно распознавать хорошие и плохие автомобили, несмотря на ограниченную доступность помеченных примеров.
В сценариях контролируемого обучения машинное обучение улучшает модели, определяя эти значимые функции высокого уровня. Как и в программировании, искусство машинного обучения также включает в себя разбиение задач на более простые задачи. Если необходимые функции не существуют, их можно создать с помощью подмоделей, которые используют функции более низкого уровня и достаточно просты, чтобы их можно было изучить на нескольких примерах. Если система постоянно совершает одну и ту же ошибку, ошибки можно устранить, добавив функции или примеры.
Одним из первых продуктов Майкрософт, использующих концепции машинного обучения, является Language Understanding, инструмент в Azure Cognitive Services, который определяет намерения и ключевые понятия из короткого текста.
Он использовался различными компаниями, от UPS и Progressive Insurance до Telefonica, для разработки интеллектуальных ботов для обслуживания клиентов.
«Чтобы узнать, есть ли у клиента вопрос о выставлении счетов или тарифном плане, вам не нужно приводить нам все примеры вопроса. Вы можете указать четыре или пять, а также функции и ключевые слова, которые важны в этой области, а Language Understanding позаботится о фоновом механизме», — сказал Рихам Мансур, главный менеджер по разработке программного обеспечения, отвечающий за Language Understanding.
Исследователи Microsoft изучают, как применять концепции машинного обучения к более сложным задачам, таким как классификация длинных документов, электронной почты и даже изображений. Они также работают над тем, чтобы сделать процесс обучения более интуитивным, предлагая пользователям, например, какие функции могут быть важны для решения задачи.
Представьте, что компания хочет использовать ИИ для сканирования всех своих документов и электронных писем за последний год, чтобы узнать, сколько предложений было отправлено и сколько из них привело к продаже, сказала Алисия Эдельман Пелтон, главный менеджер программы для Группа обучения машин Microsoft.
В качестве первого шага система должна знать, как идентифицировать предложение из контракта или счета-фактуры. Часто для такого рода задач не существует помеченных обучающих данных, особенно если каждый продавец в компании справляется с этим немного по-своему.
Если бы система использовала традиционные методы машинного обучения, компании пришлось бы отдать этот процесс на аутсорсинг, отправив тысячи образцов документов и подробных инструкций, чтобы армия людей могла попытаться правильно их пометить — процесс, который может занять месяцы назад и вперед, чтобы устранить ошибку и найти все соответствующие примеры. Им также понадобится эксперт по машинному обучению, который будет пользоваться большим спросом для построения модели машинного обучения. И если новые продавцы начинают использовать другие форматы, на которых система не была обучена, модель запутывается и перестает работать.
В отличие от этого, сказал Пелтон, подход Microsoft к машинному обучению будет использовать человека внутри компании для определения определяющих характеристик и структур, обычно встречающихся в цитате: что-то отправленное продавцом, имя внешнего клиента, такие слова, как «цитата» или « дата поставки», «продукт», «количество» или «условия оплаты».
Он будет переводить опыт этого человека на язык, понятный машине, и использовать алгоритм машинного обучения, предварительно выбранный для выполнения этой задачи. По словам Пелтона, это может помочь клиентам создавать индивидуальные решения ИИ за короткое время, используя опыт, который уже существует в их организации.
Пелтон отметил, что в мире есть бесчисленное множество людей, «которые разбираются в своем бизнесе и могут описать важные концепции — юрист, который говорит: «О, я знаю, как выглядит контракт, и я знаю, как выглядит повестка, и я могу даст вам подсказки, чтобы увидеть разницу».
Корпоративный вице-президент Microsoft по искусственному интеллекту для бизнеса Гурдип Полл рассказывает на недавней конференции о решениях для автономных систем, использующих машинное обучение. Фотография Дэна Делонга для Microsoft. Сделать сложные проблемы по-настоящему решаемыми Более десяти лет назад Хаммонд работал системным программистом в нейробиологической лаборатории Йельского университета и заметил, как ученые использовали пошаговый подход для обучения животных выполнению задач для своих исследований.
Это в конечном итоге привело его к основанию Bonsai, которое было приобретено Microsoft в прошлом году. Он сочетает в себе машинное обучение с глубоким обучением с подкреплением и моделированием, чтобы помочь компаниям разрабатывать «мозги», которые управляют автономными системами в приложениях, варьирующихся от робототехники и производства до энергетики и управления зданиями. Платформа использует язык программирования под названием Inkling, чтобы помочь разработчикам и даже экспертам в предметной области разлагать проблемы и писать программы ИИ.
Глубокое обучение с подкреплением, ветвь ИИ, в которой алгоритмы учатся методом проб и ошибок на основе системы вознаграждений, успешно превзошло людей в видеоиграх. Но эти модели изо всех сил пытались справиться с более сложными реальными промышленными задачами, сказал Хаммонд.
По словам Хаммонда, добавление слоя машинного обучения или включение уникального предметного опыта организации непосредственно в модель глубокого обучения с подкреплением может значительно сократить время, необходимое для поиска решений этих очень сложных реальных проблем.
Например, представьте, что производственная компания хочет обучить агента ИИ автономной калибровке критической части оборудования, которое может выйти из строя при колебаниях температуры или влажности или после того, как оно использовалось в течение некоторого времени. Человек будет использовать язык инклингов для создания «плана урока», в котором излагается соответствующая информация для выполнения задачи и контроля за тем, хорошо ли работает система.
Вооружившись этой информацией от своего компонента машинного обучения, система Bonsai выберет лучшую модель обучения с подкреплением и создаст «мозг» ИИ, чтобы сократить дорогостоящее время простоя за счет автономной калибровки оборудования. Он будет тестировать различные действия в смоделированной среде и будет вознагражден или наказан в зависимости от того, насколько быстро и точно он выполняет калибровку.
Если сообщить мозгу ИИ, на чем важно сосредоточиться в самом начале, это может сократить массу бесплодных и трудоемких исследований, поскольку он пытается узнать в симуляции, что работает, а что нет, сказал Хаммонд.