Как обучить искусственный интеллект

Как обучают искусственный интеллект?

Компьютер AlphaGo, разработанный компанией Google Deepmind, выиграл матч в го у многократного чемпиона по этой игре Ли Седоля. Из пяти партий AlphaGo выиграл четыре. Компьютер, способный обыграть шахматного чемпиона существует уже много лет, но го долгое время считалась слишком сложной игрой для нейросетей.

Каких еще нейросетей?

Нейросеть — это база, на которой строится искусственный интеллект, его «мозг». Если коротко, нейросеть — это сложная программа, состоящая из огромного множества простых программ, каждая из которых «реагирует» на какой-то свой сигнал. Система работает примерно как лампочка: при определенном условии «зажигается», а в остальных случаях — нет. Каждая из таких маленьких программ называется нейроном, а нейросеть — это, собственно, гигантская сеть нейронов, объединенных в последовательные слои.

Нейроны? Это как в мозге?

Нет, это только аналогия. Искусственные нейросети имеют отношение к математике и алгоритмам, а не к анатомии. И в нейросети, и в мозге человека нейроны по отдельности довольно примитивны, но когда их очень много — миллионы, сотни миллионов или миллиарды — они могут научиться вместе решать почти любую задачу.

Что значит «научиться»?

Для того чтобы нейросеть делала полезную работу, ее надо учить. Как учится ребенок: мы показываем ему много кошек разных цветов и много собак разных пород, но не объясняем отличий между кошками и собаками в целом (форму ушей, хвоста или носов, возможные позы). В какой-то момент у ребенка накапливается опыт, и он начинает отличать любую кошку от любой собаки на всякой картинке. То же самое и с нейросетью: мы даем ей «посмотреть» огромные коллекции фотографий кошек и собак, и в конце концов компьютер сам для себя вырабатывает признаки, по которым в будущем отличает одно от другого.

Ух ты! А как это происходит?

Как у детей. Сначала нейросеть почти ничего не умеет, а каждый нейрон в ней реагирует на поступающие в него сигналы случайным образом. То есть, она угадывает, кто на фотографии — кошка или собака — с вероятностью 50 процентов. Но если мы дадим много таких заданий и будем говорить правильный ответ, нейросеть научится отличать на фотографиях кошек от собак не хуже человека. После каждой попытки сеть «закрепляет знания» — изменения внутри нейронов, которые положительно повлияли на верное решение, фиксируются.

И многому так можно научить?

Очень. Распознаванию изображений и видео, пониманию речи и диалогу с человеком, рисованию картин и написанию музыки, постановке диагнозов и еще сотням задач, которые пока считаются прерогативой человека.

Можете привести примеры, которые уже существуют?

Пожалуйста. «Яндекс» использует нейросети для поиска изображений: пользователь загружает свою картинку а искусственный интеллект ищет похожие образы. Созданные в Google нейросети научились находить котов в Youtube-роликах и рисовать картины. Другие ученые научили нейросеть решать кроссворды. А в MIT создали нейросеть, которая «изучила» предвыборные речи и твиты кандидата в президенты США Дональда Трампа и теперь ведет его фейковый твиттер.

То есть скоро создадут Скайнет, как в «Терминаторе»?

Вряд ли. Нейросеть только выполняет задачи, но не ставит их перед собой. Пока за нее это делает человек, мы в безопасности. Кроме того, универсальной нейросети, которая одинаково хорошо решала бы несколько разных задач, не существует. Программа, победившая сильнейших игроков в го, не сможет отличить кубик от шарика на картинке.

Нейросети и искусственный интеллект — это что-то новое в мире технологий?

Не совсем. Основы нейросетей были заложены математиками еще в середине прошлого века. Но до недавнего времени их потенциал трудно было раскрыть полностью. Для обучения большой нейросети нужно очень много мощных компьютеров — слишком много нейронов и связей между ними нужно настроить.

Могу я сам обучить нейросеть новым задачам? Например, по видео в домофоне определять, что за человек пришел.

Сейчас это требует специальных знаний, большого количества данных для обучения и вычислительных ресурсов. Но со временем обучение нейросетей и их использование будет становиться проще и доступнее.

Где узнать больше о нейросетях?

Читайте на «Медузе» интервью о том, как нейросеть научили играть в го лучше человека, зачем это было нужно и как искусственный интеллект изменит нашу жизнь в ближайшее время.

Автор: Александр Крайнов, руководитель службы компьютерного зрения и технологий искусственного интеллекта компании «Яндекс»

• Телеграм
• Фейсбук
• Твиттер

Как создать искусственный интеллект?

Хотите разобраться в создании AI и обучении нейросетей? Узнайте, как создают искусственный интеллект и как обучить его. Получите знания о процессе создания и обучения AI прямо сейчас!

Навигация по странице

1. Что такое искусственный интеллект
2. Методы и технологии обучения AI
3. Почему лучше учиться на курсах GeekBrains

Не секрет, что сегодня технологии развиваются с огромной скоростью. Искусственный интеллект (ИИ, AI) и нейронные сети еще не так давно были плодом воображения писателей-фантастов, а сегодня стали реальностью. С искусственным интеллектом можно решать множество задач, ведь он широко применяется в разных областях — медицине, тяжелой промышленности, маркетинге и других. Мы постоянно используем ИИ в повседневной жизни, нередко сами того не подозревая. Поскольку все больше компаний и предприятий внедряет ИИ в свою деятельность, спрос на высококвалифицированных специалистов в соответствующей сфере стремительно растет.

В этой статье мы поговорим о том, что такое искусственный интеллект, рассмотрим технологии искусственного интеллекта и машинного обучения, а также расскажем, как создать искусственный интеллект.

Что такое искусственный интеллект

Прежде всего стоит отметить, что искусственный интеллект — это достаточно размытый термин, однозначного определения нет по сей день. В 1956 году, когда на научном семинаре в Дартмуте впервые прозвучало это словосочетание, в него вкладывалось значение, которое существенно отличалось от современного. В те годы искусственный интеллект рассматривался как некая сущность, которая сможет выполнять перевод текстов с одного языка на другой, производить распознавание объектов по фотографии или видеозаписи, понимать человеческую речь и соответственно на нее отвечать. Современный ИИ способен делать все вышеперечисленное. Однако чем больших успехов удавалось достичь, тем больше требований выдвигалось к ИИ.

Чаще всего можно услышать, что искусственный интеллект подразумевает способность электронной вычислительной машины анализировать данные и принимать решения в соответствии с принципами, по которым функционирует человеческий мозг. Таким образом, от нейросети мы вправе требовать умения обучаться и применять свои знания на практике. Современный искусственный интеллект успешно справляется с этими задачами.

Методы и технологии обучения AI

Есть разные точки зрения на предмет того, как классифицировать методы ИИ. Мы предлагаем следующую классификацию:

• обработка естественного языка — предполагает разработку ПО для преобразования данных в естественный язык, понятный ЭВМ и применяемый ей для ответов человеку;
• машинное обучение — это способность ЭВМ учиться и развиваться на основе опыта, не будучи прямо запрограммированной на это. Иначе говоря, это способность компьютера искать закономерности в сложных для человека задачах, находить верные ответы и достоверно прогнозировать события;
• глубокое обучение — предполагает обнаружение закономерностей в больших массивах данных. В технологии глубокого обучения обработкой данных занимаются искусственные нейросети (ИНС). В ИНС используется алгоритм самообучения, который позволяет решать разнообразные задачи с учетом полученного ранее опыта.

Помимо этого, в искусственном интеллекте используются технологии машинного зрения (для поиска и идентификации объектов, аналитики полученных сведений) и нахождения закономерностей в массиве разнородной информации (для предсказания последующих событий).

Как сделать свой ИИ самостоятельно: пошаговый план

Разработка и обучение искусственного интеллекта на первый взгляд кажется весьма непростой задачей, однако с современными инструментами это стало более доступно. Создание AI включает следующие этапы:

1. Определение задачи. Перед тем как начать создавать искусственный интеллект или нейросеть своими руками, нужно определить задачу, которую будет решать ИИ. Это может быть генерация лица человека, которого никогда не существовало, сортировка текстовых материалов, анализ временных рядов и так далее.
2. Сбор и подготовка данных. Для обучения искусственного интеллекта требуются данные. Можно использовать открытые наборы данных или создать свои собственные. Прежде чем начать использовать данные, их «очищают» и готовят (удаляют дубликаты, заполняют пропущенные значения).
3. Выбор алгоритма машинного обучения. Речь идет об одном или нескольких методах, которые позволяют обучить искусственный интеллект. Конкретный алгоритм выбирают в зависимости от поставленной задачи. К примеру, для классификации текстовых материалов могут использоваться рекуррентные «нейронки».
4. Обучение модели. После того как был выбран алгоритм, нужно обучить модель на заготовленных данных. Длительность «учебы» зависит от сложности задачи и объема данных. Разумеется, машинное обучение AI в домашних условиях также возможно.
5. Оценка производительности. После обучения модели оценивают ее производительность. Процедура оценки включает расчет метрик качества, таких как точность, полнота и F1-score. Если производительность не отвечает требованиям, проводят дополнительную настройку.
6. 6. Использование модели для решения задач. Когда модель обучена и протестирована, ее можно использовать для решения реальных задач. Например, если была разработана модель для распознавания лиц, ее можно применять для автоматизированной идентификации людей на фотоснимках или видеороликах.
7. Итеративное улучшение модели. Искусственный интеллект — это итеративный процесс. Разработчик может добавлять новые данные или видоизменять характеристики модели.
8. Использование готовых инструментов. Есть большое количество инструментов, которые можно применять для создания и обучения моделей. К примеру, PyTorch, Keras и TensorFlow. Перечисленные выше инструменты существенно упрощают работу. Допустим, что необходимо разработать бота наподобие Siri. Разработать простейший искусственный интеллект, способный воспринимать человеческую речь и адекватно отвечать на вопросы, несложно.

Подобную задачу можно реализовать за несколько дней с помощью языка программирования Python и двух API:

• AssemblyAI для преобразования речи в текстовый вид.
• OpenAI для интерпретации вопроса и получения ответа.

Узнай, как получить
5 онлайн-курсов бесплатно

Почему следует выбрать курсы GeekBrains

GeekBrains — это ведущая образовательная онлайн-платформа в русскоязычном пространстве. Над курсами GB работают опытные преподаватели, которые отлично разбираются в теории и могут похвастаться практическими достижениями, а значит, на личном опыте расскажут, как создают ИИ. Программа обучения построена таким образом, чтобы у пользователей оставалось время на работу и личную жизнь. Кроме того, GB поможет войти в профессию. Для этого площадка обеспечивает все условия:

• Обучающие материалы. Студент получает доступ к учебным руководствам, статьям и видеопособиям, позволяющим понять как обучают AI, взять на вооружение пошаговую инструкцию. Есть возможность общаться с наставниками и одногруппниками.
• Тестирование. Тесты помогают проверить, насколько хорошо студент усвоил программу. Тестирование также можно рассматривать как своего рода подготовку перед собеседованием.
• Обратная связь. Когда возникают вопросы (к примеру, «как обучить искусственный интеллект?») или хочется поделиться опытом, можно посетить форум, разработанный специально для студентов образовательного портала. Как правило, пользователи оперативно отвечают и помогают разобраться с возникающими проблемами.

По окончанию обучения выпускник получает сертификат, который подтверждает его квалификацию.

Искусственный интеллект — это не просто технология, это возможность расширить границы человеческого мышления и достичь невероятных высот в решении сложных задач. Нас ждут потрясающие открытия и прорывы благодаря этому симбиозу между машинами и разумом.

Илон Маск, предприниматель и основатель компаний Tesla и SpaceX

Искусственный интеллект — инновационная технология, которая предоставляет нам возможность решать самые сложные задачи и расширять наши познания. Это соединение машинного и человеческого интеллекта открывает перед нами новые горизонты и перспективы, которые могут изменить мир в лучшую сторону.

Получить консультацию

Отправляя заявку, вы принимаете условия публичного договора и даете согласие на обработку своих персональных данных в соответствии с политикой конфиденциальности.

Отправляя заявку, вы принимаете условия публичного договора и даете согласие на обработку своих персональных данных в соответствии с политикой конфиденциальности.

Введение в искусственный интеллект

Курс «Введение в искусственный интеллект» поможет овладеть навыками Data Culture.

• О курсе
• Формат
• Информационные ресурсы
• Требования
• Программа курса
• Результаты обучения
• Формируемые компетенции
• Направления подготовки
• Отзывы о курсе

О курсе

Курс является вводным и знакомит слушателей с основами науки о данных и принципами работы искусственного интеллекта. Курс будет интересен и полезен не только тем, кто уже знаком с основами анализа данных и программированием, но и тем, кто не имеет бэкграунда в этой области.

За последние десятилетия во многих областях науки и индустрии стали накапливаться большие объемы данных, а также стали развиваться методы машинного обучения, позволяющие извлекать из этих данных знания и экономическую пользу. Сегодня методы анализа данных позволяют решать настолько сложные задачи, что в применении к ним всё чаще используют термин “искусственный интеллект”.

Задача онлайн курса от НИУ ВШЭ — дать слушателям базовое представление о методах искусственного интеллекта, познакомить с терминологией и научить применять некоторые из методов для решения несложных задач. В процессе обучения вы дистанционно узнаете больше о мире искусственного интеллекта, его методах и даже самостоятельно попробуете обучать несложные модели на готовых данных.

Формат

Курс состоит из 12 недель. Каждая неделя содержит видеолекции, тестовые задания и материалы для самостоятельного изучения. В открытом доступе вы можете ознакомиться с видеолекциями первых двух недель, остальные материалы станут доступны после оплаты курса.

Информационные ресурсы

1. Смолин Д. В. Введение в искусственный интеллект: конспект лекций. Учебное пособие. М: ФИЗМАТЛИТ, 2007.
2. Osondu O. A First Course in Artificial Intelligence. Bentham Science Publishers Ltd., 2021.
3. Алексеева И.Ю. Интеллект и технологии: монография. М: Проспект, 2016.

Требования

Программа курса

1. Введение в искусственный интеллект.
2. Введение в машинное обучение.
3. Машинное обучение в задачах классификации.
4. Введение в машинное обучение: кластеризация и визуализация данных.
5. Введение в теорию вероятностей.
6. Введение в математическую статистику.
7. A/B тестирование.
8. Основы визуализации данных.
9. Введение в нейронные сети.
10. Нейронные сети в задачах распознавания изображений.
11. Нейронные сети в задачах стилизации изображений.
12. Другие задачи искусственного интеллекта: рекомендательные системы и ассоциативные правила.

Результаты обучения

В результате усвоения курса слушатели научатся:

• Обучать несложные модели на готовых данных в Orange;
• Интерпретировать статистические данные;
• Проводить разведывательный анализ данных;
• Понимать основные ошибки в рассуждениях на основе данных;
• “Отличать случайное от неслучайного” — проверять гипотезы;
• Грамотно визуализировать результаты исследований.

Формируемые компетенции

Курс позволяет освоить следующие компетенции в соответствии с Рекомендациями к дополнительным профессиональным программам ИТ-профиля, реализуемым в рамках проекта «Цифровые кафедры» университета–участника программы стратегического академического лидерства «Приоритет-2030»:

Сфера: Искусственный интеллект и машинное обучение
Компетенция: Применяет искусственный интеллект и машинное обучение
Уровень: Базовый

Сфера: Искусственный интеллект и машинное обучение
Компетенция: Решает задачи искусственного интеллекта (ИИ)
Уровень: Базовый

Искусственный интеллект, машинное обучение и глубокое обучение: в чём разница

Компьютер запросто диагностирует рак, управляет автомобилем и умеет обучаться. Почему же машины пока не захватили власть над человечеством?

Юлия Гаврилова

Пишет про digital и машинное обучение для корпоративных блогов. Топ-автор в категории «Искусственный интеллект» на Medium. Kaggle-эксперт.

Мы пользуемся Google-картами, позволяем сайтам подбирать для нас интересные фильмы и советовать, что купить. И, в общем-то, слышали, что под капотом всех этих умных вещей — искусственный интеллект, машинное обучение и deep learning. Но сможете ли вы с ходу отличить одно от другого? Разбираемся на примерах.

Что такое искусственный интеллект

Искусственный интеллект (англ. artificial intelligence) — это способность компьютера обучаться, принимать решения и выполнять действия, свойственные человеческому интеллекту.

Кроме того, ИИ — это наука на стыке математики, биологии, психологии, кибернетики и ещё кучи всего. Она изучает технологии, которые позволяют человеку писать «интеллектуальные» программы и учить компьютеры решать задачи самостоятельно. Главная задача ИИ — понять, как устроен человеческий интеллект, и смоделировать его.

В области искусственного интеллекта есть подразделы. К ним относятся робототехника, наука о компьютерном зрении, обработка естественного языка и машинное обучение.

Хотите знать, может ли машина мыслить и чувствовать как человек? Приходите на курс «Философия искусственного интеллекта». Здесь вы получите новые знания об ИИ, обсудите актуальные вопросы с преподавателями и однокурсниками и прокачаете навык публичных выступлений.

Каким бывает искусственный интеллект

Исследователи обычно делят ИИ на три группы:

Слабый ИИ (Weak, или Narrow AI)

Слабый интеллект — тот, что нам уже удалось создать. Такой ИИ способен решать определённую задачу. Зачастую даже лучше, чем человек. Например, как Deep Blue — компьютерная программа, которая обыграла Гарри Каспарова в шахматы ещё в 1996 году. Но такая Deep Blue не умеет делать ничего другого и никогда этому не научится. Слабый ИИ используют в медицине, логистике, банковском деле, бизнесе:

• Искусственный интеллект от Google смог опередить опытных врачей в точности диагностики рака молочной железы. Чтобы это сделать, использовали сотни тысяч результатов скрининга . По данным Американского онкологического общества, врачи не диагностируют рак примерно в 20% случаев и часто ставят ложный диагноз. ИИ не только поставил более точный диагноз, чем врачи, — на 9,4%, — но и чаще указывал на болезнь там, где онкологи не сумели её распознать.
• Amazon — одна из ведущих ИИ-компаний в мире — разработала систему Fraud Detector. Она помогает бороться с онлайн-мошенничеством, из-за которого люди и компании теряют миллионы долларов. Алгоритм следит за действиями пользователей в реальном времени, находит их и сообщает об аномалиях — например, помечает подозрительные заказы, которые нужно проверить до совершения платежа. Это можно использовать в банках, онлайн-магазинах и крупных компаниях.
• Беспилотные автомобили Waymo благодаря машинному обучению способны передвигаться по реальным дорогам без вреда для пассажиров и прохожих. Кстати, такие машины — правда, от компании Toyota — будут использовать на следующих Олимпийских играх в Японии для транспортировки гостей.

Это несколько примеров, в реальности применений намного больше.

Сильный ИИ (Strong, или General AI)

Как выглядел бы сильный искусственный интеллект, можно увидеть в игре Detroit: Become Human.

Во вселенной Detroit роботы способны учиться, мыслить, чувствовать, осознавать себя и принимать решения. Одним словом, становятся похожи на человека. А в обычной жизни ближе всего к General AI чат-боты и виртуальные ассистенты, которые имитируют человеческое общение. Здесь ключевое слово — имитируют. Siri или Алиса не думают — и неспособны принимать решения в ситуациях, которым их не обучили. Сильный искусственный интеллект пока остаётся мечтой.

Суперинтеллект (Superintelligence)

Мы не только не создали суперинтеллект, но и не имеем пока что ни малейшего представления, как это сделать и можно ли вообще. Это не просто умные машины, а компьютеры, которые во всём превосходят людей. Проще говоря, что-то из области фантастики.

Машинное обучение: как учится ИИ

Машинное обучение (англ. machine learning) — это один из разделов науки об ИИ. Здесь используются алгоритмы для анализа данных, получения выводов или предсказаний в отношении чего-либо. Вместо того чтобы кодировать набор команд вручную, машину обучают и дают ей возможность научиться выполнять поставленную задачу самостоятельно.

Чтобы машина могла принимать решения, необходимы три вещи:

• Алгоритм — специальная программа, которая говорит компьютеру, что делать и откуда брать данные. Например, мы можем написать программу, которая сортирует пиццу: «Маргарита», с грибами, с колбасой.
• Набор данных — примеры, на которых машина тренируется. Это могут быть картинки, видео, текст — что угодно. В нашем случае понадобятся тысячи фотографий различных пицц. Чем больше примеров, тем богаче опыт, — совсем как у людей.
• Признаки — на что компьютеру смотреть при принятии решения? Если мы занимаемся машинным обучением с учителем, то вручную выделяем грибочки и кусочки колбасы. При обучении без учителя — сливаем все данные в программу и даём компьютеру самому разобраться, где что, а при необходимости корректируем.

В машинном обучении много разных алгоритмов. Один из самых простых — линейная регрессия. Её применяют, если есть линейная зависимость между переменными. Пример: чем больше сумма заказа, тем больше вы оставите чаевых. По имеющимся данным можно предсказать сумму чаевых в будущем. В общем-то, простая математика.

Есть байесовские алгоритмы. В их основе применение теоремы Байеса и теории вероятности. Эти алгоритмы используют для работы с текстовыми документами — например, для спам-фильтрации. Программе нужно дать наборы данных по категориям «спам» и «не спам». Дальше алгоритм будет самостоятельно оценивать вероятность того, что слова «Бесплатные туры для пенсионеров» и «Закажи маме тур, пожалуйста» относятся к той или иной категории.

А ещё есть нейронные сети, о них вы наверняка слышали. Они относятся к методам глубокого машинного обучения, и об этом чуть подробнее.

Deep learning: глубокое обучение для разных целей

Глубокое обучение — подраздел машинного обучения. Алгоритмам глубокого обучения не нужен учитель, только заранее подготовленные (размеченные) данные.

Самый популярный, но не единственный метод глубокого обучения, — искусственные нейронные сети (ИНС). Они больше всего похожи на то, как устроен человеческий мозг.

Нейронные сети — это набор связанных единиц (нейронов) и нейронных связей (синапсов). Каждое соединение передаёт сигнал от одного нейрона к другому, как в мозге человека. Обычно нейроны и синапсы организованы в слои, чтобы обрабатывать информацию. Первый слой нейросети — это вход, который получает данные. Последний — выход, результат работы. Например, несколько категорий, к одной из которых мы просим отнести то, что было отправлено на вход. И между ними — скрытые слои, которые выполняют преобразование.

По сути, скрытые слои выполняют какую-то математическую функцию. Мы её не задаём, программа сама учится выводить результат. Можно научить нейросеть классифицировать изображения или находить на изображении нужный объект. Помните, как reCAPTCHA просит найти все изображения грузовиков или светофоров, чтобы доказать, что вы не робот? Нейронная сеть выполняет то же самое, что и наш мозг, — видит знакомые элементы и понимает: «О, кажется, это грузовик!»

А ещё нейросети могут генерировать объекты: музыку, тексты, изображения. Например, компания Botnik скормила нейросети все книги про Гарри Поттера и попросила написать свою. Получился «Гарри Поттер и портрет того, что выглядит как огромная куча пепла». Звучит немного странно, но как минимум с точки зрения грамматики это сочинение имеет смысл.

Сегодня нейронные сети могут применяться практически для любой задачи. Например, при диагностике рака, прогнозировании продаж, идентификации лиц в системах безопасности, машинных переводах, обработке фотографий и музыки.

Чтобы обучить нейросеть, нужны гигантские наборы тщательно отобранных данных. Например, для распознавания сортов огурцов нужно обработать 1,5 млн разных фотографий. Не получится просто слить рандомные картинки или текст из интернета — их нужно подготовить: привести к одному формату и удалить то, что точно не подходит (например, мы классифицируем пиццу, а в наборе данных у нас фото грузовика). На разметку данных — подготовку и систематизацию — уходят тысячи человеко-часов.

Чтобы создать новую нейросеть, требуется задать алгоритм, прогнать через него все данные, протестировать и неоднократно оптимизировать. Это сложно и долго. Поэтому иногда проще воспользоваться более простыми алгоритмами — например, регрессией.

Подведём итоги

Искусственный интеллект — одновременно и наука, которая помогает создавать «умные» машины, и способность компьютера обучаться и принимать решения.

Машинное обучение — одна из областей искусственного интеллекта. МО использует алгоритмы для анализа данных и получения выводов.

А глубокое обучение — лишь один из методов машинного обучения, в рамках которого компьютер учится без учителя подспудно, с помощью данных.

Если чувствуете, что вас привлекает проектирование машинного интеллекта, продолжить образование можно на нашем курсе. Вы научитесь писать алгоритмы, собирать и сортировать данные и получите престижную профессию Data Scientist — специалист по машинному обучению.

Читайте также:

• 15 книг по машинному обучению для начинающих
• Такая вот музыка: что слушают в русскоязычном IT-комьюнити
• Создаём первую модель машинного обучения: используем Colab, Pandas и Sklearn

Первичное, обычно регулярное, обследование тех, у кого нет клинических симптомов. Проводится с целью ранней диагностики заболевания.

До покупки Google, Waymo cars была самостоятельной компанией по производству самопилотируемых автомобилей.

Умный облачный помощник для устройств Apple.

Виртуальный голосовой помощник, созданный компанией «Яндекс».

Одна из основных теорем элементарной теории вероятностей. Позволяет переставить причину и следствие: по известному факту события вычислить вероятность того, что оно было вызвано этой причиной.