Компания-стартап Niara занимается разработкой технологий анализа сетевого трафика и журналов с помощью методов машинного обучения и обработки больших данных. Такой анализ дает возможность выявить кибератаки, уже проникшие за внешний уровень защиты корпоративной сети. На первом этапе проводится автоматический анализ «нормального» поведения пользователей и подключенных к сети устройств, а затем в потоке данных ищутся отклонения от нормы, указывающие на вероятные угрозы безопасности. Применение машинного обучения сократило время расследования отдельных инцидентов с суток при ручном анализе до минуты, утверждают в Hewlett Packard Enterprise.

Анализ сетевого трафика в современных корпоративных сетях используется редко и лишь для контроля доступа к заданным видам трафика, но не для выявления кибератак, признает генеральный менеджер подразделения HPE Aruba Керти Мелкот. Технологии Niara предполагается включить в платформу Aruba ClearPass Policy Manager, которая стала принадлежать HPE с 2015 года, после покупки компании Aruba Networks. Директор Niara Шрирам Рамачандран и некоторые другие руководители и специалисты Niara раньше тоже работали в Aruba, занимаясь разработкой системы ArubaOS.

В Google задались целью наделить интеллектом технику, конструируемую на базе Raspberry Pi 3, Intel Edison и других плат прототипирования.

В компании хотят предложить умельцам инструменты с открытым кодом, с помощью которого можно будет снабжать средствами машинного обучения устройства Интернета вещей, разрабатываемые на основе одноплатных компьютеров.

«Мы еще не готовы рассказать подробности — они будут чуть позже, но можем подчеркнуть, что готовы делиться инструментами машинного обучения с инженерным сообществом», — заявили в Google.

Недавно компания опубликовала исследование, целью которого было побольше узнать о сообществе энтузиастовв-«самодельщиков» и его предпочтениях. В докладе упомянуто, что в Google хотят предложить инженерам «умные инструменты».

В блоге Raspberry Pi, между тем, появился пост, согласно которому инструменты машинного обучения Google станут доступными в этом году, чтобы «придать еще более развитые способности умным устройствам на базе миникомпьютера».

В частности, устройства можно будет снабжать технологиями распознавания образов и речи, разработанными в Google. Самодельный дрон или робот благодаря им смог бы точнее идентифицировать объекты или отвечать на вопросы, заданные вслух.

Распознавание речи — наиболее известная из технологий искусственного интеллекта Google: она является основой Google Assistant, виртуального голосового ассистента, доступного в смартфонах, планшетах, телевизорах и беспроводном динамике Google Home. Но в умных устройствах на одноплатных компьютерах вроде Raspberry Pi она пока не используется.

Идя на встречу инженерам, Google получает больше возможностей для закрепления на развивающемся рынке Интернета вещей. По прогнозу аналитиков IHS, поставки устройств Интернета вещей к 2020 году достигнут 30,7 млрд штук, а к 2025-му — 75,4 млрд, больше, чем у смартфонов и ПК.

Рост числа устройств, пользующихся средствами искусственного интеллекта Google, также способен помочь компании в конкурентной борьбе с Amazon, чей голосовой ассистент Alexa был в центре внимания на январской выставке CES. Alexa встраивают в автомобили, бытовую технику и многочисленные гаджеты.

Такие компании, как Microsoft, Samsung и Intel, тоже ищут расположения инженеров. В частности, операционная система Windows 10 IoT Core может работать на Raspberry Pi 3, Microsoft предлагает энтузиастам доступ к инструментам аналитики и машинного обучения в облаке Azure.

Пользователи одноплатного компьютера Samsung Artik Board имеют доступ к облаку Artik Cloud, в котором есть сервисы анализа данных и искусственного интеллекта. Artik Cloud также работает с платами Raspberry Pi, колонкой Amazon Echo, устройствами для умного дома семейства Nest и носимыми гаджетами вроде Fitbit.

Вероятно, Google предложит инженерам свою библиотеку функций машинного обучения TensorFlow. С ее помощью гаджеты смогут обучаться на входных данных, выводя закономерности и тенденции. Но у плат прототипирования мало вычислительной мощности, поэтому возможно, что устройства будут обращаться к функциям машинного обучения в облаке Google. Например, если роботу не будет хватать собственных способностей распознавания образов, при идентификации препятствий он сможет консультироваться с облаком.

В компании Movidius, дочернем предприятии Intel, создали доработанную версию TensorFlow, улучшив функции зрения для роботов и дронов. А в Google, между тем, заканчивают работу над Android Things — это облегченная версия мобильной ОС, предназначенная для Интернета вещей. В Google пока не уточняли, доступны ли в Android Things какие-либо технологии искусственного интеллекта.

Компания Google располагает отличными технологиями для распознавания изображений и речи, а когнитивные системы IBM могут диагностировать заболевания и уже одержали победу над человеком в телевизионной викторине Jeopardy.

Объедините средства двух этих производителей, и вы получите мощный компьютер с очень серьезными мозгами.

IBM объединяет инструменты искусственного интеллекта Google со своими собственными когнитивными технологиями, позволяя системам глубинного обучения находить более точные ответы на сложные вопросы и лучше распознавать изображения и голос.

Инструменты машинного обучения с открытым кодом Google TensorFlow включены в состав пакета IBM PowerAI, также предназначенного для компьютерного обучения. Совместное их использование позволит улучшить качество машинного обучения на серверах IBM Power.

Подобно человеку, компьютер обучается на основе данных, поступающих в систему. Инструменты PowerAI и TensorFlow помогают находить шаблоны и классифицировать данные, выдавая приблизительные ответы на вопросы. Чем интенсивнее компьютер обучается, тем точнее будут ответы.

У IBM уже имеется система Watson, использующая современное оборудование и программное обеспечение для поиска ответов на сложные вопросы. Однако инструменты PowerAI являются более адаптируемыми в сравнении с системой Watson, которая представляет собой уже готовый комплект оборудования, программного обеспечения и облачных технологий, предназначенный для создания определенных моделей, например, медицинских или финансовых.

«Встраивание TensorFlow в PowerAI поможет нам решить серьезную проблему интеграции технологий машинного обучения Google в системы Power, – указал вице-президент IBM по высокопроизводительным вычислениям и аналитическим системам Сумит Гупта. – Сейчас клиенты вынуждены загружать программное обеспечение TensorFlow с сайта Google и устанавливать его отдельно, что отнимает у них немало времени. Оптимизация TensorFlow для PowerAI позволит заметно упростить этот процесс».

Компания Google обновляет TensorFlow примерно раз в месяц. Отслеживание обновлений возлагается на самих клиентов. IBM будет обновлять PowerAI, встраивая туда новейшие инструменты TensorFlow, ежеквартально.

IBM пока не создает отдельной ветви TensorFlow для PowerAI, но в перспективе такое возможно. Для PowerAI уже выпущена отдельная версия среды глубинного обучения с открытым кодом Caffe.

Появление отдельных ветвей TensorFlow для конкретного оборудования или приложений – весьма распространенная практика. Отдельные версии TensorFlow уже существуют для графических процессоров Nvidia, встроенных устройств, роботов и дронов.

Интеграция и оптимизация TensorFlow с учетом особенностей PowerAI будет способствовать ускорению машинного обучения. Новая версия PowerAI предназначена для сервера IBM Power Systems S822LC, использующего для решения задач машинного обучения графические процессоры, подключенные к высокоскоростной шине Nvidia NVlink. При этом NVlink работает быстрее интерфейса PCI-Express 3.0, используемого сегодня в большинстве серверов. Сервер S822LC проектировался специально для графических процессоров Nvidia Tesla P100.

Клиенты, не имеющие в своем распоряжении оборудования IBM, но желающие протестировать последнюю версию PowerAI с TensorFlow, могут проделать это с помощью облачного сервиса Nimbix.

Помимо машинного обучения PowerAI может помочь с распознаванием случаев мошенничества или для выдачи рекомендаций, особенно при совершении покупок. Поскольку компьютер обучается на основе поступающих данных, сформированных шаблонов и классификации, он лучше приспособлен к идентификации подозрительных транзакций, а это высоко ценится финансовыми институтами. Выдача рекомендаций может помочь интернет-магазинам увеличить объемы продаж.

Инструменты PowerAI не так популярны, как система Watson, получившая известность благодаря своей победе над человеком в викторине Jeopardy. Но по функционалу PowerAI, TensorFlow и Watson перекрывают и дополняют друг друга, что позволяет создавать еще более мощные модели обучения. Компания, использующая Watson, может, например, подключиться к TensorFlow или PowerAI для решения конкретных задач компьютерного обучения.

В PowerAI сегодня уже интегрированы многие средства машинного обучения, включая Caffe, Torch и Theano.

Выступая на Всемирном экономическом форуме в Давосе, сооснователь Google Сергей Брин признался, что был захвачен врасплох стремительным ростом применения искусственного интеллекта. По его словам, в 1990-х он игнорировал эту предметную область, так как «все знали, что искусственный интеллект не работает».

Брин раньше возглавлял исследовательское подразделение Google X, один из проектов которого, Google Brain, касался машинного интеллекта. По словам Брина, руководитель проекта Джефф Дин однажды решил впечатлить его возможностями машины, показав изображение кота, нарисованного компьютером. Но Брин лишь ответил: «Очень мило — делайте с этим, что хотите». Однако прошло несколько лет, и наработки Brain начали использовать практически во всех сервисах Google, от поиска по сайтам и снимкам до рекламной платформы.

В числе направлений работы Google Brain — понимание естественного языка, машинное восприятие, медицина, робототехника, автоматизированное создание музыки и произведений искусства.

Брин, ныне президент Alphabet, родительской компании Goolge, признает, что масштабы революции глубинного обучения его поразили, хотя он «находился в самом ее центре». По его мнению, предсказать будущие способности искусственного интеллекта очень трудно — «мы не имеем представления о пределах его возможностей».

Прошло около трети 20-дневного состязания по покеру между людьми и системой искусственного интеллекта Libratus. За это время сыграно более 34 тыс. партий, а всего к концу чемпионата их число составит около 120 тыс.

Компьютер одержал победу над человеком в шахматы в 1997 году, в телевикторине Jeopardy! в 2011-м и в го в 2016-м, но покер для машины гораздо труднее, так как требует принятия решений на основании неполной информации, при том что соперники могут блефовать и пользоваться другими уловками.

Турнир, стартовавший 11 января, проходит под лозунгом «Мозг против искусственного интеллекта: ставки поднимаются». Место проведения — казино Rivers в Питтсбурге. Честь человечества защищают профессиональные игроки в покер Джейсон Лес, Донг Ким, Дэниел Маколей и Джимми Чоу. Игры проходят по правилам техасского холдема, с возможностью поднимать ставки без лимитов. Люди играют с машиной один на один.

Libratus с самого начала вырвалась вперед, в первый же день выиграв у людей и более чем вдвое увеличив отрыв во второй.

«Весьма неплохо, учитывая, что перед чемпионатом на букмекерских сайтах шансы проигрыша системы оценивали очень высоко — 4:1 или 5:1», — говорит Туомас Сандхолм, профессор Университета Карнеги-Меллон, ведущий разработчик Libratus.

«Насколько я понимаю, чем дольше длится игра, тем больше искусственный интеллект получает информации, позволяющей ему становиться сильнее, — отмечает Зевс Керравала, аналитик ZK Research. — Для людей покер — это сочетание умения, интуиции и эмоций. А компьютер строит игру на основе полученной информации. Покер хорошо подходит для проверки способностей искусственного интеллекта играть против людей, поскольку в нем человек не только применяет логику, но и пытается перехитрить соперников. Вот блек-джек, например, это в большей степени логическая игра, поэтому на роль такого теста он не подходит».

По словам Сэндхолма, покер рассматривался в качестве точной мерки возможностей искусственного интеллекта еще во времена зарождения этой дисциплины, поскольку данная карточная игра считается более сложной, чем шахматы или го.

Система искусственного интеллекта, созданная учеными Университета Карнеги-Меллон, бросает вызов людям уже во второй раз: первый чемпионат серии «Мозг против искусственного интеллекта» прошел в 2015 году — с участием другой системы, которая называлась Claudico. Ее разработчиком тоже был Сэндхолм.

Claudico не удалось победить — компьютер собрал меньше фишек, чем трое из четырех профессионалов, игравших против нее.

Но на этот раз аналитики технологической отрасли дают компьютеру высокие шансы на победу. «Я удивляюсь лишь тому, что компьютер не выигрывает постоянно, при том что он непрерывно совершенствуется, наблюдая за игрой соперников, — признается Керравала. — Но может быть, это связано с особенностями процесса его обучения. Уверен, что в конце концов победа будет за машиной. Чем дольше идет игра, тем больше искусственный интеллект собирает данных, склоняющих чашу весов в его пользу».

Пожалуй, самым интересным в девятой серии прогнозов IBM «Пять инноваций, которые помогут изменить нашу жизнь в течение пяти лет» является то, что ни один из них не выглядит научной фантастикой.

«Совершенствуя искусственный интеллект и нанотехнологии, мы рассчитываем изобрести новое поколение научных инструментов, с помощью которых в течение ближайших пяти лет будут сделаны сложные системы, недоступные сегодня нашему сознанию», – заявил вице-президент подразделения IBM Research по исследованиям и решениям Дарио Джил.

К областям, которым IBM отводит ключевое значение при решении этой задачи, относятся в том числе и искусственный интеллект, гиперизображения и маленькие датчики.

Источник: IBM Research

1. В ближайшие пять лет все сказанное и написанное человеком будет использоваться в качестве индикаторов его психического состояния и физического здоровья. Конструкции, применяемые нами в устной и письменной речи, будут анализироваться новыми когнитивными системами с целью распознавания признаков психических и неврологических расстройств на ранних стадиях их проявления. Это поможет врачам и пациентам улучшить прогнозирование и отслеживание таких заболеваний. Используя стенограммы и аудиозаписи бесед с психиатрами в сочетании с технологиями машинного обучения, можно будет выявлять речевые шаблоны, характерные для таких состояний, как психозы, шизофрения, различные мании и депрессия.

Сегодня вероятность возникновения психоза определяется врачами на основе употребления примерно 300 слов. Когнитивные компьютеры смогут анализировать устную и письменную речь пациента, фиксируя соответствующие индикаторы в его языке, в том числе в семантике, синтаксисе и интонации. Объединение результатов такого анализа с данными, собираемыми носимыми устройствами и системами распознавания изображений (магнитно-резонансной томографии и электроэнцефалограмм), позволит врачам получать общую картину, помогающую точнее диагностировать, понимать и лечить психические заболевания.

Источник: IBM Research

2. Появятся новые устройства, помогающие с помощью технологий гиперизображений и искусственного интеллекта выйти за рамки видимого спектра и задействовать диапазон электромагнитных волн, что позволит получить ценную информацию о потенциальных опасностях, которые в противном случае остались бы нераспознанными и скрытыми от глаз. Устройства эти будут портативными, недорогими и доступными, благодаря чему «зрение супергероя» станет повседневной частью нашей жизни.

Более четкое представление об окружающих нас невидимых или едва различимых физических явлениях поможет в управлении автомобилями, в том числе и беспилотными. Использование датчиков излучения миллиметрового диапазона, камер и других сенсоров, а также технологий гиперизображений упростит вождение в условиях дождя и тумана, позволит своевременно узнавать о гололедице и других опасностях, а также обнаруживать находящиеся впереди объекты, их размеры и расстояние до них. В телефоны будут встроены технологии, которые дадут изображения еды с указанием ее пищевой ценности и безопасности употребления. Гиперизображения фармацевтических препаратов или банковских чеков позволят определять, какие из них являются подделками, а какие нет.

Источник: IBM Research

3. Новые медицинские «лаборатории на чипе» станут своего рода индикаторами состояния здоровья: они будут отслеживать невидимые процессы, протекающие внутри человеческого тела, и немедленно информировать нас о необходимости обратиться к врачу. Конечная цель заключается в том, чтобы одна маленькая микросхема выполняла все процессы, которые необходимы для анализа заболевания и в общем случае проводятся в полноценной биохимической лаборатории.

Такая «лаборатория на чипе» может быть интегрирована в более удобные карманные устройства, которые позволят регулярно и быстро проверять биомаркеры, свидетельствующие о наличии заболеваний, и прямо из дома пересылать эту информацию в облако. Можно объединить эти сведения с данными других устройств Интернета вещей (мониторов сна, умных часов и пр.) и анализировать их с помощью систем искусственного интеллекта. Все это в совокупности поможет нам получать более полную информацию о состоянии своего здоровья и своевременные предупреждения о возникновении различных недугов, излечивая их еще до того, как они начнут прогрессировать.

Источник: IBM Research

4. Новые датчики, развернутые вблизи скважин добычи природного газа, мест его хранения и трубопроводов, позволят регистрировать невидимые утечки в реальном времени. Беспроводные сети, объединяющие датчики Интернета вещей и подключенные к облаку, обеспечат постоянный контроль за функционированием газовой инфраструктуры. Утечки будут обнаруживаться за несколько часов, а не недель, что приведет к уменьшению загрязнений и растрат ресурсов, которыми сопровождается любая техногенная катастрофа. Исследователи из IBM совместно с газодобывающими компаниями (в частности, с Southwestern Energy) занимаются сегодня разработкой интеллектуальных систем мониторинга метана и принимают участие в реализации программы ARPA-E Methane Observation Networks with Innovative Technology to Obtain Reductions (MONITOR).

Источник: IBM Research

5. Будут разработаны алгоритмы машинного обучения и программное обеспечение, которые помогут упорядочить информацию о физическом мире и организовать масштабный сбор данных с миллиардов устройств в рамках существующего видения и понимания. Мы называем это макроскопом, который, в отличие от микроскопа или телескопа, предназначенных соответственно для наблюдения за очень маленькими и удаленными объектами, представляет собой систему программного обеспечения и алгоритмов для сбора и анализа сложных данных об окружающей нас среде.

Путем обобщения, систематизации и анализа данных о климате, почвенных условиях, уровне воды и его связи с ирригационными процессами фермеры получат информацию, которая поможет правильно выбирать сельскохозяйственные культуры и определять места их высаживания для сбора оптимального урожая с сохранением драгоценных запасов воды. За пределами нашей планеты технологии «макроскопа» можно было бы использовать, например, для сложной индексации и корреляции различных уровней и объемов данных, собранных телескопами, с последующим предсказанием столкновений астероидов друг с другом и получением дополнительной информации об их составе.

В прошлом корпорация IBM уже добивалась определенных успехов при прогнозировании «пяти факторов на горизонте ближайших пяти лет». В 2012 году, например, было предсказано, что компьютеры научатся определять запах. Сегодня технология «обоняния» уже используется в нью-йоркском музее Метрополитен для защиты бесценных произведений искусства от перепадов температуры, относительной влажности воздуха и других факторов. Эта же технология применяется и в сельскохозяйственной отрасли для мониторинга состояния почвы, что помогает фермерам лучше планировать мероприятия по ирригации и внесению удобрений, экономя воду и повышая объемы урожая.

В 2009 году было высказано предположение о том, что в перспективе здания будут «чувствовать и реагировать подобно живым организмам». Совместно с Управлением служб общего назначения США в IBM приступили к разработке интеллектуальных технологий для 50 зданий федерального правительства, отличающихся наиболее высоким уровнем энергопотребления. «Стратегия умного дома Управления служб общего назначения США предусматривала интеграцию систем управления зданиями с централизованной облачной платформой, что позволило повысить эффективность функционирования систем и экономить ежегодно до 15 млн долл. налогоплательщиков, – говорится в заявлении IBM. – Со своей стороны, мы помогли второму по величине округу учебных заведений в США превратиться в один из самых экологически чистых и экономных с точки зрения энергопотребления и расходования ресурсов».

Компания LG на международной выставке потребительской электроники CES в Лас-Вегасе сообщила о своих планах реализовать в новом поколении своей бытовой техники технологию машинного обучения LG Deep Learning. Предполагается, что бытовые приборы будут постоянно анализировать образ жизни и предпочтения пользователей, а также ряд других факторов, и затем использовать полученные выводы в работе.

Например, робот-пылесос сможет распознавать объекты, находящиеся в помещении, создавать их базу и реагировать соответствующим образом в зависимости от их типа. Если на пути у пылесоса будет стул, то он объедет этот предмет интерьера, а если роботу встретится человек, то домашний прибор попросит того посторониться.

Холодильник с поддержкой машинного обучения будет способен анализировать образ жизни и модели поведения пользователей, например, сможет автоматически заполнять лоток для льда в то время дня, когда наиболее часто востребованы холодные напитки.

Кондиционер благодаря LG Deep Learning узнает, в каких частях дома пользователи отдыхают чаще, и охладит в первую очередь именно эти жилые пространства. Возможен и выбор приоритета в зависимости от дня недели: так, в выходные дни приоритетным местом может оказаться гостиная, а в будние дни кондиционер автоматически выберет центром своей деятельности кухню.

Стиральной машине машинное обучение позволит выявлять жесткую воду, в результате чего будет правильно отрегулированы температура и количество воды. Там, где очень пыльно, стиральная машина сможет автоматически добавлять еще один цикл полоскания.