Распределённая

Платформа

синтетических данных

Приложений нейронной сети

Доступные вычислительные мощности для разработок в области ИИ

РЕЗУЛЬТАТЫ ПРОДАЖ
Примечание: во время перерыва Neuromation продолжит продажу токенов для выбранных партнеров, оставшиеся токены будут доступны во время открытых продаж.
60M NTK продано
< 7M NTK остается
NEUROMATION ПРОДАЛА БОЛЕЕ ПОЛОВИНЫ ИМЕЮЩИХСЯ ТОКЕНОВ ВО ВРЕМЯ ПРЕДПРОДАЖИ
* числа, прогнозируемые к концу предпродажи (полдень GMT, 1 января 2018 года)
Распределённая
Платформа
синтетических данных
ПРЕДПРОДАЖА НЕЙРОТОКЕНОВ (NTK) ОКОНЧЕНА
СТАРТ ПРОДАЖ
7 Янв, 12.00 GMT
Доступные вычислительные мощности для разработок в области ИИ
Распределённая
Платформа
синтетических данных
Доступные вычислительные мощности для разработок в области ИИ

Мы в социальных сетях!

Награды

3
gibraltar
1
davos
media prize

СМИ о NEUROMATION

"Платформа Neuromation - невероятное открытие. Научные разработки, которые используются для майнинга информации на платформе могут изменить мир. Рекомендую в качестве долгосрочной инвестиции. 7,8 баллов из 10"

Joshua Larson, Hacked.com.

Наши Партнеры

Читайте white paper
Читайте white paper
Скачивайте на своем языке
30 388 967

Размеченных единиц синтетической даты уже создано

Что особенного в синтетических данных?
В платформе Neuromation будут использоваться распределенные вычисления вместе с блочной проверкой токенов работы для разработки революционной модели искусственного интеллекта.
Эта революция давно назрела: в глубоком обучении используются искусственные нейронные сети огромной производительности, что требует высокоточной маркировки. Сбор больших наборов данных, состоящих из изображений, видео, текста и речи, прост, но описание и аннотирование данных, чтобы сделать их пригодными для использования, традиционно было сложным и дорогостоящим. Несколько лет назад была предпринята попытка использовать краудсорсинг для решения задачи создания и маркировки наборов данных. К этой работе по исправлению ошибок и повышению точности было привлечено множество людей, но процесс оказался медленным и дорогостоящим, а также подверженным искажениям, вносимым человеческим фактором.
Кроме того, были задачи, такие как оценка расстояний между объектами, количественное определение освещенности, точный перевод текста и т. д., которые люди просто неспособны решать.
Мы предлагаем решение, которое обеспечивает высокую точность благодаря самой концепции: оно позволяет синтезировать большие наборы данных с абсолютно точными метками. У синтетических данных множество преимуществ. Данные можно быстро синтезировать и визуализировать, а получаемая в результате информация очень точна и может адаптироваться под конкретные задачи. Ее можно изменять для совершенствования модели и процесса обучения. Следует отметить, что реальные данные с точной маркировкой по-прежнему необходимы для оценки моделей, обученных на синтетические данных. В частности, это нужно для обеспечения приемлемой производительности при сохранении контроля за временем вывода. Однако для подтверждения нужно на порядки меньше данных по сравнению с необходимыми для обучения!
Платформа
Neuromation создает распределенную платформу, охватывающую все аспекты будущей экосистемы искусственных данных. Эта платформа позволит пользователям создавать генераторы наборов данных, генерировать большие наборы данных, тренировать модели глубокого обучения. На базе платформы пользователи также смогут торговать наборами данных и моделями.
Мы планируем воспользоваться последними тенденциями в сфере криптовалют на основе технологии блокчейн (blockchain). Все операции в Neuromation будут выполняться с использованием нашего токена, соответствующего расширенному стандарту Ethereum ECR-20. Мы будем привлекать тех, кто занимается майнингом криптовалют, для выполнения задач с большим объемом вычислений при генерации данных и тренировке моделей. Они, вместо майнинга криптовалют, будут получать наши токены, выполняя эти задачи.
Огромные вычислительные мощности, которые станут доступны на нашей платформе, в корне изменят ситуацию с широким внедрением ИИ на предприятиях.

Промышленная автоматизация

Neuromation планирует открыть лабораторию промышленной автоматизации, где искусственные данные будут использоваться для решения различных задач. Типичной проблемой в условиях промышленного производства является высокая динамичность выполняемых задач. Модель должна анализировать данные и производить очень сложные прогнозы и вычисления в режиме реального времени. Обучить модель корректно работать с динамическими данными очень сложно. В некоторых случаях практически невозможно создать даже минимальный набор на основе реальных данных. Neuromation будет использовать собственную тестовую среду (песочницу) Sensor Emulation Sandbox для процедур создания виртуального окружения, в котором будет происходить тренировка моделей. Среди областей, которым мы планируем уделить особое внимание, такие как автоматическое пилотирование беспилотных летательных аппаратов, мониторинг промышленных процессов, манипуляция объектами и другие.
Наш подход к этой работе состоит в том, чтобы найти в соответствующей области партнера, который воспользуется преимуществами возможностей Neuromation и первым станет применять наши методики. Следующей целью является предоставление доступа к нашим песочницам для третьих лиц, чтобы они могли покупать наши данные и осуществлять тренировку своих моделей.

Биотехнологии и фармацевтика

Для концепции Neuromation есть множество интересных целей в сфере фармацевтики и биотехнологий. В общем, любая задача, где построение проще распознавания (выходные данные легко рассчитать по входным, а обратная операция сложна, как в компьютерной функции хеширования), хорошо поддается решению с помощью нашей концепции искусственных данных. В настоящее время мы ищем партнеров в области диагностики и разработки лекарств для запуска пилотного проекта и открытия лаборатории. Мы полагаем, что масса задач построения гипотез при разработке лекарственных средств и в динамике биологических систем может быть решена с использованием моделей глубокого обучения. Если вы работаете в этой области и у вас есть интересные идеи, напишите нам: partnerships@neuromation.loc

В идеале у нашего партнера по пилотному проекту должна быть конкретная проблема, решение которой можно было бы незамедлительно воплотить на практике. Для Neuromation самым интересным было бы не просто моделировать выходные данные системы для их правильной классификации, но также и некоторые базовые процессы для создания полномасштабной модели, которую можно распространить на другие проблемы и области. Ждем ваших предложений!

Генерация набора данных

Neuromation продает искусственные наборы данных для обучения ИИ. Мы создаем тестовую среду, которая будет генерировать для вас практически неограниченный набор хорошо классифицированных примеров.

Мы взимаем плату за изображение / точку данных. Инструмент создания можно развернуть в API веб-службы. В общем, вы платите только по достижении определенного согласованного уровня валидации. Производится тренировка модели, которая проходит перекрестную проверку на реальных данных. Имеются также возможности партнерства, которые рассматриваются на индивидуальной основе.

Для получения дополнительной информации напишите нам: sales@neuromation.io
Модель ИИ как услуга

 

Neuromation может создать ядро ИИ на вашем сервере. Мы разработаем модель с нуля и обеспечим вам генерацию данных, тренировку и настройку модели. При необходимости Neuromation также может осуществлять переобучение и техническое обслуживание. Neuromation также может помочь, если вам нужно улучшить существующую модель дополнительными (искусственно сгенерированными) точками данных.

Результат можно развернуть как API в облаке или разместить на устройстве. Нам предпочтительна модель взимания платы за обработанный запрос. Однако мы также можем передать модель вам и развернуть ее на вашей инфраструктуре с полной поддержкой IP.

Мы приветствуем и другие предложения по партнерству.
Напишите нам: sales@neuromation.io
Фундаментальные исследования

Neuromation занимается фундаментальными исследованиями роли искусственных данных в глубоком обучении. Мы готовы поделиться своими выводами, а также сотрудничать с другими командами.

Если вы считаете, что искусственные данные могут помочь вашим исследованиям, научные сотрудники Neuromation могут помочь вам в достижении ваших целей. Мы можем создавать исследовательские группы как для краткосрочных, так и долгосрочных проектов. Для этого типа услуг нет конкретной бизнес-модели. Если предмет исследований достаточно интересен, Neuromation может участвовать в их финансировании.

Мы открыты для идей партнерства — напишите нам: partherships@neuromation.io
Платформу Neuromation создает команда экспертов в науке, технологиях и бизнесе, обьединенная идеей демократизации ИИ.
Новости

Могут ли нейронные сети читать мысли

Февраль 21st, 2018|

Могут ли нейронные сети прочесть мысли человека, какую роль в этом играет функциональная магнитно-резонансная томография и почему вместо бутылочной крышки нейросеть видит карликового пуделя, рассказывает научный руководитель компании Neuromation, научный сотрудник Санкт-Петербургского отделения Математического института имени В.А. Стеклова (ПОМИ) РАН Сергей Николенко.  Источник Недавно в новости попали японские исследователи из ATR Computational Neuroscience Labs в Киото и из Университета Киото. Их статья под названием «Глубокие нейронные сети для реконструкции изображений по активности человеческого мозга» (Shen et al., 2017), по сути, утверждает, что они разработали модель машинного обучения, которая может прочесть ваши мысли (примеры реконструированных из мыслей картинок показаны выше). Что все это значит? Может, пора уже привыкать думать только правильные мысли? Чтобы понять, что на самом деле означает эта новость, придется начать с кратких пояснений. Как читать мысли глубоких нейросетей У нейронных сетей всегда была одна большая проблема — непрозрачность: конечный результат увидеть можно, но очень трудно понять, что же там внутри происходит. Это проблема относится ко всем архитектурам, но давайте сейчас сосредоточимся на сверточных нейронных сетях (convolutional neural networks, CNN), которые постоянно используются для обработки изображений и вообще данных с пространственной структурой. Очень грубо говоря, CNN — это многослойные (глубокие) нейронные сети, в которых каждый слой обрабатывает свой вход маленькими окнами, извлекая локальные признаки. Последовательно, уровень за уровнем, локальные признаки обобщаются и становятся глобальными: признаки на высоких уровнях сети «видят» гораздо большую часть изображения, чем на низких. Вот как это работает в очень простой CNN (картинку я взял из вот этого текста, который рекомендую прочесть полностью): WILDML В конце концов, через несколько (иногда несколько сотен) слоев мы получаем глобальные признаки, которые уже «смотрят» на все исходное изображение целиком, и уже их на последних слоях сети мы комбинируем так, чтобы получить метки классов (распознать, кошечка это, собачка или моторная лодка). Но как нам понять, что конкретно распознают эти признаки? Можем ли мы их интерпретировать? Один возможный способ это понять — посмотреть на картинки, которые активируют конкретные нейроны в этой нейросети. Можно надеяться, что у этих картинок будет что-то общее. Эту идею развили, в частности, в знаменитой работе «Визуализация и понимание сверточных сетей». Вот посмотрите: на картинке ниже показаны окна из реальных изображений (справа), которые дают самые большие активации разным нейронам на одном из высоких уровней сверточной сети, а слева показаны пиксели, которые участвуют в этих активациях. Видно, что такой выбор картинок, подходящих под конкретные признаки, действительно позволяет многие нейроны неплохо интерпретировать: Rob Fergus Затем появилась другая простая, но очень интересная идея, которая тоже неплохо работает для интерпретации признаков. Весь процесс обучения модели устроен так: мы берем данные (скажем, размеченные изображения) и подгоняем веса модели так, чтобы модель как можно лучше эти данные описывала. Изображения при этом остаются фиксированными, а меняются веса сети, параметры тех самых сверточных слоев, о которых мы говорили выше. Но можно попробовать наоборот: давайте зафиксируем сеть и изменим изображение так, чтобы сеть на нем выдавала то, что нам надо! Для целей интерпретации нейронных сетей эта идея была развита, например, в работе «Интерпретация нейронных сетей при помощи глубокой визуализации». Результаты оптимизации картинок под конкретные цели очень похожи на знаменитые «deep dreams», и это, конечно, не случайно. Вот, например, картинки, специально оптимизированные с целью как можно сильнее активировать те или иные классы: Jason Yosinski Немного узнаваемо, но довольно странно выглядит, правда? Похожие эффекты мы увидим и в картинках из «чтения мыслей». Другое важное применение той же идеи — антагонистические примеры (adversarial examples) для сверточных сетей: раз уж мы научились подгонять картинки под нейронную сеть, а не наоборот, давайте попробуем подогнать картинки так, чтобы обмануть сеть. Так можно получить примеры наподобие вот этого: Jason Yosinski Слева на этой картинке — самое обычное изображение, и оно вполне корректно распознается как крышка от бутылки. А справа — «антагонистическое» изображение: разницу между ними трудно заметить, даже когда они стоят рядом, но та же самая сеть, которая картинку слева распознавала как крышку, картинку справа уверенно распознает как… карликового пуделя. На самом деле картинка справа получилась из картинки слева добавлением специального шума, очень маленьких изменений, которые выглядят абсолютно случайными, но на самом деле все направляют сеть в одну и ту же сторону — в сторону карликового пуделя. Это делается как раз при помощи оптимизации картинок под сеть, в данном случае — под один из ее выходов. Кстати, эти примеры показывают, что современным сверточным сетям еще есть над чем поработать, прежде чем задача компьютерного зрения будет окончательно решена. Хотя все мы знаем примеры оптических иллюзий, которые работают и для людей, все-таки вряд ли можно подобрать двумерную картинку бутылочной крышки, которую человек распознает как карликового пуделя. Но подгонку картинок под заданную нейросеть можно использовать и во благо — и с чтением мыслей как раз так и получилось… Как же читать человеческие мысли? Что же все-таки сделали японские исследователи в статье (Shen et al., 2017)? Во-первых, они получили фМРТ мозга человека, который смотрит на некоторое изображение, и выделили из него признаки. Функциональная магнитно-резонансная томография (фМРТ) — это тип медицинских снимков, в которых активность мозга анализируется на основе изменений в токе крови: когда нейроны в некоторой области мозга активны, приток крови увеличивается, и это можно измерить. фМРТ называется функциональным, потому что отмечает изменения в притоке крови во времени, и в итоге получается как бы «видеосъемка» активности мозга. Советую вот это объясняющее видео о сути работы фМРТ. А пример получающегося датасета можно увидеть здесь: Поскольку мы измеряем ток крови, а не непосредственно активность нейронов, пространственное разрешение фМРТ не идеально: мы не можем спуститься на уровень отдельных нейронов, но все-таки можем различить довольно маленькие участки мозга — размер вокселя (трехмерного пикселя) в фМРТ получается порядка одного миллиметра. Давно было известно, что по фМРТ можно понять некоторую общую информацию о том, что человек в сканере думает: эмоции, базовую мотивацию, входы какого рода мозг сейчас обрабатывает (речь, музыку, видео) и т. д., но работа (Shen et al., 2017) продвигает эту идею гораздо дальше. Авторы попытались буквально реконструировать изображения, на которые смотрят люди в фМРТ-сканерах. Для этого они обучили глубокую нейронную сеть на результатах фМРТ, а затем попытались совместить признаки нового изображения с признаками фМРТ человека. Иными словами, они делали как раз то, что мы обсуждали выше: подгоняли картинку под заданные признаки, сгенерированные нейронной сетью. Разница только в том, что признаки теперь заданы не нужным выходом или признаком, а результатом работы другой сети (тоже, конечно, сверточной) на данных фМРТ. На этом видео можно увидеть, как сеть постепенно подгоняет картинку под заданный паттерн фМРТ: Качество реконструкции радикально улучшилось, когда авторы добавили еще одну нейронную сеть, глубокую порождающую сеть (deep generator network, DGN), которая следит за тем, чтобы картинки выглядели «естественными» (говоря более технически, она добавляет априорное распределение, которое присваивает больший вес естественно выглядящим картинкам). Это тоже важная идея в машинном обучении: часто мы с вами можем что-то понять в данных только потому, что заранее знаем, чего от них можно ожидать. Моделям искусственного интеллекта это тоже нужно, им нужна априорная информация, «интуиция» о том, какие входы бывают, а какие — нет. А архитектура выглядит довольно логично. Задача оптимизации здесь состоит в том, чтобы найти картинку, которая наилучшим образом подходит и под глубокую порождающую сеть, которая делает картинку «естественной», и под глубокую сеть, которая делает ее подходящей для признаков фМРТ: Guohua Shen Если эти результаты удастся реплицировать и развить дальше, получится несомненный прорыв в нейронауках. Можно даже помечтать о том, как парализованные люди смогут общаться с нами через фМРТ-аппараты, концентрируясь на том, что они хотят сказать. И хотя в работе (Shen et al., 2017) результаты реконструкции, конечно, получаются гораздо хуже, когда люди всего лишь представляют себе некоторую форму, а не прямо смотрят на нее, иногда даже с воображаемыми формами результаты получаются неплохие: Guohua Shen Ну так что, может нейронная сеть прочитать ваши мысли? Нет, на самом деле не совсем. Надо сначала лечь в большой и страшный фМРТ-аппарат, потом тщательно сконцентрироваться на одном неподвижном изображении. И даже в лучшем случае результат получается примерно такой, чем-то безусловно похожий, но не то чтобы узнаваемый: Guohua Shen Но все равно это большой шаг вперед. Может быть, когда-нибудь.

NEUROMATION представляет

КОНКУРС СТАРТАПОВ

10%
10% доходов от продаж токенов в единицах вычислительной мощности NEUROMATION распределит среди победителей конкурса стартапов в области построения, развития и обучения нейросетей.

Контактная информация

Kai 1-5M,
Tallinn,
10111 Эстония