Сегодня был второй день на курсе MIT Deep Learning 6.S191
Если в первый день были известные вещи системным языком, то во второй пошел хардкор. Вспоминается мем про то, как рисовать сову.
Помимо интересных мыслей про СNNS, VAE, GANs, CycleGAN, их применении во всяких Selfdriving cars, классификациях, обнаружении рака и генеративных штуках сегодня снова коснулись вопроса этики. Например если ты обучаешь свою сеть на картинках из интернета, где 90% белых людей, то не стоит удивляться, что она будет работать не так, как ожидалось на других цветах кожи. И если с кожей и гендером примерно понятно и можно отследить на этапе обучения, то что делать с признаками, которые не очевидны на первый взгляд? Другой пример - если самоуправляемая машина обучается на стандартных ситуациях, что она будет делать, если перед ней начнет садиться полицейский вертолет которого она никогда не видела?
Из первого вопроса вытекает второй. Где применение искусственного интеллекта оправдано и безопасно, а где цена ошибки слишком высока. Ошибиться в генерации картинки и нарисовать 6 пальцев не тоже самое, что предсказать лекарство для больного от которого он умрет. Кажется, что разрабатывая модели стоит понимать где вы на этой шкале и как должны подходить к обучению/тестированию/контролю. Тут кажется есть отдельный курс по этике в AI.
Помимо лекций тут очень крутые лабораторные. Например в первой лабороторной работе нужно написать нейронку, которая на основе предыдущей музыки генерила бы новую в том же стиле.
Если кому-то интересно попробовать - jupyter notebook доступен тут https://github.com/mertbozkir/Music_Generation_RNNs/blob/main/Part2_Music_Generation.ipynb
Слайды
Лекция 3 http://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L3.pdf
Лекция 4 http://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L4.pdf
