От нейропроцессоров до AI-решений. Что важно знать бизнесу? Опыт NVIDIA и советы для бизнеса.

• Руслан хвалит команду за многолетнюю работу над программой.  

• Отмечает важность анализа мероприятий и взаимодействия с аудиторией.  

• Благодарит за приглашение и разнообразие аудитории.  

• Возможность создания интерактивного контента.  

• Три блока тем: поиск возможностей, технологии и тренды.  

• Пример формата: один час лекции и обсуждение в неформальной обстановке.  

• NVIDIA как компания, производящая процессоры и графические процессоры.  

• Параллельные вычисления и их применение в гейминге.  

• Переход от компьютерной графики к другим задачам с параллельными вычислениями.  

• Закон Мура и необходимость новых способов ускорения вычислений.  

• Параллельные вычисления как прослойка между приложениями и процессорами.  

• Применение технологии в различных областях, включая нейросети.  

• Нейросети как маргинальная тема в 90-х.  

• Статья AlexNet в 2011-2012 годах, показавшая, что нейросети можно обучать быстро.  

• Экспоненциальный рост применения нейросетей в различных задачах.  

• Важность параллельных вычислений для обучения нейросетей.  

• Примеры успешного применения нейросетей в различных задачах.  

• Признание значимости нейросетей в современном мире.  

• Появилась новая категория чипов: нейропроцессоры и суперкомпьютинг.  

• Современные чипы могут выполнять задачи, которые раньше требовали суперкомпьютеров.  

• Каждая компания может приобрести суперкомпьютер с разумным бюджетом.  

• Мощности дата-центров ограничены на каждую компанию в каждой стране.  

• Важно оптимизировать использование энергии для увеличения вычислений.  

• Новые чипы должны быть энергоэффективными, а не просто быстрыми.  

• Выбор чипа зависит от задачи, бюджета и доступности на рынке.  

• Флагманский чип будет доступен к концу 2024 года.  

• Существуют чипы для обучения моделей и для инференса.  

• Инференс используется для предсказаний и обработки новых данных.  

• Важно оптимизировать инференс для большого портфеля моделей.  

• Автор отвечает за инференс и разработку моделей в компании.  

• Проекты по искусственному интеллекту часто не доходят до промышленной эксплуатации.  

• Важно правильно использовать технологии и увеличивать финансирование при успехе.  

• Автор работал над проектом метапикселя для улучшения визуального контента.  

• Проект метапикселя был закрыт из-за других приоритетов.  

• Важно определить, что такое искусственный интеллект и как его использовать.  

• Искусственный интеллект ИИ рассматривается с двух точек зрения: бизнес-результат и технология.  

• ИИ охватывает автоматизацию задач от простых скриптов до сложных рекомендательных систем.  

• Пример: создание рекомендательной системы для фильмов на основе пересечения тегов пользователей и фильмов.  

• Усложнение задач требует учета множества переменных, таких как актеры, цветовая гамма, предыдущие просмотры и т.д.  

• Объединение данных о пользователях и фильмах для создания рекомендаций.  

• Использование машинного обучения для предсказания рейтинга фильмов на основе исторических данных.  

• Сильный ИИ рассматривается как достижимая цель.  

• Тест Тьюринга: задача, чтобы компьютер был неотличим от человека в чате.  

• Оценка качества моделей ИИ и их эволюция.  

• Команда отвечает за оценку качества моделей ИИ.  

• Использование стандартных бенчмарков для оценки моделей.  

• Быстрое изменение и адаптация моделей ИИ.  

• Генеративный ИИ отличается от предиктивного ИИ.  

• В предиктивном ИИ метка успеха ограничена, в генеративном ИИ пространство ответов бесконечно.  

• Пример: генерация рекомендаций для мероприятий в Кремниевой долине.  

• Использование людей для оценки моделей через канонический корпус вопросов.  

• Ответы от моделей оцениваются людьми по шкале от 1 до 5.  

• Сравнение моделей через A/B тестирование и сбор статистики.  

• Использование LLM для оценки моделей по различным аспектам.  

• Обучение LLM на данных от людей и использование их для создания больших моделей.  

• Построение пирамиды моделей, где каждая следующая модель улучшает предыдущую.  

• Реализация серии проектов на базе ИИ с хорошим ROI.  

• Создание портфеля проектов для диверсификации рисков.  

• Принятие неудач как часть процесса и важность быстрой реакции на обратную связь.  

• Пример компании, которая быстро адаптировалась к новым технологиям.  

• Внедрение модели Stable Diffusion, которая генерирует изображения из текста.  

• Создание модели, которая в четыре раза быстрее конкурентов, за три недели.