Desktop alebo notebook (programator)

[JardaP .]

Já nevím jak u tebe, ale místní mravenci opravdu nezvládají sledovat desítky aut a chodců kolem sebe a předvídat jejich pohyb.

Jiste. Priroda je na to totiz nenaprogramovala, zato je naprogramovala na spoustu jinych veci, ktere zase neumi Google auto.

U veverek si tím taky nejsem úplně jistý.

Veverka bude mit tak kolem 200 milionu neuronu. Kdyz ji zvladnes preprogramovat, tak ona urcite zvladne ridit auto.

Jakým způsobem vůbec porovnáváš inteligenci dvou takhle odlišných entit?

Ano, to je problem. Inteligence totiz vyzaduje schopnost myslet a tu bych u Google auta nepredpokladal, zatimco veverka pravdepodobne nejakym zpusobem mysli.

[Reklama]

[Ivan Nový]

Ale to pro praktické aplikace úplně stačí.

Asi moc ne. Pokud vim, uz se Google auta jen tak proste nekde zastavila, protoze ta "AI" nevedela, co dal.

Uz nekdy snad v sedmdesatych letech jsem mel knihu s navody na hracky se vselijakou "AI" Treba na "zelvu", ktera umi sledovat bilou caru namalovanou na zemi. Ta Google auta jsou jen komplikovanejsi verzi te zelvy.

No a, to praktickému nasazení nijak nebrání. V tom někam dojet nemusí být 100% úspěšnost, tu nemá ani člověk. Ten taky často zabloudí a musí se zeptat.

Praktické úlohy, které již dnes lze pomocí AI a ML lze řešit, je rozpoznávání obličejů, podezřelých vzorců chování, inteligentní reklamní kampaně, obchodování na burze, testování výrobků a služeb, analýza velkých dat.

[JardaP .]

Clovek zabloudi, zastavi, zepta se a jede. Nebo vidi, ze pres reku chybi most, co tam jeste pred povodni byl. Clovek vymysli nahradni reseni, Google auto bude cekat, az postavi ten most a sundaji barieru.

To rozpoznavani obliceju je takova lepsi verze rozpoznavani flasek automatem v supermarketu. Neni to zadne "hele, tamhle jde Franta bin Vocasek", ale "92,4 % pravdepodobnost shody s polozkou Franta bin Vocasek v databazi". Pricemz se klidne muze jednat o Jiriho Vokurku, ktery zrovna vhodne natocil hlavu na letisti, po navratu z dovolene u more, kde se opalil. A lepsi to hned tak nebude, protoze stale jeste nevime, jak clovek vlastne rozpoznava obliceje.

[gamer]

A lepsi to hned tak nebude, protoze stale jeste nevime, jak clovek vlastne rozpoznava obliceje.

Takhle moderní AI nefunguje, dnes už není potřeba vědět, jak přesně daná věc funguje, aby se dala vytvořit AI. Jednoduchý příklad AplhaGo. Člověk se naučí hrát Go docela dobře, lidský mozek to nějak umí řešit (nevíme přesně jak). Co udělali tvůrci AplhaGo: vytvořili neuronovou síť, která dokáže určit, jestli je dáná Go pozice dobrá nebo špatná. Ukázalo se, že AI to umí líp, než nejlepší člověk. Zajímavé na tom je, jak to udělali. Neronovou síť naučili tak, že ji nechali hrát samu proti sobě. Neměli k dispozici žádného Go exprerta, přesto dokázali vytvořit AI lepší, než ti nejlepší experti. Nikdo přitom neví, jak přesně to ta neuronová síť uvnitř dělá a proč se zadrátovala zrovna takhle. Přesto to funguje.

[.]

A lepsi to hned tak nebude, protoze stale jeste nevime, jak clovek vlastne rozpoznava obliceje.

Takhle moderní AI nefunguje, dnes už není potřeba vědět, jak přesně daná věc funguje, aby se dala vytvořit AI. Jednoduchý příklad AplhaGo. Člověk se naučí hrát Go docela dobře, lidský mozek to nějak umí řešit (nevíme přesně jak). Co udělali tvůrci AplhaGo: vytvořili neuronovou síť, která dokáže určit, jestli je dáná Go pozice dobrá nebo špatná. Ukázalo se, že AI to umí líp, než nejlepší člověk. Zajímavé na tom je, jak to udělali. Neronovou síť naučili tak, že ji nechali hrát samu proti sobě. Neměli k dispozici žádného Go exprerta, přesto dokázali vytvořit AI lepší, než ti nejlepší experti. Nikdo přitom neví, jak přesně to ta neuronová síť uvnitř dělá a proč se zadrátovala zrovna takhle. Přesto to funguje.

V těch závěrech bych byl opatrnější.
1. V týmu samozřejmě experti byli. Ne sice profesionální hráči, ale 6D bych za experta určitě označil.
2. Experti se shodují, že AlphaGo vyhrálo především díky lepší evaluační funkci. Spočítat stav partie uprostřed hry je zpravidla extrémně těžké. Tady počítači pomůže rychlost, poněvadž si může zkusit dohrát tisíce partií do konce (Monte-Carlo) a z toho odhadnout, jak asi vypadá stav. Člověk je tady hodně odkázán na zkušenosti a intuici.
3. Ukázkou, že nic není dokonalé, je střední část 3. a  především 4. partie, kdy AlphaGo hrálo několik tahů dětinsky (z pohledu profesionála). Přesto to ve třetí partii stačilo na vítězství (v tu dobu mělo náskok).

Nakonec (aniž bych snižoval kvalitu AlphaGo) je potřeba připomenout obrovskou nevýhodu, v jaké Lee Sedol byl. Před zahájením první zápasu znal jenom 5 předchozích partií AlphaGo z před několika měsíců. Veškeré hraní byl vlastně průzkum bojem, přičemž AlphaGo mělo nastudovány všechny známé partie Lee Sedola. Pokud by měl šanci připravit se a nastudovat větší množství partií, je pravděpodobné, že by výsledek byl mnohem vyrovnanější.

[Reklama]

[Ivan Nový]

A lepsi to hned tak nebude, protoze stale jeste nevime, jak clovek vlastne rozpoznava obliceje.

Takhle moderní AI nefunguje, dnes už není potřeba vědět, jak přesně daná věc funguje, aby se dala vytvořit AI. Jednoduchý příklad AplhaGo. Člověk se naučí hrát Go docela dobře, lidský mozek to nějak umí řešit (nevíme přesně jak). Co udělali tvůrci AplhaGo: vytvořili neuronovou síť, která dokáže určit, jestli je dáná Go pozice dobrá nebo špatná. Ukázalo se, že AI to umí líp, než nejlepší člověk. Zajímavé na tom je, jak to udělali. Neronovou síť naučili tak, že ji nechali hrát samu proti sobě. Neměli k dispozici žádného Go exprerta, přesto dokázali vytvořit AI lepší, než ti nejlepší experti. Nikdo přitom neví, jak přesně to ta neuronová síť uvnitř dělá a proč se zadrátovala zrovna takhle. Přesto to funguje.

V těch závěrech bych byl opatrnější.
1. V týmu samozřejmě experti byli. Ne sice profesionální hráči, ale 6D bych za experta určitě označil.
2. Experti se shodují, že AlphaGo vyhrálo především díky lepší evaluační funkci. Spočítat stav partie uprostřed hry je zpravidla extrémně těžké. Tady počítači pomůže rychlost, poněvadž si může zkusit dohrát tisíce partií do konce (Monte-Carlo) a z toho odhadnout, jak asi vypadá stav. Člověk je tady hodně odkázán na zkušenosti a intuici.
3. Ukázkou, že nic není dokonalé, je střední část 3. a  především 4. partie, kdy AlphaGo hrálo několik tahů dětinsky (z pohledu profesionála). Přesto to ve třetí partii stačilo na vítězství (v tu dobu mělo náskok).

Nakonec (aniž bych snižoval kvalitu AlphaGo) je potřeba připomenout obrovskou nevýhodu, v jaké Lee Sedol byl. Před zahájením první zápasu znal jenom 5 předchozích partií AlphaGo z před několika měsíců. Veškeré hraní byl vlastně průzkum bojem, přičemž AlphaGo mělo nastudovány všechny známé partie Lee Sedola. Pokud by měl šanci připravit se a nastudovat větší množství partií, je pravděpodobné, že by výsledek byl mnohem vyrovnanější.

To ale přece nebrání praktickému využití, nejdokonalejší nástroj na světě je lidská ruka, přesto má smysl vyrábět vrtačky.

[JSH]

Ano, to je problem. Inteligence totiz vyzaduje schopnost myslet a tu bych u Google auta nepredpokladal, zatimco veverka pravdepodobne nejakym zpusobem mysli.

Blížíme se k zajímavým filosofickým problémům. Jakým způsobem určíš, jestli něco myslí? Jakým způsobem bys mě mohl přesvědčit, že opravdu myslíš a nejsi jenom masový počítač co myšlení pouze emuluje navenek?

To rozpoznavani obliceju je takova lepsi verze rozpoznavani flasek automatem v supermarketu. Neni to zadne "hele, tamhle jde Franta bin Vocasek", ale "92,4 % pravdepodobnost shody s polozkou Franta bin Vocasek v databazi".

No ale v naší hlavě se neděje nic zas tak odlišného. Jenom tu pravděpodobnost nevnímáme a nejsme schopni si nastavovat prahy. Pokud začneme počítat spolehlivost lidského vnímání, tak to není žádný zázrak. Obzvlášť s falešně pozitivními detekcemi jsme na tom dost tragicky.

[gamer]

V těch závěrech bych byl opatrnější.
1. V týmu samozřejmě experti byli. Ne sice profesionální hráči, ale 6D bych za experta určitě označil.

Dobří hráči v týmu byli, ale na nich úspěch AplhaGo nestál. Klíčové bylo, že dokázali správně naučit neuronovou síť hraním proti sobě, na což se dá dobře využít hrubá síla, člověk nikdy nezvládne odehrát miliadrdy partií, takže nemá tak velkou trénovací množinu.

2. Experti se shodují, že AlphaGo vyhrálo především díky lepší evaluační funkci. Spočítat stav partie uprostřed hry je zpravidla extrémně těžké. Tady počítači pomůže rychlost, poněvadž si může zkusit dohrát tisíce partií do konce (Monte-Carlo) a z toho odhadnout, jak asi vypadá stav. Člověk je tady hodně odkázán na zkušenosti a intuici.

Evaluační funkce je právě ta neuronová síť . Go se nedá hrát hrubou silou, stavový prostor je příliš velký, nedá se to spočítat dostatečně hluboko v ruzumném čase. To je taky hlavní důvod, proč go jako hra tak dlouho odolávala a lidé v ní byly až donedávna lepší než počítače.

3. Ukázkou, že nic není dokonalé, je střední část 3. a  především 4. partie, kdy AlphaGo hrálo několik tahů dětinsky (z pohledu profesionála). Přesto to ve třetí partii stačilo na vítězství (v tu dobu mělo náskok).

Dokonalé není samozřejmě nic, ale v globále to funguje velmi dobře.

Nakonec (aniž bych snižoval kvalitu AlphaGo) je potřeba připomenout obrovskou nevýhodu, v jaké Lee Sedol byl. Před zahájením první zápasu znal jenom 5 předchozích partií AlphaGo z před několika měsíců. Veškeré hraní byl vlastně průzkum bojem, přičemž AlphaGo mělo nastudovány všechny známé partie Lee Sedola. Pokud by měl šanci připravit se a nastudovat větší množství partií, je pravděpodobné, že by výsledek byl mnohem vyrovnanější.

Nemyslím si, že znalost partií Lee Sedola byla pro AlphaGo nějaká výhoda, těch partií je příliš málo, je to malá trénovací množina, AI se z toho nic nenaučí. Tohle může mít význam pro člověka, který může zvolit nějakou konkrétní strategii, ale asi ne pro strojovou inteligenci typu AplhaGo.

[Ondra Satai Nekola]

No když budete mít AiO na něj napojené další monitory a tři starší dektopy tak to vše můžete propojit pomocí MESOSu, viz například zde https://www.youtube.com/watch?v=gVGZHzRjvo0 a zde https://www.youtube.com/watch?v=u5jd9YT9EsY a dále smysluplně využívat pro zpracování náročných úloh, nebo jen tak na hraní a zkoušení. Ovšem, když budete upgradovat, nebudou vám v koutě ležet 3 starší systémy, které by se k tomu daly využít.

Jako pouziti AIO je to napad vyslovene debilni. Behat Mesos na pocitacich s relativnie nizkym vykonem, ale zato se zbytecne velkou cenou a s naprosto zbytecnym displayem...

[PetrM]

Javamane, Javamane, ostatní jsou lopaty, jenom ty jsi motyka?

4) Z integračního branche, do kterýho pošlu odladěnou část kódu po unit testu, si to večer sosne pan Jenkins a dá si noční směnu. Ráno vím, jestli se něco rozbilo nebo ne.

Ne, lopata je ne moc lichotivý název pro někoho, kdo se živí jako programátor, ale programovat neumí. To je tak 80 % programátorů.

Takže to víš až ráno? Tak to je super, s tebou bych chtěl dělat. A projekt se plánuje na 5 let a s vodopádem, ne?

Lopata dokáže udělat díru, ale taky ji zahrabat. Ty, motyko, to jenom rozkopeš a jsi v koncích, bez lopaty ani nedokončíš práci, ani tu díru pak neuvedeš do původního stavu... Místo toho trolíš na rootu a čekáš, až lopata dokončí tvoje dílo.

A proč bych to měl vědět dřív, než ráno? Říkal jsem, že na noťasu dělám jenom když nesedím u velkýho PC a tam mám mimo domov konektivitu tak 10% času. Takže stejně git pull dávám až večer. Do té doby si vystačím s laděním a testem modulů na noťasu... Na one man projekty to dostačuje.

Když na něčem dělá víc lidí, řeší se to zase jinak... A není problém mít CI naplánovaný víckrát, při commitu / night build / testy,...

[JSH]

Když na něčem dělá víc lidí, řeší se to zase jinak... A není problém mít CI naplánovaný víckrát, při commitu / night build / testy,...

Jak to má běžet na víc platformách, tak je CI asi tak jediná možnost, jak se z toho nezbláznit. I Javamanův rebuild otestuje jenom jednu mašinu.
Pro něco velikého je rebuild stejně nepříjemně pomalý bez ohledu na parametry stroje. Prostě pushnu, než doběhnou testy tak dělám něco jiného a pak omrknu výsledek. Pro příčetný návrh a příčetné unit testy je snesitelné to omrknout až ráno, protože pravděpodobnost chyby neodhalené unittesty je přiměřeně malá.

[javaman ((]

Jak jednu mašinu? Poběží to pravděpodobně na Linuxu, takže to testuju komplet. Pokud budeme řešit nějaké bankovní píčoviny, tak tam je to samozřejmě úplně o něčem jiném, protože dostaneš přesné verze Unixu, JVM a třeba databáze. To už není normální vývoj.

[Kit]

Když na něčem dělá víc lidí, řeší se to zase jinak... A není problém mít CI naplánovaný víckrát, při commitu / night build / testy,...

Jak to má běžet na víc platformách, tak je CI asi tak jediná možnost, jak se z toho nezbláznit. I Javamanův rebuild otestuje jenom jednu mašinu.
Pro něco velikého je rebuild stejně nepříjemně pomalý bez ohledu na parametry stroje. Prostě pushnu, než doběhnou testy tak dělám něco jiného a pak omrknu výsledek. Pro příčetný návrh a příčetné unit testy je snesitelné to omrknout až ráno, protože pravděpodobnost chyby neodhalené unittesty je přiměřeně malá.

Pokud někdo šetří na unit testech, tak je mu na buildy každá mašina pomalá.

[Tuxik]

Když na něčem dělá víc lidí, řeší se to zase jinak... A není problém mít CI naplánovaný víckrát, při commitu / night build / testy,...

Jak to má běžet na víc platformách, tak je CI asi tak jediná možnost, jak se z toho nezbláznit. I Javamanův rebuild otestuje jenom jednu mašinu.
Pro něco velikého je rebuild stejně nepříjemně pomalý bez ohledu na parametry stroje. Prostě pushnu, než doběhnou testy tak dělám něco jiného a pak omrknu výsledek. Pro příčetný návrh a příčetné unit testy je snesitelné to omrknout až ráno, protože pravděpodobnost chyby neodhalené unittesty je přiměřeně malá.

Pokud někdo šetří na unit testech, tak je mu na buildy každá mašina pomalá.

Testy jsou pro lopaty, profík to dá vždy na první dobrou

[JSH]

Pokud někdo šetří na unit testech, tak je mu na buildy každá mašina pomalá.

Testy jsou pro lopaty, profík to dá vždy na první dobrou

Mám chuť si natisknout na triko "Hrdá lopata", či něco podobného