Аннотация
Книга, представляемая в данном отрывке, фокусируется на современных разработках в области стартапов, использующих искусственный интеллект (ИИ), а также на личном опыте автора в создании нейронной сети (НС) для анализа чисел, представленных в базе данных MNIST.
В первой части книги автор рассматривает несколько инновативных стартапов, работающих с применением ИИ в различных сферах. Каждый из них предлагает уникальные решения:
1. **Zenith** — стартап, разрабатывающий виртуальный мир, который сочетает в себе ИИ и виртуальную реальность для создания новых онлайн-опытов. Это решение ставит целью погружение пользователей в альтернативные жизни, открывая новые возможности для взаимодействия и обучения.
2. **Lofty AI** — компания, предлагающая инструменты для отслеживания спроса на недвижимость, что помогает потенциальным инвесторам принимать более обоснованные решения. Их технологии позволяют отслеживать тенденции и анализировать данные в реальном времени, что значительно повышает качество инвестиционных решений.
3. **Treble.ai** — специализированная платформа, которая предоставляет возможность обратной связи от пользователей через популярные мессенджеры, такие как SMS и WhatsApp, направленная на улучшение мобильных приложений. Это облегчает взаимодействие с клиентами и позволяет получать высококачественную обратную связь.
4. **Symplex** — стартап, работающий над созданием ИИ-доктора, который будет использовать смартфоны для диагностики состояния здоровья пользователей. Это инициатива призвана упростить доступ к медицинским услугам и помочь людям следить за своим здоровьем.
5. **Percept.AI** — разработка ИИ-агента для клиентской поддержки, который может быстро и эффективно обрабатывать стандартные запросы и помогать пользователям.
В книге также упоминаются другие стартапы, такие как Chemtech, Curie, Heuristech, MorphL AI и многие другие, работающие в разных секторах и предлагающие решения на базе ИИ и машинного обучения.
Во второй части автор делится своим опытом написания нейронной сети для анализа рукописных цифр, используя базу MNIST. В начале своей работы он сталкивается с неудачами: всего лишь 10% точности распознавания. Проблема заключается в недостаточной информации, которую он почерпнул из русскоязычных источников, особенно на тему алгоритма обратного распространения ошибки (back propagation) и обновления весов в различных слоях нейронной сети.
Автор подчеркивает, как важно иметь доступ к качественным и понятным объяснениям алгоритмических процедур, и отмечает, что англоязычные ресурсы были для него более полезными. В частности, он ссылается на реализацию нейронной сети от Matt Mazur, которая служит для него образцом и помогает в корректировке своей работы.
В выводах автор показывает, что обнаруженные им различия в подходах к обучению (дедуктивном и индуктивном) помогли не только в создании более эффективной сети, но и в понимании сложных математических концепций, таких как производные и интегралы. После исправления своих ошибок и выбора более подходящей архитектуры, автор возвращается к работе с базой MNIST, полон решимости улучшить результаты распознавания цифр от 0 до 9.
Таким образом, книга предоставляет не только обзор новых стартапов и их инновационных решений в сфере ИИ, но и личный путь автора, который стремится разобраться в сложной области нейронных сетей и преодолеть возникшие на его пути трудности.
