Бурцев михаил: Бурцев Михаил Сергеевич

Содержание

Бурцев Михаил — Травматолог-ортопед Хирург

Сферы профессиональных интересов

Хирургическое и консервативное лечение травм опорно-двигательного аппарата

Детская травматология

Спортивная травматология

Артроскопическая хирургия

Хирургическое лечение переломов и деформаций конечностей у детей с несовершенным остеогенезом

Членство в профессиональных сообществах

Член международной ассоциации травматологов AO/ASIF

Член АСТАОР (Ассоциации Спортивных Травматологов, Артроскопических и Ортопедических хирургов).

Образование

Выпускник ПМГМУ им. И.М. Сеченова в 2014 году по специальности лечебное дело

В 2016 окончил ординатуру и в 2019 году окончил аспирантуру на кафедре Травматологии и ортопедии Медицинского факультета РУДН (заведующий кафедрой член кор. РАН, профессор, д.м.н. Загородний Николай Васильевич)

В 2015 году прошел базовый курс АО Trauma Course (Basic Principles of Fracture Management)

В 2017 году прошел продвинутый курс АО Trauma Course (Advanced Principles of Fracture Management)

В 2018 году прошел стажировку в Германии в университетской клинике города Марбург UKGM (Trauma Center — 1 level) под руководством профессора S. Ruchholtz

В 2019 году прошел курс по протезированию плечевого сустава AO Recon Seminar (Principles of Shoulder Arthroplasty)

В 2020 году защитил диссертацию на соискание ученой степени кандидата медицинских наук на тему: «Хирургическое лечение переломов и деформаций бедренной кости у детей с несовершенным остеогенезом». Научный руководитель – профессор, д.м.н. Королев Андрей Вадимович

В 2021 году прошел курс по лечению переломов у детей АО Trauma (Paediatric Trauma Course)

В 2021 году прошел мастер курс по лечению переломов стопы и голеностопного сустава АО Trauma Master Course (Foot and Anckle). В 2021 году стал членом АО Trauma России

В 2022 году прошел кадаверный курс DASTA: «Лечение переломов костей верхней конечности»

В 2022 году прошел практический обучающий Курс Соломина Л.Н. «Основы современного чрескостного остеосинтеза при травмах»

Автор многих научных работ в международноцитируемых и рецензируемых журналах.

Соавтор ряда патентов на изобретение в области травматологии.

Спортивные достижения

Enduro, Motocross, Jet Ski, Free Ride/ Back Country Skiing, Mountain bike, Wake Surf, Squash

4х кратный финишер ралли-марафона Red Bull Romaniacs и Red Bull MegaWatt.

Вице-чемпион России 2013 года и многократный призер российских соревнований по Hard Enduro

Языки

Русский, английский, греческий

Проходил клиническую практику в отделении реанимации ГКБ № 23, отделении нейрохирургической реанимации НИИ скорой помощи им. Н.В. Склифосовского, 26-м травматологическом отделении ГКБ им. С.П.Боткина, травматологическом отделении ГКБ № 13 и в Европейской клинике спортивной травматологии и ортопедии ECSTO (главный врач, медицинский директор профессор, д.м.н. Королев Андрей Вадимович).

АнастасияМосква

Любим вас и ценим!

Хочу от всего сердца поблагодарить специалиста
ресепшн Дарию Варгу за чуткий подход, оперативность в решении поставленных задач, за человечность, профессионализм! Клиника на Орловском любима благодаря таким людям, создающим тёплую атмосферу заботы и индивидуального подхода. Также огромное спасибо доктору Бурцеву Михаилу! Трудяга, человечище и супер профи! Спасает нас не первый раз….

Еще

Любим вас и ценим! С уважением, Анастасия.

ТатьянаМосква

Огромная благодарность хирургам Бурцеву Михаилу Евгеньевичу и Фролову Александру Владимировичу

Огромная благодарность хирургам Бурцеву
Михаилу Евгеньевичу (лечащему врачу) и Фролову Александру Владимировичу, оперировавшим мою маму, 93 лет, в связи с переломом бедра. Благодаря высочайшему уровню клиники, профессионализму и прекрасному человеческому отношению мы получили великолепную медицинскую помощь в почти безнадежной ситуации. Думаю, нигде больше такое было бы невозможно. 22 октября 2018…

Еще

г. была операция, а сейчас, через 3 недели она уже начинает самостоятельно передвигаться. Нашего терапевта, Лакину Ольгу Капитоновну мама называла ангелом. Благодарю весь коллектив клиники, специалистов анестезиологов, терапевтов, реабилитологов, младший персонал, руководство клиники за уникальную работу. Спасибо за все.

ЕленаМосква

Хочу поблагодарить д-ра Михаила Бурцева

Хочу поблагодарить д-ра Михаила Бурцева
за очень внимательное отношение на всех этапах лечения и главное — умение успокоить и дать уверенность в том, что с этого момента все пойдет хорошо. Для меня это оказалось очень важно!

АнонимМосква

Огромная благодарность Михаилу Евгеньевичу Бурцеву и профессору Андрею Вадимовичу Королёву — волшебным хирургам!

Огромная благодарность Михаилу Евгеньевичу
Бурцеву и профессору Андрею Вадимовичу Королёву — волшебным хирургам! Моё очень запущенное колено им удалось сделать почти совершенно нормальным и пригодным для жизни! К сожалению, я не помню, как звали анестезиолога на моей операции, он был очень успокаивающий, что важно для нервного пациента. И наркоз был…

Еще

прекрасный с хорошими снами и лёгким выходом. Большое спасибо! Сейчас я прохожу курс реабилитации, после завершения напишу отдельное огромное благодарственное письмо всем врачам. Мне кажется, что доброжелательность, внимание к пациенту, к индивидуальным особенностям организма и поиск подходящего к конкретному случаю решения из общего многообразия методов — это очень важная штука! И врачи вашей клиники в этом смысле по-настоящему лечат людей, а не просто проводят известные им манипуляции.

Нина Владимировна Москва

Лучшая клиника из всех мне известных!

Лучшая клиника из всех мне известных, вызывает
довает доверие, посещать вас всегда очень приятно во всех отношениях, нигде не видела такую атмосферу, такой уровень не только врачебный, но и личный. Еще раз огромная благодарность всем, особенно докторам Львову, Ильину и Бурцеву! Ваше участие и искренняя поддержка была очень важна для. ..

Еще

меня!

МарияВоронеж

Блестяще выполнили сложнейшую операцию. Спасибо!

Я и вся наша семья хотим выразить огромную
благодарность Вашей клинике, отделению ортопедии за проведенную операцию моей дочери Ксении по поводу несовершенного остеогенеза. Огромная благодарность Королеву А., Фролову А., Бурцеву М., Ковалевой Г. и всему мед. персоналу. Спасибо!

Смотреть все отзывы

Оставьте отзыв о работе этого врача

«Подслушивает ли умная колонка? Все может быть». Михаил Бурцев — о голосовых помощниках и будущем разговорного ИИ

Содержание

О санкциях США против МФТИ
С чего все начиналось
О создании DeepPavlov
О миллионе долларов от Amazon
Об Алисе и Алексе
Об умных персональных помощниках
О проблемах и будущем НТИ
О Human Brain Project
Про сознание и искусственный интеллект

О санкциях США против МФТИ

Санкции ограничивают поставки товаров в МФТИ американским компаниям, но на студентах эти меры отразиться не должны. Потенциально санкции могут уменьшить вероятность стажировок, предсказать такое сложно. Это произойдет, если американские университеты и компании будут избегать формальных отношений с МФТИ, чтобы минимизировать будущие риски «на всякий случай».

Участие в соревнованиях для наших студентов, скорее всего, не будет ограничено. Однако Amazon, возможно, передумает давать гранты на команду МФТИ, так как поддержка исследований в санкционном университете может выглядеть не очень политкорректно.

Продолжат ли выступать на Физтехе с лекциями известные специалисты? Думаю, да, здесь ничего не изменится. Что касается влияния санкций на DeepPavlov, то здесь без комментариев, ведь я занимаюсь исследованиями, а не бизнес-составляющей проекта.

С чего все начиналось

В 2015 году меня очень вдохновила статья в журнале Nature. В ней рассказывалось про алгоритм, который научили играть в 49 игр Atari, и в половину из них он сыграл лучше человека. Код, помогавший этот алгоритм обучать, был в открытом доступе.

Вся эта история сподвигла меня на организацию мероприятия, где можно было бы поразбирать это решение. В итоге все вылилось в создание на Физтехе школы, совмещенной с хакатоном DeepHack.Game.

В мире тогда была волна энтузиазма по поводу нейросетей. И важные исследователи в этой области — Йошуа Бенджио, Руслан Салахутдинов, Юрген Шмидхубер, Дмитрий Ветров, Константин Воронцов — выступили у нас и рассказали про свою работу.

Меня всегда интересовало, какие основные принципы позволяют успешно обучаться и накапливать знания и людям, и машинам. Представим, что есть некоторый агент, который взаимодействует с миром и в процессе этого взаимодействия накапливает знания и обучается.

Класс задач, где можно применять такие алгоритмы, широкий. Это игры, автопилоты, робофутбол и многое другое. Но все эти задачи, за исключением, может быть, игр, проблематичны тем, что там сложно накопить по-настоящему большой объем данных. Для этого требуется много времени и материальных затрат. А у игр недостаток в том, что это сильно ограниченный мир, и алгоритм под него подстраивается.

Михаил Бурцев рассказывает на Физтехе о проекте iPavlov

Так какие же это задачи, где агент учится взаимодействовать со сложным миром, а этот мир открыт и связан с физической реальностью и в нем много данных? Оказывается, что это диалоговые системы. Почему? Чат-боты взаимодействуют с людьми. Люди для них — сложный внешний мир, где они живут, общаются и могут обучаться. Свои знания о мире люди постоянно используют в диалоге.

С точки зрения востребованности технологии диалоговые системы сегодня впереди. Взглянем на статистику: семь лет назад мессенджеры были у 10% населения планеты, сейчас — у 80%. Раньше люди звонили друг другу, а теперь переписываются.

Компании тоже хотят общаться с людьми в текстовом виде. Чтобы не оператор один на один и не таргетированные рассылки, а текстовые боты как способ понять, что человеку нужно, что его интересует. Возник новый канал коммуникации, и стал очевиден спрос на его автоматизацию. И следующий этап развития диалоговых систем — персональные помощники.

О создании DeepPavlov

В 2015 году, когда стартовала Национальная технологическая инициатива (НТИ), мы написали проект по разработке технологии разговорного ИИ. Так появилась наша лаборатория нейронных систем и глубокого обучения, а спустя два года — open source библиотека DeepPavlov.

Мы изначально хотели именно open source формат, хотя это было довольно рискованно. Потому что целенаправленно создать библиотеку, которой будет пользоваться много людей, не так-то просто.

Суть и цель НТИ — вывод российских компаний на глобальные рынки. Но большая часть существующих рынков уже занята. Если же попробовать угадать, какой рынок может возникнуть, и создать решение, которое может быть востребовано, то есть шанс, что какие-то российские компании туда попадут.

Мы увидели растущий рынок текстовых коммуникаций и мессенджеров. И сказали: давайте создадим инструмент, который позволит российским компаниям сэкономить — не придумывать технологию, а просто взять ее в open source, переиспользовать и сделать уже свой продукт для выхода на глобальный рынок.

Чем занимается наша лаборатория? Мы хотим сделать операционную систему типа Linux или Android, но только для персональных помощников.

Самая амбициозная цель — чтобы 50% цифровых помощников будущего использовали DeepPavlov в качестве ОС

Может, это недостижимо, но зачем размениваться на что-то мелкое?

Наша технология — это и есть DeepPavlov, открытая библиотека разговорного ИИ, которую мы разрабатываем. Это технология построения виртуальных диалоговых ассистентов. Параллельно мы ведем исследования, которые эту технологию должны сделать лучше: различные языковые модели обучаются на больших корпусах текста и позволяют лучше понимать язык пользователей.

Еще у нас есть проект по эволюционным алгоритмам. Существует идея, что не только мозги инженеров, но и сами алгоритмы способны генерировать архитектуры, лучше приспособленные для решения задач. Это направление исследований называется neural architecture search (NAS).

Михаил Бурцев

Алгоритм подбирает разные варианты нейросетей и оценивает, насколько они хороши. Потом он их может мутировать и размножать и воспроизводит поиск удачных архитектур, чтобы автоматизировать процессы и меньше привлекать к работе людей. Аналогичными исследованиями занимаются в Google и других ведущих IT-компаниях.

Несмотря на то, что библиотекой пользуются разработчики диалоговых систем по всему миру, в данный момент она напрямую не монетизируется — из-за своего открытого формата. Но у нас есть прикладные проекты с компаниями, которые хотят нашу технологию куда-то внедрить. Мы для них как консалтинг и разработка.

В 2020 году на Физтехе в качестве спин-оффа появилась компания iPavlov, которая использует DeepPavlov в создании решений для разговорного ИИ. Это направление для монетизации. То есть у нас произошло разделение: лаборатория больше сосредоточена на разработке библиотеки и самой технологии, а компания — на коммерческих продуктах.

Технологией DeepPavlov пользуются примерно в 80 странах. Лидер по установкам — США, на втором месте — Россия. Библиотеку также активно скачивают пользователи из Нидерландов и Индии.

На данный момент у DeepPavlov 313 тыс. PyPI-установок и более миллиона установок контейнеров. Ежемесячно более 400 тыс. загрузок моделей с HuggingFace.

Более 350 упоминаний в научных публикациях. 6 зарубежных заявок на патент (РСТ).

О миллионе долларов от Amazon

Amazon ежегодно проводит конкурс на создание разговорного ИИ для своего голосового помощника — Alexa Prize Socialbot Grand Challenge. В нем участвуют только университеты (академические команды), а не частные компании. И это круто, потому что дает возможность обкатать идеи на миллионах реальных пользователей.

По правилам конкурса из сотен университетов отбираются 10 команд, которые на время участия в соревновании получают по 250 тысяч долларов. Впервые мы подались на Alexa Prize в 2017 году, и нас взяли в качестве дополнительной команды, без финансирования. Мы отказались от участия, потому что без гранта было бы туго.

Участники конкурса Alexa Prize рассказывают о своем опыте создания чат-ботов

В 2021 году на конкурс прислали 350 заявок. В финальную десятку попали восемь команд из США и две из Европы — чешская и наша, из МФТИ.

Как выглядит само соревнование? Владелец умной колонки Amazon говорит: «Alexa, let’s chat», попадает на одну из десяти команд, участвующих в конкурсе, и общается на английском языке с тем решением, которое эта команда создает. И так несколько этапов. Потом финал, где на кону — миллион долларов. Его может получить та команда, которая с помощью своего чат-бота проговорит с пользователем не меньше 20 минут.

Это должен быть осознанный разговор на произвольную тему. То есть надо, чтобы бот беседовал, как человек, но не требуется, чтобы он мимикрировал под человека и скрывал, что он бот. Пользователю должно быть интересно продолжать с ним разговор. Судьи следят за тем, чтобы человек намеренно не топил бота и не подыгрывал ему.

Наша команда дошла до полуфинала (подробнее о боте DREAM, разработанном лабораторией Физтеха, можно прочитать здесь). За время существования Alexa Prize пока никто не выиграл миллион. Это сложная задача, учитывая, что типичная длина диалога с реальными пользователями у команд составляла две с половиной минуты, а средняя продолжительность самых длинных диалогов была от 8 до 11,5 минуты.

Команда студентов Физтеха, которая участвовала в Alexa Prize Challenge 3

По правилам конкурса неэксклюзивные права на разработанные решения на выходе отдаются Amazon. Но не ограничивает для команд использование их решений для чего-то еще.

У меня был вопрос к нашим компаниям — тому же «Сбербанку» или «Яндексу» — почему им не организовать аналогичные соревнования? Сейчас с одним из партнеров мы активно движемся к запуску похожего конкурса в России — следите за анонсами.

Об Алисе и Алексе

Несмотря на то, что я занимаюсь разговорным ИИ, сам общаюсь с чат-ботами только из исследовательского интереса. Возможно, в этом виновата профессиональная деформация, так как я, в отличие от большинства людей, знаю, как выстраивать с ботами диалог.

У меня дома есть умная колонка «Яндекса», но в активной фазе она просуществовала месяц. Уже год пылится, я не нашел ей применения. Без подписки это не очень полезная вещь. Потом появились SberBox и SberPortal, которые уже гораздо активнее у меня используются.

Алиса, продукты «Сбера» или Алекса? Они похожи, но у Алексы больше проникновения за рубежом, это более продвинутый продукт. В России умные устройства экосистемы «Сбера», на мой взгляд, более прогрессивны с точки зрения технологий и пользовательского опыта.

C точки зрения интереса для российского пользователя я бы расположил голосовых помощников в таком порядке:

Помощники «Сбера» (их три),
Алиса,
Alexa,
Google Ассистент,
Siri.

Записывает ли Алекса разговоры, когда она выключена? Все может быть, мне сложно судить. Очевидно, что часто взаимодействия с пользователем записываются — возможно, и в выключенном состоянии тоже.

Здесь важно понять, с какой целью это происходит. Может, это просто функция, которая была активирована при отладке, и потом ее не выключили — я такое тоже вполне могу допустить. Потенциально от этого никто не застрахован.

Забавно, что у людей есть паранойя по поводу умных колонок, а не смартфонов. Вот вы уверены, что телефон не записывает ваши разговоры? А ведь вы каждый день носите его с собой.

Я пытался общаться с английской версией китайского чат-бота Xiaoice (популярный голосовой робот, у которого больше 600 млн пользователей по всему миру; в начале ноября Xiaoice запустила собственную социальную платформу, позволяющую создавать виртуальных и реалистичных друзей на базе ИИ — прим. RB.RU), и мне она не показалась суперинтересной. Возможно, я просто не целевой пользователь и англоязычная версия бота не содержит тех возможностей, которые есть у китайского.

Как правильно выстроить диалог чат-бота с пользователем? Часто бывает, что система все неправильно поняла и человек вовсе не хотел чатиться. И когда после этого бот предлагает ему поговорить, первая реакция человека — заткнись. То есть надо придумать, как сделать так, чтобы пользователь не сразу уходил, а хотел поговорить.

Но с чего начать разговор? Спросить про то, как прошел его день, про любимое занятие — или ничего не спрашивать, а сразу рассказывать новости?

«Яндекс. Станция» с Алисой

Мы разработали на этот счет целую теорию. Сначала надо познакомиться с человеком, узнать о его текущей цели и настроении. Затем расспросить про события ближайших дней, хобби и интересы. Исходя из этого понять, какие темы — кино, музыка, игры или что-то еще — будут интересны пользователю для разговора.

Большинство современных голосовых помощников выдают пользователям «заглушку» с десятками вариантов фраз в ответ на поисковый запрос. Когда ждать качественно нового помощника, который сразу даст точный ответ без ухода в поиск? Это очень сложная задача, ведь человеку надо угодить практически с первого раза.

И Google, и Алиса сегодня хорошо выдают ответы, которые есть, например, в «Википедии». Находят правильный ответ примерно в 80% случаев. Но для более сложных запросов это не работает.

Я участвовал в организации международных соревнований по разговорному поиску. Вы задаете боту уточняющие вопросы, и диалог становится более естественным. Голосовой помощник не сразу выдает готовый ответ, который может не устроить и даже расстроить пользователя, а сначала определяет альтернативные области, уточняя за несколько вопросов, что человек имел в виду.

Такая многошаговая система, возможно, и будет следующим этапом ответов чат-ботов на наши запросы.

Об умных персональных помощниках

Среда будет умнеть: у каждого из нас лет через десять появится умный персональный помощник. Думаю, что это неизбежно повлияет на поисковые системы. Компании, у которых бизнес построен вокруг поиска, будут стараться сами сделать персональных ассистентов. Иначе их бизнес станет никому не нужным.

Поясню. Каждая компания хочет быть ближе к пользователю. Если между вами и интернетом находится смартфон, он отодвигает в сторону поисковую систему, которая стоит где-то внутри.

А теперь представьте, что операционная система вашего смартфона заменена на персонального помощника. Он находится в облаке, и вы с ним взаимодействуете через единый интерфейс всех своих устройств. А поиск и прочие сервисы становятся бэкендами этого помощника. Вы лишь просите его что-то найти или купить.

Чем ближе к пользователю сервис, тем лучше он дает рекомендации. Обращаться в поиск станет бессмысленно, ведь будет персональный помощник, который все о вас знает и концентрирует приватную информацию.

Очевидных плюсов здесь два: качество сервиса и минимизация вашего трафика относительно внешних сервисов. То есть помощник сможет убрать информационный след, который размазывается по интернету. Он будет вашим прокси-анонимайзером, и на конкретный запрос «нужны синие брюки 48 размера» пойдет к нужным поставщикам.

Выступление Михаила Бурцева на AI Journey в ноябре 2021 года

Как выглядит проблема сейчас? Вы гуляете по интернету, кликаете, и если специально не «предохраняетесь», вся информация о том, где вы были, трекается и сливается сторонним компаниям.

Получается, что Петя зашел на сайт, нажал на эту страницу, потом на эту, пересмотрел 50 вариантов брюк — и раз он выбрал синие штаны, завтра ему желтые кеды покажут и уже не отстанут. С помощником никто снаружи не будет знать, что покупатель штанов — вы.

Минус всей этой истории тоже очевиден — конфиденциальность. Если накопленную в одном месте информацию взломают, про вас узнают сразу всё.

Безусловно, есть технологические решения, которые могут это предотвратить — хранение данных распределенным образом или в зашифрованном виде с какими-то алгоритмами, которые не позволят их изменить. Но, в любом случае, умному помощнику придется доверять.

Поток информации о вас будет проходить через него, а потом разветвляться на ручейки и выходить в разные сервисы. Сервисы смогут увидеть лишь часть данных, а помощник — их все.

Человечество идет к следующему уровню развития коммуникаций

Когда-то люди были разбросаны по планете и ничего друг о друге не знали. Потом они, как клетки в организме, скооперировались при помощи интернета.

Возможно, сейчас — за счет развития ИИ — персональные помощники, как синапсы, по-новому объединят людей. И чтобы решить какую-то проблему, скажут: Петя, Вася и Коля вместе смогут поработать над этой задачей наилучшим образом. Они состыкуют этих троих и предложат им поучаствовать в проекте. Как тот же LinkedIn, только лучше.

Чтобы предсказать поведение человека, надо сделать его модель — цифрового двойника. Чем лучше эта модель, тем больше она знает и точнее предсказывает наши желания.

Самое оптимальное время предсказания — отрицательное. Чтобы модель исполняла желания еще до того, как мы их выскажем. Так бывает между людьми, которые долго живут вместе, ну, знаете, когда про них говорят, что они понимают друг друга без слов. То есть, если мы хотим по-настоящему умного помощника, у него внутри должен быть наш цифровой двойник.

Возьмем для примера современные умные дома — это пока совсем не искусственный интеллект. Когда вы хотите спать — закрываете шторы. Когда просыпаетесь — хотите, чтобы на столе лежал свежий хлеб. Сейчас это уже можно запрограммировать и организовать за счет умных устройств.

Но настоящий умный дом получится тогда, когда система сможет выучить ваш формат поведения, подстроиться под него и реализовывать ваши желания на этапе их появления.

О проблемах и будущем НТИ

Как-то на конференции AI Journey представители консорциума по ИИ (в него входят «Сбербанк», «Яндекс», Mail.ru Group, МТС, «Газпром нефть» и Российский фонд прямых инвестиций — прим. RB.RU) обсуждали, на каком месте в мире Россия находится по развитию искусственного интеллекта.

Аркадий Волож утверждал, что на третьем — после США и Китая. И я задал вопрос — как такое может быть, если по научным публикациям мы где-то в третьем десятке? Не очень понятно, по каким критериям оценивать это место.

Вероятно, за счет «Яндекса», Mail.ru и еще кого-то Россия действительно третья — по внедрению ИИ в жизнь конкретных людей, то есть с точки зрения потребителя. Но что индустрия делает? Берет готовые наработки и идет, грубо говоря, по колее, которую в основном проложили другие страны.

Если говорить о том, какие Россия задает тренды, то это не третье место, а третий десяток стран

Что у нас есть? CatBoost «Яндекса» — согласен, прекрасная библиотека. Есть наш DeepPavlov, который тоже известен в мире. Но в целом посмотрите на ландшафт. Реальное место России в глобальном развитии ИИ — между 20-м и 30-м местами. Сделать что-то на переднем крае нам пока не удалось.

В рамках НТИ я последовательно продвигал тематику программного обеспечения с открытым кодом, потому что сегодня это одна из движущих сил в области ИИ и вообще в разработке ПО. В этом году запустилась грантовая программа Фонда содействия инновациям, направленная на поддержку open source проектов.

Почему open source? Именно там Россия может попытаться задавать тренды, а не просто догонять и перерабатывать то, что сделали другие. Именно так российские компании могут выйти на международные рынки.

При разработке федерального проекта «Искусственный интеллект» планировалось создание исследовательских центров, которые бы занимались не сиюминутными задачами, а прорывными исследованиями.

Но реализацию проекта поручили Минэкономразвитию, в итоге история переформатировалась и встала на догоняющие рельсы: программу центров переориентировали на работу по прикладным задачам от индустриальных партнеров. То есть у нас мышление тактическое — давайте делать то, что принесет больше пользы «народному хозяйству» прямо завтра.

Для меня ИИ как научное направление интересен как раз тем, что результаты фундаментальных исследований могут быть применены чуть ли не на следующий день.

Лекция Михаила Бурцева в МФТИ

Если сделать алгоритм, который на 20 процентов повышает качество машинного перевода за счет фундаментально другого принципа обучения, то он может быть внедрен уже через два месяца. Сама природа исследований так глубоко завязана с технологией, что позволяет очень быстро все внедрять.

Делая ставку только на прикладные цели, мы ограничиваем себя в открытии новых подходов, которые могут качественно повлиять на решение более широкого спектра задач.

В целом это вопрос приоритетов нашей страны. На что лучше потратить деньги — на разработку open source проектов или строительство нейроморфных процессоров? Должны мы фокусироваться на проверенных направлениях или больше рисковать? Однозначного ответа тут нет.

О Human Brain Project

Это амбициозный и в некотором смысле утопичный проект, так как с самого начала было понятно, что он не очень достижим в заявленные 10 лет (Human Brain Project — беспрецедентный по своим масштабам, финансированию и количеству задействованных ученых проект по созданию модели человеческого мозга — прим. RB.RU). Если бы удалось достичь его целей — это была бы фантастика.

Сошлось много факторов в его финансировании (HBP получил грант в 1 млрд евро — прим. RB.RU). Во-первых, у руля проекта встал хороший ученый, харизматичный Генри Маркрам, который почти как Илон Маск: он очень логично рассказывает, и люди ему верят.

Во-вторых, проект мог решить сразу несколько важных задач. Смотрите сами: для моделирования мозга нужны мощные суперкомпьютеры, которые в любом случае не пропадут.

На основе полной модели мозга можно создать кучу алгоритмов ИИ, плюс при помощи моделирования найти ответы на вопросы о деградации функций мозга, например, при старении. И есть шанс, что с этими новыми фундаментальными знаниями о мозге подобные проблемы научатся решать. Словом, со всех сторон проект выглядел круто.

Но с чисто научной точки зрения вся эта затея вряд ли осуществима в ближайшие годы. Люди пока не способны связать свои знания о нейронных сетях со знаниями о человеческой психологии.

Сейчас психология и нейрофизиология — это как квантовая механика и химия. Перейти от одной к другой не так-то просто. Необходим новый подход, промежуточный слой. И искусственный интеллект — как раз попытка сделать что-то в этом направлении. Возможно, именно ИИ поможет Human Brain Project реализоваться в будущем.

Генри Маркрам, основатель Human Brain Project, рассказывает о компьютерной модели головного мозга

Есть такой крохотный червячок — почвенная нематода. Его нервная система очень примитивна, состоит всего из 302 нейронов. Структура связей между ними была подробно описана учеными еще в 80-х годах. И в Новосибирске даже пытались сделать модель этого червяка. Но не взлетело.

Вроде он ползал как реальный червяк, но позволило ли это лучше понять, как работает его нервная система? Если возьмем мышь, то в ее мозгу уже 200 млн нейронов. У человека — больше 80 млрд нейронов. Создать модель человеческого мозга в данный момент очень сложно.

Также мой скептицизм связан с тем, что если модель мозга построена, нужна какая-то среда или тело, в которой эта модель будет существовать и обучаться. Просто модель — ну что такое? Ок, воспроизведем статистику, увидим, как работают нейроны. А что со знаниями?

Про сознание и искусственный интеллект

Самые впечатляющие достижения в области ИИ на данный момент — гигантские языковые и мультимодальные модели, а также обучение с подкреплением в сочетании с алгоритмами поиска по дереву.

Языковые модели вроде GPT-3 обучаются на огромных корпусах данных и способны создавать текст, очень похожий на человеческий. Нейросеть может даже прикинуться Шекспиром — сгенерировать текст «его произведения» или выдать цитату.

Модели CLIP и DALL-E позволяют совмещать текстовое представление и визуальное, например, найти текст, наиболее точно описывающий картинку, или сгенерировать картинку по тексту. Очень впечатляют истории, когда ИИ обыгрывает лучших игроков в StarCraft и Dota-2. Или когда нейросеть AlphaFold умеет предсказывать структуру белков с точностью до ширины атома.

Какая прорывная технология нас ждет впереди? Это должно быть что-то, что использует с одной стороны нейросети и глубокое обучение, а с другой — предыдущие наработки, связанные, например, с моделями когнитивных функций.

У исследователей сейчас нет единого понимания, куда именно двигаться. Если мы говорим о супер-ИИ, то непонятно, достижим он или нет. Это валидный вопрос с точки зрения науки. А вот с точки зрения прикладных технологий и развития алгоритмов это не играет особенной роли. Здесь уже больше философия.

Возможно, однажды появится алгоритм, сопоставимый с человеком с точки зрения его способности получать новые знания. Потому что человек может и квантовую физику освоить, и машину научиться водить, и тройные тулупы крутить.

Также нужно понимать, что искусственный интеллект — это не про то, чтобы сделать еще одного человека. Это про систему, которая будет нам помогать — расширять наши возможности в достижении наших целей. И тогда мы должны зафиксировать другие вещи. Какие именно сверхзадачи ИИ способен решать? Какой вообще горизонт задач, которые ИИ может решить лучше человека? В этом плане тест Тьюринга уже давно устарел. Нужен «тест сверхтьюринга».

Я считаю, что машина может обладать сознанием и задавать вопросы типа «Зачем я здесь?» и «Откуда я взялась?»

Если у вас цель — построить машину, которая будет обладать такой же многозадачностью, как человек, и такими же, как у него, целевыми установками, то она вполне может задаться упомянутыми вопросами.

Вопрос «Для чего мы существуем?» важен для людей, потому что определяет их дальнейшее поведение. Чтобы быть адаптивными, машины должны ставить под сомнение свои цели.

Представим, что сознание — это процесс, связанный с мышлением, и вы хотите смоделировать сознание человека. Означает ли это, что ИИ может быть намеренно запрограммирован человеческими эмоциями? Скорее всего да, это даже неизбежность.

Эмоции — отражение необходимых процессов мышления, и если мы делаем машину, которая обладает потребностями и должна их регулировать, то процессы внутри этой машины могут быть аналогичны тем, что мы называем человеческими эмоциями.

Если мы хотим построить адаптивную машину, неизбежно столкнемся с тем, что должны будем четко определить, какой цели она должна достигнуть.

Может ли быть целью машины самосохранение? Если мы ее заложим — будет. Или сделаем такую систему, которая сама придет к этой цели. Уничтожение людей? Ну, представьте, что вдруг сам по себе появился ИИ, который захотел истребить всех комаров. Согласитесь, что это маловероятно. Надо, чтобы кто-то как минимум поставил перед ним такую задачу.

Надо чтобы ИИ занимался теми задачами, решения которых нам необходимы, но неинтересны. Например, мы не хотим проводить скучные расчеты каждого варианта новой вакцины, а хотим получить от нашей системы набор возможных вариантов с описанием их свойств и выбрать тот, который больше всего нам подходит.

Так с искусственным интеллектом мы будем решать все больше и больше важных и интересных задач. Вот к чему мы стремимся.

Метавселенная в некотором смысле уже существует — это интернет. Последние инициативы Facebook — это попытка добавить к ней еще один вид интерфейса. Подобные попытки были и раньше, например, игра Second Life, однако они не находили широкого распространения. Возможно, получится на этот раз.

Фото в тексте: предоставлены МФТИ.

протоиерей Михаил Бурцев — подборка публикаций

Главная

Об ИППО

Устав, документы
Структура
Совет ИППО
Комитет Почетных членов ИППО
Попечительский совет ИППО
Заявление-анкета для вступления в ИППО
Уплата взносов
Членские и почётные знаки ИППО
Благотворителям
Контакты

История

О названии Общества
Присутствие России в Святой Земле
История ИППО
Первые Председатели ИППО
Прославленные в лике святых
Благотворители ИППО
Русская Палестина
ИППО и паломничество
Школьная деятельность ИППО
Востоковедение
ИППО в Бари
ИППО в России
In Memoriam
Династия Романовых

Новости

Председатель

Международная деятельность

Россия и библейский регион

Наука.

Археология. Издания

Паломничество

Гуманитарные миссии

Просветительская деятельность

Молодежные проекты

Московское региональное отделение

Зарубежные и региональные отделения

ИППО в Государстве Израиль

Русская Палестина

Общественный центр ИППО по защите христиан на Ближнем Востоке и в Северной Африке

Культура и искусство

Музей истории ИППО

Контакты

Pages in English

Этот день в истории ИППО

5 марта 1828
(22 февраля )

родился Дмитрий Дмитриевич Смышляев, первый уполномоченный ИППО в Иерусалиме, строитель знаменитых Сергиевского и Александровского подворий.

Архив

class=»col-1-1 pad-col-1-1 mobile-col-1-1 pl-20 pr-20 pb30″>

Проекты

Цитата

Все цитаты

Виртуальный тур

Музей истории ИППО в Москве

Бурцев Михаил (фехтование) — Двукратный Олимпийский чемпион.

Olympteka.ru. Olympteka.ru

Михаил Иванович Бурцев — советский фехтовальщик (сабля). Двукратный чемпион Олимпийских игр (1976 и 1980 в командном первенстве), двукратный серебряный призёр Олимпийских игр (1980 — в личном первенстве, 1988 — в командном первенстве). Шестикратный Чемпион Мира (1977, 1979, 1983, 1985, 1986, 1987 в командном первенстве), Чемпион СССР (1986). Победитель турнира «Дружба-84» в личном и командном первенстве.

Начинал свою карьеру в спортивном клубе «Буревестник», а в 1977 году перешёл в московскую команду Вооружённых сил.

Имеет высшее образование — окончил ГЦОЛИФК, получил специальность тренера. Занимал должность главного тренера Объединённой команды на Олимпиаде в Барселоне.

Михаил Бурцев: результаты выступления на Олимпийских играх

1988 Сеул, Фехтование

Дисциплина	Раунды	Место	Результаты
мужчины, сабля, команды	Итоговое положение	серебро

1980 Москва, Фехтование

Дисциплина	Раунды	Место	Результаты
мужчины, сабля, индивидуальное пер-во	Предварительный раунд-I, группа-5	4	(2) 17:14 Q16
	Предварительный раунд-II, группа-1	2	(4) 24:13 Q4
	Раунд-I, #7	1	V
	Раунд-II, #4	2	L
	Утешительный раунд-II, #4	1	V
	Утешительный раунд-III, #2	1	V
	Финальный раунд	2	(4) 23:18 b. (0) 3:5
	Итоговое положение	серебро
мужчины, сабля, команды	Итоговое положение	золото

1976 Монреаль, Фехтование

Дисциплина	Раунды	Место	Результаты
мужчины, сабля, команды	Итоговое положение	золото

Последнее обновление профайла: 15 марта 2012 года

НАШ ПРОЕКТ
«ТОКИО 2020 (2021)»

СПОРТСМЕНЫ: ПОИСК

СПОРТСМЕНЫ: ФИЛЬТР

Выбрать Олимпийские Игры2024 Париж2020 Токио2016 Рио-де-Жанейро2012 Лондон2008 Пекин2004 Афины2000 Сидней1996 Атланта1992 Барселона1988 Сеул1984 Лос Анджелес1980 Москва1976 Монреаль1972 Мюнхен1968 Мехико1964 Токио1960 Рим1956 Мельбурн1952 Хельсинки1948 Лондон1936 Берлин1932 Лос Анджелес1928 Амстердам1924 Париж1920 Антверпен1912 Стокгольм1908 Лондон1904 Сент Луис1900 Париж1896 Афины2022 Пекин2018 Пхёнчхан2014 Сочи2010 Ванкувер2006 Турин2002 Солт Лейк Сити1998 Нагано1994 Лиллехаммер1992 Альбервиль1988 Калгари1984 Сараево1980 Лейк Плэсид1976 Инсбрук1972 Саппоро1968 Гренобль1964 Инсбрук1960 Скво Велли1956 Кортина д`Ампеццо1952 Осло1948 Санкт Моритц1936 Гармиш Партенкирхен1932 Лейк Плесид1928 Санкт Моритц1924 Шамони

и (или)

Выбрать вид спортаБадминтонБаскетболБаскетбол 3х3Баскская пелотаБейсболБоксБорьба вольнаяБорьба греко-римскаяВелоспортВодное полоВодномоторный спортВолейболВолейбол пляжныйГандболГимнастика спортивнаяГимнастика художественнаяГольфГребля академическаяГребля на байдарках и каноэДзюдоЖе де памКаратэКонный спортКрикетКрокетЛегкая атлетикаЛякроссПарусный спортПлаваниеПолоПрыжки в водуПрыжки на батутеРегбиРоккиРэкитсСерфингСинхронное плаваниеСкалолазание спортивноеСкейтбордингСовременное пятиборьеСофтболСтрельбаСтрельба из лукаТеннисТеннис настольныйТриатлонТхэквондоТяжелая атлетикаФехтованиеФутболХоккей на травеБиатлонБобслейГорнолыжный спортКерлингКонькобежный спортЛыжное двоеборьеЛыжные гонкиПрыжки на лыжах с трамплинаСанный спортСкелетонСноубордФигурное катаниеФристайлХоккей на льдуШорт-трек

и (или)

Выбрать страну (НОК)АвстралазияАвстралияАвстрияАзербайджанАлбанияАлжирАмериканское СамоаАнголаАндорраАнтигуа и БарбудаАргентинаАрменияАрубаАфганистанБагамские островаБангладешБарбадосБахрейнБеларусьБелизБельгияБенинБермудские островаБирмаБогемияБолгарияБоливияБосния и ГерцеговинаБотсванаБр. Виргинские островаБразилияБританский ГондурасБрунейБуркина-ФасоБурундиБутанВануатуВеликобританияВенгрияВенесуэлаВерхняя ВольтаВиргинские островаВиргинских ос-в Федерация (Бр.)ВьетнамГабонГаитиГайанаГамбияГанаГватемалаГвинеяГвинея-БисауГДРГерманияГондурасГонконгГренадаГрецияГрузияГуамДагомеяДанияДжибутиДоминикаДоминиканаЕгипетЗаирЗамбияЗападное СамоаЗимбабвеЗолотой берегИзраильИндивидуальные спортсменыИндияИндонезияИорданияИракИранИрландияИсландияИспанияИталияЙеменЙеменская Арабская РеспубликаЙеменская Демократическая РеспубликаКабо-ВердеКазахстанКаймановы островаКамбоджаКамерунКанадаКатарКенияКипрКиргизстанКирибатиКитайКолумбияКоманда беженцевКоманда стран СНГКоморские островаКонгоКонго Демократическая РеспубликаКорея Северная (КНДР)Корея ЮжнаяКосовоКоста-РикаКот-д`ИвуарКубаКувейтЛаосЛатвияЛесотоЛиберияЛиванЛивияЛитваЛихтенштейнЛюксембургМаврикийМавританияМадагаскарМакедонияМалавиМалайзияМалайяМалиМальдивыМальтаМароккоМаршалловы островаМексикаМикронезияМозамбикМолдоваМонакоМонголияМьянмаНамибияНауруНезависимые участникиНепалНигерНигерияНидерландские Антильские островаНидерландыНикарагуаНовая ЗеландияНорвегияОбъединенная Арабская РеспубликаОбъединенная команда ГерманииОбъединенные Арабские ЭмиратыОманОстрова КукаПакистанПалауПалестинаПанамаПапуа-Новая ГвинеяПарагвайПеруПольшаПортугалияПуэрто-РикоРодезияРодезия СевернаяРодезия ЮжнаяРоссияРуандаРумынияСААР (Протекторат Франции)СальвадорСан-МариноСан-Томе и ПринсипиСанта-ЛючияСаудовская АравияСвазилендСеверное БорнеоСейшельские островаСенегалСент-Винсент и ГренадиныСент-Китс и НевисСербияСербия и ЧерногорияСингапурСирияСловакияСловенияСмешанные командыСоломоновы островаСомалиСССРСуданСуринамСШАСьерра-ЛеонеТаджикистанТаиландТайвань (Китайский Тайбэй)Танганьика и ЗанзибарТанзанияТимор-ЛестеТогоТонгаТринидад и ТобагоТувалуТунисТуркменистанТурцияУгандаУзбекистанУкраинаУругвайФиджиФилиппиныФинляндияФранцияФРГХорватияЦентрально-Африканская РеспубликаЧадЧерногорияЧехияЧехословакияЧилиШвейцарияШвецияШри-ЛанкаЭквадорЭкваториальная ГвинеяЭритреяЭстонияЭфиопияЮАР (Южная Африка)ЮгославияЮжный СуданЯмайкаЯпония

Ссылки по теме

Олимпийский отсчет

	До XXXIII летних Олимпийских Игр 2024 в Париж (FRA)	510 дней
	До XXV зимних Олимпийских Игр 2026 в Милане и Кортина д`Ампеццо (ITA)	1070 дней

Бурцев Михаил Петрович

Страницу ведёт:

Александр Пригожин

Дата рождения:

1903 г.

Дата смерти:

8 марта 1937 г., на 35 году жизни

Социальный статус:

беспартийный; на момент ареста шофер во 2-м автопарке Мосавтогруза, ранее преподаватель политэкономии в техникуме им.Тимирязева, и.о. профессора в учебных заведениях Центросоюза

Образование:

высшее

Национальность:

русский

Место проживания:

Москва, Россия (ранее РСФСР)

Место захоронения:

Донское кладбище, Москва, Россия (ранее РСФСР)

Дата ареста:

19 октября 1936 г.

Приговорен:

Военной коллегией Верховного суда СССР 7 марта 1937 года по обвинению в «подготовке теракта против Сталина и участии в троцкистско-зиновьевской террористической организации»

Приговор:

к высшей мере наказания — расстрел

Реабилитирован:

13 августа 1959 года определением Военной коллегии Верховного суда СССР

Источник данных:

Справка уточнена по данным от родственников. Архивно-следственное дело: ГАРФ. Фонд 10035. Опись 1. Номер дела: 59469. Делопроизводственный номер: П-62004

Книга Памяти:

«Сталинские списки»

«Следственные дела УКГБ по Москве и Московской области»

Раздел:
Донское кладбище, Учителя и преподаватели, Сталинские расстрельные списки

Бурцева-Пригожина Любовь Осиповна

жена

Пригожин Наум Осипович

родственник

ФОТОКАРТОТЕКА

ОТ РОДНЫХ

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

ФОТОКАРТОТЕКА

ОТ РОДНЫХ

Был женат на Пригожиной Любови Осиповне.

У них было две дочери — Валентина и Наталья.

После ареста М.П. Бурцева его семья была выслана в Калугу.

В Калуге проживали по адресу: Октябрьская улица, дом 11.

Любовь Осиповна погибла вместе с дочерью Валентиной 7 октября 1941 года при налете немецкой авиации на Калугу.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Место проживания: гор. Москва, Чистопрудный бульвар, дом 9, квартира 4

Короткие и порой отрывочные сведения, а также ошибки в тексте — не стоит считать это нашей небрежностью или небрежностью родственников, это даже не акт неуважения к тому или иному лицу, скорее это просьба о помощи. Тема репрессий и количество жертв, а также сопутствующие темы так неохватны, понятно, что те силы и средства, которые у нас есть, не всегда могут отвечать требованиям наших читателей. Поэтому мы обращаемся к вам, если вы видите, что та или иная история требует дополнения, не проходите мимо, поделитесь своими знаниями или источниками, где вы, может быть, видели информацию об этом человеке, либо вы захотите рассказать о ком-то другом. Помните, если вы поделитесь с нами найденной информацией, мы в кратчайшие сроки постараемся дополнить и привести в порядок текст и все материалы сайта. Тысячи наших читателей будут вам благодарны!

БУРЦЕВ Михаил Иванович | Российские спортсмены

4 марта 2023 года, 19:24

Российские спортсмены и специалисты

Олимпийские виды спорта

ЛетниеАртистическое плаваниеБадминтонБаскетболБейсболБоксБорьба вольнаяБорьба греко-римскаяВелосипедный спорт (BMX)Велосипедный спорт (трек)Велосипедный спорт (шоссе)Водное полоВолейболВолейбол пляжныйГандболГимнастика спортивнаяГимнастика художественнаяГольфГребля академическаяГребля на байдарках и каноэДзюдоКаратэдоКонный спортЛегкая атлетикаМаунтинбайкНастольный теннисПарусный спортПлаваниеПрыжки в водуПрыжки на батутеРегбиСерфингСкалолазание спортивноеСкейтбордингСовременное пятиборьеСофтболСтрельба из лукаСтрельба пулеваяСтрельба стендоваяТеннисТриатлонТхэквондо (ВТФ)Тяжелая атлетикаФехтованиеФутболХоккей на травеЗимниеБиатлонБобслейГорнолыжный спортКерлингКонькобежный спортЛыжное двоеборьеЛыжные гонкиПрыжки на лыжах с трамплинаСанный спортСкелетонСноубордФигурное катание на конькахФристайлХоккейШорт-трек

Виды спорта (157):

А
Б
В
Г
Д
Е
Ж
З
И
К
Л
М
Н
О
П
Р
С
Т
У
Ф
Х
Ц
Ч
Ш
Щ
Э
Ю
Я

Автомобильный спорт
Автомодельный спорт
Аджилити
Айкидо
Акватлон
Акробатика спортивная
Акробатический рок-н-ролл
Альпинизм
Американский футбол
Арбалетный спорт
Армрестлинг
Артистическое плавание
Аэробика спортивная
Бадминтон
Баскетбол
Бейсбол
Биатлон
Биатлон ачери
Биатлон индейский
Биатлон летний
Бильярдный спорт
Блицспринт
Бобслей
Бодибилдинг
Бокс
Борьба вольная
Борьба греко-римская
Борьба женская
Борьба на поясах
Борьба спортивная
Борьба сумо
Боулинг спортивный
Бридж спортивный
Велосипедный кросс
Велосипедный спорт (BMX)
Велосипедный спорт (трек)
Велосипедный спорт (шоссе)
Вертолетный спорт
Водное поло
Водное поло пляжное и мини
Воднолыжный спорт
Волейбол
Волейбол пляжный
Гандбол
Гандбол пляжный
Гимнастика спортивная
Гимнастика художественная
Гиревой спорт
Го
Гольф
Горнолыжный спорт
Городошный спорт
Гребля академическая
Гребля на байдарках и каноэ
Гребля на байдарках и каноэ (спринт)
Гребля на народных лодках
Гребля на ялах
Гребной слалом
Гребно-парусный спорт
Дартс
Джиу-джитсу
Дзюдо
Ездовой спорт
Индорхоккей (хоккей на траве в закрытых помещениях)
Каратэдо
Кекусинкай
Керлинг
Кикбоксинг
Комплексный и прикладной кинологический спорт
Компьютерный спорт
Конный спорт
Конькобежный спорт
Корэш
Косика каратэ
Легкая атлетика
Ледолазание
Лыжероллерный спорт
Лыжное двоеборье
Лыжные гонки
Маунтинбайк
Мини-футбол
Морское многоборье
Мотобол
Мотоциклетный спорт
Мэй Хуа Бань Кун Фу
Настольный теннис
Натурбан
Ориентирование cпортивное
Офицерское многоборье
Парашютный спорт
Парусный спорт
Пауэрлифтинг (силовое троеборье)
Перетягивание каната
Плавание
Плавание
Плавание в ластах
Планерный спорт
Подводный спорт
Пожарно-прикладной спорт
Полиатлон
Прыжки в воду
Прыжки на батуте
Прыжки на лыжах с трамплина
Пэйнтбол
Рафтинг
Регби
Регбол
Ринкбол (хоккей на льду)
Роллер-спорт
Рукопашный бой
Русская лапта
Рэндзю
Самбо
Самбо боевое
Самолетный спорт
Санный спорт
Серфинг
Скалолазание спортивное
Сквош
Скейтбординг
Скелетон
Смешанные единоборства
Сноуборд
Современное пятиборье
Софтбол
Спочан
Стрельба
Стрельба из лука
Стрельба пулевая
Стрельба стендовая
Судомодельный спорт
Тайский бокс
Танцы спортивные
Теннис
Традиционное карате (фудокан)
Триатлон
Туризм cпортивный
Туризм конный
Тхэквондо (ВТФ)
Тяжелая атлетика
Универсальный бой
Ушу
Фехтование
Фигурное катание на коньках
Фитнес
Флорбол (хоккей в зале)
Фристайл
Футбол
Футбол пляжный
Футзал (футбол в зале)
Хоккей
Хоккей на траве
Хоккей с мячом
Шахматы
Шахматы русские
Шашки
Шорт-трек

Представляет регион*

Не выбранАлтайский крайАмурская областьАрхангельская областьАстраханская областьБелгородская областьБрянская областьВладимирская областьВолгоградская областьВологодская областьВоронежская областьЕврейская автономная областьЗа рубежомЗабайкальский крайИвановская областьИркутская областьКабардино-Балкарская РеспубликаКалининградская областьКалужская областьКамчатский крайКарачаево-Черкесская РеспубликаКемеровская областьКировская областьКостромская областьКраснодарский крайКрасноярский крайКурганская областьКурская областьЛенинградская областьЛипецкая областьМагаданская областьМоскваМосковская областьМурманская областьНенецкий автономный округНижегородская областьНовгородская областьНовосибирская областьОмская областьОренбургская областьОрловская областьПензенская областьПермский крайПриморский крайПсковская областьРеспублика АдыгеяРеспублика АлтайРеспублика БашкортостанРеспублика БурятияРеспублика ДагестанРеспублика ИнгушетияРеспублика Калмыкия (Хальмг- Тангч)Республика КарелияРеспублика КомиРеспублика КрымРеспублика Марий ЭлРеспублика МордовияРеспублика Саха (Якутия)Республика Северная Осетия — АланияРеспублика ТатарстанРеспублика Тува (Тыва)Республика ХакасияРостовская областьРязанская областьСамарская областьСанкт-ПетербургСаратовская областьСахалинская областьСвердловская областьСевастопольСмоленская областьСтавропольский крайТамбовская областьТверская областьТомская областьТульская областьТюменская областьУдмуртская РеспубликаУльяновская областьХабаровский край Ханты-Мансийский автономный округЧелябинская областьЧеченская РеспубликаЧувашская РеспубликаЧукотский автономный округЯмало-Ненецкий автономный округЯрославская область

* для действующих спортсменов

Место рождения

Регион проживания

Дата рождения

с
чч12345678910111213141516171819202122232425262728293031мм123456789101112год183718381839184018411842184318441845184618471848184918501851185218531854185518561857185818591860186118621863186418651866186718681869187018711872187318741875187618771878187918801881188218831884188518861887188818891890189118921893189418951896189718981899190019011902190319041905190619071908190919101911191219131914191519161917191819191920192119221923192419251926192719281929193019311932193319341935193619371938193919401941194219431944194519461947194819491950195119521953195419551956195719581959196019611962196319641965196619671968196919701971197219731974197519761977197819791980198119821983198419851986198719881989199019911992199319941995199619971998199920002001200220032004200520062007200820092010

по
чч12345678910111213141516171819202122232425262728293031мм123456789101112год201020092008200720062005200420032002200120001999199819971996199519941993199219911990198919881987198619851984198319821981198019791978197719761975197419731972197119701969196819671966196519641963196219611960195919581957195619551954195319521951195019491948194719461945194419431942194119401939193819371936193519341933193219311930192919281927192619251924192319221921192019191918191719161915191419131912191119101909190819071906190519041903190219011900189918981897189618951894189318921891189018891888188718861885188418831882188118801879187818771876187518741873187218711870186918681867186618651864186318621861186018591858185718561855185418531852185118501849184818471846184518441843184218411840183918381837

Профессия

Не выбранБизнесменГосударственный служащийДизайнерМаркетологМедицинский работникМенеджерМинск 2019Олимпиец 2021Олимпиец 2022Президент (руководитель) федерации (ассоциации, союза)Работник наукиРаботник образованияРаботник праваРаботник средств массовой информацииРуководитель (работник) спортивной организацииСпортсменСудьяТренерХудожник

Спортивное звание

Не выбранГроссмейстер РоссииЗаслуженный мастер спортаЗаслуженный работник физической культурыЗаслуженный тренерКандидат в мастера спортаМастер спортаМастер спорта международного классаМеждународный гроссмейстерМеждународный мастерПочетный мастер спортаПочетный судьяСудья всесоюзной (всероссийской) категорииСудья международной категорииСудья республиканской категории

Учёное звание

Не выбранДоктор биологических наукДоктор исторических наукДоктор медицинских наукДоктор педагогических наукДоктор психологических наук Доктор сельскохозяйственных наукДоктор социологических наукДоктор технических наукДоктор физико-математических наук Доктор философииДоктор философских наукДоктор химических наукДоктор экономических наукДоктор юридических наукКандидат биологических наукКандидат военных наукКандидат исторических наукКандидат медицинских наук Кандидат педагогических наукКандидат политических наукКандидат психологических наукКандидат сельскохозяйственных наукКандидат социологических наукКандидат технических наукКандидат физико-математических наукКандидат филологических наукКандидат филосовский наук Кандидат химических наукКандидат экономических наукКандидат юридических наук

Чемпион

Не выбранОлимпийский чемпионПризер Олимпийских игрЧемпион ЕвропыЧемпион мираЧемпион России (СССР)

Результаты поиска:
Найдено:

12665
персон

100 последних изменений

Расширенный поиск

Аслаудин
АБАЕВ

Елена
АБАИМОВА

Мария
АБАКУМОВА

Юлия
АБАЛАКИНА

Дмитрий
АБАРЕНОВ

Тамилла
АБАСОВА

Рамазан
АБАЧАРАЕВ

Ростом
АБАШИДЗЕ

Флюра
АББАТЕ-БУЛАТОВА

Татьяна
АББЯСОВА

Артур
АБДРАХМАНОВ

Каримжан
АБДРАХМАНОВ

Аделя
АБДРАХМАНОВА

Андрей
АБДУВАЛИЕВ

Герман
АБДУЛАЕВ

Тагир
АБДУЛАЕВ

Камиль
АБДУЛАЗИЗОВ

Загалав
АБДУЛБЕКОВ

Камалудин
АБДУЛДАУДОВ

Абдула
АБДУЛЖАЛИЛОВ

Магомед
АБДУЛКАГИРОВ

Назир
АБДУЛЛАЕВ

Аслан
АБДУЛЛИН

Эмиль
АБДУЛЛИН

Мусан
АБДУЛ-МУСЛИМОВ

Магомед
АБДУЛХАМИДОВ

Шамиль
АБДУРАХМАНОВ

Если вы решили разместить данные о себе или хорошо известном вам спортсмене,
или обнаружили какую-либо ошибку в уже опубликованных данных и хотите ее исправить, пожалуйста,
вы можете это сделать самостоятельно — страна должна знать своих героев!

Адлан
АБДУРАШИДОВ

Рустам
АБДУРАШИДОВ

Магомед
АБДУСАЛАМОВ

Нурлан
АБДЫКАЛЫКОВ

Эдуард
АБЗАЛИМОВ

Уулу Азамат
АБИБИЛЛА

Денис
АБЛЯЗИН

Юрий
АБОВЯН

Никита
АБОЗОВИК

Виктор
АБОИМОВ

Элизабет
АБРААМЯН

Захария
АБРАМАШВИЛИ

Александр
АБРАМОВ

Андрей
АБРАМОВ

Валерий
АБРАМОВ

Иван
АБРАМОВ

Константин
АБРАМОВ

Николай
АБРАМОВ

Павел
АБРАМОВ

Дарья
АБРАМОВА

Екатерина
АБРАМОВА

Ирина
АБРАМОВА

Лидия
АБРАМОВА

Наталья
АБРАМОВА

Нелли
АБРАМОВА

Светлана
АБРАМОВА

Тамара
АБРАМОВА

Дмитрий
АБРАМОВИЧ

Маргарита
АБРАМОВИЧ

Иракли
АБРАМЯН

Осеп
АБРАМЯН

Рамиль
АБРАРОВ

Руслан
АБРАРОВ

Кирилл
АБРОСИМОВ

63 персон из 12665

Вы просмотрели

Вопросы сотрудничества и совместной деятельности inform@infosport. ru

Михаил Бурцев — Антология ACL

2022

pdf
нагрудник
abs
Внимание Понимает Смысловые Отношения
Анастасия Чижикова
|
Санжар Мурзахметов
|
Олег Сериков
|
Татьяна Шаврина
|
Михаил Бурцев
Материалы Тринадцатой конференции по языковым ресурсам и оценке

Сегодня обработка естественного языка в значительной степени зависит от предварительно обученных больших языковых моделей. Несмотря на то, что такие модели критикуют за плохую интерпретируемость, они по-прежнему дают современные решения для широкого круга самых разных задач. Несмотря на то, что было проведено множество исследований для измерения осведомленности моделей о грамматических знаниях, семантическое исследование менее популярно. В этой работе мы представляем конвейер зондирования для изучения представленности семантических отношений в моделях языка-трансформера. Мы показываем, что в этом задании оценки внимания почти так же выразительны, как выходные активации слоев, несмотря на их меньшую способность представлять поверхностные сигналы. Это подтверждает гипотезу о том, что механизмы внимания фокусируются не только на синтаксической реляционной информации, но и на семантической.

Создание курируемых человеком аннотированных наборов данных для абстрактного суммирования текста (ATS) очень трудоемко и дорого, поскольку создание каждого экземпляра требует, чтобы человек-аннотатор читал длинный документ и составить более короткое резюме, которое сохранило бы ключевую информацию, переданную исходным документом. Активное обучение (AL) — это метод, разработанный для уменьшения количества аннотаций, необходимых для достижения определенного уровня производительности модели машинного обучения. При извлечении информации и классификации текстов AL может многократно сократить трудозатраты. Насколько нам известно, несмотря на его потенциал для помощи в дорогостоящих аннотациях, не было эффективных стратегий запросов AL для ATS. Это связано с тем, что многие стратегии AL основаны на оценке неопределенности, в то время как, как мы показываем в нашей работе, неопределенные экземпляры обычно зашумлены, и их выбор может ухудшить производительность модели по сравнению с пассивной аннотацией. Мы решаем эту проблему, предлагая первую эффективную стратегию запросов для AL в ATS, основанную на принципах разнообразия. Мы показываем, что при определенном бюджете аннотации использование нашей стратегии в аннотации AL помогает улучшить производительность модели с точки зрения оценок ROUGE и согласованности. Кроме того, мы анализируем эффект самообучения и показываем, что оно может дополнительно повысить производительность модели.

Оценка неопределенности (UE) предсказаний модели является важным шагом для множества задач, таких как активное обучение, обнаружение ошибочной классификации, состязательная обнаружение атак, обнаружение выхода за пределы распределения и т. д. Большинство работ по моделированию неопределенности глубоких нейронных сетей оценивают эти методы на задачах классификации изображений. Мало внимания уделялось UE при обработке естественного языка. Чтобы заполнить этот пробел, мы проводим обширное эмпирическое исследование современных методов UE для моделей Transformer по обнаружению ошибочной классификации в задачах распознавания именованных объектов и классификации текста и предлагаем две вычислительно эффективные модификации, одна из которых приближается или даже превосходит вычислительные интенсивные методы.

2021

pdf
нагрудник
абс

Дискурсивная интегрированная диалоговая среда разработки открытых диалоговых систем
Денис Кузнецов
|
Дмитрий Евсеев
|
Лидия Остякова
|
Олег Сериков
|
Даниил Корнев
|
Михаил Бурцев
Материалы 2-го семинара по вычислительным подходам к дискурсу

Среды разработки голосовых диалоговых систем популярны сегодня, поскольку они позволяют быстро создавать диалоговые системы во времена, когда использование голосовых ИИ-помощников постоянно растет. Мы описываем графическую интегрированную среду разработки диалогов, управляемую дискурсом (DD-IDDE), для разговорных диалоговых систем с открытым доменом. DD-IDDE позволяет архитекторам диалогов в интерактивном режиме определять диалоговые потоки своих навыков/чатботов с помощью системы рекомендаций на основе дискурса, улучшать эти потоки в DSL на основе Python, развертывать, а затем дополнительно улучшать на основе навыков/чатботов. статистика использования. Мы покажем, как эти навыки/чат-боты можно указать через графический пользовательский интерфейс в расширении VS Code, а затем запустить поверх Dialog Flow Framework (DFF). Более ранняя версия этой платформы была принята в одном из социальных ботов Alexa Prize 4, а обновленная версия была специально разработана для поддержки описанного решения DD-IDDE.

pdf
нагрудник
абс

Построение и оценка корпусов диалогов в открытой области с уточняющими вопросами
Мохаммад Алианнежади
|
Юлия Киселева
|
Александр Чуклин
|
Джефф Далтон
|
Михаил Бурцев
Материалы конференции 2021 года по эмпирическим методам обработки естественного языка

Предоставление открытым диалоговым системам возможности задавать уточняющие вопросы, когда это уместно, является важным направлением для улучшения качества ответа системы. А именно, в случаях, когда запрос пользователя недостаточно специфичен для того, чтобы система диалога могла сразу дать ответ, желательно задать уточняющий вопрос, чтобы увеличить шансы на получение удовлетворительного ответа. Чтобы решить проблему «задавать уточняющие вопросы в диалогах с открытыми предметами»: (1) мы собираем и публикуем новый набор данных, ориентированный на одно- и многооборотные разговоры в открытых предметных областях, (2) мы оцениваем несколько состояний диалогов. -art нейронные базовые линии, и (3) мы предлагаем конвейер, состоящий из оффлайн и онлайн шагов для оценки качества уточняющих вопросов в различных диалогах. Эти материалы подходят в качестве основы для дальнейших исследований.

2020

pdf
bib
Материалы 5-го Международного семинара по поисково-ориентированному диалоговому ИИ (SCAI)
Джефф Далтон
|
Александр Чуклин
|
Юлия Киселева
|
Михаил Бурцев
Материалы 5-го Международного семинара по поисково-ориентированному разговорному ИИ (SCAI)

2018

pdf
bib
Материалы семинара EMNLP 2018 SCAI: The 2nd International Workshop on Search-Oriented Conversational AI
Александр Чуклин
|
Джефф Далтон
|
Юлия Киселева
|
Алексей Борисов
|
Михаил Бурцев
Материалы семинара EMNLP 2018 г. SCAI: 2-й международный семинар по поисково-ориентированному диалоговому ИИ

В последние годы быстро росло использование средств обмена сообщениями и голосовых помощников. Это создает потребность в инструментах, которые ускоряют создание прототипов многофункциональных диалоговых систем. Библиотека с открытым исходным кодом DeepPavlov предназначена для разработки диалоговых агентов. Библиотека отдает приоритет эффективности, модульности и расширяемости с целью упростить разработку диалоговых систем с нуля и с ограниченными доступными данными. Он поддерживает как модульные, так и сквозные подходы к реализации диалоговых агентов. Разговорный агент состоит из навыков, а каждый навык можно разложить на составляющие. Компоненты обычно представляют собой модели, которые решают типичные задачи NLP, такие как классификация намерений, распознавание именованных объектов или предварительно обученные векторы слов. Навык последовательности в беседе, навык ответа на вопрос или навык, ориентированный на задачу, могут быть собраны из компонентов, представленных в библиотеке.

Поиск

Джефф Далтон
3
Александр Чуклин
3
Юлия Киселева
3
Олег Сериков
2
Денис Кузнецов
2
показать все…

Аким Цвигун
2
Максим Панов
2
Александр Панченко
2
Артем Шелманов
2
Анастасия Чижикова
1
Санжар Мурзахметов
1
Татьяна Шаврина
1
Дмитрий Евсеев
1
Лидия Остякова
1
Даниил Корнев
1
Алексей Борисов
1
Иван Лысенко
1
Данила Седашов
1
Иван Лазичный
1
Эльдар Дамиров
1
Владимир Карлов
1
Артемий Белоусов
1
Леонид Саночкин
1
Мохаммад Алианнеджади
1
Александр Селиверстов
1
Рафаэл Айрапетян
1
Михаил Архипов
1
Диляра Баймурзина
1
Николай Бушков
1
Ольга Гуреенкова
1
Тарас Хахулин
1
Юрий Куратов
1
Алексей Литинский
1
Варвара Логачева
1
Алексей Лымарь
1
Валентин Малых
1
Максим Петров
1
Вадим Полулях
1
Леонид Пугачев
1
Алексей Сорокин
1
Мария Вихрева
1
Марат Зайнутдинов
1
Важенцев Артем
1
Глеб Кузьмин
1
Евгений Цымбалов
1
Кирилл Федянин
1
Глеб Гусев
1
Манвел Аветисян
1
Леонид Жуков
1

emnlp2
acl2
lrec1
scai1
codi1
show all. ..
findings1

Mikhail Burtsev | ИПМ РАН

Статьи

Эволюционная агентная модель паттернов догосударственных войн: кросс-культурные тесты // Культуры мира. Том. 15. Вып. 1. 2004. С. 28–36.

Андрей Коротаев и Михаил Бурцев

Непредсказуемые стихийные бедствия, уничтожающие запасы продовольствия, имеют довольно разные последствия… more Непредсказуемые стихийные бедствия, уничтожающие запасы продовольствия, по-разному влияют на частоту войн в догосударственных и государственных обществах. Как наши модельные симуляции, так и кросс-культурные тесты предполагают, что непредсказуемость ресурсов является одним из основных факторов ведения войны в догосударственных обществах, но не в государственных, как показали дальнейшие кросс-культурные анализы.

Сохранить в библиотеке Загрузить EditCompare Citation Rank

Статьи по теме для читателей Рейтинг

Читатели Связанные статьи Упоминания View Impact

Моделирование обучения в культуре нейронов

Достижения в области интеллектуальных систем и вычислений, 2016 г.

Сохранить в библиотеке EditCompare Citation Rank

Связанные читатели. Рейтинг

Читатели Связанные статьи УпоминанияView Impact

Эволюция, разработка и обучение с помощью нейронных сетей-предикторов

Artificial Life 14: Proceedings of the Fourteenth International Conference on the Synthesis and Simulation of Living Systems, 2014

Сохранить в библиотеку Загрузить терминальная память в многоцелевой среде

Материалы пятнадцатой ежегодной конференции по генетическим и эволюционным вычислениям — GECCO ’13, 2013

Сохранить в библиотеку Загрузить РедактироватьСравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияПросмотреть влияние понять… more Одна из самых больших проблем в современных биологических и социальных науках состоит в том, чтобы понять эволюцию альтруистического и кооперативного поведения. Общие контуры ответа на эту загадку в настоящее время вырисовываются в результате развития теорий многоуровневого отбора (1), культурно-группового отбора (2) и сильной реципрокности (3). Основной концептуальный инструмент, использованный в

Сохранить в библиотеке Загрузить РедактироватьСравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияПросмотреть влияние

Адаптивные функциональные системы: обучение с помощью хаоса которая сочетает в себе принцип конкуренции без победителя и … еще Мы предлагаем новую модель адаптивного поведения, которая сочетает в себе принцип конкуренции без победителя и хаос для изучения новых функциональных систем. Модель состоит из сложной сети нелинейных динамических элементов, производящих последовательности целенаправленных действий. Каждый элемент описывает динамику и активность функциональной системы, которая должна быть распределенным набором взаимодействующих физиологических элементов, таких как нерв или мышца, которые взаимодействуют для достижения определенной цели на уровне всего организма. Во время "нормального" поведение, динамика системы идет по гетероклиническим каналам, но в новой ситуации активизируется хаотический поиск и постепенно создается новый канал, ведущий к целевому состоянию, имитируя процесс обучения. Модель была протестирована в одно- и многоцелевых средах и продемонстрировала хороший потенциал для создания новых адаптаций.

Сохранить в библиотеке Скачать EditCompare Citation Rank

Связанные читатели. MentionsView Impact

Эволюция поведения агентов в простой модели ALife

tech.plym.ac.uk

Рисунок. Графики поведения агентов исходной популяции (слева) и популя… далее Рисунок. Графики поведения агентов исходной популяции (слева) и популяции после эволюции (справа). Литература 1. Бурцев М.С., Редько В.Г., Гусарев Р.В. (2001) «Жизненная модель эволюционного возникновения целенаправленного адаптивного поведения». // В. Дж. Келемен, П. …

Сохранить в библиотеке РедактироватьСравнить Рейтинг цитирования

Читатели Статьи по теме УпоминанияПросмотреть Влияние

Об оптимальности стандартного генетического кода: роль стоп-кодонов

Препринт Arxiv arXiv: …, 1 января 2007 г. 2008

Сохранить в библиотеке Загрузить РедактироватьСравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияView Impact

Эволюция стратегий в модели искусственной жизни: попытка исторической интерпретации

mmsed.narod.ru

Сохранить в библиотеке Скачать РедактироватьСравнить Рейтинг цитирования

Читатели Статьи по теме УпоминанияView Impact

Искусственная жизнь встречается с антропологией: пример агрессии в первобытных обществах

2005

Сохранить в библиотеке Загрузить РедактироватьСравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияПросмотреть воздействие

Моделирование эволюции старения: эффекты агрессии и узнавание родства

Достижения в области искусственной жизни, 1 января 2007 г.

Сохранить в библиотеку Скачать РедактироватьСравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияПросмотр воздействия , 2001

С самого начала эволюционная теория Чарльза Дарвина (1809 1882) оказала влияние. .. more С самого начала эволюционная теория Чарльза Дарвина (180

) оказал влияние на философское исследование человеческого познания как великое достижение науки. Возможно, первым, кто использовал эволюционные идеи в своих философских рамках, был Герберт Спенсер …

Сохранить в библиотеке РедактироватьСравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияПросмотр воздействия

Живая модель эволюционного возникновения целенаправленного адаптивного поведения

cs/0110021, 1 января 2001 г.

Сохранить в библиотеке Скачать РедактироватьСравнить Рейтинг цитирования

Читатели Статьи по теме УпоминанияView Impact

Модель эволюционного возникновения целенаправленного адаптивного поведения. Роль мотивации

Достижения в области искусственной жизни, 1 января 2001 г.

Дж. Келемен и П. Сосик (ред.): ECAL 2001, LNAI 2159, стр. 413–416, 2001. © Springer-Verlag Berlin. . Дж. Келемен и П. Сосик (ред.): ECAL 2001, LNAI 2159, стр. 413–416, 2001. © Springer-Verlag Berlin Heidelberg 2001 … Модель эволюционного возникновения целенаправленного адаптивного поведения. Роль мотивации… Бурцев М.С.1, Редько В.Г.2 и …

Сохранить в библиотеке Редактировать Сравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияПросмотреть влияние

Эволюционная агентная модель паттернов догосударственных войн: межкультурные тесты

отправлено в World Cultures

Сохранить в2 EditCompare Citation Rank

Читатели Связанные статьи УпоминанияView Impact

Жизненная модель эволюционного возникновения целенаправленного адаптивного поведения

Европейская конференция по …, 1 января 2001 г.

Сохранить в библиотеке Загрузить РедактироватьСравнить Рейтинг цитирования

Читатели Статьи по теме УпоминанияПросмотреть влияние

Эволюционная агентная модель паттернов догосударственных войн: межкультурные тесты // Мировые культуры. Том. 15. Вып. 1. 2004. С. 28–36.

Андрей Коротаев и Михаил Бурцев

Непредсказуемые стихийные бедствия, уничтожающие запасы продовольствия, как правило, оказывают довольно разное воздействие… more Непредсказуемые стихийные бедствия, уничтожающие запасы продовольствия, имеют тенденцию оказывать весьма различное влияние на частоту военных действий в догосударственных и государственных обществах . Как наши модельные симуляции, так и кросс-культурные тесты предполагают, что непредсказуемость ресурсов является одним из основных факторов ведения войны в догосударственных обществах, но не в государственных, как показали дальнейшие кросс-культурные анализы.

Сохранить в библиотеке Скачать Reditcompare Citation Rank

Связанные читатели Papers Imphing Empafce

Образцы сетей нейрональных сетей in vitro, как память

Advances в интеллектуальных системах и вычислениях, 2016

. EditCompare Citation Rank

Читатели Связанные статьи Упоминания View Impact

Моделирование обучения в культуре нейронов

Достижения в области интеллектуальных систем и вычислений, 2016 г.

Сохранить в библиотеке EditCompare Citation Rank

Связанные читатели. Рейтинг

Читатели Связанные статьи УпоминанияView Impact

Эволюция, разработка и обучение с помощью нейронных сетей-предикторов

Artificial Life 14: Proceedings of the Fourteenth International Conference on the Synthesis and Simulation of Living Systems, 2014

Сохранить в библиотеку Загрузить терминальная память в многоцелевой среде

Материалы пятнадцатой ежегодной конференции по генетическим и эволюционным вычислениям — GECCO ’13, 2013

Сохранить в библиотеку Загрузить РедактироватьСравнить Рейтинг цитирования

Сохранить в библиотеке Загрузить РедактироватьСравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияПросмотреть влияние

Сохранить в библиотеке Скачать EditCompare Citation Rank

Связанные читатели. MentionsView Impact

Эволюция поведения агентов в простой модели ALife

tech.plym.ac.uk

Сохранить в библиотеке РедактироватьСравнить Рейтинг цитирования

Читатели Статьи по теме УпоминанияПросмотреть Влияние

Об оптимальности стандартного генетического кода: роль стоп-кодонов

Препринт Arxiv arXiv: …, 1 января 2007 г. 2008

Сохранить в библиотеке Загрузить РедактироватьСравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияView Impact

Эволюция стратегий в модели искусственной жизни: попытка исторической интерпретации

mmsed.narod.ru

Сохранить в библиотеке Скачать РедактироватьСравнить Рейтинг цитирования

Читатели Статьи по теме УпоминанияView Impact

Искусственная жизнь встречается с антропологией: пример агрессии в первобытных обществах

2005

Сохранить в библиотеке Загрузить РедактироватьСравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияПросмотреть воздействие

Моделирование эволюции старения: эффекты агрессии и узнавание родства

Достижения в области искусственной жизни, 1 января 2007 г.

Сохранить в библиотеку Скачать РедактироватьСравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияПросмотр воздействия , 2001

Сохранить в библиотеке РедактироватьСравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияПросмотр воздействия

Живая модель эволюционного возникновения целенаправленного адаптивного поведения

cs/0110021, 1 января 2001 г.

Сохранить в библиотеке Скачать РедактироватьСравнить Рейтинг цитирования

Читатели Статьи по теме УпоминанияView Impact

Модель эволюционного возникновения целенаправленного адаптивного поведения. Роль мотивации

Достижения в области искусственной жизни, 1 января 2001 г.

Сохранить в библиотеке Редактировать Сравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияПросмотреть влияние

Эволюционная агентная модель паттернов догосударственных войн: межкультурные тесты

отправлено в World Cultures

Сохранить в2 EditCompare Citation Rank

Читатели Связанные статьи УпоминанияView Impact

Жизненная модель эволюционного возникновения целенаправленного адаптивного поведения

Европейская конференция по …, 1 января 2001 г.

Сохранить в библиотеку Скачать РедактироватьСравнить Рейтинг цитирования

Читатели Связанные статьи УпоминанияПросмотреть влияние

Николай Бурцев — Михаил Микрюков

81677 Чемпионат России, Высшая лига

Р	Правило	О	Обмен	Изменить
11	Соосырв-8	д2	+-	8,14,15,17,h7
Николай Бурцев			Win	30 мин
Михаил Микрюков			Потеря	51мин
Ш=4,5



Опубликовано Денисом Качаевым 24. 02.2023 09:31:22

Р	Черный	Результат	Белый
1	Павел Сальников	1 : 0	Виктор Балабхай
1	Константин Никонов	1 : 0	Павел Макаров
1	Евгений Смирнов	1 : 0	Максим Метревели
1	Нонна Сальникова	0 : 1	Данила Громов
1	Михаил Микрюков	0 : 1	Владислав Русин
1	Максим Орлов	1 : 0	Владимир Филинов
1	Олег Федоркин	0,5 : 0,5	Петр Бурцев
1	Николай Бурцев	0 : 1	Дмитрий Епифанов
2	Петр Бурцев	0 : 1	Дмитрий Епифанов
2	Михаил Микрюков	1 : 0	Максим Метревели
2	Павел Сальников	0 : 1	Максим Орлов
2	Владислав Русин	0 : 1	Виктор Балабхай
2	Павел Макаров	1 : 0	Николай Бурцев
2	Евгений Смирнов	0 : 1	Нонна Сальникова
2	Владимир Филинов	0 : 1	Константин Никонов
2	Олег Федоркин	0,5 : 0,5	Данила Громов
3	Петр Бурцев	1 : 0	Павел Макаров
3	Евгений Смирнов	0,5 : 0,5	Олег Федоркин
3	Максим Орлов	1 : 0	Виктор Балабхай
3	Максим Метревели	1 : 0	Владислав Русин
3	Константин Никонов	0 : 1	Павел Сальников
3	Михаил Микрюков	0 : 1	Нонна Сальникова
3	Владимир Филинов	0 : 1	Николай Бурцев
3	Данила Громов	0 : 1	Дмитрий Епифанов
4	Максим Метревели	0 : 1	Виктор Балабхай
4	Олег Федоркин	1 : 0	Михаил Микрюков
4	Николай Бурцев	0,5 : 0,5	Павел Сальников
4	Евгений Смирнов	1 : 0	Дмитрий Епифанов
4	Данила Громов	0 : 1	Павел Макаров
4	Константин Никонов	0 : 1	Максим Орлов
4	Нонна Сальникова	1 : 0	Владислав Русин
4	Владимир Филинов	1 : 0	Петр Бурцев
5	Петр Бурцев	1 : 0	Павел Сальников
5	Константин Никонов	1 : 0	Виктор Балабхай
5	Евгений Смирнов	0 : 1	Павел Макаров
5	Нонна Сальникова	0 : 1	Максим Метревели
5	Михаил Микрюков	0,5 : 0,5	Дмитрий Епифанов
5	Владислав Русин	0 : 1	Олег Федоркин
5	Максим Орлов	0 : 1	Николай Бурцев
5	Данила Громов	1 : 0	Владимир Филинов
6	Данила Громов	0 : 1	Павел Сальников
6	Олег Федоркин	1 : 0	Максим Метревели
6	Нонна Сальникова	0 : 1	Виктор Балабхай
6	Владимир Филинов	0,5 : 0,5	Евгений Смирнов
6	Владислав Русин	0 : 1	Дмитрий Епифанов
6	Петр Бурцев	0 : 1	Максим Орлов
6	Михаил Микрюков	1 : 0	Павел Макаров
6	Константин Никонов	0 : 1	Николай Бурцев
7	Владислав Русин	0 : 1	Павел Макаров
7	Максим Метревели	0 : 1	Дмитрий Епифанов
7	Евгений Смирнов	1 : 0	Павел Сальников
7	Нонна Сальникова	0 : 1	Олег Федоркин
7	Константин Никонов	0 : 1	Петр Бурцев
7	Данила Громов	0 : 1	Максим Орлов
7	Николай Бурцев	1 : 0	Виктор Балабхай
7	Михаил Микрюков	0 : 1	Филинов Владимир
8	Евгений Смирнов	0 : 1	Максим Орлов
8	Константин Никонов	0 : 1	Данила Громов
8	Павел Макаров	1 : 0	Максим Метревели
8	Нонна Сальникова	0 : 1	Дмитрий Епифанов
8	Михаил Микрюков	0,5 : 0,5	Павел Сальников
8	Виктор Балабхай	0,5 : 0,5	Олег Федоркин
8	Николай Бурцев	1 : 0	Петр Бурцев
8	Владислав Русин	0,5 : 0,5	Владимир Филинов
9	Олег Федоркин	0,5 : 0,5	Дмитрий Епифанов
9	Николай Бурцев	1 : 0	Данила Громов
9	Нонна Сальникова	0 : 1	Павел Макаров
9	Петр Бурцев	1 : 0	Виктор Балабхай
9	Михаил Микрюков	1 : 0	Максим Орлов
9	Максим Метревели	1 : 0	Владимир Филинов
9	Евгений Смирнов	1 : 0	Константин Никонов
9	Павел Сальников	0,5 : 0,5	Владислав Русин
10	Олег Федоркин	0,5 : 0,5	Павел Макаров
10	Михаил Микрюков	1 : 0	Константин Никонов
10	Нонна Сальникова	0 : 1	Владимир Филинов
10	Владислав Русин	0 : 1	Максим Орлов
10	Павел Сальников	1 : 0	Максим Метревели
10	Евгений Смирнов	0 : 1	Николай Бурцев
10	Виктор Балабхай	0 : 1	Дмитрий Епифанов
10	Данила Громов	0,5 : 0,5	Петр Бурцев
11	Данила Громов	1 : 0	Виктор Балабхай
11	Нонна Сальникова	0,5 : 0,5	Павел Сальников
11	Николай Бурцев	1 : 0	Михаил Микрюков
11	Павел Макаров	1 : 0	Дмитрий Епифанов
11	Максим Метревели	0 : 1	Максим Орлов
11	Евгений Смирнов	0 : 1	Петр Бурцев
11	Олег Федоркин	0,5 : 0,5	Владимир Филинов
11	Константин Никонов	0 : 1	Владислав Русин
12	Павел Сальников	0 : 1	Олег Федоркин
12	Максим Метревели	0 : 1	Константин Никонов
12	Михаил Микрюков	0 : 1	Петр Бурцев
12	Владимир Филинов	0 : 1	Дмитрий Епифанов
12	Павел Макаров	1 : 0	Виктор Балабхай
12	Данила Громов	1 : 0	Евгений Смирнов
12	Николай Бурцев	1 : 0	Владислав Русин
12	Максим Орлов	1 : 0	Нонна Сальникова
13	Павел Макаров	1 : 0	Филинов Владимир
13	Олег Федоркин	0 : 1	Максим Орлов
13	Павел Сальников	0 : 1	Дмитрий Епифанов
13	Владислав Русин	1 : 0	Петр Бурцев
13	Николай Бурцев	1 : 0	Максим Метревели
13	Нонна Сальникова	0 : 1	Константин Никонов
13	Виктор Балабхай	0,5 : 0,5	Евгений Смирнов
13	Данила Громов	1 : 0	Михаил Микрюков
14	Константин Никонов	0,5 : 0,5	Олег Федоркин
14	Максим Орлов	1 : 0	Дмитрий Епифанов
14	Павел Сальников	0,5 : 0,5	Павел Макаров
14	Максим Метревели	1 : 0	Петр Бурцев
14	Евгений Смирнов	1 : 0	Михаил Микрюков
14	Виктор Балабхай	0 : 1	Владимир Филинов
14	Владислав Русин	0,5 : 0,5	Данила Громов
14	Нонна Сальникова	0 : 1	Николай Бурцев
15	Максим Орлов	0,5 : 0,5	Павел Макаров
15	Павел Сальников	1 : 0	Владимир Филинов
15	Владислав Русин	0,5 : 0,5	Евгений Смирнов
15	Константин Никонов	0,5 : 0,5	Дмитрий Епифанов
15	Олег Федоркин	0 : 1	Николай Бурцев
15	Нонна Сальникова	0 : 1	Петр Бурцев
15	Максим Метревели	0 : 1	Данила Громов
15	Михаила Микрюкова	1 : 0	Виктор Балабхай

Вернуться к турниру

Вернуться к играм

Интерактивное базовое понимание языка в среде сотрудничества: IGLU 2021 Жолус, Александр Панов, Кавья Сринет, Артур Шлам, Юсуан Сун, Катя Хофманн, Марк-Александр Коте, Ахмед Авадаллах, Линар Абдразаков, Игорь Чурин, Путра Манггала, Ката Назади, Мишель ван дер Меер, Тэун Ким

Протоколы соревнований и демонстраций NeurIPS 2021 , PMLR 176:146-161, 2022.

Аннотация

Человеческий интеллект обладает замечательной способностью быстро адаптироваться к новым задачам и условиям. Начиная с самого раннего возраста, люди приобретают новые навыки и учатся решать новые задачи, либо подражая поведению других, либо следуя инструкциям на естественном языке. Чтобы облегчить исследования в этом направлении, мы предлагаем IGLU: интерактивное базовое понимание языка в совместной среде. Основная цель конкурса — подойти к проблеме создания интерактивных агентов, которые учатся решать задачу, получая при этом обоснованные инструкции на естественном языке в среде для совместной работы. Понимая сложность задачи, мы разбили ее на подзадачи, чтобы сделать ее доступной для участников. 9o}t{\’e}, Марк-Александр и Авадаллах, Ахмед и Абдразаков, Линар и Чурин, Игорь и Манггала, Путра и Насзади, Ката и ван дер Меер, Михиль и Ким, Тэун},
booktitle = {Материалы соревнований и демонстраций NeurIPS 2021},
страницы = {146—161},
год = {2022},
редактор = {Киела, Доуве и Чикконе, Марко и Капуто, Барбара},
громкость = {176},
серия = {Материалы исследования машинного обучения},
месяц = {06—14 декабря},
издатель = {PMLR},
pdf = {https://proceedings. mlr.press/v176/kiseleva22a/kiseleva22a.pdf},
URL = {https://proceedings.mlr.press/v176/kiseleva22a.html},
abstract = {Человеческий интеллект обладает замечательной способностью быстро адаптироваться к новым задачам и условиям. Начиная с самого раннего возраста, люди приобретают новые навыки и учатся решать новые задачи, либо подражая поведению других, либо следуя инструкциям на естественном языке. Чтобы облегчить исследования в этом направлении, мы предлагаем IGLU: интерактивное базовое понимание языка в совместной среде. Основная цель конкурса — подойти к проблеме создания интерактивных агентов, которые учатся решать задачу, получая при этом обоснованные инструкции на естественном языке в среде для совместной работы. Понимая всю сложность задачи, мы разбили ее на подзадачи, чтобы участники могли справиться с ней.}
}

Сноска

%0 Документ конференции Интерактивное базовое понимание языка %T в среде для совместной работы: IGLU 2021 %A Юлия Киселева %А Зиминг Ли %A Мохаммад Алианнежади %A Шреста Моханти %A Maartje тер Hoeve %A Михаил Бурцев %A Алексей Скрынник %A Артем Жолус %A Александр Панов %A Кавья Шринет %A Артур Шлам %A Юйсюань Сан %A Катя Хофманн %A Марк-Александр Коте %A Ахмед Авадаллах %A Линар Абдразаков %A Игорь Чурин %A Путра Мангала %A Ката Насзади %A Михиль ван дер Меер %A Тэун Ким %B Материалы трека соревнований и демонстраций NeurIPS 2021 %C Материалы исследования машинного обучения %D 2022 %E Доу Кила %E Марко Чикконе %E Барбара Капуто %F pmlr-v176-kiseleva22a %I PMLR %Р 146--161 %U https://proceedings. mlr.press/v176/kiseleva22a.html %V 176 %X Человеческий интеллект обладает замечательной способностью быстро адаптироваться к новым задачам и условиям. Начиная с самого раннего возраста, люди приобретают новые навыки и учатся решать новые задачи, либо подражая поведению других, либо следуя инструкциям на естественном языке. Чтобы облегчить исследования в этом направлении, мы предлагаем IGLU: интерактивное базовое понимание языка в совместной среде. Основная цель конкурса — подойти к проблеме создания интерактивных агентов, которые учатся решать задачу, получая при этом обоснованные инструкции на естественном языке в среде для совместной работы. Понимая сложность задачи, мы разбили ее на подзадачи, чтобы сделать ее доступной для участников.

АПА

Киселева Дж., Ли З., Алианнежади М., Моханти С., тер Хуве М., Бурцев М., Скрынник А., Жолус А., Панов А., Шринет К. , Шлам А., Сун Ю., Хофманн К., Котэ М., Авадаллах А., Абдразаков Л. , Чурин И., Манггала П., Назади К., ван дер Меер, М. и Ким, Т.. (2022). Интерактивное базовое понимание языка в среде для совместной работы: IGLU 2021. Материалы соревнований и демонстраций NeurIPS 2021 Track , в Proceedings of Machine Learning Research 176:146-161 Доступно по адресу https://proceedings.mlr.press/v176/kiseleva22a.html.

Сопутствующий материал

Планета находится под наблюдением. Михаил Бурцев из ИКИ РАН рассказывает об основах дистанционного зондирования Земли из космоса

26.01.2022 10:30

264

Добавить в закладки

Технологии дистанционного зондирования Земли из космоса являются незаменимым инструментом наблюдения за нашей планетой и изучения процессов, происходящих в атмосфере, на земле и в океане. Спутниковые группировки и отдельные спутники помогают эффективно использовать полезные ресурсы и управлять ими; они же помогают следить за обстановкой в экстренных ситуациях.

Михаил Бурцев, старший научный сотрудник отдела технологий спутникового мониторинга Института космических исследований РАН, рассказывает о современных методах дистанционного зондирования Земли из космоса.

ССЫЛКИ ПО ТЕМЕ:

Барталев С. А., Егоров В. А., Жарко В. О., Лупян Е. А., Плотников Д. Е., Хвостиков С. А., Шабанов Н. В. Спутниковое картографирование растительного покрова России // Москва: ИКИ РАН, 2086.
Гирина О. А., Лупян Е. А., Сорокин А. А., Мельников Д. В., Романова И. М., Кашницкий А. В., Уваров И. А., Мальковский С. И., Королев С. П., Маневич А. Г., Крамарева Л. С. Комплексный мониторинг эксплозивных вулканических извержений Камчатки // Петропавловск-Камчатский: ИВиС ДВО РАН , 2018. 192 с.
О.Ю. Лаврова, А.Г. Костяной, С.А. Лебедев, В.И. Митягина, А.И. Гинзбург, Н.А. Шеремет, Комплексный спутниковый мониторинг морей России. Москва, ИКИ РАН, 2011. — 480 с.
Лупян Е. А., Прошин А. А., Бурцев М. А., Кашницкий А. В., Балашов И. В., Барталев С. А., Константинова А. М., Кобец Д. А., Мазуров А. А., Марченков В. В., Матвеев А. М., Радченко М. В., Сычугов И. Г., Толпин В. А., Уваров И. А. Опыт разработки и функционирование Центра коллективного пользования архивации, обработки и анализа спутниковых данных (ЦКП «ИКИ-Мониторинг») // Актуальные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 3. С. 151-170.
Лупян Е. А., Бурцев М. А., Прошин А. А., Кобец Д. А. Разработка подходов к построению информационных систем дистанционного мониторинга // Актуальные проблемы дистанционного зондирования Земли из космоса. Т. 15. № 3. З. 53-66.

Информационные слайды: Роскосмос, ИКИ РАН, НАСА, НИИС/ГА «Иннотер».

Автор Анастасия Рогачева

Фото Николай Малахин

Видео Александр Козлов

ИКИ РАН
методы дистанционного зондирования

Развернуть

Информация предоставлена Агентством новостей «Научная Россия». Свидетельство о регистрации СМИ: ИА № ФС77-62580 выдано
Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций от 31 июля 2015 г.

НАУКА ДЕТЯМ

Материал будущего? Интервью с Ольгой Демичевой об использовании углеродных нанотрубок

10:30 / Инженерия, Новые технологии, Образование, Физика, Химия

Ультрабыстрые протоны для лечения рака. Главный научный сотрудник Института ядерных исследований РАН Сергей Акулиничев об ультрафлэш-терапии

10:30 / Биология, Здравоохранение, Медицина

Учитель? Мудрец? Гуру? История наставничества в России и мире

10:30 / История, наука, общество, образование

Сохранение наследия академика Ольденбурга. Академик Михаил Бухарин в экспедициях в Восточный Туркестан и Монголию

13:00 / История, наука и общество, образование, этнография

Прокариоты: у подножия пирамиды жизни. Интервью с членом-корреспондентом РАН Е.В. А. Бонч-Осмоловская

10:30 / Биология

Востоковедение и академизм Санкт-Петербурга. Интервью с членом-корреспондентом РАН Ириной Поповой

16:00 / История, наука и общество

В ознаменование 300-летия Российской академии наук. История создания академии царем Петром I

10:30 / История, наука и общество, Образование

Несчастливое число: пятница, 13-е ― глобальный -Масштабные суеверия

13:00 / История, Экономика

Яркие научные события 2022 года: «Искусственная паутина», «Любовь» на Курилах и новые соединения для лекарств будущего

13:00 / Биология, Здравоохранение, Медицина, Неврология, Химия

Яркие научные события 2022 года: Физика

10:30 / Астрофизика, Космология, Физика

Посвящение великому ученому. Наука в глобальном мире. Очевидное и невероятное, выпуск от 10 мая 2008 г.

04.03.2019

Посвящение великому ученому. Нанотехнологии. Очевидное и невероятное, выпуск от 3 августа 2002 г.

04.03.2019

Вспоминая Сергея Петровича Капицу

14.02.2017

Что мы знаем о мозге?

14. 08.2014

Тайны Соленых озер

14.08.2014

Умеете ли вы справляться со стрессом?

14.08.2014

Показать все

AICrowd | NeurIPS 2022 IGLU Challenge

Важные ссылки

📓 Новая многозадачная иерархическая базовая линия для задачи RL
🚀 RL Task Starter Kit
🚀 Начальный набор задач НЛП
🚀 Задача НЛП Официальный базовый уровень
👥 Ищете товарищей по команде или совет?

🕵️ Введение

Общая цель конкурса IGLU — облегчить исследования в области сотрудничества человека и ИИ с помощью естественного языка. Целью этого издания является создание интерактивных агентов , которые учатся решать задачи, снабженные обоснованными инструкциями на естественном языке в среде совместной работы . Под интерактивным агентом мы подразумеваем агентов, которые могут следовать инструкциям на естественном языке и при необходимости запрашивать разъяснения. В конечном счете, агент должен иметь возможность быстро адаптировать вновь приобретенные навыки, как это делают люди при совместном взаимодействии друг с другом. Несмотря на весь недавний прогресс в интерактивном решении задач, задача интерактивного обучения далека от решения. Чтобы облегчить исследования в этом направлении, мы представляем IGLU — основанную на вокселах среду для совместной работы и набор задач для изучения интерактивного понимания и изучения языка.

В установке IGLU люди и воплощенные агенты ИИ должны обмениваться информацией, используя язык, для достижения общей цели. В частности, человек — Архитектор — видит трехмерную структуру, состоящую из цветных кубов, и должен давать языковые инструкции другому агенту — Строителю, который может размещать блоки и взаимодействовать с окружающей средой. Строитель также может задавать Архитектору уточняющие вопросы, если предоставленные инструкции неясны. IGLU естественным образом связан с двумя основными областями исследований ИИ, но не ограничивается ими: понимание и генерация естественного языка (NLU/G) и обучение с подкреплением (RL). Решая эту задачу, мы надеемся объединить сообщества RL и NLU и работать над достижением общей цели: создание интерактивных агентов, основанных на языке (как показано в примере ниже).

Вверху: инструкция архитектора понятна, строитель приступает к укладке блоков. Внизу: строитель задает уточняющий вопрос, затем продолжает.

Если вы работаете над заданием IGLU, прочитайте и процитируйте следующие два документа:

@inproceedings{kiseleva2022interactive, title={Интерактивное обоснованное понимание языка в совместной среде: IGLU 2021}, author={Киселева, Юлия и Ли, Зиминг и Алианнежади, Мохаммад и Моханти, Шреста и тер Хуве, Маартье и Бурцев, Михаил и Скрынник, Алексей и Жолус, Артем и Панов, Александр и Сринет, Кавья и др.}, booktitle={Соревнования и демонстрации NeurIPS 2021}, страницы={146—161}, год={2022}, организация={PMLR} } 9o}t{\’e}, Марк-Александр и Алианнеджади, Мохаммад и Теруэль, Милагро и Ли, Зиминг и Бурцев, Михаил и {тер Хуве}, Маартье и Воловикова, Зоя и Панов, {Александр И. } и Сун, Юйсюань Сан и Шринет, Кавья и Шлам, Артур и Авадаллах, {Ахмед Хассан}}, журнал = {препринт arXiv arXiv: 2205.13771}, год = {2022} }

📑 Задания

Понимая сложность задачи, мы предлагаем участникам две трассы, которые они могут решать по отдельности.

👷 RL Задача: Строительные конструкции

Эта задача заключается в том, чтобы следовать инструкциям на естественном языке для построения целевой структуры, не видя, как она должна выглядеть в конце. Агент RL наблюдает за окружающей средой от первого лица и может перемещаться и размещать блоки разного цвета в заранее определенной зоне здания. Его задача представлена как диалог между Архитектором и Строителем. В частности, диалоговое окно разделено на две части: контекстные высказывания, определяющие ранее размещенные блоки, и целевые высказывания, определяющие оставшиеся блоки, которые должны быть размещены. В конце эпизода агент RL получает оценку, отражающую, насколько полной является построенная структура по сравнению с целевой структурой наземной истины.

Перейдите к заданию RL — Building Structures, чтобы узнать подробности и приступить к работе!

Наиболее эффективные решения для задачи «Строительные конструкции» будут дополнительно оцениваться с участием человека в цикле, когда разработанные агенты будут иметь возможность взаимодействовать с реальными пользователями-людьми. Конечная цель состоит в том, чтобы увидеть, как предлагаемая автономная оценка коррелирует или не коррелирует с человеческим взглядом на задачу. Победители будут номинированы в соответствии с офлайн-оценкой, используемой в таблице лидеров. Посмотреть новая многозадачная иерархическая базовая линия , чтобы отправить заявку.

🙋 Задача НЛП: Задавать уточняющие вопросы

Эта задача заключается в том, чтобы определить когда и какие уточняющие вопросы задавать. Получив указание от Архитектора (например, «Помогите мне построить дом». ), Строитель должен решить, достаточно ли у него информации для выполнения описанной задачи или необходимы дополнительные разъяснения. Например, Строитель может попросить «Из какого материала построить дом?» или «Где тебе это нужно?» . Задача НЛП формулируется независимо от обучения взаимодействию с трехмерной средой. Исходные инструкции и разъяснения могут быть использованы в качестве входных данных для Строителя, чтобы направлять его прогресс.

Задание НЛП скоро будет выпущено! Вернитесь позже, чтобы узнать об этом.

📅 Хронология

Июль: Выпуск материалов: структура IGLU и базовый код.
25 июля: Начинается разминка соревнований! Участникам предлагается начать представлять свои решения.
13 августа: Конец фазы прогрева! Официальные соревнования начинаются.
21 октября: Крайний срок подачи задания RL. Заявки закрываются, и организаторы начинают процесс оценки.
31 октября: Крайний срок подачи задания НЛП. Заявки закрываются, и организаторы начинают процесс оценки.
Ноябрь: Победители объявляются и приглашаются внести свой вклад в описание конкурса.
2-3 декабря: Презентация на NeurIPS 2022 (онлайн/виртуальная).

🏆 Призы

В этом задании общий денежный призовой фонд составляет 16 500 долларов США .

Этот призовой фонд делится следующим образом:

Задача НЛП
- 1-е место: 4000 долларов США
- 2-е место: 1500 долларов США
- 3-е место: 1000 долларов США
RL Задание
- 1-е место: 4000 долларов США
- 2-е место: 1500 долларов США
- 3-е место: 1000 долларов США
Награды за исследования: 3500 долларов США

Победители задач. Для каждой задачи мы будем оценивать представленные материалы, как описано в разделе «Оценка». Три команды, набравшие наибольшее количество баллов в этой оценке, получат призы в размере 4000 долларов США, 1500 долларов США и 1000 долларов США.

Награды за исследования. Мы зарезервировали 3 500 долларов США из призового фонда, которые будут распределены по усмотрению организаторов на материалы, которые, по нашему мнению, внесли особенно интересный или ценный исследовательский вклад. Если вы хотите претендовать на получение исследовательской премии, пожалуйста, включите некоторые сведения об интересных результатах исследований в файл README для вашей заявки. Всего мы рассчитываем присудить от 2 до 5 исследовательских премий.

Авторство. В дополнение к денежным призам мы пригласим три лучшие команды из задач RL и НЛП для составления сводной авторской рукописи в конце конкурса. По нашему усмотрению мы также можем включить почетные упоминания за академически интересные подходы. Почетные упоминания будут приглашены для написания более короткого раздела статьи, и их имена будут включены в текст.

👥 Команда

Организаторы:

Юлия Киселева (Microsoft Research)
Алексей Скрынник (МФТИ)
Артем Жолус (МФТИ)
Шреста Моханти (Microsoft Research)
Негар Арабзаде (Университет Ватерлоо)
Марк-Александр Коте (Microsoft Research)
Мохаммад Алианнеджади (Амстердамский университет)
Милагро Теруэль (Microsoft Research)
Зиминг Ли (Amazon Alexa)
Михаил Бурцев (DeepPavlov)
Maartje ter Hoeve (Амстердамский университет)
Зоя Воловикова (МФТИ)
Александр Панов (МФТИ)
Юйсюань Сунь (Мета ИИ)
Кавья Шринет (Мета ИИ)
Артур Шлам (Мета ИИ)
Ахмед Авадалла (Microsoft Research)

Консультативный совет:

Тим Рокташель (UCL и DeepMind)
Джулия Хоккенмайер (Иллинойсский университет в Урбане-Шампейне)
Катя Хофманн (Microsoft Research)
Билл Долан (Microsoft Research)
Райен В.