Мемуары Фэй-Фэй Ли «Мир, который я увидела». Недавно я дослушал аудиокнигу и хочу поделиться впечатлениями.
Сначала меня привлекли три ключевых слова: иммиграция, ИИ, азиатское происхождение. Но по-настоящему в памяти осталось четвёртое — любознательность.
В книге переплетаются две линии. Первая — история её взросления: она родилась в Пекине, выросла в Чэнду, в пятнадцать лет переехала в США, подрабатывала, помогая семье выплачивать долги, и искала своё место в совершенно незнакомой системе образования. В итоге она изучала физику в Принстоне, защитила докторскую в Калифорнийском технологическом институте, а затем возглавила лабораторию ИИ в Стэнфорде. Вторая линия — история науки о том, как машины научились «видеть» мир. В её центре — ImageNet: общедоступный эталонный набор данных, в котором десятки миллионов изображений размечены и распределены по категориям, чтобы разные алгоритмы можно было сравнивать на равных.
Одна деталь из истории ImageNet особенно меня впечатлила: в то время многие гнались за совершенствованием алгоритмов, а команда Фэй-Фэй Ли сосредоточилась на масштабе и разнообразии данных. На раннем этапе такой подход казался громоздким и даже не слишком «умным». И что в итоге? Позже, когда сошлись три фактора — большие объёмы данных, GPU и глубокие нейронные сети, — компьютерное зрение совершило настоящий скачок.
Это изменило моё представление о «технологическом прорыве». Чем уже обучающие материалы, тем умнее модель будет только в узком мире. Ценность широкого спектра входных данных в том, что они заставляют тебя снова и снова различать: что относится к самому объекту, а что — лишь привычный для тебя фон.
Эта идея повлияла и на мои планы по изучению лексики: в моём списке новых слов уже почти восемьсот… Об этом я подробнее рассказываю в подкасте.
Этот выпуск подойдёт тем, кому интересна история ИИ, а также тем, кто сейчас читает эту книгу. Ссылка ниже 👇
https://redcircle.com/shows/936a3212-92e5-41c7-b6f9-39e3596adeb8/episodes/6d6ed2ed-7068-47c7-a7b5-84c34cb6a5f8
Сначала меня привлекли три ключевых слова: иммиграция, ИИ, азиатское происхождение. Но по-настоящему в памяти осталось четвёртое — любознательность.
В книге переплетаются две линии. Первая — история её взросления: она родилась в Пекине, выросла в Чэнду, в пятнадцать лет переехала в США, подрабатывала, помогая семье выплачивать долги, и искала своё место в совершенно незнакомой системе образования. В итоге она изучала физику в Принстоне, защитила докторскую в Калифорнийском технологическом институте, а затем возглавила лабораторию ИИ в Стэнфорде. Вторая линия — история науки о том, как машины научились «видеть» мир. В её центре — ImageNet: общедоступный эталонный набор данных, в котором десятки миллионов изображений размечены и распределены по категориям, чтобы разные алгоритмы можно было сравнивать на равных.
Одна деталь из истории ImageNet особенно меня впечатлила: в то время многие гнались за совершенствованием алгоритмов, а команда Фэй-Фэй Ли сосредоточилась на масштабе и разнообразии данных. На раннем этапе такой подход казался громоздким и даже не слишком «умным». И что в итоге? Позже, когда сошлись три фактора — большие объёмы данных, GPU и глубокие нейронные сети, — компьютерное зрение совершило настоящий скачок.
Это изменило моё представление о «технологическом прорыве». Чем уже обучающие материалы, тем умнее модель будет только в узком мире. Ценность широкого спектра входных данных в том, что они заставляют тебя снова и снова различать: что относится к самому объекту, а что — лишь привычный для тебя фон.
Эта идея повлияла и на мои планы по изучению лексики: в моём списке новых слов уже почти восемьсот… Об этом я подробнее рассказываю в подкасте.
Этот выпуск подойдёт тем, кому интересна история ИИ, а также тем, кто сейчас читает эту книгу. Ссылка ниже 👇
https://redcircle.com/shows/936a3212-92e5-41c7-b6f9-39e3596adeb8/episodes/6d6ed2ed-7068-47c7-a7b5-84c34cb6a5f8