В 2024 году сфера диджитал-маркетинга будет еще более интересной и инновационной. Искусственный интеллект уже активно используют для продвижения брендов и продуктов. Однако, появляются новые технологии, которые могут оказать значительное влияние на успех рекламных кампаний. А пользователи, в свою очередь, ожидают от бизнеса большей этичности. Агентство высоких откликов HICLICK прогнозирует ключевые тенденции диджитал-маркетинга на 2024 год.

1. Технологии не стоят на месте, и в 2024 году компаниям стоит улучшить пользовательский опыт путем внедрения AR и VR. Это поможет аудитории лучше оценить продукт. На примере виртуального шоу-рума это минимизирует возражения клиента и сокращает путь к покупке.

2. Интерактивный контент, включая викторины, опросы, конкурсы, онлайн-калькуляторы и геймифицированные форматы, такие как квизы и мобильные приложения, становится ключевым для привлечения пользователей. Подкасты от лидеров мнений и руководителей бизнеса также набирают популярность.

3. Стремление к бесшовной интеграции офлайн и онлайн-маркетинга, так как это один из ключевых показателей консистентности бренда. Что, в свою очередь, входит в топ-10 правил юзабилити. Современный пользователь перегружен информацией. Поэтому переход клиента из канала в канал и его маршрут по ресурсу должен быть простым и интуитивным.

4. Оптимизация для мобильных устройств. Компаниям нужно пересмотреть дизайн для мобильных приложений, улучшить прием мобильных платежей, предложить пользователю вход через соцсети вместо регистрации. Больше половины интернет-покупок совершают с мобильных устройств. А по данным за первое полугодие 2023, объем интернет-продаж в России вырос на 20%, по сравнению с аналогичным периодом годом ранее.

5. Борьба с информационным шумом – огромный вызов для бизнеса. Важно найти новые способы привлечения внимания в условиях конкуренции не только с другими компаниями, но и с огромным потоком контента. При этом пользователи ожидают от бизнеса заботы, которая может проявляться в принципах компании, «легком» дизайне, тональности сообщений, еще более тонкой персонализации. Все понимают принцип работы таргета, шаблонная информация отталкивает.

6. Развитие машинного обучения. Это обеспечит автоматизацию и оптимизацию маркетинговых кампаний, улучшит их эффективность и результативность. Маркетинг, основанный на реальных данных, ставит во главу угла клиентский опыт, позволяя более точно понимать поведение и предпочтения потребителей.

7. Повышение этичности в маркетинге. Вопрос безопасности и приватности данных клиентов становится все более актуальным. Важность этого подтверждает статистика: за первое полугодие 2023 года Роскомнадзор зафиксировал в 4 раза больше случаев утечек баз персональных данных, чем за аналогичный период прошлого года.

В предыдущей части мы рассматривали вероятностную постановку задачи машинного обучения, статистические модели, модель регрессии как частный случай и ее обучение методом максимизации правдоподобия.

В данной части рассмотрим метод максимизации правдоподобия в классификации: в чем роль кроссэнтропии, функций сигмоиды и softmax, как кроссэнтропия связана с "расстоянием" между распределениями вероятностей и почему модель регрессии тоже обучается через минимизацию кроссэнтропии. Данная часть содержит много отсылок к формулам и понятиям, введенным в первой части, поэтому рекомендуется читать их последовательно.

В третьей части (статья планируется) перейдем от метода максимизации правдоподобия к байесовскому выводу и его различным приближениям.

Данная серия статей не является введением в машинное обучение и предполагает знакомство читателя с основными понятиями. Задача статей - рассмотреть машинное обучение с точки зрения теории вероятностей, что позволит по новому взглянуть на проблему, понять связь машинного обучения со статистикой и лучше понимать формулы из научных статей. Также на описанном материале строятся более сложные темы, такие как вариационные автокодировщики (Kingma and Welling, 2013), нейробайесовские методы (M"uller et al., 2021) и даже некоторые теории сознания (Friston et al., 2022).

Читать далее

https://habr.com/ru/post/714670/?utm_source=habrahabr&utm_medium=rss&utm_campaign=714670

Сегодня только и разговоров, что о ChatGPT, Midjourney и прочих DALL-E. Почему именно сейчас нейросети стали такими крутыми и развиваются семимильными шагами? Прорыв стал возможен благодаря новому классу невероятно мощных моделей искусственного интеллекта. Рассказываем, с чего всё началось и как мы здесь оказались.

Читать далее

https://habr.com/ru/post/714588/?utm_source=habrahabr&utm_medium=rss&utm_campaign=714588

Ключевые элементы машинного обучения и скрытых пространств

Эта статья послужит введением в представление (embedding), подобие (similarity) и кластеризацию (clustering).

Знать эти ключевые понятия машинного обучения нужно, чтобы понять, что такое скрытое пространство.

• Под представлением понимается представление реального мира в виде данных. Только после представления мы сможем анализировать и использовать в приложениях объекты и явления реального мира.


• Подобие определяет степень сходства между представлениями реального мира и позволяет, например, рекомендовать тот или иной товар.


• Кластеризация позволяет объединить представления реального мира в группы, например, чтобы найти книги по заданной тематике.

За подробностями приглашаем под кат.

Читать дальше →

https://habr.com/ru/post/714304/?utm_source=habrahabr&utm_medium=rss&utm_campaign=714304

Привет! Меня зовут Роман Максимов, я руководитель группы дизайна в Омни СМ. Наша группа входит в отдел цифрового дизайна и занимается диджитал- и веб-дизайном интернет-магазина «Спортмастер» и сайтов монобрендов. Если совсем коротко, то мы отвечаем за всё, что связано с визуальной и креативной составляющей — баннеры, дизайн заглавных страниц, лендингов, видео и всю графическую маркетинговую составляющую.

В этом посте я расскажу про то, как мы используем возможности нейронных сетей, чтобы создавать рекламные материалы и не только.

Итак, про нейронки. Тема уже в целом не новая, но с каждым витком развития получает неплохой импульс в плане актуальности. Крупные компании стали объединять усилия в области генеративного дизайна — Shutterstock запартнёрились с DALL-E, и в будущем можно будет не тратить кучу времени, копаясь в огромном каталоге картинок, а просто взять и написать в поисковой строке нужный запрос. Сеть его обработает и нарисует для подходящую картинку. Если не очень подходящую — просто уточни запрос.

Читать далее

https://habr.com/ru/post/714474/?utm_source=habrahabr&utm_medium=rss&utm_campaign=714474

В этой статье мы хотим рассказать как мы создали крупнейший на данный момент набор искусственно созданных документов с большим разнообразием типов документов, их содержания и условий съемки. Каждый из документов имеет уникальные (хоть и выдуманные) значения текстовых полей, уникальную подпись и уникальные искусственно созданные лица.

Читать далее

https://habr.com/ru/post/714250/?utm_source=habrahabr&utm_medium=rss&utm_campaign=714250

Так совпало, что я недавно прочёл статью Transparency of deep neural networks for medical image analysis и пост от канала Reliable ML про интерпретируемость. Я работаю в сфере медицины уже почти пять лет, и всё это время постоянно где-то на орбите внимания мелькает эта тема.

Что такое интерпретируемость, если решается задача классификации всего рентгенологического исследования - в целом понятно. Врачи не доверяют системам, которые просто говорят "тут где-то на картинке есть рак", а значит нужны какие-то методы, которые будут "объяснять" итоговое предсказание. Их придумано довольно много - разнообразные виды GradCAMа, окклюзия, LIME. Из коробки многие из них можно взять из библиотеки Captum для Pytorch.

Если вы хотите узнать ещё больше об организации процессов ML-разработки, подписывайтесь на наш Телеграм-канал Варим ML

Читать далее

https://habr.com/ru/post/714354/?utm_source=habrahabr&utm_medium=rss&utm_campaign=714354

Скорее всего поисковикам не стоит бояться ChatGPT

С ТЕХ ПОР, КАК OPENAI ПРЕДСТАВИЛ миру ChatGPT в ноябре прошлого года, люди используют его для создания кода, написания стихов, создания обсуждений. Теперь многие предполагают, что люди могут принять ботов в стиле ChatGPT в качестве альтернативы традиционному поиску в Интернете.

Microsoft, инвестировавшая в OpenAI миллиард долларов ,планирует выпустить реализацию своей поисковой системы Bing, включающую ChatGPT, до конца марта. Согласно недавней статье в New York Times , Google объявил «красный код» из-за опасений, что ChatGPT может представлять серьезную угрозу для его поискового бизнеса с оборотом в 149 миллиардов долларов в год. Действительно ли ChatGPT может разрушить такого мастодонта поисковых систем, как Google?

ChatGPT хорош в том, что он — генерирует, — но поисковой системой это не является.

Есть некоторый смысл в том, что Google мог бы рассматривать чат, если бы он получил широкое распространение в качестве инструмента поиска, как угрозу своей бизнес-модели. Если меньше людей будет заниматься обычным поиском, это потенциально может оказать серьезное влияние на прибыль Google. Но реальный вопрос здесь заключается в следующем: можно ли вообще использовать ChatGPT для поиска, подобного Google?

Читать далее

https://habr.com/ru/post/714284/?utm_source=habrahabr&utm_medium=rss&utm_campaign=714284

Пошаговое руководство по установке и конфигурированию всех компонентов kubeflow на локальной машине.





Рис. 1. Взаимодействие Kubeflow и Kubernetes | рисунок автора |иконки от Eucalyp



Kubeflow [1] – это созданная Google опенсорсная платформа, на которой разворачивается весь жизненный цикл разрабатываемой модели машинного обучения. Kubeflow представляет собой инструментарий, каждый компонент которого применяется для отработки каждой из стадий жизненного цикла при машинном обучении, а именно: исследования данных, конструирования признаков, преобразования признаков, обучения модели, оценки модели, тонкой настройки модели, предоставления модели и версионирования модели. Главный атрибут kubeflow заключается в том, что он предназначен для работы на базе kubernetes [2]. Таким образом, kubeflow пользуется именно теми преимуществами, которые предоставляет кластер kubernetes, в частности, оркестрацией контейнеров и автомасштабированием.
Читать дальше →

https://habr.com/ru/post/714172/?utm_source=habrahabr&utm_medium=rss&utm_campaign=714172

Ultralytics недавно выпустила семейство моделей обнаружения объектов YOLOv8. Эти модели превосходят предыдущие версии моделей YOLO как по скорости, так и по точности в наборе данных COCO. Но как насчет производительности на пользовательских наборах данных? Чтобы ответить на этот вопрос, мы будем обучать модели YOLOv8 на пользовательском наборе данных. В частности, мы будем обучать его на крупномасштабном наборе данных для обнаружения выбоин.

Читать далее

https://habr.com/ru/post/714232/?utm_source=habrahabr&utm_medium=rss&utm_campaign=714232

Привет, Хабр!

Меня зовут Екатерина Кононова, я Data Scientist и участник профессионального сообщества NTA. Часто возникает проблема визуализации данных за несколько периодов времени. Те, кто уже пытался создавать карты знают, что эту проблему можно решить с помощью разных слоёв на карте. Если заглянуть в код, то можно увидеть, что именно строка folium.LayerControl(). add_to(m) позволяет добавить на карту возможность переключения между слоями, но об этом чуть позже.

Читать далее

https://habr.com/ru/post/714182/?utm_source=habrahabr&utm_medium=rss&utm_campaign=714182

Привет, это команда ответов на вопросы Маруси. Мы все привыкли к тому, что голосовые помощники отвечают на любые вопросы. Не всегда правильно, но обычно вполне толково и с пользой. А вы когда-нибудь задумывались, как это устроено? Сейчас расскажем на примере нашей Маруси.

Материал состоит из двух частей, это первая часть. В ней мы дадим поверхностный обзор того как устроена Маруся, локализуем место навыка «ответов на вопросы» и расскажем на концептуальном уровне, как можно решать эту задачу.

Читать далее

https://habr.com/ru/post/713124/?utm_source=habrahabr&utm_medium=rss&utm_campaign=713124

Привет, это команда ответов на вопросы Маруси. Мы все привыкли к тому, что голосовые помощники отвечают на любые вопросы. Не всегда правильно, но обычно вполне толково и с пользой. А вы когда-нибудь задумывались, как это устроено? Сейчас расскажем на примере нашей Маруси.

Материал состоит из двух частей, это первая часть. В ней мы дадим поверхностный обзор того как устроена Маруся, локализуем место навыка «ответов на вопросы» и расскажем на концептуальном уровне, как можно решать эту задачу.

Читать далее

https://habr.com/ru/post/713124/?utm_source=habrahabr&utm_medium=rss&utm_campaign=713124

Активности в операционной системе могут быть самыми разнообразными. Это может быть и запуск нового процесса или потока, и обращение к файловой системе, и выделение памяти, и многое другое. Могут возникнуть ситуации, когда (вследствие действий злоумышленника и\или программной\аппаратной ошибки) эта активность становится аномальной, то есть поведение системы начинает отличаться от ожидаемого. Запуск неизвестного процесса на этапе эксплуатации изделия, потребление процессом необычно большого количества памяти, установка сетевых соединений, которых быть не должно в системе - всё это примеры аномальной активности, возможно требующие внимания со стороны пользователя или разработчика.

О процессе разработки, используемых методах и технологиях рассказываем в данной статье.

Читать далее

https://habr.com/ru/post/713690/?utm_source=habrahabr&utm_medium=rss&utm_campaign=713690

Взяться за статью меня побудил недавний (в исторических масштабах) эксперимент по сжатию изображений при помощи Stable Diffusion. Бегло прочесав азбучные истины вроде Википедии, я обнаружил, что проблема «красивой, но полностью выдуманной картинки» уже известна, но самое очевидное решение из приходящих в голову — по какой-то причине не фигурирует в них.

Причины, которые я могу предположить — оно или уже давно отброшено как неэффективное (слишком снижающее степень сжатия), или же не проработано, как имеющее слишком много вариаций, из которых «не все йогурты одинаково полезны».

К счастью, статья предназначена для «песочницы», поэтому я могу спокойно высказать собственные соображения — прежде, чем она отнимет чьё-то внимание, она должна получить одобрение более осведомлённых специалистов.

Проблема нейросетей, обучаемых передавать изображение через «бутылочное горлышко», свойственна и естественным нейросетям.

Вместе предаться лукавым мудрствованиям

https://habr.com/ru/post/713790/?utm_source=habrahabr&utm_medium=rss&utm_campaign=713790

Кротовые норы — морщинки на ткани пространственно-временного континуума, соединяющие два места, — кажутся чем-то из научной фантастики. Независимо от того, существуют они или нет, изучение этих гипотетических объектов может стать ключом в установлении связи между информацией и материей — загадкой, не дающей покоя физикам уже много лет.

Читать дальше →

https://habr.com/ru/post/713394/?utm_source=habrahabr&utm_medium=rss&utm_campaign=713394

Большинству компаний машинное обучение кажется чем-то сверхсложным, дорогим и требующим серьёзных специалистов. И если вы намереваетесь создавать новую систему рекомендаций Netflix, то так и есть. Однако тенденция превращения всего в сервис затронула и эту сложную сферу. Начать с нуля проект ML можно без особых инвестиций, и это будет правильным решением, если ваша компания новичок в data science и хочет начать с решения самых простых задач.



Одна из самых вдохновляющих историй об ML — это рассказ о японском фермере, решившем автоматически сортировать огурцы, чтобы помочь своим родителям в этой утомительной работе. В отличие от крупных корпораций, этот парень не имел ни опыта в машинном обучении, ни большого бюджета. Однако ему удалось освоить TensorFlow и применить глубокое обучение для распознавания разных классов огурцов.



Благодаря облачным сервисам машинного обучения вы можете начать создавать свои первые рабочие модели, делая ценные выводы из прогнозов даже при наличии небольшой команды. Мы уже говорили о стратегии машинного обучения. Теперь давайте рассмотрим лучшие на рынке платформы машинного обучения и поговорим об инфраструктурных решениях, которые нужно принять.
Читать дальше →

https://habr.com/ru/post/699436/?utm_source=habrahabr&utm_medium=rss&utm_campaign=699436

На базе нейронных сетей построены многочисленные системы искусственного интеллекта. Они считаются прогрессивным и достаточно надёжным инструментом анализа данных там, где задачу сложно формализовать. Им доверяют управление автомобилями и роботами, идентификацию людей, антифрод у банков и страховых компаний и другие ответственные задачи. При этом даже у лучших реализаций ИИ время от времени случаются грубые ошибки, возникновение которых бывает сложно объяснить.

Специалист отдела перспективных исследований компании «Криптонит» Игорь Нетай предположил, что у разноплановых ошибок ИИ существует общая причина. Он выявил её в ходе модельного эксперимента с использованием более 50 000 сгенерированных нейронных сетей, обучение которых продолжалось в течение тысяч эпох для каждой из них.

Скорее читать далее!

https://habr.com/ru/post/713612/?utm_source=habrahabr&utm_medium=rss&utm_campaign=713612

При создании любой модели компьютерного зрения командам разработчиков машинного обучения требуются высококачественные массивы данных с высококачественными аннотациями, чтобы обеспечить хорошую точность модели.



Однако когда дело касается создания моделей искусственного интеллекта для применения в здравоохранении, ставки становятся ещё выше — эти модели могут непосредственно влиять на жизни людей. Их необходимо обучать на данных, аннотированных опытными медицинскими специалистами, у которых не очень много свободного времени. Также они должны удовлетворять высоким научным и нормативным стандартам, поэтому чтобы вывести модель из разработки в продакшен, командам разработчиков ML необходимо обучать их на лучших данных с лучшими аннотациями.



Именно поэтому у любой компании, занимающейся компьютерным зрением (особенно если она создаёт модели для медицинской диагностики), должен существовать процесс контроля качества аннотаций медицинских данных.
Читать дальше →

https://habr.com/ru/post/705558/?utm_source=habrahabr&utm_medium=rss&utm_campaign=705558

Герои статьи для себя сделали иллюстрацию



Последние несколько месяцев оказались богаты на новости о системах искусственного интеллекта. Тематические площадки и видеохостинги заполнены контентом про ChatGPT и Midjourney; разработчики делятся примерами кода, созданного ИИ-помощником Copilot.



Да, результаты варьируются от случая к случаю, но волны хайпа оказалось достаточно, чтобы на проекты обратили внимание корпорации. Так, в Google беспокоятся, что новые языковые модели пошатнут их положение на рынке, а Microsoft планирует инвестировать $10 млрд в компанию-разработчика ChatGPT.



Новые нейросети уже находят применение в программных проектах. Их встраивают в текстовые редакторы, браузеры, облачные платформы. Но какой бы ни была модель машинного обучения, работа с ней требует вычислительных ресурсов. Поддержка таких решений может обходиться в сотни тысяч долларов ежедневно.



И в этом ключе интересно сместить акцент на более доступные «туманные вычисления».
Читать дальше →

https://habr.com/ru/post/713276/?utm_source=habrahabr&utm_medium=rss&utm_campaign=713276