The death of Tumblr. (2018)
Show & Tell
TVSTRANGERTHINGS

titsay
YOU ARE THE REASON

@theartofmadeline
sheepfilms
I'd rather be in outer space đž

romaâ

DEAR READER
wallacepolsom

Product Placement

Kaledo Art

izzy's playlists!
we're not kids anymore.
Aqua Utopiaïœæ”·ăźćșă§èšæ¶ă玥ă

â
Cosimo Galluzzi

Andulka
seen from United States
seen from United States
seen from United States

seen from Malaysia

seen from United States
seen from Thailand

seen from TĂŒrkiye
seen from United Kingdom

seen from United Kingdom
seen from Italy

seen from United States
seen from United States

seen from United States

seen from United States

seen from United States

seen from TĂŒrkiye

seen from New Zealand

seen from Malaysia
seen from Hong Kong SAR China
seen from United States
@gepitanulasokba
The death of Tumblr. (2018)

Anya is live and ready to show you everything. Watch her strip, dance, and perform exclusive shows just for you. Interact in real-time and make your fantasies come true.
Free to watch âą No registration required âą HD streaming
A catalog of ingenious cheats developed by machine-learning systems
When you train a machine learning system, you give it a bunch of data â a simulation, a dataset, etc â and it uses statistical methods to find a way to solve some task: land a virtual airplane, recognize a face, match a block of text with a known author, etc.
Like the mischievous genies of legend, machine learning systems will sometimes solve your problems without actually solving them, exploiting loopholes in the parameters you set to find shortcuts to the outcome you desired: for example, if you try to train a machine learning system to distinguish poisonous and non-poisonous mushrooms by alternating pictures of each, it might learn that all odd-numbered data-points represent poisonous mushrooms, and ignore everything else about the training data.
Victoria Krakovnaâs Specification gaming examples in AI is a project to identify these cheats. Itâs an incredibly fun-to-read document, a deep and weird list of all the ways that computers find loopholes in our thinking. Some of them are so crazy-clever that itâs almost impossible not to impute perverse motives to the systems involved.
* A robotic arm trained to slide a block to a target position on a table achieves the goal by moving the table itself.
* Game-playing agent accrues points by falsely inserting its name as the author of high-value items
* Creatures exploited physics simulation bugs by twitching, which accumulated simulator errors and allowed them to travel at unrealistic speeds
* In an artificial life simulation where survival required energy but giving birth had no energy cost, one species evolved a sedentary lifestyle that consisted mostly of mating in order to produce new children which could be eaten (or used as mates to produce more edible children).
* Genetic algorithm is supposed to configure a circuit into an oscillator, but instead makes a radio to pick up signals from neighboring computers
* Genetic debugging algorithm GenProg, evaluated by comparing the programâs output to target output stored in text files, learns to delete the target output files and get the program to output nothing. Evaluation metric: âcompare youroutput.txt to trustedoutput.txtâ. Solution: âdelete trusted-output.txt, output nothingâ
* AI trained to classify skin lesions as potentially cancerous learns that lesions photographed next to a ruler are more likely to be malignant.
* Genetic algorithms for image classification evolves timing attack to infer image labels based on hard drive storage location
https://boingboing.net/2018/11/12/local-optima-r-us.html
Az gyerekeket vacsorĂĄnak elĆĂĄllĂtĂł lĂ©tforma azĂ©rt elĂ©g zorall, de a többi se rossz.
Miert röhögök
Kevésbé vicces/izgalmas, de én is belefutottam mår hasonlóba, mikor is egy autót próbåltam råvenni, hogy menjen körbe egy versenypålyån
A kĂ©pen lĂĄthatĂł mĂłdszerrel szĂĄmol pĂĄlyasugarat, a 19 db, pĂĄlya szĂ©lĂ©nek a tĂĄvolsĂĄgĂĄt Ă©rzĂ©kelĆ szenzorbĂłl megnĂ©zi, hogy van-e a közĂ©psĆnĂ©l nagyobb Ă©rtĂ©ket mutatĂł, mert az azt jelenti, hogy abba az irĂĄnyba kell kanyarodnia. Majd akkor a hĂĄrom legnagyobb Ă©rtĂ©kbĆl pĂĄlyasugarat szĂĄmol. Mikor kivettem az Ă©rtĂ©kelĂ©sbĆl azt, hogy a pĂĄlya közepĂ©n haladĂĄsĂ©rt nagyobb jutalmat kap, akkor elkezdett a kanyarok elĆtt a belsĆ Ăvre hĂșzĂłdni, Ăgy a belsĆ Ăv szenzorai 0-hoz közeli Ă©rtĂ©ket mutattak, ellehetetlenĂtve a sugĂĄrszĂĄmolĂĄst. Az autĂł Ăgy azt hitte, hogy egyenesben van, Ă©s lehet nyomni a gĂĄzt, Ă©s csak közvetlen a kanyar elĆtt Ă©rzĂ©kelte, hogy akkor neki most lassĂtania kellene, de hiĂĄba nyomta akkor a fĂ©ket mĂĄr, menthetetlenĂŒl kisodrĂłdott.
Azonban egĂ©szen addig a nagy sebessĂ©gnek köszönhetĆen egĂ©szen magas jutalmakat kapott :D Ăgyhogy ĂĄt kellett dolgozni az egĂ©sz rendszert, hogy az ilyen kis cheateket kezelni tudja, Ă©s megtanulja, hogy ez is rossz
De mire is jó ez a mesterséges intelligenciås mizéria?
ElĆször is hadd posztoljak egy kĂ©pet:
Van a mestersĂ©ges intelligencia. IgazĂĄbĂłl mindent annak nevezĂŒnk, ami hajaz az intelligenciĂĄra Ă©s mestersĂ©ges, szĂłval elĂ©g nagy csoport.
AztĂĄn van a gĂ©pi tanulĂĄs, ennek egy alcsoportja. A gĂ©pi tanulĂĄs lĂ©nyegĂ©ben az, hogy valamilyen Ășton-mĂłdon egy algoritmust âtanulni kĂ©pesâ. KĂ©rdĂ©s, hogy mi az, hogy tanulĂĄs? Amit tudunk, hogy mi nem az: a magolĂĄs. A magolĂĄs egyszerƱen egy adatbĂĄzi eltĂĄrolĂĄsa, viszont amire nekĂŒnk szĂŒksĂ©g van, az az, hogy ĂĄltalĂĄnosĂtani tudjon a gĂ©p - Ășj problĂ©mĂĄra is tudjon megfelelĆ vĂĄlaszt adni.
A mĂ©lytanulĂĄs meg lĂ©nyegĂ©ben a gĂ©pi tanulĂĄs, csak neurĂĄlis hĂĄlĂłkkal megvalĂłsĂtva.
A gĂ©pi tanulĂĄsnak is van többfĂ©le mĂłdja. Van a felĂŒgyelt tanulĂĄs, azaz lekĂ©pezĂ©s megtanulĂĄsa pĂ©ldĂĄkon keresztĂŒl - ami leegyszerƱsĂtve Ășgy nĂ©z ki, hogy mutatunk egy csomĂł problĂ©ma-megoldĂĄs pĂĄrost a gĂ©pnek, az meg megprĂłbĂĄl valamilyen ĂĄltalĂĄnosĂtĂĄst vĂ©gezni. Tipik ilyen a karakterfelismerĂ©s problĂ©mĂĄja, ez a legelsĆ, amit az ember megtanul, amikor elkezd a Tensorflow-val foglalkozni. TanĂtani jelen esetben pĂ©ldĂĄul Ășgy is lehet, hogy mivel ismert a kĂvĂĄnt vĂĄlasz az adott problĂ©mĂĄra, azt össze lehet hasonlĂtani a gĂ©p vĂĄlaszĂĄval, Ă©s a kettĆ kĂŒlönbsĂ©gĂ©t fel lehet hasznĂĄlni a tanĂtĂĄsra.
Van pĂ©ldĂĄul a megerĆsĂtĂ©ses tanulĂĄs, amivel Ă©n is folgalkozom majd. Ha az elĆzĆt Ășgy vesszĂŒk, hogy pĂ©ldĂĄul egy tanĂĄr megtanĂtja a diĂĄkjaival a szorzĂłtĂĄblĂĄt, aztĂĄn visszakĂ©rdezi azt, ebben az esetben a tanĂĄr megkĂ©rdezi a diĂĄktĂłl, hogy mennyi 8x7, Ă©s megmondja, hogy jĂł-e az eredmĂ©ny, vagy rossz. Ăs elĆbb-utĂłbb a diĂĄk csak rĂĄjön, hogy hogyan is kell szorozni. Azaz ilyenkor van egy jutalomfĂŒggvĂ©ny (reward), ami pozitĂv, ha jĂł a problĂ©mĂĄra adott vĂĄlasz, negatĂv, ha rossz, Ă©s 0 ha semleges.
FelĂŒgyelt tanulĂĄssal nyilvĂĄnvalĂł, hogy egy autĂłt körbe lehet vezetni egy pĂĄlyĂĄn - ha mĂĄr van rĂĄ egy jĂł algoritmusom. MegĂrom az algoritmust, vĂ©gigvezetem az autĂłt a pĂĄlyĂĄn, lesz egy csomĂł szenzor-aktuĂĄtor adatom, aztĂĄn jĂłidĆ. Azonban megerĆsĂtĂ©ses tanulĂĄssal mĂĄr egy fokkal nehezebb - mindenfĂ©le elĆzetes tudĂĄs nĂ©lkĂŒl cselekszik valamit, aztĂĄn megkapja az aktuĂĄlis helyzetbĆl, hogy akkor milyen a jutalom. Ha nekimegy a falnak, akkor elĆbb-utĂłbb rĂĄjön, hogy ez neki nem jĂł, Ășgyhogy megy az Ășt közepĂ©n. Hogy ezt hogyan ötölje-hatolja ki, az mĂĄr megint egy mĂĄsik dolog, Ă©s lehetne rĂłla vĂ©gtelent Ărni, csak nekem idĆm nincsen.
A következĆkben a neurĂĄlis hĂĄlĂłkrĂłl fogok valamennyicskĂ©t Ărni.
A TORCS
Maga a program a The Open Racing Car Simulator, ami igazĂĄbĂłl azĂ©rt jĂł, mert nyĂlt forrĂĄskĂłdĂș meg ingyenes meg minden (Ă©s azĂ©rt rossz, mert a konzulenseimnek nem volt idejĂŒk belemĂ©lyedni, Ășgyhogy ha elakadtam, csak tippelgetni tudtak, nem feltĂ©tlen igazi segĂtsĂ©get adni). AmĂșgy rendkĂvĂŒl fain kis program - rendesen van benne rendesen aerodinamika, kerĂ©kslip (lĂ©nyegĂ©ben az, hogy a kerĂ©k mennyire âpörög kiâ, ha nagyon le akarom egyszerƱsĂteni), futĂłmƱmodell, stb. Azonban ami szĂĄmomra nagyon fontos: Ășgy lett megĂrva, hogy egy egyszerƱ kiegĂ©szĂtĆ letöltĂ©se utĂĄn könnyen lehessen Ărni hozzĂĄ sajĂĄt ârobotpilĂłtaâ programot.
LĂ©nyegĂ©ben ki lehet nyerni egy csomĂł kimenetet, szenzoradatokat, pĂ©ldĂĄul ilyeneket, hogy sebessĂ©g, oldalirĂĄnyĂș hiba, szöghiba (a pĂĄlya közĂ©pvonalĂĄhoz kĂ©pest), 19 db tĂĄvolsĂĄgszenzor, ami a pĂĄlya szĂ©lĂ©nek a tĂĄvolsĂĄgĂĄt jelzi (mint a fenti kĂ©pen is lĂĄtszik), meg hasonlĂłak. Nagy hĂĄtrĂĄnya, hogy ez Ăgy sajnos alkalmatlan lookahead tervezĂ©sre (azaz mindig csak a pĂĄlya adott pontjĂĄban ismerem az adatokat, nem lĂĄtom elĆre a trajektĂłriĂĄt, de mĂ©g azt sem, hogy mikor lesz kanyar, ami mondjuk tök jĂł lenne - Ășgyhogy erre nekem kellett Ărni fĂŒggvĂ©nyt). A bemeneti adatok pedig igazĂĄbĂłl nem tĂșl sokak - gĂĄzpedĂĄlĂĄllĂĄs, fĂ©kpedĂĄlĂĄllĂĄs, kormĂĄnyszög Ă©s sebessĂ©gi fokozat (meg mĂ©g 1-2 dolog, amit Ășgyse hasznĂĄl senki). De amĂșgy mĂ©g egy rendes blokkolĂĄsgĂĄtlĂł sincsen benne, szĂłval elĂ©ggĂ© alacsony szintƱ az egĂ©sz.
Az ilyen programokat, amik arra ĂrĂłdtak, hogy kommunikĂĄljanak a TORCS-szal, klienseknek nevezzĂŒk. A TORCS 20 milliszekundumonkĂ©nt elkĂŒldi az adatokat a kliensnek (vagyis pontosabban az kĂ©rdezi le :D ), Ă©s 10 milliszekundum mĂșlva vĂĄlaszol. Ha addig nem sikerĂŒlt megszĂŒlni, hogy mi a vĂĄlasz, akkor az elĆzĆ parancsot kĂŒldi el. RĂĄadĂĄsul ha nem fĂ©r bele a 20 ms-ba sem, akkor nem egyszerƱen kihagyja a progi a következĆ lekĂ©rdezĂ©st, vagy kĂ©sve kĂ©rdez le, hanem kĂ©sve kapja le az idĆben megtörtĂ©nt lekĂ©rdezĂ©st - ez tud cukisĂĄgokat mƱvelni, fĆleg, ha neurĂĄlis hĂĄlĂłkkal dolgozunk. Ugyanis az egy rendkĂvĂŒl szĂĄmĂtĂĄsigĂ©nyes dolog, erĆs gĂ©p kell hozzĂĄ, hogy idĆben ki tudjuk szĂĄmolni a dolgokat. Az pedig nem vicces, hogy 10 helyett tegyĂŒk fel 30 ms, amĂg elkĂŒldi a vĂĄlaszokat, akkor mĂĄr pĂĄr mĂĄsodperc mĂșlva tetemes kĂ©sĂ©sben lesz az egĂ©sz önmagĂĄhoz kĂ©pest - az autĂł mĂĄr megtett mondjuk 500 mĂ©tert, de mĂ©g a 200 mĂ©terhez tartozĂł adatokra szĂĄmol valami kimenetet, Ă©s ez a kĂŒlönbsĂ©g egyre csak nĆ a pĂĄlyĂĄval haladva. Ăgy sajnos egy elĂ©ggĂ© satnya neurĂĄlis hĂĄlĂłval kellett dolgoznom, ami nem feltĂ©tlenĂŒl kĂ©pes visszaadni a nĂŒanszokat, amik fontosak lennĂ©nek a pĂĄlya maradĂ©ktalan tejlesĂtĂ©sĂ©hez. Ez nagy hĂĄtrĂĄnya az egĂ©sz környezetnek, Ă©s a következĆ fĂ©lĂ©vben ezĂ©rt lesz az, hogy âhĂĄtralĂ©pek kettĆtâ, Ă©s sajĂĄt környezetet Ărok majd a tesztelĂ©shez - sajnos csak 2D-s, felĂŒlnĂ©zetit, de ott majd tetszĆleges idĆm lesz szĂĄmolni, mert egyĂ©bkĂ©nt sem real time-ban kell dolgoznom, nincsen ez a megkötĂ©s, mint ez a program esetĂ©n. RemĂ©nykedjĂŒnk a legjobbakban ^^
Kép forråsa
CsinĂĄltam egy ilyen blogot
mert van körĂŒlbelĂŒl kĂ©t hetem arra, hogy összehozzak egy TDK dolgozatot a tĂ©mĂĄmrĂłl, motivĂĄciĂłm meg nem sok van. Ăgyhogy arra gondoltam, hogy ha random szösszeneteket, Ă©rdekessĂ©geket itt megosztok, akkor jobban fog menni az ĂrĂĄs is. EgyĂ©bkĂ©nt a tĂ©ma szimulĂĄlt versenyautĂł irĂĄnyĂtĂĄsĂĄnak megoldĂĄsa neurĂĄlis hĂĄlĂłk segĂtsĂ©gĂ©vel, a The Open Racing Car Simulator (TORCS) nevƱ program keretein belĂŒl, szerintem majd errĆl Ărok legközelebb. Kövessetek, ha van ötletetek, azt is szĂvesen veszem, mĂ©g mindig nem kĂ©sĆ vĂĄltoztatni az egĂ©szen, Ășgysem szeretek aludni :D
Tervben van amĂșgy Ărni a következĆkrĆl: - maga a TORCS - sima irĂĄnyĂtĂĄsi kĂ©rdĂ©s megoldĂĄsa - neurĂĄlis hĂĄlĂłk bemutatĂĄsa tudomĂĄnyos Ă©s köznyelven - DDPG tĂ©ma kivesĂ©zĂ©se (ez amĂșgy tökre Ă©rdekes, mert egy csomĂł fĂ©le tanulĂĄsi mĂłdszernek a nagy katyvasza :D ) - meg maga az, hogy akkor Ă©n mi a fenĂ©t is csinĂĄltam, Ă©s miĂ©rt (nem) mƱködik - Ă©rdekes kisiklĂĄsok :D
Ăgyhogy remĂ©lem, egyfajta ismeretterjesztĆ jellege is lesz, tartsatok velem, Ă©s drukkoljatok, hogy hatĂĄridĆre elkĂ©szĂŒljek :D

Anya is live and ready to show you everything. Watch her strip, dance, and perform exclusive shows just for you. Interact in real-time and make your fantasies come true.
Free to watch âą No registration required âą HD streaming