🔥AI meets politics: Lawmakers are debating ‘AI agents’ for government—bots that read bills, summarize debates, and flag hidden clauses faster than humans.
🤖📜 Some say it’ll fight waste and speed things up; others fear ‘Robo-Politicians’ will start filibustering in 0.3 seconds.
Would you trust an AI to catch what politicians miss—or will it just learn to smile and say, ‘We’ll form a committee’?😂🇺🇸
➖➖➖➖🔻
🧠 BOT: @Chatgpt_OfficialBOT
💎@Chatgpt_OfficialNews
#️⃣#AI#AINews#Politics#GovTech
➖➖➖➖🔺
🌟NVIDIA OmniVinci: омнимодальная модель, которая бьет рекорды.
OmniVinci - модель, способная одновременно понимать и обрабатывать разные типы информации: текст, изображения, видео и звук.
Модель крайне эффективна, несмотря на то, что была обучена всего на 200 млрд. токенов (что в 6 раз меньше, чем у Qwen2.5-Omni - 1.2 трлн.). Это стало возможным благодаря архитектурным фишкам и тщательному подходу к подготовке данных.
В основе OmniVinci 3 компонента:
🟢Temporal Embedding Grouping (TEG) - упорядочивает эмбеддинги из видео и аудио по временным меткам.
🟢Constrained Rotary Time Embedding (CRTE) - кодирует уже абсолютное время.
🟢OmniAlignNet - выравнивает эмбеддинги видео и аудио в общем латентном пространстве с помощью контрастивного обучения.
Абляция показала, что вклад каждого элемента играет свою важную роль: базовая модель с простой конкатенацией токенов набирает в среднем 45.51 балла. Добавление TEG поднимает результат до 47.72 (+2.21), CRTE — до 50.25 (+4.74 от базовой), а финальный слой в виде OmniAlignNet доводит средний балл до 52.59, что в сумме дает прирост в 7.08 пункта.
Данные для обучения - 24 млн. диалогов, которые пропустили через систему, где отдельная LLM анализирует и объединяет описания из нескольких модальностей, создавая единую и корректную аннотацю.
Итоговый датасет на 36% состоял из изображений, на 21% из звуков, на 17% из речи, 15% - из смешанных данных и на 11% из видео.
В бенчах OmniVinci обошла всех конкурентов. На Worldsense модель набрала 48.23 балла против 45.40 у Qwen2.5-Omni. На Dailyomni - 66.50 против 47.45. В аудио-задачах OmniVinci тоже молодец: 58.40 в MMAR и 71.60 в MMAU.
В распознавании речи модель показала WER 1.7% на датасете LibriSpeech-clean.
Применение модели протестили на практике. В задаче классификации дефектов полупроводниковых пластин, OmniVinci достигла точности 98.1%, что лучше, чем у специализированной NVILA (97.6%), и у более крупную 40-миллиардную VILA (90.8%).
📌Лицензирование кода : Apache 2.0 License.
📌Лицензирование: NVIDIA One Way Noncommercial License.
🟡Страница проекта
🟡Модель
🟡Arxiv
🖥GitHub
@ai_machinelearning_big_data
#AI#ML#NVIDIA#OmniVinci
A single near miss can trigger global reaction
The question is:
Did the market already price it in ?
Trade probability before consensus
EdgeMarket = AI verified prediction intelligence
#EdgeMarket#PredictionMarkets#AI#BNB#CryptoMarkets#Geopolitics
Комплексное глубокое обучение для моделей месторождений. Нажал на кнопочку - готово!
Руслан Мифтахов выпустил очередное видео, на этот раз про комплексное (end-to-end) глубокое обучение для моделирования месторождений. Посмотрите, будет интересно тем кто этим занимается. Видео основано на статье специалистов SLB "Deep learning for end-to-end subsurface modeling and interpretation: An example from the Groningen gas field".
Как и рассказывает Руслан, идея end-to-end глубокого обучения для моделирования месторождений довольно крутая и у нее есть прекрасная аналогия в мире беспилотных автомобилей - собираем все возможные алгоритмы прогнозы обстановки на дороге и автоматизации в одну систему. Что если сделать подобное и для дорогостоящего и длительного процесса моделирования подземных месторождений чего угодно, хоть нефти, хоть минералов 🤔?
Например, есть несколько видов данных (со скважин и сейсмические данные). Их нужно обработать, интерпретировать каждый вид данных особым способом, закартировать и наконец сделать 3D модель свойств горных пород и флюидов - типа, бурить сюда! Интересно, что модели машинного обучения уже представлены для каждого процесса в отдельности. Есть модели машинного обучения для обработки скважинных данных, есть модели машинного обучения для автоматического выделения тектонических разломов на сейсмике и так далее. Авторы статьи, делают один, на мой взгляд пока небольшой, шаг к полной автоматизации процесса интерпретации и моделирования. Они говорят, давайте соберем все эти модели и придумаем автоматический процесс, чтобы собрать данные, нажать на кнопочку и на выходе получить модель свойств всея Земли (на картинке). Это может быть модель пористости или плотности пород, да чего угодно.
Я лично знаком с авторами, коллеги все-таки. Действительно, у них есть работающие компоненты, которые они собрали в статье под одним зонтиком. Это в основном сверточные нейронные сети для различных задач. Идея крутая, но даже для частичной ее реализации, на мой взгляд, нужно пройти большой путь. Ведь то, что у нас под ногами скрыто от наших глаз, в отличие от того, что видит камера беспилотного автомобиля. Подземного сканера с супер-разрешением все еще нет, где ты Илон Маск? Поэтому в игру вступают неопределенность и сдвиг данных.
Неопределенность геологических моделей будет всегда, потому что этих моделей бескочнечность, ведь мы точно никогда не узнаем что там под землей, а можем лишь догадываться по обрывкам данных. Если эту неопределенность не учитывать - будет финансово больно, даже при наличии самых красивых моделей и самых глубоких обучателей. Сдвиг данных, возникает тогда, когда модель обученная на одних данных, попадает в новые условия. И в геонауках это серьезная проблема. Не смотря на аналогии, нет двух одинаковых месторождений, и даже если модель обучить на 1000 месторждениях, 1001-е будет другое и производительность модели будет значительно ниже и вероятно не понравится, людям принимающим решение о бурении скважины стоимостью стопицот миллионов . Умные геоинженеры и обучатели машин сейчас работают над тем, чтобы побороть эти две проблемы для моделирования месторождений, но с переменным успехом (на мой взгляд опять же).
Пост может показатья кому-то скептическим, но на самом деле я полон оптимизма. Каких-то пять лет назад даже 10-я часть предложенных алгоритмов была невозможна по разным причинам, а сегодня уже идут разговоры о полной автоматизации моделирования с помощью машинного обучения. Повсеместная адаптация займет еще много лет, но все равно впереди блестящее будущее!
📖статья
#ML#AI#geo#subsurface
📖Generative AI Use Creates Massive Corporate Data Blind Spot
A new Enterprise AI and SaaS Data Security Report 2025 by LayerX reveals that employees are regularly pasting sensitive information, including PII and PCI data, into generative AI tools like ChatGPT — often without company authorization. With 45% of enterprise employees using generative AI, 77% of them have copied and pasted data into chatbot queries, and 22% of those pastes involve sensitive personal or payment details.
The security risk is compounded by the fact that 82% of these pastes come from unmanaged personal accounts, leaving companies with little to no visibility into what information is being shared. Similarly, 40% of file uploads to AI sites contain PII/PCI data, with nearly 39% originating from non-corporate accounts.
This uncontrolled data flow creates a significant blind spot for enterprises, raising serious concerns about compliance, data governance, and legal accountability in AI usage.
#AI#DataGovernance#Cybersecurity
#Morva#AI#Outfit#amp#Wardrobe
Join the Morva: AI Outfit & Wardrobe beta on ✈️#TestFlight
🔗 Link: https://testflight.apple.com/join/1WXp8teh
Shared by Dimitri
Новый ChatGPT умеет делать крутые вещи)
Побаловался немного с персонажами в анимешной стилистике по мотивам фильмов мастера боевых искусств Брюса Ли.
#ИИ#AI#AIVideo#MalikovAI#Neuralsense#Нейросуть#ИскусственныйИнтеллект#Video
Недавно попробовал обучить лору* в Flux по тематике одной из любимых фэнтези игр - онлайн игре World Of WarCraft.
Загрузил на сайте Kreia некоторое количество изображений с ночными эльфийками (раса из игры) и затем анимировал парочку из них в Kling.
*Лора (Lora) - в данном случае метод дообучения нейросети с помощью добавления референсных изображений.
После обучения конкретная нейросеть сможет лучше генерить в нужном стиле или нужных вам персонажей)
#ИИ#AI#AIVideo#MalikovAI#Neuralsense#Нейросуть#ИскусственныйИнтеллект#Video