Аз пък с два елементарни филтъра постигнах далеч по-добро зумване, но евала на AI - тотално е пренарисувал картинката, аз не мога така, ама моята все пак е по-близо до оригинала.

да, и черно-бяла картинка може да се оцвети с няколко предположения:
- небето е синьо, облаците са бели
- тревата е зелена
- листата на дърветата са зелени
- камъните са сиви

ако на дърветата има листа -> не е зима -> водата не може да е бяла. но ако си близо до хим-комбинат може да е във всички цветове на палитрата.
но може да е есен и листата да са червени (специално на това дърво)
камъните може да са червени, синеещи, кафеникави или в друг оттенък. бял мрамор и жълти камъни ще изглеждат по друг начин на ч/б снимка.
и само фотографа знае дали мостчето е червено и кога е било боядисвано за последно.
но ако на ИИ му е дадена задача да сътвори чудесна картинка... фотографите трябва да си търсят друго препитание.

щирлиц е с черна униформа, защото е от СС
лицето му е с нормален цвят на човешката кожа, защото няма исторически данни по време на снимките да е бил болен от жълтеница.
но коприненото шалче дали е резедаво, синкаво или мораво?
и какъв цвят е колата му?

---
преди много години за автоматичната търговия по борсите се възлагаха големи надежди на експертните системи (разбирай ИИ).
все пак бяха подпрени с червени линии отгоре и отдолу, така че при проблем да не се стигне до катаклизъм. с днешните възможности на ИИ обратното мисля че става значително по-възможно, просто защото нормалния човешки мозък не може да сдъвче такава лавина от информация за необходимото време.

От това филмче се вижда процеса на colorization. Има прости случаи но за които е невъзможно да се направи прогноза от обучена невронна мрежа. Например както е дадено чаша с хоризонтални ленти, невъзможно е да се знае цветът им. Тогава ръчно се избира цветовата гама и компютъра рисува чаша с например червени ленти.

В по-сложните случаи /жената с децата/ невронната мрежа със segmentation е разделила отделните елементи и ги е посочила /квадратчетата/ а оператора ръчно им задава цвят. Може би има подсказване при процедурата object detectionнапример в конкретният случай на човешката кожа, мрежата е добре обучена за цвета и от милионите изображения. И отново оператор може ако не му хареса да променя цвета на сегмента и цялостната цветова гама. При segmentation компютърът ясно разграничава отделните зони с контрастни цветове така че е лесно да се приложи корекцията само към елемент.

Последно във филмчето е показана сценка с водопад. Там компютърът прави предложение /prediction/ понеже невронната мрежа е обучена с десетки милиони цветни изображения на природни обекти. На които са наслагани етикети на отделните обекти и елементи. Впрочем правят го индийци срещу доста скромно заплащане. Чел съм как се прави, поставили са всичко на бизнес основа, обявява се търг за поставяне на етикети примерно на хиляда снимки и който спечели търга Не смеят да спят за да не изпуснат търга, за някои направо е професия.

Ако на оператора не му харесва предложеното коригира общата цветова гама или цвета на отделни обекти и сегменти. Така че процесът е полуавтоматичен.

При изображенията от Втората световна война и въобще за изображения за които няма мощна база данни от цветни изображения ръчният елемент е засилен. Например няма как в базата данни да има хиляди цветни снимки на униформите на немски войници или руски, всички снимки и филми от онова време са черно-бели. Затова със segmentation компютърът разграничава елемента "униформа" а операторът ръчно избира в каква цветова гама да е тя. И след това компютърът проследява и поставя цветове на такава униформа в целият филм с object detection и segmentation.

Затова и това оцветяване изглежда малко еднотонно и механично, много трудоемко ще е така ръчно да се изберат и оцветят хиляди обекти. Пък я няма и 3D информацията. Но като за филм става, там всичко става бързо и няма време да се реагира. Пък и все пак първи опити.

Но твърдо може да се каже, че в дадените примери за оцветяване /colorization/ няма елементи на "дорисуване" както при елена. Това са два различни типа невронни мрежи. При елена е GAN /Generative adversarial network/, тя може да рисува. А при оцветяването е CNN/Convolutional neural network/, тя извършва само операциите намиране на обекти и сегментиране. Въобще нтова за архитектурата на невронните мрежа и отделен, много интересен но и много сложен въпрос. Затова друг постинг... когато и колкото остане време.

То и сега се прилага. Едното направление е високочестотен трейдинг. Компютърът сключват сделки но с изключително висока скорост, стотици пъти в минута. Продава при високо купува при ниско, може центове да е разликата но умножено по стотици пъти в минута и за големи пари се натрупват значителни печалби. Тук се борят за скорост на линията, битката е буквално за милисекунди. Защото печели който предложи или купи първи. Естествено процеса на сделка е изцяло автоматизиран.

Второто направление, вече по-интелигентно е търсенето на закономерности /патерни/. Циклична картинка която пък съдържа в себе си по-малки... май че така може и до фрактали да се стигне. Такива има, аз на времето в началото на "демокрацията" малко играех на валутният курс. Процеса ми приличаше на твърдо тяло закачено към пружина и поставено върху наклонена дъска. Отначало то е в равновесие, поставяме допълнителна тежест /пазара е дебалансиран/, кубчето иска да тръгне надолу но триенето на покой не му позволява. И когато отлепи се засилва защото триенето при движение е по-ниско, прави няколко затихващи колебания нагоре-надолу поради инерционните сили докато се успокои /пазара е балансиран при новите условия/.

Така си докарвах около половин месечна заплата, играех със скромни суми. Но после онези мошеници от обменните бюра се усетиха, вдигат маржа при такъв колебателен процес и на мен не ми излизат сметките, отказах се.

В един от семинарите един англичанин даваше пример за прогнозиране на курса за биткойн с невронна мрежа. Там динамиката е голяма и по-ясно може да се види печалбата /макар че има други проблеми/.

Интересен беше подхода на един математик от БАН, работеха заедно с мой приятел. За разликата от мнозинството които се занимават с върха на нормалното разпределение където са многото случаи той изследваше опашката на разпределението. Там са единичните случаи но точно те са първите признаци за промяна в тенденцията. Емигрира в Америка, приятелят ми каза какво правел там по неговите думи "Пристигат едни мълчаливи хора, дават ми данните, голи числа за които не е написано какви са и за какво са, пристигат отново и също така мълчаливо вземат резултатите". Или ЦРУ или мафията, но явно за големи неща става дума.

Последните новини в борсовите игри са за приложение на Reinforcemet Learning /битка на интелектуални агенти/. Виждам бъдеще в NLP /Natural Language Processing/ и Knowledge Extraction за измъкване на информация от огромното количество новини и изпреварващо реагиране. Затова когато ме канят приятели да участвам в широко рекламираните борсови игри отказвам. Нямам никакъв шанс при такава компютърна мощ и интелект срещу мен.

Естествено не са я оставили борсата без внимание. Толкова пари все ще се намерят мераклии да ги вземат

Ето две статии, не съм ги търсил специално, просто цъфнаха при редовното преглеждане на постоянните сайтове. Според мен е повече математическа статистика отколкото изкуствен интелект /в моето понятие/ но те така си го водят.

https://towardsdatascience.com/machine- ... 1994da8001
Machine Learning Techniques applied to Stock Price Prediction

https://www.analyticsvidhya.com/blog/20 ... es-python/
Stock Prices Prediction Using Machine Learning and Deep Learning Techniques (with Python codes)

Фред, без да се заяждам, обръщението ми е към теб понеже тези неща вече съм ги писал тук и се повтарям, но ти си сравнително от скоро та затова...
Значи информатиката в основите си е сравнително проЗта наУка. Поне има няколко основни неща, както да речем в електрониката имаш закона на Ом. Естествено всяка наука след това си има висш пилотаж и много сложни неща, но основите са си основи и не може да избягаш от тях.
Иде реч за неща като теоремата за изчислимост, която гласи че ако една задача е решима, то е решима на всякакъв компютър. Ако не е решима, то не е решима на никакъв. В теоремата под "решимост" или изчислимост се има предвид теоретичната възможност. Има голям кръг от задачи, които са теоретично решими, т.е. изискват краен брой ресурси и крайно време. Но практически под "краен" се крие много голямо число. За теорията е важно че това число не е безкрайност, следователно задачата е решима. Но да вземем например разбиването на един криптографски ключ, от теоретична гледа точка това е решима задача, но от практическа със стандартен компютър може да отнеме милиарди години. Не е безкрайност, но достатъчно голямо число, за да върши работа в криптографията.
Теоремата има няколко важни аспекта. Единият е, че устройството на компютрите не влияе на това дали дадена задача може да бъде теоретично решена или не. Дали ще ползваш 8-бит или 64-бит, дали ще ползваш невронни мрежи или квантови компютри, дали ще ползваш алгоритмични езици, декларативни или обучения е абсолютно все тая по отношение на теорията. Ако нещо може да бъде направено, то може да бъде направено на теория на всякакви архитектури и всякакви компютри. Ако нещо не може, то не може на никакви.
Устройството/архитектурата влияе само върху практическата страна и практическите изисквания. И това другия важен аспект на теоремата. Ако се върнем пак на криптографията, където лесно може да се подхлъзнеш от факта, че класическите компютри са твърде "слабички" за решаването на някои математически задачи. Не бива да се подценява теоретичната възможност, защото ето с квантовите компютри се вижда, че подобен род задачи могат да се решават в рамките на съвсем приемливо време и ресурси.
От друга страна, нерешимите задачи са си нерешими. Поне по начина по който са поставени. Добре е да се знае дали дадена задача е нерешима. Аз съм давал доста примери, да кажем задачата за синхронизация на два обекта по несигурен канал, която често някои се опитват да "решат". Та много по-добре вместо да опитваш невъзможното да помислиш как да я заобиколиш, но да не се отплесвам повече... В случая това с елените очевидно, както си го описал е нерешима задача. От там нататък, повярвай ми, не е нужно да разбираш от невронни мрежи или квантови компоти и т.н. Задачата просто не е решима. Точка.
Надявам се следващия път като цитираш някой друг "достоверен" източник малко повече да вникваш в нещата. Каква точно е задачата и какво точно е решението

Ами многократно GAN мрежи са рисували обект /давал съм и примери тук, има още много/ така че задачата е решима. Дали източника е достоверен... според HCL не е достоверен / в този случай/ макар че самият той е ползвал това списание многократно и точно той ми го препоръча като най-доброто. Трудно е за приемане, че една редакция извоювала си толкова високо име ще пропусне боклук, че никой няма да и го посочи и тя няма да го снеме.

Според мен има неразбиране на задачата. HCL смята, че мрежата възстановява изображението разчитайки само и единствено на информацията съхранена в онова малкото изображение. А в статията ясно е казано, че е използвана GAN мрежа. Т.е. възможна е много висока степен на "допълнително рисуване" от GAN та до степен почти изцяло използвайки минимална входна информация. След като GAN може да рисува портрет в стил Рембранд защо да не нарисува елен?

Ето още изображения рисувани от GAN /ако спорът е дали тя може да нарисува елен/:

https://www.theverge.com/2018/12/17/181 ... works-gans
These faces show how far AI image generation has advanced in just four years
Those people on the right aren’t real; they’re the product of machine learning




И статията е взела тези изображения от съвсем сериозен източник /след като ще спорим за източниците/ - статия публикувана в arhiv.org /там са само научни статии/ и авторите са от nVidia

https://arxiv.org/abs/1812.04948
A Style-Based Generator Architecture for Generative Adversarial Networks

Мога да дам много източници след като спорът е за източника. И всичките ще казват едно и също за мрежите GAN - тя генерира фантомни образи и специално звено наречено дискриминатор ги оценява доколко те съответстват на определен критерий и пропуска само най-добре наподобяващите.

https://en.wikipedia.org/wiki/Generativ ... al_network

Явно по този начин е получен и онзи фантастично изглеждаш елен, малкото изображение е служило само като критерий кой от фантомните образи най-много се приближава до него. Не че от информацията в него е декомпресиран образа на елена.

Спорът възникна поради произволното и грешно допускане, че големият елен е получен от декомпресиране по някакъв начин на изображението на малкият, че единствен източник на информация за големият е малкият. Достатъчно е да се престане да се гледа на малкото изображение като единствен източник на информация за голямото и нещата стават ясни.

Аз изчетох статията само по вентилаторния метод, но това не ми пречи да подходя (дървено)философски по въпроса.
На пръв поглед проблемът звучи: "Как с една риба да се нахрани половината китайски народ". Векове сме вярвали, че само Един го може, но в днешно време генетиците започнаха да твърдят друго.
Всички сме чували за интерполация и екстраполация, които добавят несъществуващи данни на базата на предоставените.
Творчеството добавя още повече данни на базата на куп предишни и излиза, че вече не е присъщо само на Него или на човека.

Сетих се да сложа оригиналния и обработения с математика елени един до друг - с по-добри филтри можеше и по-добре. А ако имаше 100 различни снимки на този елен с чиста математика и уголеменият щеше да е готин и съвсем като оригинала, но щото ги няма AI е допълнил с други елени. Все математика.

ПС: междувременно fred е писал...

Спор няма, най-малкото по отношение за източниците. Има проблем. И проблемът е начинът по който представяш постиженията в областта на ИИ.
Заливаш ни с разни реклами, как компютрите рисували, играли, танцували, свирели и какво ли още не. Всъщност няма нищо лошо в рекламите, те са затова, не се влиза в детайли... Но все пак тук е форум за хора, които малко или много имаме вземане-даване с информатиката.
Ако компютрите можеха да правят наистина тия неща, по начина по който ги представят в рекламите, това щеше да е голяма новина. Уви, не могат.
Не и по тоя начин. Както и не може с кутийка в контакта, законно да си намаля сметката за ток 10 пъти. Сещаш се защо нали? Не е нужно да гледам какво има в кутийката. По същия начин няма значение дали е GAN, MAN, WAN, NLP или някакво друго съкращение. Разбери, че невронните мрежи, квантовите компютри и всякакви тем подобни компоти нямат НИКАКВА теоретична разлика с обикновен ПРАВЕЦ 8. Теорията е една, независимо дали става дума за автомат на тюринг или невронна мрежа. Предимствата на едното или другото са от практическо естество, не от теоретично.

Видео което обяснява научната статия в arhiv.org която дадох по-горе.

https://www.youtube.com/watch?v=kSLJriaOumA
A Style-Based Generator Architecture for Generative Adversarial Networks

Грешно отначало докрай. И се дължи на стремежа да се обяснят нови неща със стари понятия, научени по времето на Правец. Няма начин.

Подред:
- Това което давам не са реклами а популярно обяснение на реализирани постижения. Избрал съм популярното обяснение защото едва ли публиката тук ще навлезе в дебрите на научна статия. И като казвам, че е популярно това не означава жълта преса писана от неграмотни журналисти. Авторите са високо квалифицирани до степен да пишат код за това което описват. Всеки случай много по-компетентни от тези които тук ги критикуват.
- Компютрите ги правят тези неща, не са реклами. Това че не го знаете не означава че е невъзможно. И тук са възможни две позиции - едната на шопа който е казал за жирафа "Такова животно няма" и отказва да вярва на очите си. И другата на хора които искрено са заинтересовани да научат нещо ново. Аз пиша за вторите.
- Че между квантовите компютри и Правец няма разлика оставям без коментар. Най-малкото физичните принципи са различни. Но така можем да стигнем далеч, да кажем че и между компютъра и дървеното сметало няма разлика, и с двете се смята. Да се чуди човек защо са измислили компютъра вместо да си стоят на сметалата.
- Последно, ако някой го нервира написаното от мен да не го чете. Както гледам темата е посетена значи е необходима. Ако смята че може да го направи по-добре да го направи, аз не смятам че имам монопол върху темата нито съм ревнив.

Единствен който има право да е недоволен е Реконструктор че му пълня мегабайти върху сайта. Ако той каже спирам.

Радвам се, че вече ако не друго поне говорим за едни и същи неща

Няма да седна да споря дали има и няма такова животно, просто моля да имаш предвид, че някои сме с по-консервативно мислене

Е, и аз съм много консервативен, например от ракията признавам само домашната

Твоя консерватизъм е лесен, ракийка, мезенце и четеш любопитни сайтове на воля

При такива като мен е по-трудно, поставяш ме в много неудобна ситуация... За да повярвам в тия чудеса дето твърдиш първо трябва да си изям дипломата като мезе. То айде, ще я сдъвча някак си... ама 30 години стаж в областта как да ги преглътна? Къде съм блял толкоз време, че да не науча каква е разликата между Правец 8 и квантов компютър? Още повече, че и квантовата механика не ми е безинтересна. Ужас просто, не знам къде да се скрия и колко ракия трябва да изпия, та да полея мъката

За мен цялата тази работа е твърде "размита" и не бих могъл да програмирам същото с моите подходи и известните ми алгоритми - но пък не бих искал да си мисля че нещо в природата (мозъкът) работи алогично. Разбира се, паралелността там е милиарди пъти по-висока и ние не го схващаме - иска си четене (за който има време и нерви).
Съвсем отгоре погледнато, AI няма много общо с класическото програмиране/алгоритми (освен че могат да се представят със сметки). Имам предвид че тези мрежи, по беглите ми познания, наподобяват невроните в мозъка (на тия които ги имат )
Ученето на тия мрежи (трениране?) е процесът, които се случва и в мозъка - на ниво неврон караш нещо да започне да реагира по очаквания от теб начин при определен вход. Това е допълнителната информация, която се натрупва и кара накрая тая мрежа да реагира на определен вход по определен начин- т.е. един вид state на тоя обект по нашите разбирания за кода. Както и детото се научава като вида "А" да разбира буквата, или като види нещо размазано то да му прилича на елен (да вдига булевия изход "елен"). Оттам в самите неврони (в мрежата) има остатъчната информация от ученето, която прави възможно от размазания елен да излезе елен. Разбира се, ако вместо елен е магаре, и детето е софиянче и не е виждало магаре, ще каже "елен!". Да, ама не, то пак си е магаре, просто тоя "интелект" трябва да натрупа още информация. И това трупане и обработка иска много "сметалки", пък било то и не много сложни - към 80 милиарда май.
Същата натрупана информация (стейт) е нещото, което при определен вход, пък бил той и незначителен в сравнение с фотошоп-подхода, т.е. нещо като дума "човек" може да го накара да изкара картина на човек. Ако в мрежата е натрупана информация за латинос, старобългарин, откровен индиец и дръпнатоок индивиди, то при вход "човек" то ще задейства един от няколкото или повече от един канала - така може да излезе смеска от всички видяни негро-та и аборигени. Ако не е "виждал" абориген, компа няма да го измисли - както и аз не бих могъл да нарисувам марсианец (различен от някакви филмови представи). Ако обаче тая мрежа никога не е чувала думата "човек" няма да успее да нарисува портрета, дори и пред камерата да са минавали хиляди лица.
Въображението сигурно е нещо като рандом генератор, който кара да смесиш очите на китаец с веждите на англосаксонка, или вместо елен да нарисуваш смеска от магаре и крава.