TechSparks

Google придумал, что делать с офисами и сотрудниками — как объявил вчера во внутреннем письме Сундар Пичаи, 20% сотрудников будут постоянно работать из дома, а еще 20% вернутся на работу в новые офисы. Остальные 60% будут работать в своих офисах, как это было до пандемии. При этом в компании будет действовать «гибридная» рабочая неделя, когда 3 дня сотрудник должен быть в офисе, а 2 — работать откуда ему угодно. Кроме того, у каждого сотрудника будет возможность до 4 недель в году работать удаленно с разрешения менеджера.

Все эти меры явно призваны как-то сгладить первоначальный порыв компании в обязательном порядке вернуть всех в офисы с июня этого года — это стремление вызвало буквально открытое сопротивление сотрудников, которые за год удалённой работы явно отвыкли от офисной дисциплины.
https://www.wsj.com/articles/google-shifts-to-hybrid-workweek-allowing-20-of-its-employees-to-work-remotely-11620240694?mod=tech_lead_pos3

Тут один уважаемый член нашего сообщества Франсуа Холе, который изобрел Keras и XceptionNet, говорит, что через 10-20 лет каждая область науки будет подобластью Computer Science. Вычислительная физика, компьютерная химия, компьютерная биология, компьютерная медицина ... Даже компьютерная археология. Симуляции, анализ больших данных и машинное обучение будут повсюду.

Я частично с ним согласен. Смотря на темпы развития машинного обучения и компьютеризации всего и вся, нетрудно представить, что базовые умения в азы программирования и AI нужны будут почти любому интеллигентному человеку, а тем более ученому.

Из забавного, Франсуа говорит, что доменные знание будут так же релевантны как сейчас, скажем, релевантно знание лингвистики для чела, который занимается Neural Language Processing и обучает всякие Берты и GPT лол.

Такое предсказание может показаться диким, но ведь также мало кто мог представить в 2000 году, что почти все крупные компании к 2020 будут в той или иной степени IT-компаниями.

Facebook AI Research как всегда радует новыми self-supervised методами. На этот раз ученые показали, что можно научиться хорошо сегментировать объекты на фото и видео без ручной разметки.

По сути, стандартный contrastive self-supervised подход (похожий на BYOL) применили вместе с Трансформером (ViT) вместо CNN. И оказалось, что трансформеры неявно учатся сегментировать объекты на переднем плане. Интересно, что такого эффекта не наблюдалось, когда ребята использовали сверточные сети как backbone вместо трансформеров. Фичи выученные предложенным подходом также выдают нехилые результаты на ImageNet - 80.1% Top1.

Подробнее тут.

Немножко диплернинга из Саудовской Аравии: Генерация Бесконечных Панорам 🔥

Существующие подходы могут генерить картинки фиксированного разрешения и размера. Но мир бесспорно шире чем один кадр. Парни из Саудовской Аравии и Сколтеха предложили метод, который позволяет создавать бесконечные панорамы разнообразных сцен.

Идея такая: семплируем 'latent code'-ы и располагаем их на прямой с определенным шагом, а затем интерполируем между ними. Кажется тривиальным. Но тут пришлось попотеть чтобы это заработало в контексте StyleGAN, так как там на вход конволюций идет всегда фиксированный тензор, а эти коды используются как параметры для слоев нормализации. В общем, ребятки еще переписали слои для нормализации.

Теперь можно генерить картинки, которые естественным образом переходят из одной в другую. Нейронка делает это без какой-либо подготовки и обучается на обычных несвязанных фото (не панорамных). По сути можно взять предобученный StyleGAN, а все трюки нужны только на фазе инференса.

На сайте проекта есть демо