Apple
Apple Inc. (официальное русское написание — «Эппл»; apple в переводе с англ. — «яблоко») — американская корпорация, производитель персональных и планшетных компьютеров, аудиоплееров, телефонов, программного обеспечения. Один из пионеров в обла ...

Apple Inc. (официальное русское написание — «Эппл»; apple в переводе с англ. — «яблоко») — американская корпорация, производитель персональных и планшетных компьютеров, аудиоплееров, телефонов, программного обеспечения. Один из пионеров в области персональных компьютеров и современных многозадачных операционных систем с графическим интерфейсом. Штаб-квартира — в Купертино, штат Калифорния.

Благодаря инновационным технологиям и эстетичному дизайну, корпорация Apple создала уникальную репутацию, сравнимую с культом, в индустрии потребительской электроники. На 2014 год компания занимает первое место в мире по рыночной капитализации.

http://www.nasdaq.com/symbol/aapl/institutional-holdings

Название фирмы происходит от англ. apple (яблоко), изображение яблока использовано в логотипе.

До 9 января 2007 года официальным названием корпорации на протяжении более 30 лет было «Apple Computer, Inc.». Отказ от слова «Computer» в названии демонстрирует смену основного фокуса корпорации с традиционного для неё рынка компьютерной техники на рынок бытовой электроники.

  • Имя Apple Джобс предложил из-за того, что в этом случае телефонный номер фирмы шёл в телефонном справочнике прямо перед «Atari».
  • «Macintosh» — сорт яблок, продающийся в США — любимый сорт яблок Джефа Раскина, который был руководителем и разработчиком проекта Macintosh перед тем, как эту должность занял Стив Джобс.

 

История

1970-е годы

Компания основана в Калифорнии Стивом Джобсом и Стивом Возняком, собравшими в середине 1970-х свой первый персональный компьютер на базе процессора «MOS Technology 6502». Продав несколько десятков таких компьютеров, молодые предприниматели получили финансирование и официально зарегистрировали фирму Apple Computer, Inc. 1 апреля 1976 года.

«Apple I», выпущенный в 1976 году, не был первым программируемым микрокомпьютером. Право первенства принадлежало микрокомпьютеру «Альтаир 8800», который был создан Эдом Роберсом и распространялся через каталоги в 1974—1975 годах. Однако, «Альтаир» не был «персональным компьютером», поскольку не давал возможности решать с его помощью более или менее серьёзные задачи.

В 1976—1977 годах несколькими фирмами были выпущены первые персональные компьютеры, в том числе с 1977 года тысячами продавались компьютеры компаний Commodore и Tandy Radio Shack. Но первым массовым персональным компьютером, выпускавшимся миллионами экземпляров, стал компьютер Apple II. С 1977 по 1993 годы фирмой Apple выпускались различные модели из линейки 8 (позднее 8/16) разрядных компьютеров «Apple II». В конце 1970-х и начале 1980-х годов «Apple II» и их клоны были самыми распространёнными в мире персональными компьютерами. Было продано более 5 млн компьютеров «Apple II» по всему миру.

Теперь принято считать, что именно «Apple II» раз и навсегда открыл широкую дорогу перед новой индустрией — производством персональных компьютеров.

1980-е годы

1980 год в истории Apple ознаменовался провальным по ряду причин проектом Apple III, но тогда же компания провела самое крупное в истории (после 1956 года, когда на фондовую биржу вышла Ford) первичное размещение акций (IPO).

В марте 1981 года Возняк попал в авиакатастрофу и на время оставил работу. Проблемы с продажами «Apple III» привели к тому, что Джобсу пришлось уволить 40 сотрудников. В прессе уже трубили о скором конце компании «Apple». В начале 1983 года Джобс, не в состоянии справиться с возникшими проблемами, пригласил на должность президента компании Джона Скалли, который в то время занимал аналогичную позицию в «PepsiCo». В апреле 1983 года Скалли приступил к своим обязанностям. Стив Джобс переживал неудачи компании как свои личные, поэтому между ним и Скалли стали возникать разногласия и трения.

В 1984 году фирма Apple впервые представила новый 32-разрядный компьютер Macintosh. В дальнейшем выпуск компьютеров этой серии стал основным бизнесом компании. На протяжении двух десятилетий компания выпускала компьютеры Macintosh на базе процессоров Motorola, оснащённые фирменной операционной системой. Эта платформа выпускается только «Apple» — на короткое время в середине 1990-х руководство приняло решение о предоставлении лицензий на производство Mac-совместимых компьютеров, но впоследствии лицензии были отозваны.

Традиционно «Apple» имела сильные позиции в сегментах правительственных и образовательных организаций, а также в издательском бизнесе и дизайне, впоследствии в музыкальной индустрии. Раньше других разработчиков «Apple» ввела в широкий обиход графический интерфейс пользователя и компьютерную мышь. В 1985 году президент США Рональд Рейган наградил Джобса и Возняка медалями за развитие технического прогресса. В том же году компанию покинул один из основателей, Стив Джобс.

1990-е — 2000-е годы

К концу 1990-х годов дела Apple резко ухудшились, к 1997 году убытки за два года составили $1,86 млрд. Ситуация изменилась с возвращением в 1997 году Джобса. Apple стала постепенно открывать для себя новые, не связанные непосредственно с компьютерной техникой, рынки.

В 2001 году компания представила аудиоплеер iPod, быстро приобретший популярность.

В 2003 году компания открыла iTunes Store — популярный онлайн-супермаркет цифрового аудио, видео и игрового медиаконтента.

А в 2007 году вышла на рынок мобильных телефонов с сенсорным смартфоном iPhone.

2010-е годы

В 2010 году на рынок был выпущен планшетный компьютер iPad.

Производство iPod, iPhone и iPad, пользовавшихся высоким спросом по всему миру, кардинальным образом улучшило финансовое положение Apple, принося компании рекордную прибыль. В августе 2011 года Apple впервые стала самой дорогой компанией мира по рыночной капитализации, обойдя нефтяную компанию ExxonMobil, до конца года они ещё не раз менялись местами, однако с января 2012 года Apple удалось надолго закрепиться на первой строчке. В августе 2012 она стала самой дорогой компанией в истории, побив установленный в декабре 1999 г., на пике т. н. пузыря доткомов, рекорд Microsoft, а 21 сентября 2012, акции Apple в ходе торгов достигли своего максимума — $705,07, капитализация составила $662,09 млрд. Со времени максимума в сентябре 2012 года к январю 2013 года капитализация Apple сократилась на 37,6 %, что позволило ExxonMobil вновь соперничать с ней за первое место самой дорогой публичной компании мира. 13 ноября 2014 года вновь Apple побила свой рекорд, её капитализация составила $663,43 млрд.

В 2013 году корпорация Apple первой начала серийное производство 64-битных чипов ARM-архитектуры выпустив 64-битный 2-х ядерный микропроцессор Apple A7

В 2014 году корпорация представила своё первое персональное, носимое устройство — Apple Watch.

 

Слияния и поглощения

За годы своей деятельности Apple неоднократно поглощала различные компании, работающие на ИТ-рынке. Среди крупнейших подобных сделок — покупка компаний

NeXT (1996 год, за $430 млн),

P.A. Semi (апрель 2008 года, $280 млн),

Quattro Wireless (январь 2010 года, $274 млн),

Siri (апрель 2010 года, $200 млн),

Anobit Technologies (январь 2012 года, $400—500 млн),

Beats Electronics (май 2014 года, за $3 млрд) и других.

 

Совет директоров

Высший менеджмент

  • Тим Кук — Генеральный директор с августа 2011 года. Бывший главный операционный директор (1998—2011).

Старшие вице-президенты

Вице-президенты

Ключевые фигуры в истории компании

CEO:

  • Майкл Скотт — первый CEO с февраля 1977 по март 1981
  • Майк Марккула: 1981—1983
  • Джон Скалли: 1983—1993
  • Майкл Шпиндлер: 1993—1996
  • Гил Амелио: 1996—1997
  • Стив Джобс: 1997—2011
  • Тим Кук: с 2011.

Другие персоны:

 

В данный момент среди основных продуктов, выпускаемых компанией Apple:

  • iPhone — мобильные телефоны;
  • iPad — планшетные компьютеры;
  • iPod shuffle, iPod nano и iPod touch — портативные мультимедиа-плееры;
  • MacBook Pro — профессиональные ноутбуки;
  • MacBook Air — ультратонкие ноутбуки;
  • Mac mini — системные блоки персональных компьютеров;
  • iMac — компьютеры «всё в одном» (монитор, системный блок, аудио- видео-периферия);
  • Mac Pro — настольные компьютеры класса «рабочая станция»;
  • Thunderbolt Display — компьютерные мониторы;
  • Mac Pro Server, Mac mini Server — серверы;
  • Apple TV — мультимедийные проигрыватели, Magic Mouse, Magic Trackpad и др. Кроме этого, компания производит аксессуары к данным продуктам, а также программное обеспечение;
  • Apple Watch — умные часы.
  •  

Общая численность персонала (по состоянию на 2013 год): 80 тыс. человек. Выручка за 2014 налоговый год составила 182,795 млрд долл., чистая прибыль — 39,51 млрд долл.

Вики

 

“Совет директоров Apple”, 2009

Развернуть описание Свернуть описание
25 ноября, 04:45

5 Low-Calorie Thanksgiving Desserts

No Thanksgiving dinner is complete without dessert, but that doesn't mean you have to feel guilty about eating sweets. Here are five low-calorie recipes.

25 ноября, 04:12

Even Anthony Bourdain Gives Props to This Celebrity Chef

Anthony Bourdain has plenty of harsh things to say about most celebrity chefs, but there is one who even he admits is just about perfect.

Выбор редакции
25 ноября, 04:03

Institutions Could Still Goose Apple's Shares

Apple’s shares are still under-owned by Institutional Investors

25 ноября, 01:39

People on Food Stamps Buy These Items the Most at the Grocery Store

An analysis of a year’s worth of data from a major grocery chain finds food stamp recipients buy basically the same things as everyone else.

Выбор редакции
25 ноября, 01:12

Apple Loop: New iPhone Details Leak, Awkward FaceID Problems, Latest iPhone X Availability

This week’s Apple Loop includes the problems with FaceID, more updates to fix iOS 11, new details on the iPhone SE2, how Apple is still winning the profit war, the iPhone X lead time, and a look at some wireless charging pads.

24 ноября, 22:44

Energy Transfer Yet to Gain Full Approval for Rover Drilling

Energy Transfer (ETP) will be able to resume drilling activities for Rover natural gas pipeline at four new locations.

24 ноября, 22:36

Which Is the Best Oil Supermajor Post-Q3 Earnings?

BP is clearly a better investment proposition than Exxon Mobil and PetroChina on the back of strong earnings performance and estimate revisions.

24 ноября, 22:25

Invest in These 4 Large-Cap Oil Stocks

Large cap stocks prove to be more sustainable and profitable for the long-term providing a reliable backbone to any portfolio.

Выбор редакции
24 ноября, 22:05

Tencent joins Facebook, Apple, and Amazon in the $500 billion club

Chinese tech giant Tencent has had a stellar year, and on Tuesday, it became the first Asian company to be worth more than $500 billion. As we can see in this chart from Statista, the company is now more valuable than Facebook. Tencent's stock has more than doubled this year, largely thanks to the surge in popularity of its mobile game Honour of Kings.

24 ноября, 21:44

GE Signs Contracts in Aviation & Power to Retain Core Focus

General Electric Company (GE) secures contracts on core power and aviation segments to boost its strategic objectives. The company also retains focus on health-care equipment for future growth.

24 ноября, 21:33

Here's Why Merck Stock Is Down in 2017 Despite a Rising Industry

Shares of Merck (MRK) have declined so far this year compared to an increase witnessed by the industry due to some notable pipeline setbacks.

Выбор редакции
24 ноября, 21:30

25 Best 'Black Friday' 2017 Ad Deals: Amazon, Apple, Best Buy, Target And Walmart

The very Best Black Friday deals from Apple, Amazon, Best Buy, Target and Walmart and some great surprises from Samsung.com...

Выбор редакции
24 ноября, 21:25

Teva (TEVA) Stock Rises 5% on Reports of Massive Job Cuts

Per an Israeli news release, Teva (TEVA) is expected to lay off 4000 employees

24 ноября, 21:13

Facebook Roundup: Video, Creator App, Stories, Local & More

Here are the highlights from Facebook's many announcements last week.

24 ноября, 21:06

CAR-T Therapy Space 2017 Progress Report

Given the vast potential of the CAR T therapy space and two recent approvals, biotech companies are leaving no stone unturned to develop their pipeline candidates.

24 ноября, 21:00

Amazon vs. Walmart: Who Will Win This Holiday Season?

Taking stock of how Amazon (AMZN) and Walmart (WMT) have changed over the past year to better compete with each other.

24 ноября, 20:30

Add These 4 Promising Stocks to Your Cyber Monday Cart

Cyber Monday is expected to be the largest online shopping fiesta of all times, courtesy upbeat job data and record low unemployment rate.

24 ноября, 20:07

Чего ожидать от ежегодной конференции облачного подразделения Amazon (AMZN)

Облачное подразделение Amazon (AMZN) готовится к самому большому событию года, когда клиенты и разработчики со всего мира приезжают в Лас-Вегас на событие, именуемое Re:Invent. На шестой ежегодной конференции на следующей неделе руководители Amazon Web Services, как ожидается, объявят о новых инструментах и ​​разделят сцену с представителями крупных компаний, которые будут использовать их AWS. AWS является явным лидером рынка в облачной инфраструктуре, но Google и Microsoft растут быстрее. Чтобы остаться на вершине, AWS должна не только предлагать конкурентоспособные цены и продолжать расширяться географически, но и внедрять новые услуги, созданные и управляемые инженерами высшего уровня. В отличие от событий Apple, Google и Microsoft, Re: Invent, как известно, предлагает сюрпризы. Тем не менее, уже имеется представление о некоторых пунктах в повестке дня. Вот что можно ожидать от Re:Invent 2017. Большее партнерство с технологией здравоохранения Cerner CNBC сообщил в среду, что AWS и IT-компания из сферы здравоохранения Cerner планируют рассказать о том, как они работают вместе более тесно, в частности над продуктом Cerner под названием HealtheIntent. Медико-санитарная промышленность - это огромный потенциальный рынок, который до сих пор медленно применял облако. Инструмент перевода языка Как Google и Microsoft, AWS видит искусственный интеллект как возможность роста. Ранее на этой неделе AWS предоставил клиентам инструмент AI для распознавания технологий в изображениях - технологии, которые Microsoft и Google представили ранее. Amazon также работает над технологией, которая переводит текст с одного языка на другой, а подразделение AWS вполне может внедрить услугу машинного перевода с облачным управлением для использования кем угодно. Услуги искусственного интеллекта AWS много говорит об услугах ИИ и может готовить систему для типа ИИ, называемого глубоким обучением, которое включает в себя обучение компьютерам множеству данных, например рисованию и прогнозированию. Хотя предпочтительная библиотека Amazon с открытым исходным кодом для глубокого обучения, MXNet, вероятно, сыграет важную роль в сервисе, AWS также заинтересована в том, чтобы упростить использование TensorFlow от Google в облаке. Кроме того, AWS может обсудить сервис для хранения данных, предназначенных для обучения нейронных сетей. Поддержки Kubernetes Люди обычно используют вычислительные мощности Amazon, пряча свой код внутри виртуальных машин, многие из которых могут работать на одном физическом сервере в центре обработки данных AWS. В последнее время некоторые разработчики также начали использовать альтернативную технологию, называемую контейнерами, которая может обеспечить большую производительность и эффективность. Google имеет продукт с открытым исходным кодом под названием Kubernetes, который стал популярным для управления развертыванием контейнеров на нескольких серверах. Ожидается, что Amazon окажет лучшую поддержку Kubernetes. Открытое программным обеспечением IBM и Oracle, которые отстают от Amazon, Google и Microsoft на рынке облачных инфраструктур, стремились дифференцировать себя, предоставляя серверы с открытым программным обеспечением. Они не ограничены софтом, что может привести к повышению производительности для некоторых вычислительных задач. По слухам, AWS работает над конкурирующей службой. Усиление акцентов на безсерверной технологии Энди Ясси, генеральный директор AWS, заявил ранее на этой неделе, что выступление технологического директора Amazon Вернера Вогельса в этом году будет немного отличаться. Вместо того, чтобы объявлять о ряде новых сервисов во время своего выступления, Вогельс сосредоточится на технологии данных и безсерверной технологии, или программном обеспечении, которое запрограммировано для выполнения задач, когда происходят определенные события. AWS заставил людей говорить о безсерверной технологии в 2014 году, когда она представила проект Lambda. На текущий момент акции Amazon (AMZN) котируются по $1178,14 (+1,90%) Информационно-аналитический отдел TeleTradeИсточник: FxTeam

Выбор редакции
24 ноября, 20:00

Gift This Not That: Garmin Fenix 5 vs. Apple Watch Nike+ Series 3

One is a dedicated running watch that smart capabilities, one is a dedicated smartwatch that like to go out for an occasional jog. Which should be on your wrist?

24 ноября, 19:26

Here's Why You Should Buy Arrow Electronics (ARW) Stock

Original equipment manufacturers, contract manufacturers and commercial customers are selecting Arrow's (ARW) distribution channels for marketing their products.

02 июня, 01:01

Главный секрет Искусственного Интеллекта: никто не знает как он работает

В прошлом году на тихих дорогах Монмут-Каунти, штат Нью-Джерси, появился странный беспилотный автомобиль. Экспериментальный аппарат, разработанный Nvidia, внешне не отличался от других автономных автомобилей, но тем не менее не был похож на то, что продемонстрировали Google, Tesla или General Motors. Автомобиль не выполнял инструкции инженеров или программистов. Вместо этого он полностью полагался на алгоритм, который учился водить, наблюдая, как человек делает это.Научить автомобиль вести себя подобным образом было внушительным достижением. Однако тревогу вызывает то, что непонятно машина принимает решения. Информация от датчиков автомобиля поступает прямо в огромную сеть искусственных нейронов, которые обрабатывают данные, а затем доставляют команды, необходимые для управления рулевым колесом, тормозами и другими системами. Результат, кажется, соответствует реакциям, которые вы ожидаете от человека-водителя. Но что, если однажды он сделает что-то неожиданное, например, врежется в дерево или заглохнет на зелёном? На данный момент трудно будет понять почему. Система настолько сложна, что даже инженеры, разработавшие её, испытывают сложности в установлении причин отдельных действий. И вы не можете спросить её: нет очевидного способа создать такую ​​систему, чтобы она всегда могла объяснить, почему она сделала то, что она сделала.Таинственный ум этого автомобиля свидетельствует о надвигающейся проблеме. Базирующаяся в автомобиле технология искусственного интеллекта, известная как глубокое обучение, оказалась очень эффективной при решении проблем за последние годы, и она широко применяется для таких задач, как распознавание изображений, голоса и языковой перевод. Сейчас есть надежда, что такие же методы смогут диагностировать смертельные болезни, принимать решения в торговле на миллионы долларов и делать бесчисленное множество других вещей для преобразования целых отраслей.Но этого не произойдёт — или не должно произойти — если мы не найдём способы сделать такие методы, как глубокое обучение, более понятными их создателям и подотчётными пользователям. В противном случае будет трудно предсказать, когда могут произойти сбои, а они неизбежны. Это одна из причин, по которой автомобиль Nvidia все ещё экспериментален.Уже сейчас математические модели используются для определения того, кто заслуживает условно-досрочного освобождения, кто достоин получения кредита, а кого следует взять на работу. Если бы вы могли получить доступ к этим математическим моделям, можно было бы понять их рассуждения. Но банки, военные, работодатели и другие теперь обращают внимание на более сложные подходы, которые могут сделать автоматизированное принятие решений совершенно непостижимым. Глубокое обучение — наиболее распространённый из этих подходов, представляет собой принципиально иной путь программирования компьютеров. «Эта проблема уже актуальна, и в будущем она будет гораздо более актуальной», — говорит Томми Яаккола, профессор Массачусетского технологического института, который работает над приложениями машинного обучения. «Неважно инвестиционное ли это решение, медицинское или, возможно, военное, вы не захотите просто полагаться на метод из «чёрного ящика».Уже существует аргумент по поводу того, что возможность допросить систему ИИ о том, как она пришла к своим выводам, является фундаментальным юридическим правом. Начиная с лета 2018 года, Европейский Союз может потребовать, чтобы компании давали пользователям объяснения решений, которые принимают автоматизированные системы. Это может быть невозможно даже для систем, которые кажутся относительно простыми, таких как приложения и веб-сайты, которые используют глубокое обучение для показа рекламы или рекомендации песен. Компьютеры, которые запускают эти службы, запрограммированы сами собой, и они делают это так, что мы не можем понять. Даже инженеры, которые строят эти приложения, не могут полностью объяснить их поведение.Это поднимает ошеломляющие вопросы. По мере развития технологии, мы, возможно, вскоре пересечём некоторый порог, за которым использование ИИ потребует большего доверия. Конечно, мы, люди, не всегда можем по-настоящему объяснить наши мыслительные процессы — но мы находим способы интуитивно доверять и оценивать поведение других людей. Будет ли это также возможно с машинами, которые думают и принимают решения иначе, чем мы? Человечество никогда раньше не строило машины, которые принимают решения неведомым даже их создателям образом. Насколько мы можем доверять разумным машинам, которые могут быть непредсказуемыми и непостижимыми? Эти вопросы отправили меня в путешествие к самому передовому краю исследований в области алгоритмов искусственного интеллекта, в ходе которых я посетит Google, Apple и многие другие места, а также встретился с одним из великих философов нашего времени.Художник Адам Феррисс создал это и следующее в статье изображение, с помощью программы Deep Dream, которая настраивает картинку так, чтобы глубокой нейронной сети было удобнее его распознавать. Изображения были получены с использованием слоя нейронной сети среднего уровняВ 2015 году исследовательская группа в больнице Маунт Синай в Нью-Йорке решила ​​применять глубокое обучение в обширной базе данных больницы о пациентах. Этот набор данных содержит сотни переменных, взятых из результатов тестирования, визитов к врачу и т. д. Полученная в результате программа, которую исследователи назвали Deep Patient, была обучена с использованием данных примерно 700 000 человек, а при тестировании на новых данных она оказалась невероятно хороша при прогнозировании болезни. Без какой-либо экспертной инструкции Deep Patient обнаружил шаблоны, скрытые в больничных данных, которые указывали на то, что люди находились на пути к широкому спектру заболеваний, включая рак печени. «Существует много замечательных методов прогнозирования заболеваний на основе записей пациента», — говорит Джоэл Дадли, возглавляющий команду Маунт Синай. Но, добавляет он, «Deep Patient просто потрясающ».В то же время Deep Patient немного озадачивает. Похоже, что он на удивление хорошо обнаруживает зарождение психических расстройств, таких как шизофрения. Но поскольку шизофрения, как известно, трудно поддаётся предсказанию для медиков, Дадли задался вопросом как это возможно. Он все ещё не знает. Новый инструмент не даёт представления о том, как он это делает. Если что-то вроде Deep Patient на самом деле собирается помочь врачам, в идеале он должен объяснить свой прогноз, дабы убедить их в том, что он является точным и оправдать, скажем, изменение в лекарствах, которые будут назначены. «Мы можем построить эти модели, — печально говорит Дадли, — но мы не знаем, как они работают».Искусственный интеллект не всегда был таким. С самого начала были две мыслительные школы которые спорили по поводу того, насколько понятным или объяснимым должен быть ИИ. Многие думали, что имеет смысл создавать машины, которые рассуждали по правилам и логике, делая их внутренний диалог прозрачным для любого, кто хотел бы изучить код. Другие считали, что интеллект будет легче проявляться, если бы машины будут черпать вдохновение в биологии и будут учиться, наблюдая и переживая. Это означало, что компьютерное программирование должно происходить у него в голове. Вместо написания команд программистом программа генерирует свой собственный алгоритм на основе данных примера и желаемого результата. Технологии машинного обучения, которые позже эволюционировали в самые мощные сегодня системы ИИ, следуют последнему пути: машина, по сути, сама программирует себя.Сначала этот подход имел ограниченное практическое применение, и в 1960-х и 70-х годах он оставался в основном ограниченным. Затем возобновился интерес к компьютеризации многих отраслей и появлению больших массивов данных. Это вдохновило разработку более мощных методов машинного обучения, особенно новых версий одной из них, известной как искусственная нейронная сеть. К 1990-м годам нейронные сети могли автоматически оцифровывать рукописные символы.Но только в начале этого десятилетия, после нескольких хитроумных ухищрений и уточнений, очень большие или «глубокие» нейронные сети продемонстрировали значительное улучшение автоматического восприятия. Именно глубокое обучение «виновно» в сегодняшнем росте возможностей ИИ. Оно дало компьютерам необычайные возможности, такие как способность распознавать произносимые слова почти так же хорошо, как и человек — слишком сложный навык, чтобы вручную обучить ему машину. Глубокое обучение трансформировало компьютерное зрение и значительно улучшило машинный перевод. В настоящее время оно используется для руководства всеми видами ключевых решений в медицине, финансах, производстве и за его пределами.Адам Феррис и DeepDreamРабота любой технологии машинного обучения по своей природе более непрозрачна даже для компьютерных специалистов, чем вручную написанная система. Это не значит, что все будущие техники искусственного интеллекта будут одинаково непознаваемы. Но по своей природе глубокое обучение — особенно глубокий чёрный ящик.Вы не можете просто заглянуть внутрь глубокой нейронной сети, чтобы увидеть, как она работает. Аргументация сети встроена в поведение тысяч смоделированных нейронов, расположенных в десятках или даже сотнях сложно взаимосвязанных слоёв. Каждый нейрон в первом слое получает вводную, как и интенсивность пикселя в изображении, а затем выполняет вычисление перед выводом нового сигнала. Эти выходные сигналы передаются в сложной сети нейронам следующего уровня и так далее, пока не будет получен общий результат. Кроме того, существует процесс, известный как back-propagation, который корректирует вычисления отдельных нейронов таким образом, чтобы сеть научилась производить желаемый результат.Множество уровней в глубокой сети позволяют распознавать вещи разной сложности абстракции. Например, в системе, предназначенной для распознавания собак, нижние слои распознают простые вещи, такие как контуры или цвет; более высокие слои распознают более сложные вещи, такие как мех или глаза; и уже самый верхний слой идентифицирует весь объект как собаку. Такой же подход может быть применён и к другим вводным, которые заставляют машину обучать себя: звукам, которые составляют слова в речи, буквам и словам, которые создают предложения в тексте, движениям рулевого колеса, необходимым для вождения.Использовались оригинальные стратегии, чтобы попытаться отследить и таким образом объяснить более подробно, что происходит в таких системах. В 2015 году исследователи из Google изменили алгоритм распознавания изображений на основе глубокого обучения, чтобы вместо того, чтобы определять объекты на фотографиях, он генерировал или изменял их. За счёт эффективного выполнения алгоритма в обратном порядке, они хотели обнаружить функции, которые программа использует для распознавания, скажем, птиц или зданий. Полученные изображения, созданные проектом, известным как Deep Dream, продемонстрировали гротескных инопланетных животных, появлявшихся из облаков и растений, радужные пагоды, цветущие среди лесов и горных хребтов. Изображения доказали, что глубокое обучение необязательно полностью непостижимо: алгоритмы основываются на знакомых визуальных функциях, таких как птичий клюв или перья. Но изображения также намекали на то, насколько глубокое обучение отличается от человеческого восприятия, и как оно интерпретирует артефакты, которые мы могли бы проигнорировать. Исследователи Google отметили, что когда его алгоритм генерировал изображения гантели, он также генерировал человеческую руку, удерживающую её. Машина пришла к выводу, что рука является частью вещи.Дальнейший прогресс был достигнут благодаря использованию идей, заимствованных из неврологии и когнитивной науки. Группа во главе с доктором из Университета Вайоминга Джеффом Клюном (Jeff Clune) использовала аналоговый эквивалент оптических иллюзий для тестирования глубоких нейронных сетей. В 2015 году группа Клюна продемонстрировала, как определённые изображения могут обмануть такую ​​сеть и заставить её воспринимать вещи, которых там нет, потому что изображения используют низкоуровневые шаблоны, которые ищет система. Один из сотрудников Clune, Джейсон Йосинский, также создал инструмент, который действует как зонд в мозге. Его инструмент нацелен на любой нейрон в середине сети и ищет изображение, которое активирует его больше всего. Изображения, которые появляются, являются абстрактными (представьте, что импрессионисты рисуют фламинго или школьный автобус), вынося на первый план таинственную природу способностей машины воспринимать вещи.Однако нам нужно больше, чем просто заглянуть в мышление ИИ, и простого решения нет. Именно взаимодействие вычислений внутри глубокой нейронной сети имеет решающее значение для распознавания образов более высокого уровня и принятия сложных решений, но эти вычисления являются паутиной математических функций и переменных. «Если бы у вас была очень маленькая нейронная сеть, вы могли бы её понять», — говорит Яаккола. «Но как только она становится очень большой и имеет тысячи единиц на слой при сотнях слоёв, тогда всё становится совершенно непонятным».В офисе рядом с Яакколой работает Регина Барзилай, профессор Массачусетского технологического института, которая намерена применять машинное обучение в медицине. Метод был удивительным сам по себе, но Барзилай был также встревожен тем, что современные методы статистического и машинного обучения не использовались для оказания помощи в онкологических исследованиях или для руководства по лечению пациентов. Она говорит, что ИИ обладает огромным потенциалом для медицины, но понимает, что этот потенциал будет означать выход за рамки одних лишь медицинских записей. Она предлагает использовать больше необработанных данных, которые, по её словам, в настоящее время недостаточно используются: «обработка изображений, данных патологии, всей этой информации».После того, как она закончила изучать лечение рака в прошлом году, Барзилай и её ученики начали работать с врачами в больнице Массачусетса, чтобы разработать систему, способную выявлять патологии и идентифицировать пациентов с определёнными клиническими характеристиками, которые исследователи могли бы хотеть изучить. Тем не менее, Барзилай понял, что системе необходимо будет объяснить свои аргументы. Итак, вместе с Яакколой и учеником она добавила шаг: система извлекает и выделяет отрывки текста, которые являются репрезентативными по найденному шаблону. Барзилай и её ученики также разрабатывают алгоритм глубокого обучения, способный обнаруживать ранние признаки рака молочной железы по изображениям маммограммы, и они направлены на то, чтобы дать этой системе некоторую способность объяснить ёе рассуждения. «Вам действительно нужно создать цикл, в котором машина и человек будут сотрудничать», — говорит Барзилай.Насколько хорошо мы можем поладить с машинами, которые непредсказуемы и непостижимы?Американские военные вкладывают миллиарды в проекты, которые будут использовать машинное обучение для пилотирования транспортных средств и самолетов, выявлять цели и помогать аналитикам просеивать огромные груды разведывательных данных. Здесь больше, чем где-либо ещё, даже больше, чем в медицине, мало места для алгоритмической тайны, и министерство обороны определило объяснимость как ключевой камень преткновения.Дэвид Ганнинг, менеджер программ в Агентстве перспективных исследований обороны, наблюдает за программой под названием Explainable Artificial Intelligence. Ветеран агентства, который ранее курировал проект DARPA, позднее переродившийся в Siri, Ганнинг говорит, что автоматизация примерима в бесчисленных военных областях. Аналитики тестируют машинное обучение как способ выявления закономерностей в огромных количествах шпионских данных. В настоящее время разрабатываются и тестируются многие беспилотные наземные транспортные средства и летательные аппараты. Но солдаты, вероятно, не будут чувствовать себя комфортно в роботизированном танке, который не будет им ничего объяснять, а аналитики будут неохотно работать с информацией без каких-либо рассуждений. «Часто характер этих систем машинного обучения приводит к появлению множества ложных тревог, поэтому аналитику Intel действительно нужна дополнительная помощь, чтобы понять, почему была сделана та или иная рекомендация», — говорит Ганнинг.В марте этого года DARPA выбрало 13 проектов из академических и промышленных кругов для финансирования по программе Ганнинга. Некоторые из них могли опираться на работу, возглавляемую Карлосом Гестрином, профессором Вашингтонского университета. Он и его коллеги разработали способ, позволяющий системам машинного обучения обосновывать свои результаты. По сути, в рамках этого метода компьютер автоматически находит несколько примеров из набора данных и даёт по ним короткое пояснение. Например, система, предназначенная для классификации сообщений электронной почты, поступающих от террориста, может обрабатывать миллионы сообщений при подготовке и принятии решений. Но, используя подход вашингтонской команды, она может выделить определённые ключевые слова в сообщении. Группа Гестрина также разработала способы для систем распознавания изображений, чтобы распознать их алгоритмы, выделив наиболее важные части изображения.Один из недостатков этого подхода и других подобных ему, состоит в том, что предоставленные объяснения всегда будут упрощены, что означает, что некоторые важные сведения могут быть потеряны на этом пути. «Мы не достигли мечты, согласно которой в ИИ беседует с нами и объясняет свои действия», — говорит Гестрин — «мы далеко от истинной интерпретации ИИ».Неясности не должно быть в ситуациях с высокими ставками, таких как диагностика рака или военные манёвры. Знание рассуждений ИИ также будет иметь решающее значение, если технология станет общей и полезной частью нашей повседневной жизни. Том Грубер, возглавляющий команду Siri в Apple, говорит, что объяснимость — это ключевое соображение для его команды, поскольку она пытается сделать Siri более умным и способным виртуальным помощником. Грубер не комментирует конкретные планы относительно будущего Siri, но легко представить, что если вы получите рекомендацию ресторана от Siri, то захотите узнать, на чём были основаны её выводы. Руслан Салахутдинов, директор отдела исследований ИИ в Apple и адъюнкт-профессор Университета Карнеги-Меллона, видит объяснимость в качестве основы эволюции отношений между людьми и интеллектуальными машинами. «Это приведёт к доверию» — говорит он.Так же, как многие аспекты человеческого поведения невозможно объяснить подробно, возможно, и для ИИ не получится объяснить все, что он делает. «Даже если кто-то может дать вам разумное объяснение [его или её действий], оно, вероятно, будет неполно, и то же самое может быть справедливо для ИИ», говорит Кьюн из Университета Вайоминга. «Это может быть только часть природы интеллекта, только часть доступна рациональному объяснению. Некоторые из них просто инстинктивны, или подсознательны, или непостижимы».Если это так, то на каком-то этапе нам, возможно, придётся просто довериться мнению ИИ или обойтись без его использования. Точно так же, как общество строится на контракте ожидаемого поведения, нам нужно будет проектировать системы ИИ, чтобы уважать наши социальные нормы и соответствовать им. Если мы хотим создавать роботизированные танки и другие машины для убийства, важно, чтобы принятие ими решений соответствовало нашим этическим суждениям.Чтобы исследовать эти метафизические концепции, я отправился в Университет Тафтса для встречи с Дэниелом Деннеттом, известным философом и ученым-когнитивистом, который изучает сознание и ум. Глава последней книги Деннетта «От бактерии до Баха и обратно», энциклопедического трактата о сознании, предполагает, что естественная часть эволюции самого интеллекта — это создание систем, способных выполнять задачи, которые их создатели не могут выполнить. «Вопрос в том, что нам нужно сделать, чтобы сделать наше детище разумным: какие стандарты мы требуем от них и от нас самих?» — говорит он мне в своем захламлённом кабинете в идиллическом университетском городке.У него также есть одно предупреждение. «Я думаю, что, если мы собираемся использовать эти вещи и полагаться на них, тогда давайте крепко задумаемся о том, как и почему они дают нам ответы, насколько это возможно», — говорит он. Но так как не может быть идеального ответа, мы должны быть так же осторожны в объяснениях ИИ – также, как и в человеческих обьяснениях — независимо от того, насколько умна машина. «Если она не может достичь успеха в обьяснении нам своей логики, — говорит он, — тогда не доверяйте ей».MIT Technology Review. Автор: Уйилл Кнайт, (с)

23 апреля, 11:00

Как Samsung следит за нами

Помните мы прикалывались над теми, кто заклеивает камеры в ноутбуках и над Цукербергом в частности ... а потом думали самим что ли заклеить на всякий случай. Но тут хотя бы "удар" ожидаешь. И ладно бы там Apple или Фейсбук, но Самсунг же!Хотя мы еще в 2014 году с вами обсуждали новость о том, что фонд свободного ПО уведомил пользователей о выявлении бэкдора в штатной Android-прошивке, используемой в портитивных устройствах серии Samsung Galaxy и Nexus. А потом в 2015 году выяснилось, что в политике конфиденциальности Samsung для «умных» телевизоров содержится предупреждение об отправке личной информации третьей стороне, поэтому компания рекомендует воздержаться от того, чтобы рассказывать в присутствии телевизора свои секреты.И вот тут оказывается, что это все было планом ЦРУХакерские программы ЦРУ создает так называемая Группа инженерных разработок (EDG) в Лэнгли, напоминает WikiLeaks, подчиненная Директорату цифровых инноваций (Directorate of Digital Innovation, DDI) – одному из пяти основных директоратов современного ЦРУ.«Большие» устройства ведет Отдел интегрированных устройств (Embedded Devices Branch, EDB), пишет WikiLeaks. Именно EDB принадлежит авторство зловещей программы Weeping Angel [«Плачущий ангел», одна из самых агрессивных и неуязвимых рас вселенной сериала Doctor Who]. Эта программа, разработанная совместно с британской MI5, заражает смарт-TV Samsung и позволяет вводить телевизоры в состояние «мнимого отключения». Устройство, кажущееся выключенным, в реальности записывает разговоры в помещении и передает их на особый сервер ЦРУ.Как следует из публикации, секретная программа разработана для многофункциональных телевизоров Samsung F Series. Ранее WikiLeaks сообщала, что "Плачущий ангел" позволяет производить звукозапись при помощи вмонтированного в телевизор микрофона, с последующей отправкой данных в ЦРУ.В сообщении отмечается, что основой для "Ангела" послужила более ранняя британская программа под названием "Распространение"."Плачущий Ангел" - новая публикация WikiLeaks из серии Vault 7 ("кодовое название крупнейшей серии утечек материалов ЦРУ - прим. ТАСС). WikiLeaks 7 марта приступила к публикации массива данных о различных способах кибершпионажа, применяемых ЦРУ. Из этой информации, к примеру, следовало, что ведомство в Лэнгли разработало программы, позволяющие производить слежку при помощи мобильных телефонов, а также технологии, благодаря которым можно получить доступ к смартфонам по всему миру. Последние позволяют считывать аудиотрафик и электронные сообщения, в том числе в популярных мессенджерах WhatsApp и Telegram.В 2014 г. отдел изучал перспективы инфицирования систем управления современных автомобилей и грузовиков. «Цель перехвата контроля управления не ясна, однако это позволило бы ЦРУ проводить практически бесследные покушения», – считает организация.источникиhttp://tass.ru/mezhdunarodnaya-panorama/4202761http://www.opennet.ru/opennews/art.shtml?num=39296http://www.cnews.ru/news/top/index.shtml?2015/02/09/592563https://www.vedomosti.ru/politics/articles/2017/03/07/680326-wikileaks-hakerskiiВот еще почитайте как ЦРУ хакеров крышуют и как ЦРУ может взламывать автомобили, чтобы убивать людей

07 февраля, 15:32

Рост Рунета в 2016 году — 0%. Как можно расти в e-commerce?

Основатель шопинг-мессенджера «Алоль» — о том, каковы новые реалии Рунета, что станет «гормоном роста» для e-commerce в ближайшие годы и как развиваться в новой реальности.