April 14th, 2019

Генетики оценили вклад наследственности в интеллект детей



Сложные расчеты показали, что гены отвечают за 11% различий в уровне интеллекта и за 16% различий в школьной успеваемости. В результате исследователи пришли к однозначному выводу: даже ребенок с плохой наследственностью может учиться на отлично и наоборот, хорошая наследственность не гарантирует высокие когнитивные способности.

Исследователи из Королевского колледжа Лондона оценили связь между наследственностью и когнитивными способностями детей и подростков. Для этого им пришлось проанализировать данные о 7026 юных британцах в возрасте от 12 до 16 лет, включенных в проект по исследованию раннего развития близнецов.

Как сообщает Science Daily, ученые сравнили индивидуальные различия генома с такими характеристиками, как IQ и успехи в изучении английского, математики и естественных наук. Использовав полигенные оценки, которые учитывают суммарное влияние множества генов, команда обнаружила, что наследственность определяет 11% индивидуальных различий в уровне интеллекта и 16% различий в образовательных достижениях.

Полученный результат сохранялся при использовании трех разных генетических методов, что подтверждает его надежность.

Авторы исследования подчеркивают, что речь в исследовании идет о средних показателях.

Это значит, что ребенок может отлично успевать в школе несмотря на низкую генетическую предрасположенность. Верно и обратное: хорошая наследственность вовсе не гарантирует гениальность и хорошие отметки. Таким образом, говорить о жесткой связи между генами и интеллектуальными способностями не приходится.

promo nemihail 19:00, yesterday 70
Buy for 20 tokens
Заказчиков выступал никто иной, как российские спецслужбы. Это их почерк Фото: Яндекс Картинки (Киев) "Убийство Шеремета было совершено с целью дестабилизировать ситуацию". Всем желающим показали кадры с камеры видеонаблюдения, на которых запечатлены убийцы журналиста. Ими…

Завод без людей в Сингапуре. Репортаж

Трудности производства процессоров



Тик-так-тик-так-тик-так... С чем сталкиваются производители микропроцессоров при проектировании и изготовлении чипов. В этом видео вы узнаете немного больше о мире полупроводников, законе Мура, о стратегии Тик-Так и о многом другом.

Как работает самый роботизированный мясоперерабатывающий завод в России. Репортаж TAdviser

Заказчики: Черкизово ГК
Москва; Пищевая промышленность

Подрядчики: Сабрис (Sabris)
Продукт: Sabris SAP for Food
На базе: SAP HANA (High Performance Analytic Appliance)

Дата проекта: 2016/03 - 2018/05
Бюджет проекта: 7 000 000 000 руб.

Технология: MES - Управление производствами и ремонтами

Роботизированный завод по производству сырокопченых колбас группы «Черкизово» в Кашире был запущен в промышленную эксплуатацию в середине мая 2018 года. Присутствие людей на производстве на этом заводе минимизировано. В «Черкизово» заявляли, что на момент запуска завод с таким уровнем автоматизации в их сегменте - единственный в России и даже во всей Европе.



По замыслу компании, с выходом на полную мощность, составляющую до 100 тонн продукции в сутки, этот производственный комплекс должен обеспечить более 30% всех сырокопченых колбас российского производства.

Роботизированный завод - это первый этап создания комплекса предприятий мясоперерабатывающей промышленности в Кашире. На втором этапе в 2021 году планируется запустить завод по производству готовых к употреблению мясных полуфабрикатов, а в 2022 году - распределительный центр с охлаждаемыми складами и линией по нарезке и упаковке колбас.
Collapse )
Смотрите также:
Технологии «Фабрик Будущего»
«Камаз» и Mercedes открыли в России уникальный роботизированный завод

Коммерческие компании все чаще переходят с иностранных продуктов на российские



Илья Зайчиков, product owner СЭД «Тезис», компания Haulmont, в интервью TAdviser рассказал о развитии системы электронного документооборота, результатах её продвижения на мировом рынке, а также опыте замещения и особенностях замены иностранных решений подобного класса.

Расскажите, как прошел 2018 год для СЭД «Тезис»? Каковы его ключевые итоги?

Илья Зайчиков: В минувшем году система активно развивалась как продукт — выпущены мобильное приложение и новая версия СЭД «Тезис» 4.3. Также мы вывели «Тезис» на мировой рынок. В этом направлении мы сейчас находимся в начале долгого пути, предстоит еще много работы, однако по итогам 2018 года уже можно говорить о первых успехах, первых крупных заказчиках и реализованных проектах. Российский рынок в настоящий момент остается приоритетным для продукта, и мы продолжаем укреплять позиции на нем. Кроме того, год запомнился стартом новых крупных проектов и развитием системы у действующих клиентов.

Что нового появилось в СЭД «Тезис» 4.3?

Илья Зайчиков: Начиная с минорного релиза, который выпущен до СЭД «Тезис» 4.3, заказчикам доступно мобильное приложение для iOS и Android. В версии 4.3 его функциональность расширилась: реализована поддержка электронной подписи «КриптоПро» в мобильном приложении, добавлен вход с помощью TouchID.

Ряд важных нововведений СЭД «Тезис» 4.3 касается юридически значимого документооборота и обмена документами с контрагентами. Во-первых, появилась возможность интеграции с системой обмена юридически значимыми документами «Диадок». Также реализована поддержка протокола электронной подписи «КриптоПро» ГОСТ 34.10-2012. Начиная с 2019 года это единственный действующий в России стандарт.

Кроме того, добавлена возможность выполнения действия по кнопке в автоматическом оповещении, которое приходит из СЭД «Тезис» на электронную почту. Таким образом, можно отправить документ на доработку, утвердить или согласовать без перехода в систему.
Collapse )

Вредоносное машинное обучение: чем оно опасно и как защититься

Что такое Adversarial Machine Learning (вредоносное машинное обучение) и какую опасность может нести эта технология? В материале, подготовленном специально для TAdviser, на эти вопросы отвечает журналист Леонид Черняк.

Одним из самых серьезных препятствий на пути к предсказываемому массовому внедрению умных систем, снабженных элементами искусственного интеллекта (ИИ), может оказаться непредвиденное обстоятельство – эти системы пока не настолько умны, чтобы обладать способностью к противостоянию злому умыслу или жульничеству со стороны человека. Масштаб последствий такого обмана непредсказуем, он зависят лишь от того, насколько ответственны функции, переданные системе, снабженной ИИ.

В технологической истории возникновение таких препятствий далеко не единичный случай – пока та или иная новация пребывает в зародышевом состоянии, об ее возможных негативных последствиях не задумываются. Но рано или поздно наступает момент, когда непредвиденное ранее выступает на первый план. На заре автомобилизма вопрос безопасности не стоял, а теперь он важнейший. В сфере программирования никто не мог представить возможность существования вредоносного ПО (malware) вплоть до создания сети ARPANET (предшественницы Интернета), но с середины восьмидесятых malware во всех его ипостасях стало серьезной угрозой для персональных, а позже и других компьютеров. Точно так же, с конца пятидесятых годов XX века и практически до самого последнего времени создатели технологий машинного обучения (ML) не принимали во внимание возможность какой-либо угрозы. Однако и здесь она возникла, в данном случае со стороны Adversarial Machine Learning (AML) - боковой ветви ML, ставшей теоретической основой для разработки инструментов, способных создавать помехи в работе систем на основе ML. Термин Adversarial Machine Learning пока редко встречается в русскоязычных текстах, его переводят как «состязательное машинное обучение», но точнее для слова adversarial подходят значения из ряда антагонистическое, конфронтационное или противоборствующее, поэтому по аналогии с malware будем переводить его «вредоносным машинным обучением». Открытие теоретической возможности существования AML и первые публикации на эту тему относят к 2004 году. Историю AML и анализ текущего состояния дел можно найти в статье «Wild Patterns: Ten Years After the Rise of Adversarial Machine Learning» двух итальянских исследователей Battista Biggioa и Fabio Rolia, опубликованной в 2018 году.



Adversarial Machine Learning - боковая ветвь Machine Learning, ставшая теоретической основой для разработки инструментов, способных создавать помехи в работе систем на основе машинного обучения
Collapse )