Як змусити майнер відмовитися від биткойна

Опубликованно 10.12.2017 02:04

Максим Прасолов багатьом українцям відомий в першу чергу як продюсер мультимедіа. З 2001 по 2017 рік він брав участь у створенні більш 50 анімаційних рекламних роликів, 3D-фільмів, комерційних і промислових додатків, комп'ютерних ігор, а також створив перший український графічний роман "Даогопак". Максим працював з міжнародним рітейлом і такими промисловими брендами як Unilever, Yukos, TPE, Metro Cash&Carry, Severstal Group, Ferrexpo, комерційними банками, інвестиційними і страховими компаніями. Був членом команди IPO від компанії Ferrexpo, одного з найбільших видобувачів залізної руди в Україні, на London Stock Exchange.

З 2014-го Прасолов інвестує у створення дронов, AI, AR мультимедійні стартапи, і буквально рік тому запустив новий проект, платформу синтетичних даних і машинного навчання Neuromation. За цей час проект Neuromation здобув 1 місце у глобальному конкурсі стартапів d10e Conference в Давосі з призовим фондом в $250 тис. доларів, а також залучила до партнертству викладача Університету Сингулярності Девіда Орбана.

На початку грудня Neuromation оголосила про партнерство з однією з крупних операторів хмарного Майнінгу giga-watt.com і отримала в своє розпорядження більше 40.000 GPU для корисних обчислень.

Поки що Neuromation відкрито проводить свій токенсейл до 15 лютого, і вже залучила понад $1,5 млн коштів інвесторів, зацікавлених в послугах платформи. Нейротокен — внутрішня валюта платформи — забезпечується послугами з розробки нейромереж, обчислювальною потужністю для корисних алгоритмів і генераторами синтетичних даних, а також іншими продуктами на платформі Neuromation.

Delo.UA поговорило з Максимом Прасоловим, CEO Neuromation, про те, чим корисно для бізнесу машинне навчання, що чекає блокчейн і чого можна навчити нейромережі.

Розкажіть детальніше про свою компанію Neuromation. Чим ви займаєтеся і які технології використовуєте?

Наша компанія — розробник алгоритмів глибокого навчання. Ми не дуже любимо термін "штучний інтелект", тому що ніякого штучного інтелекту поки не існує. Це просто мовна форма упаковки всієї індустрії. Нейромережеві алгоритми, скоріше, хороший класифікатор, спосіб узагальнення даних і пошуку закономірностей, спосіб автоматизації повторюваних дій. І все це самообучаемо.

Буквально останні п'ять років ми спостерігаємо сплеск індустрії машинного навчання. Стало можливим багато чого, що раніше не було можливо. Наприклад, розпізнавання об'єктів, сегментація і виділення об'єктів з фону, визначення руху людини або будь-якого об'єкта в просторі, розпізнавання осіб і багато іншого.

Тільки є одна проблема. Для того щоб машину чому-небудь навчити, потрібно величезна кількість розмічених даних. Припустимо, потрібно визначити кількість предметів в цій кімнаті. Ви хочете, щоб ваша розумна камера точно знала положення цього предмета і вміла його відповідно розпізнавати. Якщо хтось захоче вкрасти флешку або пульт, то камера зрозуміє, що цей предмет присвоїв інший об'єкт. Для цього її потрібно навчити розуміти, що це флешка, це телевізор, це годинник, це м'ячик, а це — диван. Для того щоб машинний алгоритм це робив, потрібно об'єкти сфотографувати кілька тисяч разів в різних ракурсах і комбінаціях і обвести кожен об'єкт на фотографії квадратиком і підписати його. Потім показати це машини, машина зможе тоді визначати ці об'єкти, і краще, якщо вони будуть не в одному контексті, а стояти і на білому фоні і в інших контекстах, під різними кутами. Тоді це визначення буде ще точніше.

А якщо колір зміниться, він буде визначати?

Звичайно, алгоритм здатний точно визначати навіть за кількома пикселів . Ми з дивовижною точністю можемо визначити об'єкт і в тому разі, якщо його практично не видно, і не тільки на передньому плані, але і на задньому.

Яке практичне застосування всього цього?

Величезна кількість варіантів. Наша компанія має дуже чітку спеціалізацію, ми працюємо з технологіями комп'ютерного зору, заснованого на нейронних мережах. Ми використовуємо новаторський метод синтетичних даних, ми одні з перших в комерційному секторі, хто їх використовує. Що таке синтетичні дані? Це 3D-картинки або 3D-мультфільми, які вже спочатку ідеально розмічені. Розмічати вручну все дуже дорого і довго. Наприклад, розмітка однієї фотографії в Індії у місті Бангалорі буде коштувати 20-50 центів. Щоб створити додаток, що буде допомагати мерчендайзеру в магазині розпізнавати товари на полицях, де припустимо 170 тисяч найменувань, артикулів, відповідно на кожен артикул потрібно 5 тис. зображень. Таким чином, на це потрібно витратити близько $200 млн, щоб навчити мережу розпізнавати товари на полицях. І це тільки одна галузь і один сектор, це колосальні кошти.

Якось до нас прийшли наші партнери і попросили зробити таку нейромережа, яка могла б розпізнавати товари на полицях. Ми прорахували і придумали одну просту ідею — а що, якщо ми не будемо ці фотографії розмічати вручну, а намалюємо їх в 3D? Що, якщо ми створимо симуляционную середу, візуальну копію супермаркету, в якій ми можемо зробити необмежену кількість фотографій в потрібному нам ракурсі, з потрібним нам кутом освітлення, потрібної комбінацією на полиці? Що, якщо ми зробимо такий генератор даних і на них почнемо навчати мережу? Скільки буде коштувати створення такого проекту? Ми нещодавно створили пару мільйонів фотографій в 3D, побудували модель і почали на ній тренувати алгоритм.

Спочатку у нас нічого не виходило, кілька місяців у нас не було ніяких результатів. Але раптово влітку цього року досягли результату точності в 96%. Наша система, яка ніколи не бачила реальних даних, ефективно вчиться на синтетичних, а потім розпізнає реальні, і ми дуже швидко досягли високого результату. На таких фотографіях є все, що присутній на реальній фотографії — відблиски, прозорість, поліграфічні зарубки, абсолютно все зроблено з високим рівнем деталізації, навіть пластикова пробка.

І на скільки тоді змінюється вартість проекту?

Наприклад, наші конкуренти, ізраїльська компанія, протягом трьох років розробляла модель, щоб розпізнавати близько 3 тисяч моделей, за нашою інформацією вони витратили близько $60 млн. Ми зробили модель на 1 тисячу за півмісяця і $50 тис.

А різниця в якості?

Розумієте, щоб зробити індустріальне додаток потрібно в рази більше грошей, але це все одно не можна порівняти з витратами, які мають зараз подібні проекти, що працюють з реальними даними. Це різниця в сотні разів. Наш метод дешевше і, що найголовніше, швидше, тому що крім ціни для створення такого проекту потрібно докласти багато зусиль і відсоток помилок там божевільний, близько 20%. А у нас -100% точність, тому що ми точно знаємо, що це 3D-об'єкт, ми знаємо, де він точно стоїть на полиці, де розміщений, розмір, опис. Мережа отримує високоякісні дані, більш того, вони розмічені так як людина їх ніколи не разметит. Ми з кількох пікселям можемо визначити що це пляшка пепсі-коли, навіть якщо не буде видно етикетка. Це дуже важливо, тому що в роботі контролю роздробу положення товару на полиці впливає на продажі, там пряма залежність. Але це лише одне із застосувань нашого алгоритму.

Можна сказати, що ви продаєте технології?

Ми продаємо тільки технології і шукаємо партнерів в різних секторах. Особливість в тому, що наша технологія вимагає дуже великої обчислювальної потужності. Щоб мережі навчати, потрібна потужність. Уявіть собі мільярд високоякісних кадрів з деталізацією в 3D-мультфільм або фотореалістичного якості. Це дійсно тисячі годин 3D-мультфільмів вийшло. Одного разу ми зрозуміли, що таких потужностей у нас немає, і грошей, щоб їх купити, теж немає.

А скільки у вас було грошей?

У компанію ми вже вклали трохи більше мільйона доларів. Зараз капіталізація компанії 15 мільйонів і наші частки інвестори купують з такою оцінкою. За один рік, я вважаю, що це досить непоганий зростання.

Спочатку у нас було кілька ангелів, потім у нас з'явився один смарт-інвестор, який допомагав знаходити інших, зараз у нас інвестори — це все люди, які у нас працюють. Люди всі натхнені і працюють, у нас такий реально правильний стартап, з ліквідністю вже на першому році життя.

До нас зараз зайде один стратег, який хоче мати місце в раді директорів і власне впливати на прийняття рішень.

Коли це станеться?

Я думаю до кінця року, ми зараз закриваємо операцію.

З якими труднощами стикалася компанія?

Якщо ж повернутися до роботи компанії, то момент, з яким ми зіткнулися, — це відсутність достатньої обчислювальної потужності. Ми вирішили купити потужності, однак прийшли до висновку, що карт немає — їх усе розкупили майнеры. І тоді було запропоновано рішення — використовувати їх потужності в наших цілях. Майнеры заробляють не так вже й багато на виробництві криптовалют.

Нехай заробляють більше з нами. З допомогою корисних обчислень.

Світ рухається в цьому напрямку. Ми вважаємо, що майбутнє за універсальними фермами, які будуть займатися корисними обчисленнями, а ми будемо таким собі Uberом, який буде їх наймати на різні типи завдань.

Або, наприклад, у нашій компанії поки немає відповідного рішення для високої транзакционности блокчейна. В існуючих обмежена кількість транзакцій, а нам потрібно кількість трансакцій на рівні 3000 в секунду. Наведу приклад. Уявіть собі на стадіоні масову акцію, у вас 50 тис. осіб, величезна кількість поліції, щоб запобігти навіть не хуліганські дії, а елементарно — тисняву. А ми, скажімо, можемо зробити алгоритм, який вважає і аналізує всю цю масу людей, підключивши на чотири години матчу 14 тис. відеокарт майнер і протягом чотирьох годин ми будемо точно показувати варіант виникнення складної ситуації. І видавати систему попереджень. І тоді не треба на 50 тисяч чоловік 5 тисяч поліції, потрібно буде 500 стюардів, які просто будуть розуміти, що робити в цій ситуації і отримувати чіткі інструкції. Економиться купа грошей. Припустимо, стадіон у Бразилії орендує потужність на 4 години, і при цьому майнеры повинні бути включені моментально. Мені потрібно підтримати десятки тисяч транзакцій, а у мене паралельно з цим ще 50 000 немовлят у пологових будинках, за якими дивляться смарт-камери. Нам потрібно колосальна кількість транзакцій, і з усіма обчислювальними вузлами потрібно укласти смарт-контракти, їм потрібно заплатити за короткочасну роботу. Це величезне навантаження, ніякої блокчейн зараз цього робити не дозволяє. Але скоро буде.

Тоді на що ви розраховуєте?

Ми розраховуємо на те, що по мірі зростання кількості транзакцій з'явиться новий блокчейн, в який ми увійдемо, або ми напишемо свій. Варіант розвитку Etherium також розглядаємо.

Нещодавно ви повідомляли, що стали партнерами з хакерами. Яким чином ви плануєте співпрацювати?

Ми наймаємо білих хакерів. Вони тестують, відповідно ламають нас, показують уразливості, і ми їх закриваємо. Вони багато корисного для нас роблять. Ми постійно їм чогось даємо, а вони тестують.

Якщо звернутися до областях застосування вашої технології, то де ще її можна використовувати? Погоду пророкувати?

Ми от цього якраз не робимо. Тому що це набагато складніше, ніж здається на перший погляд — занадто складна математика. Там питання не в синтетичних даних, а в обробці тієї інформації, яка йде. Це дуже специфічна область комп'ютерного аналізу і збору даних, вона набагато складніше, ніж нейросенс. Передбачати погоду добре, але це не наш бізнес, не можна займатися всім. У нас три напрямки — медицина, рітейл та industrial automation, це будь-яка річ, пов'язана з розумними камерами в процесі автоматизації. Наприклад, сортування дощок, посилок, яєць, птиці, свиней, або запчастин — будь-які речі, які можна порахувати і запам'ятати.

Ми дуже чітко фокусуємося на тому, чим ми можемо займатися. Я думаю, що основна спеціалізація нашої платформи будуть обчислювальні потужності і моделі для розумних камер, я думаю, це буде 90 відсотків всього нашого бізнесу. Розумні камери — це гігантський ринок, який тільки розпочинається.

Категория: Автотехника