«Дискриминации русских моделей не наблюдается»
Напряженная ситуация в мире не повлияла на Неделю моды в Париже, хотя президент Французской федерации моды перед ее началом призвал уделять меньше внимания показам и больше — напряженной ситуации на востоке Европы. Показы проходят по расписанию, а российским моделям доверяют открытие шоу модных домов. О том, в какой обстановке проходит заключительная Неделя моды сезона «Осень-зима 2022» — в материале «Газеты.Ru».
В Париже 28 февраля стартовала женская Неделя моды, которая продлится до 8 марта. Бренды показывают коллекции прет-а-порте сезона «Осень-зима 2022». В официальном расписании заявлены показы Dior, Isabel Marant, Balmain, Chanel, Chloe, Balenciaga, Loewe и многих других брендов. Некоторые из них уже состоялись. Например, Off-White провел первый показ после смерти основателя бренда Вирджила Абло. Бренд Мэри Кейт и Эшли Олсен The Row впервые с 2016 года представил коллекцию в Париже.
Парижской предшествовала Неделя моды в Милане — и когда 24 февраля Россия начала специальную военную операцию на Украине, как пишет издание
Французская федерация высокой моды, прет-а-порте и модных дизайнеров обратились к индустрии с призывом уделять меньше внимания показам и больше — продолжающемуся кризису.«Творчество основано на принципах свободы при любых обстоятельствах, — заявил президент федерации Ральф Толедано. — И роль моды заключается в том, чтобы способствовать индивидуальному и коллективному освобождению в наших обществах. Учитывая нынешний контекст, Федерация высокой моды призывает вас смотреть предстоящие шоу с пониманием серьезности этих мрачных времен».
В этих условиях на Неделе моды в Париже участники с первого дня начали выражать поддержку украинской стороне. Например, известные инфлюенсеры Изабель Шапю и Нельсон Тибергена на первый день Недели моды в Париже появились в парных костюмах в цветах флага Украины. Некоторые образы на показе бренда Botter тоже были выполнены в исключительно в желтых и голубых цветах. Одна из моделей вышла на подиум в куртке с надписью на спине No war из бусин.
Креативный директор и основательница бренда Kochè Кристель Коше надела желто-синюю брошь на финальный выход после презентации новой коллекции бренда.
Одиночные пикеты с призывом к миру были перед показом Dior.
Украинских моделей, которые участвуют в Неделях моды, активно поддерживали коллеги. Например, известный кастинг-директор Эшли Брокау написала слова поддержки Кристи Пономар и Ириске Кравченко, которых она пригласила на показ Prada, прошедшее 24 февраля в Милане.
Российские модели продолжают участвовать в показах. К примеру, вчера, 1 марта, модель София Штейнберг открывала показ Dior и участвовала в шоу Saint-Laurent. На шоу Dior вышла и модель из России Алина Болотина, на Saint Laurent — Таня Чурбанова, а на показ Botter — Катя Владыкина. «Дискриминации русских моделей не наблюдается. Слава Богу, по крайней мере сейчас», — отмечает Telegram-канал о моде «Модные хроники Злой Киски».
Посмотреть эту публикацию в Instagram
Публикация от Dior Official (@dior)
Ирина Шейк — одна из самых известных в мире моделей родом из России — на Недели моды не приехала.
Судя по фото, которые публикуют папарацци, она сейчас находится в Лос-Анджелесе.
Показы на Неделе моды в Париже проходят по расписанию. Показ Off-White под лозунгом Questioning everything собрал главных топ-моделей мира, которые почтили память основателя бренда Вирджила Абло. Дизайнер ушел из жизни в ноябре прошлого года на 42-м году жизни. Причиной смерти стал рак, с которым модельер боролся несколько лет. На подиум вышли Наоми Кэмпбелл, Синди Кроуфорд, Кайя Гербер, Кендалл Дженнер, Карли Клосс, Джиджи и Белла Хадид, а также теннисистка Серена Уильямс.
close
100%
«Это новое сегодня вновь случилось на подиуме: развевающиеся флаги с неоднозначными, глубокими и такими точными сегодня надписями; дань уважения black culture в лицах танцовщиков и хореографов; мощнейший кастинг моделей, которые ходили с телефонами и баночками содовой в руках, — поделилась впечатлениями о показе основательница концепт-стора КМ20 Ольга Карпуть изданию The Blueprint. — Карен Элсон, курящая сигарету будто бы в знак протеста — а еще, конечно, в подражание показам из того давнего времени, когда в силе моды никто не сомневался и курящие модели ходили у Мюглера и Готье».
Посмотреть эту публикацию в Instagram
Публикация от SAINT LAURENT (@ysl)
С интересным решением на Неделе моды участвовал бренд Courrèges. Модный дом показал коллекцию в музее Garage Amelot в Париже, а подиум был сделан из 30 тыс. раздавленных алюминиевых банок. The Row провел показ во французском замке XVII века Château de Courances. Креативный директор Saint Laurent Энтони Ваккарелло по традиции решил устроить шоу около Эйфелевой башни. Дизайнер посвятил коллекцию своему отцу — на каждом стуле лежала карточка с надписью «À mon père».
Почему модели не работают | robot_dreams
Модели, показывающие хорошие результаты в лабораториях, нередко не справляются с реальными задачами. Чтобы разобраться, почему так происходит и правда ли люди неправильно обучают алгоритмы, мы адаптировали статью MIT Technology Review.
Обычно сложности работы модели с реальными задачами связаны с несоответствием данных, на которых ИИ был обучен и протестирован, данным, с которыми он сталкивается на самом деле. Это явление называется data shift. Например, алгоритм, обученный выявлять признаки заболевания на высококачественных медицинских снимках, будет испытывать сложности с размытыми изображениями в обычных клиниках.
Но группа из 40 исследователей в Google определила еще одну важную причину сбоев — «неполную спецификацию» (underspecification). Этот термин авторы исследования заимствовали из лингвистики. В случае machine learning это ситуация, при которой не все модели с одинаково хорошим перформансом показывают высокие результаты на реальных данных вне лабораторий. То есть, при data shift снижается производительность всех моделей, а в случае underspecification она падает у некоторых моделей, причем предсказать это невозможно.
«Мы хотим от моделей машинного обучения больше, чем можем гарантировать с нашим текущим подходом», — говорит Алекс Д’Амур, возглавивший исследование.
Начиная ресерч, Д’Амур хотел узнать, почему его собственные модели машинного обучения часто не работают на практике.
В итоге он и группа исследователей изучили разные направления искусственного интеллекта — от распознавания изображений до NLP и прогнозирования заболеваний. Они обнаружили, что недостаточная спецификация — причина плохой работы моделей в любой из сфер. Проблема заключается в том подходе, согласно которому ML-модели обучаются и тестируются, и простого решения тут нет.
Низкая планкаПостроение ML-модели включает ее обучение на большом количестве примеров, а также последующее тестирование на множестве подобных примеров, которые модель не видела раньше. Если алгоритмы справляются, модель можно использовать.
Исследователи Google отмечают, что такие требования к моделям — это слишком низкая планка. В процессе обучения можно создать множество моделей, все из которых пройдут проверку. Но у этих моделей будут небольшие отличия в параметрах, не контролируемых напрямую.
Например, разница в инициализации весов, способе представления данных, количестве итераций обучения. Эти особенности обычно игнорируются, если они не влияют на то, как модель выполняет тест.
Оказалось, что именно эти нюансы могут привести к нестабильности производительности при решении реальных задач. Процесс, используемый для создания большинства моделей машинного обучения сегодня, не может определить, какие модели будут работать в реальном мире, а какие — нет.
Исследователи изучили влияние неполной спецификации на разные приложения. В каждом случае они использовали одни и те же процессы обучения для создания нескольких ML-моделей, а затем проверяли эти модели с помощью стресс-тестов, чтобы выявить конкретные различия в производительности.
Например, они обучили 50 версий модели распознавания изображений в ImageNet, на датасете изображений бытовых предметов. Единственная разница между процессами обучения заключалась в случайных значениях, присвоенных нейронной сети в начале.
Несмотря на то, что все 50 моделей набрали более или менее похожие результаты в тренировочном тесте (что свидетельствует об одинаковой точности), их показатели сильно различались при стресс-тесте.
В стресс-тесте использовали ImageNet-C (набор изображений из ImageNet, причем картинки были пикселизированы, а их яркость и контраст изменили) и ObjectNet (датасет изображений повседневных предметов в необычных положениях: стулья, лежащие на полу или перевернутые чайники). Некоторые из 50 моделей справились с пиксельными изображениями, другие — с необычными позами; одни модели в целом справились лучше других. Но на стандартном тренировочном сете все показали одинаковые результаты.
Исследователи провели аналогичные эксперименты с двумя разными NLP-системами и тремя медицинскими ИИ для прогнозирования заболеваний глаз на основе сканирования сетчатки, рака — по повреждениям кожи и почечной недостаточности — на основе историй болезни пациентов.
У каждой системы была одна и та же проблема: модели, которые должны были быть одинаково точными, справлялись по-разному при тестировании на реальных данных (сканирование сетчатки глаза или разные типы кожи).
Вероятно, систему оценки нейросетей придется переосмыслить. «Самый важный вывод таков: нам нужно проводить гораздо больше тестов», — говорит Д’Амур. Однако это будет нелегко. Стресс-тесты были адаптированы специально для каждой задачи с использованием данных, взятых из реального мира, или данных, имитирующих реальные. Это не всегда возможно. Кроме того, некоторые стресс-тесты расходятся друг с другом: например, модели, которые хорошо распознавали пиксельные изображения, часто плохо распознавали изображения с высокой контрастностью. Не всегда можно обучить одну модель проходить все тесты.
Один из вариантов — разработать дополнительный этап процесса обучения и тестирования, на котором одновременно создается множество моделей. Затем эти конкурирующие модели можно снова протестировать на реальных задачах, чтобы выбрать лучшую.
Д’Амур и его коллеги еще не нашли решения, но изучают способы улучшить тренировочный процесс.
«Нам нужно четче определять наши требования к моделям», — говорит он. «Потому что часто в конечном итоге мы обнаруживаем эти требования только после того, как модель потерпела неудачу при решении реальных задач».
Если лучшие из ваших моделей показывают примерно одинаковые результаты, не стоит просто выбирать одну из них. Нужно протестировать все модели с хорошим перформансом на еще одном датасете.
Стресс-тесты, рекомендованные авторами исследования:
- Stratified Performance Evaluations — проверка, которая позволяет определить, насколько отличаются результаты модели для разных страт (подгрупп данных, выделенных по определенному признаку. Например, пол человека на фото или тематика текста).
- Contrastive Evaluations — проверка, при которой используют те же данные, что и для обучения, но преобразовывают их (например, изменяют разрешение изображений).
- Shifted Performance Evaluations — проверка на реальных данных, полученных из другого источника.
Например, исследователи отслеживают, как поменяется перформанс, если подать на вход снимки, сделанные другим МРТ-аппаратом.
Например, исследователи отслеживают, как поменяется перформанс, если подать на вход снимки, сделанные другим МРТ-аппаратом.Обложка: Neurohive
Как принимать решения в несовершенном мире
Даже лучшие модели мира несовершенны. Это понимание важно помнить, если мы хотим научиться принимать решения и действовать ежедневно.
Например, рассмотрим работу Альберта Эйнштейна.
За десятилетний период с 1905 по 1915 год Эйнштейн разработал общую теорию относительности, которая является одной из важнейших идей современной физики. Теория Эйнштейна прекрасно себя зарекомендовала. Например, общая теория относительности предсказывала существование гравитационных волн, что ученые наконец подтвердили в 2015 году — ровно через 100 лет после того, как Эйнштейн записал ее.
Однако даже лучшие идеи Эйнштейна были несовершенны. Хотя общая теория относительности объясняет, как работает Вселенная во многих ситуациях, в некоторых крайних случаях (например, внутри черных дыр) она не работает.
Все модели ошибочны, некоторые полезны
В 1976 году британский статистик Джордж Бокс написал знаменитую фразу: «Все модели ошибочны, некоторые полезны». 1
Его точка зрения заключалась в том, что нам следует больше сосредоточиться на том, можно ли что-то применить в повседневной жизни с пользой, а не на бесконечных дебатах, верен ли ответ во всех случаях. Как выразился историк Юваль Ной Харари: «Ученые в целом согласны с тем, что ни одна теория не является на 100% верной. Таким образом, настоящим испытанием знания является не истина, а полезность. Наука дает нам силу. Чем полезнее эта сила, тем лучше наука».
Даже работа Эйнштейна не во всех случаях была идеальной, но она оказалась невероятно полезной — не только для расширения нашего понимания мира, но и для практических целей. Например, глобальные системы позиционирования (GPS), используемые в вашем телефоне и в вашем автомобиле, должны учитывать эффекты относительности для предоставления точных направлений.
Без общей теории относительности наши навигационные системы не были бы точными.
Как принимать решения в несовершенном мире
Какие шаги мы можем предпринять для принятия решений, учитывая, что ни один способ смотреть на мир не является точным во всех ситуациях?
Один из подходов состоит в том, чтобы разработать широкий набор структур для осмысления мира. Некоторые эксперты называют каждую структуру «ментальной моделью». Каждая ментальная модель — это способ мышления о мире. Чем больше у вас ментальных моделей, тем больше у вас инструментов для принятия решений.
Например, вот три способа думать о производительности:
- Правило двух минут: если что-то занимает меньше двух минут, сделайте это сейчас. Цель этого правила — помочь вам перестать прокрастинировать и начать действовать.
- Метод Айви Ли: создайте список дел, записав шесть самых важных дел, которые вам нужно выполнить завтра, расставьте приоритеты для этих пунктов и работайте над ними по порядку. Цель этого метода — помочь вам в первую очередь работать над самыми важными вещами.
- Стратегия Сайнфелда: выберите новую привычку и отметьте крестиком в календаре каждый день, когда вы придерживаетесь этой привычки. Цель этого метода состоит в том, чтобы помочь вам сохранять постоянство и сохранять полосу хорошего поведения.
Цель этого метода — помочь вам в первую очередь работать над самыми важными вещами.Какая из этих моделей идеальна? Конечно, нет. Но если вы объедините их, то у вас получится стратегия, которая поможет вам действовать прямо сейчас (правило двух минут), стратегия, которая поможет вам более эффективно спланировать свой день (метод Айви Ли), и стратегия, которая поможет поможет вам сохранить последовательность в долгосрочной перспективе (Стратегия Сайнфелда).
Вам нужна коллекция ментальных моделей, потому что ни одна схема не может работать во всех ситуациях.
Делаем все возможное с тем, что у нас есть
Признание того, что все модели в определенных случаях неверны, не является лицензией на игнорирование фактов.
Как общество, мы должны искать лучшие ответы, искать доказательства и стремиться повысить точность наших знаний.
В то же время на другом конце спектра есть общая опасность. Слишком много людей тратят время на обсуждение того, является ли что-то совершенно правильным, тогда как им следует сосредоточиться на том, является ли это практически полезным.
Мы живем в мире, наполненном неопределенностью, но нам все равно нужно что-то делать и принимать решения. Наша обязанность — выработать способ мышления о мире, который в целом соответствует имеющимся у нас фактам, но при этом не зацикливаться на размышлениях о вещах, чтобы никогда ничего не делать. Как выразился профессор Гарварда Дэниел Гилберт, «мир не может позволить себе роскошь ждать полных ответов, прежде чем он начнет действовать».
Беспристрастные ответы — лучшее, что у нас есть. Сосредоточьтесь на том, что практично, и действуйте. Все модели ошибочны при определенных обстоятельствах, но важно то, полезны ли они в целом.
Сноски
Спасибо Скотту Янгу за то, что он изначально указал мне на эту цитату.
Спасибо за чтение. Вы можете получить больше практических идей в моем популярном информационном бюллетене по электронной почте. Каждую неделю я делюсь 3 короткими идеями от себя, 2 цитатами других и 1 вопросом для размышления. Более 2 000 000 человек подписаны . Введите адрес электронной почты сейчас и присоединяйтесь к нам.
Все модели не рождаются равными — эмпирические и механические модели
Одним из наиболее ценных применений математических или научных моделей является возможность точного предсказания будущего. В отсутствие хрустального шара то, как вы это сделаете, зависит от того, что вы хотите предсказать, и от того, что вы уже знаете.
- Написано Крем Глобал
В частности, вы можете знать кое-что о математических правилах того, как наблюдаемые данные в настоящем влияют на результат, который вы хотите предсказать, например, на движение планет вокруг Солнца.
Или, может быть, вы заметили, не понимая почему, что ваш результат всегда следует определенной модели обстоятельств в настоящем — например, когда солнце садится, становится темно. Оба эти подхода являются моделями. Первая — механистическая модель, вторая — эмпирическая модель. (Осторожно, спойлер: модели науки о данных почти всегда представляют собой смесь обоих подходов.)
Примером механистической модели является выстрел артиллерийского снаряда по цели. Дуга, которую принимает снаряд после выстрела, следует очень хорошо известной кривой, называемой параболой, которая описывает траекторию любого несамоходного воздушного объекта. Если, например, вы поднимете обычный садовый шланг вверх и откроете кран, вы сможете очень хорошо увидеть форму этой кривой в потоке воды.
Итак, предполагая, что наша артиллерия направлена в направлении цели, вы можете использовать математическую формулу, описывающую параболу, в качестве модели и тщательно контролировать количество пороха и угол наклона ствола вверх и, как результат, сделать довольно хорошую работу по предсказанию того, куда попадет снаряд.
Как всегда, в реальном мире есть сложности, но их можно объяснить некоторыми уточнениями модели.
Эмпирическая модель, которую иногда называют статистической моделью, опирается на наблюдения, а не на теорию. Идея состоит в том, что если вы наблюдаете какой-то конкретный результат при определенных обстоятельствах, то вы можете надежно предсказать этот результат в будущем. Тривиальным примером может быть замечание, что каждый вечер, когда солнце садится низко в небе, а затем исчезает за горизонтом, снаружи темнеет. Вооружившись неоднократными наблюдениями за этой закономерностью, вам не нужно ничего знать о законах небесных орбит или об уравнениях распространения света, чтобы предсказать, когда завтра будет темно, вам просто нужны часы.
Этот пример, возможно, слишком упрощен, чтобы быть очень интересным, и легко увидеть, как знание небесных орбит и распространения света на самом деле значительно повысит точность вашего предсказания. Но эмпирическая модель работает хорошо и не требует специального оборудования, кроме наручных часов (или мобильного телефона, если вы миллениал).
Это распространенная тема, особенно когда предсказание касается более сложного или менее понятного явления.
Например, представьте, что нам нужна модель для прогнозирования того, какие продукты могут заинтересовать покупателя. Здесь не так много фундаментальных, естественных принципов, которые могут нам помочь. Все, что нам нужно будет сделать, это наблюдаемые данные. Какие продукты покупатель покупал во время своих предыдущих посещений? Что покупатель уже купил во время этого визита? Какие товары покупали похожие покупатели? Amazon и другие интернет-магазины владеют этим искусством. Все это корреляции, и если вы что-то знаете о корреляциях, так это то, что (теперь все вместе!) корреляция не подразумевает причинно-следственной связи. Но они не должны подразумевать причинно-следственную связь, чтобы быть полезными для предсказания, они просто должны быть хорошими сигналами, а не просто фоновым шумом.
На самом деле, это общая цель многих современных медицинских исследований, в которых ищут биомаркеры для прогнозирования заболеваний или других физиологических состояний.
С развитием омических технологий (геномика, транскриптомика, протеомика, метаболомика и т. д.) высокопроизводительные скрининги позволяют выявить биомаркеры, которые коррелируют с интересующим состоянием. С помощью этих технологий можно проводить скрининг десятков или сотен тысяч маркеров-кандидатов в поисках любых, которые коррелируют с интересующим заболеванием или физиологическим состоянием. Со всеми этими различными биомаркерами неизбежно некоторые из обнаруженных корреляций будут ложными, возникающими в основном случайно и с плохой воспроизводимостью, и это то, что подразумевается под сигналом и шумом. Но даже если все обнаруженные биомаркеры по отдельности являются зашумленными сигналами, тем не менее, если их рассматривать как группу, они могут обеспечить надежную предсказательную силу.
Это то, что происходит внутри моделей, использующих машинное обучение. Алгоритм просеивает и повторно просеивает все доступные данные, каждый раз сравнивая комбинированные сигналы с интересующим результатом и, в конечном итоге, возвращая пользователю лучший набор прогностических сигналов для проверки и тестирования на новом независимом наборе данных.
Моя собака использует эмпирическую модель, основанную на шаблонах, чтобы предсказать, когда мы идем на прогулку. Если это вечер, вскоре после обеда, и если я в куртке и ботинках, то царит волнение! Но если какой-либо из этих сигналов отсутствует или наблюдается отрицательный сигнал, такой как мой велосипедный шлем, он плохо думает о том, чтобы тратить энергию даже на то, чтобы оторвать голову от пола. Его показатель успеха в этом предсказании невероятно хорош, поэтому я уверен, что он обнаружил другие слабые предикторы, о которых я не знаю, которые еще больше уточняют его ответ. Хотя я не уверен, какой именно алгоритм машинного обучения он использовал для создания своей модели. Мне нравится думать, что это были случайные леса. (И это тема другого блога.)
Таким образом, корреляцию и, как следствие, эмпирические модели нельзя сбрасывать со счетов. Часто механистическая информация недоступна или требует длительных сложных вычислений. Иногда вам не нужно генерировать механистическую информацию, потому что это потребует проведения экспериментов, которые могут быть дорогостоящими или занимать много времени.
Если вас беспокоит только надежность прогноза, то полезно иметь причинно-следственное объяснение хороших сигналов, но не обязательно.
Механические модели, конечно же, имеют ряд преимуществ. Для данного прогноза требуется всего несколько точек входных данных (количество топлива, высота и направление прицеливания в нашем примере с артиллерией выше), тогда как количество наблюдений, необходимых для эмпирических моделей, имеет тенденцию расти экспоненциально с количеством включенных переменных. Экстраполяция возможна с механистическими моделями. Мы можем делать хорошие прогнозы за пределами диапазона ранее использованных входных значений. Это не относится к эмпирическим моделям. Если наша модель покупателя выше была разработана для магазина электроники, она не будет полезна для спортивного магазина. Или, если моя собака хорошо предсказывает, когда я выведу ее на прогулку, она может быть менее искусна в том же предсказании для моей дочери (вероятно, из-за недостаточности данных…).
На самом деле, как упоминалось ранее, почти все модели представляют собой комбинацию механистического и эмпирического мышления. Механистические модели должны допускать некоторый элемент эмпиризма. Если бы это было не так, то они были бы способны делать предсказания с точностью до N-го знака после запятой. Верно и обратное. Эмпирические модели включают механистические элементы, хотя бы только при выборе переменных-кандидатов-предикторов для исследования. Выбор одного подхода над другим является ложной дихотомией, и полезность модели имеет гораздо большее значение, чем лежащий в ее основе подход.
Итак, какой бы подход вы ни выбрали, пока модель полезна, это правильный подход для вас.
Вам также может понравиться
Узнайте, почему воздействие так важно для процесса оценки безопасности
Модель Creme-RIFM является наиболее полной в своем роде. Мы построили модель на реальных данных от более чем 41 000 человек о том, как потребители ежедневно используют ароматизированные продукты (как часто и где на теле).
Подробнее
Насыщенные жиры и здоровье сердца: история сыра и молочных продуктов
Большинство сердечно-сосудистых заболеваний можно предотвратить, изменив свое поведение: отказ от курения, сокращение потребления алкоголя, физическую активность и контроль за своим весом и талией. Также важно следить за нашей диетой, особенно за потреблением насыщенных жиров.
Подробнее
Наша новая визуальная айдентика
Мы обновили наш бренд, чтобы лучше отражать позицию и амбиции компании.
Подробнее
Получайте еженедельную отраслевую информацию от Creme Global
${ parent.decodeEntities(`Фамилия`) } * parent.activateValidation({«message»:»Это поле обязательно для заполнения.»,»minLength»:1,»maxLength»:»»,»type»:»none»,»required»:true,»expression»:»null «}, эл) } />
${parent.decodeEntities(`Электронная почта`) } * parent.