Тогда уж и Питтса с Мак-Каллоком, и Шеннона))

Но я жду прорыва в AGI как смена парадигмы и подхода к вычислениям и моделированию , от слабых иммитаций к, возможно, алгоритмам эволюционным или комбинаций

Да хорошо бы

Золотые слова

Надеюсь этот институт будет таким в тч в своих работах

Астрологи объявили неделю сильного интеллекта. Количество новостей по сильный интеллект увеличилось вдвое )
https://www.cnews.ru/news/line/2021-10-05_v_itmo_sozdadut_novyj_rossijskij

По всей видимости это лучше продаётся наверху 🙂 вот и будут теперь называть все сильным интеллектом

Сечешь

Добрый день, подскажите пожалуйста по задаче. Необходимо сделать перевод денежных сумм из строкового значения в цифру.
Пример: "полторы тысячи рублей'' -> 1500
Нашёл готовый инструмент в Natasha, moneyextractor, но он цепляет только цифру + валюту, например: ''1500 рублей'' -> 1500
Подскажите, можно ли дописать свои правила в yargy парсере для такой задачи или уже есть готовый инструмент для неё? Я искал в похожих проектах на гите в разделе examples у Natasha, но не смог найти.

https://github.com/SergeyShk/Word-to-Number-Russian
но оно для старой версии Natasha

Деньги неплохо выделяет pullenti, причём разные валюты

Если правильно понял, то имеется в виду задача ITN (inverse text normalisation). Есть реализация от nVidia:
https://github.com/NVIDIA/NeMo/tree/main/nemo_text_processing/inverse_text_normalization
Вроде есть поддержка русского. В том числе и для валют. Но сам не пробовал.

Ребят, у меня есть куча юридических документов и есть список названий этих документов. Мне нужно в тексте этих документов находить подстроки, похожие на названия документов (суть в том, что могут появляться новые документы, которых нет в списке названий, или названия могут склоняться/быть искаженными из-за опечаток или сокращений).

Есть ли какой-то способ реализовать такой поиск? Думал над расстоянием левенштейна, но оно очень затратно по вычислениям. Есть ли разумные альтернативы? Может кто-то сталкивался с похожей проблемой?

если левннштейн затратен, то остальное еще затратнее... и вряд ли лучше будет

Можно конечно подумать про эмбединги из Берта, но это  всегда тяжело вычислительно, но может давать неплохие результаты

Если ищите что-то типа левенштейна, можете посмотреть в сторону beam-search + neural rescoring. https://docs.nvidia.com/deeplearning/nemo/user-guide/docs/en/stable/asr/asr_language_modeling.html#train-n-gram-lm

Насчёт скорости, не уверен, надо протестить

Всем привет! Может быть тут есть те, кто хорошо помнит / разбирается в теории вероятность?

Есть две модели, обе определяют принадлежность текста к определенной категории. У одной вероятность ошибки 10%. У другой 15%. Есть ли способ рассчитать вероятность совершения ошибки при использовании двух моделей одновременно? Или это будет просто 0.1 * 0.15 = 0.015 (1,5%)?

Недостаточно данных, потому что случайные величины не факт, что независимые