Как нейросеть оказалась на службе у читеров

PUBG с китайской спецификой

Разработчик PlayerUnknown’s Battlegrounds – южнокорейская компания Bluehole, от которой уже отпочковалась структура, отвечающая за развитие именно этой игры. Самая большая аудитория PUBG – игроки из Китая. 40% владельцев игры живут именно здесь. США занимает второе место с 13%.

В середине ноября прошлого года говорилось о том, что разработчики продали 20 миллионов копий игры. К тому времени общее число банов достигло 700 000. Основная масса пользователей забанена, конечно же, за использование читов. Хотя можно лишиться купленного аккаунта и за другие проступки, например, за объединение в команду с другими игроками, которые по сюжету должны быть противниками.

Особенность китайского PUBG в том, что при наибольшем числе пользователей игра формально в стране недоступна. Ее распространение пока происходит только через Steam, но законы Китая ограничивают работу этой площадки на его территории. Вместо нее простым китайским геймерам предлагается аналог от Tencent – местной крупной технологической компании. Именно она готовит релиз PUBG на территории Китая.

Tencent и стала инициатором недавней большой охоты на читеров. Их основная масса, как нетрудно догадаться, тоже находится именно в Китае. Для борьбы с этой разновидностью хакеров китайские полицейские провели специальную операцию. В ходе нее было выявлено не менее 30 случаев разработки читерских программ. В общей сложности под арест попало 120 человек.

Отлавливала полиция не только непосредственных разработчиков, но и распространителей читов. Все ранее судимые из числа задержанных были отправлены в тюрьму.

Ошибка «Недостаточно памяти»

Необходимо попробовать увеличить файл подкачки (

«Пуск»

«Параметры системы»

в строке наверху вводите
«Производительность»

выбирайте
«Настройку представления и производительности системы»

«Дополнительно»

«Изменить»

убираете галочку с функции
«Автоматически выбирать…»

выбираете
размер

).
Возможно, что определённая программа или даже несколько, вызывают утечку памяти или
завёлся вирус. Для проверки и возможного решения проблемы откройте диспетчер задач,
после чего необходимо отсортировать всё, что есть по потреблению памяти.

Как исправить ошибку «Память не может быть read \ written»

Если бы был топ-10 технических ошибок в играх, то эта проблема занимала бы почётное первое место. Но в чём же настоящая суть проблемы?

Как нейронная сеть учится…

В основе любой современной технологии, нуждающейся в распознавании образов, лежит глубокая нейронная сеть. Это искусственная сеть, состоящая из множества цифровых нейронов, упорядоченных в слои так, чтобы приблизительно повторять архитектуру человеческого мозга.

Конечно, нейросеть не обладает человеческим пониманием мира. Она обучается на больших дата-сетах — например, множестве изображений котов и собак. Самостоятельно или с учителем нейросеть выявляет из картинок паттерны, которые помогают ей определить, кто на фотографии. Затем она использует эти паттерны, связи между нейронами, чтобы делать прогнозы относительно новых примеров.

Одну из первых эффективно работающих глубоких нейронных сетей миру представила лаборатория Google X Lab в 2011 году. Ученые загрузили в Google Brain (сеть из тысячи компьютеров) более десяти миллионов скриншотов из видео с Youtube, и, после долгих поисков закономерностей на них, сеть научилась самостоятельно выделять на видео три категории объектов: человеческие тела, лица и… котов!

За этим открытием последовала волна классификационных систем, основанных на глубоких нейронных сетях, которая позволила в полной мере протестировать и выявить уязвимости таких систем.

Симптомы лудомании

Да, существуют люди, которые играют в своё удовольствие, не проигрывают состояния, получают свою порцию веселья и спокойно, без сожалений о проигрыше идут домой. Они не подвержены зависимости и могут играть так часто, как захотят, не пересекая красную черту.

Вот несколько признаков, по времени их появления, по которым можно определить, лудомания это и пора лечиться или просто безобидное увлечение:

Постоянно преследуют мысли об игре, они заменяют собой всё остальное: человек обдумывает предыдущие и будущие ставки, фантазирует о небывалом выигрыше, продумывает удачные ходы и тактики.
Заставить себя сконцентрироваться на текущих задачах всё сложнее и сложнее.
Настроение застывает на отметке «раздражение». Постоянно ощущается дискомфорт, тревога и беспокойство; окружающие, как будто провоцируют на ссору.
Игра требует всё больше и больше времени. Если год назад человек посещал казино раз в месяц, теперь он тратит на игру несколько часов в день.
Ставки растут. Те деньги, проиграть которые ранее казалось безумием, теперь без сожаления ставятся на кон.
Игроман играет при каждом удобном случае. И при неудобном тоже играет.
Уже было несколько попыток борьбы с зависимостью, все они окончились провалом.
Во время игры настроение значительно повышается, если в обычной жизни игроман испытывает тяжёлое раздражение, то в казино он расцветает и испытывает нечто похожее на лёгкое опьянение или воздействие слабого наркотика.
Появились долги, кредиты — деньги нужны для продолжения увлечения.
Цель смещается с выигрыша на сам процесс.
Большие проигрыши, долги больше не пугают. Появляется толерантность к финансовым проблемам
Если нет возможности сыграть, возникает синдром отмены. Человек по-настоящему страдает.
Близкий, пытающийся ограничить игромана становится врагом.
Ухудшается внешность. Игрок перестаёт следить за собой, становится похожим на зависимого от алкоголя или наркотиков, пренебрегает всеми остальными желаниями.
Ухудшается сон: напряжение и головные боли мешают расслабиться даже ночью.
Если обычная жизнь — отношения с родственниками, учёба, работа и т.д. мешают игре, то он готов к их потере, но не к борьбе с зависимостью.
Всё отходит на второй план, единственной целью и ценностью становится игра.
Человек постоянно лжёт. О том сколько играет, сколько проигрывает, где бывает, и т.д. Он лжёт всем окружающим и даже самому себе.

Если есть лудомания, признаки совпадают по 4 или больше пунктам – значит человек зависим.

Обратите внимание

Один из основных признаков игровой аддикции, который присущ практически всем игроманам: они постоянно врут о своём местонахождении. Зависимые люди никогда не скажут, что были в казино, таким образом, они хотят скрыть свои проблемы от окружающих и даже от самих себя.

Проявления лудомании разделены на четыре группы, все они усугубляют друг друга и образуют порочный круг, из которого без помощи психолога не выбраться:

Психология. Человек постоянно находится в стрессе, испытывает депрессию (ссылка) при сильной зависимости его начинают посещать мысли о самоубийстве.
Физиология. Проблемы со сном, с аппетитом, головные и мышечные боли, проблемы сердечно-сосудистой системой, иногда к игровой зависимости добавляется алкоголизм, пищевые нарушения.
Социальная жизнь. Лудоман теряет социальные навыки, тесные связи, постепенно теряет друзей и близких, портит отношения с окружающими, что приводит к социальной изоляции и отчуждению.

Финансы. Игроман постоянно занимает деньги, влезает в кредиты, но долги не возвращает.

Подходы к обучению нейронных сетей

Принципиальное отличие ИНС от классического машинного обучения заключается в ее способности к самообучению. Если нейросеть создается для распознавания лиц, нет необходимости писать с этой целью специальный алгоритм.

При классическом подходе к решению этой задачи понадобятся совершенно разные алгоритмы для распознавания лиц и для отделения кошек от собак.

В случае с человеческими лицами пришлось бы замерять расстояния между их элементами и определять другие значимые признаки, а для распознавания животных базовыми параметрами являются размеры, формы лап, хвостов, ушей и т. д.

ИНС достаточно дать правильную выборку, по которой она сможет обучиться, и грамотно выбрать архитектуру нейронной сети, например, для анализа 2D-изображений.

В результате ИНС, которая способна распознавать человеческие лица, и та, что может отличить кошек от собак, будут очень похожи между собой, отличия будут несущественными.

Говоря о возможности нейронных сетей приобретать навыки, нельзя не рассказать о глубоком обучении (Deep Learning). Чтобы не связывать с этим термином неких загадочных характеристик, как это часто бывает при недостатке информации, разберемся, что скрывается за этим модным понятием.

Небольшая ИНС с малым количеством слоев не подходит для решения сложных задач, ее мощности не хватит для того, чтобы проанализировать объекты по многим параметрами.

Но надежда есть – нейросеть VACNet

Как работает? Нейросеть анализирует поведение игроков в матчах, учится отличать обычных игроков от читеров.

На данный момент нейросеть развивается уже несколько лет и за это время уже есть значимые победы, главная из них – полная блокировка AIM-читов. Благодаря VACNet игроки с AIM гарантированно будут получать VAC-бан. Нейросеть отслеживает движения прицела и мышки, и если они хоть немного не совпадают – аккаунт сразу же блокируется.

Нейросеть представили в марте 2018 года. Каждый день она анализирует тысячи матчей, пытаясь отличить поведение читера от поведения реальных игроков. Обучение нейросети – долгий процесс, но в итоге может выйти алгоритм, вычисляющий подавляющее большинство читеров.

VACNet разрабатывается Valve, которая предпочитает умалчивать о принципе работы алгоритма. Но известные данные впечатляют – сеть выносит точный вердикт с вероятностью 95%. При этом, как говорилось раньше – система постоянно самообучается, а обучаемость к новым читам достигает 99%!

Какими бывают нейронные сети?

У нейросетей есть общие черты — например, наличие входного слоя, который принимает информацию на вход. Но много и различий. Для каждой из перечисленных выше задач потребуется своя нейронная сеть. У них будут различаться структуры, архитектура, типы нейронов и многое другое. Создать универсальный алгоритм невозможно, по крайней мере пока, поэтому сети отдельно оптимизируют под определенные спектры задач.

Однонаправленные. Нейросети работают в одном направлении — как оригинальный перцептрон. Это значит, что у них нет «памяти», а поток информации передается только в одну сторону. Структура выходит более простой, чем в случае с рекуррентными сетями, о которых мы поговорим ниже. Но это не плохо: для решения некоторых задач простые структуры подходят лучше.

Однонаправленные сети хорошо подходят для задач распознавания. Суть примерно та же, что и в случае с восприятием окружающего мира реальным мозгом. Органы чувств получают информацию и передают ее в одном направлении, та в процессе трансформируется и распознается. Мозг делает вывод: «я вижу собаку», «слышна рок-музыка», «на улице холодно». Однонаправленная модель работает по тому же принципу, но более упрощенно.

Еще один вариант применения — прогнозирование. Принцип такой же: «На улице тучи — значит, пойдет дождь». Но критерии, по которым нейросети делают выводы, до конца непонятны.

Рекуррентные. У этих сетей есть эффект «памяти» благодаря тому, что данные передаются в двух направлениях, а не в одном. В результате они воспринимают предыдущую полученную информацию и могут глубже ее «анализировать». Это полезно, если перед сетью стоит сложная задача вроде перевода текста. Однонаправленная нейросеть переведет каждое слово по отдельности, и получится бессвязная «каша». Рекуррентная сможет учесть контекст и перевести, например, apple tree не как «яблоко дерево», а как «яблоня».

Или более сложный пример: идиома that’s a piece of cake в контексте переведется не как «это кусок торта», а как «проще простого» в зависимости от стиля текста. На это сейчас способны не все переводчики.

Задачи для рекуррентной сети можно сформулировать так: это работа с большим объемом данных, которые надо разбить на более мелкие и обработать. Причем с учетом связей между друг другом.

Правильно настроенная рекуррентная нейронная сеть способна отличать контекст одной ситуации от другой

Это важно, например, при создании «говорящих» ботов: вспомните, как «обижаются» голосовые помощники, если сказать им что-то грубое

Сверточные. Это отдельная категория нейронных сетей, менее закрытая, чем другие, благодаря принципиальной многослойности. Многослойными называются нейронные сети, в которых нейроны сгруппированы в слои. При этом каждый нейрон предыдущего слоя связан со всеми нейронами следующего слоя, а внутри слоев связи между нейронами отсутствуют. Сверточные сети используют для распознавания образов. У них особая структура слоев: часть занимается «свертыванием», преобразованием картинки, а часть — группировкой и распознаванием маленьких дискретных элементов, созданных на сверточных слоях. Таких слоев несколько. Результат — более высокая точность и качественное восприятие информации.

Интересный факт: как обычные нейросети были основаны на нейронах в головном мозгу, так сверточные — на структуре зрительной коры. Это та часть мозга, которая отвечает за восприятие картинок. В ней чередуются «простые» и «сложные» клетки: первые реагируют на определенные линии и очертания, вторые — на активацию конкретных простых клеток. Так происходит процесс распознавания образов в мозгу, и примерно так же устроена сверточная нейросеть.

Сверточные слои «воспринимают» отдельные элементы картинки как простые клетки — линии. Особые слои, называемые субдискретизирующими, реагируют на конкретные найденные элементы. Чем больше слоев, тем более абстрактные детали способна заметить и определить сеть.

На результат работы промежуточных слоев можно посмотреть, если заглянуть в файлы нейросети. Поэтому она и считается менее закрытой. Результат больше всего напоминает карту признаков из машинного обучения.

А теперь статистика

Даты и год рождения нейросеть переваривала довольно хорошо, где-то процентов 80. C фио уже намного хуже, точность падает процентов до 15. Адрес распознать практически нереально: всякие точки, слеши и прочие знаки сбивают нейросеть с толку, поэтому точность примерно 7 процентов. А вот номер паспорта определялся вполне неплохо, около 70 процентов.

Поле	Пример поля	Точность
ФИО	Лихтарова Диана Дмитриевна	15%
Год рождения	08.02.1982	80%
Адрес проживания	ул. Профсоюзная д.123А стр.2 квартира 127/128	7%
Серия и номер паспорта	4613 232509	70%
Дата подписи	22.06.2021	80%

Почему такие низкие результаты? Потому что почерк у людей в среднем далеко не каллиграфический, и это можно понять, этот навык в современном мире требуется все реже и реже.

Пример с чем обычно работает нейросеть OCR

Регулярки.

Мы стали думать дальше, что делать, качество исходных данных мы довели до максимума, а на нейросеть Яндекса мы повлиять не можем.И мы нашли решение, добавили между срм и нейронкой яндекса регулярные выражения. Т.е нейросеть считывает картинку, выдает информацию, мы ее проверяем регулярками на адекватность, и если все хорошо, то вставляем в CRM.

Теперь бизнес-процесс выглядит так:

Из выдачи нейросети cразу убрали:

Знаки препинания
Латинские буквы
Цифры в ФИО
Текст в датах
Невозможные даты (например 9021 год)
Только 10 символов в паспорте

Времени было очень мало, поэтому мы делали наспех и сразу видно что можно улучшить, например, подключить словари имен.

Но это улучшение не решило главной проблемы применения нейросети, оцифровщики просто ее не используют, так как даже исправление одного поля сильно тормозит работу, им приходится проверять все, что выдает нейросеть, править ошибки, или вообще все сносить и заполнять заново. Поэтому все осталось по-прежнему, автоматическое распознавание текста бросали после 4-5 неудачных попыток.

Поэтому мы приняли решение вообще отключить вывод информации от нейросети для адреса и фио. Оставили только цифровые значения. И вот этот подход уже сработал.

Осталось определиться с порядком использования OCR

Мы проверяли 2 режима

Автоматическое применение. После загрузки изображения всегда идет автоподстановка результата обработки нейросети в поля.
Ручное применение. После загрузки подписного листа оцифровщик на глаз определяет, переварит ли нейронка данное изображение с хорошим результатом, и если ему кажется что да — Запускает OCR в работу

Мы проверили оба способа. По итогу оказалось, что автоматическое применение оказалось абсолютно бесполезным, оцифровщики тратили больше времени, чтобы проверить корректность обработки, очистить это поле и заполнить уже правильно.

А вот ручное применение оказалось достаточно удачным, первое время оцифровщиков приходится заставлять использовать нейронку, потому что поначалу они не понимали когда она сработает, а когда нет. Но после того как они принудительно попробовали использовать пару десятков раз, у них выработалось интуитивное понимание когда текст распознается. Грубо говоря, у них в голове их собственная мозговая нейросеть натренировалась понимать, когда сработает ее цифровой аналог.

Ошибка 0xc0000142 / 0xe06d7363 / 0xc0000906

Отключите антивирусную программу

лучше программу не просто отключить, а временно удалить

Полностью удаляете приложение, чтобы не осталось никаких папок и остаточных файлов.
Отключаете или лучше удаляете в системе антивирусную программу.
Теперь снова приступаете к установке приложения.

Отключите «Защитник Windows»

он тоже запросто может быть причиной появления этих ошибок

Открыть «Центр безопасности Защитника Windows» выбрать настройки
нажать на раздел «Защита от вирусов и угроз».
После нужно нажать на «Управление настройки» в открывшемся разделе
спуститься до пункта «Параметры защиты от вирусов и других угроз».
В новом окне отключаете «Защиту в режиме реального времени» и следом «Облачную защиту» чуть позже система вновь включить защитник, но у вас будет время
проверить игру на наличие ошибки.
И если окажется, что проблема действительно заключается в «Защитнике Windows», тогда необходимо добавить
exe-файл игры в список исключений этой программы.

Воспользуйтесь чистой загрузкой

Открываете в Windows 10 окно «Параметры», используя меню
Пуск

или
сочетание клавиш

Win

+

I

.
Далее открываете раздел под названием «Приложения» переключаетесь
на вкладку «Автозагрузка», где необходимо проблемный exe-файл и отключить его.

Проверьте целостность файлов

возможно, ошибка возникает из-за того что была повреждена целостность
системных файлов

Откройте «Командную строку» от имени администратора (для этого в поиске просто введите «Командная
строка).
И как только откроется соответствующее, окно введите команду sfc /scannow после чего нажмите
Enter

все найденные ошибки будут автоматически исправлены.

Измените значение в реестре

редактирование в нём иногда помогает избавиться от
ошибок

Используя сочетание клавиш
Win

+

R

в окне «Выполнить» введите команду regedit нажмите

OK

после чего в окне «Редактор
реестра» отыщите раздел, представленный ниже.
И если он присутствует, тогда необходимо следом отыскать параметр LoadAppinit_DLLs – далее в нём нужно
изменить значение опции с 1 на 0 после необходимо применить
настройки и перезагрузить систему.

Другие способы

В обязательном порядке попробуйте вручную установить драйверы для графического процессора. Причём это
касается не только интегрированной видеокарты, но и дискретной.
Проверьте наличие всех актуальных распространяемых пакетов «Visual C++», поскольку это программное
обеспечение влияет на многие процессы.
И, наконец, иногда причина этих ошибок заключается в службе «Microsoft Office Click-to-Run» – специальная
технология Microsoft, которая сокращает время, необходимое для установки Office. Поэтому рекомендуем удалить эту
программу и проверить игру на наличие ошибок.

Собственная система слежения в домашних условиях на основе нейронных сетей

MTCNN — нейронная сеть для детекции лиц

Первая P-Net на выходе выдаёт координаты ограничивающих прямоугольников предполагаемых лиц. Далее R-net отсекает менее вероятные области лиц и добавляет уровень достоверности к тем, которые остались. В третьей сети мы снова избавляемся от прямоугольников с более низким уровнем достоверности и добавляем координаты 5 лицевых ориентиров.

Результат работы mtcnn

Для тех, кто хочет поэкспериментировать, нейронная сеть упакована в Python-библиотеку с одноимённым названием MTCNN. Для запуска достаточно создать объект MTCNN и вызвать метод detect_face.

Детектор возвращает словарь с тремя ключами: координаты прямоугольника, ключевые точки и уровень достоверности. Пример кода с гитхаба проекта ниже:

FaceNet

После обучения нейронная сеть способна производить идентификацию, сверяя текущее лицо с лицами, которые хранятся в базе данных.

Для того чтобы провести идентификацию, сначала нужно провести детекцию, воспользовавшись любым из методов по определению лиц. После получения изображения лица, в котором глаза и губы находятся примерно на одном и том же месте изображения, мы передаём картинку в FaceNet, предварительно преобразовав к разрешению 96×96 пикселей.

Далее изображение преобразуется в евклидово пространство и сравнивается с данными из базы лиц. Если расстояние меньше заданного порогового значения, сеть просигнализирует о совпадении.

Принцип работы faceNet

Тот, кто хочет протестировать модель, может заглянуть на данный репозиторий. Веса для предобученной нейронной сети можно скачать с google-диска.

Это стандартные реализации алгоритмов обнаружения. На уровне систем безопасности используется более тонкая и сложная настройка. Разумеется, это коммерческая тайна.

Особенности развития лудомании

Как и многие другие аддикции, игромания начинается довольно невинно: человек просто хочет развеяться, испытать удачу, справиться со стрессом, развлечься с друзьями, прямо как в кино — поставить на чёрное. А затем, некоторые, склонные к развитию зависимости люди попадают в гормональную ловушку. Адреналин, дофамин и другие нейромедиаторы, производимые мозгом во время игры и в момент выигрыша, дают настолько сильные ощущения, что игрок возвращается за ними снова и снова.

А ещё организовать такую зависимость могут другие люди. Мошенники, под предлогом “научиться зарабатывать” или “открыть секретную технику, которая позволит обыграть казино”, «подсаживают» людей.

Зачем? Если это онлайн-казино, то co всех вкладов новичка, процент будет уходить тому, кто его туда привёл. A учитывая, что в азартных играх крутятся огромные деньги, таких мошенников, довольно много.

Что такое нейросети?

Нейросети — математические модели и их программное воплощение, основанные на строении человеческой нервной системы. Самую простую нейронную сеть, перцептрон (модель восприятия информации мозгом), вы сможете легко самостоятельно написать и запустить на своем компьютере, не используя сторонние мощности и дополнительные устройства.

Чтобы лучше понять, что это такое, попробуем сначала разобраться, как работают биологические нейронные сети — те, что находятся внутри нашего организма. Именно они стали прообразом для машинных нейронных сетей.

Биологические нейронные сети. Нервная система живого существа состоит из нейронов — клеток, которые накапливают и передают информацию в виде электрических и химических импульсов. У нейронов есть аксон — основная часть клетки, и дендрит —- длинный отросток на ее конце, который может достигать сантиметра в длину. Дендриты передают информацию с одной клетки на другую и работают как «провода» для нервных импульсов. С помощью специальных шипов они цепляются за другие нейроны, и так сигналы передаются по всей нервной системе.

В качестве примера можно привести любое осознанное действие. Например, человек решает поднять руку: импульс сначала появляется в его мозгу, потом через сеть нейронов информация передается от одной клетки к другой. По пути она преобразуется и в конечном итоге достигает клеток в руке. Рука поднимается. Так работает большинство процессов в организме — тех, которые управляются мозгом.

Но главная особенность нейронных сетей — способность обучаться. И именно она легла в основу машинных нейросетей.

Первые машинные нейросети. В сороковых годах прошлого века люди впервые попытались описать сеть нейронов математически. Затем, в пятидесятых, — воссоздать ее модель с помощью кода. Получилась та самая структура, которую назвали перцептрон. На графиках и иллюстрациях ее обычно рисуют как набор кругов и прямых, их соединяющих — это и есть нейроны, образующие сетку.

Перцептрон был проще современных нейросетей. Он имел всего один слой и три типа элементов: первый тип принимал информацию, второй обрабатывал и создавал ассоциативные связи, третий выдавал результат.

Но даже элементарная структура уже могла обучаться и более-менее точно решать простые задачи. Например, перцептрон мог ответить, есть ли на картинке предмет, который его научили распознавать. Он был способен отвечать только на вопросы, где есть два варианта ответов: «да» и «нет».

После этого развитие нейросетей замедлилось. Существующих на тот момент технологий было недостаточно, чтобы создать мощную систему. Наработки шли неторопливо, но чем больше развивалась компьютерная отрасль, тем больше интереса вызывал концепт.

Современные нейронные сети. Когда компьютеры развились до современных мощностей, концепция нейронной сети снова стала привлекательной. К тому моменту ученые успели описать много алгоритмов, которые помогали распространять информацию по нейронам, и предложили несколько структур. Это были как однослойные, так и многослойные сети, однонаправленные и рекуррентные — подробнее мы расскажем о классификации далее.

Чем более продвинутыми становились компьютеры, тем больше сложных и интересных задач могли реализовать нейронные сети. Мощность системы играет важную роль, т.к. каждый нейрон постоянно выполняет ресурсоемкие вычисления. Чтобы решить сложную задачу, обычно нужно много нейронов, их масштабная структура и множество математических функций. Понятно, что для этого понадобится очень сильный компьютер.

Многие современные нейросети пользуются облачными мощностями. Некоторые даже написаны для специальных компьютеров, оптимизированных под нейронную архитектуру. Они называются нейрокомпьютерами.

Задачи и области применения нейронных сетей

Сфера использования ИНС – решение аналитических задач, сопоставимых с теми, которые постоянно возникают перед человеческим мозгом. Чаще всего нейросети помогают быстро получать результаты в следующих областях:

Перечисленными сферами использование нейросетей не ограничивается, есть и другие существующие и перспективные способы задействовать их для решения различных задач:

Машинное обучение является одной из разновидностей искусственного интеллекта. Google, Яндекс, Бинг, Байду активно применяют machine learning для повышения релевантность результатов запросам пользователей. Алгоритмы самообучаются, опираясь на миллионы однотипных фраз, вводимых в поисковую строку.
Для нормального функционирования роботов необходимо разрабатывать множество алгоритмов, и здесь не обойтись без нейросетей.
Возможности ИНС используются архитекторами компьютерных сетей, чтобы справиться с проблемой параллельных вычислений.
В математике нейронные сети позволяют быстрее решать сложные задачи.

Итоги и выводы

Так и что в итоге то? Введение нейросети повысило общую эффективность примерно на 10-15 процентов.

Ну и возникает логичный вопрос, стоили ли все эти пляски того, чтобы увеличить эффективность процентов на 10?

Ответ — Определенно да!

Первое Введение нейросети помогло сократить примерно 24 человека-дня или избежать найма, обучения, контроля одного оцифровщика в переполненном офисе.

Второе Нейросеть яндекса пока еще слаба для распознавания реального почерка, ее обучали, скорее всего, на приближенном к печатному тексту. Реальные рукописные текста программа практически не может корректно определять. Надеюсь, нейросеть Яндекса обучится до такой степени, что сможет делать и это, я так понимаю, это вопрос времени. Надо только подождать, и все будет в кайф, вообще можно будет не использовать людей для такой работы.

Третье Конструкция оказалась удачной, мы не привязаны к Яндексу, через API можно подключить любую другую нейросеть, хоть GPT-3, если это будет эффективней.

Четвертое Даже сейчас можно улучшить качество используя справочники адресов и ФИО.

Пятое. Если отвлечься от политики, то опыт все-равно получился ценным, можете заменить подписи на любую стандартизировнную форму заполняемую от руки и весь опыт окажется релевантном и для нее. Например, анкеты соц.опросов или старые бумажные мед.карты.