Эти люди создают искусственный интеллект

Содержание

События, конференции и сообщества

  • The AI Conference — Ежегодное мероприятие, на котором встречаются ведущие исследователи ИИ.
  • Applied Artificial Intelligence Conference — Венчурная компания Bootstrap Labs.
  • Events.ai — Центр для проведения мероприятий и конференций AI/ML/DL.
  • Nucl.ai — Игровие ИИ конференция и курсы.
  • oh.hai.ai — Конференция по ИИ.
  • AI With The Best — От переводчика: Ещё одна конференция про ИИ.

  • Amsterdam — Сообщество и события.
  • Bangalore — Сообщество и события.
  • Berlin — Сообщество и события.
  • Bucharest — Сообщество и события.
  • Budapest — Сообщество и события.
  • City.ai — Сообщество и события.
  • Hamburg — Сообщество и события.
  • Hongkong — Сообщество и события.
  • London — Сообщество и события.
  • Madrid — Сообщество и события.
  • Milan — Сообщество и события.
  • New York — Сообщество и события.
  • Krakow — Сообщество и события.
  • Oslo — Сообщество и события.
  • Tallinn — Сообщество и события.
  • Tirana — Сообщество и события.
  • Seattle — Сообщество и события.
  • Singapore — Сообщество и события.
  • Sofia — Сообщество и события.
  • Stockholm — Сообщество и события.
  • Valletta — Сообщество и события.

Перспективы развития искусственного интеллекта

Научные исследования ИИ ведутся более полувека, но до сих пор далеко не все понимают суть технологии. В фантастических романах и фильмах писатели и режиссеры изображают, каким опасным может быть искусственный интеллект. И у многих представление об искусственном разуме формируется именно таким.

Ответим рационально на вопросы, связанные с далекими перспективами развития ИИ.

Цель ИИ — поместить человеческий разум в компьютер?

Нет, это не так. Даже теоретически подобная ситуация не так уж невероятна. Искусственные нейросети создаются по образу человеческого мозга, хотя и в очень упрощенном виде. Может быть, однажды станет возможно просканировать все разделы мозга живого человека, составить «карту» его нейронов и синаптических связей и воспроизвести ее копию в компьютере. От такой скопированной нейросети можно ожидать не только разумного поведения — она буквально будет двойником человека, сможет осознавать себя, принимать решения и совершать поступки, как он. Скопируются даже воспоминания. Теоретически, можно будет поместить такую нейросеть в искусственное тело (в робота), и тогда человек — копия его сознания — сможет жить практически вечно.

На практике осуществить такой перенос будет невероятно сложно: нет технологий, которые позволили бы «прочитать» живой мозг и создать его «карту». И мы пока очень далеки от создания искусственной нейросети, которая была бы столь же мощной, как мозг.

ИИ стремится достичь человеческого уровня интеллекта?

Цель ИИ — помогать людям и брать на себя сложные или рутинные задачи. Для этого ему вовсе не обязательно поддерживать беседы на философские темы или сочинять поэмы. 

Тем не менее, если искусственный интеллект однажды сможет достичь уровня человеческого мышления, это будет важной вехой для цивилизации. Мы получим дельного и умного помощника — и сможем по праву гордиться тем, что это творение наших рук

Когда искусственный интеллект достигнет человеческого уровня?

Мы успешно создаем сравнительно небольшие нейросети, способные распознать голос или обработать изображение. Никакой ИИ пока не обладает такой же пластичностью, как наш мозг. 

Человек может сегодня заниматься музыкой, а завтра взяться за программирование на C++ — благодаря невероятной сложности мозга. В нем 86 миллиардов нейронов и бесчисленное количество синаптических связей между ними. 

Искусственным нейросетям пока далеко до этих показателей: у них от нескольких тысяч до миллионов нейронов. Есть технические ограничения на размеры нейросетей: даже суперкомпьютеры не «потянут» нейросеть, сопоставимую по масштабам с человеческим мозгом. Не говоря о том, что ее обучение будет нетривиальной задачей. 

Скорость компьютеров позволяет им обладать интеллектом?

«Мощность» интеллекта связана не со скоростью вычислений, а со сложностью нейронной сети. Человеческий мозг пока превосходит по мощности любую искусственную нейросеть, несмотря на то что скорость процессов в нем существенно ниже, чем в компьютерах. 

Искусственные нейронные сети состоят из отдельных нейронов, которые группируются в слои. Два внешних слоя служат «входом», на который подается исходная информация, и «выходом», с которого считывается результат. Между ними могут располагаться от одного до нескольких десятков, а то и сотен, промежуточных слоев из нейронов. Причем каждый нейрон в слое соединен с множеством других в предыдущем и следующем слоях. 

Чем сложнее устроена сеть, чем больше в ней слоев и нейронов, тем более масштабные и серьезные задачи она может выполнять. 

Может ли нейросеть развиваться естественным путем?

Разберемся, вероятно ли, что ИИ сможет получать опыт и обучаться естественно, как ребенок. Человеческий разум формируется под воздействием множества факторов. Мы получаем информацию о внешнем мире благодаря органам восприятия — наблюдая, осязая, пробуя на вкус. Взаимодействуя с окружающей средой, получаем жизненный опыт, знания о свойствах мира, социальные навыки. Наш мозг постоянно совершенствуется и физически меняется, наращивая новые синаптические связи и «прокачивая» существующие.

Если мы сумеем создать нейронную сеть, достаточно сложную, чтобы она могла развиваться подобным образом, и снабдим ее «органами чувств» — видеокамерой, микрофоном и подобным, — возможно, спустя время она сможет приобрести «жизненный опыт». Но это дело далекого будущего.

Искусственный разум — достижим ли он в принципе? На каком этапе развития находится наука об ИИ

Давайте разберёмся, ИИ поисковых систем (Яндекс, Google) — это уже разум или нет? На самом деле уровень развития ИИ на сегодняшний день — это всё равно что уровень развития техники до изобретения колеса. Когда не было не только автомобилей и самолётов, но даже телеги ещё не придумали, но научились подкладывать круглые брёвна под тяжёлые грузы, чтобы их быстрее перевозить. Так и сейчас, ИИ находится в самом начале своего развития. Что касается возможности машины конкурировать с человеческим разумом — то споры на эту тему не утихают. Веками люди мечтали летать как птицы, веками большинство людей скептически относилось к идее того, что когда-либо люди смогут летать. Это ведь очевидно — у людей нет крыльев! Уже давно самолёты летают много быстрее птиц, вертолёты позволяют парить на месте, как могут очень редкие пернатые, а ракеты уносят исследовательские аппараты на далёкие планеты. Люди не стали полностью копировать всё строение птиц, чтобы создать самолёт — хотя важнейший функционал — использование крыльев и аэродинамических сил имеет много схожего. Также и при создании искусственного интеллекта речь необязательно идёт о том, что человек будет на 100% копировать собственный мозг. Человек постепенно разбирается, как работает интеллект, а также как устроены нейронные связи, и всё это помогает постепенно моделировать простейшие интеллектуальные вещи на компьютере. В первую очередь, когда говорят об ИИ — имеют ввиду алгоритмы, способные учиться.

Обучающиеся нейросети и люди-редактора: как ИИ делает музыку

Большинство из этих систем используют глубинное машинное обучение, объясняет музыкант и журналистка Дени Дил в статье для The Verge. Проанализировав множество существующих композиций, система создает собственную музыку.

«По сути, ты скармливаешь программному обеспечению тонны оригинального материала, от танцевальных хитов до классики диско, а та старается найти в нем какие-либо закономерности, — пишет Дил. — Эти программы чувствительны к таким вещам, как аккорды, темп, длительность нот и их отношение друг к другу».

ИИ-сервис Jukebox переделал Smells Like Teen Spirit «Нирваны»

«Проблема данного подхода в том, что получающейся музыке не хватает структурированности, — рассказывает Валерио Велардо, эксперт в области музыкального ИИ и экс-глава компании Melodrive, которая до недавнего времени использовала ИИ для создания саундтреков к видеоиграм. — Музыка чрезвычайно сложна и многомерна, так что ты не можешь заставить компьютер написать ее, просто тренируя нейронную сеть на десяти тысячах или даже миллионе песен».

Поэтому для создания музыки машинное обучение нужно сочетать с музыкальной теорией, говорит Велардо. Например, если вы хотите создать алгоритм, который напишет произведение для целого оркестра, стоит подумать о его структуре, мелодии, инструментовке. Велардо добавляет:

«За все эти факторы не может отвечать один-единственный алгоритм».

Этого же метода придерживается и люксембургская компания AIVA, сочинившая саундтрек к видеоигре Pixelfield. За разные характеристики музыкального произведения — например, гармонию, темп и мелодию — в AIVA отвечают разные ИИ-системы. Вот что получается в результате:

Саундтрек ИИ к игре Pixelfield

«Мы спросили себя: „Какие структурные блоки нужны для создания цельной песни?“ — говорит глава AIVA Пьер Барро. — Начать можно, например, с мелодической линии. Затем, основываясь на ней, вы можете создать другую модель, которая сочинит инструментальный аккомпанемент для этой мелодии. Когда ты разбираешь целое на части, всё становится значительно проще».

Тем не менее логика, по которой ИИ создает музыку, все-таки отличается от человеческой. Ник Брайан-Киннс, специалист по машинному обучению в области музыки, поясняет:

ИИ как станок Гутенберга: какие еще есть музыкальные ИИ-сервисы и в чем они видят свою цель

«Мы открываем двери к самовыражению для миллиардов людей», — говорит глава Amper Music Дрю Сильверстайн. Для него музыкальный ИИ — сродни типографскому станку Гутенберга, благодаря которому мир однажды наводнился книгами и газетами. Только вот к книгопечатному оборудованию доступ имеется далеко не у всякого, а воспользоваться сервисами вроде Amper Music сегодня может кто угодно.

В демократизации песенного искусства видит свою цель и компания ALYSIA. Искусственный интеллект ALYSIA не только создает музыку, но и пишет тексты. «Люди, которые никогда прежде не сочиняли песен, могут попробовать себя в этом за считаные минуты», — поясняет создательница сервиса Майя Акерман, специалистка по информатике.

Но чтобы записанная композиция звучала одинаково хорошо и на дорогих колонках, и в дешевых наушниках, ей нужно пройти мастеринг. Зачастую это недешево. Сервис LANDR предложил музыкантам недорогую альтернативу: автоматический мастеринг с помощью ИИ.

Попробуйте набитбоксить ритмический рисунок — Volchea сделает из него партию для барабанов. Или просто настучите ритм карандашом по кружке.

Так звуки битбокса Volchea превращает в электронные

А если вам хочется сыграть с кем-то на пианино в четыре руки, на помощь придет искусственный интеллект Alice, созданный австралийским стартапом Popgun. Когда вы играете на пианино несколько нот, Alice, наученная на тысячах песен, сообразит, как подыграть вам. AI Duet — еще один похожий сервис. Чтобы понять, как это работает, просто попробуйте сами. Похожим путем пошел музыкант и программист Ден Тепфер: он научил акустическое пианино аккомпанировать ему.

Умное акустическое пианино подыгрывает музыканту Дену Тепферу

Ежедневно на стриминговых сервисах вроде Spotify появляются десятки тысяч новых песен. Редактора этих сервисов просто физически не успевают прослушать такое количество музыки. Но если треки не будут помечены тегами, указывающими, например, на их жанр, слушателям будет сложнее открывать для себя новую музыку. Сервисы типа Musiio способны прослушивать тысячи композиций и автоматически классифицировать их по жанру, настроению, темпу и другим характеристикам.

А на сайте издания Pudding в конце 2020 года появился музыкальный бот, оценивающий музыкальный вкус пользователей, — How Bad Is Your Spotify. По утверждению создателей, их нейросеть «обучалась на корпусе из более чем двух миллионов показателей объективно хорошей музыки, включая рецензии Pitchfork, рекомендации музыкальных магазинов и сабреддиты, о которых вы в жизни не слышали». Всё, что нужно сделать, чтобы ваш вкус разнесли в пух и прах, это предоставить сервису доступ к своему аккаунту в Spotify и, возможно, подождать — Spotify ограничил число пользователей, которые могут пользоваться ботом одновременно.

Доминирующая парадигма 1955-1990 гг.

В 1960-х годах символические подходы достигли большого успеха в моделировании разумного поведения в небольших демонстрационных программах. В 1960-е годы исследования в области ИИ проводились в трех учреждениях: Университете Карнеги-Меллона , Стэнфорде , Массачусетском технологическом институте и (позднее) Эдинбургском университете . Каждый разработал свой стиль исследования. Ранние подходы, основанные на кибернетике или искусственных нейронных сетях, были отброшены или отодвинуты на второй план.

Когнитивное моделирование

Экономист Герберт Саймон и Аллен Ньюэлл изучили человеческие навыки решения проблем и попытались формализовать их, и их работа заложила основы области искусственного интеллекта, а также когнитивной науки , исследований операций и науки управления . Их исследовательская группа использовала результаты психологических экспериментов для разработки программ, имитирующих методы, которые люди использовали для решения проблем. Эта традиция, основанная на университете Карнеги-Меллона , в конечном итоге привела к развитию архитектуры Soar в середине 1980-х годов.

На основе логики

В отличие от Саймона и Ньюэлла, Джон Маккарти считал, что машинам не нужно моделировать человеческое мышление, а вместо этого следует пытаться найти суть абстрактного мышления и решения проблем, независимо от того, используют ли люди одни и те же алгоритмы. Его лаборатория в Стэнфорде ( SAIL ) сосредоточилась на использовании формальной логики для решения широкого круга задач, включая представление знаний , планирование и обучение . Логика также была в центре внимания работы в Эдинбургском университете и других странах Европы, которая привела к развитию языка программирования Prolog и науки о логическом программировании .

Антилогичный или «неряшливый»

Исследователи из Массачусетского технологического института (такие как Марвин Мински и Сеймур Паперт ) обнаружили, что решение сложных проблем со зрением и обработкой естественного языка требует специальных решений — они утверждали, что никакой простой и общий принцип (например, логика ) не может охватить все аспекты разумного поведения. Роджер Шенк охарактеризовал их «анти-логические» подходы как « неряшливые » (в отличие от « аккуратных » парадигм в CMU и Стэнфорде).
Commonsense база знаний (например, Дуг Ленат «s Сус ) является примером„потрепанного“ИИ, так как они должны быть построены вручную, одна сложной концепцией , в то время.

Основанный на знаниях

Когда примерно в 1970 году стали доступны компьютеры с большой памятью, исследователи всех трех традиций начали встраивать знания в приложения ИИ. Революция в области знаний была вызвана осознанием того, что многие простые приложения ИИ потребуют огромных объемов знаний.

Подготовка

NewРисунок 1: создание нового проектаAICreate ProjectРисунок 2: экран настройки проектаAssetsAssetsCreate → FolderMaterialsScriptsРисунок 3: создание новой папкиAssetsРисунок 4: окно Assets.HierarchyCreate → 3D Object → PlaneРисунок 5: создание объекта Plane.FloorX ScaleZ ScaleInspectorFloorРисунок 6: задание свойств объекта Floor.FloorMaterialsAssetsAssetsCreate → MaterialРисунок 7: создание нового материалаFloorРисунок 8: материал Floor.InspectorFloor
FloorHierarchyMesh RendererMaterialsРисунок 11: подготовка к изменению материала.FloorAssetsElement 0Mesh Renderer InspectorРисунок 12: задание материала Floor в качестве материала объекта Floor.FloorCreate → 3D Object → PlaneWallFloorX ScaleZ Scale

Название Position X Position Y Position Z Rotation X Rotation Z
Wall -35 21 -90
Wall (1) -1 11 -15 90
Wall (2) -1 11 13.5 -90
Wall (3) 34 21 90

WallMain CameraY PositionZ PositionX Rotation Рисунок 13: настройка объекта камеры.Hierarchy Create → 3D Object → SpherePlayerAdd Component InspectorРисунок 14: добавление нового компонента.RigidbodyRigidbodyRigidbodyPlayerРисунок 15: добавление компонента Rigidbody.TagInspectorPlayerРисунок 16: задание нового тэга.FloorX positionY PositionZ positionРисунок 17: размещение игрока.HierarchyCreate → 3D Object → CubeGuardRigidbodyNavMesh AgentAdd ComponentInspectorInspectorGuardРисунок 18: объект Guard в окне Inspector.Рисунок 19: Размещение объекта Guard.GuardGuardHierarchyCreate → 3D Object → SphereLookerLookerTransformInspector

  • Scale Xна 9.
  • Scale Y на 0.5.
  • Scale Z на 9.

LookerРисунок 20: размещение объекта Looker.LookerMaterialsAssetsLookerLookerРисунок 21: объект Looker с новым материалом.GuardWindowWindow → NavigationNavigationРисунок 22: окно Navigation.FloorHierarchyNavigationNavigation StaticРисунок 23: Navigation Static.BakeРисунок 24: переключение на меню Bake.BakeBakeРисунок 25: создание нового навигационного меша.Рисунок 26: текущая сцена с добавленным навигационным мешем.AssetsCreate → C# ScriptPlayerGuardLookerРисунок 27: создание нового скрипта.ScriptsAssetsРисунок 28: папка Scripts.PlayerPlayerAssets

Образование

Woogie. Интерактивный робот, который делает обучение интересным для детей

Робот Woogie учит детей в возрасте 6-12 лет, общаясь с помощью голосового интерфейса. Робот развлекает, учит, дает ответы на некоторые вопросы, и стоит при этом всего 76 долларов. Woogie обращается к базе данных сервиса, чтобы отвечать на любой вопрос ребенка: от «Почему исчезли динозавры?» и до «Почему мне нужно есть брокколи?».

Учится не только ребенок. Сам робот постоянно обучается индивидуальному взаимодействию, адаптируется к привычкам и интересам каждого ребенка

Он способен рассказать анекдот, загадать загадку, привлечь внимание ребенка сказкой. Родители имеют доступ к системе через мобильное приложение и могут загружать в базу новый контент, например книги и обучающие игры

Во многих отношениях проект необычный. У него нет своего токена, он не выходит на ICO, а деньги на развитие получает от краудфандинговой программы на Indiegogo. В настоящий момент подготовлено уже 30 протитопов устройства.

AltSchool. Платформа новых методов обучения

В 2014 году новый проект в сфере образования привлек $33 млн. В 2015 году AltSchool привлекла еще $100 млн

Стартап заинтересовал инвесторов необычным подходом: AltSchool — это серия микро-школ, в которых основное внимание уделяется индивидуальному обучению. Учащиеся получают собственные еженедельные «плейлисты», списки отдельных и групповых занятий, адаптированные к конкретным сильным и слабым сторонам каждого ребенка

AltSchool отслеживает прогресс и неудачи каждого ученика — каждый шаг на его пути, все сильные и слабые стороны. Программное обеспечение дает рекомендации, влияющие на образовательный процесс каждого ребенка.

В исследовательском проекте, организованном Фондом Гейтса, изучалось влияние персонализированной практики обучения в 23 государственных школах. Через два года исследование показало, что учащиеся в этих школах добились больших успехов, чем студенты из сопоставимых школ, в которых не было персонализированной программы обучения. Более того, исследование показало, что ученики, чьи оценки выросли больше всего, были теми, кто ранее сильно отставал по многим предметам.

Добавьте к персонализации возможности программного обеспечения, адаптирующего учебный план для каждого конкретного ученика, и вы поймете, как будет выглядеть образование в будущем.

Hugh. Помогает посетителям библиотеки быстро найти любую книгу

Студенты, которые ищут библиотечные книги в Университете Аберистуита (Великобритания), могут обратиться за помощью к роботу-библиотекарю. Hugh — первый в мире робот, предназначенный для работы в библиотеке. Он может рассказать, где хранится книга, и показать студенту соответствующую книжную полку.

Получая информацию из PRIMO, онлайн-библиотеки университета, Hugh имеет доступ к 800 000 книг. Hugh реагирует на голосовые команды и способен заниматься не только книгами. Подобные роботы смогут выполнять конкретные задачи больницах, супермаркетах или гостиницах.

Knewton. Адаптивное обучение

Собравшая $157 млн инвестиций компания Knewton разработала адаптивную образовательную платформу, основанную на технологиях анализа данных в сфере образования, и предлагает интегрировать свое решение с любой системой управления учебным процессом. Адаптивная платформа дает рекомендации для обучения студентов, основанные на успеваемости учащихся, а также предлагает анализ цифрового контента. С помощью софта учитель оценивает знания студента по своему предмету в любой момент времени. Если студент плохо справляется с предметом, Knewton может предложить контент, который повышает уровень понимания сложных вопросов. Knewton будет предлагать разные варианты образовательного контента до тех пор, пока не найдет способ научить студента.

Хотя многие обучающие платформы могут похвастаться тем, что они корректируют тестовые вопросы на занятиях, основываясь на предыдущих ответах, процесс управления данными Knewton принципиально отличается, потому что предлагает гипер-персонализированный вариант обучения, создаваемый «на лету» для каждого конкретного пользователя. Сегодня с Knewton работают более 13 миллионов студентов по всему миру, а база данных платформы содержит более 100 000 образовательных материалов, включая видео-лекции и учебные пособия.

Что делают крупные компании

В России есть крупные ИИ-проекты, локомотив индустрии — большие компании: они вкладывают деньги в технологии и видят в этом финансовую перспективу. Так, «Сбер» планирует вложить в искусственный интеллект около 2 млрд долларов в ближайшие четыре года и заработать за то же время порядка 6 млрд.

Откуда берётся доход? «Сбер» продаёт свои разработки как сервис. В 2020 году банк запустил систему виртуальных ассистентов «Салют»: они оплачивают покупки, переводят деньги и выбирают кино на вечер — достаточно дать нужную голосовую команду. Чтобы пользоваться функциями в полной мере, предлагают купить ТВ-приставку SberBox и смарт-дисплей SberPortal.

Вот так это выглядит на практике:

Плюс к этому банк оптимизирует внутренние процессы с помощью ИИ. Использует собственную систему распознавания лиц — она позволяет быстрее и проще идентифицировать клиентов. Недавно система получила международный приз и сейчас считается лучшей в России.

«Сбер» решает и общественно значимые проблемы: расшифровывает рукописи Петра Первого и помогает ставить диагнозы с помощью нейросетей. Тестирует ИИ при подборе сотрудников — система анализирует резюме кандидата и определяет риск его быстрого увольнения.

Успехи положительно влияют на имидж компании. Консалтинговое агентство Brand Finance включило «Сбер» в топ-3 сильнейших брендов мира. Одна из причин высокой оценки — успехи в развитии инноваций.

Не отстаёт и «Яндекс». Компания одной из первых в России стала разрабатывать беспилотные автомобили и сегодня внедряет полезные ИИ-решения для бизнеса. У «Яндекса» есть собственные разработки, которые конкурируют с продуктами Google и Amazon.

Среди них Yandex SpeechKit — сервис распознавания и синтеза речи на нескольких языках. Вы наверняка знаете его по голосовой станции «Алиса». «Яндекс» вывел технологию в массы — сегодня каждая компания может внедрить её в свою IT-инфраструктуру.

SpeechKit позволяет общаться с клиентами без участия операторов. Робот запишет клиента на услугу, узнает, доволен ли покупатель сервисом, и сделает серию холодных звонков. Система распознаёт речь, строит общение по скрипту и передаёт данные менеджерам. Это экономит время и не вредит конверсии — только 4% клиентов понимают, что общаются с роботом.


Скриншот: Yandex SpeechKit

«Яндекс» позаботился о естественности голосов: система состоит из миллиона различных фонем. Сервис оценивает текст и подбирает интонации, которые будут звучать максимально органично.

Успехи в использовании ИИ делает и тяжёлая промышленность. В прошлом году компания «Северсталь» внедрила решения «Рубан» и «Аделина». Они управляют непрерывно-травильным агрегатом на Череповецком металлургическом комбинате. «Аделина» вычисляет нужную скорость управления агрегатом, а агент «Рубан» корректирует её на оборудовании. Разработка следит за производством каждую секунду и помогает реагировать на сбои быстрее.

Талантливый соратник: как живые артисты смотрят на сотрудничество с ИИ

Гораздо проще работа искусственного интеллекта выглядит в глазах музыкантов, которые используют его для своих экспериментов. Очень простой интерфейс, например, у сервиса Amper Music. Чтобы ИИ сочинил для вас композицию, нужно просто создать новый проект, определить длительность трека, выбрать жанр, настроение и бит. Когда трек будет готов, вы можете вносить правки: например, поменять тональность или темп.

Вот, что получилось у меня.

У американской певицы Тэрин Саузерн, по ее признанию, «нет традиционного музыкального бэкграунда». Но это не помешало ей выпустить в 2018 году целый альбом I AM AI, музыку для которого придумал искусственный интеллект.

«Обычно я находила красивый аккорд на пианино, — рассказывает Саузерн о том, как сочиняла до знакомства с ИИ, — и писала целую песню на основе этого аккорда, но не могла перейти к следующим нескольким аккордам, потому что не знала, как сыграть то, что слышала в голове».

Когда же она стала работать с Amper Music и другими ИИ-сервисами, процесс упростился. Теперь Саузерн сообщала ИИ, какой она видит будущую композицию, а он уже предлагал свои варианты. Саузерн могла отвергнуть тридцать версий, предложенных компьютером. Но когда он придумывал что-то, что действительно нравилось певице, она переносила получившиеся аудиодорожки в программу для создания аранжировок GarageBand, расставляла музыкальные фрагменты в нужном ей порядке и затем писала текст.

Песня Тэрин Саузерн, сочиненная в соавторстве с ИИ