Хайп на триллион

Содержание

1 Хайп на триллион

Хайп на триллион

Р оссийские разработчики программных решений пытаются поймать на мировых рынках растущую волну спроса на технологии искусственного интеллекта, эффект от которых в бизнесе уже исчисляется триллионами долларов. Рады нарастающей популярности новых технологий и производители компьютеров, так как ИИ повышает спрос на более производительные вычислительные мощности.

«Для разработчиков программных решений в области искусственного интеллекта создалась уникальная ситуация с огромными возможностями. Это как было в 1980-е, когда у только появлявшихся массовых компьютеров не было единой операционной системы. Так же и сейчас технологии искусственного интеллекта не имеют единой платформы и стандартов. Те, кто сумеет их быстро создать, могут стать вторым Microsoft», — говорит Владислав Чернышев, руководитель компании Dasha.ai. Недавно она приняла участие в крупной конференции GTC-2019 в сердце американской Кремниевой долины — городе Сан-Хосе. Сюда российская компания привезла передового чат-бота по имени Даша, который способен распознавать человеческую речь и вести диалог почти как человек. Даша может работать, например, секретарем, отвечая на входящие телефонные звонки, обзванивать потенциальных клиентов или организовывать для своего владельца встречи, сама связываясь с нужными людьми.

Компания Dasha.ai родом из Новосибирска, ее решения основаны на использовании фундаментальных знаний российской математики. Владислав Чернышев говорит о том, что хорошая российская математическая школа является их ключевым конкурентным преимуществом, и что в ближайшем будущем компания рассчитывает создать и предложить мировому рынку целую платформу для разработки чат-ботов. Недавно Dasha.ai получила два миллиона долларов от международного инвестиционного фонда RTP Ventures, и сейчас ее разработками интересуется ряд американских компаний.

Лучшее приложение для распознавания грибов

Основная информация

Прежде чем углубиться в суть этого руководства и подробно рассмотреть, какие из них являются лучшими приложения для распознавания грибовЯ обязан предоставить вам предварительную информацию по этому вопросу.

Во-первых, я хочу сказать вам, что вам нужно использовать такое приложение просто для удовольствия: Чтобы распознать съедобные грибы из токсинов, которые могут убить тех, кто их проглатывает, вы всегда должны обратиться в соответствующие органы, который поручит специалисту-микологу провести все необходимые проверки.

Когда дело доходит до самого сбора грибов, обычно необходимо иметь специальную лицензию в соответствии с правилами, установленными местными властями.

Чтобы узнать об этом больше, я приглашаю вас изучить эту тему дополнительно, возможно, с помощью поиска в Google. «Законодательство о сборе грибов (название вашего региона или провинции)».

Учитывайте только результаты поиска на институциональных сайтах региона или провинции, которые вы включили в исследование.

Бесплатное приложение распознавания грибов

Сделав вышеупомянутые пояснения, давайте подробнее рассмотрим некоторые из приложения для распознавания грибов бесплатно. Это решения, доступные для устройств Android и Apple, которые чрезвычайно просты в использовании.

iNaturalist (Android / iOS / iPadOS)

iNaturalist Это очень полезное приложение для распознавания растений, грибов, животных и насекомых. Его обширная база данных постоянно поддерживается сообществом из более чем 400,000 XNUMX членов, включая ученых, натуралистов и простых любителей природы.

После установки и запуска iNaturalist на вашем Android-устройстве или iPhone / iPad прокрутите информационные листы, иллюстрирующие работу приложения, и, если вы сейчас не хотите делиться сканками в базе данных сервиса, нажмите кнопка Пропускать.

Вы соглашаетесь активировать местоположение вашего устройства, чтобы упростить идентификацию грибов, присутствующих в том месте, где оно находится. Вам просто нужно нажать кнопку Закрыть наблюдения и дать разрешение iNaturalist на доступ к вашему местоположению.

После перехода на главный экран iNaturalist нажмите Лупа, который вверху, напишите термин «Гриб» в панель поиска поместите в верхней части экрана и нажмите элемент Грибы и лишайники на экране.

Затем снова нажмите один значок Лупа расположен справа, чтобы начать поиск.

Теперь найдите грибок, который вас интересует, нажмите ваш предварительный просмотр фотографий и в символе стрелка вправо который соответствует названию найденного вами гриба: когда вы это сделаете, вы сможете увидеть карту, соответствующую последней, которая содержит информацию, которую вы ищете в своей учетной записи.

iFunch (Android / iOS / iPadOS)

iFunch — это приложение, которое позволяет распознавать грибы, предоставляя подробное описание последних. Как я уже объяснил несколькими строками выше, этот тип приложения не является 100% надежным, но он может помочь вам распознать наиболее распространенные грибки.

Он доступен для Android и iOS / iPadOS. На Android доступна только платная версия, которая стоит 3.99 евро, в то время как на iOS / iPadOS есть бесплатная версия и платная версия, которая за 4.99 евро предлагает полный доступ к базе данных.

После установки и запуска iFunch нажмите кнопку Определить гриб находится на главном экране и с помощью кнопок жабры, Пори / трубочки, aculei, Гриб без шляпыидентифицирует гриб и описывает его характеристики (например, форму крышки, цвет планок и т. д.).

После того, как вам удалось описать интересующий вас грибок и предоставить все детали, требуемые приложением, нажмите предварительный просмотр фотографий который представляет его и обращается к соответствующей карте, касаясь сложенный лист находится в правом нижнем углу экрана.

Бесплатные приложения

Есть другие приложение для распознавания свободных грибов что я вам советую попробовать. Ниже перечислены некоторые, которые действительно довольно интересны.

Афан Плюс (Android): это приложение для устройств Android, которое содержит полезную фотогалерею для распознавания более 100 видов грибов, благодаря подробному описанию последних.

Грибная книга (Книга грибов) (Android / iOS / iPadOS): это приложение, которое предлагает подробную информацию о нескольких грибах, позволяя вам узнавать их по множеству фотографий в своей базе данных, легко идентифицируемых благодаря чистому и лаконичному интерфейсу .

Приложение для распознавания грибов по фотографиям

Ищу некоторых приложение для распознавания грибов по фотографиям? Я сделаю тебя счастливым немедленно. Ниже перечислены некоторые приложения, которые подходят по назначению и очень просты в использовании.

Распознавать грибы / Распознавать грибы (Android / iOS / iPadOS)

Распознать грибы Это приложение, которое вы должны попробовать, если хотите быстро и легко идентифицировать грибы на фотографиях, которые их изображают. Поскольку он доступен для бесплатной загрузки как для Android, так и для iOS / iPadOS, я бы сразу сказал, как это работает. Во-первых, позвольте мне сказать вам, что для доступа к их полной базе данных вы должны подписаться на платную версию, которая стоит 4.99 евро / год.

После установки и запуска Recognize Mushrooms на вашем устройстве нажмите кнопку принимать появившееся в центре экрана, чтобы закрыть сообщение, напоминающее вам о возможных ошибках приложения, а затем щелкните значок Лупа расположенный в левом нижнем углу.

На открытом экране нажмите кнопку в сканы и после загрузки дополнительных файлов, необходимых для использования автономного сканера приложения (для этого просто нажмите кнопку Начать сейчас и дождитесь завершения операции), наведите камеру на интересующий вас гриб и дождитесь завершения сканирования.

Или вы можете нажать кнопку С фото и выполнить грибковое распознавание изображения, которое будет сделано в это время (Сфотографируй) или взять один из галереи (Импорт фотографий).

По окончании операции вы должны увидеть карточку с основными характеристиками выявленного грибка. Помните, что приложение не является надежным, и вы можете принять токсичный гриб за «безвредный» гриб.

Читать еще: Что такое геотеггинг в смартфоне

Другие приложения для фотографий

Если решения, о которых я говорил вам в предыдущих строках, вам не понравились, позвольте мне перечислить вас другие приложения для распознавания грибов на фотографиях это может быть полезно для вас.

50 на 50

«Я знаю случаи, когда люди приезжали из других регионов, набирали в лесу грибов, ели их и умирали. Потому что один и тот же гриб в разных регионах может выглядеть по-разному, все зависит от климата», — говорит Михаил Вишневский. Особенно если речь идет не о белых, подосиновиках и подберезовиках, а, например, о рядовках и серушках, которыми обычно завершается грибной сезон.

Эксперт уверен, что эффект всех грибных приложений можно оценить как 50 на 50. И то только при идентификации самых распространенных видов грибов. Так что, отправляясь в лес, рассчитывать на искусственный интеллект не стоит. Лучше предварительно почитать сертифицированные энциклопедии. И руководствоваться двумя главными принципами грибника. Первый: не знаешь — не бери! И второй: все грибы съедобны. Просто некоторые — только один раз.

Проблема искусственного интеллекта: машины могут научиться, но не могут понимать

Сегодня все говорят об искусственном интеллекте (ИИ). Но, если вы посмотрите, ни Siri, Alexa или просто автокоррекцию на клавиатуре в вашем смартфоне, вы поймете, что мы не создаем системы искусственного интеллекта, мы лишь создаем программы, способные выполнять строго определенные задачи.

Компьютеры не могут «мыслить»

Когда бы компания не заявила о том, что выпускает очередную ИИ-фишку, обычно это означает, что она использует машинное обучение для построения нейронной сети. Машинное обучение – это способ, позволяющей машине «научиться», как лучше всего выполнять определенную задачу.

В этой статье мы ни в коем случае не критикуем машинное обучение! Это потрясающая технология, которую можно применить в огромном количестве сфер. Но это не ИИ в полном смысле. И понимание ограничений машинного обучения поможет вам понять, почему современные ИИ-технологии не так развиты, как нам бы того хотелось.

Искусственный интеллект из научно-фантастических фильмов и книг – это подобие компьютеризированного или роботизированного мозга, способного размышлять о вещах и понимать их так, как это делает человек. Такой искусственный интеллект можно назвать искусственным общим интеллектом (ИОИ). Это означает, что он способен думать о ряде различных вещей и применять свои умозаключения в ряде разнообразных ситуаций. С ним связано понятие «сильного ИИ», оно подразумевает возможность существования у машины сознания, близкого человеческому.

Такими технологиями мы пока не обладаем. Мы даже близко не на этой стадии. Такие программы, как Siri, Alexa или Cortana не способны понимать действительность и думать как человек. На самом деле они вообще не понимают, что происходит вокруг.

Системы искусственного интеллекта, которыми мы обладаем, очень хорошо обучены выполнять определенные задачи, но только при условии, что человек их этому обучит. Они обучаются, но не понимают, что они делают.

Компьютеры не понимают

У Gmail появилась новая функция “Smart Reply”, предлагающая ответы на электронные письма. Но она распознает фразу «отправлено с iPhone» в качестве типичного ответа. Она так же предлагает фразу «Я тебя люблю» для ответа на множество самых разнообразных писем, включая рабочую корреспонденцию.

Это происходит из-за того, что компьютер не понимает значения этих фраз. Он просто научился тому, что многие люди отправляют сообщения с подобным текстом. Компьютер не знает, действительно ли вы хотите признаться в любви своему боссу или нет.

В качестве другого примера приведу сервис Google Фото, который составил коллаж из случайных фото нашего домашнего ковра. А после программа вывела этот коллаж на экран нашего Google Home Hub. Сервис Google Фото распознал сходство фотографий, но не смог понять, насколько они незначительны.

Зачастую у машин получается перехитрить систему

Машинное обучение заключается в постановке задачи и предоставления компьютеру возможности решить ее максимально эффективно. Но из-за того, что машина не понимает, что она делает, все может закончится тем, что она «научится» решать не ту проблему, которую вы хотели.

Вот лишь небольшой список забавных примеров, когда «искусственные интеллекты», созданные для прохождения игр, умудрились перехитрить систему:

«Чтобы развить максимальную скорость, существа в игре выросли очень высокими и просто падают по направлению движения».
«Агент убивает себя в конце первого уровня, чтобы не проиграть на уровне 2».
«Агент постоянно ставит игру на паузу, чтобы не проиграть»,
«При искусственном моделировании жизни, где выживание требовало энергии, но рождение детей энергии при этом не отнимало, они из видов развил сидячий образ жизни, состоящий в основном из спаривания с целью производства потомства, которое можно было бы потом съесть (или использовать в качестве помощников для производства более съедобных отпрысков)».
«Поскольку в случае проигрыша ИИ с большой вероятностью «убивают», способность «сокрушить» игру стала серьезным преимуществом в процессе генетического отбора. Так что многие ИИ научились это делать».
«Нейронные сети, созданные для классификации съедобных и ядовитых грибов, использовали только данные, представленные в произвольном порядке, совершенно проигнорировав при этом входные изображения».

Некоторые из этих решений могут показаться вам находчивыми, но ни одна нейронная сеть не понимала при этом, что она делает. У каждой системы была задача, система училась ее решать. Если цель – избежать проигрыша в компьютерной игре, поставить игру на паузу – самое простое и быстрое решение проблемы, которое можно найти.

Машинное обучение и нейронные сети

При машинном обучении компьютер не запрограммирован на выполнение конкретной задачи. Вместо этого в него загружают данные и он оценивает необходимость их использования в каждом конкретном случае.

Один из самых простых примеров машинного обучения – распознавание изображений. Давайте представим, что мы хотим научить компьютерную программу распознавать фото с изображением собак. Мы можем загрузить в программу миллионы изображений, с собаками на них и без. Все фотографии помечены на предмет наличия собаки на картинке. А программа, исходя из предоставленных данных, сама «тренируется» распознавать, что представляют из себя собака.

Процесс машинного обучения используется для тренировки нейронных сетей – компьютерных программ, содержащих несколько слоев, через которые проходят все новые данные, а каждый слой приписывает данным различный вес и вероятность перед тем, как окончательно принять решение. Моделирование нейронных сетей происходит на основании наших представлений о функционировании человеческого мозга, когда множество слоев нейронов вовлечено в процесс размышления над задачей. Понятие «глубокое обучение» как правило относится к нейронным сетям с множеством слоев, приходящих во взаимодействие между входным и выходным сигналами.

Так как мы знаем, какие из загруженных в систему фото содержат изображения собак, а какие нет, мы можем прогнать их через нейронную сеть и проверить правильность ее решений. Если система, например, считает, что на каком-то фото не изображена собака, когда на самом деле она изображена, можно воспользоваться специальными механизмами, чтобы указать нейронной сети на ошибку, скорректировать параметры и попробовать снова. Постепенно компьютер научится все лучше распознавать фото на предмет изображения собак.

Все это происходит автоматически. При наличии грамотного программного обеспечения и большого массива структурированных данных, которые компьютер может использовать для тренировки, компьютер сможет настроить свою нейронную сеть на распознавание собак на фото. Это мы и называем «искусственным интеллектом».

Но в конечном итоге вы все равно не получаете разумную машину, понимающую, что такое собака. У вас есть компьютер, который научился определять наличие собаки на фотографии, что, конечно, впечатляет, но это все, на что он способен.

А в зависимости от входных данных, которые были предоставлены, нейронная сеть может оказаться не такой уж «интеллектуальной». Например, если в вашем наборе данных отсутствовали изображения кошек, ваша нейронная сеть вряд ли будет видеть между ними разницу и будет маркировать фотографии с этими животными как содержащие только изображения собак.

Читать еще: Сколько мегапикселей в Айфоне 5S?

Для чего используется машинное обучение?

Машинное обучение нашло себе самые разнообразные применения, включая распознавание речи. Такие голосовые помощники, как, например, Google, Alexa, и Siri, так прекрасно понимают, что мы им говорим, именно благодаря техникам машинного обучения, которые «натаскали» их на понимание человеческой речи. Для тренировки этих систем были использованы огромные массивы данных с образцами человеческой речи, так что они научились понимать соответствие между наборами звуков и словами.

Беспилотные автомобили используют техники машинного обучения для того, чтобы научиться распознавать объекты на дороге и то, как правильно на них реагировать. Сервис Google Фото буквально напичкан разнообразными функциями вроде Живых альбомов, которые именно благодаря машинному обучению автоматически распознают людей и животных на изображениях.

DeepMind, дочерняя компания Alphabet, использовала машинное обучение при создании AlphaGo, компьютерной программы, способной играть в сложную настольную игру го и побеждать лучших реальных игроков в мире. Технологии машинного обучения также использовались для создания компьютеров, которые неплохо справлялись и с другими играми, начиная с шахмат и заканчивая DOTA 2.

Машинное обучение даже использовалось при создании технологии Face ID для последних версий iPhone. Ваш iPhone моделирует нейронную сеть, которая учится распознавать ваше лицо. Девайсы от Apple содержат специальный чип, своеобразный «нейронный двигатель», который способен выполнять обработку огромных массивов численных данных для этой и других задач машинного обучения.

Машинное обучение может быть использовано в самых разнообразных целях от распознавания мошенничества с кредитными картами до составления персонализированных рекомендаций в интернет-магазинах.

И все же нейронные сети, созданные благодаря технологии машинного обучения, на самом деле ничего не понимают. Они просто являются полезными программами, способными выполнять специфические задачи, к которым они обучены. И на этом все.

Машинное обучение и нейронные сети

При машинном обучении компьютер не запрограммирован на выполнение определенной задачи. Вместо этого он получает данные и оценивает их значимость с точки зрения выполнения задачи.

Самым простым примером машинного обучения является функция распознавания изображений. Допустим, мы хотим научить компьютерную программу распознавать фотографии, на которых есть собака. Мы можем предоставить компьютеру миллионы изображений с собаками и без. Изображения будут помечены – «есть собака»/«нет собаки». Компьютерная программа «обучается» распознавать собак на основе этого массива данных.

Эта технология используется для совершенствования нейронной сети, которая представляет собой компьютерную программу из нескольких слоев, через которые проходят все массивы данных. Каждый из этих слоев присваивает данным различный вес и вероятность, после чего принимается решение. Эта техника основана на наших представлениях о работе собственного мозга, где слои нейронов участвуют в обдумывании задачи. «Глубокое обучение» обычно описывает нейронные сети с множеством слоев, разделяющих точки входа и выхода данных.

Поскольку мы точно знаем, на каких фотографиях собаки есть, а на каких – нет, мы можем пропустить их через нейронную сеть и проверить правильность ответа. Если сеть решает, что на той или иной фотографии собаки нет, хотя на самом деле она там есть, ей прописывают специальный алгоритм, который сообщает сети, что она ошиблась, и что ей требуется корректировка перед новой попыткой. Так компьютер учится лучше определять, есть ли на фотографии собака.

Все это происходит автоматически. Имея хороший софт и большой объем структурированных данных, которые можно использовать для обучения, компьютер может настроить свою нейронную сеть для точного поиска собак на фотографиях. Именно это мы и называем «ИИ».

Но, в конце концов, вы все равно не получите умную программу, которая будет понимать, что такое собака. Это будет всего лишь машина, которая научилась определять, есть ли на фото пес. Такие способности тоже впечатляют, но это далеко не предел мечтаний.

К тому же, в зависимости предоставленных данных, нейронная сеть может оказаться совсем не такой «умной», как вы ожидаете. К примеру, если в вашем массиве данных нет фотографий кошек, нейронная сеть может не увидеть различий между кошками и собаками и запросто отметит всех собак как кошек.

Описание

Любите грибной суп? А жареные лисички с картошкой? Соленые грузди в сметане и с чесноком, хрустящие и ароматные? Любите?! Тогда берите друзей, корзинку и в лес. но не забудьте свой iPhone или iPad с приложением «Наши грибы» — уникальной грибной энциклопедией!

«Наши Грибы» содержат подробные описания с иллюстрациями и фотографиями грибов, а также теоретическую часть и несколько важных советов, которые будут полезны как начинающим так и грибникам со стажем.

+ Теперь наша большая энциклопедия усилена уникальным НЕЙРО-ПОИСКОМ по фотографии гриба (с использованием Искусственного Интеллекта) — достаточно запустить камеру, сфотографировать гриб и получить результат!

* Более 180 различных видов грибов, разбитых для удобства навигации на категории и характерные цвета
* Более 950 фотографий и иллюстраций
* Подсказки как не перепутать съедобный гриб с ядовитым
* «Умный сквозной поиск» по всей базе, совместно с подсветкой найденных слов, позволяет оперативно найти нужный гриб по его описанию. Также ведется история запросов

Приложение содержит все необходимые для работы функции, имеет удобный, привычный интерфейс в сочетании с уникальным дизайном:
* Не требуется соединения с интернетом — скачайте один раз и используйте везде!
* Режим просмотра списка «обложка альбома» или «сетка» упростит быстрый поиск гриба по его внешнему виду
* Функция создания фотозаметок с сохранением координаты позволит расширить базу собственными фотографиями грибов или составить собственную карту грибных мест
* Предустановленные темы оформления и Настройки приложения позволяют изменять интерфейс с учетом индивидуальных предпочтений
* «Избранное» и «история» позволят выбрать самое важное о грибах
* Возможность открыть описание гриба в википедии (если оно там есть) не выходя из приложения

. и много других возможностей

Предупреждение: авторы приложения не несут ни какой ответственности за любые возможные последствия использования любой информации прямо или косвенно предоставляемой приложением. Грибы могут быть ядовиты и представлять смертельную опасность. Употребляйте грибы в пищу только когда вы уверенны в их безопасности на 100%

Почему китайцы изучают российскую управленческую практику и схемотехнику?

«Дэн Сяопин призывал китайцев во всем учиться у русских, в особенности учиться принимать управленческие решения в экстремальных условиях», – говорит профессор Овчинников. По его мнению, типовые проектные решения «выстраданные многими поколениями инженеров, учёных и чиновников» представляют большую ценность. В них сосредоточены знания, технологии и производство.

Пример: изготовление комплектующих в 1960-е годы на заводах, подчинённых министерству электронной промышленности. Для решения важных задач создавались временные научные и трудовые коллективы, которые объединялись в цепочки. Каждое предприятие выполняло определённые действия. Представим себе принципиальную электрическую схему. Она состоит из электронных компонентов и связей между ними – резисторов, диодов и так далее. Итак: первый коллектив разрабатывает всю информацию об элементной базе, второй – готовит конструкторскую документацию и готовит её к военной приёмке, третий в это время по мере проверки работоспособности элементов осуществляет сборку. Иными словами, образуется конвейер, на котором изделие комплектуется по блокам. При этом каждый коллектив может добавить к изделию свой блок, но не может изменить или исправить то, что сделали другие. По сути, этот в точности тот самый блокчейн, который ещё только собираются внедрять современные российские руководители. Кстати, блокчейн в привычном электронном виде в те годы тоже существовал, только ключи заменялись паролями, а информация хранилась не на множестве компьютеров пользователей, а на многопользовательском мейнфрейме (большой сервер, на котором одновременно работало большое количество пользователей – прим. profiok.com).

Читать еще: Обзор Xiaomi Redmi Note 5: новый король шести дюймов

В начале 1970-х была издана книга «Искусство вычислять», в которой описано, по сути, ровно то же, что сейчас учёные пытаются сделать с помощью нейронных сетей. Есть советская книга «Быстродействующие микроэлектронные цифровые устройства», тоже весьма популярная в Китае.

Китайцы анализируют мировой патентный фонд с миллиардами изобретений в части конструирования схем искусственного интеллекта и стараются переосмыслить «аппаратное» наследие 1960-х годов. Иными словами, берут идеи и пытаются воплотить их в жизнь с помощью современных технологий, которые 60 лет назад были недоступны. Например, после того как правительство КНР распорядилось повышать надёжность изделий большой интерес вызывает советская схемотехника многократного резервирования.

«Китайцы сейчас нам союзники, но союзники непростые, – убеждён Валерий Овчинников. – Они нуждаются в нашей схемотехнике и способны к конвергенции своих и наших технологий».

Микологи против чего?

Когда работа, которая началась в январе 2017 года и заняла 5 месяцев, была завершена, а тысячи грибников уже успешно применяли новую функцию, в конце июля в американском издании The Verge вышла статья доктора микробиологии Колина Дэвисона, которая косвенно касалась и приложения «Грибы».

Название впечатляло: A ‘Potentially Deadly’Mushroom-Identifying App Highlights the Danger of Bad AI (Потенциально смертельное приложение для идентификации грибов подчеркивает проблему плохого Искусственного интеллекта).

Речь в статье шла о некоем приложении для распознавания грибов по фотографии, которое появилось в AppStore и Google Play. Разработчики обещали пользователям 100-процентную идентификацию трофеев «грибной охоты» благодаря Искусственному интеллекту. Колин Дэвисон назвал это «самой потенциально смертоносной программой с начала «мобильной революции».

Так вокруг темы AI возник очередной хейт, который просто обречен на популярность со времен выхода первого «Терминатора». Теперь, когда технология стала доступна для массового использования, она постоянно находится в фокусе внимания и специалистов, и маркетологов, и массы других людей, обладающих разным уровнем знаний о предмете. И большинство из них отчаянно врет, причем, по самым разным причинам: одни от незнания, вторые ради привлечения внимания, а третьи – для наделения товаров несуществующими преимуществами.