167

0
15
OpenTalks.AI: наука

7 лютого 2018 року відкрилася перша в Росії конференція з штучного інтелекту OpenTalks.AI.

Редакція Medical Note підготувала короткий дайджест з першого дня конференції, присвяченій штучного інтелекту.

 

У OpenTalks.AI відразу кілька особливостей. По-перше, конференція побудована за принципом спільноти — доповіді вибиралися на конкурсі. По-друге, OpenTalks.AI не залежить ні від бізнесу, ні від держави. По-третє, конференція велика: 150 компаній, 88 спікерів, 11 стартапів — всього 550 учасників!

Але найважливіше — те, заради чого все затівалося. Організатор конференції Ігор Пивоваров поставив амбітну мету — створити російський проект з штучного інтелекту. Через 4 місяці після OpenTalks.AI відкриється друга, закрита конференція, на якій 400 учасників за 3 дні створять наукову групу (і розроблять програму) за ІІ в Росії.

Редакції Medical Note вдалося побувати на англомовної презентації Рева Лебаредяна з NVIDIA, на секціях «Комп’ютерне зір», «Природна мова і мова», «Аналіз даних і предиктивне аналітика», і на спеціальному виступі нейробіолога Костянтина Анохіна.

Рев Лебаредян, віце-президент NVIDIA: Стратегія в області ШІ

Рев Лебаредян з компанії NVIDIA займається понад потужними обчисленнями для 3D-графіки. Основна сфера інтересів NVIDIA — комп’ютерні ігри.

Рев Лебаредян і організатор конференції Ігор Півоваров

Рев розповів, що головна мета творців комп’ютерних ігор — домогтися максимальної реалістичності і правдоподібності віртуального світу. Але «зробити реалістичніше» на практиці означає — зробити дорожче.

На допомогу творцям ігор приходить ІІ, допомагає створити максимально правдоподібний світ без неймовірних витрат. ІІ вміє:

  • Об’єднувати картинку і стиль графічного зображення, створюючи принципово новий твір — наприклад, пофарбований в корпоративні кольори логотип;
  • Масштабувати зображення за принципом 4k upscaling — тобто створювати велику картинку з маленькою;
  • Змінювати текстури хвиль, скель або шкіряних диванів — так, щоб вони були однорідними, але завжди трохи розрізнялися;
  • Моделювати складну поведінку персонажів комп’ютерної гри:
    • анімувати особи персонажів — для цього ШІ достатньо проаналізувати зображення лише з однієї відеокамери, знімає обличчя актора;
    • поєднувати запис голосу людини з рухом губ персонажа — при цьому один алгоритм ІІ обробляє руху губ, другий — вираз обличчя;
    • моделювати емоції в залежності від емоційного забарвлення аудіозапису;
    • змушувати персонажа реагувати на зміни світу навколо — стрибати по скелях і плавати у воді, змінюючи його ходу в залежності від перешкод.

    Сучасні технології дозволяють творцям комп’ютерних ігор робити багато копій ІІ, об’єднувати їх в межах одного ігрового «движка» і навчати різним завданням. Один ШІ відповідає за текстури, другий — за руху персонажа… І так — до тих пір, поки світ не стане повністю реалістичним!

    Ми поступово рухаємося до злиття віртуального та реального світів. Мабуть, це добре. Рев Лебаредян вважає, що жити в такому світі буде безпечніше — хоча б тому, що штучний інтелект може запобігти зіткнення автомобілів на дорозі.

    Комп’ютерне зір

    Учасники конференції готуються до секції «Комп’ютерне зір»

    Computer Vision — наука про створення алгоритмів, які створюють зображення, аналізують їх і шукають у них корисну інформацію. Наприклад, дозволяють підібрати ідеальний колір волосся або класифікувати товари в інтернет-магазині за якоюсь певною ознакою.

    Сьогодні технології комп’ютерного зору затребувані бізнесом: це і комп’ютерні ігри, і 3D-моделювання, і «персональна мода», і каталоги інтернет — та офлайн-магазинів.

    Віктор Лемпицкий, Skoltech: Чому сверточная нейронна мережа так добре створює реалістичні зображення

    Віктор Лемпицкий розповідає про створення реалістичних зображень

    Віктор Лемпицкий з Сколковского інституту науки і технологій розповів про алгоритми роботи згорткових нейронних мереж. Ці односпрямовані, принципово багатошарові нейронні мережі вміють ефективно розпізнавати навіть самі складні зображення.

    Навчаються згорткові нейромережі кілька днів, а то і тижнів, оскільки для навчання використовуються величезні дата-сети з мільйонами параметрів. Після навчання мережа здатна «добудовувати» зображення з невеликим числом пікселів до великих і докладних картинок з величезним числом пікселів. Причому навчена на певних фотографіях мережа здатна збільшувати фотографії, які «бачить» вперше.

    Правильно налаштованої сверточной нейромережі не страшний цифровий шум, «засвітки» від спалахів, пошкодження архівних фотографіях і накладений поверх зображень текст. Якість обробки зображення залежить від числа «підходів до снаряду», які зробить нейромережа. Найкращого результату можна досягти за 2000 ітерацій.

    В майбутньому нейромережі об’єднаються з комп’ютерною графікою. Це дозволить створювати все більш і більш досконалі програми для обробки зображень і фотографій.

    Михайло Бєляєв, CoBrain: Глибоке навчання для нейровізуалізації

    Михайло Бєляєв пояснює, як нейромережа працює з МРТ-зображеннями

    Михайло Бєляєв працює в проекті CoBrain з вивчення роботи головного мозку. Михайло — керівник групи розробки алгоритмів обробки даних про головному мозку людини, отриманих за допомогою МРТ.

    Михайло розповів, як його група вчить ІІ розпізнавати патології на медичних МРТ-зображеннях. Це не так просто, оскільки у медичних зображень мозку є ряд відмінностей від класичних «картинок з інтернету».

    По-перше, всі зображення строго стандартизовані — орієнтовані в одному напрямку і завжди одного розміру (правда, досить маленького, якщо судити по числу пікселів). По-друге, вибірка таких зображень дуже мала. На щастя, інсульт все-таки не настільки часте подія, щоб накопичився величезний дата-сет його зображень.

    Однак ШІ все-таки здатний розпізнати пухлину або інсульт — в першу чергу завдяки стандартизації та однакової орієнтації зображень. Однак перед тим, як передати дані в нейромережу, їх слід правильно підготувати. Це найскладніше завдання.

    На етапі підготовки зображень потрібна допомога експертів-рентгенологів, а їх оцінки можуть помітно різнитися. Тому, щоб отримувати точні результати, необхідно залучати все більше і більше експертів. Крім того, потрібно правильно фрагментувати і розмітити дані — фактично підказати ІІ, де і що треба шукати на МРТ-зображенні.

    Тим не менше, використання ІІ в медицині — перспективний напрямок. ІЇ вже активно допомагає гистологам: точність визначення патології на знімках людських тканин у нейромережі досягає 90%.

    Ольга Перепьолкіна, Neurodata Lab: Автоматичне розпізнавання емоцій: мультимодальний підхід

    Ольга Перепьолкіна розповідає про «емоційних» нейромережах

    Ольга Перепьолкіна — головний науковий співробітник в Neurodata Lab — компанії, яка займається машинним навчанням і розпізнавання емоцій для мас-маркету, інтернету речей, індустрії розваг та цифрової медицини. Зараз там створюють мультимодальний ШІ, який вміє розпізнавати емоції по декількох каналах — по виразу обличчя, «на слух» і по положенню тіла.

    Ольга розповіла, що базові роботи з розпізнавання емоцій машиною з’явилися ще в 1995 і 2009 році. Саме тоді дослідники з’ясували, що людина в принципі може розпізнати емоції тільки по голосу, або тільки по виразу обличчя. Однак якщо враховувати всі канали сприйняття, розпізнавання відбувається швидше.

    У більшості досліджень ШІ вчать розпізнавати емоції тільки по виразу обличчя. Рідше працюють з аудіозаписами, а ще рідше — з розпізнаванням тексту і мови тіла. Мультимодальних систем, які працюють з усіма каналами, поки зовсім мало.

    Щоб навчити ІІ працювати з усіма каналами вираження емоцій, потрібно зібрати дані для навчання нейромережі. Для цього в Neurodata Lab створили портал Emotion Miner, на якому учасники проекту переглядають відео і розпізнають емоції людей за позою, виразом обличчя і мови. Потім учасники проекту складають звіти, на основі яких вчені потім навчають нейромережа.

    Крім того, на нейромережа «працюють» професійні актори, що зображують емоції, і гаджети, які сигналізують про емоційний стан учасників експерименту по збору даних в той чи інший момент.

    У будь-якому випадку, в тренді сьогодні робота з натуральними, в тому числі зі змішаними емоціями — адже ми рідко відчуваємо тільки гнів без домішки страху або сорому. Це особливо важливо при роботі в колл-центрі — наприклад, якщо нейромережі доводиться мати справу з незадоволеними клієнтами.

    Олексій Воропаєв, Поиск@Mail.ru: Візуальний пошук по фотографіях одягу і не тільки

    Олексій Воропаєв пояснює, як ІІ допомагає продавати одяг

    Олексій Воропаєв — технічний керівник відділу ранжирування результатів пошуку Mail.Ru Group. Одна з важливих завдань, що стоїть перед компанією сьогодні — навчити нейромережа автоматично додавати мета-інформацію до фотографій одягу.

    Олексій розповів, що для того, щоб навчити нейромережа працювати з фотографією, потрібно спочатку навчити розпізнавати окремі атрибути одягу: рукави, комір, форму вирізу. Тому навчати нейромережі припадає на спеціально підготовлених каталогах.

    Навчені на «атрибутированных» каталогах нейромережі добре справляються з пошуком схожих моделей одягу в інтернеті, причому здатні витягувати і додавати мета-інформацію до тієї моделі, фотографією якої має. Такий сітці досить «запропонувати» фотографію блузки, зроблену в Європі — і ШІ знайде в місцевому магазині максимально схожу на початкове зображення модель.

    Втім, підхід універсальний. Наприклад, нейромережі добре справляються з пошуком автомобілів, вибираючи машину потрібної марки з безлічі схожих моделей.

    Природний мову і мова

    Учасники конференції спілкуються перед секцією про природній мові

    Природними називають мови, які люди використовують у повсякденному спілкуванні. На відміну від формальних мов і знакових систем, якими користуються машини, природний мову емоційно забарвлений і має складну структуру.

    Навчити ІІ розуміти природну мову — найважливіше завдання, що стоїть перед наукою і бізнесом. Навчена «людської» мови нейромережа зможе відрізняти позитивні відгуки від негативних, допоможе обробляти дзвінки і робити покупки в інтернеті.

    Костянтин Воронцов, МФТІ: Обробка природної мови і розуміння мови

    Костянтин Воронцов: найскладніше — це пошук сенсу

    Костянтин Воронцов — професор РАН, завідувач лабораторії машинного інтелекту МФТІ. Професор займається найскладнішими питаннями природної мови — роботою зі змістом повідомлення.

    Костянтин розповів, що при навчанні ІІ роботі з промовою дуже важливо дотримувати принцип ДНК: розташовувати Даними, знати, що потрібно Знайти, і розуміти критерії Якості роботи. Без цих складових робота заздалегідь приречена на провал.

    Правильно навчений ІІ справляється з:

    • обробкою дзвінків в колл-центрі (в цьому випадку важливо правильно налаштувати відбір ознак для нейромережі: ИИ повинен розуміти, що йому потрібні слова, пов’язані за змістом з іпотекою або автомобілями);
    • класифікацією відгуків по категоріях (при цьому виникає проблема незбалансованості семантичних класів — в одному і тому ж відгуку на фільм може міститися негативна оцінка сюжету і захоплення з приводу операторської роботи);
    • пошуком текстових документів не за ключовими словами, а за змістом інформації.

    Тестовий ІІ інтелект вже навчився справлятися зі смисловим пошуком краще, ніж стандартний інтернет-пошуковик, який шукає інформацію по ключовим словам в повідомленні. Однак для більшості практичних завдань поки все ще вистачає класичних текстових алгоритмів.

    Михайло Бурцев, МФТІ: iPavlov: проект по створенню «мовця» штучного інтелекту

    Михайло Бурцев пояснює, як навчити говорити бота

    Михайло Бурцев — завідувач лабораторією нейронних мереж і глибокого навчання МФТІ і керівник проекту iPavlov. Основна мета проекту — налагодити повноцінний діалог між людиною і машиною.

    Михайло розповів, що навчити ІІ (чат-бота) вести осмислений діалог — розв’язувана, хоч і складне завдання. Причому під кожен тематичний чат ІІ доведеться вчити окремо. Перед створенням чат-бота потрібно буде провести тематичний фреймінг — тобто зібрати запити користувачів для цього чату.

    Потім треба буде налаштувати діалог-менеджер — вирішити, як буде інтегруватися нова (тільки що надійшла до боту від користувача) інформація з тими даними, які у бота вже були. Тільки після цього бот буде «здатна» вирішити, як вчинити: зробити запит у базу даних (наприклад, видати користувачеві список фільмів, які сьогодні йдуть в кінотеатрах), або згенерувати уточнююче питання на природній мові (наприклад, поцікавитися, де користувач зараз знаходиться).

    Зараз в проекті iPavlov працюють над автоматизацією діалогів і розробкою ботів (DeepPavlov), і над проектом Ощадбанку, який допоможе автоматизувати взаємодії з клієнтами банку (DeepReply). Проте в перспективі учасники проекту iPavlov прагнуть зробити ШІ універсальним, таким, щоб його можна було «натренувати» під будь-які завдання.

    Сергій Шумський, IQmen: Масштабоване розуміння природної мови

    Сергій Шумський: чому ІІ складно навчати природної мови

    Сергій Шумський — фахівець в області машинного навчання і штучного інтелекту, віце-президент Російської асоціації нейроинформатики. Співзасновник IQmen — російської компанії-розробника інноваційних технологій збору, зберігання і обробки структурованої і неструктурованої інформації на різних мовах світу.

    Сергій розповів, що навчання ІІ погано масштабується, оскільки природна мова має на увазі велику кількість параметрів. Однак, чим більше параметрів може сприймати нейромережа, тим довше її доводиться вчити (від 5 днів до декількох тижнів).

    Оскільки смисловий простір мови надлишково, при навчанні ІІ вигідніше використовувати більш прості способи кодування інформації. Якщо зменшити простір смислів, то, позбувшись від мовної надмірності (за допомогою морфологічного і семантичного кодування), можна буде поетапно нарощувати складність моделі і глибину словника нейромережі.

    Після того, як нейромережа отримує можливість працювати з природним мовою, час її навчання різко скорочується. А вже навчену нейромережа можна підключати для автоматичного пошуку за змістом слова до звичного пошуку по словнику.

    Андрій Тарасов, Супутник: Аналіз тональності текстів з використанням технології deep leaning

    Андрій Тарасов розповідає, як ІЇ визначає емоції в тексті

    Андрій Тарасов працює в команді розробки російського веб-браузера Супутник. У сфері його інтересів — визначення тональності відгуків на фільми і заходу.

    Андрій розповів, що аналіз тональності тексту ІІ заснований на визначенні структури пропозиції. Однак при роботі з російською мовою нейромережі доводиться важко: адже в нашій мові немає чіткої структури пропозиції з обов’язковим підметом і присудком.

    У результаті, щоб навчити нейромережа аналізувати відгуки, доводиться використовувати два підходу. У першому слова і емодзі переводяться в зрозумілі ІІ число-буквені символи. У другому застосовується аспектно-сентиментальний аналіз, при якому фахівці виділяють аспектные терміни в реченні: тобто визначають, куди належить. Наприклад, яка частина відгуку на фільм присвячена грі акторів, яка — музики у фільмі, а яка — сценарієм. «Розмічений за параметрами текст і надається ШІ для аналізу.

    Сумісне застосування обох підходів дозволяє навчити ІІ, щоб він швидко впорався з лінгвістичним аналізом. Якщо для такого аналізу використовувати класичні лінгвістичні процесори, той же аналіз займе набагато більше часу.

    Аналіз даних і предиктивне аналітика

    Перерва між доповідями

    Предиктивне, або прогностична аналітика — набір методів аналізу даних, що дозволяє прогнозувати поведінку людей, живих або неживих об’єктів. Оскільки аналіз великого обсягу даних займає багато часу, використовувати ІЇ для прискорення розрахунків і зменшення помилок в прогнозі — актуальне завдання.

    Аналіз даних для предсказательная аналітики затребуваний в банківській справі, медицині, фармацевтиці і торгівлі.

    Андрій Устюжанін, Яндекс: Машинне навчання в фізиці високих енергій для аналізу результатів експериментів

    Андрій Устюжанін розповідає, як допомагає вченим ШІ

    Андрій Устюжанін — керівник спільних проектів Яндекса і CERN. Займається питаннями застосування ШІ у фундаментальних науках.

    Андрій розповів, як нейромережі допомагають вченим вирішувати специфічні наукові завдання: наприклад, вивчати «темну матерію» космосу. Дослідити темну матерію дуже важко, тому що вона не випускає електромагнітного випромінювання і не взаємодіє з ним. А це означає, що доступні вчені прилади не здатні її вимірювати.

    При цьому темна матерія все-таки залишає слід у всесвіті. Якби її не було, зовнішні області галактики були б набагато повільніше, ніж це можна спостерігати. Але щоб спостерігати за такими величезними і віддаленими галактиками, потрібні особливі астрономічні методи, наприклад, метод розрахунку сильного гравітаційного лінзування, який заснований на ефекті викривлення променів, що проходять поблизу масивних об’єктів.

    ІІ допомагає розраховувати параметри гравітаційних лінз, моделювати фізичні явища, що виникають при зіткненні частинок з темною матерією, і виявляти частинки темної матерії — нейтрино — в електромагнітних зливах.

    Теоретично ІІ здатний допомогти у створенні величезних наземних обсерваторій. Щоб створити «всесвітню обсерваторію», досить поставити на мобільні телефони добровольців з усього світу додаток, яке здатне фіксувати сліди нейтрино.

    Проблема лише в тому, що на різних мобільних платформах слід нейтрино буде фіксуватися по-різному. «Вирівняти» дані про нейтрино, отримані з мобільних телефонів різних моделей, знову допоможе ІІ.

    Дмитро Вітрів, ВШЕ: Відкриті проблеми в глибинному навчанні: Байесовское рішення

    Дмитро Вітрів: як Байесовское рішення допомагає ІІ працювати краще

    Дмитро Вітрів — керівник дослідницької групи байєсівських методів ВШЕ, співробітник Яндекса.

    Дмитро розповів, що таке байесовские методи, і пояснив, як вони допомагають боротися з проблемами, що виникають при навчанні ІІ. Головні проблеми ШІ на сьогодні:

  • Перенавчання — нейромережа легко розпізнає предмети з бази даних, по яких її вчили, не набуває здатності узагальнювати ознаки. В результаті, коли їй дають іншу базу даних з іншими прикладами, вона не може виділити в них спільні ознаки. Перенавчання виникає через надмірну підгонки мережі до навчальних прикладів.
  • Інтерпретація — ми досі не розуміємо до кінця, як саме нейромережа узагальнює дані і формує результат. Виходить, ми не можемо довірити нейромережі відповідальні процеси начебто пілотування літака або управління хімічним заводом. Якщо цю проблему не вирішити, юристи почнуть гальмувати науковий прогрес.
  • Невпевненість — ми не розуміємо, коли нейромережа не до кінця впевнена в своєму рішенні.
  • Проблема критичної уразливості, злегка змінивши вхідні дані, можна різко вплинути на результат, які видасть нейромережа. Це може породити масу зловживань з боку хакерів і шахраїв.
  • Розібратися майже з усіма цими проблемами допомагає байєсова статистика (Bayesian framework), заснована на теорії ймовірності. Байєсовський метод допомагає шукати значення невідомої величини за непрямими даними. Причому чим більше непрямих даних, тим точніше результат.

    Застосування байєсівської методики дозволяє працювати не тільки з окремо взятої нейромережею, але з усіма нейромережами разом. Це допомагає не тільки уникнути проблеми перенавчання, але і знімає проблему критичної уразливості. Адже можна обдурити одну нейромережа — але не все відразу.

    Євген Бурнаєв, Skoltech: Машинне навчання в індустріальній предиктивної аналітиці

    Євген Бурнаєв: ІІ і моделювання властивостей промислових об’єктів

    Євген Бурнаєв — завідувач сектором інтелектуального аналізу даних і моделювання Інституту проблем передачі інформації РАН. Веде успішні промислові проекти спільно з Airbus, SAFT, IHI і Sahara Force India Formula 1.

    Євген розповів, як ІЇ застосовують для моделювання властивостей технічних споруд. Наприклад, за допомогою нейромережі можна успішно оптимізувати вагу обшивки або спрогнозувати поломку силової установки літака.

    В цілому, технічні завдання доручити ШІ не складно — адже бази даних за технічними розрахунками вже давно готові. Проте з цим є ряд проблем:

    • іноді дані надходять з різних джерел, тому мають різний формат;
    • дані самі можуть бути складним об’єктом — наприклад, 3D-моделлю крила чи машини;
    • дані деколи незручно витягати зі сховищ — наприклад, якщо це відомості про фізичних характеристиках скельної породи, що залягає глибоко під землею.

    Втім, всі ці проблеми можна вирішити. Якщо дані розібрати на складові, розбити за групами ознак і навчити отриманої на базі даних ШІ, нейромережа успішно впорається зі складними промисловими завданнями.

    Анна-Вероніка Дорогуш, Яндекс: CatBoost — нове покоління градієнтного бустинга

    Анна-Вероніка Дорогуш розповідає про градієнтному бустинге

    Анна-Вероніка Дорогуш — керівник бригади Matrixnet Яндекса. Головна особливість методу машинного навчання Матриксет полягає в тому, що він стійкий до перенавчання.

    Анна-Вероніка розповіла про градієнтному бустинге — процедурі послідовної побудови композиції алгоритмів машинного навчання. При цьому кожен наступний алгоритм прагне компенсувати недоліки всіх попередніх алгоритмів.

    Зараз Яндекс створює нову бібліотеку градієнтного бустинга з відкритим кодом — CatBoost. Ця бібліотека працює швидше, ніж її попередник Matrixnet. Але найважливіше: для того, щоб використовувати бібліотеку, не обов’язково бути фахівцем з градиентному бустингу.

    Доступність і простота використання бібліотеки CatBoost — запорука того, що технології машинного навчання зможуть використовувати всі, кому потрібно швидко навчати моделі на різнорідних даних. Наприклад, власники інтернет-магазинів, в яких продається безліч товарів з різними характеристиками.

    Спеціальний виступ

    Штучний інтелект: на стику ІТ та нейрофізіології

    Як і багато інші поняття, термін «нейромережа» прийшов в IT з біології. Науковці небезпідставно вважають: щоб остаточно розібратися з штучними нейромережами, для початку доведеться з’ясувати, як працюють «природні» нейромережі в мозку живих істот.

    Костянтин Анохін, НДЦ «Курчатовський інститут»: Нейрофізіологія як ключ до сильного ІІ

    К. В. Анохін розповідає, як працює реальна нейронна мережа

    Костянтин Володимирович Анохін — професор, керівник відділу нейронаук НДЦ «Курчатовський інститут». Автор поняття «когнитом» — сукупність пізнавальних здібностей мозку.

    Костянтин Володимирович розповів, як функціонують «живі» нейромережі — прототип штучних нейромереж. Оскільки принципи організації нейронних мереж у всіх живих істот дуже консервативні, нейромережі можна вивчати на модельних організмах — мишах.

    Роботу нейромереж вивчають вже дуже довго, але тільки в наші дні у дослідників з’явилася можливість вживу спостерігати процес «освіти» пам’яті в окремих нейронах. Це стало можливо завдяки введенню флуоресцентних білків в окремі нейрони. Коли нейрон починає обробляти інформацію і формувати пам’ять, флуоресцентні білки починають світитися, і цей процес можна описати в динаміці.

    Нейрофізіологам відомо, що кора головного мозку складається з вертикальних модулів-колонок, в кожен з яких входить приблизно 100 нейронів. Ці колонки здатні виконувати чіткі алгоритмічні процедури — тобто, по факту, є крихітними нейромереж у складі однієї великої нейромережі.

    Логічна архітектура нейронної колонки така, що запам’ятовує нову інформацію тільки частина клітин. Решта клітини або роблять прогноз, або збуджуються у відповідь на нову інформацію. Детально розібравшись, як саме нейронна колонка обробляє інформацію, можна буде побудувати машинний алгоритм за тим же принципом.

    Але навіть це не найголовніше. Розібравшись зі структурою природної нейронної мережі, людство нарешті зможе зрозуміти, як працює психіка і функціонує людська душа.

    • 1413
    Завантажити додаток
    Medical Note

    Поверни 7% від суми чека
    Скачай додаток

    Отримати посилання на програму в смс:
    Завантажити з Google Play
    Доступний в App Store

ОСТАВЬТЕ ОТВЕТ

Please enter your comment!
Please enter your name here