Inteligencia artificial y neuronas y redes. Redes neuronales. ¿Neuronas? es como en el cerebro

El algoritmo japonés escribió un libro."El día que la computadora escribió una novela". A pesar de que la gente ayudó al escritor inexperto con los personajes y las historias, la computadora hizo un gran trabajo; como resultado, una de sus obras pasó la etapa de clasificación de un prestigioso premio literario. Las redes neuronales también escribieron secuelas de Harry Potter y Juego de Tronos.

En 2015, la red neuronal AlphaGo, desarrollada por el equipo de Google DeepMind, se convirtió en el primer programa en derrotar a un jugador profesional de Go. Y en mayo de este año el programa venció al jugador de Go más fuerte del mundo, Ke Ze. Esto fue un gran avance porque durante mucho tiempo se creía que las computadoras no tenían la intuición necesaria para jugar al Go.

Seguridad

Un equipo de desarrolladores de la Universidad Tecnológica de Sydney ha introducido drones para patrullar las playas. La principal tarea de los drones será buscando tiburones en aguas costeras y advirtiendo a la gente en las playas. El análisis de los datos de video se realiza mediante redes neuronales, lo que influyó significativamente en los resultados: los desarrolladores afirman que la probabilidad de detectar e identificar tiburones es de hasta el 90%, mientras que un operador que ve videos desde drones reconoce con éxito a los tiburones solo en 20-30 % de los casos.

Australia ocupa el segundo lugar en el mundo después de Estados Unidos en número de ataques de tiburones a personas. En 2016 se registraron en este país 26 casos de ataques de tiburones, dos de los cuales resultaron en muerte.

En 2014, Kaspersky Lab informó que su antivirus registraba 325.000 nuevos archivos infectados cada día. Al mismo tiempo, un estudio de Deep Instinct mostró que las nuevas versiones de virus prácticamente no se diferencian de las anteriores: el cambio oscila entre el 2% y el 10%. Con base en esta información, el modelo de autoaprendizaje desarrollado por Deep Instinct puede identificar archivos infectados.

Las redes neuronales también pueden buscar ciertos patrones en cómo se almacena la información en los servicios en la nube e informar anomalías detectadas que podrían provocar violaciones de seguridad.

Bonificación: redes neuronales que protegen nuestro césped

En 2016, el ingeniero de NVIDIA, Robert Bond, de 65 años, se enfrentó a un problema: los gatos de su vecino visitaban regularmente su propiedad y dejaban rastros de su presencia, lo que molestaba a su esposa, que estaba trabajando en el jardín. Bond inmediatamente rechazó la idea demasiado hostil de construir trampas para invitados no invitados. En cambio, decidió escribir un algoritmo que activaría automáticamente los aspersores del jardín cuando los gatos se acercaran.

Robert se enfrentó a la tarea de identificar gatos en una transmisión de vídeo procedente de una cámara externa. Para ello, utilizó un sistema basado en la popular red neuronal Caffe. Cada vez que la cámara observaba un cambio en la situación en el lugar, tomaba siete fotografías y las transmitía a la red neuronal. Después de esto, la red neuronal tenía que determinar si había un gato presente en el cuadro y, si la respuesta era sí, encender los aspersores.

Imagen de la cámara del depósito de bonos

Antes de comenzar a trabajar, se entrenó la red neuronal: Bond la “alimentó” con 300 fotografías diferentes de gatos. Al analizar estas fotografías, la red neuronal aprendió a reconocer animales. Pero esto no fue suficiente: solo identificó correctamente a los gatos el 30% de las veces y confundió la sombra de Bond con un gato, por lo que él mismo terminó mojado.

La red neuronal funcionó mejor después de un entrenamiento adicional con más fotografías. Sin embargo, Bond advierte que es posible entrenar demasiado una red neuronal, en cuyo caso se desarrollará un estereotipo poco realista; por ejemplo, si todas las imágenes utilizadas para el entrenamiento se toman desde un ángulo, es posible que la inteligencia artificial no reconozca la red neuronal. El mismo gato desde un ángulo diferente. Por lo tanto, una selección competente de la serie de datos de entrenamiento es extremadamente importante.

Después de un tiempo, los gatos, que no habían aprendido de las fotografías sino de su propia piel, dejaron de visitar el sitio de Bond.

Conclusión

Las redes neuronales, una tecnología de mediados del siglo pasado, están cambiando la forma en que operan industrias enteras. La reacción de la sociedad es ambigua: algunos están encantados con las capacidades de las redes neuronales, mientras que otros se ven obligados a dudar de su utilidad como especialistas.

Sin embargo, no en todos los lugares donde llega el aprendizaje automático, éste desplaza a las personas. Si una red neuronal diagnostica mejor que un médico vivo, esto no significa que en el futuro seremos tratados exclusivamente por robots. Lo más probable es que el médico trabaje junto con la red neuronal. De manera similar, el superordenador de IBM Deep Blue venció a Garry Kasparov en ajedrez en 1997, pero la gente del ajedrez no ha desaparecido por ningún lado y los grandes maestros famosos todavía aparecen en las portadas de las revistas de moda.

La cooperación con las máquinas traerá muchos más beneficios que la confrontación. Por lo tanto, hemos compilado una lista de materiales de acceso abierto que lo ayudarán a continuar conociendo las redes neuronales:

La clave del éxito del desarrollo de la inteligencia artificial es la neurobiología. Cómo exactamente los científicos intentan reproducir el trabajo del cerebro humano y qué tiene de especial el trabajo de las redes neuronales se encuentra en el material de "Futurist".

Neurociencia e inteligencia artificial

“El futuro de la inteligencia artificial está en la neurobiología”, afirma el fundador de Google DeepMind, doctor en neurobiología Demis Hassabis (Demis Hassabis) en un artículo publicado en la revista Neuron. Hasabis lanzó su empresa DeepMind, con sede en Londres, para crear análogo técnico de la inteligencia humana, y Google compró su empresa por más de 500 millones de dólares en 2014. El año pasado, AlphaGo, un programa desarrollado por DeepMind, venció a los campeones mundiales en el juego de lógica Go. En colaboración con OpenAI, un instituto de investigación de IA sin fines de lucro respaldado por Elon Musk , la empresa también está trabajando en la creación de máquinas con capacidades de inteligencia más avanzadas.

Todos los algoritmos de inteligencia artificial de DeepMind se basan en conceptos descubiertos por primera vez en nuestro propio cerebro. El aprendizaje profundo y el aprendizaje por refuerzo, dos pilares de la IA moderna, son el resultado de una traducción libre del modelo de las conexiones neuronales biológicas del cerebro humano al lenguaje de las matemáticas formales. Aprendizaje profundo En realidad, es solo un nuevo nombre para un enfoque de inteligencia artificial de más de 70 años conocido como redes neuronales. Las redes neuronales se propusieron por primera vez en 1944. Warren McCullough (Warren McCullough) y Walter Peets (Walter Pitts), dos investigadores de la Universidad de Chicago que fundaron lo que a veces se llama el primer departamento de ciencia cognitiva en 1952.

Las redes neuronales fueron un área importante de investigación tanto en neurociencia como en informática hasta 1969, pero desde entonces el interés en ellas ha disminuido. La tecnología comenzó a resurgir en la década de 1980, pero volvió a eclipsarse en la primera década del nuevo siglo y regresó casi inmediatamente en la segunda, gracias en gran parte al aumento de la potencia de procesamiento de los chips gráficos.

Diagrama de dispositivo de red neuronal

Características del funcionamiento de las redes neuronales.

Las redes neuronales son una herramienta de aprendizaje automático en la que una computadora aprende a realizar una tarea específica analizando ejemplos de aprendizaje. Normalmente, estos ejemplos están preetiquetados a mano. Por ejemplo, un sistema de reconocimiento de objetos podría almacenar miles de imágenes etiquetadas de coches, casas, tazas, etc., y ser capaz de encontrar patrones visuales y características de estas imágenes para luego asociarlas a etiquetas específicas. En pocas palabras, así es como aprenden los niños; por ejemplo, a un niño se le muestran diferentes objetos rojos para que en el futuro pueda asociar de forma independiente esta "etiqueta" con todos los objetos rojos.

Sin embargo, para desarrollar incluso un análogo técnico remoto de las conexiones de nuestro cerebro, se requiere la creación de un mecanismo complejo. Las redes neuronales están formadas por miles o millones de nodos de procesamiento de información simples pero densamente interconectados, normalmente organizados en capas. Los diferentes tipos de redes varían según su número de capas, el número de conexiones entre nodos y el número de nodos en cada capa. La mayoría de las redes neuronales modernas están organizadas en capas de nodos en las que los datos se mueven en una sola dirección. Un solo nodo se puede conectar a múltiples nodos en la capa debajo de él desde donde recibe datos, y a múltiples nodos en la capa arriba a donde envía datos.

Ejemplo de entrenamiento de red

Un nodo asigna un número a cada una de sus conexiones entrantes, conocido como "peso". Cuando la red está activa, el nodo recibe otro elemento de datos, otro número de ellos y lo multiplica por el peso ya dado, y luego suma los valores recibidos de todas las entradas, obteniendo un número. Si el número excede un umbral, el nodo se "dispara", lo que en las redes neuronales modernas generalmente significa enviar el número (la suma de las entradas ponderadas) a través de todas sus conexiones salientes.

En el modo de entrenamiento, todos los pesos y umbrales de la red neuronal se establecen inicialmente en valores aleatorios. Los datos de entrenamiento se envían a la capa inferior (la capa de entrada) y pasan a través de capas posteriores, multiplicadas y sumadas, hasta llegar a la capa de salida. Durante el entrenamiento, los pesos y umbrales se ajustan continuamente hasta que los datos de entrenamiento con las mismas etiquetas logren resultados similares.

El futuro ya está aquí

Los impresionantes resultados de mejorar el rendimiento de las redes neuronales y difundir el uso de la tecnología no se limitan a la victoria de AlphaGo y la investigación de laboratorio de IA. Si todavía asocia la frase "máquinas de autoaprendizaje" con el mundo de la ciencia ficción y las películas de terror sobre el levantamiento de los robots, entonces bienvenido al futuro.

En los últimos años, los sistemas de inteligencia artificial más eficaces (en áreas como la conducción autónoma, el reconocimiento de voz, la visión por ordenador y la traducción automática) se han desarrollado gracias a las redes neuronales. Puede que ni siquiera nosotros mismos lo notemos, pero las redes neuronales de autoaprendizaje ya están arraigadas en nuestra vida diaria. Así, por ejemplo, la traducción sugerida en tu feed de Facebook ya no se realiza automáticamente buscando cada palabra individual en el diccionario. Ahora la empresa ha lanzado una red neuronal que traduce frases enteras, produciendo un texto cada vez más alfabetizado y coherente. La precisión de las traducciones en las redes sociales ya ha aumentado un 11%.

Modelo de neurona procesado en la aplicación Prisma.

Una ola separada de interés en la tecnología de la gente común en Rusia fue provocada por la aparición de la aplicación Prizma, que convierte fotografías comunes en imágenes de obras de arte famosas. No importa si has utilizado esta aplicación o, por el contrario, te has quedado perplejo por su abuso por parte de los usuarios de las redes sociales: cabe destacar la creatividad de sus creadores. La peculiaridad de esta herramienta de procesamiento de fotografías aparentemente común y corriente era precisamente que el programa funcionaba sobre la base de redes neuronales, utilizando los patrones de varios estilos de pintura para crear nuevas "obras maestras".

Sin embargo, incluso las redes neuronales más simples ocupan mucha memoria y consumen enormes cantidades de energía, por lo que normalmente se ejecutan en servidores en la nube, donde reciben datos desde dispositivos móviles o de escritorio y luego envían los resultados del análisis.

Para abordar este problema, el año pasado, la profesora asociada de ingeniería eléctrica e informática del MIT, Vivienne Sze, y sus colegas dieron a conocer un nuevo chip de computadora energéticamente eficiente optimizado para redes neuronales que podría permitir que potentes sistemas de inteligencia artificial se ejecuten localmente en dispositivos móviles.

También desarrollaron un método analítico que puede determinar cuánta energía consume una red neuronal cuando se ejecuta en un tipo específico de hardware. Luego utilizaron la tecnología para evaluar nuevos métodos para eludir las redes neuronales y poder trabajar de manera más eficiente en dispositivos portátiles.

Sin embargo, Hassabis sostiene que esto no es suficiente. El objetivo que ahora se proponen los investigadores es crear una IA universal con la capacidad de pensar, razonar y aprender de forma rápida y flexible, una inteligencia artificial capaz de comprender el mundo real e imaginar uno mejor.

Para lograrlo, es necesario estudiar más de cerca el funcionamiento de la mente humana, ya que es la única evidencia de que un sistema tan inteligente es posible en principio.

Problema de entrenamiento de IA

Dependiendo de sus tareas específicas, los algoritmos de aprendizaje automático se ajustan utilizando estructuras matemáticas específicas. A través de un millón de ejemplos, las redes neuronales artificiales aprenden a afinar sus conexiones hasta alcanzar un estado ideal que les permita realizar una tarea con la mayor precisión posible.

Debido a que cada algoritmo está completamente diseñado para una tarea específica, el reentrenamiento para una nueva tarea a menudo borra las conexiones previamente establecidas. Así, cuando la IA aprende una nueva tarea, sobrescribe por completo la anterior.

El dilema del aprendizaje continuo es sólo un problema de la inteligencia artificial. Otros ni siquiera han sido definidos con tanta precisión todavía, pero tal vez resulten más significativos a la hora de crear mentes flexibles e inventivas como la nuestra.

Por ejemplo, el problema de la cognición encarnada, como explica Hassabis, es la capacidad de crear conocimientos y pensamientos abstractos basados ​​en la interacción sensorial independiente con el mundo. Es una especie de sentido común que tenemos las personas, una intuición difícil de describir pero extremadamente útil para resolver los problemas cotidianos a los que nos enfrentamos.

Rasgos como la imaginación son aún más difíciles de programar. Aquí es donde la IA, limitada a una tarea específica, es realmente mala, afirma Hassabis. La imaginación y la innovación se basan en los modelos que ya hemos creado sobre nuestro mundo e imaginamos nuevos escenarios a partir de ellos. Se trata de herramientas de planificación muy poderosas, pero su investigación para la IA aún se encuentra en sus primeras etapas.

Los científicos señalan que para resolver problemas de redes neuronales recurren a la neurobiología y la fisiología de los seres vivos. Así, descubrimientos recientes muestran que el hipocampo, parte del sistema límbico del cerebro responsable de la memoria, "reproduce" nuestras experiencias y recuerdos rápidamente durante el descanso y el sueño. Esto permite al cerebro "volver a aprender de los éxitos y fracasos que ya ocurrieron en el pasado", dice Hassabis.

Los investigadores de IA adoptaron esta idea e implementaron una versión rudimentaria del algoritmo, lo que dio como resultado potentes redes neuronales que aprenden mediante experiencias. Comparan situaciones actuales con eventos anteriores almacenados en la memoria y toman acciones que anteriormente resultaron en éxito o recompensa.

Pero lo mejor aún está por venir

La llegada de las imágenes cerebrales y las herramientas de bioingeniería genética ofrece una visión sin precedentes de cómo las redes neuronales biológicas se organizan y conectan para resolver problemas. Mientras los neurocientíficos trabajan para resolver el “código neuronal” (los cálculos básicos que respaldan la función cerebral), los investigadores de IA tienen un conjunto cada vez más amplio de herramientas para estudiar.

Vale la pena señalar que no es sólo la IA la que tiene algo que aprender de los neurocientíficos: los beneficios son mutuos. La neurociencia moderna, con todas sus poderosas herramientas de imágenes y genética óptica, apenas ha comenzado a comprender cómo las redes neuronales sustentan niveles más altos de inteligencia.

"Los neurocientíficos suelen tener una comprensión bastante vaga de los mecanismos subyacentes a los conceptos que estudian", afirma Hassabis. Dado que la investigación de la IA se basa en matemáticas rigurosas, puede ofrecer formas de aclarar estos conceptos vagos y convertirlos en hipótesis del mundo real.

Por supuesto, es poco probable que la IA y el cerebro funcionen siempre de la misma manera. Pero podemos pensar en la IA como una neurociencia computacional aplicada, afirma Hassabis. Comparar los algoritmos de IA con el cerebro humano "puede proporcionar información sobre algunos de los misterios más profundos de la mente".

Se dijo que el 47% de todos
Los empleos podrían automatizarse en los próximos 20 años. El principal impulsor de este proceso es el uso de inteligencia artificial que trabaja con big data como un sustituto más eficaz de los humanos.

Las máquinas ahora son capaces de manejar cada vez más procesos que antes eran responsabilidad de los humanos. Además, lo hacen mejor y en muchos casos más barato. German Gref habló en julio de este año de lo que esto significa para el mercado laboral ante estudiantes de la Universidad Federal del Báltico. Kanta:

“Dejamos de contratar abogados que no saben qué hacer con una red neuronal.<...>Ustedes son los estudiantes de ayer. Camaradas abogados, olvidéis vuestra profesión. El año pasado, los 450 abogados que preparan demandas para nosotros se fueron y fueron despedidos. Nuestra red neuronal prepara escritos de demanda mejor que los abogados formados por la Universidad Federal del Báltico. Definitivamente no los contrataremos”.

Continuando iluminando el #tecnofuturo, el equipo de DTI ha preparado todo lo que lo que necesitas saber para tu primera inmersión en las redes neuronales: cómo funcionan, por qué cada vez más empresas prefieren las redes neuronales a los empleados vivos y qué potencial tiene esta tecnología para optimizar diversos procesos.

Inteligencia artificial, aprendizaje automático y redes neuronales: cuál es la diferencia

Red neuronal- una de las formas de implementar inteligencia artificial (IA).

Hay un área enorme en el desarrollo de la IA: aprendizaje automático. Estudia métodos para construir algoritmos que puedan aprender por sí solos. Esto es necesario si no existe una solución clara a un problema. En este caso, es más fácil no buscar la solución adecuada, sino crear un mecanismo que a su vez encuentre un método para encontrarla.

#referencia En muchos artículos puedes encontrar el término. Aprendizaje "profundo" - o "profundo". Se refiere a algoritmos de aprendizaje automático que utilizan muchos recursos informáticos. En la mayoría de los casos, puede entenderse simplemente como "redes neuronales".

Para no confundirse con los conceptos de “inteligencia artificial”, “aprendizaje automático” y “aprendizaje profundo”, sugerimos observar la visualización de su desarrollo:

#interesante Hay dos tipos de inteligencia artificial (IA): débil (con un enfoque limitado) y fuerte (general). La IA débil está diseñada para realizar una lista limitada de tareas. Estos son los asistentes de voz Siri y Google Assistant y todos los demás ejemplos que damos en este artículo. Una IA fuerte, a su vez, es capaz de completar cualquier tarea humana. Por el momento, la implementación de una IA potente es imposible; es una idea utópica.

¿Cómo funciona una red neuronal?

La red neuronal modela el funcionamiento del sistema nervioso humano, cuya peculiaridad es la capacidad de autoaprendizaje, teniendo en cuenta la experiencia previa. Así, cada vez el sistema comete cada vez menos errores.

Al igual que nuestro sistema nervioso, una red neuronal consta de elementos computacionales individuales: neuronas, ubicadas en varias capas. Los datos recibidos a la entrada de la red neuronal se someten a un procesamiento secuencial en cada capa de la red. Además, cada neurona tiene ciertos parámetros que pueden cambiar según los resultados obtenidos: este es el entrenamiento de la red.

Supongamos que la tarea de una red neuronal es distinguir gatos de perros. Para configurar la red neuronal, se alimenta una gran variedad de imágenes firmadas de perros y gatos. La red neuronal analiza las características (incluidas líneas, formas, su tamaño y color) en estas imágenes y construye un modelo de reconocimiento que minimiza el porcentaje de errores en relación con los resultados de referencia.

La siguiente figura muestra el proceso de una red neuronal cuya tarea es reconocer un número de código postal escrito a mano.

Historia de las redes neuronales.

A pesar de que las redes neuronales se han vuelto populares recientemente, son uno de los algoritmos de aprendizaje automático más antiguos. La primera versión de la neurona formal, la célula de red neuronal, fue propuesta por Warren McCulloch y Walter Pitts en 1943.

Y ya en 1958, Frank Rosenblatt desarrolló la primera red neuronal. A pesar de su simplicidad, ya podía distinguir, por ejemplo, objetos en un espacio bidimensional.

Perceptrón Mark I: máquina de Rosenblatt

Los primeros éxitos atrajeron una mayor atención hacia la tecnología, pero luego otros algoritmos de aprendizaje automático comenzaron a mostrar mejores resultados y las redes neuronales pasaron a un segundo plano. La siguiente ola de interés se produjo en la década de 1990, después de la cual casi no se escuchó nada sobre las redes neuronales hasta 2010.

Por qué las redes neuronales vuelven a ser populares

Antes de 2010, simplemente no existía una base de datos lo suficientemente grande como para entrenar adecuadamente redes neuronales para resolver ciertos problemas, principalmente relacionados con el reconocimiento y clasificación de imágenes. Por lo tanto, las redes neuronales cometían errores con bastante frecuencia: confundían un gato con un perro o, peor aún, la imagen de un órgano sano con la imagen de un órgano afectado por un tumor.

Pero en 2010 apareció la base de datos ImageNet, que contiene 15 millones de imágenes en 22 mil categorías. ImageNet era muchas veces más grande que las bases de datos de imágenes existentes y era accesible para cualquier investigador. Con tales volúmenes de datos, se podrían entrenar redes neuronales para tomar decisiones prácticamente sin errores.

Tamaño de ImageNet en comparación con otras bases de datos de imágenes existentes en 2010

Antes de esto, otro problema no menos importante se interpuso en el camino del desarrollo de las redes neuronales: el método de enseñanza tradicional era ineficaz. Aunque la cantidad de capas en una red neuronal juega un papel importante, el método de entrenamiento de la red también lo es. El método de cifrado inverso utilizado anteriormente sólo podía entrenar eficazmente las últimas capas de la red. El proceso de entrenamiento resultó ser demasiado largo para su uso práctico y las capas ocultas de las redes neuronales profundas no funcionaron correctamente.

Tres grupos independientes de científicos lograron resultados para resolver este problema en 2006. Primero, Geoffrey Hinton entrenó previamente la red utilizando una máquina de Boltzmann, entrenando cada capa por separado. En segundo lugar, Yann LeCun propuso el uso de una red neuronal convolucional para resolver problemas de reconocimiento de imágenes. Finalmente, Joshua Bengio desarrolló un codificador automático en cascada que permitía utilizar todas las capas de una red neuronal profunda.

Ejemplos de uso exitoso de redes neuronales en los negocios.

Medicamento

Un equipo de investigadores de la Universidad de Nottingham ha desarrollado cuatro algoritmos de aprendizaje automático para evaluar el riesgo de enfermedad cardiovascular de los pacientes. Para la formación se utilizaron datos de 378.000 pacientes británicos. La inteligencia artificial entrenada determinó el riesgo de enfermedades cardíacas de manera más efectiva que los médicos reales. La precisión del algoritmo está entre el 74 y el 76,4 por ciento (el sistema estándar de ocho factores desarrollado por el Colegio Americano de Cardiología proporciona una precisión de sólo el 72,8%)

Finanzas

La compañía de seguros japonesa Fukoku Mutual Life Insurance ha firmado un contrato con IBM. De acuerdo con él, 34 empleados de una empresa japonesa serán sustituidos por el sistema de IA IBM Watson Explorer. La red neuronal revisará decenas de miles de certificados médicos y tendrá en cuenta el número de visitas al hospital, cirugías y otros factores para determinar las condiciones del seguro para los clientes. Fukoku Mutual Life Insurance cree que el uso de IBM Watson aumentará la productividad en un 30% y se amortizará en dos años.

Aprendizaje automático ayuda a reconocer posibles casos de fraude en diversos ámbitos de la vida. PayPal utiliza una herramienta similar: en el marco de la lucha contra el blanqueo de dinero, la empresa compara millones de transacciones y detecta aquellas sospechosas entre ellas. Como resultado, las transacciones fraudulentas en PayPal se encuentran en un mínimo histórico del 0,32%, mientras que el estándar en el sector financiero es del 1,32%.

La continuación de la nota analítica está disponible en el enlace:

El aprendizaje automático es un término amplio que cubre todas las veces que intentas enseñarle a una máquina a mejorarse. Específicamente, esto se aplica a cualquier sistema en el que el rendimiento de una computadora en una tarea mejora sólo a través de una mayor experiencia con esa tarea. Las redes neuronales son un ejemplo de aprendizaje automático, pero no son la única forma en que una computadora puede aprender.

Por ejemplo, un método alternativo de aprendizaje automático se llama aprendizaje por refuerzo. En este método, la computadora realiza una tarea y luego evalúa su resultado. Si, por ejemplo, una computadora gana una partida de ajedrez, asigna un valor ganador a la serie de movimientos que utiliza durante la partida. Después de jugar millones de juegos, el sistema puede determinar qué movimientos tienen más probabilidades de conducir a la victoria en función de los resultados de juegos anteriores.

Si bien las redes neuronales son buenas para cosas como reconocer patrones en imágenes, otros tipos de aprendizaje automático pueden ser más útiles para diversas tareas como identificar su música favorita. Google dice que su aplicación de música te encontrará la música que deseas escuchar. Lo hace analizando tus listas de reproducción anteriores. Si no te gusta el resultado, la máquina lo considerará un fracaso. Pero si eliges una de las listas sugeridas, ella la marcará como un éxito y analizará los movimientos ganadores que la llevaron a tu corazón.

En casos como estos, no obtendrá todos los beneficios del aprendizaje automático a menos que utilice la función con frecuencia. Cuando abres la aplicación de música de Google por primera vez, es probable que las recomendaciones pasen desapercibidas. Pero cuanto más lo uses, mejores serán las sugerencias. Al menos en teoría. El aprendizaje automático tampoco es una panacea. El aprendizaje automático es un concepto más confuso que el de las redes neuronales, pero también significa que el software que utilice dependerá de sus comentarios para mejorar su rendimiento.

La inteligencia artificial es toda por ahora con el prefijo “inteligente”

Así como las redes neuronales son una forma de aprendizaje automático, el aprendizaje automático es una forma de inteligencia artificial. Pero la categoría de “inteligencia artificial” está tan mal definida que la frase no tiene significado práctico. Sí, evoca imágenes de un futuro tecnológicamente avanzado, pero en realidad aún no estamos ni cerca de ello. El OCR alguna vez fue demasiado complejo para una máquina, pero ahora una aplicación en su teléfono puede escanear documentos y convertirlos en texto. Llamar a esto una hazaña de la inteligencia artificial es algo inapropiado.

La razón por la que las capacidades básicas de un teléfono pueden considerarse inteligencia artificial es porque en realidad existen dos tipos de IA. La IA débil o limitada describe cualquier sistema diseñado para realizar un conjunto limitado de tareas. Por ejemplo, el Asistente de Google o Siri, aunque son una IA bastante poderosa, aún realizan una lista bastante limitada de tareas. Reciben comandos de voz y devuelven respuestas o inician aplicaciones. La investigación sobre inteligencia artificial está impulsando estas características, pero se consideran “débiles”.

Por el contrario, la IA fuerte, también conocida como inteligencia artificial general o "IA completa", es un sistema que puede realizar cualquier tarea humana. Y ella no existe. Por tanto, cualquier aplicación “inteligente” sigue siendo una inteligencia artificial débil.

Y aunque el significado puede ser bastante vago, la investigación práctica en el campo de la inteligencia artificial es tan útil que probablemente ya se haya convertido en parte de tu vida diaria. Cada vez que tu teléfono recuerda automáticamente dónde estacionaste, reconoce caras en tus fotos, recibe sugerencias de búsqueda o agrupa automáticamente todas tus fotos del fin de semana, estás tocando la inteligencia artificial de alguna manera. Hasta cierto punto, la "inteligencia artificial" en realidad simplemente significa que las aplicaciones serán un poco más inteligentes de lo que estamos acostumbrados. La etiqueta "IA" ya casi no significa nada inteligible desde un punto de vista práctico.

Pero también resolver problemas más importantes, por ejemplo, la búsqueda de nuevos medicamentos. The Village recurrió a expertos para averiguar cuáles son las características de la tecnología y cómo la utilizan las empresas y universidades nacionales.

¿Qué son las redes neuronales?

Para comprender qué lugar ocupan las redes neuronales en el mundo de la inteligencia artificial y cómo se relacionan con otras tecnologías para la creación de sistemas inteligentes, comencemos con las definiciones.

Redes neuronales- uno de los métodos de aprendizaje automático, cuyas bases se originaron en 1943, incluso antes de que apareciera el término "inteligencia artificial". Representan un modelo matemático que se parece vagamente al funcionamiento del sistema nervioso de los animales.

Según Stanislav Protasov, investigador principal de la Universidad de Innopolis, el análogo más cercano del cerebro humano son las redes neuronales convolucionales, inventadas por el matemático Yann LeCun. “Están en el centro de muchas aplicaciones que pretenden ser inteligencia artificial, como FindFace o Prisma”, señala.

Aprendizaje automático- una subsección de inteligencia artificial en la intersección de las matemáticas y la informática. Estudia métodos para construir modelos y algoritmos basados ​​en el principio de aprendizaje. La máquina analiza los ejemplos que recibe, identifica patrones, los generaliza y construye reglas con ayuda de las cuales se resuelven diversos problemas, por ejemplo, predecir el desarrollo posterior de eventos o reconocer y generar imágenes, texto y voz. Además de las redes neuronales, aquí también se utilizan métodos de regresión lineal, árboles de decisión y otros enfoques.

Inteligencia artificial- una rama de la informática que se ocupa de la creación de medios tecnológicos para que las máquinas realicen tareas que antes se consideraban prerrogativa exclusiva de los humanos, así como la designación de dichos desarrollos. La dirección se formalizó oficialmente en 1956.

Alejandro Krainov

Lo que se puede llamar inteligencia artificial y lo que no es cuestión de acuerdo. La humanidad, en general, no ha llegado a una formulación inequívoca de lo que es la inteligencia en general, y mucho menos la inteligencia artificial. Pero si generalizamos lo que está sucediendo, podemos decir que la inteligencia artificial son redes neuronales profundas que resuelven problemas complejos a un nivel cercano al humano, y en un grado u otro son de autoaprendizaje. Al mismo tiempo, aquí el autoaprendizaje se refiere a la capacidad de extraer de forma independiente una señal útil a partir de datos sin procesar.

¿Cuál es el estado actual de la industria?

Según la agencia de analistas Gartner, el aprendizaje automático se encuentra ahora en la cima de las expectativas infladas. El entusiasmo en torno a una nueva tecnología característica de esta etapa conduce a un entusiasmo excesivo, lo que resulta en intentos fallidos de utilizarla ampliamente. Se espera que la industria tarde entre dos y cinco años en deshacerse de sus ilusiones. Según los expertos rusos, las redes neuronales pronto tendrán que pasar una prueba de resistencia.

Sergey Negodiaev

Gerente de Portafolio del Fondo de Desarrollo de Iniciativas de Internet

Aunque los científicos llevan 70 años formalizando y desarrollando redes neuronales, se pueden identificar dos puntos de inflexión en el desarrollo de esta tecnología. El primero fue en 2007, cuando la Universidad de Toronto creó algoritmos de aprendizaje profundo para redes neuronales multicapa. El segundo momento que provocó el boom actual fue en 2012, cuando investigadores de la misma universidad utilizaron redes neuronales profundas y ganaron el concurso ImageNet, aprendiendo a reconocer objetos en fotografías y vídeos con un mínimo de errores.

Hoy en día existe suficiente potencia informática para resolver, si no todos, la gran mayoría de los problemas basados ​​en redes neuronales. Ahora el principal obstáculo es la falta de datos etiquetados. En términos relativos, para que el sistema aprenda a reconocer una puesta de sol en vídeos o fotografías, es necesario recibir un millón de imágenes de la puesta de sol, indicando exactamente dónde se encuentra en el encuadre. Por ejemplo, cuando subes una foto a Facebook, tus amigos la reconocen como un gato bajo los rayos del sol poniente, y la red social ve en ella una serie de etiquetas: “animal”, “gato”, “de madera”, “piso”, “tarde”, “ naranja". Quien tenga más datos de entrenamiento tendrá una red neuronal más inteligente.

Andrei Kalinin

Jefe de búsqueda Mail.Ru

Las aplicaciones de entretenimiento basadas en redes neuronales (por ejemplo, Artisto o Vinci) son solo la punta del iceberg y, al mismo tiempo, una excelente manera de demostrar sus capacidades a un público más amplio. De hecho, las redes neuronales son capaces de resolver una serie de problemas complejos. Las áreas más populares ahora son los pilotos automáticos, los asistentes de voz, los chatbots y la medicina.

Alejandro Krainov

Jefe del Servicio de Visión por Computadora en Yandex

Podemos decir que el boom de las redes neuronales ya ha llegado, pero aún no ha llegado a su punto máximo. Sólo se volverá más interesante. Las áreas más prometedoras hoy en día son, quizás, la visión por ordenador, los sistemas de diálogo, el análisis de textos, la robótica, los vehículos no tripulados y la generación de contenidos: textos, imágenes, música.

Áreas prometedoras para la implementación de redes neuronales

Transporte

Robótica

Biotecnología

Agricultura

Internet de las Cosas

Medios y entretenimiento

Lingüística

Seguridad

Vlad Shershulsky

director de programas de cooperación tecnológica de Microsoft en Rusia

Hoy ya ha ocurrido una revolución neuronal. A veces resulta incluso difícil distinguir la ficción de la realidad. Imagine una cosechadora automatizada con muchas cámaras. Toma 5.000 fotografías por minuto y, a través de una red neuronal, analiza si la planta que tiene delante es una mala hierba o una planta infestada de plagas, y luego decide qué hacer a continuación. ¿Fantástico? Realmente ya no.

Boris Volfson

Director de Desarrollo de HeadHunters

Hay cierto revuelo en torno a las redes neuronales y, en mi opinión, expectativas ligeramente infladas. Todavía pasaremos por una etapa de decepción antes de que aprendamos a utilizarlos de forma eficaz. Muchos resultados de investigaciones innovadoras aún no son muy aplicables a las empresas. En la práctica, suele ser más razonable utilizar otros métodos de aprendizaje automático, por ejemplo, varios algoritmos basados ​​en árboles de decisión. Probablemente no parezca tan emocionante o futurista, pero estos enfoques son muy comunes.

¿Qué enseñan las redes neuronales en Rusia?

Los participantes del mercado coinciden en que muchos de los logros de las redes neuronales todavía son aplicables sólo en el ámbito académico. Fuera de sus fronteras, la tecnología se utiliza principalmente en aplicaciones de entretenimiento, lo que alimenta el interés en el tema. Sin embargo, los desarrolladores rusos enseñan a las redes neuronales a resolver problemas comerciales y de importancia social. Echemos un vistazo más de cerca a algunas áreas.

Ciencia y medicina

La Escuela de Análisis de Datos Yandex participa en el experimento CRAYFIS junto con representantes de Skolkovo, MIPT, HSE y las universidades estadounidenses UCI y NYU. Su esencia es buscar partículas cósmicas de energía ultra alta utilizando teléfonos inteligentes. Los datos de las cámaras se transmiten a redes neuronales aceleradas capaces de capturar en imágenes rastros de partículas que interactúan débilmente.

Éste no es el único experimento internacional en el que participan especialistas rusos. En el proyecto BioDynaMo participan los científicos de la Universidad de Innopolis, Manuel Mazzara y Leonard Johard. Con el apoyo de Intel y el CERN, quieren crear un prototipo que pueda reproducir una simulación a escala real de la corteza cerebral. Con su ayuda se pretende aumentar la eficiencia y la rentabilidad de los experimentos que requieren la presencia de un cerebro humano vivo.

El profesor de Innopolis, Yaroslav Kholodov, participó en el desarrollo de un modelo informático capaz de predecir la formación de enlaces de proteínas decenas de veces más rápido. Con este algoritmo se puede acelerar el desarrollo de vacunas y fármacos. En esta área se destacaron los desarrolladores de Mail.Ru Group, Insilico Medicine y MIPT. Utilizaron redes generativas de confrontación, entrenadas para inventar estructuras moleculares, para buscar sustancias que pudieran ser útiles en enfermedades que van desde el cáncer hasta las enfermedades cardiovasculares.

belleza y salud

En 2015, la empresa rusa Youth Laboratories lanzó el primer concurso de belleza internacional, Beauty.AI. Las fotografías de los participantes fueron evaluadas mediante redes neuronales. Para determinar a los ganadores, se tuvo en cuenta el sexo, la edad, la nacionalidad, el color de piel, la simetría facial y la presencia o ausencia de arrugas. Este último factor también impulsó a los organizadores a crear el servicio RYNKL, que permite realizar un seguimiento de cómo afecta el envejecimiento a la piel y cómo diversos fármacos lo combaten.

Las redes neuronales también se utilizan en telemedicina. La empresa rusa Mobile Medical Technologies, que gestiona los proyectos Médico y Pediatra en línea 24 horas al día, 7 días a la semana, está probando un robot de diagnóstico que será útil tanto para pacientes como para médicos. El primero le dirá a qué especialista debe contactar si tiene ciertos síntomas, y el segundo le ayudará a determinar con qué está enfermo exactamente el visitante.

Optimización de procesos comerciales y publicidad.

La startup rusa Leadza logró utilizar redes neuronales para asignar de manera más efectiva el presupuesto para publicidad en Facebook e Instagram. El algoritmo analiza los resultados de campañas anteriores, elabora una previsión de métricas clave y, en función de ellas, redistribuye automáticamente los gastos para que las tiendas online puedan conseguir más clientes a un coste menor.

El equipo de GuaranaCam utilizó tecnologías de aprendizaje automático para evaluar la eficacia de la colocación fuera de línea de productos y materiales publicitarios. El sistema se ejecuta en la nube de Microsoft Azure y analiza el comportamiento de compra mediante cámaras CCTV. Los propietarios de empresas reciben un informe del estado comercial en tiempo real. El proyecto ya se está utilizando en el centro comercial Mega Belaya Dacha.

Los ejemplos nacionales exitosos del uso de redes neuronales en los negocios no terminan ahí. LogistiX, que experimenta con tecnologías de inteligencia artificial desde 2006, ha desarrollado un sistema para optimizar las operaciones de almacén. Se basa en una red neuronal de aprendizaje que analiza los datos sobre los empleados recibidos de los rastreadores de actividad física y redistribuye la carga de trabajo entre ellos. Ahora el equipo está enseñando redes neuronales a distinguir defectos.

El holding Belfingroup fue aún más lejos. Su filial BFG-soft ha creado la plataforma en la nube BFG-IS, que permite gestionar una empresa utilizando su modelo virtual. Este último se construye automáticamente a partir de los datos de producción recopilados por el sistema y no sólo muestra la mejor manera de organizar los procesos teniendo en cuenta los objetivos determinados, sino que también predice las consecuencias de cualquier cambio, desde la sustitución de equipos hasta la introducción de turnos adicionales. A finales de 2016, el Fondo de Desarrollo de Iniciativas de Internet decidió invertir 125 millones de rublos en la empresa.

Reclutamiento y gestión de personal.

El agregador de reclutadores ruso Stafory está terminando de entrenar una red neuronal recurrente capaz no sólo de dar respuestas monosilábicas a las preguntas de los candidatos, sino también de mantener una conversación completa con ellos sobre la vacante que les interesa. Y el equipo del portal SuperJob está probando un servicio que predice cuál de cientos de currículums similares será demandado por un empleador en particular.

Transporte

El desarrollador ruso de sistemas inteligentes, Cognitive Technologies, utiliza redes neuronales para reconocer vehículos, peatones, señales de tráfico, semáforos y otros objetos en el marco. La empresa también recopila datos para entrenar una red neuronal para un vehículo autónomo. Estamos hablando de decenas de miles de episodios que describen la reacción de los conductores ante determinadas situaciones críticas en las carreteras. Como resultado, el sistema debe formular escenarios de comportamiento óptimos para el robot. Las mismas tecnologías se utilizan para crear un transporte agrícola inteligente.

Además, las redes neuronales se pueden utilizar de otras formas en el transporte. En el verano de 2016, Yandex añadió a su tablón de anuncios Avto.ru una función para identificar automáticamente un modelo de automóvil a partir de su fotografía. En ese momento, el sistema conocía 100 marcas.

Psicología y seguridad

La startup rusa NTechLab, que venció a Google en el concurso internacional de algoritmos de reconocimiento facial The MegaFace Benchmark, utilizó tecnologías de aprendizaje automático en la aplicación FindFace. Te permite encontrar una persona en las redes sociales por foto. Los usuarios suelen recurrir al servicio para identificar falsificaciones, pero también puede resultar útil para las autoridades. Con su ayuda ya se han identificado las identidades de varios delincuentes, incluido el secuestrador del Citibank en Moscú. La versión empresarial de FindFace.Pro se proporciona a empresas interesadas en la identificación de clientes. Ahora el sistema está completamente entrenado para determinar el género, la edad y las emociones de los demás, lo que puede resultar útil no sólo a la hora de comunicarse con los clientes, sino también a la hora de gestionar personal.

De manera similar, otra empresa rusa: VisionLabs utiliza las redes neuronales. Utiliza tecnologías de reconocimiento facial para garantizar la seguridad en los bancos y crear ofertas especiales para los clientes más fieles de varios puntos de venta.

La startup “Emotian” trabaja en la misma dirección. Está ultimando un sistema para determinar el estado emocional de las ciudades. Por ahora, la red neuronal calcula las zonas más felices a partir de publicaciones en redes sociales, pero en el futuro la empresa prevé tener en cuenta los datos biométricos de las cámaras.

Medios y creatividad

Uno de los principales actores del mercado ruso de redes neuronales es Yandex. La empresa utiliza el aprendizaje automático no sólo en sus servicios de búsqueda, sino también en otros productos. En 2015, lanzó un sistema de recomendación " zen”, que crea un feed de noticias, artículos, fotografías y vídeos, en función de los intereses de un usuario en particular. Cuanto más a menudo accede a los materiales seleccionados por el algoritmo, con mayor precisión determina la red neuronal qué más le podría gustar.

Además, Yandex está experimentando con la creatividad. Los empleados de la empresa ya lograron aplicar un enfoque de red neuronal a la poesía y luego