Intelligence artificielle et neurones et réseaux. Les réseaux de neurones. Des neurones ? C'est comme dans le cerveau

Un algorithme japonais a écrit un livre"Le jour où l'ordinateur a écrit un roman." Malgré le fait que des gens aient aidé l'écrivain inexpérimenté avec les personnages et les intrigues, l'ordinateur a fait un excellent travail. En conséquence, l'une de ses œuvres a passé l'étape de qualification d'un prestigieux prix littéraire. Les réseaux de neurones ont également écrit des suites à Harry Potter et Game of Thrones.

En 2015, le réseau neuronal AlphaGo, développé par l'équipe Google DeepMind, est devenu le premier programme permettant de vaincre un joueur de Go professionnel. Et en mai de cette année le programme a battu le joueur de Go le plus fort du monde, Ké Ze. Il s’agissait d’une avancée majeure car on pensait depuis longtemps que les ordinateurs n’avaient pas l’intuition nécessaire pour jouer au Go.

Sécurité

Une équipe de développeurs de l'Université de technologie de Sydney a introduit des drones pour patrouiller les plages. La tâche principale des drones sera rechercher des requins dans les eaux côtières et avertir les gens sur les plages. L'analyse des données vidéo est effectuée par des réseaux de neurones, ce qui a considérablement affecté les résultats : les développeurs affirment que la probabilité de détecter et d'identifier les requins peut atteindre 90 %, tandis qu'un opérateur visionnant une vidéo depuis un drone ne reconnaît avec succès les requins qu'en 20 à 30 %. % de cas.

L'Australie se classe au deuxième rang mondial après les États-Unis pour le nombre d'attaques de requins contre des personnes. En 2016, 26 cas d'attaques de requins ont été recensés dans ce pays, dont deux ayant entraîné la mort.

En 2014, Kaspersky Lab a signalé que son antivirus enregistrait 325 000 nouveaux fichiers infectés chaque jour. Dans le même temps, une étude de Deep Instinct a montré que les nouvelles versions de virus ne diffèrent pratiquement pas des précédentes - le changement varie de 2 % à 10 %. Sur la base de ces informations, le modèle d'auto-apprentissage développé par Deep Instinct peut identifier les fichiers infectés.

Les réseaux de neurones peuvent également rechercher certains modèles dans la manière dont les informations sont stockées dans les services cloud et signaler les anomalies détectées qui pourraient conduire à des failles de sécurité.

Bonus : des réseaux de neurones gardent notre pelouse

En 2016, Robert Bond, ingénieur NVIDIA de 65 ans, était confronté à un problème : les chats de son voisin visitaient régulièrement sa propriété et laissaient des traces de leur présence, ce qui agaçait sa femme qui travaillait dans le jardin. Bond a immédiatement rejeté l'idée trop hostile de construire des pièges pour les invités non invités. Au lieu de cela, il a décidé d'écrire un algorithme qui allumerait automatiquement les arroseurs du jardin à l'approche des chats.

Robert a été confronté à la tâche d'identifier des chats dans un flux vidéo provenant d'une caméra externe. Pour ce faire, il a utilisé un système basé sur le célèbre réseau neuronal Caffe. Chaque fois que la caméra observait un changement dans la situation sur le site, elle prenait sept photos et les transmettait au réseau neuronal. Après cela, le réseau neuronal devait déterminer si un chat était présent dans le cadre et, si la réponse était oui, allumer les arroseurs.

Image de la caméra du dépôt de liaison

Avant de commencer les travaux, le réseau neuronal a été formé : Bond l'a « nourri » avec 300 photographies différentes de chats. En analysant ces photographies, le réseau de neurones a appris à reconnaître les animaux. Mais cela ne suffisait pas : elle n'identifiait correctement les chats que 30 % du temps et prenait l'ombre de Bond pour un chat, à la suite de quoi il s'est lui-même retrouvé mouillé.

Le réseau neuronal a mieux fonctionné après une formation supplémentaire sur davantage de photographies. Cependant, Bond prévient qu'il est possible de trop entraîner un réseau neuronal, auquel cas il développera un stéréotype irréaliste - par exemple, si toutes les images utilisées pour l'entraînement sont prises sous un seul angle, l'intelligence artificielle risque de ne pas reconnaître le réseau neuronal. même chat sous un angle différent. Par conséquent, une sélection compétente des séries de données de formation est extrêmement importante.

Après un certain temps, les chats, qui avaient appris non pas de photographies, mais de leur propre peau, ont cessé de visiter le site de Bond.

Conclusion

Les réseaux de neurones, une technologie du milieu du siècle dernier, changent aujourd’hui le fonctionnement d’industries entières. La réaction de la société est ambiguë : certains se réjouissent des capacités des réseaux de neurones, tandis que d'autres sont contraints de douter de leur utilité en tant que spécialistes.

Cependant, ce n’est pas partout où l’apprentissage automatique intervient qu’il déplace les gens. Si un réseau neuronal diagnostique mieux qu’un médecin vivant, cela ne signifie pas qu’à l’avenir nous serons soignés exclusivement par des robots. Très probablement, le médecin travaillera en collaboration avec le réseau neuronal. De même, le supercalculateur IBM Deep Blue a battu Garry Kasparov aux échecs en 1997, mais les gens des échecs n'ont disparu nulle part et des grands maîtres célèbres apparaissent toujours sur les couvertures des magazines sur papier glacé.

La coopération avec les machines apportera bien plus de bénéfices que la confrontation. Par conséquent, nous avons compilé une liste de documents en libre accès qui vous aideront à poursuivre votre connaissance des réseaux de neurones :

La clé du succès du développement de l’intelligence artificielle est la neurobiologie. La façon dont les scientifiques tentent de reproduire le travail du cerveau humain et la particularité du travail des réseaux de neurones se trouvent dans le matériau « futuriste ».

Neurosciences et intelligence artificielle

"L'avenir de l'intelligence artificielle est dans la neurobiologie", déclare le fondateur de Google DeepMind, docteur en neurobiologie. Demis Hassabis (Demis Hassabis) dans un article publié dans la revue Neuron. Hasabis a lancé sa société DeepMind basée à Londres pour créer analogue technique de l'intelligence humaine, et Google a racheté son entreprise pour plus de 500 millions de dollars en 2014. L'année dernière, AlphaGo, un programme développé par DeepMind, a battu les champions du monde du jeu de logique Go. En collaboration avec OpenAI, un institut de recherche en IA à but non lucratif soutenu par Elon Musk , la société travaille également à la création de machines dotées de capacités d'intelligence plus avancées.

Tous les algorithmes d’intelligence artificielle de DeepMind sont basés sur des concepts découverts pour la première fois dans notre propre cerveau. L'apprentissage profond et l'apprentissage par renforcement - deux piliers de l'IA moderne - sont le résultat d'une traduction libre du modèle des connexions neuronales biologiques du cerveau humain dans le langage des mathématiques formelles. L'apprentissage en profondeur n'est en fait qu'un nouveau nom pour une approche de l'intelligence artificielle vieille de plus de 70 ans connue sous le nom de réseaux de neurones. Les réseaux de neurones ont été proposés pour la première fois en 1944 Warren McCullough (Warren McCullough) et Walter Peets (Walter Pitts), deux chercheurs de l'Université de Chicago qui ont fondé ce qu'on appelle parfois le premier département de sciences cognitives en 1952.

Les réseaux de neurones constituaient un domaine de recherche majeur en neurosciences et en informatique jusqu’en 1969, mais leur intérêt a depuis diminué. La technologie a commencé à faire son retour dans les années 1980, mais a de nouveau été éclipsée au cours de la première décennie du nouveau siècle et est revenue presque immédiatement au cours de la seconde, en grande partie grâce à la puissance de traitement accrue des puces graphiques.

Schéma du périphérique de réseau neuronal

Caractéristiques du fonctionnement des réseaux de neurones

Les réseaux de neurones sont un outil d'apprentissage automatique dans lequel un ordinateur apprend à effectuer une tâche spécifique en analysant des exemples d'apprentissage. Généralement, ces exemples sont pré-étiquetés à la main. Par exemple, un système de reconnaissance d’objets pourrait stocker des milliers d’images étiquetées de voitures, de maisons, de tasses, etc., et être capable de trouver des modèles visuels et des caractéristiques de ces images pour les associer ultérieurement à des étiquettes spécifiques. En termes simples, c'est aussi ainsi que les enfants apprennent - par exemple, on montre à un enfant différents objets rouges, afin qu'à l'avenir, il puisse associer indépendamment cette « étiquette » à tous les objets rouges.

Cependant, afin de développer ne serait-ce qu'un analogue technique lointain des connexions de notre cerveau, la création d'un mécanisme complexe est nécessaire. Les réseaux de neurones sont constitués de milliers ou de millions de nœuds de traitement de l'information simples mais densément interconnectés, généralement organisés en couches. Les différents types de réseaux varient en fonction de leur nombre de couches, du nombre de connexions entre nœuds et du nombre de nœuds dans chaque couche. La plupart des réseaux de neurones modernes sont organisés en couches de nœuds dans lesquels les données se déplacent dans une seule direction. Un seul nœud peut être connecté à plusieurs nœuds de la couche inférieure à partir desquels il reçoit des données, et à plusieurs nœuds de la couche supérieure auxquels il envoie des données.

Exemple de formation réseau

Un nœud attribue un numéro à chacune de ses connexions entrantes, appelé « poids ». Lorsque le réseau est actif, le nœud reçoit d'eux un autre élément de données, un autre nombre et le multiplie par le poids déjà donné, puis additionne les valeurs reçues de toutes les entrées ensemble, obtenant un nombre. Si le nombre dépasse un seuil, le nœud « se déclenche », ce qui dans les réseaux neuronaux modernes signifie généralement envoyer le nombre – la somme des entrées pondérées – sur toutes ses connexions sortantes.

En mode entraînement, tous les poids et seuils du réseau neuronal sont initialement définis sur des valeurs aléatoires. Les données d'entraînement sont transmises à la couche inférieure - la couche d'entrée - et passent par les couches suivantes, multipliées et ajoutées, jusqu'à ce qu'elles atteignent la couche de sortie. Pendant l'entraînement, les poids et les seuils sont continuellement ajustés jusqu'à ce que les données d'entraînement portant les mêmes étiquettes obtiennent des résultats similaires.

Le futur est déjà là

Les résultats impressionnants de l’amélioration des performances des réseaux neuronaux et de la diffusion de l’utilisation de la technologie ne se limitent pas à la victoire d’AlphaGo et de la recherche en laboratoire sur l’IA. Si vous associez encore l’expression « machines auto-apprenantes » au monde de la science-fiction et des films d’horreur sur le soulèvement des robots, alors bienvenue dans le futur.

Ces dernières années, les systèmes d'intelligence artificielle les plus efficaces - dans des domaines tels que la conduite autonome, la reconnaissance vocale, la vision par ordinateur et la traduction automatique - ont été développés grâce aux réseaux de neurones. Nous ne le remarquons peut-être même pas nous-mêmes, mais les réseaux neuronaux d’auto-apprentissage sont déjà ancrés dans notre vie quotidienne. Ainsi, par exemple, la traduction qui vous est proposée dans votre flux Facebook ne se fait plus automatiquement en recherchant chaque mot individuellement dans le dictionnaire. L'entreprise a désormais lancé un réseau neuronal qui traduit des phrases entières, produisant ainsi un texte de plus en plus alphabétisé et cohérent. Déjà, la précision des traductions sur les réseaux sociaux a augmenté de 11 %.

Modèle de neurone traité dans l'application Prisma

Une autre vague d'intérêt pour la technologie des gens ordinaires en Russie a été provoquée par l'apparition de l'application Prizma, qui transforme des photographies ordinaires en ressemblances d'œuvres d'art célèbres. Peu importe que vous ayez utilisé cette application ou, au contraire, que vous soyez perplexe quant à son utilisation abusive par les utilisateurs des réseaux sociaux, il convient de noter la créativité de ses créateurs. La particularité de cet outil de traitement de photos apparemment ordinaire était précisément que le programme fonctionnait sur la base de réseaux de neurones, utilisant les motifs de différents styles de peinture pour créer de nouveaux « chefs-d'œuvre ».

Cependant, même les réseaux neuronaux les plus simples occupent beaucoup de mémoire et consomment d'énormes quantités d'énergie. Ils fonctionnent donc généralement sur des serveurs dans le cloud, où ils reçoivent des données d'ordinateurs de bureau ou d'appareils mobiles, puis renvoient les résultats de l'analyse.

Pour résoudre ce problème, l'année dernière, Vivienne Sze, professeure agrégée de génie électrique et d'informatique au MIT, et ses collègues ont dévoilé une nouvelle puce informatique économe en énergie optimisée pour les réseaux neuronaux qui pourrait permettre à de puissants systèmes d'intelligence artificielle de fonctionner localement sur des appareils mobiles.

Ils ont également développé une méthode analytique permettant de déterminer la quantité d’énergie consommée par un réseau neuronal lorsqu’il fonctionne sur un type de matériel spécifique. Ils ont ensuite utilisé cette technologie pour évaluer de nouvelles méthodes permettant de contourner les réseaux neuronaux afin de pouvoir travailler plus efficacement sur les appareils portables.

Toutefois, Hassabis estime que cela ne suffit pas. L’objectif que se fixent désormais les chercheurs est de créer une IA universelle capable de penser, de raisonner et d’apprendre de manière rapide et flexible, une intelligence artificielle capable de comprendre le monde réel et d’en imaginer un meilleur.

Pour y parvenir, il est nécessaire d’étudier de plus près le fonctionnement de l’esprit humain, car c’est la seule preuve qu’un tel système intelligent est en principe possible.

Problème de formation à l'IA

En fonction de leurs tâches spécifiques, les algorithmes d'apprentissage automatique sont optimisés à l'aide de structures mathématiques spécifiques. À travers un million d’exemples, les réseaux de neurones artificiels apprennent à affiner leurs connexions jusqu’à atteindre un état idéal leur permettant d’effectuer une tâche avec la plus grande précision possible.

Chaque algorithme étant entièrement adapté à une tâche spécifique, le recyclage pour une nouvelle tâche efface souvent les connexions précédemment établies. Ainsi, lorsque l’IA apprend une nouvelle tâche, elle écrase complètement la précédente.

Le dilemme de l’apprentissage continu n’est qu’un des problèmes de l’intelligence artificielle. D'autres n'ont pas encore été définis avec autant de précision, mais ils s'avéreront peut-être plus importants pour créer des esprits flexibles et inventifs comme le nôtre.

Par exemple, le problème de la cognition incarnée, comme l'explique Hassabis, est la capacité de créer des connaissances et des pensées abstraites basées sur une interaction sensorielle indépendante avec le monde. C'est une sorte de bon sens que possèdent les gens, une intuition difficile à décrire mais extrêmement utile pour résoudre les problèmes quotidiens auxquels nous sommes confrontés.

Des traits tels que l’imagination sont encore plus difficiles à programmer. C’est là que l’IA, limitée à une tâche spécifique, est vraiment mauvaise, dit Hassabis. L'imagination et l'innovation s'appuient sur les modèles que nous avons déjà créés sur notre monde - et nous imaginons de nouveaux scénarios à partir d'eux. Ce sont des outils de planification très puissants, mais leurs recherches sur l’IA en sont encore à leurs débuts.

Les scientifiques notent que pour résoudre les problèmes des réseaux neuronaux, ils se tournent vers la neurobiologie et la physiologie des êtres vivants. Ainsi, des découvertes récentes montrent que l'hippocampe - une partie du système limbique du cerveau, responsable de la mémoire - « rejoue » nos expériences et nos souvenirs en avance rapide pendant le repos et le sommeil. Cela permet au cerveau de « réapprendre des succès et des échecs déjà survenus dans le passé », explique Hassabis.

Les chercheurs en IA ont repris cette idée et ont mis en œuvre une version rudimentaire de l'algorithme, ce qui a donné lieu à de puissants réseaux neuronaux d'apprentissage par l'expérience. Ils comparent les situations actuelles avec les événements précédents stockés en mémoire et prennent des mesures qui ont précédemment abouti à un succès ou à une récompense.

Mais le meilleur est encore à venir

L’avènement de l’imagerie cérébrale et des outils de bio-ingénierie génétique offre un aperçu sans précédent de la manière dont les réseaux neuronaux biologiques s’organisent et se connectent pour résoudre des problèmes. Alors que les neuroscientifiques s’efforcent de résoudre le « code neuronal » – les calculs de base qui soutiennent le fonctionnement du cerveau – les chercheurs en IA disposent d’un ensemble de plus en plus large d’outils à étudier.

Il convient de noter que l’IA n’est pas la seule à avoir quelque chose à apprendre des neuroscientifiques : les bénéfices sont mutuels. Les neurosciences modernes, avec tous leurs puissants outils d’imagerie et leur génétique optique, commencent tout juste à comprendre comment les réseaux neuronaux soutiennent des niveaux d’intelligence plus élevés.

"Les neuroscientifiques ont souvent une compréhension assez vague des mécanismes qui sous-tendent les concepts qu'ils étudient", explique Hassabis. Parce que la recherche sur l’IA est basée sur des mathématiques rigoureuses, elle peut offrir des moyens de clarifier ces concepts vagues en hypothèses du monde réel.

Bien entendu, il est peu probable que l’IA et le cerveau fonctionnent toujours de la même manière. Mais nous pouvons considérer l’IA comme une neuroscience computationnelle appliquée, dit Hassabis. Comparer les algorithmes d’IA au cerveau humain « peut donner un aperçu de certains des mystères les plus profonds de l’esprit ».

On a dit que 47 % de tous
les emplois pourraient être automatisés dans les 20 prochaines années. Le principal moteur de ce processus est l’utilisation de l’intelligence artificielle travaillant avec le Big Data pour remplacer plus efficacement les humains.

Les machines sont désormais capables de gérer de plus en plus de processus qui relevaient auparavant de la responsabilité des humains. De plus, ils le font mieux et, dans de nombreux cas, moins cher. German Gref a expliqué en juillet de cette année ce que cela signifie pour le marché du travail, devant des étudiants de l'Université fédérale baltique. Kanta :

« On arrête d’embaucher des avocats qui ne savent pas quoi faire avec un réseau de neurones.<...>Vous êtes les étudiants d'hier. Camarades avocats, oubliez votre métier. L'année dernière, les 450 avocats qui préparaient les procès pour nous sont partis et ont été licenciés. Notre réseau neuronal prépare mieux les déclarations que les avocats formés par l’Université fédérale balte. Nous ne les embaucherons certainement pas.

Continuant à éclairer le #technofuture, l'équipe DTI a préparé tout ce qui ce que vous devez savoir pour votre première plongée dans les réseaux de neurones: comment ils fonctionnent, pourquoi de plus en plus d'entreprises préfèrent les réseaux de neurones aux employés en direct, et quel potentiel cette technologie a-t-elle pour optimiser divers processus.

Intelligence artificielle, machine learning et réseaux de neurones : quelle est la différence

Réseau neuronal- une des manières de mettre en œuvre intelligence artificielle (IA).

Il existe un vaste domaine dans le développement de l'IA - apprentissage automatique. Elle étudie les méthodes permettant de construire des algorithmes capables d’apprendre par eux-mêmes. Cela est nécessaire s’il n’existe pas de solution claire à un problème. Dans ce cas, il est plus facile de ne pas chercher la bonne solution, mais de créer un mécanisme qui proposera lui-même une méthode pour la trouver.

#référence Dans de nombreux articles, vous pouvez trouver le terme apprentissage « profond » – ou « profond ». Il fait référence à des algorithmes d’apprentissage automatique qui utilisent beaucoup de ressources informatiques. Dans la plupart des cas, il s’agit simplement de « réseaux de neurones ».

Afin de ne pas se confondre dans les notions d'« intelligence artificielle », de « machine learning » et de « deep learning », nous vous proposons de regarder la visualisation de leur évolution :

#intéressant Il existe deux types d’intelligence artificielle (IA) : faible (étroitement ciblée) et forte (générale). L’IA faible est conçue pour effectuer une liste restreinte de tâches. Il s'agit des assistants vocaux Siri et Google Assistant et de tous les autres exemples que nous donnons dans cet article. Une IA forte, à son tour, est capable d’accomplir n’importe quelle tâche humaine. Pour le moment, la mise en œuvre d’une IA forte est impossible ; c’est une idée utopique.

Comment fonctionne un réseau de neurones ?

Le réseau neuronal modélise le fonctionnement du système nerveux humain, dont la particularité est la capacité d'auto-apprentissage, en tenant compte de l'expérience antérieure. Ainsi, à chaque fois, le système commet de moins en moins d’erreurs.

Comme notre système nerveux, un réseau neuronal est constitué d'éléments informatiques individuels - des neurones, situés sur plusieurs couches. Les données reçues à l'entrée du réseau neuronal subissent un traitement séquentiel à chaque couche du réseau. De plus, chaque neurone possède certains paramètres qui peuvent changer en fonction des résultats obtenus - c'est la formation du réseau.

Supposons que la tâche d'un réseau neuronal soit de distinguer les chats des chiens. Pour mettre en place le réseau neuronal, un large éventail d’images signées de chats et de chiens est alimenté. Le réseau neuronal analyse les caractéristiques (y compris les lignes, les formes, leur taille et leur couleur) de ces images et construit un modèle de reconnaissance qui minimise le pourcentage d'erreurs par rapport aux résultats de référence.

La figure ci-dessous montre le processus d'un réseau de neurones dont la tâche est de reconnaître un numéro de code postal écrit à la main.

Histoire des réseaux de neurones

Même si les réseaux de neurones n’ont été mis en lumière que récemment, ils constituent l’un des algorithmes d’apprentissage automatique les plus anciens. La première version du neurone formel, la cellule du réseau neuronal, a été proposée par Warren McCulloch et Walter Pitts en 1943.

Et déjà en 1958, Frank Rosenblatt développait le premier réseau neuronal. Malgré sa simplicité, il permettait déjà de distinguer, par exemple, des objets dans un espace bidimensionnel.

Mark I Perceptron - La machine de Rosenblatt

Les premiers succès ont attiré une attention accrue sur la technologie, mais ensuite d'autres algorithmes d'apprentissage automatique ont commencé à montrer de meilleurs résultats et les réseaux neuronaux sont passés au second plan. La vague d’intérêt suivante est survenue dans les années 1990, après quoi on n’a presque plus entendu parler des réseaux de neurones jusqu’en 2010.

Pourquoi les réseaux de neurones sont à nouveau populaires

Avant 2010, il n’existait tout simplement pas de base de données suffisamment volumineuse pour entraîner correctement les réseaux de neurones à résoudre certains problèmes, principalement liés à la reconnaissance et à la classification d’images. C'est pourquoi les réseaux de neurones commettaient assez souvent des erreurs : ils confondaient un chat avec un chien ou, pire encore, l'image d'un organe sain avec l'image d'un organe atteint d'une tumeur.

Mais en 2010, la base de données ImageNet est apparue, contenant 15 millions d'images réparties dans 22 000 catégories. ImageNet était plusieurs fois plus volumineux que les bases de données d'images existantes et était accessible à tout chercheur. Avec de tels volumes de données, les réseaux neuronaux pourraient être entraînés pour prendre des décisions pratiquement sans erreur.

Taille d'ImageNet par rapport aux autres bases de données d'images existantes en 2010

Avant cela, un autre problème, non moins important, faisait obstacle au développement des réseaux de neurones : la méthode d’enseignement traditionnelle était inefficace. Bien que le nombre de couches dans un réseau neuronal joue un rôle important, la méthode de formation du réseau est également importante. La méthode de cryptage inversé précédemment utilisée ne pouvait entraîner efficacement que les dernières couches du réseau. Le processus de formation s’est avéré trop long pour une utilisation pratique et les couches cachées des réseaux neuronaux profonds n’ont pas fonctionné correctement.

Trois groupes indépendants de scientifiques ont obtenu des résultats en résolvant ce problème en 2006. Tout d'abord, Geoffrey Hinton a pré-entraîné le réseau à l'aide d'une machine Boltzmann, entraînant chaque couche séparément. Dans un deuxième temps, Yann LeCun a proposé l'utilisation d'un réseau de neurones convolutifs pour résoudre des problèmes de reconnaissance d'images. Enfin, Joshua Bengio a développé un auto-encodeur en cascade qui permet d'utiliser toutes les couches d'un réseau neuronal profond.

Exemples d'utilisation réussie des réseaux de neurones en entreprise

Médecine

Une équipe de chercheurs de l'Université de Nottingham a développé quatre algorithmes d'apprentissage automatique pour évaluer le risque de maladie cardiovasculaire des patients. Les données de 378 000 patients britanniques ont été utilisées pour la formation. Une intelligence artificielle entraînée a déterminé le risque de maladies cardiaques plus efficacement que les vrais médecins. La précision de l'algorithme se situe entre 74 et 76,4 pour cent (le système standard à huit facteurs développé par l'American College of Cardiology fournit une précision de seulement 72,8 %).

Finance

La compagnie d'assurance japonaise Fukoku Mutual Life Insurance a signé un contrat avec IBM. Selon lui, 34 employés d'une entreprise japonaise seront remplacés par le système IBM Watson Explorer AI. Le réseau neuronal examinera des dizaines de milliers de certificats médicaux et prendra en compte le nombre de visites à l'hôpital, d'opérations chirurgicales et d'autres facteurs pour déterminer les conditions d'assurance des clients. Fukoku Mutual Life Insurance estime que l'utilisation d'IBM Watson permettra d'augmenter la productivité de 30 % et d'être rentabilisée en deux ans.

Apprentissage automatique aide à reconnaître les cas potentiels de fraude dans divers domaines de la vie. Un outil similaire est utilisé, par exemple, par PayPal - dans le cadre de la lutte contre le blanchiment d'argent, l'entreprise compare des millions de transactions et détecte parmi elles les transactions suspectes. En conséquence, les transactions frauduleuses chez PayPal atteignent un niveau record de 0,32 %, alors que la norme dans le secteur financier est de 1,32 %.

La suite de la note analytique est disponible au lien :

L'apprentissage automatique est un terme général qui couvre toutes les fois où vous essayez d'apprendre à une machine à s'améliorer. Plus précisément, cela s'applique à tout système dans lequel les performances d'un ordinateur sur une tâche s'améliorent uniquement grâce à une plus grande expérience de cette tâche. Les réseaux de neurones sont un exemple d’apprentissage automatique, mais ils ne constituent pas le seul moyen d’apprendre par un ordinateur.

Par exemple, une méthode alternative d’apprentissage automatique est appelée apprentissage par renforcement. Dans cette méthode, l’ordinateur exécute une tâche puis évalue son résultat. Si, par exemple, un ordinateur gagne une partie d’échecs, il attribue une valeur gagnante à la série de coups qu’il utilise pendant la partie. Après avoir joué à des millions de parties, le système peut déterminer quels mouvements sont les plus susceptibles de mener à la victoire en fonction des résultats des parties précédentes.

Bien que les réseaux de neurones soient utiles pour reconnaître des modèles dans les images, d’autres types d’apprentissage automatique peuvent être plus utiles pour diverses tâches telles que l’identification de votre musique préférée. Google affirme que son application musicale vous trouvera la musique que vous souhaitez écouter. Pour ce faire, il analyse vos listes de lecture précédentes. Si vous n’aimez pas le résultat, la machine le considérera comme un échec. Mais si vous choisissez l’une des listes proposées, elle la marquera comme un succès et analysera les coups gagnants qui l’ont conduite à votre cœur.

Dans de tels cas, vous ne bénéficierez pas pleinement de l’apprentissage automatique à moins d’utiliser fréquemment cette fonctionnalité. Lorsque vous ouvrez l'application Google Music pour la première fois, les recommandations apparaîtront probablement au-dessus du comptoir. Mais plus vous l’utiliserez, meilleures seront les suggestions. En théorie, du moins. L’apprentissage automatique n’est pas non plus une panacée. L'apprentissage automatique est un concept plus nébuleux que les réseaux de neurones, mais cela signifie également que le logiciel que vous utilisez s'appuiera sur vos retours pour améliorer ses performances.

L’intelligence artificielle, c’est fini avec le préfixe « intelligent »

Tout comme les réseaux de neurones sont une forme d’apprentissage automatique, l’apprentissage automatique est une forme d’intelligence artificielle. Mais la catégorie « intelligence artificielle » est si mal définie que l’expression n’a aucun sens pratique. Oui, cela évoque des images d’un avenir technologiquement avancé, mais en réalité, nous n’en sommes même pas encore proches. L'OCR était autrefois trop complexe pour une machine, mais désormais une application sur votre téléphone peut numériser des documents et les transformer en texte. Qualifier cela d’exploit de l’intelligence artificielle est en quelque sorte inapproprié.

La raison pour laquelle les capacités de base du téléphone peuvent être considérées comme de l’intelligence artificielle est qu’il existe en réalité deux types d’IA. L’IA faible ou étroite décrit tout système conçu pour effectuer un ensemble restreint de tâches. Par exemple, Google Assistant ou Siri, bien qu’ils soient dotés d’une IA assez puissante, exécutent néanmoins une liste de tâches assez restreinte. Ils reçoivent des commandes vocales et renvoient des réponses ou lancent des applications. La recherche sur l’intelligence artificielle alimente ces fonctionnalités, mais elles sont considérées comme « faibles ».

En revanche, l’IA forte – également connue sous le nom d’intelligence artificielle générale ou « IA complète » – est un système capable d’effectuer n’importe quelle tâche humaine. Et elle n'existe pas. Par conséquent, toute application « intelligente » reste une intelligence artificielle faible.

Et même si le sens peut être assez vague, la recherche pratique dans le domaine de l’intelligence artificielle est si utile qu’elle fait probablement déjà partie de votre quotidien. Chaque fois que votre téléphone se souvient automatiquement de l'endroit où vous vous êtes garé, reconnaît les visages sur vos photos, reçoit des suggestions de recherche ou regroupe automatiquement toutes vos photos du week-end, vous touchez d'une manière ou d'une autre à l'intelligence artificielle. Dans une certaine mesure, « l’intelligence artificielle » signifie simplement que les applications seront un peu plus intelligentes que ce à quoi nous sommes habitués. Le label « IA » n’a désormais pratiquement plus de signification intelligible d’un point de vue pratique.

Mais aussi résoudre des problèmes plus importants – par exemple, rechercher de nouveaux médicaments. Le Village s'est tourné vers des experts pour découvrir quelles sont les caractéristiques de la technologie et comment les entreprises et les universités nationales l'utilisent.

Que sont les réseaux de neurones ?

Pour comprendre quelle place occupent les réseaux de neurones dans le monde de l'intelligence artificielle et comment ils se rapportent à d'autres technologies de création de systèmes intelligents, commençons par les définitions.

Les réseaux de neurones est l’une des méthodes d’apprentissage automatique dont les fondements remontent à 1943, avant même l’apparition du terme « intelligence artificielle ». Ils représentent un modèle mathématique qui ressemble vaguement au fonctionnement du système nerveux des animaux.

Selon Stanislav Protasov, chercheur principal à l'Université d'Innopolis, l'analogue le plus proche du cerveau humain est celui des réseaux neuronaux convolutifs, inventés par le mathématicien Yann LeCun. « Ils sont au cœur de nombreuses applications qui se réclament de l’intelligence artificielle, comme FindFace ou Prisma », note-t-il.

Apprentissage automatique- une sous-section de l'intelligence artificielle à l'intersection des mathématiques et de l'informatique. Il étudie les méthodes de construction de modèles et d'algorithmes basés sur le principe de l'apprentissage. La machine analyse les exemples qui lui sont fournis, identifie des modèles, les généralise et construit des règles à l'aide desquelles divers problèmes sont résolus - par exemple, prédire le développement ultérieur d'événements ou reconnaître et générer des images, du texte et de la parole. Outre les réseaux de neurones, des méthodes de régression linéaire, des arbres de décision et d'autres approches sont également utilisées ici.

Intelligence artificielle- une branche de l'informatique relative à la création de moyens technologiques permettant aux machines d'effectuer des tâches qui étaient auparavant considérées comme la prérogative exclusive de l'homme, ainsi que la désignation de tels développements. La direction fut officiellement officialisée en 1956.

Alexandre Kraïnov

Ce qui peut être appelé intelligence artificielle et ce qui ne l’est pas est une question d’accord. L’humanité, dans son ensemble, n’est pas parvenue à une formulation sans ambiguïté de ce qu’est l’intelligence en général, encore moins l’intelligence artificielle. Mais si nous généralisons ce qui se passe, nous pouvons dire que l'intelligence artificielle est constituée de réseaux de neurones profonds qui résolvent des problèmes complexes à un niveau proche du niveau humain et qui, à un degré ou à un autre, s'auto-apprennent. Dans le même temps, l’auto-apprentissage fait ici référence à la capacité d’extraire de manière indépendante un signal utile à partir de données brutes.

Quel est l’état actuel du secteur ?

Selon l'agence d'analyse Gartner, l'apprentissage automatique est désormais au sommet des attentes exagérées. L'enthousiasme autour d'une nouvelle technologie caractéristique de cette étape conduit à un enthousiasme excessif, qui se traduit par des tentatives infructueuses de son utilisation à grande échelle. On estime qu’il faudra deux à cinq ans à l’industrie pour se débarrasser de ses illusions. Selon les experts russes, les réseaux neuronaux devront bientôt subir un test de résistance.

Sergueï Negodiaev

Gestionnaire de portefeuille du Fonds de développement des initiatives Internet

Bien que les scientifiques formalisent et développent les réseaux de neurones depuis 70 ans, deux tournants peuvent être identifiés dans le développement de cette technologie. La première a eu lieu en 2007, lorsque l’Université de Toronto a créé des algorithmes d’apprentissage profond pour les réseaux neuronaux multicouches. Le deuxième moment qui a provoqué le boom actuel a eu lieu en 2012, lorsque des chercheurs de la même université ont utilisé des réseaux de neurones profonds et ont remporté le concours ImageNet, apprenant à reconnaître des objets sur des photos et des vidéos avec un minimum d'erreurs.

De nos jours, la puissance informatique est suffisante pour résoudre, sinon la totalité, la grande majorité des problèmes basés sur les réseaux de neurones. Désormais, le principal obstacle est le manque de données étiquetées. Relativement parlant, pour que le système apprenne à reconnaître un coucher de soleil dans des vidéos ou des photographies, il doit recevoir un million d'images du coucher de soleil, indiquant exactement où il se trouve dans le cadre. Par exemple, lorsque vous téléchargez une photo sur Facebook, vos amis la reconnaissent comme un chat sous les rayons du soleil couchant, et le réseau social y voit un ensemble de tags : « animal », « chat », « en bois », "étage", "soir", " orange". Celui qui dispose de plus de données d’entraînement disposera d’un réseau neuronal plus intelligent.

Andreï Kalinine

Responsable de la recherche Mail.Ru

Les applications de divertissement basées sur les réseaux de neurones - par exemple notre Artisto ou Vinci - ne sont que la pointe de l'iceberg, et en même temps un excellent moyen de démontrer leurs capacités à un public plus large. En fait, les réseaux de neurones sont capables de résoudre un certain nombre de problèmes complexes. Les domaines les plus en vogue sont désormais les pilotes automatiques, les assistants vocaux, les chatbots et la médecine.

Alexandre Kraïnov

Chef du service de vision par ordinateur chez Yandex

On peut dire que le boom des réseaux de neurones est déjà arrivé, mais il n'a pas encore atteint son apogée. Cela n’en deviendra que plus intéressant. Les domaines les plus prometteurs aujourd'hui sont peut-être la vision par ordinateur, les systèmes de dialogue, l'analyse de texte, la robotique, les véhicules sans pilote et la génération de contenu - textes, images, musique.

Domaines prometteurs pour la mise en œuvre de réseaux de neurones

Transport

Robotique

Biotechnologie

Agriculture

Internet des objets

Médias et divertissement

Linguistique

Sécurité

Vlad Cherchoulski

directeur des programmes de coopération technologique chez Microsoft en Russie

Aujourd’hui, une révolution neuronale s’est déjà produite. Il est même parfois difficile de distinguer la fiction de la réalité. Imaginez une moissonneuse automatisée dotée de nombreuses caméras. Il prend 5 000 photos par minute et, via un réseau neuronal, analyse si la plante devant lui est une mauvaise herbe ou une plante infestée de parasites, puis décide quoi faire ensuite. Fantastique? Plus vraiment.

Boris Volfson

Directeur du développement de HeadHunter

Il existe un certain battage médiatique autour des réseaux de neurones et, à mon avis, des attentes légèrement exagérées. Nous traverserons encore une étape de déception avant d’apprendre à les utiliser efficacement. De nombreux résultats de recherche révolutionnaires ne sont pas encore très applicables aux entreprises. En pratique, il est souvent plus raisonnable d'utiliser d'autres méthodes d'apprentissage automatique, par exemple divers algorithmes basés sur des arbres de décision. Cela n’a probablement pas l’air aussi excitant ou futuriste, mais ces approches sont très courantes.

Qu'enseignent les réseaux de neurones en Russie ?

Les acteurs du marché s'accordent sur le fait que bon nombre des réalisations des réseaux de neurones ne sont encore applicables que dans le domaine académique. En dehors de ses frontières, la technologie est principalement utilisée dans des applications de divertissement, ce qui suscite l’intérêt pour le sujet. Néanmoins, les développeurs russes apprennent aux réseaux de neurones à résoudre des problèmes socialement importants et commerciaux. Examinons de plus près certains domaines.

Sciences et médecine

L'école d'analyse de données Yandex participe à l'expérience CRAYFIS avec des représentants de Skolkovo, MIPT, HSE et des universités américaines UCI et NYU. Son essence est de rechercher des particules cosmiques à ultra haute énergie à l'aide de smartphones. Les données des caméras sont transmises à des réseaux neuronaux accélérés capables de capturer des traces de particules faiblement interagissant dans les images.

Ce n’est pas la seule expérience internationale à laquelle participent des spécialistes russes. Les scientifiques de l'Université Innopolis, Manuel Mazzara et Leonard Johard, participent au projet BioDynaMo. Avec le soutien d'Intel et du CERN, ils souhaitent créer un prototype capable de reproduire une simulation à grande échelle du cortex cérébral. Avec son aide, il est prévu d'augmenter l'efficacité et la rentabilité des expériences nécessitant la présence d'un cerveau humain vivant.

Le professeur d'Innopolis Yaroslav Kholodov a participé au développement d'un modèle informatique capable de prédire la formation de liaisons protéiques des dizaines de fois plus rapidement. Grâce à cet algorithme, le développement de vaccins et de médicaments peut être accéléré. Les développeurs de Mail.Ru Group, Insilico Medicine et MIPT ont été remarqués dans ce domaine. Ils ont utilisé des réseaux contradictoires génératifs, entraînés à inventer des structures moléculaires, pour rechercher des substances qui pourraient être utiles dans des maladies allant du cancer aux maladies cardiovasculaires.

beauté et santé

En 2015, la société russe Youth Laboratories a lancé le premier concours international de beauté, Beauty.AI. Les photographies des participants ont été évaluées par des réseaux de neurones. Lors de la détermination des gagnants, ils ont pris en compte le sexe, l'âge, la nationalité, la couleur de la peau, la symétrie du visage et la présence ou l'absence de rides. Ce dernier facteur a également incité les organisateurs à créer le service RYNKL, qui permet de suivre comment le vieillissement affecte la peau et comment divers médicaments le combattent.

Les réseaux de neurones sont également utilisés en télémédecine. La société russe Mobile Medical Technologies, qui gère les projets Online Doctor et Pediatrician 24/7, teste un robot de diagnostic qui sera utile à la fois aux patients et aux médecins. Le premier vous indiquera quel spécialiste contacter pour certains symptômes, et le second aidera à déterminer de quoi exactement le visiteur est malade.

Optimisation des processus commerciaux et de la publicité

La startup russe Leadza a réussi à utiliser les réseaux de neurones pour allouer plus efficacement le budget publicitaire sur Facebook et Instagram. L'algorithme analyse les résultats des campagnes passées, établit une prévision des indicateurs clés et, sur la base de ceux-ci, redistribue automatiquement les dépenses afin que les magasins en ligne puissent attirer plus de clients à moindre coût.

L'équipe GuaranaCam a utilisé des technologies d'apprentissage automatique pour évaluer l'efficacité du placement hors ligne de produits et de supports publicitaires. Le système fonctionne sur le cloud Microsoft Azure et analyse le comportement d'achat à l'aide de caméras de vidéosurveillance. Les propriétaires d'entreprise reçoivent un rapport sur l'état des transactions en temps réel. Le projet est déjà utilisé dans le centre commercial Mega Belaya Dacha.

Les exemples nationaux réussis d'utilisation des réseaux de neurones dans les entreprises ne s'arrêtent pas là. LogistiX, qui expérimente les technologies d'intelligence artificielle depuis 2006, a développé un système d'optimisation des opérations en entrepôt. Il est basé sur un réseau neuronal d'apprentissage qui analyse les données sur les employés reçues des trackers de fitness et redistribue la charge de travail entre eux. L’équipe apprend désormais aux réseaux neuronaux à distinguer les défauts.

La holding Belfingroup est allée encore plus loin. Sa filiale BFG-soft a créé la plateforme cloud BFG-IS, qui permet de gérer une entreprise grâce à son modèle virtuel. Ce dernier est construit automatiquement sur la base des données de production collectées par le système et montre non seulement la meilleure façon d'organiser les processus en tenant compte des objectifs donnés, mais prédit également les conséquences de tout changement - du remplacement de l'équipement à l'introduction d'équipes supplémentaires. Fin 2016, le Fonds de développement des initiatives Internet a décidé d'investir 125 millions de roubles dans l'entreprise.

Recrutement et gestion du personnel

L'agrégateur de recrutement russe Stafory termine la formation d'un réseau neuronal récurrent capable non seulement de donner des réponses monosyllabiques aux questions des candidats, mais également de mener avec eux une conversation complète sur le poste qui les intéresse. Et l'équipe du portail SuperJob teste un service qui prédit lequel, parmi des centaines de CV similaires, sera demandé par un employeur particulier.

Transport

Le développeur russe de systèmes intelligents, Cognitive Technologies, utilise des réseaux neuronaux pour reconnaître les véhicules, les piétons, les panneaux de signalisation, les feux de circulation et d'autres objets dans le cadre. L'entreprise collecte également des données pour former un réseau neuronal destiné à une voiture autonome. On parle de dizaines de milliers d'épisodes décrivant la réaction des conducteurs face à certaines situations critiques sur les routes. En conséquence, le système doit formuler des scénarios de comportement optimaux pour le robot. Les mêmes technologies sont utilisées pour créer des transports agricoles intelligents.

De plus, les réseaux de neurones peuvent être utilisés dans les transports d’autres manières. À l'été 2016, Yandex a ajouté à son tableau d'affichage Avto.ru une fonction permettant d'identifier automatiquement un modèle de voiture à partir de sa photo. A cette époque, le système connaissait 100 marques.

Psychologie et sécurité

La startup russe NTechLab, qui a battu Google au concours international d'algorithmes de reconnaissance faciale The MegaFace Benchmark, a utilisé des technologies d'apprentissage automatique dans l'application FindFace. Il permet de retrouver une personne sur les réseaux sociaux par photo. Les utilisateurs se tournent souvent vers le service pour identifier les contrefaçons, mais il peut également être utile aux forces de l'ordre. Grâce à son aide, l'identité de plusieurs criminels a déjà été établie, dont le pirate de l'air de la Citibank à Moscou. La version professionnelle de FindFace.Pro est fournie aux entreprises intéressées par l'identification des clients. Le système est désormais entièrement formé pour déterminer le sexe, l'âge et les émotions des autres, ce qui peut être utile non seulement lors de la communication avec les clients, mais également lors de la gestion du personnel.

De la même manière, les réseaux de neurones sont utilisés par une autre société russe, VisionLabs. Elle utilise des technologies de reconnaissance faciale pour assurer la sécurité dans les banques et créer des offres spéciales pour les clients les plus fidèles des différents points de vente.

La startup « Emotian » travaille dans une direction similaire. Il finalise un système permettant de déterminer l’état émotionnel des villes. Pour l'instant, le réseau de neurones calcule les zones les plus heureuses sur la base des publications sur les réseaux sociaux, mais à l'avenir l'entreprise envisage de prendre en compte les données biométriques des caméras.

Médias et créativité

L'un des principaux acteurs du marché russe des réseaux neuronaux est Yandex. L'entreprise utilise l'apprentissage automatique non seulement dans ses services de recherche, mais également dans d'autres produits. En 2015, elle a lancé un système de recommandation " Zen», qui crée un flux d'actualités, d'articles, de photos et de vidéos, en fonction des intérêts d'un utilisateur particulier. Plus il accède souvent aux matériaux sélectionnés par l'algorithme, plus le réseau neuronal détermine avec précision ce qu'il pourrait aimer d'autre.

De plus, Yandex expérimente la créativité. Les employés de l'entreprise ont déjà réussi à appliquer une approche de réseau neuronal à la poésie, puis