Inteligența artificială și neuroni și rețele. Rețele neuronale. Neuroni? E ca în creier

Algoritmul japonez a scris o carte„Ziua în care computerul a scris un roman.” În ciuda faptului că oamenii l-au ajutat pe scriitorul neexperimentat cu personajele și povestirile, computerul a făcut o treabă grozavă - drept urmare, una dintre lucrările sale a trecut de etapa de calificare a unui prestigios premiu literar. Rețelele neuronale au scris și continuare la Harry Potter și Game of Thrones.

În 2015, rețeaua neuronală AlphaGo, dezvoltată de echipa Google DeepMind, a devenit primul program care a învins un jucător profesionist Go. Și în luna mai a acestui an programul l-a învins pe cel mai puternic jucător Go din lume, Ke Ze. Acesta a fost o descoperire, deoarece s-a crezut de mult timp că computerele nu au intuiția necesară pentru a juca Go.

Siguranță

O echipă de dezvoltatori de la Universitatea de Tehnologie din Sydney a introdus drone pentru patrularea plajelor. Sarcina principală a dronelor va fi căutând rechini în apele de coastă și avertizând oamenii de pe plaje. Analiza datelor video este efectuată de rețele neuronale, care au afectat semnificativ rezultatele: dezvoltatorii susțin că probabilitatea de a detecta și identifica rechinii este de până la 90%, în timp ce un operator care vizionează video de la drone recunoaște cu succes rechinii doar în 20-30 de ani. % din cazuri.

Australia ocupă locul al doilea în lume după Statele Unite în ceea ce privește numărul de atacuri de rechini asupra oamenilor. În 2016, în această țară au fost înregistrate 26 de cazuri de atacuri de rechini, dintre care două s-au soldat cu moartea.

În 2014, Kaspersky Lab a raportat că antivirusul lor a înregistrat 325 de mii de fișiere infectate noi în fiecare zi. În același timp, un studiu realizat de Deep Instinct a arătat că noile versiuni de viruși nu sunt practic diferite de cele anterioare - modificarea variază de la 2% la 10%. Pe baza acestor informații, modelul de auto-învățare dezvoltat de Deep Instinct poate fi precis identifica fișierele infectate.

Rețelele neuronale pot căuta, de asemenea, anumite modele în modul în care informațiile sunt stocate în serviciile cloud și pot raporta anomalii detectate care ar putea duce la încălcări de securitate.

Bonus: rețele neuronale care păzesc gazonul nostru

În 2016, inginerul NVIDIA, Robert Bond, în vârstă de 65 de ani, s-a confruntat cu o problemă: pisicile vecinului său îi vizitau în mod regulat proprietatea și lăsau urme ale prezenței lor, ceea ce a enervat-o pe soția lui, care lucra în grădină. Bond a respins imediat ideea prea neprietenoasă de a construi capcane pentru oaspeții neinvitați. În schimb, a decis să scrie un algoritm care să pornească automat aspersoarele de grădină atunci când se apropie pisicile.

Robert s-a confruntat cu sarcina de a identifica pisicile într-un flux video provenit de la o cameră externă. Pentru a face acest lucru, a folosit un sistem bazat pe populara rețea neuronală Caffe. De fiecare dată când camera a observat o schimbare a situației pe site, a făcut șapte poze și le-a transmis rețelei neuronale. După aceasta, rețeaua neuronală a trebuit să stabilească dacă o pisică era prezentă în cadru și, dacă răspunsul a fost da, să pornească sprinklerele.

Imaginea camerei Bond yard

Înainte de a începe munca, rețeaua neuronală a fost antrenată: Bond a „hrănit” cu 300 de fotografii diferite cu pisici. Analizând aceste fotografii, rețeaua neuronală a învățat să recunoască animalele. Dar acest lucru nu a fost suficient: ea a identificat corect pisicile doar în 30% din timp și a confundat umbra lui Bond cu o pisică, drept urmare el însuși a ajuns să fie ud.

Rețeaua neuronală a funcționat mai bine după antrenament suplimentar pe mai multe fotografii. Cu toate acestea, Bond avertizează că este posibil să antrenezi prea mult o rețea neuronală, caz în care se va dezvolta un stereotip nerealist - de exemplu, dacă toate imaginile folosite pentru antrenament sunt luate dintr-un unghi, atunci inteligența artificială ar putea să nu recunoască aceeași pisică dintr-un unghi diferit. Prin urmare, selecția competentă a seriei de date de antrenament este extrem de importantă.

După ceva timp, pisicile, care învățaseră nu din fotografii, ci din propria lor piele, au încetat să mai viziteze site-ul lui Bond.

Concluzie

Rețelele neuronale, o tehnologie de la mijlocul secolului trecut, schimbă acum modul în care funcționează industrii întregi. Reacția societății este ambiguă: unii sunt încântați de capacitățile rețelelor neuronale, în timp ce alții sunt nevoiți să se îndoiască de utilitatea lor ca specialiști.

Cu toate acestea, nu peste tot unde vine învățarea automată, ea înlocuiește oamenii. Dacă o rețea neuronală face diagnostice mai bune decât un medic în viață, asta nu înseamnă că în viitor vom fi tratați exclusiv de roboți. Cel mai probabil, medicul va lucra împreună cu rețeaua neuronală. În mod similar, supercomputerul IBM Deep Blue l-a învins pe Garry Kasparov la șah în 1997, dar oamenii din șah nu au dispărut nicăieri, iar marii maeștri celebri încă apar pe coperțile revistelor lucioase.

Cooperarea cu mașinile va aduce mult mai multe beneficii decât confruntarea. Prin urmare, am compilat o listă de materiale cu acces deschis care vă vor ajuta să vă continuați cunoștințele cu rețelele neuronale:

Cheia succesului dezvoltării inteligenței artificiale este neurobiologia. Cât de exact încearcă oamenii de știință să reproducă activitatea creierului uman și ceea ce este special la activitatea rețelelor neuronale este în materialul „Futurist”.

Neuroștiință și inteligență artificială

„Viitorul inteligenței artificiale este în neurobiologie”, spune fondatorul Google DeepMind, doctor în neurobiologie. Demis Hassabis (Demis Hassabis) într-un articol publicat în revista Neuron. Hasabis și-a lansat compania DeepMind din Londra pentru a crea analog tehnic al inteligenței umane, iar Google și-a cumpărat compania cu peste 500 de milioane de dolari în 2014. Anul trecut, AlphaGo, un program dezvoltat de DeepMind, i-a învins pe campionii mondiali în jocul de logică Go. În colaborare cu OpenAI, un institut non-profit de cercetare AI susținut de Elon Musk , compania lucrează și la crearea de mașini cu capacități de inteligență mai avansate.

Toți algoritmii de inteligență artificială ai DeepMind se bazează pe concepte descoperite pentru prima dată în propriul nostru creier. Învățarea profundă și învățarea prin întărire - doi piloni ai inteligenței artificiale moderne - sunt rezultatul unei traduceri libere a modelului conexiunilor neuronale biologice ale creierului uman în limbajul matematicii formale. Invatare profunda este de fapt doar un nume nou pentru o abordare veche de peste 70 de ani a inteligenței artificiale, cunoscută sub numele de rețele neuronale. Rețelele neuronale au fost propuse pentru prima dată în 1944 Warren McCullough (Warren McCullough) și Walter Peets (Walter Pitts), doi cercetători de la Universitatea din Chicago care au fondat ceea ce se numește uneori primul departament de științe cognitive în 1952.

Rețelele neuronale au fost un domeniu major de cercetare atât în ​​neuroștiință, cât și în informatică până în 1969, dar interesul pentru ele a scăzut de atunci. Tehnologia a început să revină în anii 1980, dar a intrat din nou în eclipsă în primul deceniu al noului secol și a revenit aproape imediat în al doilea, datorită în mare parte puterii de procesare crescute a cipurilor grafice.

Diagrama dispozitivului rețelei neuronale

Caracteristici ale funcționării rețelelor neuronale

Rețelele neuronale sunt un instrument de învățare automată în care un computer învață să îndeplinească o anumită sarcină prin analizarea exemplelor de învățare. De obicei, aceste exemple sunt pre-etichetate manual. De exemplu, un sistem de recunoaștere a obiectelor ar putea stoca mii de imagini etichetate cu mașini, case, pahare etc. și poate găsi modele vizuale și caracteristici ale acestor imagini pentru a le asocia ulterior cu etichete specifice. Pur și simplu, așa învață copiii - de exemplu, unui copil i se arată diferite obiecte roșii, astfel încât în ​​viitor să poată asocia în mod independent această „etichetă” cu toate obiectele roșii.

Cu toate acestea, pentru a dezvolta chiar și un analog tehnic la distanță al conexiunilor creierului nostru, este necesară crearea unui mecanism complex. Rețelele neuronale sunt formate din mii sau milioane de noduri de procesare a informațiilor simple, dar dens interconectate, organizate de obicei în straturi. Diferite tipuri de rețele variază în funcție de numărul lor de straturi, de numărul de conexiuni dintre noduri și de numărul de noduri din fiecare strat. Majoritatea rețelelor neuronale moderne sunt organizate în straturi de noduri în care datele se mișcă într-o singură direcție. Un singur nod poate fi conectat la mai multe noduri din stratul de sub el de la care primește date și la mai multe noduri din stratul de deasupra lui către care trimite date.

Exemplu de formare în rețea

Un nod atribuie un număr fiecăreia dintre conexiunile sale de intrare, cunoscut sub numele de „greutate”. Când rețeaua este activă, nodul primește un alt element de date, un alt număr de la ei și îl înmulțește cu greutatea deja dată, apoi adună valorile primite de la toate intrările împreună, obținând un număr. Dacă numărul depășește un prag, nodul „declanșează”, ceea ce în rețelele neuronale moderne înseamnă de obicei trimiterea numărului - suma intrărilor ponderate - prin toate conexiunile sale de ieșire.

În modul antrenament, toate greutățile și pragurile rețelei neuronale sunt inițial setate la valori aleatorii. Datele de antrenament sunt alimentate în stratul inferior - stratul de intrare - și trec prin straturi ulterioare, înmulțite și adăugate, până ajunge la stratul de ieșire. În timpul antrenamentului, greutățile și pragurile sunt ajustate continuu până când datele de antrenament cu aceleași etichete obțin rezultate similare.

Viitorul este deja aici

Rezultatele impresionante ale îmbunătățirii performanței rețelelor neuronale și al răspândirii utilizării tehnologiei nu se limitează la victoria AlphaGo și a cercetării AI de laborator. Dacă încă asociezi expresia „mașini de auto-învățare” cu lumea science fiction și a filmelor de groază despre revolta roboților, atunci bine ai venit în viitor.

În ultimii ani, cele mai eficiente sisteme de inteligență artificială - în domenii precum conducerea autonomă, recunoașterea vorbirii, viziunea computerizată și traducerea automată - au fost dezvoltate datorită rețelelor neuronale. Poate că nici nu observăm acest lucru, dar rețelele neuronale de auto-învățare sunt deja înrădăcinate în viața noastră de zi cu zi. Deci, de exemplu, traducerea care ți se sugerează în feedul tău Facebook nu se mai face automat căutând fiecare cuvânt individual în dicționar. Acum, compania a lansat o rețea neuronală care traduce propoziții întregi, producând text din ce în ce mai alfabetizat și coerent. Deja, acuratețea traducerilor pe rețelele de socializare a crescut cu 11%.

Model de neuroni procesat în aplicația Prisma

Un val separat de interes pentru tehnologia oamenilor obișnuiți din Rusia a fost cauzat de apariția aplicației Prizma, care transformă fotografiile obișnuite în asemănări cu opere de artă celebre. Nu contează dacă ați folosit această aplicație sau, dimpotrivă, ați fost perplex cu privire la abuzul ei de către utilizatorii rețelelor sociale - merită remarcat creativitatea creatorilor săi. Particularitatea acestui instrument aparent obișnuit de procesare a fotografiilor a fost tocmai faptul că programul a funcționat pe baza rețelelor neuronale, folosind modelele diferitelor stiluri de pictură pentru a crea noi „capodopere”.

Cu toate acestea, chiar și cele mai simple rețele neuronale ocupă multă memorie și consumă cantități uriașe de energie, așa că rulează de obicei pe servere din cloud, unde primesc date de pe desktop sau dispozitive mobile și apoi trimit înapoi rezultatele analizei.

Pentru a rezolva această problemă, anul trecut, profesor asociat de inginerie electrică și informatică la MIT, Vivienne Sze și colegii ei au dezvăluit un nou cip de computer eficient din punct de vedere energetic, optimizat pentru rețelele neuronale, care ar putea permite sistemelor puternice de inteligență artificială să ruleze local pe dispozitive mobile.

Ei au dezvoltat, de asemenea, o metodă analitică care poate determina cât de multă putere consumă o rețea neuronală atunci când rulează pe un anumit tip de hardware. Apoi au folosit tehnologia pentru a evalua noi metode de ocolire a rețelelor neuronale, astfel încât să poată lucra mai eficient pe dispozitive portabile.

Cu toate acestea, Hassabis susține că acest lucru nu este suficient. Scopul pe care cercetătorii și l-au stabilit acum este de a crea o inteligență artificială universală cu capacitatea de a gândi, de a raționa și de a învăța rapid și flexibil, inteligență artificială capabilă să înțeleagă lumea reală și să-și imagineze una mai bună.

Pentru a realiza acest lucru, este necesar să studiem mai îndeaproape funcționarea minții umane, deoarece este singura dovadă că un astfel de sistem inteligent este posibil în principiu.

Problemă de antrenament AI

În funcție de sarcinile lor specifice, algoritmii de învățare automată sunt reglați folosind structuri matematice specifice. Printr-un milion de exemple, rețelele neuronale artificiale învață să-și ajusteze conexiunile până când ajung la o stare ideală care le permite să îndeplinească o sarcină cu cea mai mare acuratețe posibilă.

Deoarece fiecare algoritm este complet adaptat unei sarcini specifice, reantrenarea pentru o sarcină nouă șterge adesea conexiunile stabilite anterior. Astfel, atunci când AI învață o nouă sarcină, o suprascrie complet pe cea anterioară.

Dilema învățării continue este doar o problemă în inteligența artificială. Altele nu au fost încă definite atât de precis, dar poate că se vor dovedi mai semnificative în crearea unor minți flexibile și inventive, precum a noastră.

De exemplu, problema cunoașterii încorporate - așa cum explică Hassabis, este capacitatea de a crea cunoștințe și gânduri abstracte bazate pe interacțiunea senzorială independentă cu lumea. Este un fel de bun simț pe care îl au oamenii, o intuiție greu de descris, dar extrem de utilă pentru rezolvarea problemelor de zi cu zi cu care ne confruntăm.

Trăsături precum imaginația sunt și mai greu de programat. Aici AI, limitată la o sarcină specifică, este cu adevărat proastă, spune Hassabis. Imaginația și inovația se bazează pe modelele pe care le-am creat deja despre lumea noastră - și imaginând noi scenarii din ele. Acestea sunt instrumente de planificare foarte puternice, dar cercetarea lor pentru AI este încă în stadiile incipiente.

Oamenii de știință notează că, atunci când rezolvă problemele rețelelor neuronale, apelează la neurobiologia și fiziologia ființelor vii. Astfel, descoperirile recente arată că hipocampul - parte a sistemului limbic al creierului, care este responsabil de memorie - „reluează” experiențele și amintirile noastre în avans rapid în timpul odihnei și somnului. Acest lucru permite creierului să „reînvețe din succesele și eșecurile care au avut loc deja în trecut”, spune Hassabis.

Cercetătorii AI au preluat această idee și au implementat o versiune rudimentară a algoritmului - rezultând rețele neuronale puternice, de învățare prin experiență. Ei compară situațiile actuale cu evenimentele anterioare stocate în memorie și întreprind acțiuni care anterior au avut ca rezultat succes sau recompensă.

Dar cel mai bun urmează să vină

Apariția imaginilor cerebrale și a instrumentelor de bioinginerie genetică oferă o perspectivă fără precedent asupra modului în care rețelele neuronale biologice se organizează și se conectează pentru a rezolva probleme. Pe măsură ce neurologii lucrează pentru a rezolva „codul neuronal” – calculele de bază care susțin funcția creierului – cercetătorii AI au un set din ce în ce mai larg de instrumente de studiat.

Este demn de remarcat faptul că nu doar AI are ceva de învățat de la neuroștiință, ci beneficiile sunt reciproce. Neuroștiința modernă, cu toate instrumentele sale puternice de imagistică și genetica optică, abia a început să înțeleagă cum rețelele neuronale susțin niveluri mai ridicate de inteligență.

„Oamenii în neuroștiință au adesea o înțelegere destul de vagă a mecanismelor care stau la baza conceptelor pe care le studiază”, spune Hassabis. Deoarece cercetarea AI se bazează pe matematică riguroasă, poate oferi modalități de a clarifica aceste concepte vagi în ipoteze din lumea reală.

Desigur, este puțin probabil ca AI și creierul să funcționeze întotdeauna în același mod. Dar ne putem gândi la IA ca la neuroștiință computațională aplicată, spune Hassabis. Compararea algoritmilor AI cu creierul uman „poate oferi o perspectivă asupra unora dintre cele mai profunde mistere ale minții”.

S-a spus că 47% din total
locurile de muncă ar putea fi automatizate în următorii 20 de ani. Principalul motor al acestui proces este utilizarea inteligenței artificiale care lucrează cu date mari ca un înlocuitor mai eficient pentru oameni.

Mașinile sunt acum capabile să gestioneze tot mai multe procese care anterior erau responsabilitatea oamenilor. În plus, o fac mai bine și în multe cazuri mai ieftin. German Gref a vorbit despre ce înseamnă acest lucru pentru piața muncii în iulie a acestui an, vorbind cu studenții de la Universitatea Federală Baltică. Kanta:

„Nu mai angajăm avocați care nu știu ce să facă cu o rețea neuronală.<...>Sunteți studenții de ieri. Tovarăși avocați, uitați-vă de profesie. Anul trecut, cei 450 de avocați care ne pregătesc procese au plecat și au fost disponibilizați. Rețeaua noastră neuronală pregătește declarațiile de revendicare mai bine decât avocații formați de Universitatea Federală Baltică. Cu siguranță nu îi vom angaja.”

Continuând să lumineze #technofuture, echipa DTI a pregătit tot ceea ce trebuie să știi pentru prima ta scufundare în rețelele neuronale: cum funcționează, de ce tot mai multe companii preferă rețelele neuronale în locul angajaților vii și ce potențial are această tehnologie pentru optimizarea diferitelor procese.

Inteligența artificială, învățarea automată și rețelele neuronale: care este diferența

Retea neurala- una dintre modalitățile de implementare inteligență artificială (AI).

Există o zonă vastă în dezvoltarea AI - învățare automată. Ea studiază metode pentru construirea de algoritmi care pot învăța pe cont propriu. Acest lucru este necesar dacă nu există o soluție clară la o problemă. În acest caz, este mai ușor să nu căutați soluția potrivită, ci să creați un mecanism care va veni în sine cu o metodă pentru a o găsi.

#referinţă În multe articole puteți găsi termenul „profundă” – sau „profundă” – învățare. Se referă la algoritmi de învățare automată care folosesc o mulțime de resurse de calcul. În cele mai multe cazuri, poate fi pur și simplu înțeles ca „rețele neuronale”.

Pentru a nu ne confunda în conceptele de „inteligență artificială”, „învățare automată” și „învățare profundă”, vă sugerăm să privim vizualizarea dezvoltării lor:

#interesant Există două tipuri de inteligență artificială (AI): slabă (focalizată) și puternică (generală). AI slabă este concepută pentru a efectua o listă restrânsă de sarcini. Acestea sunt asistenții vocali Siri și Google Assistant și toate celelalte exemple pe care le dăm în acest articol. AI puternică, la rândul său, este capabilă să ducă la bun sfârșit orice sarcină umană. În acest moment, implementarea unei IA puternice este imposibilă; este o idee utopică.

Cum funcționează o rețea neuronală?

Rețeaua neuronală modelează funcționarea sistemului nervos uman, a cărui particularitate este capacitatea de a auto-învăța, ținând cont de experiența anterioară. Astfel, de fiecare dată sistemul face din ce în ce mai puține erori.

La fel ca sistemul nostru nervos, o rețea neuronală este formată din elemente de calcul individuale - neuroni, localizați pe mai multe straturi. Datele primite la intrarea rețelei neuronale sunt supuse procesării secvențiale la fiecare strat al rețelei. Mai mult, fiecare neuron are anumiți parametri care se pot schimba în funcție de rezultatele obținute - acesta este antrenamentul rețelei.

Să presupunem că sarcina unei rețele neuronale este de a distinge pisicile de câini. Pentru a configura rețeaua neuronală, este hrănită o gamă largă de imagini semnate cu pisici și câini. Rețeaua neuronală analizează caracteristicile (inclusiv linii, forme, dimensiunea și culoarea acestora) din aceste imagini și construiește un model de recunoaștere care minimizează procentul de erori în raport cu rezultatele de referință.

Figura de mai jos arată procesul unei rețele neuronale a cărei sarcină este să recunoască un număr de cod poștal scris de mână.

Istoria rețelelor neuronale

În ciuda faptului că rețelele neuronale au intrat în centrul atenției doar recent, ele sunt unul dintre cei mai vechi algoritmi de învățare automată. Prima versiune a neuronului formal, celula rețelei neuronale, a fost propusă de Warren McCulloch și Walter Pitts în 1943.

Și deja în 1958, Frank Rosenblatt a dezvoltat prima rețea neuronală. În ciuda simplității sale, putea deja să distingă, de exemplu, obiectele din spațiul bidimensional.

Mark I Perceptron - mașina lui Rosenblatt

Primele succese au atras atenția sporită asupra tehnologiei, dar apoi alți algoritmi de învățare automată au început să arate rezultate mai bune, iar rețelele neuronale au dispărut în fundal. Următorul val de interes a venit în anii 1990, după care nu s-a auzit aproape nimic despre rețelele neuronale până în 2010.

De ce rețelele neuronale sunt din nou populare

Înainte de 2010, pur și simplu nu exista o bază de date suficient de mare pentru a antrena corect rețelele neuronale pentru a rezolva anumite probleme, în principal legate de recunoașterea și clasificarea imaginilor. Prin urmare, rețelele neuronale au făcut greșeli destul de des: au confundat o pisică cu un câine sau, și mai rău, o imagine a unui organ sănătos cu o imagine a unui organ afectat de o tumoare.

Dar în 2010 a apărut baza de date ImageNet, care conține 15 milioane de imagini în 22 de mii de categorii. ImageNet era de multe ori mai mare decât bazele de date de imagini existente și era accesibil oricărui cercetător. Cu astfel de volume de date, rețelele neuronale ar putea fi antrenate pentru a lua decizii practic fără erori.

Dimensiunea ImageNet în comparație cu alte baze de date de imagini existente în 2010

Înainte de aceasta, o altă problemă, nu mai puțin semnificativă, stătea în calea dezvoltării rețelelor neuronale: metoda tradițională de predare a fost ineficientă. Deși numărul de straturi dintr-o rețea neuronală joacă un rol important, metoda de antrenare a rețelei este de asemenea importantă. Metoda de criptare inversă utilizată anterior nu putea antrena în mod eficient decât ultimele straturi ale rețelei. Procesul de antrenament s-a dovedit a fi prea lung pentru utilizare practică, iar straturile ascunse ale rețelelor neuronale profunde nu au funcționat corespunzător.

Trei grupuri independente de oameni de știință au obținut rezultate în rezolvarea acestei probleme în 2006. În primul rând, Geoffrey Hinton a preantrenat rețeaua folosind o mașină Boltzmann, antrenând fiecare strat separat. În al doilea rând, Yann LeCun a propus utilizarea unei rețele neuronale convoluționale pentru a rezolva problemele de recunoaștere a imaginilor. În cele din urmă, Joshua Bengio a dezvoltat un autoencoder în cascadă care a permis utilizarea tuturor straturilor dintr-o rețea neuronală profundă.

Exemple de utilizare cu succes a rețelelor neuronale în afaceri

Medicament

O echipă de cercetători de la Universitatea din Nottingham a dezvoltat patru algoritmi de învățare automată pentru a evalua riscul pacienților de boli cardiovasculare. Pentru antrenament au fost folosite date de la 378 de mii de pacienți britanici. Inteligența artificială instruită a determinat riscul bolilor cardiace mai eficient decât medicii adevărați. Precizia algoritmului este între 74 și 76,4% (sistemul standard cu opt factori dezvoltat de Colegiul American de Cardiologie oferă o precizie de doar 72,8%).

Finanţa

Compania japoneză de asigurări Fukoku Mutual Life Insurance a semnat un contract cu IBM. Conform lui, 34 de angajați ai unei companii japoneze vor fi înlocuiți de sistemul IBM Watson Explorer AI. Rețeaua neuronală va analiza zeci de mii de certificate medicale și va ține cont de numărul de vizite la spital, operații și alți factori pentru a determina condițiile de asigurare pentru clienți. Fukoku Mutual Life Insurance consideră că utilizarea IBM Watson va crește productivitatea cu 30% și se va amortiza în doi ani.

Învățare automată ajută la recunoașterea potențialelor cazuri de fraudă în diverse domenii ale vieții. Un instrument similar este folosit, de exemplu, de PayPal - ca parte a luptei împotriva spălării banilor, compania compară milioane de tranzacții și detectează unele suspecte printre acestea. Ca urmare, tranzacțiile frauduloase la PayPal sunt la un minim record de 0,32%, în timp ce standardul în sectorul financiar este de 1,32%.

Continuarea notei analitice este disponibilă la link-ul:

Învățarea automată este un termen larg care acoperă toate momentele în care încercați să învățați o mașină să se îmbunătățească. În mod specific, acest lucru se aplică oricărui sistem în care performanța unui computer la o sarcină devine mai bună doar prin mai multă experiență cu acea sarcină. Rețelele neuronale sunt un exemplu de învățare automată, dar nu sunt singurul mod în care un computer poate învăța.

De exemplu, o metodă alternativă de învățare automată se numește învățare prin consolidare. În această metodă, computerul efectuează o sarcină și apoi evaluează rezultatul acesteia. Dacă, de exemplu, un computer câștigă un joc de șah, acesta atribuie o valoare câștigătoare seriei de mutări pe care le folosește în timpul jocului. După ce ați jucat milioane de jocuri, sistemul poate determina care mișcări sunt cele mai probabile să conducă la victorie pe baza rezultatelor jocurilor anterioare.

În timp ce rețelele neuronale sunt bune pentru lucruri precum recunoașterea modelelor în imagini, alte tipuri de învățare automată pot fi mai utile pentru diverse sarcini, cum ar fi identificarea muzicii tale preferate. Google spune că aplicația sa de muzică vă va găsi muzica pe care doriți să o ascultați. Face acest lucru analizând listele de redare anterioare. Dacă nu vă place rezultatul, aparatul îl va considera un eșec. Dar dacă alegi una dintre listele sugerate, ea o va marca drept un succes și va analiza mișcările câștigătoare care au condus-o la inima ta.

În astfel de cazuri, nu veți beneficia pe deplin de învățarea automată decât dacă utilizați funcția frecvent. Când deschideți aplicația de muzică Google pentru prima dată, recomandările vor trece probabil peste tejghea. Dar cu cât îl folosiți mai mult, cu atât sugestiile vor fi mai bune. În teorie, cel puțin. Învățarea automată nu este, de asemenea, un panaceu. Învățarea automată este un concept mai nebulos decât rețelele neuronale, dar înseamnă și că software-ul pe care îl utilizați se va baza pe feedback-ul dvs. pentru a-și îmbunătăți performanța.

Inteligența artificială este totul pentru moment cu prefixul „inteligent”

Așa cum rețelele neuronale sunt o formă de învățare automată, învățarea automată este o formă de inteligență artificială. Dar categoria „inteligenței artificiale” este atât de prost definită încât expresia nu are un sens practic. Da, evocă imagini ale unui viitor avansat din punct de vedere tehnologic, dar în realitate nu suntem încă aproape de el. OCR a fost cândva prea complex pentru o mașină, dar acum o aplicație de pe telefon poate scana documente și le poate transforma în text. A numi acest lucru o faptă a inteligenței artificiale este cumva nepotrivit.

Motivul pentru care capabilitățile de bază ale telefonului pot fi considerate inteligență artificială este că există de fapt două tipuri de IA. AI slabă sau îngustă descrie orice sistem conceput pentru a îndeplini un set restrâns de sarcini. De exemplu, Google Assistant sau Siri, deși IA destul de puternică, efectuează totuși o listă destul de restrânsă de sarcini. Ei primesc comenzi vocale și returnează răspunsuri sau lansează aplicații. Cercetarea cu inteligența artificială alimentează aceste caracteristici, dar sunt considerate „slabe”.

În schimb, IA puternică – cunoscută și sub numele de inteligență generală artificială sau „IA completă” – este un sistem care poate îndeplini orice sarcină umană. Și ea nu există. Prin urmare, orice aplicație „inteligentă” este încă o inteligență artificială slabă.

Și deși sensul poate fi destul de vag, cercetarea practică în domeniul inteligenței artificiale este atât de utilă încât probabil a devenit deja parte din viața ta de zi cu zi. De fiecare dată când telefonul dvs. își amintește automat unde ați parcat, recunoaște fețele din fotografiile dvs., primește sugestii de căutare sau grupează automat toate fotografiile dvs. din weekend, atingeți într-un fel inteligența artificială. Într-o anumită măsură, „inteligența artificială” înseamnă de fapt doar că aplicațiile vor fi puțin mai inteligente decât ne-am obișnuit. Eticheta „AI” nu înseamnă acum nimic inteligibil din punct de vedere practic.

Dar rezolvă și probleme mai importante - de exemplu, căutarea de noi medicamente. Satul a apelat la experți pentru a afla care sunt caracteristicile tehnologiei și cum o folosesc companiile și universitățile locale.

Ce sunt rețelele neuronale?

Pentru a înțelege ce loc ocupă rețelele neuronale în lumea inteligenței artificiale și cum se leagă ele cu alte tehnologii pentru crearea de sisteme inteligente, să începem cu definiții.

Rețele neuronale este una dintre metodele de învățare automată, ale cărei fundamente și-au luat naștere în 1943, chiar înainte de apariția termenului de „inteligență artificială”. Ele reprezintă un model matematic care seamănă vag cu funcționarea sistemului nervos al animalelor.

Potrivit lui Stanislav Protasov, cercetător senior la Universitatea Innopolis, cel mai apropiat analog al creierului uman sunt rețelele neuronale convoluționale, inventate de matematicianul Yann LeCun. „Ele sunt în centrul multor aplicații care pretind a fi inteligență artificială, cum ar fi FindFace sau Prisma”, notează el.

Învățare automată- o subsecțiune a inteligenței artificiale la intersecția dintre matematică și informatică. Studiază metode de construire a modelelor și algoritmilor bazați pe principiul învățării. Aparatul analizează exemplele introduse, identifică tipare, le generalizează și construiește reguli cu ajutorul cărora se rezolvă diverse probleme - de exemplu, prezicerea dezvoltării ulterioare a evenimentelor sau recunoașterea și generarea de imagini, text și vorbire. Pe lângă rețelele neuronale, aici sunt utilizate și metode de regresie liniară, arbori de decizie și alte abordări.

Inteligenţă artificială- o ramură a informaticii despre crearea mijloacelor tehnologice pentru ca mașinile să îndeplinească sarcini care anterior erau considerate apanajul exclusiv al oamenilor, precum și desemnarea unor astfel de dezvoltări. Regia a fost oficializată oficial în 1956.

Alexandru Krainov

Ceea ce se poate numi inteligență artificială și ceea ce nu este o chestiune de acord. Omenirea, în general, nu a ajuns la o formulare clară a ceea ce este inteligența în general, cu atât mai puțin inteligența artificială. Dar dacă generalizăm ceea ce se întâmplă, putem spune că inteligența artificială este rețele neuronale profunde care rezolvă probleme complexe la un nivel apropiat de nivelul uman și, într-o măsură sau alta, sunt de auto-învățare. În același timp, auto-învățarea se referă aici la capacitatea de a extrage independent un semnal util din datele brute.

Care este starea actuală a industriei?

Potrivit agenției de analist Gartner, învățarea automată se află acum la vârful așteptărilor umflate. Entuziasmul din jurul unei noi tehnologii caracteristice acestei etape duce la un entuziasm excesiv, care are ca rezultat încercări nereușite de a o folosi pe scară largă. Se așteaptă că industriei vor avea nevoie de doi până la cinci ani pentru a-și renunța la iluzii. Potrivit experților ruși, rețelele neuronale vor trebui să fie supuse în curând unui test de rezistență.

Serghei Negodiaev

Manager de portofoliu al Fondului de Dezvoltare a Inițiativelor pe Internet

Deși oamenii de știință oficializează și dezvoltă rețele neuronale de 70 de ani, pot fi identificate două puncte de cotitură în dezvoltarea acestei tehnologii. Prima a fost în 2007, când Universitatea din Toronto a creat algoritmi de învățare profundă pentru rețelele neuronale multistrat. Al doilea moment care a provocat boom-ul de astăzi a fost în 2012, când cercetătorii de la aceeași universitate au folosit rețele neuronale profunde și au câștigat concursul ImageNet, învățând să recunoască obiectele din fotografii și videoclipuri cu un minim de erori.

În zilele noastre există suficientă putere de calculator pentru a rezolva, dacă nu toate, atunci marea majoritate a problemelor bazate pe rețelele neuronale. Acum principalul obstacol este lipsa datelor etichetate. Relativ vorbind, pentru ca sistemul să învețe să recunoască un apus de soare în videoclipuri sau fotografii, acesta trebuie să fie alimentat cu un milion de imagini ale apusului, indicând exact locul în care se află acesta în cadru. De exemplu, atunci când încarci o fotografie pe Facebook, prietenii tăi o recunosc ca pe o pisică în razele soarelui apus, iar rețeaua de socializare vede în ea un set de etichete: „animal”, „pisică”, „de lemn”, „pod”, „seară”, „portocaliu”. Cine are mai multe date de antrenament va avea o rețea neuronală mai inteligentă.

Andrei Kalinin

Șef de căutare Mail.Ru

Aplicațiile de divertisment bazate pe rețele neuronale - de exemplu, Artisto sau Vinci - sunt doar vârful aisbergului și, în același timp, o modalitate excelentă de a-și demonstra capacitățile unui public mai larg. De fapt, rețelele neuronale sunt capabile să rezolve o serie de probleme complexe. Cele mai tari zone acum sunt piloții automati, asistenții vocali, chatboții și medicamentele.

Alexandru Krainov

Șef al Serviciului Computer Vision la Yandex

Putem spune că boom-ul rețelelor neuronale a sosit deja, dar încă nu a atins apogeul. Va deveni doar mai interesant. Cele mai promițătoare domenii astăzi sunt, probabil, viziunea computerizată, sistemele de dialog, analiza textului, robotica, vehiculele fără pilot și generarea de conținut - texte, imagini, muzică.

Zone promițătoare pentru implementarea rețelelor neuronale

Transport

Robotică

Biotehnologie

Agricultură

internetul Lucrurilor

Media și divertisment

Lingvistică

Siguranță

Vlad Shershulsky

director de programe de cooperare tehnologică la Microsoft în Rusia

Astăzi a avut loc deja o revoluție neuronală. Uneori este chiar dificil să distingem ficțiunea de realitate. Imaginați-vă o mașină de recoltat automată cu multe camere. Face 5 mii de poze pe minut și, printr-o rețea neuronală, analizează dacă planta din fața lui este o buruiană sau o plantă infestată cu dăunători, apoi decide ce să facă în continuare. Fantastic? Chiar nu mai.

Boris Volfson

Director de dezvoltare HeadHunter

Există un anumit hype în jurul rețelelor neuronale și, după părerea mea, așteptări ușor umflate. Vom trece în continuare printr-o etapă de dezamăgire înainte de a învăța să le folosim eficient. Multe rezultate de cercetare inovatoare nu sunt încă foarte aplicabile afacerilor. În practică, este adesea mai rezonabil să folosiți alte metode de învățare automată - de exemplu, diverși algoritmi bazați pe arbori de decizie. Probabil că nu pare la fel de interesant sau futurist, dar aceste abordări sunt foarte frecvente.

Ce învață rețelele neuronale în Rusia?

Participanții pe piață sunt de acord că multe dintre realizările rețelelor neuronale sunt încă aplicabile doar în sfera academică. În afara granițelor sale, tehnologia este folosită în principal în aplicații de divertisment, care alimentează interesul pentru subiect. Cu toate acestea, dezvoltatorii ruși învață rețelele neuronale să rezolve probleme semnificative din punct de vedere social și de afaceri. Să aruncăm o privire mai atentă asupra unor zone.

Știință și medicină

Școala Yandex de Analiză a Datelor participă la experimentul CRAYFIS împreună cu reprezentanți ai Skolkovo, MIPT, HSE și ai universităților americane UCI și NYU. Esența sa este căutarea particulelor cosmice de ultra-înaltă energie folosind smartphone-uri. Datele de la camere sunt transmise la rețelele neuronale accelerate capabile să capteze urme de particule care interacționează slab în imagini.

Acesta nu este singurul experiment internațional în care sunt implicați specialiști ruși. Oamenii de știință de la Universitatea Innopolis, Manuel Mazzara și Leonard Johard, participă la proiectul BioDynaMo. Cu sprijinul Intel și CERN, aceștia doresc să creeze un prototip care să poată reproduce o simulare la scară completă a cortexului cerebral. Cu ajutorul acestuia, este planificată creșterea eficienței și rentabilității experimentelor care necesită prezența unui creier uman viu.

Profesorul Innopolis Yaroslav Kholodov a participat la dezvoltarea unui model computerizat capabil să prezică formarea legăturilor de proteine ​​de zeci de ori mai rapid. Folosind acest algoritm, dezvoltarea vaccinurilor și a medicamentelor poate fi accelerată. În acest domeniu s-au remarcat dezvoltatori de la Mail.Ru Group, Insilico Medicine și MIPT. Ei au folosit rețele generative adversare, instruiți să inventeze structuri moleculare, să caute substanțe care ar putea fi utile în boli, de la cancer la boli cardiovasculare.

frumusete si sanatate

În 2015, compania rusă Youth Laboratories a lansat primul concurs internațional de frumusețe, Beauty.AI. Fotografiile participanților au fost evaluate de rețele neuronale. La stabilirea câștigătorilor, aceștia au ținut cont de sexul, vârsta, naționalitatea, culoarea pielii, simetria facială și prezența sau absența ridurilor. Ultimul factor i-a determinat pe organizatori să creeze serviciul RYNKL, care vă permite să urmăriți modul în care îmbătrânirea afectează pielea și modul în care diferite medicamente o combate.

Rețelele neuronale sunt folosite și în telemedicină. Compania rusă Mobile Medical Technologies, care gestionează proiectele Online Doctor și Pediatru 24/7, testează un bot de diagnostic care va fi util atât pacienților, cât și medicilor. Primul vă va spune la ce specialist să contactați pentru anumite simptome, iar al doilea vă va ajuta să determinați de ce anume este bolnav vizitatorul.

Optimizarea proceselor de afaceri și a reclamei

Startup-ul rus Leadza a reușit să folosească rețelele neuronale pentru a aloca mai eficient bugetul pentru publicitate pe Facebook și Instagram. Algoritmul analizează rezultatele campaniilor anterioare, construiește o prognoză a parametrilor cheie și, pe baza acestora, redistribuie automat cheltuielile, astfel încât magazinele online să poată obține mai mulți clienți la un cost mai mic.

Echipa GuaranaCam a folosit tehnologii de învățare automată pentru a evalua eficiența plasării offline a produselor și materialelor publicitare. Sistemul rulează pe cloud Microsoft Azure și analizează comportamentul de cumpărare folosind camere CCTV. Proprietarii de afaceri primesc un raport de starea tranzacționării în timp real. Proiectul este deja utilizat în centrul comercial Mega Belaya Dacha.

Exemplele interne de succes de utilizare a rețelelor neuronale în afaceri nu se termină aici. LogistiX, care experimentează din 2006 tehnologii de inteligență artificială, a dezvoltat un sistem de optimizare a operațiunilor din depozit. Se bazează pe o rețea neuronală de învățare care analizează datele despre angajați primite de la trackere de fitness și redistribuie volumul de muncă între ei. Acum echipa învață rețelele neuronale să distingă defectele.

Holdingul Belfingroup a mers și mai departe. Filiala sa BFG-soft a creat platforma cloud BFG-IS, care vă permite să gestionați o întreprindere folosind modelul său virtual. Acesta din urmă este construit automat pe baza datelor de producție colectate de sistem și nu numai că arată cum să organizați cel mai bine procesele ținând cont de obiectivele date, ci și prezice consecințele oricăror modificări - de la înlocuirea echipamentelor până la introducerea de schimburi suplimentare. La sfârșitul anului 2016, Fondul de Dezvoltare a Inițiativelor pe Internet a decis să investească 125 de milioane de ruble în companie.

Recrutarea si managementul personalului

Agregatorul de recrutori rus Stafory termină de formare a unei rețele neuronale recurente care nu poate doar să ofere răspunsuri monosilabice la întrebările candidaților, ci și să conducă o conversație completă cu aceștia despre postul vacant de care sunt interesați. Și echipa portalului SuperJob testează un serviciu care prezice care dintre sutele de CV-uri similare va fi solicitat de un anumit angajator.

Transport

Dezvoltatorul rus de sisteme inteligente, Cognitive Technologies, folosește rețelele neuronale pentru a recunoaște vehicule, pietoni, semne rutiere, semafoare și alte obiecte din cadru. De asemenea, compania colectează date pentru a antrena o rețea neuronală pentru o mașină care se conduce singur. Vorbim despre zeci de mii de episoade care descriu reacția șoferilor la anumite situații critice de pe șosele. Ca rezultat, sistemul trebuie să formuleze scenarii optime de comportament pentru robot. Aceleași tehnologii sunt folosite pentru a crea un transport agricol inteligent.

În plus, rețelele neuronale pot fi utilizate în transport în alte moduri. În vara anului 2016, Yandex a adăugat la panoul său de buletin Avto.ru o funcție pentru identificarea automată a unui model de mașină din fotografia sa. La acea vreme, sistemul cunoștea 100 de mărci.

Psihologie și siguranță

Startup-ul rus NTechLab, care a învins Google în competiția internațională de algoritmi de recunoaștere facială The MegaFace Benchmark, a folosit tehnologii de învățare automată în aplicația FindFace. Vă permite să găsiți o persoană pe rețelele sociale prin fotografie. Utilizatorii apelează adesea la serviciu pentru a identifica falsurile, dar poate fi util și pentru aplicarea legii. Cu ajutorul acestuia, identitățile mai multor infractori au fost deja stabilite, inclusiv deturnătorul Citibank din Moscova. Versiunea business a FindFace.Pro este oferită companiilor interesate de identificarea clienților. Acum sistemul este pe deplin antrenat pentru a determina sexul, vârsta și emoțiile celorlalți, ceea ce poate fi util nu numai atunci când comunicați cu clienții, ci și atunci când gestionați personalul.

În mod similar, rețelele neuronale sunt folosite de o altă companie rusă - VisionLabs. Folosește tehnologii de recunoaștere facială pentru a asigura securitatea în bănci și pentru a crea oferte speciale pentru cei mai fideli clienți ai diferitelor puncte de vânzare cu amănuntul.

Startup-ul „Emotian” lucrează într-o direcție similară. El finalizează un sistem de determinare a stării emoționale a orașelor. Deocamdată, rețeaua neuronală calculează cele mai fericite zone pe baza publicațiilor de pe rețelele de socializare, dar pe viitor compania plănuiește să țină cont de datele biometrice de la camere.

Media și creativitate

Unul dintre principalii jucători de pe piața rețelelor neuronale din Rusia este Yandex. Compania folosește învățarea automată nu numai în serviciile de căutare, ci și în alte produse. În 2015, ea a lansat un sistem de recomandare „ Zen”, care creează un flux de știri, articole, fotografii și videoclipuri, pe baza intereselor unui anumit utilizator. Cu cât accesează mai des materialele selectate de algoritm, cu atât mai precis rețeaua neuronală determină ce altceva i-ar plăcea.

În plus, Yandex experimentează creativitatea. Angajații companiei au reușit deja să aplice poeziei o abordare a rețelei neuronale și apoi