Штучний інтелект та нейрони та мережі. Нейронні мережі. Нейрони? Це як у мозку

Японський алгоритм написав книгу"День, коли комп'ютер написав роман". Незважаючи на те, що з характерами героїв та сюжетними лініями недосвідченому письменнику допомагали люди, комп'ютер проробив величезну роботу – в результаті одна з його робіт пройшла відбірний етап престижної літературної премії. Нейросети також написали продовження до Гаррі Поттера та Ігри Престолів.

У 2015 році нейромережа AlphaGo, розроблена командою Google DeepMind, стала першою програмою, яка перемогла професійного гравця в го. А у травні цього року програма обіграла найсильнішого гравця в го у світі, Ке Цзе. Це стало проривом, оскільки довгий час вважалося, що комп'ютери не мають інтуїції, необхідної для гри в го.

Безпека

Команда розробників із Технологічного університету Сіднея представила дронів для патрулювання пляжів. Основним завданням дронів стане пошук акул у прибережних водах та попередження людей на пляжах. Аналіз відеоданих виробляють нейромережі, що суттєво позначилося на результатах: розробники стверджують про ймовірність виявлення та ідентифікації акул до 90%, тоді як оператор, який переглядає відео з безпілотників, успішно розпізнає акул лише у 20-30% випадків.

Австралія посідає друге місце у світі після США за кількістю випадків нападу акул на людей. У 2016 році в цій країні було зафіксовано 26 випадків нападу акул, два з яких закінчилися смертю людей.

У 2014 році Лабораторія Касперського повідомляла, що їхній антивірус реєструє 325 тис. нових заражених файлів щодня. У той же час дослідження компанії Deep Instinct показало, що нові версії вірусів практично не відрізняються від попередніх – зміна становить від 2% до 10%. Самонавчальна модель, розроблена Deep Instinct, на підставі цієї інформації здатна з високою точністю визначати заражені файли.

Нейросети також здатні шукати певні закономірності в тому, як зберігається інформація в хмарних сервісах, і повідомляти про виявлені аномалії, здатні призвести до пролому в безпеці.

Бонус: нейромережі на варті нашого газону

У 2016 році 65-річний інженер NVIDIA Роберт Бонд зіштовхнувся з проблемою: сусідські кішки регулярно відвідували його ділянку та залишали сліди своєї присутності, що дратувало його дружину, яка працює в саду. Бонд відразу відтяв надто недружню ідею спорудити пастки для непроханих гостей. Натомість він вирішив написати алгоритм, який автоматично включав би садові розбризкувачі води при наближенні кішок.

Перед Робертом стояло завдання ідентифікації кішок у відеопотоці, що надходить із зовнішньої камери. Для цього він використав систему, засновану на популярній нейромережі Caffe. Щоразу, коли камера спостерігала зміну обстановці дільниці, вона робила сім знімків і передавала їх нейромережі. Після цього нейромережа мала визначити, чи є у кадрі кішка, і, у разі ствердної відповіді, включити розбризкувачі.

Зображення з камери у дворі Бонда

До початку роботи нейромережа пройшла навчання: Бонд "годував" їй 300 різних фотографій кішок. Аналізуючи ці фотографії, нейромережа вчилася розпізнавати тварин. Але цього виявилося недостатньо: вона коректно визначала кішок лише у 30% випадків і прийняла за кішку тінь Бонда, внаслідок чого він сам виявився мокрим.

Нейросеть заробила краще після додаткового навчання на більшій кількості фотографій. Однак Бонд попереджає, що нейромережа можна натренувати занадто сильно, у разі чого у неї складеться нереалістичний стереотип – наприклад, якщо всі знімки, що використовуються для навчання, зняті з одного ракурсу, то штучний інтелект може не розпізнати ту саму кішку з іншого кута. Тому надзвичайно важливим є грамотний підбір навчального ряду даних.

Через деякий час кішки, які навчилися не на фотографіях, а на власній шкурі, перестали відвідувати ділянку Бонда.

Висновок

Нейронні мережі, технологія середини минулого століття зараз змінює роботу цілих галузей. Реакція суспільства неоднозначна: одних можливості нейромереж захоплюють, а інших – змушують засумніватися в їхній користі як фахівців.

Однак не скрізь, куди приходить машинне навчання, воно витісняє людей. Якщо нейромережа ставить діагнози краще за живого лікаря, це не означає, що в майбутньому нас лікуватимуть виключно роботи. Імовірніше, лікар працюватиме разом із нейромережею. Аналогічно, суперкомп'ютер IBM Deep Blue виграв у шахи у Гаррі Каспарова ще 1997 року, проте люди з шахів нікуди не поділися, а імениті гросмейстери досі потрапляють на обкладинки глянсових журналів.

Кооперація з машинами принесе набагато більше користі, ніж конфронтація. Тому ми зібрали список матеріалів у відкритому доступі, які допоможуть вам продовжити знайомство з нейромережами:

Ключ до успіху розвитку штучного інтелекту - нейробіологія. Як саме вчені намагаються відтворити роботу людського мозку та в чому особливість роботи нейронних мереж – у матеріалі «Футуриста».

Нейробіологія та штучний інтелект

"Майбутнє штучного інтелекту - в нейробіології", - так стверджує засновник Google DeepMind, доктор нейробіології Деміс Хасабіс (Demis Hassabis) у статті, опублікованій у журналі Neuron. Хасабіс запустив свою лондонську компанію DeepMind для створення технічного аналога людського інтелекту, а в 2014 році Google купив його компанію за більш ніж $500 млн. Минулого року AlphaGo, розроблена програмою DeepMind, обіграла чемпіонів світу в логічну гру го. У співпраці з OpenAI, некомерційним дослідницьким інститутом ІІ, що підтримується Ілоном Маском Компанія також працює над створенням машин з більш розвиненими інтелектуальними можливостями.

Усі алгоритми штучного інтелекту компанії DeepMind засновані на концепціях, вперше виявлених у нашому власному мозку. Глибинне навчання та навчання з підкріпленням – два стовпи сучасного ІІ – є результатом вільного перекладання моделі роботи біологічних нейронних зв'язків людського мозку на мову формальної математики. Глибинне навчаннянасправді є лише новою назвою підходу до штучного інтелекту, що існує вже понад 70 років і відомий як нейронні мережі. Нейронні мережі були вперше запропоновані ще 1944 року Уоррен Маккалоу (Warren McCullough) та Уолтером Пітсом (Walter Pitts), двома дослідниками з університету Чикаго, які в 1952 році заснували, як його іноді називають, перший відділ когнітивної науки.

Нейронні мережі були основною областю досліджень як у галузі нейробіології, так і в галузі інформатики до 1969 року, проте потім інтерес до них зник. У 1980-х роках техніка почала відроджуватися, але знову затьмарилася в першому десятилітті нового століття і повернулася майже відразу, у другому - в основному завдяки збільшеній обчислювальній потужності графічних чіпів.

Схема пристрою нейромережі

Особливість роботи нейронних мереж

Нейронні мережі - це засіб машинного навчання, у якому комп'ютер навчається виконувати певне завдання, аналізуючи приклади навчання. Як правило, ці приклади попередньо позначені вручну. Наприклад, в системі розпізнавання об'єктів можна було б зберегти тисячі помічених зображень автомобілів, будинків, чашок і т.д., і вона змогла б знаходити візуальні закономірності та особливості цих зображень, щоб надалі асоціювати їх із конкретними мітками. Простіше кажучи, так само відбувається навчання у дітей – наприклад, дитині показують різні предмети червоного кольору, щоб надалі вона могла самостійно асоціювати цю «мітку» з усіма червоними об'єктами.

Однак для того, щоб розробити навіть віддалений технічний аналог зв'язків нашого мозку, потрібне створення складного механізму. Нейронні мережі складаються з тисяч чи мільйонів простих, але щільно взаємопов'язаних вузлів обробки інформації, зазвичай організованих шари. Різні типи мереж різняться залежно від кількості шарів, кількості з'єднань між вузлами і кількості вузлів у кожному шарі. Більшість сучасних нейронних мереж організовано у шари вузлів, у яких дані переміщаються лише одному напрямку. Окремий вузол може бути підключений до кількох вузлів у нижньому шарі, з якого він отримує дані, і до кількох вузлів у шарі над ним, якому він відправляє дані.

Приклад навчання мережі

Кожному зі своїх вхідних з'єднань вузол надає номер, відомий як «вага». Коли мережа активна, вузол отримує від них інший елемент даних, інше число і множить його вже задану вагу, а потім складає значення, отримані від усіх входів, разом, отримуючи одне число. Якщо число перевищує граничне значення, вузол «спрацьовує», що у сучасних нейронних мережах зазвичай означає відправлення номера - суми зважених входів - по його вихідним сполукам.

У режимі тренування на всі ваги та пороги нейронної мережі спочатку встановлюються випадкові значення. Дані навчання подаються на нижній рівень - шар введення - і проходять через наступні шари, множаться і складаються, доки не досягнуть вихідного рівня. Під час навчання ваги та пороги постійно коригуються доти, доки дані навчання з однаковими мітками не отримають аналогічні результати.

Майбутнє вже тут

Вражаючі результати вдосконалення роботи нейронних мереж та поширення використання технології не обмежуються перемогою AlphaGo та лабораторними дослідженнями ІІ. Якщо словосполучення «навчальні машини» у вас все ще асоціюється зі світом наукової фантастики і хорорами про повстання роботів, то ласкаво просимо в майбутнє.

В останні роки найефективніші системи штучного інтелекту - у таких галузях, як автономне водіння, розпізнавання мови, комп'ютерний зір та автоматичний переклад - були розроблені завдяки нейронним мережам. Ми можемо самі цього не помічати, але нейронні мережі, що самонавчаються, вже вкоренилися в нашому повсякденному житті. Так, наприклад, переклад, що пропонується вам у стрічці Facebook, більше не виконується автоматично за допомогою пошуку кожного окремого слова у словнику. Тепер компанія запустила роботу нейронної мережі, яка перекладає цілі пропозиції, видаючи дедалі грамотніший зв'язковий текст. Вже зараз точність переказів у соцмережі підвищилася на 11%.

Модель нейрона, оброблена в програмі Prisma

Окрему хвилю інтересу до технології обивателів у Росії викликала поява програми Prizma, що перетворює звичайні фотографії на подобу відомих витворів мистецтва. Неважливо, чи користувалися ви цією програмою або, навпаки, дивувалися з приводу зловживання ним користувачами соцмереж - варто відзначити креатив його творців. Особливість, здавалося б, чергового пересічного засобу обробки фотографій полягала саме в тому, що програма працювала на основі нейронних мереж, використовуючи закономірності різних стилів живопису для створення нових «шедеврів».

Однак навіть найпростіші нейронні мережі займають багато пам'яті та споживають величезну кількість енергії, тому вони зазвичай працюють на серверах у хмарі, де отримують дані з настільних або мобільних пристроїв, а потім надсилають назад результати аналізу.

З метою вирішити цю проблему, минулого року доцент кафедри електротехніки та інформатики Массачусетського технологічного інституту Вів'єн Се (Vivienne Sze) та її колеги представили новий енергоефективний комп'ютерний чіп, оптимізований для нейронних мереж, який міг би дозволити потужним системам штучного інтелекту працювати. .

Крім того, вони розробили аналітичний метод, який може визначити, скільки енергії споживає нейронна мережа під час роботи на певному типі апаратного забезпечення. Потім вони використовували технологію для оцінки нових методів обходу нейронних мереж, щоб вони могли працювати більш ефективно на кишенькових пристроях.

Однак Хасабіс стверджує, що цього замало. Мета, яку ставлять перед собою зараз дослідники – створити універсальний ІІ з умінням мислити, розмірковувати та швидко та гнучко вчитися, штучний інтелект, здатний зрозуміти реальний світ та уявити собі найкращий.

Щоб домогтися цього, необхідно уважніше вивчити роботу людського розуму, оскільки є єдиним доказом те, що така інтелектуальна система у принципі можлива.

Проблема навчання ІІ

Залежно від своїх конкретних завдань, алгоритми машинного навчання налаштовуються з допомогою певних математичних структур. На мільйоні прикладів штучні нейронні мережі вчаться тонко налаштовувати свої сполуки, доки досягнуть ідеального стану, що дозволяє їм виконувати завдання з максимально високою точністю.

Оскільки кожен алгоритм повністю адаптований до конкретної задачі, повторне навчання нового завдання часто стирає вже встановлені раніше з'єднання. Таким чином, коли ІІ вивчає нове завдання, воно повністю перезаписує попереднє.

Дилема безперервного навчання – це лише одна проблема штучного інтелекту. Інші ще навіть не визначені так точно, але, можливо, вони виявляться серйознішими для створення гнучких, винахідливих розумів, подібних до наших.

Наприклад, проблема втіленого пізнання - як пояснює Хасабіс, це здатність створювати знання та абстрактні думки на основі самостійної сенсорної взаємодії зі світом. Це свого роду здоровий глузд, який є у людей, інтуїція, яку важко описати, але яка надзвичайно корисна для вирішення повсякденних проблем, з якими ми стикаємося.

Ще складніше програмувати такі риси, як уяву. Саме в цьому ІІ, обмежений одним конкретним завданням, справді поганий, каже Хасабіс. Уява та інновації засновані на моделях, які ми вже створили про наш світ – і уявляємо нові сценарії з них. Це дуже потужні інструменти планування, але їхнє дослідження для ІІ все ще знаходиться на початковій стадії.

Вчені відзначають, що і при вирішенні проблем роботи нейронних мереж вони звертаються до нейробіології та фізіології живих істот. Так, недавні відкриття показують, що гіпокамп – частина лімбічної системи головного мозку, яка відповідає за пам'ять, – «програє» наш досвід та спогади у швидкій перемотці під час відпочинку та сну. Це дозволяє мозку «навчитися наново на успіхах і невдачах, які вже відбулися в минулому», - говорить Хасабіс.

Дослідники ІІ підхопили цю ідею і впровадили рудиментарну версію в алгоритм - і в результаті отримали потужні нейронні мережі, що навчаються на основі досвіду. Вони порівнюють поточні ситуації з попередніми подіями, що зберігаються в пам'яті, і роблять дії, які раніше призводили до успіху чи нагороди.

Але найкраще ще попереду

Поява інструментів візуалізації мозку та генетичної біоінженерії пропонує безпрецедентний погляд на те, як біологічні нейронні мережі організуються та поєднуються для вирішення проблем. Оскільки нейрофізіологи працюють над рішенням "нейронного коду" - основними обчисленнями, які підтримують функцію мозку, у дослідників ІІ все більше розширюється набір інструментів для вивчення.

Варто зазначити, що не тільки ІІ є, чому навчитися у нейробіологів – вигоди взаємні. Сучасна нейронаука, у всіх її потужних засобах візуалізації та оптико-генетиці, лише почала розуміти, як нейронні мережі підтримують вищий рівень інтелекту.

«Нейрофізіологи часто мають досить невиразні уявлення про механізми, що лежать в основі концепцій, які вони вивчають», - каже Хасабіс. Оскільки дослідження ІІ ґрунтуються на суворій математиці, вони можуть запропонувати способи прояснити ці невизначені концепції у реальних гіпотезах.

Звичайно, малоймовірно, що ІІ та мозок завжди працюватимуть за однією схемою. Але ми можемо сприймати ІІ як прикладну обчислювальну нейробіологію, каже Хасабіс. Порівняння алгоритмів ІІ з людським мозком «може дати розуміння деяких найглибших таємниць розуму».

Йшлося про те, що 47% усіх
робочих місць може бути автоматизовано протягом наступних 20 років. Основним драйвером цього процесу є застосування штучного інтелекту, що працює з великими даними, як ефективнішої заміни людині.

Машини тепер здатні вирішувати дедалі більше процесів, які раніше відповідали люди. Крім того, роблять це якісніше і в багатьох випадках дешевше. Про те, що це означає для ринку праці, у липні цього року говорив Герман Греф, виступаючи перед студентами Балтійського федерального університету ім. Канта:

“Ми перестаємо брати на роботу юристів, які не знають, що робити з нейронною мережею.<...>Ви – студенти вчорашнього дня. Товариші юристи, забудьте про свою професію. Минулого року 450 юристів, які у нас готують позови, пішли у минуле, було скорочено. У нас нейронна сітка готує позовні заяви краще за юристів, підготовлених Балтійським федеральним університетом. Їх ми на роботу точно не візьмемо.

Продовжуючи висвітлювати #техномайбутнє, команда DTI підготувала все, що необхідно знати для першого занурення в нейронні мережіЯк вони влаштовані, чому все більше компаній воліють нейромережі живим співробітникам і який потенціал по оптимізації різних процесів несе ця технологія.

Штучний інтелект, машинне навчання та нейромережі: у чому різниця

Нейронна мережа– один із способів реалізації штучного інтелекту (ІІ).

У розробці ІІ існує велика область - машинне навчання. Вона вивчає методи побудови алгоритмів, здатних самостійно вчитися. Це необхідно, якщо не існує чіткого вирішення будь-якої задачі. В цьому випадку простіше не шукати правильне рішення, а створити механізм, який сам придумає метод його пошуку.

#довідка У багатьох статтях можна зустріти термін "глибоке" - або "глибинне" - навчання. Під ним розуміють алгоритми машинного навчання, що використовують багато обчислювальних ресурсів. Найчастіше під ним можна розуміти просто “нейронні мережі”.

Щоб не заплутатися в поняттях "штучний інтелект", "машинне навчання" та "глибоке навчання", пропонуємо подивитися на візуалізацію їх розвитку:

#цікаве Існує два типи штучного інтелекту (ІІ): слабкий (вузькоспрямований) та сильний (загальний). Слабкий ІІ призначений для виконання вузького списку завдань. Такими є голосові помічники Siri та Google Assistant та решта прикладів, які ми наводимо в цій статті. Сильна ІІ, у свою чергу, здатна виконати будь-яке людське завдання. На даний момент реалізація сильного ІІ неможлива, він є утопічною ідеєю.

Як влаштована нейромережа

Нейросеть моделює роботу людської нервової системи, особливістю якої є здатність до самонавчання з урахуванням попереднього досвіду. Таким чином, щоразу система робить все менше помилок.

Як і наша нервова система, нейромережа складається з окремих обчислювальних елементів – нейронів, які розташовані на кількох шарах. Дані, що надходять на вхід нейромережі, проходять послідовну обробку на кожному прошарку мережі. У цьому кожен нейрон має певні параметри, які можуть змінюватися залежно від отриманих результатів – у цьому полягає навчання мережі.

Припустимо, що завдання нейромережі – відрізняти кішок від собак. Для налаштування нейронної мережі подається великий масив підписаних зображень котів та собак. Нейросеть аналізує ознаки (зокрема лінії, форми, їх розмір і колір) цих картинках і будує таку розпізнавальну модель, яка мінімізує відсоток помилок щодо еталонних результатів.

На малюнку нижче представлений процес роботи нейромережі, завдання якої – розпізнати цифру поштового індексу, написану від руки.

Історія нейромереж

Незважаючи на те, що нейромережі потрапили до центру загальної уваги зовсім недавно, це один із найстаріших алгоритмів машинного навчання. Перша версія формального нейрона, комірки нейронної мережі, була запропонована Уорреном Маккалоком та Уолтером Піттсом у 1943 році.

А вже 1958 року Френк Розенблатт розробив першу нейронну мережу. Незважаючи на свою простоту, вона вже могла розрізняти, наприклад, об'єкти у двовимірному просторі.

Mark I Perceptron – машина Розенблатта

Перші успіхи привернули підвищену увагу до технології, проте потім інші алгоритми машинного навчання стали показувати кращі результати, і нейромережі відійшли другого план. Наступна хвиля інтересу припала на 1990-і роки, після чого про нейромережі майже не було чути до 2010 року.

Чому нейромережі знову популярні

До 2010 року просто не існувало бази даних, достатньо великої для того, щоб якісно навчити нейромережі вирішувати певні завдання, пов'язані з розпізнаванням і класифікацією зображень. Тому нейромережі часто помилялися: плутали кішку з собакою, або, що ще гірше, знімок здорового органу зі знімком органа, ураженого пухлиною.

Але у 2010 році з'явилася база ImageNet, що містить 15 мільйонів зображень у 22 тисячах категорій. ImageNet багаторазово перевищувала обсяг існуючих баз даних зображень і була доступна будь-якого дослідника. З такими обсягами даних нейромережі можна було вчити приймати практично безпомилкові рішення.

Розмір ImageNet у порівнянні з іншими базами зображень, що існували в 2010 році.

До цього шляху розвитку нейромереж стояла інша, щонайменше істотна, проблема: традиційний метод навчання був неефективний. Незважаючи на те, що важливу роль відіграє кількість шарів у нейронній мережі, важливий також і метод навчання мережі. Використовуваний раніше метод зворотного шифрування міг ефективно навчати лише останні верстви мережі. Процес навчання був занадто тривалим для практичного застосування, а приховані шари глибинних нейромереж не функціонували належним чином.

Результатів у вирішенні цієї проблеми у 2006 році досягли три незалежні групи вчених. По-перше, Джеффрі Хінтон реалізував навчання мережі за допомогою машини Больцмана, навчаючи кожен шар окремо. По-друге, Ян ЛеКан запропонував використання згорткової нейронної мережі для вирішення проблем розпізнавання зображень. Нарешті, Іошуа Бенджіо розробив каскадний автокодировщик, що дозволив задіяти усі шари у глибокій нейронній мережі.

Приклади успішного застосування нейромереж у бізнесі

Медицина

Команда дослідників з Ноттінгемського університету розробила чотири алгоритми машинного навчання з метою оцінки ступеня ризику серцево-судинних захворювань пацієнтів. Для навчання використовували дані 378 тис. британських пацієнтів. Навчений штучний інтелект визначав ризик кардіологічних захворювань ефективніший за реальних лікарів. Точність алгоритму - між 74 та 76,4 відсотками (стандартна система з восьми факторів, розроблена Американською колегією кардіології, забезпечує точність лише у 72,8%)

Фінанси

Японська страхова компанія Fukoku Mutual Life Insurance уклала контракт із IBM. Відповідно до нього, 34 співробітників японської компанії замінить система IBM Watson Explorer AI. Нейросітка переглядатиме десятки тисяч медичних сертифікатів та враховуватиме кількість відвідувань госпіталів, перенесені операції та інші фактори для визначення умов страхування клієнтів. Fukuku Mutual Life Insurance впевнені, що використання IBM Watson підвищить продуктивність на 30% і окупиться за два роки.

Машинне навчання допомагає розпізнавати потенційні випадки шахрайства у різних сферах життя.Подібний інструмент використовує, наприклад, PayPal – у рамках боротьби з відмиванням грошей компанія порівнює мільйони транзакцій та виявляє серед них підозрілі. В результаті шахрайські транзакції в PayPal становлять рекордно низькі 0,32%, тоді як стандарт у фінансовому секторі - 1,32%.

Продовження аналітичної записки доступне за посиланням:

Машинне навчання – це широкий термін, який охоплює всі моменти, коли ви намагаєтеся навчити машину покращуватись самостійно. Зокрема, це стосується будь-якої системи, в якій продуктивність комп'ютера при виконанні завдання стає кращою тільки за рахунок більшого досвіду виконання цього завдання. Нейронні мережі є прикладом машинного навчання, але вони є єдиним способом навчання комп'ютера.

Наприклад, один із альтернативних методів машинного навчання називається навчання з підкріпленням. У цьому методі комп'ютер виконує завдання та потім оцінює її результат. Якщо, наприклад, комп'ютер перемагає у шахи, він присвоює виграшне значення серії ходів, які використовує під час гри. Зігравши мільйони ігор, система може визначити, які кроки, швидше за все, призведуть до перемоги, ґрунтуючись на результатах попередніх ігор.

У той час як нейронні мережі хороші для таких речей, як розпізнавання образів на зображеннях, інші типи машинного навчання можуть бути кориснішими для різних завдань на кшталт визначення вашої улюбленої музики. Google стверджує, що його музична програма знайде вам музику, яку ви захочете послухати. Він робить це за рахунок аналізу попередніх списків програвання. Якщо вам не сподобається результат, машина розцінить його як невдачу. Але якщо ви виберете один із запропонованих списків, вона помітить це як успіх і проаналізує переможні ходи, які призвели її до вашого серця.

У подібних випадках ви не отримаєте повної вигоди від машинного навчання, якщо не будете часто використовувати цю функцію. Коли ви відкриєте музичну програму Google вперше, рекомендації будуть, швидше за все, повз касу. Але чим більше ви його використовуватимете, тим краще будуть пропозиції. Теоретично, принаймні. Машинне навчання також не панацея. Машинне навчання більш розпливчасте поняття, ніж нейронні мережі, але з нього також випливає, що програмне забезпечення, яке ви використовуєте, спиратиметься на ваші відгуки, щоб покращувати свою продуктивність.

Штучний інтелект - це поки що все з приставкою «розумний»

Подібно до того, як нейронні мережі є формою машинного навчання, машинне навчання є формою штучного інтелекту. Але категорія «штучного інтелекту» поки що так погано визначена, що це словосполучення не має практичного сенсу. Так, воно викликає в уяві картинки технологічно розвиненого майбутнього, але насправді ми ще й близько до нього не підібралися. Колись оптичне розпізнавання символів було надто складним для машини, але тепер програма на телефоні може сканувати документи та перетворювати їх на текст. Називати це подвигом штучного інтелекту якось негідно.

Причина того, що базові телефонні можливості можна вважати штучним інтелектом у тому, що насправді є два типи ІІ. Слабкий або вузьконаправлений ІІ описує будь-яку систему, призначену для виконання вузького списку завдань. Наприклад, Google Assistant або Siri, будучи досить потужними ІІ, все ж таки виконують досить вузький список завдань. Вони отримують голосові команди та повертають відповіді, або запускають програми. Дослідження у сфері штучного інтелекту живлять ці функції, але вважаються «слабкими».

На противагу цьому, сильний ІІ – відомий також як загальний штучний інтелект, або «повний ІІ» – це система, здатна виконувати будь-яке людське завдання. І вона не існує. Тому будь-яке «розумне» додаток – це все ще слабкий штучний інтелект.

І хоча сенс може бути дуже розпливчастим, практичні дослідження в галузі штучного інтелекту настільки корисні, що, ймовірно, вже увійшли до вашого повсякденного життя. Щоразу, коли ваш телефон автоматично запам'ятовує, де ви припаркувались, розпізнає обличчя на ваших фотографіях, отримує пошукові пропозиції або автоматично групує всі ваші знімки з вихідних, ви так чи інакше торкаєтеся штучного інтелекту. Певною мірою «штучний інтелект» насправді просто означає, що програми будуть трохи розумнішими, ніж ми звикли. Навряд чи мітка «ІІ» зараз означає хоч щось виразне з практичного погляду.

Але й вирішувати важливіші завдання – наприклад, шукати нові ліки. The Village звернувся до експертів, щоб дізнатися, в чому полягають особливості технології та як її використовують вітчизняні компанії та університети.

Що таке нейронні мережі?

Щоб зрозуміти, яке місце нейронні мережі займають у світі штучного інтелекту і як вони пов'язані з іншими технологіями створення інтелектуальних систем, почнемо з визначень.

Нейронні мережі- один із методів машинного навчання, основи якого зародилися у 1943 році, ще до появи терміна «штучний інтелект». Є математичною моделлю, що віддалено нагадує роботу нервової системи тварин.

За словами старшого наукового співробітника університету Іннополіс Станіслава Протасова, найближчим аналогом людського мозку є згорткові нейронні мережі, вигадані математиком Яном Лекуном. "Вони лежать в основі багатьох додатків, які претендують на звання штучного інтелекту, - наприклад, у FindFace або Prisma", - зазначає він.

Машинне навчання- підрозділ штучного інтелекту на перетині математики та комп'ютерних наук. Він вивчає методи побудови моделей та алгоритмів, заснованих на принципі навчання. Машина аналізує скормлені їй приклади, виділяє закономірності, узагальнює їх і будує правила, за допомогою яких вирішуються різні завдання - наприклад, передбачення подальшого розвитку подій або розпізнавання та генерації зображень, тексту та мовлення. Крім нейромереж, тут також застосовуються методи лінійної регресії, дерева рішень та інші підходи.

Штучний інтелект- Розділ комп'ютерної науки про створення технологічних засобів для виконання машинами завдань, які раніше вважалися виключно прерогативою людини, а також позначення таких розробок. Напрямок офіційно оформився 1956 року.

Олександр Крайнов

Що можна назвати штучним інтелектом, а що ні – питання домовленостей. Людство за великим рахунком так і не дійшло однозначного формулювання, що таке інтелект взагалі, не кажучи вже про штучне. Але якщо узагальнити те, що відбувається, можна говорити про те, що штучний інтелект - це глибокі нейронні мережі, що вирішують складні завдання на рівні, близькому до рівня людини, і в тій чи іншій мірі самонавчені. При цьому під самонавчанням тут розуміється здатність самостійно отримувати корисний сигнал із сирих даних.

У якому стані зараз галузь?

За оцінками аналітичного агентства Gartner, машинне навчання зараз перебуває на піку завищених очікувань. Характерний цього етапу ажіотаж навколо нової технології призводить до зайвому ентузіазму, який обертається невдалими спробами її повсюдного використання. Передбачається, що на порятунок від ілюзій галузі знадобиться від двох до п'яти років. На думку російських експертів, незабаром нейромережам доведеться пройти перевірку на міцність.

Сергій Негодяєв

керуючий портфелем Фонду розвитку інтернет-ініціатив

Хоча вчені займаються формалізацією та розробкою нейромереж вже 70 років, можна виділити два переломні моменти у розвитку цієї технології. Перший – 2007 рік, коли в Університеті Торонто створили алгоритми глибокого навчання багатошарових нейронних мереж. Другий момент, що спровокував сьогоднішній бум, - це 2012 рік, коли дослідники з того ж університету застосували глибинні нейромережі та виграли конкурс ImageNet, навчившись розпізнавати об'єкти на фото та відео з мінімумом помилок.

Зараз комп'ютерних потужностей вистачає на вирішення якщо будь-яких, то переважної більшості завдань з урахуванням нейромереж. Тепер головна перешкода – нестача розмічених даних. Умовно кажучи, щоб система навчилася розпізнавати захід сонця на відео чи фотографіях, їй треба згодувати мільйон знімків заходу сонця, вказавши, де саме він знаходиться в кадрі. Наприклад, коли ви завантажуєте у Facebook фотографію, ваші друзі розпізнають на ній котика в променях заходу сонця, а соціальна мережа бачить у ній набір міток: «тварина», «кіт», «дерев'яний», «підлога», «вечір», « помаранчевий». У кого даних для навчання виявиться більше, у того нейромережа і буде розумнішим.

Андрій Калінін

керівник «Пошуку Mail.Ru»

Розважальні програми на основі нейромереж - наприклад, наші Artisto або Vinci - це тільки вершина айсберга, а заразом відмінний спосіб продемонструвати їх можливості широкої аудиторії. Насправді нейромережі здатні вирішувати низку найскладніших завдань. Найбільш «гарячі» напрями зараз – це автопілоти, голосові помічники, чат-боти та медицина.

Олександр Крайнов

голова служби комп'ютерного зору "Яндекса"

Можна сказати, що бум нейромереж вже настав, але на пік він ще не вийшов. Далі буде лише цікавіше. Найперспективніші напрями сьогодні – це, мабуть, комп'ютерний зір, діалогові системи, аналіз текстів, робототехніка, безпілотний транспорт та генерація контенту – текстів, зображень, музики.

Перспективні сфери для впровадження нейромереж

Транспорт

Робототехніка

Біотехнології

Сільське господарство

Інтернет речей

Медіа та розваги

Лінгвістика

Безпека

Влад Шершульський

директор програм технологічного співробітництва Microsoft у Росії

Сьогодні вже трапилася нейронна революція. Іноді важко відрізнити фантастику від реальності. Уявіть собі автоматизований комбайн із безліччю камер. Він робить по 5 тисяч знімків за хвилину і через нейромережу аналізує, бур'ян перед ним або заражена шкідниками рослина, після чого вирішує, як вчинити далі. Фантастика? Вже не зовсім.

Борис Вольфсон

директор з розвитку HeadHunter

Навколо нейромереж є певний хайп і, на мій погляд, трохи завищені очікування. Ми ще пройдемо через етап розчарування, перш ніж навчимося їх ефективно використати. Багато проривних результатів досліджень поки не дуже застосовні у бізнесі. Насправді найчастіше розумніше використовувати інші методи машинного навчання - наприклад, різні алгоритми, засновані деревах рішень. Напевно, це не так захоплююче і футуристично, але ці підходи дуже поширені.

Чому вчать нейронні мережі у Росії?

Учасники ринку згодні, що багато досягнень нейронних мереж поки що застосовні лише в академічній сфері. За її межами технологія використовується переважно в розважальних програмах, які й підігрівають інтерес до теми. Проте російські розробники вчать нейромережі та вирішення соціально-значимих та бізнес-завдань. Зупинимося докладніше на деяких напрямках.

Наука та медицина

Школа аналізу даних "Яндекса" бере участь в експерименті CRAYFIS спільно з представниками "Сколково", МФТІ, ВШЕ та американських університетів UCI та NYU. Його суть полягає у пошуку космічних частинок надвисокої енергії за допомогою смартфонів. Дані з камер передаються прискореним нейромережам, здатним зафіксувати сліди слабо взаємодіючих частинок на знімках.

Не єдиний міжнародний експеримент, у якому задіяні російські фахівці. Вчені університету Іннополіс Мануель Маццара та Леонард Йохард беруть участь у проекті BioDynaMo. Заручившись підтримкою Intel та ЦЕРН, вони хочуть створити досвідчений зразок, здатний відтворити повномасштабну симуляцію мозкової кори. З його допомогою планується підвищити ефективність та економічність експериментів, у яких потрібна наявність живого людського мозку.

Професор Іннополіса Ярослав Холодов брав участь у розробці комп'ютерної моделі, здатної вдесятеро швидше передбачити утворення білкових зв'язків. За допомогою цього алгоритму можна прискорити розробку вакцин та ліків. У цій же сфері відзначилися розробники з Mail.Ru Group, Insilico Medicine та МФТІ. Вони використовували генеративні змагальні мережі, навчені вигадувати молекулярні структури, для пошуку речовин, які можуть бути корисними при різних хворобах - від онкології до серцево-судинних захворювань.

краса і здоров'я

У 2015 році російська компанія Youth Laboratories запустила перший міжнародний конкурс краси Beauty.AI. Фотографії учасників у ньому оцінювалися нейромережами. При визначенні переможців вони враховували стать, вік, національність, колір шкіри, симетричність обличчя та наявність чи відсутність у користувачів зморшок. Останній фактор також підштовхнув організаторів до створення сервісу RYNKL, що дозволяє відстежити, як старіння впливає на шкіру та як із ним борються різні препарати.

Також нейромережі застосовують у телемедицини. Російська компанія «Мобільні медичні технології», що управляє проектами «Онлайн Доктор» та «Педіатр 24/7», тестує бота-діагноста, який буде корисним як пацієнтам, так і лікарям. Першим він підкаже, до якого фахівця звернутися при тих чи інших симптомах, а другим допоможе визначити, чим саме хворий.

Оптимізація бізнес-процесів та реклами

Російський стартап Leadza зумів застосувати нейромережі для більш ефективного розподілу бюджету на рекламу у Facebook та Instagram. Алгоритм аналізує результати минулих кампаній, будує прогноз ключових метрик і на їхній основі автоматично перерозподіляє витрати таким чином, щоб інтернет-магазини змогли отримати більше клієнтів за меншу вартість.

Команда GuaranaCam задіяла технології машинного навчання з метою оцінки ефективності розміщення товарів та рекламних матеріалів в офлайні. Система працює на базі хмари Microsoft Azure і аналізує купівельну поведінку камер відеоспостереження. Власники бізнесу одержують звіт про стан торгівлі в режимі реального часу. Проект вже застосовується у торговому центрі «Мега Біла Дача».

На цьому успішні вітчизняні приклади використання нейромереж у бізнесі не закінчуються. Компанія LogistiX, що експериментує з технологіями створення штучного інтелекту з 2006 року, розробила систему оптимізації роботи складу. В її основі лежить нейронна мережа, що навчається, яка аналізує отримані з фітнес-трекерів дані про працівників і перерозподіляє між ними навантаження. Тепер команда вчить нейромережі розрізняти шлюб.

Холдинг "Белфінгруп" пішов ще далі. Його "дочка" BFG-soft створила хмарну платформу BFG-IS, що дозволяє керувати підприємством за допомогою його віртуальної моделі. Остання будується автоматично на підставі зібраних системою даних про виробництво і не лише показує, як краще організувати процеси з урахуванням заданих цілей, а й прогнозує наслідки будь-яких змін – від заміни обладнання до введення додаткових змін. Наприкінці 2016 року Фонд розвитку інтернет-ініціатив вирішив вкласти в компанію 125 мільйонів рублів.

Рекрутинг та управління персоналом

Російський агрегатор рекрутерів Stafory закінчує навчання рекурентної нейронної мережі, здатної не тільки давати односкладові відповіді на питання кандидатів, а й вести з ними повноцінну розмову про вакансію, що зацікавила. А команда порталу SuperJob тестує сервіс, який передбачає, які з сотень однотипних резюме виявляться потрібними конкретним роботодавцем.

Транспорт

Російський розробник інтелектуальних систем Cognitive Technologies застосовує нейронні мережі для розпізнавання транспортних засобів, пішоходів, дорожніх знаків, світлофорів та інших об'єктів, які потрапляють до кадру. Також компанія збирає дані для навчання нейромережі для безпілотного автомобіля. Йдеться про десятки тисяч епізодів, які описують реакцію водіїв на ті чи інші критичні ситуації на дорогах. У результаті система має сформулювати оптимальні сценарії поведінки авторобота. Такі ж технології використовуються і для створення розумного сільськогосподарського транспорту.

Крім того, нейронні мережі можуть використовуватись у сфері транспорту та іншим чином. Влітку 2016 року «Яндекс» додав до належної дошки оголошень «Авто.ру» функцію автоматичного визначення моделі машини за її фото. На той час система знала 100 марок.

Психологія та безпека

Російський стартап NTechLab, який обійшов Google у міжнародному конкурсі алгоритмів розпізнавання облич The MegaFace Benchmark, використовував технології машинного навчання у додатку FindFace. Воно дозволяє знайти людину у соціальних мережах за фотографією. Найчастіше користувачі звертаються до сервісу виявлення фейків, але може бути корисним і правоохоронцям. З його допомогою вже встановили особу кількох злочинців, у тому числі загарбника Сітібанку у Москві. Бізнес-версія FindFace.Pro надається компаніям, які зацікавлені в ідентифікації клієнтів. Зараз систему доучують визначати стать, вік та емоції оточуючих, що може бути корисним не тільки при спілкуванні з клієнтами, а й при управлінні персоналом.

Аналогічно нейромережі застосовуються і ще однією російською компанією - VisionLabs. Вона використовує технології розпізнавання осіб для забезпечення безпеки у банках та формування спеціальних пропозицій для найбільш лояльних клієнтів різних роздрібних точок.

У подібному напрямку працює стартап «Емотіан». Він доопрацьовує систему визначення емоційного стану міст. Поки що нейромережа обчислює найбільш щасливі райони з публікацій у соціальних мережах, проте надалі компанія збирається враховувати і біометричні дані з камер.

Медіа та творчість

Одним із основних гравців на російському ринку нейронних мереж є «Яндекс». Компанія використовує машинне навчання у своїх пошукових сервісах, а й у інших продуктах. У 2015 році вона запустила рекомендаційну систему. Дзен», яка формує стрічку з новин, статей, фотографій та відео, ґрунтуючись на інтересах конкретного користувача. Чим частіше він звертається до відібраних алгоритмів матеріалів, тим точніше нейромережа визначає, що ще може сподобатися.

Крім того, "Яндекс" експериментує і з творчістю. Співробітники компанії вже встигли застосувати нейромережевий підхід до поезії, а потім і