Un alt domeniu de cercetare în inteligența artificială sunt rețelele neuronale. Ele au fost proiectate după asemănarea rețelelor neuronale naturale ale sistemului nervos uman.

Rețele neuronale artificiale

Inventatorul primului neurocomputer, dr. Robert Hecht-Nielsen, a dat următorul concept de rețea neuronală: „O rețea neuronală este sistem de calcul, constând dintr-un număr de elemente de procesare simple, foarte interconectate, care prelucrează informația prin răspunsul lor dinamic la influențele externe.

Structura de bază a rețelelor neuronale artificiale (ANN)

Ideea ANN se bazează pe credința că este posibil să se mimeze activitatea creierului uman prin crearea conexiunilor necesare folosind siliciu și fire, cum ar fi cele ale neuronilor și dendritelor vii.

Creierul uman este format din 100 de miliarde de celule nervoase numite neuroni. Ele sunt conectate la alte mii de celule prin axoni. Iritanti de la Mediul extern sau semnalele de la organele de simţ sunt recepţionate de dendrite. Aceste intrări creează impulsuri electrice care călătoresc rapid prin rețeaua neuronală. Neuronul poate trimite apoi mesaje altor neuroni, care pot trimite acel mesaj mai departe sau pot să nu-l trimită deloc.

Rețelele neuronale artificiale constau din mai multe noduri care imită neuronii biologici ai creierului uman. Neuronii sunt interconectați și interacționează între ei. Nodurile pot prelua date și pot efectua operații simple asupra datelor. Ca rezultat al acestor operațiuni, datele sunt transferate către alți neuroni. Ieșirea pentru fiecare nod se numește activare.

Fiecare link este asociat cu o greutate. ANN-urile sunt capabile să învețe, ceea ce se realizează prin modificarea valorii greutății. Următoarea figură arată un ANN simplu:

Tipuri de rețele neuronale artificiale

Există două tipuri de topologii de rețele neuronale artificiale - feedforward și feedback.

Fluxul de informații este unidirecțional. Blocul transmite informații către alte unități de la care nu primește informații. Fără buclă de feedback. Au intrări și ieșiri fixe.

Aici, buclele de feedback sunt permise.

Cum funcționează rețelele neuronale artificiale

Topologia arată circuite, fiecare săgeată reprezintă o conexiune între doi neuroni și indică calea fluxului de informații. Fiecare conexiune are o greutate, un număr întreg care controlează semnalul dintre cei doi neuroni.

Dacă rețeaua produce o ieșire „bună” și „dorită”, atunci nu este nevoie să ajustați greutatea. Cu toate acestea, dacă rețeaua produce o ieșire sau o eroare „proasta” sau „nedorită”, atunci sistemul își ajustează ponderile pentru a îmbunătăți rezultatele ulterioare.

Învățare automată în rețele neuronale artificiale

ANN-urile sunt capabile să învețe și trebuie antrenate. Există mai multe strategii de învățare

Instruire - include un profesor care furnizează un eșantion de formare rețelei pentru care profesorul cunoaște răspunsurile. Rețeaua își compară rezultatele cu răspunsurile profesorului și își ajustează ponderile.

Învățarea nesupravegheată este necesară atunci când nu există un eșantion de instruire cu răspunsuri cunoscute. De exemplu, în problemele de grupare, i.e. împărțirea unui ansamblu de elemente în grupuri după unele criterii.

Învățarea prin întărire este o strategie bazată pe observație. Rețeaua ia decizii prin observarea împrejurimilor. Dacă observația este negativă, rețeaua își ajustează ponderile pentru a putea lua diferite decizii necesare.

Algoritmul de retropropagare

Rețele bayesiene (BN)

Acestea sunt structuri grafice pentru reprezentarea relațiilor probabilistice între un set de variabile aleatoare.

În aceste rețele, fiecare nod este o variabilă aleatorie cu oferte specifice. De exemplu, în diagnosticul medical, nodul Cancer este o sugestie că pacientul are cancer.

Muchiile care leagă nodurile sunt dependențe probabilistice între aceste variabile aleatoare. Dacă dintre două noduri, unul afectează celălalt nod, atunci acestea trebuie conectate direct. Puterea relației dintre variabile este cuantificată de probabilitatea care este asociată fiecărui nod.

Există doar o limitare a arcurilor în BN, nu vă puteți întoarce la un nod doar urmând direcția arcului. Prin urmare, BNS se numește graf aciclic.

Structura BN este ideală pentru combinarea cunoștințelor și a datelor observate. BN poate fi folosit pentru a învăța relațiile cauzale și pentru a înțelege diverse problemeși prezice viitorul, chiar și în absența datelor.

Unde sunt folosite rețelele neuronale

Ei sunt capabili să îndeplinească sarcini care sunt ușoare pentru oameni, dar dificile pentru mașini:

Aerospațial - pilot automat al aeronavei;

Automotive - sisteme de ghidare auto;

Militar - urmărire ținte, pilot automat, recunoaștere semnal/imagine;

Electronică - predicție, analiză defecțiuni, viziune artificială, sinteza vocii;

Financiar – evaluare imobiliara, consultanta credit, credit ipotecar, portofoliu societati comerciale etc.

Procesarea semnalului - Rețelele neuronale pot fi antrenate să proceseze un semnal audio.

Inteligența artificială, rețelele neuronale, învățarea automată - ce înseamnă cu adevărat toate aceste concepte populare acum? Pentru majoritatea oamenilor neinițiați, care sunt și eu, au părut întotdeauna ceva fantastic, dar de fapt esența lor se află la suprafață. Am avut de multă vreme ideea să scriu într-un limbaj simplu despre rețelele neuronale artificiale. Învățați singuri și spuneți-le altora ce este această tehnologie, cum funcționează, luați în considerare istoria și perspectivele ei. În acest articol, am încercat să nu intru în junglă, ci să vorbesc simplu și popular despre această zonă promițătoare în lumea înaltei tehnologii.

Inteligența artificială, rețelele neuronale, învățarea automată - ce înseamnă cu adevărat toate aceste concepte populare acum? Pentru majoritatea oamenilor neinițiați, care sunt și eu, ei au părut întotdeauna ceva fantastic, dar de fapt esența lor se află la suprafață. Am avut de multă vreme ideea să scriu într-un limbaj simplu despre rețelele neuronale artificiale. Învățați singuri și spuneți-le altora ce este această tehnologie, cum funcționează, luați în considerare istoria și perspectivele ei. În acest articol, am încercat să nu intru în junglă, ci să vorbesc simplu și popular despre această zonă promițătoare în lumea înaltei tehnologii.

Un pic de istorie

Pentru prima dată, conceptul de rețele neuronale artificiale (ANN) a apărut atunci când s-a încercat să modeleze procesele creierului. Prima descoperire majoră în acest domeniu poate fi considerată crearea modelului rețelei neuronale McCulloch-Pitts în 1943. Oamenii de știință au dezvoltat mai întâi un model de neuron artificial. De asemenea, ei au propus construirea unei rețele din aceste elemente pentru a efectua operații logice. Dar, cel mai important, oamenii de știință au demonstrat că o astfel de rețea este capabilă să învețe.

Următorul pas important a fost dezvoltarea de către Donald Hebb a primului algoritm de calcul ANN în 1949, care a devenit fundamental pentru următoarele câteva decenii. În 1958, Frank Rosenblatt a dezvoltat parceptronul, un sistem care imită procesele creierului. La un moment dat, tehnologia nu avea analogi și este încă fundamentală în rețelele neuronale. În 1986, aproape simultan, independent unul de celălalt, oamenii de știință americani și sovietici au îmbunătățit semnificativ metoda fundamentală de predare a perceptronului multistrat. În 2007, rețelele neuronale au suferit o renaștere. Informaticianul britanic Geoffrey Hinton a fost pionierul algoritmului de învățare profundă pentru rețelele neuronale multistrat, care este acum folosit, de exemplu, pentru a opera vehicule fără pilot.

Pe scurt despre principal

În sensul general al cuvântului, rețelele neuronale sunt modele matematice care funcționează pe principiul rețelelor de celule nervoase dintr-un organism animal. ANN-urile pot fi implementate atât în ​​soluții programabile, cât și în soluții hardware. Pentru ușurința percepției, un neuron poate fi reprezentat ca un fel de celulă care are multe intrări și o singură ieșire. Cât de multe semnale de intrare sunt formate într-un semnal de ieșire este determinat de algoritmul de calcul. Valorile eficiente sunt transmise la fiecare intrare neuronală, care sunt apoi distribuite de-a lungul conexiunilor interneuronale (sinopse). Sinapsele au un singur parametru - greutatea, datorită căruia informațiile de intrare se modifică atunci când se deplasează de la un neuron la altul. Cel mai simplu mod de a înțelege cum funcționează rețelele neuronale este să folosiți amestecarea culorilor ca exemplu. Neuronii albaștri, verzi și roșii au greutăți diferite. Informațiile acelui neuron, a căror greutate va fi dominantă în următorul neuron.

Rețeaua neuronală în sine este un sistem de mulți astfel de neuroni (procesoare). Individual, aceste procesoare sunt destul de simple (mult mai simple decât calculator personal), dar fiind conectat în sistem mare Neuronii sunt capabili să îndeplinească sarcini foarte complexe.

În funcție de domeniul de aplicare, o rețea neuronală poate fi interpretată în moduri diferite.De exemplu, din punctul de vedere al învățării automate, ANN este o metodă de recunoaștere a modelelor. Din punct de vedere matematic, aceasta este o problemă cu mai mulți parametri. Din punctul de vedere al ciberneticii - un model de control adaptiv al roboticii. Pentru inteligența artificială, ANN este o componentă fundamentală pentru modelare inteligența naturală folosind algoritmi de calcul.

Principalul avantaj al rețelelor neuronale față de algoritmii de calcul convenționali este capacitatea lor de a fi antrenați. În sensul general al cuvântului, învățarea constă în găsirea coeficienților corecti de conexiune între neuroni, precum și în generalizarea datelor și identificarea relațiilor complexe între semnalele de intrare și de ieșire. De fapt, antrenamentul reușit al rețelei neuronale înseamnă că sistemul va fi capabil să identifice rezultatul corect pe baza datelor care nu se află în setul de antrenament.

Poziția de azi

Și oricât de promițătoare ar fi această tehnologie, până acum ANN-urile sunt încă foarte departe de capacitățile creierului și gândirii umane. Cu toate acestea, rețelele neuronale sunt deja utilizate în multe domenii ale activității umane. Până acum, ei nu sunt capabili să ia decizii extrem de inteligente, dar sunt capabili să înlocuiască o persoană acolo unde era nevoie anterior de el. Printre numeroasele domenii de aplicare ale ANN se numără: crearea de sisteme de auto-învățare a proceselor de producție, vehicule fără pilot, sisteme de recunoaștere a imaginii, sisteme inteligente de securitate, robotică, sisteme de monitorizare a calității, interfețe de voce interacțiuni, sisteme de analiză și multe altele. O distribuție atât de largă a rețelelor neuronale, printre altele, se datorează apariției diferite căi accelerarea învățării ANN.

Până în prezent, piața rețelelor neuronale este uriașă - este de miliarde și miliarde de dolari. După cum arată practica, majoritatea tehnologiilor de rețele neuronale din întreaga lume diferă puțin unele de altele. Cu toate acestea, utilizarea rețelelor neuronale este un exercițiu foarte costisitor, pe care în cele mai multe cazuri doar companiile mari și-l permit. Dezvoltarea, formarea și testarea rețelelor neuronale necesită mari putere de calcul, este evident că aceasta este disponibilă din abundență pt jucători majori pe piata IT. Printre principalele companii care conduc dezvoltări în acest domeniu se numără divizia Google DeepMind, divizia Microsoft Research, IBM, Facebook și Baidu.

Desigur, toate acestea sunt bune: rețelele neuronale se dezvoltă, piața crește, dar până acum sarcina principală nu a fost rezolvată. Omenirea nu a reușit să creeze o tehnologie care să fie nici măcar aproape ca capabilități de creierul uman. Să ne uităm la principalele diferențe dintre creierul uman și rețelele neuronale artificiale.

De ce rețelele neuronale sunt încă departe de creierul uman?

Cea mai importantă diferență, care schimbă radical principiul și eficiența sistemului, este unelte diferite semnale în rețelele neuronale artificiale și în rețeaua biologică de neuroni. Cert este că în ANN, neuronii transmit valori care sunt valori reale, adică numere. În creierul uman, impulsurile sunt transmise cu o amplitudine fixă, iar aceste impulsuri sunt aproape instantanee. De aici rezultă o serie de avantaje ale rețelei umane de neuroni.

În primul rând, liniile de comunicare din creier sunt mult mai eficiente și mai economice decât cele din ANN-uri. În al doilea rând, circuitul de impulsuri oferă ușurință în implementare a tehnologiei: este suficient de utilizat circuite analogiceîn loc de mecanisme de calcul complexe. În cele din urmă, rețele de impulsuri protejat de interferența sunetului. Numerele reale sunt afectate de zgomot, ceea ce crește șansa de eroare.

Rezultat

Desigur, în ultimul deceniu s-a înregistrat un adevărat boom în dezvoltarea rețelelor neuronale. Acest lucru se datorează în primul rând faptului că procesul de învățare ANN a devenit mult mai rapid și mai ușor. Au fost, de asemenea, dezvoltate în mod activ așa-numitele rețele neuronale „pre-antrenate”, ceea ce poate accelera semnificativ procesul de implementare a tehnologiei. Și dacă este prea devreme să spunem dacă rețelele neuronale vor putea vreodată să reproducă pe deplin capacitățile creierului uman, probabilitatea ca în următorul deceniu ANN-urile să poată înlocui o persoană într-un sfert din profesiile existente devine din ce în ce mai mare și mai mult ca adevărul.

Pentru cei care vor să afle mai multe

• Marele război neuronal: ce face cu adevărat Google
• Cum computerele cognitive ne pot schimba viitorul

Dar și pentru a rezolva sarcini mai importante - de exemplu, pentru a căuta 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 sunt legate de alte tehnologii de creare a sistemelor inteligente, să începem cu definiții.

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

Potrivit lui Stanislav Protasov, cercetător senior la Universitatea Innopolis, rețelele neuronale convoluționale, inventate de matematicianul Jan Lekun, sunt cel mai apropiat analog cu creierul uman. „Ele se află 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. El studiază metode de construire a modelelor și algoritmilor bazați pe principiul învățării. Aparatul analizează exemplele care i se alimentează, evidențiază tipare, le generalizează și construiește reguli cu ajutorul cărora sunt rezolvate diverse sarcini - de exemplu, prezicerea dezvoltării viitoare 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.

Inteligență artificială- o secțiune de informatică privind crearea mijloacelor tehnologice pentru ca mașinile să îndeplinească sarcini care anterior erau considerate exclusiv apanajul omului, precum și desemnarea unor astfel de dezvoltări. Direcția a luat contur oficial în 1956.

Alexandru Krainov

Ceea ce se poate numi inteligență artificială și ceea ce nu este este o chestiune de acord. În general, omenirea nu a ajuns la o formulare clară a ceea ce este inteligența în general, ca să nu mai vorbim de artificială. Dar dacă rezumăm ceea ce se întâmplă, atunci putem spune că inteligența artificială este rețele neuronale profunde care rezolvă probleme complexe la un nivel apropiat de nivelul unei persoane și, într-o oarecare măsură, auto-învățare. În același timp, auto-învățarea înseamnă aici capacitatea de a extrage independent un semnal util din datele brute.

Care este starea actuală a industriei?

Potrivit Gartner, o agenție de analiză, învățarea automată se află acum la vârful așteptărilor umflate. Exagerarea în jurul noii tehnologii, care este caracteristică acestei etape, duce la un entuziasm excesiv, care se transformă în încercări nereușite de a o folosi peste tot. Se estimează că industria va avea nevoie de doi până la cinci ani pentru a scăpa de iluzii. Potrivit experților ruși, rețelele neuronale vor trebui să treacă în curând un test de rezistență.

Serghei Negodiaev

Manager de portofoliu, Fondul de Dezvoltare a Inițiativelor pe Internet

Deși oamenii de știință oficializează și dezvoltă rețele neuronale de 70 de ani, există două momente 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 actual a fost 2012, când cercetătorii de la aceeași universitate au aplicat rețele neuronale profunde și au câștigat competiția ImageNet, după ce au învățat să recunoască obiectele din fotografii și videoclipuri cu un minim de erori.

Acum există suficientă putere a computerului pentru a rezolva, dacă nu oricare, atunci marea majoritate a sarcinilor bazate pe rețele neuronale. Acum principalul obstacol este lipsa datelor etichetate. Relativ vorbind, pentru ca sistemul să învețe să recunoască un apus de soare într-un videoclip sau într-o fotografie, trebuie să alimenteze un milion de imagini de apus, indicând exact unde se află în cadru. De exemplu, când încarci o fotografie pe Facebook, prietenii tăi o recunosc ca o pisică în razele soarelui apus, iar rețeaua de socializare vede în ea un set de etichete: „animal”, „pisica”, „de lemn”, „etaj”, „seară”, „Portocaliu”. Cine are mai multe date de antrenament va avea o rețea neuronală care va fi mai inteligentă.

Andrei Kalinin

Şeful Poisk Mail.Ru

Aplicațiile de divertisment bazate pe rețele neuronale, cum ar fi Artisto sau Vinci, sunt doar vârful aisbergului și o modalitate excelentă de a-și prezenta capacitățile unui public mai larg. De fapt, rețelele neuronale sunt capabile să rezolve o serie de probleme complexe. Cele mai „fierbinți” zone acum sunt piloții automati, asistenții vocali, robotii de chat și medicamentele.

Alexandru Krainov

şef serviciu viziune computerizată"Yandex"

Putem spune că boom-ul rețelelor neuronale a sosit deja, dar încă nu a atins apogeul. Mai departe, va fi 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

Securitate

Vlad Shershulsky

Director al Programelor de Cooperare Tehnologică Microsoft în Rusia

Revoluția neuronală a avut loc deja astăzi. Uneori este chiar dificil să distingem ficțiunea de realitate. Imaginați-vă o mașină de recoltat automată cu mai multe camere. Face 5 mii de poze pe minut și analizează prin rețeaua neuronală dacă buruiana este în fața lui sau planta infectată cu dăunători, după care decide ce să facă în continuare. Fictiune? Chiar nu mai.

Boris Wolfson

Director Dezvoltare Headhunter

Există un anumit hype în jurul rețelelor neuronale și, după părerea mea, așteptări puțin mari. Vom trece printr-o perioadă de frustrare înainte de a învăța cum să le folosim eficient. Multe rezultate de cercetare inovatoare nu sunt încă foarte aplicabile în afaceri. 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 incitant sau futurist, dar aceste abordări sunt foarte frecvente.

Ce învață rețelele neuronale în Rusia?

Participanții pe piață sunt de acord că multe realizări ale rețelelor neuronale sunt încă aplicabile doar în domeniul academic. Dincolo de granițele 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 de la Skolkovo, Institutul de Fizică și Tehnologie din Moscova, Școala Superioară de Economie și universitățile americane UCI și NYU. Esența sa este căutarea particulelor cosmice cu energie ultra-înaltă 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, sunt implicați în proiectul BioDynaMo. Cu sprijinul Intel și CERN, ei 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 economiei experimentelor care necesită prezența unui creier uman viu.

Profesorul de la Innopolis Yaroslav Kholodov a participat la dezvoltarea unui model computerizat capabil să prezică formarea legăturilor proteice de zece ori mai rapid. Cu acest algoritm, dezvoltarea vaccinurilor și a medicamentelor poate fi accelerată. În aceeași zonă s-au remarcat dezvoltatori de la Mail.Ru Group, Insilico Medicine și MIPT. Ei au folosit rețele generative adverse, 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 la ea 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 la utilizatori. 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. Pentru primul, el vă va spune la ce specialist să contactați pentru anumite simptome, iar pentru 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 costurile, 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 a materialelor publicitare. Sistemul se bazează pe cloud-ul Microsoft Azure și analizează comportamentul consumatorilor folosind camere CCTV. Proprietarii de afaceri primesc un raport de starea tranzacționării în timp real. Proiectul este deja aplicat în centrul comercial Mega Belaya Dacha.

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

Holdingul Belfingroup a mers și mai departe. „Fiica” sa BFG-soft a creat o platformă cloud BFG-IS, care vă permite să gestionați întreprinderea folosind modelul său virtual. Acesta din urmă este construit automat pe baza colectate de sistem date de producție și nu numai că arată cum să organizați cel mai bine procesele ținând cont de obiectivele stabilite, 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.

Recrutare si management de personal

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 de același tip va fi solicitat de un anumit angajator.

Transport

Dezvoltatorul rus de sisteme inteligente Cognitive Technologies folosește rețelele neuronale pentru a recunoaște vehiculele, pietonii, semnele rutiere, semafoarele și alte obiecte care intră în cadru. De asemenea, compania colectează date pentru antrenarea unei rețele neuronale pentru un vehicul fără pilot. Este despre aproximativ zeci de mii de episoade care descriu reacția șoferilor la anumite situații critice de pe drumuri. Ca urmare, sistemul trebuie să formuleze scenarii optime pentru comportamentul autorobotului. Aceleași tehnologii sunt folosite pentru a crea un transport agricol inteligent.

În plus, rețelele neuronale pot fi utilizate în domeniul transportului în alte moduri. În vara anului 2016, Yandex a adăugat o funcție la buletinul său Avto.ru detecție automată modele de mașini din fotografia ei. La acea vreme, sistemul cunoștea 100 de mărci.

Psihologie și securitate

Startup-ul rus NTechLab, care a ocolit Google competiție internațională algoritmi de recunoaștere a feței MegaFace Benchmark, a folosit tehnologii de învățare automată în aplicația FindFace. Vă permite să găsiți o persoană în rețelele sociale prin fotografie. Adesea, utilizatorii apelează la serviciu pentru a detecta falsurile, dar poate fi util și pentru oamenii legii. Cu ajutorul acestuia, identitatea mai multor criminali a fost deja stabilită, inclusiv invadatorul Citibank din Moscova. Versiunea business a FindFace.Pro este oferită companiilor interesate de identificarea clienților. Acum sistemul este 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 pentru altul firma ruseasca- VisionLabs. Utilizează tehnologia de recunoaștere facială pentru a oferi securitate în bănci și pentru a genera oferte speciale pentru cei mai fideli clienți ai diverselor puncte de vânzare cu amănuntul.

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

Media și creativitate

Unul dintre principalii jucători de pe piața rusă a rețelelor neuronale este Yandex. Compania folosește învățarea automată nu numai în serviciile de căutare, ci și în alte produse. În 2015, ea a lansat sistemul de recomandare Zen, care generează un flux de știri, articole, fotografii și videoclipuri bazate pe interesele unui anumit utilizator. Cu cât apelează mai des la materialele selectate de algoritm, cu atât rețeaua neuronală determină mai precis ce altceva i-ar plăcea.

În plus, Yandex experimentează și creativitatea. Angajații companiei au reușit deja să aplice abordarea rețelei neuronale la poezie și apoi

Termenii „inteligență artificială” și „învățare automată” au câștigat recent o popularitate incredibilă. Și acest lucru nu se datorează doar progreselor în știință și tehnologie, ci și pentru că sisteme inteligente au devenit mai aproape de oameni, iar în multe privințe acesta este meritul smartphone-urilor. Smartphone-urile ne arată deja calea traseu optimținând cont de trafic, recomandăm un film pe baza preferințelor noastre, știm să ne stilizezi fotografiile precum lucrările lui Van Gogh și multe altele. Producătorii de smartphone-uri au început chiar să instaleze „coprocesoare neuronale” speciale care sunt menite să accelereze aceste operațiuni. Un astfel de procesor, de exemplu, are un nou Honor View 10 de la Huawei. Dar cum am ajuns acolo? Să ne dăm seama.

Deci, ce este inteligența artificială?

Mai întâi trebuie să decideți ce sisteme pot fi numite inteligente și cum diferă de un program de calculator convențional.

Un program obișnuit este un set imuabil de instrucțiuni scrise o singură dată de o persoană. Adică, o persoană a venit cu un algoritm și l-a explicat unei mașini. Dar poate mașina în sine să înțeleagă sau să-și dea seama ce trebuie făcut pentru a rezolva o anumită problemă? Aceasta a fost întrebarea pe care oamenii și-au pus-o în anii 1940 și de atunci au încercat multe metode diferite, al cărui scop principal este de a învăța mașina să gândească ca o persoană, cel puțin pentru a rezolva o problemă specifică. Adică, inteligența artificială este capacitatea unei mașini de a rezolva unele probleme în același mod în care ar face o persoană care se gândește la soluția lor.

Una dintre abordările logice pentru rezolvarea acestei probleme este încercarea de a copia activitatea mentală a unei persoane. De exemplu, ne-am obișnuit cu faptul că este ușor să vezi și să recunoști obiectele. Creierul nostru face față acestui lucru fără prea mult efort, pentru că odată ce a învățat-o. În 1966, un grup de oameni de știință și studenți de la Institutul de Tehnologie din Massachusetts a decis să nu plece în vacanță în timpul verii, ci să rămână în campus și să rezolve matematic problema recunoașterii unui obiect dintr-o imagine. Adică, pentru a rezolva una dintre problemele vederii computerizate - pentru a învăța mașina să determine din imagine ce este afișat pe ea. Elevii și-au numit lucrarea Proiectul viziunea de vară, ceea ce sugerează că este o sarcină atât de simplă încât poate fi finalizată într-o singură vară. Acum, la peste 50 de ani mai târziu, știm că aceasta este o sarcină descurajantă cu care cercetătorii și giganții tehnologiei încă concurează. Abia în 2015 mașinile au început să recunoască imaginile la fel de bine ca oamenii (și chiar puțin mai bine). Și apoi, în 1966, specialiștii de la MIT nu și-au atins scopul, ci au obținut rezultate utile pentru cercetări ulterioare.

Dacă cele mai strălucite cărți științifico-fantastice despre inteligența artificială au fost scrise în anii 50, iar computerul a intrat în viața de zi cu zi încă din anii 90, atunci de ce vedem o descoperire în sistemele de inteligență artificială abia acum, în ultimii 5-10 ani?

Datorită cercetărilor neurologice, avem acum o idee despre cum funcționează creierul uman. Acesta este un set imens de celule cerebrale - neuroni, fiecare dintre acestea îndeplinește o funcție foarte simplă - primește un semnal de la alți neuroni și, în anumite condiții de combinare a acestor semnale, are loc așa-numita activare a neuronilor și eliberează un semnal mai departe. În ciuda simplității muncii unui singur neuron, combinația lor (și numărul lor din creierul nostru este de miliarde) ne permite să luăm locul celor mai inteligente creaturi de pe această planetă, sau cel puțin să ne considerăm ca atare. Când învățăm ceva, fie că este mers, schi, vorbim sau numărăm, neuronii creierului își schimbă funcția de activare, adică condițiile în care permit transmiterea semnalului. Oamenii de știință au întruchipat aceste cunoștințe despre activitatea creierului în rețelele neuronale artificiale, una dintre cele mai de succes metode de inteligență artificială.

Dar iată întrebarea: dacă oamenii au făcut aceste sarcini încă din anii 40 ai secolului trecut, cele mai strălucite cărți științifico-fantastice despre inteligența artificială au fost scrise în anii 50, iar computerul a intrat în viața de zi cu zi în anii 90, atunci de ce avem un descoperire în raport cu sistemele de inteligență artificială?Observăm abia acum, în ultimii 5-10 ani? Pentru a răspunde la această întrebare, trebuie să te uiți la istorie.

Perceptron și două ierni de inteligență artificială

Prima încercare de a modela activitatea unui neuron cerebral a fost neuronul artificial McCulloch-Pitts propus în 1943, un model matematic al unui neuron natural, adică uman. La fel ca într-un neuron real, un neuron artificial primește un semnal (numărul 0 sau 1), iar după calcule simple, neuronul emite și un semnal (0 sau 1). O rețea de astfel de neuroni ar putea rezolva cele mai simple probleme logice - acesta a fost începutul metodei rețelelor neuronale. Adevărat, pentru rețeaua de neuroni McCulloch-Pitts, metodele de formare a acesteia nu au fost încă inventate și, prin urmare, toate calculele interne din fiecare neuron au fost configurate manual de către o persoană.

Primul model de neuroni, care avea propria metodă de învățare pe un set de date de intrare și rezultatele dorite, a fost așa-numitul perceptron, descris de Frank Rosenblatt în 1958.

Ambele modele de neuroni au folosit cea mai simplă funcție liniară ca funcție de activare. Acest lucru le-a limitat foarte mult capacitatea de a rezolva probleme complexe.

Metoda inventată de Hinton și Rumelhart este să comparăm răspunsul cu cel dorit, să înțelegem cât de greșim greșim și apoi, în ordine inversă, să trecem prin straturi și să reantrenăm neuronii.

În 1969, a fost publicată lucrarea lui Minsky și Papert, în care s-a dovedit matematic că o creștere a dimensiunii unei rețele formate din perceptroni nu duce la o îmbunătățire a abilităților sale, adică nu își mărește inteligența. Deși această concluzie se aplică numai la model specific neuron - perceptron, acest lucru a influențat foarte mult interesul comunității științifice pentru rețelele neuronale în general. A venit așa-numita „iarnă a inteligenței artificiale”: multe laboratoare implicate în rețelele neuronale și-au pierdut entuziasmul și și-au pierdut finanțarea. Rețelele neuronale au făcut loc altor obiecte de studiu.

Sfârșitul primei ierni a inteligenței artificiale a venit când un grup de oameni de știință canadieni (inclusiv David Rumelhart și, după cum se spune acum, bunicul rețelelor neuronale, Jeffrey Hinton), în 1986, a venit cu o metodă universală de antrenare a rețelelor neuronale pentru orice , chiar și cele mai complexe funcții de activare ale neuronilor. Dacă ne imaginăm o rețea neuronală ca o secvență de straturi de neuroni, atunci semnalul de intrare (de exemplu, o imagine sau un fișier de sunet cu vorbirea unei persoane, dacă vorbim despre recunoaștere) trece prin straturile de neuroni unul câte unul, iar pe ultimul strat obținem un răspuns (o descriere textuală a ceea ce este arătat în imagine sau textul care a fost spus de persoană). Metoda inventată de Hinton și Rumelhart este să comparăm rezultatul cu cel dorit, să înțelegem cât de greșit am greșit și apoi, secvenţial, în ordine inversă, să parcurgem straturile și să reantrenăm neuronii astfel încât să funcționeze mai bine pe imaginea/sunetul selectat. exemplu. Metoda a fost numită așa - metoda de propagare inversă a erorilor și este încă cea mai simplă și mai fiabilă metodă de antrenare a rețelelor neuronale și este folosită peste tot.

Metoda de pregătire a rețelei rezultată a făcut posibilă crearea de rețele multistrat cu dependențe neliniare complexe. Acum, s-ar părea, problema este mică - trebuie să folosiți cât mai mulți neuroni cu o funcție de activare neliniară și cât mai multe straturi, iar apoi computerul poate învăța orice. Dar s-a dovedit că nu totul este atât de simplu.

La propagarea inversă a erorii, ultimele straturi au fost bine antrenate, iar primele nu au primit aproape nimic, deoarece influența erorii s-a estompat pe măsură ce s-a propagat înapoi.

În primul rând, a devenit evident că pentru a antrena calitativ rețele cu un număr mare de neuroni, este necesar să un numar mare de exemple de predare. În al doilea rând, pentru rețele profunde(adică, constând dintr-un număr mare de straturi), învățarea a încetat să fie atât de eficientă, și anume: atunci când eroarea a fost retropropagată, ultimele straturi au fost bine antrenate, iar primele nu au primit aproape nimic, deoarece influența erorii s-a estompat pe măsură ce s-a propagat înapoi. În al treilea rând, un număr mare de neuroni înseamnă un număr mare de parametri și există o probabilitate mare de supraadaptare: cu atâtea grade de libertate, rețeaua se adaptează perfect la exemplele de antrenament, dar începe să înnebunească și să arate prostii în noile sarcini. Și, în sfârșit, în al patrulea rând, pentru a antrena rețele cu un număr mare de neuroni, este nevoie de o putere mare de computer. Aceste probleme au dus la a doua „iarnă a inteligenței artificiale” la mijlocul anilor '90.

La acea vreme, rețelele neuronale au fost înlocuite de mașina vectorului suport, propusă în 1963 de oamenii de știință sovietici Alexei Chervonenkis și Vladimir Vapnik. Esența metodei este ușor de înțeles, imaginându-ți că două surori își sărbătoresc ziua de naștere în aceeași zi și li se dă un tort pentru două. Pe o parte a tortului sunt lumanari albastre pentru cel mare, iar pe cealalta fata rosii pentru cel mai mic. Sarcina este să tăiați tortul în două părți, astfel încât fiecare soră să primească o bucată doar cu lumânările ei și astfel încât distanța de la linia de tăiere până la lumânările roșii și albastre să fie maximă. Mașina vectorului suport vă permite să rezolvați matematic o astfel de problemă, cunoscând doar coordonatele lumânărilor. În contextul sarcinilor de inteligență artificială, învățarea este alegerea liniei de tăiere, iar după ce ați învățat această linie o dată, atunci puteți prezice ce culoare va avea noua lumânare de pe tort, cunoscându-i coordonatele. În 1990, Vapnik a emigrat în SUA, iar în 1995 a perfecționat această metodă pentru a preda dependențe mai complexe (neliniare). Metoda rezultată a fost folosită peste tot la începutul anilor 2000, de exemplu, pentru recunoașterea scrisului de mână, clasificarea imaginilor și multe alte sarcini de inteligență artificială. Apropo, Vladimir Vapnik predă acum la Universitatea Columbia și lucrează la Facebook.

Revenirea rețelelor neuronale

Deci, de ce rețelele neuronale revin și cu atât de succes? Și de ce e zorii lor tocmai acum? Cum au rezolvat oamenii toate problemele descrise mai sus și cum au învățat să antreneze rețele profunde?

Baza revenirii rețelelor neuronale a fost pusă în 2006 de același Geoffrey Hinton. A studiat metodele statisticii matematice utilizate în fizica teoretică și le-a aplicat rețelelor neuronale. Deoarece nu putem antrena rețele profunde prin propagarea erorii de la capăt la începutul rețelei, el a decis să ne antrenăm de la început până la sfârșit. Hinton a propus o metodă de preformare a rețelei bazată doar pe luarea în considerare a datelor care sunt alimentate la intrarea rețelei, fără a utiliza răspunsurile care ar trebui obținute la ieșire.

Necesitatea de a folosi cantități mari de date duce la faptul că pentru fiecare sarcină trebuie să cauți o soluție individuală. Cel mai adesea, se folosește crowdsourcing - atragerea unui număr mare de angajați pentru a marca datele disponibile și a forma o bază de date mare de exemple de instruire. Pentru ca primele straturi să învețe cu propagarea înapoi a unei erori, au fost inventate noi funcții de activare a neuronilor, datorită cărora influența erorii nu dispare. Și puțin mai târziu au venit cu ResNet - o arhitectură de rețea în care fiecare Al N-lea strat conectat nu numai cu stratul următor, ci și cu eroarea finală direct.

În 2012, Hinton și studenții săi au venit cu o metodă care imită modul în care funcționează creierul în timpul mahmurelii.

Sunt folosite mai multe tehnici pentru a combate supraadaptarea. Cea mai comună dintre acestea este metoda clasică de regularizare Tikhonov. Fiecare neuron al stratului următor este influențat de neuronii din stratul anterior cu niște coeficienți (sau, după cum se spune, „greutăți”). Aceste greutăți sunt pe care încercăm să le stabilim în timpul antrenamentului. Cu cât greutatea este mai mare, cu atât mai multă influență. Folosind metoda de regularizare Tikhonov în procesul de învățare, încercăm nu doar să ne asigurăm că răspunsul primit coincide cu cel dat, ci și că ponderea conexiunilor dintre neuroni nu are valori foarte mari. Adică încercăm să limităm artificial influența neuronilor anteriori asupra celor următori. În 2012, Hinton și studenții săi au venit cu o metodă care imită modul în care funcționează creierul în timpul mahmurelii. Se știe că petrecerile cu alcool implică moartea neuronilor creierului. Cu toate acestea, dimineața, în ciuda durerii de cap, persoana continuă să funcționeze, își amintește numele și așa mai departe. Acest lucru ne spune că funcțiile creierului sunt distribuite între neuroni, iar moartea unora dintre ei nu înseamnă că funcția este dezactivată. Metoda propusă de Hinton se numește Dropout și funcționează într-un mod similar: la fiecare iterație de antrenare a unei rețele neuronale, unii neuroni sunt uciși la întâmplare, astfel încât alți neuroni să umple golul și să preia funcția celor uciși, iar la următoarea iterație de antrenament, alți neuroni selectați aleatoriu sunt uciși. Acest lucru vă permite să „undeți responsabilitatea” între neuroni și să reduceți probabilitatea de supraadaptare.

Deci, în formula: „Deep network training = model + learning theory + big data + hardware”, a rămas doar ultimul element. Și aici începe cel mai interesant.

Utilizare plăci grafice pentru antrenament și utilizarea rețelelor neuronale a provocat o adevărată descoperire în rezolvarea problemelor de inteligență artificială

S-a dovedit că plăcile video ale computerelor sunt ideale pentru antrenarea rețelelor neuronale. Plăcile grafice (GPU - graphics processing unit) au făcut un salt în dezvoltare datorită interesului pentru jocurile video. În jocurile video, pe ecran vedem o lume virtuală tridimensională în care trăiesc personajele jocului și mediul lor.

Modelul acestei lumi virtuale este un set de puncte din spațiul tridimensional. Dar pe ecran vedem o imagine bidimensională. Pentru a proiecta o lume virtuală 3D pe ecranul nostru plat 2D, este necesar să efectuați multe operații paralele de același tip, care sunt simple înmulțiri de matrice (adică, combinații de înmulțire și adunare). În plus, la randarea lumii virtuale, cantități mari de memorie sunt accesate în mod constant, deoarece texturile trebuie afișate. Prin urmare, la proiectarea plăcilor grafice, se stabilește un grad ridicat de paralelism (adică, efectuarea unui număr mare de operațiuni de același tip care nu depind unele de altele) și debitului memorie, și trebuie să plătiți pentru asta cu o frecvență de ceas mai mică și cu mijloace mai puțin dezvoltate de ramificare (construiește „dacă... atunci...”), ca în procesoarele tradiționale.

Utilizarea plăcilor grafice pentru învățarea și utilizarea rețelelor neuronale a provocat o adevărată descoperire în rezolvarea problemelor de inteligență artificială. Recunoașterea imaginilor, recunoașterea vorbirii, mașinile cu conducere autonomă, diagnosticarea cancerului prin raze X, traducerea textului dintr-o limbă în alta, precum și sisteme de recomandare care ne oferă o reclamă sau un film nou - acum toate aceste tehnologii se bazează pe rețele neuronale .

Roboți în jurul nostru

Acum putem spune cu încredere că roboții și mașinile care folosesc tehnologia rețelelor neuronale sunt implementate pe scară largă în viata de zi cu zi persoană. În Japonia, de exemplu, roboții au început să fie folosiți ca personal de service în hoteluri: roboții de la recepție pot răspunde la întrebările oaspeților în mai multe limbi, pot da cheile și pot spune despre hotel. Există deja roboți de vânzări, roboți de consiliere bancară, babysitter automatizați care sunt instruiți în recunoașterea modelelor și pot comunica cu taxele lor.

Dar în producție, conexiunea „om-mașină” este adesea folosită, atunci când un sistem de inteligență artificială învață mai întâi cum o persoană, de exemplu, strânge șuruburile (cu ce amplitudine sau efort) și numai după aceea își repetă acțiunile.

În ultimii ani, o atenție deosebită a fost îndreptată către vehiculele fără pilot: de la un taxi care poate livra dintr-un punct al orașului în altul, până la transportul de mărfuri pe distanțe lungi fără participarea umană directă.

Și, desigur, una dintre cele mai interesante sarcini este interacțiunea directă a AI cu o persoană în viața lui de zi cu zi, zi după zi și oră după oră - interacțiunea folosind gadget-uri.

Rețele neuronale în smartphone-ul tău

Acum aruncați o privire la smartphone-ul dvs. De câte ori pe zi folosești algoritmi de rețele neuronale fără să știi? Smartphone-ul vă recunoaște vorbirea atunci când comunicați cu asistent vocal sau numiți punctul final al traseului. Folosește metode pentru a separa semnalul util de zgomot atunci când înregistrează sunet. Detectează fețele sau uniformizează echilibrul culorilor dintr-o fotografie.

Puteți utiliza rețelele neuronale în smartphone-uri în unul din două moduri. Prima modalitate: obțineți informațiile originale (fotografie sau coloana sonoră), trimiteți-o către un server la distanță (cum se spune, în cloud), procesați-o acolo și apoi încărcați răspunsul înapoi pe smartphone. Această metodă are o serie de dezavantaje. În primul rând, trebuie să aveți o conexiune la Internet stabilă, cu o viteză suficient de mare. În al doilea rând, transferul constant de fotografii pe server nu este foarte popular în rândul oamenilor în ceea ce privește confidențialitatea. Prin urmare, a doua metodă este mai de preferat - utilizarea rețelelor neuronale direct pe smartphone-ul însuși, fără a trimite informații prin Internet. Cu toate acestea, implementarea acestui lucru implică și alte dificultăți: este necesar să se preia resurse suplimentare de undeva pentru a efectua calcule; un număr mare de calcule (chiar dacă sunt paralele) consumă multă energie, iar acest lucru nu este, de asemenea, foarte popular în rândul utilizatorilor.

Smartphone-ul începe în sfârșit să fie la înălțimea cuvântului „inteligent” din numele său, după ce a primit un procesor care accelerează rezolvarea sarcinilor de inteligență artificială

De aceea, producătorii de smartphone-uri se dezvoltă și implementează în prezent un fel special procesoare - NPU (neural processing unit), care sunt denumite și acceleratoare de inteligență artificială (accelerator AI). Sunt proiectate pentru a crește performanța calculului paralel similar cu GPU-ul și pentru a consuma mai puțină energie. Aceste procesoare, împreună cu GPU-urile și procesoarele convenționale, sunt instalate pe același cip în interiorul smartphone-ului.

De exemplu, unul dintre primele cipuri cu un accelerator de inteligență artificială încorporat este procesorul Huawei Kirin 970, care a fost introdus în septembrie 2017. Acum un astfel de procesor este instalat într-un nou Smartphone Honor View 10, care a fost pus în vânzare în Rusia în februarie 2018. Producătorul susține că acest cip îndeplinește deja o serie de funcții, așa cum se spune, „la bord”:

1. Recunoașterea scenei atunci când faceți o fotografie care adaptează setările camerei la subiectul din prim-plan.
2. Analiza acțiunilor utilizatorului și adaptarea la modul în care acesta folosește un smartphone pentru a minimiza consumul de energie.
3. Traducerea automată, realizată de un program preinstalat de la Microsoft, utilizează o unitate de procesare neuronală pentru rețeaua sa neuronală.
4. Rețea neuronală specială pentru suprimarea zgomotului în semnalele audio înregistrate.

Deci ce avem? Smartphone-ul începe în sfârșit să fie la înălțimea cuvântului „inteligent” din numele său, după ce a primit un procesor care accelerează rezolvarea sarcinilor de inteligență artificială. Deja, este plin de mulți algoritmi care rezolvă probleme tehnice complexe, uneori chiar mai bine decât dacă ar fi rezolvate de o persoană. În același timp, una dintre aceste sarcini este analiza acțiunilor proprietarului. Se pare că doar puțin mai mult - și smartphone-ul tău va ști mai multe despre tine decât propria ta mamă. Viitorul este deja aici. Și dacă crezi că revolta mașinilor va începe când skyNet va anunța vânătoarea pentru John Connor, atunci te înșeli. A început deja. Și, poate, este deja în buzunar sub masca unui gadget familiar.

Algoritmul japonez a scris o carte„Ziua în care computerul a scris romanul”. 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 pentru un 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. Aceasta a fost o descoperire pentru că multă vreme s-a crezut că computerele nu au intuiția necesară pentru a juca Go.

Securitate

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

Australia ocupă locul al doilea în lume după Statele Unite la numărul de cazuri 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 oamenilor.

În 2014, Kaspersky Lab a raportat că antivirusul lor înregistra zilnic 325.000 de fișiere infectate noi. În același timp, un studiu realizat de Deep Instinct a arătat că noile versiuni de viruși nu diferă mult de cele anterioare - modificarea variază de la 2% la 10%. Un model de auto-învățare dezvoltat de Deep Instinct, pe baza acestor informații, este capabil să identifica fișierele infectate.

Rețelele neuronale sunt, de asemenea, capabile să caute anumite modele în modul în care sunt stocate informațiile servicii cloudși raportați anomaliile detectate care ar putea duce la breșe de securitate.

Bonus: rețele neuronale care păzesc gazonul nostru

În 2016, Robert Bond, inginer NVIDIA, în vârstă de 65 de ani, s-a confruntat cu o problemă: pisicile de cartier i-au vizitat în mod regulat proprietatea și au lăsat urme ale prezenței lor, ceea ce a enervat-o pe soția lui, grădinară. Bond a respins imediat ideea prea neprietenoasă de a înființa capcane pentru intruși. 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 în fluxul 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 mediului de pe site, a făcut șapte poze și le-a transmis rețelei neuronale. După aceea, rețeaua neuronală a trebuit să stabilească dacă în cadru era o pisică și, în cazul unui răspuns afirmativ, să pornească sprinklerele.

Imaginea camerei în curtea lui Bond

Înainte de începerea lucrărilor, 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 s-a dovedit a fi ud.

Rețeaua neuronală a funcționat mai bine după antrenament suplimentar pe mai multe fotografii. Cu toate acestea, Bond avertizează că rețeaua neuronală poate fi antrenată prea greu, caz în care 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 din un unghi diferit. Prin urmare, este extrem de important să selectați corect seria de date de antrenament.

După un timp, pisicile, după ce au învățat nu din fotografii, ci din propria piele, au încetat să mai viziteze site-ul Bond.

Concluzie

Rețelele neuronale, o tehnologie de la mijlocul secolului trecut, schimbă acum modul în care funcționează industrii întregi. Reacția societății este ambiguă: unele dintre capacitățile rețelelor neuronale sunt încântate, în timp ce altele sunt puse 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 diagnostichează mai bine 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 de la șah nu au plecat nicăieri, iar marii maeștri eminenți sunt încă pe coperțile revistelor lucioase.

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