Какво представляват невронните мрежи изкуствен интелект. Невронни мрежи

В тази глава ще говоря в общи линии за предмета на този учебник (и уебсайт) - изкуствените невронни мрежи. Какви са те, какви предимства имат и т.н.

Популярност

Темата за машинното обучение, интелигентните алгоритми и изкуствения интелект е изключително популярна в наши дни. Това може лесно да се види, като гледате новините на различни IT портали. Статистиката потвърждава това. Графиките по-долу показват данни от услугата Google Trends от 2005(9) до днес.

Интернет търсене за машинно обучение (свят):

Новини по същата тема (свят):

Новини за изкуствения интелект (свят):

Новини за изкуствен интелект (Русия):

Както виждате, темата е известна.

Терминология

Нека разберем терминологията. Какво е изкуствен интелект, машинно обучение и изкуствени невронни мрежи. Как са свързани?

Да започнем с най-важното, с изкуствения интелект.

Изкуствен интелект (AI)(Изкуствен интелект, AI):

1. наука за създаване на интелигентни (умни) машини (най-често компютърни програми).

2. свойството на интелектуална система да изпълнява творчески функции, които се считат за прерогатив на хората.

И двете определения по-горе съдържат фразата „интелигентна машина (система)“. Нека го обясня по-подробно. Интелигентната машина е система (като програма), способна да изпълнява задачи, считани за творчески.

С други думи, изкуственият интелект и науката за креативните системи и самата способност за „създаване“ на тези системи.

Сега е време да разберем термина „машинно обучение“.

Машинно обучение(Машинно обучение) е подраздел на изкуствения интелект, който изучава различни начини за конструиране на алгоритми за обучение.

Алгоритмите за обучение се отнасят до алгоритми, които се променят (обучават) по някакъв начин в зависимост от входните данни.

Машинното обучение е много широка област на познание. Можете да дефинирате думата „учене“ по различни начини и всеки път да получавате интересни резултати. Въпреки това сред множеството парадигми и подходи в машинното обучение се откроява една много интересна област – изкуствените невронни мрежи.

Изкуствени невронни мрежи (ANN)(Изкуствени невронни мрежи, ANN) - опростени модели на биологични невронни мрежи.

Сред многото възможности за обучение на алгоритми се открояват невронните мрежи

Това е технологията ANN, на която ще ви науча на този сайт. По-нататък просто ще наричам изкуствените невронни мрежи невронни мрежи.

За ANN като цяло

Сега, в най-общи линии, ще разберем такива понятия като изкуствена невронна мрежа и изкуствен неврон. Ще изследваме тези концепции по-фундаментално в следващите глави.

Тези знания са необходими, за да разберете предимствата на невронните мрежи и набора от проблеми, които те могат да решат. Без грубо разбиране на технологията, историята ще изглежда като магически трик за публиката.

Нека си зададем един въпрос. Какво е биологичниневронни мрежи? Ако си спомняте училищната програма по биология, тогава отговорът най-вероятно веднага ви дойде наум. Всъщност „главата“ е един от отговорите на този въпрос. По-точно не главата, а мозъците ни. Не само ние имаме мозък, но и много други животни имат мозък. Животните без мозък (медузи, червеи) все още имат нервна система.

Оказва се, че нашият мозък е сложна биологична невронна мрежа, която получава информация от сетивата и я обработва по някакъв начин (разпознаване на лица, генериране на усещания и т.н.).

Сега нека помислим за това. От какво се състои нервната система или мозъкът? Отговорът е очевиден - от неврони. Нашият мозък, като всяка биологична невронна мрежа, се състои от набор от неврони. Структурата на биологичния неврон е показана на фигурата по-долу.

Както можете да видите, биологичен неврон - изключително сложна система. Това до голяма степен се дължи на факта, че невронът, освен да обработва сигнала (основното му предназначение), е принуден да изпълнява и куп други функции, поддържащи живота му. Освен това самият механизъм на предаване на сигнала от неврон към неврон също е много сложен от биологична и химична гледна точка.

Имаме нужда от модел. Ние не сме загрижени за жизнената активност на неврона. Чувствайте се свободни да премахнете всичко, което е свързано с това: ядрото, мембраните, рибозомите и всичко, всичко, всичко. Във всеки случай ще го програмираме и той просто няма да може да умре.

В резултат на това имаме хипотетична структура, която получава сигнал, преобразува го (подобно на истинските неврони) и го предава на други неврони (които правят същото). Тази хипотетична структура се нарича изкуствен неврон.

Изкуствен неврон
(Изкуствен неврон) е опростен модел на биологичен неврон.

Биологичните невронни мрежи са колекция от биологични неврони. В такива мрежи обаче има и много ненужни аспекти за обработка на сигнала (системи за пречистване на отпадъчни продукти и др.). Освен това има много неврони в една биологична невронна мрежа.

Нека опростим отново: ние премахваме ненужните химически и биологични компоненти и също така намаляваме броя на невроните.

Така логично стигаме до друга дефиниция на ANN.

Изкуствена невронна мрежа (ANN)- набор от изкуствени неврони, взаимодействащи помежду си.

Защо работят невронните мрежи?

Нека разгледаме един важен въпрос на уводно ниво. Защо работят невронните мрежи (т.е. могат да решават проблеми)? Отговорът на този въпрос не е най-очевидният.

Най-често срещаният отговор: всеки неврон преобразува сигнала по свой начин и тъй като има много такива неврони (милиарди), входният сигнал се преобразува в правилния изходен сигнал.

Това е почти правилният отговор. Тънкостта е, че всички неврони работят по един и същи алгоритъм. С други думи, във всеки неврон сигналът се обработва Винагисъщото.

Но тогава няма индивидуална трансформация! Това означава, че отговорът на мрежата винаги е един и същ. Всъщност цялата работа се крие в така наречените синапси.

Синапс(Синапсис) - кръстовището на изхода на един неврон и входа на друг, където сигналът се усилва/отслабва.

На снимката по-долу синапсите са подчертани в цвят (в горния център на снимката можете да видите един от синапсите в детайли). червен цвят - главният неврон на снимката. Жълто - изходи на съседни неврони.

Дългият процес на главния неврон вдясно е неговият изход. Можете да забележите, че краят на този процес е свързан с два входа на друг неврон, който вече не виждаме.

Всеки биологичен неврон има хиляди входове. Всеки от тях е свързан с изходите на други неврони. Това означава, че имаме хиляди синапси на неврон. Нека умножим това число по милиардите неврони в биологичните невронни мрежи (в мозъка има 85 милиарда неврони!). Получаваме огромен брой синапси.

Въпросът е, че всеки синапс е индивидуален. Той може или да усили, или да отслаби сигнала, преминаващ през него. Освен това с течение на времето синапсите могат да се променят, което означава, че природата на промяната на сигнала ще се промени. Ако изберете правилно параметрите на синапсите, тогава входният сигнал, след като премине през невронната мрежа, ще се преобразува в правилния изходен сигнал.

Ето как се осъществява трансформацията на множество входни сигнали в правилното изходно решение.

Ниво на сложност на невронните мрежи

Вече казах по-горе, че намаляваме броя на невроните за изкуствените невронни мрежи (не можем да симулираме милиарди неврони). Колко ще намалим този брой? Обърнете внимание на снимката по-долу.

Тази картина е доста конвенционална, но отразява добре степента на опростяване. На хоризонталната ос имаме броя на синапсите (мислете за това като за сложността на мрежата). Скоростта на работа на системите се отбелязва по вертикалната мрежа.

Сив квадрат долу вляво - възможности на обикновени компютри (но не и компютърни реализации на невронни мрежи!). Следват две елипси. Те са съвременни софтуерни (а понякога и хардуерни) реализации на изкуствени невронни мрежи.

Както можете да видите, има още доста дълъг път, за да достигнете до хората. Освен това тук се използва логаритмична скала. Без да навлизаме в подробности, можем да кажем, че дори много малко диагонално движение на тази графика означава милионно увеличение на броя на синапсите и скоростта на работа.

Къде се използват невронните мрежи?

Вече се запознахте с изкуствените невронни мрежи. Сега нека обсъдим един изключително важен въпрос: къде и за какво се използват?

Да започнем отдалеч. Най-общо казано, трябва да решаваме различни проблеми. Компютърни програми - един от начините за решаване на проблеми.

А те са безкрайно много. Вместо да изброявате всеки от проблемите, можете да въведете тяхната класификация. Ще различим проблемите по условна сложност (проста, средна и висока сложност) и по това дали знаем как да я решим (знаем точно, знаем приблизително, изобщо не знаем).

Проблеми с ниска/средна сложност, които знаете точно как да разрешите:

• решаване на просто уравнение
• покажете прозореца на програмата на екрана
• отпечатайте документ на принтер

Такива проблеми се решават с помощта на обикновени компютърни програми. Нищо сложно или необичайно. Няма проблем.

Проблеми с ниска/средна сложност, които са частично известни как да бъдат решени:

• проста прогноза
• изчисляване на грешки
• приблизително решение на уравнения

Такива проблеми могат да бъдат решени с помощта на специални статистически методи.

Проблеми с висока сложност, за които не е ясно как да се решат:

• разпознаване на шаблон
• гласово разпознаване
• комплексни прогнози

Ще се спра по-подробно на този тип задачи.

Ето вие вървите по улицата. Около вас има много минувачи. Гледаш ги и моментално разпознаваш лицата им. Този процес не повдига никакви въпроси за вас. Просто си много добре обучен да го правиш.

И сега сте си поставили задача - напишете компютърна програма, която разпознава лица от дадена снимка. Може да е още по-просто. Опитайте да начертаете на хартия приблизителен алгоритъм за разпознаване на лица. Няма да успеете. И всичко това, защото разпознавате лица на несъзнателно ниво и не можете да контролирате несъзнаваното. Правите го, но не знаете как.

Освен лицевото разпознаване има куп други проблеми, които просто не е ясно как да се решат.

И тук на помощ идват невронните мрежи. Като модел на биологични невронни мрежи, те могат да решават подобни проблеми.

Невронните мрежи се използват за решаване на проблеми, алгоритъмът за решение на които неизвестен.

Тази способност на невронните мрежи ги направи толкова популярни. Невронните мрежи могат да бъдат обучени да играят игри, да разпознават гласове и да предвиждат увеличения/спадове на цените. Те могат да бъдат научени на всичко, което правим несъзнателно!

Предимства на невронните мрежи

В допълнение към възможността за решаване на нов клас проблеми, невронните мрежи имат редица значителни предимства.

Много е лесно да разберете откъде идват. Всички предимства на невронните мрежи са следствие от предимствата на биологичните невронни мрежи, тъй като на практика не сме променили самия модел за обработка на информация (докато опростяваме).

От тук е много просто да се обяснят предимствата на ANN, просто като се изведат от свойствата на биологичните невронни мрежи.

Устойчивост на шум от входни данни

Представете си хора на пешеходна пътека. Можете лесно да ги разгледате всички и лесно да различите лицата им. Нека обаче разгледаме тази снимка по-подробно. Освен самите лица, изображението съдържа асфалт, дрехи на хора, коли, светофари и чанти. И цялата тази ненужна (шумова) информация също се подава в очите ни!

Но ние не й обръщаме абсолютно никакво внимание, майсторски разграничаващи лица. Както казах по-горе, ние просто се обучихме да ги различаваме. Важна част от обучението е игнорирането на шумови сигнали.

Изкуствените невронни мрежи също имат това качество. След обучение те са в състояние да игнорират входове, които получават шумови данни.

Невронните мрежи са в състояние да функционират правилно, дори ако входните данни са шумни.

Адаптация към промяна

Представете си, че сте математик. Решавате уравнения с помощта на някои компютърни програми.

Тази сутрин вашата програма беше актуализирана: към нея беше добавена нова функционалност и интерфейсът се промени малко.

Ще ви отнеме много малко време, за да разберете промените сами и след това ще продължите да решавате уравнения, но с помощта на добавената функционалност. Този пример показва, че с малки промени в средата можете да се адаптирате (ако програмата беше напълно променена, нямаше да можете да я разберете).

Отново, това свойство на биологичните невронни мрежи се простира до ANN. Да предположим, че имате невронна мрежа, която прогнозира покачването/спадането на цените на борсата. Но постепенно, ден след ден, пазарната ситуация се променя. Ако вашата мрежа не се адаптира към тези промени, тя ще спре да дава верни отговори в рамките на една седмица. Но изкуствените невронни мрежи, учейки се от данни, се адаптират към околната среда всеки път.

Невронните мрежи могат да се адаптират към променящите се среди.

отказоустойчивост

Понякога се случва, че в резултат на наследствени заболявания или други проблеми, човек трябва да премахне половината от мозъка си. Такива случаи наистина се случват. Удивителното е, че след известно време останалото полукълбо поема функциите на изчезналото. Може да не е напълно, но системата (човекът) продължава да функционира.

Това свойство се проявява и в изкуствените невронни мрежи. Те могат да дадат правилни резултати, дори ако компонентите им са значително повредени.

Невронните мрежи са в състояние да функционират нормално дори при доста сериозни повреди.

Изключително бърза производителност

Компютърът изпълнява команди последователно. В човешката глава обаче всеки неврон е малък процесор (който получава сигнал, преобразува го и го изпраща към изхода). И имаме милиарди такива процесори в главите си. Получаваме гигантска мрежа от разпределени изчисления. Сигналът се обработва от неврони едновременно.

Това свойство потенциално се проявява в изкуствени невронни мрежи. Ако имате многоядрен компютър, това свойство ще се запази. За едноядрени компютри няма да има забележима разлика.

Невронните мрежи решават проблеми по-бързо от повечето други алгоритми.

Недостатъци на невронните мрежи

Може да имате погрешно впечатление, че невронните мрежи вече изместват компютрите. Можете да изхвърлите системните си единици и да си купите новомодни неврокомпютри.

Обаче не е така. Невронните мрежи имат редица сериозни недостатъци, които също могат да бъдат извлечени от биологичните невронни мрежи.

Струва си да се отбележи, че невронните мрежи, въпреки широкия набор от проблеми, които могат да решат, все още остават само полезна допълнителна функционалност. Компютърните програми винаги са на първо място.

Страхотната новина е, че чрез интегриране на конвенционални софтуерни алгоритми и невронни мрежи можете почти напълно да премахнете всички потенциални недостатъци.

Нека ги изброим.

Отговорът винаги е приблизителен

Да започнем с човешкия мозък.

Погледнете снимката по-долу и се опитайте да разберете какво пише. Най-вероятно тази задача няма да ви създаде много трудности.

Сега си представете колко трудно би било да разпознаете буквите в правоъгълниците поотделно, без останалата част от надписа.

Не го забелязвате, но всъщност изграждате някаква вероятностна диаграма в главата си и казвате, че по-вероятно(несъзнателно избира най-вероятния резултат), „но“ е написано в правоъгълник 2. В случая с първия правоъгълник казвате, че не е ясно какво има там(вероятностите са почти равни), но, аз мисля(изберете произволно), че там е написана буквата „о“.

Изкуствените невронни мрежи имат същия проблем. Никога няма да получите точни отговори. Добрата новина е, че рядко има проблеми, при които трябва да използвате ANN и да получите точни отговори едновременно.

Невронните мрежи не са в състояние да предоставят точни и недвусмислени отговори.

Вземане на решения на няколко етапа

Тук връзката с човешкия мозък не е много видима поради факта, че мозъкът е супер сложна невронна мрежа и поради своята сложност може да преодолее този недостатък.

Невроните на изкуствената невронна мрежа като цяло са независими един от друг. Те просто приемат сигнала, конвертират го и го изпращат. Те не се гледат един друг и в зависимост от съседния неврон сменят синапсите си. От това следва, че една невронна мрежа може да реши проблем само наведнъж, на една глътка.

Следователно е напълно безполезно да се иска от невронна мрежа да докаже теорема. Това изисква верига от последователни стъпки.

Нашият мозък се справя с тази задача поради факта, че се състои от огромен брой малки невронни мрежи, всяка от които може да изпълнява различна стъпка. Освен това можем да използваме други познати ни абстракции, за да помогнем. Изкуствената невронна мрежа няма помощ.

Невронните мрежи не могат да решат проблем стъпка по стъпка.

Изчислителни задачи

Този недостатък на изкуствените невронни мрежи до известна степен е следствие от предишните два недостатъка.

Обърнете внимание на снимката по-долу. Как да принудите мрежата да извърши тези трансформации?

Първият проблем е последователността. Необходимо е по някакъв начин, използвайки само мрежовите входове, да му посочите коя част от израза е под корена и коя част е отляво на знака за равенство. И как да предам самия знак за равенство?

Да приемем, че по някакъв начин сте успели да доставите тези данни в мрежата

Вторият проблем са последователните стъпки. Недостатъкът вече е описан по-горе.

А черешката на тортата е невъзможността да се получат точни резултати. Това може да си представим по следния начин. Вие преподавате невронна мрежа:

– 2 + 3 = ?
= 983
- Грешка! = 5.
2 + 3 = ?
= 5
- Правилно!
2 + 4 = ?
= 5
- Грешка! = 6.
2 + 4 = ?
= 5.5

И това винаги ще се случва.

Невронните мрежи не са способни да решават изчислителни проблеми.

заключения

В тази глава научихте какво представляват ANN, къде се използват, какви са техните предимства и недостатъци. Сега имате представа какво представляват изкуственият интелект и машинното обучение.

Изкуственият интелект създаде невронна мрежа на 15 декември 2017 г

Стигнахме до точката, в която изкуственият интелект създава своя собствена невронна мрежа. Въпреки че много хора смятат, че това е едно и също нещо. Но всъщност не всичко е толкова просто и сега ще се опитаме да разберем какво е и кой кого може да създаде.

Инженерите от подразделението Google Brain демонстрираха AutoML тази пролет. Този изкуствен интелект може да създаде свой собствен уникален AI без човешка намеса. Както се оказа, AutoML успя да създаде NASNet, система за компютърно зрение, за първи път. Тази технология е сериозно по-добра от всички аналози, създадени преди това от хората. Тази базирана на изкуствен интелект система може да бъде отличен помощник при разработването, да речем, на автономни автомобили. Приложимо е и в роботиката – роботите ще могат да достигнат съвсем ново ниво.

AutoML е разработен с помощта на уникална система за обучение с подсилване. Говорим за мениджър на невронни мрежи, който самостоятелно разработва изцяло нови невронни мрежи, предназначени за определени специфични задачи. В случая, който посочихме, AutoML има за цел да създаде система, която най-точно разпознава обекти във видео в реално време.

Самият изкуствен интелект успя да обучи нова невронна мрежа, следейки за грешки и коригирайки работата. Процесът на обучение се повтаря многократно (хиляди пъти), докато системата заработи. Интересното е, че той успя да заобиколи всички подобни невронни мрежи, налични в момента, но разработени и обучени от хора.

В същото време AutoML оценява производителността на NASNet и използва тази информация за подобряване на дъщерната мрежа; този процес се повтаря хиляди пъти. Когато инженерите тестваха NASNet върху изображения на ImageNet и COCO, той надмина всички съществуващи системи за компютърно зрение.

Google официално заяви, че NASNet разпознава с точност от 82,7%. Резултатът е с 1,2% по-висок от предишния рекорд, който беше поставен от изследователи от Momenta и специалисти от Оксфорд в началото на есента на тази година. NASNet е с 4% по-ефективен от своите колеги със средна точност от 43,1%.

Има и опростена версия на NASNet, която е адаптирана за мобилни платформи. Той превъзхожда аналозите си с малко повече от три процента. В близко бъдеще тази система ще бъде възможно да се използва за производството на автономни автомобили, за които е важно наличието на компютърно зрение. AutoML продължава да произвежда нови наследствени невронни мрежи, стремейки се да завладее още по-големи висоти.

Това, разбира се, повдига етични въпроси, свързани с опасенията относно AI: какво ще стане, ако AutoML създава системи с такава скорост, че обществото просто не може да се справи? Много големи компании обаче се опитват да вземат предвид опасенията за безопасността на ИИ. Например Amazon, Facebook, Apple и някои други корпорации са членове на Partnership on AI to Benefit People and Society. Институтът по електротехника и електроинженери (IEE) предложи етични стандарти за AI, а DeepMind например обяви създаването на група, която ще се занимава с морални и етични въпроси, свързани с приложенията на изкуствения интелект.

Много големи компании обаче се опитват да вземат предвид опасенията за безопасността на ИИ. Това, разбира се, повдига етични въпроси, свързани с опасенията относно AI: какво ще стане, ако AutoML създава системи с такава скорост, че обществото просто не може да се справи? Институтът по електротехника и електроинженери (IEE) предложи етични стандарти за AI, а DeepMind например обяви създаването на група, която ще се занимава с морални и етични въпроси, свързани с приложенията на изкуствения интелект. Например Amazon, Facebook, Apple и някои други корпорации са членове на Partnership on AI to Benefit People and Society.

Какво е изкуствен интелект?

Създателят на термина „изкуствен интелект“ е Джон Маккарти, изобретател на езика Lisp, основател на функционалното програмиране и носител на наградата Turing за огромния му принос в областта на изследванията на изкуствения интелект.
Изкуственият интелект е начин да се направи компютър, компютърно контролиран робот или програма, способни да мислят интелигентно като човек.

Изследванията в областта на ИИ се извършват чрез изучаване на човешките умствени способности, а след това резултатите от тези изследвания се използват като основа за разработването на интелигентни програми и системи.

Какво е невронна мрежа?

Идеята на невронната мрежа е да се сглоби сложна структура от много прости елементи. Малко вероятно е само една част от мозъка да се счита за интелигентна, но хората обикновено се справят изненадващо добре на тестовете за интелигентност. Въпреки това досега идеята за създаване на ум „от нищото“ обикновено се подиграваше: шегата за хиляда маймуни с пишещи машини е вече на сто години и ако искате, критиката на невронните мрежи може дори може да се намери при Цицерон, който саркастично предложи да се хвърлят жетони с букви във въздуха до посиняване, така че рано или късно да се получи смислен текст. Но през 21 век се оказа, че класиците са били саркастични напразно: това е армия от маймуни с жетони, които с необходимото постоянство могат да превземат света.
Всъщност невронна мрежа може да бъде сглобена дори от кибритени кутии: това е просто набор от прости правила, по които се обработва информацията. „Изкуствен неврон“ или персептрон не е специално устройство, а само няколко аритметични операции.

Персептронът работи не може да бъде по-прост: той получава няколко начални числа, умножава всяко по „стойността“ на това число (повече за това по-долу), събира го и в зависимост от резултата извежда 1 или -1. Например, ние снимаме чисто поле и показваме на нашия неврон някаква точка в тази картина - тоест изпращаме му произволни координати като два сигнала. И тогава питаме: „Скъпи невроне, това небе ли е или земя?“ „Минус едно“, отговаря манекенът, гледайки спокойно купестия облак. „Ясно е, че е земя.“

„Соченето с пръст към небето“ е основната дейност на перцептрона. Не можете да очаквате никаква точност от него: можете също толкова лесно да хвърлите монета. Магията започва в следващия етап, който се нарича машинно обучение. Ние знаем правилния отговор, което означава, че можем да го напишем в нашата програма. Така се оказва, че за всяко неправилно предположение перцептронът буквално получава наказание, а за правилно предположение - бонус: "стойността" на входящите сигнали се увеличава или намалява. След това програмата се изпълнява с новата формула. Рано или късно невронът неизбежно ще „разбере“, че земята на снимката е отдолу, а небето е отгоре, тоест той просто ще започне да игнорира сигнала от канала, през който се предават x-координатите към него. Ако поставите друга снимка на такъв сложен робот, той може да не намери линията на хоризонта, но със сигурност няма да обърка горната част с дъното.

В реалната работа формулите са малко по-сложни, но принципът остава същият. Перцептронът може да изпълни само една задача: да вземе числа и да ги постави на две купчини. Най-интересното започва, когато има няколко такива елемента, защото входящите номера могат да бъдат сигнали от други „градивни елементи“! Да кажем, че един неврон ще се опита да различи сините пиксели от зелените, вторият ще продължи да се занимава с координатите, а третият ще се опита да прецени кой от тези два резултата е по-близо до истината. Ако зададете няколко неврона на сини пиксели наведнъж и обобщите техните резултати, ще получите цял слой, в който „най-добрите ученици“ ще получат допълнителни бонуси. По този начин една доста широко разпространена мрежа може да изрови цяла планина от данни и да вземе предвид всичките й грешки.

Невронна мрежа може да се направи с помощта на кибритени кутии - тогава ще имате трик в арсенала си, който можете да използвате, за да забавлявате гостите на партита. Редакторите на MirF вече са го изпробвали и смирено признават превъзходството на изкуствения интелект. Нека научим ирационалната материя да играе играта "11 пръчки." Правилата са прости: на масата има 11 мача и във всеки ход можете да вземете един или два. Печели този, който е взел последния. Как да играете това срещу „компютъра“?

Много просто.

Вземете 10 кутии или чаши. На всяко пишем число от 2 до 11.

Във всяка кутия поставяме по две камъчета – черно и бяло. Можете да използвате всякакви предмети, стига да са различни един от друг. Това е - имаме мрежа от десет неврона!

Невронната мрежа винаги е първа. Първо вижте колко кибрита са останали и вземете кутия с това число. На първия ход ще бъде кутия номер 11. Вземете камъче от желаната кутия. Можете да затворите очи или да хвърлите монета, основното е да действате на случаен принцип.
Ако камъкът е бял, невронната мрежа решава да вземе две клечки. Ако е черно - едно. Поставете камъче до кутията, за да не забравите кой „неврон“ е взел решението. След това човекът ходи - и така докато свършат клечките.

Сега идва забавната част: ученето. Ако мрежата спечели играта, тогава тя трябва да бъде възнаградена: хвърлете едно допълнително камъче от същия цвят, което е паднало по време на играта, в онези „неврони“, които са участвали в тази игра. Ако мрежата загуби, вземете последната използвана кутия и премахнете неуспешния камък от там. Може да се окаже, че кутията вече е празна, тогава „последният“ неврон се счита за предишния. По време на следващата игра, когато удари празна кутия, невронната мрежа автоматично ще се откаже.

Това е всичко! Играйте няколко игри като тази. Първоначално няма да забележите нищо подозрително, но след всяка победа мрежата ще прави все по-успешни ходове - и след около дузина игри ще разберете, че сте създали чудовище, което не можете да победите.

източници:

Ключът към успеха на развитието на изкуствения интелект е невробиологията. Как точно учените се опитват да възпроизведат работата на човешкия мозък и какво е особеното в работата на невронните мрежи - в материала на „Футурист“.

Неврология и изкуствен интелект

„Бъдещето на изкуствения интелект е в невробиологията“, казва основателят на Google DeepMind, доктор по невробиология Демис Хасабис (Demis Hassabis) в статия, публикувана в списание Neuron. Хасабис стартира базираната си в Лондон компания DeepMind, за да създава технически аналог на човешкия интелект, а Google купи компанията му за повече от 500 милиона долара през 2014 г. Миналата година AlphaGo, програма, разработена от DeepMind, победи световните шампиони в логическата игра Go. В сътрудничество с OpenAI, изследователски институт за изкуствен интелект с нестопанска цел, подкрепян от Илон Мъск , компанията също така работи върху създаването на машини с по-разширени възможности за разузнаване.

Всички алгоритми за изкуствен интелект на DeepMind се основават на концепции, открити за първи път в собствения ни мозък. Дълбокото учене и ученето с подсилване - два стълба на съвременния AI - са резултат от безплатен превод на модела на биологичните невронни връзки на човешкия мозък на езика на формалната математика. Дълбоко обучениевсъщност е просто ново име за повече от 70-годишен подход към изкуствения интелект, известен като невронни мрежи. Невронните мрежи са предложени за първи път през 1944 г Уорън Маккълоу (Уорън Маккълоу) и Уолтър Пийтс (Уолтър Питс), двама изследователи от Чикагския университет, които основават това, което понякога се нарича първият отдел по когнитивна наука през 1952 г.

Невронните мрежи бяха основна област на изследване както в неврологията, така и в компютърните науки до 1969 г., но интересът към тях оттогава намаля. Технологията започна да се завръща през 80-те години на миналия век, но отново изпадна в затъмнение през първото десетилетие на новия век и се върна почти веднага през второто, до голяма степен благодарение на увеличената процесорна мощност на графичните чипове.

Схема на устройство на невронна мрежа

Характеристики на работата на невронните мрежи

Невронните мрежи са инструмент за машинно обучение, при който компютърът се научава да изпълнява конкретна задача чрез анализиране на учебни примери. Обикновено тези примери са предварително етикетирани на ръка. Например, система за разпознаване на обекти може да съхранява хиляди етикетирани изображения на коли, къщи, чаши и т.н. и да може да намира визуални модели и характеристики на тези изображения, за да ги свърже по-късно с конкретни етикети. Просто казано, това е и начинът, по който децата се учат - например на дете се показват различни червени предмети, така че в бъдеще то може самостоятелно да свърже този „етикет“ с всички червени предмети.

Но за да се разработи дори отдалечен технически аналог на връзките на нашия мозък, е необходимо създаването на сложен механизъм. Невронните мрежи са съставени от хиляди или милиони прости, но плътно свързани помежду си възли за обработка на информация, обикновено организирани на слоеве. Различните типове мрежи се различават в зависимост от техния брой слоеве, броя на връзките между възлите и броя на възлите във всеки слой. Повечето съвременни невронни мрежи са организирани в слоеве от възли, в които данните се движат само в една посока. Един възел може да бъде свързан към множество възли в слоя под него, от който получава данни, и към множество възли в слоя над него, към който изпраща данни.

Пример за мрежово обучение

Възелът присвоява номер на всяка от своите входящи връзки, известен като „тегло“. Когато мрежата е активна, възелът получава друг елемент от данни, друго число от тях и го умножава по вече даденото тегло, след което добавя стойностите, получени от всички входове заедно, получавайки едно число. Ако числото надхвърли прага, възелът "задейства", което в съвременните невронни мрежи обикновено означава изпращане на числото - сумата от претеглените входове - през всичките му изходящи връзки.

В режим на обучение всички тегла и прагове на невронната мрежа първоначално се задават на произволни стойности. Данните за обучение се подават към долния слой - входния слой - и преминават през следващите слоеве, умножени и добавени, докато достигнат изходния слой. По време на обучение теглата и праговете непрекъснато се коригират, докато данните за обучение със същите етикети постигнат сходни резултати.

Бъдещето вече е тук

Впечатляващите резултати от подобряването на производителността на невронните мрежи и разпространението на използването на технологията не се ограничават до победата на AlphaGo и лабораторните изследвания на AI. Ако все още свързвате фразата „самообучаващи се машини“ със света на научната фантастика и филмите на ужасите за въстанието на роботите, тогава добре дошли в бъдещето.

През последните години най-ефективните системи с изкуствен интелект – в области като автономно шофиране, разпознаване на реч, компютърно зрение и автоматичен превод – бяха разработени благодарение на невронни мрежи. Може дори да не го забелязваме, но самообучаващите се невронни мрежи вече са вкоренени в ежедневието ни. Така например преводът, който ви се предлага във вашата емисия във Facebook, вече не се извършва автоматично чрез търсене на всяка отделна дума в речника. Сега компанията стартира невронна мрежа, която превежда цели изречения, произвеждайки все по-грамотен, свързан текст. Вече точността на преводите в социалните мрежи се е увеличила с 11%.

Невронен модел, обработен в приложението Prisma

Отделна вълна от интерес към технологиите на обикновените хора в Русия предизвика появата на приложението Prizma, което превръща обикновени снимки в подобия на известни произведения на изкуството. Няма значение дали сте използвали това приложение или, напротив, сте били объркани от злоупотребата му от потребителите на социалните мрежи - заслужава да се отбележи креативността на неговите създатели. Особеността на този на пръв поглед обикновен инструмент за обработка на снимки е, че програмата работи на базата на невронни мрежи, използвайки моделите на различни стилове на рисуване, за да създава нови „шедьоври“.

Но дори и най-простите невронни мрежи заемат много памет и консумират огромни количества енергия, така че обикновено работят на сървъри в облака, където получават данни от настолни или мобилни устройства и след това изпращат обратно резултатите от анализа.

За да се справи с този проблем, миналата година асоциираният професор по електротехника и компютърни науки от MIT Vivienne Sze и нейните колеги представиха нов енергийно ефективен компютърен чип, оптимизиран за невронни мрежи, който може да позволи на мощни системи с изкуствен интелект да работят локално на мобилни устройства.

Те също така разработиха аналитичен метод, който може да определи колко енергия консумира една невронна мрежа, когато работи на определен тип хардуер. След това те използваха технологията, за да оценят нови методи за заобикаляне на невронни мрежи, за да могат да работят по-ефективно на преносими устройства.

Хасабис обаче твърди, че това не е достатъчно. Целта, която изследователите сега си поставят, е да създадат универсален AI със способността да мисли, разсъждава и учи бързо и гъвкаво, изкуствен интелект, способен да разбере реалния свят и да си представи по-добър.

За да се постигне това, е необходимо да се изследва по-отблизо работата на човешкия ум, тъй като това е единственото доказателство, че такава интелигентна система е възможна по принцип.

Проблем с обучението на AI

В зависимост от техните специфични задачи, алгоритмите за машинно обучение се настройват с помощта на специфични математически структури. Чрез милиони примери изкуствените невронни мрежи се научават да настройват фино връзките си, докато достигнат идеално състояние, което им позволява да изпълняват задача с възможно най-висока точност.

Тъй като всеки алгоритъм е напълно пригоден за конкретна задача, преобучението за нова задача често изтрива установените преди това връзки. По този начин, когато AI научи нова задача, той напълно презаписва предишната.

Дилемата на непрекъснатото учене е само един от проблемите на изкуствения интелект. Други дори все още не са толкова точно дефинирани, но може би те ще се окажат по-значими в създаването на гъвкави, изобретателни умове като нашите.

Например, проблемът с въплътеното познание - както обяснява Хасабис, е способността да се създават знания и абстрактни мисли, базирани на независимо сетивно взаимодействие със света. Това е един вид здрав разум, който хората имат, интуиция, която трудно може да се опише, но е изключително полезна за решаване на ежедневните проблеми, пред които сме изправени.

Черти като въображението са още по-трудни за програмиране. Тук AI, ограничен до една конкретна задача, е наистина лош, казва Хасабис. Въображението и иновациите се основават на моделите, които вече сме създали за нашия свят - и представянето на нови сценарии от тях. Това са много мощни инструменти за планиране, но техните изследвания за AI все още са в начален етап.

Учените отбелязват, че когато решават проблемите на невронните мрежи, те се обръщат към невробиологията и физиологията на живите същества. Така последните открития показват, че хипокампусът – част от лимбичната система на мозъка, която отговаря за паметта – „възпроизвежда“ нашите преживявания и спомени бързо напред по време на почивка и сън. Това позволява на мозъка „да се учи отново от успехи и неуспехи, които вече са се случили в миналото“, казва Хасабис.

Изследователите на AI подхванаха тази идея и внедриха елементарна версия на алгоритъма - което доведе до мощни невронни мрежи, обучаващи се чрез опит. Те сравняват настоящите ситуации с предишни събития, съхранени в паметта, и предприемат действия, които преди това са довели до успех или награда.

Но най-доброто предстои

Появата на инструменти за изображения на мозъка и генетично биоинженерство предлага безпрецедентна представа за това как биологичните невронни мрежи се организират и свързват за решаване на проблеми. Докато невролозите работят за решаването на „невронния код“ – основните изчисления, които поддържат мозъчната функция – изследователите на ИИ разполагат с все по-широк набор от инструменти за изучаване.

Струва си да се отбележи, че не само ИИ има какво да научи от невролозите – ползите са взаимни. Съвременната невронаука, с всичките си мощни инструменти за изображения и оптична генетика, едва сега е започнала да разбира как невронните мрежи поддържат по-високи нива на интелигентност.

„Невролозите често имат доста неясно разбиране за механизмите, лежащи в основата на концепциите, които изучават“, казва Хасабис. Тъй като изследванията на AI се основават на строга математика, те могат да предложат начини за изясняване на тези неясни концепции в хипотези от реалния свят.

Разбира се, малко вероятно е AI и мозъкът винаги да работят по един и същи начин. Но можем да мислим за ИИ като за приложна изчислителна невронаука, казва Хасабис. Сравняването на AI алгоритмите с човешкия мозък „може да даде представа за някои от най-дълбоките мистерии на ума“.

Но и решаване на по-важни проблеми - например търсене на нови лекарства. The Village се обърна към експерти, за да разбере какви са характеристиките на технологията и как я използват местни компании и университети.

Какво представляват невронните мрежи?

За да разберем какво място заемат невронните мрежи в света на изкуствения интелект и как те се свързват с други технологии за създаване на интелигентни системи, нека започнем с определенията.

Невронни мрежи- един от методите за машинно обучение, чиито основи са възникнали през 1943 г., дори преди да се появи терминът "изкуствен интелект". Те представляват математически модел, който смътно наподобява функционирането на нервната система на животните.

Според Станислав Протасов, старши изследовател в университета Инополис, най-близкият аналог на човешкия мозък са конволюционните невронни мрежи, изобретени от математика Ян Лекун. „Те са в основата на много приложения, които твърдят, че са изкуствен интелект, като FindFace или Prisma“, отбелязва той.

Машинно обучение- подсекция на изкуствения интелект в пресечната точка на математиката и компютърните науки. Изучава методи за конструиране на модели и алгоритми на принципа на обучението. Машината анализира подадените й примери, идентифицира закономерности, обобщава ги и изгражда правила, с помощта на които се решават различни проблеми – например прогнозиране на по-нататъшното развитие на събитията или разпознаване и генериране на изображения, текст и реч. В допълнение към невронните мрежи тук се използват и методи на линейна регресия, дървета на решенията и други подходи.

Изкуствен интелект- клон на компютърните науки за създаването на технологични средства за машини за изпълнение на задачи, които преди това са били считани за изключителен прерогатив на хората, както и обозначаването на такива разработки. Посоката е официално формализирана през 1956 г.

Александър Крайнов

Кое може да се нарече изкуствен интелект и кое не е въпрос на споразумение. Човечеството като цяло не е стигнало до еднозначна формулировка за това какво е интелектът като цяло, да не говорим за изкуствения интелект. Но ако обобщим случващото се, можем да кажем, че изкуственият интелект е дълбоки невронни мрежи, които решават сложни проблеми на ниво, близко до човешкото, и в една или друга степен се самообучават. В същото време самообучението тук се отнася до способността за самостоятелно извличане на полезен сигнал от необработени данни.

Какво е текущото състояние на индустрията?

Според анализаторската агенция Gartner машинното обучение сега е на върха на завишените очаквания. Вълнението около нова технология, характерна за този етап, води до прекомерен ентусиазъм, който води до неуспешни опити за широкото й използване. Очаква се на индустрията да се отърве от илюзиите си от две до пет години. Според руските експерти невронните мрежи скоро ще трябва да преминат тест за здравина.

Сергей Негодяев

Портфолио мениджър на Фонда за развитие на интернет инициативи

Въпреки че учените формализират и разработват невронни мрежи в продължение на 70 години, могат да бъдат идентифицирани две повратни точки в развитието на тази технология. Първият беше през 2007 г., когато Университетът в Торонто създаде алгоритми за дълбоко обучение за многослойни невронни мрежи. Вторият момент, който провокира днешния бум, беше през 2012 г., когато изследователи от същия университет използваха дълбоки невронни мрежи и спечелиха състезанието ImageNet, научавайки се да разпознават обекти в снимки и видеоклипове с минимум грешки.

В днешно време има достатъчно компютърна мощност за решаване, ако не на всички, то на огромното мнозинство от проблеми, базирани на невронни мрежи. Сега основната пречка е липсата на етикетирани данни. Относително казано, за да може системата да се научи да разпознава залез във видеоклипове или снимки, тя трябва да получи милиони снимки на залеза, като посочи точно къде се намира в кадъра. Например, когато качите снимка във Facebook, вашите приятели я разпознават като котка в лъчите на залязващото слънце и социалната мрежа вижда в нея набор от тагове: „животно“, „котка“, „дървен“, „под“, „вечер“, „портокал“. Който има повече данни за обучение, ще има по-интелигентна невронна мрежа.

Андрей Калинин

Ръководител на търсенето в Mail.Ru

Развлекателните приложения, базирани на невронни мрежи - например нашите Artisto или Vinci - са само върхът на айсберга и в същото време чудесен начин да демонстрирате възможностите си пред по-широка аудитория. Всъщност невронните мрежи са способни да решават редица сложни проблеми. Най-горещите области сега са автопилотите, гласовите асистенти, чатботовете и медицината.

Александър Крайнов

Ръководител на службата за компютърно зрение в Yandex

Можем да кажем, че бумът на невронните мрежи вече е настъпил, но все още не е достигнал своя връх. Само ще стане по-интересно. Най-обещаващите области днес са може би компютърното зрение, диалоговите системи, текстовият анализ, роботиката, безпилотните превозни средства и генерирането на съдържание - текстове, изображения, музика.

Перспективни области за внедряване на невронни мрежи

транспорт

роботика

Биотехнология

селско стопанство

Интернет на нещата

Медии и развлечения

Езикознание

Безопасност

Влад Шершулски

директор на програмите за технологично сътрудничество в Microsoft в Русия

Днес невронна революция вече се е случила. Понякога дори е трудно да се различи измислицата от реалността. Представете си автоматизиран комбайн с много камери. Той прави 5 хиляди снимки в минута и чрез невронна мрежа анализира дали растението пред него е плевел или нападнато от вредители, след което решава какво да прави по-нататък. Фантастично? Вече не наистина.

Борис Волфсон

Директор развитие на HeadHunter

Има известен шум около невронните мрежи и според мен леко завишени очаквания. Все още ще преминем през етап на разочарование, преди да се научим да ги използваме ефективно. Много резултати от революционни изследвания все още не са много приложими за бизнеса. На практика често е по-разумно да се използват други методи за машинно обучение - например различни алгоритми, базирани на дървета на решенията. Вероятно не изглежда толкова вълнуващо или футуристично, но тези подходи са много често срещани.

Какво учат невронните мрежи в Русия?

Участниците на пазара са съгласни, че много от постиженията на невронните мрежи все още са приложими само в академичната сфера. Извън нейните граници технологията намира приложение предимно в развлекателни приложения, което подклажда интереса към темата. Въпреки това руските разработчици учат невронните мрежи да решават социално значими и бизнес проблеми. Нека разгледаме по-отблизо някои области.

Наука и медицина

Yandex School of Data Analysis участва в експеримента CRAYFIS заедно с представители на Сколково, MIPT, HSE и американските университети UCI и NYU. Същността му е да търси космически частици със свръхвисока енергия с помощта на смартфони. Данните от камерите се предават към ускорени невронни мрежи, способни да уловят следи от слабо взаимодействащи частици в изображения.

Това не е единственият международен експеримент, в който участват руски специалисти. Учените от университета Innopolis Manuel Mazzara и Leonard Johard участват в проекта BioDynaMo. С подкрепата на Intel и CERN те искат да създадат прототип, който може да възпроизведе пълномащабна симулация на мозъчната кора. С негова помощ се планира да се повиши ефективността и рентабилността на експериментите, изискващи наличието на жив човешки мозък.

Професорът от Innopolis Ярослав Холодов участва в разработването на компютърен модел, способен да предскаже образуването на протеинови връзки десетки пъти по-бързо. С помощта на този алгоритъм може да се ускори разработването на ваксини и лекарства. Разработчиците от Mail.Ru Group, Insilico Medicine и MIPT бяха отбелязани в тази област. Те използваха генеративни състезателни мрежи, обучени да измислят молекулярни структури, за да търсят вещества, които биха могли да бъдат полезни при заболявания, вариращи от рак до сърдечно-съдови заболявания.

красота и здраве

През 2015 г. руската компания Youth Laboratories стартира първия международен конкурс за красота Beauty.AI. Снимките на участниците бяха оценени от невронни мрежи. При определянето на победителите те взеха предвид пол, възраст, националност, цвят на кожата, симетрия на лицето и наличие или липса на бръчки. Последният фактор също подтикна организаторите да създадат услугата RYNKL, която ви позволява да проследите как стареенето засяга кожата и как различните лекарства се борят с нея.

Невронните мрежи се използват и в телемедицината. Руската компания Mobile Medical Technologies, която управлява проектите Онлайн лекар и педиатър 24/7, тества диагностичен бот, който ще бъде полезен както за пациенти, така и за лекари. Първият ще ви каже към кой специалист да се свържете за определени симптоми, а вторият ще ви помогне да определите от какво точно е болен посетителят.

Оптимизация на бизнес процеси и реклама

Руският стартъп Leadza успя да използва невронни мрежи, за да разпредели по-ефективно бюджета за реклама във Facebook и Instagram. Алгоритъмът анализира резултатите от минали кампании, изгражда прогноза за ключови показатели и въз основа на тях автоматично преразпределя разходите, така че онлайн магазините да могат да получат повече клиенти на по-ниска цена.

Екипът на GuaranaCam използва технологии за машинно обучение, за да оцени ефективността на офлайн поставянето на продукти и рекламни материали. Системата работи в облака Microsoft Azure и анализира поведението при покупки с помощта на камери за видеонаблюдение. Собствениците на фирми получават отчет за състоянието на търговията в реално време. Проектът вече се използва в търговски център Mega Belaya Dacha.

Успешните домашни примери за използване на невронни мрежи в бизнеса не свършват дотук. LogistiX, която експериментира с технологии за изкуствен интелект от 2006 г., разработи система за оптимизиране на складовите операции. Базира се на обучаваща се невронна мрежа, която анализира данните за служителите, получени от фитнес тракерите, и преразпределя натоварването между тях. Сега екипът обучава невронните мрежи да разграничават дефектите.

Холдингът Belfingroup отиде още по-далеч. Неговото дъщерно дружество BFG-soft създаде облачната платформа BFG-IS, която ви позволява да управлявате предприятие, използвайки неговия виртуален модел. Последният се изгражда автоматично въз основа на производствени данни, събрани от системата, и не само показва как най-добре да се организират процесите, като се вземат предвид дадените цели, но също така прогнозира последствията от всякакви промени - от подмяна на оборудване до въвеждане на допълнителни смени. В края на 2016 г. Фондът за развитие на интернет инициативи реши да инвестира 125 милиона рубли в компанията.

Набиране и управление на персонала

Руският агрегатор за подбор на персонал Stafory завършва обучението на повтаряща се невронна мрежа, способна не само да дава едносрични отговори на въпросите на кандидатите, но и да провежда пълен разговор с тях относно свободната позиция, която ги интересува. А екипът на портала SuperJob тества услуга, която предвижда коя от стотиците подобни автобиографии ще бъде търсена от определен работодател.

транспорт

Руският разработчик на интелигентни системи Cognitive Technologies използва невронни мрежи за разпознаване на превозни средства, пешеходци, пътни знаци, светофари и други обекти в кадър. Компанията също така събира данни за обучение на невронна мрежа за самоуправляваща се кола. Става дума за десетки хиляди епизоди, описващи реакцията на шофьорите при определени критични ситуации на пътя. В резултат на това системата трябва да формулира оптимални сценарии за поведение на робота. Същите технологии се използват за създаване на интелигентен селскостопански транспорт.

В допълнение, невронните мрежи могат да се използват в транспорта по други начини. През лятото на 2016 г. Yandex добави към своето табло за обяви в Avto.ru функция за автоматично идентифициране на модел автомобил от снимката му. По това време системата познаваше 100 марки.

Психология и безопасност

Руският стартъп NTechLab, който победи Google в международното състезание за алгоритми за лицево разпознаване The MegaFace Benchmark, използва технологии за машинно обучение в приложението FindFace. Позволява ви да намерите човек в социалните мрежи по снимка. Потребителите често се обръщат към услугата, за да идентифицират фалшификати, но тя може да бъде полезна и за правоприлагащите органи. С негова помощ вече е установена самоличността на няколко престъпници, включително похитителя на Citibank в Москва. Бизнес версията на FindFace.Pro се предоставя на компании, които се интересуват от идентификация на клиенти. Сега системата е напълно обучена да определя пола, възрастта и емоциите на другите, което може да бъде полезно не само при комуникация с клиенти, но и при управление на персонала.

По подобен начин невронните мрежи се използват и от друга руска компания – VisionLabs. Използва технологии за лицево разпознаване, за да гарантира сигурността в банките и да създава специални оферти за най-лоялните клиенти на различни търговски обекти.

В подобна посока работи и стартъпът „Емотиан“. Той финализира система за определяне на емоционалното състояние на градовете. Засега невронната мрежа изчислява най-щастливите райони въз основа на публикации в социалните мрежи, но в бъдеще компанията планира да вземе предвид биометричните данни от камерите.

Медии и творчество

Един от основните играчи на руския пазар на невронни мрежи е Yandex. Компанията използва машинно обучение не само в своите услуги за търсене, но и в други продукти. През 2015 г. тя стартира система за препоръки " Дзен”, който създава емисия от новини, статии, снимки и видеоклипове, въз основа на интересите на конкретен потребител. Колкото по-често получава достъп до материали, избрани от алгоритъма, толкова по-точно невронната мрежа определя какво друго може да му хареса.

Освен това Yandex експериментира с творчеството. Служителите на компанията вече са успели да приложат подход на невронна мрежа към поезията, а след това

Японски алгоритъм написа книга„Денят, в който компютърът написа роман.“ Въпреки факта, че хората помогнаха на неопитния писател с героите и сюжетните линии, компютърът свърши страхотна работа - в резултат на това едно от произведенията му премина квалификационния етап на престижна литературна награда. Невронните мрежи също написаха продължения на Хари Потър и Игра на тронове.

През 2015 г. невронната мрежа AlphaGo, разработена от екипа на Google DeepMind, стана първата програма, която победи професионален играч на Go. И то през май т.г програмата победи най-силния играч на Go в света, Ке Зе. Това беше пробив, защото отдавна се смяташе, че компютрите нямат необходимата интуиция, за да играят Go.

Безопасност

Екип от разработчици от Технологичния университет в Сидни представи дронове за патрулиране на плажове. Основната задача на дроновете ще бъде търсене на акули в крайбрежните води и предупреждаване на хората по плажовете. Анализът на видеоданните се извършва от невронни мрежи, което значително повлия на резултатите: разработчиците твърдят, че вероятността за откриване и идентифициране на акули е до 90%, докато оператор, гледащ видео от дронове, успешно разпознава акулите само в 20-30 % от случаите.

Австралия е на второ място в света след САЩ по брой нападения от акули срещу хора. През 2016 г. в страната са регистрирани 26 случая на атаки на акули, два от които са завършили със смърт.

През 2014 г. Kaspersky Lab съобщи, че тяхната антивирусна програма регистрира 325 хиляди нови заразени файла всеки ден. В същото време проучване на Deep Instinct показа, че новите версии на вирусите практически не се различават от предишните - промяната варира от 2% до 10%. Въз основа на тази информация моделът за самообучение, разработен от Deep Instinct, може точно идентифициране на заразени файлове.

Невронните мрежи могат също да търсят определени модели в това как информацията се съхранява в облачните услуги и да докладват за открити аномалии, които биха могли да доведат до пробиви в сигурността.

Бонус: невронни мрежи пазят моравата ни

През 2016 г. 65-годишният инженер на NVIDIA Робърт Бонд беше изправен пред проблем: котките на съседа му редовно посещаваха имота му и оставяха следи от присъствието си, което дразнеше жена му, която работеше в градината. Бонд веднага отхвърли твърде неприветливата идея за изграждане на капани за неканени гости. Вместо това той реши да напише алгоритъм, който автоматично да включва градински пръскачки, когато котките се приближат.

Робърт беше изправен пред задачата да идентифицира котки във видео поток, идващ от външна камера. За да направи това, той използва система, базирана на популярната невронна мрежа Caffe. Всеки път, когато камерата наблюдава промяна в ситуацията на сайта, тя прави седем снимки и ги предава на невронната мрежа. След това невронната мрежа трябваше да определи дали в кадъра присъства котка и, ако отговорът е да, да включи пръскачките.

Изображение от камерата на Bond yard

Преди да започне работа, невронната мрежа беше обучена: Бонд я „нахрани“ с 300 различни снимки на котки. Анализирайки тези снимки, невронната мрежа се научи да разпознава животни. Но това не беше достатъчно: тя правилно идентифицира котките само в 30% от случаите и погрешно взе сянката на Бонд за котка, в резултат на което самият той се намокри.

Невронната мрежа се представи по-добре след допълнително обучение върху повече снимки. Въпреки това Бонд предупреждава, че е възможно невронната мрежа да се тренира твърде много, в който случай тя ще развие нереалистичен стереотип - например, ако всички изображения, използвани за обучение, са заснети от един ъгъл, тогава изкуственият интелект може да не разпознае същата котка от различен ъгъл. Следователно компетентният подбор на серията данни за обучение е изключително важен.

След известно време котките, които са се учили не от снимки, а от собствената си кожа, спряха да посещават сайта на Бонд.

Заключение

Невронните мрежи, технология от средата на миналия век, сега променят начина, по който работят цели индустрии. Реакцията на обществото е двусмислена: някои са възхитени от възможностите на невронните мрежи, докато други са принудени да се съмняват в тяхната полезност като специалисти.

Но не навсякъде, където идва машинното обучение, то измества хората. Ако една невронна мрежа поставя диагнози по-добре от жив лекар, това не означава, че в бъдеще ще бъдем лекувани изключително от роботи. Най-вероятно лекарят ще работи заедно с невронната мрежа. По същия начин суперкомпютърът на IBM Deep Blue победи Гари Каспаров на шах през 1997 г., но хората от шаха не са изчезнали никъде и известни гросмайстори все още се появяват на кориците на лъскавите списания.

Сътрудничеството с машини ще донесе много повече ползи от конфронтацията. Затова съставихме списък с материали с отворен достъп, които ще ви помогнат да продължите да се запознавате с невронните мрежи: