Нейросети: что это такое?

Даже сейчас, во время значимых научных достижений, все еще сложно представить, чтобы искусственный разум превзошел человеческий мозг. Мы все еще очень мало знаем о мозге, настолько он сложный и удивительный. Исследователи надеются, что вывести искусственный интеллект на новый уровень поможет прорыв в изучении интеллекта живого. Какие успехи в создании машинного мозга уже применяют в современном мире? Как все начиналось и куда мы придем? Что же такое “нейросети”?

Нейронные сети — это одно из воплощений того, что мы подразумеваем под широким понятием “искусственный интеллект”. Одна из областей ИИ — машинное обучение. Эта область науки изучает алгоритмы, которые позволяют находить решения в очень сложных случаях. Глубокое (глубинное) машинное обучение для этой цели использует много вычислительных ресурсов. Именно такие алгоритмы для глубокого обучения чаще всего и называют нейросетями.

История

Одним из главных предметов научного интереса человека всегда был сам человек. К ХХ веку исследования показали, что самая таинственная наша часть — мозг — невероятно сложная штука. В 40-х годах прошлого века ученые МакКаллок и Питтс разработали модель нейронной сети, части мозга. Они выдвинули предположение, что нейроны можно упрощенно рассматривать как устройства, оперирующие двоичными числами, а сеть из нескольких нейронов может выполнять логические операции.

Физиолог Дональд Хебб предложил закон обучения биологического мозга, который положил начало созданию и изучению алгоритмов обучения искусственных нейросетей.

В 50-60 гг группа исследователей создала первую однослойную искусственную нейронную сеть. Такая сеть могла предсказывать погоду и анализировать электрокардиограммы. Научный мир был окрылен — казалось, что достаточно создать сеть побольше и тайна работы мозга будет раскрыта.

Однако вскоре пришло разочарование — почему-то нейронные сети далеко не всегда справлялись с казалось бы однотипными задачами. Марвин Ли Минский, разочаровавшись в методе, не верил в то, что многослойные нейросети (вроде тех, что сейчас выигрывают у людей в шахматы, Го и “Свою игру”) могут работать. Разработки в этой сфере были остановлены, почти весь научный мир на десятилетия оставил нейросети без внимания.

К концу 1980-х гг теория нейросетей стала применяться в прикладных областях, корпорации финансировали разработки, а ученые совершили прорыв. Затем почти до 2010 года о нейросетях снова почти ничего не было слышно. Прорыв произошел в 2012 году, когда с помощью проекта ImageNet нейросети научились практически безошибочно распознавать изображения. К 2015 году программы в некоторых задачах с картинками превзошли человека и стали очень популярны.

Как это работает

Элементы искусственной нейросети работают по принципу, схожему с элементарными функциями живого нейрона. А сама нейросеть во многом напоминает мозг. Нейронные сети извлекают ключевую информацию из данных, обучаются на основе пережитого опыта, перекладывают прецеденты на новые похожие случаи.

Искусственный нейрон — это по сути функция, которая преобразует несколько фактов в один. Факты имеют вес, который повлияет на то, как факт будет использован нейроном.

Первичную информацию получает входной слой, а факт на выходе системы называют выходным слоем. Между ними могут быть скрытые слои. Чем больше в сети скрытых слоев, тем более глубокие и взвешенные суждения она генерирует. Логику решений многослойной нейросети практически невозможно отследить, по сути, мы не знаем, как было принято то или иное решение системы.

Проблемы и решения

Искусственные нейронные сети используют для выполнения многих задач, однако нейросети — не панацея. У технологии, в отличие от гипотетического универсального искусственного интеллекта, есть ограничения. «Черный ящик» скрытых слоев нейросети практически невозможно отследить.

Основная проблема нейросетей на сегодня, причем проблема, решения которой в ближайшем времени ожидать не приходится, — это отсутствие полноценной интерпретируемости. «Нейронные сети — это своего рода «черный ящик», который может выдавать правильный ответ, опираясь на прецеденты. Однако не все задачи допускают использование черных ящиков. Вы можете обучить нейросеть на 100000 прецедентах. Затем еще на 20000 определить частоту ошибки и погрешность в ее работе. Но вы не можете узнать, почему нейросеть приняла то ли иное решение. Если ваша задача допускает отсутствие интерпретируемости – например, нужно, чтобы сеть определила, что на изображении – то такой механизм вам подходит. Гораздо важнее уменьшать вероятность ошибки, чем точно знать, почему сеть решила, что на изображении собака, а не стул. Если же вам принципиально знать «почему» — например, вы оцениваете качество производства – то ответ «товар будет бракованным с вероятностью 80%» вам не годится. А понять, почему сеть определила результат именно брак и именно с такой степенью вероятности, вы не сможете. Поэтому для таких задач эффективнее использовать другие алгоритмы, например деревья решений или линейные модели», -объясняет Дмитрий Буслов, менеджер направления инновационных разработок АО «БДО Юникон Бизнес Солюшнс».

«Нейросети как одно из воплощений искусственного интеллекта сейчас, на мой взгляд, используют широко и полно», — отмечает Виталий Дунин-Барковский, д. ф.-м. н., профессор, заведующий отделом нейроинформатики Центра оптико-нейронных технологий НИИ Системных исследований РАН, член отраслевого союза «Нейронет».

Нейросети сегодня

Сегодня нейронные сети нашли широкое применение. С помощью обучаемых алгоритмов делают сложные расчеты, распознают текст и изображения, прогнозируют и ищут совпадения или странности в различных данных. “И если самые первые проекты были больше ориентированы на развлечения, то сейчас все чаще эти технологии используются для решения вполне конкретных бизнес-задач”, — подтверждает Вадим Шемаров, сооснователь сервиса shikari.do.

Нейросети Google работают в нескольких направлениях. Так, сервис Google Translate стал “умнее” с осени прошлого года — для перевода компания подключила нейросеть с глубинным обучением. Нейросеть переводит слова не по отдельности, а целыми предложениями, учитывает контекст.

Сбербанк используем нейронную сеть “Алгоритм” для анализа неструктурированных данных и планирует привлечь искусственный интеллект для автоматизации call-центров, чат-ботов, мессенджеров, систем дополненной реальности для голосовых ассистентов, а также использовать для генерации исковых заявлений.

«СберТех» (дочерняя IT-компания Сбербанка) планирует в 2018 году запустить новую банковскую платформу с нейросетью, отдельные компоненты этой платформы внедряются уже сейчас.

Нейронная сеть — понимает наши вкусы. Алгоритм Brain составляет рекомендации для пользователей YouTube. 70% видео, просматриваемых на сайте, люди нашли благодаря этим рекомендациям.

Беспилотные автомобили способны “видеть” дорогу, пилотировать и подстраиваться под движение транспортного потока за счет работы нейронной сети.

Кажется, что партнерство человека и искусственного мозга — это будущее, которое вот-вот настанет. Главы стран пророчат владельцу ИИ господство над всем миром. «Возможно, универсальный искусственный интеллект уже кто-то создал, но пока держит в секрете», — предполагает Виталий Дунин-Барковский. Но пока очевидно одно — нейросети — вполне освоенный рабочий инструмент, который поможет в создании ИИ высокого уровня. Поживем — увидим.

Читать также: 

Машинное обучение: проблемы и перспективы

Японские ученые: как искусственный интеллект изменит общество