Нейронные сети для чайников: искусственный интеллект против человеческого разума — все про apple устройства

Разум и чувства. Когда искусственный интеллект превзойдет человека | Технологии

Нейронные сети для чайников: искусственный интеллект против человеческого разума — все про apple устройства

Самым главным свойством персептрона было так называемое обратное распространение ошибки. Это поле элементов (узлов), связанных друг с другом в сеть (матрица). Первоначально они одинаково реагируют на входящий сигнал — например оставляют его таким, как он был.

Но допустим, мы хотим научить персептрон отличать буквы друг от друга. Мы подаем на вход то А, то Б, то Г в случайном порядке. Модель изначально не знает ничего ни про один из объектов, но ей дается обратная связь, по которой создается функция ошибки, определяющая, сильно ли ошиблась модель.

В случае угадывания буквы функция выдает ноль (это значит, что ошибки нет). По мере того, насколько далек персептрон от правильного ответа, значение функции увеличивается. Сигнал об ошибке подается обратно на вход, что приводит к коррекции модели: у узлов в матрице менялись веса.

В итоге персептрон запоминал свое состояние при определенных наборах входных объектов, то есть обучался.

Термин «обучение модели», к собственно обучению не имел никакого отношения. На самом деле, состояние модели приходило к равновесию после нескольких циклов обратного распространения ошибки.

Также маятник приходит к равновесию после того, как его раскачали. Но сам факт, что модель могла запоминать свое состояние и оставаться в нем, похож на процесс обучения человека.

Модель показалась ученым интересной и позже легла в основу первой нейронной сети.

Дальнейшее развитие теории нейросетей переживало многочисленные взлеты и падения на протяжении десятилетий.

Среди наиболее известных открытий были первая модель искусственного интеллекта — Logic Theorist (LT, «логический теоретик»), изобретенная в 1956 году Алленом Ньюуэлом и Гербертом Саймоном, и «Элиза» — программа, поддерживающая разговор на английском языке на любую тему, созданная в 1965 году Джозефом Вайзенбаумом.

Однако оказалось, что компьютерные возможности того времени не позволяли применять нейронные сети для более практических целей. В частности, для распознавания техники вероятного противника, на что так надеялись военные.

На 1990-е годы пришелся новый расцвет нейросетей. Достижения исследователей в области Data Mining (извлечения данных), машинного понимания и перевода языка, компьютерного зрения и других областях снова сделали актуальными изучение возможностей искусственного интеллекта.

Развитие скорости процессоров и снижение стоимости памяти дали ученым возможность обучать нейросети быстрее и на более или менее реальных задачах. Но оказалось, что данных и ресурсов для обучения было мало, нейросети были «недостаточно разумны» — выдавали большой процент ошибок.

Поэтому они нашли применение в специализированных задачах, например, распознавании символов, а общий интерес к искусственному интеллекту снова упал.

Нейроны человека и нейросети

Имеют ли нейросети какое-то отношение к нейронам в голове человека и можно ли называть их интеллектом?

Современное представление о процессе мышления человека основывается на том, что нейроны в коре головного мозга могут связываться друг с другом своими отростками-аксонами, периодически получая от «соседей» сигналы и переходя из базового в возбужденное состояние. В головном мозге человека насчитывается около 85—86 млрд нейронов, и один нейрон может иметь связи со многими (до 20 тысяч) другими нейронами. Тот факт, что эта структура способна мыслить, всегда привлекал внимание ученых.

Термин «искусственный интеллект» («artificial intelligence») был изобретен и впервые озвучен в 1956 году американским ученым Джоном Маккарти. В описание модели персептрона, о которой было рассказано выше, уже в 50-х – 60-х были введены статистические понятия узлов, сети и весов, и эти узлы под влиянием работ того времени по изучению человеческого мозга назвали нейронами.

В ходе развития искусственного интеллекта появилось множество типов сетей. В нашем мозге происходят одновременно и процессы распознавания образов, и текста, и картинок, и все это откладывается в памяти.

Компьютерные же нейросети не столь универсальны: пришлось придумывать разные виды, каждый из которых лучше всего приспособлен для своей задачи: сверточные — в основном используются для анализа изображений, рекуррентные — для анализа динамических изменений, автокодировщики — для классификаций (например, для распознавания букв, символов), кодировщики-декодировщики — для выявления ключевых характеристик объекта, соревновательные нейросети — для порождения новых объектов, и специальные ячейки памяти (LTSM) — для запоминания и хранения информации.

Параллельно с типами нейросетей появилась и идея создания многослойных нейросетей, когда один слой одинаковых нейронов является входом для другого слоя. Позже также стали объединять разные типы слоев в одной модели, и все это с целью приблизить нейросети по уровню понимания к интеллекту человека.

Наши дни

Текущее внимание к нейросетям и активное использование термина «искусственный интеллект» обязано впечатляющим результатам, которых удалось добиться с переносом вычислений на видеокарты.

Каждая из них содержит гораздо больше вычислительных ядер, чем центральный процессор, а также собственную память — это привело к ускорению обучения нейросетей в сотни раз по сравнению с обычными процессорами.

Второй причиной нового витка в области AI стало возникновение огромных объемов данных для обучения.

Сейчас крупнейшие компании мира зарабатывают за счет нейросетей: соцсети (и их партнеры, как печально известная Cambridge Analitica) таргетируют рекламу при помощи аналитики, Nvidia и другие разработчики создают платформы для использования в автомобилях—автопилотах, способных качественно распознавать знаки и пешеходов на дорогах и реагировать на ситуацию. Однако ИИ применяют и в ближайшее время будут применять в основном для юридически не обязывающих действий. Они могут предупредить о появлении незнакомого лица на объекте или мошенника-рецидивиста в банке, упростят вождение, но не возьмут на себя ответственность за финальное решение.

Можно ли считать нейросети, служащие основой для решения задач классификации информации, искусственным интеллектом? Понять это можно, ответив на простой вопрос — может ли искусственный интеллект существовать и эффективно работать без естественного.

Ответ — нет, потому что для решения любой задачи именно человек настраивает параметры нейросети для получения адекватных результатов. Грубо говоря, для решения каждой задачи выбирается своя архитектура нейросети.

Ситуация, когда ИИ будет самостоятельно решать, какую нейросеть создать для решения конкретной задачи, пока даже не просматривается на горизонте.

Несмотря на то, что ИИ все-таки смог обыграть человека в шахматы, сейчас, как и несколько веков назад за каждой машиной, обыгрывающей человека, скрываются люди, создавшие ее.

Сплести нейросети: искусственный разум свяжут с мозгом человека

Нейронные сети для чайников: искусственный интеллект против человеческого разума — все про apple устройства

Нейросети глубокого обучения помогут не только расшифровать принципы деятельности мозга человека, но и наладить с ним постоянную связь. Такую идею разрабатывают сейчас в лаборатории нейрокомпьютерных интерфейсов МГУ им. М.В. Ломоносова.

Для начала ученые хотят загрузить в компьютер как можно больше электроэнцефалограмм (ЭЭГ) и поставить перед нейросетями задачу обнаружить отличия в них при простых командах — например, повернуть направо/налево.

Если связь между искусственным и человеческим интеллектами будет установлена, люди смогут оперировать в тысячи раз большими объемами информации, при этом не нарушая обусловленные человеческой природой естественные проявления чувств, эмоций и сознания.

Не уменьем, а числом

Попытки расшифровать команды человеческого мозга до сих пор были сведены лишь к увеличению количества электродов, которые ученые пытаются имплантировать в мозг.

Даже Илон Маск, выступая недавно на презентации достижений проекта «Нейролинк», рассказывал о совершенствовании технологии множественного вживления электродов в мозг, чтобы регистрировать активность десятков тысяч нервных клеток.

Однако руководитель лаборатории нейрофизиологии и нейрокомпьютерных интерфейсов биологического факультета МГУ им. М.В. Ломоносова, профессор Александр Каплан считает, что эти попытки вряд ли позволят расшифровать команды мозга и получить качественно новые знания о механизмах его работы.

— Что даст регистрация десятков тысяч нейронов, если только у крыс их 200 млн, а у человека более 86 млрд? — задался он вопросом.

Ученый считает, что здесь нужен новый подход, ориентированный на взаимную коммуникацию между мозгом и вычислительными системами.

Это вполне возможно, если коммуникационный канал будет строиться одновременно с двух сторон: от мозга на основе его умения «прислушиваться» к запросам внешней среды и от компьютера с модулями искусственного интеллекта, способными научиться распознавать команды мозга.

Специфический язык общения

Практическая реализация данного подхода состоит в том, чтобы перед мозгом и искусственной нейронной сетью (ИНС) поставить единую задачу: подстроиться друг под друга, чтобы формировать и принимать понятные для обеих сторон команды. Для ИНС это типовая задача на распознавание образов. Только образами выступают не номера автомобилей и не лица преступников, а показатели ЭЭГ, в которых отражаются намерения человека.

Новизна проекта заключается в том, что результаты работы нейросети будут в каком-то виде сообщать мозгу, который в свою очередь станет перестраивать свою активность, чтобы становиться все более понятным для компьютера. В результате может случиться невероятное –– между мозгом и компьютером без вмешательства исследователей выработается специфический язык общения.

Эксперимент состоит в следующем. На вход нейросети будут подавать ЭЭГ, записанные у испытуемых. Например, когда они представляют движение своей левой или правой руки. Задача ИНС — найти различия.

Исходно их может даже не быть, но поскольку мозг и нейросеть заинтересованы получить результат — мозг будет перебирать возможности (изменять ЭЭГ) стать понятным ИНС, а она перестроит свою структуру, чтобы оценить эти усилия.

Важно, что в ходе тренировки по мере обучения ИНС впервые в мире сама по себе станет объектом фундаментального нейрофизиологического исследования.

Ведь не будучи ангажированной «знаниями» о природе и феноменологии ЭЭГ, о разных альфа-бета-ритмах, обученная различать состояния мозга, нейросеть будет содержать в себе найденные ей самой признаки ЭЭГ, по которым она делает правильные выводы, — то есть, например, отличить поворот направо от поворота налево.

Это и будет наиболее интересным для нейрофизиологов, которые в данном случае придут «на готовое». Впервые важные признаки ЭЭГ будут найдены не лабораторными анализами, а в процессе взаимодействия на линии «мозг — искусственный интеллект».

— Уже не будет резона исследователям «вручную» выбирать взятые из учебников показатели ЭЭГ, например, пресловутый альфа-ритм, чтобы построить на них команды от мозга к исполнительным системам, — пояснил Александр Каплан.

— Сейчас такой выбор выглядит противоестественным, — ведь тот же альфа-ритм в ЭЭГ наверняка отражает какой-то важный мозговой процесс и заставлять этот процесс работать в качестве мозговых команд, все равно, что использовать давление в паровом котле для передачи сообщения в коде Морзе.

А если дать возможность мозгу самостоятельно «договориться» с нейросетью, какие именно признаки ЭЭГ могут быть использованы в качестве команд, то будет получен настоящий канал связи между двумя интеллектами.

Не конкурент, а помощник

При успешной реализации идеи наладить прямой канал связи между ИНС и мозгом перед человеком откроются совершенно новые возможности: к примеру, можно будет рассчитывать на управление ячейками процессоров в качестве дополнительной памяти и для размещения в них наиболее трудных для мозга переборных операций.

По мнению директора Института перспективных исследований мозга МГУ имени М. В. Ломоносова, члена-корреспондента РАН Константина Анохина, такой эксперимент может принести масштабные результаты.

— Искусственные нейросети открывают необычайные возможности для нейронауки. Если в медицине они способны диагностировать заболевания, то в активности мозга они обучаются распознавать внутреннюю речь, образы, движения, даже намерения к ним, — подчеркнул он.

— Однако это только одна сторона разворачивающейся сегодня истории — использовать обучаемость искусственной сети для распознавания намерений у естественной. Но естественная нейронная сеть тоже способна к обучению.

Оригинальная идея профессора Каплана, реализуемая сейчас в его лаборатории, состоит в том, чтобы замкнуть эти две обучающиеся сети в кольцо с постоянной обратной связью друг с другом. Я не видел еще работ с подобным замыслом.

В том, что у этой идеи большое будущее, уверен и научный руководитель Центра биоэлектрических интерфейсов Института когнитивных нейронаук НИУ ВШЭ, старший научный сотрудник Центра нейроинженерии Университета Дьюка (США) Михаил Лебедев.

— Особенно интересна идея взаимодействия искусственного интеллекта с активностью мозга, — ведь такой интеллект сможет подобрать наиболее подходящие для интерфейса зрительные (и, потенциально, слуховые и тактильные) стимулы, — отметил эксперт. — Качество считывания мыслей несомненно улучшится. Такие нейроинтерфейсы будут очень полезны в медицине — для восстановления функций у больных с неврологическими поражениями и для ускорения их реабилитации.

Если российским ученым удастся наладить устойчивый канал связи, искусственный интеллект станет не конкурентом, а помощником мозгу человека, который обеспечит его творческий потенциал огромной памятью и быстродействием.

Человека на этом пути ждут не только новые фундаментальные открытия, но и значительное расширение его возможностей. Он сможет мгновенно подключаться к разным языковым базам, что даст ему возможность говорить на любых языках без длительного обучения, оперировать в тысячи раз большими объемами информации.

При этом человек останется человеком. Фантасмагорическая идея порабощения его искусственным интеллектом навсегда уйдет в прошлое.

Нейронные сети | искусственный интеллект

Нейронные сети для чайников: искусственный интеллект против человеческого разума — все про apple устройства

Еще одна область исследований в области искусственного интеллекта — это нейронные сети. Они были разработаны по подобию естественных нейронных сетей нервной системы человека.

Искусственные нейронные сети

Изобретатель первого нейрокомпьютера, доктор Роберт Хехт-Нильсен, дал следующее понятие нейронной сети: «Нейронная сеть — это вычислительная система, состоящая из ряда простых, сильно взаимосвязанных элементов обработки, которые обрабатывают информацию путем их динамического реагирования на внешние воздействия».

Базовая структура искусственных нейронных сетей (ИНС)

Идея ИНС базируется на убеждении, что можно имитировать работу мозга человека, создав нужные связи с помощью кремния и проводов таких как у живых нейронов и дендритов.

Человеческий мозг состоит из 100 миллиардов нервных клеток, называемых нейронами. Они связаны с другими тысячами клеток Аксонами. Раздражители из внешней среды или сигналы от органов чувств принимаются дендритами.

Эти входные сигналы создают электрические импульсы, которые быстро перемещаются через нейросеть.

Затем нейрон может посылать сообщения на другие нейроны, которые могут отправить это сообщение дальше или могут вообще ее не отправлять.

Искусственные нейронные сети состоят из нескольких узлов, которые имитируют биологические нейроны человеческого мозга. Нейроны соединены между собой и взаимодействуют друг с другом. Узлы могут принимать входные данные и выполнять простейшие операции над данными. В результате этих операций данные передаются другим нейронам. Выходные данные для каждого узла называются его активацией.

Каждое звено связано с весом. ИНС способны к обучению, которое осуществляется путем изменения значения веса. На следующем рисунке показана простая ИНС:

Типы искусственных нейронных сетей

Есть два типа искусственных нейронных сетевых топологий — с прямой связью и обратной связью.

Нейронные сети с прямой связью

Поток информации является однонаправленным. Блок передает информацию на другие единицы, от которых он не получает никакой информации. Нет петли обратной связи. Они имеют фиксированные входы и выходы.

Нейронные сети с обратной связью

Здесь, допускаются петли обратной связи.

Как работают искусственные нейронные сети

В топологии показаны схемы, каждая стрелка представляет собой связь между двумя нейронами и указывает путь для потока информации. Каждая связь имеет вес, целое число, которое контролирует сигнал между двумя нейронами.

Если сеть создает «хороший» и «нужный» выход, то нет необходимости корректировать вес. Однако если сеть создает «плохой» или «нежелательный» вывод или ошибку, то система корректирует свои весовые коэффициенты для улучшения последующих результатов.

Машинное обучение в искусственных нейронных сетях

ИНС способны к обучению, и они должны быть обучены. Существует несколько стратегий обучения

Обучение — включает в себя учителя, который подает в сеть обучающую выборку на которые учитель знает ответы. Сеть сравнивает свои результаты с ответами учителя и корректирует свои весовые коэффициенты.

Обучение без учителя — это необходимо, когда нет обучающей выборки с известными ответами. Например в задачах кластеризации, т.е. деления множества элементов на группы по каким-то критериям.

Обучение с подкреплением — эта стратегия, построенная на наблюдении. Сеть принимает решение наблюдая за своим окружением. Если наблюдение является отрицательным, сеть корректирует свои веса, чтобы иметь возможность делать разные необходимые решения.

Алгоритм обратного распространения

Подробное об этом способе обучения нейронной сети можно прочитать тут метод обратного распространения ошибки.

Байесовские сети (БС)

Эти графические структуры для представления вероятностных отношений между набором случайных переменных.

В этих сетях каждый узел представляет собой случайную переменную с конкретными предложениями. Например, в медицинской диагностике, узел Рак представляет собой предложение, что пациент имеет рак.

Ребра, соединяющие узлы представляют собой вероятностные зависимости между этими случайными величинами. Если из двух узлов, один влияет на другой узел, то они должны быть связаны напрямую. Сила связи между переменными количественно определяется вероятностью, которая связан с каждым узлом.

Есть только ограничение на дугах в БН, вы не можете вернуться обратно к узле просто следуя по направлению дуги. Отсюда БНС называют ациклическим графом.

Структура БН идеально подходит для объединения знаний и наблюдаемых данных. БН могут быть использованы, чтобы узнать причинно-следственные связи и понимать различные проблемы и предсказывать будущее, даже в случае отсутствия данных.

Где используются нейронные сети

  • Они способны выполнять задачи, которые просты для человека, но затруднительны для машин:
  • Аэрокосмические — автопилот самолета;
  • Автомобильные — автомобильные системы наведения;
  • Военные — сопровождение цели, автопилот, распознавание сигнала/изображения;
  • Электроника — прогнозирование, анализ неисправностей, машинное зрение, синтез голоса;
  • Финансовые — оценка недвижимости, кредитные консультанты, ипотека, портфель торговой компании и др.
  • Обработка сигнала — нейронные сети могут быть обучены для обработки звукового сигнала.

искусственные нейронные сети

Зачем Apple искусственный интеллект, машинное обучение и нейронные сети

Нейронные сети для чайников: искусственный интеллект против человеческого разума — все про apple устройства

Во многих материалах на нашем и других сайтах, на официальной странице Apple и прочих ресурсах то и дело упоминаются машинное обучение и искусственный интеллект.

Тем не менее, подавляющее большинство читателей не осознают особенности этих терминов и либо приписывают им мистические свойства, либо просто пропускают мимо.

Чтобы расставить все на свои места, мы решили провести масштабный ликбез, который должен ответить на ключевые вопросы и, надеемся, не вызовет большого количества дополнительных.

Мы только ждем бум искусственного интеллекта

Большинство называет искусственный интеллект будущим, многие сравнивают ИИ с научной фантастикой, а некоторые даже считают его полноценной частью нашей жизни.

Каждое из этих утверждений верно по-своему. В данном случае все зависит только от точки зрения. Нужно просто объяснить самому себе, что же вообще такое этот искусственный интеллект.

Некоторое время тому назад компьютерная программа Google DeepMind AlphaGo обыграла профессионала Ли Седола из Южной Кореи в азиатскую стратегическую настолку го.

А до этого аналогичные программы уже обходили профессиональных игроков в шахматы. Для этого они анализировали все возможные ходы и выбирали наиболее удачные.

Работы подобного софта стала возможной благодаря искусственному интеллекту, машинному и глубокому обучению. Второе понятие в данном случае — часть первого, а третье — часть второго.

Машинное обучение — часть искусственного интеллекта. А глубокое обучение — часть машинного.

Впервые об искусственном интеллекте заговорили на Дартмутских конференциях в 1956 году. Именно середину прошлого века принято считать временем рождения этого направления.

С того времени ИИ считали далеким будущим человечества, которое многие считали достаточно светлым, а некоторые — началом конца нашего рода по сценарию Терминатора.

D 2012-2017 годах случился переворот в понимании искусственного интеллекта, причиной которого оказался рост производительности современных вычислительных систем.

Кроме увеличения скорости работы современных процессоров на развитие ИИ повлияло распространение баз со снимками и другим контентом. Но обо всем по порядку.

Искусственный интеллект, который подражает нашему

Подражание человеку на базе ИИ

В середине прошлого века энтузиасты считали, что для создания искусственного интеллекта необходимо создать железную копию человеческого организма.

Копия должна обладать аналогами наших органов чувств и даже рассудком — примерно эта концепция обыгрывается и в фильме Бегущий по лезвию 2049.

Репликантов можно убивать. Они холодны и бессердечно жестоки. Они неспособны к эмпатии — это именно то, на чём их ловит тест — им всё равно. (Грегг Рикман, 1981)

Этот подход до сегодняшнего дня так и остался только лишь в фильмах. До создания копий людей технологии так быстро не дошли. Думаю, это к лучшему.

Тем не менее, нам уже под силу создать технологии, которые будут выполнять не все человеческие функции, но хотя бы их часть. И делать это более качественно, чем люди.

По этому принципу работает сортировка снимков по изображенных на них людях в фотографиях, которую активно использует Apple, или классификация картинок по содержанию в Pinterest.

Существование описанных выше технологий стало возможным благодаря использованию, так называемого, машинного обучения, которое и дало толчок развития ИИ.

В машинном обучении используются алгоритмы обработки и анализа данных, после чего происходит принятие того или иного решения — совершение наиболее оптимального выбора.

С помощью машинного обучения программное обеспечение не заставляют выполнять задачу по конкретному принципу, но учиться делать это самостоятельно.

Именно с помощью него Apple добилась правильной работы портретного режима, который появился в iOS 10, и совершенствует портретное освещение из iOS 11.

Машинное обучение оказалось ключом к развитию ИИ

Режимы съемки, основанные на машинном обучении

Именно машинное обучение оказалось главным толчком к развитию того, что сегодня принято называть искусственным интеллектом — по крайней мере, сегодня считают именно так.

Когда человек только рождается, он не знает об окружающем мире ровным счетом ничего. Он не умеет просто ходить — речь в данном случае не идет даже об общении с себеподобными.

Но он активно учится и поглощает всю получаемую с самых разных сторон информацию не худе какой-нибудь губки. Впитывает, пропускает через себя и становится умнее.

Постепенно человек учится самым невероятным вещам. Он садится за руль автомобиля и не врезается в другие машины в потоке, лихо крутит педали двухколесного велосипеда и даже не падает.

За десятки лет специалисты в отрасли искусственного интеллекта пришли к выводу, что создать подобие нашего разума даже для выполнения узкой задачи невозможно.

Тем не менее, можно разработать программу, которая будет обучаться. Тогда с течением времени она будет становиться все более полезной.

Возникает еще один вопрос — проблема со скоростью обучения. Каким образом сделать так, чтобы программа становилась умнее не за годы, а за месяцы.

Ее актуальность закономерна. Человечество развивается настолько интенсивно, что даже через пару лет в какой-то технологии не будет никакого смысла — о десятках даже речи не идет.

И наиболее эффективное решение в данном случае в 2017 году становится основным конкурентным преимуществом на мировой арене — по крайней мере, в пользовательской электронике точно.

Как работают нейронные сети и глубокое обучение

Современная производительность, которая открыла путь к развитию нейронных сетей

Ответом на поставленный чуть выше вопрос оказалось алгоритмическое решение, которое в итоге назвали нейронными сетями.

Они основаны на наших биологических знаниях о строении человеческого мозга и связях между его отдельными нейронами — только в дискретном пространстве.

С помощью этой системы можно взять, например, фотографию кота, разрезать ее на отдельные части и отправить по уровням сети. Потом повторить тоже самое с еще одной и так далее.

Аналогичный принцип для теста собственного нейронного механизма использовала компания Google, которой удалось натренировать системы отбирать видео с кошками в .

Каждый нейрон в сети в данном случае анализирует полученные данные и сравнивает с заученными аналогами, которые были скормлены ему ранее.

Чем больше сходство, тем выше вероятность того, что в кадре действительно присутствует кот. А в сумме нейронная сеть может дать ответ на этот вопрос с большой точностью.

До относительно недавнего времени нейтронные сети просто игнорировались. Они были вполне реальными еще в прошлом веке, но толку от них было не так много.

А все потому, что еще несколько лет тому назад производительные системы, которые могли бы работать в нейронными сетями, были крайне дорогими. А данные в необходимом числе недоступными.

Но в итоге ученые смогли расширить нейронными сети до невероятных размеров, сделали приемлемой скорость работы и скормили им тонны контента. Так появилось глубокое обучение.

Будущее Apple зависит именно от нейронных сетей

Безграничность новых технологий, основанных на ИИ

Возвращаемся к компании Apple, которую продолжают ругать за отсутствие инноваций. И делаем далеко не самый очевидный вывод — а ругают-то производителя зря.

А все дело в том, что будущее пользовательской электроники сегодня зависит отменно от ИИ, который сегодня ассоциирует с понятием нейронный сетей.

Подавляющее большинство действительно интересных технологий, которыми мы пользуемся завязано именно на нейронных сетях — с этим невозможно спорить.

Мы уже говорили о портретном режиме с его новым модным освещением, сортировке фотографий в галерее и так далее. Но это только начало.

Технология распознавания лиц в Face ID тоже базируется именно на этом принципе. Конечно, технологии прямиком из Kinect, который когда-то разрабатывала Microsoft тоже в теме, но они — не все.

Если бы Apple не научила сканер лица отличать настоящих людей от фото и макетов, грош цена была бы всей затее отказываться от привычного нам отпечатка пальцев Touch ID.

И аналогичная ситуация с изменениями нашей внешности во времени — то борода отрастет во все лицо, то очки перед разблокировкой не снимешь или челку со лба не уберешь.

Все эти изменения искусственный интеллект обрабатывает на основании нейронных сетей, который продолжают учить, скармливая ему миллионы фотографий.

И на ИИ ставят не только в Apple. Многие технологии новых Google Pixel также завязаны на нейронных сетях — даже портретный режим с помощью одной камеры. Нет сомнений — все это только начало.

Поставьте оценку:

(Нет )

Искусственный интеллект, нейронные сети и машинное обучение | Блог Mail.Ru Cloud Solutions

Нейронные сети для чайников: искусственный интеллект против человеческого разума — все про apple устройства

Искусственный интеллект (ИИ) сейчас на волне хайпа и, в отличие от блокчейна, падения интереса к теме пока не наблюдается.

Это значит, что нас продолжат бомбардировать удивительными сообщениями из мира ИИ – то вселять надежду на скорое всеобщее благоденствие, то пугать апокалипсисом восстания машин в духе Терминатора.

Чем отличается нейросеть от искусственного интеллекта и как же разобраться: где маркетинговая чепуха, а где настоящие достижения и реальные угрозы?

Если вы попробуете самостоятельно разобраться и для начала откроете Википедию на статье, например, про перцептрон, то скорее всего вас ждет разочарование – вроде и по-русски написано, но ничего не понятно! Если только вам не повезло изучать математику в университете, но тогда и заметка вам не нужна.

Тем не менее, опираясь на здравый смысл, даже из беглого просмотра статей по ИИ в Википедии один полезный вывод можно сделать сразу.

Искусственный интеллект и нейронные сети, однослойные и многослойные, сверточные и рекуррентные, обучение с учителем и без, глубокое и неглубокое – это все чертовски сложно! Значит, должно быть очень мало людей, которые действительно разбираются в предмете, и еще меньше тех, кто может применить математические абстракции на практике.

Отсюда следует, что большинство «экспертов в области ИИ» на самом деле таковыми не являются, – их просто не может столько быть физически, поэтому весьма высок риск нарваться на шарлатанов или далеких от жизни романтиков (что может быть и хуже). Будьте осторожны, лапши для ушей по теме ИИ на рынке фантастически много!

Нейросеть и искусственный интеллект: разница есть, или это одно и то же?

Строго говоря, есть. Существует множество концепций и попыток реализации ИИ. Термин artificial intelligence (AI) был впервые предложен в 1956 году в Стэнфорде и относится к широкой области научных исследований по созданию разумных машин.

Первый «подход к снаряду» по созданию искусственного интеллекта на основе нейронных сетей в 70-80-х годах XX века потерпел фиаско, в основном из-за недостаточности вычислительных мощностей.

С тех пор попытки не прекращаются, но о полном успехе говорить рано.

Нейросеть – это не искусственный интеллект, но сейчас именно они захватили всеобщее внимание. Теперь если какой-то стартап или мегакорпорация говорит о применении в своих решениях искусственного интеллекта, то с вероятностью, очень близкой к 100%, они подразумевают нейросети.

Машинное обучение и нейронные сети: разница в контексте маркетинга неочевидна

Когда кто-то загадочным тоном произносит слова «machine learning», то он имеет в виду обучение нейронной сети на основе статистической выборки, то есть, слова «нейросеть» и «машинное обучение» в маркетинговом контексте можно считать синонимами.

Методов обучения и архитектур сетей разработано огромное количество, так что неспециалисту оценить преимущества того или иного подхода нет никакой возможности.

Как же быть? Бизнесу следует держать в уме, что не все нейросети одинаково полезны для решения конкретных задач, поэтому к выбору партнера надо подходить очень тщательно – так же, как к выбору стоматолога, а то потом обойдется себе дороже.

А что же тогда deep learning? Глубокое обучение – это разновидность машинного обучения, причем четкой границы между ними не существует. Пишут, что глубокое обучение имитирует абстрактное мышление человека. Чушь, не верьте.

Ибо механизм мышления достоверно не изучен. Никакой магии в глубоком обучении нет, работает просто статистика – но действительно, не всегда понятно, как обученная нейросеть приходит к своим выводам.

И еще не факт, что все ее решения правильные.

Говорит профессор ВШЭ, Константин Воронцов, один из настоящих экспертов в области ИИ: «Я считаю, что слово “глубинное” имеет в русском языке другой смысл: глубинным бывает залегание нефти, бомбометание, отложение и т. д. “Глубокое” – это более математичный термин, потому что суперпозиция функций может быть глубокой, но не глубинной, а нейронная сеть – это именно суперпозиция функций». Так что не путайте, говорите правильно!

Кстати, по-русски было бы логичнее говорить «обучение машин», что передает суть процесса – обучение нейросети. Но прижилось странное словосочетание «машинное обучение». Чем непонятнее, тем дороже.

Для наглядности вышесказанное можно представить в виде картинки: сначала возникло широкое научное направление «искусственный интеллект», потом внутри него появились искусственные нейронные сети (ИНС), которые ассоциировались с термином «машинное обучение». Как частный случай можно рассматривать нейронные сети глубокого обучения.

Котик или собачка? Применение сверточных нейросетей для компьютерного зрения

Компьютер Deep Blue стоимостью в $10 млн, в котором было 480 специализированных шахматных процессоров и 30 обычных, обыграл чемпиона мира Каспарова еще в 1997 году. Но простая задача, с которой справляется маленький ребенок, – отличить котика от собачки – долго была машинам не под силу. Пока на сцену не вышли сверточные нейронные сети.

Дело, конечно, не в котиках – хотя по количеству публикаций на эту тему может сложиться мнение, что распознавание котиков и есть главная задача современной науки.

На самом деле программисты и математики решали проблему компьютерного зрения, чтобы научить машины «видеть» с помощью нейронных сетей. Это нужно в робототехнике, беспилотных автомобилях, медицинской диагностике, системах безопасности и много еще где.

А котики – ну просто так повелось, это был один из первых примеров на распознавание образов.

Нейронные сети, искусственный интеллект, машинное обучение: что это на самом деле?

Нейронные сети для чайников: искусственный интеллект против человеческого разума — все про apple устройства

Когда приложение уверяет вас, что работает на «искусственном интеллекте», на минутку кажется, что вы в будущем. Но что это на самом деле означает? Мы разбрасываемся громкими словечками — искусственный интеллект, машинное обучение, нейронные сети — но что они на самом деле означают и действительно ли помогают улучшать приложения?

Совсем недавно Google и Microsoft добавили обучение нейронных сетей в свои приложения перевода. Google утверждает, что использует машинное обучение, предлагая списки воспроизведения. Todoist говорит, что использует ИИ, чтобы предположить, когда вы должны закончить задачу. Any.

do заявляет, что ее искусственный интеллект может делать некоторые задачи вместо вас. И все это было только на прошлой неделе. Часть маркетинговых уловок звучит впечатляюще и остается уловками, но иногда изменения, бесспорно, полезны.

«Искусственный интеллект», «машинное обучение» и «нейронные сети» — все это описывает способы, которые используют компьютеры, чтобы выполнять более серьезные задачи и обучаться в процессе этого.

И хотя вы, возможно, слышали, что разработчики приложений берут на вооружение системы других, на практике они очень отличаются.

Нейронные сети анализируют сложные данные, имитируя человеческий мозг

Искусственные нейронные сети (ИНС, или просто «нейронные сети») относятся к определенному типу модели обучения, которая эмулирует принцип работы синапсов в вашем мозге.

Традиционные вычисления используют ряд логических операторов для выполнения задачи. Нейронные сети, с другой стороны, используют сеть узлов (которые действуют как нейроны) и аналогов синапсов (edge) для обработки данных.

Входные данные проходят через систему и генерируются выходные данные.

Затем выводы сравниваются с известными данными. Например, скажем, вы хотите обучить компьютер распознавать изображение собаки. Вы пропускаете миллионы изображений собак через сеть, чтобы увидеть, какие изображения она решит принять похожими на собак.

Затем человек подтверждает, какие изображения на самом деле являются собаками. Система отдает предпочтение пути в нейронной сети, который привел к правильному ответу.

Со временем и спустя миллионы итераций, эта сеть в конечном итоге повысит точность своих результатов.

Чтобы увидеть, как это работает в действии, вы можете попробовать эксперимент Google Quick Draw!. В данном случае Google обучает сеть узнавать «дудлы», быстрые наброски.

Она сравнивает рисунок, который вы рисуете с примерами, которые рисуют другие люди. Сеть обучается распознавать будущие дудлы на основании тех, что она видела в прошлом.

Даже если вы рисуете как пятилетний ребенок (вроде меня), сеть весьма быстро распознает простые формы — подлодки, растения, уток. Попробуйте, весело.

Нейронные сети не панацея, но они прекрасно справляются со сложными данными. Google и Microsoft используют нейронные сети, чтобы обучать свои приложения перевода, поскольку перевод языков — это сложно.

Мы часто видели плохие машинные переводы, но нейронные сети обучаются улучшать эти переводы, исходя из правильных переводов, с течением времени. То же самое происходит с переводом речи в текст.

После того как была представлена нейронная сеть, работающая с Google Voice, ошибки в переводах снизились на 49%. Эти системы не идеальны, но они работают над собой, и это главное.

Машинное обучение — это широкий термин, который охватывает все моменты, когда вы пытаетесь научить машину улучшаться самостоятельно.

В частности, это относится к любой системе, в которой производительность компьютера при выполнении задачи становится лучше только за счет большего опыта выполнения этой задачи.

Нейронные сети являются примером машинного обучения, но они не являются единственным способом обучения компьютера.

Например, один из альтернативных методов машинного обучения называется обучение с подкреплением. В этом методе компьютер выполняет задачу и затем оценивает ее результат.

Если, например, компьютер побеждает в шахматы, то он присваивает выигрышное значение серии ходов, которые использует во время игры.

Сыграв миллионы игр, система может определить, какие шаги, скорее всего, приведут к победе, основываясь на результатах предыдущих игр.

В то время как нейронные сети хороши для таких вещей, как распознавание образов на изображениях, другие типы машинного обучения могут быть более полезными для различных задач вроде определения вашей любимой музыки.

Google утверждает, что его музыкальное приложение найдет вам музыку, которую вы захотите послушать. Он делает это за счет анализа ваших предыдущих списков проигрывания. Если вам не понравится результат, машина расценит его как неудачу.

Но если вы выберете один из предложенных списков, она пометит это как успех и проанализирует победоносные ходы, которые привели ее к вашему сердцу.

В подобных случаях вы не получите полную выгоду от машинного обучения, если не будете часто использовать эту функцию. Когда вы откроете музыкальное приложение Google впервые, рекомендации будут, скорее всего, мимо кассы.

Но чем больше вы будете его использовать, тем лучше будут предложения. В теории, по крайней мере. Машинное обучение тоже не панацея.

Машинное обучение более расплывчатое понятие, чем нейронные сети, но из него также следует, что программное обеспечение, которое вы используете, будет опираться на ваши отзывы, чтобы улучшать свою производительность.

Искусственный интеллект — это пока всё с приставкой «умный»

Подобно тому, как нейронные сети представляют собой форму машинного обучения, машинное обучение является формой искусственного интеллекта. Но категория «искусственного интеллекта» пока так плохо определена, что это словосочетание не имеет практического смысла.

Да, оно вызывает в воображении картинки технологически развитого будущего, но в реальности мы еще и близко к нему не подобрались. Когда-то оптическое распознавание символов было слишком сложным для машины, но теперь приложение на телефоне может сканировать документы и превращать их в текст.

Называть это подвигом искусственного интеллекта как-то негоже.

Причина того, что базовые телефонные возможности можно считать искусственным интеллектом, в том, что на самом деле есть два типа ИИ. Слабый или узконаправленный ИИ описывает любую систему, предназначенную для выполнению узкого списка задач.

К примеру, Google Assistant или Siri, являясь довольно мощными ИИ, все же выполняют довольно узкий список задач. Они получают ые команды и возвращают ответы, либо запускают приложения.

Исследования в области искусственного интеллекта питают эти функции, но они считаются «слабыми».

В противоположность этому, сильный ИИ — известный также как общий искусственный интеллект, или «полный ИИ» — это система, способная выполнять любую человеческую задачу. И она не существует. Поэтому любое «умное» приложение — это все еще слабый искусственный интеллект.

И хотя смысл может быть весьма расплывчатым, практические исследования в области искусственного интеллекта настолько полезны, что, вероятно, уже вошли в вашу повседневную жизнь.

Каждый раз, когда ваш телефон автоматически запоминает, где вы припарковались, распознает лица на ваших фотографиях, получает поисковые предложения или автоматически группирует все ваши снимки с выходных, вы так или иначе касаетесь искусственного интеллекта.

В определенной степени «искусственный интеллект» на самом деле просто означает, что приложения будут чуть умнее, чем мы привыкли. Едва ли метка «ИИ» сейчас означает хоть что-нибудь внятное с практической точки зрения.

Поделиться:
Нет комментариев

    Добавить комментарий

    Ваш e-mail не будет опубликован. Все поля обязательны для заполнения.