Работу современных компьютеров отчасти можно назвать интеллектуальной. Машины рисуют картины и сочиняют романы, откликаются на «О’кей, Google» и успешно различают людей. «Умными» их делают специальные алгоритмы (есть и аппаратные реализации) – нейронные сети. «ИНверсия» разбирается, в чём их особенности и к чему может привести развитие искусственного интеллекта.

Фото: Андрей Пузанков

Познавать новое

Машинное обучение позволяет компьютеру работать с новой информацией. То есть не строить свои ответы на жёсткой логике, а «придумывать» их на основе накопленного опыта. 

Нейронные сети – это только один из методов машинного обучения. Однако в контексте искусственного интеллекта (ИИ) сегодня он упоминается чаще всего. Связано это с тем, что сети во многих случаях справляются с поставленными задачами лучше других известных алгоритмов: им принадлежат рекорды в распознавании речи и обнаружении объектов на изображении. 

В своей работе нейронные сети имитируют работу нашего мозга. Модель состоит из искусственных нейронов (в нашем случае – функций) и синапсов (связей между ними, механизмов пересылки сообщений). Машина получает большое количество данных и пытается их обработать, сравнивая свои решения с готовыми ответами. Если ответы оказываются неверными, логика меняется. 

Нейронные сети – это приближённая модель. Даже элементарная единица такой структуры – искусственный нейрон – пока не может выполнять все функции человеческого.

«Зоопарк» нейронных сетей

Полноценного искусственного интеллекта в ближайшее время мы не увидим. Существующие алгоритмы имитируют значительно меньшие системы. Для сравнения: в рядовых программах редко используется более ста тысяч нейронов, «прорывной» нейрочип IBM (SyNAPSE) содержит миллион, а головной мозг – 86 миллиардов! Для работы таких моделей не хватит производительности даже самых мощных компьютеров.

Учёные пошли в обход: вместо того, чтобы имитировать работу всего мозга, они создали множество различных нейронных сетей, ориентированных на разные задачи. 

Разрабатывать сеть для своих нужд не стоит. Сегодня уже достаточно много хороших инструментов, позволяющих научить ИИ практически чему угодно. Сложность обучения состоит в том, что программист должен придумать способ, как машине воспринимать подаваемую информацию. 

Зачем имитировать человека

Интерфейсы, имитирующие живое общение, вызывают у нас симпатию. Нейронные сети эксплуатируют этот когнитивный обман: уже существуют боты, способные поддерживать диалог. Правда, их пока нельзя назвать идеальными собеседниками. Однако иногда даже такие возможности позволяют создать успешный продукт. Этим пользуются создатели голосовых сервисов Siri, Cortrana, Google Now и им подобных.

Страшилки недалёкого будущего: чат, в котором можно использовать готовые ответы. Картинка кликабельна.

Спрос на человекоподобные системы находится даже в не самых очевидных областях. Компания DeepMind (на данный момент часть Google), среди прочих работ с нейронными сетями, учила их играть в консольные игры. «Таким образом можно заставить машину реалистичнее отзываться на действия игрока. В логике не будет строгих скриптов и правил: компьютер сам решит, как ему лучше действовать. Это повышает удовольствие от игры», – объясняет Александр Фёдоров (ВМ-21), который участвовал в хакатоне с решением такой же задачи в составе команды 5vision. 

Сверхразум

Появление человекоподобных интерфейсов – приятный побочный продукт. Машина, при всех своих недостатках, обладает и некоторыми достоинствами перед человеком, и эти достоинства надо использовать. «Важным развитием нейронных сетей является решение тех задач, в которых человек может ошибаться, что порой приводит к ужасающим последствиям», – считает доцент кафедры ВТ А.В. Туркин. Человек устаёт и становится невнимательным, поддаётся эмоциям – всё это ведёт к потерям: финансовым, или, что более страшно, людским. Одна из перспективных разработок, которая с большой вероятностью заменит человека в обозримом будущем, – беспилотные автомобили.

Беспилотный автомобиль от google. Фото: wikipedia

Важно и то, как люди и машины накапливают опыт. Человек делает это непрерывно в течение длительного времени (всей жизни). Компьютер получает не такую связную, но зато разнообразную и обширную базу знаний благодаря интернету. Эта разница лишает нейронную сеть возможности улавливать некоторые тонкости человеческого восприятия, но даёт ей узнать то, на что не все люди обращают внимание. Именно поэтому искусственные системы распознавания лиц работают в некоторых ситуациях (когда речь идёт о фронтальных снимках) лучше человека. В частности, в отличие от компьютера, мы с трудом идентифицируем людей других рас. Для описания этого явления в науке ввели специальный термин – cross-race effect. 

Неоспоримое преимущество машины – способность в кратчайший срок обработать большой (для человека) объём данных. Подобный «козырь в рукаве» позволил существовать FindFace – программе, позволяющей по фотографии найти пользователя социальной сети ВКонтакте. Нейронные сети в совокупности с вычислительными возможностями компьютера дают потрясающие результаты!

Лишают работы!

Хотя построить «мозг» мы пока не можем, существующие системы уже удивляют. В средствах массовой информации пишут не столько о применениях в науке и бизнесе: на пике славы (как и среди людей) ИИ, создающие песни, стихи и рисующие картины в стиле Ван Гога. В интернете даже агитируют за то, чтобы сделать аналитическую машину президентом США (watson2016.com)! Значит ли это, что человечество рискует остаться без работы? Вовсе нет.

Нейронная сеть пытается рисовать как Ван Гог. Работа со страницы Александра Фёдорова.

М.Н. Назаров, старший преподаватель кафедры ВМ-1: «Дело в том, что сейчас нейронная сеть умеет только подражать стилю. Генерировать что-то похожее на стихи, что-то похожее на литературное произведение. Однако так будет казаться только на первый взгляд, а при тщательном разборе смысла в итоговом произведении будет мало. Пока наши возможности далеки от создания полноценного ИИ, и в ближайшие десятилетия вся действительно интеллектуальная работа останется за человеком».

А.В. Туркин: «Машина может подражать, но не может создавать. Поэтому человеку, с его умением находить нестандартные решения, всегда найдётся, чем заняться в будущем.

Как бы там ни было, с течением времени необходимость в некоторых профессиях отпадает. Мне кажется, прогресс не должен вызывать страх. Он должен вызывать понимание тех выгод, которые мы можем получить, и мы должны это принимать, если это действительно важно и нужно».  

Эксперты, консультировавшие при работе над материалом:

Максим Николаевич Назаров, старший преподаватель кафедры ВМ-1. Занимается построением нейронных сетей. Автор научной публикации «Искусственная нейронная сеть с модуляцией коэффициентов синапсов».

Андрей Владимирович Туркин, доцент кафедры ВТ. В области компьютерного зрения занимается применением LSTM сетей для задач семантического описания изображений и видеоданных.

Александр Фёдоров (ВМ-21, направление «Цифровая обработка сигналов и изображений») – представитель команды 5vision, занимающейся машинным обучением и анализом данных. При поддержке крупных IT-компаний 5vision организуют семинары по глубинному обучению (Deep Learning).

Алексей Смагин