Искусственный интеллект, машинное и глубокое обучение: Как они связаны?
Главная Технологии, Искусственный интеллект

Когда речь заходит об умных роботах, многие начинают путаться в терминологии ученых, которые обещают нам мир разумных машин. Рассказываем, что такое искусственный интеллект, машинное и глубокое обучение и как они способствуют развитию друг друга.

Проще всего представить взаимосвязь искусственного интеллекта (ИИ), машинного (МО) и глубокого обучения (ГО) с помощью концентрических кругов: круг ИИ самый большой, в него вписана окружность МО, а уже в ней содержится подмножество ГО, ставшее основой нынешнего технологического бума в отрасли.

Со времени первой волны интереса к ИИ в 1950-х подмножества искусственного интеллекта — сначала машинное, а потом глубокое обучение, — оказывают все большее влияние на наши жизни.

Взлеты и падения

ИИ захватывал воображение человечества с момента, когда небольшая группа специалистов по информатике впервые ввела этот термин в обращение на конференции в Дартмуте в 1956 году. За десятилетия, миновавшие с того времени, ИИ перенес ряд взлетов и падений.

Эту технологию считали как залогом блестящего будущего нашей цивилизации, так и путем в никуда, придуманным и навязанным нам кучкой умников. Честно говоря, до 2012 года нельзя было однозначно сказать, какое у нее будущее.

За последние несколько лет сфера применения ИИ значительно расширилась; прогресс стал особенно заметен в последние три года. Во многом это связано с широкой доступностью графических процессоров. Они значительно ускорили, удешевили и упростили параллельную обработку данных. Кроме того, позитивный вклад внесли практически безграничные облачные хранилища и изобилие информации различной направленности (Big Data — Большие данные) — изображения, тексты, транзакции, карты и т. п.

Давайте рассмотрим, как ученым в области теории вычислительных машин удалось превратить потенциально провальный проект в настоящую технологическую жемчужину, которой ежедневно пользуются сотни миллионов человек по всему миру.

Искусственный интеллект: Машины с человеческим мышлением

В далеком 1956 году пионеры ИИ мечтали о сложных машинах на основе только появившихся компьютеров, которые смогли бы стать достойной альтернативой человеческому интеллекту. Эта концепция известна как «общий», или «сильный ИИ» — удивительные машины, равные и даже превосходящие людей по знаниям, уму и чувствам. В этом смысле они неотличимы от нас.

Мы неоднократно видели примеры таких машин в фантастических фильмах — это всем известные C-3PO из «Звездных войн» и Терминатор. Машины с универсальным ИИ до сих пор не вошли в наш мир и остаются героями романов по одной важной причине: мы просто не знаем, как их построить.

То, что нам под силу, называется ограниченным, или слабым интеллектом. Роботы на его основе способны выполнять определенные задачи лучше людей. Примеры использования ограниченного ИИ — классификация изображений, распознавание лиц в соцсетях или сервисы вроде Pinterest.

Это примеры узкого ИИ в действии. Технологии демонстрируют некоторые аспекты человеческого разума. Но как? Откуда они берутся? Чтобы ответить на эти вопросы, нам нужно перейти к следующему кругу: машинному обучению.

Машинное обучение: Путь к искусственному интеллекту

В своей самой простой форме машинное обучение — это алгоритмический сбор и анализ данных с последующими выводами или предсказаниями о некотором процессе.

Вместо того, чтобы встраивать жесткую программу с определенным набором инструкций для выполнения конкретной задачи, машину «тренируют» на огромных объемах информации с помощью алгоритмов обучения.

Машинное обучение стало естественным развитием идей, заложенных первыми учеными в области ИИ. Алгоритмические подходы включают в себя построение дерева решений, индуктивное логическое программирование, кластеризацию, обучение с подкреплением, байесовы сети и др.

Как мы знаем, ни один подход не привел к созданию роботов с общим ИИ, и даже узкий ИИ во многих случаях оказался недосягаем для ранних технологий машинного обучения.

Одной из самых перспективных областей применения машинного обучения оказалось компьютерное зрение, хотя оно по-прежнему требует значительного участия на стороне разработчиков.

Как правило, программисты вручную создают различные классификаторы, например, фильтры обнаружения границ, чтобы программа могла распознавать границы объектов; анализ плоскостей для распознавания форм; и даже отдельный фильтр для распознавания букв.

Вместе все эти классификаторы позволяют создать алгоритм, который сможет, например, находить знаки «STOP» на фотографиях.

Неплохо, но не идеально. Особенно в туманный день, когда знак видно плохо или дерево скрывает его часть. До недавнего времени компьютерное зрение и распознавание образов серьезно отставали от людей; программы слишком часто ошибались и их было легко ввести в заблуждение. Ситуацию изменили время и правильные алгоритмы обучения.

Глубокое обучение: Метод внедрения машинного обучения

Основоположники отрасли дали нам еще один алгоритмический подход: искусственные нейронные сети. Они существуют уже давно и были вдохновлены устройством человеческого мозга — всем многообразием связей между нейронами.

Но в отличие от биологического мозга, в котором любой нейрон может связаться с другим в некоторой окрестности, искусственные нейронные сети имеют дискретные слои, связи и определенные направления распространения информации.

Например, можно разбить рисунок на множество частей и ввести их в первый слой нейронной сети. Его отдельные нейроны затем передадут данные во второй слой. Нейроны второго слоя выполнят свою задачу и передадут информацию в третий слой. Процесс будет продолжаться до тех пор, пока не будет достигнут нижний слой и выдан конечный результат.

Каждый нейрон присваивает определенную оценку входящей информации в зависимости от того, насколько она верна или неверна по отношению к выполняемой задаче. Окончательный результат определяется суммой этих оценок.

Вернемся к примеру со знаком STOP. Атрибуты изображения разбиваются и «анализируются» нейронами — его восьмиугольная форма, красный цвет, контрастные буквы, размер, движение (или его отсутствие).

Нейронная сеть должна дать ответ, имеется ли на полученном изображении знак STOP, или нет. Результат выдается с некоторым «вектором вероятности» — взвешенным предположением, зависящим от оценок нейронов. В нашем случае система может быть на 86% уверена, что перед нами знак STOP, на 7% убеждена, что это знак ограничения скорости, и на 5% считать, что это бумажный змей, застрявший на дереве. Затем сетевая архитектура дает нейронной сети знать, права она или нет.

Но даже этот пример забегает вперед, поскольку до недавнего времени ИИ-сообщество не слишком жаловало нейронные сети. Они существовали с ранних дней, но так и не смогли продемонстрировать зачатки «интеллекта». Проблема состояла в том, что даже самые примитивные нейронные сети требовали огромной вычислительной мощности, недоступной в те времена.

Искусственный интеллект, машинное и глубокое обучение: Как они связаны?
Эндрю Ын. NVIDIA Corporation/Flickr

Однако это не помешало маленькой группе исследователей во главе Джеффри Хинтоном в Университете Торонто развивать это направление. Они сумели распараллелить алгоритмы для суперкомпьютеров и доказать концепцию. Впрочем, реальное развитие нейронных сетей началось только с появлением мощных GPU.

Если еще раз вернуться к примеру со знаком STOP, высока вероятность, что в процессе обучения сеть будет выдавать множество неправильных ответов. Чтобы повысить эффективность анализа, она должна обработать сотни тысяч и даже миллионы изображений, пока оценки нейронов не станут настолько точными, что правильный ответ будет даваться практически во всех ситуациях независимо от погодных и иных условий.

Именно в этот момент можно будет с уверенностью сказать, что нейронная сеть научилась различать знаки STOP; или лица людей в социальных сетях; или кошек на изображениях.

Эндрю Ын из Google проделал это в 2012 году. Он взял нейронную сеть и сильно увеличил ее размер, повысил число слоев и нейронов, а затем пропустил огромные объемы данных (кадры из 10 млн видео с YouTube). Так родилось глубокое обучение. Термин «глубокое» в данном случае описывает большое число слоев в нейронной сети.

Сегодня натренированные с помощью глубокого обучения машины часто распознают образы лучше людей. Спектр их применений варьируется от узнавания кошек на фотографиях до поиска признаков опухолей в результатах МРТ-сканирований.

Искусственный интеллект, машинное и глубокое обучение: Как они связаны?
AP Photo/Lee Jin-man

Программа Google AlphaGo на основе нейронных сетей научилась играть в «го» и подготовилась к матчу, сыграв бесчисленное число партий сама с собой.

Благодаря глубокому обучению у ИИ появилось блестящее будущее

Глубокое обучение открыло множество практических применений для машинного обучения и дало толчок развитию всей области искусственного интеллекта. ГО разбивает всевозможные задачи таким образом, который делает появление искусственных помощников не только возможным, но и вероятным.

Самоуправляемые автомобили, профилактическое здравоохранение, даже лучшие рекомендации фильмов — все это уже не за горами. Возможно, с помощью глубокого обучения ИИ сможет приблизиться к уровню, о котором мы все давно мечтаем. И тогда разумные роботы станут реальностью.

Подписывайтесь на наш канал в Яндекс.Дзен: Еще больше интересных историй, полезных материалов и красивых фото.

Источник: Nvidia

Читайте также:
Пожалуйста, опишите ошибку
Закрыть
Free market quotes
Что происходит на рынке? Будь в курсе!
Только у нас бесплатные котировки и все финансовые новости в одном месте.
Закрыть
Спасибо за регистрацию
Поставь лайк, чтобы мы и дальше могли публиковать интересные материалы бесплатно