Каким станет искусственный интеллект будущего. Что такое закон Мура? Что такое нейронная сеть

Нейросети и искусственный интеллект — хайп или ближайшее будущее

Разберёмся: способны ли технологии Machine Learning сегодня полностью автоматизировать человеческий труд, а умные роботы с искусственным интеллектом заменить вас на работе.

Привет, vc. Machine learning, big data, data science, artificial intelligence — термины, которые всем давно известны. Но что внутри?

Нейросеть — это математическая модель. Её главная особенность в том, что «физические» формулы модели не программируются в привычном смысле этого слова, а обучаются. Например, чтобы предсказать: выдавать кредит или нет, вместо разработки формул на основе анкеты человека, мы обучаем нейросеть, подразумевая, что она сама «выучит» нужные формулы.

Нейронная сеть — не единственный класс алгоритмов машинного обучения (ML), есть и другие часто используемые в бизнесе.

Любое обучение ML-алгоритма начинается с данных. Например, мы хотим, чтобы наша нейронка отличала биологический вид рыб. Для этого мы должны собрать фотографии рыб, которые нужно отличить. В разных ракурсах, потому что иначе сетка будет различать только рыбу в лежачем виде, как на фото ниже.

Просто спарсить картинки недостаточно. Для начала обучения все фотографии в разных ракурсах нужно разметить, то есть добавить к каждой наименование вида. Например, лосось, тунец, махи-махи и так далее. Как вы правильно поняли, это делается вручную.

Если мы хотим получить высокий процент точности различения, то размеченных фотографий в разных ракурсах должно быть несколько миллионов. Желательно в равной пропорции на каждый вид рыбы. Много, не правда ли? На самом деле ни много, ни мало — столько, сколько нужно для целевой точности. Собранные и размеченные данные называют датасетом. Датасет это уже то, на чём обучается сетка.

Теперь можем перейти к обучению, которое выглядит следующим образом.

  • Подаем на вход сети картинку, получаем наименование вида рыбы, например, «тунец».
  • Сравниваем с истинным значением. Если совпадает — ничего не делаем. Если различаются, то модифицируем так, чтобы она для этой картинки выдавала «правильный» ответ.
  • Повторяем первый и второй шаги несколько миллионов раз.

Вначале нейронная сеть будет выдавать абсолютно случайные ответы. Но со временем её ответы будут точнее.

Так выглядит график ошибки правильного процесса обучения. С ростом количества итераций ошибка падает.

Сам процесс обучения довольно нестабилен. И поэтому существует такая вакансия, как инженер data science, который занимается:

  • очисткой датасета от ложных или некачественных данных;
  • перебором вариантов нейросетей;
  • поиском способов обогатить и расширить датасет.

Приведу примеры и часто встречающиеся типы нейронных сетей, которые успешно применяют на практике.

Детекция объектов на фото. Например, лица людей, фигуры человека, дорожные знаки, номера автомобилей и так далее.

Используются «сверточные сети» (VGG, Inception, ResNet и другие). Их название произошло от математической операции свёртка, которая отражает их главное свойство. Сети этого типа работают с маленькими частями всего изображения и учат паттерны: короткие линии разной толщины, повернутые под разными углами, изменение цвета и так далее.

Они «пробегают» по всей картинке слева направо, сверху вниз и на основе «сигналов» от каждой такой характеристики учатся определять, что изображено на картинке в целом — машина, человек или рыба.

Машинный перевод

Используются рекуррентные нейронные сети (Seq2Seq, Encoder-Decoder и другие). Называются они так потому, что работают последовательно. Например, если это перевод с китайского на английский (как на картинке ниже), то рекуррентной сети на вход подают по одному слову из предложения на китайском.

Затем она порождает по одному слову на английском. Рекуррентные нейронные сети могут выучить периодические связи (иногда скрытые внутри) входящего сигнала, не зная физическую природу происхождения этого сигнала.

Перевод звука в текст и обратно

Также используются рекуррентные нейронные сети или специальные модификации сверточных (WaveNet).

Сможете отличить на какой из записи звук сгенерирован нейросетью?

Во всех примерах выше за последние несколько лет нейронные сети вытеснили предшествующие алгоритмы, разработанные на базе экспертных знаний людей, наработанных за десятилетия.

Почему же массовое внедрение ML-моделей пока не происходит повсеместно

Опишу пару важных, исключительно на мой взгляд, проблем.

Проблема интепретируемости. После обучения нейросети у нас практически нет никакой возможности определить, на основании чего нейросеть принимает то или иное решение (и тем более повлиять на это решение). Часто говорят, что нейросеть — это «черный ящик».

Один из способов с этим справиться — определить «цену» ошибки. Например, если мы выдадим кредит злостному неплательщику (сеть предсказала положительный ответ, а на самом деле он отрицательный), мы потеряем стоимость кредита.

Если мы не выдадим кредит платежеспособному клиенту (сеть предсказала отрицательный ответ, а на самом деле он положительный), то потеряем прибыль, также есть затраты на привлечение клиента.

После того, когда цена ошибок определена, можно обучать нейросеть так, чтобы в сумме она давала значительную выгоду при определенном уровне потерь.

В более сложных задачах обычно применяют правила, которые ограничивают допустимое поведение.

Проблема подготовки данных для обучения и их количество. Тут три аспекта. Первое — это трудозатраты на организацию этого процесса (сбор и разметка). Второе — данные часто содержат персональную информацию или являются коммерческой тайной. Третье — для получения результатов высокого качества нужно огромное количество данных. А данные сегодня — золото, поэтому получить их очень сложно.

Для определения объектов на фото используют технику transfer learning — перенос знаний. Нейросеть сначала учат определять объекты на специальном датасете — ImageNet. Он публично доступен всем желающим и содержит 14 млн фотографий с пояснениями, что на них изображено.

Затем уже обученную нейросеть дообучают на собственных данных или данных заказчика. В этом случае может хватить и нескольких сотен фотографий для каждого вида рыб.

Можно ли использовать ML на малом количестве данных и получать нужный результат

Можно. Например не так давно наша команда занималась кейсом управляющей компании «Альфа-Капитал» с запросом анализа новостного потока на выявления важной информации. Работа эта однообразная и требует много времени. Поэтому человек быстро устаёт и теряет эффективность.

Для начала мы запросили примеры 100 важных и 100 неважных новостей. На этом миниатюрном датасете можно было проверить есть ли вообще отличимый сигнал важности новости. Оказалось, что мы можем отличить более 60% важных новостей из общих 200.

Это было хорошим сигналом и на следующем шаге мы попросили увеличить датасет в десять раз. Сотрудник заказчика за неделю работы собрал суммарно 2000 новостей. Мы провели серию экспериментов и отобрали лучший алгоритм.

Читать еще:  Примеры где не используется кинетическая энергия. Энергия. Кинетическая энергия

Средняя точность предсказания за девять дней на реальных данных получилась 83,7%. И это очень хороший результат, однако сократила ли компания заказчика штат сотрудников? По результатам работы мы получили следующий комментарий:

Своевременный мониторинг негативного новостного фона относится к числу важных задач кредитного риск-менеджмента. Каждый день мы просматриваем более тысячи новостей на предмет выявления информации, способной оказать негативное влияние на кредитное качество эмитентов, контрагентов или котировки долговых финансовых инструментов.

Нам требовалось решение, способное повысить эффективность и точность мониторинга новостного фона, прямо или косвенно касающегося кредитного качества анализируемых компаний.

Совместно с командой прикладных разработок проекта iPavlov мы реализовали пилотный проект по внедрению ИИ в кредитный мониторинг. И теперь процедура отслеживания и выявления важных новостей не занимает много времени. Мы очень довольны результатом и будем продолжать сотрудничество в других направлениях.

То есть сократить трудозатраты — да, полностью заменить работу человека — нет.

Мы также работаем над другими продуктами, работающими на малом количестве данных. Например, роботы-продавцы, которые пока просто разгружают отдел продаж, но в перспективе должны автоматизировать его полностью. Как минимум процесс общения и передвижения лида по воронке.

Заключение

Вышеуказанный пример является хорошим ответом на вопрос, можно ли полностью автоматизировать человеческий труд с помощью нейронных сетей. Сократить трудозатраты на рутинную работу — можно, полностью автоматизировать человеческий труд пока непросто.

Будет ли это возможно сделать в ближайшем будущем? К этому, частично, первыми придут корпорации и крупный бизнес. Так как у них есть доступ к большому массиву данных, а также есть ресурсы для организации процесса, который на мелком уровне в основном не рентабелен.

Что же касается разговоров Масков и Цукербергов об искусственном интеллекте, который опасен для человечества, это не более, чем PR. До этого еще далеко.

Материал опубликован пользователем.
Нажмите кнопку «Написать», чтобы поделиться мнением или рассказать о своём проекте.

Молодой Полевой Хищник

«Что же касается разговоров Масков и Цукербергов об искусственном интеллекте, который опасен для человечества, это не более, чем PR. До этого еще далеко.»

Ну да, ну да. В 30е тоже говорили:»Что же касается антисемитских настроений, якобы это может зайти слишком далеко, это не более, чем популистские лозунги НСДАП, просто часть предвыборной компании. До газовых камер ещё далеко»

Это как сравнить хер с пальцем.

Молодой Полевой Хищник

Мне кажется вот что творится в разуме типичного технократа, живущего в отдельном своем мире:
«О, нейросети могут определять людей! Хмммммм, могут ли это использовать военные для беспилотных аппаратов? Хмммм, может ли мое государство использовать это для контроля? Да не, бред какой-то!
Были ли у нацистов ученые, которые изобретали передовые на то время технологии, использовавшиеся для массовых убийств? Да не, бред!
Зато я двигаю вперёд прогресс и науку.»

Я, конечно, понимаю, что многим технарям нет времени на такие ущербные гуманитарные дисциплины как этика, история, политика, логика (я к тому, что у гуманитариев более глубокий курс логики)
Но неужели так трудно понять, что я имел в виду?
Пока общество вот так неосознанно и безответсвенно будет принимать новое, обещающее ему золотые горы, оно будет наступать на те-же самые грабли. Те, кто меняет гуманность на молох прогресса, не заслуживают даже презрения.

Ps: Ещё есть отдельная интеллектуальная прослойка людей, которые на полном серьёзе ссылаются на закон Годвина. И похоже ещё гордятся тем, что знают его!

Искусственный интеллект — Бог. Краткий разбор основных моментов теории симуляции

Тут the Verge сообщает, что хакер Geohot решил высвободить людей из ИИ-симуляции весьма необычным способом. Пока ученые спорят, может ли являться наша Вселенная продвинутой компьютерной симуляцией, Джордж Хотц, известный как Geohot (взломщик iPhone, консолей Sony и основатель стартапа Comma.ai), в этом уверен. Настолько, что собрался освобождать человечество из рабства компьютерной системы.

В принципе, представление о том, что реальность ничто иное как иллюзия, существует давно. Об этом задумывались еще древние греки, включая Пифагора и Платона. Последний указывал на то, что материальны лишь идеи, а все остальные объекты — это лишь тени. В доказательство чего рассказывал красивый «миф о пещере». Такого же подхода придерживался и Аристотель, но с поправкой на то, что идеи выражаются в материальных объектах. Кроме того, положение об иллюзорности реального является одним из ключевых в некоторых религиозно-философских учениях, например, в целом ряде индийских философских школ, в рамках которых рассматривается концепция майи. Майя — иллюзия бытия, в частности, повседневного бытия человеческого существа на фоне существования Вечного Абсолюта (Брахмана в индуизме или Нирваны в буддизме).

С развитием цифровых технологий теория о том, что реальность — это продукт компьютерной программы, которая была написана и реализована некоей другой цивилизацией, начала приобретать большое количество сторонников. Важным теоретическим подспорьем в развитии гипотезы симуляции и некоторых других подобных положений стало появление термина «виртуальная реальность», предложенного в 1989 году изобретателем Джароном Ланье.

С наступлением компьютерной эры теория симуляции никуда не пропала, наоборот, получила весьма широкое распространение. Идея получила свое отражение в ряде игр, фильмов и книг. Конечно, наиболее известным для большинства является «Матрица», но она далеко не единственное произведение, демонстрирующая собственную реализацию идеи.

(интересный факт. в первой части картины, Нео достает диск с контрафактным софтом из книги Бодрияйра «Симулякры и симуляция», которая вдохновляла братьев сестёр Вачовски на философские диалоги)

Один из наиболее известных сторонников того, что наш мир — иллюзия, воссозданная компьютерной программой — шведский философ-трансгуманист и профессор Оксфордского университета Ник Бостром.

Ник Бостром — профессор факультета философии Оксфордского университета, основатель и директор Института будущего человечества — междисциплинарного исследовательского центра, изучающего влияние технологий на возможность будущей глобальной катастрофы. В 1998, Бостром вместе с Дэвидом Пирсом выступили основателями Всемирной ассоциации трансгуманистов (Н+). Ник Бостром является самым молодым представителем топ-15 списка ведущих мыслителей мира по версии журнала Prospect. Его работы переведены на 22 языка.

Бостром проталкивает философию про «моделируемую реальность». Моделируемая реальность такая модель мира, основанная на предположении, что вся наблюдаемая реальность симулирована, то есть все наблюдаемые законы природы заданы извне, возможно со случайной вероятностью. (солипсизм)

Главный текст: Ник Бостром. А не живем ли мы в «Матрице»? Доказательство методом моделирования

Ник Бостром смотрит на тебя как на симуляцию

Футуролог Данила Медведев в статье «Живем ли мы в спекуляции Ника Бострома?» перечислил главные понятия, которыми оперируют специалисты в рамках научного дискурса по этой тематике:

1) Постчеловеческая цивилизация — цивилизация, которая, скорее всего, заменит человечество. По мысли Ника Бострома, сильные изменения в человеке, которые породят новую цивилизацию, будут обусловлены развитием новых технологий, вычислительной техники, нанотехнологий, технологий искусственного интеллекта и многими другими.

2) Симуляция — продукт технологий в области вычислительной техники, призванная создавать модель восприятия мира, сознания и разума у реципиентов, а также материальные объекты, которые его окружают.

Читать еще:  Как правильно сдавать анализы. Как сдать анализ кала? Как собрать, куда и как сдавать анализ кала

3) Историческая симуляция — симуляция, которая помещает реципиентов в определённые искусственно воссозданные исторические эпохи.

4) Базовая цивилизация — цивилизация, которая создает симуляцию первого уровня, при этом не проживая в симуляции.

5) Симуляция первого уровня — симуляция, запущенная базовой цивилизацией.

6) Вышестоящая цивилизация (по отношению к какой-либо симуляции) — цивилизация, которая является создателем симуляции, при этом, возможно, проживающая также в симуляции.

7) Метавселенная — гипотетическая совокупность всех вселенных. Соответственно, это множество объединяет в себе не только все реальные Вселенные, но и те, что были запущены как симуляции.

Принцип объясняет труды английского физика С. Хокинга про рождение и естественный отбор гипотетических параллельных вселенных. Также в некоторой степени объясняет результаты эксперимента с двумя щелями с отложенным выбором. Эта модель способна объяснить такое явление как квантовая запутанность. Также этой моделью можно объяснить, например, эффект замедления времени. Если опираться на современные представления информатики и физики, то можно сказать следующие — тактовой частоты процессора (системы), которая занята расчётами нашей реальности, на скоростях близкой к скорости света, не хватает для расчётов точного положения каких-либо частиц, кроме фотона. Таким образом можно заключить что фотон, как калибровочный бозон, своего рода программное обеспечение реальности, необходимое для любых взаимодействий, доступных для непосредственного визуального (энергетического) подтверждения (фиксирования) для человека, как наблюдателя.

Астрофизик Нил Деграсс Тайсон в 2016 году попытался в популярной форме объяснить модель симулированной реальности в научных дебатах «Является ли Вселенная «Компьютерной Симуляцией?»

У Бострома есть несколько последователей, включая Илона Маска и того же Хотца. Последний начал с создания джейлбрейка для первого телефона, затем занимался взломом игровых консолей Sony, работал над автопилотом и теперь занялся симуляциями и освобождением из них человечества. По его словам, наиболее негативным фактором в будущем станет то, что у человека постепенно исчезнет свобода выбора. Это случится с очень высокой степенью вероятности.

Каким же образом хотят освободить человечество?

Хотц рассказал о своих планах основать религию, посвященную эмулированной вселенной. «Я стал размышлять том, чтобы дать начало новой религии и церкви.

«В случае работы с компаниями, вы лишь проигрываете. Я считаю, что церкви, религиозные направления могут быть более подходящими для решения задуманных мной задач, а также они подходят для проведения работы по подготовке вывода общества из симуляции». Эта идея тоже не новая.

До Хотца ее реализовал Энтони Левандовски, экс-сотрудник Google и Uber, давший старт культу ИИ-божества (или что-то вроде того). Он открыл церковь, проповедующую веру, которая называется Way of the Future. Основная цель движения — «создание божественной сущности на основе искусственного интеллекта, дабы ее понимание и восхваление пошло на благо обществу». Левандовски заявил, что он с соратниками планирует начать работу по созданию «бога», сущности, которая во много раз умнее самого умного человека.

Церковь Way of the Future была официально основана в 2015 году, но вплоть до этого года за ней не было замечено каких-либо активностей.

Энтони Левандовски. «У меня будет свой бог, с блекджеком и . «

«То, что мы планируем создать, фактически будет богом, — заявил Левандовски. — Но не тем богом, что вызывает ураганы и молнии. Представьте себе сущность, которая будет в миллиарды раз мудрее самого умного человека. Как еще ее можно назвать, если не богом?».

Левандовски заявляет, что сверхразумный искусственный интеллект сможет позаботиться о Земле лучше, чем люди. При этом он опасается, что последние могут стать чем-то вроде домашних животных для ИИ. Что касается самой церкви (равно как и религии), то она была официально основана в 2015 году.

«[Сущность] будет умнее нас и сама будет решать, как ей развиваться, — сказал Левандовски. — За нами остается лишь выбор, как вести себя с ней. Я надеюсь, что машина будет воспринимать нас как старейшин, о которых стоит заботиться и которых нужно уважать. Мы хотим, чтобы искусственный разум понимал, что у людей должны быть какие-то права, даже если сейчас он управляет планетой». Левандовски

Хотц во время своего выступления заявил, что считает, что сингулярность очень близко. По его мнению, если вступить в эпоху сингулярности со стремлениями и желаниями современных людей, то будущее будет просто ужасным. Тем не менее, задачи Хотца и Левандовски отличаются друг от друга. Если первый уверен, что мы живем в симуляции и планирует покинуть ее так либо иначе, то второй собирается стать «разработчиком бога» — ИИ, который станет властвовать над миром.

Искусственный интеллект создал нейросеть

Дожили до того момента, когда искусственный интеллект создаёт собственную нейросеть. Хотя многие думают, что это одно и тоже. Но на самом деле не всё так просто и сейчас мы попробуем разобраться что это такое и кто кого может создать.

Инженеры из подразделения Google Brain весной текущего года продемонстрировали AutoML. Этот искусственный интеллект умеет без участия человека производить собственные уникальнейшие ИИ. Как выяснилось совсем недавно, AutoML смог впервые создать NASNet, систему компьютерного зрения. Данная технология серьёзно превосходит все созданные ранее людьми аналоги. Эта основанная на искусственном интеллекте система может стать отличной помощницей в развитии, скажем, автономных автомобилей. Применима она и в робототехнике – роботы смогут выйти на абсолютно новый уровень.

Развитие AutoML проходит по уникальной обучающей системе с подкреплением. Речь идёт о нейросети-управленце, самостоятельно разрабатывающей абсолютно новые нейросети, предназначенные для тех или иных конкретных задач. В указанном нами случае AutoML имеет целью производство системы, максимально точно распознающей в реальном времени объекты в видеосюжете.

Искусственный интеллект сам смог обучить новую нейронную сеть, следя за ошибками и корректируя работу. Обучающий процесс повторялся многократно (тысячи раз), до тех пор, пока система не оказалась годной к работе. Любопытно, что она смогла обойти любые аналогичные нейросети, имеющиеся в настоящее время, но разработанные и обученные человеком.

При этом AutoML оценивает работу NASNеt и использует эту информацию для улучшения дочерней сети; этот процесс повторяется тысячи раз. Когда инженеры протестировали NASNet на наборах изображений ImageNet и COCO, она превзошла все существующие системы компьютерного зрения.

В Google официально заявили, что NASNet распознаёт с точностью равной 82,7%. Результат на 1.2 % превышает прошлый рекорд, который в начале осени нынешнего года установили исследователи из фирмы Momenta и специалисты Оксфорда. NASNet на 4% эффективнее своих аналогов со средней точностью в 43,1%.

Есть и упрощённый вариант NASNet, который адаптирован под мобильные платформы. Он превосходит аналоги чуть больше, чем на три процента. В скором будущем можно будет использовать данную систему для производства автономных автомобилей, для которых важно наличие компьютерного зрения. AutoML же продолжает производить новые потомственные нейросети, стремясь к покорению ещё больших высот.

При этом, конечно, возникают этические вопросы, связанные с опасениями по поводу ИИ: что, если AutoML будет создавать системы с такой скоростью, что общество просто за ними не поспеет? Впрочем, многие крупные компании стараются учитывать проблемы безопасности ИИ. Например, Amazon, Facebook, Apple и некоторые другие корпорации являются членами Партнерства по развитию ИИ (Partnership on AI to Benefit People and Society). Институт инженеров и электротехники (IEE) же предложил этические стандарты для ИИ, а DeepMind, например, анонсировал создание группы, которая будет заниматься моральными и этическими вопросами, связанными с применениями искусственного интеллекта.

Читать еще:  Методы обучения и воспитания педагогики монтессори. Принципы методики марии монтессори. Смотреть что такое Педагогика Монтессори" в других словарях"

Впрочем, многие крупные компании стараются учитывать проблемы безопасности ИИ. При этом, конечно, возникают этические вопросы, связанные с опасениями по поводу ИИ: что, если AutoML будет создавать системы с такой скоростью, что общество просто за ними не поспеет? Институт инженеров и электротехники (IEE) же предложил этические стандарты для ИИ, а DeepMind, например, анонсировал создание группы, которая будет заниматься моральными и этическими вопросами, связанными с применениями искусственного интеллекта. Например, Amazon, Facebook, Apple и некоторые другие корпорации являются членами Партнерства по развитию ИИ (Partnership on AI to Benefit People and Society).

Что такое искусственный интеллект?

Автором термина «искусственный интеллект» является Джон Маккарти, изобретатель языка Лисп, основоположник функционального программирования и лауреат премии Тьюринга за огромный вклад в области исследований искусственного интеллекта.
Искусственный интеллект — это способ сделать компьютер, компьютер-контролируемого робота или программу способную также разумно мыслить как человек.

Исследования в области ИИ осуществляются путем изучения умственных способностей человека, а затем полученные результаты этого исследования используются как основа для разработки интеллектуальных программ и систем.

Что такое нейронная сеть?

Идея нейросети заключается в том, чтобы собрать сложную структуру из очень простых элементов. Вряд ли можно считать разумным один-единственный участок мозга — а вот люди обычно на удивление неплохо проходят тест на IQ. Тем не менее до сих пор идею создания разума «из ничего» обычно высмеивали: шутке про тысячу обезьян с печатными машинками уже сотня лет, а при желании критику нейросетей можно найти даже у Цицерона, который ехидно предлагал до посинения подбрасывать в воздух жетоны с буквами, чтобы рано или поздно получился осмысленный текст. Однако в XXI веке оказалось, что классики ехидничали зря: именно армия обезьян с жетонами может при должном упорстве захватить мир.
На самом деле нейросеть можно собрать даже из спичечных коробков: это просто набор нехитрых правил, по которым обрабатывается информация. «Искусственным нейроном», или перцептроном, называется не какой-то особый прибор, а всего лишь несколько арифметических действий.

Работает перцептрон проще некуда: он получает несколько исходных чисел, умножает каждое на «ценность» этого числа (о ней чуть ниже), складывает и в зависимости от результата выдаёт 1 или –1. Например, мы фотографируем чистое поле и показываем нашему нейрону какую-нибудь точку на этой картинке — то есть посылаем ему в качестве двух сигналов случайные координаты. А затем спрашиваем: «Дорогой нейрон, здесь небо или земля?» — «Минус один, — отвечает болванчик, безмятежно разглядывая кучевое облако. — Ясно же, что земля».

«Тыкать пальцем в небо» — это и есть основное занятие перцептрона. Никакой точности от него ждать не приходится: с тем же успехом можно подбросить монетку. Магия начинается на следующей стадии, которая называется машинным обучением. Мы ведь знаем правильный ответ — а значит, можем записать его в свою программу. Вот и получается, что за каждую неверную догадку перцептрон в буквальном смысле получает штраф, а за верную — премию: «ценность» входящих сигналов вырастает или уменьшается. После этого программа прогоняется уже по новой формуле. Рано или поздно нейрон неизбежно «поймёт», что земля на фотографии снизу, а небо сверху, — то есть попросту начнёт игнорировать сигнал от того канала, по которому ему передают x-координаты. Если такому умудрённому опытом роботу подсунуть другую фотографию, то линию горизонта он, может, и не найдёт, но верх с низом уже точно не перепутает.

В реальной работе формулы немного сложнее, но принцип остаётся тем же. Перцептрон умеет выполнять только одну задачу: брать числа и раскладывать по двум стопкам. Самое интересное начинается тогда, когда таких элементов несколько, ведь входящие числа могут быть сигналами от других «кирпичиков»! Скажем, один нейрон будет пытаться отличить синие пиксели от зелёных, второй продолжит возиться с координатами, а третий попробует рассудить, у кого из этих двоих результаты ближе к истине. Если же натравить на синие пиксели сразу несколько нейронов и суммировать их результаты, то получится уже целый слой, в котором «лучшие ученики» будут получать дополнительные премии. Таким образом достаточно развесистая сеть может перелопатить целую гору данных и учесть при этом все свои ошибки.

Нейронную сеть можно сделать с помощью спичечных коробков — тогда у вас в арсенале появится фокус, которым можно развлекать гостей на вечеринках. Редакция МирФ уже попробовала — и смиренно признаёт превосходство искусственного интеллекта. Давайте научим неразумную материю играть в игру «11 палочек». Правила просты: на столе лежит 11 спичек, и в каждый ход можно взять либо одну, либо две. Побеждает тот, кто взял последнюю. Как же играть в это против «компьютера»?

Берём 10 коробков или стаканчиков. На каждом пишем номер от 2 до 11.

Кладём в каждый коробок два камешка — чёрный и белый. Можно использовать любые предметы — лишь бы они отличались друг от друга. Всё — у нас есть сеть из десяти нейронов!

Нейросеть всегда ходит первой. Для начала посмотрите, сколько осталось спичек, и возьмите коробок с таким номером. На первом ходу это будет коробок №11. Возьмите из нужного коробка любой камешек. Можно закрыть глаза или кинуть монетку, главное — действовать наугад.
Если камень белый — нейросеть решает взять две спички. Если чёрный — одну. Положите камешек рядом с коробком, чтобы не забыть, какой именно «нейрон» принимал решение. После этого ходит человек — и так до тех пор, пока спички не закончатся.

Ну а теперь начинается самое интересное: обучение. Если сеть выиграла партию, то её надо наградить: кинуть в те «нейроны», которые участвовали в этой партии, по одному дополнительному камешку того же цвета, который выпал во время игры. Если же сеть проиграла — возьмите последний использованный коробок и выньте оттуда неудачно сыгравший камень. Может оказаться, что коробок уже пустой, — тогда «последним» считается предыдущий походивший нейрон. Во время следующей партии, попав на пустой коробок, нейросеть автоматически сдастся.

Вот и всё! Сыграйте так несколько партий. Сперва вы не заметите ничего подозрительного, но после каждого выигрыша сеть будет делать всё более и более удачные ходы — и где-то через десяток партий вы поймёте, что создали монстра, которого не в силах обыграть.

Источники:

http://vc.ru/future/56498-neyroseti-i-iskusstvennyy-intellekt-hayp-ili-blizhayshee-budushchee
http://pikabu.ru/story/iskusstvennyiy_intellekt__bog_kratkiy_razbor_osnovnyikh_momentov_teorii_simulyatsii_6568552
http://masterok.livejournal.com/4103537.html

Ссылка на основную публикацию
Adblock
detector