Глибоке навчання штучного інтелекту. Все, що необхідно знати

Все частіше у новинах з’являються повідомлення про служби та гаджети з штучним інтелектом (AI) на борту. Йому ще далеко до людського, але з них машини можуть самостійно навчатися новому. Для цього вони використовують технологію глибокого навчання. Спробуємо розібратися, що вона собою представляє і як працює.
Глибоке навчання також називають ієрархічним навчанням або глибоким структурованим навчанням. Свою назву технологія отримала з-за того, що дані проходять через кілька шарів нейромережі. Результати роботи одного шару є вхідними даними для іншого. Це дозволяє машинам самостійно навчатися і створювати ієрархічне відображення даних.
Концепція глибокого навчання AI
Головна ідея використання глибокого навчання – імітувати принципи роботи людського мозку. Останній також використовує шари нейронів під час мислення.
Ідея таких нейромереж не нова – вона з’явилася ще в 50-х роках. Але тільки в останні роки вона набула суттєвого поширення. Це пояснюється прогресом обчислювальної техніки, адже для роботи нейромережі потрібна велика обчислювальна потужність. Брак процесорних ресурсів також призводило до того, що ранні нейромережі могли розпізнавати тільки прості шаблони. Сьогодні ж вони здатні розпізнавати на зображеннях складні образи – особи, предмети, тварин тощо.
Як це працює
Глибоке навчання використовує принцип роботи людського мозку – шари нейронів. Кожен з них навчається виділяти з вихідного набору даних якийсь невеликий окремий елемент. Наприклад, це може бути форма, витяг звуку тощо.
Інформація потім передається на наступний рівень, який шукає точки дотику об’єктів знайденої форми або групи однакових звуків по знайденим уривками. Кожен наступний шар шукає трохи більш складні особливості вихідного набору даних, і це відбувається до тих пір, поки система не знайде шуканий об’єкт.
Принцип роботи нейромережі дозволяє їй шукати будь-які шаблони у вихідному наборі даних. При цьому головна особливість – програмісту не потрібно власноруч задавати характеристики шуканих елементів. Йому необхідно вказати лише загальний алгоритм пошуку і надати великий обсяг даних для тренування.
Чим більший обсяг тренувальної інформації, тим більш точні результати буде видавати нейромережа після глибокого навчання. Наприклад, для розпізнавання особи необхідно надати великий масив фотографій з різними виразами осіб, кольору шкіри, умовами освітлення. Але навіть при наявності таких гігантських масивів навчальних даних рівень помилок в нейромережах становить близько 10%.
Практичні використання глибокого навчання
Глибоке навчання може бути способом впоратися з гігантськими обсягами інформації, яку будуть виробляти об’єкти інтернету речей. Ця технологія також допоможе в тих галузях, де необхідно обробляти великі масиви даних: медицина, наукові дослідження тощо. Наприклад, комп’ютер може за кілька хвилин проаналізувати тисячі рентгенівських знімків і знайти на них аномалії. Людині-лікаря знадобилося б на таке дуже багато часу.
Глибоке навчання нейронних мереж також є незамінним при розробці автомобілів з автопілотів. Ця технологія дозволяє бортовому комп’ютеру машини розпізнавати пішоходів, дорожні знаки, інші машини та інше. Такий спосіб роботи дозволяє створити хороші інструменти по розпізнаванню мови і автоматизовані перекладачі.
З глибоким навчанням сьогодні експериментують як звичайні програмісти, так і корпорації. Наприклад, Google в 2012 році створив систему, яка знаходить котиків на відео з YouTube з точністю 75%. А в 2016 році інша нейромережа на основі глибокого навчання AlphaGo обіграла професіонала з гри «Го».
Майбутнє
Машини навряд чи в найближчі роки почнуть думати як люди. Але завдяки зростанню обчислювальної потужності процесорів ми будемо бачити нові способи застосування нейромереж на основі глибокого навчання. Це різноманітні помічники, інтелектуальні пристрої, з якими можна спілкуватися, експертні системи тощо.