За последние годы о нейронных сетях слышали все, кому хоть немного интересна технологическая индустрия, о достижениях ИИ и машинного обучения говорят в Интернете, новостях на ТВ, фильмах, печатной прессе и художественной литературе – одним словом, пройти мимо подобной информации практически невозможно. Но несмотря на столь широкую распространенность этого понятия, мало кто знает, что именно представляют собой эти инновации, где они применяются и уж тем более – как оригинально можно использовать нейросеть.
Что такое нейросеть?
Говоря о таких сложных вещах, как нейронные сети, искусственный интеллект и сопутствующие им технологии, перво-наперво следует определиться с тем, что же такое нейросеть. Во-первых, стоит понимать, что настоящие нейронные сети находятся у нас с вами в голове – в IT мы имеем дело с искусственными нейронными сетями. Впервые об ИНС заговорили еще в первой половине XX века, а первые удачные попытки смоделировать деятельность человеческого мозга были совершены американскими учеными-математиками Уорреном Мак-Каллоком и Уолтером Питтсом, которые в 1943 году разработали первую модель искусственного нейрона. Кроме того, они также задумались об объединении этих элементов сеть для выполнения логических операций, но самое главное – ученые доказали способность таких сетей к обучению и самосовершенствованию. Каждый нейрон можно представить, как простенький микропроцессор, существующий только в цифровом виде. По отдельности такие юниты могут выполнять только самые элементарные вычисления, но при объединении друг с другом, нейроны готовы выполнять очень сложные задачи.
Если очень простыми словами, то принцип взаимодействия отдельного нейрона и всей ИНС в целом можно объяснить следующим образом: сначала нейрону ставят некую задачу и говорят условия ее выполнения, затем ему “скармливают” большое количество данных которые необходимо обработать тем или иным образом. И такая задача дается для каждого нейрона. По окончании вычисления, результаты от всех нейронов сравниваются и определяются общие для всех результатов параметры, при которых задача была выполнена.
Ключевым преимуществом нейронных сетей над обычными алгоритмами обработки информации является их возможность обучаться: если алгоритмы работают по одному и тому же заданному сценарию, то ИНС могут самостоятельно улучшать скорость и качество своей работы, выдавая верный результат на основе данных, отсутствующих в исходной выборке.
Впрочем, хотя человечество и добилось значительных успехов в развитии машинного обучения, ИНС пока очень далеки от потенциала биологического мозга. ИИ не может самостоятельно принимать осознанные высокоинтеллектуальные решения, но с каждым годом появляются все новые и новые способы обучения нейросетей, а чем больше этих способов, тем быстрее идет обучение. Современный рынок искусственных нейронных сетей исчисляется сотнями миллиардов долларов, при этом в большинстве своем они мало чем отличаются друг от друга. Для разработки и обучения нейросетей требуются огромные вычислительные мощности – отсюда и столь высокие затраты. Поэтому серьезно занимаются этим направлением преимущественно гиганты Кремниевой Долины с колоссальными бюджетами и армией дата-центров. Лидерами этой отрасли являются Microsoft, IBM, Baidu, Facebook и Google. Однако даже у них еще не получается приблизить эффективность ИНС к человеческому мозгу: загвоздка в том, что в искусственных и биологических системах кардинально отличаются типы передаваемых значений – у нас они куда сложнее и воспроизвести их в цифровом виде пока не представляется возможным.
Где применяются эти чудо-технологии?
Но хватит технических подробностей, поговорим об основной теме данной статьи – необычном использовании нейросетей. Как мы уже выяснили, их потенциал буквально неисчерпаем. Появление машинного обучения и невероятное расширение способностей искусственного интеллекта стали одними из самых значительных технологических достижений в новейшей истории, но многие применения этих вещей остаются скрытыми и незаметными для 99.9% людей. К счастью, те 0.1% умудряются по максимум внедрять нейронные сети и машинное обучение в самые различные сферы деятельности, о самых необычных из них сегодня и пойдет речь.
Сравнение ресторанов
Разработчики популярного в западных странах приложения Yelp, позволяющего просматривать рейтинг и отзывы о ресторанах, еще 3 года назад начали применять машинное обучение для повышения качества работы своего сервиса. Команда Yelp автоматизировала процесс анализа фотографий, оставляемых обычными пользователями, для оценки освещения, интерьера, персонала и прочих элементов того или иного заведения. Конечно, без человеческой проверки не обходится, но, когда требуется собрать, классифицировать и промаркировать десятки миллионов изображений, помощь умных компьютерных алгоритмов приходится весьма кстати.
Анализ контента со всего Интернета
Агрегатор графического контента Pinterest в 2015 приобрел компанию Kosei, специализирующуюся на использовании нейросетей для поиска и создания рекомендаций, основанных на прошлом опыте пользователя. Сегодня почти все операции по управлению Pinterest возложены на плечи искусственного интеллекта: от устранения спама до сокращения оттока подписчиков почтовой рассылки и настройки монетизации
Машины, способные мечтать
Если 15-20 лет назад Google считался просто хорошим поисковиком, то сейчас проще перечислить отрасли, которыми эта компания не занимается, чем те, что уже затронули амбиции Alphabet (холдинг, владеющий Google и ее дочерними предприятиями). В последние годы Google изрядно диверсифицировала свою деятельность, занявшись такими нетипичными для нее вещами, как антивозрастные технологии, медицинские гаджеты и, самое главное, нейронные сети. Пожалуй, наиболее заметным исследованием нейронных сетей Google является ИНС DeepMind от одноименной британской компании, которую в 2014 приобрел Alphabet, забрав ее сотрудников под свое крыло. Первым весомым достижением новообразованной Google DeepMind стала разработка нейронной сети AlphaGo, сумевшей обыграть человека в го. По словам Google, ее главное творение – вышеупомянутая нейросеть Google DeepMind — способна “мечтать”, а в будущем она поможет разительно повысить качество поиска и создать удобный голосовой переводчик в реальном времени.
Армия чат-ботов
Хотя Facebook Messenger и довольно спорная платформа, нельзя отрицать, что у этого сервиса самая большая пользовательская база (после вездесущего WhatsApp, конечно же). Одна из самых очевидных причин столь высокой популярности заключается в широкой распространенности ботов. На данной платформе любой разработчик может создать, протестировать и внедрить в состав мессенджера свой скрипт. Это позволяет клиентоориентированным компаниям использовать чат-ботов, даже если речь идет о маленьком стартапе с ограниченными ресурсами. Корпорация Марка Цукерберга одной из первых начала работать с машинным обучением, благодаря чему нейросети также в Facebook также модерируют спам, удаляют запрещенный контент, а некоторых ботов в текстовой переписке невозможно отличить от живого человека.
Совершенный голосовой поиск
Google – не единственный поисковый гигант, использующий машинное обучение. Китайская поисковая система Baidu также вкладывает значительные средства в искусственный интеллект. Одной из самых интересных разработок компании является Deep Voice: нейронная сеть, которая может генерировать синтетические человеческие голоса практически неотличимые от подлинной человеческой речи.
Улучшение здравоохранения
Весьма необычно видеть в этом списке IBM, поскольку это одна из самых консервативных технологических компаний. Впрочем, за последние несколько лет она активно отказывается от старых бизнес-моделей в пользу новых потоков дохода. Ни один из продуктов IBM не демонстрирует это лучше, чем ее известный ИИ Watson. Уже достаточно долго он применяется в нескольких больницах США, где успешно прогнозирует и дает рекомендации по лечению некоторых видов рака. Кроме этого, Watson имеет большой потенциал в розничной сфере, где он может использоваться в качестве ассистента для покупателей. Таким образом, IBM теперь может предлагать владельцам малого и среднего бизнеса некий аналог “подписки” на свою технологию машинного обучения.
Захват движений нескольких людей
Нейронные сети сегодня научились вычислять на основе изображения нескольких человек (или даже целой толпы) их позу и положение скелета. Чже Као, студент университета Беркли, обучил нейросеть распознаванию движений человека без использования дополнительного оборудования (например, применяемых в киноиндустрии mocap-систем из костюмов и лампочек), только за счет анализа видео! Такая нейросеть может значительно упростить работу аниматорам, на нижеприведенном видео наглядно демонстрируется работа системы в сценах различной степени сложности.
Нейросети против вредителей
В свое время эта история наделала много шума в Интернете. Пару лет назад сотрудник Nvidia программист Роберт Бонд потехи ради соорудил небольшую установку из маломощного лазера, камеры, подвижных приводов, и зеркал от принтера. Затем он написал нейронную сеть, загрузил в нее тонны изображений и видео с муравьями и обучил свое детище при обнаружении муравья направлять не смертельный, но раздражающий луч лазера на насекомое. Таким образом находчивый изобретатель обезопасил свою кухню от набегов незваных гостей. Вдохновленный удачным экспериментом, Роберт решил найти более практичное применение своей задумке: его жена постоянно жаловалась на соседских кошек, досаждающих ночными набегами на ее клумбу. Для решения проблемы была создана нейросеть, в которую на этот раз загрузили изображения кошек. После этого мужчина повесил камеру снаружи дома и написал код, с помощью которого объединил компьютер с инфракрасной камерой и поливальной системой. В результате, каждый раз при попадании кошки в объектив включался мощный поток воды, отпугивающий ночных вредителей.
Конечно, это далеко не все оригинальные способы применения ИНС: эта технология становится все доступнее обычным людям – как по стоимости, так и в плане простоты освоения. Если когда-то для построения нейросети требовались десятки кодеров и ангар суперкомпьютеров, то сегодня достаточно мощного домашнего ПК и стандартных навыков программирования. Из-за этого в мире буквально каждый день появляются новые способы применения машинного обучения различной степени (бес)полезности; среди наиболее ярких примеров можно отметить генерацию мемов, участие в киберспортивных соревнованиях, создание музыки и картин, оценка внешности девушек, анимация статичных фотографий и пр. Наверняка многие люди и не догадываются о том, что сталкиваются с машинным обучением по несколько раз в день – речь об элементарной виртуальной клавиатуре в смартфонах, непрерывно подстраивающейся под ваши нужды.