10 доказательств того, что нейросети скоро превзойдут человека

10 доказательств того, что нейросети скоро превзойдут человека

Нейронная сеть — это вид искусственного интеллекта. Она похожа на нервную систему человека, состоит из слоев отдельных вычислительных элементов — нейронов — и умеет самообучаться. Искусственный интеллект развивается гораздо быстрее наших представлений о нем, во многом он уже умнее своих создателей.

Chert-poberi.ru рассказывает, что уже умеют нейросети и что сумеют в самом ближайшем будущем. В конце статьи вас ждет бонус — история о том, как искусственный интеллект воспитывает кошек.

1. Редактируют изображения

Благодаря сервисам Deep Dream, Prisma и Mlvch, которые используют искусственный интеллект для обработки фото и видео, о нейросетях узнали миллионы людей. Такие приложения могут превратить вашу фотографию в шедевр в стиле Ван Гога или да Винчи, а компания Nvidia представила нейросеть, которая создает очень убедительные фейковые видео, например превращает зиму в лето.

Однако нейросети умеют не только развлекать нас, но и делать гораздо более серьезные вещи.

2. Ставят диагнозы точнее, чем врачи

Ежегодно около 20 млн человек умирают от болезней сердца. Исследователи из Ноттингемского университета загрузили в нейросеть данные 295 тыс. пациентов, научив ее оценивать степень риска сердечно-сосудистых заболеваний, а затем протестировали на 80 тыс. историях болезни. И если обычный врач (с помощью стандартной шкалы Американской коллегии кардиологии) может определить вероятность инсульта у пациента с точностью 72,8 %, то обученный искусственный интеллект — с точностью 74–76 %. Исследователи пишут, что это могло бы спасти на 355 жизней больше.

А приложение SkinVision по фотографии родинки может с точностью 83 % определить, злокачественное это образование или нет.

3. Помогают увеличить урожай

Microsoft и исследовательский институт Icrisat разработали приложение, которое анализирует данные и определяет лучшее время для посева, следит за состоянием почвы и подбирает нужные удобрения. Участвующие в проекте индийские фермеры начинали посев после соответствующего СМС и в результате собрали урожай на 30–40 % больше обычного.

4. Разоблачают мошенников

Во всем мире активно борются с финансовым мошенничеством и отмыванием денег, но с появлением нейросетей эта борьба стала намного эффективнее. Платежная система PayPal с помощью искусственного интеллекта сравнивает миллионы транзакций и находит среди них подозрительные, а некоторые банки используют систему идентификации лиц, сравнивая фотографии из своей базы данных и фото со стоек обслуживания в банках, из-за чего выдача кредитов по поддельным документам сократилась в 10 раз.

5. Ловят преступников

В сентябре 2017 года на фестивале пива в Циндао (Китай) нейросеть помогла поймать 25 преступников, один из которых был в бегах целых 10 лет. 18 уличных камер подключили к системе распознавания лиц, и на обнаружение тех, кто скрывался от полиции, ушла всего 1 секунда.

6. Предупреждают об акулах

Австралия занимает 2-е место после США по количеству нападений акул на людей. С осени 2017 года страна использует для патрулирования берегов дроны с искусственным интеллектом. Они разработаны сотрудниками Технологического университета Сиднея и умеют определять акул с точностью 90 %, тогда как человек отличает акул от других морских животных лишь 20–30 % случаев. Если дрон видит опасность, он предупреждает пловцов с помощью громкоговорителя, а также может сбросить им небольшой спасательный плот и сигнальный маячок.

7. Сочиняют музыку

Искусственный интеллект под псевдонимом Аарон выпустил свою первую музыкальную композицию в сотрудничестве с известной американской певицей и актрисой Тэрин Саузерн (Taryn Southern). В клипе «Break Free» Аарон является и композитором, и создателем видеоряда.

А вот нейросеть, созданная компанией Sony, сочиняет музыку, вдохновляясь классическими произведениями Иоганна Себастьяна Баха.

8. Пишут книги

Писать книги нейросетям пока помогают люди — они начинают предложения, а программа заканчивает их. Разработчики из Botnik Studios познакомили искусственный интеллект со всеми книгами Джоан Роулинг, а затем соединили лучшие варианты, которые предложила программа, в книгу под названием «Гарри Поттер и портрет того, что похоже на большую кучу золы». Она получилась странной, но смешной и изобилует перлами вроде «Футболка Рона с надписью „Рон“ была так же плоха, как и сам Рон».

А одна из книг, написанная японским алгоритмом, — «День, когда Компьютер написал роман» — прошла отборочный этап известной литературной премии.

9. Обыгрывают человека в интеллектуальные игры

Еще недавно специалисты считали, что на разработку искусственного интеллекта, способного играть в такую сложную игру, как го, уйдут десятилетия. Но в 2015 году нейросеть AlphaGo стала первой программой, победившей профессионального игрока в го, а весной 2017 года более сложная версия программы обыграла Кэ Цзэ, самого сильного игрока в го в мире. Человечество играет в эту игру уже 3 000 лет, а нейросети понадобилось для обучения всего 70 часов. Алгоритм программы универсален, поэтому способен выполнить и другие задачи подобного уровня.

10. Водят автомобили

Беспилотные автомобили уже работают, например, в качестве такси в лондонском аэропорту Хитроу, и специалисты обещают, что на массовом рынке они появятся к 2025 году. Искусственный интеллект будет не только ориентироваться на дороге, распознавая препятствия, но и самостоятельно проводить диагностику автомобиля и запоминать предпочтения пассажиров: температуру в салоне, громкость музыки и положение сидений.

Бонус: нейросети воспитывают кошек

Инженер компании Nvidia Роберт Бонд столкнулся с проблемой: любимый сад его жены облюбовали в качестве туалета соседские кошки. Ловушки для незваных гостей показались Роберту жестокой идеей, и он создал программу, которая распознавала появление кошек и включала автоматическую систему полива газона. Обучение нейросети не сразу было удачным — пару раз она принимала за кошку тень Бонда, в результате чего он сам оказывался мокрым с ног до головы. Но после загрузки дополнительных изображений кошек с разных ракурсов нейросеть начала безошибочно узнавать животных, и они перестали посещать газон инженера.

15 удивительных вещей, которые научились делать нейросети

От вождения машины до создания шедевров.

Нейросеть — это искусственный интеллект, способный к самообучению. В каком-то виде подобные программы существовали Нейрокомпьютерная техника: теория и практика ещё в восьмидесятые годы, но особенно бурное развитие эта сфера получила примерно в 2015-м. Возможности нейросетей начали активно изучать ведущие университеты вроде Массачусетского и Оксфордского, а также крупные корпорации, например Google.

Сейчас эти технологии доступны любому желающему. И человечество уже придумало десятки самых безумных и странных применений для подобных программ. Вот несколько из них.

1. Придумывать лица несуществующих людей

Люди, которых вы видите на картинке выше, выглядят реалистично, однако их не существует. Их изображения создала Progressive growing of GANs for improved
quality, stability and variation нейросеть компании NVIDIA. Программу тренировали на реальных фотографиях знаменитостей, и в результате она научилась генерировать достоверные изображения лиц. Можете сами проверить, насколько хорошо у неё получается.

2. Читать вслух

Технологий по синтезу речи с помощью нейронных сетей много. Свои программы для этого есть, например, у Google и «Яндекса». Речь, созданная таким образом, получается плавной и реалистичной, а применений у этого метода множество: от озвучивания приложений для слабовидящих до создания аудиокниг без особых затрат.

3. Водить автомобили

Многие компании видят в беспилотных автомобилях будущее транспорта. Свои разработки в этой сфере есть у Audi, Uber, Google, Tesla, «Яндекса» и многих других корпораций. Практически ни одна из этих технологий не обходится без нейросетей. Они помогают автомобилям определять, где на дороге разметка, знаки, другие машины и пешеходы, и принимать решения, исходя из этих данных.

4. Восстанавливать цвет фотографий и видео

Учёные из токийского Университета Васэда разработали Let there be color! программу, которая делает чёрно-белые фотографии и видео цветными. Нейросеть научилась определять в изображениях общие мотивы (небо обычно голубое, деревья — зелёные и так далее) и раскрашивать объекты в соответствующие цвета.

5. Повсюду видеть собачьи морды

Одной из первых нейросетевых технологий, которые стали доступны широкой аудитории, была Inceptionism Inceptionism от Google в 2015 году. Она обрабатывала изображения, добавляя на них силуэты собачьих морд, пагод и арок. Пользователи Сети начали пропускать через программу свои фотографии, известные картины, видеозаписи и фильмы — получалось необычно и жутковато.

6. Писать музыку

В нейронные сети можно загрузить любые виды цифровой информации, в том числе и музыку. Некоторые исследователи обучают свои программы на мелодиях известных композиторов. Осмысленные произведения у компьютеров пока не получаются, но стили музыкантов они копируют неплохо.

7. Заставлять политиков говорить что угодно

Одна из самых пугающих сфер применения нейросетей — синтез видео, в частности с публичными персонами. К примеру, учёные из Вашингтонского университета разработали Synthesizing Obama: Learning Lip Sync from Audio программу, которая генерирует движения губ Барака Обамы на основе аудиозаписи и подставляет их в видео. Получается очень достоверно.

8. Ходить

Дочерняя компания Google под названием DeepMind провела эксперимент. Три разные виртуальные фигуры — гуманоид, палка с двумя ногами и шар с четырьмя лапами — должны были научиться ходить. У них не было никакой информации о том, как это делается, — только задача добраться из одной точки в другую и датчики, помогающие определять своё положение в пространстве. Спустя сотни часов практики все три фигуры научились ходить, бегать, прыгать и передвигаться по неровным поверхностям.

9. Управлять роботами

Технологии на основе нейросетей широко используются и в робототехнике. Например, созданный исследовательским институтом Disney робот умеет двигаться вперёд с помощью одной, двух и трёх ног. А робот-доставщик компании Starship Technologies — перемещаться по улицам, избегая препятствий и пешеходов.

10. Распознавать мошенничество и коррупцию

Одна из главных функций нейронных сетей — распознание образов, в том числе и корреляций между событиями. Это очень полезно в финансовой сфере: можно предсказать незаконную активность до того, как она произойдёт. Так, в Испании учёные создали Predicting Public Corruption with Neural Networks: An Analysis of Spanish Provinces программу, которая помогает обнаружить коррупционные действия в провинциях страны. А некоторые банки разрабатывают Citi Ventures Deploys Machine Learning And Artificial Intelligence With People и используют системы, распознающие мошенничество с кредитными картами.

11. Переводить текст на изображении в реальном времени

Функция перевода текста в реальном времени появилась в «Google Переводчике» давно, но мало кто знает, что в ней используются How Google Translate squeezes deep learning onto a phone нейросети. С их помощью программа распознаёт буквы и другие символы на изображениях, даже если они размыты, повёрнуты вокруг своей оси, стилизованы или искажены. Затем приложение складывает их в слова и предложения, переводит и проецирует на картинку. И всё это за доли секунды.

12. Переносить художественный стиль с одного изображения на другое

В 2016 году сразу несколько компаний представили технологии для обработки изображений в разных художественных стилях. Появились приложения вроде Prisma, DeepArt и Ostagram. Prisma позволяет выбрать из нескольких сотен заготовленных фильтров, а Ostagram и DeepArt — самому загрузить картину или фотографию, которая послужит источником стиля.

Читайте также:  Сироп от сухого кашля: список препаратов, показания, отзывы

13. Превращать грубые наброски в реалистичные картины

Компания NVIDIA в начале 2019 года показала Stroke of Genius: GauGAN Turns Doodles into Stunning, Photorealistic Landscapes программу, превращающую картинки из нескольких простых фигур в красивые детализованные картины. Пользователь делает пару мазков, а нейросеть создаёт из этого изображение, которое издалека не отличить от настоящего полотна какого-нибудь художника-пейзажиста. Море, скалы, город, лес, облака — на картину можно добавить десятки разных объектов. Нейросеть даже сама определяет, где нужны тени или отражения.

14. Читать по губам

Учёные Google и Оксфордского университета создали LipNet технологию LipNet, которая использует нейронные сети, чтобы читать по губам. Причём она делает это гораздо точнее человека. В среднем люди с нарушениями слуха читают по губам с точностью в 52%, а LipNet — с точностью в 88%.

15. Писать тексты

Люди научили нейросети и работе с текстом. Программы пишут Deep-speare: A Joint Neural Model of Poetic Language, Meter and Rhyme поэмы, рассказы, фейковые тексты для «Википедии», сценарии для сериалов (например, для «Друзей»).

А в 2016 году вышел первый в мире короткометражный фильм Sunspring, сценарий к которому написал искусственный интеллект. Кино абсолютно бессмысленное: творчество компьютерам пока даётся с трудом. Но как знать, может, спустя несколько лет профессия сценариста сведётся к редактуре произведений, созданных машиной.

10 доказательств того, что нейросети скоро превзойдут человека

Ребята, мы вкладываем душу в AdMe.ru. Cпасибо за то,
что открываете эту красоту. Спасибо за вдохновение и мурашки.
Присоединяйтесь к нам в Facebook и ВКонтакте

Нейронная сеть — это вид искусственного интеллекта. Она похожа на нервную систему человека, состоит из слоев отдельных вычислительных элементов — нейронов — и умеет самообучаться. Искусственный интеллект развивается гораздо быстрее наших представлений о нем, во многом он уже умнее своих создателей.

AdMe.ru рассказывает, что уже умеют нейросети и что сумеют в самом ближайшем будущем. В конце статьи вас ждет бонус — история о том, как искусственный интеллект воспитывает кошек.

1. Редактируют изображения

Благодаря сервисам Deep Dream, Prisma и Mlvch, которые используют искусственный интеллект для обработки фото и видео, о нейросетях узнали миллионы людей. Такие приложения могут превратить вашу фотографию в шедевр в стиле Ван Гога или да Винчи, а компания Nvidia представила нейросеть, которая создает очень убедительные фейковые видео, например превращает зиму в лето.

Однако нейросети умеют не только развлекать нас, но и делать гораздо более серьезные вещи.

2. Ставят диагнозы точнее, чем врачи

Ежегодно около 20 млн человек умирают от болезней сердца. Исследователи из Ноттингемского университета загрузили в нейросеть данные 295 тыс. пациентов, научив ее оценивать степень риска сердечно-сосудистых заболеваний, а затем протестировали на 80 тыс. историях болезни. И если обычный врач (с помощью стандартной шкалы Американской коллегии кардиологии) может определить вероятность инсульта у пациента с точностью 72,8 %, то обученный искусственный интеллект — с точностью 74–76 %. Исследователи пишут, что это могло бы спасти на 355 жизней больше.

А приложение SkinVision по фотографии родинки может с точностью 83 % определить, злокачественное это образование или нет.

3. Помогают увеличить урожай

Microsoft и исследовательский институт Icrisat разработали приложение, которое анализирует данные и определяет лучшее время для посева, следит за состоянием почвы и подбирает нужные удобрения. Участвующие в проекте индийские фермеры начинали посев после соответствующего СМС и в результате собрали урожай на 30–40 % больше обычного.

4. Разоблачают мошенников

Во всем мире активно борются с финансовым мошенничеством и отмыванием денег, но с появлением нейросетей эта борьба стала намного эффективнее. Платежная система PayPal с помощью искусственного интеллекта сравнивает миллионы транзакций и находит среди них подозрительные, а некоторые банки используют систему идентификации лиц, сравнивая фотографии из своей базы данных и фото со стоек обслуживания в банках, из-за чего выдача кредитов по поддельным документам сократилась в 10 раз.

5. Ловят преступников

В сентябре 2017 года на фестивале пива в Циндао (Китай) нейросеть помогла поймать 25 преступников, один из которых был в бегах целых 10 лет. 18 уличных камер подключили к системе распознавания лиц, и на обнаружение тех, кто скрывался от полиции, ушла всего 1 секунда.

6. Предупреждают об акулах

Австралия занимает 2-е место после США по количеству нападений акул на людей. С осени 2017 года страна использует для патрулирования берегов дроны с искусственным интеллектом. Они разработаны сотрудниками Технологического университета Сиднея и умеют определять акул с точностью 90 %, тогда как человек отличает акул от других морских животных лишь 20–30 % случаев. Если дрон видит опасность, он предупреждает пловцов с помощью громкоговорителя, а также может сбросить им небольшой спасательный плот и сигнальный маячок.

7. Сочиняют музыку

Искусственный интеллект под псевдонимом Аарон выпустил свою первую музыкальную композицию в сотрудничестве с известной американской певицей и актрисой Тэрин Саузерн (Taryn Southern). В клипе «Break Free» Аарон является и композитором, и создателем видеоряда.

А вот нейросеть, созданная компанией Sony, сочиняет музыку, вдохновляясь классическими произведениями Иоганна Себастьяна Баха.

8. Пишут книги

Писать книги нейросетям пока помогают люди — они начинают предложения, а программа заканчивает их. Разработчики из Botnik Studios познакомили искусственный интеллект со всеми книгами Джоан Роулинг, а затем соединили лучшие варианты, которые предложила программа, в книгу под названием «Гарри Поттер и портрет того, что похоже на большую кучу золы». Она получилась странной, но смешной и изобилует перлами вроде «Футболка Рона с надписью „Рон“ была так же плоха, как и сам Рон».

А одна из книг, написанная японским алгоритмом, — «День, когда Компьютер написал роман» — прошла отборочный этап известной литературной премии.

9. Обыгрывают человека в интеллектуальные игры

Еще недавно специалисты считали, что на разработку искусственного интеллекта, способного играть в такую сложную игру, как го, уйдут десятилетия. Но в 2015 году нейросеть AlphaGo стала первой программой, победившей профессионального игрока в го, а весной 2017 года более сложная версия программы обыграла Кэ Цзэ, самого сильного игрока в го в мире. Человечество играет в эту игру уже 3 000 лет, а нейросети понадобилось для обучения всего 70 часов. Алгоритм программы универсален, поэтому способен выполнить и другие задачи подобного уровня.

10. Водят автомобили

Беспилотные автомобили уже работают, например, в качестве такси в лондонском аэропорту Хитроу, и специалисты обещают, что на массовом рынке они появятся к 2025 году. Искусственный интеллект будет не только ориентироваться на дороге, распознавая препятствия, но и самостоятельно проводить диагностику автомобиля и запоминать предпочтения пассажиров: температуру в салоне, громкость музыки и положение сидений.

Бонус: нейросети воспитывают кошек

Инженер компании Nvidia Роберт Бонд столкнулся с проблемой: любимый сад его жены облюбовали в качестве туалета соседские кошки. Ловушки для незваных гостей показались Роберту жестокой идеей, и он создал программу, которая распознавала появление кошек и включала автоматическую систему полива газона. Обучение нейросети не сразу было удачным — пару раз она принимала за кошку тень Бонда, в результате чего он сам оказывался мокрым с ног до головы. Но после загрузки дополнительных изображений кошек с разных ракурсов нейросеть начала безошибочно узнавать животных, и они перестали посещать газон инженера.

Что умеют нейросети: 10 крутых примеров из недавних новостей

Мы погуляли по телеграм-каналам и насобирали кучу всего интересного о нейросетях. Вот наши основные источники:

  • @denissexy Denis Sexy IT: «О нейронных сетях, виртуальной реальности и технологиях – простым языком»
  • @brodetsky Технологии, медиа и общество
  • @pathetic_low_freq Жалкие низкочастотники: «персональный канал безумных ссылок. Ожидаются: безумные картинки, странная математика, нёрдовский юмор»
  • @NeuralShit «Проклятые нейронные сети»
  • @mustreads «Рациональность, трансгуманизм, книги и статьи»
  • @CGIT_Vines «Канал о сферах CG, Игр и Нейроcетей, всё с помощью чего мы генерируем визуальное и интерактивное искусство»
  • @addmeto

Под каждым примером дали ссылку на источник.

«Удаление» человека с видеоизображения в режиме реального времени

Вы помните, как в кино на камеры подавали статическое изображение, чтобы не было видно злоумышленников? Так вот, им даже не снилось, что когда-то можно будет просто вставить в код камеры алгоритм, который стирает вас с видео, все остальное будет реальным.

Редкий случай, когда до такого не додумались даже в фантастических фильмах. Обратите внимание, система работает прямо в браузере, на клиентской стороне.

Поиск людей, похожих на художественный портрет

Что будет, если дать немного модернизированной нейронке StyleGAN2 на вход лицо с классической картины и попросить сгенерировать лица людей, которые по мнению нейронки максимально подходят под эти картины?

Получится что-то вроде такого, как ниже.

Шахматная партия с программой, пишущей тексты

Недавно была сыграна удивительная шахматная партия. Играла компьютерная программа против человека. Но удивителен не результат партии (шахматные программы сегодня легко обыгрывают даже чемпионов мира, хотя в этот раз победил человек), а то, что это была за программа. Это GPT-2, нейросеть, которая продолжает за тебя написанный текст.

GPT-2 успешно сопротивлялась в партии против человека … даже не зная о том, что играет в шахматы. Нейроcети дали тексты шахматной нотации (записи ходов латиницей, т.е. e2-e4 и т.д.) – базу из нескольких миллионов сыгранных шахматных партий. При этом программу не учили правилам шахмат, для неё все эти записи партий были просто текстом.

Вот инструкция для тех, кто хочет тоже сыграть партию с GPT.

«Пересадка» лиц актёров

DeepFake-ролики становятся всё более правдоподобными – вот, например, Роберт Дауни младший и Том Холланд в «Назад в будущее».

Можете потом сказать внукам, что это вырезанная сцена из «Мстителей: Финал». Но лучше, конечно, покажите оригинал.

Если хотите сами попробовать сделать DeepFake, вот туториал.

Один из главных популяризаторов Deepfake – Hao Li, у него миллион разных регалий, в том числе он сыграл ключевую роль в появлении анимоджи на IphoneX, бывший научный руководитель ILM и много чего еще.

На этом видео он тизерит своё приложение Pinscreen и алгоритмы, используемые в нем, в контексте вреда Deepfake для человечества на всемирном экономическом форуме в Давосе.

Массовое распространение дезинформации

Пример не из радостных, но хорошо, что такое пока умеют распознавать.

Facebook отчитался, что заблокировал 610 FB аккаунтов, 89 страниц, 156 групп (с названиями вроде «America Needs President Trump, TRUMP MAGA 2020, WE STAND WITH TRUMP & PENCE!») и 72 Instagram аккаунта из единого ботнета, у всех у них были аватарки, сгенерированные нейронной сетью. Владельцы ботнета потратили 9 миллионов долларов на рекламу «За-Трамповых взглядов» и «Анти-китайской пропаганды».

Читайте также:  10 дел, которые так хочется успеть сделать в старом году

В Facebook сказали, что вычислили их по «фону», потому что на нем видны артефакты и следы алгоритмического шума. Вопрос времени, когда фон станет нормальным и придется искать новые способы выявления таких фотографий.

Колоризация фотографий

С каждым годом качество колоризации становится лучше, на фото ниже новая версия алгоритма DeOldify, пока не выложенная в паблик, но которая уже сейчас выглядит лучше, чем все, что было до этого.

Вы можете скинуть автору алгоритма ЧБ фото, и он вышлет вам, что получилось, кроме того можно посмотреть другие примеры:

Оптимизация поиска новых лекарств

Проблема современной фармакологии в том, что для разработки новых лекарств приходится создавать и тестировать очень сложные молекулы. Молекулы могут иметь много разных параметров.

Чтобы синтезировать и протестировать все потенциально эффективные формулы, фармацевтам элементарно не хватает времени и ресурсов. Цикл создания нового лекарственного препарата может составлять до пяти лет. Но вот это моделирование разных молекул и прогнозирование свойств вещества исходя из устройства молекулы – отличная задача для искусственного интеллекта.

Так вот, британский стартап совместно с японской фармацевтической компанией нашёл с помощью ИИ формулу потенциально нового средства от обсессивно-компульсивного расстройства. Скоро в Японии пройдёт первый этап его клинического тестирования.

Вы могли видеть об этом заголовки вроде «ИИ создал новое лекарство», но всё немного сложнее. Новое вещество может стать лекарством только после нескольких этапов клинических испытаний – оно должно оказаться эффективным, не токсичным и так далее.

То, что удалось сделать с помощью ИИ – по сути, дотестовая оптимизация, то есть лишь начальный этап разработки лекарства. Без ИИ формулы таких лекарств подбирают 2-3 года. Здесь же ИИ справился с перебором разных комбинаций и параметров молекулы всего за год.

В общем, всё как в большинстве новостей про ИИ – машины пока не дают таких фантастических результатов, как хотелось бы (т.е. до «нажали кнопку – получили новое лекарство» ещё очень далеко), но позволяют заметно оптимизировать рутинные процессы.

Создание анимаций с большими значениями FPS

Следующий пример искусственного интеллекта позволяет создавать новые кадры в видео и анимациях, делая движение объектов более гладким.

Вот пример с Чебурашкой. Чтобы почувствовать более гладкое движение, нужно поставить на YouTube 720p50.

Распознавание дорожных знаков для ограничения скорости автомобиля

В автомобилях Tesla есть опция Speed Assist – камера распознаёт дорожные знаки с ограничением скорости и передаёт данные системе круиз-контроля. Удобная фича – водителю не надо лишний раз обращать внимание на дорожные знаки, машина сама их видит и разгоняется только до разрешенной скорости.

Но в лаборатории McAfee нашли занятный баг – наклеив на дорожный знак всего одну наклейку, систему распознавания можно обмануть и заставить машину разгоняться до 85 миль в час вместо 35. Баг не работает в новых моделях Driver Assistant, но много машин используют старую версию. Побыстрее бы его пофиксили, а то ведь такую наклейку могут наклеить на знак не только исследователи в рамках эксперимента.

Оценка привлекательности

Есть такой краудсорсинговый сервис Photofeeler для отбора фотографий (для резюме, тиндера и т.п.), куда можно загрузить свою фотографию и получить оценок по разным шкалам (ум, привлекательность, благонадежность) от сообщества – это условно бесплатно, но чтобы получить оценки, надо самому оценить сколько-то чужих фотографий.

Так вот они подсобрали данных и обучили на них сетку Photofeeler-D3, неплохо предсказывающую человеческие оценки, в т. ч. по видеопотоку. Выше – пример видео из поста, где автор кривляется перед камерой, а сетка оценивает результат в реальном времени. Очки добавляют ума, но крадут привлекательность 😉

Бонус: пара ссылок позалипать

  • Для визуалов: бесконечная лента картин, созданных нейронкой
  • Для аудиалов: музыка, сгенированная нейронной сетью

Думаете, что уж вас-то нейросети не обманут? Держите ссылку на наш клевый тест об успехах ИИ.

Если знаете ещё классные примеры, скидывайте в комментарии.

Хотите узнать больше – подписывайтесь на вышеперечисленные каналы и читайте наши статьи:

  • Наглядное введение в нейросети на примере распознавания цифр
  • От новичка до профи в машинном обучении – план самообразования

У нас тоже есть канал в телеграм (@proglibrary), учитесь вместе с нами.

Что может и чего не может нейросеть: пятиминутный гид для новичков

С момента описания первого искусственного нейрона Уорреном Мак-Каллоком и Уолтером Питтсом прошло более пятидесяти лет. С тех пор многое изменилось, и сегодня нейросетевые алгоритмы применяются повсеместно. И хотя нейронные сети способны на многое, исследователи при работе с ними сталкиваются с рядом трудностей: от переобучения до проблемы «черного ящика».

Если термины «катастрофическая забывчивость» и «регуляризация весов» вам пока ни о чем не говорят, читайте дальше: попробуем разобраться во всем по порядку.

/ Фотография Jun / CC-SA

За что мы любим нейросети

Основное преимущество нейронных сетей перед другими методами машинного обучения состоит в том, что они могут распознавать более глубокие, иногда неожиданные закономерности в данных. В процессе обучения нейроны способны реагировать на полученную информацию в соответствии с принципами генерализации, тем самым решая поставленную перед ними задачу.

К областям, где сети находят практическое применение уже сейчас, можно отнести медицину (например, очистка показаний приборов от шумов, анализ эффективности проведённого лечения), интернет (ассоциативный поиск информации), экономику (прогнозирование курсов валют, автоматический трейдинг), игры (например, го) и другие. Нейросети могут использоваться практически для чего угодно в силу своей универсальности. Однако волшебной таблеткой они не являются, и чтобы они начали функционировать должным образом, требуется проделать много предварительной работы.

Обучение нейросетей 101

Одним из ключевых элементов нейронной сети является способность обучаться. Нейронная сеть — это адаптивная система, умеющая изменять свою внутреннюю структуру на базе поступающей информации. Обычно такой эффект достигается с помощью корректировки значений весов.

Связи между нейронами на соседних слоях нейросети — это числа, описывающие значимость сигнала между двумя нейронами. Если обученная нейронная сеть верно реагирует на входную информацию, то настраивать веса нет необходимости, а в противном случае с помощью какого-либо алгоритма обучения нужно изменить веса, улучшив результат.

Как правило, это делают с помощью метода обратного распространения ошибки: для каждого из обучающих примеров веса корректируются так, чтобы уменьшить ошибку. Считается, что при правильно подобранной архитектуре и достаточном наборе обучающих данных сеть рано или поздно обучится.

Существует несколько принципиально отличающихся подходов к обучению, в привязке к поставленной задаче. Первый — обучение с учителем. В этом случае входные данные представляют собой пары: объект и его характеристику. Такой подход применяется, например, в распознавании изображений: обучение проводится по размеченной базе из картинок и расставленных вручную меток того, что на них нарисовано.

Самой известной из таких баз является ImageNet. При такой постановке задачи обучение мало чем отличается от, например, распознавания эмоций, которым занимается Neurodata Lab. Сети демонстрируются примеры, она делает предположение, и, в зависимости от его правильности, корректируются веса. Процесс повторяется до тех пор, пока точность не увеличивается до искомых величин.

Второй вариант — обучение без учителя. Типичными задачами для него считаются кластеризация и некоторые постановки задачи поиска аномалий. При таком раскладе истинные метки обучающих данных нам недоступны, но есть необходимость в поиске закономерностей. Иногда схожий подход применяют для предобучения сети в задаче обучения с учителем. Идея состоит в том, чтобы начальным приближением для весов было не случайное решение, а уже умеющее находить закономерности в данных.

Ну и третий вариант — обучение с подкреплением — стратегия, построенная на наблюдениях. Представьте себе мышь, бегущую по лабиринту. Если она повернет налево, то получит кусочек сыра, а если направо — удар током. Со временем мышь учится поворачивать только налево. Нейронная сеть действует точно так же, подстраивая веса, если итоговый результат — «болезненный». Обучение с подкреплением активно применяется в робототехнике: «ударился ли робот в стену или остался невредим?». Все задачи, имеющие отношение к играм, в том числе самая известная из них — AlphaGo, основаны именно на обучении с подкреплением.

Переобучение: в чем проблема и как ее решить

Главная проблема нейросетей — переобучение. Оно заключается в том, что сеть «запоминает» ответы вместо того, чтобы улавливать закономерности в данных. Наука поспособствовала появлению на свет нескольких методов борьбы с переобучением: сюда относятся, например, регуляризация, нормализация батчей, наращивание данных и другие. Иногда переобученная модель характеризуется большими абсолютными значениями весов.

Механизм этого явления примерно такой: исходные данные нередко сильно многомерны (одна точка из обучающей выборки изображается большим набором чисел), и вероятность того, что наугад взятая точка окажется неотличимой от выброса, будет тем больше, чем больше размерность. Вместо того, чтобы «вписывать» новую точку в имеющуюся модель, корректируя веса, нейросеть как будто придумывает сама себе исключение: эту точку мы классифицируем по одним правилам, а другие — по другим. И таких точек обычно много.

Очевидный способ борьбы с такого рода переобучением – регуляризация весов. Она состоит либо в искусственном ограничении на значения весов, либо в добавлении штрафа в меру ошибки на этапе обучения. Такой подход не решает проблему полностью, но чаще всего улучшает результат.

Второй способ основан на ограничении выходного сигнала, а не значений весов, — речь о нормализации батчей. На этапе обучения данные подаются нейросети пачками — батчами. Выходные значения для них могут быть какими угодно, и тем их абсолютные значения больше, чем выше значения весов. Если из каждого из них мы вычтем какое-то одно значение и поделим результат на другое, одинаково для всего батча, то мы сохраним качественные соотношения (максимальное, например, все равно останется максимальным), но выход будет более удобным для обработки его следующим слоем.

Третий подход работает не всегда. Как уже говорилось, переобученная нейросеть воспринимает многие точки как аномальные, которые хочется обрабатывать отдельно. Идея состоит в наращивании обучающей выборки, чтобы точки были как будто той же природы, что и исходная выборка, но сгенерированы искусственно. Однако тут сразу рождается большое число сопутствующих проблем: подбор параметров для наращивания выборки, критическое увеличение времени обучения и прочие.

Эффект от удаления аномального значения из тренировочного свода данных (источник)

В обособленную проблему выделяется поиск настоящих аномалий в обучающей выборке. Иногда это даже рассматривают как отдельную задачу. Изображение выше демонстрирует эффект исключения аномального значения из набора. В случае нейронных сетей ситуация будет аналогичной. Правда, поиск и исключение таких значений — нетривиальная задача. Для этого применяются специальные техники — подробнее о них вы можете прочитать по ссылкам (здесь и здесь).

Читайте также:  10 гениальных людей, в бредовые идеи которых никто не верил

Одна сеть – одна задача или «проблема катастрофической забывчивости»

Работа в динамически изменяющихся средах (например, в финансовых) сложна для нейронных сетей. Даже если вам удалось успешно натренировать сеть, нет гарантий, что она не перестанет работать в будущем. Финансовые рынки постоянно трансформируются, поэтому то, что работало вчера, может с тем же успехом «сломаться» сегодня.

Здесь исследователям или приходится тестировать разнообразные архитектуры сетей и выбирать из них лучшую, или использовать динамические нейронные сети. Последние «следят» за изменениями среды и подстраивают свою архитектуру в соответствии с ними. Одним из используемых в этом случае алгоритмов является метод MSO (multi-swarm optimization).

Более того, нейросети обладают определенной особенностью, которую называют катастрофической забывчивостью (catastrophic forgetting). Она сводится к тому, что нейросеть нельзя последовательно обучить нескольким задачам — на каждой новой обучающей выборке все веса нейронов будут переписаны, и прошлый опыт будет «забыт».

Безусловно, ученые трудятся над решением и этой проблемы. Разработчики из DeepMind недавно предложили способ борьбы с катастрофической забывчивостью, который заключается в том, что наиболее важные веса в нейронной сети при выполнении некой задачи А искусственно делаются более устойчивыми к изменению в процессе обучения на задаче Б.

Новый подход получил название Elastic Weight Consolidation (упругое закрепление весов) из-за аналогии с упругой пружинкой. Технически он реализуется следующим образом: каждому весу в нейронной сети присваивается параметр F, который определяет его значимость только в рамках определенной задачи. Чем больше F для конкретного нейрона, тем сложнее будет изменить его вес при обучении новой задаче. Это позволяет сети «запоминать» ключевые навыки. Технология уступила «узкоспециализированным» сетям в отдельных задачах, но показала себя с лучшей стороны по сумме всех этапов.

Армированный черный ящик

Еще одна сложность работы с нейронными сетями состоит в том, что ИНС фактически являются черными ящиками. Строго говоря, кроме результата, из нейросети не вытащишь ничего, даже статистические данные. При этом сложно понять, как сеть принимает решения. Единственный пример, где это не так — сверточные нейронные сети в задачах распознавания. В этом случае некоторые промежуточные слои имеют смысл карт признаков (одна связь показывает то, встретился ли какой-то простой шаблон в исходной картинке), поэтому возбуждение различных нейронов можно отследить.

Разумеется, указанный нюанс делает достаточно сложным использование нейронных сетей в приложениях, когда ошибки критичны. Например, менеджеры фондов не могут понять, как нейронная сеть принимает решения. Это приводит к тому, что невозможно корректно оценить риски торговых стратегий. Аналогично банки, прибегающие к нейронным сетям для моделирования кредитных рисков, не смогут сказать, почему этот самый клиент имеет сейчас именно такой кредитный рейтинг.

Поэтому разработчики нейросетей ищут способы обойти это ограничение. Например, работа ведется над так называемыми алгоритмами изъятия правил (rule-extraction algorithms), чтобы повысить прозрачность архитектур. Эти алгоритмы извлекают информацию из нейросетей либо в виде математических выражений и символьной логики, либо в виде деревьев решений.

Нейронные сети — это лишь инструмент

Само собой, искусственные нейронные сети активно помогают осваивать новые технологии и развивать существующие. Сегодня на пике популярности находится программирование беспилотных автомобилей, в которых нейросети в режиме реального времени анализируют окружающую обстановку. IBM Watson из года в год открывает для себя всё новые прикладные области, включая медицину. В Google существует целое подразделение, которое занимается непосредственно искусственным интеллектом.

Вместе с тем порой нейронная есть — не лучший способ решить задачу. Например, сети «отстают» по таким направлениям, как создание изображений высокого разрешения, генерация человеческой речи и глубокий анализ видеопотоков. Работа с символами и рекурсивными структурами также даётся нейросистемам нелегко. Верно это и для вопросно-ответных систем.

Изначально идея нейронных сетей заключалась в копировании и даже воссоздании механизмов функционирования мозга. Однако человечеству по-прежнему нужно разрешить проблему скорости работы нейронных сетей, разработать новые алгоритмы логического вывода. Существующие алгоритмы по меньшей мере в 10 раз уступают возможностям мозга, что неудовлетворительно во многих ситуациях.

При этом ученые до сих пор не до конца определились, в каком направлении следует развивать нейросети. Индустрия старается как максимально приблизить нейросети к модели человеческого мозга, так и генерировать технологии и концептуальные схемы, абстрагируясь ото всех «аспектов человеческой природы». На сегодняшний день — это что-то вроде «открытого произведения» (если воспользоваться термином Умберто Эко), где практически любые опыты допустимы, а фантазии – приемлемы.

Деятельность ученых и разработчиков, занимающихся нейросетями, требует глубокой подготовки, обширных знаний, использования нестандартных методик, поскольку нейросеть сама по себе — это не «серебряная пуля», способная решить любые проблемы и задачи без участия человека. Это комплексный инструмент, который в умелых руках может делать удивительные вещи. И у него еще всё впереди.

10 доказательств того, что нейросети скоро превзойдут человека

Нейронная сеть — это вид искусственного интеллекта. Она похожа на нервную систему человека, состоит из слоев отдельных вычислительных элементов — нейронов — и умеет самообучаться. Искусственный интеллект развивается гораздо быстрее наших представлений о нем, во многом он уже умнее своих создателей.

Labuda.blog рассказывает, что уже умеют нейросети и что сумеют в самом ближайшем будущем. В конце статьи вас ждет бонус — история о том, как искусственный интеллект воспитывает кошек.

1. Редактируют изображения

Благодаря сервисам Deep Dream, Prisma и Mlvch, которые используют искусственный интеллект для обработки фото и видео, о нейросетях узнали миллионы людей. Такие приложения могут превратить вашу фотографию в шедевр в стиле Ван Гога или да Винчи, а компания Nvidia представила нейросеть, которая создает очень убедительные фейковые видео, например превращает зиму в лето.

Однако нейросети умеют не только развлекать нас, но и делать гораздо более серьезные вещи.

2. Ставят диагнозы точнее, чем врачи

Ежегодно около 20 млн человек умирают от болезней сердца. Исследователи из Ноттингемского университета загрузили в нейросеть данные 295 тыс. пациентов, научив ее оценивать степень риска сердечно-сосудистых заболеваний, а затем протестировали на 80 тыс. историях болезни. И если обычный врач (с помощью стандартной шкалы Американской коллегии кардиологии) может определить вероятность инсульта у пациента с точностью 72,8 %, то обученный искусственный интеллект — с точностью 74–76 %. Исследователи пишут, что это могло бы спасти на 355 жизней больше.

А приложение SkinVision по фотографии родинки может с точностью 83 % определить, злокачественное это образование или нет.

3. Помогают увеличить урожай

Microsoft и исследовательский институт Icrisat разработали приложение, которое анализирует данные и определяет лучшее время для посева, следит за состоянием почвы и подбирает нужные удобрения. Участвующие в проекте индийские фермеры начинали посев после соответствующего СМС и в результате собрали урожай на 30–40 % больше обычного.

4. Разоблачают мошенников

Во всем мире активно борются с финансовым мошенничеством и отмыванием денег, но с появлением нейросетей эта борьба стала намного эффективнее. Платежная система PayPal с помощью искусственного интеллекта сравнивает миллионы транзакций и находит среди них подозрительные, а некоторые банки используют систему идентификации лиц, сравнивая фотографии из своей базы данных и фото со стоек обслуживания в банках, из-за чего выдача кредитов по поддельным документам сократилась в 10 раз.

5. Ловят преступников

В сентябре 2017 года на фестивале пива в Циндао (Китай) нейросеть помогла поймать 25 преступников, один из которых был в бегах целых 10 лет. 18 уличных камер подключили к системе распознавания лиц, и на обнаружение тех, кто скрывался от полиции, ушла всего 1 секунда.

6. Предупреждают об акулах

Австралия занимает 2-е место после США по количеству нападений акул на людей. С осени 2017 года страна использует для патрулирования берегов дроны с искусственным интеллектом. Они разработаны сотрудниками Технологического университета Сиднея и умеют определять акул с точностью 90 %, тогда как человек отличает акул от других морских животных лишь 20–30 % случаев. Если дрон видит опасность, он предупреждает пловцов с помощью громкоговорителя, а также может сбросить им небольшой спасательный плот и сигнальный маячок.

7. Сочиняют музыку

Искусственный интеллект под псевдонимом Аарон выпустил свою первую музыкальную композицию в сотрудничестве с известной американской певицей и актрисой Тэрин Саузерн (Taryn Southern). В клипе «Break Free» Аарон является и композитором, и создателем видеоряда.

А вот нейросеть, созданная компанией Sony, сочиняет музыку, вдохновляясь классическими произведениями Иоганна Себастьяна Баха.

8. Пишут книги

Писать книги нейросетям пока помогают люди — они начинают предложения, а программа заканчивает их. Разработчики из Botnik Studios познакомили искусственный интеллект со всеми книгами Джоан Роулинг, а затем соединили лучшие варианты, которые предложила программа, в книгу под названием «Гарри Поттер и портрет того, что похоже на большую кучу золы». Она получилась странной, но смешной и изобилует перлами вроде «Футболка Рона с надписью „Рон“ была так же плоха, как и сам Рон».

А одна из книг, написанная японским алгоритмом, — «День, когда Компьютер написал роман» — прошла отборочный этап известной литературной премии.

9. Обыгрывают человека в интеллектуальные игры

Еще недавно специалисты считали, что на разработку искусственного интеллекта, способного играть в такую сложную игру, как го, уйдут десятилетия. Но в 2015 году нейросеть AlphaGo стала первой программой, победившей профессионального игрока в го, а весной 2017 года более сложная версия программы обыграла Кэ Цзэ, самого сильного игрока в го в мире. Человечество играет в эту игру уже 3 000 лет, а нейросети понадобилось для обучения всего 70 часов. Алгоритм программы универсален, поэтому способен выполнить и другие задачи подобного уровня.

10. Водят автомобили

Беспилотные автомобили уже работают, например, в качестве такси в лондонском аэропорту Хитроу, и специалисты обещают, что на массовом рынке они появятся к 2025 году. Искусственный интеллект будет не только ориентироваться на дороге, распознавая препятствия, но и самостоятельно проводить диагностику автомобиля и запоминать предпочтения пассажиров: температуру в салоне, громкость музыки и положение сидений.

Бонус: нейросети воспитывают кошек

Инженер компании Nvidia Роберт Бонд столкнулся с проблемой: любимый сад его жены облюбовали в качестве туалета соседские кошки. Ловушки для незваных гостей показались Роберту жестокой идеей, и он создал программу, которая распознавала появление кошек и включала автоматическую систему полива газона. Обучение нейросети не сразу было удачным — пару раз она принимала за кошку тень Бонда, в результате чего он сам оказывался мокрым с ног до головы. Но после загрузки дополнительных изображений кошек с разных ракурсов нейросеть начала безошибочно узнавать животных, и они перестали посещать газон инженера.

Добавить комментарий