Нейросети – новые просторы для творчества или мировое зло

Если совсем коротко, то «нейросеть» – это просто сокращение от нейронная сеть. Она представляет собой математическую модель, программу, набор формул, с помощью которых стало возможным обрабатывать информацию.

Если более развёрнуто, то нейронная сеть (искусственная нейронная сеть, сокращённо ИНС) строится по принципу организации и работы биологических нейронных сетей, а именно сетей нервных клеток живого организма. Само понятие нейронной сети появилось во время изучения процессов, протекающих в головном мозге, а точнее при попытке учёных смоделировать эти самые процессы. Самыми первыми стали нейронные сети У. Маккалока и У. Питтса. Позднее, уже после появления алгоритмов обучения, эти модели начали применять в практических целях, например, для прогнозирования, распознавания образов, в задачах управления, для сочинения музыки, написания книг и рисования картин.

Что из себя представляет нейросеть?

Нейросеть состоит из нейронов, которыми называются клетки, умеющие передавать нервные сигналы и формировать нейронные связи внутри человеческого мозга. Только благодаря нейронам, разные части мозга связаны друг с другом, например, они обмениваются данными и помогают своему владельцу говорить и понимать речь, запоминать что-либо, и даже просто совершать простые движения.

Не зря многие изобретения были подсмотрены учёными из природы, так и нейроны в нейросети стали искусственными элементами, работающими наподобие человеческих. Они разделяются на получающих информацию, обрабатывающих её, и выдающих результат.

Искусственная нейронная сеть (далее нейронная сеть или просто сеть), является системой соединённых и взаимодействующих между собой простых процессоров (под которыми подразумеваются искусственные нейроны). Эти процессоры, обычно довольно просты. Так каждый из них (будучи в составе сети) работает исключительно с сигналами, получаемыми и отсылаемыми другим процессорам. Несмотря на простоту данной модели взаимодействия, после соединения в достаточно крупную сеть с управляемым взаимодействием, эти по отдельности простые процессоры, могут выполнять весьма сложные задачи. 

Нейронная сеть с разных ракурсов:

•          Согласно машинному обучению, нейронная сеть является частным случаем методов распознавания образов, дискриминантного анализа;

•          Согласно математике, обучение нейронных сетей стало многопараметрической задачей нелинейной оптимизации;

•          Согласно кибернетике, нейронные сети применяются в задачах адаптивного управления (например, выставляют автоматические настройки камеры в смартфоне), и как алгоритм для робототехники, позволяя роботам совершать определённые действия;

•          Согласно развитию вычислительной техники и программированию, нейронная сеть стала способом решения проблемы эффективного параллелизма (параллельных вычислений);

•          Согласно науке про искусственный интеллект, ИНС стала основой для философского течения коннекционизма (моделирует мыслительные или поведенческие явления) и основным направлением в структурном подходе по изучению возможности построения (моделирования) обычного разума (интеллекта) при помощи компьютерных алгоритмов.

Как работает и обучается нейросеть?

Ключевым отличием и преимуществом нейронных сетей перед традиционными алгоритмами стало их обучение. С технически стороны, обучение заключается в выявлении коэффициентов связей между нейронами. Нейросеть в процессе обучения может находить сложные зависимости между входными и выходными, данными, выполняя их обобщение. В случае успешного обучения, которое на начальных этапах настраивает программист, нейросеть может получить верный результат на основании неполных, зашумлённых или частично искажённых данных. На практике это помогает восстановить картинку на старинной фотографии, расшифровать древние языки по нескольким примерно переведённым рукописям, повысить чёткость спутникового снимка.

Недавно созданная нейросеть обучается как ребёнок. На многие вопросы она даёт неверные ответы, а программист учит её верным. Причём каждая нейросеть работает с заданными параметрами, у неё есть данные, которые она умеет различать. Она учится понимать, какие данные ей нужны, а какие нет, что подходит для текущей задачи, а что наоборот, мешает её выполнить. На примере рисунков обуви, нейросеть изучила примерную внешность древнегреческих богов, за какие направления они отвечали, какая обувь сможет соответствовать по дизайну этой информации и так далее. На начальных этапах работу сети контролировал программист, а затем она обучалась самостоятельно на основе принимаемых данных. 

Программист, меняя поступающие в нейросеть параметры, указывает на допущенные ошибки, и решение задачи запускается заново. Это происходит, пока нейросеть не придёт к верному решению. В процессе обучения она запоминает все свои промахи и в дальнейшем их уже не допускает.

Что умеет нейросеть?

Современные нейросети могут писать книги в соавторстве с человеком, например, писатель Павел Пепперштейн писал книгу «Пытаясь проснуться» совместно с нейросетью Нейро, копировавшей его стиль.

Также нейросети могут оценивать эмоциональное состояние детей в школах, выявлять вероятность развития болезни Паркинсона по походке человека, диагностировать болезнь Альцгеймера на самой ранней стадии.

Ещё нейросети умеют разделять данные по группам (например, для составления криминальной статистики), предсказывать различные события в мире финансов (например, курсы валют и стоимость акций), узнавать что-либо из большого массива данных и искать похожее в Интернете (например, фотографии, отпечатки пальцев, слепок голоса). 

Активно использует нейросети американо-английская глобальная система радиоэлектронной разведки ECHELON, про которую недавно выходила статья. (ссылка кликабельна) По слепку голоса политика, бизнесмена или военного, она находит все его переговоры за заданный промежуток времени. Причём на нескольких начальных этапах обработкой и сортировкой разведданных занимаются именно нейросети, а на финальных стадиях, уже живые сотрудники разведки.

Сбор данных для обучения нейросети

Создание и обучение нейросети на самом деле довольно сложный процесс. Одним из его этапов является обучение сети, подготовка данных для обучения и их обработка. Например, набор данных для обучения должен соответствовать строгим критериям: 

•          Репрезентативность, когда данные должны показывать истинное положение вещей в предметной области;

•          Непротиворечивость, когда противоречивые данные в обучающей выборке чаще всего приведут к ухудшению качества обучения сети.

Проверка адекватности обучения

Интересный факт, что даже в случае якобы успешного обучения, нейронная сеть далеко не всегда обучается именно тому, что от неё требовалось изучить разработчиками. Например, одну нейронную сеть обучали распознаванию моделей танков по фотографиям, а позднее оказалось, что на всех фотографиях танки были сфотографированы на похожем фоне. И в итоге сеть научилась распознавать данный тип ландшафта, вместо распознавания самих танков. Приходим к выводу, что в данном случае сеть поняла не то, что от неё требовалось, а то, что проще всего было обработать. 

Важный момент, тестирование качества обучения нейросети нужно проводить на примерах, не участвовавших в её обучении. При этом, качество обучения напрямую зависит от числа тестовых примеров. Чем их больше, тем лучше обучится сеть, всё как с человеческим мозгом. Для сложных нейронных сетей нужны тысячи и даже миллионы тестовых примеров. Тестирование качественно обученных нейронных сетей считается довольно трудной задачей, на которую уходит много времени и денег. 

Интересные факты

Нейросети уже научились делать множество вещей: сочинять песни, прогнозировать урожай, диагностировать депрессию, писать хорроры, рисовать картины, бороться с коррупцией и подделывать голоса.

С точки зрения профессиональных художников, нейросети воруют их стиль и труд, за секунды рисуя картины, на которые у человека уходит минимум несколько часов, а то и дней. В какой-то степени это сродни современному пиратству.

Ещё больше интересных статей читайте в блоге «Подводные камни техномира» (ссылка кликабельна).