Обучи себя сам. Что такое нейронные сети и как они, развлекая, меняют нашу жизнь

RYTR

Ну а последние несколько месяцев и вовсе принесли нейронным сетям и их создателям небывалую славу: выстрелило приложение FaceApp, показывающее, как вы будете выглядеть через энное количество лет. Наверное, пока мы пишем эту статью, кто-то изобрел нейросеть, которая напишет эту статью за меня… Но на самом деле, развлечения – это не предел использования нейронных сетей. Куда важнее то, чему они могут научиться и чему научить нас.

Но что еще главное – людям понравилось, и они стали готовы платить за развлечение. В итоге, когда пару лет назад белорусские разработчики создали приложение MSQRD, добавляющее маски к вашим лицам на камере онлайн, они и подумать не могли о том, что пользователем забавной игрушки станут миллионы. Популярность приложения стала так высока, что Facebook купила их за 85 миллионов долларов. Неплохо для небольшой компании!

Stable Diffusion — инструмент от группы Stability.Ai. Нейросеть создает картинку по словесному описанию. Она использует в работе кодировщик текста, который описывает каждое слово с помощью списка чисел или вектора. Генератор изображения обрабатывает эти данные и преобразует в пиксельную картинку. Нейросеть уже используют для создания контента — в телеграм-канале АктаНейро можно посмотреть, как Stable Diffusion генерирует изображения к новостям.

ruDALL-E — русская версия нейросети DALL-E от Сбера. DALL-E — одна из версий модели GPT-3, обученная генерировать изображения из текста. Первый компонент нейросети (CLIP) переводит текст в цифровую среду и создает набросок изображения. CLIP тренировали на датасете из 600 миллионов картинок с подписями. Второй компонент GLIDE детализирует изображение. На финальном этапе алгоритм доводит картинку до максимально возможного уровня качества. DALL-E активно используют в коммерческих целях. Например, журнал Cosmopolitan поместил на обложку изображение, сгенерированное нейросетью.

В обучаемости. Без этого они просто были бы еще одной математической моделью, но благодаря обучению могут приводить в шок непосвященных. Нейросети могут распознавать более глубокие, иногда неожиданные закономерности в данных. Объяснить на пальцах это не так просто. В общем смысле слова, обучение заключается в нахождении верных коэффициентов связи между нейронами, а также в обобщении данных и выявлении сложных зависимостей между входными и выходными сигналами. Если вначале ее легко обмануть, то через пару сотен тысяч действий, она легко распознает, если вы пытаетесь дать ей что-то не то.

Нейронные сети стали называть так из-за принципов работы математической модели, которая чем-то напоминает функционирование нашей нервной системы. Уверены, что вы и сами в курсе: у нас есть нейроны, образующие нервную систему. Их главная задача — распространять информацию по всему телу, используя электрические и химические сигналы. Они черпают ее из окружающей среды или организма, оценивают ее, думают, как отреагировать, а еще запоминают. Вообще, это крайне занятные штуки, и на эту тему есть множество прекрасных книг (читайте — нейроны скажут вам спасибо). Мы же вернемся к их искусственным (?) коллегам.

Придумать название и логотип компании

Стоит ли опасаться развития искусственного интеллекта до таких высот, что он потребует у вас мотоцикл и куртку? Вряд ли. Сегодня все подобные сервисы создаются скорее не для решения глобальных задач, на которые и нацелены нейросети, а для демонстрации способностей нейронной сети и проведения её обучения. «Многие прорывные результаты исследований пока не очень применимы в бизнесе. На практике зачастую разумнее использовать другие методы машинного обучения — например, различные алгоритмы, основанные на деревьях решений. Наверное, это выглядит не так захватывающе и футуристично, но эти подходы очень распространены», — пишет Борис Вольфсон, директор по развитию HeadHunter. А раз так, то человечество по-прежнему остается главным врагом самому себе

Представьте себе сельскохозяйственный комбайн, исполнительные механизмы которого снабжены множеством видеокамер. Он делает пять тысяч снимков в минуту каждого растения в полосе своей траектории. Каждый снимок сам по себе ничего не значит. Но используя нейросеть, сравнивая полученные результаты с теми, что есть в его программе, комбайн анализирует — не сорняк ли это, не поражено ли оно болезнью или вредителями. И обрабатывает каждое растение индивидуально. Фантастика? Уже не совсем. А через пять лет может стать нормой.

Нейросети пока не могут написать большой и связный текст без помощи человека. Тем не менее они помогут начать статью или рассылку, сформулировать мысль или идею. Сервисы могут быть полезны для копирайтеров, менеджеров и всех, кому приходится или хочется писать.

Инструмент создал разработчик из Google Дэн Мотценбекер на проекте AI Experiments от Google Creative Lab. Нейросеть работает на базе платформы Google Cloud Vision API и переводчика Translate API. Эти технологии позволяют с высокой точностью распознавать объекты на картинках и выдавать машинный перевод. Нейросеть считывает форму предмета, ищет совпадения, распознаеёт вещь и переводит название на выбранный язык. Сервис знает немецкий, французский, испанский, итальянский, китайский, японский, корейский, датский языки и хинди. Иногда инструмент ошибается, но, как и любая технология машинного обучения, учится на своих ошибках и совершенствуется с каждым запросом.

Потому что мощности стали позволят разрабатывать нейросети даже небольшим компаниям. А главное — появились готовые, предобученные нейросети, распознающие образы, на основании которых можно делать свои приложения, не занимаясь длительной подготовкой нейросети к работе. По сути, создав один раз нейросеть, которая что-то делает с фотографиями (различает лицо, например), вы потом сможете использовать этот алгоритм и на других подобных проектах.

Нейронные сети – это одно из направлений в разработке систем искусственного интеллекта. Не единственное, но очень популярное из-за своих возможностей в сфере развлечения. Сейчас о них говорят на каждом углу, а впервые о таких сетях услышали еще в 1943 году. Кстати, тогда еще не существовало даже понятия «искусственный интеллект», а сети уже были.