Нейросеть зачем нужна

Классификация объектов

Глубокие нейронные сети отличаются тем, что искусственные нейроны в них связаны друг с другом, а каждой такой связи присваивается определенный вес, который отражает ее значимость. Кроме того, связь между нейронами может быть «упреждающей». Это означает, что данные проходят через них только в одном направлении. Такое происходит, если значение «веса» соединения ниже заданного.

Нейронными сетями занимаются специалисты по машинному обучению. Они не пишут программы, основанные на алгоритмах: вместо этого они создают модель и обучают ее, а потом тестируют, насколько хорошо она работает. Есть отдельные компании, специализирующиеся на разработке нейросетей, а есть продуктовые отделы крупных IT-организаций, например Google.

Рассмотренный нами выше пример трехнейронной сети — простейший вариант нейронки прямого распространения. Сигнал от первой «клетки», получившей запрос от пользователя, передается во вторую, которая передает пользователю ответ, не информируя об этом первую клетку.

Это опять же свойство, взятое из человеческого мозга. Нейронные связи в нашей нервной системе укрепляются, когда мы что-то выучиваем, — в итоге мы помним и делаем это лучше. Так появляются знания и навыки. У искусственных нейронных сетей так же: просто вместо физического изменения нервной ткани здесь происходит изменение числовых значений.

Аналитики International Data Corporation подсчитали, что мировой рынок решений в сфере искусственного интеллекта будет расти в среднем на 18,6% ежегодно в период с 2022 по 2026 год. По мнению авторов исследования McKinsey, именно прикладной искусственный интеллект и внедрение машинного обучения стали двумя наиболее значимыми технологическими тенденциями на рынке ИИ. В 2022 году компании, занимающиеся генеративным искусственным интеллектом, привлекли $1,37 млрд — это почти столько же, сколько за предыдущие пять лет.

При обучении нейронной сети все ее «веса» изначально задаются случайными значениями. Обучающие данные подаются на нижний, или входной, слой. Затем они проходят через последующие слои, пока не достигают выходного. Во время обучения «веса» и пороговые значения постоянно корректируются до тех пор, пока данные обучения не будут постоянно давать одинаковые результаты.

Структура. Нейросеть состоит из искусственных нейронов, которые соединяются между собой. У самой примитивной нейронной сети один слой нейронов, у более сложных — несколько. Часто каждый слой занимается своей задачей, например, один распознает, другой преобразует.

Кроме того, есть входной и выходной слои. Входной принимает информацию и преобразовывает ее, например переводит картинку в матрицу из чисел. Выходной обрабатывает результат и представляет его в понятном человеку виде. Например, результат 0,77827273 он представит как «с точностью в 78% это такой-то предмет».

Где применяют нейросети и кто с ними работает

На основе тех или иных исторических данных либо значимых фактов, рассматривая их в большом количестве перечней, нейросети учатся прогнозировать ход тех или иных событий (либо предоставлять рекомендации для лучшей подготовки к событиям). Это может быть прогнозирование погоды, роста или падения акций на рынке. Так же, как, например, рекомендации по выбору товара или услуги для потребителя (с учетом предыдущих его покупок или иных факторов, характеризующих его потребительское поведение).

Компьютеры, следуя соответствующим правилам и алгоритмам, в установленном порядке комбинируют указанные данные, в результате чего может конструироваться осмысленный текст или создаваться картинка. Если человек текст придумывает (полагаясь в том числе на интуитивную составляющую), то компьютер — составляет из «конструктора», руководствуясь правилами.

Классификация Такие нейросети берут заданные данные и классифицируют их. Например, могут догадаться, к какому жанру относится текст, или оценить платежеспособность человека по его банковскому профилю Предсказание Эти сети делают какие-то выводы на основе заданной информации. Сюда можно отнести как предсказание будущих доходов по текущим данным, так и «дорисовывание» картинки Распознавание Часто применяемая задача — распознавать те или иные объекты. Такие нейросети используются в умных камерах, при наложении фотофильтров, в камерах видеонаблюдения и других подобных программах и устройствах.

Однако нейронке вовсе и не обязательно уметь думать. Ее сильная сторона в другом — способности оперировать большими объемами данных. Компьютер в сравнении с людьми глуп, однако вполне конкурентоспособен в части способности запоминать информацию (и обеспечивать ее долгое хранение).

В последние годы нейронные сети прошли путь от простых сортировщиков картинок на смартфонах до помощников в решении глобальных задач в науке. Современные нейросети способны заменить или дополнить работу человека во всех случаях, когда решение нужно принимать на основе предыдущего опыта. «РБК Тренды» разбирался, как устроены и работают нейросети, как их обучают и в каких сферах применяют.

Для работы в отрасли потребуются знания в области математики, статистики и основ программирования: знание языка Python, навыки работы с Linux, библиотеками Python для Data Science, в том числе Numpy, Matplotlib, Scikit-learn, навыки работы с базами данных, библиотеками машинного обучения PyTorch и TensorFlow.

Однако возрождение интереса к нейронным сетям и революция в глубоком обучении произошли лишь в последние годы благодаря индустрии компьютерных игр. Современные игры требуют сложных вычислений для обработки большого числа операций. В итоге производители начали выпускать графические процессоры (GPU), которые объединяют тысячи относительно простых вычислительных ядер на одном чипе. Исследователи вскоре поняли, что архитектура графического процессора очень похожа на архитектуру нейросети.

Особенность человеческой речи в том, что она не слишком стандартна — может произноситься с акцентом, диалектизмами, дефектами, разной тональностью, эмоциональной окраской. Нейросети используют большие базы данных вариаций построения речи, и это помогает более точно распознавать ее компьютерным программам соответствующего назначения.

В чем значимость нейронок?

Нейросеть (искусственная нейронная сеть) — реализованная в компьютерной программе математическая модель, которая создана по принципам действия нейронных сетей в живых организмах. Назначение этой модели — наделение компьютера функционалом для обработки информации на уровне, сопоставимом с возможностями человеческого мозга.

Идею нейронных сетей впервые предложили исследователи из Чикагского университета Уоррен Маккалоу и Уолтер Питтс в 1944 году. Первую обучаемую нейросеть в 1957 году продемонстрировал психолог Корнеллского университета Фрэнк Розенблатт. Она была примитивной (одноуровневой).

В основе биологической сети — нейроны, то есть нервные клетки, соединенные друг с другом синапсами. Связки между искусственными нейронами (алгоритмическими участками математической модели) обозначаются тем же термином. Искусственная нейросеть, подобно биологической, приспособлена к приему информации (сигналов) от другой сети, пользователя или иного источника, ее обработке и выводу (передаче в другую сеть).

Но по какой логике пересчитываются веса, понять можно. В ходе обучения нейросеть анализирует данные, а потом ей дают правильный ответ. Этот ответ для нее — числовое значение. Поэтому она подгоняет веса так, чтобы в своей работе сеть приближалась к эталонному значению. Мы подробнее расскажем об этом процессе ниже, когда поговорим про обучение.

Искусственная нейронная сеть — не модель человеческого мозга: даже самые мощные из существующих сетей не могут достигнуть таких мощностей и подобного количества нейронов. В человеческом мозгу огромное количество нервных клеток — десятки миллиардов. В искусственных нейросетях намного меньше нейронов. Для создания нейронной сети, по возможностям равной человеческому мозгу, сейчас нет мощностей.

При глубоком обучении специалист по работе с данными предоставляет нейросети только необработанные данные, а та самостоятельно извлекает функции и обучается независимо. Если результат неудовлетворительный, то цикл обучения повторяется снова, пока нейросеть не будет давать корректные ответы.