ИТ Транспорт и связь

Виды нейронных сетей

Их используют для распознавания изображений, видео, объектов и лиц. Она имеет не три, а пять слоев: входной, сверточный, объединяющий, связанный и выходной. Это особенно важно в условиях изменения масштаба и угла наклона картинки. Каждый слой исследует определенный аспект изображения, а затем соединяет всю информацию вместе на выходе.

Сегодня сфера искусственного интеллекта переживает бурный рост. Развитие машинного обучения, нейронных сетей и больших данных позволяет создавать системы, способные решать задачи, которые раньше считались невозможными для ЭВМ. Со стороны это кажется магией. Но волшебству есть научное объяснение. Рассказываем простыми словами о сложном, отвечая на самые популярные вопросы о новых технологиях.

Нейросеть (англ. neural network) — математическая модель нейронной сети, которая имитирует работу человеческого мозга. Нейросети состоят из множества взаимосвязанных искусственных нейронов, способных обрабатывать большие массивы данных и находить в них сложные закономерности. Возможности нейросетей позволяют ИИ-помощникам понимать речь, генерировать связный текст, распознавать и создавать изображения.

Под машинным обучением понимается любое обучение искусственного интеллекта за счет решения множества сходных задач. А глубокое обучение — передовая методология машинного. С помощью нее ИИ получает информацию из множества источников и анализирует ее без вмешательства человека.

Примечание: При такой модели обучение нейронной сети сводится к изменению коэффициенту весов, то есть связи между отдельными нейронами. Если вес положительный — сигнал в нейроне усиливается, нулевой — нейроны не влияют друг на друга, отрицательный — сигнал в принимающем нейроне погашается.

Как и люди, нейросети могут правильно решать новые задачи, опираясь на предшествующий опыт. Эти умные программы анализируют новую информацию, обобщают её и применяют выученные шаблоны к новым задачам. Если дать нейросети примеры «правильной» работы для решения задачи, то она может совершенствовать свою работу дальше.

ИИ и нейросеть: в чём разница

Нейронные сети прямого распространения (Feed forward neural networks, FFNN). Прямолинейный вид нейросетей, при котором соседние узлы слоя не связаны, а передача информации осуществляется напрямую от входного слоя к выходному. FFNN имеют малую функциональность, поэтому часто используются в комбинации с сетями других видов.

Перцептрон — самый фундаментальный и старый тип. Состоит из одного нейрона, который принимает входные данные и практически сразу выдает результат. У классического варианта этой нейросети нет скрытых слоев, поэтому она может разделять данные только на две категории. Примером использования перцептрона может быть задача классификации почтовых отправлений на спам и не спам.

Примечание: Работа нейронной сети сравнима с действиями человека: сталкиваясь с незнакомым предметом, он узнает его свойства и делает выводы. Аналогичные процессы происходят в узлах нейросетей, когда решая определенную задачу, они используют полученный опыт для дальнейшего обучения.

Настроения в обществе тоже были далеки от оптимизма. Людей пугала мысль, какую власть могут получить «думающие машины», способные программировать сами себя. Писатели-фантасты (Айзек Азимов, Гарри Гаррисон) в своих произведениях размышляли, какое влияние нейросети окажут на общество, и не всегда их прогнозы были радужны. Но программисты продолжали мечтать о компьютере, который мог бы сам исправлять ошибки разработчиков.

Мы предлагаем готовые решения для работы с искусственным интеллектом, машинным обучением и нейронными сетями. Клиентам доступны платформа для совместной ML-разработки с ускорением до +1700 GPU Tesla v100 и A100 ML Space, инструменты для обработки языка ruGPT-3 & family и другие сервисы.

Нейросеть — это математическая модель, которая имитирует работу человеческого мозга. А искусственный интеллект — технология, которая использует эти модели, чтобы решить задачу пользователя. Помимо нейросетей ИИ использует и другие инструменты: машинное обучение (Machine Learning), глубокое обучение (Deep Learning) и другие.

Как работают нейросети

Однако первые успехи нейросетей привели к завышенным ожиданиям, которые они не смогли оправдать. В конце 1960-х правительство США, где проводились основные исследования нейросетей, резко урезало финансирование подобных разработок, посчитав их не оправдывающими себя.

По-настоящему нейросети рванули вперёд с 2000-х годов, когда появилась подходящая для них техническая база. Это позволило к 2006 году разработать концепцию глубокого обучения нейросетей — вида машинного обучения на огромных массивах данных, после которого многоуровневые нейросети могли решать задачи без участия человека. Теперь нейронные сети куда эффективнее решают прикладные задачи.

Рекуррентные нейронные сети (Recurrent neural network, RNN). Используют направленную последовательность связи между узлами. В RNN результат вычислений на каждом этапе используется в качестве исходных данных для следующего. Благодаря этому, рекуррентные нейронные сети могут обрабатывать серии событий во времени или последовательности для получения результата вычислений.

К примеру, для того, чтобы распознать лицо на фотографии, нейросети сначала нужно обнаружить лицо на фотографии, затем — глаза и нос, потом идентифицировать другие детали лица, повернуть данные в соответствии с заданным алгоритмом, а затем обработать и выдать результат.

В 1958 году американский психолог Корнеллского университета Фрэнк Розенблатт повторил математическую модель нейросети с помощью компьютерного кода. Его нейрокомпьютер «Марк-1» был построен на идее персептрона — математической модели биологического нейрона. Нейросеть имела один слой (данные от входа сразу шли на вывод), но её уже можно было обучить. Она могла сама относить объекты по категориям. Например, распознавать печатные буквы на карточках.

Именно этот тип нейросетей помогает генерировать текст и переводить его. Их отличительная особенность — наличие памяти. Модель передает данные вперед и назад между слоями, так что процессы передачи и хранения данных цикличны. Поэтому сеть может запомнить все данные. Это помогает ей понять контекст входных данных и выдать осмысленный результат.

В 1943 году американские учёные — нейрофизиолог Уоррен Маккалок и нейролингвист Уолтер Питтс написали статью о том, как могут работать нейроны. Они первыми предложили термин «искусственный нейрон» и смоделировали рабочую искусственную нейронную сеть на основе электрических схем.

Самый популярный алгоритм обучения нейросети — метод обратного распространения ошибки. В начале обучения разработчик подаёт на вход тренировочные примеры и правильные ответы. Нейросеть классифицирует данные, затем сравнивает свой результат с ожидаемым и вычисляет, где была ошибка.