Штучний інтелект, нейронні мережі, машинне навчання — що насправді означають всі ці нині популярні поняття? Для більшості непосвячених людей, яким є і я сам, вони завжди здавалися чимось фантастичним, але насправді суть їх лежить на поверхні. У мене давно визрівала ідея написати простою мовою про штучних нейронних мережах. Дізнатися самому і розповісти іншим, що являє собою ця технологія, як вона працює, розглянути її історію та перспективи. У цій статті я постарався не залазити в нетрі, а просто і популярно розповісти про це перспективний напрямок у світі високих технологій.
Трохи історії
Вперше поняття штучних нейронних мереж (ШНМ) виникло при спробі змоделювати процеси головного мозку. Першим серйозним проривом у цій сфері можна вважати створення моделі нейронних мереж МакКаллока-Піттса в 1943 році. Вченими вперше була розроблена модель штучного нейрона. Ними також була запропонована конструкція мережі таких елементів для виконання логічних операцій. Але найголовніше, вченими було доведено, що така мережа здатна навчатись.
Наступним важливим кроком стала розробка Дональдом Хеббом першого алгоритму обчислення ІНС в 1949 році, який став основоположним на кілька наступних десятиліть. У 1958 році Френком Розенблатт був розроблений парцептрон — система, що імітує процеси головного мозку. У свій час технологія не мала аналогів і досі є основоположною в нейронних мережах. У 1986 році практично одночасно, незалежно один від одного американськими й радянськими вченими був істотно допрацьований основний метод навчання багатошарового перцептрона. У 2007 році нейронні мережі перенесли друге народження. Британський інформатик Джеффрі Хінтоном вперше розробив алгоритм глибокого навчання багатошарових нейронних мереж, який зараз, наприклад, використовується для роботи безпілотних автомобілів.
Коротко про головне
У загальному сенсі слова, нейронні мережі — це математичні моделі, що працюють за принципом мереж нервових клітин тваринного організму. ШНМ можуть бути реалізовані як у програмовані, так і апаратні рішення. Для простоти сприйняття нейрон можна уявити як певну комірку, у якій є безліч вхідних отворів і один вихідний. Яким чином численні вхідні сигнали формуються виходить, як раз і визначає алгоритм обчислення. На кожен вхід нейрона подаються дієві значення, які потім поширюються по межнейронним зв’язків (синопсисам). У синапсів є один параметр — вага, завдяки якому вхідна інформація змінюється при переході від одного нейрона до іншого. Найлегше принцип роботи нейромереж можна представити на прикладі змішування кольорів. Синій, зелений і червоний нейрон мають різні ваги. Інформація того нейрона, вага якого більше буде домінуючою в наступному нейроні.
Сама нейромережа являє собою систему з безлічі таких нейронів (процесорів). Окремо ці процесори досить прості (набагато простіше, ніж процесор персонального комп’ютера), але будучи з’єднаними в більшу систему нейрони здатні виконувати дуже складні завдання.
У залежності від області застосування нейромережа можна трактувати по-різному, Наприклад, з точки зору машинного навчання ШНМ являє собою метод розпізнавання образів. З математичної точки зору — це багатопараметрична завдання. З точки зору кібернетики — модель адаптивного управління робототехнікою. Для штучного інтелекту ІНС — це основна складова для моделювання природного інтелекту з допомогою обчислювальних алгоритмів.
Основною перевагою нейромереж над звичайними алгоритмами обчислення є їх можливість навчання. У загальному сенсі слова навчання полягає в знаходженні вірних коефіцієнтів зв’язку між нейронами, а також в узагальненні даних та виявленні складних залежностей між вхідними і вихідними сигналами. Фактично, вдале навчання нейромережі означає, що система буде здатна виявити вірний результат на підставі даних, відсутніх в навчальній вибірці.
Сьогоднішнє положення
І якою б не була багатообіцяючою б ця технологія, поки що ІНС ще дуже далекі від можливостей людського мозку і мислення. Тим не менш, вже зараз нейромережі застосовуються в багатьох сферах діяльності людини. Поки що вони не здатні приймати високоінтелектуальні рішення, але в змозі замінити людину там, де раніше він був необхідний. Серед численних областей застосування ШНМ можна відзначити: створення самонавчаючих систем виробничих процесів, безпілотні транспортні засоби, системи розпізнавання зображень, інтелектуальні охоронні системи, робототехніка, системи моніторингу якості, голосові інтерфейси взаємодії системи аналітики і багато іншого. Таке широке поширення нейромереж, крім іншого, обумовлено появою різних способів прискорення навчання ШНМ.
На сьогоднішній день ринок нейронних мереж величезний — це мільярди і мільярди доларів. Як показує практика, більшість технологій нейромереж по всьому світу мало відрізняються один від одного. Однак застосування нейромереж — це дуже витратне заняття, яке в більшості випадків можуть дозволити собі лише великі компанії. Для розробки, навчання і тестування нейронних мереж потрібні великі обчислювальні потужності, очевидно, що цього в достатку є у великих гравців на ринку ІТ. Серед основних компаній, що ведуть розробки в цій області можна відзначити підрозділ Google DeepMind, підрозділ Microsoft Research, компанії IBM, Facebook і Baidu.
Звичайно, все це добре: нейромережі розвиваються, ринок зростає, але поки що головне завдання так і не вирішена. Людству не вдалося створити технологію, хоча б наближену за можливостями до людського мозку. Давайте розглянемо основні відмінності між людським мозком і штучними нейромереж.
Чому нейромережі ще далекі до людського мозку?
Найголовнішою відмінністю, що у корені ” змінює принципи та ефективність роботи системи — це різна передача сигналів в штучних нейронних мережах і в біологічній мережі нейронів. Справа в тому, що в ІНС нейрони передають значення, які є дійсними значеннями, тобто числами. У людському мозку здійснюється передача імпульсів з фіксованою амплітудою, причому ці імпульси практично миттєві. Звідси витікає цілий ряд переваг людської мережі нейронів.
По-перше, лінії зв’язку в мозку набагато ефективніше і економічніше, ніж в ІНС. По-друге, імпульсна схема забезпечує простоту реалізації технології: достатньо використання аналогових схем замість складних обчислювальних механізмів. У кінцевому рахунку, імпульсні мережі захищені від звукових перешкод. Дієві числа піддаються впливу шумів, в результаті чого підвищується ймовірність виникнення помилки.
Підсумок
Безумовно, в останнє десятиліття стався справжній бум розвитку нейронних мереж. В першу чергу це пов’язано з тим, що процес навчання ШНМ став набагато швидше і простіше. Також стали активно розроблятися так звані «предобученние» нейромережі, які дозволяють істотно прискорити процес впровадження технології. І якщо поки що рано говорити про те, чи зможуть коли-то нейромережі повністю відтворити можливості людського мозку, ймовірність того, що в найближче десятиліття ІНС зможуть замінити людину на чверті існуючих професій дедалі більше стає схожим на правду.
Закінчив магістратуру КПІ за спеціальністю “Інженерія програмного забезпечення.”
Захистив кандидатську за темою: “Проектування дидактичної системи інноваційної підготовки фахівців в області програмної інженерії”.
Працюю і пишу на теми, пов’язані з програмуванням, влаштуванням комп’ютерів і комп’ютерних систем.
