Искусственный интеллект и глубокое обучение: роботы-слуги становятся реальностью

Глубокое обучение – это развивающаяся сфера в разработке искусственного интеллекта, которая быстро становится востребованной в компьютерных науках. Будучи подкатегорией машинного обучения, оно рассматривает такие вопросы, как использование...

Глубокое обучение – это развивающаяся сфера в разработке искусственного интеллекта, которая быстро становится востребованной в компьютерных науках. Будучи подкатегорией машинного обучения, оно рассматривает такие вопросы, как использование нейронных сетей для оптимизации распознавания речи, компьютерного зрения, обработки естественного языка и т.п. В последние годы глубокое обучение поспособствовало решению таких задач, как восприятие объектов, машинный перевод и распознавание голоса, тогда как эти исследовательские тематики уже долгое время крайне неохотно поддавались специалистам по искусственному интеллекту.

Нейронные сети

В информационных технологиях нейронная сеть – это система программ и структур данных, максимально приближенная к работе человеческого мозга. Нейронная сеть обычно использует большое количество процессоров, работающих параллельно, каждый из которых обладает своей сферой знаний и собственным доступом к данным в локальном запоминающем устройстве.
Как правило, нейронная сеть изначально «тренируется», то есть в нее подают большие объемы данных и правил относительно их взаимоотношений (например, «дед старше отца»). После этого программа указывает сети, как вести себя в ответ на внешние сигналы (например, на данные, вводимые пользователем компьютера, который взаимодействует с сетью), или может самостоятельно инициировать деятельность (в рамках доступа к внешнему миру).

Глубокое и машинное обучение

Чтобы разобраться, что такое глубокое обучение, важно сначала отделить его от других дисциплин в сфере искусственного интеллекта.
Одной из отраслей искусственного интеллекта является машинное обучение, когда компьютер извлекает знания при помощи контролируемого процесса. Как правило, в этом случае необходим человек-оператор, помогающий машине обучаться путем сотен или тысяч тренировочных примеров и вручную исправляющий ошибки.
Хотя машинное обучение приобрело доминантные позиции в сфере искусственного интеллекта, у него все же есть недостатки. Во-первых, оно занимает очень много времени. Во-вторых, машинное обучение все же не может быть истинным мерилом компьютерного интеллекта, так оно использует изобретательность человека и его абстрактные понятия, позволяющие машине учиться.
В отличие от машинного обучения, глубокое обучение в большинстве случаев проходит неконтролируемо. Так, для него необходимо создать обширные нейронные сети, позволяющие компьютеру самостоятельно учиться и «думать» без необходимости в непосредственном вмешательстве человека.
Глубокое обучение совсем не похоже на компьютерную программу, считает психолог и специалист в сфере искусственного интеллекта Гэри Маркус. Как правило, компьютерный код пишется в соответствии с очень строгими логическими этапами. «А вот в глубоком обучении мы видим нечто совершенно иное. В нем нет множества инструкций, которые гласят: если это истинно, то делай то», - говорит ученый.
Вместо линейной логики глубокое обучение основано на теориях о том, как действует человеческий мозг. Программа состоит из переплетенных слоев взаимосвязанных узлов. Она учится путем изменения сочетаний соединений между узлами после каждого нового опыта.
Глубокое обучение продемонстрировало потенциал как основа для программного обеспечения, способного работать на эмоциях или событиях, описанных в тексте (даже если они не выражены явно), распознавать предметы на фотографиях и делать сложные предсказания о возможном будущем поведении человека.

Игра в глубокое обучение

В 2011 году компания Google запустила проект по изучению мозга «Google Brainproject», в рамках которого была создана нейронная сеть с внедренными в нее алгоритмами глубокого обучения. Она прославилась своей способностью распознавать концепции высокого уровня.
В прошлом году в Facebook был создан раздел по изучению искусственного интеллекта. При помощи глубокого обучения создавались решения для распознания лиц и предметов на 350 миллионах фотографий и видео, ежедневно загружаемых в эту социальную сеть.
Другие примеры глубокого обучения в действии – это сервисы по распознаванию голоса, такие как Google Now и Apple Siri.

Будущее

Глубокое обучение – крайне перспективная сфера, и оно сделает автономные автомобили и роботов-слуг реальностью. Эти машины все же будут ограничены, но то, что им будет под силу, лишь несколько лет назад считалось невероятным, а их появление среди людей надвигается с беспрецедентной скоростью. Способность анализировать громадные массивы данных и использовать глубокое обучение в компьютерных системах, которые могут адаптироваться к новому опыту, не завися от человека-программиста, приведет к значительным научным открытиям. Они произойдут во множестве сфер от более эффективных препаратов до новых материалов и роботов с великолепным восприятием окружающего мира.

 по материалам Livescience