Как глубокое обучение меняет наш мир

«Это не история Ex Machina, где самосознательные машины захватят мир; это история об гениальных алгоритмах и компьютерах, которые становятся все умнее по мере их использования».

Глубокое обучение, тип машинного обучения, — это область технологий, которая недавно увидела много света и вызвала большой интерес. Но это не история Из машины (кстати, отличный фильм…), где самосознательные машины захватят мир; это история об гениальных алгоритмах и компьютерах, которые становятся все умнее по мере их использования.

Машинное обучение использует алгоритмически-центральную технологию, которая работает путем имитации активности слоев нейронов в неокортексе, части мозга, где происходит 80 процентов мышления. Нейронная сеть — это компьютерная архитектура, на которой построен искусственный интеллект (ИИ). Имитируя большие сети виртуальных нейронов, компьютер учится распознавать закономерности в данных — в чем-то похоже на то, как работает человеческий мозг. По мере того, как больше данных поступает в программное обеспечение, алгоритмы, на которых оно построено, становятся умнее благодаря этому процессу глубокого обучения, распознавая закономерности в цифровых представлениях звуков, изображений и других данных. Именно эта способность к саморазвитию без необходимости явного программирования, а скорее к модификации при воздействии новых данных, делает глубокое обучение таким мощным инструментом.

Базовый пример того, как это работает, — если компьютеру нужно научить, как выглядит кошка — эксперимент, проведенный Google в 2012 году. Будет спроектирована нейронная сеть, состоящая из разных нейронных слоев, каждый из которых содержит больше слоев внутри. Каждый слой будет запрограммирован на идентификацию элементов (характеристик) кошки, таких как усы, когти, мех, лапы и т. д. Затем компьютеру будет показано большое количество изображений кошек всех размеров и форм, каждый раз сообщая компьютеру, какое изображение кот, а кто нет. С каждой итерацией базовые алгоритмы корректируются, чтобы лучше идентифицировать кошку, уменьшая количество ошибок. Конечно, это длительный итеративный процесс, требующий больших объемов данных и вычислительной мощности компьютера.

Хотя эта область технологий не является новой — исследователи знали и работали над концепцией виртуальных нейронных сетей с 1950-х годов, когда ИИ впервые стал областью исследований — в последнее время она стала более привлекательной и более близкой. Одна из основных причин этого заключается в том, что вычислительная мощность стала намного более рентабельной, поскольку компьютерные чипы, более быстрые и мощные, чем когда-либо прежде, также становятся революционно дешевыми. Другим основным ингредиентом для этого являются данные. И в мире данных, где данные теперь собираются почти обо всем и обо всех, они также стали широко доступным и широко доступным товаром.

Имея обе части головоломки на своих местах, вскоре крупнейшие технологические компании начали исследовать воду, которая быстро превратилась в полный набор специалистов, занимающихся исключительно машинным обучением. Новые стартапы заполонили Силиконовую долину и другие страны, утверждая, что их преимуществом является машинное обучение, не имеющее себе равных. Приложения машинного обучения быстро проникли в различные тривиальные и нетривиальные области: от игровых шоу и приложения, способного определять породы собак до более значительных применений в здравоохранении и беспилотных транспортных средствах. Несомненно, глубокое обучение открывает огромные возможности. Не только из-за его потенциальных приложений в любом отделе, где данные могут быть собраны и проанализированы, но также из-за того, что он может использовать все еще развивающиеся технологии, чтобы стать более мощными: данные от распространения онлайн-сервисов, улучшения в хранилище, облачные вычисления и данные генерируется Интернетом вещей.

Впервые искусственный интеллект действительно появился в популярной культуре в 2011 году, когда суперкомпьютер IBM, Watson, эпически победил двух предыдущих чемпионов в игровом шоу Jeopardy, викторине на общие знания, в которой участникам предоставляются подсказки по общим знаниям в форме ответов, и они должны дать ответы в виде вопросов. Это задало тон на следующие полвека, когда искусственный интеллект и особенно машинное обучение развивались семимильными шагами. В это время Google дебютировал с Google Brain — своим секретным проектом, ориентированным на глубокое обучение, и приобрел ряд стартапов в области машинного обучения, в частности, заплатив 400 миллионов долларов за лондонскую DeepMind. Компания также давно тестирует свои беспилотные автомобили, которые недавно привлекли внимание СМИ, когда, как сообщается, врезались в автобус во время испытаний на дорогах общего пользования. Мы все можем согласиться с тем, что это был не лучший час компании. Компания Google также попала в заголовки новостей в прошлом месяце, когда ее компьютер с искусственным интеллектом AlphaGo победил одного из лучших игроков в мире в игре Го, древней китайской игре, которая экспоненциально более стратегична, чем шахматы. Это может показаться очередным тривиальным занятием, и, конечно, на первый взгляд так оно и есть; но если вы копнете немного глубже, технологии, которые лежат в основе чего-то, казалось бы, тривиального, укажут путь в будущее, где реальные роботы смогут научиться выполнять физические задачи и реагировать на реальную среду.

Среди других игроков на поле — Apple, которая недавно наняла команду специалистов по искусственному интеллекту, чтобы сделать Siri — своего интеллектуального личного помощника с распознаванием голоса, работающего на основе машинного обучения — умнее, чем конкуренты, Google Now и Microsoft Cortana. Еще один игрок с почти бездонным бюджетом и данными — Facebook AI Research (FAIR). Пионер социальной сети сотрудничал с известным профессором искусственного интеллекта Яном Лекуном, чтобы возглавить команду из более чем 50 исследователей для изучения машинного обучения. FAIR уже разработала сеть памяти, способную отвечать на основные вопросы здравого смысла по темам, по которым она никогда раньше не видела текста. Совсем недавно Microsoft представила Tay, своего чат-бота, ориентированного на миллениалов, который подвергается глубокому обучению и должен был становиться все умнее с каждым разговором с пользователями. Однако это оказалось довольно ужасным, когда начали бросать расистские и сексистские замечания в адрес пользователей. С другой, более позитивной стороны, команда Сатьи Наделлы добилась значительного прогресса в улучшении человеческого общения. Как было показано на конференции Build 2016 на прошлой неделе, компания использует разработки, сделанные в области распознавания лиц, чтобы помочь слепым распознавать то, на что они смотрят с помощью умных очков.

Все эти технологические гиганты сами по себе создают волны в области машинного обучения, но трудно спорить с положением Google в авангарде революции глубокого обучения. И с непостижимым количеством данных, которые он накопил и укрепил, по уважительной причине. Но даже с учетом упомянутых достижений и того, как далеко продвинулась эта область за последние полвека, мы все еще лишь касаемся поверхности того, что может быть. Прежде чем мы начнем видеть машины, которые действительно могут думать самостоятельно, глубокое обучение должно быть распространено на приложения, выходящие за рамки распознавания речи и изображений; уже одно это потребует новых концептуальных и программных прорывов, не говоря уже о еще более надежных компьютерах. Недавние некачественные примеры чат-бота Tay от Microsoft и столкновения беспилотных автомобилей Google показывают, что нам еще далеко до того, как технология машинного обучения достигнет уровня, когда люди действительно смогут ей доверять.

Но для провидцев мира это вопрос скорее «когда», чем «если». Сатья Наделла и Марк Цукерберги настроены оптимистично: сам генеральный директор Facebook строит домашнюю систему с искусственным интеллектом, «что-то вроде Джарвиса в «Железном человеке». Дом, который может идентифицировать нас на основе биометрических данных, таких как ритм нашего сердцебиения, дом, который может автоматически регулировать влажность и освещение в помещении, или даже дом с холодильником, который может планировать наши приемы пищи на основе того, что в холодильнике. Скептику это может показаться надуманным, но вы забываете, что мы переходим от эпохи научных открытий к эпохе научного мастерства. Вы забываете, что смартфон в вашем кармане мощнее любого настольного компьютера 10-летней давности. Вы забываете, что у нас есть место в первом ряду для всех этих нюансов и открытий, когда они начинают прорастать и обретать жизнь. Мы находимся в начале эпохи, когда машинное обучение радикально изменит то, как все работает и как мы живем; но именно то, что мы решим сделать с ним, сформирует будущее.

Эта история изначально была опубликована на Noise Corner, цифровой платформе для детальных идей, оригинальных мыслей и популярных историй, которые переопределяют наш мир.

Надеюсь, вам понравилось это читать. Если вы это сделали, пожалуйста, нажмите на маленький зеленый ♡ щелчок.

Вы можете быть в курсе всех наших публикаций, подписавшись на нас в Twitter.