Добро пожаловать в руководство для начинающих по ИИ. Эта (в настоящее время) функция из четырех частей должна предоставить вам очень базовое понимание того, что такое ИИ, что он может делать и как он работает. Руководство содержит статьи по (в порядке публикации) нейронным сетям, компьютерному зрению , обработке естественного языка и алгоритмам . Нет необходимости читать их все,но это может лучше помочь вашему пониманию затронутых тем.

Одна из самых сложных и непонятых тем, которые появляются в заголовках газет в последнее время, - искусственный интеллект . Такие люди, как Илон Маск, предупреждают, что роботы однажды могут уничтожить нас всех, в то время как другие эксперты утверждают, что мы находимся на пороге зимы искусственного интеллекта, и технология никуда не денется. Делать выводы из всего этого трудно, но лучше всего начать с глубокого обучения . Вот что вам нужно знать.

Искусственный интеллект стал координационным центром для глобального технического сообщества благодаря подъему глубокого обучения. Радикальное развитие компьютерного зрения и обработки естественного языка, двух наиболее важных и полезных функций ИИ, непосредственно связано с созданием искусственных нейронных сетей.

Для целей настоящей статьи мы будем называть искусственные нейронные сети просто нейронными сетями. Но, важно знать, что методы глубокого обучения для компьютеров основаны на мозге человека и других животных.

Что такое нейронная сеть?

Ученые считают, что мозг живого существа обрабатывает информацию с помощью биологической нейронной сети. Человеческий мозг имеет до 100 триллионов синапсов-промежутков между нейронами, - которые при активации формируют определенные паттерны. Когда человек думает о чем-то конкретном, вспоминает что-то или переживает что-то одним из своих чувств, считается, что определенные нейронные паттерны “загораются” внутри мозга.

Подумайте об этом так: когда вы учились читать, вам, возможно, пришлось бы озвучивать буквы так, чтобы вы могли услышать их вслух и привести свой молодой мозг к заключению. Но, как только вы прочитали слово кошка достаточно раз, вам не нужно замедляться и озвучивать его. В этот момент Вы получаете доступ к части вашего мозга, больше связанной с памятью, чем с решением проблем, и, таким образом, другой набор синапсов срабатывает, потому что вы обучили свою биологическую нейронную сеть распознавать слово “кошка".”

В области глубокого обучения нейронная сеть представлена серией слоев,которые работают во многом как синапсы живого мозга. Мы знаем, что исследователи учат компьютеры тому, как понять, что такое кошка или, по крайней мере, что такое изображение кошки, подавая ему столько изображений кошек, сколько они могут. Нейронная сеть берет эти изображения и пытается выяснить все, что делает их похожими, чтобы она могла найти кошек на других снимках.

Ученые используют нейронные сети, чтобы научить компьютеры делать все сами. Нейронные сети решают самые разнообразные задачи. Чтобы понять, как они работают и как учатся компьютеры, давайте более подробно рассмотрим три основных типа нейронных сетей.

Существует много различных видов глубокого обучения и несколько типов нейронных сетей, но мы сосредоточимся на генеративных состязательных сетях (GANs), сверточных нейронных сетях (CNNs) и рекуррентных нейронных сетях (RNNs).

Генеративная состязательная сеть

Во-первых, Ган. Ян Гудфеллоу, один из гуру ИИ Google, изобрел GAN в 2014 году. Говоря простыми словами, GAN-это нейронная сеть, состоящая из двух спорящих сторон — генератора и противника, которые борются между собой до тех пор, пока генератор не победит. Если бы вы хотели создать искусственный интеллект, имитирующий художественный стиль, например Пикассо, вы могли бы кормить Гана кучей его картин.

Одна сторона сети будет пытаться создать новые изображения, которые обманут другую сторону, думая, что они были написаны Пикассо. В принципе, ИИ должен был бы узнать все, что он может о работе Пикассо, изучая отдельные пиксели каждого изображения. Одна сторона этого начала бы создавать изображение, в то время как другая определила бы, был ли это Пикассо. После того, как ИИ обманул сам себя, результаты могли быть просмотрены человеком, который мог определить, нужно ли было настроить алгоритм, чтобы обеспечить лучшие результаты, или если он успешно имитировал нужный стиль.

GANs используются в самых разных ИИ, в том числе этот удивительный GAN, построенный Nvidia, который создает людей из воздуха.

Сверточная нейронная сеть

Си-эн-эн, не путать с новостным каналом, являются сверточными нейронными сетями. Эти сети, по крайней мере теоретически, существуют с 1940-х годов, но благодаря передовому оборудованию и эффективным алгоритмам они только сейчас становятся полезными. Там, где GAN пытается создать что-то, что обманывает противника, CNN имеет несколько слоев, через которые данные фильтруются в категории. Они в основном используются для распознавания изображений и обработки текстового языка.

Если у вас есть миллиард часов видео для просеивания, вы можете построить CNN, который пытается изучить каждый кадр и определить, что происходит. Можно было бы тренировать CNN, подавая ему сложные изображения, которые были помечены людьми. Искусственный интеллект учится распознавать такие вещи, как знаки остановки, автомобили, деревья и бабочки, рассматривая изображения, помеченные людьми, сравнивая пиксели изображения с метками, которые он понимает, а затем организовывая все, что он видит, в категории, на которых он был обучен.

CNN являются одними из самых распространенных и надежных нейронных сетей. Исследователи используют их для мириад вещей, в том числе превосходя врачей в диагностике некоторых заболеваний.

Рекуррентная нейронная сеть

Наконец, у нас есть RNN, или рекуррентная нейронная сеть. Rnn в основном используются для ИИ, который требует нюанса и контекста для понимания его ввода. Примером такой нейронной сети является естественный язык обработки ИИ, который интерпретирует человеческую речь. Нужно смотреть не дальше, чем помощник Google и Alexa Amazon, чтобы увидеть пример RNN в действии.

Чтобы понять, как работает RNN, давайте представим себе ИИ, который генерирует оригинальные музыкальные композиции, основанные на человеческом вводе. Если вы играете ноту, ИИ пытается "галлюцинировать", какой должна быть следующая нота. Если вы сыграете еще одну ноту, ИИ сможет в дальнейшем предугадать, как должна звучать песня. Каждый фрагмент контекста предоставляет информацию для следующего шага, и RNN непрерывно обновляет себя на основе своего непрерывного ввода – следовательно, рекуррентной части имени.

Идти глубже

Существует, по крайней мере, дюжина других видов нейронных сетей, и три рассмотренных здесь гораздо более нюансированы, чем сфера охвата этой статьи. Но, если вы зашли так далеко, вы должны иметь разговорное понимание того, что такое нейронные сети и что они делают. 

 

Николь Грей