Москва 24

Наука

03 ноября, 2016

Ловись, рыбка: как устроены нейросети и где их применяют

"Яндекс" запустил новый алгоритм поиска – "Палех", который основан на нейросетях. Что это за сети, как они устроены и где еще их применяют – в материале m24.ru.

Фото: YAY/ТАСС/William Attard McCarthy

Как работает нейронная сеть

Принцип работы искусственной нейросети основан на схеме, которую использует наш мозг. Как известно, биологическая нейросеть состоит из нейронов, где химическим или электрическим путем передаются импульсы.

В голове человека это выглядит примерно так: изображение, которое видит глаз, с помощью фоторецепторов передается в мозг, где эти самые нейроны "собирают" картинку, складывая отдельные узнаваемые элементы, как кусочки пазла, в единую картину.

Именно поэтому людям мерещится всякое – при недостатке деталей мозг достраивает картинку, и вот перед нами не высохшее дерево, а страшный мутант; не бревно, дрейфующее по озеру, а Лох-Несское чудовище.

Фото: YAY/ТАСС

Если поближе рассмотреть работу нейронов, то окажется, что они "перебирают" базу элементов и идут от простого к сложному, то есть группа нейронов, опознавшая на фотографии уши, усы, глаза и нос, передает информацию дальше, и их "коллеги" складывают это в единую картинку, скажем, кота.

Искусственная нейронная сеть работает по такому же принципу, только вместо нейронов, которые есть в мозге, она использует процессоры – не такие, как в домашних ПК, конечно, а попроще – "заточенные" только под прием-передачу небольшого набора сведений.

Таким образом мы получаем, что система "разглядывает" картинку, разбивая ее на примитивные детали. Например, у нас есть фотография человека. Ее раскладывают на составляющие – черточки, геометрические фигуры и прочее, и перебирают по базе в поисках аналогов.

На начальном этапе аналогов будет очень много, но при соединении элементов будут удаляться неподходящие: скажем, некий блок процессоров распознал нос, но без усов, и все точно такие же носы, но с усами, будут отсеиваться. И так с каждым элементом, пока не соберется другая фотография этого же человека.

Именно по этой причине систему не обмануть прической и очками: строение черт лица индивидуально (кроме близнецов). По похожей схеме работают на пограничном контроле: таможенники не обращают внимания на растительность на лице или прическу, зато сравнивают, скажем, расстояние между глазами или величину промежутка между носом и верхней губой.

Фото: m24.ru/Александр Авилов

Обучение

Важно, что нейросеть способна учиться – специалисты вообще относят ее к сфере машинного обучения, а это значит, что со временем система сможет узнавать все больше объектов на изображении.

В учебе нейросеть использует базы – через нее прогоняют изображения, содержание которых уже известно, и сообщают ей класс картинки, например, куб. Так сеть запоминает, и уже в следующий раз она опознает куб без указания "свыше".

В дальнейшем нейросети наставник не нужен, и она, исходя из собственных знаний, сама определяет, что изображено.

Какие задачи стоят перед нейросетями

Самая известная сфера применения нейронных сетей – это распознавание изображений. Например, сервис FindFace по снимку может найти человека, зарегистрированного в соцсети "ВКонтакте", и сделает он это с помощью нейронной сети.

Раз сеть может найти человека ради личной выгоды, например, чтобы познакомится, то почему бы ее не использовать ради безопасности, то есть анализировать лица, скажем, пассажиров метро в поисках террориста, фото которого есть в базе.

Впрочем, фотографией дело не закончилось: как и любая область информатики, нейросеть питает страсть к тексту, и вот мы уже анализируем таблицы данных.

Скучно? Но если предположить, что эти самые данные – график посещения поликлиники, и тогда система сможет предложить наименее загруженный день. Мелковато, соглашусь. А если взять, скажем, супермаркет и дать сети как можно больше данных – не только число покупателей по часам, но и погоду, и график движения автобусов, и покупки по категориям. В итоге система составит прогноз, например: 15 октября ожидается снегопад, так что во второй половине дня будут хорошо продаваться вафельные торты.

Еще пример: анализ звонков. К чему держать специальных "слухачей", которые анализируют разговоры операторов с клиентом, если можно отдать запись нейросети, и она сама выявит "стоп-слова", слишком резкий разговор с покупателем или личные переговоры в рабочее время.

Фото: m24.ru/Александр Авилов

Или вот, свежий пример: нейросеть прочитала и запомнила кучу детских книг, а потом ей дали прочитать "Гарри Поттера". После этого машине устроили "экзамен", где задавали вопросы по сюжету, и нейросеть с этим справилась. Суть такая же: наученный разбирать сюжетные повороты робот понял (не как человек, но все же), о чем книга, и смог по уже знакомой ему логике выбрать правильные ответы.

Конечно, детские книги должны читать дети, а вообще такие нейросети нужны для анализа технической литературы, которая, как известно, вгонит в сон даже самого заядлого любителя резисторов и транзисторов. Например, если дать системе несколько книжек об устройстве автомобиля, то она разберет все по категориям, и вопрос "регулировка фар на Honda Civiс" не поставит ее в тупик, потому что она уже знает устройство светового блока машины (например, после книги "Автомобиль от А до Я") и в курсе особенностей конкретной модели (книга "Весь модельный ряд Toyota с иллюстрациями").

Гораздо более сложная система – анализ видео. Тут нейронная сеть работает покадрово, то есть формально – это обработка многих изображений сразу, но на выходе изображения сравниваются и на основе этого сеть сделает вывод, что изображено на записи.

Что нас ждет

Принято считать, что всерьез за нейросети взялись в 2013 году, когда появились достаточно мощные для этого дела компьютеры, ведь для работы важно, чтобы анализ, скажем, фотографии занимал не год, а секунду.

Из развлечения сети уже превратились в инструмент, пусть и не очень популярный (пока). Сложно предугадать, какие мощности можно будет использовать уже через пять лет, ведь когда-то считалось, что тысяча категорий фото – это много, а сейчас никого не удивишь 22 тысячами.

Представим, что в недалеком будущем системы станут несравнимо быстрее, процессоры камер будут обрабатывать картинку за долю секунды и отсылать на сервер, где изображение будут обрабатывать – и все это, пока человек просто посмотрел на баннер.

Фото: ТАСС/Валерий Шарифулин

Дальше этому прохожему, предположим, он активный пользователей соцсетей – покажут рекламу наживки, ведь у него в профиле много фотографий с рыбалки.

Или возьмем покупателя в магазине обуви. Он заходит, система его узнает и продавцы уже в курсе, кто к ним пришел, причем могут, например, сделать ему скидку за тысячный визит без покупки.

Все это приводит нас к страшному или жизнеутверждающему (как посмотреть) выводу: будущее, описанное в масс-культуре, гораздо ближе, чем нам кажется.

закрыть
Обратная связь
Форма обратной связи
Прикрепить файл

Отправить

Следите за новостями:

Больше не показывать
Яндекс.Метрика