Инженер из США создал систему для обучения котов

Обновлено: 05.10.2024

Еще убедительнее в деле признания заслуг русского ученого выглядит совершенно необычный поступок «первого человека на Луне», астронавта Нила Армстронга. После своего знаменитого полета американец побывал в Новосибирске, где набрал пригоршню земли у дома, где жил и работал Кондратюк-Шаргей, отвез в США и высыпал на мысе Канаверал, месте старта ракеты на Луну.

Как это работает

При создании своего изобретения Хэмм воспользовался двумя компонентами, созданными самой Amazon.

Камера DeepLens предназначена специально для экспериментов в сфере машинного обучения.
Сервис Sagemaker позволяет клиентам покупать алгоритмы для машинного обучения у других программистов или создавать их самим.

Самой трудоемкой частью обучения машины закрывать калитку было фотографирование кота. Понадобились более 23 тысяч фото животного.

Каждое из них нужно было промаркировать вручную, указав, есть ли на нем животное, приходит оно или уходит, и несет ли добычу, сведя их вот в такую таблицу.

Правообладатель иллюстрации BEN HAMM Image caption Для "обучения" калитки понадобилось несколько тысяч фотографий кота

В основе эксперимента лежит разновидность машинного обучения под названием "обучение с привлечением учителя": компьютер научили распознавать предметы в реальном мире через ярлыки, которые им присваивал человек. Когда таких примеров накопилось достаточно, машина сама научилась определять, какой предмет "видит".

Обидевшийся кот сбежал из дома и стал звездой в английской деревне
Золотой унитаз в центре Лондона и кот Ларри под "Кадиллаком": второй день визита Трампа в фотографиях

Один из недостатков подобных систем в том, что для надежной работы им требуется сотни тысяч и даже миллионы фото.

Калитка тоже работает неидеально, призает Хэмм.

Правообладатель иллюстрации GETTY IMAGES Image caption "Умная дверца" компании Microsoft впускает в дом своего кота и остается закрытой для чужого (архивное фото)

За пять недель, рассказал он, его кот Метрик один раз был наказан несправедливо. Кроме того один раз из семи калитка впускала кота в дом с добычей в зубах.

Когда другой инженер в "Твиттере" предположил, что, возможно, эффективнее было бы просто переучить кота, Хэмм принялся защищать свою работу.

"Отрицательное подкрепление не работает на котах, и попробуйте придумать, как использовать награду, чтобы пресечь поведение, которое животное демонстрирует в три часа ночи каждые десять дней", - ответил Хэмм.

Это не единственный случай использования машинного обучения для воспитания кошек.

Недавно другой сотрудник Amazon создал систему на основе машинного обучения, чтобы отучить своего кота сидеть на письменном столе.

Самообучаемая система распознает очертания кота, несущего в зубах очередную жертву, и на 15 минут закрывает калитку прямо перед его носом, после чего присылает фотографии Хэмму и отправляет пожертвование организации Audubon Society, занимающейся охраной птиц.

При её построении Хэмм использовал два компонента от Amazon: камеру DeepLens, предназначенную специально для экспериментов в сфере машинного обучения, и сервис Sagemaker, который позволяет клиентам покупать алгоритмы для машинного обучения у других программистов или создавать их самим, передает Би-би-си.

В системе применена разновидность машинного обучения под названием «обучение с привлечением учителя»: компьютер научили распознавать предметы в реальном мире через ярлыки, которые им присваивал человек. Когда таких примеров накопилось достаточно, машина сама научилась определять, какой предмет «видит».

Самой трудоемкой частью обучения машины закрывать калитку было фотографирование кота. Понадобились более 23 тысяч фото животного

Каждое из них нужно было промаркировать вручную, указав, есть ли на нем животное, приходит оно или уходит, и несет ли добычу, сведя их вот в таблицу.

Калитка тоже работает неидеально, признает Хэмм

Когда же другой инженер в Twitter предположил, что, возможно, эффективнее было бы просто переучить кота, Хэмм принялся защищать свою работу.

«Отрицательное подкрепление не работает на котах, и попробуйте придумать, как использовать награду, чтобы пресечь поведение, которое животное демонстрирует в три часа ночи каждые десять дней», — ответил Хэмм.

П равообладатель иллюстрации BEN HAMM Image caption Хэмму не нравилось, что кот приносит ему мертвых животных

Инженер из компании Amazon установил у себя дома автоматическую затворку для кошек с применением алгоритмов машинного обучения и отучил кота приносить домой мертвых птиц и грызунов.

Бен Хэмм создал самообучаемую систему, которая распознает очертания кота, несущего в зубах свою очередную жертву. И закрывает калитку перед его носом на 15 минут.

Хэмм представил свое изобретение на июньской технологической конференции Ignite в Сиэттле. На презентацию обратило внимание издание The Verge.

Как это работает

При создании своего изобретения Хэмм воспользовался двумя компонентами, созданными самой Amazon.

Камера DeepLens предназначена специально для экспериментов в сфере машинного обучения.
Сервис Sagemaker позволяет клиентам покупать алгоритмы для машинного обучения у других программистов или создавать их самим.

Обидевшийся кот сбежал из дома и стал звездой в английской деревне
Золотой унитаз в центре Лондона и кот Ларри под "Кадиллаком": второй день визита Трампа в фотографиях

Калитка тоже работает неидеально, призает Хэмм.

Это не единственный случай использования машинного обучения для воспитания кошек.

П равообладатель иллюстрации BEN HAMM Image caption Хэмму не нравилось, что кот приносит ему мертвых животных

Какие задачи решает машинное обучение?

С помощью машинного обучения ИИ может анализировать данные, запоминать информацию, строить прогнозы, воспроизводить готовые модели и выбирать наиболее подходящий вариант из предложенных.

Особенно полезны такие системы там, где необходимо выполнять огромные объемы вычислений: например, банковский скоринг (расчет кредитного рейтинга), аналитика в области маркетинговых и статистических исследований, бизнес-планирование, демографические исследования, инвестиции, поиск фейковых новостей и мошеннических сайтов.

В Леруа Мерлен используют Big Data и Machine Learning, чтобы находить остатки товара на складах.

В маркетинге и электронной коммерции машинное обучение помогает настроить сервисы и приложения так, чтобы они выдавали персональные рекомендации.

Стриминговый сервис Spotify с помощью машинного обучения составляет для каждого пользователя персональные подборки треков на основе того, какую музыку он слушает.

Сегодня ключевые исследования сфокусированы на разработке машинного обучения с эффективным использованием данных — то есть систем глубокого обучения, которые могут обучаться более эффективно, с той же производительностью, за меньшее время и с меньшими объемами данных. Такие системы востребованы в персонализированном здравоохранении, обучении роботов с подкреплением, анализе эмоций.

Китайский производитель «умных» пылесосов Ecovacs Robotics обучил свои пылесосы распознавать носки, провода и другие посторонние предметы на полу с помощью множества фотографий и машинного обучения.

«Умная» камера на базе микрокомпьютера Raspberry Pi 3B+ с помощью фреймворка TensorFlow Light научилась распознавать улыбку и делать снимок ровно в этот момент, а также — выполнять голосовые команды.

Согласно исследованию BarclayHedge, более 50% хедж-фондов используют ИИ и машинное обучение для принятия инвестиционных решений, а две трети — для генерации торговых идей и оптимизации портфелей.

Наконец, машинное обучение способствует настоящим прорывам в науке.

Нейросеть AlphaFold от DeepMind в 2020 году смогла расшифровать механизм сворачивания белка. Над этой задачей ученые-биологи бились больше 50 лет.

Процесс сворачивания белка, смоделированный при помощи ИИ

Основные виды машинного обучения

Как это работает

При создании своего изобретения Хэмм воспользовался двумя компонентами, созданными самой Amazon.

Камера DeepLens предназначена специально для экспериментов в сфере машинного обучения.
Сервис Sagemaker позволяет клиентам покупать алгоритмы для машинного обучения у других программистов или создавать их самим.

Обидевшийся кот сбежал из дома и стал звездой в английской деревне
Золотой унитаз в центре Лондона и кот Ларри под "Кадиллаком": второй день визита Трампа в фотографиях

Калитка тоже работает неидеально, призает Хэмм.

Это не единственный случай использования машинного обучения для воспитания кошек.

Единого определения для machine learning (машинного обучения) пока нет. Но большинство исследователей формулируют его примерно так:

Машинное обучение — это наука о том, как заставить ИИ учиться и действовать как человек, а также сделать так, чтобы он сам постоянно улучшал свое обучение и способности на основе предоставленных нами данных о реальном мире.

Инженеры Google рассказывают, как устроено машинное обучение

Вот как определяют машинное обучение представители ведущих ИТ-компаний и исследовательских центров:

Nvidia: «Это практика использования алгоритмов для анализа данных, изучения их и последующего определения или предсказания чего-либо».

Университет Стэнфорда: «Это наука о том, как заставить компьютеры работать без явного программирования».

McKinsey & Co: «Машинное обучение основано на алгоритмах, которые могут учиться на данных, не полагаясь на программирование на основе базовых правил».

Вашингтонский университет: «Алгоритмы машинного обучения могут сами понять, как выполнять важные задачи, обобщая примеры, которые у них есть».

Университет Карнеги Меллон: «Сфера машинного обучения пытается ответить на вопрос: «Как мы можем создавать компьютерные системы, которые автоматически улучшаются по мере накопления опыта и каковы фундаментальные законы, которые управляют всеми процессами обучения?»

Перспективы машинного обучения: не начнет ли ИИ думать за нас?

Вопрос о том, не сделает ли машинное обучение ИИ умнее человека, изначально не совсем корректный. Дело в том, что в природе нет универсальной иерархии в плане интеллекта. Мы по умолчанию считаем себя умнее остальных существ, но, к примеру, белка способна запоминать местонахождения тысячи тайников с запасами, что не под силу даже очень умному человеку. А у осьминогов каждое щупальце способно мыслить и действовать самостоятельно.

Так же и с ИИ: он уже превосходит нас во всем, что касается сложных вычислений, но по-прежнему не способен сам ставить себе новые задачи и решать их, подбирая нужные данные и условия. Это ограничение в последние годы пытаются преодолеть в рамках сильного ИИ, но пока безуспешно. Надежду на решение этой проблемы внушают квантовые компьютеры, которые выходят за пределы обычных вычислений.

Зато мы в ближайшем будущем сможем заметно расширить свои возможности с помощью ИИ, передавая ему рутинные и затратные операции, общаясь и управляя техникой при помощи нейроинтерфейсов.

4. Нейросети и глубокое обучение

Самый сложный уровень обучения ИИ. Нейросети моделируют работу человеческого мозга, который состоит из нейронов, постоянно формирующих между собой новые связи. Очень условно можно определить их как сеть со множеством входов и одним выходом. Нейроны образуют слои, через которые последовательно проходит сигнал. Все это соединено нейронными связями — каналами, по которым передаются данные. У каждого канала свой «вес» — параметр, который влияет на данные, которые он передает.

ИИ собирает данные со всех входов, оценивая их вес по заданным параметрами, затем выполняет нужное действие и выдает результат. Сначала он получается случайным, но затем через множество циклов становится все более точным. Хорошо обученная нейросеть работает, как обычный алгоритм или точнее.

Настоящим прорывом в этой области стало глубокое обучение, которое обучает нейросети на нескольких уровнях абстракций.

Как устроена нейросеть

Здесь используют две главных архитектуры:

Сверточные нейросети первыми научились распознавать неразмеченные изображения — самые сложные объекты для ИИ. Для этого они разбивают их на блоки, определяют в каждом доминирующие линии и сравнивают с другими изображениями нужного объекта;
Рекуррентные нейросети отвечают за распознавание текста и речи. Они выявляют в них последовательности и связывают каждую единицу — букву или звук — с остальными.

Как работает глубокое обучение в беспилотниках

Нейросети с глубоким обучением требуют огромных массивов данных и технических ресурсов. Именно они лежат в основе машинного перевода, чат-ботов и голосовых помощников, создают музыку и дипфейки, обрабатывают фото и видео.

Как обучается нейросеть

3. Ансамбли

Это группы алгоритмов, которые используют сразу несколько методов машинного обучения и исправляют ошибки друг друга. Их получают тремя способами:

Стекинг — когда разные алгоритмы обучают по отдельности, а потом передают их результаты на вход последнему, который и принимает решение;
Беггинг — когда один алгоритм многократно обучают на случайных выборках, а потом усредняют ответы;
Бустинг — когда алгоритмы обучают последовательно, при этом каждый обращает особое внимание на ошибки предыдущего.

Ансамбли работают в поисковых системах, компьютерном зрении, распознавании лиц и других объектов.

Как работает алгоритм «Яндекса» CatBoost

Кто создал американскую авиацию

Но мы «поспособствовали» американцам не только в области полета на Луну и ракетной техники. Таланты из России фактически создали американскую авиацию. Всем известен сегодня Игорь Сикорский, выпускник Санкт-Петербургского политехнического института, построивший в США первый в мире вертолет. На вертолетах, на которых и ныне летают президенты США, до сих пор написано «Сикорский». Но были и другие наши соотечественники - Михаил Струков, Александр Картвели, Александр Прокофьев-Северский, которые фактически создали американскую военную авиацию. Долгие годы их считали у нас «белыми эмигрантами», «перебежчиками», «предателями», а потому об этих технических гениях в нашей стране долго было мало что известно.

Оказавшись в США, Северский создал самолетостроительную компанию «Северский эйркрафт корпорейшн». Главным ее продуктом стал разработанный им самолет-амфибия СЕВ-3, который показал отличные летные качества. На этом самолете Северский установил мировой рекорд скорости для амфибий - 290 километров в час, многие годы это достижение никто не мог побить.

Когда ВВС США объявили конкурс для замены истребителя Боинг-26, фирма Северского представила на него истребитель Р-35 и получила правительственный заказ на 77 самолетов, став одной из крупнейших самолетостроительных компаний в США. Потом он создал еще ряд успешных моделей самолетов, внедрил множество изобретений.

Другой создатель американской военной авиации, Михаил Струков, родился в Екатеринославе в дворянской семье. Революцию Струков тоже не принял, и вскоре оказался в роли эмигранта в Нью-Йорке. В США ему удалось защитить диплом инженера-строителя в Колумбийском университете и начать работать по специальности, вскоре он создал свою фирму. Когда началась война, Струкову удалось получить заказ от авиационного командования на строительство транспортных планеров. Так возникла фирма «Чейз эйркрафт компани». Ее президентом и главным конструктором стал Струков, а его заместителем - другой эмигрант из России М. Грегор (Григорашвили).

После Второй мировой войны Струков создал транспортный самолет С-123. Организовав потом компанию «Струков эйркрафт корпорейшн», он наладил производство транспортных самолетов под названием «Провайдер» - «Снабженец», которые получили особую известность во время войны во Вьетнаме своей уникальной живучестью и надежностью, став одной из «рабочих лошадок» американских ВВС. В США было произведено несколько сот таких машин, которые использовались потом также в Таиланде, Камбодже, Южной Корее.

В годы Первой мировой войны Александр Картвели служил в русской армии офицером-артиллеристом. С авиацией познакомился только на фронте и так увлекся полетами, что решил посвятить этому делу всю свою жизнь. Его направили в Париж для совершенствования летного образования, где он поступил в Высшую авиационную школу. Но из России, где свирепствовал «красный террор», приходили нерадостные вести. Как бывший царский офицер, он стал опасаться за свою жизнь, а когда стало известно, что власть захватили большевики, Картвели решил не возвращаться…

В США Картвели был назначен руководителем конструкторского бюро, где был создан мощный штурмовик Второй мировой войны «Рипаблик П-47 Тандерболт». До конца войны в США было произведено более 15 тысяч таких самолетов, при этом уровень потерь у них был меньшим, чем у других американских машин.

Затем бюро Картвели создало один из первых американских реактивных истребителей Ф-84 «Тандерджет». Его применяли во время войны в Корее, но когда на северокорейской стороне появились советские МиГ-15, Картвели произвел срочную модернизацию своего самолета, и его скорость возросла до 1150 километров в час. Последним истребителем, созданным Картвели, стал сверхзвуковой Ф-105, который широко применялся американцами во время войны во Вьетнаме. Картвели, как авиаконструктор, получил за океаном всеобщее признание, стал членом Национальной аэронавтической ассоциации, получил степень почетного доктора наук. Кроме истребителей, он построил еще самолет-амфибию, четырехмоторный самолет-фоторазведчик с огромной дальностью полета.

Проблемы машинного обучения

Для того чтобы эффективно обучать нейросети и любые сложные алгоритмы, нужны огромные массивы данных и технические ресурсы: серверы, специальные помещения для них, высокоскоростной интернет без сбоев, много электроэнергии. На получение нужных данных уходят годы работы и миллионы долларов. Такие затраты может позволить себе только крупная ИТ-корпорация. Открытых датасетов совсем не много, некоторые можно купить, но стоят они очень дорого;
С ростом мощностей для сбора и обработки датасетов растут и вредные выбросы, которые производят крупнейшие датацентры;
Данные нужно не только собрать, но и разметить — так, чтобы машина точно определила, где какой объект и какие у него признаки. Это касается числовых данных, текстов, изображений. Опять же, чтобы сделать это вручную, нужны миллионные вложения. Например, у «Яндекса» есть «Яндекс.Толока» — сервис, где неразмеченные данные вручную обрабатывают миллионы фрилансеров. Такое тоже может себе позволить далеко не каждый разработчик;
Даже если данных много и они регулярно обновляются, в процессе обучения может выясниться, что алгоритм не работает. Проблема может быть и в данных, и в самом подходе: когда машина успешно решила задачу с одними данными, но не в состоянии масштабировать решение с новыми условиями;
Несмотря на все прорывы в глубоком обучении нейросетей, ИИ пока что не может создавать что-то абсолютно новое, выходить за рамки предложенных условий и превзойти заложенные в него способности. Другими словами, он пока что не в состоянии превзойти человека.

Заимствовали и воровали

Но не только в авиации и космонавтике русские изобретения использовались в США. Известно, что одно из главных изобретений ХХ века - телевидение создал в США русский инженер Владимир Зворыкин. А другое чудо техники - видеомагнитофон изобрел на американской земле русский инженер Александр Понятов. А благодаря высоокооктановому бензину - изобретению русского химика-эмигранта Владимира Ипатьева - американские самолеты в годы Второй мировой войны летали быстрее немецких.

В середине 1980-х годов молодой профессор Феликс Белоярцев приступил к разработке невиданного препарата, который мог бы заменить плазму крови. Уникальный кровезаменитель получил название «Перфторан». Производить препарат начали лишь в 2016 году, однако он значительно превосходил своими характеристиками импортные аналоги, которые появились позже. Американцы еще 30 лет назад раздобыли формулу советского кровезаменителя и начали активно использовать «Перфторан» в своей практике, намекая на то, что искусственную плазму придумали именно они.

Многое американцами было у нас попросту украдено. Так в начале 1990-х в Штаты по разным каналам стало поступать огромное количество информации о секретных советских разработках, особенно в космической отрасли.

Многие считают, что благодаря этим утечкам американцы украли идею орбитального корабля. И внешний облик Dream Chaser, и технические решения напоминают проект, разработанный в СССР еще в 60-е. Оригинал - советский орбитальный ракетоплан «БОР». Впрочем, это не единственное, что Штаты «позаимствовали» у нас в этой отрасли.

В начале 90-х годов делегация из США прибыла на российский завод, где производились катапультные кресла для военных лётчиков «К-36 ДМ». Подобные кресла были изобретены в СССР ещё в 70-е годы. Американцы купили небольшую партию этих уникальных конструкций и совсем скоро стали производить «собственные», как две капли воды похожие на наши. Тогда в нашей стране были тяжёлые времена, поэтому никто снова не позаботился об оформлении патента. Американцы не заплатили ни копейки за украденную технологию.

Кстати, даже первый в мире персональный компьютер был изобретен вовсе не американской фирмой «Эппл компьютерз» и не в 1975 году, а в СССР в 1968 году советским конструктором из Омска Арсением Гороховым. Авторское свидетельство № 383005. Говорят, что и сегодня в Кремниевой долине в Калифорнии работает множество талантливых программистов и других специалистов из России. А ракетные двигатели РД-180 американцы до сих пор покупают у России, потому что сами такие пока не в состоянии производить. Нет у США и атомных ледоколов, которые давно успешно производит Россия, не смогли они пока создать и ракету с ядерным двигателем, что уже сделала наша страна.

Так что объявившие нам сегодня санкции США сами во многом именно благодаря русским «мозгам» и изобретением русских гениальных инженеров и ученых стали передовой державой, да и до сих пор не могут без них обойтись. Соединенные Штаты всегда, как правило, отличались тем, что успешно внедряли в промышленность чужие изобретения. Так может теперь объявленные ими санкции создадут условия, когда мы, наконец, начнем делать то же самое?

При её построении Хэмм использовал два компонента от Amazon : камеру DeepLens, предназначенную специально для экспериментов в сфере машинного обучения , и сервис Sagemaker, который позволяет клиентам покупать алгоритмы для машинного обучения у других программистов или создавать их самим, передает Би-би-си.

Калитка тоже работает неидеально, признает Хэмм

Бен Хэмм, инженер из компании Amazon, создал у себя дома автоматическую затворку для кошек, для которой он применил алгоритмы машинного обучения, благодаря чему смог отучить своего кота приносить домой мертвых птиц и грызунов.

Его самообучаемая система распознаёт очертания кота, несущего в зубах свою очередную жертву, после чего на целых 15 минут закрывает калитку прямо перед его носом.

Ben Hamm

Во время создания своего изобретения Хэмм воспользовался двумя компонентами, созданными самой Amazon.

Камера DeepLens предназначена специально для экспериментов в сфере машинного обучения.

Ben Hamm

Каждый снимок нужно было промаркировать вручную, указав, есть ли на нём животное, приходит оно или уходит, и несёт ли добычу, сведя их вот в такую таблицу.

Ben Hamm

Недостатком же подобных систем является то, что для их надежной работы требуется большое количество фотоснимков.

Хэмм признаёт, что его калитка работает далеко не самым идеальным образом.

Он рассказал, что за 5 недель, его кот Метрик один раз был наказан несправедливо. Кроме того 1 раз из 7 калитка впускала кота в дом с добычей в зубах.

Ben Hamm

Когда же другой инженер в Twitter предположил Хэмму просто взять и перевоспитать своего питомца каким-то другим способом, тот принялся защищать свою работу.

П равообладатель иллюстрации BEN HAMM Image caption Хэмму не нравилось, что кот приносит ему мертвых животных

Как устроено машинное обучение

По словам Дмитрия Ветрова, процесс машинного обучения выглядит следующим образом.

Модель машинного обучения, например, глубинная нейронная сеть, работает по принципу «черного ящика», который принимает на вход условие задачи, а на выходе выдает произвольный ответ. Например, какой-либо текст на втором языке.

Данные — примеры решений и всё, что может помочь в процессе обучения: статистика, примеры текстов, расчеты, показатели, исторические события. Данные собирают годами и объединяют в огромные массивы — датасеты, которые есть у всех ИТ-корпораций. Примером сбора является капча, которая просит вас выбрать все фото с автомобилями и запоминает правильные ответы;
Признаки — они же свойства или характеристики. Это то, на что должна обратить внимание машина в процессе обучения. Например, цена акций, изображение животного, частотность слов или пол человека. Чем меньше признаков и чем четче они обозначены и оформлены, тем проще обучаться. Однако для сложных задач современным моделям приходится учитывать десятки миллионов параметров, определяющих, как входы преобразуются в выходы;
Алгоритмы — это способ решения задачи. Для одной и той же задачи их может быть множество и важно выбрать самый точный и эффективный.

Как связаны машинное и глубокое обучение, ИИ и нейросети

Нейросети — один из видов машинного обучения.

Глубокое обучение — это один из видов архитектуры нейросетей.

Так выглядят взаимосвязи машинного обучения с другими видами обучения в рамках технологий ИИ

Глубокое обучение также включает в себя исследование и разработку алгоритмов для машинного обучения. В частности — обучения правильному представлению данных на нескольких уровнях абстракции. Системы глубокого обучения за последние десять лет добились особенных успехов в таких областях как обнаружение и распознавание объектов, преобразование текста в речь, поиск информации.

Как это работает

При создании своего изобретения Хэмм воспользовался двумя компонентами, созданными самой Amazon.

Камера DeepLens предназначена специально для экспериментов в сфере машинного обучения.
Сервис Sagemaker позволяет клиентам покупать алгоритмы для машинного обучения у других программистов или создавать их самим.

Обидевшийся кот сбежал из дома и стал звездой в английской деревне
Золотой унитаз в центре Лондона и кот Ларри под "Кадиллаком": второй день визита Трампа в фотографиях

Калитка тоже работает неидеально, призает Хэмм.

Это не единственный случай использования машинного обучения для воспитания кошек.

П равообладатель иллюстрации BEN HAMM Image caption Хэмму не нравилось, что кот приносит ему мертвых животных

1. Классическое обучение

Это простейшие алгоритмы, которые являются прямыми наследниками вычислительных машин 1950-х годов. Они изначально решали формальные задачи — такие, как поиск закономерностей в расчетах и вычисление траектории объектов. Сегодня алгоритмы на базе классического обучения — самые распространенные. Именно они формируют блок рекомендаций на многих платформах.

Так выглядит блок рекомендаций в YouTube

Но классическое обучение тоже бывает разным:

Обучение с учителем — когда у машины есть некий учитель, который знает, какой ответ правильный. Это значит, что исходные данные уже размечены (отсортированы) нужным образом, и машине остается лишь определить объект с нужным признаком или вычислить результат.

Такие модели используют в спам-фильтрах, распознавании языков и рукописного текста, выявлении мошеннических операций, расчете финансовых показателей, скоринге при выдаче кредита. В медицинской диагностике классификация помогает выявлять аномалии — то есть возможные признаки заболеваний на снимках пациентов.

Обучение без учителя — когда машина сама должна найти среди хаотичных данных верное решение и отсортировать объекты по неизвестным признакам. Например, определить, где на фото собака.

Эта модель возникла в 1990-х годах и на практике используется гораздо реже. Ее применяют для данных, которые просто невозможно разметить из-за их колоссального объема. Такие алгоритмы применяют для риск-менеджмента, сжатия изображений, объединения близких точек на карте, сегментации рынка, прогноза акций и распродаж в ретейле, мерчендайзинга. По такому принципу работает алгоритм iPhoto, который находит на фотографиях лица (не зная, чьи они) и объединяет их в альбомы.

2. Обучение с подкреплением

Это более сложный вид обучения, где ИИ нужно не просто анализировать данные, а действовать самостоятельно в реальной среде — будь то улица, дом или видеоигра. Задача робота — свести ошибки к минимуму, за что он получает возможность продолжать работу без препятствий и сбоев.

Нейросеть играет в Mario

Обучение с подкреплением инженеры используют для беспилотников, роботов-пылесосов, торговли на фондовом рынке, управления ресурсами компании. Именно так алгоритму AlphaGo удалось обыграть чемпиона по игре Го: просчитать все возможные комбинации, как в шахматах, здесь было невозможно.

Как создавался AlphaGo от DeepMind

История машинного обучения

Дмитрий Ветров, профессор-исследователь, заведующий Центром глубинного обучения и байесовских методов Факультета компьютерных наук ВШЭ, отмечает: изначально компьютеры использовались для задач, алгоритм решения которых был известен человеку. И только в последние годы пришло понимание, что они могут находить способ решать задачи, для которых алгоритма решения нет или он не известен человеку. Так появился искусственный интеллект в широком смысле и технологии машинного обучения в частности.

Первый компьютер с прототипом ИИ появился в 1946 году — в рамках ЭНИАК, сверхсекретного проекта армии США. Его можно было использовать для электронных вычислений и многих других задач;
В 1950 году появился тест Алана Тьюринга для оценки интеллекта компьютера. С его помощью ученый предлагал определить, способен ли компьютер мыслить как человек;
В 1958 году американский нейрофизиолог Фрэнк Розенблатт придумал Персептрон — первую искусственную нейронную сеть, а также первый нейрокомпьютер «Марк-1»;
В 1959 году американский исследователь ИИ Марвин Минский создал SNARC — первую вычислительную машину на базе нейросети;
В том же году его коллега Артур Самуэль изобрел первую программу по игре в шашки, которая обучалась самостоятельно. Он впервые ввел термин «машинное обучение», описав его как процесс, в результате которого машина показывает поведение, на которое не была изначально запрограммирована;
В 1967 году был создан первый метрический алгоритм для классификации данных, который позволял ИИ использовать шаблоны для распознавания и обучения;
В 1997 году программа Deep Blue впервые обыграла чемпиона мира по шахматам Гарри Каспарова;
В 2006 году исследователь нейросетей Джеффри Хинтон ввел термин «глубокое обучение» (deep learning);
В 2011 году была основана Google Brain — подразделение Google, которое занимается проектами в области ИИ;
В 2012 году в рамках другого подразделения — Google X Lab — разработали нейросетевой алгоритм для распознавания котов на фото и видео. Тогда же Google запустила облачный сервис Google Prediction API для машинного обучения, который анализирует неструктурированные данные;
В 2014 году Facebook разработала нейросеть DeepFace для распознавания лиц на фото и видео. Ее алгоритм работает с точностью 97%;
В 2015 году Amazon запустила Amazon Machine Learning — платформу машинного обучения, несколько месяцев спустя аналогичная появилась и у Microsoft: Distributed Learning Machine Toolkit.

Читайте также: