Как работает нейросеть

Нейросети: как появились, зачем нужны и чего от них ждать
Кроме обработки фотографий и поиска картинок

Нейросети — это такая непонятная штука, о которой все говорят и за которой никто не успевает. Для неспециалистов они выглядят как что-то далекое и неизученное, поэтому попытаемся разобраться.

В статье расскажем, откуда взялись нейронные сети, что они из себя представляют и где их можно применить прямо сейчас. Внутри дадим полезные инструменты, которые упростят работу с соцсетями и помогут наладить общий язык с заказчиками и исполнителями, если вы работаете над проектами.

Откуда всё пошло

У человечества был шанс перевернуть всё с ног на голову еще 70 лет назад, потому что слухи об искусственном интеллекте ходили уже тогда. Минус был в том, что почему-то одна технология вышла вперед других и появилась слишком рано. У нейронных сетей не было шанса развиться так быстро в прошлом веке из-за отсутствия возможностей: не было больших данных для обучения и нового поколения специалистов.

Посмотрим, как развивалась технология: от идей до реального применения.

Нейропсихолог Уоррен Мак-Каллок и математик Уолтер Питтс публикуют статью, в которой описывают основные принципы работы нейросетей.

Нейрофизиолог Фрэнк Розенблатт разработал первую нейронную сеть
База фотографий Image Net открыла возможности для машинного обучения
Microsoft обучает искусственный интеллект Drawing Bot рисовать по текстовому описанию

Нейросетями двигает тренд: когда люди видят реальную пользу, им интересно этим заниматься, в это вкладывать. Поэтому совсем не страшно, что наши предки «забыли» о технологии на столько лет. Сейчас наше поколение может все поменять: все инструменты у нас уже есть.

Что внутри нейросети

Нейронные сети — это такой набор связей и алгоритмов, который прямо сейчас работает в нашем мозге. При помощи этого набора мы видим, анализируем и принимаем решения. И вышло так, что программисты взяли и переложили этот принцип в компьютерные сети. Теперь одно изображение от другого отличают не биологические процессы, а машинный код.

Типы задач

Нейронная сеть программируется, чтобы решать три типа задач: сортировать, предсказывать и распознавать объекты и события.

Взять пример с банком: специалистам нужно решить, кому давать кредит, а кому нет. Нейронная сеть может понять по данным возраста, уровня дохода и кредитной истории — кто надежный человек и вернет кредит, а на кого лучше не рассчитывать.

Второй тип задач — это прогноз на основе данных. Например, взлетит рубль к Новому году или не взлетит.

Третий вид задач сейчас самый популярный: его вовсю используют крупные корпорации и структуры, чтобы находить преступников по камерам наблюдения или искать картинки в поиске.

Нейроны

Нейронная сеть состоит из нейронов — маленьких шариков, которые обрабатывают информацию. Информация может быть входной, выходной или скрытой. Математически, искусственный нейрон — это нелинейная функция с единственным аргументом.

Слои

Когда нейронов много, они объединяются в слои. По типу данных слои делятся так же, как и нейроны. Входной слой распределяет данные по следующим слоям, а выходной формирует конечный результат. Во внутренних слоях обрабатываются данные.

Синапсы

Связи между нейронами называют синапсами. О них нужно знать только то, что у каждой связи есть свой вес. Чем больше вес у связи, тем приоритетнее данные, которые обрабатывают нейроны. Когда сеть только начинает учиться — все веса расставлены в случайном порядке.

Обучение

Новая нейросеть как ребенок — ее нужно за ручку отвести в школу и усадить за парту. Как и в жизни, есть два способа обучения: с учителем и без учителя. В первом случае нейросеть учится строить модели на основе эксперимента «стимул-реакция». То есть, в нее загружают набор входных данных и получают отклик. Постепенно алгоритм становится сложнее и учится различать видео, изображения, текст или графики.

Без учителя нейросеть получает опыт, когда выполняет задачи — в обучение не вмешиваются со стороны. Такой метод больше похож на естественный. Мозг человека обучается так же, когда пытается распознавать объекты.

В начале двухтысячных, в ВУЗе, нейросети нам читали отдельным курсом. Лабораторные ограничивались распознаванием символов, обучением простых нейросетей и довольно заумной математикой. Даже на крохотных примерах было довольно сложно понять, почему нейросеть обучилась именно так, почему именно так выстроились коэффициенты в каждом слое. Отладка и обучение требовали огромного количества времени и кропотливой работы. С ростом размерности сетей понять, что именно в ней творится и как именно она поведет себя, становится невозможным. Тем не менее, сами алгоритмы и библиотеки для работы с ИИ в последние годы стали доступными. И сейчас для их использования необязательно быть математиком.

В Сибириксе мы экспериментально используем искусственный интеллект для некоторых управленческих задач: их распределения и планирования нагрузки. Пока в режиме прогнозов и подсказок. Получается интересно — в перспективе обученный алгоритм сможет предлагать более качественные управленческие решения типовых задач, чем мог бы сделать человек, но вот почему это решение будет именно таким — понять будет невозможно.