#1 - Предмет изучения
Уже 20 лет существует понятие «глубокое обучение, но совсем недавно о нём начали активно говорить. В рамках этой публикации объясним, что спровоцировало активные разговоры вокруг Deep Learning, что это, в чём отличия от классического машинного обучения и другие полезные нюансы.
#2 - Что из себя представляет
Глубокая обучаемость относится к одному из видов машинного обучения, в ней используется особая модель, созданная по аналогии с мозгом – в основе используется нейронная связь.
Впервые словосочетание было введено в терминологию в 80-х годах, но распространение получило только с 2012 года, прежде не было компьютеров, способных обеспечить достаточную вычислительную мощность. Из-за недостатка производительности модель обучения была в пренебрежении.
Популярность приобрела после серии публикаций от известных учёных, ряда статей из научных журналов и подобного. Когда технологию начали развивать, крупные медиа заинтересовались этой сферой, впервые о Deep Learning заговорили в СМИ The New York Times. В основе был использован материал (научная работа) специалистов университета Торонто: Д. Хинтона, И Сатскевера, А. Крижевского. В основе работы лежали аналитические данные о распознании изображений ImageNet. По их наблюдениям значительным превосходством обладала нейросеть, созданная на основании глубокого обучения. Результативность системы достигла 85%. Это стало началом распространения нейросети и её постоянной победой в конкурсах.
#3 - А что такое машинное обучение?
Является одной из сфер использования искусственного интеллекта, который описывает способы создания и построения алгоритмов. В основе используется собственный опыт программы, то есть специальный алгоритм программистом не закладывается. Человек остаётся безучастным, машина самостоятельно определяет оптимальный способ решения задачи на основании переданных данных.
Для ясности описанного рассмотрим пример: нужно обеспечить распознавание человека на фотографиях, от разработчика требуется предоставить порядка 10 000 картинок с отмеченными чертами человека, тогда программа в будущем сможет сама определять закономерности и выявлять очертания тела.
Для обучения не всегда используется учитель, порой ответы на вопросы машина находит самостоятельно без посторонней помощи. Замечено, что наилучшие результаты наступают при использовании учителя. С каждой обработкой данных система получает опыт и становится точнее.
#4 - Принцип работы глубокого обучения
Его основная задача – воссоздать абстрактное мышление, которым обладает человек, тогда компьютер сможет обобщать параметры. Пример, обученная нейросеть при помощи учителя, плохо понимает рукописный шрифт, который отличается от человека к человеку. Чтобы улучшить результаты, машине придётся предоставить все способы написания, только тогда можно рассчитывать на правильное понимание почерков.
Deep Learning активно применяется во время взаимодействия с многослойными сетями, созданными искусственными путём. Поставленная задача для системы глубокого обучения достигает поставленной цели намного проще.
Сегодня существует 3 основных термина, которые сегодня сосуществуют и обладают приблизительно одним смыслом: Deep Learning, машинное обучение и искусственный интеллект. В действительности это разные понятия, которые являются вытекающими параметрами из других свойств:
- Искусственный интеллект представляет собой наличие самых разнообразных алгоритмов действий, призванных имитировать человеческое решение поставленных задач. Примером является программа – простая игра в шахматы.
- Машинное обучение является отраслью использования ИИ, здесь приложение не только решает поставленные задачи, но и записывает себе особенности решения для создания собственного опыта, упрощающего и уточняющего последующие действия. Пример - приложение шахмат изучает поведение соперника и учитывает его для дальнейшего перестроения тактики.
- Глубокое обучение – это один из способов машинного обучения, в основе которых лежат нейронные сети. Во время игры в шахматы обучается преимущественно нейронная сеть.
#5 - Способ работы глубокого обучения
Проиллюстрируем всё на простом примере: показываем роботу фотографии, где изображены девочки и мальчики. Изначально нейронная сеть обучается лишь распознавать перепады яркости. На втором слое сети уже появляется возможность распознавать окружности, углы. К третьему кругу - образы человека, половые отличия пока не учитываются, различные надписи. С каждым последующим кругом распознаваемые образы становятся сложнее. За счёт нейронной сети, машина самостоятельно вырабатывает представление, определяет важные визуальные образы и даже самостоятельно расстанавливает их в зависимости от важности. В будущем программа начнёт лучше понимать изображение.
#6 - Что уже разработано?
Наибольшее количество проектов сегодня задействуют глубокое обучение для распознания изображений и определения аудиозаписей, хотя уже есть первые программы для диагностики болезней. Уже сегодня нейронные сети применяются в Google для приложения перевода текста с картинок. Используя Deep Learning, легче определить наличие букв на фотографиях и их контур, а затем программа переводит полученный текст.
Ещё интересный проект – , он также специализируется на работе с фото, её разрабатывали для определения черт лица. Уже сегодня точность программы достигает 97,25%, такая же точность отмечается и у человека.
В 2016 году был запущен проект от корпорации Google – это система для имитации человеческого голоса. Чтобы достичь качественного обучения в систему были загружены миллионы минут голосовых разговоров с сервисом Окей Google. После всего цикла обучения машина самостоятельно составила предложение, везде расставила правильные ударения, характерный акцент, без каких-либо неуместных пауз.
Нейронная сеть даже способна на семантическую сегментацию видео и фото, то есть система узнает о наличии человека на изображении и идеально точно определит контур лица. Сегодня технология активно используется в автомобилях с автопилотом, задача которых заключается в определении помех на дороге, разметки, знаков и других дорожных условий.
Нейросеть в медицинской отрасли помогает отличать диабетическую ретинопатию лишь предоставив фотографии глазных яблок человека. В США технология уже стоит на вооружении в клиниках.
#7 - Почему глубокое обучение начало распространяться недавно?
Ранее применять технологию было крайне сложно, затратно и требовалось слишком много времени для обучения. Всё упиралось в недостаток мощности графических адаптеров и объёмов оперативной памяти. Из-за широкого распространения мощных графических процессоров, произошёл настоящий бум в этой сфере. Теперь они способны быстрее работать, стоят дешевле и практически не имеют ограничений по объёму хранилищ.
#8 - Это прорыв, теперь всё изменится?
Невозможно однозначно ответить на вопрос, эксперты не пришли к единому мнению. Одна сторона отмечает, что миллиардные вложения со стороны Facebook, Google и других гигантов имеют смысл и приведут к ещё большему развитию технологии. Глубинное обучение уже готово преобразить весь мир технология – по мнению оптимистов. Заявление Эндрю Ынг сообщает «Если человеческий ум способен найти решение проблемы за несколько секунд, высока вероятность скорой оптимизации процесса». Этот разработчик называет Deep Learning «новым электричеством», сравнивая с главным прорывом человечества. Скорее всего те компании, которые не станут внедрять глубокое обучение, в скором будущем ощутят себя сильно отстающими от конкурирующих компаний.
Есть и скептики, которые заявляют, что глубокое обучение – не более чем модное слово. Одним из таких людей является Сергей Бартунов старший преподаватель компьютерных наук ВШЭ, он уверяет, что нейронные сети являются лишь одним из способов машинного обучения и далеко не лучшим.