Dreamscope Requires JavaScript

Видели мою новую аватарку? Без наркомании не обошлось. Но шутки в сторону, ведь прямо сейчас мы наблюдаем, как находит применение технология, способная еще сильнее уменьшить временной отрезок между важнейшими изобретениями, такими как колесо. Но об изобретениях потом, сначала про технологию.

Эта технология называется "машинное обучение с применением глубоких нейронных сетей". От себя добавлю, что тут используется и принцип эволюции, о нем позже. Несколько месяцев назад компьютер заставили играть в Го с самим собой сотни тысяч раз и анализировать каждую игру. Игра компьютера "эволюционировала", в итоге этот компьютер легко выиграл у действующего чемпиона по Го. Для справки, ранее никакие компьютерные программы не могли обыграть даже простого любителя игры в Го, хотя по многим другим настольным играм включая шахматы, компьютер уже давно доминирует на человеком. Это характеризуется огромным количеством комбинаций, вообще, Го - сложная для анализа игра. Компьютер изначально никак не обучали, просто дали правила, которые он должен соблюдать (на программном языке, это не исскуственный интеллект, а самый обычный, хоть и очень мощный, компьютер). Он обучился полностью сам. Понимаете всю соль? Разработчики могут за 5 минут написать правила любой другой настольной игры на программном языке и вставить в алгоритм. И компьютер самостоятельно обучится.

Конечно, не для настольных игр разрабатылался алгоритм данный. Он способен обрабатывать огромные массивы информации, например - фотографии космических аппаратов. Некоторые аппараты столько нафтокали, что с 2003 года фотографии изучают, не без помощи классических компьютерных алгоритмов, так до сих пор не все изучили. Новый алгоритм способен обработать фотографии и полностью извлечь из них все данные, его всего лишь нужно обучить - дать проанализировать несколько сотен тысяч проанализированных фотографий и полные данные каждой из этих фотографий. Много? Это очень мало, по сравнению с количеством всех обработанных фотографий. Мощности суперкомпьютеров, стоящих в современных обсерваториях, хватит, что бы за несколько месяцев проанализировать все эти несколько сотен тысяч фотографий и данные, извлеченные из каждой фотографии. После этого эти суперкомпьютеры смогут самостоятельно извлекать данные из фотографий. Непроанализированных фотографий на порядок больше десяти тысяч. И весь невероятный объём фотографий, сделанных космическими аппаратами, был бы очень точно проанализирован за пол года, каждая крупинка информации была бы извлечена из каждого пикселя, без преувеличения. Без алгоритма разбор каждой фотографии занял бы кще пару десятков лет. Но нейронные сети, пока что, не используют для анализа научных данных.

На самом деле Google уже давно использует нейронные сети - для выдачи результатов поискового запроса, для распознавания рукописного текста и речи, и для много чего еще. Несколько лет назад гугл предоставил алгоритм, который самостоятельно обучался играть в Dendy игры. Однако, судя по всему, этот проект заброшен. Однако в этом году появилось несколько новых популярных сервисов, во всю использующих данную технологию. Парни из Google разработали алгоритм, который генерирует фотографии. Всё просто - загружаешь в программу тысячу котов, она генерирует нового, вполне реалистичного, но абсолютно нового кота. Разумеется, алгоритм можно легко переделать под нужды любого человека. Нашумевшее приложение "Prisma" превращает фотографии в картины, используя анализ огромной базы фотографий нейронными сетями. Парни из гугла пошли еще дальше - создали библиотеку (буквально - программу), позволяющую самому выбрать стиль, в который алгоритм превратит фотографию. То есть вы можете загрузить картину любимого художника в качестве стиля и свою фотографию, на выходе получите фотографию в стиле, в котором написана картина. Попробуйте! https://dreamscopeapp.com/editor

Я вот загрузил своё лицо, а в качестве стиля выбрал скриншот Windows 98. Не спрашивайте почему. Результат - моя аватарка.

Почему мы не используем алгоритм для научных вычислений? Пока что его точность низка, для обработки речи и фотографий его хватает, но вот науке нужна точность. Низка его точность потому что мы не можем ждать год, чтобы гугл показал нам идеальные результаты поиска. Мы не можем ждать год, что бы гугл распознал нашу речь. Если бы алгоритм имел высокую точность, нам бы пришлось ждать год. Но гугл отлично распознаёт речь и с алгоритмом низкой точности. Высокая точность нужна только для научных вычислений. Поэтому ребята из гугла изначально сделали точность низкой. Ну и для высокой точности нужно дополнительно оптимизировать всё, вообщем повышать точность алгоритма тоже непросто.

Так что же такое нейронная сеть? Совокупность нейронов и связей между ними. Объяснить это очень сложно. Реализуется это очень просто. Как говорят разработчики Google, "алгоритм необъяснимо эффективен". Ниже, где я объясняю, что такое эволюция в машинном обучении, я не очень понятно, но показываю, что же такое нейронная сеть в действии.

Так что же такое эволюция? Представьте двухмерное и 2-хногое существо. И так, нейронная сеть существа - это данные его скорости (0-9 км/ч), его высоты(0-9 м.) насколько высоко каждая нога, голова (опять же, для всего 0-9 м.), угол, под которым каждая часть тела (0-9), где 1 - 20°, 9 - 180°. Совокупность этих данных - число, 8 цифр от 0 до 9. Сложно, на понять так проще. И так, Начинается процесс эволюции. 1000 существ пытаются двигаться вперед. Двигаются они совершенно случайно, на каждое число нейронньй сети (от 00000000 до 99999999) у каждого существа абсолютно случайное движение. Во время движения у существ меняется скорость, положение в пространстве, вместе с ними меняются и их числа нейронной сети, а от от изменения числа нейронной сети меняется движение. Потому что на каждое число своё движение.

1. 1 генерация, 1000 животных совершенно случайным образом двигаются в течении 1 минуты, как я и написал выше.

2. 2 генерация, нейронные сети 969 существ - это мутированные (то есть чуть чуть измененные случайным образом) нейронные сети 10 лучших существ из 1 генерации (которые прошли дальше всех). 20 существ - точная копия лучших 20 существ 1-й генерации (точная копия их нейронной сети, то есть они двигаются абсолютно идентично лучшим 20 существам 1 генерации). И 10 существ - случайные движения.

3. 3 генерация, индетично, только замените "1 генерация" на "2 генерация", а "2 генерация" на "3 генерация".

4. То же самое.

5. Примерно за 100 генераций существо научится ходить

Зачем 20 копий лучших из прошлой генерации? Есть шанс, что все мутации негативно повлияют на животных, 20 лучших помогают в таком случае. Зачем 10 случайных? Сложно объяснить. Но математически, они повышают скорость обучения животного ходьбе.

Про изобретения. Мы наблюдаем интересный процесс. Временной отрезок между такими важными изобретениями, как колесо, быстро сокращается. Ведь новые изобретания ускоряют исследования, то есть приводят к еще новым изобретениям, вообщем скорость развития человечества растет в геометрической прогрессии, и мы находимся в ее "середине". Ну вот, еще одна технология позврлит нам значительно ускорить исследования.

Если есть вопросы, пишите мне. Я изучал тему нейронного машинного обучения еще до того, как она стала мейнстримом [тут должен быть мемес], я немного знаю что это, так как изучал ее появление "с истоков", и постараюсь доступно всё объяснить. Я очень интересовался этой темой, поэтому, когда крупнейшие организации ей заинтересовались, я аж накатал огромный текст. Я полон энтузиазма. Будущее приближается)

Источник: dreamscopeapp.com

Комментарии: