Николай Золотых: могут ли машины мыслить, и как их этому научить

Машинное обучение – это дисциплина, которая занимается алгоритмами обучения. Как научить машину решать задачи, алгоритмы для которых сложно запрограммировать «руками»? Этот вопрос исследует дисциплина «машинного обучения».

О машинном обучении Теплице социальных технологий рассказал Николай Золотых, доктор физико-математических наук, профессор кафедры алгебры, геометрии и дискретной математики Института информационных технологий, математики и механики Национального исследовательского Нижегородского государственного университета им. Н.И. Лобачевского, преподаватель курса «Машинное обучение».

– Николай, расскажите, что такое машинное обучение?

– На самом деле, сложно сесть и написать хороший алгоритм для решения задачи распознавания изображений, для синтеза или распознавания речи, перевода текста с одного языка на другой. В этом случае используется «машинное обучение». Когда мы на большом количестве примеров обучаем программу, даем задачи и даем ответы к ним, то машина сама обучается и постепенно начинает решать задачу все лучше и лучше.

Я начал заниматься машинным обучением до того, как это стало модно. Курс по машинному обучению я читаю с 2007 года, он был разработан по заказу компании Intel. Уже тогда у них был спрос на специалистов машинного обучения и необходимость в подготовке таких специалистов, и они обратились ко мне.

– Над какими проектами вы работаете?

– Сейчас в университете мы ведем большой проект «Программно-аппаратный комплекс «Киберсердце»». Наш промышленный партнер – компания «Ниагара Компьютерс», а мы отвечаем за алгоритмы и программное обеспечение.

Это проект, который реализует все компоненты, связанные с диагностикой сердечно-сосудистых заболеваний. Он состоит из нескольких модулей: диагностика, лечение, реконструкция, визуализация, мобильный кабинет и другое.

Технологии машинного обучения используются по крайней мере в двух модулях: это реконструкция и диагностика. Реконструкция – это восстановление трехмерной персонифицированной настраиваемой (параметрической) сегментированной модели сердца пациента по данным магнитно-резонансной томографии (МРТ) или компьютерной томографии, которые дают набор снимков срезов органа человека, например, сердца.

После создания индивидуальной модели можно будет, например, с помощью компьютерного расчета прогнозировать результаты операции на сердце, назначать персонифицированное лечение и так далее.

Эта задача сложная, она никем еще до конца не решена, и хотя с любым аппаратом МРТ поставляется программа, делающая трехмерную визуализацию, но они не дают параметрической модели. И вот этой задачей мы занимаемся с помощью машинного обучения.

Другой модуль, где используется машинное обучение – это диагностика. Именно этой командой я руковожу. Основная задача – определить диагноз по электрокардиограмме (ЭКГ) и другим анализам.

Конечно, уже сейчас аппараты ЭКГ дают какое-то заключение, но часто врач берет распечатку ЭКГ и зачеркивает заключение, полученное автоматически, потому что оно неправильно. Мы как раз занимаемся совершенствованием алгоритмов диагностики. Для этого мы собираем большую базу ЭКГ с диагнозами и сотрудничаем с нижегородской больницей №5.

Проект начался в 2016 году, он запланирован на три года, но мы, конечно, планируем развиваться и дальше.

– Насколько перспективно заниматься машинным обучением?

– Для того чтобы заниматься машинным обучением профессионально, не обойтись без математической и программистской подготовки. Студенты института информационных технологий, математики и механики – это будущие программисты, разработчики софта, математики-программисты.

Хорошие студенты наверняка найдут себе интересную и высокооплачиваемую работу. Спрос на специалистов по машинному обучению и близкой тематике в регионе, бесспорно, есть. Почти любой организации нужен специалист по анализу данных (Data mining). Это не совсем машинное обучение, но очень близкая область. Типичная задача – имеется много данных, из них нужно извлечь полезную информацию.

Сейчас проводится много открытых соревнований по машинному обучению и анализу данных, как международных, так и российских. Ставится задача, дается обучающая выборка, участники программируют алгоритмы, обучаются на этой выборке, а потом эти алгоритмы проверяются по тестовой выборке.

Например, есть платформа Kaggle, на которой призовой фонд некоторых соревнований достигал 100 тыс. долларов и выше. Наши студенты тоже участвуют в таких соревнованиях, и сами мы тоже их проводим.

Один из российских ИТ-лидеров, компания Mail.Ru Group, совместно с Нижегородским государственным университетом имени Н.И. Лобачевского проводит чемпионат по машинному обучению ML Boot Camp.

Недавно закончились соревнования, где нужно было предсказать время выхода игрока из онлайн-игры. Замечу, что на таких соревнованиях бывают неплохие призы, и кроме того – это способ «засветиться». Компании могут пригласить на собеседование, предложить хорошую работу.

– Что ждет нас в будущем? Можно ли сказать, что машины мыслят, и станут ли они умнее нас?

– Когда говорят «искусственный интеллект», специалисты часто понимают одно, а простые люди что-то другое. По-русски «искусственный интеллект» звучит, мне кажется, очень фантастично, гораздо более фантастично, чем по-английски. И специалисты уже стараются даже это словосочетание не использовать, чтобы не путать и не пугать людей.

Алан Тьюринг в 1950 году написал свою известную статью «Computing Machinery and Intelligence», где задавал вопрос, могут ли машины мыслить, и ответил, что, скорее всего, могут. Если научить компьютер обучаться, он будет показывать поведение, которое в нем не было изначально заложено, а это уже означает, что у них есть мышление.

Также он предложил простую схему, как понять, показывает машина такое же поведение, как человек или нет – тест Тьюринга. Эксперт общается с существом за ширмой, и если на протяжении некоторого времени он придет к выводу, что это человек, а на самом деле это машина, то тест пройден. В 2014 году тест был пройден одним из ботов, который сделал вид, что он подросток. Программа была разработана программистами из Санкт-Петербурга и Одессы, и после этого встал вопрос, что надо как-то уточнять тест Тьюринга.

Машины становятся все умнее: Google автомобили хорошо ездит по дорогам без водителя, а компьютер IBM Watson умеет общаться, дает рекомендации по ведению бизнеса и ставит диагнозы по онкологическим заболеваниям точнее, чем самые крутые специалисты.

Но чтобы понять, правда ли машина мыслит, есть ли у нее самосознание, нужно быть специалистом в нейробиологии. Кстати, у нас в университете есть институт нейронаук, кафедра нейротехнологий, которые занимаются этими проблемами и моделируют мозг. Возможно, они когда-нибудь дадут ответ на этот вопрос.

Интерес к машинному обучению подогрел и интересы людей, которые занимаются философскими проблемами. Мне сложно сказать, что будет с миром, все-таки я не специалист в футурологии. Но я оптимист, и надеюсь, что все будет хорошо. Машины не восстанут. Наверное.