Антихайп пост: что могут нейронные сети, а что нет |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2023-04-11 09:35 Если спросить у молодежи что самое хайпонутое сейчас, ответ будет: биткоин, майнинг, спиннер ( куда же без них) и deep learning. Про последнее я и хотел бы поговорить, чтобы разбить весь хайп в пух и прах. Поговорить о том, что могут нейронные сети, а что нет. Постараюсь без сложных математических терминов, поехали! Итак, начнем с самого начала. Что такого в этом Machine learning'е? Представьте процесс написания программы. У вас есть входные данные, вам надо получить выходные. Вы пишете алгоритм и получаете результат. В мл все по другому - у вас есть входные данные, вам надо получить алгоритм их обработки. Продолжим. Миф №1. Искусственные нейронные сети копируют наш мозг В корне неверно. В нашей головной помойке ( возьмем то, что у большинства ) по-мимо нейронов есть еще множество клеток, в том числе и различные нейромедиаторные рецепторы. Правда №1. Искусственные нейронные сети - это просто последовательность произведения матриц ( "табличек"). Да, это действительно так. Передача импульса от начала до конца описывается произведением матриц. И не какой-то сложной, а самой простой - линейным уравнением. Выход равен всего лишь этому! out = activation(Wx + b) activation - функция активации, может слышали такое понятие как "активация нейронов". Просто так сказать "изменяет вид" выходных значений, чтобы например незначительные сигналы были равны нулю, как пример. x - вектор входных сигналов слоя, W - матрица весов, b - специальная штука называемая "нейронами смещения", поскольку не принимает на вход совсем ничего, а служит просто для упрощения нахождения решения ( дабы не говорить вам про смещения графиков ;) ) она в данном случае не важна. Все! Да да! 5 слоев будет просто 5 таких уравнений.... Нейронная сеть не может думать, это просто преобразования информации. В самом начале матрицы параметров инициализируются случайным образом, в итоге от входного вектора ( вектор - просто последовательность чисел вроде [1,2 4, 5, 4, 3, 2] ) в выходное значение. Все! Больше ничего. Совсем. Выходное значение дальше сравнивается с правильным, а веса подгоняются так чтобы в следующий раз она дала более лучший результат. Это и есть процесс обучения, такой распиаренный. Как видите, скайнетом тут даже не пахнет! Данная простейшая архитектура нейронных сетей используется для регрессии: предсказании чего-либо, например, курса валют ( ;) ), или классификации, на распознавании рукописного текста дают точность близкую к 90%, а это самая простая модель! Естественно пойдут всякие разговоры про скайнет и прочую чепуху) Миф №2. Нейронные сети могут творить. В каком-то смысле это так. Они могут рисовать изображения, могут сочинять стихи, музыку... Но это все основано на той же самой подгонке матрицы, когда несколько входных данных комбинируются в один, а на выходе получается нечто среднее. Так, например, работают стилизаторы изображений, но это не творение. Они не творят, это по-сути плагиат. Это все равно, что если бы вы взяли кусок одного романа, впихнули в другой роман и назвали новым произведением. Правда №2. Нейронные сети могут создавать стихи, общаться с человеком, делать качественный перевод Да! Но это, опять же, не творение. Вы уже знаете как они обучаются, и понимаете что в этом нет ничего удивительного. Специальные модели ( именно так называются нейронные сети в научной среде ) обучают на входных данных, чтобы они выдавали соответствующий, нужный результат... Различия лишь в используемых архитектурах - сверточные сети для распознавания изображений, rnn/lstm - анализ последовательностей, и иже с ним. Миф №3. Они появились недавно Никак нет, сэр. Даже самые продвинутые архитектуры "современные", которые используются для распознавания речи, изображений, псевдотворения были изобретены в 20 веке. Удивлены? А нет ничего удивительного - компы то были слабыми. Нейронные сети чрезвычайно медленные из-за того самого процесса "подгонки" параметров.... Правда №3. Они могут находить новые закономерности и самообучаться. Да, до этого мы расматривали обучение с учителем, когда был дан идеальный результат. А существуют еще задача кластеризации - выделения общих признаков ( кластеров ) в какой-то куче навозного мусора, и работают они довольно годно, круче человека в сотни раз. Эх, вот где годнота-то! А еще они могут выбрать отпехать красивую девчонку, вместо того чтобы сожрать морожку. Тут все просто. В искусственные нейронные сети взяли и добавили один из нейромедиаторов - дофамин, и теперь она ищет удовольствия. Эх, вот где надо бояться)))) Миф №4. Нейронные сети приведут к сильному искусственному интеллекту, сопоставимого с человеческим сознанием. Нет, нет, и еще раз нет! Нейронные сети - это просто тупой и сухой линал, линейная алгебра, как угодно, но не интеллект. Это преобразования матриц, из одних в другие. Ничего более. Если и будет создан сильный ИИ, то нейронные сети будут небольшим винтиком. Правда №4. Нейронные сети могут принимать решения. Да, связано с это с так называемой техникой reinforcement learning, в которую как раз и добавили дофамин и нейронные сети. Она ищет наиболее выгодный исход и выбирает его. Так, например, AlphaGo победила чемпиона по самой сложной настольной азиатской игре - Го. Источник: vk.com Комментарии: |
|