Основная составляющая современного искусственного интеллекта – нейронные сети. Технологию используют повсеместно: от робототехники до онлайн-маркетинга. Об использовании нейросетей и перспективах искусственного интеллекта рассказывает инженер в области машинного обучения компании NVIDIA Дмитрий Коробченко.
Что больше всего привлекло вас в изучении особенностей функционирования нейросетей? Когда и чем вас заинтересовало машинное обучение?
Знакомиться с машинным обучением я начал еще во время учебы на ВМК МГУ, около 10 лет назад. В то время меня очень интересовала и потрясала задача компьютерного зрения. И, как выяснилось, для успешного решения этой задачи необходимо было применять машинное обучение. В то время нейронные сети в нашей среде всё еще считались чем-то неприличным и смехотворным после всех их провалов.
Тем не менее, меня заинтриговала общая идея машинного обучения, связанная с предсказаниями различных величин на основе обучающей выборки или поиском скрытых закономерностей в данных. В то же время компьютерное зрение казалось особенно притягательным, так как, по сути, объединяло две интересные области: машинное обучение и обработку изображений. В начале моей карьеры в Samsung я уже более детально познакомился с нейронными сетями (еще до большого бума этой темы).
Нейронные сети поразили меня своей простотой и эффективностью для решения задач компьютерного зрения. Если у вас есть достаточно данных для обучения и возможность быстро обучаться на GPU, то вам не нужно исхитряться и придумывать сложные признаки для работы систем распознавания, а достаточно построить свёрточную нейронную сеть, и она всё сделает за вас.
Какое основное преимущество нейронной сети?
В отличие от сложных, сконструированных вручную методов извлечения признаков, свёрточная нейронная сеть представляет собой лишь композицию довольно простых и интуитивно понятных операций. И оптимальные признаки в ней получаются автоматически в ходе обучения.
Похожие достоинства присущи и другим типам нейронных сетей. Еще один мотивирующий фактор для изучения нейронных сетей – постоянно нарастающий поток из различных усовершенствований и изобретений новых архитектур силами научного и индустриального сообщества и отсутствие какого-то застоя.
Какие успехи в развитии мирового бизнеса достигнуты именно благодаря применению AI-технологий? К каким достижениям это может привести в будущем?
Каждая компания (будь то IT, производство, сервис и т. д.), которая начала использовать технологию ИИ в своих продуктах, уже получила от этого какие-то плоды или же сделала хороший задел для своего будущего развития. Современный ИИ позволил решить ряд задач, которые не могли быть решены с помощью алгоритмов предыдущего поколения.
Неполный список примеров: качественно улучшено распознавание речи в голосовых помощниках, улучшен машинный перевод, анализ комментариев пользователя во всевозможных сервисах, анализ изображений с камер на производстве для выявления аномалий и детектирования других важных вещей, распознавание лиц в социальных сетях и банках, анализ пользователей и предсказание их поведения, робототехника, автопилот и другие умные гаджеты.
В будущем внедрение ИИ в производство и в продукты/сервисы станет рядовым событием, что позволит существенно уменьшить количество рутинной работы для человека и повысить качество продуктов и сервисов.
Помимо общеизвестных сфер, где используется технология ИИ, где еще ее можно внедрять?
Везде, где есть данные и нужно их анализировать и обрабатывать. Будь то распознавание, синтез контента, управление роботом или агентом, перевод одного типа данных в другой, принятие решений, прогнозирование и т. д. Основная проблема не с идеями, а с реальной возможностью внедрить ИИ в ту или иную отрасль.
Зачастую всё сводится к одной из следующих проблем: недостаток данных для обучения, плохо формализованные и неструктурированные данные, которые тяжело подать на вход какому-либо алгоритму, или же просто для данной задачи (типа данных) еще не изобретена подходящая по эффективности архитектура нейронной сети. Именно из-за таких проблем некоторые идеи умирают, не успев развиться, и не становятся «общеизвестными».
Расскажите о теории компьютерного зрения. Зачем человечеству «новые глаза»?
Технология компьютерного зрения служит мостом между миром визуальной информации и миром интеллектуального анализа данных. Так как изображения и видео занимают существенную роль в современной дата-сфере, необходимо обладать инструментом для обработки данных такого типа. Для этого недостаточно просто использовать какие-то тривиальные свойства изображения, типа размера кадра, статистики цветов и т. д.
Зачастую необходимо анализировать именно содержимое в семантическом смысле: что изображено на этой картинке, какие там присутствуют объекты и где они находятся, какие взаимосвязи между этими объектами и т. д. Ровно такой же способ анализа изображений необходим для зрения роботов, которым нужно «видеть» мир, с которым они взаимодействуют. Сюда же можно отнести автопилотируемые транспортные средства.
В чем сложности развития технологии компьютерного зрения?
Задача компьютерного зрения не является простой. Цифровые изображения представляют собой огромные таблицы чисел (интенсивности в пикселях), в которых нетривиально «разглядеть» тот или иной объект. Для решения этой задачи необходим промежуточный этап – извлечение признаков.
Грубый пример: чтобы найти на фотографии котика, надо сначала найти его уши, глаза и т. д. Долгое время такого типа визуальные признаки были очень специализированными и конструировались вручную. С приходом в компьютерное зрение свёрточных нейросетей появилась возможность обучать эти признаки автоматически из данных.
Как технология глубокого обучения помогает повысить эффективность онлайн-маркетинга?
Для онлайн маркетинга важно уметь решать следующие задачи: персонализация контента для разных пользователей, выявление признаков пользователей, предсказание их поведения, кластеризация, рекомендации и другое. Всё это решается с помощью современных методов машинного обучения, в том числе с помощью нейронных сетей.
Зачастую в таких задачах участвуют сложные типы данных (изображения, тексты). Для интеллектуальной обработки такого типа данных лучше всего подходят глубокие нейронные сети (свёрточные, рекуррентные). Но даже для анализа низкоразмерных признаковых векторов (например, список каких-то характеристик пользователя или его действий) можно успешно применять нейронные сети наряду с другими алгоритмами машинного обучения.
Если позволить себе пофантазировать о вариантах развития будущего, то какое место, согласно самым смелым воображениям, может занимать в нем искусственный разум?
Искусственный интеллект в будущем станет универсальным массовым инструментом для решения самых разнообразных задач по работе с любыми типами данных. Практически вся работа, которую мы сегодня делаем в офисе, будет выполняться с помощью ИИ. Уже сейчас с помощью ИИ можно автоматизировать множество рутинных вещей. В будущем выполнение всё более интеллектуальных задач будут переходить под ответственность ИИ.
Врачам, юристам, учителям, менеджерам и даже ученым и инженерам придется конкурировать с ИИ. Такая же судьба может ждать людей творческих профессий, так как ИИ научится создавать всё более богатый контент: автоматически синтезированные фильмы, музыка, романы и т. д. А в сочетании с разработками в области робототехники ИИ сможет также выполнять не только «виртуальные» задачи, но и делать много чего в реальном мире, выполняя операции, которые раньше мог выполнить только человек.
Какие преимущества получат люди после того, как посетят вашу лекцию?
В лекции будет дан широкий обзор современных нейронных сетей, их типов, принципа их работы и обучения, а также примеры применения. Помимо фактов о том, «как это работает», слушатели получат возможность получить интуицию, скрывающуюся за всеми этими алгоритмами, и понять, «почему это работает».
Такое понимание позволит относиться к современным технологиям искусственного интеллекта не как к волшебным чёрным ящикам, а как к вполне закономерным алгоритмам анализа и обработки данных.
И последний вопрос: можно ли почувствовать себя богом, создавая искусственный интеллект?
В этом ключе то, что мы сейчас называем «искусственный интеллект», является таким же алгоритмом, инструментом, software, как и другие вещи из computer science. И инженер, создавший этот алгоритм, конечно, может чувствовать себя творцом, если его алгоритм работает хорошо и делает замечательные вещи.
То же самое можно сказать практически про любую созидательную и творческую деятельность. А о создании «сильного искусственного интеллекта» говорить пока рано.
Эксперт в этой области инженер NVIDIA Дмитрий Коробченко выступит с лекцией «Deep learning: обзор технологии и примеров применения» на AI Conference, в которой расскажет, как работают и обучаются современные нейросети, объяснит, что такое Deep Learning и где это можно применять.
Посетить конференцию: https://aiconference.ru