Как будто-то бы это все звучит не по-настоящему, надуманно, хм, но это на самом деле так. Как нам достичь такого эталонного веса Нейронов, чтобы их общие строчные вычисления привели к машинному распознаванию человеческих лиц? Мы не сможем этого сделать. Тогда как заставить это работать? Ну, мы все-таки говорим о Машинном обучении. А Машинное обучение предлагает для этого решения.

Для этого нам понадобятся тренировочные данные. Данные должны уже содержать тот желаемый результат, который мы хотим получить от машины. Мы можем предоставить эти данные ненастроенной Нейронной Сети. Она их обработает и, скорее всего, выведет что-то бессмысленное и бесполезное. Но это нормально. Дальше мы можем использовать математическую функцию под названием Ошибка. Ошибка – лишь способ измерения того, насколько отличаются полученные данные от желаемых. Затем, используя Calculus, мы можем узнать, какая часть этой ошибки вызвана выверкой каждого из наших Нейронов! Дальше, имея эту информацию, мы можем немного донастроить Нейроны и повторить процесс: внедрить данные в Сеть, проследить за результатом, вычислить Ошибку и использовать Calculus, чтобы понять, как настроить Нейроны для более точного результата. Этот процесс будет повторяться до тех пор, пока мы не добьемся выверенных конфигураций Сети. Процесс использования функции Ошибка, Calculus, конфигурация – это и есть Машинное обучение.

Мощность за определенную плату

Несмотря на то, что нейронные сети концептуально просты (по крайней мере, когда объясняешь, игнорируя детали), но вместе с тем они требуют наличия больших ресурсов. На данный момент меня вполне устраивает имеющаяся у меня нейронная сеть, настроенная для распознавания стилей западного искусства. Несмотря на то, что набор данных занимает всего несколько гигабайт, для выполнения одной итерации обучения потребуется почти час. Чтобы завершить запланированный 50-итерационный график обучения необходимо почти два дня. И даже тогда может понадобиться дополнительное время, если Сети все еще будет требоваться обучение. Причем я не запускаю это на какой-то допотопной машине. Это практически новый компьютер с 8,7-ядерным процессором AMD Rhyzen 3,7 ГГц с 32 ГБ оперативной памяти, где в момент запуска не происходит других операций.

Нейронные Сети обучать дорого. Если хотите увеличить производительность, то можно заплатить за дорогой графический процессор, но это может обойтись в тысячу долларов. Организации и исследовательские институты могут иметь фонды, которые выделят на это деньги, но у отдельных людей, маленьких компаний и небольших исследовательских групп таких возможностей нет. К счастью, им это уже и не нужно.

Облачные сервисы открыли доступ к удаленной обработке данных, чтобы предоставить вычислительные возможности тем, кто хочет обучать нейронную сеть. У вас нет дорогого компьютера? Не беспокойтесь, просто удаленно арендуйте его у Google за небольшую цену.

Мир нейронных сетей

Нейронные сети существуют и не собираются исчезать. Постоянно публикуются новые достижения и вычислительные архитектуры. Сверточные нейронные сети хорошо себя проявили в обработке изображений, а рекуррентные сети могут обрабатывать данные переменного размера, потоковые данные или последовательные данные. Нейронные сети действительно мощные – значительно мощнее других решений, которые мы имеем. Но они не способны имитировать то, что действительно происходит в нашем мозге. Есть некоторые серьезные недостатки даже в наших самых современных сетях. Один из них – это возможность запутать сеть. Например, сеть, предназначенную для распознавания указателей остановки, можно легко ввести в заблуждение несколькими наклейками на знаке, расположенными в значимых местах. Если такие сети будут использоваться, например, в автомобилях с автоматическим управлением, то это существенно отразится на безопасности.

Нейронные сети сильно зависят от данных, которые используются для их обучения  (это обсуждалось в предыдущей статье). Но они так же зависимы от конфигурации выходных данных. Задача большинства сетей – найти решение. Для определения объектов сеть должна вернуть то, что она считает входным изображением. Но что произойдет, если мы ничего не предоставим в качестве входных данных – только полностью пустое изображение или статистический шум? Сеть будет вынуждена вернуть то, что она «видит», например, собаку на белом фоне. Это полнейшая бессмыслица. Почему в тех случаях, когда человек бы совсем не стал выбирать бессмысленные объекты, выбор сделан в пользу той модели, а не иной? Или другой пример, если мы немного изменим рисунок, вставив незаметный небольшой по размеру шум, мы можем обмануть сеть. До изменений сеть правильно определила бы бабочку на рисунке, но теперь она думает, что это грузовик, а для человека оба рисунка абсолютно идентичны. Это существенный недостаток, который отражает глубину имеющихся проблем с Нейронными Сетями.

На данный момент нейронные сети переживают переходный период. Они одновременно пугающе мощные и до смешного простые и неразвитые. Они могут как превзойти человека, так и быть обманутыми незначительными изменениями. В ближайшее время нейронные сети не достигнут уровня человеческого сознания, и, более того, они не готовы к внедрению в другие типы систем. Но их применение уже сейчас заставляет насторожиться.

Китай уже сейчас использует технологию распознавания лиц этнического меньшинства уйгуров. Точное распознавание голоса обеспечивает возможность слежения за людьми, которые даже могут не находиться рядом с камерой – наши телефоны превратились в устройство мониторинга. «Deep Fakes» – набирающий обороты тип видео, который может модифицировать существующие видеоролики и отобразить лицо и голос одного человека поверх изображения другого. Такое фальшивое видео можно использовать для шантажа или дезинформации. Пока Терминатор остается научной фантастикой, вооруженные военные беспилотники, использующие нейронные сети для стабилизации, навигации, нацеливания и тактики, могут радикально менять вооруженные конфликты, причем их поведение невозможно предсказать.

Если в некоторых сферах нейронные сети используются для ущемления прав, то в других могут оказаться спасением. Медицинские учреждения все чаще используют сетевые системы для выявления таких заболеваний, как рак или инфекционные заболевания. Лаборатории могут использовать аналогичные сети для моделирования сложных биомолекул и разработки методов лечения. Нейронные сети даже используются в системах управления светофорами для увеличения потока транспортных средств и уменьшения количества аварий.

Куда Нейронные Сети поведут нас дальше? Сложно сказать. Но кажется очевидным, что мир захвачен и останется в сети Нейронов. Мир уже в их власти.