О применении нейронных сетей можно говорить часами, а в СМИ каждый день мелькают сообщения, что в очередной раз их чему-либо научили. Наверное, только ленивый не слышал про победу нейросети в сложнейшей игре Го над действующим чемпионом или про то, как нейросеть прошла в финал именитой литературной премии имени Хоси Синъити.

В марте 2016 года программа Alpha Go, разработанная «дочкой» Google – компанией DeepMind, обыграла Ли Седолема, чемпиона мира в игре Го. Вслед за шахматами это стало новым эпохальным поражением человека перед машиной.

Сейчас алгоритмы, похожие на работу мозга, могут писать вполне неплохие материалы, что доказывает робот-журналист Wordsmith от компании Automated Insights. Они «работают» на крупнейшие поисковики типа Яндекс и Google, помогая нам быстро отыскивать нужную информацию, прогнозируют поведение биржевых индексов, помогают маркетологам таргетировать целевую аудиторию, осуществляют качественные смысловые переводы со многих языков и даже активно используются в медицине.

Так, например, в апреле в журнале PLOS One вышла далеко не первая статья, сравнивающая диагностические способности нейросетей и врачей в области кардиологии. Оказалось, что на основании рекомендаций по оценке сердечно-сосудистых рисков можно предсказать опасные для жизни в 72,8% случаев, тогда как нейронная сеть, учитывая некоторые другие параметры в том числе, в состоянии сделать это почти на 8% более эффективно. И таких примеров — десятки.

DeepDream — программа компьютерного «зрения», созданная Google. Одним из интересных побочных результатов работы нейросети стало преобразование изображений в сюрреалистичном стиле, с чем экспериментируют интернет-пользователи.

В основе нейросетей лежат новейшие алгоритмы обработки информации, которые учёные и программисты «подсмотрели» у природы — нейронные сети. Эти математические алгоритмы строят свою работу по принципу работы мозга и находятся на стыке сразу нескольких наук: нейрофизиологии, математики, кибернетики и программирования.

Впервые идею искусственной нейронной сети описали ещё в 1943 году нейропсихолог Уоррен Мак-Каллок и математик Уолтер Питтс. В их представлении мозг упрощался до простейшей взаимосвязанной цепи, каждое звено в которой может обрабатывать информацию по принципу нескольких входных данных, анализа и одного выхода с последующей передачей ответа другому звену.

Конечно, воплотить это в жизнь не удавалось долгое время, пока опытные программисты и инженеры не создали модели и режимы работы с нейросетями и не обеспечили подходящее техническое обеспечение.

Каждое такое звено — условный нейрон. Вспомним, как он выглядит: тело со множеством коротких отростков — дендритов, один длинный — аксон, тонкие нервные окончания и места соприкосновения одного нейрона с другим — синапсы. Это упрощенная схема, но именно она нам и подходит. Главное — запомнить, что по дендритам информация поступает в нейрон, и только по аксону передаётся дальше, а также то, что у каждого нейрона могут быть тысячи синапсов, по которым поступает информация, но выход — один.

Наш простейший нейрон — идеальный вычислительный элемент. Его задача — оценить некоторые факты на входе и дать им оценку в зависимости от своей настройки — синаптических весов. В это время внутри — в его теле — происходит суммация фактов, умноженных на вес каждого, их преобразование, а затем готовая оценка по аксону переходит в следующий нейрон, где с ней совершаются преобразования уже иного толка.

Чтобы не углубляться в теорию, рассмотрим этот процесс на примере. Допустим, вы пришли в магазин электроники и выбираете плеер. Вы уже заранее в интернете просмотрели обзоры, узнали характеристики и составили себе план того, что вам хотелось бы иметь из функций. Например, мощный аккумулятор, хорошая подача звука, наличие небольшого экрана. Это будут входные данные.

Очень редко бывает так, что вы найдёте однозначно сделанную специально под ваши запросы вещь. Поэтому вы выбираете то, что для вас имеет особое значение: возможность смотреть на то, какая песня играет сейчас? А может быть, вы будете брать его в двухнедельные походы без возможности подзарядки? Или вы хотите слышать кристально чистый звук? Вы ориентируетесь сугубо индивидуально, мысленно подгоняя бегунки, а нейросеть определяет каждый параметр в процентах.

В магазине вы анализируете каждую модель с учётом необходимых вам критериев, насколько она подходит. Здесь есть несколько типов выбора. Один из них, назовём его «нейрон-максималист», будет при малейшем несоответствии отметать предлагаемые варианты. Другой — прямолинейный, при котором возможность вашей покупки будет возрастать строго в прямой зависимости от повышения кристальности звука или объёма батареи. И самый подходящий — «нейрон-мудрец», который позволит решить проблему наподобие «этот плеер достаточно вынослив, но в нём нет экрана, да и звук не подходит моему тонкому слуху, поэтому поищу, пожалуй, ещё».

Но это самая простая схема. Допустим, что кроме перечисленных трёх параметров для нас также важна стоимость плеера, так как мы имеем ограниченный бюджет. Кроме того, мы хотим, чтобы наш плеер обладал современным дизайном и был в металлическом корпусе, так как мы частенько что-то роняем.

Таким образом, вводя всё большее количество входных данных и выставляя им свой вес, мы уточняем пределы наших желаний и возможностей и в итоге на выходе получаем свой «идеальный» гаджет. Всё, что находится между входами и выходом и происходит в теле нейрона, называется скрытыми слоями. Мы уже сейчас приняли взвешенное решение, которое оказалось далёким от бескомпромиссной логики типичных программистов «если — то» (характерно для старых алгоритмов). А если мы каждый раз будем усложнять сеть, добавлять в неё новые слои, наращивая количество нейронов до 1000 и больше?

Читать далее