На нашем канале мы запустили новую рубрику «Охотники за будущим» (*вот видео*). Так же мы решили эксперементально выпустить расшифровку этого видео, максимально адаптировав её для формата чтения. Добро пожаловать под кат.

Сейчас это может показаться смешным, но именно так начинается новая технологическая революция для нашей цивилизации — машины научились учиться. Представляем вам пилотный выпуск нового формата Sci-One «Охотники за будущим» — вместе с учёными и инженерами, которые создают технологии готовые изменить мир, мы разбираемся как это происходит, изучаем, что и как работает, а что не получается и в чём проблема, и иногда размышляем, как меняемся мы и мир с развитием технологии. Сегодня мы знакомимся с машинным обучением. И поможет нам в этом Андрей Себрант.

Андрей Себрант: «*История про обучение — это и есть суть машинного интеллекта. Мы научились создавать такие программы и запускать их на таком железе, что вот этот вот аппаратно-программный комплекс начинает обладать способностью самостоятельно учиться*».

Беспилотник. GIF 21Mb

Беспилотник (на gif выше) пережил 11,5 тысяч столкновений чтобы никогда не повторять своих ошибок. Никакого внешнего управления — мучился сам. Алгоритм обучения в общих чертах простой — стартуешь и летишь вперёд. Если столкнулся — летишь обратно в точку старта и повторяешь всё снова.

Но это был бы бессмысленный цикл издевательств над дроном, если бы кадры с видеокамеры на беспилотнике не обрабатывала нейронная сеть. Перед тем как попасть в эту сеть кадры делились на две группы, одни описывали какое было окружение до столкновения, другие — во время. Дальше нейронная сеть разбиралась когда бывает хорошо и можно лететь, а когда плохо и будет удар. Вот так беспилотник налетал 40 часов в 20 разных помещения и теперь никого и ничего не задевает, конечно, только в привычной обстановке.

Андрей Себрант: «*С одной стороны мы и шахматную игру называем интеллектуальной игрой, но с тех пор как компьютер обыграл Каспарова, никто особенно не возбуждался на тему искусственного интеллекта, а вот вокруг Го сейчас возбудились.

Создатели алгоритмов рассказывают „Мы в этом месте ни разу не могли просчитать партию до конца, мы вынуждены были нечто неалгоритмизируемое заложить в машину чтобы она училась сама“. И вот именно на словах „училась сама“ у людей начинает клинить потому что кажется, что способность к обучению, а не просто способность к исполнению очень сложной, очень длинной, заранее сформированной человеком, программы последовательности действий, что именно она (способность к обучению) отличает человека от машины*».

Исторический матч состоялся между одним из лучших с мире игроков в го Ли Седолем и системой искусственного интеллекта AlphaGo. Она выиграла 4 партии и проиграла 1 и это означало, что впервые машина была лучше человека в этой древней и очень сложной игре. Многие эксперты полагали, что это случится не раньше, чем через 10 лет.

Андрей Себрант:

«Простейший способ объяснить принцип состоит в описании старой-старой задачи „Как отличить кошку от собаки?“, потому что на самом деле в традиционной парадигме вычислительной техники нужно сначала понять силой нашего разума, что в фотографии кота делает его в наших глазах котом. Тут можно начать описывать объект класса ‘глаз’ и это будет долгое описание „это некий вот такой вот объект с блеском, чаще всего круглый, в середине содержит тёмное пространство, иногда круглое, иногда вытянутое. И вот этот объект является ‘глаз’ а если это пространство круглое, то, скорее всего, глаз собачий. А если это тёмное пространство вытянутое, то, скорее всего, глаз, кошачий“. И это один из многих признаков которые мы сейчас сформулируем и по которым можно отличить фотографию кота от фотографии собаки. Но понятно, что от того, что кошка или собака закрыла глаза, она не перестаёт быть кошкой или собакой и поэтому нам придётся дальше описывать „усы торчат по-разному“ и описать понятие, что такое ‘ус’, как алгоритм может выделить ‘ус’ на картинке и дальше понять это кошачий ус или собачий, но ведь, тем не менее, даже с бритыми усами кошка не перестаёт быть кошкой, и поэтому мы должны рассмотреть ещё один класс, например, форму и расположение ушей, описать класс объекта ‘ухо’ и так далее.

Это старинный классический подход, когда мы пытаемся внутри себя понять, что в наших глазах отличает кошку от собаки, потом пытаемся это перевести в описание неких процедур и дальше допустить могучую вычислительную технику на анализ картинки для выделения этих объектов и для определения вероятности по всем параметрам (‘глаз’, ‘нос’, ‘ухо’ и тд. и т.п.) кошка это или собака.

Но, на самом деле, мы так никогда в жизни в детстве не поступали, никто нас в детстве не учил заниматься сравнительным анализом глаз и усов. Мы просто видели довольно много котят и щенков, взрослых собак и кошек и потом как-то быстро научились их отличать, не сильно рефлексируя, как именно это у нас получается. Сейчас стало можно делать тоже самое с машинами и это ключевой момент машинного обучения и это, по сути дела, ключевой момент в возникновении ‘машинного интеллекта’, когда машине, которой не объясняли, что бывают коты и собаки и как они отличаются, просто дали миллион картинок котов и миллион картинок собак и просто поставили задачу определить кошка это или собака на два миллиона первой картинке».

Умные машины добиваются признания даже в искусстве. В 2016-м году впервые они поборолись за титул лучшего художника. На конкурсе Robot Art главный приз $40,000 присудили PIX18 — списанной промышленной руке-роботу, наделённой нейронной сетью.

Если другой умной машине дать начитаться стихотворений, то она сможет своё написать.

Андрей Себрант: «„А почему она так решила?“ — да черт её знает! Вот это тоже то, что больше всего пугает людей. „Как же мы её научили, если мы не объясняли, что именно надо отличать?“ — да точно так же, как наши детей. Мы им не объясняли, как отличить кота от собаки, мы просто показывали им кошек и собак. И эта история привела к тому, что возникло вот это вот специальное явление ‘обученные машины’, машины, обладающие ‘машинным интеллектом’ потому что выше я, на самом деле, описывал очень популярную задачу — задачу классификации. Вот давайте объекты класса ‘кошка’ или ‘собака’ классифицируем на эти две группы. Что будет, если показать ваш портрет этому же самому алгоритму? — у него другого выбора нет, он не обучен тому факту, что в мире существуют какие-то другие объекты кроме кошки или собаки. Дальше, кончено, будет интересно, кем он вас сочтёт. А дальше вам, наверное, было бы интересно, почему он принял вас за кота, а не за собаку. Но другого же решения-то программа принять не может потому что не умеет! Вообще в её знании не существует ничего кроме кошек и собак. Понятно, что дальше начинается интереснейшая задача обучения многообразию всего мира. То есть в итоге, конечно, хорошие, современные программы различают сотни тысяч объектов, среди которых всё что угодно — пароходы, дома, люди, зонтики, облака и всё, что угодно. У них на это ушло довольно много времени, но это время у них было и надо понимать, что компьютер ещё и учится гораздо быстрее, чем мы с вами.

Поэтому вот в тот момент когда вдруг выясняется, что компьютер начинает различать, идентифицировать объекты на картинке, а потом (если при этом компьютер ещё читал прикартиночные подписи) говорит, что „на этой картинке изображен не просто берег океана“ и ведь не просто одинокая фигура в лучах заката, а „на этой картине изображено одиночество“ (да есть такие программы, которые в состоянии это написать, когда ты им покажешь свою любимую фотографию одинокой девушки на закате) — вот в этот момент у людей что-то ёкает „как же так, это вообще абстрактное понятие, откуда он взял?!“ — да из нашего с вами опыта, потому что картинок в интернете с примерно таким же набором предметов, рядом с которыми текст про одиночество в общем-то не мало.

То есть выясняется, что машина может учиться на всём богатстве информации которое сейчас есть в сети, а там, как вы понимаете, есть всё, начиная с Википедии, заканчивая нашими с вами фотографиями, открытыми постами в соцсетях и т.д. и т.п.».

Ваши поисковые запросы тоже многому могут научить машины:

Как научиться рисовать
Продуло шею мазь
Гуф новогодняя скачать
Синоним к слову связь
Дзержинск осиновка маршрут
Как добавлять в приват
Идеи новогодних блюд
Смотреть пусть говорят

Яндекс. Автопоэт

Это стихотворение написала не нейронная сеть, а обычная программа, но если вы её «прослушаете в исполнении автора», то услышите, как зачитала её машина, которая сама научилась говорить. Для этого она переслушала 300 часов мужской, женской, детской речи и с помощью нейронной сети синтезировала собственную.

Андрей Себрант: «Выясняется, что, по сути дела, (это не моя фраза, а фраза многих людей, которые стоят у основ самих алгоритмов машинного обучения) „машины начинают познавать тот мир, в котором живем и мы с вами“. Причём познавать и учиться в нём хотя бы пока классифицировать, т.е. отличать любые объекты друг от друга. Вот это и есть ‘машинное обучение’. На сколько это интеллект? — Ну, посмотрим, что будет дальше, ведь такого огромного знания и понимания того, что на этой картинке изображен закат, который у людей ассоциируется с одиночеством, не достаточно для нормального полноценного интеллекта для которого нужно ещё много чего, т.е. нужны какие-то собственные переживания.

Я не случайно говорил настолько бессистемно, запутанно, по сути какую-то мозаику вам показывал, с кусочками. Я преследовал определенную цель — показать, что нет очень чёткого понимания, что такое ‘машинный интеллект’ на сегодня, в том числе потому что нет чёткого понимания, что такое интеллект вообще.

Слова эти используются для описания самых разных кусочков огромной быстроразвивающейся области, называющейся ‘машинное обучение’. Вот про отдельные её кусочки, отдельное применение, про то, что она меняет (а она кардинально меняет не только нашу с вами жизнь, но и промышленные процессы, а это вот и есть то, что называют четвертой промышленной революцией) вот это вот стоит обсуждать отдельно».

Напоминаем, что это была расшифровка первого видео нашей новой рубрики «Охотники за будущим» (видео на всякий случай прилагаем ещё раз):

Напишите нам в комментариях, понравился ли вам такой формат (расшифровывания видео) и сто́ит ли нам продолжать над ним работать.

Да пребудет с вами наука.