Ученые Курчатовского института развивают методы анализа социальных сетей с помощью нейросетей и методов машинного обучения. Как можно спрогнозировать динамику пандемии COVID-19 на основе сообщений в социальных сетях? Чем нейросети отличаются от классических методов машинного обучения? К чему стремится прогресс в области нейросетей?

Об этом рассказывает доктор физико-математических наук, ведущий научный сотрудник лаборатории технологий искусственного интеллекта Курчатовского комплекса НБИКС‑природоподобных технологий Александр Георгиевич Сбоев.

— Что такое нейросети? По какому принципу они работают и чем отличаются от остальных методов машинного обучения?

— Нейронные сети — математическая модель, основанная на наших знаниях о процессах обмена информацией в мозге человека. Элементы нейросети нелинейно обрабатывают входящую информацию, создают взаимосвязь между ее элементами и дают результат, основанный на определенных содержательных признаках.

Важно понимать, что нейронная сеть — это одна из разновидностей машинного обучения, которая отличается только степенью «биологичности» модели, то есть ее приближенности к образцу — человеческому мозгу.

Задачи, которые выполняют нейронные сети, — это задачи машинного обучения. Непринципиально, будут ли они решены с помощью нейросетей или классическими алгоритмами, — в конечном счете важен результат.

Сегодня терминология достаточно разнородная и к нейронным сетям иногда относят системы машинного обучения, которые назвать нейросетевыми можно достаточно условно.

Для того чтобы эффективно использовать нейросетевые алгоритмы, нужно предварительно обучить сеть на определенной выборке. Она составляется из данных, на примере которых мы объясняем машине, какой именно результат хотим получить при анализе той или иной информации, — так называемая задача с учителем. Эта выборка становится основой для работы нейронной сети, как и других методов машинного обучения.

Во время обучения нейронной сети используется метод обратного распространения ошибки: на основе результата анализа на выходе сети мы последовательно пересчитываем нейросетевые параметры в направлении от выхода к входу сети так, чтобы минимизировать погрешность по всей сети.

— Для решения каких задач сегодня используют нейросетевые методы анализа информации?

— Во-первых, это задачи классификации. Например, нам нужно «разложить книги по ящикам»: в одни разделы убрать книги по живописи, в другие — по физике и т.д. Такие задачи решаются в том случае, если заданы четкие характеристики классов, на которые машина может ориентироваться.

Во-вторых, задачи категоризации, или кластеризации. Это ситуация, когда не человек создает «ящички», в которые нужно поместить определенную информацию, а сама система раскладывает элементы по группам, ориентируясь на сходные признаки.

В-третьих, задачи прогнозирования — необходимость предсказать на основе текущих данных, каким окажется результат в будущем. В частности, это прогнозирование ценообразования или различных инструментов фондовых рынков.

Это три основные категории задач, которые решаются с помощью нейросетей и методов машинного обучения. Но надо понимать, что это относительно формальный список и в каждой из этих задач есть множество подклассов в зависимости от конкретной ситуации; соответственно меняются и подходы к их решению. Например, задачи прогнозирования аварий или катаклизмов: это довольно редкие случаи, и надо учить машину строить прогнозы на основании ограниченной информации в условиях недостаточной выборки.

Нейросети стали очень востребованы, появляется все больше способов их обучения, развитие этих методов считается важным элементом развития современных технологий.

— Как выглядит итоговое воплощение нейросети для решения конкретной задачи? Это программа, рыночный продукт?