12-р сарын 19-нд Егор Гайдар сангийн лекцийн төслийн хүрээнд хүний тархи шиг ажилладаг доктор, профессор Михаил Бурцев. Арга хэмжээг эдийн засгийн ажиглагч Борис Грозовский удирдан явуулав. Шинжээчийн лекцийн дэлгэрэнгүйг Коммерсант сонины видео бичлэг болон тайлангийн хуулбараас харж болно.
Егор Гайдарын сан нь "Коммерсант" сонины мэдээллийн дэмжлэгтэйгээр "Эдийн засгийн факультет" "Ирээдүйн эдийн засаг" лекцийн төслийн хичээлийг эхлүүлэв. Уг сургалтад криптовалют, блокчэйн, хиймэл оюун ухаан, мэдрэлийн сүлжээ, том өгөгдөл гэсэн өндөр технологийн дөрвөн лекц орсон.
11-р сарын 21-нд криптовалютуудад зориулсан "Ирэх ирээдүйн эдийн засаг" циклийн эхний лекц боллоо. Дэлгэрэнгүй мэдээллийг - "Коммерсант" материалаас "Криптовалют: Шинэ эдийн засаг уу эсвэл шинэ пирамид уу?".
Хоёр дахь лекц нь 12-р сарын 5-нд болсон бөгөөд хиймэл оюун ухааныг нэвтрүүлэх хэтийн төлөвт зориулагдсан юм. Дэлгэрэнгүй мэдээллийг - "Коммерсант" материалаас "Хүн ба машин - ашигтай холбоо эсвэл ширүүн өрсөлдөөн үү?".
Лекцийн хуулбар
Урилгаар лекц уншихад “Ирээдүйн эдийн засаг” циклийн гарчиг их таалагдсан. Би мэдрэлийн сүлжээтэй арав гаруй жил ажиллаж байгаа ч сүүлийн хоёр, гурван жилийн хугацаанд ирээдүй зайлшгүй ирж байна гэсэн мэдрэмж байнга төрдөг болсон. Үүнтэй холбогдуулан циклийн нэр нь миний ярихыг хүсч буй зүйл, лекцийн дараа бид юу хэлэлцэхийг төгс тусгасан болно. Үүний дагуу би мэдрэлийн сүлжээ гэж юу болох, тэдгээрийг ухаалаг системийг бий болгоход хэрхэн ашигладаг талаар ярихаар төлөвлөж байна. "Тэд бидний амьдралыг хэрхэн өөрчлөх вэ" гэж бас хэлсэн боловч бид энэ талаар илүү интерактив байдлаар ярьж болно, учир нь энд асуулт нээлттэй байна гэж би бодож байна. Миний олж харахгүй байгаа ямар боломжуудыг та нар харж байгааг би өөрөө сонирхож байна.
Хиймэл оюун ухаан гэж юу вэ гэдгээс эхэлцгээе. Бидний ярьж буй сэдвийг тодорхойлохыг хичээцгээе. Хиймэл оюун ухааны сонгодог тодорхойлолт бол хүнийхтэй дүйцэхүйц оюун ухаантай зарим машин бүтээх явдал юм. Гэхдээ асуулт гарч ирнэ: яагаад бид үүнийг хийж байна вэ? Нийгэм яагаад ингэж байна вэ?Энд надад хоёр тал байгаа юм шиг санагдаж байна. Эхний тал нь хэрэглэгдэх зорилго бөгөөд хиймэл оюун ухааны тухай сонсоход хамгийн түрүүнд санаанд орж ирдэг зүйл юм. Бидний төрөлхийн оюун ухааныг нөхөж, зарим асуудлыг шийдвэрлэх боломжийг олгодог туслах ажилтан авахыг бид хүсч байна. Тооцоолуур нь бидний амьдралыг хэрхэн хялбарчилж, зуун жилийн өмнө оюуны өндөр чадвартай гэж тооцогддог байсан - үржүүлэх, нэмэх, олон тооны хуваах үйлдлийг хийх боломжийг бидэнд олгосон. Энэ бол хиймэл оюун ухааны өвөг дээдэс юм. Хоёрдахь тал - Хэрэв бид хиймэл оюун ухааныг суурь судалгааны хөтөлбөр гэж үзвэл, үнэн хэрэгтээ бид оюун ухаанаараа хүнтэй харьцуулахуйц машин бүтээхийг хүсч байгаа тул бид өөрөөсөө зайлшгүй асуулт асуудаг: хүний оюун ухаан гэж юу вэ? Ричард Фейнманы хэлсэнчлэн "Аливаа зүйлийг ойлгохын тулд би түүнийг хэрхэн бүтээхээ мэдэх хэрэгтэй." Тэгэхээр энд. Хиймэл оюун ухааныг бий болгосноор бид байгалийн оюун ухаан хэрхэн ажилладагийг илүү сайн ойлгодог. Мөн энэ утгаараа бид философийн салбарт нэвтэрч, өөрөөр хэлбэл хүний мөн чанарыг харуулдаг. Хүн хэрхэн ажилладаг, ямар сэдэлтэй, яагаад тэр ямар нэг байдлаар биеэ авч явдаг. Энэ нь судалгааны үүднээс маш сонирхолтой юм. Эдгээр нь бидний хиймэл оюун ухаантай ажиллах гол шалтгаан гэж би бодож байна.
Ер нь хиймэл оюун ухааныг хэрхэн бүтээж болох талаар товчхон харцгаая. Та хиймэл оюун ухааны төслийн зохион байгуулагч гэж төсөөлөөд үз дээ. Юунаас эхлэх вэ? Ямар сонголтууд байна вэ? Эхнийх нь толгойг хагарах явдал юм. Бид мэдрэлийн эсүүдээс бүрдсэн тархи зарим асуудлыг хэрхэн шийддэгийг судалж, дараа нь эдгээр бүрэлдэхүүн хэсгүүдийн харилцан үйлчлэлийн зарчмуудыг ойлгож, ажлын алгоритмыг бий болгодог. Өөрөөр хэлбэл, бид мэдрэлийн эсүүдээс тархины загварыг бүтээх бөгөөд үүний дагуу хиймэл мэдрэлийн сүлжээ авах болно. Хоёр дахь арга бол оюун ухаан гэж юу болохыг ойлгох явдал юм. Бид оюуны асуудлыг шийддэг хүмүүсийг авч, үйл явцыг шалгаж болно. Тэд үүнийг яаж хийдэг, ямар арга заль хэрэглэдэг, ямар мөчид, жишээ нь, математикийн теоремын баталгаатай байдаг. Дараа нь бид оюуны асуудлуудыг шийдвэрлэх тодорхой загварыг бий болгож, түүнийг албан ёсны болгож, ижил оюуны үр дүнг бий болгохын тулд компьютер дээр ажиллуулахыг хичээх болно. Эдгээр нь ерөнхийдөө хүмүүс хэрхэн хиймэл оюун ухаан хийдэг талаар хоёр үндсэн хандлага юм: нэг нь тархины биологийн системийг загварчлахад үндэслэсэн, хоёр дахь нь хүний сэтгэхүйд үндэслэсэн байдаг. Үүнийг "бэлэгдлийн хиймэл оюун ухаан" гэж нэрлэдэг бөгөөд саяхныг хүртэл "уламжлалт хиймэл оюун ухаан" эсвэл "хиймэл оюун ухаан" гэж нэрлэгдэж байсан бол өнөөдөр "бэлэгдлийн хиймэл оюун ухаан" гэсэн ойлголтоос "мэдрэлийн сүлжээ" гэсэн ойлголт руу шилжиж байна. ”.
Ер нь хиймэл оюун ухаан гэх мэт судалгааны салбар хэрхэн үүссэн түүхийг товчхон дурдвал. Өнгөрсөн зууны дундуур Норберт Винер кибернетик хэмээх шинжлэх ухааныг гаргаж иржээ. Энэ бол зохион байгуулалтын загварыг албан ёсны болгож, бий болгохыг оролдсон шинжлэх ухаан бөгөөд энэ нь зохион байгуулалтыг нээж болох субстратаас зохион байгуулалтын загварыг салгаж авдаг. Өөрөөр хэлбэл, энэ нь бие махбод дахь эсийн зохион байгуулалт байж болно, энэ нь нийгэм дэх хүмүүсийн зохион байгуулалт, эсвэл хиймэл оюун ухаан үүсгэдэг зарим төрлийн механик олдворуудын зохион байгуулалт байж болно. Үүний дагуу хиймэл оюун ухаан үүсэх нь кибернетик, зарим асуудлыг шийдэж чадах робот машинуудыг бүтээх замаар эхэлсэн. Тэд гэрэл рүү явах эсвэл эсрэгээр гэрлээс нуугдаж, саад тотгорыг тойрч болно. Компьютер гарч ирэхэд энэ нь хиймэл оюун ухааныг өнөөгийн бидний харж байгаа хэлбэрээр - компьютерийг удирддаг, жишээлбэл, утга учиртай хариулт өгөх боломжтой программ хэлбэрээр бий болгох боломжийг нээж өгсөн. Хиймэл оюун ухааны алгоритмыг практик асуудлуудыг шийдвэрлэхэд ашиглах оролдлого нь 1950-иад оны дунд үе, 1960-аад оны эхэн үед гарч ирсэн энгийн компьютер дээр ч бид зарим энгийн асуудлыг маш хурдан шийдэж чадна гэдгийг харуулсан. Тухайн үеийн алдартай ололтуудын нэг бол аксиомын үндсэн дээр сургуулийн геометрийн бүх теоремуудыг баталж чадсан "Логик онолч" хөтөлбөр юм.
Хүмүүс маш өндөр хүлээлттэй байсан. Хиймэл оюун ухааны ийм шуугиан байсан гэж бид хэлж чадна. Зэвсэгт хүчин, засгийн газрууд асар их мөнгө цутгаж, үүний үр дүнд бидний нэрлэж заншсан "хиймэл оюун ухааны алтан жилүүд" болсон. Үүний зэрэгцээ манай мэдрэлийн сүлжээний хиймэл оюун ухаан сүүдэрт хөгжиж байв. Гэхдээ тухайн үеийн томоохон судлаачид ямар таамаг дэвшүүлснийг уншвал 1960-аад онд компьютер аравхан жилийн дараа энгийн хүний ажлыг хийж чадна гэж хэлж байсныг харах болно. Ийм мэдэгдлийг хүн бүр байнга хийдэг байсан бөгөөд яагаад ийм их мөнгө өгсөн нь ойлгомжтой. Арван жилийн дараа хүний хийсэн бүхнийг хийх роботтой болохоос хэн татгалзах вэ? Үүнтэй холбоотойгоор хиймэл оюун ухааны судалгааг яагаад царцаасан нь бас ойлгомжтой. Мөнгө өгсөн хүмүүс арван жилийн дараа амласан зүйлээ хараагүй байхад хоосон зүйл гэж үзээд санхүүжилтийг нь далдалсан.
Гэсэн хэдий ч асуудлыг шийдвэрлэх нэлээд олон тооны алгоритм, арга барилыг боловсруулсан. Мөн тэдгээр нь зарим нарийн хэсэгт хэрэглэгдэх боломжтой болсон. Түүний төлөв байдлыг тодорхойлсон зарим өгөгдөл, баримтад үндэслэн шинжээчдийн системийг бий болгох, жишээлбэл, зарим өвчнийг оношлох боломжтой болох нь тогтоогдсон. Үүний үр дүнд тэд хэсэг хугацаанд хиймэл оюун ухаан руу буцаж ирсэн боловч системүүд өөрсдөө өргөн хэрэглэгддэггүй байв. Өөрөөр хэлбэл, бид хэд хэдэн сэдвийг хааж чадсан бөгөөд дараа нь хөгжил нь таазанд хүрсэн. Үүний зэрэгцээ хиймэл мэдрэлийн сүлжээний сонирхол сэргэж, зэрэгцээ тархсан тооцооллын бүх төрлийн загварууд бий болсон гэх мэт. Энд бид кластер болон мэдрэлийн сүлжээний санах ойн талаар өөр өөр үр дүнд хүрч чадсан. Гэхдээ эдгээр судалгаанууд голчлон судалгааны лабораторийн хүрээнд хэвээр үлджээ.
1990-ээд оны сүүлчээс хойш, саяхныг хүртэл хорин жилийн турш "хиймэл оюун ухаан" гэдэг үг жирийн эрдэмтдийн хэрэглээнээс тасарсан ийм хойрго байдлыг бид харж байна. Хэрэв хэн нэгэн түүнийг хиймэл оюун ухаантай гэж хэлвэл энэ нь мэргэжлийн эрдэмтэн биш, харин ямар нэгэн зүйл зохиохыг хичээдэг тийм сонирхолтой сонирхогч сэтгэгч байх магадлалтай гэж үздэг байв. Өөрөөр хэлбэл, хүн хиймэл оюун ухаантай байсан ч хиймэл оюун ухаантай гэдгээ хүлээн зөвшөөрч чадахгүй. Тиймээс үүнийг машин сургалт гэж нэрлэж эхэлсэн. Машины сургалт гэж юу гэсэн үг вэ? Энэ бол ийм прагматик хандлага юм. Математик статистик, оновчлолын аргууд гэх мэт олон аргууд байгаа гэж бодъё. Бид тэдгээрийг практик асуудлуудыг шийдвэрлэхэд ашиглах бөгөөд энэ бүгдийг бид машин сургалт гэж нэрлэх болно. Үүний зэрэгцээ олон сонирхолтой хэрэглээний асуудлууд шийдэгдсэн бөгөөд энэ нь 2012 он хүртэл үргэлжилсэн. ГЭХДЭЭ 2012 онд "гүн суралцах" гэсэн гайхалтай нэр томъёо гарч ирэв.
2000-аад оны дунд үеэс мэдрэлийн сүлжээ дахин үр дүнтэй болж, лабораторид сайн үр дүнг үзүүлж эхэлсэн. Хэдэн сая зураг, мянган категори байгаа үед дүрсийг ангилах даалгавар байдаг бөгөөд тухайн зурагнаас аль ангилалд хамаарахыг тодорхойлох хэрэгтэй. Үүний дагуу 2010 онд ийм ангиллын хамгийн сайн алгоритм нь ойролцоогоор 27% алдаа гаргажээ. Гэвч 2010-2012 оны хооронд энэ алдаа маш хүчтэй буурсан байна. Өөрөөр хэлбэл, алгоритмууд энэ асуудлыг шийдвэрлэхэд чанарын хувьд илүү сайн болсон. Хэрэв хүн тодорхой багц дахь зургийг буруу ангилсан тохиолдолд 5% тохиолдолд алгоритм нь 4.5% алдаа гаргаж байсан бол одоо аль хэдийн 3% байна. Энэ салбарт ийм хурдацтай ахиц гарсан нь мэдрэлийн сүлжээний аргыг анх энд хэрэглэж байсантай холбоотой юм. Дараа нь өмнөх жилийн үр дүнг сайжруулсан бүх шийдэл нь мэдрэлийн сүлжээнд суурилсан байв. Яагаад тэднийг гүн гэж нэрлэдэг вэ, бид дараа нь сурах болно.
Тэгэхээр хиймэл мэдрэлийн сүлжээ гэж юу вэ? Үүнийг ойлгохыг хичээцгээе. Байгалийн мэдрэлийн сүлжээ хэрхэн ажилладагийг харцгаая. Ихэвчлэн C57black6 лабораторийн хулганын тархийг үүнд зориулж судалдаг - ийм хар хулганы шугам. Тархины нэг хэсгийг гиппокамп гэж нэрлэдэг. Тэр яагаад сонирхолтой юм бэ? Энэ нь эпизодын санах ой маш их хамааралтай салбар юм. Гиппокамп нь шүдний фасци гэж нэрлэгддэг дэд бүстэй байдаг. Энэ нь бие биентэйгээ маш ойрхон байгаа контекстийг таних боломжийг олгодог бөгөөд хамгийн сонирхолтой нь энэ хэсэгт нейрогенез үүсдэг. Өөрөөр хэлбэл, мэдрэлийн эсүүд насанд хүрсэн амьтны амьдралын туршид тэнд төрдөг. Нейрон нөхөн төлждөггүй гэсэн мэдэгдэл үнэндээ буруу юм. - Хүн болон бусад амьтдын тархинд мэдрэлийн эсүүд хуваагдаж, ургадаг.
Шүдний мөхлөгт давхаргын бие даасан мэдрэлийн эсүүд юу вэ? Нейрон нь сунасан эсийн бие, бусад эсээс дохио хүлээн авдаг дендрит мод, бусад эсүүдэд мэдээлэл дамжуулах боломжийг олгодог нимгэн процесс буюу аксон гэж нэрлэгддэг гурван хэсгээс бүрдэнэ. Энэ яаж болдог вэ? Дендрит мод нь нуруу гэж нэрлэгддэг процессуудтай. Эдгээр нурууны төгсгөлд синапсууд байдаг. Аксонуудаас нейротрансмиттер гэж нэрлэгддэг химийн бодис ялгардаг. Нейротрансмиттерээр дүүрсэн цэврүүнүүд нь мембрантай холбогдож, эсийн гаднах орон зайд гадагшилдаг. Энэ дохиог мэдрэхийн тулд эдгээр химийн молекулуудыг хүлээн авч, ямар нэгэн байдлаар мэдрэх өөр эс хэрэгтэй. Үүнийг хийхийн тулд эсийн хооронд синапс гэж нэрлэгддэг молекулууд, эсийн тусгай наалдац, хоёр эсийн мембраныг холбодог лац үүсдэг. Рецепторуудыг энд оруулдаг - эдгээр нь зарим химийн бодис байгаа эсэхийг тодорхойлох боломжийг олгодог молекулууд юм. Ийнхүү хоёр мембраны хоорондох синаптик цоорхойд зарим химийн бодис ялгарч, постсинаптик нейроны мембран дээр байрлах молекулууд энэ бодисыг мэдэрч, эсийн дотор дохио дамждаг. Бидний дендрит модны янз бүрийн хэсгээс дохиог бие дээр цуглуулдаг бөгөөд жишээлбэл, эс нь хэзээ нэгэн цагт тархины бусад эсүүдэд дохио илгээх ёстой гэж шийдэж болно.
Одоо таны тархины 80 тэрбум эс бие биедээ химийн дохио илгээж байна гэж төсөөлөөд үз дээ, жишээ нь та шүлэг зохиохдоо таашаалыг мэдэрдэг, эсвэл ямар нэгэн сайхан аялгуунд дуртай, эсвэл та хэн нэгэнд дурласан. Энэ бүхэн нь эдгээр эсүүдийн харилцан үйлчлэлээр тодорхойлогддог. Мөн та ямар нэг шинэ зүйл сурах үед таны энэ шинэ тухай санах ой, олж авсан мэдлэг тань харилцагчдад хадгалагдана. Өөрөөр хэлбэл, эсүүд бие биетэйгээ харилцах харилцааг бэхжүүлж, ямар нэгэн байдлаар өөрчилдөг бөгөөд үүний ачаар бид сурч, санаж, мэдэрч, зан төлөвөө хянаж чаддаг.
Одоо тархиа дуурайж үзье. Мэдрэлийн эсийн хамгийн энгийн, анхдагч загвар хэрхэн харагдах вэ. Дээр нь бид дендрит модтой, бас бидний зарим алгоритмын оролтууд байдаг. X1, X2 X3, X4, X5 утгуудыг оролтод хэрэглэнэ. Энэ тоо нь өөр нэг эсээс бидэнд хаясан нейротрансмиттерийн хэмжээтэй пропорциональ байна. Зарим эсүүд энэ бодисыг нэг дор хаяж чаддаг нь тодорхой, зарим нь бага байдаг. Үүний дагуу эдгээр X1, X2 X3, X4, X5 өөр өөр байж болно. Гэхдээ эдгээр молекулуудыг мэдрэхийн тулд нөгөө талдаа рецептор хэрэгтэй. Учир нь тэг рецептортой бол энэ химийн бодисыг бидэн рүү хичнээн шидсэн ч бидний эс юуг ч мэдрэхгүй. Энэ бодист мэдрэмтгий байдлыг загварчлахын тулд бид үүнийг W коэффициентийг ашиглан тодорхойлно. Үүнийг бондын жин гэж нэрлэдэг. Үүний дагуу, хэрэв үнэ цэнэ нь том, жин нь том бол бид тэдгээрийг үржүүлж, бидний үйл ажиллагаанд энэ оролтоос ихээхэн нөлөө үзүүлдэг. Хэрэв өөр газар сайн синапс байж магадгүй ч гэсэн бидэнд илгээсэн химийн дохио тэг байвал энэ оролт нь бидний үйл ажиллагаанд ямар ч байдлаар нөлөөлөхгүй. Нөгөөтэйгүүр, ижил хэмжээний нейротрансмиттертэй бол илүү жинтэй оролт нь бидний мэдрэлийн эсийн үйл ажиллагаанд илүү хүчтэй нөлөө үзүүлэх болно.
Энэ нь бид юу хийж байна вэ? Орц бүр нь бидний үйл ажиллагаанд хэр их нөлөөлсөнийг бид авч үздэг - бид зүгээр л авч, нэгтгэж, утга тус бүрийг жингээр нь үржүүлж, нийлбэрийг нь тооцдог. Дараа нь бид Y-ийг тодорхойлох ёстой. Машины сургалтын явцад ихэвчлэн программын оролт болгон авдаг зүйлийг X гэж нэрлэдэг ба гаралт болгон авдаг нь Y юм. Y-ээ тооцоолохын тулд бид зарим хувиргалт хийж, нийлбэрийн функцийг тооцдог. мэдрэлийн эсүүдийн босго үйлдлийг загварчлахын тулд үзүүлэх нөлөө. Өөрөөр хэлбэл, бидний өртөх босгыг давах хүртэл бидний нейрон идэвхгүй байна. Энэ нийт үйл ажиллагаа босго хэмжээнээс давсан тохиолдолд функцээс хамааран үүнийг идэвхжүүлэх функц гэж нэрлэдэг - бид босгыг тохируулж болно, жишээлбэл, ихэвчлэн W гэж нэрлэдэг. Энэ тохиолдолд бидний мэдрэлийн эс ямар гаралттай болохыг тооцоолж болно.Ер нь миний яриад байсан босго давчихвал Y-ийн утга их, сайн, нэг рүү тэмүүлдэг, бага бол нэг бол хасах нэг юм уу тэг, эсвэл явах юм. хасах хязгаар хүртэл, үүнээс хамааран бид идэвхжүүлэх функцийг сонгох болно.
За, бид ганц нейрон гэж юу болохыг ойлгож байна. Гэхдээ тархи нь нэг мэдрэлийн эсээс тогтдоггүй - бидэнд 80 тэрбум, хулганад хэдэн зуун сая байдаг. Одоо бид эдгээр мэдрэлийн эсүүдийг сүлжээ болгон нэгтгэх хэрэгтэй. Бидэнд юу болоод байгаа юм бэ? Бид эргэн тойрныхоо ертөнцөд дүрэлзэж байх үед харааны системийг харвал бид саваа, боргоцой, гэрэлтсэн эсүүдтэй бөгөөд тэдгээр нь хэр их гэрэл тусахаас хамааран тэдний үйл ажиллагааг загварчлах болно. Мэдээжийн хэрэг, дараа нь эдгээр дохио нь гинжин хэлхээгээр тархи руу улам гүнзгийрч, тархи биднийг хүрээлж буй ертөнцийн дүр төрхийг сэргээхийг оролддог. Үүний дагуу бид сүлжээнийхээ оролтын давхаргатай бөгөөд зарим нэг далд давхарга байдаг. Өөрөөр хэлбэл, та гудамжаар алхаж, зам хөндлөн гарч, эргэж хараад гэнэт машин чам руу гүйж байгааг харав. Танд дохио ирж, далд давхаргад очсон, таны дэлхийн загвар ажиллаж, хэрэв та хурдаа нэмэхгүй эсвэл ухрахгүй бол машин таныг мөргөж магадгүй гэж таамагласан. Мөн гаралтын элементүүд байдаг. Эдгээр нь таны хөдөлгөөнийг удирддаг мотор мэдрэлийн эсүүд юм. Тэд зан авирын өөрчлөлтөд хүргэдэг - та тайван алхдаггүй, харин хажуу тийшээ үсрэхийг оролдох эсвэл жолооч руу нударгаа сэгсэрнэ, өөрөөр хэлбэл та ямар нэгэн арга хэмжээ авдаг. Тиймээс бид нейроноосоо олон давхаргат мэдрэлийн сүлжээг бий болгодог. Илүү олон давхаргатай байх тусам илүү гүнзгий байдаг. Тиймээс гүн сүлжээнүүд нь таваас дээш, магадгүй олон зуун давхарга, олон мэдрэлийн эсүүд байдаг сүлжээнүүд юм. Ингэж л бид шийдвэр гаргадаг.
Зургийн ангиллын жишээг ашиглан даалгаврыг бага зэрэг хялбаршуулж үзье. Бид үүнийг хэрхэн харж байна вэ? Бидэнд зураг байна. Бид мэдрэлийн сүлжээнийхээ оролтод юу хэрэглэх вэ? Бид пикселийн тайлбарыг оруулах болно. Өөрөөр хэлбэл, хэрэв бид 10х10 хэмжээтэй зурагтай бол 100 пиксел байна. Бид улаан, ногоон, цэнхэр өнгөтэй байна гэж бодъё - бид 300 утгатай байна: X1, X2 - X300 хүртэл. Бид асуудлыг шийдэж байна гэж бодъё: бидэнд маш олон зураг байгаа бөгөөд бидний бизнесийн хувьд бид муурыг Дунногаас ялгах хэрэгтэй. Бид муурыг алгасдаг, гэхдээ бид Dunno-г алгасдаггүй. Учир нь муур хонгилд хулгана барих ёстой бөгөөд Дунно сантехникийг эвдэж чадна. Бид дүрсийг оролт болгон өгдөг видео тандалтын системийг барьж байгаа бөгөөд хоёр гаралт байдаг - систем нь Dunno бол 1, муур бол 0 гаралттай байх ёстой.
Сүлжээний зөв ажиллагааг юу тодорхойлдог вэ? Идэвхжүүлэх функц нь ихэвчлэн тогтмол байдаг тул бид босго ба W-тэй байдаг - эдгээр нь жин юм. Эхэндээ бид гэрэл зурагтай байх үед энэ сүлжээнд аль жин нь зөв шийдэлд тохирохыг мэдэхгүй байна. Дунно-г муурнаас ялгахад алдаа бага байхаар бид эдгээр жинг сонгох хэрэгтэй. Мэдрэлийн сүлжээ нь стандарт програмчлалаас юугаараа ялгаатай болохыг эндээс харж болно. Учир нь хэрэв програмчлал нь стандарт бол бид IT програмистын хувьд энэ даалгаварт хандах болно: "Тийм ээ, би муур Dunno-ээс юугаараа ялгаатай болохыг олж мэдэх ёстой. Дараа нь би зураг дээрх муур эсвэл Дунногийн эдгээр шинж тэмдгийг хайж олох програм бичиж, нөхцөлийг ашиглан - энэ бол муур, энэ бол Dunno - энэ функцийг тооцоолно. Бид муур Дунногаас юугаараа ялгаатай болохыг мэдэхийг хүсэхгүй байна гэж хэлдэг, бидэнд хамаагүй. Бид асуудлыг шийдэх функцийг бүтээх тусгай сургалтын алгоритм хийх болно. өөрөөр хэлбэл Бид програмаа гараараа бичдэггүй, гэхдээ шаардлагатай функцийг олж авахын тулд програмыг сургадаг.
Бид яаж үүнийг хийх гэж байна? Бидэнд хэдэн багц жишээ бий, үүнийг сургалтын дээж гэж нэрлэдэг, олон жишээ авах тусам сайн. Жишээлбэл, манайд Дунногийн 10,000 зураг, муурны 10,000 зураг байгаа бөгөөд эдгээрийн тулд муур хаана, Дунно хаана байгааг урьдчилан мэддэг. Одоо эдгээр зургууд дээр үндэслэн бид муур, Дунно хоёрын урьд өмнө харж байгаагүй шинэ зургуудтай болоход систем тэднийг ялгаж чаддаг байхаар жинг сонгохыг хүсч байна. Бид үүнийг ингэж хийдэг. Эхлээд бид эдгээр жинг санамсаргүй байдлаар тохируулж, оролт руу дүрсийг өгч эхэлнэ. Хэрэв бид жинг санамсаргүй байдлаар тогтоовол үр дүн нь ямар байх болно гэж та бодож байна вэ? Та үүнийг замбараагүй гэж нэрлэж болно. Систем хариултыг санамсаргүй байдлаар нэрлэх болно. Эндээс бид мэдрэлийн сүлжээний хамгийн сонирхолтой хэсэг болох буцах тархалтын алгоритм гэж нэрлэгддэг зүйл рүү шилжиж байна.
Бид жинг хэрхэн өөрчлөх вэ? Бид тэдгээрийг дараах байдлаар өөрчилж болно. Бид зураг илгээж, бүх мэдрэлийн эсүүдийн бүх үйл ажиллагааг тооцоолж, эхлээд нэг давхаргад, дараа нь нөгөө давхаргад гэх мэт бүх завсрын давхаргад гаралтад хүрэх хүртлээ. Гаралт дээр бид Dunno хаана байна, муур хаана байна гэсэн хариулт байна. Бид мэдрэлийн сүлжээний өгсөн хариултыг үнэн гэсэн хариулттай харьцуулж үздэг. Учир нь бид сургалтын багц дахь бүх зургийн бүх хариултыг аль хэдийн мэддэг болсон. Мөн алдаагаа тооцоол. Жишээлбэл, бид гаралт дээр 0.5 байсан ч бидэнд нэгж хэрэгтэй бол хасах 0.5 алдаа байна. Өөрөөр хэлбэл, бид энэ гаралтын зөв хариултыг өгөхийн тулд хасах 0.5 дутмаг байна гэсэн үг юм. Эсвэл эсрэгээр, хэрэв бид хэтэрхий бага хэмжээний гарцтай байсан бол бид үүнийг нэмэгдүүлэхийг хүсч байвал эерэг алдаа гарна. Дараа нь бид ямар нэгэн байдлаар жингийн энэ алдааны хувь нэмрийг анхаарч үзэх хэрэгтэй. Одоо бид эдгээр хоёр нейрон ба хоёр жин нь алдааны хувь нэмэрт хэрхэн нөлөөлсөнийг олж мэдэх хэрэгтэй. Зөрүүг тооцоолохын тулд бид ямар таамаглал дэвшүүлж болох вэ, жин тус бүрийг хэр их хэмжээгээр өөрчлөх шаардлагатай вэ? Үнэн хэрэгтээ бид нэгдүгээрт, эдгээр мэдрэлийн эсүүдийн үйл ажиллагаа, хоёрдугаарт, жинг харж, энэ алдааны мэдрэлийн эсүүдийн аль нь нөлөөлсөн болохыг тооцоолж болно. Жишээлбэл, хэрэв энэ нейрон идэвхгүй байсан бол энэ нь тэгтэй тэнцүү байсан бол энэ алдаанд ямар ч хувь нэмэр оруулаагүй болно. Нөгөөтэйгүүр, нейрон илүү идэвхтэй байх тусам илүү их хувь нэмэр оруулдаг. Гэхдээ тэд адилхан идэвхтэй байсан бол илүү жинтэй нь алдаа гаргахад илүү их хувь нэмэр оруулсан. Үүний дагуу жингийн өөрчлөлт нь өөртэйгөө пропорциональ байх ёстой бөгөөд өмнөх давхаргын мэдрэлийн эсийн идэвхжилтэй пропорциональ байх ёстой бөгөөд бидний идэвхжүүлэх функцийн деривативтай пропорциональ байх ёстой. Дериватив яагаад чухал вэ? Учир нь бид жингээ нэмэгдүүлж, багасгаж чаддаг. Мөн зөв чиглэлд шилжихийн тулд бид деривативыг анхаарч үзэх хэрэгтэй.
Тиймээс, өмнө нь бид зөвхөн гаралт дээр алдаатай байсан. Одоо бид мэдрэлийн сүлжээнийхээ эхний давхаргын алдааг тооцооллоо. Одоо асуулт бол дараагийн давхаргын алдааг хэрхэн тооцох вэ? Бид эхний жинд хүрэх хүртэл ижил аргыг хэрэглэдэг. Тиймээс бидний алдаа бидний мэдрэлийн сүлжээнд тархаж, жинг нь зассан бололтой. Энэ алгоритмыг буцаах арга гэж нэрлэдэг, учир нь алдаа нь гаралтаас эхлэл хүртэл тархдаг. Мөн энэ нь маш хүчирхэг алгоритм юм.(алдаа буцаан тархалтын арга. - “б”), учир нь 1970-аад оны эхээр зохион бүтээгдсэн бөгөөд түүнээс хойш бүх мэдрэлийн сүлжээг зөвхөн энэ алгоритмаар сургасан. Өөрөөр хэлбэл, миний өнөөдөр хэлэх бүх зүйл үндсэндээ ижил зарчмаар ажилладаг алгоритмаар бэлтгэгдсэн болно. Миний хэлсэнчлэн мэдрэлийн сүлжээ 1950-иад онд үүссэн боловч энэ алгоритмыг зохион бүтээхэд хорин жил зарцуулсан. Тэгээд гүн гүнзгий суралцахын тулд дахиад хорь гучин жил шаардагдана. Тэд өөрсдийн гэсэн асуудалтай байсан. Өнөөдөр таны харж буй эдгээр бүх архитектурууд маш нарийн төвөгтэй байдаг. Тэд бүгд буцах тархалтын алгоритмаар сургагдсан байдаг. Хамгийн төвөгтэй нь Тьюрингийн машиныг дуурайлган, өөрөөр хэлбэл мэдрэлийн сүлжээнд бүх нийтийн компьютер хийхийг оролддог.
Мэдрэлийн сүлжээ яагаад гэнэт ийм үр дүнтэй болсон бэ? Хэрэв өгөгдөл багатай бол мэдрэлийн сүлжээний аргууд нь сонгодог статистик аргууд руу алддаг нь тогтоогдсон. Хэрэв танд Данногийн арван зураг, муурны арван зураг байгаа бол мэдрэлийн сүлжээ ашиглах нь утгагүй болно. Та тэднийг сургаж чадахгүй, сайн чанарын ажил олж авах боломжгүй болно. Гэсэн хэдий ч, хэрэв танд 10 мянган Дунно, 10 мянган муур байгаа бол мэдрэлийн сүлжээ нь сонгодог арга дээр суурилсан аливаа алгоритмыг давах болно. Арван таван жилийн өмнө хэн ч том мэдрэлийн сүлжээг барьж, боловсруулахад хангалттай тооцоолох хүчин чадалгүй байсан бөгөөд сургах талаар их хэмжээний өгөгдөл байхгүй байв. Тийм ч учраас хэрэв та сүлжээг илүү гүнзгийрүүлж, илүү их мэдээлэл өгвөл ийм гайхалтай үр дүнд хүрч чадна гэдгийг хэн ч мэдээгүй. Гэхдээ график хурдасгуурууд тоглоомыг бодит цаг хугацаанд нь тооцоолох боломжтой болсон бөгөөд эдгээр хурдасгуурууд дээр маш сайн параллель байдлаар хийгдсэн матрицад ийм үйлдлүүд үрждэг тул мэдрэлийн сүлжээг сургахад ашиглаж болно. Энэ нь мэдрэлийн сүлжээний хувьсгалд хүргэсэн бөгөөд одоо бидний мэдэх болно.
Гүнзгий суралцах чиглэлээр гурван үндсэн чиглэл байдаг. Энэ бол компьютерийн хараатай холбоотой чиглэл бөгөөд мэдрэлийн сүлжээ нь гадаад ертөнцөөс ямар нэг зүйлийг харахыг оролддог, дарааллыг урьдчилан таамаглахтай холбоотой чиглэл, мэдрэлийн сүлжээ нь эргэн тойрон дахь ертөнцөд юу болж байгааг ойлгохыг оролддог, мөн хүчирхэгжүүлэх сургалт гэж нэрлэгддэг чиглэл юм. , мэдрэлийн сүлжээнүүд ямар нэг зүйлийг сурч, дараа нь удирддаг. Тэд тус бүрийг авч үзье.
Компьютерийн харааны хувьд гол алгоритм нь конволюцийн мэдрэлийн сүлжээ юм. Энэ мэдрэлийн сүлжээний өөрчлөлт юу вэ? Танд f ба g гэсэн хоёр функц байна. Эдгээр хоёр функцийг эргүүлэх функц нь та эдгээр хоёр функцийг бие биенээсээ тодорхой хэмжээгээр шилжүүлж, бүх утгыг үржүүлж, нэмэх явдал юм. Үүний дагуу, хэрэв танд алхам ба гурвалжин байгаа бөгөөд тэдгээр нь хоорондоо давхцахгүй бол эргэлтийн функц нь тэгтэй тэнцүү байх болно, учир нь эдгээр функцүүд энэ талбайн гадна тэгтэй тэнцүү байна. Гэхдээ аль болох давхцаж байгаа үед эргэлтийн функцийн хамгийн их утгыг авах зарим ээлжийн хүрээ байдаг. Эндээс бид үүнийг зургийн шинжилгээнд хэрхэн ашиглах нь тодорхой болно. Танд зураг байгаа бөгөөд та энэ зурган дээрээс олохыг хүсч буй хэв маяг байна, өөрөөр хэлбэл, танд Dunno эсвэл муур байгаа бөгөөд та энэ муурны нүдийг хаанаас олохыг хүсч байна. Та нүд шиг харагдах зарим тод байдлын загварыг кодлож, дараа нь энэ загвараар зургийг бүхэлд нь сканнердаж болно. Үнэн хэрэгтээ та нүдний хээтэй зургийн эргэлтийг тооцоолж байна. Үүний дагуу, таны хайж буй загвартай хамгийн төстэй зургийн хэсэгт таны эргэлтийн функц хамгийн их байх болно. Тэнд та зурагны газрын зургийг бүтээх боломжтой бөгөөд хамгийн их утга нь таны загвар яг байрладаг газруудад байх болно.
Одоо та олон функцээс бүрдсэн нарийн төвөгтэй зургуудыг танихыг хүсч байна гэж төсөөлөөд үз дээ. Та юу хийж байгаа юм бэ? Үнэн хэрэгтээ танд энэ нь нэг нейрон шиг байдаг. Нейрон нь есөн оролт, гаралт, жинтэй байдаг. Таны загвар бол жин юм. Оролт нь үнэндээ таны гэрэлтүүлгийн үнэ цэнэ юм. Та жинг энэ нейроны оролтоор үржүүлж, нэмээд тодорхой утгыг авна. Энэ утга нь таны нейроны гаралт, таны авахыг хүсч буй эргэлтийн утга юм. Үүний дагуу та маш олон нейрон үүсгэж, тэдэнд жинг санамсаргүй байдлаар хуваарилдаг. Өөрөөр хэлбэл, та асуудлыг шийдэхдээ ямар шинж тэмдэг нь муурыг Дунногаас ялгах боломжийг танд олгохыг мэдэхгүй байна. Ерөнхийдөө муур судалтай, Данно малгайтай гэдгийг та мэднэ. Бусад ажлын хувьд бусад шинж тэмдгүүд байх болно. Мөн та хоёр ангиллыг салгахад хамгийн их мэдээлэл өгөх шинж чанаруудыг олох бүх нийтийн алгоритмыг хүсч байна. Үүний дагуу та таних даалгаврыг оролт болгон өгсөн ийм сүлжээг бий болгож, тодорхой тооны оролттой мэдрэлийн эсүүдтэй болно. Тэд тус бүр өөрийн онцлог шинж чанартай газрын зургийг бүтээдэг. Дараа нь эдгээр функцийн газрын зургийг шахах тодорхой үйл ажиллагаа хийгдэж, дараа нь эдгээр функцын газрын зургууд нь бусад эргэлтийн мэдрэлийн эсүүдэд тэжээгддэг бөгөөд тэдгээр нь эдгээр функцүүдийн газрын зураг дээрх функцуудыг хайж байдаг. Тиймээс бид энэ үйлдлийг хэд хэдэн удаа хийж, хийсвэрлэлийн илүү өндөр түвшний шинж тэмдгийг аажмаар хайж олох боломжтой. Дараа нь эдгээр функцийн газрын зургууд нь бидний дохиог оролтоос гаралтын нейрон руу дамжуулдаг бидний дамжуулагч бүрэн холбогдсон сүлжээнд тэжээгддэг бөгөөд эцэст нь бид ангилагчтай болно. Тиймээс маш энгийнээр хэлбэлзэлтэй мэдрэлийн сүлжээг зохион байгуулдаг.
Өнөөдөр бид хамгийн сонирхолтой эргэлтийн сүлжээгээр юу хийж чадах вэ? Нэгдүгээрт, бид объектуудыг нутагшуулах боломжтой. Өөрөөр хэлбэл, мэдрэлийн сүлжээ нь тодорхой хүрээ дотор юу байгааг тодорхойлж чадна. Хоёрдугаарт, бид зургийг тэмдэглэж, сегментчилж болно. Гуравдугаарт, алгоритм нь хүний хүйс, насыг тодорхойлох боломжтой. Өөрөөр хэлбэл, хэрэв бид өөр өөр хүйс, насны хүмүүсийн олон жишээг авч, мэдрэлийн сүлжээгээ хүмүүсийн нас, хүйсийг таамаглахад сургасан бол энэ нь зурагнаас хүмүүсийн нас, хүйсийг урьдчилан таамаглах болно. Дөрөвдүгээрт, хэрэв бид тухайн хүн ямар сэтгэл хөдлөлтэй байсныг мэддэг шошготой сургалтын мэдээллийн сантай байсан бол тухайн хүний сэтгэл хөдлөлийг тодорхойлж чадна. Эдгээр нь гайхалтай програмууд юм. Одоо ямар ч хөгжүүлэгч Microsoft Cloud үйлчилгээнд бүртгүүлж, зургаа байршуулах боломжтой бөгөөд үйлчилгээ нь танд хоёр минутын дотор бүх сэтгэл хөдлөл, хүйсийн насыг өгөх болно. Өөрөөр хэлбэл, эдгээр нь үнэндээ хэн ч одоо бүтээгдэхүүндээ ашиглаж болох технологи юм.
Та бусад сонирхолтой зүйлсийг хийж болно. Та бүгд Prisma програмын талаар сонссон байх. Үүнийг бид юу хийж чадах вэ? Бид нэг зургийн хэв маягийг нөгөө зургийн агуулга руу шилжүүлж болно. Энэ бол бидний эргэлтийн давхаргууд бидэнд яг ийм боломжийг олгодог. Бид нэг зургаас онцлог шинж чанарууд хоорондоо хэрхэн уялдаатай байгааг олж мэдээд дараа нь өөр зургийн агуулга руу энэ шинж чанарын хамаарлыг шилжүүлэх боломжтой. За, бид Хохломын доор Гэгээн Василий сүмийг хэрхэн зурж болох жишээнүүд бий. Жишээлбэл, дизайнерууд хоёр өөр санааг нэгтгэж чаддаг ийм хурдан хэрэгсэл юм. Бид мэдрэлийн сүлжээнд уруул уншихыг зааж чадна. Хэрэв бид хадмал орчуулгатай, ярьж буй хүнтэй видео бичлэгтэй бол бид түүний яриаг текст дотор харуулж, текстийг урьдчилан таамаглах мэдрэлийн сүлжээг бий болгож чадна. Хэрэв танд дуу чимээгүй видео байгаа ч тухайн хүн хэрхэн ярьж байгааг харж байгаа бол текстийг автоматаар сэргээх боломжтой.
Гэхдээ та үүнээс ч илүү галзуу зүйлийг хийж чадна. Ийм хандлага байдаг - generative competitive networks (generative adversarial network - GAN). Энэ бол автомат кодлогч ашигладаг мэдрэлийн сүлжээний нэг төрөл бөгөөд бид зургийг эхлээд кодлож, дараа нь сэргээдэг. Бид тэдгээрийг төвөгтэй дүрс үүсгэгчийг сургахад ашиглаж болно. Өөрөөр хэлбэл, бид эхлээд дотоод далд давхаргаасаа дүрсийг ямар нэгэн далд дүрслэл болгон хувиргадаг - үүнийг кодлогч хэсэг гэж нэрлэдэг бөгөөд дараа нь бид далд дүрслэлээ декодчилогчийн оролт руу оруулдаг бөгөөд энэ нь зураг үүсгэдэг. Бид нүдний шилтэй хүний царайны гурван зургийг авч болох бөгөөд тус бүрд нь мэдрэлийн сүлжээнд далд дүрс байх болно. Энэ нь зургийн орон зайд зарим вектор байх болно. Одоо бид эдгээр гурван вектор ба дундажийг нэмнэ. Та нүдний шилтэй хүний дундаж дүр төрхийг авах болно. Дараа нь бид нүдний шилгүй эрчүүдийн гурван зургийг авч, тэдний далд дүрслэлийг мэдрэлийн сүлжээний оролт руу оруулж, векторуудыг дунджаар авч, нүдний шилгүй хүний дундаж дүр төрхийг олж авдаг. Бид нүдний шилгүй эмэгтэйд ч мөн адил зүйлийг хийж чадна. Нийтдээ бид гурван вектор авсан. Одоо бид нүдний шилтэй хүний векторыг авч, нүдний шилгүй хүний векторыг хасч, нүдний шилгүй эмэгтэйн векторыг нэмж болно. Бид декодлогч руу авсан векторыг тэжээх бөгөөд манай сүлжээ өөрөө энэ зургийг хэзээ ч харж байгаагүй ч нүдний шилтэй эмэгтэйн дүр төрхийг бий болгоно. Сонголтууд байж болно - өөр өөр гэрэл гэгээтэй шил, эмэгтэй хүн бидний нэмсэнээс арай өөр боловч ерөнхийдөө нөлөө нь маш сонирхолтой байж болно.
Хэдхэн долоо хоногийн өмнө NIPS бага хурал дээр InVideo нь алдартнуудын онцлогт тулгуурлан эдгээр алдартнуудын дундаж дүр төрхийг үүсгэж, тэр ч байтугай эдгээр хүмүүстэй видео нэгтгэх боломжтой энэхүү технологийн хөгжлийг танилцуулсан. Үнэн хэрэгтээ та олон ангит кино эсвэл кинондоо гарах зарим синтетик дүрүүдийг бүтээж чадна. Ингэснээр та жинхэнэ жүжигчдэд мөнгө төлөх шаардлагагүй тул маш их мөнгө хэмнэх боломжтой.
Дараагийн даалгавар бол давтагдах мэдрэлийн сүлжээ юм. Тэд дарааллыг урьдчилан таамаглах боломжтой. Дарааллыг урьдчилан таамаглахын тулд бид зарим түүхийг мэдэх хэрэгтэй. Стандарт мэдрэлийн сүлжээнд бидний оролт дээр X байдаг, бидний мэдрэлийн сүлжээний зарим давхарга байдаг, гаралт байдаг, мэдээлэл байнга шууд тархдаг. Хэрэв бид өөр цаг тоолох юм бол бидний мэдрэлийн сүлжээ өмнөх тооллогоор мэдсэн зүйлээ мартдаг. Гэхдээ урьдчилан таамаглахын тулд мэдрэлийн сүлжээг олон удаа санах хэрэгтэй. Үүнийг хэрхэн хийх вэ? Үүнийг ихэвчлэн дараах байдлаар шийддэг: бид өмнөх үеийн мэдрэлийн сүлжээнийхээ гаралтыг авч, эдгээр утгыг түүний оролт, мэдрэлийн сүлжээний давхаргад өгдөг. Т үед ямар нэг зүйл тохиолдсон, гэхдээ өмнөх мөч Т-ийн түүнд өгсөн зүйл төдийгүй, Т-1-ийн үед тэр өөрөө юу өгсөн юм. Тиймээс бид хоёр векторыг зэрэгцүүлэн шууд тэжээнэ. Үүний үндсэн дээр бид T хугацааны гаралтын утгыг тооцоолно. Мэдрэлийн сүлжээ нь өмнөх үед "бодсон" зүйлээ өөртөө дамжуулах боломжтой болж байна. Энэ нь өмнөх нэвтрэлтийн талаарх мэдээллийг хадгалах боломжийг танд олгоно. Энэ төрлийн мэдрэлийн сүлжээ нь давтагдах холболттой байдаг тул тэдгээрийг давтагдах гэж нэрлэдэг. Хэрэв бид шууд энэ асуудлыг шийдэх юм бол давтагдах мэдрэлийн сүлжээнүүд тийм ч сайн ажиллахгүй, учир нь бид энэ урвуу гогцоог ашиглах үед мэдрэлийн сүлжээнийхээ давхаргыг нэмэгдүүлдэг. 0-ээс эхлэн бидний мэдрэлийн сүлжээ улам бүр гүнзгийрэх болно - 100 үед бидний мэдрэлийн сүлжээ мөн 100 гүн байх болно.Алдаа нь эсрэг чиглэлд тархдаг тул энэ нь бидний сүлжээгээр байнга тархаж, бүдгэрч байдаг. Тиймээс бидний мэдрэлийн сүлжээ маш муу сурдаг, учир нь энэ бүрт зарим нэг коэффициентээр үржиж, бидний алдаа арилдаг.
Энэхүү градиент задралаас ангижрахын тулд 1997 онд судлаач Юрген Шмидхубер нэг мэдрэлийн эсийг таван мэдрэлийн дэд сүлжээгээр солихыг санал болгов. Өөрөөр хэлбэл, одоо мэдрэлийн сүлжээний давхарга нь "нэгж" -ээс бүрддэг. Санах ойн нүдийг дуурайж үзье. Энэ нүдэнд хадгалагдсан зарим утгууд бидэнд байна. Энэ санах ойн үүрэнд бид ямар нэгэн зүйл бичиж, тэндээс ямар нэг зүйлийг уншиж, гаргаж авч болно гэдгийг хянах чадвартай мэдрэлийн эсүүд байдаг. Энэ тохиолдолд эсийн хяналтыг өөрийн мэдрэлийн эсүүд тус тусад нь гүйцэтгэдэг. Эдгээр мэдрэлийн эсүүдийн жинг бас сургадаг бөгөөд энэ нь үүссэн архитектурын бүхэл бүтэн гоо үзэсгэлэн юм. Бид эдгээр эсүүдээс том мэдрэлийн сүлжээг бүтээхэд тэдгээрийг бүгдийг нь буцаан тархалтын алгоритм ашиглан сургах болно. Өөрөөр хэлбэл, бидний сүлжээ илүү төвөгтэй болсон ч бидний алгоритм ижил хэвээр байна.
Энэ нь жишээлбэл, машин орчуулгын системийг бий болгох боломжийг олгосон. Жилийн өмнө Google хуучин машин орчуулгын системээ илүү сайн мэдрэлийн сүлжээгээр сольсон. Хуучин 2015 оны Google-ийн машин орчуулгын хувилбартай харьцуулахад хүний орчуулга хамаагүй өндөр үнэлгээ авсан. Гэвч өнөөдөр хэрэглэгдэж буй Google-ийн шинэ мэдрэлийн сүлжээний алгоритмтай харьцуулахад хүний орчуулгын оноог харьцуулах боломжтой. Үнэн хэрэгтээ та орчуулгыг өдөр бүр ашигладаг - хайлтанд ямар нэгэн оноо авах үед эхний хуудсан дээрх хайлтын үр дүнд аль эх сурвалжийг олж авах талаар хоёр, гурав дахь хамгийн чухал дохиог мэдрэлийн сүлжээгээр тодорхойлдог. Google-ийн төлөөлөгчид жил бүр улам олон дотоод төслүүд мэдрэлийн сүлжээ, гүнзгий суралцах аргыг ашигладаг графикийг байнга харуулдаг. 2012 онд нэг хоёр төсөл байсан бол өнөөдөр 5000 орчим төсөл байна.Үнэн хэрэгтээ мэдрэлийн сүлжээ нь таны өдөр бүр ашигладаг технологи юм, гэхдээ та үүнийг сэжиглэхгүй байж магадгүй юм. Үүнийг хийдэг зарим хүмүүс мэдрэлийн сүлжээ болон хиймэл оюун ухааныг шинэ цахилгаан гэж тунхагласан. Энэ бол бидний анзааралгүй хэрэглэж байгаа технологи гэдэг утгаараа бидний амьдралд баттай нэвтэрсэн.
Эдгээр давтагдах мэдрэлийн сүлжээгээр бид ямар үр дүнд хүрч чадах вэ? Намайг гайхшруулсан үр дүнг би та бүхэнд үзүүлэх болно. Хэрэв хэн нэгэн надад энэ боломжтой гэж сарын өмнө хэлсэн бол 2015 оны зун байсан бол би хариулах байсан, залуусаа, би мэдрэлийн сүлжээн дээр арван жил ажиллаж байна, надад үлгэр ярих шаардлагагүй. Гэхдээ бид мэдрэлийн сүлжээг өөрсдөө авч, сургаж, энэ нь ямар үр дүнд хүрч байгааг хараад үнэхээр ийм байна гэдэгт итгэлтэй байсан. Бид хэлний загварчлалын асуудлыг шийдсэн. Албан ёсоор бол энэ нь дараагийн тэмдгийг урьдчилан таамаглах ажил юм. Жишээлбэл, бидэнд Достоевскийн олон зохиол бий. Бид мэдрэлийн сүлжээгээ Достоевскийн бүтээлүүдээс 100 тэмдэгтээр (үсэг, зай, цэг таслал) тэжээдэг бөгөөд түүний даалгавар бол дараагийн дүрийг урьдчилан таамаглах явдал юм. Бид энэ тэмдгийг оролтод дахин хэрэглэж, дараагийнхыг урьдчилан таамаглах боломжтой. Гэхдээ бид Достоевскийн дээр туршилт хийхийг хүсээгүй тул бид цувралын хадмал орчуулгыг авсан - Цус сорогчийн шастираас 10 сая орчим үг болон өөр зүйл. Энэ материал дээр үндэслэн сүлжээ нь дараах тэмдгүүдийг урьдчилан таамаглаж сурсан.
Тиймээс даалгавар бол: 100 тэмдэгт байгаа тул та 101-ийг урьдчилан таамаглах хэрэгтэй. Бид Интернэтэд анхны хэллэг бичиж болох интерфейсийг нийтэлсэн бөгөөд мэдрэлийн сүлжээ үүнийг үргэлжлүүлэхийг оролдсон. Би хамгийн сонирхолтой үр дүнг сонгосон. Тэр хүн: "Чи тэнэг юм" гэж бичдэг. Өөрөөр хэлбэл, эдгээр бүх үсэг, "s" ба "g" хоорондох зай, түүнчлэн шугамын тэжээл нь мэдрэлийн сүлжээний оролт руу тэжээгддэг. Тэгээд тэр дараагийн тэмдгийг таамаглаж байна: "K" том байна. Бид энэ "K"-г оролт болгон өгдөг, энэ нь дараагийн "a" тэмдэгтийг урьдчилан таамаглаж, бид "a"-г оролт болгон өгдөг гэх мэт. Үүний үр дүнд бид "Сайн уу" гэсэн хэллэгийг олж авдаг. Бид энэ хариултыг шинжлэхэд үнэхээр логик харагдаж байна. Түүнээс гадна, энэ нь онцлог шинж чанартай: мэдрэлийн сүлжээ яагаад сайн уу гэж хэлсэн бэ? Хэрэв энэ нь харилцан ярианы эхлэл юм бол тэд "та тэнэг" гэсэн хэллэгээр эхлээгүй нь логик юм. Тиймээс мэдрэлийн сүлжээ нь: "Сайн уу" гэж хэлэхэд "сайн уу" гэсэн үгийг иш татсан нь энэ үг нь өөртэйгөө холбоогүй болохыг харуулж байна. Тэгэхээр манай мэдрэлийн сүлжээ филологийн зэрэггүй ч гэсэн орос хэлний гүнзгий мэдлэгтэй.
Өөр нэг жишээ. Мэдрэлийн сүлжээ хариулахад хэцүү байхын тулд би илүү төвөгтэй контекст тогтоохыг хичээсэн. А: Ямар сайхан орой вэ? Биш гэж үү?" Энэ бол нэлээд урт дараалал, хоёр өгүүлбэр, олон зай, асуултын тэмдэг юм. Түүний хариулт нь: "Намайг үнэхээр санаж байна гэж бодож байна уу?" Энд үдшийн талаар юу ч хэлээгүй, хариулт нь асуултанд зориулсан асуулт юм. Гэхдээ бид тайлбарлах гэж оролдвол энэ нь төгс утга учиртай болно. Өөрөөр хэлбэл, хэрэв үдэш гайхалтай байвал энэ тухай хэлсэн хүн үүнийг санахыг хүсэх болно гэж ойлгодог. Эндээс мэдрэлийн сүлжээний хариулт гарч ирэв. Тэр (мэдрэлийн сүлжээ. - "б") цэг таслалыг зөв байрлуулж, үг хэллэгт алдаа гаргадаггүй гэдгийг тусад нь анхаарна уу. Энэ нь бид орос хэлний дүрэм, үгийн толь бичиг, дүрмийн үндэслэлийг оруулаагүй ч мэдрэлийн сүлжээнд зөвхөн тэмдэгтүүдийн дарааллыг өгсөн. Ийм нөхцөлд ийм хариулт өгөх нь ердөө л гайхалтай үзэгдэл юм шиг санагдаж байна. Би одоо хүртэл гайхаж байна: тэр яаж үүнийг үүсгэж чадах вэ?
Бас нэг жишээ. Энд маш хурц яриа өрнөж байна. Эрэгтэй: "Чи тэнэг юм." Машин: "Яагаад чамд санаа тавьдаг юм бэ?" Эрэгтэй: "Учир нь би чамтай хамт амьдрах ёстой!" Машин: "Чи огт тийм биш!" Эрэгтэй: "Чи гомдоод байна уу?" Машин: "Өө." Түүний ажлын өөр нэг жишээг танд үзүүлье. Хүн: "Инээдтэй юм, гэхдээ чи зүгээр л нэг программ бөгөөд чи хэзээ ч бодож чадахгүй." Машин: "Мэдээжийн хэрэг, гол нь одоо хамгийн тохиромжтой цаг биш юм." Бүх зүйл утга учиртай, тийм үү? Гэхдээ энэ бол таны тайлбар, мэдрэлийн сүлжээ яг юу гэсэн үг болохыг бид мэдэхгүй, энэ бүхэн цувралаас авсан.
Мөн одоо - мэдрэлийн сүлжээний үүсгэсэн олон янз байдлын тухай. Зарчмын хувьд энэ мэдрэлийн сүлжээ нь магадлалын текст загвар бөгөөд энэ нь дараагийн тэмдэгтийн магадлалыг өгдөг, гэхдээ дараагийн тэмдэгт нь яг ямар байх нь тийм биш юм. Мөн бид энэ магадлалд пропорциональ сонголт хийх боломжтой. Ингэснээр бид өөр өөр дарааллыг үүсгэж чадна. Нэг тохиолдолд бид ижил оролтод нэг үсгийг, нөгөө тохиолдолд өөр үсгийг сонгоно . Бид "Алис одоо баяртай байна" гэсэн өгүүлбэрийг оруулав.Мөн бид мэдрэлийн сүлжээг үргэлжлүүлэхийг хүсч байна. Энэ дараалал хэрхэн үргэлжлэхийг таамагла. Хаа сайгүй үргэлжлэл нь "тэр" гэсэн үгээр эхэлдэг. Өөрөөр хэлбэл, мэдрэлийн сүлжээ нь Алис болон "аз жаргалтай", тухайн субьектийн жендэрийн талаар юу байсныг олж авдаг. Зарим хариултанд түүний аз жаргалтай байгаатай холбоотой ямар нэг зүйл бий. Жишээ нь: "Тэр сайхан харагдаж байна." Эсвэл тэр концерт дээр байсан болохоор тэр баяртай байна. Тэр үзэсгэлэнтэй эсвэл дурласан болохоор тэр аз жаргалтай байдаг. Эсвэл "Тэр аюулд орсон" гэх мэт. Аз жаргалтай хүмүүс аз жаргалгүй хүмүүсээс илүү аюултай нөхцөл байдалд орох магадлал өндөр байдаг бололтой. Ийм дүгнэлт хийж болно. Эсвэл жишээ нь: "Алис асуудалтай байна." "Гэхдээ тэр чамайг хэн болохыг мэдэхгүй" эсвэл "Тэр амьдралаа өөрчилсөн" эсвэл "Тэр хэнийг ч алахгүй" гэсэн өнгө аль хэдийн өөрчлөгдсөнийг бид эндээс харж байна. Тэр асуудалд орсны дараа хариултуудад аль хэдийн сэтгэл түгшээсэн зүйл байдаг. Эдгээр тэмдэглэлүүд хаанаас ирснийг бид мэдэхгүй. Энэ нь ямар нэг шалтгааны улмаас мэдрэлийн сүлжээ эдгээр тэмдэглэлүүдийг оруулсан байна. Хадмал орчуулгаас. Тэмдэглэлүүд байсан.
Гэхдээ хадмал орчуулга нь эмэгтэйчүүдийн талаар илүү их байгаа бололтой, учир нь тэрээр эмэгтэйчүүдийн үрийг илүү утга учиртай хариулдаг бөгөөд эрэгтэйчүүдийн хувьд хангалттай статистик мэдээлэл байдаггүй байх. Жон одоо баяртай байна. - "Тийм ээ, хашаандаа газар тус бүр 800 фунт", "Шүдэнзэнд мянган градусын гэмт хэрэг", "Үнэхээр бүх зүйлийг байранд нь хаяхыг надад зөвшөөрөх байсан." Өөрөөр хэлбэл, саналууд нь эхэндээ ижил төстэй байсан ч хариултуудын утга учир ихээхэн хохирол амссан. Гэхдээ "Жон асуудалд оров" үнэхээр хэцүү байна: "Гахайнууд Старлинк хот руу явж байна", "Тэгээд буцаж ирэхэд нь би түүнийг оффис руу шидсэн", "Тэр өнгөрсөн жилийнхтэй адилгүй байсан", "Ер бусын" Эрхэм хүндэт, бид биш байсан."
Чамд ямар их сэтгэгдэл төрүүлснийг мэдэхгүй, надад маш их сэтгэгдэл төрүүлсэн. Миний таамаглал бол мэдрэлийн сүлжээ нь таван үсэгтэй үгсийг сурч, тэдгээрийг санамсаргүй дарааллаар тоглуулж магадгүй юм. Гэхдээ тэр ийм урт хэллэгийг утга учиртай тайлбарлаж болохуйц алдаагүйгээр үүсгэж чадна гэж таамаглаж байсан бол би хэзээ ч захиалахгүй.
Сүүлийн үед хүн бүрийн санаа зовоод байгаа зүйлийн талаар хурдан ярья. Мэдрэлийн сүлжээг бэхжүүлэх сургалт. Төлөөлөгчөөс зарим үйлдлийг сурахын тулд ийм арга барил хэрэгтэй. Төлөөлөгчийн үйлдэл бүр хүрээлэн буй орчныг ямар нэгэн байдлаар өөрчилдөг. Өмнөх даалгавруудад бид урьдчилан таамаглаж байсан боловч даалгаварт өөрөө нөлөөлөөгүй. Бид ангилсан зургууддаа ямар ч байдлаар нөлөөлөөгүй, бидний үүсгэсэн дараалалд ямар ч байдлаар нөлөөлөөгүй. Энд бидний даалгаврыг дараах байдлаар тавьж байна: бид оруулсан орцыг шаардлагатай зорилтот түвшинд хүргэхийн тулд түүнд нөлөөлөхийг хүсч байна. Агент гэдэг нь хүрээлэн буй орчинд нөлөөлж болох тодорхой субьект юм. Энэ төлөөлөгчийн сургалтын асуудлыг хэрхэн шийдэхээ мэдэхгүй байна. Гэхдээ бид юу сайн, юу нь муу болохыг мэддэг. Тиймээс, төлөөлөгч бидний өмнөө тавьсан зорилгодоо хүрэх тэр мөчид бид түүнд тодорхой хэмжээний мөнгө өгөх боломжтой бөгөөд үүнийг бид урамшуулал эсвэл бэхжүүлэх гэж нэрлэдэг. Тиймээс, бид тухайн нөхцөл байдалд хамгийн их үр өгөөжийг өгөх ийм үйлдлүүдийг дараалал, урамшууллаар сурах алгоритмыг олж авах хэрэгтэй.
2016 онд Nature сэтгүүлд Атари тоглоом тоглохыг заасан нэлээд түгээмэл алгоритмын талаар өгүүлсэн нийтлэл хэвлэгджээ. Тэгээд тэр "Nature" сэтгүүлийн нүүрэнд гарч байсан. Хэрэв та мэдэж байгаа бол Nature сэтгүүл бол шинжлэх ухааны ертөнц дэх хамгийн нэр хүндтэй, жинхэнэ шинжлэх ухааны нийтлэлүүдийг нийтэлдэг долоо хоногийн сэтгүүлийн нэг юм. Хэрэв та "Nature" сэтгүүлд нийтлэл нийтэлсэн бол эрдэмтдийн дунд таны эрх мэдэл эрс нэмэгддэг. Мэдээжийн хэрэг үл хамаарах зүйлүүд байдаг, гэхдээ үндсэндээ шинжлэх ухааны үүднээс маш чухал бүтээлүүд энд хэвлэгддэг. Даалгавар хэрхэн тавигдсан бэ? Бидэнд 49 Atari тоглоом байгаа бөгөөд бид эдгээр тоглоомуудын дүрсийг мэдрэлийн сүлжээнийхээ оролт руу оруулдаг боловч дүрмийг ямар ч байдлаар тайлбарладаггүй. Бид өөр өөр тоглоомуудад ижил мэдрэлийн сүлжээг сурч, бүх тоглоомд сайн сурахыг хүсдэг. Гэхдээ зөвхөн нэг мэдрэлийн сүлжээ байдаг бөгөөд энэ нь зөвхөн сургалтын явцад тодорхой тоглоомд дасан зохицдог. Бид юу ч урьдчилан захиалахгүй.
Үүний дагуу бидэнд мэдрэлийн сүлжээний оролтод багтах зургууд байгаа ч эвхэгддэг сүлжээ гэж юу байдгийг та бүгд мэднэ гэж би хагас цагийн өмнө хэлсэн. Эвлэлийн мэдрэлийн сүлжээ нь зургуудыг хувиргаж, онцлог шинж чанаруудыг гаргаж авдаг бөгөөд мэдрэлийн сүлжээний гаралт дээр джойстикийг удирддаг үйлдлийг гаргадаг. Үүний дагуу джойстикийн тушаалуудыг тоглоомын симулятор руу дамжуулж, тоглоомын үйл ажиллагааг хянадаг. Таныг оноо авах үед агент тань нэмэлт хүч авах бөгөөд төлөөлөгчийн үүрэг бол эдгээр оноог нэмэгдүүлэх явдал юм. Өөрөөр хэлбэл, бид түүнд ямар үйлдлүүдийг сонгохыг шууд хэлэхгүй, харин тэр оноогоо нэмэгдүүлэх тэр мөчид бид үүнийг сайн гэж хэлж байна. Мөн даалгавар бол энэ алгоритмыг сургах явдал юм. Жишээлбэл, мэдрэлийн сүлжээ нь шумбагч онгоцыг удирддаг. Даалгавар: загас - устгах, шумбагчид - цуглуулж, үе үе хүчилтөрөгч дуусах үед хөвж, хүчилтөрөгчөөр цэнэглэ. Мэдрэлийн сүлжээ үргэлж амжилтанд хүрч чаддаггүй, заримдаа үхдэг. Гэхдээ энэ үр дүн нь шинжлэх ухаанчаар хүлээн зөвшөөрөгдөж, Nature сэтгүүлийн нүүрэнд гараад зогсохгүй зарим нэг стартапаас олж авсан бөгөөд нийтлэхээс хэдхэн сарын өмнө энэхүү стартапыг Google худалдаж авсан байна. Үүний зэрэгцээ, энэхүү стартапын үр дүнгээс зөвхөн Nature сэтгүүлд нийтэлсэн нь л байсан. Google энэ стартапыг хэдэн төгрөгөөр худалдаж авсан гэж та бодож байна вэ? 600 саяар.
Дараагийн асуулт. Гарри Каспаров ба Ли Седол хоёрыг юу холбодог вэ (тоглоом.-"б")? Зөв. Тэд хоёулаа хиймэл оюун ухаанд ялагдсан. DeepBlue 1997 онд Каспаровыг хожсон бол Go аварга өнгөрсөн жил ялагдсан. Яагаад тэр вэ? Саяхныг хүртэл Go-г маш хэцүү тоглоом гэж боддог байсан. Энэ нь тоглоомын бүх боломжит үр дүнг тооцоолохын тулд эрэмбэлэх шаардлагатай олон тооны сонголттой холбоотой бөгөөд үүнийг салбарлах хүчин зүйл гэж нэрлэдэг. Өөрөөр хэлбэл, тоглоомонд зөвшөөрөгдсөн үйлдлүүдийг хийснээр бид одоогийн тоглоомын төлөвөөс хичнээн боломжит тоглоомын төлөв рүү шилжих боломжтой вэ. Шатрын хувьд дундаж салбарлах хүчин зүйл нь 35 орчим байдаг. Мөн Go-д энэ салбарлах хүчин зүйл нь 250 байдаг. Үүний дагуу бид гүнзгийрэх тусам бид энэ тоогоор үрждэг гэдгийг та ойлгож байна. Ажиглах боломжтой орчлон дахь бөөмсийн тооноос давсан олон тооны сонголтыг бид маш хурдан олж авах нь тодорхой бөгөөд тэдгээрийг тоолох боломжгүй юм. Энэ асуудлыг шийдэх өөр арга зам хэрэгтэй. Хэрэв шатарт бид маш олон тооны байрлалын сонголтыг тооцоолж, ялах эсвэл алдахгүйн тулд хийх ёстой нүүдлийг тэнэг байдлаар мэдэж чадвал Go-д энэ нь илүү хэцүү болно. Бүх нөхцөл байдлыг таньж мэдэхийн тулд зөн совин хэрэгтэй гэж олон хүн хэлсэн.
600 сая доллараар худалдаж авсан тэр л гарааны бизнес жилийн дараа Nature сэтгүүлийн нүүрэнд дахин гарч ирэв. Одоо тэрээр самбарыг хараад энэ байрлал хэр сайн болохыг, өөрөөр хэлбэл хангалттай хурдан урьдчилан таамаглах боломжтой алгоритмыг санал болгов. Та энэ таамаглалыг модны хайлтын алгоритмтай хослуулж, мэдрэлийн сүлжээг ашиглан байрлалыг үнэлж, зөвхөн хамгийн их ялалт байгуулсан хүмүүсийг илрүүлж болно. Тиймээс, та бүрэн хайлт хийдэггүй, гэхдээ зөвхөн модны доор байгаа нь хамгийн ирээдүйтэй зүйл юм. Энэ алгоритм нь AlphaGo-ийн хувилбар юм (AlphaGo фен хувилбарыг нийтлэлд нийтэлсэн) - Go-д Ли Седолыг ялсан. Тэр үед Go нэвтрүүлгүүдийг сайн сонирхогчийн түвшинд тоглодог байсан ч мэргэжлийн хүн биш. Энэ хувилбарыг сургахын тулд хуваарилагдсан кластер дээр 176 GPU шаардлагатай байсан. Тэгээд тэр Европын аваргад 5:0-ээр ялсан.
Дараа нь програмын тохируулсан хувилбар гарч ирэв - AlphaGoLee. Тэрээр 48 тензор боловсруулах нэгж ашигласан - энэ нь TPU-ийн төрөл боловч мэдрэлийн сүлжээнд тусгайлан тохируулсан. Тэрээр Ли Седолыг 4:1-ээр хожсон. Дараа нь мэргэжлийн тоглогчдыг 60:0-ээр хожсон 4 TPU дээр AlphaGoMaster байсан. Яг сарын өмнө AlphaGoZero програм гарч ирсэн бөгөөд энэ нь нэг компьютер дээрх 4 TPU дээр (кластер дээр биш) Ли Седолыг 100:0, 89:11 онооны харьцаагаар ялсан програмын хувилбарыг ялсан. - AlphaGoMaster-ийн хувилбар. Дараагийн хувилбар нь хэд хоногийн өмнө хэвлэгдсэн - AlphaZero. Дахин хэлэхэд тэрээр дөрвөн TPU дээр AlphaGoZero-тэй 60:40 харьцаатай тоглосон. AlphaGoLee програмын анхны хувилбар нь эхлээд бодит тоглоомууд дээр бэлтгэгдсэн. Өөрөөр хэлбэл, тоглоомуудын мэдээллийн санг авч, програм нь хүн шиг тоглож сурсан. Гэхдээ AlphaGoZero болон AlphaZero програмууд - яагаад тэг гэж? Учир нь тэд хүний мэдээллийг огт ашиглаагүй. Тэд яаж сурсан бэ? Тэд өөрсдөө л тоглож, тоглоомоос нь суралцсан. Тэгээд маш сайн бэлтгэгдсэн.
Одоо асуулт. Google яагаад энэ зүйлийг худалдаж авсан бэ? Тэрээр тоглоомонд ашигладаг энэхүү алгоритмыг авч, дата төвийн хөргөлтийг хянах асуудалд ашигласан. Одоо мэдрэлийн сүлжээний удирдлага асаалттай үед хэрэглээ буурч, унтрах үед хуучин түвшиндээ буцаж ирдэг. Дунджаар хэмнэлт нь ойролцоогоор 40% байдаг. Google нь үйлчилгээний чанарыг баталгаажуулахын тулд асар олон тооны дата төвүүдийг ажиллуулдаг бөгөөд тэдний хувьд цахилгаан эрчим хүчийг 40% хэмндэг бөгөөд дата төвүүдийн хувьд цахилгаан нь ерөнхийдөө зардлын гол зүйл бөгөөд энэ нь маш чухал юм. Энэ нь үр өгөөжөө өгсөн эсэхийг би мэдэхгүй, гэхдээ дор хаяж нэлээд хэсгийг нь нөхөн төлсөн байх.
Түүхийнхээ туршид хиймэл оюун ухаан нь өгсөж уруудах үеийг туулж ирсэн бөгөөд өнөөдөр бид хиймэл оюун ухааныг "шинэ цахилгаан" гэх мэтээр хүн бүр итгэдэг хиймэл оюун ухааны шинэ шуугианы оргилд явж байна. Удахгүй энэ догдлол багасах байх, гэхдээ одоо оргилдоо хүрч байна. Яагаад ийм олон хүмүүс өрөөнд байгаа, ихэнх нь гүнзгий суралцах гэж юу байдгийг мэдэхгүй мөртлөө ирсээр байна. Энэ сэдэв нь амьдралын бусад салбараас гаралтай бөгөөд энд хүмүүсийн анхаарлыг татдаг бололтой. Сонирхлын оргил үе нь том өгөгдөл, том тооцоолох чадварын ачаар удаан хугацааны туршид мэдэгдэж байсан мэдрэлийн сүлжээний алгоритмууд урьд өмнө шийдэж чадахгүй байсан асуудлуудыг шийдэж эхэлсэн бөгөөд олон салбарт хэрэгжүүлэх боломжтой маш сонирхолтой үр дүнг өгдөгтэй холбоотой юм. эдийн засгийн .
Үүний дагуу бид энэ чиглэлээр юу хийж байна вэ? Манай лабораторид эдийн засгийнхаа зарим хэсгийг түүхий эдээс өндөр технологид шилжүүлэхийг оролдох Ерөнхийлөгчийн санаачилгаар Үндэсний технологийн санаачилгын дэмжлэгтэй төслийг хэрэгжүүлж байна. Энэхүү санаачлага нь нэг талаас инновацийн бизнесүүдийн дэмжлэг, нөгөө талаас эдгээр шинэлэг бизнесүүдийн дэд бүтэцтэй холбоотой юм. Үүний дагуу энэхүү үндэсний технологийн санаачилгын хүрээнд Фистек компани Сбербанкны хамтарсан санхүүжилтээр уг төслийг хэрэгжүүлж байна. Төслийн зорилго нь хэрэглэгчтэй зорилтот яриа хэлцлийг автоматжуулах зарим технологийн платформ хэлбэрээр гүн гүнзгий машин суралцах алгоритм, машины оюун ухааныг хөгжүүлэх явдал юм.
Өнөөдөр бидэнд текст харилцаатай холбоотой эдийн засгийн бүхэл бүтэн салбар бий.Хүмүүс мобайл төхөөрөмж ашигладаг бөгөөд гар утасны платформ дээрх мессенжер хэрэглэгчдийн тоо олон нийтийн сүлжээ хэрэглэгчдийн тооноос хэдийнэ давжээ. Энэ нь асар их хэмжээний харилцаа холбоог хүмүүс текст хэлбэрээр явуулдаг гэсэн үг юм. Гэхдээ үүнтэй зэрэгцэн энэ ертөнцөд компаниудад хэрэглэгчидтэй харилцах сайн хэрэгсэл байдаггүй.Компаниуд тантай холбоо барьж, ямар нэгэн байдлаар танд туслах эсвэл зарим асуудлыг чатаар шийдвэрлэх боломжтой бол шийдлийн томоохон хүсэлт байна. Нөгөөтэйгүүр, саяхныг хүртэл байсан харилцан ярианы системийг бий болгох эдгээр шийдлүүд нь тийм ч үр дүнтэй биш, учир нь тэдгээр нь програмистын өгсөн зарим кодлогдсон скриптүүд дээр суурилдаг бөгөөд эдгээр скриптүүд нь тийм ч сайн цар хүрээгүй бөгөөд үүнийг тайлбарлаж чадахгүй байна. бидний харилцан ярианы амьдралын янз бүрийн хэлбэр. Янз бүрийн хүмүүс бодол санаагаа янз бүрээр илэрхийлдэг, янз бүрийн нөхцөл байдал байдаг бөгөөд энэ бүгдийг урьдчилан харж, урьдчилан таамаглахад маш хэцүү байдаг. Гэхдээ бидний харж байгаагаар мэдрэлийн сүлжээ нь ийм тодорхойгүй байдлыг шийдвэрлэхэд маш сайн байдаг. Тэд хүний хариу үйлдэлтэй төстэй хариуг үүсгэж чаддаг. Тэд машин орчуулга хийх боломжтой. Тиймээс бид харилцан ярианы интерфейсийг бий болгоход дор хаяж зарим асуудлыг шийдвэрлэхийн тулд мэдрэлийн сүлжээний технологийг ашиглах боломжтой болно гэж найдаж байна.
Тиймээс энэ төслийн зорилго нь компаниуд энэ чиглэлээр бүтээгдэхүүн үйлдвэрлэхэд ашиглах боломжтой ийм нээлттэй платформыг бий болгох явдал юм. Тэр нь бид технологи бүтээж, компаниудад өгөөд “Бид таныг дэмжье, энэ технологийг хэрэгжүүлэхэд тань тусална, та бизнесээ хийж, эдийн засагт хувь нэмрээ оруулаарай” гэж хэлдэг. Манай төслийн оролцогч талууд хэн бэ? NTI-ийн үүднээс авч үзвэл эдгээр нь өндөр технологийн зах зээл дээрх компаниуд юм. Жишээлбэл, дуудлагын төв эсвэл туслах үйлчилгээ гэх мэт зарим үйлчилгээг автоматжуулах шийдлийг бий болгохын тулд энэ технологийг ашиглахыг хүсч буй Сбербанк. Энэ бол хиймэл оюун ухааны чадварыг хөгжүүлэх сонирхолтой Phystech юм. Эдгээр ухаалаг харилцан ярианы агентуудыг хурдан бүтээх хэрэгсэл нь судлаачид болон хөгжүүлэгчдэд хэрэгтэй.
Бид энэ зун энэ төслийг эхлүүлж нөхцөлт рефлексийг судалдаг Оросын нэрт мэдрэлийн физиологич Иван Петрович Павловын нэрэмжит iPavlov гэж нэрлэсэн. Энэ нь тархи юм. Үүний дагуу технологийн хувьд бидний үйл ажиллагааны хоёр гол үр дүн бол бидний ДипПавлов гэж нэрлэсэн нээлттэй номын сан бөгөөд энэ нь интерактив системийг бий болгох хэрэгсэл, түүнчлэн Сбербанкны үйлчилгээний багц юм. бүтээгдэхүүн, жишээлбэл, зарим нь дараа нь санхүүгийн туслахууд. Бид судалгаатай, номын сангаа хөгжүүлж байна, энэ номын сангийн зарим тодорхой бизнесийн тохиолдлуудад зориулсан програмууд байдаг. Бид юу хийхийг хүсч байна вэ? Бид янз бүрийн даалгаварт янз бүрийн агентуудыг цуглуулж болох мэдрэлийн сүлжээний багц блок хийхийг хүсч байна. Жишээлбэл, тасалбар захиалах, эсвэл тодорхой сэдвээр асуултад хариулж чадах агентууд, эсвэл зүгээр л яриагаа үргэлжлүүлж чаддаг агентууд. Дараа нь асуудлыг оновчтой шийдвэрлэхийн тулд эдгээр агентуудыг тодорхой газар бүрт нэгтгэж болно. Бид архитектурыг мэдрэлийн сүлжээ, хайгуулын агуулгын хувьд ийм байдлаар хэрэгжүүлэхээр төлөвлөж байна. Мөн нэг талаас манай номын сан эдгээр роботуудыг бүтээх бүрэлдэхүүн хэсгүүдээс бүрддэг. Нөгөөтэйгүүр, бид эдгээр роботуудаас харилцан ярианы агентуудыг цуглуулж болох зарим Bildert хэрэгсэлтэй, мессенжерүүдтэй биднийг холбодог холбогчтой, мөн бидний сургадаг өгөгдөл байдаг. Энэ нь ийм шийдлүүдийг боловсруулж, хэрэгжүүлэх боломжтой тодорхой хэрэгслүүдийн багц юм.
Үүн дээр дуусгах боломжтой байх. Бүгдэнд нь баярлалаа.
Евгения Чернышева
Хиймэл оюун ухааныг хөгжүүлэх амжилтын үндэс нь мэдрэл судлал юм. Эрдэмтэд хүний тархины ажлыг яг хэрхэн хуулбарлахыг оролдож байгаа, мэдрэлийн сүлжээний ажлын онцлог нь юу вэ гэдгийг "Футурист" материалд үзүүлэв.
Нейробиологи ба хиймэл оюун ухаан
Google DeepMind-ийг үүсгэн байгуулагч, мэдрэл судлалын ухааны доктор (Ph.D) "Хиймэл оюун ухааны ирээдүй нь мэдрэл судлалд байна" гэж хэлэв. Демис Хассабис (Demis Hassabis) Neuron сэтгүүлд нийтлэгдсэн нийтлэлд. Хасабис бүтээхийн тулд Лондонд төвтэй DeepMind компаниа байгуулсан хүний оюун ухааны техникийн аналог, мөн 2014 онд Google түүний компанийг 500 гаруй сая доллараар худалдаж авсан бол өнгөрсөн жил DeepMind-ийн боловсруулсан AlphaGo программ нь Go логик тоглоомоор дэлхийн аваргуудыг хожсон юм. OpenAI, ашгийн бус хиймэл оюун ухааны судалгааны хүрээлэнтэй хамтран ажилладаг Элон Маск , компани нь илүү дэвшилтэт оюуны чадавхи бүхий машин бүтээхээр ажиллаж байна.
DeepMind-ийн бүх хиймэл оюун ухааны алгоритмууд нь бидний тархинд анх нээсэн ойлголтууд дээр суурилдаг. Орчин үеийн хиймэл оюун ухааны хоёр тулгуур болох гүн гүнзгий суралцах ба бэхжүүлэх сургалт нь хүний тархины биологийн мэдрэлийн холболтын загварыг албан ёсны математикийн хэл рүү сул орчуулсны үр дүн юм. Гүнзгий суралцахЭнэ нь үнэндээ 70 гаруй жилийн турш бий болсон хиймэл оюун ухаанд хандах хандлагын шинэ нэр бөгөөд мэдрэлийн сүлжээ гэж нэрлэгддэг. Мэдрэлийн сүлжээг анх 1944 онд санал болгосон. Уоррен МакКалло (Уоррен МакКалло) болон Уолтер Питс (Уолтер Питтс), Чикагогийн их сургуулийн хоёр судлаач, 1952 онд танин мэдэхүйн шинжлэх ухааны анхны тэнхим гэж нэрлэгддэг салбарыг үүсгэн байгуулсан.
Мэдрэлийн сүлжээ нь 1969 он хүртэл мэдрэлийн болон компьютерийн шинжлэх ухааны судалгааны гол чиглэл байсан боловч дараа нь тэдний сонирхол алга болжээ. 1980-аад онд технологи сэргэж эхэлсэн боловч шинэ зууны эхний арван жилд дахин хиртэлт болж, хоёрдугаарт бараг тэр даруй буцаж ирэв - голчлон график чипийн боловсруулалтын хүчин чадал нэмэгдсэнтэй холбоотой.
Мэдрэлийн сүлжээний төхөөрөмжийн диаграмм
Мэдрэлийн сүлжээний онцлог
Мэдрэлийн сүлжээ нь сургалтын жишээн дээр дүн шинжилгээ хийх замаар компьютер тодорхой ажлыг гүйцэтгэж сурдаг машин сургалтын хэрэгсэл юм. Дүрмээр бол эдгээр жишээнүүдийг гараар урьдчилан тэмдэглэсэн байдаг. Жишээлбэл, объект таних систем нь машин, байшин, аяга гэх мэт олон мянган шошготой зургийг хадгалах боломжтой бөгөөд тэдгээр зургуудаас харааны хэв маяг, онцлог шинжүүдийг олж, тэдгээрийг тодорхой шошготой холбох боломжтой. Энгийнээр хэлэхэд, хүүхдүүдэд ижил зүйл тохиолддог - жишээлбэл, хүүхдэд улаан өнгийн өөр өөр объектуудыг харуулдаг бөгөөд ингэснээр ирээдүйд тэрээр энэхүү "шошго" -ыг бүх улаан объекттой бие даан холбох боломжтой болно.
Гэсэн хэдий ч бидний тархины холболтын алсын техникийн аналогийг хөгжүүлэхийн тулд нарийн төвөгтэй механизм бий болгох шаардлагатай байна. Мэдрэлийн сүлжээ нь мянга, сая сая энгийн боловч хоорондоо нягт уялдаатай мэдээлэл боловсруулах зангилаанаас бүрддэг бөгөөд ихэвчлэн давхаргад зохион байгуулагдсан байдаг. Сүлжээний янз бүрийн төрлүүд нь давхаргын тоо, зангилааны хоорондох холболтын тоо, давхарга бүрийн зангилааны тоо зэргээс хамаарч өөр өөр байдаг. Ихэнх орчин үеийн мэдрэлийн сүлжээнүүд нь өгөгдөл нь зөвхөн нэг чиглэлд шилжих зангилааны давхаргад зохион байгуулагдсан байдаг. Тусдаа зангилаа нь өгөгдөл хүлээн авдаг доод давхаргын олон зангилаатай, мөн дээрх давхаргын олон зангилаатай холбогдож болно.
Сүлжээний сургалтын жишээ
Зангилаа нь ирж буй холболт бүрт "жин" гэж нэрлэгддэг дугаарыг өгдөг. Сүлжээ идэвхтэй байх үед зангилаа нь тэдгээрээс өөр өгөгдөл, өөр тоо хүлээн авч, аль хэдийн өгсөн жингээр үржүүлж, дараа нь бүх оролтоос хүлээн авсан утгуудыг нэгтгэж, нэг дугаар авна. Хэрэв тоо нь босго хэмжээнээс хэтэрвэл зангилаа нь "галддаг" бөгөөд энэ нь орчин үеийн мэдрэлийн сүлжээнд ихэвчлэн дугаарыг (жигнэсэн оролтын нийлбэр) бүх гарч буй холболтууд руу илгээдэг гэсэн үг юм.
Сургалтын горимд мэдрэлийн сүлжээний бүх жин ба босгыг анх санамсаргүй утгаар тохируулдаг. Сургалтын өгөгдөл нь доод давхарга болох оролтын давхаргад орж, дараагийн давхаргуудаар дамжин үржүүлж, гаралтын давхаргад хүрэх хүртэл нэмэгддэг. Сургалтын явцад ижил шошготой сургалтын өгөгдөл ижил үр дүнд хүрэх хүртэл жин ба босго хэмжээг тасралтгүй тохируулдаг.
Ирээдүй аль хэдийн энд байна
Мэдрэлийн сүлжээний гүйцэтгэлийг сайжруулах, технологийн хэрэглээг түгээх гайхалтай үр дүн нь AlphaGo болон хиймэл оюун ухааны лабораторийн судалгааны ялалтаар хязгаарлагдахгүй. Хэрэв та роботуудын бослогын тухай шинжлэх ухааны зөгнөлт, аймшгийн ертөнцтэй "өөрийгөө сурах машин" гэсэн хэллэгийг холбосон хэвээр байгаа бол ирээдүйд тавтай морил.
Сүүлийн жилүүдэд мэдрэлийн сүлжээний ачаар бие даасан жолоодлого, яриа таних, компьютерийн хараа, автомат орчуулга зэрэг салбарт хамгийн үр дүнтэй хиймэл оюун ухааны системийг бий болгосон. Бид өөрсдөө үүнийг анзаарахгүй байж болох ч бие даан суралцах мэдрэлийн сүлжээ нь бидний өдөр тутмын амьдралд аль хэдийн шингэсэн байдаг. Жишээлбэл, фэйсбүүк хуудаснаас танд санал болгож буй орчуулгыг толь бичгээс үг бүрийг хайхад автоматаар хийхээ больсон. Одоо тус компани өгүүлбэрийг бүтнээр нь орчуулж, илүү чадварлаг уялдаатай текстийг гаргадаг мэдрэлийн сүлжээг эхлүүлсэн. Нийгмийн сүлжээн дэх орчуулгын үнэн зөв байдал аль хэдийн 11% -иар өссөн байна.
Neuron загварыг Prisma програм дээр боловсруулсан
ОХУ-ын оршин суугчдын технологийн сонирхлын тусдаа давалгаа нь энгийн гэрэл зургийг алдартай урлагийн бүтээлүүдийн ижил төстэй байдал болгон хувиргадаг Prizma програм гарч ирснээс үүдэлтэй юм. Та энэ програмыг ашигласан эсэхээс үл хамааран нийгмийн сүлжээний хэрэглэгчид үүнийг урвуулан ашиглаж байгаад эргэлзэж байсан эсэх нь хамаагүй - үүнийг бүтээгчдийн бүтээлч байдлыг тэмдэглэх нь зүйтэй. Энгийн мэт санагдах гэрэл зураг боловсруулах хэрэгслийн онцлог нь уг программ нь мэдрэлийн сүлжээн дээр тулгуурлан янз бүрийн будгийн хэв маягийг ашиглан шинэ "бүтээл" бүтээх явдал байв.
Гэсэн хэдий ч хамгийн энгийн мэдрэлийн сүлжээ хүртэл маш их санах ой эзэлдэг бөгөөд асар их хэмжээний эрчим хүч зарцуулдаг тул тэд ихэвчлэн үүлэн доторх серверүүд дээр ажилладаг бөгөөд ширээний компьютер эсвэл хөдөлгөөнт төхөөрөмжөөс мэдээлэл хүлээн авч, шинжилгээний үр дүнг буцааж илгээдэг. .
Энэ асуудлыг шийдэхийн тулд Массачусетсийн Технологийн Их Сургуулийн цахилгааны инженер, компьютерийн шинжлэх ухааны дэд профессор Вивьен Сзе болон түүний хамтрагчид өнгөрсөн жил хүчирхэг хиймэл оюун ухааны системийг орон нутагт ажиллуулах боломжтой мэдрэлийн сүлжээнд оновчтой болгосон эрчим хүчний хэмнэлттэй шинэ компьютерийн чипийг танилцуулсан. хөдөлгөөнт төхөөрөмж дээр ..
Нэмж дурдахад тэд тодорхой төрлийн техник хангамж дээр ажиллах үед мэдрэлийн сүлжээ хэр их хүч зарцуулдагийг тодорхойлох аналитик аргыг боловсруулсан. Дараа нь тэд гар төхөөрөмж дээр илүү үр дүнтэй ажиллахын тулд мэдрэлийн сүлжээг тойрч гарах шинэ аргуудыг үнэлэхийн тулд технологийг ашигласан.
Гэсэн хэдий ч энэ нь хангалтгүй гэж Хассабис үзэж байна. Судлаачдын одоо дэвшүүлж буй зорилго бол сэтгэн бодох, сэтгэн бодох, хурдан, уян хатан суралцах чадвартай, бодит ертөнцийг ойлгож, илүү сайн ертөнцийг төсөөлөх чадвартай хиймэл оюун ухаан бүхий бүх нийтийн хиймэл оюун ухаан бүтээх явдал юм.
Ийм ухаалаг систем нь зарчмын хувьд боломжтой гэдгийг нотлох цорын ганц нотолгоо учраас үүнд хүрэхийн тулд хүний оюун санааны үйл ажиллагааг илүү нарийвчлан судлах шаардлагатай байна.
AI сурах асуудал
Тодорхой үүрэг даалгавраас хамааран машин сургалтын алгоритмууд нь тодорхой математик бүтцийг ашиглан өөрчлөгддөг. Сая жишээн дээр хиймэл мэдрэлийн сүлжээ нь даалгаврыг хамгийн өндөр нарийвчлалтайгаар гүйцэтгэх боломжийг олгодог хамгийн тохиромжтой төлөвт хүрэх хүртлээ холболтоо нарийн тааруулж сурдаг.
Алгоритм бүр нь тодорхой асуудалд бүрэн зохицсон байдаг тул шинэ асуудалд дахин сургах нь ихэвчлэн өмнө нь бий болсон холболтуудыг устгадаг. Тиймээс хиймэл оюун ухаан шинэ даалгавар сурахдаа өмнөх ажлыг бүрэн дарж бичдэг.
Тасралтгүй суралцах асуудал бол хиймэл оюун ухааны нэг л асуудал юм. Бусад нь хараахан тийм ч нарийн тодорхойлогдоогүй байгаа ч манайх шиг уян хатан, бүтээлч сэтгэлгээг бий болгоход илүү нухацтай хандах байх.
Жишээлбэл, бие даасан танин мэдэхүйн асуудал бол Хассабисын тайлбарласнаар ертөнцтэй бие даасан мэдрэхүйн харилцан үйлчлэлд суурилсан мэдлэг, хийсвэр бодлыг бий болгох чадвар юм. Энэ бол хүмүүст байдаг нэгэн төрлийн нийтлэг ойлголт, тайлбарлахад хэцүү зөн совинтой боловч бидний өдөр тутам тулгардаг асуудлуудыг шийдвэрлэхэд маш их хэрэгтэй байдаг.
Төсөөлөл гэх мэт шинж чанаруудыг програмчлах нь бүр ч хэцүү байдаг. Хассабис хэлэхдээ энэ нь тодорхой нэг даалгавараар хязгаарлагддаг хиймэл оюун ухаан үнэхээр муу юм. Төсөөлөл, инноваци нь бидний ертөнцийн талаар аль хэдийн бий болгосон загварууд дээр суурилдаг бөгөөд тэдгээрээс шинэ хувилбаруудыг төсөөл. Эдгээр нь төлөвлөлтийн маш хүчирхэг хэрэгсэл боловч хиймэл оюун ухаанд зориулсан судалгаа нь эхэн үедээ байна.
Мэдрэлийн сүлжээний үйл ажиллагааны асуудлыг шийдэхдээ амьд биетийн нейробиологи, физиологид ханддаг болохыг эрдэмтэд тэмдэглэжээ. Тиймээс сүүлийн үеийн нээлтүүд нь тархины лимбийн системийн санах ойг хариуцдаг хэсэг болох гиппокамп нь амрах, унтах үед бидний туршлага, дурсамжийг "алддаг" болохыг харуулж байна. Энэ нь тархинд "өнгөрсөн амжилт, бүтэлгүйтлээсээ дахин суралцах боломжийг олгодог" гэж Хассабис хэлэв.
AI судлаачид энэ санааг авч, алгоритмд энгийн хувилбарыг оруулсан бөгөөд үр дүн нь хүчирхэг, туршлага судлах мэдрэлийн сүлжээ юм. Тэд одоогийн нөхцөл байдлыг санах ойд хадгалагдсан өмнөх үйл явдлуудтай харьцуулж, өмнө нь амжилтанд хүрсэн эсвэл шагнал урамшуулал авчирсан үйлдлүүдийг хийдэг.
Гэхдээ хамгийн шилдэг нь хараахан ирээгүй байна
Тархины дүрслэл, генетикийн биоинженерчлэлийн хөгжил нь биологийн мэдрэлийн сүлжээ хэрхэн зохион байгуулж, асуудлыг шийдвэрлэхийн тулд нэгдэж байгааг урьд өмнө хэзээ ч байгаагүй харагдуулах боломжийг олгодог. Мэдрэл судлаачид тархины үйл ажиллагааг хангадаг үндсэн тооцоолол болох "мэдрэлийн код"-ыг шийдвэрлэхээр ажиллаж байгаа тул хиймэл оюун ухаан судлаачид судлах хэрэгслүүд улам бүр нэмэгдсээр байна.
Зөвхөн хиймэл оюун ухаанд мэдрэл судлаачдаас суралцах зүйл их биш гэдгийг тэмдэглэх нь зүйтэй. Орчин үеийн мэдрэл судлал нь бүх хүчирхэг дүрслэл, опто-генетикийн хувьд мэдрэлийн сүлжээ нь оюун ухааны өндөр түвшнийг хэрхэн дэмждэгийг дөнгөж сая ойлгож эхэлж байна.
Хассабис хэлэхдээ "Мэдрэл судлаачид өөрсдийн судалж буй ухагдахуунуудын цаадах механизмын талаар тодорхой бус санаатай байдаг." Хиймэл оюун ухааны судалгаа нь нарийн математик дээр суурилдаг тул эдгээр тодорхой бус ойлголтыг бодит амьдрал дээрх таамаглалаар тодруулах арга замыг санал болгож чадна.
Мэдээжийн хэрэг, хиймэл оюун ухаан болон тархи үргэлж ижил аргаар ажиллах нь юу л бол. Гэхдээ бид хиймэл оюун ухааныг хэрэглээний тооцооллын мэдрэлийн шинжлэх ухаан гэж үзэж болно гэж Хассабис хэлэв. Хиймэл оюун ухааны алгоритмыг хүний тархитай харьцуулах нь "сэтгэлийн хамгийн гүн нууцуудын талаар ойлголт өгөх боломжтой".
Нийт 47% гэж байсан
Ажлын байрыг ойрын 20 жилийн дотор автоматжуулах боломжтой. Энэ үйл явцын гол хөдөлгөгч хүчин зүйл бол том өгөгдөлтэй ажиллах хиймэл оюун ухааныг хүнийг илүү үр дүнтэй орлуулах явдал юм.
Машинууд нь урьд өмнө хүмүүсийн хариуцдаг байсан илүү олон процессыг шийдвэрлэх боломжтой болсон. Үүнээс гадна тэд үүнийг илүү сайн хийдэг бөгөөд олон тохиолдолд хямд байдаг. Герман Греф энэ оны долдугаар сард Балтийн Холбооны Их Сургуулийн оюутнуудад хандан хэлэхдээ, энэ нь хөдөлмөрийн зах зээлд ямар ач холбогдолтой болохыг хэлэв. Кант:
“Бид мэдрэлийн сүлжээгээр юу хийхээ мэдэхгүй хуульчдыг ажилд авахаа больсон.<...>Та нар өчигдрийн оюутнууд. Хуульч нөхдөө, мэргэжлээ март. Өнгөрсөн онд манай улсад нэхэмжлэл бэлтгэдэг 450 өмгөөлөгч түүх болон үлдэж, цомхотголд орсон. Манай мэдрэлийн сүлжээ нь Балтийн холбооны их сургуулиас бэлтгэгдсэн хуульчдаас илүү нэхэмжлэлийн мэдүүлгийг бэлтгэдэг. Бид тэднийг ажилд авахгүй нь гарцаагүй” гэсэн юм.
#technofuture-ийг үргэлжлүүлэн сурвалжлахын тулд DTI-ийн хамт олон бүх зүйлийг бэлтгэсэн Мэдрэлийн сүлжээнд анх орохдоо та мэдэх хэрэгтэй: тэдгээрийг хэрхэн зохион байгуулдаг вэ, яагаад улам олон компани ажилчдаа амьд байлгахын тулд мэдрэлийн сүлжээг илүүд үздэг вэ, мөн энэ технологи нь янз бүрийн процессыг оновчтой болгоход ямар боломжийг олгодог.
Хиймэл оюун ухаан, машин суралцах ба мэдрэлийн сүлжээ: ялгаа нь юу вэ
Мэдрэлийн сүлжээхэрэгжүүлэх арга замуудын нэг юм хиймэл оюун ухаан (AI).
Хиймэл оюун ухааны хөгжилд асар том талбай бий. машин сурах. Тэрээр бие даан суралцах боломжтой алгоритмыг бүтээх аргуудыг судалдаг. Аливаа асуудлыг шийдэх тодорхой шийдэл байхгүй тохиолдолд энэ нь зайлшгүй шаардлагатай. Энэ тохиолдолд зөв шийдлийг хайх биш, харин түүнийг олох арга замыг бий болгох механизмыг бий болгох нь илүү хялбар байдаг.
#лавлагаа Олон нийтлэлд энэ нэр томъёо байдаг "гүн" - эсвэл "гүн" - суралцах. Энэ нь маш их тооцоолох нөөцийг ашигладаг машин сургалтын алгоритмууд гэж ойлгогддог. Ихэнх тохиолдолд үүнийг "мэдрэлийн сүлжээ" гэж ойлгож болно.
"Хиймэл оюун ухаан", "машины сургалт", "гүнзгий суралцах" гэсэн ойлголтуудад андуурахгүйн тулд бид тэдний хөгжлийн дүрслэлийг харахыг санал болгож байна.
#сонирхолтой Хиймэл оюун ухаан (AI) нь сул (нарийн төвлөрсөн) ба хүчтэй (ерөнхий) гэсэн хоёр төрөл байдаг. Сул хиймэл оюун ухаан нь даалгаврын нарийн жагсаалтыг гүйцэтгэхэд зориулагдсан. Эдгээр нь Siri болон Google Assistant-ын дуут туслахууд болон бидний энэ нийтлэлд өгсөн бусад бүх жишээнүүд юм. Хүчтэй хиймэл оюун ухаан нь эргээд хүний аливаа ажлыг гүйцэтгэх чадвартай. Одоогийн байдлаар хүчирхэг хиймэл оюун ухааныг хэрэгжүүлэх боломжгүй, энэ бол утопи санаа юм.
Мэдрэлийн сүлжээ хэрхэн ажилладаг
Мэдрэлийн сүлжээ нь хүний мэдрэлийн системийн ажлыг загварчилдаг бөгөөд үүний нэг онцлог нь өмнөх туршлага дээрээ үндэслэн өөрөө суралцах чадвар юм. Тиймээс систем нь бага алдаа гаргадаг.
Манай мэдрэлийн системийн нэгэн адил мэдрэлийн сүлжээ нь хэд хэдэн давхаргад байрладаг мэдрэлийн эсүүдээс бүрддэг. Мэдрэлийн сүлжээний оролтод орж буй өгөгдөл нь сүлжээний давхарга бүрт дараалсан боловсруулалтанд ордог. Үүний зэрэгцээ, нейрон бүр нь олж авсан үр дүнгээс хамааран өөрчлөгдөж болох тодорхой параметрүүдтэй байдаг - энэ бол сүлжээний сургалт юм.
Мэдрэлийн сүлжээний үүрэг бол муурыг нохойноос ялгах явдал юм гэж бодъё. Мэдрэлийн сүлжээг бий болгохын тулд муур, нохойн гарын үсэг зурсан олон тооны зургийг тэжээдэг. Мэдрэлийн сүлжээ нь эдгээр зураг дээрх шинж чанаруудыг (шугам, хэлбэр, тэдгээрийн хэмжээ, өнгө гэх мэт) шинжилж, лавлагааны үр дүнтэй харьцуулахад алдааны хувийг багасгасан таних загварыг бий болгодог.
Доорх зурагт мэдрэлийн сүлжээний үйл явцыг харуулсан бөгөөд түүний даалгавар нь гараар бичсэн шуудангийн кодын дугаарыг таних явдал юм.
Мэдрэлийн сүлжээний түүх
Мэдрэлийн сүлжээ нь саяхан олны анхаарлын төвд орсон хэдий ч энэ нь машин сургалтын хамгийн эртний алгоритмуудын нэг юм. Албан ёсны нейроны анхны хувилбар болох мэдрэлийн сүлжээний эсийг 1943 онд Уоррен МакКаллоч, Уолтер Питтс нар санал болгосон.
1958 онд Фрэнк Розенблатт анхны мэдрэлийн сүлжээг бий болгосон. Энгийн байдлаас үл хамааран энэ нь жишээлбэл, хоёр хэмжээст орон зай дахь объектуудыг аль хэдийн ялгаж чаддаг байв.
Марк I Perceptron - Rosenblatt машин
Эхний амжилтууд нь технологийн анхаарлыг ихэд татсан боловч дараа нь бусад машин сургалтын алгоритмууд илүү сайн үр дүнг үзүүлж эхэлсэн бөгөөд мэдрэлийн сүлжээнүүд ар тал руугаа оров. Сонирхлын дараагийн давалгаа 1990-ээд онд ирсэн бөгөөд үүний дараа 2010 он хүртэл мэдрэлийн сүлжээний талаар бага сонсогдсон.
Яагаад мэдрэлийн сүлжээ дахин алдартай болсон
2010 он хүртэл үндсэндээ дүрсийг таних, ангилахтай холбоотой тодорхой ажлуудыг шийдвэрлэхийн тулд мэдрэлийн сүлжээг чанарын хувьд сургах хангалттай хэмжээний мэдээллийн сан ердөө л байгаагүй. Тиймээс мэдрэлийн сүлжээнүүд ихэвчлэн алдаа гаргадаг: муурыг нохойтой андуурч, эсвэл бүр дордвол хавдарт өртсөн эрхтний зурагтай эрүүл эрхтний зургийг андуурчээ.
Гэвч 2010 онд 22,000 ангилалд 15 сая зураг агуулсан ImageNet мэдээллийн сан гарч ирэв. ImageNet нь одоо байгаа зургийн мэдээллийн сангаас хэд дахин том байсан бөгөөд ямар ч судлаачийн хүртээмжтэй байсан. Ийм их хэмжээний өгөгдөлтэй бол мэдрэлийн сүлжээг бараг алдаагүй шийдвэр гаргахад сургаж болно.
ImageNet-ийн хэмжээ нь 2010 онд байсан бусад зургийн мэдээллийн сантай харьцуулахад
Үүнээс өмнө өөр нэг чухал асуудал мэдрэлийн сүлжээг хөгжүүлэх замд саад болж байв: уламжлалт заах арга үр дүнгүй байв. Хэдийгээр мэдрэлийн сүлжээн дэх давхаргын тоо чухал үүрэг гүйцэтгэдэг ч сүлжээг сургах арга нь бас чухал юм. Урвуу шифрлэлтийн арга нь зөвхөн сүлжээний сүүлийн давхаргыг үр дүнтэй сургах боломжтой байв. Сургалтын үйл явц нь практикт хэрэглэхэд хэтэрхий урт байсан бөгөөд гүн мэдрэлийн сүлжээний далд давхаргууд зөв ажиллахгүй байв.
2006 онд бие даасан гурван эрдэмтдийн бүлэг энэ асуудлыг шийдвэрлэх үр дүнд хүрсэн. Эхлээд Жеффри Хинтон Boltzmann машин ашиглан сүлжээний урьдчилсан сургалтыг хэрэгжүүлж, давхарга бүрийг тусад нь сургасан. Хоёрдугаарт, Ян ЛеКан дүрсийг таних асуудлыг шийдэхийн тулд эргэлтийн мэдрэлийн сүлжээг ашиглахыг санал болгов. Эцэст нь Жошуа Бенгио гүн мэдрэлийн сүлжээнд бүх давхаргыг ашиглах боломжийг олгодог шаталсан автомат кодлогчийг бүтээжээ.
Бизнест мэдрэлийн сүлжээг амжилттай ашиглах жишээ
Эм
Ноттингемийн их сургуулийн судлаачдын баг өвчтөнүүдийн зүрх судасны өвчнөөр өвчлөх эрсдэлийг үнэлэх дөрвөн машин сургалтын алгоритмыг боловсруулжээ. Их Британийн 378,000 өвчтөний мэдээллийг сургалтанд ашигласан. Бэлтгэгдсэн хиймэл оюун ухаан нь зүрхний өвчний эрсдэлийг жинхэнэ эмчээс илүү үр дүнтэй тодорхойлсон. Алгоритмын нарийвчлал нь 74-76.4 хувийн хооронд байна (Америкийн Кардиологийн коллежийн боловсруулсан найман хүчин зүйлийн стандарт систем нь ердөө 72.8% -ийн нарийвчлалыг өгдөг.
Санхүү
Японы даатгалын компани Fukoku Mutual Life Insurance IBM компанитай гэрээ байгууллаа. Түүний хэлснээр, Японы компанийн 34 ажилтныг IBM Watson Explorer AI системээр солино. Мэдрэлийн сүлжээ нь хэдэн арван мянган эрүүл мэндийн гэрчилгээг шалгаж, үйлчлүүлэгчийн даатгалын нөхцөлийг тодорхойлохын тулд эмнэлэг, мэс засал болон бусад хүчин зүйлсийг харгалзан үзэх болно. Fukoku Mutual Life Insurance компани IBM Watson-ыг ашигласнаар бүтээмж 30%-иар нэмэгдэж, хоёр жилийн дотор зардлаа нөхнө гэж үзэж байна.
Машины сургалт Амьдралын янз бүрийн салбарт залилангийн болзошгүй тохиолдлуудыг танихад тусалдаг.Үүнтэй төстэй хэрэгслийг жишээ нь PayPal ашигладаг - мөнгө угаахтай тэмцэх ажлын хүрээнд компани сая сая гүйлгээг харьцуулж, сэжигтэй гүйлгээг илрүүлдэг. Үүний үр дүнд PayPal-ийн луйврын гүйлгээ 0.32%-иар хамгийн доод түвшинд хүрсэн бол санхүүгийн салбарын стандарт 1.32%-д хүрчээ.
Аналитик тэмдэглэлийн үргэлжлэлийг дараах холбоосоор үзэх боломжтой.
Хиймэл оюун ухааны судалгааны өөр нэг чиглэл бол мэдрэлийн сүлжээ юм. Тэдгээр нь хүний мэдрэлийн системийн байгалийн мэдрэлийн сүлжээтэй төстэй байдлаар бүтээгдсэн.
Хиймэл мэдрэлийн сүлжээ
Анхны нейрокомпьютерийг зохион бүтээгч, доктор Роберт Хэхт-Нилсен мэдрэлийн сүлжээний тухай дараах ойлголтыг өгсөн: “Мэдрэлийн сүлжээ гэдэг нь мэдээллийг динамик хариу үйлдэл үзүүлэх замаар боловсруулдаг энгийн, харилцан уялдаатай хэд хэдэн боловсруулах элементүүдээс бүрдэх тооцоолох систем юм. гадны нөлөөлөл."
Хиймэл мэдрэлийн сүлжээний үндсэн бүтэц (ANN)
ANN-ийн санаа нь амьд нейрон, дендрит гэх мэт цахиур, утас ашиглан шаардлагатай холболтыг бий болгосноор хүний тархины ажлыг дуурайлган хийх боломжтой гэсэн итгэл дээр суурилдаг.
Хүний тархи нь нейрон гэж нэрлэгддэг 100 тэрбум мэдрэлийн эсүүдээс тогтдог. Тэд бусад олон мянган эсүүдтэй аксоноор холбогддог. Гадаад орчны өдөөлт буюу мэдрэхүйн эрхтнүүдийн дохиог дендритүүд хүлээн авдаг. Эдгээр оролтууд нь мэдрэлийн сүлжээгээр хурдан дамждаг цахилгаан импульс үүсгэдэг. Дараа нь нейрон нь бусад мэдрэлийн эсүүд рүү мессеж илгээх боломжтой бөгөөд энэ нь цааш нь илгээх эсвэл огт илгээхгүй байж болно.
Хиймэл мэдрэлийн сүлжээ нь хүний тархины биологийн мэдрэлийн эсийг дуурайдаг хэд хэдэн зангилаанаас бүрддэг. Нейронууд хоорондоо холбогдож, бие биетэйгээ харилцан үйлчилдэг. Зангилаанууд нь оролтыг авч, өгөгдөл дээр энгийн үйлдлүүдийг гүйцэтгэх боломжтой. Эдгээр үйлдлүүдийн үр дүнд өгөгдлийг бусад мэдрэлийн эсүүдэд шилжүүлдэг. Зангилаа бүрийн гаралтыг түүний идэвхжүүлэлт гэж нэрлэдэг.
Холбоос бүр нь жинтэй холбоотой байдаг. ANN нь суралцах чадвартай бөгөөд үүнийг жингийн утгыг өөрчлөх замаар гүйцэтгэдэг. Дараах зурагт энгийн ANN-г харуулав.
Хиймэл мэдрэлийн сүлжээний төрлүүд
Хиймэл мэдрэлийн сүлжээний хоёр төрлийн топологи байдаг - дамжуулах ба санал хүсэлт.
Мэдээллийн урсгал нэг чиглэлтэй байдаг. Блок нь мэдээлэл хүлээн авдаггүй бусад нэгж рүү мэдээлэл дамжуулдаг. Санал хүсэлтийн гогцоо байхгүй. Тэд тогтмол оролт, гаралттай байдаг.
Энд санал хүсэлтийн гогцоог зөвшөөрдөг.
Хиймэл мэдрэлийн сүлжээ хэрхэн ажилладаг
Топологи нь хэлхээг харуулж байгаа бөгөөд сум бүр нь хоёр мэдрэлийн эсийн хоорондох холболтыг илэрхийлж, мэдээллийн урсгалын замыг зааж өгдөг. Холболт бүр нь хоёр мэдрэлийн эсийн хоорондох дохиог удирддаг бүхэл тоо бүхий жинтэй байдаг.
Хэрэв сүлжээ нь "сайн", "хүссэн" гаралтыг гаргадаг бол жинг тохируулах шаардлагагүй болно. Гэсэн хэдий ч хэрэв сүлжээ нь "муу" эсвэл "хүсээгүй" гаралт эсвэл алдаа гаргавал систем нь дараагийн үр дүнг сайжруулахын тулд жингээ тохируулдаг.
Хиймэл мэдрэлийн сүлжээн дэх машин сургалт
ANN нь суралцах чадвартай бөгөөд тэднийг сургах ёстой. Сургалтын хэд хэдэн стратеги байдаг
Сургалт - сургалтын дээжийг багшийн хариултыг мэддэг сүлжээнд нийлүүлдэг багш орно. Сүлжээ нь үр дүнгээ багшийн хариулттай харьцуулж, жингээ тохируулдаг.
Мэдэгдэж буй хариулттай сургалтын дээж байхгүй тохиолдолд хяналтгүй суралцах шаардлагатай. Жишээлбэл, кластерийн асуудалд, i.e. зарим шалгуурын дагуу олон тооны элементүүдийг бүлэгт хуваах.
Бататгах сургалт нь ажиглалт дээр суурилсан стратеги юм. Сүлжээ нь хүрээлэн буй орчныг ажиглаж шийдвэр гаргадаг. Хэрэв ажиглалт сөрөг байвал сүлжээ нь өөр өөр шаардлагатай шийдвэр гаргах боломжтой байхын тулд жингээ тохируулдаг.
Буцах тархалтын алгоритм
Bayesian сүлжээ (BN)
Эдгээр нь санамсаргүй хэмжигдэхүүний багц хоорондын магадлалын хамаарлыг илэрхийлэх график бүтэц юм.
Эдгээр сүлжээнд зангилаа бүр нь тодорхой санал бүхий санамсаргүй хувьсагч юм. Жишээлбэл, эмнэлгийн оношлогоонд Хавдрын зангилаа нь өвчтөнд хорт хавдартай гэсэн санал юм.
Зангилаануудыг холбосон ирмэгүүд нь эдгээр санамсаргүй хэмжигдэхүүнүүдийн хоорондох магадлалын хамаарал юм. Хэрэв хоёр зангилааны нэг нь нөгөө зангилаанд нөлөөлдөг бол тэдгээрийг шууд холбох ёстой. Хувьсагчдын хоорондын хамаарлын хүчийг зангилаа бүртэй холбоотой магадлалаар тодорхойлно.
BN-д нуман дээр зөвхөн хязгаарлалт байдаг, та нумын чиглэлийг дагаж зангилаа руу буцаж очих боломжгүй. Тиймээс BNS-ийг цикл бус график гэж нэрлэдэг.
BN бүтэц нь мэдлэг болон ажиглагдсан өгөгдлийг нэгтгэхэд тохиромжтой. BN нь учир шалтгааны хамаарлыг судлах, янз бүрийн асуудлыг ойлгох, өгөгдөл байхгүй байсан ч ирээдүйг урьдчилан таамаглахад ашиглаж болно.
Мэдрэлийн сүлжээг хаана ашигладаг вэ
Тэд хүнд хялбар боловч машинд хэцүү ажлуудыг гүйцэтгэх чадвартай.
Агаарын сансар - нисэх онгоцны автомат нисгэгч;
Автомашин - автомашины удирдамжийн систем;
Цэргийн - зорилтот хяналт, автомат нисгэгч, дохио / дүрс таних;
Электроник - таамаглал, алдааны дүн шинжилгээ, машины хараа, дуу хоолойн синтез;
Санхүүгийн - үл хөдлөх хөрөнгийн үнэлгээ, зээлийн зөвлөхүүд, моргейжийн зээл, худалдааны компанийн багц гэх мэт.
Дохио боловсруулах - Мэдрэлийн сүлжээг аудио дохиог боловсруулахад сургаж болно.
Машины сургалт гэдэг нь машиныг бие даан сайжруулахыг заах гэж оролдох үед таны хийдэг бүх зүйлийг хамардаг өргөн нэр томъёо юм. Ялангуяа, энэ нь тухайн ажлыг гүйцэтгэхэд илүү их туршлага хуримтлуулж байж компьютерийн гүйцэтгэл сайжирдаг аливаа системд хамаатай. Мэдрэлийн сүлжээ нь машин сургалтын жишээ боловч компьютерийг сургах цорын ганц арга зам биш юм.
Жишээлбэл, машин сургалтын өөр аргуудын нэгийг бэхжүүлэх сургалт гэж нэрлэдэг. Энэ аргын хувьд компьютер даалгавраа гүйцэтгэж, дараа нь түүний үр дүнг үнэлдэг. Жишээлбэл, компьютер шатрын тэмцээнд хожсон тохиолдолд тоглоомын үеэр ашигласан цуврал нүүдэлд ялалтын үнэ цэнийг оноодог. Сая сая тоглоом тоглосны дараа өмнөх тоглолтуудын үр дүнд үндэслэн аль нүүдэл нь ялалтад хүргэх магадлал өндөр болохыг систем тодорхойлж чадна.
Мэдрэлийн сүлжээ нь зураг дээрх хэв маягийг таних зэрэгт сайн байдаг ч бусад төрлийн машин сурах нь таны дуртай хөгжмийг олох зэрэг ажилд илүү хэрэгтэй байж болно. Google өөрийн хөгжмийн аппликейшн нь таны сонсохыг хүссэн хөгжмийг тань олох болно гэж мэдэгджээ. Энэ нь таны өмнөх тоглуулах жагсаалтуудад дүн шинжилгээ хийх замаар үүнийг хийдэг. Хэрэв үр дүн танд таалагдахгүй бол машин үүнийг бүтэлгүйтэл гэж үзэх болно. Гэхдээ хэрэв та санал болгож буй жагсаалтын аль нэгийг сонговол тэр үүнийг амжилттай гэж тэмдэглэж, түүнийг таны зүрх сэтгэлд хүргэсэн ялалтын нүүдэлд дүн шинжилгээ хийх болно.
Ийм тохиолдолд та энэ функцийг байнга ашиглахгүй бол машин сургалтын үр ашгийг бүрэн хүртэхгүй. Таныг Google Music программыг анх удаа нээхэд зөвлөмжүүд дээд цэгтээ хүрэх магадлалтай. Гэхдээ та үүнийг ашиглах тусам илүү сайн саналууд байх болно. Онолын хувьд, наад зах нь. Машины сургалт нь эм биш юм. Машины сургалт нь мэдрэлийн сүлжээнээс илүү тодорхой бус ойлголт боловч таны ашигладаг програм хангамж нь гүйцэтгэлээ сайжруулахын тулд таны санал хүсэлтэд тулгуурлана гэсэн үг юм.
Хиймэл оюун ухаан бол "ухаалаг" гэсэн угтвартай бүх зүйл юм
Мэдрэлийн сүлжээ нь машин сургалтын нэг хэлбэр байдаг шиг машин суралцах нь хиймэл оюун ухааны нэг хэлбэр юм. Гэхдээ "хиймэл оюун ухаан" гэсэн ангиллыг маш муу тодорхойлсон тул энэ хэллэг нь практик утгагүй байна. Тийм ээ, энэ нь технологийн дэвшилтэт ирээдүйн дүр төрхийг төсөөлдөг ч бодит байдал дээр бид түүнд ойртож амжаагүй байна. Нэгэн цагт оптик тэмдэгт таних нь машинд хэтэрхий төвөгтэй байсан бол одоо таны утсан дээрх аппликейшн нь бичиг баримтыг сканнердаж, текст болгон хувиргах боломжтой болсон. Үүнийг хиймэл оюун ухааны эр зориг гэж нэрлэх нь ямар нэг үнэ цэнэгүй юм.
Утасны үндсэн чадварыг хиймэл оюун ухаан гэж үзэж болох шалтгаан нь үнэндээ хоёр төрлийн хиймэл оюун ухаан байдагтай холбоотой юм. Сул буюу нарийн хиймэл оюун ухаан нь даалгаврын нарийн жагсаалтыг гүйцэтгэхэд зориулагдсан аливаа системийг тодорхойлдог. Жишээлбэл, Google Assistant эсвэл Siri нь нэлээд хүчирхэг хиймэл оюун ухаантай ч гэсэн нэлээд нарийн жагсаалтыг гүйцэтгэдэг. Тэд дуут командыг хүлээн авч, хариу өгөх эсвэл програмыг ажиллуулдаг. AI судалгаа нь эдгээр шинж чанаруудыг дэмждэг боловч тэдгээрийг "сул" гэж үздэг.
Үүний эсрэгээр, хүчирхэг хиймэл оюун ухаан буюу хиймэл ерөнхий оюун ухаан буюу "бүрэн AI" нь хүний аливаа ажлыг гүйцэтгэх чадвартай систем юм. Тэгээд тэр байхгүй. Тиймээс аливаа "ухаалаг" програм нь хиймэл оюун ухаан сул хэвээр байна.
Утга нь маш тодорхой бус байж болох ч хиймэл оюун ухааны талаар практик судалгаа хийх нь маш ашигтай тул энэ нь таны өдөр тутмын амьдралын нэг хэсэг болсон байж магадгүй юм. Таны утас таны машинаа зогсоосон газраа автоматаар санах, зурагнаасаа нүүр царайг тань таних, хайлтын санал авах, амралтын өдрийн бүх зургийг автоматаар бүлэглэх болгонд та хиймэл оюун ухаанд ямар нэг байдлаар хүрч байна. Тодорхой хэмжээгээр "хиймэл оюун ухаан" гэдэг нь програмууд бидний хэрэглэж байснаас арай илүү ухаалаг болно гэсэн үг юм. Одоо "AI" гэсэн шошго нь практик талаас нь харахад ойлгомжтой зүйл гэсэн үг биш юм.
