Искусственный интеллект, машинное обучение, нейронные сети, глубокое обучение…Что есть что и зачем это нужно?
Искусственный интеллект ИИ (AI, Artificial Intelligence) как отдельная академическая дисциплина появился в 1956 году. Цель осталась прежней: заставить компьютеры решать интеллектуальные задачи. Игра с компьютером в шашки, шахматы, головоломки- все это стало возможным благодаря “особым знаниям”, которыми программисты смогли наделить ЭВМ.
Однако время и прогресс ставили новые и сложные задачи перед учеными. Алгоритмов ИИ стало просто-напросто не хватать для их решения. Как распознать изображения? Как сегментировать клиентов в базе? Как понять аномальность процессов? Это более сложные вопросы, требующие для ответов не просто статические знания ( 2*3=6), но и дополнительную информацию, на основании которой возможно сделать заключения.
Именно в этом и состоит идея машинного обучения (ML, Machine Learning): дать компьютеру огромное множество данных и позволить ему сделать заключения. В зависимости от задач используются разные техники машинного обучения.
Нейронные сети- это одна из техник машинного обучения. Идея нейронных сетей состоит в том, чтобы смоделировать работу человеческого мозга с помощью искусственных нейронов. Нейрон в ИТ — это вычислительная единица, которая получает информацию, производит над ней простые вычисления и передает ее дальше. Нейроны делятся на три основных типа: входной, скрытый и выходной. У каждого из нейронов есть 2 основных параметра: входные данные (input data) и выходные данные (output data). Когда нейросеть состоит из большого количества нейронов, тогда вводится термин “нейронный слой”. Соответственно, есть входной слой, который получает информацию, несколько скрытых слоев (обычно их не больше 3), которые ее обрабатывают и выходной слой, который выводит результат. У каждого из нейронов есть 2 основных параметра: входные данные (input data) и выходные данные (output data).
Искусственная нейронная сеть обычно обучается с “учителем”: для этого необходим обучающий набор (датасет), который содержит примеры с истинными значениями: тегами, классами, показателями. Примеры нейронных сетей: прогнозирование погоды, диагностика заболеваний, обнаружение автомобильных пробок, аналитика данных, поиск людей по уличным камерам видеонаблюдения и т.п.
Многослойные нейронные сети способны обрабатывать данные без “учителя”. Последовательно передаваемый поток информации из одного нейронного слоя в другие (с нижнего в верхние) преобразовывает данные и выводит необходимые параметры. Это и есть глубокое обучение (DL, deep learning) – класс алгоритмов машинного обучения, которые учатся глубже (более абстрактно) понимать данные.
Кажущаяся простота, одновременно граничащая со сложностью выбора. Выбора начальных параметров. Выбора анализируемых данных. Баланс. Соблюдение баланса- один из ключевых моментов при создании многослойной нейронной сети. Как у канатоходца- превышение колебания от центра может привести к непоправимым последствиям.
Хочется верить, что применяемый в наши дни ИИ работает четко, с минимальными погрешностями. Наша команда, к примеру, создавая нейросеть, провела множество тестирований в реальных условиях. В итоге нам удалось выбрать те самые параметры для нейронной сети, ведущие к высокой результативности. Но время от времени все же проверяем качество работы нейросети с помощью людей.