Нейросети оплетают мир. 2022 год стал расцветом «искусственного интеллекта»
Ушедший 2022-й стал годом расцвета нейронных сетей, которые в СМИ нередко называют «искусственным интеллектом». Сегодня они только кажутся чем‑то сложным и запутанным, но на самом деле эта технология уже обросла множеством вспомогательных инструментов, которые помогают создавать собственные нейросети даже начинающим программистам, а пользоваться ими могут и простые обыватели. Вариантов применения технологии в реальной жизни становится все больше.
ФОТО Сергея КАРПУХИНА/ТАСС
Дрессировка нейронов
На простом языке искусственные нейронные сети — это математические алгоритмы, которые лежат в основе современного машинного обучения. Если искусственные нейроны соединить в большую сеть с управляемым взаимодействием, то они способны выполнять довольно сложные задачи. Например, находить закономерности в большом объеме данных и делать выводы.
Лазерно-оптические и оптоэлектронные технологии открыли новые возможности в разных сферах жизниИдею искусственной нейронной сети еще в 1957 году предложил нейрофизиолог Фрэнк Розенблатт, назвал ее «перцептрон» и реализовал на первом в мире нейрокомпьютере «Марк-1». Сегодня в чистом виде эта модель практически не используется, но именно она находится в основе искусственного нейрона.
В списке основных видов нейронных сетей: многослойная (ее используют для обработки числовых данных или в составе других нейронных сетей), сверточная (применяется в задачах распознавания объектов на фото- и видеоизображениях), рекуррентная (используется в обработке текста, видео, аудио и других данных, зависимых от времени).
Главное преимущество нейросетей — способность к обучению и даже самообучению. В любом случае на первом этапе нейросеть нужно, как говорят в народе, «выдрессировать». Обучение может проходить с учителем (контролируемое обучение), без учителя (бесконтрольное обучение) и с подкреплением (усиленное обучение). Словом, все как с человеком — ведь и наш мозг представляет собой нейросеть.
Для обучения с учителем используют набор тренировочных данных, для которых заранее известны ответы. В «дрессировке» без учителя нейросеть получает на входе данные, для которых ответы заранее неизвестны. А в усиленном обучении дрессировка происходит за счет реакции окружающей среды на каждое действие нейросети. В точности как с цирковыми животными: сеть получает вознаграждение за верные действия и наказания за ошибки. Этот подход используют в сфере обучения нейронных сетей играм. Яркий пример — алгоритм Google, который научился побеждать сильнейших игроков в го. Чуть позже схожая нейросеть обыграла в матче сильнейшую в мире шахматную программу.
Мир в сетке
Уже сегодня нейронные сети успешно применяются в медицине (например, для постановки первичного диагноза по рентгеновским снимкам), автоматизации (для контроля качества продукции на предприятиях), робототехнике (ориентация в пространстве, навигация, распознавание объектов вокруг), экономике (предсказания биржевых курсов).
В московском метро нейросети используются для оплаты проезда по биометрическим данным и поиска людей, находящихся в федеральном розыске. А специалисты Петербургского федерального исследовательского центра (ФИЦ РАН) совместно с коллегами из СПбГЭТУ «ЛЭТИ» разработали электронную систему интеллектуального управления безопасностью пассажиров на эскалаторах.
Нейросеть в реальном времени анализирует данные с видеокамер, микрофонов и датчиков и не только сигнализирует о возможности внештатных ситуаций, но и предлагает способ решения возникшей проблемы. Сейчас у эскалаторов дежурят специальные сотрудники, однако монотонный характер работы притупляет их внимание и может сказываться на реакции. Испытания системы показали, что нейросеть выявляет опасные ситуации в 3,5 раза быстрее обычного дежурного.
Для бизнеса сотрудники СПб ФИЦ РАН создали онлайн-приложение, которое определяет оригинальность логотипов и товарных знаков компаний. Каждый пользователь может настроить приложение под нужные параметры и определить, не совпадает ли его логотип с существующими товарными знаками по каким-либо параметрам. Более того, программа дает комментарий, почему логотипы являются схожими.
Сегодня нейросети накрывают не только мегаполисы, но и загородные территории. Так, ученые МФТИ совместно с Минприроды разрабатывают программу на основе искусственного интеллекта, которая анализирует данные, получаемые с фото- и видеоловушек российских заповедников. Они ежедневно выдают огромное число фотографий и видео, анализ которых представляет долгий и трудоемкий процесс даже для опытного специалиста с натренированным взглядом. А нейросеть справляется с этой задачей за очень короткое время.
В Минприроды подчеркнули, что проект позволит перевести на новый уровень учет редких зверей. Сейчас технологию тестируют в семи особо охраняемых природных территориях (ООПТ) России. Программа легко отличает животных от людей, классифицирует их по видам и учится по особым приметам узнавать конкретных особей. Пока что хуже всего у искусственного интеллекта получается отличать леопардов от тигров, имеющих уникальные рисунки на шкуре, но это вопрос времени.
Кроме учета животных эта нейросеть может помочь бороться с браконьерами, фиксируя по фотографиям, сделанным с дрона, факты незаконной рыбалки или охоты. При этом программа распознает людей даже в защитном камуфляже.
Художник от слова «нейро»
Вряд ли кто‑то будет против, чтобы искусственный интеллект определял брак на конвейере, считал пассажиров в метро или ловил браконьеров. А как быть с миром творчества, куда нейросеть тоже пробралась и хозяйничает по полной программе? Произведения искусства, созданные нейросетями, уже попали в частные художественные коллекции, их продают за немалые деньги.
Конечно, это пока лишь первые шаги. Сейчас подобные произведения можно сравнить с первыми фотографиями. Многие творческие люди считают, что произведения, созданные искусственным интеллектом, нельзя считать авторскими, поскольку нейросети обучаются на размещенных в Интернете работах реальных людей.
В 2017 году программист Зак Тутт создал нейросеть, которая написала шестую часть фэнтези-саги «Песнь льда и пламени», по которой был снят сериал «Игра престолов». Большая часть текста похожа на бред, но стиль повествования Джорджа Мартина сохранился. Позже благодаря программистам Сбера, которые создали базу данных из классических текстов, на свет появилось продолжение романа Николая Гоголя «Мертвые души».
А в ноябре прошлого года в России впервые появилась драматургическая пьеса, написанная с помощью нейросети. Воспользовавшись этой технологией, художественный руководитель Московского драматического театра имени Есенина Ярослав Шевалдов написал фрагмент пьесы об основателях Художественного театра К. С. Станиславском и В. И. Немировиче-Данченко. По полученному тексту режиссер поставил небольшой спектакль, который был представлен в Москве в рамках VI фестиваля «Биеннале театрального искусства» в Российском государственном гуманитарном университете.
Экспериментальную модель нейросети — генератор пьес «НейроСтаниславский» создали студенты Университета МИСИС. С помощью своих создателей нейросеть изучила десятки пьес классиков, выделив из них 14 тысяч диалогов. Эта база и легла в основу «НейроСтаниславского», который работает как соавтор, предлагая идеи и повороты сюжета. Однако первый шаг и право выбора основной линии сюжета остается за живым автором.
Не отстает и телевидение. Сейчас телеканал «СТС» совместно с образовательной платформой Skillbox работают над первым российским сериалом «Сидоровы» по сценарию нейросети. Чтобы написать этот сценарий, нейросеть прошла обучение на комедийных хитах телеканала. Для этого в нее загрузили самые популярные работы, в том числе «Воронины», «Восьмидесятые», «Жена олигарха». Если точнее, то в нейросеть были загружены 355 892 слова, 88 эпизодов и семь телешоу. Чтобы подойти к идеальному качеству контента, создаваемого сетью, потребовалось 20 экспериментов с параметрами и способом подачи данных в модель.
А еще многогранные нейронные сети имеют музыкальный слух. В прошлом году оператор мобильной связи Tele2 и компания Platforma вместе с нейросетью написали музыку для пяти крупных городов нашей страны. В том числе была создана нейромелодия Петербурга, для чего были использованы визуальные и аналитические данные города. Для определения тембра композиции взяли линию горизонта города. Данные о плотности населения помогли расставить ноты. Минусовку созданной мелодии отдали музыкантам Симфонического оркестра Петербурга, которые на ее основе написали трек «Санкт-Петербург». Композиция доступна к прослушиванию на платформе «Яндекс.Музыка».
Я не волшебник, я только учусь
Бурное развитие нейросетей кого‑то радует, а кого‑то пугает — ведь подобные технологии многих способны оставить без работы. Вместе с тем не нужно преувеличивать способности нынешних нейросетей, и на практике в большинстве ситуаций естественный интеллект еще долго не уступит искусственному, на пути развития которого стоят свои барьеры.
Например, для обучения нейросетей требуется очень много информации. Чем сложнее задача, тем больше данных необходимо использовать, тем дольше модель учится и тем дороже обходится этот процесс. Да и с анализом полученных результатов не все так просто, поскольку пока нет четких критериев, по которым можно понять, почему нейронная сеть приняла то или иное решение.
Поэтому на данном этапе сложные задачи, которые требуют абстрактного мышления и воображения, продолжат решать люди. А нейронные сети — это всего лишь отличные помощники, которые обрабатывают огромное количество данных и выполняют монотонную рутинную работу гораздо быстрее, чем человек.
Кстати, когда я предложила нейронной сети придумать заголовок к этому материалу, она выдала лишь бессмысленный набор слов. Что еще раз доказало: она еще только учится.
Материал опубликован в газете «Санкт-Петербургские ведомости» № 8 (7337) от 18.01.2023 под заголовком «Нейросети оплетают мир».
Комментарии