Доброго времени суток, «Хабр»!

На дворе век технологий, которые внедряются уже буквально повсюду. С одной стороны, подобное упрощает нам жизнь, с другой — всё это простые механизмы, которыми нужно уметь пользоваться и понимать, что в любой момент мы можем остаться без них.

Сегодня мы поговорим об искусственном интеллекте, а я постараюсь ответить на вопрос: что же такое эти ваши нейросети? Кроме того, я попытаюсь собрать своеобразный сборник с кратким материалом по каждому отдельному разделу про искусственный интеллект, а также дам ссылки на более развернутые материалы по каждой конкретной теме. В конце подойдем к вопросу о том, сможет ли нейросеть заменить человека, и выскажу своё мнение в достаточно актуальной баталии.

Принимайте стратегически устойчивое положение, не забудьте про перекус, ну а я начну своё повествование.

Немножко об нейросетях

Нейросеть — это компьютерная программа, которая пытается работать по аналогии с человеческим мозгов: обучается и «принимает решения».

По своей сути, развитие искусственного интеллекта начинается еще в 1906 году, когда русский учёный Андрей Андреевич Марков ввел понятие «цепь Маркова» — последовательность случайных событий с конечным или счетным числом исходов, где вероятность наступления каждого события зависит лишь от состояния, достигнутого в предыдущем событии.

Сложно представить, что такая простая вещь привела нас к современным моделям, способным на многое.

Нейросеть способна учиться как благодаря алгоритмам распознавания и командам человека, так и на основе собственного предыдущего опыта — она действует автономно, используя накопленные знания. Это похоже на ваше детство: сначала вас учили и направляли родители, а позже вы стали самостоятельно понимать устройство вещей, делать выводы и искать способы решения проблем.

Выглядит немного пугающе? Сразу вспоминаются сцены из фильмов про захват мира искусственным интеллектом и порабощение человечества. Но отбросим фантазии! Все понимают, что до такого сценария нейросети пока далеки, словно от Москвы до Китая. Основная причина — отсутствие способности к самостоятельному кодированию и тот факт, что сам ИИ состоит из различных несвязанных друг с другом программ.

Больше узнать об истории развития нейросетей можно в моей статье здесь. Эта информация будет полезна тем, кто интересуется эволюцией искусственного интеллекта.

Небольшое отступление

Первое, хочу рассказать про цель статьи — вкратце пробежаться по искусственному интеллекту, без глубокого погружения в отдельные темы. Большинство ответов на разные вопросы вы найдете в других статьях, которые будут упомянуты в нужных местах как дополнительное чтение для интересующихся.

Второе, многие нейросети, демонстрирующие различные аспекты в статье, взяты с агрегатора нейросетей BotHub. Пройдя по специальной ссылке, можно получить 100 000 капсов на собственные эксперименты.

Популярные архитектуры и алгоритмы обучения

Раз уж выше я упоминал, что нейросети способны обучаться, а некоторые даже делают это самостоятельно, то расскажу об этом подробнее и заодно захватим еще и популярные архитектуры нейросетей, с которых и начнем.

Популярные архитектуры

Быстро пробежимся по каждой, постараюсь расписать все понятно и одновременно просто.

1. Trasformer — вид нейросетевой архитектуры, который хорошо подходит для обработки последовательностей данных. Его главное преимущество заключается в способности эффективно обрабатывать длинные зависимости внутри последовательности (например, предложения).
   Архитектура создаёт цифровое представление каждого элемента последовательности, собирая важную информацию о нём и контекст вокруг. Эти представления передаются другим нейросетям, которые используют их для выполнения разных задач, включая синтез и классификацию. Таким образом, трансформеры позволяют следующим сетям лучше выявлять скрытые закономерности и связи во входных данных.

2. Generative adversarial network — это тип архитектуры машинного обучения без учителя. Она состоит из двух компонентов: генератора и дискриминатора, играющих друг против друга в своеобразную игру «найти правду». Вкратце, генератор генерирует правдоподобные или фальшивые образцы, а задача дискриминатора — определить, какие из них настоящие, а какие поддельные.

3. ResNet (residual network) — архитектура сверточной нейросети, использующая остаточные блоки, позволяющая создавать глубоко вложенные структуры без проблемы исчезновения градиентов.

4. Capsule Networks — по сути, это улучшенная версия классических сверточных нейронных сетей, ранее имевших значительные недостатки. Основной минус обычных сверточных сетей заключался в неспособности учитывать пространственные отношения между простыми и сложными элементами. Использование капсул позволило преодолеть эту проблему.

5. Kolmogorov-Arnold Networks — тип нейросетей, решающий проблему «проклятия размерности» («curse of dimensionality»), часто возникающую в стандартных многослойных перцептронах (MLP).

6. Графовые нейронные сети — эта архитектура позволяет адаптировать традиционные нейросетевые подходы для работы с графами структурами данных.

С архитектурой на этом закончим. Более подробную информацию можно найти в отдельной статье, посвящённой именно этому вопросу, либо через приведенные здесь ссылки.

Популярные алгоритмы обучения 

Эту тему я не рассматривал в своих статьях, поэтому здесь будет чуть больше материала, однако опять же постараюсь изложить всё кратко, понятно и дать ссылку на более подробное объяснение для заинтересовавшихся.

1. Метод обратного распространения. Подобный подход является самым популярным способом обучения нейросетей, при котором они учатся на собственных ошибках. Грубо говоря, когда нейронная сеть делает предсказание, оно сравнивается с реальным результатом, и если есть ошибка, то веса (значения, определяющие степень влияния входных данных на итоговый результат) корректируются, чтобы минимизировать эту ошибку. Повторяя такие процедуры многократно, нейронная сеть постепенно улучшает свои результаты. 

   Сам по себе метод был описан еще в 1960-х годах, что делает его одним из краеугольных камней современных нейросетей.

2. Метод упругого распространения. Этот способ появился как альтернатива первому. Главная причина разработки — высокая длительность предыдущего метода. Здесь акцент сделан на оптимизацию процесса коррекции весов путем изменения их значений согласно направлению градиента ошибки (это вектор, показывающий, куда чаще всего отклоняется результат при варьировании параметров нейронной сети).

   В отличие от других подходов, действующих с фиксированной скоростью обучения, этот метод адаптируется индивидуально к каждому параметру.

3. Генетический алгоритм обучения. Алгоритм, основанный на принципе естественного отбора и генетической мутации. Его можно условно сравнить с эволюционным процессом природы, основанным на объединении удачных признаков. Алгоритм работает следующим образом: после этапа селекции следующее поколение нейросетей формируется путем объединения наилучших характеристик предшественников. Цикл продолжается до достижения некоторого уровня качества, которое считается приемлемым.

Где используют нейросети?

Перейдём к чему-то более обширному — а именно перечню возможных применений нейросетей. Список там достаточно внушительный.

Карманный помощник в повседневных делах

Искусственный интеллект может стать помощником на каждый день. Составить план тренировок? Или нужна диета?

Может, нужно решить какую-нибудь задачу? Например, написать калькулятор на Python.

Почти любую задачу такого уровня сложности, при учете последующей проверки человеком, можно поручить искусственному интеллекту. Но его возможности на этом не исчерпываются.

Кстати, для текстовых нейросетей есть статья на тему составления промтов, возможно, кто-то захочет ознакомиться с дополнительной информацией.

Генерация изображений и видео

Ещё один довольно частый способ применения нейронных сетей в современном мире — допустим, вам захотелось увидеть кота, сидящего на стуле.

Прекрасный рыжий кот, но благодаря нейросети его можно ещё и оживить.

До подлинной кошачьей грации здесь пока далеко, однако результат вполне приличный. О генерации изображений и видео также есть инструкция по созданию промтов.

Генерация музыки

Ещё одно направление, которое можно назвать популярным — сугубо по моему скромному мнению, генерация музыки в нейросетях интересует больше всего (лично меня).

Согласитесь, не так уж и плохо? Про голос промолчу, но инструментал мне очень нравится.

Три достаточно популярных направления для использования нейросетей, конечно, это далеко не всё. Например, генерация 3D-объектов и сцен. Можно вспомнить и недавно созданную модель от Microsoft, которая достаточно точно ставит диагноз пациентам — около 80% правильных результатов. Но думаю, пора переходить к тому, за что меня могут посадить на вилы.

Может ли нейросеть заменить человека?

Конечно, такое себе нейросеть позволить не может. Искусственный интеллект — всего лишь инструмент, способный упростить жизнь людей, но управляемый исключительно человеком. О восстании машин речь вообще не идёт, по крайней мере в обозримом будущем точно. Эта ситуация настолько сюрреалистична, что её можно сравнить с моментом, когда микроволновка вдруг сама включается, кладёт внутрь яйцо и взрывается после этого.

Дополню небольшой тавтологией: нейросеть — именно инструмент, которым важно грамотно управлять и использовать. Никогда не стоит забывать о собственных знаниях — они гораздо ценнее.

Итог

В принципе, всё, что хотел осветить в этой статье — я сделал. Конечно, сама по себе статья больше напоминает простенький сборник с возможностью перехода в разделы с более подробной информацией. Именно подобное изложение и было моей целью на сегодня.

Спасибо за прочтение!