«Машинное обучение»: Потенциал и возможности

^[1]

/ фото Jaro Larnos ^[2] CC ^[3]

Облачные технологии широко применяются в самых разных научных сферах: как-то раз мы рассказывали от том, как облака используются в физике и астрономии ^[4], а также географии и генетике ^[5]. Виртуальные инфраструктуры ^[6] позволяют ученым обрабатывать огромное количество информации в кратчайшие сроки, что приводит к новым открытиям.

Но есть еще одна технология, способная изменить наше представление об обработке информации. Речь идет о машинном обучении, которое в последнее время приобрело особую популярность.

Несколько лет назад Google полностью переделала свои сервисы поиска картинок и распознавания речи, внедрив элементы машинного обучения, а 16 июня этого года гигант объявил ^[7] о расширении исследовательского центра в Цюрихе, который займется разработками в сфере ИИ, обработки естественного языка и машинного восприятия. Это значит, что Google собирается разрабатывать системы, которые способны думать, слушать и видеть.

Старший научный сотрудник компании Грег Коррадо (Greg Corrado) утверждает ^[8], что активное внедрение машинного обучения способно принести не меньше пользы, чем создание интернета. Это может привести к тому, что нам не нужно будет разбираться во всех деталях определённых процессов, достаточно будет загрузить в систему данные, на основе которых она начнет самообучаться.

Самое перспективное направление в машинном обучении – это так называемое глубокое обучение. Оно строится на нейронных сетях (НС), которые требуют большого объема данных, чтобы учиться. Впервые НС были описаны в 30-х годах прошлого века, но активно их начали использовать только в последние 3–4 года, так как мощность компьютеров резко возросла.

В прошлом году Google выложила в открытый доступ свою библиотеку для глубокого машинного обучения TensorFlow ^[9]. Так компания пытается привлечь внимание к проекту и развить его силами сторонних разработчиков. Система представляет вычисления в виде графа потока данных. Главная ее особенность ^[10] – в отличие от других платформ вроде Theano и Torch – поддержка распределенных вычислений.

В компании TensorFlow используют чуть ли не во всех направлениях: от распознавания речи до поиска фотографий, но на деле она будет больше полезна ученым, проводящим эксперименты по глубокому обучению нейронных сетей, а также компаниям, которым нужно быстро обучить и протестировать свои модели. Пощупать TensorFlow своими руками можно, перейдя по этой ^[11] ссылке.

ИИ идет в писатели

Журналист The Guardian Алекс Херн (Alex Hern) в своей статье ^[8] рассказал о своей попытке обучить простейшую рекуррентную НС, чтобы та могла логично завершать ^[12] предложения. В качестве обучающих данных он взял 119 МБ текста из статей The Guardian. О других интересных вариантах применения рекуррентных НС читайте в этой ^[13] статье.

Спустя полчаса после запуска процесса обучения Алекс увидел, что прогресс составляет всего 1%. Он понял, что мощности его компьютера недостаточно и решил арендовать сервер ^[14] в облаке. Это позволило завершить процесс обучения за 8 часов.

Получилось, мягко говоря, не очень здорово. Компьютеру нужно было продолжить следующую фразу: «Судьбоносное решение остаться в ЕС, принятое в четверг, было…». В итоге система предложила такие варианты, как «…основано на обещании, сделанном в нескольких заявлениях» и «…членом оппозиционной партии 2015 года». С одной стороны, полный бред, с другой – в этом есть и положительный момент: если бы машина научилась писать статьи для The Guardian, Алекс и его коллеги остались бы без работы.

Такой результат вполне объясним. Нейронная сеть, использованная в обучении, могла распознавать только символы: она не знала, что такое слово, и не понимала грамматики. Более того, чтобы сеть могла адекватно составлять предложения на основании данных о реальном мире, ей нужно передать гораздо больший объем данных для обучения. Набора статей одного издания – недостаточно. О подобных экспериментах писали также журналист ^[15] The Atlantic и писатель ^[16], ранее работавший в Twitter.

Человечество спешит на помощь

Одним из наиболее ярких примеров глубокого обучения является AlphaGo, программа на базе ИИ, недавно ^[17] обыгравшая чемпиона мира по игре в го. В программе задействовано два типа обучения: обучение с учителем, когда используются данные всех матчей, сыгранных между людьми, и обучение с подкреплением, которое подразумевает, что программа играет против самой себя и учится на своих ошибках. Но при всем при этом, как оказалось, некоторым вещам AlphaGo просто не может научиться самостоятельно.

По мнению ^[18] лидера исследовательской группы DeepMind, занимавшейся разработкой программы, система хорошо понимала, на каких областях игрового поля она должна сосредоточить свое внимание. Однако программа не знает, когда ей следует прекратить «мыслительный процесс» и сделать свой ход. Это важный момент в игре, так как в профессиональных матчах действует сложная система контроля времени. Например, в игре против чемпиона мира Ли Седоля у игроков было по два часа на обдумывание ходов, а также три минуты дополнительного времени, которые добавлялись, если ни один из предыдущих ходов не был совершен менее чем за три минуты.

Разработчики не стали добавлять в программу правила контроля времени, а лишь ввели ограничение, разработав специальный алгоритм. Позже он был оптимизирован программой на основе ряда экспериментов, но факт в том, что без помощи человека AlphaGo не удалось бы обыграть чемпиона.

Эта ситуация, сложившаяся с AlphaGo, приводит нас к мысли, что прогресс обучения ИИ можно ускорить, если привлекать обычных пользователей к обучению систем. Например, площадкой для совместной работы человека и машины сейчас становится популярная компьютерная игра Minecraft.

Недавно выложенный ^[19] на GitHub Project Malmo, запущенный корпорацией Microsoft, представляет собой платформу для исследования возможностей искусственного интеллекта. Задача – обучить персонажа игры выполнять различные действия, начиная переходом по мосту и заканчивая строительством сложных объектов. Кроме того, проект позволяет организовать совместную игру ИИ с человеком, а также общение между ними с помощью специального чата.

По словам ^[20] руководителя проекта Кати Хофманн (Katja Hofmann), цель Project Malmo – создание ИИ, который будет учиться у пользователей и помогать им решать свои задачи. Программа задействует алгоритмы обучения с подкреплением. К примеру, можно научить машину ориентироваться в комнате с множеством препятствий. Обычные игроки могут давать подсказки или инструкции, которые ИИ постепенно научиться распознавать и принимать на их основе правильные решения.

Платформа Minecraft также использовалась ^[21] при обучении робота в Университете Брауна. По мнению одного из профессоров университета, Project Malmo станет эффективным методом сбора данных о взаимодействии человека с ИИ. Возможно уже в скором времени мы сможем полноценно общаться с искусственным интеллектом.

P.S. Дополнительные материалы по теме машинного обучения

• Курсы по машинному обучению от Coursera ^[22] и Udacity ^[23];
• Курс по глубокому обучению от Udacity ^[24];
• Видео ^[25] лекций профессора К.В. Вороного по машинному обучению;
• Мини-уроки ^[26] по TensorFlow для начинающих;
• Полезная статья ^[27] аспиранта Андрея Карпатого (Andrej Karpathy) из Стэнфорда о применении рекуррентных нейронных сетей.

P.P.S. А вот еще несколько интересных материалов из нашего блога:

• Зарубежное или локальное размещение данных в облаке ^[28]
• Технологии хранения в страховой сфере ^[29]
• Облачные технологии в туристическом бизнесе ^[30]
• Как повысить уровень защищенности облачной инфраструктуры ^[31]

Автор: ИТ-ГРАД

Источник ^[32]