Редактор BORDER 
Венкатеш Вайдьянатан
Когда кто-то произносит фразу «машинное обучение», вы понимаете, что это что-то очень крутое и явно связано с научной фантастикой. И вы будете очень удивлены, узнав, что сами обладаете основными знаниями о машинном обучении! Машинное обучение – это предмет, который основывается на двух науках – математике и информатике. Если вы знаете теорию вероятности, статистику и разбираетесь в линейной алгебре, то сможете понять концепцию машинного обучения. Теперь давайте разберемся, как это все работает.
Машинное обучение считается ветвью искусственного интеллекта, основная идея которого заключается в том, чтобы компьютер не просто использовал заранее написанный алгоритм, а сам обучился решению поставленной задачи.
(Photo Credit: Pixabay)
Задачи машинного обучения
Фундаментальная концепция машинного обучения состоит в том, что многое из того, что мы считаем интеллектом, основано на вычислении вероятности, а не на логике и рассуждениях. Это звучит странно и нелогично. Но подумайте о различных ситуациях в вашей жизни и попытайтесь проанализировать их.
Если вы хотите попасть из пункта А в пункт Б вы, подумаете о самом быстром маршруте. Когда вы играете в настольную игру, вы пытаетесь понять, какой ход приведет вас к победе. Рассмотрите любую такую ситуацию и вы увидите, что вероятность играет очень большую роль в процессе принятия решений и в задачах решаемых машинным обучением.
Так вот, если говорить о компьютерах, то мы знаем, что они созданы для различных вычислений. Еще в 1950-е годы ученые поняли, что при достаточном количестве данных цифровые компьютеры будут отлично справляться с оценкой вероятности. К сожалению, возможности компьютеров в то время не позволяли пионерам ИИ проводить необходимые исследования.
Машины тогда не обладали должной мощностью, поэтому такие новаторские идеи не могли быть проверены. Тем не менее, они были верны и позже легли в основу современного ИИ .
Нейронные сети глубокого обучения
Такие компании, как Google, Facebook и Amazon, используют машинное обучение для обработки всех данных, которые они могут получить от своих клиентов. Это необходимо, чтобы оптимизировать работу пользователей и учитывать их предпочтения.
Самый популярный способ машинного обучения, которым пользуются все эти компании – глубокое обучение. Этот метод основан на идеях Уоррена МакКаллоу, Уолтера Питтса и Фрэнка Розенблатта, которые они описали в 1950-х. Хотя современные нейронные сети гораздо сложнее, чем примитивные сети прошлых лет, основные принципы одинаковы. И они заключаются в следующем.
Лучший способ вычислить заданную вероятность – разбить задачу на небольшие части, оценку небольших кусочков информации, которые МакКаллоу и Питтс называли нейронами. Предположение МакКаллоу и Питтса заключалось в том, что, если группа таких нейронов будет соединена аналогично нейронам человеческого мозга, то мы сможем создавать различные модели для изучения широкого спектра вещей.
Как работает машинное обучение
Чтобы понять, как работают нейронные сети, возьмем за пример оценку изображения, на котором представлено лицо человека. Если взять для работы первичную нейронную сеть с глубоким обучением, то мы получим несколько тысяч узлов. Каждый из которых размещается в слое. Узлы первого слоя нейронной сети должны искать линии и кривые. Как только предварительный анализ проведен, второй слой нейронной сети будет искать более продвинутые формы, например, круги.
В третьем слое будет выполняться поиск по нескольким параметрам. Мы можем искать темный круг в светлом круге. Это поможет найти глаза. Когда мы достигаем нейронов последнего слоя, каждый из них уже может идентифицировать продвинутые формы. Основываясь на результатах, полученных на нем, можно делать вывод – изображено ли на картинке лицо.
(Photo Credit: Pixabay)
Применение машинного обучения
С тех пор, как были изобретены компьютеры, лингвисты и ученые занимающиеся информатикой, пытались научить их распознавать текст или речь. Метод, благодаря которому это стало возможным называется Обработкой естественного языка. За последние несколько десятилетий машинное обучение в значительной степени превзошло системы, основанные на правилах. Это стало возможным благодаря многим причинам — от использования метода опорных векторов и скрытых марковских моделей, до новейших способов глубокого обучения. Apple Siri, Amazon Alexa и Duplex Google в значительной степени полагаются на них, особенно в области распознавания речи или текста. Эти проекты являются самыми яркими примерами успеха в этой области.
Еще одна крупная область в машинном обучении – обработка изображений. Когда Розенблатт в 1958 году впервые начал применять свои нейронные сети, он работал с изображениями котов и собак. С тех пор исследователи ИИ просто одержимы этой темой. Из-за определенных причин большое время было потрачено на разработку алгоритмов, которые позволяли бы машине определять на изображении заданные формы, такие как ребра и многогранники.
На это уходило большое количество вычислительной мощности тех ранних компьютеров. Однако благодаря современному оборудованию в области компьютерного зрения сейчас преобладают методы глубокого обучения. Когда автомобиль Tesla работает в режиме автопилота, или когда новый микроскоп Google с функцией дополненной реальности обнаруживает рак в режиме реального времени, это происходит именно благодаря алгоритмам глубокого обучения.
(Photo Credit : Morio/Wikimedia Commons)
Последняя область, которую мы рассмотрим – Робототехника. Наш разум является мощнейшим инструментом. Главная причина почему это так – то, что мы не только можем познавать мир, но и взаимодействовать с ним. Тоже касается и роботов. Компьютеры, которые могут узнавать знаки и звуки – это одно. А вот умение определять объекты и взаимодействовать с ними – совершенно иное. И если распознавание изображений и речи сложно осуществить. То умение трогать и передвигать предметы – гораздо более сложная задача.
Таких навыков достичь очень тяжело. Несмотря на всю вычислительную мощность, компьютеры все еще не могут обеспечить выполнение простейших задач. Даже если нужно просто поднять рубашку с пола. Причина, по которой это вызывает сложности у робота, заключается в том, что это действие требует одновременного решения нескольких задач. Вам нужно понять, что рубашка — это рубашка. Нужно вычислить насколько она тяжелая, как распределена ее масса, и какое трение возникнет с ее поверхностью. Основываясь на этих предположениях, вам надо оценить, где нужно взять рубашку и какое усилие приложить в каждой точке захвата.
Задача усложняется, потому что форма рубашки и распределение массы изменятся, как только вы поднимите ее. Для человека эти действия просты и понятны. Он не сомневается и не обдумывает их. Но для компьютера неопределенность на каждом из этих шагов лишь усложняют задачу.
Каждый метод машинного обучения отличается один от другого. Но мы надеемся, что приведенные примеры показали вам насколько сильно эти процессы уже влияют на нашу жизнь и работу многих отраслей промышленности.
