Некоторые учёные считают, что примерно через двадцать лет около половины всех существующих рабочих мест будут заменены автоматизированными системами. И главным действующим лицом такого преобразования станет искусственный интеллект, способный обрабатывать огромные массивы информационных данных и заменить людей. Машины уже в состоянии выполнять многие процессы, которые до этого делал человек. И к тому же, они это могут делать быстрее, более качественно и часто даже с меньшими затратами. Всё больше фирм заменяют людей нейронными сетями, которые имеют огромные потенциальные возможности по оптимальному выполнению разных процессов.
Искусственный интеллект и нейронные сети
Нейронные сети по сути являются одним из возможных методов создания искусственного интеллекта. В проектировании искусственного интеллекта есть довольно большая область, получившая название машинное обучение. В ней изучаются способы выработки алгоритмов самообучения. Это всегда требуется тогда, когда нет однозначного и ясно просматриваемого решения конкретной проблемы. В таком случае лучше не пытаться найти оптимальное решение, а спроектировать машину, способную создать способ его нахождения. В некоторых работах специалистов встречается термин глубокое обучение. Это понятие по сути алгоритм обучения машины, которому требуются очень значительные вычислительные ресурсы. Как правило, под ним понимаются как раз нейронные сети.
Статья: Искусственный интеллект и нейронные сети
Схема нейронной сети
Нейронная сеть – это модель нервной системы человека, главным отличием которой считается возможность самообучаться, учитывая при этом опыт предыдущих действий. Это позволяет постоянно уменьшать число совершённых ошибок.
Аналогично нервной системе человека, нейронная сеть строится из набора элементов для вычислений, нейронов, которые располагаются в несколько слоёв. Информация, которая поступает на вход нейронной сети, последовательно обрабатывается каждым слоем сети. А каждый нейрон обладает некоторыми параметрами, которые меняются с учётом результата обработки. Это и есть процесс обучения нейронной сети. Например, нейронной сети поставлена задача различить собак и кошек. Чтобы настроить сеть, в неё закладывается база данных изображений собак и кошек, с нанесёнными подписями. Нейронная сеть производит анализ признаков на данных изображениях и выстраивает модель для опознания животных, которая позволяет свести к допустимому минимуму число ошибок по сравнению с эталонными результатами.
Краткая история нейронных сетей
Нейронные сети находятся на переднем крае общественного интереса не так давно, тем не менее являются достаточно старым алгоритмом машинного обучения. Ещё в 1943 году Уолтер Питтс и Уоррен Маккалок предложили первую версию формализованного нейрона, который и стал ячейкой сети нейронов. А первая нейронная сеть была спроектирована в 1958 году Фрэнком Розенблаттом. Эта сеть была достаточно проста, но она умела классифицировать изображения в двухмерном пространстве.
Первые успешные проекты вызвали пристальное внимание к нейронным сетям, но впоследствии иные методы машинного обучения оказались более эффективными и нейронные сети потеряли приоритет. Очередной всплеск внимания к ним случился в девяностые годы прошлого века, и затем опять была большая пауза до 2010 года. До этого времени просто не было информационной базы данных, объём которой позволил бы провести необходимое обучение нейронной сети для решения необходимых задач, преимущественно направленных на обработку видеоизображений. По этой причине нейронные сети допускали много ошибок (не отличали кошку от собаки, снимки больных и здоровых органов). А в 2010 году была создана база данных ImageNet, которая состояла из пятнадцати миллионов снимков в различных категориях.
Эта база была в разы больше по объёму, чем любая база изображений того времени, и к ней имели доступ все научные круги. Большие информационные объёмы нейронной сети позволили вырабатывать почти всегда достоверные решения.
Но была ещё одна большая проблема, которая мешала росту нейронных сетей, существовавшие тогда способы обучения были не достаточно эффективны. Помимо количества слоёв в нейронных сетях, этот фактор тоже играет важнейшую роль. Применявшийся до этого способ обратного шифрования был в состоянии правильно обучить последний слой нейронной сети. Эта проблема была решена в 2006 году сразу тремя независимыми коллективами специалистов:
- Джеффри Хинтон использовал так называемую машину Больцмана для предварительного обучения нейронной сети. При этом все слои обучались по очереди.
- Як ЛеКан предположил, что распознавать изображения можно с помощью свёрточных нейронных сетей.
- Иошуа Бенджио изобрёл систему автокодирования по принципу каскада, которая позволила использовать каждый слой углублённой нейронной сети.
Примеры использования нейронных сетей
Медицина. Группа учёных из Ноттингемского университета изобрела алгоритмы машинного обучения, которые позволяют оценить вероятность болезней сердца и сосудов у обследуемых людей. При обучении применялись информационные данные 378 тысяч обследованных граждан Великобритании. После обучения данная система искусственного интеллекта ставила диагнозы пациентам лучше, чем практикующие доктора.
Финансы. Фирма из Японии, занимающаяся страхованием, Fukoku Mutual Life Insurance подписала контракт с фирмой IBM, по которому тридцать четыре служащих японской фирмы будут заменены системой Watson Explorer AI. Нейронная сеть сможет обрабатывать многие тысячи медицинских сертификатов, суммировать количество раз пребывания в госпиталях, число операций, многие другие параметры, чтобы определить на каких условиях пациент может быть застрахован. Руководство японской компании считают, что применение разработки фирмы IBM, увеличит эффективность работы на тридцать процентов и срок её окупаемости составит два года.
