Кому и зачем нужны нейронные сети, и какую могут приносить прибыль

Кому и зачем нужны нейронные сети, и какую могут приносить прибыль

Кому и зачем нужны нейронные сети, и какую могут приносить прибыль

Первая половина 2016 года ознаменовалась множеством разработок в сфере нейронных сетей. Демонстрацию своих алгоритмов производили Microsoft (ряд сервисов для распознавания изображений), Google (сеть-игрок в го AlphaGo), стартапы Prisma, MSQRD, и другие. Что представляют собой нейронные сети, какая в них необходимость и по какой причине они покорили планету именно в это время, а не годами раньше или позже, сколько денег можно на них заработать и кто входит в состав основных игроков рынка? Свои мнения по этому поводу выразили эксперты из Mail.Ru Group, «Яндекса», Microsoft и МФТИ.

Что представляют собой нейронные сети, и какие они могут решать задачи


Нейросети являются одним из направлений в разработке концепций искусственного интеллекта. Идея состоит в том, чтобы как можно точнее смоделировать деятельность нервной системы человека, а именно - её способности к исправлению ошибок и обучению. В этом заключается главная особенность каждой нейронной сети — она обладает способностью к самостоятельному обучению и может действовать, извлекая уроки из предыдущего опыта, совершенствуясь и с каждым разом уменьшая количество ошибок.

Нейронная сеть не только моделирует деятельность, но и равняется на структуру человеческой нервной системы. Такая сеть включает в себя большое количество индивидуальных вычислительных элементов («нейронов»). Преимущественно каждый «нейрон» можно отнести к определённому пласту сети. Входные данные поэтапно обрабатываются на всех пластах сети. Сеть оперирует параметрами каждого «нейрона», ей известен порядок деятельности всей системы. Она обладает способностью менять этот порядок исходя из результатов, которые были получены на предыдущем собрании входных данных.

Андрей Калинин, являющийся в Mail.Ru Group руководителем направления «Поиск Mail.ru», отмечает способность нейронных сетей к решению таких же задач, как и других алгоритмов обучения машин, разница состоит только в подходе к обучению.

Все задачи, решение которых по силам нейронным сетям, тем или иным образом связаны с обучением. К основным сферам применения нейронных сетей можно отнести:

- анализ данных,

- принятие решений,

- прогнозирование,

- оптимизацию,

- идентификацию образов.

Влад Шершульский, директор программ технологического сотрудничества Microsoft в России, отмечает, что в настоящий момент нейросети приобрели повсеместное использование. К примеру, многие большие интернет-сайты пользуются ими, чтобы реакцию на действия пользователей можно было привести в более естественный и полезный своей аудитории формат. Нейросети положены в основу большинства передовых методик идентификации и обработки картинок, а также идентификации и синтеза речи. Они применимы в некоторых системах навигации, как в промышленных роботах, так и в беспилотных автомобилях. Алгоритмы на базе нейросетей предохраняют информационные системы от нападок злоумышленников и способствуют выявлению незаконного контента в сети.

По мнению Влада Шершульского, в недалёкой перспективе (5-10 лет) нейронные сети приобретут ещё более широкое использование.

Представьте, к примеру, сельскохозяйственный комбайн, исполнительные устройства которого оснащены множеством видеокамер.

Он производит 5 тысяч фотографий в минуту каждого растения по траектории своего движения и, пользуясь нейросетью, анализирует — не сорняк ли это, не поражено ли оно вредителями или болезнью. В итоге каждое растение подвергается индивидуальной обработке. Фантастика? Уже не совсем. А лет через пять может стать нормой.

Михаил Бурцев - заведующий лабораторией нейросистем и глубокого обучения Центра живых систем МФТИ, приводит вероятную карту прогресса нейросетей на 2016-2018 годы:

- голосовые интерфейсы взаимодействия для интернета вещей;

- системы идентификации и классификации изображённых объектов;

- системы обнаружения неполадок (в том числе, прогнозирующие время технического обслуживания), кибер-физических угроз, аномалий;

- системы мониторинга качества предоставления услуг в колл-центрах;

- системы мониторинга и интеллектуальной безопасности;

- замена части обязанностей операторов колл-центров ботами;

- системы видеоаналитики;

- интеллектуальные, самообучающиеся системы руководства производственными процессами и механизмами (в том числе, робототехнические);

- самообучающиеся системы, повышающие качество управления материальными потоками или рационализирующие расположение объектов (в транспорте, на складах);

- возникновение персональных ассистентов или ботов-консультантов технической поддержки, по функциональности близких к человеку;

- возникновение систем универсального перевода «на лету» для персонального использования и конференций.

По мнению Григория Бакунова, директора по распространению технологий «Яндекса», в ближайшие пять лет основой для популяризации нейросетей станут способности таких систем к принятию разнообразных решений. Главное, что в настоящее время делают нейронные сети для людей, — избавляют их от излишних принятий решений. Так что появляется возможность использовать их практически всюду, где живыми людьми принимаются не слишком интеллектуальные решения. В последующие пять лет будет использоваться именно эта способность, использование которой сможет принятие решений человеком заменить работой простого автомата.

Почему именно сейчас нейронные сети приобрели такую популярность


Учёные разрабатывают искусственные нейронные сети более 70 лет. Реализацию первой попытки формализовать нейросеть относят к 1943 году. В то время два американских учёных Уолтер Питтс и Уоррен Мак-Каллок представили публикацию о логическом исчислении нервной активности и человеческих идей.

Однако, по словам Андрея Калинина из Mail.Ru Group до недавнего времени скорость функционирования нейросетей была слишком низкой для того, чтобы у них была возможность приобрести широкое распространение. По этой причине такие системы по большей части направлялись на исследования, связанные с компьютерным зрением, а в остальных сферах были задействованы другие алгоритмы машинного обучения.

Обучение нейронной сети является длительной и трудоёмкой частью процесса её разработки. Для приведения нейронной сети к способности корректного решения поставленных задач, необходимо «прогнать» её работу на десятках миллионов наборов входных данных. Собственно появлением разнообразных механизмов ускоренного обучения и объясняют распространение нейросетей Григорий Бакунов и Андрей Калинин.

Главное, что сейчас произошло, как сообщает Бакунов, это появились различные уловки, позволяющих производить нейронные сети, гораздо менее подверженные переобучению.

Во-первых, замечает Калинин, общий доступ открылся большому массиву размеченных изображений (ImageNet), на которых появилась возможность обучаться. Во-вторых, наличие современных видеокарт обеспечивает возможность обучения нейросетей в сотни раз быстрее и их использование. В-третьих, появились готовые, распознающие образы предобученные нейросети, на базе которых можно создавать свои приложения, не тратя силы на длительную подготовку нейронной сети к работе. Всё это, по словам Калинина, обеспечивает очень мощный прогресс нейронных сетей именно в сфере распознавания образов.

Каковы объёмы рынка нейронных сетей


Как утверждает Григорий Бакунов, директор по распространению технологий «Яндекса», величину рынка очень легко вычислить. Для этого берём любую сферу деятельности, в которой эксплуатируется низкоквалифицированный труд, — к примеру, работу операторов колл-центров — и просто отнимаем все людские ресурсы. Речь идет, по его словам, о многомиллиардном рынке даже в пределах отдельной страны. Можно легко понять, какое количество людей во всём мире задействовано на низкоквалифицированных работах. Так что, даже выражаясь очень абстрактно, скорей всего можно говорить о стомиллиардном рынке во всем мире.

Больше половины профессий, по некоторым оценкам, будет автоматизировано, отмечает Андрей Калинин из Mail.Ru Group. Это и составляет максимальный объём, на который сможет увеличиться рынок алгоритмов машинного обучения (и нейронных сетей в частности).

Следующим шагом в автоматизации любых действий и в разработке какого-либо программного обеспечения являются алгоритмы машинного обучения. Из этого следует, что рынок как минимум соответствует всему рынку программного обеспечения а, скорей всего, даже превосходит его, так как становится возможным изготовление новых интеллектуальных решений, недоступных старому программному обеспечению, продолжает Андрей Калинин, руководитель направления «Поиск Mail.ru» в Mail.Ru Group.

Зачем разработчики нейронных сетей производят для массового рынка мобильные приложения

За несколько последних месяцев рынок пополнился сразу на несколько ставших популярными развлекательных проектов, применяющих нейронные сети — это и российские приложения для обработки фотографий Prisma (в июне получил инвестиции от Mail.Ru Group), и Mlvch, и выкупленный социальной сетью Facebook популярный видеосервис MSQRD, и другие.

Что могут нейросети

Демонстрировали навыки своих нейронных сетей, следующие компании:

•        Яндекс. В мае командой был создан проект LikeMo.net для рисования в манере известных художников, в июне в приложение «Авто.ру» командой встроен сервис для распознавания автомашин на снимках; а также компания представила музыкальный альбом, записанный нейросетями;

•        Microsoft. Определяющий возраст человека на фотографии сервис HowOld, распознающий изображения на фотографиях и автоматически генерирующий подписи к ним проект CaptionBot; проект WhatDog, определяющий породу собаки по снимкам и так далее;

•        Google. в марте 2016 года корпорацией продано на аукционе 29 нарисованных нейросетями картин, сервис AlphaGo выиграл в го у чемпиона, и так далее.

Подобные развлекательные сервисы скорей всего производятся не для решения глобальных задач, ставку на которые ставят нейросети, а для демонстрации навыков нейронной сети и осуществления её обучения.

Характерной особенностью нашего поведения как биологического вида, по мнению Влада Шершульского из Microsoft, являются игры. С одной стороны, посредством игровых ситуаций можно смоделировать почти все типовые сценарии человеческого поведения, с другой стороны — и создатели игр и, в особенности, игроки могут вдоволь насладиться игровым процессом. Существует и аспект сугубо утилитарный. Разумно спроектированная игра не только приносит игрокам удовлетворение: она обучает в процессе игры нейросетевой алгоритм. Ведь нейросети, по его словам, как раз и базируются на обучении посредством примеров.

Григорий Бакунов из «Яндекса» утверждает, что это делается в первую очередь для того, чтобы продемонстрировать возможности технологии. На самом деле, другой причины, нет. Если говорить о Prisma, то ясно, с какой целью они это делали. Создатели разработали некоторый пайплайн, который обеспечивает их работу с картинками. Они избрали для себя достаточно простой способ создания стилизаций для демонстрации этой работы. Почему бы и нет? Это всего лишь демонстрация работы алгоритмов, высказывает он своё мнение.

Андрей Калинин из Mail.Ru Group придерживается другой точки зрения. Конечно, по мнению публики, это - эффектно. С другой стороны, Андрей сомневается, что развлекательные продукты не найдут применения в более полезных сферах жизнедеятельности. К примеру, весьма актуальной для целого ряда индустрий является задача по стилизации образов. Это и мультипликация, и компьютерные игры, и дизайн — и это лишь несколько примеров. Использование нейронных сетей в полной мере, по его мнению, может значительно оптимизировать стоимость и способы создания для них контента.

Основные игроки на рынке нейронных сетей


Как утверждает Андрей Калинин, большинство представленных на рынке нейросетей по большому счёту мало чем друг от друга отличаются. У всех примерно равнозначные технологии. Но использование нейросетей, по его словам, это удовольствие, позволить которое могут себе далеко не все. Для самостоятельного обучения нейронной сети и произведения на ней множества экспериментов необходимы парк машин, оснащённых дорогими видеокартами и большие обучающие множества. Разумеется, что у крупных компаний такие возможности есть, говорит он.

К числу основных игроков на рынке нейросетей Калинин причисляет Google с её подразделением Google DeepMind, создавшее сеть Google Brain и AlphaGo. Microsoft также в этой сфере имеет собственные разработки. Разработки ведутся лабораторией Microsoft Research. Кроме того занимаются созданием нейронных сетей в Facebook (подразделение Facebook AI Research), IBM, Baidu (Baidu Institute of Deep Learning) и другие. Технические университеты по всему миру также проводят множество разработок.

С какой целью разработчики создают мобильные приложения для массового рынка


Как отмечает Григорий Бакунов, директор по распространению технологий «Яндекса», интересные разработки в сфере нейронных сетей попадаются и среди стартапов. Можно, к примеру, упомянуть компанию ClarifAI. Это созданный выходцами из Google небольшой стартап. Сейчас, пожалуй, у них лучше всех в мире, получается, определять содержание картинки. Кроме того, к числу таких стартапов можно отнести и Prisma, и MSQRD и другие.

как нейросети помогают в создании мобильных приложений

Разработками в сфере нейронных сетей в России занимаются не только стартапы, но и крупные технологические компании, к примеру, холдинг Mail.Ru Group использует нейросети для того, чтобы обрабатывать и классифицировать тексты в «Поиске», а также для анализа изображений. Кроме того, компанией проводятся экспериментальные разработки, связанные с диалоговыми системами и ботами.

Разработкой собственных нейросетей занят в том числе и «Яндекс». Такие сети в основном уже используется при работе со звуком, с изображениями, однако команда Яндекса исследует их возможности и в других сферах. В настоящий момент много экспериментов ставится в использовании нейронных сетей в работе с текстом. Помимо этого, разработки производятся в университетах: в «Сколтехе», ВШЭ, МГУ, МФТИ, и других.

Источник: https://vc.ru/p/neural-networks

Поделиться
by Анна Моторная
Разделы:
Популярные статьи:

Footer