В конце января традиционный деловой завтрак Сбербанка в Давосе был посвящен технологии искусственный интеллект. На мероприятие прибыл человекоподобный робот София, которая приняла активное участие в разговоре. «Вы доказали, что человек и робот могут вести значимый и продуктивный диалог», – заявила София президенту Сбербанка Герману Грефу.
В свое время Греф пообещал не принимать на работу юристов, не умеющих взаимодействовать с нейронными сетями, и сократить количество уже работающих.
«Ведомости» опросили экспертов, которые рассказали, как устроены эти технологии и почему нейросети пока решают только точечные задачи.
О методах машинного обучения
«Некоторые думают, что можно буквально в подвале выращивать искусственный интеллект, и чем дольше он растет, тем лучше работает, – говорит руководитель службы компьютерного зрения и технологий искусственного интеллекта «Яндекса» Александр Крайнов. - Но на самом деле это набор методов машинного обучения и инструментов, позволяющих компьютеру решать задачи похожим образом на то, как это делает человек».
Ранний искусственный интеллект (ИИ) представлял собой набор правил, которые компьютер мог перебирать в поисках решения. В условиях нехватки данных такие системы применяются и поныне. Так, если ретейлер не обладает детальными данными о клиентах, он может формировать цены, отталкиваясь от правил – сезонности товара, цен конкурентов, расстояния между магазинами: это будет примером ИИ, - рассказывает директор по разработке и внедрению ПО компании «Инфосистемы джет» Владимир Молодых. - Но возможности такой системы будут ограничены заложенными правилами, и сбор дополнительных данных способен существенно повысить ее точность».
Так появились алгоритмы машинного обучения – подвид ИИ. Компьютеры работают по алгоритмам, написанным человеком, но если их писать слишком сложно, то можно дать компьютеру правильные и неправильные ответы, чтобы он сам написал алгоритм, который решит задачу.
Допустим, риэлтор хочет знать цену квартиры. Если отталкиваться лишь от площади и расстояния до метро, то вероятность ошибки велика, поскольку на самом деле факторов гораздо больше: этаж, наличие лифта, ремонт, парк поблизости. Рассчитать влияние каждого из них риэлтору не под силу, и тут возникает программист, вооруженный методами машинного обучения. Он задает алгоритму интересующие его признаки и примеры объявлений о продаже квартир. Алгоритм сам подбирает «вес» каждого из заданных параметров так, чтобы итоговая формула расчета учитывала их и с минимальной ошибкой определяла цену квартиры.
Это самый популярный метод машинного обучения в мире, и он применяется намного чаще нейросетей. Его применяют и в поисковых алгоритмах «Яндекса», и в кредитном скоринге в банках, и для создания решений целевого маркетинга. Так, X5 Retail Group осенью 2017 г. начала массово применять машинное обучение для создания индивидуальных предложений для участников программы лояльности «Перекрестка» и отметила, что подход сокращает затраты на коммуникацию с клиентом на 40%, а количество и ассортимент товаров в корзине покупателя повышает на 10–20% Этот показатель может увеличиться в 1,5–2 раза, если отправлять маркетинговые сообщения в момент выбора товаров в магазине.
О принципе работы нейросетей
Не всегда данные можно описать понятными для алгоритма параметрами - например, в случае с голосом, изображением и текстом. К ним применяют иные методы, которые называются искусственными нейронными сетями. Обучившись на массиве предварительных данных, они обретают способность самостоятельно подбирать для себя признаки правильного ответа. Например, «посмотрев» на десятки тысяч картинок зданий, людей, природные ландшафты, нейросеть учится опознавать их на изображениях.
Математические функции, получившие название нейронов, принимают информацию на вход, обрабатывают ее и передают дальше – другим нейронам или группам нейронов. Первые «смотрят» на фотоизображение и распознают лишь примитивные фигуры – наклоненные прямые, углы. Затем обработанная информация о примитивах поступает на вход следующего слоя нейронов, а затем еще одного и далее - так нейронная сеть делает последовательность выводов о том, что было ей показано на входе. Наклоненные прямые и углы на одном из следующих слоев превращаются в глаз, потом в лицо и в финале – в человека. Но нейронная сеть, будучи компьютерной программой, очевидно, не имеет никакого понятия о глазах, лицах и людях, для нее значительная часть признаков будет чем-то, что, в свою очередь, человек не сможет интерпретировать.
Разработчикам предстоит объяснять ей их с помощью заранее известных пар изображений и правильных ответов. Изначально все нейроны заполняются случайными коэффициентами, и им поступает на вход первая картинка. Итог сначала неверный. Но за счет того, что у нейросети есть правильный ответ и алгоритм обучения умеет варьировать коэффициенты в нейронах, за счет многократной обратной связи на каждом из слоев нейросеть учится распознаванию.
Продолжение следует
В свое время Греф пообещал не принимать на работу юристов, не умеющих взаимодействовать с нейронными сетями, и сократить количество уже работающих.
«Ведомости» опросили экспертов, которые рассказали, как устроены эти технологии и почему нейросети пока решают только точечные задачи.
О методах машинного обучения
«Некоторые думают, что можно буквально в подвале выращивать искусственный интеллект, и чем дольше он растет, тем лучше работает, – говорит руководитель службы компьютерного зрения и технологий искусственного интеллекта «Яндекса» Александр Крайнов. - Но на самом деле это набор методов машинного обучения и инструментов, позволяющих компьютеру решать задачи похожим образом на то, как это делает человек».
Ранний искусственный интеллект (ИИ) представлял собой набор правил, которые компьютер мог перебирать в поисках решения. В условиях нехватки данных такие системы применяются и поныне. Так, если ретейлер не обладает детальными данными о клиентах, он может формировать цены, отталкиваясь от правил – сезонности товара, цен конкурентов, расстояния между магазинами: это будет примером ИИ, - рассказывает директор по разработке и внедрению ПО компании «Инфосистемы джет» Владимир Молодых. - Но возможности такой системы будут ограничены заложенными правилами, и сбор дополнительных данных способен существенно повысить ее точность».
Так появились алгоритмы машинного обучения – подвид ИИ. Компьютеры работают по алгоритмам, написанным человеком, но если их писать слишком сложно, то можно дать компьютеру правильные и неправильные ответы, чтобы он сам написал алгоритм, который решит задачу.
Допустим, риэлтор хочет знать цену квартиры. Если отталкиваться лишь от площади и расстояния до метро, то вероятность ошибки велика, поскольку на самом деле факторов гораздо больше: этаж, наличие лифта, ремонт, парк поблизости. Рассчитать влияние каждого из них риэлтору не под силу, и тут возникает программист, вооруженный методами машинного обучения. Он задает алгоритму интересующие его признаки и примеры объявлений о продаже квартир. Алгоритм сам подбирает «вес» каждого из заданных параметров так, чтобы итоговая формула расчета учитывала их и с минимальной ошибкой определяла цену квартиры.
Это самый популярный метод машинного обучения в мире, и он применяется намного чаще нейросетей. Его применяют и в поисковых алгоритмах «Яндекса», и в кредитном скоринге в банках, и для создания решений целевого маркетинга. Так, X5 Retail Group осенью 2017 г. начала массово применять машинное обучение для создания индивидуальных предложений для участников программы лояльности «Перекрестка» и отметила, что подход сокращает затраты на коммуникацию с клиентом на 40%, а количество и ассортимент товаров в корзине покупателя повышает на 10–20% Этот показатель может увеличиться в 1,5–2 раза, если отправлять маркетинговые сообщения в момент выбора товаров в магазине.
О принципе работы нейросетей
Не всегда данные можно описать понятными для алгоритма параметрами - например, в случае с голосом, изображением и текстом. К ним применяют иные методы, которые называются искусственными нейронными сетями. Обучившись на массиве предварительных данных, они обретают способность самостоятельно подбирать для себя признаки правильного ответа. Например, «посмотрев» на десятки тысяч картинок зданий, людей, природные ландшафты, нейросеть учится опознавать их на изображениях.
Математические функции, получившие название нейронов, принимают информацию на вход, обрабатывают ее и передают дальше – другим нейронам или группам нейронов. Первые «смотрят» на фотоизображение и распознают лишь примитивные фигуры – наклоненные прямые, углы. Затем обработанная информация о примитивах поступает на вход следующего слоя нейронов, а затем еще одного и далее - так нейронная сеть делает последовательность выводов о том, что было ей показано на входе. Наклоненные прямые и углы на одном из следующих слоев превращаются в глаз, потом в лицо и в финале – в человека. Но нейронная сеть, будучи компьютерной программой, очевидно, не имеет никакого понятия о глазах, лицах и людях, для нее значительная часть признаков будет чем-то, что, в свою очередь, человек не сможет интерпретировать.
Разработчикам предстоит объяснять ей их с помощью заранее известных пар изображений и правильных ответов. Изначально все нейроны заполняются случайными коэффициентами, и им поступает на вход первая картинка. Итог сначала неверный. Но за счет того, что у нейросети есть правильный ответ и алгоритм обучения умеет варьировать коэффициенты в нейронах, за счет многократной обратной связи на каждом из слоев нейросеть учится распознаванию.
Продолжение следует
Vedomosti.ru
