Нейронные сети и искусственный интеллект

1.3 Персептрон

Перцептрон, или персептрон (от лат. perceptio -- восприятие;) -- математическая или компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Фрэнком Розенблаттом в 1957 году и реализованная в виде электронной машины «Марк-1» в 1960 году. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» -- первым в мире нейрокомпьютером. Несмотря на свою простоту, перцептрон способен обучаться и решать довольно сложные задачи. Основная математическая задача, с которой он справляется, -- это линейное разделение любых нелинейных множеств, так называемое обеспечение линейной сепарабельности.

Перцептрон состоит из трёх типов элементов, а именно: поступающие от сенсоров сигналы передаются ассоциативным элементам, а затем реагирующим элементам. Таким образом, перцептроны позволяют создать набор «ассоциаций» между входными стимулами и необходимой реакцией на выходе. В биологическом плане это соответствует преобразованию, например, зрительной информации в физиологический ответ от двигательных нейронов. Согласно современной терминологии, перцептроны могут быть классифицированы как искусственные нейронные сети:

1. с одним скрытым слоем;

2. с пороговой передаточной функцией;

3. с прямым распространением сигнала.

1.4 Когнитрон

Когнитромн -- искусственная нейронная сеть на основе принципа самоорганизации. Своей архитектурой когнитрон похож на строение зрительной коры, имеет иерархическую многослойную организацию, в которой нейроны между слоями связаны только локально. Обучается конкурентным обучением (без учителя). Каждый слой мозга реализует различные уровни обобщения; входной слой чувствителен к простым образам, таким, как линии, и их ориентации в определенных областях визуальной области, в то время как реакция других слоев является более сложной, абстрактной и независимой от позиции образа. Аналогичные функции реализованы в когнитроне путём моделирования организации зрительной коры.

1.5 Классификация нейронных сетей

Можно провести следующую классификацию нейронных сетей:

1.6 Характер обучения

Классификация нейронных сетей по характеру обучения делит их на:

Ш Нейронные сети, использующие обучение с учителем;

Ш Нейронные сети, использующие обучение без учителя.

Нейронные сети, использующие обучение с учителем. Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Обычно сеть обучается на некотором числе таких обучающих пар. Предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором. Далее веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку

Нейронные сети, использующие обучение без учителя. Обучение без учителя является намного более правдоподобной моделью обучения с точки зрения биологических корней искусственных нейронных сетей. Развитая Кохоненом и многими другими, она не нуждается в целевом векторе для выходов и, следовательно, не требует сравнения с предопределенными идеальными ответами. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векторы, т. е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные векторы в классы.

1.7 Настройка весов

Ш Сети с фиксированными связями - весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи;

Ш Сети с динамическими связями - для них в процессе обучения происходит настройка синаптических весов.

1.8 Тип входной информации

Ш Аналоговая - входная информация представлена в форме действительных чисел;

Ш Двоичная - вся входная информация в таких сетях представляется в виде нулей и единиц.

1.9 Применяемая модель нейронной сети

Сети прямого распространения - все связи направлены строго от входных нейронов к выходным. К таким сетям относятся, например: простейший персептрон (разработанный Розенблаттом) и многослойный персептрон.

Рекуррентные нейронные сети - сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя.

Радиально базисные функции - вид нейронной сети, имеющий скрытый слой из радиальных элементов и выходной слой из линейных элементов. Сети этого типа довольно компактны и быстро обучаются. Предложены в работах Broomhead and Lowe (1988) и Moody and Darkin (1989). Радиально базисная сеть обладает следующими особенностями: один скрытый слой, только нейроны скрытого слоя имеют нелинейную активационную функцию и синаптические веса входного и скрытого слоев равны единицы.

Самоорганизующиеся карты или Сети Кохонена - такой класс сетей, как правило, обучается без учителя и успешно применяется в задачах распознавания. Сети такого класса способны выявлять новизну во входных данных: если после обучения сеть встретится с набором данных, непохожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну. Сеть Кохонена имеет всего два слоя: входной и выходной, составленный из радиальных элементов.

1.10 Основные типы нейронных сетей

Хемоинформатика: Нейронные сети широко используются в химических и биохимических исследованиях. В настоящее время нейронные сети являются одним из самых распространенных методов хемоинформатики для поиска количественных соотношений структура-свойство, благодаря чему они активно используются как для прогнозирования физико-химических свойств и биологической активности химических соединений, так и для направленного дизайна химических соединений и материалов с заранее заданными свойствами, в том числе при разработке новых лекарственных препаратов.

Геологоразведка: анализ сейсмических данных, ассоциативные методики поиска полезных ископаемых, оценка ресурсов месторождений.

Глава 2. Искусственный интеллект в мобильных приложениях

2.1.1 N-Tech.Lab

В декабре 2015 года FaceN выиграл мировой чемпионат по распознаванию лиц The MegaFace, обойдя команду Google. Алгоритм N-Tech.Lab лучше остальных 100 команд выделил изображения одних и тех же людей в миллионной базе фотографий. В феврале этого года N-Tech.Lab запустила сервис Findface. Он с 70-процентной точностью находит профили человека «Вконтакте» по фотографии. Базовый функционал приложения доступен бесплатно, премиум-версия стоит от 149 до 459 рублей в месяц.

В апреле это приложение дважды обошло заголовки всех российских СМИ. Сначала питерский фотограф Егор Цветков прогремел проектом «Your Face Is Big Data». Он сфотографировал случайных попутчиков в метро и с помощью Findface нашел их профили в соцсетях. Это вызвало широкую общественную дискуссию о приватности в интернете.

2.1.2 VisionLabs

Александр Ханин, Иван Лаптев, Алексей Корничев и Алексей Нехаев зарегистрировали компанию в 2012 году. На старте они вложили в нее 3 млн рублей. VisionLabs разрабатывает технологии распознавания лиц для бизнеса (ритейла, финансового сектора, видеонаблюдения и безопасности). Они предлагают им свою платформу VisionLabs Luna и облачный сервис Face_Is. По данным компании, их продукты обрабатывают изображения в 200 раз быстрее конкурентов.

Сразу после создания стартап стал резидентом IT-кластера «Сколково». Инвестиций он пока не привлекал, зато получил 30 млн рублей грантов от Фонда Бортника, субсидию Минобрнауки и до 1 млн рублей от ФРИИ. По результатам теста Массачусетского университета VisionLabs вошла в тройку лучших мировых коммерческих систем по распознаванию лиц.

Сейчас продуктами VisionLabs пользуются 14 розничных банков России и СНГ. В прошлом году стартап запустил пилотные проекты в банках и аэропортах США и Юго-Восточной Азии, а в данный момент готовит пилоты для клиентов из ритейла и HoReCa. Среди технологических партнеров VisionLabs -- ABBYY, SAS, SAP, Intel.

2.1.3 Приложение Artisto

Mail.Ru Group разработала программу, которая с помощью нейросетей стилизует ролики под произведения известных художников

Впервые информация о приложении появилась на личной странице Анны Артамоновой -- вице-президента Mail.ru Group 29 июля 2016 года. На момент публикации сообщения, была доступна версия только для устройств работающих на Android. По словам Анны, разработка первой версии приложения заняла всего 8 дней. Позже, 31 июля приложение появилось в AppStore для бесплатного скачивания.

На момент выхода приложения и до настоящего момента, Artisto является единственным в мире мобильным приложением, обеспечивающим возможность художественной обработки видеороликов на основе алгоритмов нейронных сетей. Подобный функционал в ближайшее время обещают реализовать разработчики приложения Prisma.

Приложение быстро получило признание и начало активно использоваться как брендами (например, корейская автомобилестроительная компания Kia Motors), так и популярными певцами и музыкантами

Текущая версия Artisto,, предлагает 14 уникальных фильтров. Но если быть откровенным, то результат после их применения не вызывает особого восторга. Зато приложение радует быстродействием и своей простотой.

Приложение разработано за 8 дней поэтому имеет не малое количество багов и ошибок. Например

Программа определила Банан как лицо человека,

Заключение