Нейронні мережі як інструмент творчих галузей

Размещено на http://www.allbest.ru/

Нейронні мережі як інструмент творчих галузей

Лановський Даніїл, магістр Національної академії керівних кадрів культури і мистецтв

Нейронні мережі - це технології на основі штучного інтелекту, які зустрічаються в різноманітних галузях і з кожним роком стають все доступнішими для звичайних користувачів. Недосвідчена людина може просто не помічати їх результат роботи, проте результат роботи нейронних мереж зустрічається в повсякденному житті. Наприклад, робота різних інтернет перекладачів частково базується на роботі нейромереж. Так, перекладач Google використовує методику "глибинного навчання" коли система запам'ятовує і засвоює нову інформацію. У банківських системах, в фондових ринках, розпізнаванні усної мови на смартфонах та ще багато де використовуються функції нейронних мереж. Далі піде мова про створення, розвиток, класифікації нейромереж.

Початок розвитку починається ще з 1944 року, коли були запропоновані нові функції розвитку штучного інтелекту двома дослідниками Чиказького університету Уорреном Маккалоу та Волтером Піттсом. Потім, у 1952 році, вони переїхали до Массачусетського технологічного інституту і стали засновниками відділу когнітивної науки. Нейронні мережі були основою досліджень у сферах нейронауки та інформатики до 1969 р., доки їх не перевершили математики Марвін Мінскі та Сеймур Пейперт - через рік вони стануть співдиректорами нової лабораторії штучного інтелекту Массачусетського технологічного інституту. Дослідження нейронних мереж плавно корелювало свій занепад і відродження. Так, у 1980-х знову відродилось їх дослідження, а потім знову зійшли на нівець в першому десятилітті нового століття і повернулись у другому, через збільшення потужності графічних чіпів комп'ютерів [1]. Після невеликого екскурсу в історію можна перейти до самої суті нейронних мереж, а саме що вони з себе представляють і як саме працюють.

Нейронні мережі - це засіб машинного навчання, за якого комп'ютер вчиться виконувати певне завдання, аналізуючи навчальні приклади. Зазвичай, приклади заздалегідь позначаються вручну. Система розпізнавання об'єктів, наприклад, може отримати тисячі позначених зображень автомобілів, будинків, кавових чашок тощо, і вона знайде візуальні моделі в зображеннях, які послідовно корелюють з певними мітками.

За моделлю людського мозку, нейронна мережа складається з тисяч або навіть мільйонів простих вузлів обробки, які тісно пов'язані між собою. Більшість сучасних нейронних мереж організовано в шари вузлів, і вони є "прямими", тобто дані переміщуються через них лише в одному напрямі. Окремий вузол може бути з'єднаний з декількома вузлами на рівні під ним, з якого він отримує дані, і кількома вузлами на рівні над ним, до якого він надсилає дані. Кожному зі своїх вхідних з'єднань вузол призначає номер, відомий як "вага". Коли мережа активна, вузол отримує інший елемент даних - інше число - через кожне зі своїх з'єднань і множить його на відповідну вагу. Потім він додає отримані продукти разом, отримуючи єдине число. Якщо це число нижче порогового значення, вузол не передає дані на наступний рівень. Якщо число перевищує порогове значення, вузол "спрацьовує", що в сучасних нейронних мережах зазвичай означає надсилання числа - суми зважених вхідних даних - по всіх його вихідних з'єднаннях. нейронний мережа штучний інтелект

Коли нейронна мережа навчається, усі її ваги та пороги спочатку встановлюються на випадкові значення. Навчальні дані подаються на нижній рівень - вхідний рівень - і проходять через наступні шари, множаться та додаються складними способами, доки, нарешті, радикально перетворені не надходять на вихідний рівень. Під час навчання вагові коефіцієнти та порогові значення постійно коригуються, доки навчальні дані з однаковими мітками не отримають однакові результати. Також для подальшого розуміння певних термінів впровадили такі терміни як синапсис і нейрон в основах нейронних мереж.

Синапсис - одиниця, що виконує обчислення. Вона отримує дані з вхідного шару, виконуючи з нею прості обчислення, а потім передає наступному нейрону. У складі нейромережі є три види нейронів: вхідний, вихідний та прихований. В одношаровій структурі прихованих нейронів не буде. Також є одиниці, яких називають нейронами усунення та контекстними нейронами. Будь-який нейрон складається з двох типів даних: вхідних і вихідних. У першого шару вхідні дані дорівнюють вихідним. В інших випадках на вхід потрапляє сумарна інформація попередніх шарів, після чого вона нормалізується (всі значення, які випадають із необхідного діапазону, перетворюються за допомогою функції активації). Синапс - зв'язок між нейронами, причому кожен синапс має свою вагу. Завдяки цьому вхідні дані видозмінюються під час передачі. Під час обробки передана синопсисом інформація з великим показником ваги стане переважаючою.

В підсумку, на результат впливають не нейрони, а саме синапси, які дають сукупність ваги вхідних даних, адже самі нейрони завжди виконують абсолютно однакові обчислення. Виставлення ваги здійснюється у випадковому порядку. Нейронні мережі, описані Маккалоу та Піттсом у 1944 році, мали порогові значення та вагу, але вони не були організовані за шарами, і дослідники не вказали жодного механізму навчання. Маккалоу та Піттс показали, що нейронна мережа може, в принципі, обчислювати будь-яку функцію, яку може обчислювати цифровий комп'ютер. Результатом стала більше нейронаука, ніж інформатика: суть полягала в тому, щоб припустити, що людський мозок можна розглядати як обчислювальний пристрій.

Нейронні мережі продовжують залишатися цінним інструментом для нейронаукових досліджень. Наприклад, певні макети мережі або правила для налаштування ваг і порогів відтворюють спостережувані особливості людської нейроанатомії та пізнання, що свідчить про те, що вони фіксують дещо про те, як мозок обробляє інформацію [2]. Першу тренувальну нейронну мережу - "Персептрон", продемонстрував психолог Корнельського університету Френк Розенблатт у 1957 році. Конструкція Персептрона була багато в чому схожою на сучасну нейронну мережу, за винятком того, що вона мала лише один шар із регульованими вагами та пороговими значеннями, розташованими між входом і виходом.

Персептрони були активною сферою досліджень як у психології, так і в молодій дисципліні "Інформатика" до 1959 року, коли Мінські та Пейперт опублікували книгу під назвою "Персептрони", яка продемонструвала, що виконання певних досить поширених обчислень на персептронах буде непрактично трудомістким. Проте до 1980-х років дослідники розробили алгоритми для модифікації ваги і порогів нейронних мереж, які були достатньо ефективними для мереж з більш ніж одним рівнем, усуваючи багато обмежень, визначених Мінські та Пепертом. Поле досліджень нейромереж переживало ренесанс. Але в інтелектуальному плані нейронні мережі не достатньо задовольняли потреби. Достатнє навчання може змінити налаштування мережі настільки, що вона зможе класифікувати дані, але що означають ці налаштування? На які елементи зображення дивиться пристрій розпізнавання об'єктів і як він об'єднує їх у характерні візуальні підписи автомобілів, будинків і чашок для кави? Перегляд ваги окремих з'єднань не дасть відповіді на це запитання.

Останніми роками вчені-інформатики почали винаходити геніальні методи для виведення аналітичних стратегій, прийнятих нейронними мережами. Але в 1980 -х роках стратегії мереж були незрозумілими. Тож на рубежі століть нейронні мережі були витіснені опорними векторними машинами, альтернативним підходом до машинного навчання, який базується на дуже чистій та елегантній математиці [1]. На сьогодні нейромережі можуть використовуватися в самих різних площинах:

— розпізнавання образів (за цим напрямом працюють найбільш широко);

— передбачення наступного кроку (підвищує ефективність та якість торгівлі на тих же фондових ринках);

— класифікація вхідної інформації за параметрами (з цією роботою легко справляються кредитні роботи, здатні швидко прийняти рішення про схвалення або відмову з приводу кредиту, використовуючи для цього вхідні набори різноманітних параметрів);

— -створення унікального контенту, зображення, написання текстів, анімація зображення (підставляти маски, створенні на основі обличчя людей, або навіть із зображень, які мають риси обличчя на любий відеоряд з живими людьми), озвучення тексту різними голосами, розділення зображення, чи музики від вокалу. Більшість із них має відкритий код, що дозволяє кожному створювати свої особисті нейромережі для різноманітних задач. Все це можливо використовувати без знання мови програмування, як для розваг, так і для більш серйозних цілей в таких галузях, як кіно, відео ігри, дизайн, графічне мистецтво, музика. Це дозволяє створювати оригінальний контент, не маючи професійних навичок.

Нейронні мережі розвиваються як корисний інструмент, який в правильних руках може відкрити нові шляхи для створення різного роду контенту і облегшити звичайні механічні завдання для прискорення роботи в багатьох галузях. У багатьох творців виникає питання, чи не замінять їх нейронні мережі, проте вони далекі до ідеалу і їх недоліки занадто помітні для цього. Тому нейронні мережі слід сприймати, як помічника зі штучним інтелектом, задача якого допомагати, а не заміняти. Саме тому, це важливий напрям розвитку новітніх компьютерних технологій і штучного інтелекту.

Література

1. Explained: Neural networks Ballyhooed artificial-intelligence technique known as "deep learning" revives 70-year-old idea. URL: https://news.mit.edu/2017/explained-neural-networks-deep-learning-0414 (дата звернення: 16.10.2022)

2. Model sheds light on purpose of inhibitory neurons. URL: https://news.mit.edu/2017/model-sheds-light- purpose-inhibitory-neurons-0109 (дата звернення: 16.10.2022)

Размещено на Allbest.ru