«Компьютеры нас уже поработили»

Сегодня о нейронных сетях говорят все. Подборка новостей только за последний месяц показывает, что нейросети научились отличать родинки от раковых опухолей, начали давать советы о любви и заставили улыбаться хмурых героев видеоигр. Задолго до этого они умели распознавать лица, обрабатывать фотографии, играть в го.

Профессор Александр Рогов всплеска популярности нейросетей не заметил: ученый занимается ими около двадцати лет. Недавно его аспиранты даже использовали технологию для идентификации лосей. Но начнем с основ.

Самолет и птица

— Нейросети — это технологии, позволяющие решить определенный тип задач. Появились они в сороковых годах прошлого века из попытки смоделировать работу человеческого мозга. Но нейронная сеть так же далека от мозга, как самолет — от птицы.

В 1957 году американский психолог Фрэнк Розенблатт предлагает модель восприятия информации под названием перцептрон. Последний был способен обучаться и мог решать довольно сложные задачи, например, проводить линейное разделение любых нелинейных множеств. Перцептрон считают одной из первых моделей нейросетей, а созданную на его основе ЭВМ «Марк-1» — первым в мире нейрокомпьютером.

Разработка нейросетей поначалу вызвала у определенной части научного сообщества эйфорию, говорит профессор Рогов. Математики верили, что с помощью новой технологии удастся решить практически любую задачу. Вскоре, однако, в развитии нейронных сетей обозначились объективные ограничения, и со временем эйфория сошла на нет.

Следующие несколько десятилетий технология постепенно, без революционных прорывов, развивалась. Сегодня нейросети используют не только профессионалы-математики, но и представители других научных дисциплин — биологи, физики, химики. Да что там, даже простые смертные могут установить на свой смартфон приложение, действующее благодаря нейронным сетям. Александр Рогов говорит, что это связано с появлением более удачных программ.

Как это работает?

Изначально нейросети задумывались как искусственная модель человеческого мозга, который, как известно, состоит из нервных клеток — нейронов. Каждый нейрон связан с несколькими соседними клетками специальными отростками — дендритами и аксонами. Аксон у нейрона один, он отвечает за передачу сигнала. Дендритов много, и они сигналы принимают.

Место, где соединяются (как правило) аксон одного нейрона и дендрит другого, называется синапсом. Сама передача сигнала происходит благодаря выделению веществ, называемых нейромедиаторами. В результате нервные клетки могут образовывать цепочки длиной в сотни метров. Так в очень сильно упрощенном виде выглядит работа человеческого (и не только человеческого) мозга.

Что-то подобное происходит и в искусственных нейросетях. Сеть представляет собой множество простых процессоров (аналоги нейронов), каждый из которых принимает некий сигнал и передает его дальше по цепочке. Вычислительная мощность отдельного процессора скромна, но вместе они способны решать довольно сложные задачи.

Схема простой нейросети. Внешние нейроны принимают сигнал и после обработки передают его на следующий слой. Каждый процессор первого слоя связан с несколькими процессорами следующего. Фото: 22century.ru

Современные нейросети состоят из нескольких слоев. В середине прошлого века на фоне эйфории ученые считали: чем больше слоев, тем более сложные задачи сможет решать нейронная сеть. Их количество постепенно увеличилось: в розенблаттовском перцептроне было три слоя, в современных сетях — в несколько раз больше. Соответственно, расширился и функционал.

Одно из главных свойств нейросети — обучаемость. Чтобы обучить нейросеть, ученые прогоняют через нее огромные потоки информации. Например, вам нужно получить нейронную сеть, распознающую человеческие лица. Для этого вы должны будете найти как можно больше изображений с лицами и без них и пропустить весь этот массив через нейроны. Методом проб и ошибок сеть научится распознавать лица и отделять их от ненужных изображений.

Проблема как раз в том, что объем данных, которые нужно пропустить через нейросеть, очень велик.

— Нейронная сеть на сегодня — очень громоздкая, тяжело настраиваемая система. И чем дальше, тем сложнее, — говорит Александр Рогов.

Сеть на лося

Неожиданный пример использования нейросетей — идентификация лосей на снимках, полученных с воздуха. Проблемой занимались аспиранты профессора Рогова.

Заказ поступил из Удмуртии: карельских ученых попросили автоматизировать распознавание парнокопытных на фотографиях. Снимков много, на каждом из них видно несколько лосей, которых легко спутать с камнями и деревьями. Ручной подсчет животных занимает слишком много времени.

Александр Рогов говорит, что к использованию нейросетей исследователи пришли не сразу: двигались от задачи к методу. В итоге выяснилось, что именно нейронные сети вкупе с несколькими другими алгоритмами справятся с распознаванием лучше всего.

В общей сложности решением проблемы аспиранты занимались два года. Обучали нейросети с помощью открытых баз данных, которые сейчас несложно найти в интернете. Была проблема с недостатком обучающих материалов: не хватало снимков лосей, сделанных с воздуха. Пришлось поворачивать имевшиеся в распоряжении силуэты на 180 градусов, чтобы нейросеть принимала их за новые изображения.

Настроенная петрозаводскими учеными нейросеть научилась вычислять лосей на огромном количестве снимков за несколько секунд. Задача решена.

Изображения лосей, полученные с воздуха

По словам профессора, такого рода работы могут принести немало пользы, в том числе военным. С другой стороны, финансируются эти исследования не слишком щедро. Вот и получается, что работами с привлечением нейросетей сейчас в университете никто не занимается.

— Если у нас снова появится задача, для решения которой подойдут нейросети, будем заниматься, — обещает математик.

Люди против машин

К тому, что нейросети со временем могут стать самостоятельными настолько, что решат восстать против создавшего их человека, профессор Рогов относится скептически. Хотя признает: что происходит внутри нейронной сети во время ее работы, точно никто не знает.

— Нейронная сеть выполняет совсем другие задачи. Вы на вход подаете информацию и получаете результат на выходе. Она ничем не руководит. Вот если к выходу подключить какие-то объекты и она начнет ими руководить, тогда можно говорить о каком-то роботе, использующем нейросеть. Но действовать будет робот, а не сама нейросеть.

Допустим, восставать нейросети не собираются. Но что будет, когда они станут умнее человека? Математик считает, что сначала нужно разобраться в понятиях. Что значит умнее? Большие массивы данных они и сейчас обрабатывают быстрее.

— Современные технологии не позволяют сделать из нейросети аналог мозга. У нас цепочка нейронов может достигать сотен метров, а здесь они очень короткие. Да и технология ограничена. Современные технологии позволяют решать многие задачи иногда лучше, чем человек. Но никогда нейросети не смогут получить тот функционал, который есть у человека.

По мнению профессора, опасаться стоит скорее общего развития технологий. Сегодня гаждеты знают о нас практически всё: они отслеживают наше перемещение, предлагают нам товары, показывают рекламу, учитывая местоположение.

— Возьмите тот же гугл — страшно становится от того, что он учитывает. Случайно залезли на какой-то сайт, а потом две недели вам присылают рекламу товаров. Дочь моя в свое время жаловалась: она ходила по торговому центру в Антверпене, подошла к какому-то магазину и увидела на экране смартфона его рекламу. Мы все под очень большим колпаком. Вот это более страшно, чем нейронные сети.

Интересный пример использования нейросетей — проект Quick, Draw. На запущенном компанией Google сайте пользователю предлагают за 20 секунд нарисовать какой угодно объект, а нейронная сеть должна угадать, что именно человек пытался изобразить. Тем самым разработчики убивают двух зайцев: и публику развлекают, и учат сеть распознавать объекты на простых рисунках.

Этого прекрасно нарисованного фламинго нейросеть умудрилась принять за лобстера

Что дальше?

Александр Рогов считает, что в ближайшее время исследователи нейронных сетей будут делать их всё более многослойными. Параллельно ученые постараются усовершенствовать настроечные параметры, которые позволят технологии решать свои задачи более быстро и точно. Насколько всё это увеличит производительность сетей, сейчас не скажет никто.

Неоднозначно ученый относится и к общему развитию технологий. С одной стороны, за последние годы человек существенно упростил себе жизнь, сделал ее гораздо более комфортной. С другой, с каждым годом растет наша зависимость от гаджетов. Математик опасается, что рано или поздно прогресс дойдет до того, что человечество перестанет эволюционировать.

— Компьютеры нас уже поработили. Вы забыли дома телефон — чувствуете себя беспомощным? Технологии развиваются быстро, приходят в наши дома. То, что десять лет назад казалось практически невозможным, уже стало нормой. Наверное, это хорошо. Только мне иногда хочется уехать на дачу, где нет телевизора и кругом — сплошной лес.