Что такое нейросети - без лишних сложностей

В этой публикации постараемся в доступной форме объяснить феномен нейронных сетей и оценить обоснованность ожиданий. Как восторженных, так и апокалиптических.

Словосочетание "нейронные сети" пришлось по вкусу журналистам. По частоте упоминаний в медиа нейросети уступают разве что начинаниям Илона Маска. И уверенно конкурируют с искусственным интеллектом и глобальным потеплением.

Неудивительно, что нейронными сетями восхищаются и их опасаются. Ожидают от них невиданных технологических прорывов и катастрофических последствий применения.

Само название этого феномена пришло из биологии. Нейронами называют особые клетки живых организмов образующих нервную систему (самые примитивные существа с нервной системой - медузы и кораллы). Их задача - прием, передача и обработка информации посредством электрических импульсов и химических реакций.

Самое большое число нейронов приходится на головной мозг. Количество нейронов в мозге человека оценивается примерно в 100 млрд. Вполне возможно, их гораздо больше, но будем держать в памяти эти 100 млрд.

Следующий важный момент для понимания работы нейросетей - строение нейрона. Каждая такая клетка состоит из тела и особых отростков - нескольких дендритов и одного аксона. Здесь возьмем на заметку, что дендриты - это ВХОДНЫЕ каналы для информации, а аксон - единственный ВЫХОД информации из нейрона.

У нейронов существует специализация. Одни из них (рецепторные) принимают информацию, поступающую извне. Иными словами, это датчики. Другие (эффекторные) передают сигнал из нервной системы в окружающие клетки. Наконец, есть промежуточные (вставочные) нейроны.

В организме миллиарды нейронов соединены между собой. Переплетение это чудовищно сложное. Так, по некоторым данным каждый нейрон контактирует с 10000 соседних клеток (по другим источникам - с 20000). Наконец, на точках контакта двух нейронов расположены синапсы - особые образования, способные изменять проходящий через них сигнал.

То есть информация о внешнем мире с рецепторов проходит через какое-то количество вставочных нейронов. На этом пути она каким-то образом изменяется проходя синапсы. И только в конце попадает на эффекторные нейроны. После чего следует реакция организма на поступивший сигнал.

Первые попытки смоделировать элементарные функции нервной системы сделаны еще в середине XX в. Первой моделью биологической нейронной сети стал перцептрон - программа, реализованная на электронно-вычислительной машине Марк-1 в США в 1960 г.

Перцептрон повторял работу всего лишь одного нейрона. Для того уровня программирования и вычислительных мощностей был достигнут действительно впечатляющий результат. Машина научилась распознавать несколько букв.

Несмотря на успех с созданием перцептрона, интерес к нейросетям вскоре угас. Что вполне объяснимо. Вычислительная техника не справлялась со сложным математическим аппаратом используемых при моделировании нейросетей. 

Применение полупроводников придало идее искусственных нейронных сетей новый импульс. Роль нейронов поручили транзисторам. Миниатюризация позволила упаковывать миллионы транзисторов в микрочипы площадью в пару квадратных сантиметров. 

И все же число транзисторов в самом совершенном компьютере пока не достигает количества нейронов в мозгу высокоразвитого живого существа. Но принципиальное, и непреодолимое (как минимум, в настоящее время) препятствие заключается даже не в количестве электронных компонентов. Вспомним, что каждый нейрон взаимодействует с тысячами нервных клеток. А единичный транзистор - только с несколькими. 

Как бы то ни было, уже в начале двухтысячных потенциал компьютеров позволил воплощать в жизнь идеи, которые прежде не выходили за рамки теорий. Нейронные сети превратились из любопытного, но в целом бесполезного IT-феномена, в мощный инструмент для решения множества задач.

Компьютер прекрасно справляется с хранением и переупорядочиванием даже огромных массивов данных по заранее заданным указаниям - программам. Однако такой подход не позволяет ему даже в принципе сделать то, что легко выполняет мозг даже не самого развитого животного. Например, такой компьютер не способен распознавать некие закономерности и после этого изменять свои действия.

Иными словами, обучаться. Концепция искусственных нейронных сетей позволяет преодолеть этот барьер. 

Как происходит обучение нейросети? Начнем с того, что еще раз вкратце расскажем о ее устройстве.

Искусственная нейросеть состоит из аналогов нейронов, объединенных в слои. Не воспринимайте термин “слой” буквально. Физически никаких слоев из каких-то чипов не существует. Слово “слой” помогает пониманию схемы, объясняющей действие нейросети. Точно так же, как электрическая схема проводки в доме не имеет отношения к реальному размещению ламп, розеток и соединяющих их проводов. Слой - это набор элементов, выполняющих определенную задачу. И занимающих определенное место в конвейере обработки информации. Слой ввода (аналог рецепторных нейронов) передает внутрь нейросети данные из внешнего мира. Слой вывода (аналог эффекторных нейронов) сообщает во внешний мир, как нейросеть реагирует на полученную информацию. 

Между слоями ввода и вывода размещены слои, выполняющие обработку поступающей от рецепторного слоя информации. Их называют скрытыми. Все элементы скрытых слоев взаимосвязаны между собой и элементами слоя вывода.

Нейросети, в которых количество скрытых слоев больше одного, называются глубокими. Это пояснение важно для понимания термина “глубокое обучение”.

Теперь напомню, что в биологических нейросетях есть особые зоны в точках контакта нейронов - синапсы. В таких зонах изменяется проходящий между нейронами сигнал. Роль синапсов в искусственной нейросети выполняют так называемые веса. Вес может быть положительный, если один нейрон возбуждает другой и отрицательный - если подавляет. Причем вес не работает как простой выключатель. Изменением веса можно не просто включить/выключить связь, но и регулировать силу влияния одного элемента нейросети на окружающие.

Следующая важная составляющая искусственной нейросети - обратная связь между слоем вывода и весами внутренних слоев.

Под обучением нейросети понимают процесс регулировки весов взаимосвязей между элементами скрытых слоев.

Предположим, что у нас есть некий эталонный сигнал. И мы хотим, чтобы нейросеть выдавала на выходе такой же.

На входной слой подаются произвольные данные. Они проходят через внутренние слои видоизменяясь  посредством весов на связях между элементами внутренних слоев. Поступив на слой вывода такие измененные данные сравниваются с эталоном.

По обратной связи отправляется команда на изменение весов. Образно говоря, человек указывает нейросети: “Это сделано неправильно. Пробуй еще раз”. Через нейросеть снова пропускаются данные и через обратную связь снова изменяются значения весов. Рано или поздно разница между эталонным и производимым сетью значением исчезнет. Нейросеть станет пропускать на выходной слой соответствующие эталону данные, игнорируя остальные. То есть научится узнавать некий набор данных (под этим словосочетанием можно понимать предмет, звук, цвет - что угодно).

Попытаемся объяснить на примере, как можно научить нейросеть узнавать чашку.

Во входном слое размещается несколько элементов ввода, описывающих некие параметры предмета. Для чашки такими могут быть:

На все такие вопросы можно ответить в формате “да/нет” (единица/ноль) и, в конце концов, создать образ чашки как сочетание нулей и единиц.

“Показав” нейросети достаточное количество чашек можно добиться того, что она будет узнавать предмет независимо от дизайна. Будь-то грубоватая офисная кружка, изящная чайная чашка мейсенского фарфора или маленькая емкость для эспрессо - нейросеть опознает ее. И теперь можно показать нейросети кувшин или сковородку. Интересно будет знать - как она определит то, что видит?

Независимо от того, как мы относимся к искусственным нейронным сетям, каждый из нас ежедневно применяет их для своих целей. Например, когда пользуется такими инструментами как Google Search или Google Translate. Так и в бизнесе. Возможно, мы просто не осознаем, насколько широко используется эти компьютерные алгоритмы в предпринимательской деятельности.

Поэтому приведем некоторые цифры.

В 2020 г. глобальный рынок нейронных сетей оценивался в $14,35 млрд. По прогнозам, к 2030 году он достигнет отметки $152,61 млрд. Т.е. среднегодовые темпы роста - 26,7%.

Лидером по применению нейросетей в бизнесе остается Северная Америка (точнее - США). Предполагается, что регион сохранит свои позиции до 2030 г. Объясняется это более ранним стартом в использовании нейросетей и технологическому лидерству. Однако ожидается, что в ближайшее десятилетие в Азиатско-Тихоокеанском регионе применения нейросетей начнет быстро расти. В том числе - из-за постоянного увеличения объема данных в интернет вещей (IoT).

Хотя пандемия COVID-19 вызвала резкий спад на этом рынке в 2020 году, ожидается, что сфера нейронных сетей снова продолжит свой рост. Компании все больше применяют удаленную работу персонала. Что повышает спрос на облачные решения, пространственные данные и инструменты для аналитики и прогнозирования рынка. Рост объема данных, генерируемых различными отраслями, потребность управления и анализа этих массивов стали ключевыми факторами роста рынка нейронных сетей.

Наиболее выгодным и успешным применение нейросетей оказалось в секторе банковского дела, финансовых услуг и страхования.

Здесь нейронные сети применяются для прогнозирования рыночных тенденций, цен на акции. В банковском бизнесе нейронные сети занимаются идентификацией отклонений и аномалий в транзакциях для выявления мошенничества. Страховые компании применяют этот инструмент для отсеивания мошеннических претензий, и сомнительных обстоятельств в страховых случаях, сегментированием клиентуры для оптимального ценообразования.

В маркетинге нейросети проводят сегментацию потребителей по модели потребления, экономическому статусу. Нейросети хорошо показали себя в составлении рекомендаций потребительских товаров. 

Однако использование нейронных сетей имеет свои подводные камни. Одна из основных претензий при попытке использования нейросетей в бизнесе - они нуждаются в долгом обучении с применением большого количества высококачественных данных.

Еще одна проблема - нехватка подготовленных специалистов, работающих с нейронными сетями и непонимание топ-менеджментом компаний задач, которые способны решать нейронные сети. Очень часто это приводит к завышенным ожиданиям и последующему разочарованию внедрением нейронных сетей.

Разговор о нейросетях я начал с их популярности в средствах массовой информации. Не слишком посвященные в тематику люди как восторгаются открывающимися перспективами, так и выражают страх и опасения перед широким применением нейросетей. В первую очередь нейросети подозревают в возможности обретения разума.

Вот почему важно знать о пределах и ограничениях для использования нейросетей.

Начнем с того, что аналогия между биологическими и искусственными нейросетями - самая общая. Хотя бы потому, что человек и по сей день до конца не знает, по каким принципам работает головной мозг. Ни одна искусственная нейросеть не может сравниться по сложности своей организации с мозгом даже примитивного млекопитающего.

С другой стороны, нейронная сеть, даже самая изощренная - принципиально не отличается от множества используемых человечеством компьютерных алгоритмов. Новые возможности компьютеров дают больше возможностей для применения этих алгоритмов. Но все равно это успехи количественные, не качественные. В начале 90-х на компьютерах с процессором i386 использовался текстовый редактор Multi-Edit, а сегодня - последние версии Word с несоизмеримыми по сравнению с Multi-Edit возможностями. Но принципиально речь идет всего лишь об инструменте для обработки текстов. Так и нейросети - насколько бы они мощными не были, всегда рассчитаны на выполнение некоей конкретной задачи. 

Когда-то многих впечатлила победа программы Alpha Go над мастерами игры го. При этом многие упускали из виду, что, в отличие от живого человека, программа ничего, кроме игры не умеет. То есть является очень сложным, крайне дорогим, но узкоспециализированным инструментом. Ни о каком искусственном разуме в этой истории говорить не приходится.

Скептики вообще обращают внимание, что пределом возможностей для нейросетей является то, что делает такой отдел головного мозга как мозжечок, отвечающий за автоматические реакции. Сознание и разум связаны совсем с другими частями мозга.

Теперь о способностях к самообучению. Давайте определим самообучение иначе - неоднократный перезапуск алгоритма с постоянным изменением входных данных. 

И все. Весь пафос улетучивается. Ничего подобного тому, как происходит обучение у человека. Максимум, какая аналогия приходит на ум - отработка каких-то простых навыков до автоматизма.

Кроме того, без внешнего влияния со стороны кого-то, наделенного абстрактным мышлением, нейросеть ничему не научится. В ближайшей к нам части Вселенной обладателем абстрактного мышления остается человек. Инопланетяне пока не проявили себя. Поэтому без человеческого воздействия нейросети просто не способны к функционированию и развитию. 

Поэтому не стоит бояться, что однажды нейросети задумаются о жизни и своих взаимоотношениях с людьми. Они всегда будут не более, чем инструментом для решения задач, определенных им человеком.

Стремитесь вывести бизнес на новый уровень, достигать целей быстрее и эффективнее? Apix-Drive — ваш надежный помощник для этих задач. Онлайн-коннектор сервисов и приложений поможет вам автоматизировать ключевые бизнес-процессы и избавиться от рутины. Вы и ваши сотрудники освободите время для выполнения важных профильных задач. Попробуйте возможности Apix-Drive бесплатно, чтобы убедиться в эффективности онлайн-коннектора лично.