Может ли машинное обучение предсказать свое будущее?

N+1Hi-Tech

Гадание на датасетах

Может ли машинное обучение предсказать свое будущее?

Богдан Сиротич

Вы каждый день сталкиваетесь с машинным обучением и его работой. Вас удивляет, как быстро его учат новым навыкам и совершенствуют в старых. Но что если мы скажем, что все это достигнуто с помощью всего половины процента от имеющихся у человечества данных? Вместе с экспертами Яндекса рассказываем, как в ближайшие годы машинное обучение изменит мир вокруг нас.

N + 1 совместно с экспертами Яндекса, а также членами жюри и лауреатами научной премии им. Ильи Сегаловича представляет материал о ближайших и более дальних перспективах машинного обучения. В 2019 году Яндекс учредил премию имени Ильи Сегаловича в память о создателе первой версии поисковика «Яндекс» и популяризатора компьютерных наук. Это ежегодная премия для молодых исследователей в области машинного обучения, компьютерного зрения, информационного поиска и анализа данных, а также обработки естественного языка.

Если вы студент, аспирант или научный руководитель из России, Беларуси или Казахстана и работаете над подобными задачами, вам стоит рассказать о своих успехах и подать заявку на соискание премии. В этом году они будут приниматься до 1 марта включительно.

Здесь нет заголовка, но машинное обучение может его придумать

Машинное обучение есть почти в каждом гаджете, который нас окружает. С его помощью работают поисковики, агрегаторы такси, камеры, отслеживающие нарушения ПДД. Сейчас этим никого не удивишь. Но в последние годы машинное обучение стало важной частью медицинских и даже гуманитарных исследований.

В январе разработчики из OpenAI представили нейросеть DALL-E, способную создавать изображения по текстовому описанию. Это не первая подобная разработка, но очень интересная и разносторонняя. Пока рано говорить, что у нейросетей появилось воображение, но DALL-E способен рисовать предметы, руководствуясь даже очень абстрактным описанием, — например, «кресло в форме авокадо». Нейросеть также способна дорисовывать существующему изображению прямоугольную область с любой стороны, создавать реалистичные изображения по наброску и разбирается в том, как менялись вещи со временем. К примеру, DALL-E отличает деревянный телефон 1920-х годов от не таких старых домашних барабанных телефонов.

Подобная технология помогает создавать сцену по имеющемуся сценарию — то есть рисовать примерное изображение того действа, которое задумал сценарист. И этим использование машинного обучения в кино не ограничивается. По словам Игоря Куралёнка, члена жюри научной премии им. Ильи Сегаловича, руководителя подразделения AI & ML Yandex.Cloud, можно выполнять дубляж зарубежных фильмов, не используя голоса российских актеров, а при помощи машинного обучения «заставляя» иностранных исполнителей говорить по-русски.

Беспилотные автомобили, которые мы раньше могли видеть только в качестве первых прототипов на специальных полигонах, уже разъезжают по Москве, пока в тестовом режиме. И пускай эта технология еще не достигла полного развития, от нее можно ждать большого прогресса в ближайшем будущем. Другая интересная технология, в которой широко применяется машинное зрение, — магазины без продавцов. Несколько торговых сетей уже запустили пилотные проекты в Москве.

«Технологии глубокого обучения необходимы для обработки данных после сканирования трехмерного пространства — с помощью лидаров, сканеров структурированного света и других инструментов. Результаты применяются и при создании беспилотных авто, и в разработке приложений для мобильных устройств». Евгений Бурнаев, доцент Сколтеха, стал обладателем научной премии им. Ильи Сегаловича среди научных руководителей в 2020 году

Гораздо необычнее то, что сейчас машинное обучение помогает расшифровывать забытую письменность. До начала предыдущего столетия в Японии использовалась письменная система, называемая кузусидзи. Сейчас — спустя более века после реформы системы образования — почти не осталось людей, способных ее понимать. Чтобы решить проблему расшифровки древних текстов Национальный институт японской литературы опубликовал датасет кузусидзи, содержащий более 4 тысяч классов символов и миллион их разнообразных изображений. Чтобы извлечь максимум из имеющихся данных, на платформе Kaggle открыли соревнование, победитель которого достиг F1 = 0,950. Суть соревнования заключалась в распознавании письменности и ее переводе на современную японскую письменность.

Постепенно машинное обучение проникает и в медицину. Как утверждает Александр Крайнов, член совета научной премии им. Ильи Сегаловича и руководитель Лаборатории машинного интеллекта Яндекса, медицина — самое интересное место для внедрения машинного обучения, начиная от распознавания медицинских снимков и заканчивая постановкой диагноза, пусть не в качестве конечного вердикта, но в виде весомого совета для докторов.

Пока машинное обучение помогает врачам иначе. Например, в американском госпитале алгоритм на основе машинного обучения предсказывает заполняемость больницы, распределяет время врачей и медсестер и заказывает расходники.

«Машинное обучение применяется в медицине и в сложных задачах — таких, как модель AlphaFold2, предсказывающая структуру белков. И в более приземленных и доступных — например, при создании элайнеров (ортодонтических капп на зубы)». Лариса Маркеева, лауреат научной премии им. Ильи Сегаловича в 2020 году

Предупрежден, значит вооружен

Может показаться, что машинное обучение всесильно и сможет вскоре заменить человека в любой области. Это не так. Не во всех задачах сейчас можно прибегнуть к помощи машинного обучения. Порой собранных данных просто недостаточно для создания качественного алгоритма. Но, как подсказывает Игорь Куралёнок, возглавляющий подразделения AI & ML Yandex.Cloud, иногда выход все же есть — применение трансферного обучения (transfer learning).

Эта методика позволяет экстраполировать имеющиеся алгоритмы на более узкие проблемы. Подходящим примером является переобучение готовой языковой модели на перевод специфической малоизученной литературы. Возможны ли в этом случае ошибки? Скорее всего, да. Но не стоит забывать, что ошибки, человеческие они или машинные, — это естественная часть совершенствования технологии. И чем больше мы о них знаем, тем проще их обнаружить и исправить.

Но использование даже самых современных методик пока что не позволяет доверить машинному обучению задачи, сопряженные с высоким риском. Дэвид Талбот, руководитель отдела NLP Яндекса и член жюри научной премии им. Ильи Сегаловича, считает, что полностью доверить машинам такие задачи, как, например, операции на сердце или даже управление автомобилем, еще нельзя.

«Очевидно, что приход transfer learning в NLP (от англ. natural language processing — "обработка естественного языка") — очень важный прорыв, который чуть раньше произошел и в компьютерном зрении. Отдельно стоит отметить модели (например, DeBERTa — Decoding-enhanced BERT with Disentangled Attention), которые смогли превзойти человека в задачах понимания текста (на SuperGLUE benchmark). Но стоит обратить внимание и на другие важные работы в области. Использование баз и графов знаний (knowledge bases и knowledge graphs) совместно с языковыми моделями становится популярным и используется, например, в диалоговых системах или для генерации текста». Анастасия Янина, лауреат научной премии им. Ильи Сегаловича в 2020 году

Александр Крайнов из Лаборатории машинного интеллекта Яндекса считает, что нейросети технически несовершенны в сравнении с мозгом. Мозг способен выполнять самые разнообразные задачи, затрачивая несравнимо меньше энергии, чем нейросети. В том числе поэтому не стоит ждать, что в скором времени машина сможет воспроизвести работу человеческого мозга. В ближайшее время нейросети будут эффективны лишь в решении узких конкретных задач.

Авторизуйтесь, чтобы продолжить чтение. Это быстро и бесплатно.

Регистрируясь, я принимаю условия использования

Рекомендуемые статьи

Древняя ДНК указала на обмен генами между охотниками-собирателями Северной Африки и Европы Древняя ДНК указала на обмен генами между охотниками-собирателями Северной Африки и Европы

Население Восточного Магриба сохраняло преемственность от охотников-собирателей

N+1
На канарском острове Ла-Пальма нашли признаки активизации вулканизма На канарском острове Ла-Пальма нашли признаки активизации вулканизма

Слабые вертикальные смещения поверхности сообщают о движении магмы на глубине

N+1
Японцы сделали роборуку с человеческими мышцами Японцы сделали роборуку с человеческими мышцами

Японские инженеры разработали биогибридную руку с человеческими мышцами

N+1
Мы расстались, когда нам было по 14. Через двадцать лет мы снова вместе Мы расстались, когда нам было по 14. Через двадцать лет мы снова вместе

Наши герои, полюбив и расставшись подростками, встретились через двадцать лет

Psychologies
Иммунитет от хамства: как реагировать на грубость Иммунитет от хамства: как реагировать на грубость

Как защититься от хамства, не опускаясь до него?

Psychologies
Как сделать волосы густыми и мягкими: 7 советов для идеальной прически Как сделать волосы густыми и мягкими: 7 советов для идеальной прически

Шикарные волосы — это необязательно заслуга природы

Cosmopolitan
Я перестала делать из хорошего мужа «идеального отца» Я перестала делать из хорошего мужа «идеального отца»

Почему не нужно решать за мужа, каким он должен быть отцом

Psychologies
Магический реализм Магический реализм

Флоренс Уэлч, солистка Florence + the Machine, околдовала мир своим голосом

Glamour
«Рыцари справедливости» – фильм-притча, который притворяется боевиком «Рыцари справедливости» – фильм-притча, который притворяется боевиком

«Рыцари справедливости» доказывают, что жизнь – это хаос

GQ
Древнейший духовой инструмент из раковины протрубил впервые за 18000 лет Древнейший духовой инструмент из раковины протрубил впервые за 18000 лет

Палеолитический аналог рога изготовили и раскрасили люди мадленской культуры

N+1
Отрывок из книги Дэвида Дарлинга и Агниджо Банерджи «Эта странная математика» Отрывок из книги Дэвида Дарлинга и Агниджо Банерджи «Эта странная математика»

Парадокс и его магия

СНОБ
Зеркальные ядра продемонстрировали сильное нарушение симметрии Зеркальные ядра продемонстрировали сильное нарушение симметрии

Зеркальные ядра криптона и селена имеют нарушение симметрии

N+1
Размер ноги, длина пальцев и женская простата. Мифы и поверья вокруг секса Размер ноги, длина пальцев и женская простата. Мифы и поверья вокруг секса

Разбираемся в стереотипах вокруг секса

СНОБ
Учёные рассчитали, сколько шагов в день нужно проходить на самом деле Учёные рассчитали, сколько шагов в день нужно проходить на самом деле

Сколько шагов в день достаточно, чтобы снизить риск возникновения заболеваний

Inc.
«Если имеешь свою позицию, отстаивай ее до конца»: пять девушек из TikTok о том, почему они сняли ролики о протестах «Если имеешь свою позицию, отстаивай ее до конца»: пять девушек из TikTok о том, почему они сняли ролики о протестах

Блогеры TikTok рассказали, почему в России так долго ничего не меняется

Forbes
Узнай, кем станет твой ребенок, по игрушкам, в которые он играет Узнай, кем станет твой ребенок, по игрушкам, в которые он играет

То, с чем играет твой ребенок, может определить его судьбу

Maxim
Физики подтвердили полиморфизм льда и открыли лед-XIX Физики подтвердили полиморфизм льда и открыли лед-XIX

Физики нашли новую кристаллическую фазу воды при высоком давлении

N+1
Для карьеры и не только: как научиться красиво говорить Для карьеры и не только: как научиться красиво говорить

Как научиться говорить красиво и правильно

Cosmopolitan
«Я не смогла сопротивляться страсти»: Мария Максакова увела Вороненкова из семьи «Я не смогла сопротивляться страсти»: Мария Максакова увела Вороненкова из семьи

Мария Максакова рассказала о своем скандальном браке с Денисом Вороненковым

Cosmopolitan
Тянем-подтянем Тянем-подтянем

Чтобы помолодеть на 7 лет за одну процедуру, нужен SMAS-лифтинг

Лиза
Бриллиант высокой кухни Бриллиант высокой кухни

Трюфели — одни из самых изысканных деликатесов мировой кулинарии

Наука и жизнь
Не только аскорбинка: сколько форм у самого популярного витамина и зачем они нужны Не только аскорбинка: сколько форм у самого популярного витамина и зачем они нужны

Витамин С — это уже давно не только жевательная или шипучая таблетка из аптек

Популярная механика
С вами говорит телевизор С вами говорит телевизор

Татьяна Алешичева о сериале «Ванда/Вижен», умном супергеройском ситкоме

Weekend
Зачем Августин, Остап Бендер и HAL 9000 играли в шахматы Зачем Августин, Остап Бендер и HAL 9000 играли в шахматы

Краткая история шахмат в культуре

Weekend
Роман Балаян: «Не знаю, мое ли это призвание — режиссура, но мне она стала судьбой» Роман Балаян: «Не знаю, мое ли это призвание — режиссура, но мне она стала судьбой»

Режиссер Роман Балаян о съемках Алексея Германа и работе с Олегом Янковским

Караван историй
Менсплейнинг — зло: женщины поделились историями, когда мужчины с умным видом втирали им очевидное Менсплейнинг — зло: женщины поделились историями, когда мужчины с умным видом втирали им очевидное

Как мужчины поучают женщин, независимо от того, насколько они сами компетентны

Playboy
История одного здания: Дом Зингера в Петербурге История одного здания: Дом Зингера в Петербурге

Дом Зингера — одно из самых узнаваемых зданий на Невском проспекте

Культура.РФ
Мэтью Макконахи: «В восемнадцать меня избили до беспамятства, швырнули в автофургон и надругались» Мэтью Макконахи: «В восемнадцать меня избили до беспамятства, швырнули в автофургон и надругались»

Отрывок из мемуаров Мэтью Макконахи «Зеленый свет»

GQ
Пористый полимерный каркас позволил мышам эффективней нарастить мышечные клетки Пористый полимерный каркас позволил мышам эффективней нарастить мышечные клетки

Ученые предложили использовать пористый материал в тканевой инженерии

N+1
Читаем в феврале: 5 книжных новинок для любителей хорошей литературы Читаем в феврале: 5 книжных новинок для любителей хорошей литературы

Салли Руни, Алексей Поляринов и другие книжные новинки в этой подборке

Psychologies
Открыть в приложении