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

Шимпанзе заразились зевотой от головы андроида Шимпанзе заразились зевотой от головы андроида

Шимпанзе способны заразиться зевотой от зевающей головы человекоподобного робота

N+1
«Мозги и тело остаются здоровыми»: Хейли Бибер раскрыла секрет тонкой талии «Мозги и тело остаются здоровыми»: Хейли Бибер раскрыла секрет тонкой талии

Модель Хейли Бибер поделилась своими бьюти-лайфхаками

Cosmopolitan
VisionLabs внедрила систему распознавания дипфейков в банках четырех стран VisionLabs внедрила систему распознавания дипфейков в банках четырех стран

VisionLabs внедрил систему обнаружения дипфейков в банки России

Forbes
Бизнесмен Тихон Смыков вспоминает, как в России появились Nokia, Apple, Nike и LEGO Бизнесмен Тихон Смыков вспоминает, как в России появились Nokia, Apple, Nike и LEGO

Тихон Смыков о том, как отечественный рынок ретейла поднимался с колен

GQ
Утерянный 5000 лет назад: ученые воскресили древнейший в мире синтетический краситель. Зачем он нужен? Утерянный 5000 лет назад: ученые воскресили древнейший в мире синтетический краситель. Зачем он нужен?

Откуда взялся яркий, насыщенный синий цвет в Древнем Египте

Inc.
Война с ценами: как российские власти пытаются сломать рынок Война с ценами: как российские власти пытаются сломать рынок

Регулирование цен может нарушить инвестиционные циклы в отрасли

Forbes
Клатч у груди и вибратор в сумочке: что скрывала леди Диана — 6 тайн принцессы Клатч у груди и вибратор в сумочке: что скрывала леди Диана — 6 тайн принцессы

Вспоминаем самые странные привычки принцессы Дианы и раскрываем их тайный смысл

Cosmopolitan
Удалили навсегда! Кто из звезд избавился от родинок, чтобы не рисковать Удалили навсегда! Кто из звезд избавился от родинок, чтобы не рисковать

Эти знаменитости убрали свои природные "метки" по медицинским показаниям

Cosmopolitan
Храм будущей войны Храм будущей войны

Добраться до главного храма вооруженных сил в Кубинке непросто

Наука
Проще простого: 8 лайфхаков для уборки Проще простого: 8 лайфхаков для уборки

Полезные советы для тех, кто хочет тратить время на бесконечную работу по дому

Домашний Очаг
Как пить соджу: секреты употребления популярной корейской водки Как пить соджу: секреты употребления популярной корейской водки

Рассказ о традиционном корейском алкогольном напитке

Playboy
«Бывало, кожаной монетой…» «Бывало, кожаной монетой…»

Писатель и литературовед Алексей Биргер — о биографии поэта Николая Языкова

Наука
Находитесь в безвыходной ситуации? Медитация поможет найти решение Находитесь в безвыходной ситуации? Медитация поможет найти решение

Расставить приоритеты и понять, куда двигаться, помогут практики осознанности.

Psychologies
Парни поделились главными вещами, которым их научили отцы Парни поделились главными вещами, которым их научили отцы

Эти отцовские уроки запоминаются на всю жизнь

Playboy
Рожденный бежать Рожденный бежать

Способность человека к бегу на длинные дистанции

kiozk originals
Почему собаки едят сухой корм, и могут ли они перейти на «человеческую» пищу Почему собаки едят сухой корм, и могут ли они перейти на «человеческую» пищу

Веками собаки «подъедали» за человеком, почему теперь мы кормим их сухим кормом?

Популярная механика
Человек рожден пьющим Человек рожден пьющим

Человек разумный имеет мотивацию к потреблению этанола

Наука
15 лайфхаков для макияжа на каждый день 15 лайфхаков для макияжа на каждый день

Приемы, которые помогут сократить время, которое ты тратишь на утренний макияж

Cosmopolitan
Попутная нефтяная энергия Попутная нефтяная энергия

Чашкинская ГТЭС в Пермском крае будет перерабатывать попутный нефтяной газ

Наука
Как победить икоту: 14 проверенных способов Как победить икоту: 14 проверенных способов

Специалисты: из-за чего возникает икота и как с ней справиться?

РБК
Физики научились управлять движением магнитных вихрей Физики научились управлять движением магнитных вихрей

Сделан важный шаг на пути к полному управлению магнитными вихрями

Наука
Биоинженерный суставной хрящ синтезировал для себя лекарство в ответ на нагрузку Биоинженерный суставной хрящ синтезировал для себя лекарство в ответ на нагрузку

Cоздан биоинженерный суставной хрящ на основе свиных клеток

N+1
Актер + актриса: почему распадаются красивые звездные пары Актер + актриса: почему распадаются красивые звездные пары

Психологи: знаменитостям не чужды кризисы, через которые проходят пары

Cosmopolitan
Вместо «Секса в большом городе» и «Отчаянных домохозяек»: 10 женских сериалов Вместо «Секса в большом городе» и «Отчаянных домохозяек»: 10 женских сериалов

Лучшие сериалы о женщинах

Cosmopolitan
Зеркальные ядра продемонстрировали сильное нарушение симметрии Зеркальные ядра продемонстрировали сильное нарушение симметрии

Зеркальные ядра криптона и селена имеют нарушение симметрии

N+1
Государственный крой Государственный крой

Как идеи перестройки и вкусы одной женщины повлияли на стиль президента СССР

GQ
Рассказ Юрий Беккера «Не/праздничная история» Рассказ Юрий Беккера «Не/праздничная история»

Юрий Беккер написал рассказ о любви в Москве в наши дни

СНОБ
«Черт с ним, с закрытым рестораном, мне было жалко людей»: ресторатор Евгений Ничипурук о лубочной русской кухне и выживании в кризис «Черт с ним, с закрытым рестораном, мне было жалко людей»: ресторатор Евгений Ничипурук о лубочной русской кухне и выживании в кризис

Интервью с ресторатором Евгением Ничипуруком о том, как бизнес пережил кризис

Forbes
«И смех, и грех»: идет ли юмор на пользу сексу? «И смех, и грех»: идет ли юмор на пользу сексу?

Психолог: Как понять, уместен ли смех в интимных отношениях

Psychologies
Зеленое будущее: как цианобактерии помогут человечеству выживать на Марсе Зеленое будущее: как цианобактерии помогут человечеству выживать на Марсе

Цианобактерии могут успешно расти в условиях марсианской атмосферы

Популярная механика
Открыть в приложении