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

На Марсе нашли протяженные прибрежные осадочные отложения древнего океана На Марсе нашли протяженные прибрежные осадочные отложения древнего океана

Хотя поверхность Марса сухая, многие особенности рельефа ― древние речные дельты

N+1
Ешьте на здоровье! Ешьте на здоровье!

Простые способы, которые помогут избавиться от наеденных за зиму килограммов

Добрые советы
Тела при нагревании расширяются, но не всегда Тела при нагревании расширяются, но не всегда

Что сдерживает тепловое расширение в уникальном сплаве из четырех элементов

ТехИнсайдер
Пудрить или нет? 6 мифов о пудре или что мы делаем не так – объяснит визажист Пудрить или нет? 6 мифов о пудре или что мы делаем не так – объяснит визажист

Пудра по праву считается королевой макияжа

Cosmopolitan
Ирландская загадочность, стиль и бездонные голубые глаза: 7 лучших фильмов с Киллианом Мерфи Ирландская загадочность, стиль и бездонные голубые глаза: 7 лучших фильмов с Киллианом Мерфи

Самые знаковые работы харизматичного актера Киллиана Мерфи

Psychologies
Открыта ранее неизвестная форма льда Открыта ранее неизвестная форма льда

Гигапаскали давления и чудовищный холод — вот что нужно для нового льда

Популярная механика
«Я не могу без тебя»: о чем говорит это послание? «Я не могу без тебя»: о чем говорит это послание?

Психиатр — о том, что такое расстройство сепараторной тревоги

Psychologies
Вас не слышно! Вас не слышно!

Заложенность в ухе может быть вызвана отитом или банальной серной пробкой

Лиза
Lil Uzi Vert теперь ходит с бриллиантом во лбу. Стоп, как он это сделал? Lil Uzi Vert теперь ходит с бриллиантом во лбу. Стоп, как он это сделал?

Как Lil Uzi Vert имплантировал 10-каратный бриллиант себе в лоб

GQ
Так и ослепнуть можно! Ошибки в макияже, которые вредят глазам, — мнение врача Так и ослепнуть можно! Ошибки в макияже, которые вредят глазам, — мнение врача

Макияж — неотъемлемая часть жизни современной женщины

Cosmopolitan
Персона Персона

О необычных запросах клиентов и репутации русских александритов

Robb Report
5 самых грозных двуручных мечей Средневековья 5 самых грозных двуручных мечей Средневековья

Самые популярные виды двуручных мечей

Популярная механика
Порнокороль и борец за свободу слова: история Ларри Флинта и журнала Hustler Порнокороль и борец за свободу слова: история Ларри Флинта и журнала Hustler

Как порножурнал Hustler влиял на политическую обстановку в штатах

Esquire
7 тревожных сигналов для пары, которые мы принимаем за норму 7 тревожных сигналов для пары, которые мы принимаем за норму

Паттерны, которые не приносят удовольствия и разрушают отношения

Psychologies
Бенедикт Камбербэтч: «Дети – лучший якорь в нашем плаванье» Бенедикт Камбербэтч: «Дети – лучший якорь в нашем плаванье»

Трудно поверить, но Бенедикт Камбербэтч считает себя личностью вполне заурядной

Psychologies
Открыта странная, ранее неизвестная форма магнетизма у двухмерных материалов Открыта странная, ранее неизвестная форма магнетизма у двухмерных материалов

Немного о двумерном мире наноразмерных материалов, таких как графен

Популярная механика
Кирилл и методы Кирилл и методы

Кирилл Истомин — о кино, интерьерах и профессии декоратора

AD
Квантовый эксперимент: реальность — вопрос личного выбора Квантовый эксперимент: реальность — вопрос личного выбора

Благодаря квантовой механике прошлое может определяться настоящим

Популярная механика
Эффективные упражнения на выносливость: описания, видео, советы Эффективные упражнения на выносливость: описания, видео, советы

С помощью каких несложных упражнений можно улучшить физическую форму?

РБК
Екатерина Донцова-Солягина: Растет ли качество онлайн-образования Екатерина Донцова-Солягина: Растет ли качество онлайн-образования

Как меняется онлайн-образование?

СНОБ
Ботан стал мачо: как изменились звезды сериала Ботан стал мачо: как изменились звезды сериала

Как сейчас выглядят звезды «Простых истин» и чем они занимаются

Cosmopolitan
10 самых эффективных масок для волос из обычных продуктов 10 самых эффективных масок для волос из обычных продуктов

10 самых эффективных масок, которые ты можешь сделать сама

Cosmopolitan
От шаровар к легинсам: в чем женщины занимались спортом раньше и в чем сейчас От шаровар к легинсам: в чем женщины занимались спортом раньше и в чем сейчас

Какой путь прошел женский спортивный костюм за историю своего существования?

Cosmopolitan
«Налоговый рай в сердце ЕС»: журналисты рассказали об активах связанных с госкомпаниями россиян в Европе «Налоговый рай в сердце ЕС»: журналисты рассказали об активах связанных с госкомпаниями россиян в Европе

Тысячи россиян владеют компаниями в Люксембурге с активами на триллионы евро

Forbes
5 способов усилить мотивацию для похудения (теперь у тебя точно получится) 5 способов усилить мотивацию для похудения (теперь у тебя точно получится)

Как получить мотивацию для похудения?

Playboy
Смертельный номер: несчастные случаи, произошедшие на съемках фильмов Смертельный номер: несчастные случаи, произошедшие на съемках фильмов

Фильмы, во время съемок которых произошли чудовищные трагедии

Cosmopolitan
Любовь живет четыре года Любовь живет четыре года

Анн-Софи Пайере раз в четыре года меняет жилье и с нуля создает новый интерьер

AD
Как обнаружить радиацию при помощи смартфона Как обнаружить радиацию при помощи смартфона

Насколько точны мобильные приложения, превращающие телефоны в дозиметры?

Популярная механика
Заложница собственного отца и жертва поп-культуры? Что мы узнали из документального фильма The New York Times о Бритни Спирс Заложница собственного отца и жертва поп-культуры? Что мы узнали из документального фильма The New York Times о Бритни Спирс

Как развивалась карьера Бритни Спирс почему она 13 лет не принимает решения сама

Esquire
Цифровой Левиафан: как политика влияет на развитие технологий Цифровой Левиафан: как политика влияет на развитие технологий

Почему проваливается российская цифровизация?

Forbes
Открыть в приложении