Kako neuronske mreže nadmašuju ljudsku inteligenciju

U posljednjih nekoliko godina umjetne neuronske mreže omogućile su istraživačima prilično velik skok prema točnosti softvera koji može interpretirati slike i druge sadržaje, a sada vidimo procvat u AI industriji. Da, još uvijek nismo ni blizu zapleta "Matrice". Za razliku od ljudskog mozga koji može raditi i obrađivati ​​više stvari istovremeno, danas se roboti moraju obučavati linearno, a znanstvenici se usredotočuju kako ih podučavati da vrlo brzo rade jednu stvar. Međutim, duboke neuronske mreže naučile su voziti automobile, tući AlphaGo prvake, slikati slike, ocjenjivati ​​web stranice i pomagati u znanstvenim otkrićima.

Prepoznavanje slike i objekta

Mreže kapsula, koje je izumio jedan od njegovih očeva, Geoffrey Hinton, gotovo su prepolovili najbolju dosadašnju stopu pogrešaka na testu koji izaziva softver da prepozna igračke iz različitih uglova.

Pomoću kapsula, malih snopova virtualnih neurona, AI sustav može analizirati objekt i njegov položaj u trodimenzionalnom prostoru. Korištenje povećane količine ovih kapsula tijekom različitih skeniranja omogućava sustavu da bolje identificira objekt, čak i ako je pogled drugačiji od onoga koji je analiziran prije. Uzmite najmoderniju mrežu i uvježbajte je na ImageNetu, najvećoj bazi podataka s označenim slikama i ona će moći klasificirati objekte bolje od doktorata. student Andrej Karpathy koji je na istom zadatku trenirao više od 100 sati.

Video igre

Googleov DeepMind koristi tehniku ​​dubokog učenja koja se naziva "Duboko ojačavanje učenja". Ova metoda je korištena za učenje računala za igranje Atari igre Breakout. Računalo nije bilo naučeno ili programirano na određeni način za igranje igre. Umjesto toga, prilikom gledanja rezultata dobio je kontrolu nad tipkovnicom, a cilj joj je bio povećati rezultat. Nakon dva sata igre, računalo je bilo stručnjak za igru. Nakon četiri sata igre, računalo je počelo razumjeti pravu strategiju i shvatilo je da je kopanje tunela kroz zid najučinkovitija tehnika za pobjedu u igri.

Zajednica Dubokog učenja sudjeluje u utrci da računala osvajaju ljude u gotovo bilo kojoj igri o kojoj razmišljate, uključujući: Space Invaders, Doom, Pong i World of Warcraft. U većini ovih igara Deep Learning mreže već nadmašuju iskusne igrače. Računala nisu bila programirana za igranje igara, već su samo igrala igre satima i naučila pravila sama.

Stvaranje i prepoznavanje glasa

Prošle godine Google je objavio WaveNet, a Baidu je objavio Deep Speech, obojica kao mreže Deep Learning koje mogu automatski generirati glas. Sustavi uče sami oponašati ljudske glasove i poboljšavaju se s vremenom. Kada dopuštate publici da ih pokuša razlikovati od stvarnog ljudskog govora, to je mnogo teže učiniti nego što to itko može zamisliti. Iako još nismo tamo što se tiče automatske generacije glasa, Duboko učenje daje nam korak bliže pružanju mogućnosti računalima da zaista govore kao što to čine ljudi.

Drugi primjer: duboka mreža koju su stvorili znanstvenici iz Oxforda i Google DeepMind, LipNet, postigla je 93% uspjeha u čitanju usana ljudi gdje prosječni čitač usana uspijeva tek 52% vremena.

Umjetnost i imitacija stila

Neuralna mreža može proučavati obrasce u potezima, bojama i sjenkama određenog umjetničkog djela. Odatle može prenijeti stil iz originalnog umjetničkog djela u novu sliku na temelju analize. Puno je novih kreativnih načina primjene ove tehnike na Internetu.

DeepArt.io stvara aplikacije koje koriste Dubinsko učenje kako bi naučili stotine različitih stilova koje možete primijeniti na svoje fotografije. Iako može izgledati poput filtra, zapravo se događa da neuronske mreže analiziraju stil primjera rada, nešto poput Van Gogha, i primjenjuju ga na fotografiju koju je korisnik učitao. AI tada rekonstruira fotografiju ispočetka.

Predviđanja

Skupina istraživača snimila je 50 milijuna slika s usluge Google Street View i istražila što s njima može učiniti Deep Learning mreža. Računalo je naučilo lokalizirati i prepoznavati automobile. Otkrio je više od 22 milijuna automobila, uključujući njihovu marku, model, tip karoserije i godinu. Ovaj je sustav mogao predvidjeti demografiju svakog područja prema šminci automobila. Također je mogao uspostaviti zanimljive veze na temelju frekvencije vozila, jedan primjer uključuje redove birača. Na temelju analize, ako je broj limuzina na koje je naišla tijekom 15 minuta vožnje kroz grad veći od broja kamiona, grad će vjerojatno glasati za demokrata tijekom sljedećih predsjedničkih izbora (šansa od 88%); u protivnom će vjerojatno glasati za republikanca (82%). "

Dizajn web stranica

Danas graditelji web stranica koriste dubinske mreže ili će ih koristiti u svom radu. UKit smo implementirali AI da u najkraćem vremenu nadogradimo stare web stranice izgrađene s različitih platformi na moderne.

Jedna od naših temeljnih tehnologija oponaša mišljenje prosječnog korisnika o izgledu web mjesta kako bi AI dala informacije je li dizajn web mjesta dobar ili loš.

Dakle, tvrtke marljivo rade na poboljšanju inteligencije neuronskih mreža, istovremeno pružajući usluge krajnjim korisnicima koji mogu koristiti AI i dubinsko učenje - a nove ideje i poboljšanja se pojavljuju. Pogledajte jednu od njih ovdje.