LITMIR.BIZ

Скачать книгу

ограничений и проблем. Один из их главных недостатков – непрозрачность работы. Если обычные МО-алгоритмы принимают решения на основе довольно понятных и интерпретируемых правил и признаков, то обученные нейросети являются типичным примером «черного ящика». Мы видим их впечатляющие результаты, но зачастую совершенно не понимаем, как они были получены, на что конкретно опиралась сеть в своем решении. Это порождает проблемы контроля, доверия, отладки таких систем.

      Другая трудность – зависимость качества обучения нейросети от объема и качества данных. Для достижения хороших результатов современным нейросетям нужны действительно гигантские дата-сеты, на несколько порядков больше, чем требовалось классическим МО-алгоритмам. А качество этих данных должно быть очень высоким, поскольку нейросети склонны улавливать и усиливать малейшие закономерности и шумы в обучающей выборке. Сбор, разметка, очистка таких данных – сложный и дорогостоящий процесс.

      Наконец, обученные нейросети недостаточно гибки и плохо обобщаются на данные, сильно отличающиеся от обучающих примеров. Если алгоритму распознавания котов показать картинку собаки, он с высокой вероятностью отнесет ее к котам, поскольку собак он никогда не видел. В то время как человек легко перенесет однажды выученный концепт «домашнего питомца» на новый объект. Пока нейросети не умеют учиться быстро и переносить знания между задачами, как это делаем мы.

      Впрочем, стремительный прогресс глубокого обучения не останавливается ни на минуту, и многие из этих ограничений постепенно преодолеваются. Разрабатываются подходы для создания более прозрачных и объяснимых нейросетей, алгоритмы переноса обучения и мета-обучения, техники работы с малыми и несбалансированными выборками. Недавние прорывы в обучении огромных языковых моделей на гигантских массивах текстовых данных привели к неожиданной реакции – появлению у них свойств и способностей (таких как здравый смысл, логический вывод, объяснение своих действий), которым их никто явно не обучал. Это уже очень близко к так называемому "сильному" или "общему" ИИ (Artificial General Intelligence, AGI) – то есть интеллекту, по гибкости и универсальности сравнимому с человеческим. Многие исследователи считают, что глубокое обучение в сочетании с идеями нейробиологии, когнитивистики, эволюционных вычислений и других смежных дисциплин – это путь, который в конечном итоге приведет к созданию AGI.

      "Мокрый код" и нейроморфные процессоры – на пути к искусственному мозгу

      Стоит упомянуть еще несколько перспективных и захватывающих направлений на стыке ИИ и нейронаук. Во-первых, это попытки объединить искусственные и биологические нейронные сети в единую систему – так называемые "гибридные" нейросети или "мокрый код". Идея в том, чтобы выращивать живые нейроны на микрочипах и заставлять их обмениваться сигналами с искусственными, кремниевыми нейронами. Ученые надеются, что такое "совмещение мозга и компьютера" позволит воспользоваться преимуществами обоих типов вычислительных систем: быстродействием и точностью электронных

Скачать книгу