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

Ученые утяжелили фекалии планктона минеральной пылью Ученые утяжелили фекалии планктона минеральной пылью

Минеральная пыль делает его фекалии планктона более плотными

N+1
Вкусные ловушки Вкусные ловушки

Избыток жиров и сахара бывает и в продуктах, на которые сразу и не подумаешь

Лиза
Велосипеды, ткацкие станки и кофемолки: что выпускали известные автомобильные бренды до машин Велосипеды, ткацкие станки и кофемолки: что выпускали известные автомобильные бренды до машин

С каких товаров начинали свой путь автомобильные гиганты?

ТехИнсайдер
Какую профессию выбрать: руководство для тех, кто еще не определился с призванием Какую профессию выбрать: руководство для тех, кто еще не определился с призванием

Присмотрись к нашим рекомендациям, если ты до сих пор недоволен своей работой

Playboy
Почему ученые до сих пор не могут предсказывать землетрясения Почему ученые до сих пор не могут предсказывать землетрясения

Почему землетрясения не поддаются прогнозированию?

ТехИнсайдер
Читаем свои руки: что такое хиромантия и как ее использовать в личных целях Читаем свои руки: что такое хиромантия и как ее использовать в личных целях

О чем нам могут рассказать наши ладони?

Cosmopolitan
Японцы понаблюдали за объедающими друг другу крылья самками и самцами азиатского таракана Японцы понаблюдали за объедающими друг другу крылья самками и самцами азиатского таракана

Ученые: после спаривания азиатские тараканы избавляют друг друга от крыльев

N+1
За триллион лет до Большого взрыва За триллион лет до Большого взрыва

У теории Большого взрыва есть сильный конкурент – циклическая теория

Популярная механика
Спать 8 часов недостаточно: доктор назвала 7 видов отдыха, которые мы игнорируем Спать 8 часов недостаточно: доктор назвала 7 видов отдыха, которые мы игнорируем

Чтобы восстановиться полностью, надо отдыхать по всем фронтам

Playboy
Кишечная палочка сделала мышей плохими матерями Кишечная палочка сделала мышей плохими матерями

Штамм кишечной палочки заставил мышей меньше ухаживать за потомством

N+1
Актеры, которые в жизни полностью противоположны своему экранному образу Актеры, которые в жизни полностью противоположны своему экранному образу

Какие в реальной жизни актеры, сыгравшие бабников, разгильдяев и алкоголиков?

Maxim
Беседа с художником Алексеем Беляевым-Гинтовтом о его нерукопожатности, евразийстве и участии в войне в Донбассе Беседа с художником Алексеем Беляевым-Гинтовтом о его нерукопожатности, евразийстве и участии в войне в Донбассе

Кто же такой Алексей Беляев-Гинтовт?

СНОБ
«Я пересадила брови»: всё, что ты хотела знать о «новых» бровях Марии Погребняк «Я пересадила брови»: всё, что ты хотела знать о «новых» бровях Марии Погребняк

Хирург – о процедуре пересадки бровей: как она проводится, кому можно делать

Cosmopolitan
Старшие и младшие Старшие и младшие

Как правильно воспитывать двух детей с большой разницей в возрасте?

Лиза
Синдром окончания пандемии: как заставить себя вернуться в офис после карантина Синдром окончания пандемии: как заставить себя вернуться в офис после карантина

Как вернуться в офис с удаленки, чтобы не было мучительно больно

Cosmopolitan
Считал Airbnb достойным соперником и ставил на лояльность: как Арне Соренсон сделал Marriott крупнейшей сетью отелей Считал Airbnb достойным соперником и ставил на лояльность: как Арне Соренсон сделал Marriott крупнейшей сетью отелей

Как Арне Соренсон превратил Marriott в самую крупную сеть гостиниц в мире

VC.RU
Новый Дикий Запад: как пользователи Clubhouse научились зарабатывать в соцсети Новый Дикий Запад: как пользователи Clubhouse научились зарабатывать в соцсети

Как в Clubhouse зарождается рекламный рынок и сколько зарабатывают прямо сейчас

Forbes
В центре французского города нашли римский особняк с мраморной мозаикой и системой отопления В центре французского города нашли римский особняк с мраморной мозаикой и системой отопления

Археологи обнаружили на юге Франции остатки двух римских городских усадеб

N+1
Снова как девочки! 8 причесок, которые молодят звезд после 35 Снова как девочки! 8 причесок, которые молодят звезд после 35

Мы собрали самые удачные прически голливудских знаменитостей

Cosmopolitan
Герои популярных мемов, которые умерли, а ты даже не знал об этом Герои популярных мемов, которые умерли, а ты даже не знал об этом

Суду по ним, на том свете действительно собирается отличная компания

Maxim
Каким получился фильм Ренаты Литвиновой «Северный ветер» Каким получился фильм Ренаты Литвиновой «Северный ветер»

Из чего сплетена история в фильме «Северный ветер»

РБК
...Бегом под парусом ...Бегом под парусом

Кубок «Америки» – 2021 и гонка бегущих яхт

Популярная механика
Кругом обман: йогурт не так полезен, как кажется Кругом обман: йогурт не так полезен, как кажется

Рассказываем, стоит ли верить в мифы о пользе йогуртов

Cosmopolitan
Пять самых известных политзаключенных Пять самых известных политзаключенных

Самые известные политзаключенные в истории

Maxim
От судьбы не уйти: 10 фильмов о неожиданной любви От судьбы не уйти: 10 фильмов о неожиданной любви

Фильмы о том, что любовь может случиться внезапно

Cosmopolitan
5 самых грозных двуручных мечей Средневековья 5 самых грозных двуручных мечей Средневековья

Самые популярные виды двуручных мечей

Популярная механика
Нетипичная свекровь Нетипичная свекровь

Она никак не может понять, почему сын на неё злится...

Лиза
Неаполь, похороны: отрывок из дебютного романа Элены Ферранте, впервые на русском языке Неаполь, похороны: отрывок из дебютного романа Элены Ферранте, впервые на русском языке

Фрагмент из романа «Любовь в тягость» Элены Ферранте

Forbes
Иностранка в Японии: ошибки, которые я совершала Иностранка в Японии: ошибки, которые я совершала

Наша героиня Елена уже семь лет живет и работает в Японии

Psychologies
10 способов укрепить ногти в домашних условиях 10 способов укрепить ногти в домашних условиях

Устрой своим ногтям SPA-курорт, не выходя из дома

Cosmopolitan
Открыть в приложении