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

Химики воспроизвели межзвездный синтез всех молекул цикла Кребса Химики воспроизвели межзвездный синтез всех молекул цикла Кребса

Химики в лаборатории синтезировали весь набор карбоновых кислот из цикла Кребса

N+1
Хотите воплотить свою мечту? Начинайте действовать прямо сейчас Хотите воплотить свою мечту? Начинайте действовать прямо сейчас

Как перестать откладывать свои мечты на потом?

Psychologies
Ученые превратили тараканов в киборгов, наделив их способностями для спасательных операций Ученые превратили тараканов в киборгов, наделив их способностями для спасательных операций

Тараканы-киборги — идеальные помощники для спасательных операций

Inc.
Картины маслом: шесть самых неловких ситуаций в жизни мужчины глазами художника Картины маслом: шесть самых неловких ситуаций в жизни мужчины глазами художника

Живопись и жизнь: неловкие ситуации в картинах

Maxim
Открывая космос Открывая космос

Путеводитель женщины-астронавта по миру миссий, чудес и перемен в космосе

kiozk originals
20 способов стать идеальным партнером 20 способов стать идеальным партнером

Как стать лучше в глазах любимого человека?

Psychologies
Фуху на островах южных морей Фуху на островах южных морей

Любой житель Британских островов скажет, что бокс придумали англичане

Вокруг света
Своя линия Своя линия

Учимся ухаживать за бровями, чтобы они лучше росли, были сильными и густыми

Лиза
Оптогенетический инструмент управления экспрессией белков in vivo применили для терапии диабета Оптогенетический инструмент управления экспрессией белков in vivo применили для терапии диабета

Ученые создали инструмент, который можно использовать для терапии диабета

N+1
Крупным планом: выясняем, за что любить, а за что ненавидеть новую Lada Niva Travel Крупным планом: выясняем, за что любить, а за что ненавидеть новую Lada Niva Travel

Теперь вместо “Шнивы” у нас Lada Niva Travel: уже не пирожок, но все еще Niva

Популярная механика
Кто был лучшим другом Александра Пушкина? Кто был лучшим другом Александра Пушкина?

Кого считают лучшим другом Пушкина?

Культура.РФ
Женщины эмансипированы, а равенства нет: социолог — о гендерной повестке в России Женщины эмансипированы, а равенства нет: социолог — о гендерной повестке в России

Социолог Анна Темкина — о том, что мешает женщинам делать карьеру

Forbes
Американские орнитологи опровергли эффект стола для пикников в Патагонии Американские орнитологи опровергли эффект стола для пикников в Патагонии

Редкие залетные птицы — не показатель присутствия новых видов

N+1
Беспощадные поиски правды: «Рыцари справедливости» — мощная трагикомедия с Мадсом Миккельсеном Беспощадные поиски правды: «Рыцари справедливости» — мощная трагикомедия с Мадсом Миккельсеном

«Рыцари справедливости» трагикомедия о бессмысленной и беспощадной мести

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
Как научиться высыпаться Как научиться высыпаться

Хочешь хорошо выспаться?

Maxim
Предчувствие весны Предчувствие весны

Элегантная квартира в Москве с поистине весенней атмосферой

SALON-Interior
Как позволить себе стать собой и изменить жизнь Как позволить себе стать собой и изменить жизнь

Как найти свое место в потоке жизни, как узнать, куда плыть?

Psychologies
«Если я не смогу победить, то хотя бы буду смелым»: как устроена спортивная благотворительность в России «Если я не смогу победить, то хотя бы буду смелым»: как устроена спортивная благотворительность в России

Кто развивает спортивно-социальные благотворительные проекты в России

Forbes
Спецотряд «Эльба»: первая атака немецких камикадзе Спецотряд «Эльба»: первая атака немецких камикадзе

Первая и последняя миссия немецкого спецотряда «Эльба»

Maxim
Самые странные обычаи и приметы разных профессий Самые странные обычаи и приметы разных профессий

Пожелание спокойной смены, «Таня», «беременный стул» и прочие суеверия

Maxim
В чертах лица латиноамериканцев обнаружили наследие денисовцев В чертах лица латиноамериканцев обнаружили наследие денисовцев

Ученые из 13 стран выявили у латиноамериканцев гены, связанные с чертами лица

N+1
Первое фото, первое селфи, — все пионеры фотографии в одном месте Первое фото, первое селфи, — все пионеры фотографии в одном месте

По этим самым старым в своем роде снимкам легко оценить прогресс фотографии

Maxim
Обычные фильмы от обычных режиссеров: Гордей Петрик о том, как в России, наконец, появилось жанровое кино Обычные фильмы от обычных режиссеров: Гордей Петрик о том, как в России, наконец, появилось жанровое кино

Нашему кино не хватает простых историй, рассказанных понятным киноязыком

СНОБ
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
Ночь в пограничном музее: виртуальная экскурсия по музею ФСБ Ночь в пограничном музее: виртуальная экскурсия по музею ФСБ

Нам удалось проникнуть в святая святых ФСБ!

Maxim
«Я верила вруну»: автор книги «Твоя идеальная семья» разводится со вторым мужем «Я верила вруну»: автор книги «Твоя идеальная семья» разводится со вторым мужем

Писательница и коуч Олеся Малинская по отношениям потерпела крах в личной жизни

Cosmopolitan
В морской плесени нашли вещество, защищающее от химических токсинов В морской плесени нашли вещество, защищающее от химических токсинов

Результаты исследования морского плесневого гриба Penicillium dimorphosporum

Популярная механика
Слизень из Австралии построил мостик из слизи и спустился по нему на землю Слизень из Австралии построил мостик из слизи и спустился по нему на землю

Слизня Lehmannia nyctelia застали за спуском по слизистому мостику

N+1
Редчайшие австралийские попугайчики вывели рекордное количество птенцов Редчайшие австралийские попугайчики вывели рекордное количество птенцов

Специалисты: редчайшие попугайчики вывели почти 90 птенцов

N+1
Открыть в приложении