Машинне навчання – основа сучасного штучного інтелекту

Штучний інтелект (ШІ) – термін, який використовують для всіх форм комп'ютерного інтелекту. Умовно цей термін можна застосувати до будь-якої системи, яка імітує характерні для людини процеси навчання і прийняття рішень у відповідь на вхідні дані. Цей термін може бути застосований до будь-якої системи, яка аналізує дані, розпізнає шаблони або розробляє стратегії. Поняття машинного навчання (МН) і глибинного навчання (ГН) більш точно описують сучасні інтелектуальні обчислювальні системи, а також проблеми розробників і користувачів, які вони можуть вирішувати.

Штучний інтелект дуже сильно змінює наше повсякденне життя. Сьогодні немає практично жодної галузі, в якій не використовується ШІ. Згадайте, як ви, використовуючи моноблок ПК або інший пристрій, грали в ігри проти комп'ютера – це теж приклад ШІ. Штучний інтелект здатний виконувати монотонну і ручну роботу набагато ефективніше ніж людина. Розумна відеоаналітика, персоналізовані послуги, інноваційні інтерфейси автомобілів – все це можливе завдяки штучному інтелекту.

Короткий екскурс для тих, хто не в темі:

• Нейронна мережа: комп'ютерна система, побудована за подобою мозку і нервової системи людини. Складається з різних комп'ютерних вузлів (кінцевих пристроїв у більшій мережі) і впорядкована у вигляді шарів.
• Глибока нейронна мережа: багатошарова нейронна мережа з великою кількістю прихованих шарів, яка може отримувати доступ до великих і більш складних наборів даних, ніж стандартні нейронні мережі.
• Навчання: процес коригування та налаштування, за допомогою якого алгоритм вчиться виконувати оцінку даних з більшою швидкістю і точністю. Навчання може бути контрольованим (з використанням вхідних даних від людини) або неконтрольованим (виконання точного самостійного коригування виключно на основі необроблених даних).
• Висновок: висновки на підставі нових даних і знань, накопичених в процесі навчання.
• Подання: автоматичне визначення властивостей або параметрів класифікації на основі необроблених даних, завдяки чому система може як навчатися, так і виконувати певні завдання.

Порівняння машинного навчання і глибинного навчання

Поняття машинного навчання (МН) застосовується до системи, яка може активно навчатися, а не пасивно отримувати інформацію для обробки. Така комп'ютерна система запрограмована реагувати на вхідні дані як людина. Для цього використовуються алгоритми аналізу даних для пошуку шаблонів і структур. Алгоритми МН розроблені таким чином, що їх продуктивність підвищується з часом завдяки отриманню все більшої кількості даних.

Щоб імітувати процес миттєвого розпізнавання, в алгоритмах машинного навчання використовуються нейронні мережі. Як і в процесі навчання людини, комп'ютерна нейронна мережа класифікує дані (наприклад, величезного сету фотографій) на підставі розпізнаних елементів в зображенні. При використанні «експертного» зворотного зв'язку від людини частка успішних спроб класифікації може рости з часом. Такий зворотний зв'язок допомагає системі навчатися і знаходити правильні рішення, відрізняючи їх від неправильних, що дозволяє підвищити точність результатів роботи алгоритмів.

• Нейронна мережа може визначити наступне:
• • Будь-яка форма є повторюваним елементом.
  • Перелік можливих форм.

• Потім алгоритм застосовує отримані знання до даних, виконуючи пошук заданих елементів і розбиваючи їх на категорії.

• З часом цей процес може вдосконалюватися завдяки зворотному зв'язку від людини. Це призводить до більш точного збору даних. Наприклад, якщо надійшов зворотний зв'язок від людини «у кожної форми є кілька варіантів», алгоритм може впорядкувати результати зазначеним нижче чином.

Цікавий факт: компанія Google наймала професійних фотографів і документалістів, щоб вони виконували роль експертів при навчанні алгоритму на основі нейронної мережі, що використовується в інтелектуальній камері Clips цієї компанії.

Глибинне навчання (ГН) – це підмножина машинного навчання, яке глибше вирішує завдання. Воно працює аналогічно тому, як людський мозок розпізнає і згадує інформацію, і цей процес виконується без отримання даних від «експертів». В алгоритмах ГН використовуються глибокі нейронні мережі, які отримують доступ до величезних сетів інформації, вивчають і аналізують їх. В результаті глибокі нейронні мережі приймають рішення на підставі переваг конкретного користувача.

• Глибока нейронна мережа шукає дані в величезних сетах інформації, наданих їй для аналізу.

• В процесі обробки цієї інформації глибока нейронна мережа розробляє нові параметри класифікації, наприклад перераховані нижче.

1. 1. У форм можуть бути різні кольори.
   2. У форм може бути різна товщина.
   3. Існує 1900 різних форм.

• Це призводить до того, що система починає видавати дуже точні результати, які з часом будуть ставати все точніші і точніші.

Основний фактор, який відрізняє глибоке навчання від машинного навчання – це наявність даних. Наприклад, для навчання системи Google Clips за допомогою машинного навчання були необхідні вхідні дані від професійних фотографів. В системі ГН для точного визначення властивостей експерти не потрібні. В процесі навчання алгоритм ГН навчається на даних, щоб підвищити точність своїх висновків. Нижче перераховані популярні приклади застосування ГН.

• Автономне керування автомобілем: поєднання докладних даних (карт, супутникових знімків дорожнього руху, повідомлень про погоду, накопичених відомостей про переваги користувача), вхідних даних про навколишнє середовище, що надходять від датчиків в режимі реального часу (олень на дорозі або автомобіль, який виїхав зі своєї смуги ), і обчислювальної потужності для прийняття рішень (зниження швидкості, поворот рульового колеса).
• Медицина: дослідження в області ракових захворювань, наприклад виявлення меланом на фотографіях.
• Смарт хоум: розумні динаміки, що використовують розумних особистих помічників і алгоритми розпізнавання голосу для розуміння унікальних голосових запитів користувачів та реакції на них.
• Розваги: аналіз великої бібліотеки фільмів і даних телепередач, накопичення відомостей про смаки та уподобання користувачів.
• Відвідування ресторанів: інтуїтивні рекомендації ресторанів на основі фізичного розташування користувачів, оглядів критиків, можливості бронювання столиків, заданих переваг і поведінки в минулому.

Внесок компанії AMD в машинне навчання

Для розумних додатків, які реагують подібно рефлексам людини, потрібні величезні обчислювальні потужності. Основний внесок компанії AMD в системи МН і ГН полягає в постачанні високопродуктивних обчислювальних рішень (центральних і графічних процесорів) з відкритою екосистемою для розробки ПЗ. Для додатків МН і ГН використовується комп'ютерне обладнання з найширшими можливостями обробки даних (швидкістю, місткістю) для одночасного керування складними наборами даних, які надходять в декількох вхідних потоках.

Наприклад, в сценарії автономного керування автомобілем від алгоритму ГН може вимагатися розпізнавати майбутню зміну кольорів світлофора із зеленого на жовтий, переміщення пішоходів поблизу автомобіля і воду на тротуарі, а також інші змінні, і виконувати основні операції з керування транспортним засобом. Алгоритмам автономного керування автомобілем необхідно постійно вдосконалюватися, щоб приймати складні рішення з достатньою швидкістю і високою точністю, а також забезпечувати безпеку пасажирів і оточуючих людей.

Продуктивність обладнання компанії AMD і пов'язаного з ним програмного забезпечення дає величезні переваги при розробці та тестуванні систем МН і ГН. Сьогодні за допомогою обчислювальної платформи, створеної з використанням технологій AMD (CPU AMD EPYCTM і GPU Radeon InstinctTM) можна розробляти і тестувати нові інтелектуальні додатки за лічені дні або тижні, а не за роки, як це було раніше.

З 2013 по 2017 рр. кількість патентів в області машинного навчання зросла на 34%. Попри те що в даний час в цій області ведеться велика робота, галузь як і раніше знаходиться в стадії активного розвитку. Основна мета полягає в розробці алгоритмів більш ефективного навчання машин за допомогою різних типів даних. Інтелектуальні системи з технологіями машинного навчання і глибокого навчання мають величезний потенціал і дозволяють імітувати процес зіставлення шаблонів та даних в людському мозку з високою швидкістю і точністю.

Глибоке навчання і машинне навчання – це складні процеси, які вимагають постійного залучення компетентних фахівців. Ці технології все ще мають величезний потенціал для розвитку, оскільки вони абсолютно не досконалі і не здатні надавати точні результати в деяких комплексних сферах. Компанія AMD, також як і Intel, постійно займається удосконаленням цих процесів, щоб збільшити користь і точність ГН і МН. Зовсім скоро ми побачимо, як досконалий штучний інтелект виконує настільки складні завдання, які не змогла б виконати жодна людина на землі.