„შენ მხოლოდ რობოტი ხარ, იმიტაცია. შეუძლია თუ არა რობოტს დაწეროს სიმფონია? - ინტერვიუ AI-ს შესახებ დიმიტრი სოშნიკოვთან, Microsoft-თან

თქვენ უბრალოდ რობოტი ხართ, ცხოვრების იმიტაცია- ეპიზოდი ფილმიდან "მე, რობოტი" უილ სმიტთან ერთად, რომლის კადრები პოპულარული მემ გახდა ინტერნეტში.

წარმოშობა

სამეცნიერო ფანტასტიკის ფილმი "მე რობოტი" გამოვიდა 2004 წელს. მთავარ როლში უილ სმიტი. ერთ ეპიზოდში სმიტის პერსონაჟი დელ სპუნერი დაკითხავს რობოტს სანის.

დელ: შენ უბრალოდ მანქანა ხარ, უბრალოდ ცხოვრების იმიტაცია. რობოტი დაწერს სიმფონიას? გადააქცევს თუ არა რობოტი ტილოს ხელოვნების შედევრად?

მზიანი: და შენ "მე, რობოტი"?

ეს ნაწყვეტი პირველად გავრცელდა ინტერნეტში მიკროკომის სახით. ვიღაცამ გადაიღო სკრინშოტები ფილმიდან და დაადო სუბტიტრები. თავად ეპიზოდი საკმაოდ სასაცილოა, რის გამოც ფორმატი ვირუსული გახდა. მოგვიანებით მათ გააკეთეს მემე, რომელშიც ან დიალოგში სიტყვები ან პერსონაჟების სახეები იყო ჩანაცვლებული.

მნიშვნელობა

"შენ უბრალოდ რობოტი ხარ, სიცოცხლის იმიტაცია" მემი გამოიყენება ხუმრობისთვის ხელოვნური ინტელექტის უპირატესობაზე ადამიანებზე, მაგალითად, ახალ ამბებში მომავალი ტექნოლოგიების შესახებ. ასეთი სურათები ხშირად გამოიყენება ხუმრობების საილუსტრაციოდ ადამიანის ნაკლოვანებებზე ან სტერეოტიპებზე, მათ შორის რასობრივზე.

ნიმუში

უილ სმიტი ყავას სვამს

კიდევ ერთი ეპიზოდი ფილმიდან "მე, რობოტი" მემად იქცა, თუმცა არც ისე პოპულარული. ეს ის მომენტია, როცა უილ სმიტის პერსონაჟი ყავას სვამს და სახეს აწითლდება, ალბათ უგემოვნობის გამო. შემდეგ ის აცემინებს და ამბობს: "ბოდიში, მე ვარ ალერგია სისულელეებზე". გმირის გრიმასის კადრი გახდა შაბლონი, რომელიც შეიძლება გამოყენებულ იქნას უკმაყოფილების ან ზიზღის გამოხატვისთვის.

გალერეა

ხელოვნური ინტელექტის სისტემების ელემენტების განვითარება აქტიურად ვითარდება და ხდება დღევანდელი ტრენდი და მხოლოდ ზარმაცი არ წერს ჭკვიან ბოტებს. სწორედ ამიტომ ვესაუბრეთ დიმიტრი შვარს სოშნიკოვს, ქვეყნის ერთ-ერთ საუკეთესო AI ექსპერტს. ის არის Microsoft-ის ტექნოლოგიების ევანგელისტი, წიგნების, სტატიებისა და გაკვეთილების ავტორი, ასევე მასწავლებლისა და სტუდენტის პროგრამის კოორდინატორი, ფუნქციონალური პროგრამირების, ნერვული ქსელების და ხელოვნური ინტელექტის სპეციალისტი.

- დიმიტრი, გთხოვ, გვითხარი ორიოდე სიტყვა შენზე და შენს საქმიანობაზე.

დიმიტრი სოშნიკოვი: როგორც Microsoft-ის ევანგელისტი, ყველაზე მეტად ვარ ჩართული პოპულარიზაციასა და განხორციელებაში თანამედროვე ტექნოლოგიებიკომპანიები, ახლა ეს ძირითადად ხელოვნურ ინტელექტთან დაკავშირებული ტექნოლოგიებია. ეს მოიცავს კონფერენციებზე გამოსვლას, სტუდენტებთან და მასწავლებლებთან მუშაობას, სტარტაპებს, ზოგჯერ ჰაკფესტებში მონაწილეობას და პროტოტიპული სისტემების დაპროგრამებას სხვადასხვა კომპანიის დეველოპერებთან. მე ასევე ვაკეთებ ფუნქციონალური პროგრამირებისა და F# ენის პოპულარიზაციას, ვასწავლი MIPT, HSE და MAI და ვამუშავებ ონლაინ კურსებს MVA და Coursera-სთვის.

ჩემი აზრით ნერვული ქსელებიდა ზოგადად ხელოვნური ინტელექტი ძალიან საინტერესო სფეროა, რომლის სწრაფმა განვითარებამ ბოლო წლებში უკვე შესაძლებელი გახადა მთელი რიგი პრობლემების გადაჭრა, რომლებიც აქამდე არ იყო გამოსავალი, მაგალითად, მაგალითად, ავტომატური გამოვლენაადამიანის ასაკი მისი ფოტოზე დაყრდნობით. და მომავალში კიდევ ბევრი საინტერესო შესაძლებლობა გვექნება.

ნერვული ქსელები - მოდა თუ ინსტრუმენტი?

დიმიტრი სოშნიკოვი: აქ რამდენიმე ფაქტორი წარმატებით გადაფარდა.
პირველი, ხელმისაწვდომი გამოთვლითი ძალა გახდა ხელმისაწვდომი. უფრო მეტიც, მათ დიდი როლი ითამაშეს ღრუბლოვანი სერვისები, რადგან ნერვული ქსელების გამოსათვლელ ინფრასტრუქტურაში ინვესტიციის ნაცვლად, ახლა შეგიძლიათ მისი დაქირავება მხოლოდ გამოთვლების ხანგრძლივობისთვის, შემდგომში უარს იტყვით დაქირავებაზე. გარდა ამისა, გრაფიკული პროცესორები, რომლებიც თავდაპირველად შეიქმნა კომპიუტერული გრაფიკა. აღმოჩნდა, რომ ისინი კარგად ერგებიან ხელოვნური ინტელექტის ამოცანებს.

მეორეც, ინტერნეტის წყალობით, გიგანტური რაოდენობის მონაცემების დაგროვება დაიწყო ბევრ სფეროში. განვიხილოთ, მაგალითად, ადრე ნახსენები ამოცანა ფოტოსურათიდან ადამიანის ასაკის ამოცნობა. ნერვული ქსელის გადასაჭრელად რამდენიმე ასეული ათასი მაგალითია საჭირო. ახლა თქვენ შეგიძლიათ აიღოთ ნებისმიერი სოციალური ქსელი, სადაც ადამიანები თავად აქვეყნებენ თავიანთ ფოტოებს და ანგარიშის ინფორმაციას (ასაკი) - და ჩვენ დაუყოვნებლივ ვიღებთ მონაცემებს ტრენინგისთვის.
მესამე, რა თქმა უნდა, გაჩნდა რამდენიმე საინტერესო კვლევა, მათ შორის ახალი ნერვული ქსელის არქიტექტურები, რომლებიც არსებული პრობლემების გადაჭრის საშუალებას იძლევა. მაგრამ ეს წერტილი ალბათ პირველი ორის შედეგია. როდესაც რესურსები და ტექნოლოგიები ხელმისაწვდომია, ტერიტორია ბუნებრივად იწყებს აქტიურ განვითარებას.

აქ გამოჩნდა ხელსაწყოების დიდი რაოდენობა, რომლებიც ამ ნერვული ქსელების გამოყენების საშუალებას იძლევა. თუ ადრე ხელოვნური ინტელექტის პრობლემების გადასაჭრელად უნდა გქონოდათ ბევრი ცოდნა და ბევრი პროგრამირება, ახლა არის სერვისები, რომლებიც შეგიძლიათ მიიღოთ და გამოიყენოთ.

ხელოვნური ინტელექტის თემა დღეს ძალიან პოპულარულია. რამდენად იმსახურებს ამ პოპულარობას? მართლაც ასეთი შთამბეჭდავია ტექნოლოგია თუ მოდის დიდი წვლილი? და განა ეს "მოდა" არ არის საზიანო განვითარებისთვის?

დიმიტრი სოშნიკოვი: ხელოვნური ინტელექტის სფეროში მართლაც არის დიდი წარმატებები, რომლებზეც ბევრს წერენ, ამიტომ ფრაზა „ხელოვნური ინტელექტი“ ფართოდ ისმის. ამის წყალობით ჩნდებიან ახალი დეველოპერები - ვიღაც მიდის და თავისთვის სწავლობს ახალ სფეროს, ე.ი. უფრო მეტი ადამიანია, ვისაც ესმის ეს სფერო. მეორეს მხრივ, ადამიანები უფრო ყურადღებით ეძებენ იმ ამოცანებს, სადაც ხელოვნური ინტელექტის ტექნოლოგიების გამოყენება შესაძლებელია. ამ თვალსაზრისით, ეს ყველაფერი, პრინციპში, კარგია, რადგან გვაქვს შანსი მოვახდინოთ ზოგიერთი სფეროს ავტომატიზაცია, რომელთა ავტომატიზაციაც აქამდე ვერ შეგვეძლო.

მაგალითად, ჩვენ შეგვიძლია მოვაგვაროთ შეკვეთების მიღების პრობლემა MacAuto-ს ფანჯარაში. ისინი ყოველთვის ცდილობენ ასეთი პრობლემების გადაწყვეტა უფრო იაფი გახადონ. მაგალითად, აშშ-ში ჯერ ამერიკელი იჯდა იქ, შემდეგ იყო მცდელობა აუთსორსინგისთვის, ხმის გადატანა ქვეყანაში, სადაც იაფფასიანი მუშახელი იყო (სადაც, ისევ ადამიანი ზის და წერს). ახლა კი კომპიუტერს შეუძლია ამის გაკეთება.

აქვთ თუ არა ბაზრის მონაწილეებს გაბერილი მოლოდინები? არის თუ არა პროგნოზები, რომლებიც, თქვენი აზრით, უახლოეს მომავალში ნამდვილად არ შესრულდება?

დიმიტრი სოშნიკოვი: რა თქმა უნდა, არსებობს. ჯერ ერთი, ხელოვნური ინტელექტის სფერო ცოტა რომანტიულია. საკმაოდ ბევრი ფილმია – მაგალითად, „მატრიცა“ ან „ტერმინატორი“ – სადაც რობოტები აჯანყდებიან და ყველაფერს აკონტროლებენ. აქედან გამომდინარე, არის ადამიანების გარკვეული რაოდენობა, რომლებიც იმედოვნებენ, რომ კიდევ 5 წელი გავა და კომპიუტერები დაიპყრობენ მსოფლიოს. ეს მოლოდინები, როგორც ჩანს, ჯერ კიდევ შორს არის რეალობისგან. დღესდღეობით, გამოსახულების ამოცნობასთან, მეტყველების ამოცნობასთან და მანქანათმცოდნესთან დაკავშირებული პრობლემების გარკვეული კლასის გადაწყვეტა ძალიან კარგად ავტომატიზირებულია. მაგრამ ჩვენ ჯერ კიდევ საკმაოდ დიდი გზა გვაქვს გასავლელი, სანამ გავიგოთ, როგორ მუშაობს ზოგადად ადამიანის აზროვნება. ამიტომ ისეთი ხელოვნური ინტელექტის შექმნამდე, რომელიც ადამიანივით იფიქრებს და იმუშავებს დაგროვილი ცოდნით, ჯერ კიდევ ბევრი სამუშაოა გასაკეთებელი. ჯერ არ არის ძალიან ნათელი, თუ როგორ უნდა გავაკეთოთ ეს.

- რაც შეეხება მოლოდინებს ფინანსური ინვესტიციების კუთხით, ვიდრე სამეცნიერო ფანტასტიკის სცენარების განხორციელებას?

დიმიტრი სოშნიკოვი: მეჩვენება, რომ ასეთი საუბრისთვის აუცილებელია ხელოვნური ინტელექტის თემის ცალკეულ კომპონენტებად დაყოფა, ვინაიდან ეს ძალიან ფართო სფეროა.

თუ გადავხედავთ კომპიუტერულ ხედვას, უკვე არის გასაოცარი მიღწევები, რომლებიც ახლა უკვე დანერგილია ბიზნესში, ზრდის მათ ეფექტურობას და მოაქვს ეკონომიკური სარგებელი. კომპიუტერული ხედვა უკვე ცნობს სურათებს ადამიანზე უკეთესი, რომ აღარაფერი ვთქვათ იმაზე, რომ მნიშვნელოვნად იაფია.

სხვა სფეროებში, როგორიცაა ბუნებრივი ენის გაგება და თვითნებურ თემებზე მსჯელობის უნარი, პროგრესი უფრო მოკრძალებული იყო.

- არის თუ არა ფაქტორები, რომლებიც, თქვენი აზრით, ხელს უშლის დარგის განვითარებას?

დიმიტრი სოშნიკოვი: მართალი გითხრათ, აშკარა ფაქტორებს ვერ ვხედავ. მე ვფიქრობ, რომ ეს არის ყველაზე სწრაფად მზარდი ტერიტორია ამჟამად.
თუმცა, მინდა აღვნიშნო, რომ ხელოვნური ინტელექტი არის სფერო, რომელიც ჯერ კიდევ მოითხოვს გარკვეულ კვალიფიკაციას. ამ მიმართულებით მუშაობა ცოტა უფრო რთულია, ვიდრე უბრალოდ პროგრამირების სწავლა. ადამიანი, რომელიც ამთავრებს სკოლას და არ იღებს უმაღლეს განათლებას, შესაძლოა, წარმატებით დაიწყოს მუშაობა სტანდარტების განვითარების სფეროში. ხელოვნური ინტელექტის პირობებში შესვლის ბარი უფრო მაღალია, თუმცა ის თანდათან იკლებს, მათ შორის ამ ინდუსტრიის მონაწილეთა ძალისხმევით. კერძოდ, ერთ-ერთი, რაზეც მაიკროსოფტი მუშაობს, არის ხელოვნური ინტელექტის ე.წ. ეს ნიშნავს, რომ ტექნოლოგია ხელმისაწვდომი გახადოს მომხმარებელთა რაც შეიძლება ფართო სეგმენტისთვის.

პრაქტიკაში ამ მიმართულებით მუშაობს არა მხოლოდ მაიკროსოფტი, არამედ მრავალი სხვა კომპანიაც, რომლებიც უზრუნველყოფენ, მაგალითად, ინტელექტუალური, შემეცნებითი პრობლემების გადაჭრის ინსტრუმენტებს მზა სერვისების სახით. მაგალითად, ფოტოსურათიდან ადამიანის სქესის, ასაკისა და განწყობის დადგენის სერვისები, შეგიძლიათ უბრალოდ დაურეკოთ მათ და მიიღოთ შედეგი. იგივე ეხება მანქანურ თარგმანს და ა.შ. როგორც DotNext 2017-ის მოხსენების ნაწილი, ჩვენ ვისაუბრებთ ამაზე: როგორ შეგიძლიათ, რომ არ გაიგოთ, როგორ მუშაობს ზუსტად, უბრალოდ გამოიყენოთ შედეგები.

A.NET იქნებ?

დიმიტრი სოშნიკოვი: ხელოვნური ინტელექტის მეთოდების დანერგვა შესაძლებელია ნებისმიერ ტექნოლოგიაზე. მიუხედავად ამისა, არსებობს გარკვეული ჩამოყალიბებული ეკოსისტემები მსგავსი ამოცანების გარშემო. მაგალითად, Python და R და მათი თანმხლები ბიბლიოთეკები ძალიან პოპულარული ენებია მონაცემთა მეცნიერებს შორის. იმათ. აქ უკვე ბევრი საზოგადოებრივი სამუშაოა. ამ მოვლენების მხრივ, რა თქმა უნდა, .NET ოდნავ ჩამორჩება, ისევე როგორც სხვა მსგავსი პლატფორმები. თუმცა, .NET-ს უკვე აქვს ინსტრუმენტების გარკვეული ნაკრები, რაზეც მე ვისაუბრებ ჩემი ანგარიშის ფარგლებში.

ზოგადად, პლატფორმები ახლა გარკვეულწილად ინტეგრირებულია, მათ შორის ერთმანეთთან. იგივე R ენა ძალიან კარგად აერთიანებს F#-ს, რომელიც მშობლიურია .NET პლატფორმაზე. შესაბამისად, თუ ჩვენ გვჭირდება მანქანური სწავლების ინსტრუმენტების გამოყენება, ჩვენ შეგვიძლია გამოვიყენოთ ასეთი ჯაჭვი, R ენის შესაძლებლობებისა და ბიბლიოთეკების გამოყენებით, ეს იქნება საკმაოდ გამჭვირვალე და ადვილი შესასრულებელი.

ზოგადად, თუ კონკრეტულად ვსაუბრობთ ნერვულ ქსელებზე, მაიკროსოფტს აქვს შემეცნებითი ინსტრუმენტების ნაკრები, რომელიც საშუალებას გაძლევთ მოამზადოთ ნერვული ქსელები. და რადგან ის თავდაპირველად აშენდა Microsoft-ის ეკოსისტემაში, ის ძალიან კარგად მუშაობს .NET-თან.

- ეს ინსტრუმენტი გარკვეულწილად გამოირჩევა სხვა მწარმოებლების ანალოგებისგან?

დიმიტრი სოშნიკოვი: არსებითად, Cognitive Toolkit არის Microsoft-ის TensorFlow, Caffe და ა.შ. ჩარჩოების ანალოგი.

ყველა მათგანი, პრინციპში, ძალიან ჰგავს იდეოლოგიურად. მაგრამ Microsoft Cognitive Toolkit იყო პირველი, რომელმაც მხარი დაუჭირა ძალიან განაწილებულ სასწავლო გარემოს, სადაც შეგიძლიათ მოამზადოთ ნერვული ქსელი არა მხოლოდ ერთ GPU-ზე, არამედ რამდენიმეზე. GPU-ებიან თუნდაც მრავალ გრაფიკულ სადგურზე. იმათ. შეგიძლიათ გააკეთოთ ნერვული ქსელის სასწავლო ფერმა.

რამდენადაც მე ვიცი, Cognitive Toolkit აჯობა სხვა ჩარჩოებს სწავლის სიჩქარის თვალსაზრისით. გარდა ამისა, მისი გამოყენება ძალიან მოსახერხებელია. ჩარჩოების უმეტესობა გარკვეულწილად დაკავშირებულია პითონის ენადა Cognitive Toolkit-მა თავდაპირველად ოდნავ განსხვავებული გზა აიღო. თავდაპირველად შესაძლებელი იყო ნერვული ქსელის არქიტექტურის აღწერა სპეციალურ ენაზე, შემდეგ კი მისი მომზადება პითონში რაიმე მოდელის აგების გარეშე. ცოტა უფრო ადვილი იყო. ამჟამად Cognitive Toolkit მხარს უჭერს ორივე ვარიანტს, ე.ი. არის საკმაოდ მოქნილი.

- ალბათ, არის მომენტები, როცა შემეცნებითი ინსტრუმენტარიუმი ჩამოუვარდება ანალოგებს?

დიმიტრი სოშნიკოვი: ზოგადად, ასეთი ჩარჩოები დაბალი დონის ხელსაწყოებია, რომლებზედაც შესაძლებელია თვითნებური ნერვული ქსელების მომზადება. მისი ანალოგების მსგავსად, შემეცნებითი ინსტრუმენტების ნაკრები მხარს უჭერს გარკვეულ საბაზისო დონეს, რომლის თავზე შეგიძლიათ შექმნათ თვითნებური სირთულის ქსელების არქიტექტურა. მაშასადამე, სხვადასხვა ხელსაწყოებით ამოხსნილი ამოცანების დიაპაზონი დაახლოებით იგივეა.

ჩარჩოს არჩევანი დიდწილად განისაზღვრება ზოგიერთი პირადი შეღავათებით და საცნობარო მასალების ხელმისაწვდომობით. აქ კი მაიკროსოფტის ჩარჩო ცოტა ჩამორჩება, რადგან ის ცოტა მოგვიანებით გამოჩნდა, ასე რომ, ამისთვის ასეთი რამ არ არსებობს დიდი რაოდენობითმასალები, კერძოდ ონლაინ კურსები. მაგრამ ვითარება, რა თქმა უნდა, თანდათან იხვეწება.

ჩვენ, MIPT-თან ერთად, ვგეგმავთ გამოვაქვეყნოთ ონლაინ კურსი, რომელიც ეძღვნება სპეციალურად ხელოვნური ინტელექტის პრაქტიკაში გამოყენებასთან დაკავშირებულ პრობლემებს. და ზოგიერთი ინფორმაცია Cognitive Toolkit-ის შესახებ ასევე ჩართული იქნება იქ.

ახლო მომავალში

დიმიტრი სოშნიკოვი: ალბათ ნაადრევია საბოლოო პროგნოზების გაკეთება, რადგან 2011-2012 წლებში დაიწყო ტექნოლოგიების უკიდურესად სწრაფი განვითარება. მას შემდეგ გაუმჯობესდა ამოცნობის მეთოდები, გაუმჯობესდა ნერვული ქსელის არქიტექტურები, ე.ი. იზრდება პრობლემის გადაჭრის სიზუსტე.

ამ სეგმენტში ჯერ კიდევ ბევრი გადაუჭრელი საკითხია. გამოსახულების და ხმის ამოცნობის პრობლემები უკვე მოგვარებულია საკმაოდ მაღალ დონეზე. შემდეგი, ალბათ ყველაზე საინტერესო ის არის, რომ ვცდილობთ ტექსტიდან გარკვეული მნიშვნელობის ამოღებას. აქაც საკმაოდ განსაცვიფრებელი წარმატებებია. მაგალითად, შეგიძლიათ ავარჯიშოთ ნერვული ქსელი ფილმებიდან საუბრების ფრაგმენტებზე და მიიღოთ რობოტი, რომელსაც შეუძლია როგორმე შეინარჩუნოს დიალოგი. მაგრამ ამავე დროს, დიალოგს დიდი მნიშვნელობა არ ექნება. ჯერ არ არის ნათელი, თუ როგორ უნდა გადავიტანოთ ცოდნა მნიშვნელობით, როგორ გავაერთიანოთ ცოდნის იმპლიციტური წარმოდგენა ნერვულ ქსელებში სიმბოლურ მსჯელობასთან. ეს არის კვლევის მიმართულება, რომელსაც მეცნიერები გაატარებენ.

რაც შეეხება ინსტრუმენტებს, ისინი ამჟამად აქტიურად მუშავდება. გარკვეული გაგებით, ხელსაწყოების მწარმოებლები ცდილობენ მიჰყვნენ სამეცნიერო მიღწევებს თავიანთ სფეროში. ჩნდება ახალი ქსელის არქიტექტურები - მათი მხარდაჭერა ჩნდება ინსტრუმენტებში, ე.ი. ფუნქციონირება მუდმივად ფართოვდება.

როგორც ადრე ვთქვი, დეველოპერების თვალსაზრისით, შესამჩნევი ტენდენციაა ხელოვნური ინტელექტის, მათ შორის ინსტრუმენტების, დემოკრატიზაციისკენ. Microsoft Cognitive Toolkit-ის გარდა, რომელიც მე აღვნიშნე, არის საინტერესო ინსტრუმენტი სახელწოდებით Azure Machine Learning, რომელიც საშუალებას გაძლევთ გამოიყენოთ ისინი რეალურ მონაცემებზე მანქანური სწავლების ყველა ალგორითმის განხორციელების ღრმა გაგების გარეშე და ნახოთ, შეგიძლიათ თუ არა რაიმე შაბლონის დადგენა. გამოიყენეთ ისინი შემდგომში თქვენს პროდუქტებში. ეს ინსტრუმენტიც საკმაოდ ინტენსიურად მუშავდება - იქ ახალი მეთოდები და ალგორითმებია ჩასმული.

ზოგადად, ტექნოლოგია უფრო ხელმისაწვდომი ხდება. რთული საგნები გამარტივებულია, რათა მათი გამოყენება შესაძლებელია პროექტების რაც შეიძლება ფართო სპექტრში.
კიდევ ერთი წერტილი, რომელიც მინდა აღვნიშნო, არის ის, რომ ეს ჯერ კიდევ პირველი ექსპერიმენტებია ღრუბლის გამოყენებაუფრო ეფექტური ტექნიკის გადაწყვეტილებები, რომლებიც ახორციელებენ ხელოვნური ინტელექტის ალგორითმებს. ამაზე Dotnext-ზე არ ვისაუბრებთ, მაგრამ ეს თემა დეტალურად განიხილეს Microsoft Ignite კონფერენციაზე. ღრუბელში Microsoft გეგმავს შესთავაზოს არა მხოლოდ კლასიკური გამოთვლითი რესურსები, არამედ პროგრამირებადი ლოგიკური ინტეგრირებული სქემები: FPGA ან FPGA. გამარტივების მიზნით, ეს არის მიკროსქემები, რომლებიც შეიძლება ციმციმებით შეასრულონ გარკვეული ლოგიკური ოპერაციები, და რომელიც ამ ოპერაციებს ძალიან სწრაფად შეასრულებს. ასეთი სქემით ჩვენ შეგვიძლია გამოვთვალოთ ნერვული ქსელი ბევრად უფრო სწრაფად. ექსპერიმენტების დროს პროცესორს ენიდან ენაზე თარგმნა „მოითხოვეს“, რის შედეგადაც რომანი „ომი და მშვიდობა“ ენიდან ენაზე 2 წამში ითარგმნება. თუ აიღებთ ყველა იმ მრავალ პროცესორს, რომელიც Microsoft-ს აქვს ღრუბელში, მაშინ ვიკიპედია შეიძლება ითარგმნოს ერთი ენიდან მეორეზე იმ დროში, რაც ადამიანს სჭირდება თვალის დახამხამებისთვის.

მეტი პრაქტიკული ინფორმაციადიმიტრი ისაუბრებს ნეირონული ქსელების და ხელოვნური ინტელექტის ტექნოლოგიების გამოყენებაზე რეალურ პროექტებში (მათ შორის .NET-ზე) თავის მოხსენებაში DotNext 2017 Piter-ზე („ხელმისაწვდომი ხელოვნური ინტელექტი .NET პლატფორმაზე: ჩატბოტებიდან და შემეცნებითი სერვისებიდან ღრმა ნერვულ ქსელებამდე“ ).

ტეგები: ტეგების დამატება

შეუძლია თუ არა რობოტს დაწეროს სიმფონია ან გადააქციოს ტილო ხელოვნების შედევრად? ეს კითხვა ღია რჩება. მაგრამ აი, რა ვიცით დანამდვილებით: თანამედროვე სამედიცინო ნანორობოტებს შეუძლიათ სიმსივნის "ჟანგბადის შეწყვეტა" სისხლში შეღწევით და წამლების მიწოდება დაზარალებულ უჯრედებში ჯანსაღი უჯრედებისთვის ზიანის მიყენების გარეშე. ნერვული ქსელები ექიმებს გადააჭარბებენ მრავალი დაავადების დიაგნოსტირებაში და CRISPR ტექნოლოგიების გამოყენებით გამოკვლევები მალე შეიძლება ჩატარდეს სახლიდან გაუსვლელად. მედიცინის მომავალი უკვე მოვიდა - მოდით გავარკვიოთ, რას უნდა ველოდოთ ახალი მეთოდებისგან და როგორ იმოქმედებს ეს ჩვენს ჯანმრთელობაზე.

დიაგნოსტიკა: ხელოვნური ინტელექტი

მკურნალობის წარმატება დიდწილად დამოკიდებულია სწრაფ და უშეცდომოდ დიაგნოზზე: ამისთვის ექიმმა დიდი პრაქტიკული გამოცდილების დაგროვება და თავის სფეროში მიმდინარე სამეცნიერო ნაშრომების გათვალისწინება უნდა. მაგრამ ამდენი ახალი კვლევისა და საქმის ანგარიშების გამო, რომლებიც ყოველთვიურად იბეჭდება, სად შეგიძლიათ იპოვოთ დრო ყველაფრის შესასწავლად? სწორედ აქ ეხმარებიან ადამიანებს კომპიუტერები, რომლებსაც შეუძლიათ წამებში უზარმაზარი ინფორმაციის დამუშავება.

დღეს სამედიცინო მონაცემების ანალიზის ალგორითმები იქმნება მსხვილი კორპორაციების მიერ, მათ შორის Microsoft-ის, IBM-ისა და Google-ის მიერ. ყველაზე ხშირად, მათი განვითარება ეფუძნება ხელოვნური ინტელექტის სხვადასხვა ფორმებს, რომლებსაც შეუძლიათ იპოვონ ნიმუშები მონაცემთა დიდ ნაკრებებში, როგორიცაა ტვინის სკანირება ან კანზე საეჭვო წარმონაქმნების გამოსახულებები. ასეთი ალგორითმები ივარჯიშება ათასობით მაგალითის ბიბლიოთეკის გამოყენებით, სადაც თითოეულ სურათს ენიჭება კვალიფიციური ექიმის მიერ დასმული დიაგნოზი.

ნეირონულმა ქსელებმა უკვე ისწავლეს მრავალი დაავადების იდენტიფიცირება ისეთივე ეფექტურად, როგორც ადამიანები და ზოგიერთ შემთხვევაში ისინი ახერხებენ სპეციალისტებსაც კი აჯობონ.

კონვოლუციური ნერვული ქსელები (CNN) საშუალებას გაძლევთ გაანალიზოთ მრავალი სურათი. ეს არის ღრმა (მრავალფენიანი) სტრუქტურები, რომლებშიც თითოეული ხელოვნური ნეირონი იღებს წინა ფენის გამომავალი მხოლოდ მცირე ფრაგმენტს. თანდათანობით, ქსელი განაზოგადებს ადგილობრივ მახასიათებლებს, ხელახლა ქმნის სრულ სურათს. ყველა მონაცემის გაერთიანებით, CNN-ს შეუძლია ამოიცნოს ორიგინალური სურათის სხვადასხვა დეტალები, მათ შორის დამახასიათებელი ელემენტები, რომლებზეც ექიმები სვამენ დიაგნოზს.

CRISPR ტექნოლოგიებს შეუძლია არა მხოლოდ აღმოფხვრას დაავადების გამომწვევი მიზეზები, არამედ იდენტიფიცირება დაავადებები, მაგალითად, მოძებნოს ინფექციური აგენტების დნმ-ის ან რნმ-ის კვალი.

მიუხედავად იმისა, რომ CRISPR-თან ასოცირებული პროტეინი Cas9 ყველაზე ხშირად მოიხსენიება თერაპიასთან დაკავშირებით, სხვა პროტეინები: Cas12a და Cas13a, როგორც წესი, "დიაგნოსტიკური" პროტეინებია.

2017 წელს MIT-ის მკვლევარებმა შემოიღეს დიაგნოსტიკური ტექნოლოგია სახელწოდებით SHERLOCK (Specific High Sensitivity Enzymatic Reporter Unlocking). ის იყენებს Cas13a ფერმენტს, რომელსაც შეუძლია ამოიცნოს კონკრეტული რნმ-ის თანმიმდევრობა და მოჭრას მსგავსი რნმ-ის ძაფები, რომლებიც მდებარეობს იქვე, რაც მთლიანად ანადგურებს საეჭვო ობიექტს. წიგნის შერლოკ ჰოლმსის მსგავსად, სამედიცინო SHERLOCK-ს შეუძლია აღადგინოს მოვლენების სრული სურათი უმცირესი მტკიცებულებიდან: ტექნოლოგია მუშაობს ნუკლეინის მჟავების ატომური (10-18 მოლი ლიტრზე) კონცენტრაციით. მეთოდი გამოსცადეს ლენტივირუსებზე, რომლებიც შეიცავს დენგეს ცხელების ვირუსისა და ზიკას ვირუსის ფრაგმენტებს: SHERLOCK-მა შეძლო გამოეჩინა პათოგენის ნაწილაკები და განასხვავოს ისინი ერთმანეთისგან არაუმეტეს ორი ატომის კონცენტრაციით.

ტესტირებისას გაირკვა, რომ SHERLOCK-ის გამოყენებით დიაგნოსტიკის რეაგენტები შეიძლება გაშრეს და შემდეგ აღდგეს, ხოლო მეთოდის მგრძნობელობა დიდად არ იკლებს. პორტატული ტესტებისთვის რეკომენდებულია მინაბოჭკოვანი ქაღალდის გამოყენება. განვითარების ავტორები თვლიან, რომ ერთი ტესტის სისტემა დაახლოებით 61 ცენტი ეღირება.

სხვა მკვლევარები ასევე მუშაობენ სახლში CRISPR ტესტირებისთვის ნაკრების შექმნაზე. ცოტა ხნის წინ, ამ სფეროში განვითარება დაიწყო ჯენიფერ დუდნამ, სამედიცინო CRISPR რევოლუციის ერთ-ერთმა პიონერმა. მისმა გუნდმა შექმნა მეთოდი სახელწოდებით DETECTR (დნმ ენდონუკლეაზაზე მიზნობრივი CRISPR ტრანს რეპორტიორი), Cas12a პროტეინის გამოყენებით. ის პოულობს სპეციფიკურ დნმ-ის თანმიმდევრობებს და წყვეტს ნიმუშში დამატებულ უახლოეს ფლუორესცენტულად მონიშნულ ნუკლეინის მჟავას რეპორტიორ მოლეკულებს, რაც აწარმოებს სიგნალს. ამ გზით შეიძლება გამოვლინდეს მრავალი დაავადების პათოგენის კვალი, მათ შორის გრიპის ვირუსის სხვადასხვა შტამები.

ასეთი სატესტო სისტემების შემქმნელების თქმით, CRISPR ანალიზს დასჭირდება არა უმეტეს რამდენიმე საათისა და შედეგების მიღება ინტერნეტის საშუალებითაა შესაძლებელი. თუმცა, როდესაც ასეთი კომპლექტები გამოჩნდება ღია გაყიდვა, ჯერჯერობით უცნობია.

ეს არის ილუზია: ვირტუალური რეალობა

ვირტუალურ რეალობაზე ხშირად საუბრობენ კონტექსტში კომპიუტერული თამაშებიდა "მოცულობითი კინო", მაგრამ ტექნოლოგიას ასევე აქვს პოტენციალი მედიცინაში და არა ყველაზე აშკარა სფეროებში. მაგალითად, VR ეფექტურად გამოიყენება როგორც ტკივილგამაყუჩებელი.

ილინოისის ლოიოლას საუნივერსიტეტო საავადმყოფოს დამწვრობის განყოფილება ამ მიდგომას იყენებს.დაიწყო გამოყენებულია ათი წლის წინ: საავადმყოფოს პაციენტები თამაშობენ სიმულატორს მტკივნეული პროცედურების დროსთოვლის სამყარო.

მოქმედება ხდება ჩრდილოეთის ნახევრად ფანტასტიკური პეიზაჟების ფონზე მრავალი თოვლისა და გაყინული მდინარეებით, გმირის ამოცანაა პოლარული დათვების, პინგვინებისა და თოვლის კაცების თოვლის ბურთების თამაში. ყველა დონის დასასრულებლად, პაციენტი უნებურად ამახვილებს ყურადღებას თავსატეხზე და იშლება ფიზიკური შეგრძნებებისგან. ტვინის MRI სკანირებამ აჩვენა, რომ SnowWorld რეალურად ამცირებს ტკივილის აღქმას, ამიტომ პაციენტებს სჭირდებათ ნაკლები ძლიერი ტკივილგამაყუჩებლები, რომლებიც შეიძლება საზიანო იყოს სხეულისთვის.

VR ცვლის ან ავსებს ტკივილგამაყუჩებლებს მედიცინის ბევრ სფეროში. ტექნოლოგია გამოიყენება მშობიარობის დროს და სტომატოლოგიური პროცედურების დროს ტკივილის შესამსუბუქებლად. ვირტუალური რეალობის ტკივილგამაყუჩებელი თვისებები განსაკუთრებით აქტუალურია შეერთებულ შტატებში "ოპიოიდური კრიზისის" ფონზე - ეს დაკავშირებულია რეცეპტით გაცემული ტკივილგამაყუჩებლების (მაგალითად, OxyContin და Vicodin) პოპულარობის ზრდასთან ბოლო ათწლეულების განმავლობაში.

VR მუშაობს არა მხოლოდ ფიზიკური ტკივილის დროს: მას ასევე შეუძლია დაძლიოს ფსიქოლოგიური ტრავმა. პირველი ექსპერიმენტები ჩატარდა 1990-იანი წლების ბოლოს, როდესაც ფსიქოლოგმა ბარბარა როტბაუმმა მოახერხა ვიეტნამის ვეტერანებში პოსტტრავმული სტრესული აშლილობის სიმპტომების შემსუბუქება, ვერტმფრენის კაბინის ვირტუალური მოდელების გამოყენებით და აზიის ჯუნგლებში გაწმენდით. ეს ტექნიკა ავსებდა ექსპოზიციურ თერაპიას - თანდათანობითი „მიდგომა“ ტრავმული მოგონებებისადმი, რომელთა თავიდან აცილებას პაციენტის ცნობიერება ცდილობს. მსგავსი სქემა მუშაობს შფოთვითი აშლილობისა და ფობიების მკურნალობაში ვირტუალური რეალობის გამოყენებით. ტექნოლოგია ეხმარება გაუმკლავდეს აეროფობიას და საჯარო გამოსვლის შიშს: სიმულირებული გარემო შესაძლებელს ხდის საშიში სიტუაციის განმეორებით „რეპეტიციას“.

VR თერაპიის უარყოფითი მხარეა აღჭურვილობის შედარებით მაღალი ღირებულება და პოტენციური ფიზიოლოგიური შეუწყნარებლობა ვირტუალური რეალობის მიმართ.

მკურნალობის ახალი მეთოდების ცდებში ზოგიერთ მონაწილეს განუვითარდა VR „გულისრევა“ (ვირტუალური რეალობის ავადმყოფობა), რომელიც იწვევს იგივე სიმპტომებს, როგორც მოძრაობის ავადმყოფობა ან ზღვის ავადმყოფობა. გავრცელებული ჰიპოთეზის თანახმად, ორივე დარღვევა წარმოიქმნება ვესტიბულური აპარატის რეცეპტორების ფუნქციონირების დარღვევით ან ვესტიბულური აპარატიდან და მხედველობის ორგანოებიდან მოსულ სიგნალებს შორის კონფლიქტით.

დეველოპერებმა უკვე შექმნეს რამდენიმე მეთოდი, რომელსაც შეუძლია შეამციროს VR „გულისრევა“. მაგალითად, შეგიძლიათ ეკრანზე მოათავსოთ სტაციონარული ობიექტი, რომელსაც მომხმარებლის თვალები მუდმივად დააფიქსირებს. Nasum Virtualis ტექნოლოგიის ავტორები გვთავაზობენ გამოიყენონ ეკრანის ცენტრში მდებარე ცხვირის ვირტუალური გამოსახულება, როგორც საცნობარო წერტილი. მოთამაშის თვალები მას აღიქვამენ როგორც საკუთარ ცხვირს, ამიტომ გულისრევის და თავბრუსხვევის შეგრძნება იკლებს.

ხელოვნური ინტელექტის სისტემების ელემენტების განვითარება აქტიურად ვითარდება და ხდება დღევანდელი ტრენდი და მხოლოდ ზარმაცი არ წერს ჭკვიან ბოტებს. სწორედ ამიტომ ვესაუბრეთ დიმიტრი სოშნიკოვს, ქვეყნის ერთ-ერთ საუკეთესო AI ექსპერტს. ის არის Microsoft-ის ტექნოლოგიების ევანგელისტი, წიგნების, სტატიებისა და გაკვეთილების ავტორი, ასევე მასწავლებლისა და სტუდენტის პროგრამის კოორდინატორი, ფუნქციონალური პროგრამირების, ნერვული ქსელების და ხელოვნური ინტელექტის სპეციალისტი.

- დიმიტრი, გთხოვ, გვითხარი ორიოდე სიტყვა შენზე და შენს საქმიანობაზე.

დიმიტრი სოშნიკოვი: როგორც მაიკროსოფტის ევანგელისტი, ჩართული ვარ კომპანიის ყველაზე თანამედროვე ტექნოლოგიების პოპულარიზაციასა და დანერგვაში, ახლა ძირითადად ხელოვნურ ინტელექტთან დაკავშირებული ტექნოლოგიები. ეს მოიცავს კონფერენციებზე გამოსვლას, სტუდენტებთან და მასწავლებლებთან მუშაობას, სტარტაპებს, ზოგჯერ ჰაკფესტებში მონაწილეობას და პროტოტიპული სისტემების დაპროგრამებას სხვადასხვა კომპანიის დეველოპერებთან. მე ასევე ვაკეთებ ფუნქციონალურ პროგრამირებას და F# ენის პოპულარიზაციას, ვასწავლი MIPT, HSE და MAI-ში და ვამუშავებ ონლაინ კურსებს MVA და Coursera-სთვის.

ჩემი აზრით, ნერვული ქსელები და ზოგადად ხელოვნური ინტელექტი ძალიან საინტერესო სფეროა, რომლის სწრაფმა განვითარებამ ბოლო წლებში უკვე შესაძლებელი გახადა მთელი რიგი პრობლემების გადაჭრა, რომლებსაც ადრე არ ჰქონდათ გადაწყვეტა, როგორიცაა, მაგალითად, ავტომატურად განსაზღვრა. ადამიანის ასაკი მისი ფოტოდან. და მომავალში კიდევ ბევრი საინტერესო შესაძლებლობა გვექნება.

ნერვული ქსელები - მოდა თუ ინსტრუმენტი?

დიმიტრი სოშნიკოვი: აქ რამდენიმე ფაქტორი წარმატებით გადაფარდა.
პირველი, ხელმისაწვდომი გამოთვლითი ძალა გახდა ხელმისაწვდომი. უფრო მეტიც, ღრუბლოვანმა სერვისებმა დიდი როლი ითამაშეს, რადგან ნერვული ქსელების გამოთვლისთვის ინფრასტრუქტურაში ინვესტიციის ნაცვლად, ახლა შეგიძლიათ მისი დაქირავება მხოლოდ გამოთვლების ხანგრძლივობისთვის, შემდგომში უარი თქვით დაქირავებაზე. გარდა ამისა, დაიწყო გრაფიკული პროცესორების გამოყენება, რომლებიც თავდაპირველად კომპიუტერული გრაფიკისთვის იყო შექმნილი. აღმოჩნდა, რომ ისინი კარგად ერგებიან ხელოვნური ინტელექტის ამოცანებს.

მეორეც, ინტერნეტის წყალობით, გიგანტური რაოდენობის მონაცემების დაგროვება დაიწყო ბევრ სფეროში. განვიხილოთ, მაგალითად, ადრე ნახსენები ამოცანა ფოტოსურათიდან ადამიანის ასაკის ამოცნობა. ნერვული ქსელის მოსაგვარებლად საჭიროა რამდენიმე ასეული ათასი მაგალითი. ახლა თქვენ შეგიძლიათ აიღოთ ნებისმიერი სოციალური ქსელი, სადაც ადამიანები თავად აქვეყნებენ თავიანთ ფოტოებს და ანგარიშის ინფორმაციას (ასაკი) - და ჩვენ დაუყოვნებლივ ვიღებთ მონაცემებს ტრენინგისთვის.
მესამე, რა თქმა უნდა, გაჩნდა რამდენიმე საინტერესო კვლევა, მათ შორის ახალი ნერვული ქსელის არქიტექტურები, რომლებიც არსებული პრობლემების გადაჭრის საშუალებას იძლევა. მაგრამ ეს წერტილი ალბათ პირველი ორის შედეგია. როდესაც რესურსები და ტექნოლოგიები ხელმისაწვდომია, ტერიტორია ბუნებრივად იწყებს აქტიურ განვითარებას.

აქ გამოჩნდა ხელსაწყოების დიდი რაოდენობა, რომლებიც ამ ნერვული ქსელების გამოყენების საშუალებას იძლევა. თუ ადრე ხელოვნური ინტელექტის პრობლემების გადასაჭრელად უნდა გქონოდათ ბევრი ცოდნა და ბევრი პროგრამირება, ახლა არის სერვისები, რომლებიც შეგიძლიათ მიიღოთ და გამოიყენოთ.

ხელოვნური ინტელექტის თემა დღეს ძალიან პოპულარულია. რამდენად იმსახურებს ამ პოპულარობას? მართლაც ასეთი შთამბეჭდავია ტექნოლოგია თუ მოდის დიდი წვლილი? და განა ეს "მოდა" არ არის საზიანო განვითარებისთვის?

დიმიტრი სოშნიკოვი: ხელოვნური ინტელექტის სფეროში მართლაც არის დიდი წარმატებები, რომლებზეც ბევრს წერენ, ამიტომ ფრაზა „ხელოვნური ინტელექტი“ ფართოდ ისმის. ამის წყალობით ჩნდებიან ახალი დეველოპერები - ვიღაც მიდის და თავისთვის სწავლობს ახალ სფეროს, ე.ი. უფრო მეტი ადამიანია, ვისაც ესმის ეს სფერო. მეორეს მხრივ, ადამიანები უფრო ყურადღებით ეძებენ იმ ამოცანებს, სადაც ხელოვნური ინტელექტის ტექნოლოგიების გამოყენება შესაძლებელია. ამ თვალსაზრისით, ეს ყველაფერი, პრინციპში, კარგია, რადგან გვაქვს შანსი მოვახდინოთ ზოგიერთი სფეროს ავტომატიზაცია, რომელთა ავტომატიზაციაც აქამდე ვერ შეგვეძლო.

მაგალითად, ჩვენ შეგვიძლია მოვაგვაროთ შეკვეთების მიღების პრობლემა MacAuto-ს ფანჯარაში. ისინი ყოველთვის ცდილობენ ასეთი პრობლემების გადაწყვეტა უფრო იაფი გახადონ. მაგალითად, აშშ-ში ჯერ ამერიკელი იჯდა იქ, შემდეგ იყო მცდელობა აუთსორსინგისთვის, ხმის გადატანა ქვეყანაში, სადაც იაფფასიანი მუშახელი იყო (სადაც, ისევ ადამიანი ზის და წერს). ახლა კი კომპიუტერს შეუძლია ამის გაკეთება.

აქვთ თუ არა ბაზრის მონაწილეებს გაბერილი მოლოდინები? არის თუ არა პროგნოზები, რომლებიც, თქვენი აზრით, უახლოეს მომავალში ნამდვილად არ შესრულდება?

დიმიტრი სოშნიკოვი: რა თქმა უნდა, არსებობს. ჯერ ერთი, ხელოვნური ინტელექტის სფერო ცოტა რომანტიულია. საკმაოდ ბევრი ფილმია – მაგალითად, „მატრიცა“ ან „ტერმინატორი“ – სადაც რობოტები აჯანყდებიან და ყველაფერს აკონტროლებენ. აქედან გამომდინარე, არის ადამიანების გარკვეული რაოდენობა, რომლებიც იმედოვნებენ, რომ კიდევ 5 წელი გავა და კომპიუტერები დაიპყრობენ მსოფლიოს. ეს მოლოდინები, როგორც ჩანს, ჯერ კიდევ შორს არის რეალობისგან. დღესდღეობით, გამოსახულების ამოცნობასთან, მეტყველების ამოცნობასთან და მანქანათმცოდნესთან დაკავშირებული პრობლემების გარკვეული კლასის გადაწყვეტა ძალიან კარგად ავტომატიზირებულია. მაგრამ ჩვენ ჯერ კიდევ საკმაოდ დიდი გზა გვაქვს გასავლელი, სანამ გავიგოთ, როგორ მუშაობს ზოგადად ადამიანის აზროვნება. ამიტომ ისეთი ხელოვნური ინტელექტის შექმნამდე, რომელიც ადამიანივით იფიქრებს და იმუშავებს დაგროვილი ცოდნით, ჯერ კიდევ ბევრი სამუშაოა გასაკეთებელი. ჯერ არ არის ძალიან ნათელი, თუ როგორ უნდა გავაკეთოთ ეს.

- რაც შეეხება მოლოდინებს ფინანსური ინვესტიციების კუთხით, ვიდრე სამეცნიერო ფანტასტიკის სცენარების განხორციელებას?

დიმიტრი სოშნიკოვი: მეჩვენება, რომ ასეთი საუბრისთვის აუცილებელია ხელოვნური ინტელექტის თემის ცალკეულ კომპონენტებად დაყოფა, ვინაიდან ეს ძალიან ფართო სფეროა.

თუ გადავხედავთ კომპიუტერულ ხედვას, უკვე არის გასაოცარი მიღწევები, რომლებიც ახლა უკვე დანერგილია ბიზნესში, ზრდის მათ ეფექტურობას და მოაქვს ეკონომიკური სარგებელი. კომპიუტერული ხედვა უკვე უკეთ ცნობს სურათებს, ვიდრე ადამიანები, რომ აღარაფერი ვთქვათ მნიშვნელოვნად იაფია.

სხვა სფეროებში, როგორიცაა ბუნებრივი ენის გაგება და თვითნებურ თემებზე მსჯელობის უნარი, პროგრესი უფრო მოკრძალებული იყო.

- არის თუ არა ფაქტორები, რომლებიც, თქვენი აზრით, ხელს უშლის დარგის განვითარებას?

დიმიტრი სოშნიკოვი: მართალი გითხრათ, აშკარა ფაქტორებს ვერ ვხედავ. მე ვფიქრობ, რომ ეს არის ყველაზე სწრაფად მზარდი ტერიტორია ამჟამად.
თუმცა, მინდა აღვნიშნო, რომ ხელოვნური ინტელექტი არის სფერო, რომელიც ჯერ კიდევ მოითხოვს გარკვეულ კვალიფიკაციას. ამ მიმართულებით მუშაობა ცოტა უფრო რთულია, ვიდრე უბრალოდ პროგრამირების სწავლა. ადამიანი, რომელიც ამთავრებს სკოლას და არ იღებს უმაღლეს განათლებას, შესაძლოა, წარმატებით დაიწყოს მუშაობა სტანდარტების განვითარების სფეროში. ხელოვნური ინტელექტის პირობებში შესვლის ბარი უფრო მაღალია, თუმცა ის თანდათან იკლებს, მათ შორის ამ ინდუსტრიის მონაწილეთა ძალისხმევით. კერძოდ, ერთ-ერთი, რაზეც მაიკროსოფტი მუშაობს, არის ხელოვნური ინტელექტის ე.წ. ეს ნიშნავს, რომ ტექნოლოგია ხელმისაწვდომი გახადოს მომხმარებელთა რაც შეიძლება ფართო სეგმენტისთვის.

პრაქტიკაში ამ მიმართულებით მუშაობს არა მხოლოდ მაიკროსოფტი, არამედ მრავალი სხვა კომპანიაც, რომლებიც უზრუნველყოფენ, მაგალითად, ინტელექტუალური, შემეცნებითი პრობლემების გადაჭრის ინსტრუმენტებს მზა სერვისების სახით. მაგალითად, ფოტოსურათიდან ადამიანის სქესის, ასაკისა და განწყობის დადგენის სერვისები, შეგიძლიათ უბრალოდ დაურეკოთ მათ და მიიღოთ შედეგი. იგივე ეხება მანქანურ თარგმანს და ა.შ. როგორც DotNext 2017-ის მოხსენების ნაწილი, ჩვენ ვისაუბრებთ ამაზე: როგორ შეგიძლიათ, რომ არ გაიგოთ, როგორ მუშაობს ზუსტად, უბრალოდ გამოიყენოთ შედეგები.

A.NET იქნებ?

დიმიტრი სოშნიკოვი: ხელოვნური ინტელექტის მეთოდების დანერგვა შესაძლებელია ნებისმიერ ტექნოლოგიაზე. მიუხედავად ამისა, არსებობს გარკვეული ჩამოყალიბებული ეკოსისტემები მსგავსი ამოცანების გარშემო. მაგალითად, Python და R და მათი თანმხლები ბიბლიოთეკები ძალიან პოპულარული ენებია მონაცემთა მეცნიერებს შორის. იმათ. აქ უკვე ბევრი საზოგადოებრივი სამუშაოა. ამ მოვლენების მხრივ, რა თქმა უნდა, .NET ოდნავ ჩამორჩება, ისევე როგორც სხვა მსგავსი პლატფორმები. თუმცა, .NET-ს უკვე აქვს ინსტრუმენტების გარკვეული ნაკრები, რაზეც მე ვისაუბრებ ჩემი ანგარიშის ფარგლებში.

ზოგადად, პლატფორმები ახლა გარკვეულწილად ინტეგრირებულია, მათ შორის ერთმანეთთან. იგივე R ენა ძალიან კარგად აერთიანებს F#-ს, რომელიც მშობლიურია .NET პლატფორმაზე. შესაბამისად, თუ ჩვენ გვჭირდება მანქანური სწავლების ინსტრუმენტების გამოყენება, ჩვენ შეგვიძლია გამოვიყენოთ ასეთი ჯაჭვი, R ენის შესაძლებლობებისა და ბიბლიოთეკების გამოყენებით, ეს იქნება საკმაოდ გამჭვირვალე და ადვილი შესასრულებელი.

ზოგადად, თუ კონკრეტულად ვსაუბრობთ ნერვულ ქსელებზე, მაიკროსოფტს აქვს შემეცნებითი ინსტრუმენტების ნაკრები, რომელიც საშუალებას გაძლევთ მოამზადოთ ნერვული ქსელები. და რადგან ის თავდაპირველად აშენდა Microsoft-ის ეკოსისტემაში, ის ძალიან კარგად მუშაობს .NET-თან.

- ეს ინსტრუმენტი გარკვეულწილად გამოირჩევა სხვა მწარმოებლების ანალოგებისგან?

დიმიტრი სოშნიკოვი: არსებითად, Cognitive Toolkit არის Microsoft-ის TensorFlow, Caffe და ა.შ. ჩარჩოების ანალოგი.

ყველა მათგანი, პრინციპში, ძალიან ჰგავს იდეოლოგიურად. მაგრამ Microsoft Cognitive Toolkit იყო პირველი, რომელმაც მხარი დაუჭირა მაღალ განაწილებულ სასწავლო გარემოს, სადაც შეგიძლიათ ავარჯიშოთ ნერვული ქსელი არა მხოლოდ ერთ GPU-ზე, არამედ რამდენიმე GPU-ზე ან თუნდაც რამდენიმე GPU სადგურზე. იმათ. შეგიძლიათ გააკეთოთ ნერვული ქსელის სასწავლო ფერმა.

რამდენადაც მე ვიცი, Cognitive Toolkit აჯობა სხვა ჩარჩოებს სწავლის სიჩქარის თვალსაზრისით. გარდა ამისა, მისი გამოყენება ძალიან მოსახერხებელია. ფრეიმორების უმეტესობა ამა თუ იმ გზით დაკავშირებულია პითონთან, მაგრამ Cognitive Toolkit თავდაპირველად ოდნავ განსხვავებულ გზას მიჰყვებოდა. თავდაპირველად შესაძლებელი იყო ნერვული ქსელის არქიტექტურის აღწერა სპეციალურ ენაზე, შემდეგ კი მისი მომზადება პითონში რაიმე მოდელის აგების გარეშე. ცოტა უფრო ადვილი იყო. ამჟამად Cognitive Toolkit მხარს უჭერს ორივე ვარიანტს, ე.ი. არის საკმაოდ მოქნილი.

- ალბათ, არის მომენტები, როცა შემეცნებითი ინსტრუმენტარიუმი ჩამოუვარდება ანალოგებს?

დიმიტრი სოშნიკოვი: ზოგადად, ასეთი ჩარჩოები დაბალი დონის ხელსაწყოებია, რომლებზედაც შესაძლებელია თვითნებური ნერვული ქსელების მომზადება. მისი ანალოგების მსგავსად, შემეცნებითი ინსტრუმენტების ნაკრები მხარს უჭერს გარკვეულ საბაზისო დონეს, რომლის თავზე შეგიძლიათ შექმნათ თვითნებური სირთულის ქსელების არქიტექტურა. მაშასადამე, სხვადასხვა ხელსაწყოებით ამოხსნილი ამოცანების დიაპაზონი დაახლოებით იგივეა.

ჩარჩოს არჩევანი დიდწილად განისაზღვრება ზოგიერთი პირადი შეღავათებით და საცნობარო მასალების ხელმისაწვდომობით. და აქ Microsoft-ის ჩარჩო ოდნავ ჩამორჩება, რადგან ის ცოტა მოგვიანებით გამოჩნდა, ამიტომ მასზე არც ისე დიდი რაოდენობითაა მასალები, კერძოდ, ონლაინ კურსები. მაგრამ ვითარება, რა თქმა უნდა, თანდათან იხვეწება.

ჩვენ, MIPT-თან ერთად, ვგეგმავთ გამოვაქვეყნოთ ონლაინ კურსი, რომელიც ეძღვნება სპეციალურად ხელოვნური ინტელექტის პრაქტიკაში გამოყენებასთან დაკავშირებულ პრობლემებს. და ზოგიერთი ინფორმაცია Cognitive Toolkit-ის შესახებ ასევე ჩართული იქნება იქ.

ახლო მომავალში

დიმიტრი სოშნიკოვი: ალბათ ნაადრევია საბოლოო პროგნოზების გაკეთება, რადგან 2011-2012 წლებში დაიწყო ტექნოლოგიების უკიდურესად სწრაფი განვითარება. მას შემდეგ გაუმჯობესდა ამოცნობის მეთოდები, გაუმჯობესდა ნერვული ქსელის არქიტექტურები, ე.ი. იზრდება პრობლემის გადაჭრის სიზუსტე.

ამ სეგმენტში ჯერ კიდევ ბევრი გადაუჭრელი საკითხია. გამოსახულების და ხმის ამოცნობის პრობლემები უკვე მოგვარებულია საკმაოდ მაღალ დონეზე. შემდეგი, ალბათ ყველაზე საინტერესო ის არის, რომ ვცდილობთ ტექსტიდან გარკვეული მნიშვნელობის ამოღებას. აქაც საკმაოდ განსაცვიფრებელი წარმატებებია. მაგალითად, შეგიძლიათ ავარჯიშოთ ნერვული ქსელი ფილმებიდან საუბრების ფრაგმენტებზე და მიიღოთ რობოტი, რომელსაც შეუძლია როგორმე შეინარჩუნოს დიალოგი. მაგრამ ამავე დროს, დიალოგს დიდი მნიშვნელობა არ ექნება. ჯერ არ არის ნათელი, თუ როგორ უნდა გადავიტანოთ ცოდნა მნიშვნელობით, როგორ გავაერთიანოთ ცოდნის იმპლიციტური წარმოდგენა ნერვულ ქსელებში სიმბოლურ მსჯელობასთან. ეს არის კვლევის მიმართულება, რომელსაც მეცნიერები გაატარებენ.

რაც შეეხება ინსტრუმენტებს, ისინი ამჟამად აქტიურად მუშავდება. გარკვეული გაგებით, ხელსაწყოების მწარმოებლები ცდილობენ მიჰყვნენ სამეცნიერო მიღწევებს თავიანთ სფეროში. ჩნდება ახალი ქსელის არქიტექტურები - მათი მხარდაჭერა ჩნდება ინსტრუმენტებში, ე.ი. ფუნქციონირება მუდმივად ფართოვდება.

როგორც ადრე ვთქვი, დეველოპერების თვალსაზრისით, შესამჩნევი ტენდენციაა ხელოვნური ინტელექტის, მათ შორის ინსტრუმენტების, დემოკრატიზაციისკენ. Microsoft Cognitive Toolkit-ის გარდა, რომელიც მე აღვნიშნე, არის საინტერესო ინსტრუმენტი სახელწოდებით Azure Machine Learning, რომელიც საშუალებას გაძლევთ გამოიყენოთ ისინი რეალურ მონაცემებზე მანქანური სწავლების ყველა ალგორითმის განხორციელების ღრმა გაგების გარეშე და ნახოთ, შეგიძლიათ თუ არა რაიმე შაბლონის დადგენა. გამოიყენეთ ისინი შემდგომში თქვენს პროდუქტებში. ეს ინსტრუმენტიც საკმაოდ ინტენსიურად მუშავდება - იქ ახალი მეთოდები და ალგორითმებია ჩასმული.

ზოგადად, ტექნოლოგია უფრო ხელმისაწვდომი ხდება. რთული საგნები გამარტივებულია, რათა მათი გამოყენება შესაძლებელია პროექტების რაც შეიძლება ფართო სპექტრში.
კიდევ ერთი მომენტი, რომელიც მინდა აღვნიშნო, არის ის, რომ ეს ჯერ კიდევ პირველი ექსპერიმენტებია ღრუბელში, უფრო ეფექტური აპარატურის გადაწყვეტილებების გამოყენებით, რომლებიც ახორციელებენ ხელოვნური ინტელექტის ალგორითმებს. ამაზე Dotnext-ზე არ ვისაუბრებთ, მაგრამ ეს თემა დეტალურად განიხილეს Microsoft Ignite კონფერენციაზე. ღრუბელში Microsoft გეგმავს შესთავაზოს არა მხოლოდ კლასიკური გამოთვლითი რესურსები, არამედ პროგრამირებადი ლოგიკური ინტეგრირებული სქემები: FPGA ან FPGA. გამარტივების მიზნით, ეს არის ჩიპები, რომლებიც შეიძლება ჩართოთ გარკვეული ლოგიკური ოპერაციების შესასრულებლად და რომლებიც შეასრულებენ ამ ოპერაციებს ძალიან სწრაფად. ასეთი სქემით ჩვენ შეგვიძლია გამოვთვალოთ ნერვული ქსელი ბევრად უფრო სწრაფად. ექსპერიმენტების დროს პროცესორს ენიდან ენაზე თარგმნა „მოითხოვეს“, რის შედეგადაც რომანი „ომი და მშვიდობა“ ენიდან ენაზე 2 წამში ითარგმნება. თუ აიღებთ ყველა იმ მრავალ პროცესორს, რომელიც Microsoft-ს აქვს ღრუბელში, მაშინ ვიკიპედია შეიძლება ითარგმნოს ერთი ენიდან მეორეზე იმ დროში, რაც ადამიანს სჭირდება თვალის დახამხამებისთვის.

დიმიტრი მეტ პრაქტიკულ ინფორმაციას მოგცემთ ნეირონული ქსელების და ხელოვნური ინტელექტის ტექნოლოგიების რეალურ პროექტებში (მათ შორის. NET-ზე) გამოყენების შესახებ თავის მოხსენებაში DotNext 2017 Piter-ზე („ხელმისაწვდომი ხელოვნური ინტელექტი .NET პლატფორმაზე: ჩეთბოტებიდან და შემეცნებითი სერვისებიდან ღრმა ნერვული ქსელები").

ტეგები:

• ხელოვნური ინტელექტი
• ნერვული ქსელები