Что такое машинное обучение

Машинное обучение (ML, Machine Learning) — это подраздел искусственного интеллекта, а его цель — обучать компьютеры без явных инструкций, чтобы машина могла делать прогнозы или принимать решения как человек, на основе данных и полученного опыта.

Ну, например, что будет, если, занимаясь ремонтом, попросить двухлетнего малыша подать десяток гвоздей?

И даже если дать ему самую точную инструкцию, то малыш с первой попытки вряд ли справится с этой задачей. Ведь он к тому же пока и говорит ещё плохо.

А вот если попросить его старшего брата школьника, то его это не затруднит. Почему? У него уже есть опыт, ему уже раньше объяснили что такое гвозди и научили считать. А видя это, и малыш будет повторять эти действия, и рано или поздно сможет выполнить это задание.

Так и машину на схожих примерах учат писать (выводить на экран), читать, рисовать, отличать гвозди от шурупов, различать лица людей. Но делается это не так, как в обычном программировании. Программист пишет программу из чётких и последовательных инструкций, которые приводят к намеченному результату.

А в машинном обучении нет заложенного ответа, его конечная цель — научить модель саму находить решение. И машины здесь явно выигрывают у человека — в скорости выполнения операций, да они ещё могут обрабатывать огромные массивы данных, что не под силу человеку.

Показательным примером может служить серия матчей тогдашнего чемпиона мира по шахматам Гарри Каспарова с компьютером, которая началась в 1989 году. А в 96-м всю планету как гром среди ясного неба поразила новость о том, что искусственный интеллект впервые выиграл партию у действующего чемпиона мира.

Особенно быстро технологии машинного обучения начали набирать обороты во 2-м десятилетии нашего века. В начале 2015 года одна из соцсетей внедрила нейросеть DeepFace, умеющую распознавать человеческие лица. А сегодня подобные технологии используются уже повсеместно.

Нейросети являются одним из методов машинного обучения и применяются для более сложных задач. Они основаны на моделировании нейронной активности мозга.

Простейшая модель нейросети имеет три слоя: входной, скрытый и выходной слой, которые состоят из определённого количества нейронов, а они связаны между собой весовыми коэффициентами.

Входной и выходной слой всегда один, а вот скрытых слоёв может быть множество. Уже упомянутая выше DeepFace — это огромная девятислойная нейросеть, у которой 120 миллионов связей, а для её обучения использовали 4 миллиона изображений пользователей.

А знаете, какая подготовка нужна человеку для создания нейросетей? Сразу возникает мысль, что нужны глубокие знания математики. Но это не совсем так, можно учиться создавать нейросети, параллельно получая необходимые знания по той же линейной алгебре.

Здесь ссылка именно на такой курс по созданию нейросетей, кому интересно. Кстати, там бонусом идёт курс по Пайтону, если кто не знает.

Где используют машинное обучение

1. Компьютерное зрение

О технологии распознавания изображений уже упоминал, но это касается и видео. «Умные» камеры способны заменить охранников, операторов, осуществлять контроль качества на производстве, и это уже активно внедряется. А ещё биометрия: когда камера в потоке людей распознаёт преступника, это работа машинного обучения.

Ещё стоит упомянуть дипфейк (DeepFake) — это когда в видео или на изображении лицо одного человека подменяется другим, и это работа машинного обучения.

Что интересно, одна часть алгоритма учится на фотографиях объекта и создаёт изображение, состязаясь со второй частью алгоритма, пока та не перестанет отличать копию от оригинала. Можно и голоса так подделывать. Как раз об этом дальше.

2. Распознавание текста и языка

Это машинный перевод, генерация текста, перевод человеческой речи в текст и наоборот, голосовые помощники: Алиса, Салют и Маруся. Эта область называется NLP (Natural Language Processing), а по-русски: обработка естественного языка.

3. Рекомендательные системы

В своё время, пионер этой технологии, видеосервис Netflix научился анализировать предпочтения миллионов пользователей. Каждому из них он подбирает те фильмы, которые с большой вероятностью им понравятся, чтобы они возвращались снова.

Нейросети умеют выявлять закономерности и делать прогнозы. Они анализируют ваши предыдущие покупки или поисковые запросы, и предлагают вам что-то схожее. Так интернет-магазины продают больше товаров. Этим пользуются стриминговые сервисы музыки, фильмов, Кинопоиск, Ютуб, а социальной сети так «подсватывают» новых друзей. Наверняка вы это давно уже заметили.

4. Беспилотники и роботы

Алгоритмы машинного обучения научились обрабатывать данные с датчиков, распознавать угрозы и правильно реагировать, что породило бум беспилотных автомобилей, летательных и морских аппаратов.

В этом году в Китае стартовали продажи беспилотных воздушных такси EHang для 2 пассажиров.

И хотя мне лично летать на беспилотных такси как-то не хочется, однако рано или поздно и это станет повседневностью. Ну и конечно, роботы, как говорится, тоже не сидят на месте.

5. Медицина

Это анализ медицинских снимков, диагностика заболеваний. И здесь даже не обошлось без фундаментальных открытий. Искусственный интеллект открыл новый антибиотик.

А в 2020 году алгоритм AlphaFold-2 смоделировал процесс сворачивания белка. Человеку на расшифровку структуры белков «вручную» понадобилось бы тысячи лет, а ИИ хватило полчаса. И это открытие поможет в лечении заболеваний — Паркинсона и Альцгеймера, и не только их.

А ещё машинное обучение используют для улучшения поисковых алгоритмов. В банковской сфере рассчитывают кредитные рейтинги и оценивают платёжеспособность клиентов. В сельском хозяйстве — это анализ состава почвы, расчёт количества удобрений, прогноз урожайности. Скоро будет проще перечислить сферы, где ИИ нет.

И для полного понимания вам надо ещё знать, какие способы машинного обучения бывают. Об этом кратко.

Способы машинного обучения

1. Обучение с учителем

Модель обучают классифицировать информацию на похожих примерах.

Например, нужно научить машину распознавать в уличном потоке легковые автомобили. Здесь машину обучают с помощью размеченных данных (у нас это фрагменты в рамках), заранее показывая правильный ответ. Задача модели — понять, почему он правильный.

И в дальнейшем обученная машина сама будет отличать легковые автомобили от других объектов.

2. Обучение без учителя

Модель сама ищет закономерности и разбивает данные на группы (кластеризация).

На входе есть неразмеченные данные. Машине нужно самой выявить закономерности и разделить данные на группы. Например, проанализировать поведение пользователей интернет-магазина и предлагать выделенным группам товары, которые вероятно могут их заинтересовать.

3. Обучение с подкреплением

Создание автономных самообучаемых агентов для получения максимального результата.

Обучение с подкреплением (Reinforcement learning) — этот подход более сложный и затратный по времени. В нём модель обучается методом проб и ошибок. Её задача — сводить количество ошибок на нет, чтобы в итоге получался наилучший результат.

Это можно пояснить примером, когда ребёнок учится избегать острых углов стола, если хотя бы раз о них стукнулся. Так, например, тренируют беспилотники или тех же ботов для игры в шахматы.