Чи робот може написати симфонію. The Turing Test – «Та ти ж просто робот, імітація життя. Хіба робот може пройти цю гру?». Мінуси VR-терапії - порівняно висока вартість обладнання та потенційна фізіологічна непереносимість віртуальної ре

Розробка елементів систем штучного інтелекту активно розвивається і стає трендом сьогодення, а розумних роботів зараз і зовсім не пише лише лінивий. Саме тому ми взяли інтерв'ю у Дмитра shwars Сошникова, одного з найкращих у країні експертів з ІІ. Він є технологічним євангелістом Microsoft, автором книг, статей та навчальних посібників, а також викладачем та координатором студентських програм, фахівцем з функціонального програмування, нейромереж та штучного інтелекту.

- Дмитре, розкажіть, будь ласка, пару слів про себе та свою роботу.

Дмитро Сошніков: Як євангеліст Microsoft я займаюся популяризацією та впровадженням найсучасніших технологій компанії, зараз це в першу чергу технології, пов'язані зі штучним інтелектом. Це включає виступи на конференціях, роботу зі студентами та викладачами, стартапами, іноді участь у хакфестах та програмування прототипів систем спільно з розробниками різних компаній. Також я займаюся популяризацією функціонального програмування та мови F#, викладаю в МФТІ, НДУ ВШЕ та МАІ, розробляю онлайн-курси для MVA та Coursera.

На мій погляд нейронні мережі та штучний інтелект загалом - це дуже цікава область, бурхливий розвиток якої в останні роки вже дозволив вирішити низку завдань, які раніше не мали вирішення, як, наприклад, автоматичне визначення віку людини за його фотографією. І майбутнє готує нам багато цікавих можливостей.

Нейросети – мода чи інструмент?

- Що саме останнім часом підштовхнуло активний розвиток технології нейромереж?

Дмитро Сошніков: Тут вдало наклалися одночасно кілька факторів
По-перше, з'явилися доступні обчислювальні потужності. Причому велику роль відіграли саме хмарні послуги, оскільки замість вкладень в інфраструктуру для прорахунку нейромереж тепер можна орендувати її лише на час обчислень, згодом відмовившись від оренди. Крім цього, почали використовувати графічні процесори, які спочатку проектувалися для комп'ютерної графіки. Виявилося, що вони підходять для завдань штучного інтелекту.

По-друге, завдяки інтернету у багатьох областях почали накопичуватись гігантські масиви даних. Розглянемо, наприклад, згадану раніше завдання розпізнавання віку людини з фотографії. Щоб навчити нейронну мережу на її вирішення, потрібно кілька сотень тисяч прикладів. Зараз можна взяти будь-яку соціальну мережу, де люди самі публікують свої фотографії та дані акаунту (вік) – і ми одразу отримуємо дані для навчання.
По-третє, звісно, ​​з'явилися деякі цікаві дослідження, зокрема нові архітектури нейронних мереж, які дозволяють вирішувати існуючі завдання. Але цей пункт, напевно, є наслідком перших двох. Коли доступні ресурси та технології, природно, область починає активно розвиватися.

Тут же з'явилася велика кількість інструментів, які дозволяють застосовувати ці нейронні мережі. Якщо раніше для вирішення завдань штучного інтелекту потрібно було мати багато знань, багато програмувати, то зараз є сервіси, які можна брати і використовувати.

Тема штучного інтелекту є дуже популярною сьогодні. Наскільки ця популярність заслужена? Технологія справді настільки вражає чи великий внесок моди? І чи не йде ця «мода» на шкоду розвитку?

Дмитро Сошніков: В області ІІ дійсно є великі успіхи, про які багато пишуть, тому словосполучення «штучний інтелект» на слуху Завдяки цьому з'являються нові розробники - хто йде і вивчає нову собі область, тобто. стає більше людей, які в цій галузі розуміються. З іншого боку, люди уважніше шукають завдання, де можна застосувати технології штучного інтелекту. З такої точки зору все це, в принципі, добре, адже у нас з'являється шанс автоматизувати якісь галузі, які раніше ми автоматизувати не могли.

Наприклад, ми можемо вирішити завдання прийому замовлень у віконці МакАвто. Вирішення подібних завдань завжди намагаються здешевити. Наприклад, у США спочатку там сидів американець, потім була спроба віддати це на аутсорсинг за рахунок передачі голосу в країну з дешевою працею (де, знову ж таки, людина сидить і розшифровує). А зараз це вже може робити комп'ютер.

Чи властиві учасникам ринку завищені очікування? Чи є передбачення, які, на вашу думку, найближчим часом точно не справдяться?

Дмитро Сошніков: Звичайно є. По-перше, область штучного інтелекту трохи романтична. Є достатня кількість фільмів – наприклад, «Матриця» чи «Термінатор» – де роботи повстають та беруть усе під свій контроль. Тому є якась кількість людей, які чекають, що мине ще 5 років і комп'ютери захоплять світ. Ці очікування, мабуть, поки що далекі від реальності. Зараз дуже добре автоматизується вирішення деяких класів завдань, пов'язаних із розпізнаванням образів, мовлення, з машинним навчанням. Але до розуміння того, як загалом влаштовано мислення людини, необхідно ще досить далеко йти. Тому до створення такого штучного інтелекту, який мислитиме як людина, оперуватиме накопиченими знаннями, ще необхідно багато працювати. Поки що не дуже зрозуміло, як це робити.

- А щодо очікувань у термінах фінансових вкладень, а не втілення сценаріїв наукової фантастики?

Дмитро Сошніков: Мені здається, для такої розмови потрібно розбити тему штучного інтелекту на окремі складові, оскільки це дуже широка сфера

Якщо розглядати комп'ютерний зір, то тут вже є чудові успіхи, які зараз впроваджуються в бізнес, підвищуючи його ефективність та приносячи економічні плоди. Комп'ютерний зір вже розпізнає зображення краще за людину, не кажучи вже про те, що істотно дешевше.

В інших областях, на кшталт розуміння природної мови та здатності розмірковувати на довільні теми, прогрес поки що скромніший.

- Чи є фактори, які, на вашу думку, гальмують розвиток галузі?

Дмитро Сошніков: Чесно кажучи, якихось явних факторів я не бачу Мені здається, зараз це область, що швидко розвивається.
Тим не менш, хочу зазначити, що штучний інтелект - це область, яка все ж таки вимагає деякої кваліфікації. Працювати у цьому напрямі трохи складніше, ніж просто навчитися програмувати. Людина, закінчивши школу і не здобуваючи вищої освіти, напевно, може почати успішно працювати на терені стандартної розробки. Зі штучним інтелектом планка входу вища, хоча вона поступово знижується, у тому числі, стараннями учасників цієї галузі. Зокрема, одна з речей, над якими працює Microsoft, – це так звана демократизація штучного інтелекту. Під цим розуміється перетворення технології на доступну для якомога ширшого шару споживачів.

На практиці не тільки Microsoft, а й багато інших компаній працюють у цьому напрямку, надаючи, наприклад, інструментарій для вирішення інтелектуальних, когнітивних завдань у вигляді готових сервісів. Наприклад, сервіси визначення статі, віку та настрої людини по фотографії, їх можна просто викликати та отримати результат. Це саме стосується машинного перекладу тощо. У рамках доповіді на DotNext 2017 ми про це говоритимемо: як можна, взагалі не розбираючись, як саме це влаштовано, просто користуватися результатами.

А.NET може?

- Давайте поговоримо про місце платформи .NET у сегменті штучного інтелекту. Наскільки вона взагалі підходить для вирішення таких завдань? Чи є особливості, які допомагають чи, навпаки, заважають роботі з нейронними мережами?

Дмитро Сошніков: Методи ІІ можуть бути реалізовані на будь-яких технологіях Тим не менш, навколо однотипних завдань існують деякі екосистеми, що склалися. Наприклад, серед фахівців з обробки даних дуже популярні мови Python та R та супутні їм бібліотеки. Тобто. тут вже дуже багато напрацювань спільноти. З погляду цих напрацювань, звичайно, .NET трохи відстає, як і інші подібні платформи. Тим не менш, на .NET вже є певний набір інструментів, про які я якраз розповідатиму в рамках своєї доповіді.

Загалом платформи зараз у певному сенсі інтегруються, зокрема, між собою. Та сама мова R дуже добре інтегрується з F#, який є «рідним» для платформи.NET. Відповідно, якщо нам потрібно використовувати якісь інструменти машинного навчання, ми можемо скористатися таким ланцюжком, задіявши можливості та бібліотеки мови R. Це буде досить прозоро та легко відбуватися.

В цілому, якщо говорити саме про нейронні мережі, Microsoft має інструмент Cognitive Toolkit, який дозволяє навчати нейронні мережі. І оскільки він спочатку створювався в екосистемі Microsoft, він добре працює з.NET.

- Цей інструмент чимось вирізняється на тлі аналогів від інших виробників.?

Дмитро Сошніков: По суті Cognitive Toolkit - це Microsoft-івський аналог фреймворків TensorFlow, Caffe і т.д.

Всі вони, в принципі, дуже схожі ідеологічно. Але Microsoft Cognitive Toolkit першим почав підтримувати дуже розподілене середовище навчання, коли можна навчати нейронну мережу не тільки на якомусь одному графічному процесорі, а на кількох графічних процесорах або навіть кількох графічних станціях. Тобто. можна зробити ферму навчання нейромереж.

Наскільки я знаю, Cognitive Toolkit обігрує інші фреймворки за швидкістю навчання. Плюс його дуже зручно використати. Більшість фреймворків так чи інакше пов'язані з мовою Python, а Cognitive Toolkit спочатку йшов трохи іншим шляхом. У ньому спочатку можна було описати архітектуру нейромережі спеціальною мовою, а після цього навчити її, не будуючи ніяких моделей в Python. Це було трохи простіше. Сьогодні Cognitive Toolkit підтримує обидва варіанти, тобто. є досить гнучким.

- Напевно, є моменти, у яких Cognitive Toolkit програє аналогам?

Дмитро Сошніков: Загалом подібні фреймворки - це інструменти нижнього рівня, поверх яких можна навчати довільні нейромережі. Як і аналоги, інструмент Cognitive Toolkit підтримує базовий рівень, поверх якого можна будувати архітектуру мереж довільної складності. Тому коло розв'язуваних різними інструментами завдань приблизно однакове.

Вибір фреймворку багато в чому визначається якимись особистими уподобаннями, наявністю довідкових матеріалів. І ось тут фреймворк від Microsoft трохи відстає, оскільки він з'явився трохи пізніше, тому по ньому немає такої великої кількості матеріалів, зокрема онлайн курсів. Але ситуація, звичайно, потихеньку вирівнюється.

Ми спільно з МФТІ плануємо випустити онлайн-курс, присвячений саме завданням, пов'язаним з використанням штучного інтелекту на практиці. І якась частка інформації Cognitive Toolkit туди теж увійде.

Найближче майбутнє

- Чи можна зараз передбачити, у якому напрямі йде розвиток сегмента штучного інтелекту?

Дмитро Сошніков: Напевно, остаточно будувати прогнози ще зарано, оскільки у 2011-2012 роках почався винятково бурхливий розвиток технологій. З того часу удосконалюються методи розпізнавання, покращуються архітектури нейронних мереж, тобто. зростає точність розв'язання задач.

У цьому сегменті ще багато невирішених питань. Завдання розпізнавання зображення та голосу вже вирішено на досить високому рівні. Далі, напевно, найцікавіше - це намагатися отримати якийсь сенс із тексту. Тут також є досить приголомшливі успіхи. Наприклад, можна навчити нейронну мережу на фрагментах розмов із фільмів та отримати робота, який вміє якось підтримувати діалог. Але при цьому в діалозі буде не так багато осмисленого. Як транслювати знання у сенс, як поєднати неявне уявлення знань у нейромережах із символьними міркуваннями – поки що незрозуміло. Це напрямок досліджень, яким займатимуться вчені.

Щодо інструментів, вони зараз активно розвиваються. У певному сенсі виробники інструментарію намагаються слідувати за науковими досягненнями у відповідній галузі. З'являються нові архітектури мереж - з'являється їх підтримка інструментах, тобто. функціонал постійно розширюється.

Як я говорив раніше, з погляду розробника помітна тенденція демократизації штучного інтелекту і, зокрема, інструментарію. Крім згаданого мною Microsoft Cognitive Toolkit є цікавий інструмент Azure Machine Learning, що дозволяє без глибокого розуміння реалізації всіх алгоритмів машинного навчання застосовувати їх до реальних даних і дивитися, чи вдається виділити якісь закономірності і використовувати їх далі у своїх продуктах. Цей інструмент теж розвивається досить інтенсивно – туди вставляються нові методи та алгоритми.

Загалом технології стають дедалі доступнішими. Складні речі спрощуються, щоб їх можна було використовувати в якомога ширшому наборі проектів.
Ще один момент, про який хотілося б згадати, - це поки що перші експерименти хмарного використання ефективніших апаратних рішень, що реалізують алгоритми штучного інтелекту. Про це на Dotnext ми не говоритимемо, але тема докладно обговорювалася на конференції Microsoft Ignite. У хмарі Microsoft планує пропонувати як класичні обчислювальні ресурси, а й програмовані логічні інтегральні схеми: ПЛИС чи FPGА. Якщо спростити, це мікросхеми, які можна прошити на виконання певних логічних операцій, і які виконуватимуть ці операції дуже швидко. Маючи таку схему, ми можемо обчислювати нейронну мережу набагато швидше. У ході експериментів процесор "прошили" на переклад з мови на мову, в результаті роман "Війна та мир" перекладається з мови на мову за 2 секунди. Якщо взяти безліч таких процесорів, які є у Microsoft у хмарі, то Вікіпедію можна перекласти з однієї мови на іншу за час, поки людина моргає оком.

Більше практичної інформації про застосування нейромереж та технологій штучного інтелекту в рамках реальних проектів (у тому числі на .NET) Дмитро дасть у своїй доповіді на DotNext 2017 Piter («Доступний штучний інтелект на платформі.NET: від чат-ботів та когнітивних сервісів до глибоких нейромереж»).

Теги: Додати теги

Тест Тюрінга по суті - це перевірка, що відповідає на запитання "чи машини можуть думати?". Тобто це набір тестів, пройти які може лише людина чи досконалий штучний інтелект, здатний мислити так само. Саме цим нам і пропонують зайнятися у грі – довести, що ти – Людина розумна. На мою думку, це справа принципу!

Тим, кому припали до душі головоломки The Talos Principle і Portal, однозначно оцінять і The Turing Test.Ці ігри дійсно мають багато схожого. Можна навіть сказати, що вони утворюють окремий поджанр, який бере початок саме з Порталу.

Проходження є набір логічних випробувань, які потрібно послідовно вирішувати. Основу ігрової механіки в The Turing Testскладають енергетичні сфери, які потрібно вставлятися в спеціальні осередки, щоб відчиняти двері, запускати механізми та інше. Єдиним інструментом, що допомагає в цій справі, є магнітна рушниця, здатна поглинати ці сфери і вистрілювати їх у потрібне місце.

Усього випробувань понад 70, але багато з них пробігаються за лічені секунди. Тому проходження цілком не триває багато часу. Взагалі, складних перешкод у грі мало, переважно проходить майже з ходу. Комусь головоломки можуть здатися надто простакуватими, але мене баланс складності влаштував. Навпаки, не люблю довго "тупити" у таких іграх.

Загальна ідея теж схожа на ігри, що надихнули розробників. Філософські та етичні міркування про інтелект, про різницю між людиною та машиною.

Щодо самого сюжету: головна героїня виявляється на космічній станції на засніженій поверхні Європи - супутника Юпітера. Персонал бази зник, а керує всім штучним інтелектом, який і зустрічає героїню. Їй доведеться пройти цей тест Тьюринга і з'ясувати, що трапилося з людьми. Історія досить цікава, але подається настільки малими крихтами (пару реплік комп'ютера на початку кожного рівня), що її не помічаєш майже всю гру і звертаєш увагу лише ближче до фіналу.

Чи може робот написати симфонію чи перетворити шматок полотна на шедевр мистецтва? Це питання залишається відкритим. Але ось що ми знаємо точно: сучасні медичні нанороботи здатні «перекрити кисень» пухлини, проникнувши в кровотік, і доставити ліки до уражених клітин, не зашкодивши здоровим. Нейросети ось-ось перевершать лікарів у діагностиці багатьох хвороб, а обстеження за допомогою технологій CRISPR швидко можна буде провести, не виходячи з дому. Майбутнє медицини вже настало – дізнаємося, чого чекати від нових методів і як це позначиться на нашому здоров'ї.

Діагностуй це: штучний інтелект

Успіх лікування багато в чому залежить від швидкої та безпомилкової діагностики: для цього лікареві потрібно накопичити чимало практичного досвіду та бути в курсі актуальних наукових праць у своїй галузі. Але кожен місяць у пресі з'являється безліч нових досліджень та описів клінічних випадків – де знайти час, щоб вивчити все це? Тут на допомогу людям приходять комп'ютери, які здатні обробляти величезні обсяги інформації за секунди.

Сьогодні алгоритми аналізу медичних даних створюють найбільші корпорації, зокрема Microsoft, IBM та Google. Найчастіше в основі їх розробок лежать різні форми самонавчання штучного інтелекту, здатні відшукувати закономірності у великих наборах даних, наприклад томограм мозку або знімків підозрілих новоутворень на шкірі. Такі алгоритми навчаються за допомогою бібліотек із тисяч прикладів, де за кожним зображенням закріплено діагноз, поставлений кваліфікованим лікарем.

Нейросети вже навчилися виявляти багато захворювань так само ефективно, як люди, а в деяких випадках їм навіть вдається перевершити фахівців.

Аналізувати безліч знімків дозволяють згорткові нейронні мережі (convolutional neural networks, CNN). Це глибокі (багатошарові) структури, у яких кожен штучний нейрон отримує лише невеликий фрагмент вихідних даних попереднього рівня. Поступово мережа узагальнює локальні ознаки, відтворюючи повну картину. Зіставивши всі дані, CNN може розпізнавати різні деталі на вихідному зображенні, зокрема характерні елементи, основі яких лікарі ставлять діагноз.

CRISPR-технології здатні як усувати причини захворювань, а й виявляти хвороби, наприклад відшукувати сліди ДНК чи РНК збудників інфекцій.

Якщо у зв'язку з терапією найчастіше згадують CRISPR-асоційований білок Cas9, то діагностами зазвичай стають інші білки: Cas12a і Cas13a.

У 2017 році дослідники з MIT представили технологію діагностики, що отримала назву SHERLOCK (Specific High Sensitivity Enzymatic Reporter UnLOCKing). Вона використовує фермент Cas13a, здатний розпізнавати специфічні послідовності РНК і розрізати схожі нитки РНК поблизу, повністю знищуючи підозрілий об'єкт. Як і книжковий Шерлок Холмс, медичний SHERLOCK здатний відтворити повну картину подій за найдрібнішими доказами: технологія працює з аттомолярними (10-18 моль на літр) концентраціями нуклеїнових кислот. Метод випробували на лентивірусах, що містять фрагменти вірусу лихоманки денге та вірусу Зіка: SHERLOCK зміг виявити частинки патогенів та відрізнити їх один від одного при концентрації не більше двох аттомоль.

У процесі випробувань з'ясувалося, що реактиви для діагностики за допомогою SHERLOCK можна висушувати, а відновлювати, при цьому чутливість методу падає ненабагато. Для портативних тестів пропонують використовувати скловолокнистий папір. Автори розробки вважають, що одна тест-система коштуватиме приблизно 61 цент.

Над створенням наборів для CRISPR-обстежень у домашніх умовах працюють інші дослідники. Нещодавно розробки в цій галузі започаткувала Дженніфер Дудна - один з піонерів медичної CRISPR-революції. Її команда створила метод під назвою DETECTR (DNA endonuclease-targeted CRISPR trans reporter), який використовує білок Cas12a. Він знаходить певні послідовності ДНК і розрізає найближчі додані зразок репортерні молекули нуклеїнової кислоти з флуоресцентною міткою, подаючи сигнал. Таким чином, можна виявити сліди збудників багатьох захворювань, включаючи різні штами вірусу грипу.

За словами творців таких тест-систем, CRISPR-аналіз займе не довше за кілька годин, а результати можна буде отримати через інтернет. Втім, коли такі набори з'являться у відкритому продажу, наразі невідомо.

Це ілюзія: віртуальна реальність

Про віртуальну реальність частіше говорять у контексті комп'ютерних ігор та «об'ємного кіно», але технологія має потенціал і в медицині, причому не в самих очевидних галузях. Наприклад, VR ефективно використовують як знеболювальний.

У опіковому відділенні лікарні Університету Лойоли в Іллінойсі такий підхідпочали застосовувати ще десять років тому: під час хворобливих процедур пацієнти госпіталю грають у симуляторSnowWorld.

Дія розгортається на тлі напівфантастичних північних пейзажів з безліччю кучугур та замерзлих річок, завдання героя - грати в сніжки з полярними ведмедями, пінгвінами та сніговиками. Щоб пройти всі рівні, пацієнт мимоволі зосереджується на головоломці та відволікається від фізичних відчуттів. Результати МРТ-обстежень мозку показали, що SnowWorld дійсно пом'якшує сприйняття болю, тому пацієнту потрібно менше сильних знеболювальних засобів, які можуть зашкодити організму.

VR замінює або доповнює болезаспокійливі в багатьох галузях медицини. Технологію використовують для полегшення болю при пологах і під час стоматологічних процедур. Знеболювальні властивості віртуальної реальності особливо актуальні у світлі «опіоїдної кризи» в США – її пов'язують із зростанням популярності рецептурних знеболювальних (наприклад, оксиконтину та вікодину) в останні десятиліття.

VR працює не тільки за фізичного болю: вона здатна перемогти і психологічну травму. Перші експерименти пройшли наприкінці 1990-х, тоді психологу Барбарі Ротбаум вдалося полегшити симптоми посттравматичного стресового розладу у ветеранів В'єтнаму за допомогою віртуальних моделей кабіни вертольота та галявини в азійських джунглях. Ця методика доповнювала експозиційну терапію – поступове «наближення» до травмуючих спогадів, яких свідомість пацієнта намагається уникати. Схожа схема працює при лікуванні тривожних розладів та фобій за допомогою віртуальної реальності. Технологія допомагає впоратися з аерофобією та страхом публічних виступів: змодельоване середовище дає можливість багаторазово «репетирувати» лякаючу ситуацію.

Мінуси VR-терапії – порівняно висока вартість обладнання та потенційна фізіологічна непереносимість віртуальної реальності.

Деякі учасники випробувань нових методів лікування стикалися з VR-«нудотою» (virtual reality sickness), при ній виникають ті ж симптоми, що і при заколисуванні в машині чи морській хворобі. Згідно з поширеними гіпотезами, обидва розлади виникають через порушення роботи рецепторів вестибулярного апарату або конфлікту між сигналами, що надходять від вестибулярного апарату та органів зору.

Розробники вже створили кілька методів, здатних зменшити VR-«нудоту». Наприклад, на екрані можна розміщувати нерухомий об'єкт, який очі користувача фіксуватимуть постійно. Автори технології Nasum Virtualis пропонують використовувати як точку відліку віртуальне зображення носа, розміщене в центрі екрану. Очі гравця сприймають його як власний ніс, тому відчуття нудоти та запаморочення відступає.