Опознанный объект. Как нейросети ловят преступников и узнают хозяина. Новости нейросети

Российские ученые создали нейросеть с "человеческими" глазами

15:3004.09.2017

(обновлено: 16:32 04.09.2017)

8142994

МОСКВА, 4 сен – РИА Новости. Ученые из Института математических проблем биологии РАН создали нейросеть, которая управляет своим "взглядом" и ищет объекты на воспринимаемой картинке почти так же, как это делают органы зрения и мозг человека, говорится в статье, опубликованной в журнале Neural Networks.

"Разработанная модель предлагает простое и неожиданное объяснение для весьма сложного когнитивного процесса поиска и распознавания объектов на картинке, воспринимаемой нашими глазами", — рассказывает Яков Казанович из Института математических проблем биологии РАН в Пущино. По его словам, созданная его командой нейросеть должна помочь нейрофизиологам разобраться в том, как работает реальное человеческое зрение.

Ученый: нет никаких принципиальных ограничений для создания разумной машины

За последние десять лет сотни программистов и десятки крупных IT-компаний создали бесчисленное множество систем машинного зрения, способных распознавать различные объекты на воспринимаемой картинке и классифицировать их. Эти данные современные роботы, поисковые машины и дроны могут использовать для самых разных целей — к примеру, для обхождения препятствий или поиска клиента при доставке посылки.

Несмотря на огромные успехи в этой области, ученые до сих пор фактически ничего не знают о том, как работает зрение человека и животных и как нам удается автоматически классифицировать и распознавать даже те объекты, которые мы никогда раньше не видели.

Поэтому, как рассказывает Казанович, многие особенности человеческого сознания, восприятия реальности и зрения до сих пор остаются загадкой для нейрофизиологов и психологов. К примеру, ученые достаточно давно спорят о том, почему человек очень легко находит "контрастирующие" объекты в огромном множестве непохожих на него других структур, но при этом испытывает сложности при поиске нескольких фигур, запрятанных в небольшом числе похожих на них объектов.

Российские ученые научили компьютер угадывать возраст людей по тесту крови

Казанович и его коллега Роман Борисюк сделали большой шаг к решению этой проблемы, создав систему искусственного интеллекта, которая при решении этих задач ведет себя абсолютно таким же образом, что и человек.

Главной ее особенностью, как рассказывают ученые, является то, что она состоит из множества относительно независимых друг от друга структур, так называемых "ансамблей", нейроны в которых вырабатывают особые колебания. Одна из этих структур становится своеобразным "дирижером", который управляет работой остальных "ансамблей" и раздает им задания, а другие ансамбли по сути являются объектами, которые "видит" нейросеть на картинке.

Google: "искусственный разум должен дополнять, а не заменять человека"

"Ансамбли" постоянно конкурируют друг с другом за влияние на "дирижера" и на работу всей нейросети в целом. То, как протекает эта конкуренция, как показали опыты и расчеты Казановича, почти идеально отражает принцип работы зрения человека и похоже на "скольжение" нашего взгляда по картинке при поиске объектов разной степени "контрастности".

Эта модель, как надеются ученые, поможет нейрофизиологам не только найти аналогичные структуры в мозге человека и обезьян, но и понять, как они работают, что приблизит нас к созданию "естественных" систем машинного зрения.

ria.ru

как Россия может стать родиной искусственного разума — Рамблер/новости

Российский квантовый центр и Газпромбанк создали три новых лаборатории, где ведущие российские ученые проверят, можно ли применять квантовые компьютеры и симуляторы для ускорения нейросетей и систем искусственного интеллекта, заявили ученые на встрече с журналистами. "Следующим шагом может стать реализация более масштабного проекта по созданию в России универсальных квантовых компьютеров. Они могут значительно расширить сферы применения квантового машинного обучения, а также открыть для индустрии новые направления, например, квантовую химию и моделирование новых материалов" — прогнозирует Руслан Юнусов, генеральный директор РКЦ.

Нейронный век

Стремительный рост объема данных, вырабатываемых и используемых человечеством в повседневной жизни, заставляет сегодня программистов, инженеров, физиков и представителей других наук искать новые способы обработки информации.

Самые большие надежды сегодня возлагаются на две вещи — квантовые компьютеры, способные обрабатывать космически большие объемы данных, и на системы машинного обучения и искусственного интеллекта, способные искать полезную "иголку" в "стоге сена" бесполезной информации, не тратя на это много ресурсов.

Как уже рассказывал РИА "Новости" Алексей Федоров, один из руководителей лабораторий, квантовые алгоритмы можно применять для того, чтобы ускорять математические процедуры, задействованные в работе систем ИИ, но при этом их можно использовать и для решения задач оптимизации и множеством других способов. "Михаил Лукин и его коллеги уже создали квантовые машины, которые в принципе могут решать достаточно серьезные задачи. И у нас, и у инвесторов возникает большой вопрос — а что именно они могут делать и где они будут полезны? Это мы и собираемся проверить в рамках наших трех групп и лабораторий", — пояснил Федоров, выступая на встрече с журналистами в Москве. Помимо Федорова и его коллег, в этой работе будут участвовать коллективы под руководством Александра Львовского и Алексея Рубцова. Рубцов возглавит направление, в котором методы машинного обучения будут использоваться для описания сложных квантовых систем. Вдобавок, он будет разрабатывать теорию квантовых нейронных сетей.

Команда Федорова займется разработкой программной платформы для квантовых вычислений и реализации алгоритмов машинного обучения, а коллектив Львовского — обучением нейросетей при помощи квантовых симуляторов, "аналоговых" квантовых компьютеров.

"Проблема заключается в том, что пока никто не знает, какие из тех ожиданий, которые у нас накопились в последние годы, оправдают себя в тот момент, когда у нас появятся первые универсальные вычислительные машины, содержащие в себе миллионы кубитов. Совершенно непонятно, какие из этих идей и алгоритмов будут работать на практике", — добавляет Лукин, профессор Гарварда и создатель одного из самых больших квантовых компьютеров мира.

Квантовая неопределенность

На поиски ответов на этот вопрос РКЦ и Газпромбанк, как передает пресс-служба центра, выделили 1,5 миллиона долларов США. В будущем, финансирование лабораторий может быть расширено. Как отметил Дмитрий Зауэрс, заместитель Председателя правления Газпромбанка, бизнес интересует возможность использования квантовых нейросетей для того, чтобы управлять портфелями инвестиций, оценивать риски и торговать активами.

Для проверки подобных идей, как подчеркнул Лукин в беседе с корреспондентом РИА Новости, не обязательно строить полноценный квантовый компьютер, способный решать любые задачи и имеющий в себе тысячи вычислительных модулей. Многие реальные проблемы, в том числе научные задачи, можно решить, используя более ограниченные системы из меньшего числа элементов.

"Многие платформы, в том числе и наш компьютер в Гарварде, уже стали достаточно большими, когерентными и надежными для проверки части этих алгоритмов и решения научных задач. Они все еще делают ошибки, и поэтому нам крайне важно понять, какие из алгоритмов будут более стойкими к появлению подобных помех", — продолжает физик. В США, как отметил профессор Гарварда, сегодня существует более двух сотен стартапов, которые собираются или создавать квантовые компьютеры, или разрабатывать алгоритмы, работающие на их базе, в том числе и технологии, связанные с обработкой данных и обучением систем искусственного интеллекта. Как считает ученый, у России есть шанс занять лидирующие позиции в этой отрасли, если для этого будут приложены серьезные усилия. "Квантовые нейросети изначально будут использоваться не на практике, а для изучения квантовых компьютеров и самой физики. К примеру, они помогут нам понять, как возникают аномальные структуры, "квантовые шрамы", которые мы недавно открыли. Их изучение, в свою очередь, может уже дать что-то полезное на практике, но сказать это пока мы не можем — для этого надо понять, как строить квантовые нейросети. Мне хотелось бы видеть что-то конкретное, и я с удовольствием воплотил бы это в жизнь на нашей машине", — заключает Лукин.

Эксперт рассказал, почему нейронные сети умнее компьютеров

10:4703.10.2017

(обновлено: 16:50 05.10.2017)

3163141

МОСКВА, 3 окт — РИА Новости, Ольга Коленцова. 2-6 октября проходит конференция "Нейроинформатика-2017". Впервые она состоялась по инициативе трех институтов: НИЯУ "МИФИ", научно-исследовательского института нейрокибернетики им. А.Б. Когана и Института Вычислительного Моделирования Сибирского отделения РАН. В этом году конференции исполняется 19 лет.

Корреспондент РИА Новости пообщался с Александром Горбанем, доктором физико-математических наук, специалистом в области нейронных сетей и одним из основных участников конференции.

Александр Горбань

— Александр Николаевич, расскажите, что такое нейронные сети?

— Нейронными называются сети, состоящие из связанных между собой простых элементов искусственных нейронов. В нашем организме так называются клетки, которые хранят, передают и обрабатывают информацию с помощью электрических и химических сигналов. Искусственная нейросеть построена в попытках расшифровать механизмы мозга и поставить их на службу информатике. Сложность, гибкость функционирования и другие важнейшие качества сетей определяются связями между нейронами. В искусственном виде они являются очень упрощенными моделями реальных. Каждый из них представляется как простой элемент, служащий для передачи сигнала. Можно сказать, что главную роль играет именно структура связей, а не свойства связанных элементов (нейронов). Именно эта идея лежит в основе создания различных нейросетей. А большая часть работ по нейроинформатике посвящена решению задач с помощью таких сетей.

Нейронная сеть в представлении художника

— Зачем нужны нейронные сети, когда есть сверхмощные компьютеры? У них есть преимущество?

— Хорошо известна гипотеза Марвина Минского (американского ученого в области искусственного интеллекта) о том, что реальная производительность параллельной системы растет как логарифм их количества. Например, производительность системы из 100 процессоров выше производительности 10-процессорной системы всего вдвое. Процессоры дольше стоят в очереди на вычисление, чем собственно занимаются им. Однако если вы сконструировали для решения задачи нейронную сеть, то параллелизм может быть использован практически полностью — и производительность растет почти пропорционально числу нейронов в сети. Сеть из формальных нейронов может быть эффективно, с максимальной производительностью реализована на многих параллельных системах. Главное преимущество нейронных сетей в том, что они хорошо приспособлены для параллельных вычислений. И, конечно, важно, что они обучаемы. Нейросеть делает "свои" выводы на основе примеров, которые мы предоставляем ей для изучения.

Человеческий мозг

— Перечислите, пожалуйста, наиболее важные области их использования.

— Одно из самых известных и популярных применений — распознавание образов: человеческих лиц, букв и иероглифов, отпечатков пальцев, заболеваний по симптомам. Нейронные сети делают это значительно быстрее и успешнее, чем человеческие органы чувств, они не устают, их восприятие "не замыливается". Также они могут прогнозировать события, например, результаты выборов, поведение противника, устойчивость супружеских отношений. На данный момент нейросети являются одной из основных баз, на которых может быть построен искусственный интеллект.

Эксперт рассказал, сможет ли искусственный интеллект развязать войну

— Какой прогноз Вы дадите будущему нейронных сетей?

— Если говорить о ближайшем будущем, они "найдут работу" в прогнозировании, оптимизации, управлении в реальном времени. Заглядывать в далекое будущее я не могу и просто не решаюсь. Некоторые перспективы немного пугают. Например, после некоторой точки развития нейросетей мы можем стать слишком зависимыми от них. А в случае форс-мажора (заметьте, я не говорю о выходе из-под контроля, этот вопрос как раз решается легко) и отказа от нейросетей мы превратимся практически в пещерных людей. Эти и другие проблемы мы обсуждаем на конференции "Нейроинформатика-2017".

ria.ru

Год искусственного интеллекта: топ-5 нейросетей, изменивших мир

Следующая новость

Искусственная нейронная сеть — это шаг в то будущее, которое на протяжении последних трех десятилетий служит основным сюжетом фантастических фильмов. Пришествие искусственного интеллекта началось, а мы даже не заметили, как программы на основании аналога человеческого разума вошли в нашу жизнь и изменили ее. Телеканал «360» собрал топ-5 самых передовых технологий и узнал перспективы у разработчиков.

Как работает искусственная нейронная сеть?

Для начала немного вводной информации. Нейронная сеть в отличие от обычной программы действует не только в соответствии с заданными алгоритмами и формулами, но и на базе прошлого опыта.

«Если объяснять „на пальцах“, то нейронными сетями стали называть тип алгоритмов, который изначально появился с целью как-то моделировать работу реального мозга. Если мозг состоит из огромного количества связанных нервных клеток, то нейронная сеть состоит из простых элементов (иногда их называют процессорами или нейронами). Каждый такой элемент связан с другими. Связи могут усиливаться или ослабляться в процессе обучения», — пытается простыми словами описать принцип устройства работы нейронных сетей Иван Ямщиков, ведущий аналитик и руководитель группы исследований новых продуктов «Яндекса».

Простой пример: нейросеть играет в компьютерную игру, и ей поставили единственную задачу — набрать максимальное количество баллов. Но правила не объяснили. На сотой попытке она понимает, что баллы набираются, если не пропускать шар. На 600-й попытке она уже знает в какой угол бить, чтобы наиболее быстро набрать очки за минимальное количество ударов.

Топ-5 революционных нейросетей

1. Автопилот Tesla

Самый громкий проект этого года, который кардинально изменит нашу жизнь в будущем, — Tesla. Автопилоты в них работают на основе нейросетей, а все машины этой марки в мире — огромная школа.

«Все машины они сделали инструментом для обучения нейронных сетей. Нейросеть не может сама обучаться, ей обязательно нужен тренер. В данном случае в его роли выступает водитель, который объезжает препятствия. Когда ты выполняешь маневр, машина обучается. И другие люди, когда они утром получают апдейт — новую версию программного обеспечения, она каждый день обновляется, то их машина уже тоже умеет объезжать это препятствие. Уникальность решения в том, что если они сумеют распространить автомобили по всему миру, то уже через несколько лет будет хороший, близкий к совершенному автопилот», — считает Ашот Габрелянов, разработчик приложений на основе нейросетей.

Недалек тот день, когда автопилот войдет в нашу жизнь так же плотно, как коробка-автомат. Эксперты называют срок в пять лет.

2. Системы безопасности

Все мы в этом году баловались новыми приложениями типа PRISMA и MSQRD, превращались в единорогов на видеороликах, создавали картины в стиле Шагала из фотографий. Все эти шалости основаны на технологии распознавания лиц и предметов, на которое способна лишь нейросеть.

Ее основное направление использования — системы безопасности. Вспомните любой шпионский фильм или историю Эдварда Сноудена. Эти программы могут искать преступников по голосу среди миллионов разговоров, по лицу в толпах людей на улице, по ключевым словосочетаниям в миллиардах сообщений.

«Любая возможность быстро распознать твое лицо минимизирует желание совершать преступление. Самый яркий пример — террорист из Великобритании, которого нашли, используя именно эти системы. Сейчас это работает постфактум, в дальнейшем обработка будет происходить моментально в реальном времени. Также у нейросетей большой потенциал в отражении кибератак», — рассказывает о возможных применениях разработчик Magic App Ашот Габрелянов.

Он и сам использует в своих приложениях схожую технологию, но в развлекательных целях.

«Мы сейчас работаем над технологией распознавания эмоций. Это новое направление. Например, Google и Facebook сейчас работают над созданием решения для виртуальной, дополненной реальности. В ближайшем будущем, когда люди начнут общаться в новой реальности, им нужно будет выражать эмоции. Для этого необходимо научить компьютер их считывать с человеческого лица, чем мы и занимаемся», — отметил он.

3. Нейросети в медицине

В России, да и во всем мире идет работа над проектом внедрения нейросетей в медицину. Касается это тех болезней, которые можно выявить по снимкам. Врачам для постановки диагноза требуется большой опыт и время, а верное заключение дается не всегда с первого раза.

Нейросеть проанализировала базу рентгеновских снимков с точными заключениями за последние 10 лет. На основе этих данных программа ставит диагноз за несколько минут с точностью 98%.

4. Анализ данных в социальных сетях

Но нейросети широко используются и в простых вещах, которые мы уже воспринимаем, как обыденность. Их заложили в основу Яндекс. Погоды: сервис делает прогноз с точностью до минуты и до метра, анализируя объем информации, который не сможет обработать ни один метеоролог.

«Мы используем алгоритмы такого типа в целом ряде наших сервисов и проектов. Яндекс улучшает качество поиска с помощью Палеха, Auto.ru помогает выбрать оптимальный ракурс для фото автомобиля. Мы с коллегами использовали открытый код перенесения стиля, который написал наш коллега Дима Ульянов, и с его помощью сняли ролик о Кандинском. Кроме того, наш поиск по картинкам умеет искать их не по набору „тегов“, а по описанию того, что изображено на картинке. Применений много, планов тоже хватает, но мы о планах будем говорить по мере их реализации», — рассказывает о разработках Иван Ямщиков, ведущий аналитик и руководитель группы исследований новых продуктов «Яндекса».

Поисковые машины в интернете, поиск музыки по звуковому оттиску Shazam, навигаторы, социальные сети, компьютерные игры — все это удивительные нейросети.

«Со временем программы типа Siri смогут самостоятельно бронировать билеты на самолет для владельца, заказывать продукты на дом и так далее», — считает разработчик Ашот Габрелянов.

5. Нейросети и творчество

Нейронные сети учатся и творить. «Яндекс» создал ролик к 150-летию Василия Кандинского, который раскрасила нейросеть в стиле художника. Она изучила все его работы и сделала то, на что человек не способен — вывела точный набор форм и цветов.

Точно так же сейчас программы учатся у людей писать стихи и не только. Например, нейросети дали проанализировать базу из 100 часов поп-музыки и предложили создать песню на заданную тему: ей показали фотографию елки. На основе основного набора слов (их оказалось всего три тысячи) она создала композицию с довольно складным текстом: «Я могу слышать музыку, идущую из зала, сказка, елка и много цветов».

Neural Story Singing Christmas from Hang Chu on Vimeo.

«Пробу пера» судить строго не следует. Какую музыку и картины способен создать достаточно обученный искусственный интеллект — сложно представить.

Дарья Дементьева

360tv.ru

Опознанный объект. Как нейросети ловят преступников и узнают хозяина

МОСКВА, 25 мая — РИА Новости, Татьяна Пичугина. Самообучающиеся нейросети произвели в системах распознавания лиц настоящую революцию. В Китае реализуют масштабную государственную программу безопасности на основе анализа изображений с миллионов камер видеонаблюдения. Похожие системы тестируют московские аэропорты и метрополитен. РИА Новости вместе с экспертами рассказывает, как такие системы устроены и на что они способны.

Особая задача для мозга

В Сбербанке рассказали об успехах работы системы распознавания лиц в метроЗа распознавание сородичей и врагов отвечает особая область в зрительной коре мозга человека (в затылочной части), где расположены нейроны — детекторы лиц. Эти нейроны образуют сети, иерархически обрабатывающие зрительную информацию и хранящие образы. Если несколько нейронов отомрут, сеть быстро найдет им замену, и система продолжит работу.

Оказавшись в помещении, человек первым делом сканирует пространство в поиске лиц. Фотоны поступают на сетчатку глаза и преобразуются в электрические сигналы, идущие в мозг. Там изображение разлагается на признаки, из которых затем складывается целостная картина. В нашей памяти хранятся образы, виденные ранее, и некоторые априорные представления об окружающем мире, поэтому мы не удивляемся, придя в новое место или встретив незнакомцев. Все эти объекты нам известны на уровне категорий — стол, окно, старик. Различие лишь в деталях, цвете, размерах.

Примерно так же устроена нервная система лягушки, реагирующая запрограммированным образом на зрительную информацию. Маленький длинный прямоугольник амфибия воспримет как червяка, а большой квадрат укажет на хищника, от которого нужно спасаться. Распознавать сородичей умеют и рыбы.

Сотни признаков вместо абстракции

Российскому искусственному интеллекту зададут стандарты распознавания лицПри разработке нейросетей программисты взяли за основу схему работы мозга. Только вместо нейронов — математические формулы, оперирующие цифровыми или логическими значениями. Эти нейроны-формулы связаны в слои, которые получают на входе данные и выдают результат, а слои — в сети. Нейросети содержат десятки и даже сотни слоев.

Система распознавания лиц состоит из двух частей. Первая — нейросеть-детектор — принимает поток изображений с видеокамеры и определяет, есть ли там лица. Набор лиц она подает на вход нейросети-идентификатору, которая сравнивает их с базой данных лиц-эталонов и говорит, есть совпадение или нет.

Как и мозг, нейросеть оперирует признаками. Но описать их привычными терминами не получится. Круглое лицо, тонкие брови, темные волосы, пробор налево — это абстрактные понятия, которые формируются после иерархического анализа зрительных сигналов. Реальный процесс узнавания гораздо сложнее, он основан на анализе множества мелких черт. Так же работает и искусственный интеллект. Покатый лоб он может описывать с помощью трехсот признаков.

Так, по мнению художника, нейросеть распознает лицо

"Трудно сказать, какие признаки формирует нейросеть. Она как черный ящик, открыть который и посмотреть, как он работает, — само по себе непростая научная задача. Достоверно мы знаем, что у нас есть математическая модель, преобразующая изображение лица в список признаков. Перебирая варианты, мы меняем структуру этой модели, чтобы улучшить результат", — рассказывает РИА Новости Алексей Цессарский, заместитель генерального директора компании — разработчика системы "Видеотэк".

Свернуть и сложить

Задача нейросети сводится к преобразованию изображения в набор признаков. Делает она это с помощью фильтров в виде математических формул. Берется рамка, обычно размером три на три пикселя, и накладывается на изображение лица. Далее девять пикселей, которые входят в рамку, заменяются одним, допустим, самым ярким из них. Рамка движется по всему изображению, уменьшая его в три раза. Это называют сверткой, а использующую ее нейросеть — сверточной. С набором свернутых изображений машине легче работать. Именно они в итоге позволяют отличить одно лицо от другого.

"В качестве фильтра можно выбрать только красный цвет, цвет верхнего левого угла рамки. Есть фильтры, хорошо выделяющие границы, находящие горизонтальные линии. Есть формулы, которые с набором признаков делают математические преобразования", — поясняет Цессарский.

Алексей Цессарский объясняет принцип работы системы распознавания лиц

Набор фильтров, их последовательность, структура нейросети — это ноу-хау, над которым, собственно, и бьются разработчики.

Чтобы нейросеть успешно распознавала лица, ее нужно обучить на большой базе изображений. Это долгий процесс с множеством итераций. В зависимости от размера базы и вычислительных ресурсов на это уходят недели и месяцы. Шаг за шагом система учится все точнее распознавать лица. Программисты только следят за тем, чтобы векторы признаков (результат работы нейросети) были максимально информативными, позволяли проводить сравнение.

Для обученной нейросети не представляют проблем возраст, пол, этническая принадлежность лица.

"Она способна за считаные секунды дать ответ на вопрос, кто из этих десяти миллионов находился в поле зрения полутора тысяч камер. Человек не сделает такого никоим образом", — подчеркивает Цессарский.

Как обмануть систему

"Самое простое — это полностью закрыть лицо. Но есть и более умные методы, только надо знать структуру нейросети и на каких данных она обучалась. Нанеся специальный грим, к примеру, полоски, черные точки, программу, возможно, удастся обмануть. Но еще до этого раскрашенный странным образом человек вызовет подозрение у окружающих и привлечет внимание полиции", — рассказывает Артем Кухаренко, основатель компании NtechLab, разработавшей систему FindFace для поиска людей по фото в открытых профилях во "ВКонтакте".

Парик, усы, очки несильно снижают точность распознавания. Боевая раскраска — например, футбольных фанатов — тоже не сбивает систему с толку. Ведь большая часть признаков относится к строению лица, а не дополнительным атрибутам. Гораздо эффективнее не маскироваться, а попытаться свести программу с ума, утверждает Цессарский.

"Нейросеть — это, по сути, сложная функция, получающая данные, преобразующая их и выдающая результат. У нее есть узкий диапазон входных значений, которые дают результат, радикально отличающийся от обычного. Можно подобрать картинку, так сильно влияющую на результат расчета, что он выбьется из стандартной картины. Что-то типа китайского иероглифа — в сочетании с лицом это собьет систему с толку", — объясняет он.

По словам эксперта, подбор таких картинок-обманок — трудоемкая и наукоемкая задача. Большинству преступников она не под силу.

"Это занятие скорее для ученых, чем обычных людей", — заключает Цессарский.

В режиме города

С московскими ДТП и пробками начали бороться с помощью "Калашникова""Одна из актуальных задач — поиск лиц, находящихся в розыске, на основе анализа потока с камер городского видеонаблюдения, например в Москве. Нейронная сеть в режиме реального времени сравнивает людей, попавших в поле зрения камер, с находящимися в базе правоохранительных органов. При совпадении информация моментально передается ближайшему полицейскому, и тот дальше действует в соответствии с инструкцией. Это позволяет повысить уровень безопасности в городе", — рассказывает Артем Кухаренко.

В Москве сотни тысяч уличных видеокамер. Отсмотр записей с них при необходимости происходит в ручном режиме и занимает часы, а то и дни. Если же задачу поручить программе, то она решит ее за секунды и с высокой точностью. Например, на поиск по пятистам миллионов фото, опубликованным в соцсети "ВКонтакте", уходит полсекунды.

По словам Кухаренко, точность системы зависит от размера базы изображений, с которой необходимо работать: база из тысячи изображений даст почти стопроцентную точность, миллионы фото снизят точность до 95 процентов.

Условия, в которых стоят видеокамеры, также играют роль. Засветка, ракурс снимка снижают точность, но система все же будет работать.

"Даже вероятность распознания шестьдесят процентов — это очень много", — подчеркивает Кухаренко.

Машина познает эмоции

Нейросети уже учатся распознавать эмоции. Благодаря этому они могут стать умными помощниками, встроенными в машины и гаджеты.

"Сервисы все более обезличиваются, когда с клиентом общается программа. Можно научить ее оценивать эмоции и на них реагировать. Например, вы пытаетесь купить что-то в автомате и не знаете, на какую кнопку нажать, злитесь, стучите кулаком. Автомат, наделенный способностью распознавать эмоции, вступит в диалог, поможет", — объясняет Алексей Кадейшвили, технический директор компании "Вокорд".

ВКонтакте тестирует в Бразилии подсказки стикеров на основе нейросетейЕще более интересная задача — создать личного помощника, который подстроится под конкретного человека, будет знать его эмоции и научится на них реагировать. Такую программу можно встроить в гаджет или "умный дом", добавив к признакам не только выражение лица, но и голос, движения.

Принципиальная схема такова: программа следит, насколько у человека искажены черты по сравнению с нейтральным выражением лица. По степени искажения определяет ту или иную эмоцию. Однако пока подобные задачи сложно формализовать, мешает субъективный фактор.

"Есть ярко выраженные эмоции — с ними не ошибешься, а есть эмоции, которые можно по-разному трактовать, — смешанные, промежуточные. Это сильно усложняет работу автоматизированной системы. Результат распознавания лица понятен — определили либо правильно, либо нет. В случае ошибки в системе следует что-то исправить. С эмоциями не так", — говорит Кадейшвили.

Научный подход требует экспертного заключения о том, куда отнести те или иные эмоции. Но, по словам Алексея Кадейшвили, это долго, сложно и дорого, поэтому разработчикам систем распознавания эмоций приходится оперировать ограниченным числом исходных данных.

Вектор прогресса

Хотя нейросети справляются с задачей распознавания лиц лучше, чем люди, до идеала еще далеко.

Одноклассники запустили сервис "Моменты" с видеороликами"За два года мы улучшили точность нашего алгоритма в три раза. Работаем и над скоростью. Для крупных проектов требуется много вычислительных ресурсов, поэтому стоит задача сделать систему еще более эффективной и дешевой", — отмечает Артем Кухаренко.

Пока системы распознавания лиц востребованы для масштабных задач: обеспечения безопасности жителей города, пассажиров транспортных систем, контроля доступа на крупные предприятия и спортивные объекты, поиска пропавших людей. Есть ряд задач для ретейла: борьба с воровством, системы лояльности.

"Наш алгоритм позволяет распознавать эмоции, определять пол и возраст, наличие усов, бороды, очков и так далее. Это востребовано в розничной торговле. Ретейлеры хотят получать демографический или возрастной срез посетителей, понимать предпочтения клиентов для более высокого уровня обслуживания", — приводит пример Кухаренко.

"Сфера применения нейросетей очень широка. Сложнее сказать, где этой технологии не будет в ближайшее время", — уточняет Алексей Кадейшвили.

По его словам, нейросети не все ситуации отрабатывают качественно. Например, трудности вызывает некооперативный режим, когда требуется распознавать лица людей, идущих в толпе и не стремящихся помогать системе быть распознанными. Точность тогда ниже, чем при анализе селфи-фото. Однако года через три все дыры в системах распознавания лиц заделают, и они станут такой же привычной частью нашей жизни, как фотокамеры в мобильных телефонах.

ria.ru

Российские ученые заставили нейросеть сомневаться по-человечески

09:0023.03.2018

(обновлено: 09:16 26.07.2018)

15342537

МОСКВА, 23 мар — РИА Новости. Международный научный коллектив, в который входят ученые из Саратовского государственного технического университета имени Гагарина Ю. А. (СГТУ), создал искусственную нейронную сеть и смоделировал состояние неопределенности выбора в момент принятия мозгом решения. Статья об исследовании опубликована в журнале CHAOS Американского института физики.

Российские ученые создали нейросеть с "человеческими" глазами

В последнее время искусственные нейронные сети (ИНС) стали мощным инструментом для исследования искусственного интеллекта и анализа данных. Их широко применяют в социальных науках, робототехнике и нейронауке для классификации, прогнозирования и распознавания образов.

В нейронауке они помогают классифицировать нейронные сигналы, обнаруживать патологическую активность мозга (например, при эпилепсии) и нейродегенеративные заболевания. Однако способность сетей классифицировать состояния, при которых "мозговые" неопределенности приводят к неопределенности выходных данных, пока еще изучена слабо.

Ученые из Саратова вместе с коллегами из Центра биомедицинских технологий Технического университета Мадрида решили эту задачу при помощи нейросети типа "многослойный персептрон", которая позволяет распознавать состояния, возникающие при восприятии неоднозначного визуального образа. Тип сети они выбрали в результате долгих испытаний на предмет эффективности работы с визуальными стимулами.

Компьютер впервые прошел тест на понимание прочитанного лучше человека

Целью исследования было уловить определенное состояние в общей активности головного мозга. Для этого ученые проанализировали методами искусственного интеллекта и машинного обучения сигналы магнитоэнцефалограмм (МЭГ) — записи магнитной активности нейронных ансамблей мозга. "Идя таким путем, мы смогли распознать и подробно охарактеризовать состояния неопределенности человеческого выбора в момент принятия мозгом решения. Более того, мы смогли точно измерить тот период времени, в течение которого человек колеблется и не может сделать выбор", — рассказал один из авторов исследования, заведующий кафедрой автоматизации, управления и мехатроники, руководитель Научно-образовательного центра "Системы искусственного интеллекта и нейротехнологии" СГТУ профессор Александр Храмов.

По его словам, выявить такие состояния мозговой активности традиционными методами (например, с помощью частотно-временного анализа) довольно сложно. Но искусственный интеллект оказался здесь весьма эффективен, поскольку способен показать неочевидные особенности сигналов.

Эксперт рассказал, почему нейронные сети умнее компьютеров

МЭГ-сигналы записывали в ходе нейропсихологического эксперимента: восприятия оптической иллюзии, так называемого "куба Неккера". Участники эксперимента должны были сконцентрироваться на изображении и принять решение по его интерпретации, а к анализу записанных сигналов применялась ИНС. Обучающей выборкой для нее стали отрезки сигнала, соответствующие восприятию самых простых и однозначных изображений. В такие моменты у человека меньше трудностей с интерпретацией, чему соответствуют наиболее устойчивые паттерны его нейронной активности.

Затем уже обученная сеть проанализировала оставшиеся сигналы, соответствующие восприятию неоднозначных изображений. Оказалось, что при этом она многократно переключала отклик. Если интерпретировать это как "сомнения" нейросети, то таким образом можно успешно отслеживать и сомнения живого человека в процессе выбора.

Искусственный разум: чего ждать людям от умного железа

Эти данные помогут ученым создать искусственный интеллект, который в сложном случае остановится перед принятием решения, что позволит перейти в режим ожидания и накопить информацию. Можно представить себе марсоход, который в ситуации сомнений обращается за помощью к операторам на Земле. В этом случае искусственный интеллект марсохода должен включать нейросеть с точкой остановки, связанной с невозможностью совершить выбор — то есть с сомнениями.

Метод поиска таких состояний эффективен также для тестирования и тренировки когнитивных способностей человека, его умения быстро принимать решения в стрессовых ситуациях. Это жизненно важно для многих профессий: пилотов, водителей, спасателей, военных или спортсменов. Авторы исследования уже начали разрабатывать соответствующие тренировочные комплексы на базе нейроинтерфейсов.

ria.ru

Российские ученые заставили нейросеть сомневаться по-человечески

Фото: Depositphotos / agsandrew

Ученые международного научного коллектива с участием сотрудников Саратовского государственного технического университета имени Гагарина Ю. А. создали искусственную нейронную сеть, смоделировав состояние неопределенности человеческого выбора в момент принятия мозгом решения. Статья об исследовании опубликована в журнале "CHAOS" Американского института физики ("American Institute of Physics").

Искусственные нейронные сети (ИНС) сегодня являются мощным инструментом искусственного интеллекта и анализа данных. Они широко используются в социальных науках, робототехнике и нейронауке для классификации, прогнозирования, распознавания образов. В нейронауке ИНС помогает классифицировать нейронные сигналы, выявлять патологическую активность мозга (эпилепсия), нейродегенеративные заболевания. Однако все еще слабо изучена способность сетей классифицировать состояния, при которых "мозговые" неопределенности приводят к неопределенности выходных данных ИНС.

Ученые из Саратова вместе с зарубежными коллегами (Центр биомедицинских технологий Технический университет Мадрида) успешно задействовали нейросеть типа "многослойный персептрон" для распознавания подобных состояний, возникающих при восприятии неоднозначного визуального объекта. Тип сети был выбран в результате долгих испытаний на предмет эффективности работы с визуальными стимулами. "Цель нашей работы — уловить определенное состояние в общей активности головного мозга, анализируя методами искусственного интеллекта и машинного обучения сигналы магнитоэнцефалограмм (МЭГ) — записи магнитной активности нейронных ансамблей мозга. Идя таким путем, мы смогли распознать и подробно охарактеризовать состояния неопределенности человеческого выбора в момент принятия мозгом решения. Более того, мы смогли точно измерить тот период времени, в течение которого человек колеблется и не может сделать выбор", — рассказал один из авторов исследования, заведующий кафедрой "Автоматизация, управление, мехатроника", руководитель Научно-образовательного центра "Системы искусственного интеллекта и нейротехнологии" СГТУ имени Гагарина Ю. А. профессор Александр Храмов.

По его мнению, выявить подобные состояния мозговой активности с помощью традиционных методов (например, частотно-временного анализа) достаточно сложно. Искусственный интеллект, напротив, оказался крайне эффективен при решении столь нетривиальных задач, показав неочевидные особенности сигналов.

МЭГ-сигналы записывали в процессе нейропсихологического эксперимента: восприятия оптической иллюзии (так называемого "куба Неккера"). От испытуемого требовалось сконцентрироваться на изображении и принять решение по его интерпретации, а к анализу записанных так сигналов применялась ИНС. Обучающей выборкой ИНС стали отрезки МЭГ-сигнала, соответствующие восприятию испытуемым самых простых и однозначных изображений (в такие моменты человек испытывает меньше трудностей с интерпретацией, чему соответствуют наиболее устойчивые паттерны его нейронной активности).

В свою очередь, анализ уже обученной сетью оставшихся данных (сигналов МЭГ, соответствующих восприятию неоднозначных изображений) сопровождался множеством спонтанных переключений отклика. Если интерпретировать это, как "сомнения" нейросети, то через них можно успешно диагностировать и сомнения живого человека в процессе выбора.

Такие данные помогут ученым создать искусственный интеллект, который в сложном случае остановится перед принятием решения, что позволит перейти в режим ожидания и накопить информацию. Можно представить себе марсоход, который в ситуации сомнений обращается за помощью к операторам на Земле. В этом случае искусственный интеллект марсохода должен содержать нейросеть, которая имеет точку остановки, связанную с невозможностью совершить выбор, то есть, сомнениями.

Метод поиска таких состояний эффективен также для тестирования и тренировки когнитивных способностей человека, его умения быстро принимать решения в стрессовых ситуациях, — что жизненно важно в широком спектре профессий: пилотам, водителям, спасателям, военным, спортсменам и многим другим. Авторы уже инициировали разработку соответствующих тренировочных комплексов на базе нейроинтерфейсов.