Глубокое обучение: как компьютеры подражают работе человеческого мозга

Главная роль в революции искусственного интеллекта принадлежит не программируемым компьютерам, а компьютерам, способным к самообучению. Но как учатся компьютеры?

Задача сводится к обработке входных данных и повторению модели функционирования нейронов в мозге человека. В публикации журнала The Economist от 6 мая 2017 года данные были названы новой нефтью для формирующейся цифровой экономики. И если продолжить аналогию, то базы данных, технология блокчейн и хранилища данных – это буровые установки, а глубокое обучение – нефтеперерабатывающий завод, превращающий нефть в другие полезные продукты. Глубокое обучение – ключевой элемент намечающегося бума в развитии искусственного интеллекта.

Нейронные сети глубокого обучения строятся на тех же принципах, которые использует мозг человека. В нем есть особые клетки – нейроны, состоящие из нескольких частей, в том числе отростков, называемых дендритами. Когда человек учится, эти отростки становятся длиннее. Они соединяют клетки мозга в точках контакта, называемых синапсами. Чем разветвленнее отростки нервных клеток и чем многочисленнее связи между нейронами, тем больше информации может храниться в мозге. Когда вы повторяете пройденный материал или тренируете полученные навыки, дендриты становятся прочнее, формируя слой жировой ткани и удваивая связи между ключевыми нейронами (и блоками памяти).

В сетях глубокого обучения мы создаем искусственные аналоги нейронов, называемые перцептронами. Эти искусственные нейроны – плод трудов Фрэнка Розенблатта из Корнеллской лаборатории аэронавтики, разработавшего концепцию еще в 1957 году. Первые перцептроны создавались для распознавания изображений и представляли собой аппаратно реализованные логические схемы, а не программный код, как сегодня.

Рисунок 2. В нейронных сетях глубокого обучения используются искусственные нейроны, называемые перцептронами (изображение предоставлено Кристофом Бергером)

В терминах компьютерной науки можно сказать, что перцептрон обучается на основе применения к входным данным алгоритма бинарной классификации. Например, если цель состоит в обучении умению различать собак и кошек, алгоритм располагает входные данные (векторы) по разные стороны диагонали, чтобы создать границу линейного решения. Алгоритм обрабатывает элемент на входе, чтобы дать на выходе значение нуля или единицы, но по мере обучения может корректировать расположение диагонали (сдвигая линейную границу). Способность различать изображения кошек и собак со временем улучшается, и результаты становятся точнее.

Рисунок 3. Перцептрон сдвигает линейную границу по мере добавления новых векторов (изображение предоставлено Wikipedia)

Ранее, когда мы говорили о несоответствии возможностей людей и технических устройств, речь каждый раз заходила о способности человека распознавать закономерности, творчески мыслить, оперировать абстрактными понятиями и т. п. Сейчас, когда мы научили машины обучаться, наша способность распознавать закономерности и рассуждать на разные темы больше не дает нам такого явного преимущества, как раньше.

В глубоком обучении используется множество технологий, включая одно- и многослойные перцептроны, обучение сети методом обратного распространения ошибки, ступенчатые функции и линейные векторы, но не нужно быть экспертом в технологии искусственного интеллекта, чтобы понять: он уже начинает оказывать масштабное воздействие на наше общество.

Мы уже уступаем машинам

Сегодня на въезде в страну Евросоюза, Великобританию, США, ОАЭ, Сингапур, Гонконг, Австралию и многие другие государства обладатели биометрического паспорта могут пройти электронный паспортный контроль. Как ни банально, причина проста: сегодня компьютеры намного лучше распознают лица и проверяют личность, чем самый образцовый работник таможни. Как показывают исследования, программы по распознаванию лиц устанавливают личность клиента в 15–20 раз точнее, чем человек при обычном личном взаимодействии. Данный факт, между прочим, говорит о том, что личный визит в банк для открытия счета больше не является гарантией безопасности. Принимая во внимание потенциал современных программ, это, вероятно, самый рискованный вариант из возможных.

В Китае функционирует национальная информационная система, содержащая сведения обо всех гражданах страны, и программа может идентифицировать любого из 1,4 миллиарда китайцев за две-три секунды. Хотя на Западе такая политика многих возмутит как нарушающая гражданские права, в художественных произведениях, в том числе в кино, уже несколько десятилетий демонстрируются варианты реализации подобных технологий. Сегодня большинство органов охраны правопорядка обладают соответствующими возможностями, и причина ускоренного развития данной технологии очень проста: государство может быть уверено, что она работает лучше, чем зрение человека.

Кто из нас готов мириться с уязвимостью государственных границ из-за технологического отставания? Разве мы не заинтересованы в повышении вероятности поимки преступников, включая тех, кто крадет персональные данные? В этих случаях довольно просто доказать, что алгоритмы, биометрия и базы персональных данных обычно решают задачу эффективнее, чем люди.

Самые очевидные способы применения – в аэропортах. Авиакомпании, например JetBlue и Finnair, испытывают системы распознавания лиц как замену процедуре проверки посадочного талона. Совсем скоро можно будет приехать в аэропорт, сесть на самолет и пройти таможню по прилете, просто показав лицо. Благодаря применению биометрических технологий на базе алгоритмов снова наступит золотая эра путешествий.

Так как же быть с тем, что банки и регуляторы упорно требуют лично являться в отделение, чтобы открыть банковский счет? С учетом тенденций в сфере идентификации личности обязательное участие банковского работника в процессе открытия счета является анахронизмом. Очень скоро именно неэффективность человека в установлении личности клиента, особенно принимая во внимание сопутствующие издержки, поставит под сомнение целесообразность привлечения сотрудников-людей к работе в отделениях. Возможности искусственного интеллекта представляют серьезную угрозу для банков, бизнес которых опирается на привлечение клиентов через физическую сеть.

Вот несколько областей, в которых искусственные нейронные сети уже сейчас превосходят человека:

● распознавание изображений и образов;

● настольные и видеоигры;

● синтез и распознавание речи;

● имитация техники и стиля в искусстве;

● прогнозирование;

● дизайн и модификация веб-сайтов.

В США в 2009–2016 годах на алгоритмы высокочастотной торговли на базе машинного интеллекта приходилось от 49 % до 73 % объема торговли акциями; в ЕС в 2016 году – 38 %. Днем 6 мая 2010 года индекс Доу-Джонса показал рекордное падение, продолжавшееся всего несколько минут, после чего быстро отыграл утраченные позиции. Спустя пять месяцев расследований Комиссия США по ценным бумагам и биржам и Комиссия США по торговле товарными фьючерсами опубликовали совместный отчет, в котором говорилось, что так называемое мгновенное падение (Flash Crash) было во многом обусловлено операциями высокочастотной торговли. Однако по данным расследования крупной фьючерсной биржи СМЕ Group, алгоритмы высокочастотной торговли, вероятно, стабилизировали рынок и ослабили негативные последствия падения.

Для биржевой торговли, которая за последние 100 лет превратилась в настоящее искусство, появление высокочастотных алгоритмов ознаменовало решительное прощание с прошлым в виде торговых залов банков Goldman Sachs, UBS и Credit Suisse. Работа алгоритма существенно отличается от обычных действий человека. Анализ операций показал совершенно иные модели поведения и принятия решений. Чем же обусловлена разница?

Возможно, дело в том, что алгоритм высокочастотной торговли не имеет ни искажений, свойственных трейдерам-людям (таких, как склонность сохранять позицию в определенном классе активов дольше необходимого, потому что трейдеру или управляющему активами нравится компания или отрасль), ни этической базы для принятия решений. Кто-то скажет, что Уолл-стрит – далеко не образчик этики, однако нужно понимать, что решения высокочастотного алгоритма в принципе лишены этической составляющей (если только она намеренно не внесена в программу). Алгоритмы глубокого обучения создали новые линейные границы – отличные от тех, какими пользуются люди, выполняющие ту же работу.

Итак, пионерами высокочастотной торговли стали – и изрядно выиграли на этом – ведущие трейдинговые компании. Как же алгоритмы повлияли на сферу управления инвестиционными портфелями и активами?