ABC ABC Layihəsinin birgə bir hissəsi olaraq, Darvinian təkamülünün prinsipləri və qanunları ilə bağlı "böyümək" proqramlarını "böyütmək" adlandırılan proqramlar haqqında artıq yazdıq. Ancaq bu günə qədər süni intellektə bu yanaşma mütləq "gələcəkdən gələn qonaq". Bəs bu gün süni intellekt sistemləri necə yaradılır? Onlar necə öyrədilirlər? Bu, Viktor Kantor, MFTİ-nin alqoritmləri və texnologiyalar və texnologiyalar şöbəsinin baş müəllimi, Yandex məlumat fabriki istifadəçi davranış analiz qrupunun rəhbəri.
Tədqiqat şirkəti Gartner-in müntəzəm olaraq "yetkinlik texnologiyaları dövrü" ni yeniləyən Gartnerin son hesabatına görə, bu gün bu gün hər şeydən gözləntilərin zirvəsində dəqiq maşın öyrənir. Bu, təəccüblü deyil: son bir neçə ildə maşın öyrənmə, alqoritmlərin nəzəriyyəsində riyaziyyatçıların dar dairəsi və mütəxəssislərin maraq dairəsindən çıxdı və əvvəlcə iş adamlarının lüğətinə, sonra dünyaya girdi adi insanlar. İndi xüsusi "sehrləri olan bir neyron şəbəkəsi kimi bir şey var," sehrli ", prisma tətbiqindən istifadə edən, Shazam ilə mahnı axtaran və ya dərinləşmədən keçən şəkilləri görən hər kəsi bilir.
Ancaq bir şey texnologiyadan istifadə etməkdir, digəri isə bunun necə işlədiyini başa düşməkdir. "Kompüter" kimi ümumi sözlər "bir işarə verərsə və ya" neuraleta rəqəmsal neyronlardan ibarətdir və insan beyni kimi təşkil edir "kimsə kömək edə bilər, lakin daha çox vəziyyəti yalnız çaşdırır. Matting, populyar mətnlərdə ciddi şəkildə məşğul olan eyni şey lazım deyil: onlar üçün dərsliklər və əla onlayn kurslar var. Orta yoldan keçməyə çalışacağıq: əslində ən sadə işdə necə öyrəndiyinizi izah etmək və sonra real maraqlı problemləri həll etmək üçün eyni yanaşmanın necə tətbiq olunacağını göstərin.
Maşın öyrənməsinin necə baş verdiyini, anlayışlarla müəyyənləşdirəcəyik. Bu ərazinin pionerlərindən birini təyin etməklə, Artur Samuel, maşın öyrənmə "kompüterlərin birbaşa proqramlaşdırma olmadan öyrənmələrinə icazə verməyə imkan verən" üsulları daxildir. Maşın öyrənmə metodunun iki geniş sinfi var: müəllim və müəllim olmadan təlim və təlim ilə təlim. Birincisi, məsələn, bir kompüterə, mal-qaranın görüntüsü ilə fotoşəkilləri axtarmağı öyrətdiyiniz zaman, ikincisi - avtomobili düzəltməyimiz lazım olanda, məsələn, hiylələrdən asılı olmayaraq Bu Yandex.news və ya Google News kimi xidmətlərdə olur. Yəni ilk halda, düzgün cavabın (fotoşəkildə bir pişik var və ya olmaması və ya olmaması), ikincisində yalnız düzgün cavab yoxdur, ancaq var problemi həll etməyin müxtəlif yolları. Ən maraqlı kimi vəzifələrin birinci sinifinə diqqət yetirəcəyik.
Beləliklə, bir kompüterə bir proqnoz vermək üçün öyrətməliyik. Üstəlik, daha doğru qədər arzu olunur. Proqnozlar iki növ ola bilər: ya bir neçə cavab arasında seçim etməlisiniz (bir neçə cavab arasında seçim var (bir anda bir pişik var (bir pişik var - bu ikisinin bir versiyasının seçimidir, şəkillərdəki məktubları tanımaq qabiliyyəti bir seçim seçimidir bir neçə on və s.) və ya ədədi bir proqnoz verin. Məsələn, bir insanın böyüməsi, yaşı, ayaqqabı ölçüsü və sair əsasında bir insanın ağırlığını proqnozlaşdırmaq. Bu vəzifələrin iki növü yalnız fərqli olaraq görünür, əslində demək olar ki, eyni dərəcədə həll olunur. Gəlin necə dəqiq başa düşməyə çalışaq.
Proqnoz sistemini hazırlamağımız lazım olan ilk şey, sözdə öyrənmə nümunəsini, yəni əhaliyə olan insanların çəkisi haqqında məlumat toplamaqdır. İkincisi, ayələr toplusuna qərar verməkdir, bunun əsasında çəki ilə bağlı nəticə çıxara bilərik. Aydındır ki, ən çox "güclü" işarələrdən birinin insan böyüməsi olacaq, buna görə ilk yaxınlaşmada yalnız onu götürmək kifayətdir. Çəki böyümənin xətti cəhətdən asılıdırsa, proqnozumuz çox sadə olacaqdır: bir insanın çəkisi, ən sadə formula ilə yazılmış bir növ əmsal, üstəlik bir növ sabit dəyəri ilə böyüməsinə bərabər olacaqdır \u003d kx + b. Etməyimiz lazım olan şey, avtomobilin bir insanın ağırlığını proqnozlaşdırmasına, birtəhər K və B-nin düzgün dəyərlərini tapmağı öyrətməkdir.
Maşın öyrənməsinin cazibəsi budur ki, öyrəndiyimiz asılılığın çox mürəkkəb olsa belə, demək olar ki, heç bir şey dəyişməyəcəkdir. Eyni reqressiya ilə məşğul olmağa davam edəcəyik.
Tutaq ki, böyüməsi insan çəkisinə və üçüncü dərəcədə (həqiqətən gözlənilən, çünki çəki bədənin həcmindən asılıdır). Bu asılılığı nəzərə almaq üçün sadəcə öz əmsalı ilə, y \u003d k 1 x + k 2 x 3 + b isə öz əmsalı, yəni üçüncü artımın üçüncü dərəcəsi gətiririk. İndi avtomobili yetişdirmək üçün iki deyil, üç kəmiyyət (k 1, k 2 və b) tapmalıyıq. Tutaq ki, proqnozumuzda, insanın ayaqqabılarının, yaşının, televizorun tv ilə keçirdiyi vaxt və mənzilindən ən yaxın fud fud nöqtəsinə qədər olan məsafəni nəzərə alsaq. Heç bir problem yoxdur: Sadəcə bu işarələri eyni tənlikdə ayrı-ayrı üzvlər kimi edirik.
Ən başlıcası, istədiyiniz əmsalı tapmaq üçün universal bir yol yaratmaqdır (k 1, k 2, ... k n). Əgər varsa, proqnozlaşdırmaq üçün əlamətlərdən istifadə etmək demək olar ki, laqeyd olacaq, çünki avtomobilin özü böyük çəki və kiçik əlamətləri əlavə etmək üçün öyrədir. Xoşbəxtlikdən, bu üsul artıq icad edilmişdir və demək olar ki, bütün maşın öyrənmək uğurla işləyir: ən sadə xətti modellərdən şəxslərin və nitq analizatorlarının tanınması sistemlərinə qədər. Bu üsul gradient mənşəli deyilir. Ancaq bunun necə işlədiyini izah etməzdən əvvəl bir az geri çəkilmək və sinir şəbəkəsi haqqında danışmaq lazımdır.
2016-cı ildə, neyron şəbəkəsi, demək olar ki, hər hansı bir maşın öyrənmə ilə müəyyən edilmiş və ümumiyyətlə inkişaf etdirdikləri barədə məlumat gündəliyinə çox sıx idi. Rəsmi olaraq danışır, səhvdir: üzümdəki neyron şəbəkələri həmişə istifadə edilmir, digər texnologiyalar da var. Ancaq əlbətdə ki, bu cür bir birlik başa düşüləndir, çünki bu, sinir şəbəkələrinə əsaslanan sistemin, indi bir insan üçün axtarış imkanı kimi ən çox "sehrli" nəticələr verir, tərzi daşıyan tətbiqlərin görünüşü Bir görüntü digərinə və ya müəyyən bir şəxsin nitq qaydasında sistem istehsal sistemlərinə.
Yol neyropetika üçün təşkil olunur, biz onsuz da. Burada sadəcə vurğulamaq istəyirəm ki, digər maşın öyrənmə sistemləri ilə müqayisədə neyron şəbəkəsinin gücünün çox hissəsində başa çatır, lakin bu, iş üsulu ilə onları əsaslı bir şey etmir. Çox qatlılıq, şəkildəki piksel kimi mürəkkəb işarələrin mürəkkəb dəstlərində çox mücərrəd ümumi xüsusiyyətlər və asılılıqları tapmağa imkan verir. Ancaq Neurallet'i öyrənmə prinsipləri nəzərə alınmaqla, adi xətti reqressiya düsturu dəstindən heç bir şey kökündən fərqli bir şey fərqli deyil, buna görə də burada gradient eniş üsulu mükəmməl işləyir.
Neyron şəbəkəsinin "gücü", giriş qatının dəyərlərini birləşdirən bir ara bir neyronun bir ara təbəqəsinin varlığında. Çünki bu neyrə, xətti və ya kvadrat bir asılılıq kimi sadə düsturları azaltmaq çətin olan məlumatların çox mücərrəd xüsusiyyətləri ola bilər.
Nümunə izah edək. İnsan çəkisinin, Kubadakı böyüməsindən və böyüməsindən asılı olan proqnoza, y \u003d k 1 x + k 2 x 3 + b. Bəzi uzanır, amma əslində belə bir düsturu da sinir şəbəkəsi adlandırmaq olar. Bu, adi neyron şəbəkəsində olduğu kimi, "neyronların" birinci təbəqəsi var, bu, əlamətlər təbəqəsidir: X və x 3 (yaxşı, "yaxşı" tək neyron ", yadda saxladığımız və uyğunlaşdığımızdır əmsal üçün b). Üst və ya nəticədə, təbəqə bir "neyron" y, yəni insanın proqnozlaşdırılan çəkisi ilə təmsil olunur. Və "neyronların" birinci və son təbəqəsi arasında əlaqə, güc və ya çəkisi k 1, k 2 və b əmsalları tərəfindən müəyyən edilir. Bu "neurallet" öyrətmək üçün bu çox əmsalı tapmaq deməkdir.
Buradakı "həqiqi" neyron şəbəkələrindən olan yeganə fərq budur ki, ötürmə işarələrini birləşdirmək üçün bir ara (və ya gizli) qatımız yoxdur. Belə təbəqələrin tətbiqi mövcud işarələr arasındakı mümkün asılılıqların "başından çıxmamağa" imkan vermir, ancaq sinir şəbəkəsindəki onsuz da mövcud birləşmələrə etibar etməyə imkan verir. Məsələn, televizorun qarşısında yaş və orta vaxt, insan çəkisinə bir sinergist təsir edə bilər, ancaq bir sinir şəbəkəsinə sahib ola bilər, bunu əvvəlcədən bilmək və işlərini düsturda etmək məcburiyyətində deyilik. Neyrosette, hər hansı iki əlamətin təsirini birləşdirən neyron olacaq və bu təsir həqiqətən nümunə üzərində nəzərə çarpırsa, bu neyron avtomatik olaraq çox çəki alacaqdır.
Beləliklə, məlum məlumatlar olan bir nümunə nümunəsi var, yəni dəqiq ölçülmüş insan çəkisi və asılılıq olan bəzi hipotez, bu vəziyyətdə xətti regressiya y \u003d kx + b. Bizim vəzifəmiz K və B-nin düzgün dəyərlərini tapmaqdır, lakin əl ilə deyil, avtomatik olaraq. Və tercihen, formulaya daxil olan parametrlərin sayından asılı olmayan bir universal bir üsul.
Bunu, ümumiyyətlə, asan edin. Əsas fikir, cari ümumi səhvini ölçəcək və əmsalları "bükməyə" görə, ümumi səhv səviyyəsinin getdikcə düşməsi üçün müəyyən bir funksiyanı yaratmaqdır. Səhv səviyyəsini necə azaltmaq olar? Parametrlərimizi istədiyiniz tərəfdə bükməlisiniz.
İstədiyimiz iki parametrimizi, eyni k və B, şimal-cənub oxları və qərb-şərq kimi təyyarədə iki istiqamət kimi axtarırıq. Belə bir təyyarənin hər nöqtəsi, artan və çəki arasında müəyyən bir əlaqə, müəyyən bir əlaqənin müəyyən bir dəyərinə uyğun olacaqdır. Təyyarədəki hər bir bu nöqtə üçün, nümunə olan nümunələrin hər birində bir proqnoz verən səhvlərin ümumi səviyyəsini hesablamaq mümkündür.
Təyyarədə müəyyən bir hündürlük kimi bir şey çıxır və bütün ətrafdakı bütün məkan dağ mənzərəsinə bənzəməyə başlayır. Dağlar səhvlərin səviyyəsinin çox olduğu nöqtələrdir, vadilər az səhvlərin olduğu yerlərdir. Sistemimizi öyrətmək üçün yerdəki ən aşağı nöqtəni tapmaq deməkdir, səhv səviyyəsinin minimal olduğu yer.
Bu nöqtəni necə tapa bilərəm? Ən düzgün yol, əvvəlcə özlərini tapdığımız nöqtədən hər zaman aşağıya doğru hərəkət etməkdir. Beləliklə, gec-tez yerli minimuma gələcəyik - yaxın qonşuluqda heç bir şey olmayan bir nöqtəyə gələcəyik. Üstəlik, müxtəlif ölçülü addımlar atmaq tövsiyə olunur: Yamac sərin olduqda, yamac kiçik olduqda daha geniş gəzə bilərsiniz, sonra yerli minimuma "Tiptoe" -dən xəbərdar olmaq daha yaxşıdır, əks halda sürüşə bilərsiniz.
Gradient enmə üsulu üsulu budur: işarələrin çəkilərini səhv funksiyasının ən böyük düşməsi istiqamətində dəyişdiririk. Biz onların iterativ olaraq dəyişdiririk, yəni müəyyən bir addım ilə, dəyəri yamacın yamacına mütənasibdir. Maraqlıdır, işarələrin sayının artması ilə (bir insanın böyümə kubu, onun yaşı, ayaqqabılarının ölçüsü, ayaqqabıların ölçüsü və s.) Əslində heç bir şey dəyişmir, sadəcə mənzərəmiz iki ölçülü, lakin çoxölçülü deyil.
Səhv funksiyası, cari formulun artıq bizimlə tanınan insanlarla münasibətdə qəbul etdiyi bütün sapmaların kvadratlarının cəmi olaraq təyin edilə bilər. Bir az təsadüfi dəyişənləri, məsələn 0 və 50-ə qədər edin. Sonra sistemin nümunədəki hər bir insanın çəkisi həmişə 50 kiloqram y \u003d 0 × x + 50 olduğunu, belə bir asılılıq kimi görünəcəkdir düz, paralel üfüqi. Bu, bunun yaxşı bir proqnoz deyil olduğu aydındır. İndi bu proqnozlaşdırılan dəyərin ağırlığında bir sapma götürürük, onu meydana salırıq (buna görə mənfi dəyərlər də nəzərə alınmışdır) və bu nöqtədə bir səhv olacaq. Təhlilin başlanğıcı ilə tanış olsanız, ən böyük payızın istiqamətinin K və B tərəfindən səhv funksiyasının xüsusi törəməsi ilə verilir və addım praktik mülahizələrdən seçilən dəyərdir: kiçik Addımlar hesablamalara çox vaxt ayırır və böyük bir minimum minnətdarlığımıza səbəb ola bilər.
Yaxşı və əgər biz yalnız bir çox əlamətlə mürəkkəb reqressiyik, amma əsl neyron şəbəkəsidir? Bu vəziyyətdə bir gradient enişini necə tətbiq edirik? Neyron şəbəkəsi ilə, gradient enişi ilə eyni şəkildə işləyir, yalnız məşq 1) mərhələlərdə, təbəqədən təbəqəyə və 2) pillədə, bir nümunədən digərinə bir nümunə. Burada tətbiq olunan metod bir səhv tərs alqoritmi adlanır, 1974-cü ildə Sovet riyaziyyatı tərəfindən müstəqil olaraq, Harvard Universiteti Paul John Webros'dan Sovet Riyaziyyatı İskəndər Galushkina və Riyaziyyat tərəfindən təsvir edilmişdir.
Alqoritmin ciddi təqdimatı üçün, özəl törəmələri (məsələn, məsələn,), intuitiv səviyyədə yazmaq lazım olacaq, hər şey olduqca sadədir: nümunədə hər bir nümunə üçün bir sıra proqnozlarımız var sinir şəbəkəsi. Düzgün cavabın olması, proqnozdan düzgün cavabı çıxara bilərik və beləliklə, bir səhv (hər çıxış qatının neyronu üçün daha dəqiq bir səhv). İndi bu səhvi neyronun əvvəlki qatına köçürməliyik və bu təbəqənin bu beton neyronu səhvinə töhfə verdikdə, çəkisini azaltmalıyıq (əslində, nitqi yenidən özəl törəməni götürməyə gəlir, xəyali mənzərənin maksimum diklesində hərəkət haqqında). Etdiyimiz zaman, eyni prosedur növbəti təbəqə üçün əks istiqamətdə hərəkət etməli, yəni neyron şəbəkəsinin çıxışından çıxışına qədər təkrarlanmalıdır.
Beləliklə, təlim nümunəsinin hər bir nümunəsi və neyronların çəkilərini düzgün istiqamətdə "bükmək" ilə neurallet, nəticədə neyrona öyrədilmişdir. Tərs səhv paylama metodu, çoxtərəfli sinir şəbəkələri üçün gradient enmə metodunun sadə bir modifikasiyasıdır və buna görə hər hansı bir mürəkkəbliyin sinir şəbəkələri üçün işləməlidir. Burada "olmalıdır" deyirik, çünki gradient enişi uğursuzluqlar verdikdə və yaxşı bir reqressiya etməyə və ya neuralletə öyrətməyə imkan vermir. Bu qədər çətinliklərin yaranması, bilmək faydalıdır.
Mütləq minimum bir səhv seçimi. Gradient enmə üsulu yerli ekstremumu axtarmağa kömək edir. Ancaq biz həmişə bununla deyil, mütləq qlobal minimum və ya maksimum funksiyaya nail ola bilərik. Bunun səbəbi, anti-agadiment üzərində hərəkət edərkən, bizə cavab verən ilk yerli minimuma çatdığımız anda, alqoritm işini dayandırır.
Təsəvvür edin ki, dağın başında durursan. Rayondakı ən aşağı səthə enmək istəyirsinizsə, gradient enmə üsulu həmişə sizə kömək edə bilməyəcək, çünki yolunuzdakı ilk aşağı xətt mütləq ən aşağı nöqtə olmayacaqdır. Həyatda bir az dırmaşdığını və sonra daha da aşağı düşdüyünü görə bilsəniz, belə bir vəziyyətdə alqoritm yalnız dayanacaq. Tez-tez düzgün addım seçsəniz, bu vəziyyətin qarşısını almaq olar.
Yanlış addımlar. Gradient enmə üsulu iterativ üsuldur. Yəni, özümüzü addım atmalıyıq - endiyimiz sürət. Çox addım seçərək, ehtiyac duyduğumuz ekstremal tərəfindən uça bilərik və minimum tapmırıq. Özünüzü çox kəskin bir eniş qarşısında tapsanız bu baş verə bilər. Və çox kiçik addımın seçimi, özümüzü nisbətən hamar bir səthdə tapsaq, alqoritmin son dərəcə yavaş işini təhdid edir. Şəffaf dağın başında olduğumuzu təsəvvür edirsinizsə, çox sərin bir enmə səbəbindən bir vəziyyət ola bilər, sadəcə onu düzəltdik.
Şəbəkə iflici.Bəzən olur ki, gradient eniş üsulu minimum tapmağı bacarmır. Bu, iki tərəfdən minimum səviyyədən hamar sahələr olacağı təqdirdə baş verə bilər - alqoritm, düz süjeti vuraraq, addımını azaldır və zamanla dayanır. Dağın başında dayanırsa, ovalığa evinizə köçmək qərarına gəlsəniz, təsadüfən çox hamar bir ərazini tutsan, yol çox uzun ola bilər. Və ya praktik olaraq "yamaclar" olan "yamaclar" varsa, alqoritm, çox böyük bir addım seçərək, demək olar ki, minimuma qədər hərəkət etmədən bir yamacdan digərinə atlayacaqdır.
Bir maşın öyrənmə sistemini tərtib edərkən bütün bu çətin anlar nəzərə alınmalıdır. Məsələn, zamanla səhv funksiyasını necə dəyişdirdiyini, hər yeni dövrün və ya yerində tapmağın və ya yerində tapmağın personajının ögey dəyəri dəyişikliyindən asılı olaraq dəyişdiyini dəqiq şəkildə izləmək həmişə faydalıdır. Pis bir yerli minimuma girməməsi üçün mənzərənin müxtəlif təsadüfi seçilmiş nöqtələrindən başlamaq faydalıdır - sonra ilişib qalma ehtimalı daha aşağıdır. Gradient mənşəli dövriyyənin çox böyük və kiçik sirləri var, gradient enişinə zəif oxşayan daha ekzotik öyrənmə yolları var. Bu, artıq ABC ABC layihəsi çərçivəsində başqa bir söhbətin və ayrı bir məqalənin mövzusudur.
Hazırlanmış Alexander Erschov
- Tamamilə ibtidai bir nümunədə bizə məlumat verə bilərsiniz, maşın öyrənmək necə işləyir?
Bacarmaq. Ən qədim şeylərdən biri olan "qətiyyətli ağac" adlı maşın öyrənmə metodunun nümunəsi var. İndi edək. Tutaq ki, bir mücərrəd şəxs sizi bir tarixə dəvət edir. Sizin üçün nə vacibdir?
- Birincisi, mən bunu bilirəm və ya etmirəm ...
(Viktor bunu lövhədə yazır.)
... Bilmirəmsə, suala cavab verməlisiniz, cəlbedici və ya deyil.
Bilirsinizsə, bunun fərqi yoxdur? Göründüyü kimi, bu, fritsonların bir qolu olduğunu başa düşdüm! Ümumiyyətlə, bilmirəm və cazibədar deyilsinizsə, "Bəli Xeyr, Yəqin ki," cavabını yazıram. Bilirsinizsə - cavab "Bəli" cavabı.
- Bilirəmsə, bu da vacibdir!
Xeyr, bu, fransız şöbəsi olacaq.
Yaxşı, sonra burada, maraqlı və ya olmamağa işarə edək. Buna baxmayaraq, bir insanı tanımadığınız zaman, görünüşünə ilk reaksiya, dostları ilə onsuz da düşündüyünə və necə düşündüyümüzə baxırıq.
Fərqli edək. İddialı və ya yox. İddialı olarsa, frolit etmək çətin olacaq, daha çox şey istəyəcək. Və dağıntılar əziyyət çəkəcək.
(Viktor həlledici ağacı dorish edir.)
Hazır. İndi bir tarixə çox güman ki, hansı adamın olacağını təxmin edə bilərsiniz. Yeri gəlmişkən, bəzi tanışlıq xidmətləri belə şeyləri proqnozlaşdırır. Analogiya ilə proqnozlaşdıra bilərsiniz və neçə məhsul müştəri alacaq və insanların bu gündə olduğu yerlərdə.
İndi təsəvvür edin, iki yüz il əvvəl insanlar üçün belə bir sxemə gəlmək çətin idi? Qətiyyən! Bu sxem özündə günahların söküntüləri daşımır. Bir fenomen olaraq, maşın öyrənmə təxminən yarım əsrdir. Məlumat əsasında proqnoz, 20-ci əsrin əvvəllərində də Ronald Fisherə başladı. Bu parametrlərin fikrincə, bu parametrlərin müəyyən etdiyi bu parametrlərə görə, irisləri götürüb kubokun və ləçəklərin uzunluğu və eni boyunca payladı.
Sənayedə, maşın öyrənmə son onilliklərdən fəal istifadə etməyə başladı: çox sayda məlumatı idarə etmək üçün lazım olan güclü və nisbətən ucuz maşınlar, məsələn, belə həlledici ağaclar çox keçmədi. Ancaq yenə də ruhu tutur: Hər bir tapşırıq üçün bu parçaları çəkirik və onların köməyi ilə gələcəyi proqnozlaşdırırıq.
- Yaxşı, mütləq futbol matçlarının hər hansı bir ahtapot-proqnozudan daha yaxşı deyil ...
Xeyr, Octopusa qədər olduğumuz yerdə. Daha çox dəyişkənliyimiz olsa da. İndi maşın öyrənmə köməyi ilə vaxt, pula qənaət və həyat rahatlığını yaxşılaşdıra bilərsiniz. Bir neçə il əvvəl maşın təhsili, görüntülərin təsnifatı məsələsində insanı sındırdı. Məsələn, bir kompüter Teryerlərin 20 qayasını tanıya bilər və adi bir insan deyil.
- Və istifadəçiləri nə vaxt təhlil edirsiniz, hər bir insan sizin üçün nömrələr dəstidir?
Təxminən danışır, bəli. Məlumatlarla işləyərkən, bütün obyektlər, o cümlədən istifadəçi davranışı, müəyyən nömrələrin müəyyən bir dəstini təsvir edin. Və bu nömrələr insanların davranışının xüsusiyyətlərini əks etdirir: taksi, nə qədər tez-tez taksi, hansı siniflərin taksi istifadəsi, hansı yerlərdə gedir.
Məsələn, burada bir xidmətimiz var - taksiyə iki uşaq stul. Bu xəbəri hamısını öyrənə bilərik və yalnız müəyyən bir insan dairəsinə müraciət edə bilərik. İl ərzində iki uşağın stuluna ehtiyacı olan şərhlərdə yazan bir sıra istifadəçilər topladıqları. Onları və onlara bənzər tapdıq. Şərti olaraq, bunlar mütəmadi olaraq səyahət edən və Aralıq dənizi mətbəxini sevən 30 ildir insanlardır. Əlbəttə ki, əlamətlər daha çoxdur, məsələn.
- Hətta belə incəliklər?
Bu sadə bir məsələdir. Hər şey axtarış sorğularından istifadə etməklə hesablanır.
Və tətbiqdə birtəhər işləyə bilər? Məsələn, bir dilənçi olduğumu və "ayda 500 rubl necə yaşamaq üçün" kimi qruplar üçün imzalandığını bilirsiniz - yalnız ucuz avtomobillər təklif edirəm, kosmosx xəbərlərinə abunə oldu və vaxtaşırı vaxtım var?
Bu işləyə bilər, ancaq Yandexdəki belə şeylər təsdiqlənmir, çünki ayrıseçkilikdir. Xidməti şəxsən işlədə olanda ən məqbul, lakin əlverişli və bir insanın bəyəndiyini ən yaxşısını təklif etmək daha yaxşıdır. Və məntiqin "Bunun daha yaxşı bir maşın tələb etməsi və bu daha az yaxşıdır" - pislik.
Hər kəs arzuları pozur və bəzən Aralıq dənizi olmayan bir yemək reseptini tapmaq lazımdır, məsələn, kopokili haqqında şəkillər. Kişiselleştirme və bu vəziyyətdə işləyəcək?
Həmişə şəxsi rejim var.
Məsələn, Yandex və ya Google-dan hansı şirkətin istifadə edəcəyini hələ də qərar verə bilərsiniz.
- Fərq var?
Çətin sual. Başqalarının necə olduğunu bilmirəm, ancaq Yandexdə, şəxsi məlumatların qorunması ilə çətin. Xüsusilə heyətə nəzarət edir.
- yəni bir oğlanla ayrılsam, bu kottemə getdiyini və ya olmadığı öyrənə bilmirəm?
Yandexdə işləsəniz də. Bu, əlbəttə ki, kədərlidir, amma bəli, tapmaq mümkün olmayacaq. Əksər işçilərin bu məlumatlara da daxil olmurlar. Hər şey şifrələnmişdir. Hər şey sadədir: insanlara casus ola bilməzsən, bu şəxsi məlumatdır.
Yeri gəlmişkən, uşaqlar ilə ayrılma mövzusunda maraqlı bir hal var. "B" nöqtəsinin proqnozunu etdikdə - taksidə təyinat nöqtələri, tövsiyələri təqdim etdi. Bax.
(Viktor "Yandex.taxi" tətbiqinə daxil olur.)
Məsələn, bir taksi evdə olduğumu düşünür. Məni işə və ya Rudn'a getməyə dəvət edir (maşın təlim kursu məlumatlarının hərəkəti çərçivəsində mühazirələr oxudum). Və bir anda bu göstərişləri işləyərək, istifadəçiyə güzəştə getməməyiniz lazım olduğunu başa düşdük. Kimsə görə bilər "B". Bu səbəblərə görə, görünmək üçün yerləri təklif etməkdən imtina etdik. Sonra layiqli insanlar ilə layiqli bir yerdə oturursan, taksi sifariş edirsən və sənə yazarlar: "Bax, bu barda olmamısınız!"
- Xəritədə hansı mavi nöqtələr flaş?
Bu pikap nöqtəsidir. Bu nöqtələr göstərir, taksi adlandırmaq üçün daha rahatdır. Axı, zəng etmək üçün tamamilə əlverişsiz olacağı belə bir yerə zəng edə bilərsiniz. Ancaq ümumilikdə hər yerə zəng edə bilərsiniz.
- Bəli, hər hansı. Birtəhər iki rüb üçün bu yanında uçdum.
Bu yaxınlarda GPS ilə fərqli çətinliklər var idi, bu fərqli əyləncəli vəziyyətlərə səbəb oldu. Məsələn, insanlar, Tverskaya üzərində, Sakit Okean vasitəsilə gəzir. Gördüyünüz kimi, bəzən darıxdıqları və daha iki dörddə biri var.
- və yenidən tətbiqi yenidən başladırsan, qiyməti bir neçə rubl dəyişir. Niyə?
Tələb təklifi üstələyirsə, alqoritm avtomatik olaraq əmsalda artım yaradır - taksidən mümkün qədər çox tələbat dövründə də mümkün qədər çox getmək vacib olanlara taksidən yararlanmağa kömək edir. Yeri gəlmişkən, maşın öyrənmə istifadə etmək proqnozlaşdırıla bilər, məsələn, bir saat ərzində daha çox tələbat olacaq. Təklifin tələbə uyğun olması üçün daha çox sifarişin olacağı sürücüləri təklif etməyə kömək edir.
- Düşünməyin ki, "Yandex.Taxi" tezliklə bütün taksi bazarını öldürəcək?
Mən heç düşünürəm. Sağlam rəqabət üçün və onundan qorxmuruq.
- Uber ilə birləşmisiniz. Nə üçün?
Bu mənim səlahiyyət şərhimdə deyil. Düşünürəm ki, birləşməyim dərin bir həlldir.
Almaniyada bir oğlan, pillədə hamam quraşdırdı və bu qədər burgerin arxasında uçdu. Hava məkanını mənimsəməyin vaxtı olduğunu düşündünmü?
Hava məkanında bilmirəm. Ruhun xəbərləri üçün "Uber qayıqlarda taksi açdı", amma hava haqqında heç nə deyə bilmərəm.
- və taksi drone?
Budur maraqlı bir an. Biz onları inkişaf etdiririk, ancaq onlardan necə istifadə etməyiniz lazım olduğunu düşünməlisiniz. Proqnoz vermək hələ də, hansı formada və küçələrdə göründükləri zaman, sürücünün heç bir sürücüyə ehtiyacı olmayan tam muxtar bir avtomobil üçün texnologiyanı inkişaf etdirmək üçün hər şeyi edirik.
- Avtomobildən uzaqdan idarə etmək üçün dronlardan hack etmək üçün drondan doktanlardan narahat olan narahatlıqlar var?
Həmişə risklər və hər yerdə texnologiyalar və gadgetlar var. Ancaq texnologiyaların inkişafı ilə birlikdə başqa bir istiqamət inkişaf edir - onların qorunması və təhlükəsizliyi. Birtəhər texnologiyaların inkişafı ilə məşğul olan hər kəs, mühafizə sistemləri üzərində işləyir.
- İstifadəçilər haqqında hansı məlumatlar toplayırsınız və onları necə müdafiə edirsiniz?
Məsələn, səfərin haradan, nə vaxt və harada edildiyi yerdən istifadə təcrübəsini toplayırıq. Hamısı vacibdir - var.
- Düşünürsən, dronlar üzündən işlərin sayı azalacaq?
Düşünürəm ki, bu yalnız daha çox olacaq. Yenə də bu dronlar da birtəhər xidmət edilməlidir. Bu, əlbəttə ki, bir az stresli vəziyyət, ixtisasını dəyişdirin, amma nə etməli.
- Hər mühazirədə gref deyir ki, bir insan öz peşəsini ən azı üç dəfə köklü şəkildə dəyişdirəcəkdir.
Əsrlər boyu bəzi ixtisas adlandıra bilmirəm. Geliştirici bütün həyatını eyni dildə və eyni texnologiyalarda işləmir. Yenidən qurulmalı olduğunuz hər yerdə. Maşın öyrənməsi ilə, məndən altı yaş kiçik olan uşaqlar kimi hiss edirəm, daha sürətli düşünürəm. Eyni zamanda, 40 və ya 45 yaşındakı insanlar daha da güclənirlər.
- Təcrübə artıq rol oynamır?
Oynayır. Ancaq metodlar dəyişir, məsələn, bir müddət orada işləyən dərin təlim istifadə edilmədi, sonra dərin təlim üsulları hər yerdə tətbiq olundu və içərisində heç nə başa düşmürsən. Və bu qədər. Təcrübəniz yalnız komandanın işini planlaşdırması məsələsində faydalı ola bilər və həmişə deyil.
- Peşə - Məlumat alimi nədir, tələb edir?
Məlumat elmində mütəxəssislərdə tələb sadəcə sarsıldı. Aydındır ki, indi Insane Khaip dövrü. Allaha şükür, blokchain bu haip'i xilas etmək üçün kömək etdi. Blokchaindəki mütəxəssislər hələ də sökülürlər.
Bəzi banklar istifadəçilər üçün tövsiyə sistemi etmək istədikdə hallar var. Xahiş edirik: "Sizcə, iqtisadi cəhətdən əsaslandırılacaq?" Cavab: "Bəli, biz əncirindəyik. Etmək. Eyni tövsiyə sistemlərinin hamısı, biz trenddə olacağıq. "
Ağrı, iş üçün həqiqətən faydalı olması bir gündə edilə bilməyəcəyidir. Sistemin necə öyrədiləcəyini izləməlisiniz. Həmişə başında səhvlərlə işləyir, öyrənərkən bəzi məlumatlara kifayət qədər məlumatı ola bilməz. Səhvləri düzəldin, sonra yenidən düzəldin və hətta hər şeyi yenidən qurun. Bundan sonra, sistemin istehsalda işlədiyi və ölçülü olması üçün işlədiyi üçün konfiqurasiya etməlisiniz, bu, başqa bir zamandır. Nəticədə bir layihə yarım il, bir il və daha çox müddətə davam edir.
Qara bir qutu kimi maşın öyrənmə metodlarına baxsanız, bəzi cəfəngiyatın baş verməyə necə başladığını asanlıqla atlaya bilərsiniz. Saqqallı bir hekayə var. Hərbçilər, analiz edilə biləcəyi bir alqoritm inkişaf etdirmələrini istədi, şəkildəki bir tank var və ya yox. Tədqiqatçılar, sınaqdan keçirdi, keyfiyyəti əla, hər şey böyükdür, hərbçiləri verdi. Hərbi və heç bir şeyin işləmir. Elm adamları əsəbi şəkildə anlamağa başlayırlar. Məlum olur ki, hərbçilər tərəfindən gətirilən tankla bütün şəkillərdə, qolun küncündə bir çek işarəsi bağlandı. Alqoritm bir işarə tapmaq üçün qüsursuz öyrəndi, tank haqqında heç nə bilmədi. Təbii ki, yeni şəkillərdə işarə yox idi.
Dialoq sistemlərini inkişaf etdirən uşaqlarla tanış oldum. Artıq uşaqların əməkdaşlıq etməli olduğunu düşünmədiniz?
Məktəblilər üçün hər cür hadisələr üçün çox uzun müddət sürmüşəm, maşın öyrənmə haqqında mühazirələr oxudum. Yeri gəlmişkən, məndən biri də bir ton sinif şagirdi danışmağı öyrətdi. Hekayəmin yaxşı və maraqlı, qürurlu olacağına, qürurlanmağa başladığına və qızın bu olduğunu tamamilə əmin idim və bu, bu işi minimuma endirmək istəyirik. " Mən baxıram və düşünürəm, amma həqiqətən, niyə və həqiqət minimuma endirilə bilər və burada sübut olunacağını sübut edəcək bir şey yoxdur. Artıq bir neçə il keçdikcə, indi "Fiztech" tələbəsi kimi mühazirələrimizdir. Yandex, yeri gəlmişkən, məktəblilərin proqramlaşdırılması haqqında pulsuz əsas bilik əldə edə biləcəyi Yandex.lith.
- Maşın öyrənməsinin indi öyrədildiyi məsləhətlər və fakültələr.
MIPT, FIVT və FPAM fakültələri var. "Qüllə" də kompüter elmləri fakültəsi də var, ICD-də Moskva Dövlət Universitetində maşın öyrənmə var. Yaxşı və indi Rudn-də kursumuzu dinləyə bilərsiniz.
Dediyim kimi, bu peşə tələbatdadır. Çox uzun, texniki təhsil alan insanlar tamamilə fərqli işlər ilə məşğul oldular. Maşın təhsili, dünyanın texniki təhsillə tədris olunduğu hər şey, bu anda, faydalı və yaxşı ödənildiyi zaman gözəl bir nümunədir.
- Nə qədər yaxşıdır?
Məbləği adlandırın.
- Ayda 500 min.
Yalnız adi məlumat alimi olmaya bilərsiniz. Ancaq bəzi şirkətlərdə olduqca kursant min 50 iş üçün əldə edə bilər. Çox böyük bir səpələnmə var. Ümumiyyətlə, dik məlumat alimi əmək haqqı bəzi orta şirkətin əmək haqqı baş direktoru ilə müqayisə edilə bilər. Bir çox şirkətdə əmək haqqı ilə yanaşı, işçiyə hələ də çox sayda çörək var və əgər insanın girmək üçün cərgədə yaxşı bir marka üçün gəlmədiyi və həqiqətən yaxşı olacaqdır.
Təxminən bir il FIVTT - innovativ seminarda qeyri-adi bir maddə başlayan andan keçdi. Onun mahiyyəti təcrübəli mentorların rəhbərliyi altında başlanğıc tələbə komandalarının yaradılmasıdır. Kurs sayəsində kimsə, kimsə yazın bir hissəsini krem-vadisində keçirdi, kimsə layihənin inkişafı üçün 800.000 rubl məbləğində qrant aldı, Abbyy layihəni tam geri almağa hazırdır. Bu da seminarın nəticələri deyil!
2011-ci ilin əvvəlində akt zalında FVTT-nin Trekchersnikov toplandı və bildirildi: Növbəti il \u200b\u200bərzində öz başlanğıcınızı yaratmalısınız. Şagirdlər bu fikir qısa yolunu aldı: bunu necə etmək lazım deyildi və məsuliyyət qeyri-adi - bu, başqa bir təhsil layihəsi deyil, texnoloji bir iş etmək lazımdır. Bu, MFTİ-nin tələbə olimpiadasının qalibi budur ki, Fizika "Yandesca" şöbəsinin tələbəsi Viktor Kantor:
Nə vaxt aldığım zaman FVT seçdim, ümid etdim ki, buna bənzər bir şey alacağıq. Buna görə boş yerə ümid etdiyimə görə şadam. Kursun hələ də meydana gəldiyi hiss olunduğu hiss edildi ki, bir çox yeni şey, bir çox sual yalnız tələbələr üçün deyil, təşkilatçılar üçün də mübahisəli olur, amma ümumilikdə meyllər müsbətdir. Bu kursu bəyəndim.
Tələbələrin işini asanlaşdırmaq üçün, innovativ müəssisələrin qurulması üçün fikirlərini kim təklif edən müxtəlif kurator dəvət edildi. Onların arasında tamamilə fərqli insanlar idi: MFTİ-nin Star'Sekurov və Lisany şagirdlərindən Yuri Pavloviç Ammosovun yenilikləri üzrə gənc və gənc müşavirdən (bütün kursun başçısı) və Mixail Batina, bərpaedici tibb və Mixail Batina idi həyatın uzadılması məsələləri. Nəticədə FizTechs ən maraqlı fikirləri, komandalara bağlı olan kuratorları və şiddətli, lakin həyəcanverici işlərə başladı.
Demək olar ki, il ərzində uşaqlar bir çox problemlə üzləşdilər, bəziləri həll edə bildi. İndi onların nəticələrini qiymətləndirə bilərsiniz - çətinliklərə baxmayaraq, uşaqlar öhdəsindən gəldilər. MFTİ tələbələri (Fivtos'a əlavə olaraq, bəzi Fopfa tələbələri və digər fakültələr də bir neçə maraqlı və həyati layihələr hazırlayaraq bir neçə maraqlı və canlı layihələr hazırlamağı bacardı:
Çox sayda axtarış motorlarını rahat axtarmağa imkan verən Android tətbiqi. Bəzi mütəxəssislər inkişafa maraq göstərdilər və Anastasiya nəticəsində, son yay bütün yay silikon vadisinin ən məşhur inkubatorlarından birində - fiş və oyundan keçirdilər. Texnoloji sahibkarlığın əsaslarını öyrənmək və beynəlxalq müəssisə mütəxəssisləri ilə söhbət etmək.
Bu layihə, sədəqə ilə məşğul olmaq üçün tez və tamamilə pulsuz olanı hər kəsə mümkün edir. Model sadədir: reklamçılar saytda bəzi fəaliyyətlər toplusunu təklif edir, istifadəçilər könüllü olaraq onlara iştirak edir, reklamdan bütün pullar bir xeyriyyə fondunda verilmişdir. Başlanğıcdan bir həftə sonra layihə 6500-dən çox istifadəçi topladı və orada dayandırmaq niyyətində deyil. Nəticədə, Lev və onun komandası sayəsində uşaq evlərindən 600 uşaq yeni il üçün Santa Clausdan bəhrələnmiş hədiyyələr alacaq. Artıq yaxşı bir razılaşma üçün bir dəqiqə sərf etmisinizmi?!
Bir halda birləşməyə imkan verən bir tətbiq. Kompüter imkanları və telefon hərəkətliliyi, tez-tez iş gəzintilərində olan məşğul insanlar üçün son dərəcə faydalı bir məhsuldur. Smartfonunuza quraşdırmaq kifayətdir və istifadəçi hər hansı bir oteldə, ofisində öz kompüterinə "almaq" və bir monitor (TV də uyğun), klaviatura və siçan tapa bilərsiniz. Layihə ideyanın inkişafı üçün qrant aldı və texnologiya kubokunun sərgisində təqdim edildi və komandanın alınan pul üçün avadanlıqları aktiv şəkildə satın aldı. Amerika MİPS prosessorlarının istehsalçısı inkişaf etməkdə son dərəcə maraqlıdır.
Xatırladaq ki, poçt qutusundakı bir yerdə son böyük Bang nəzəriyyəsi seriyasından danışan çox vacib bir məktub qoyursan, eyni zamanda mətndən heç bir açar sözü xatırlamırsan? Axtarış Yandex və Google gücsüzdür. Smart Tagger, semantik axtarışdan istifadə edərək "Smart" proqramına tətbiq ediləcək - "Smart" proqramı, populyar seriallarla bir-birinə qarışan bütün mətnləri sizə təqdim edəcəkdir. Layihə U.M.N.K.K.K.K.K.K.K.K.K.K.K.K.K.K.K.K.K.K.-nin müsabiqəsində qalib gəldi. Ümumi məbləği 400.000 rubl!
Abbyy, hər hansı bir mürəkkəbliyin riyazi düsturlarını tanıyan bir proqram yaratmaq üçün maraqlı bir tapşırıq təklif etdi. Fosta tələbələri, fopph ilə əməkdaşlıq edən, tapşırığı yerinə yetirdi - Modul həqiqətən Mathan və ya Fizika mövzusunda dərsliklərdən skan edilmiş düsturları tanıyır. Nəticə: Abbyy böyük pul üçün çox məhsul almağa hazırdır.
