Murgab

Ни для кого не секрет, что нейронным сетям уже нечего делать в области шахмат и всяких там го (здесь человечество потерпело полный крах). Теперь нейронки добрались до трехмерных игр и поражают методами достижения целей и наилучших показателей — как и в случае с го, такие методы могут выглядеть абсурдными или даже идиотскими на первый взгляд, но позволяют в итоге компьютеру обставлять человеческого противника и получать желаемую победу.

Так к чему это я все? Жду не дождусь, когда нейронки доберутся до «симуляторов жизни», например, до Sims! Конечно, перед этим в Sims было бы неплохо добавить взятки, несовершенство законов, коррупцию, семейные кланы, религии и секты, человеческую глупость, отмывание денег, воровство, фальшивые диссертации и прочие документы, доработать такую составляющую, как понты, добавить проституцию и сутенерство, возможность собирать компромат и продавать/принимать наркоту, а также надо бы увеличить цену добычи новых знаний (там все слишком уж легко сделано — потусовался у книжного шкафчика, и поднял скилл за вечер). Чтобы больше приблизить идеализированный мир к настоящему. Ну, к счастью, такие немаловажные факторы, как неугомонная социализация и неуемное спаривание уже есть.

И вот, когда нейронка прогонит пару миллиардов игровых итераций, партий под названием «жизнь», было бы очень интересно посмотреть на добытые дуболомной машинной рутиной рецепты достижения топовых показателей в виртуальной жизни. Думаю, они нас слегка шокируют своей необычностью (или, может, как раз наоборот, одиозной обыденностью?). В любом случае, челюсть у нас гарантированно отвиснет.

Понимание живого человеческого языка машиной, распознавание контекстов, объектов, субъектов и фактов отношений между ними — одна из главнейших задач современной науки и одна из главных перспектив практического применения машинного обучения. И в этой области все двигается довольно быстро вперед (впрочем, как и с сопредельными областями ML).

Вчера Google выкатила целый открытый фреймворк на базе своей же открытой ML-библиотеки TensorFlow для парсинга естественного языка — SyntaxNet, доступный любому и каждому. В задачи системы, построенной с применением глубоких нейронных сетей, входит понять, о чем идет речь в предложении и максимально, насколько это возможно, без фактического знания окружающего мира, а располагая лишь текстовой информацией, снять все неоднозначности. То есть, вот это вот «казнить нельзя помиловать».

Фреймворк поставляется с уже натренированной моделью с благородным именем Parsey McParseface, работающей пока только с английским языком. В Google заявляют, что на данный момент это самый точный парсер естественного языка в мире, способный дать точность распознавания на уровне 96-97%, что уже сопоставимо с обычным человеком, читающим текст. Правда, для этого обрабатываемый материал должен быть правильно написанным и оформленным. Комменты из интернета со всеми вытекающими жаргонизмами, пофигистичным подходом к структуре предложений и пунктуации (да еще и с кучей ошибок) будут парситься с куда более низкой точностю (но это, конечно, просто дело времени и техники).

Пользователи фреймворка вольны натренировать свою модель, а не использовать готовую. Для русского языка — это опция по умолчанию, без вариантов. Попробую сегодня поковырять, очень интересно, что выйдет.

Впечатляющая новость из области разработок ИИ и просто красивый и показательный развод:

Преподаватель Джилл Уотсон около пяти месяцев помогала студентам Технологического института Джорджии в работе над проектами по дизайну программ. Нюанс в том, что Джилл — это робот, система искусственного интеллекта, работающая на базе IBM Watson, но никто из студентов, обсуждая работы с преподавателем, за все это время ничего не заподозрил. А кто-то из студентов до этого открытия даже собирался назвать ее «выдающимся педагогом». Это были студенты из класса по изучению искусственного интеллекта. Историю Джилл рассказывает The Wall Street Journal.

С января этого года «Джилл», как ассистирующий преподаватель, вместе с еще 9 преподавателями-людьми помогала около 300 студентам разрабатывать программы, которые помогают компьютерам решать определенного вида проблемы, к примеру – как подобрать картинку, чтобы последовательность картинок была логичной.

Джилл помогала студентам на форуме, где они сдавали и обсуждали работы, использовала в своей речи сленговые и просторечные обороты типа «угу», и в общем и целом вела себя как обычный человеческий преподаватель.

«Она должна была напоминать нам о датах дедлайна и с помощью вопросов подогревать обсуждения работ. Это было как обычный разговор с обычным человеком», – рассказала изданию студентка вуза Дженнифер Гевин.

Другой студент, Шрейяс Видьярти, представлял себе Джилл как дружелюбную белую женщину 20-ти с чем-то лет, скорее всего, работающую над докторской. «Меня как громом поразило», – делится впечатлениями студент.

Дошло до того, что робота в мисс Уотсон не признал даже студент Баррик Рид, который два года работал на IBM, создав некоторые из программ, с помощью которых действует сам робот. Но намека в имени «Уотсон» он не разглядел. «Я должен был догадаться, но нет», – говорит он.

Зачем Джилл включили в программу обучения? Проблема в том, что студенты задают слишком много вопросов – порядка 10 000 сообщений в семестр, объясняет Ашок Гоэл, профессор компьютерных наук Технологического института Джорджии. Преподаватели-люди с валом вопросов не всегда справляются. Именно Ашок решил ввести робота в обучающую программу для своего класса по изучению искусственного интеллекта.

Над роботом работала вузовская команда, обучая его отвечать на вопросы, учитывая предыдущие ответы. Не стоит путать Джилл с обычными чатботами. Если большинство чатботов – новички, то Джилл – эксперт, она не отвечает на вопрос, пока не достигнет 67% уверенности в ответе, утверждает Гоэл. По его словам, Джилл еще далеко до Авы из Ex Machina, но это такой же волнующий опыт.

По оценкам профессора, всего за год Джилл обучится настолько, что сможет отвечать на 40% вопросов от студентов, оставляя за людьми право заниматься более серьезными техническими или философскими проблемами.

Дела идут полным ходом. Компьютеры (точнее, нейросети на традиционном компьютерном железе) с огромной скоростью совершенствуются в этом навыке. Они все точнее и точнее распознают котиков, да и любые другие образы, на статических изображениях и в видеоматериалах.

Любопытная цитата с Venturebeat, рассказывает Джефф Дин — эксперт по машинной когнитивистике из Google (перевожу небольшой кусочек, но рекомендую прочесть всю статью):

«Эволюция в этой области протекает очень быстро.

Например, в области систем автоматической классификации изображений, нейронные сети совершили огромный скачок вперед. В 2011 году, в ежегодном соревновании ImageNet, лучшим результатом для компьютерной нейросети стал средний показатель ошибочных распознаваний в 25,7 %. Доля ошибок снизилась до 16,4 % всего за один год (в 2012-м), тогда как в 2013-м году нейросети показали результат в 11,7 % ошибочных срабатываний. В 2014-м году показатель точности распознавания образов увеличился до 83,3 % (тогда как уровень ошибок снизился до минимальных 6,7 %). И вот, в январе текущего года китайская Baidu демонстрирует уровень в 6 %, тогда как в феврале Microsoft достигает 4,9 % степени точности, а в марте Google заявляет о достижении степени точности в 4,8 %».

Другими словами, если вы возьмете любую фотографию и «скормите» ее нейросети, то уже сегодня с вероятностью как минимум 95 %, компьютер «осознает», что именно (и кто) изображено на этой фотографии. А с такими темпами уже в ближайшем светлом будущем машины легко смогут ориентироваться в окружающем мире по одному только стереоизображению (а-ля Kinect), прямо как люди.