Применение нейронных сетей и перспективы их развития

Размещено на http://www.allbest.ru/

Башкирский государственный университет

Применение нейронных сетей и перспективы их развития

Беляева М.Б.,

кандидат физико-математических наук, доцент кафедры математического моделирования

Антипова А.Г., студент

2 курс, факультет математики и информационных технологий,

Аннотация

нейронный сеть технология

в настоящей работе рассматриваются направления, в которых на данный момент происходит активное развитие нейронных технологий и их практическое применение. Показаны конкретные примеры использования нейронных сетей. В заключении статьи уделено внимание возможностям и перспективам развития подобных систем.

Ключевые слова: искусственный интеллект, нейронные сети, Google, Botkin.AI, FindFaseMulti 1.0.

Annotation

This work examines the directions in which at the moment there is an active development of neural technologies and their practical application. Specific examples of using neural networks are shown. In the conclusion of the article, attention is paid to the possibilities and prospects for the development of such systems.

Key words: artificial intelligence, neural networks, Google, Botkin.AI, FindFase Multi 1.0.

Сегодня искусственный интеллект - это неотъемлемая часть нашей жизни, способная автоматизировать, ускорить и решить многие задачи. Одним из самых перспективных направлений искусственного интеллекта являются нейронные сети. Нейронные сети представляют собой алгоритмы, построенные по образцу работы человеческого мозга. Подобно мозгу человека нейронные сети имеют способность к развитию и исправлению ошибок. Обучение искусственной нейронной сети сводится к определению связей (синапсов) между нейронами и установлению весовых коэффициентов этих связей [1, c 23-25]. Способность к самостоятельному обучению и анализу предыдущего опыта, минимизируя количество ошибок, и есть основная особенность нейронных сетей. Широкое их применение можно наблюдать в самых разных сферах:

Поиск и обработка информации. В сентябре 2020 года крупнейшим банком страны Сбербанком была представлена система виртуальных ассистентов «Салют». В данной системе заложена идея мультимодального интерфейса, что подразумевает под собой любой способ взаимодействия с приложением удобный пользователю (текст, голос, жесты, сенсорный интерфейс). Система «Салют» разработана на базе платформ обработки естественного языка - SmartSpeech и SmartNLP. Для реализации функции диалога ассистентов применялись языковая модель BERT и генеративная языковая модель ruGPT-3 на архитектуре transformer. Рекуррентно-сверточная архитектура Tacotron/Tacotron-2 и отдельная нейросеть выполняют синтез речи. Система нейросетевого синтеза речи, разработанная в SberDevices, управляет темпом, интонацией, ударениями, длиной пауз и эмоциональной окраской речи [2]. За анализ речи пользователя отвечают нейросетевые NLU - модели, основанные на модифицированных многослойных архитектурах трансформеров. Виртуальные ассистенты «Салют» обладают обширным функционалом, куда входит управление умным домом, предоставление ответов на вопросы пользователя, поиск информации в интернете, заказ доставки еды, запись и бронирование интересующих вас услуг, осуществление звонков и видеоконференций и многое другое.

Нейронные сети применяются и в решении более простых задач. Так одно из американских изданий MiamiHerald решило вместо уволившегося сотрудника использовать бот. Рекуррентная нейронная сеть MiamiHeraldBot пишет статьи о недвижимости. За 2,5 недели им было выпущено 50 работ, которые помечаются специальной меткой, означающей, что текст сгенерирован искусственным интеллектом. Нейросеть собирает данные о цене, площади, местоположении, дате торгов и анализирует полученную информацию. На данный момент бот допускает фактологические ошибки, что говорит и необходимости доработки. Однако тексты, сгенерированные нейронной сетью, вполне читаемы и в ближайшие планы издательства не входят поиски нового сотрудника.

Развлечения, искусство. Компанией Google была представлена новейшая технология для повышения четкости фотографий на базе диффузионных моделей. Специалисты Google из BrainTeam разработали два связанных алгоритма, позволяющие воспроизводить изображения с более высоким разрешением без потери качества. Первый подход называется SR3 (сверхразрешение посредством повторного уточнения), который принимает на вход изображение с низким разрешением и посредством нейронной сети строит соответствующее изображение, увеличивая его и добавляя шум. Затем нейронная сеть, обучившаяся методам искажения, воспроизводит обратный процесс, тем самым постепенно удаляя весь шум в целях достижения требуемого результата [3]. Стоит отметить, что SR3 намного лучше справляется с поставленной задачей, чем такие генеративные алгоритмы как FSRGAN и PULSE. Разработчиками компании была реализована еще одна диффузионная модель - CDM, использующая каскадный подход и увеличивающая фотографии в 2 этапа.

Медицина, диагностика. В конце 2020 года Росздравнадзором была зарегистрирована платформа Botkin.AI, построенная на базе сверточных нейронных сетей, посредством которых проводится диагностика КТ, МРТ, рентгеновских и маммографических снимков с целью выявления патологий в легких [4]. Платформа для анализа медицинских исследований Bot.kin.AT позволяет повысить качество и доступность лучевой диагностики, а также снизить риски врачебных ошибок. Алгоритм обеспечивает качественный и быстрый анализ исследований, обращает внимание врача на подозрительные изменения в организме пациента. Точность продукта на данный момент составляет 95 % случаев и продолжает совершенствоваться.

Лабораторией по искусственному интеллекту Сбербанка в начале 2021 года был анонсирован выход приложения ATResp, которое позволяет пользователю самостоятельно определить наличие у него вируса Covid-19. Нейросеть, заложенная в приложении, анализирует голос, дыхание и кашель человека на наличие паттернов, характерных для коронавирусной инфекции. Модель прошла обучение на выборке, состоящей из более чем 3000 записей пациентов с вирусом, и достигла точности 82 %, что выше точности ПЦР - тестов.

Безопасность, охранные системы. В сфере безопасности и охранных систем нейронные сети применяются в целях аутентификация лица, распознавании лиц в потоке людей, идентификации голоса, детектирования государственных номеров транспортных средств, выявления оружия. Нейронные сети в этих вопросах колоссально упрощают задачу человеку и способны работать в условиях толпы и плохой освещенности, что значительно повышает уровень безопасности. Так компанией NtechLab была разработано многофункциональное программное обеспечение биометрической идентификации и мультиобъектной видеоаналитики под названием FindFaseMulti 1.0. В основе системы лежит сверточная нейронная сеть kiwi, которая способна обрабатывать одновременно несколько кадров с камер видеонаблюдения и проводить анализ изменений во внешности человека с целью распознавания реального человека от изображения для предотвращения мошенничества с использованием фотографий на электронных или бумажных носителях. К тому же нейронная сеть способна распознавать автомобили, номерные знаки, определять точное количество людей, их пол и возраст. Сегодня разработки NtechLab активно применяются в московском метро для выявления правонарушений и подозрительных лиц. Алгоритм также используется казино и банками в целях безопасности. В будущем инженеры планируют доработать технологии, чтобы избавить аэропорты и вокзалы от паспортного контроля.

Примеры, приведенные в статье, доказывают, что уже сейчас нейронные сети распространены во многих областях и успешно справляются с поставленными перед ними задачами. В обозримом будущем планируется ввести нейронные технологии повсеместно. Сегодня учеными и инженерами разрабатываются все более сложные архитектуры и алгоритмы обучения нейронных сетей в целях создать «мыслящие» компьютеры. Так, возможно в будущем искусственный интеллект не просто будет выступать помощником в решении задач, а полностью заменит человека в некоторых сферах. Но пока говорить об этом рано. К тому же стоит отметить сложность их внедрения,

однако уже сейчас бесспорно можно отметить, что нейронные сети приносят колоссальную выгоду и преимущества [5].

Нейронные сети представляют собой мощный инструмент, способный работать с огромным объемом данных и решать большое число нестандартных задач в короткие сроки. Способность таких сетей к обучению упрощает их использование, так как нет необходимости в изучении различных алгоритмов и методов. Однако возможности нейронных сетей полностью не раскрыты из - за ряда нерешенных проблем и по сей день. Одна из них - это низкая скорость передачи сигнала внутри сети, а именно станет ли возможным передача данных вычислительным машинам близкой к скорости мыслительной деятельности человека. Может быть, в ближайшем будущем найдется решение этих вопросов, и эволюция нейронных сетей выйдет на новый уровень.

Использованные источники

Аггарвал Чару., Нейронные сети и глубокое обучение: учебный курс: Пер. с англ. - Спб.: ООО «Диалектика», 2020 г. - 752 с.

Салют (голосовой помощник), [Электронный ресурс]. - URL: https://m.wikipedm.org/wiki_Салют_(голосовой_помощник) (дата обращения - 19.12.2021)

Создание высокоточных изображений с использованием диффузионных моделей, [Электронный ресурс]. - URL: https://habr.com/ru/post/576260/ (дата обращения - 20.12.2021)

Botkin.AI: отечественная платформа на основе искусственного интеллекта,

[Электронный ресурс]. - URL:

https://www.msdmed.ru/content/tekhnologii/interfejsy/botkin-ai-otechestvennaya- platforma-na-osnove-iskusstvennogo-mteьekta/ (дата обращения - 25.12.2021)

Дильмухаметова А.Р., Кашникова А.П., Беляева М.Б. Нейронные сети и их роль в современном мире // Modern Science. - 2021. - № 10-1. - С. 416-420.

Размещено на Allbest.ru