Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_1.jpg" alt=">Νευρωνικά δίκτυα στην ιατρική StatSoft Russia">!}

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_2.jpg" alt=">Βασικές ιδέες μεθόδων ανάλυσης νευρωνικών δικτύων Απλότητα και ομοιογένεια μεμονωμένων στοιχείων - «νευρώνες» » Όλα τα κύρια"> Основные идеи нейросетевых методов анализа Простота и однородность отдельных элементов - «нейронов» Все основные свойства сети определяются структурой связей Избыточность системы гарантирует ее надежность как целого Связи формируются по неявным правилам в процессе «обучения»!}

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_3.jpg" alt=">Παραδείγματα τεχνητών νευρωνικών δικτύων">!}

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_4.jpg" alt=">Δυνατότητες της προσέγγισης νευρωνικών δικτύων στην ανάλυση δεδομένων Προσφέρει έναν τυπικό τρόπο για την επίλυση πολλών μη τυπικών προβλημάτων Ρητή"> Особенности нейросетевого подхода к анализу данных Предлагает стандартный способ решения многих нестандартных задач. Явное описание модели заменяется созданием «образовательной среды». Приводит к успеху там, где отказывают !} παραδοσιακές μεθόδουςκαι είναι δύσκολο να δημιουργηθεί ένας σαφής αλγόριθμος.

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_5.jpg" alt=">Για την πρακτική υγειονομική περίθαλψη, τα εξειδικευμένα συστήματα για τη διάγνωση ασθενειών παρουσιάζουν ιδιαίτερο ενδιαφέρον">!}

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_6.jpg" alt=">Παραδείγματα χρήσης νευρωνικών δικτύων στην ιατρική Ανίχνευση αθηρωματικών πλακών χρησιμοποιώντας φάσματα ανάλυσης φθορισμού."> Примеры применения нейронных сетей в медицине Выявление атеросклеротических бляшек с помощью анализа флюоресцентных спектров. Диагностика заболеваний !} περιφερειακά αγγεία. Διάγνωση εμφράγματος του μυοκαρδίου. Διάγνωση βαλβιδοειδών καρδιακών φυσημάτων με χρήση ανάλυσης ακουστικού σήματος. Αναγνώριση ψυχιατρικών συμπτωμάτων.

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_7.jpg" alt=">Έμπειρο σύστημα θεραπείας αρτηριακή υπέρταση(Ιταλία) Ενότητα 1 Ενότητα 2 Ενότητα 3 Ωριαία "> Εξειδικευμένο σύστημα για τη θεραπεία της αρτηριακής υπέρτασης (Ιταλία) Ενότητα 1 Ενότητα 2 Ενότητα 3 Ωριαίες μετρήσεις αρτηριακής πίεσης Ηλικία και φύλο Χαρακτηριστικά κατάστασης Χαρακτηριστικά φάρμακαΔομή ωριαίας λήψης φαρμάκου Άλλα κλινικά δεδομένα

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_8.jpg" alt=">Προσδιορισμός της συσσωρευμένης δόσης έκθεσης σε ραδιενέργεια (Krasnoyarsk Medical Academy) Ταξινόμηση σύμφωνα με 4 ομάδες των"> Определение накопленной дозы радиоактивного облучения (Красноярская мед. академия) Классификация на 4 группы по величине накопленной дозы облучения 35 входных параметров Естественная Слабая Средняя Сильная Сеть обучалась на данных о пациентах, работающих в атомной промышленности. Со 100% правильностью такая сеть классифицирует состояние людей, в том числе и тех, кто не работает в данной отрасли.!}

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_9.jpg" alt=">Στάδια ανάλυσης νευρωνικών δικτύων Μελέτη της σχέσης μεταβλητών και διάστασης μείωση Κατασκευή και εκπαίδευση δικτύων"> Этапы нейросетевого анализа Исследование взаимосвязи переменных и понижение размерности Построение и обучение сетей !} ΔΙΑΦΟΡΕΤΙΚΟΙ ΤΥΠΟΙΣύγκριση της ποιότητας των δικτύων και των στατιστικών τους χαρακτηριστικών

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_10.jpg" alt=">Μείωση διαστάσεων: επιλογή χαρακτηριστικού εισαγωγής Ποινή ανά στοιχείο, αριθμός πληθυσμών και γενιές μπιτ"> Понижение размерности: отбор входных признаков Штраф за элемент, число популяций и поколений битовых строк Генетический алгоритм, пошаговое включение и исключение признаков!}

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_11.jpg" alt=">Μείωση διαστάσεων: αυτόματα συσχετιστικά δίκτυα Νέες μεταβλητές εισόδου για το νευρωνικό μοντέλο δικτύου">!}

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_12.jpg" alt=">Το έργο της ταξινόμησης της κατάστασης των ασθενών με στεφανιαία νόσος">

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_13.jpg" alt=">Νευρικό δίκτυο για τη διάγνωση της ανάπτυξης στεφανιαίας νόσου Βασισμένο σε ένα σύνολο των δεικτών (48 μεταβλητές ),"> Нейронная сеть для диагностики развития ишемической болезни По набору показателей (48 переменных), как номинальных (например, «слабая-умеренная-сильная боль»), так и непрерывных (например, !} αρτηριακή πίεσηή ηλικία), ταξινομείται η κατάσταση των ασθενών με στεφανιαία νόσο. Ονομαστικές μεταβλητές Συνεχείς μεταβλητές

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_14.jpg" alt=">Αποτελέσματα ταξινόμησης και ανάλυση ευαισθησίας Όλες οι παρατηρήσεις ταξινομούνται σωστά Η ανάλυση ευαισθησίας επιτρέπει να δηλώσουμε,"> Результаты классификации и анализ чувствительности Все наблюдения классифицированы правильно Анализ чувствительности позволяет утверждать, что одним из !} τους σημαντικότερους παράγοντεςκίνδυνος είναι η συνήθεια του καπνίσματος.

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_15.jpg" alt=">Διαγνωστική εργασία Καρκίνος">

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_16.jpg" alt=">Νευρωνικά δίκτυα για διάγνωση καρκίνου Δίκτυο σε ακτινική βάση λειτουργίες Πολυστρωματικό perceptron">!}

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_17.jpg" alt=">Αποτελέσματα ταξινόμησης Πολυστρωματικό perceptron: 100% των παρατηρήσεων ταξινομημένα σωστά Ακτινική βάση λειτουργίες : Το 95% των παρατηρήσεων ταξινομήθηκαν"> Результаты классификации Многослойный персептрон: 100% наблюдений классифицировано правильно Радиальные базисные функции: 95% наблюдений классифицировано правильно!}

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_18.jpg" alt=">Ρύθμιση δικτύου">!}

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_19.jpg" alt=">Βιβλιοθήκες λειτουργιών του πακέτου STATISTICA Neural Networks για κατασκευή, εκπαίδευση και λειτουργία νευρωνικών δικτύων"> Библиотеки функций пакета STATISTICA Neural Networks для построения, обучения и работы нейронных сетей позволяют эффективно встраивать нейросетевые модули в разрабатываемые экспертные системы для прогнозирования и диагностики заболеваний!}

Καλησπέρα, με λένε Natalia Efremova και είμαι ερευνήτρια στο NtechLab. Σήμερα θα μιλήσω για τα είδη των νευρωνικών δικτύων και τις εφαρμογές τους.

Αρχικά, θα πω λίγα λόγια για την εταιρεία μας. Η εταιρεία είναι νέα, ίσως πολλοί από εσάς δεν ξέρετε ακόμα τι κάνουμε. Πέρυσι κερδίσαμε τον διαγωνισμό MegaFace. Πρόκειται για έναν διεθνή διαγωνισμό αναγνώρισης προσώπου. Την ίδια χρονιά άνοιξε η εταιρεία μας, δηλαδή βρισκόμαστε στην αγορά περίπου ένα χρόνο, έστω και λίγο παραπάνω. Αντίστοιχα, είμαστε μια από τις κορυφαίες εταιρείες στην αναγνώριση προσώπου και την επεξεργασία βιομετρικών εικόνων.

Το πρώτο μέρος της έκθεσής μου θα απευθύνεται σε όσους δεν είναι εξοικειωμένοι με τα νευρωνικά δίκτυα. Ασχολούμαι άμεσα με τη βαθιά μάθηση. Δουλεύω σε αυτόν τον τομέα για περισσότερα από 10 χρόνια. Αν και εμφανίστηκε πριν από λίγο λιγότερο από μια δεκαετία, υπήρχαν κάποια βασικά στοιχεία νευρωνικών δικτύων που ήταν παρόμοια με το σύστημα βαθιάς μάθησης.

Τα τελευταία 10 χρόνια, η βαθιά μάθηση και η όραση των υπολογιστών έχουν αναπτυχθεί με απίστευτο ρυθμό. Όλα όσα έχουν γίνει και είναι σημαντικά σε αυτόν τον τομέα έχουν συμβεί τα τελευταία 6 χρόνια.

Θα μιλήσω για πρακτικές πτυχές: πού, πότε, τι να χρησιμοποιήσω όσον αφορά τη βαθιά μάθηση για επεξεργασία εικόνας και βίντεο, για αναγνώριση εικόνας και προσώπου, αφού εργάζομαι σε μια εταιρεία που το κάνει αυτό. Θα σας πω λίγα λόγια για την αναγνώριση συναισθημάτων και ποιες προσεγγίσεις χρησιμοποιούνται στα παιχνίδια και τη ρομποτική. Θα μιλήσω επίσης για τη μη τυπική εφαρμογή της βαθιάς μάθησης, κάτι που μόλις αναδύεται από τα επιστημονικά ιδρύματα και εξακολουθεί να χρησιμοποιείται ελάχιστα στην πράξη, πώς μπορεί να εφαρμοστεί και γιατί είναι δύσκολο να εφαρμοστεί.

Η έκθεση θα αποτελείται από δύο μέρη. Δεδομένου ότι οι περισσότεροι είναι εξοικειωμένοι με τα νευρωνικά δίκτυα, πρώτα θα καλύψω γρήγορα πώς λειτουργούν τα νευρωνικά δίκτυα, τι είναι τα βιολογικά νευρωνικά δίκτυα, γιατί είναι σημαντικό για εμάς να γνωρίζουμε πώς λειτουργεί, τι είναι τα τεχνητά νευρωνικά δίκτυα και ποιες αρχιτεκτονικές χρησιμοποιούνται σε ποιες περιοχές .

Ζητώ συγνώμη αμέσως, θα περάσω λίγο στην αγγλική ορολογία, γιατί πλέονΔεν ξέρω καν πώς λέγεται στα ρωσικά. Ίσως και εσύ.

Έτσι, το πρώτο μέρος της έκθεσης θα είναι αφιερωμένο στα συνελικτικά νευρωνικά δίκτυα. Θα σας πω πώς λειτουργούν τα συνελικτικά νευρωνικά δίκτυα (CNN) και η αναγνώριση εικόνας χρησιμοποιώντας ένα παράδειγμα από την αναγνώριση προσώπου. Θα σας πω λίγα λόγια για τα επαναλαμβανόμενα νευρωνικά δίκτυα (RNN) και την ενισχυτική μάθηση χρησιμοποιώντας το παράδειγμα συστημάτων βαθιάς μάθησης.

Ως μη τυπική εφαρμογή νευρωνικών δικτύων, θα μιλήσω για το πώς λειτουργεί το CNN στην ιατρική για να αναγνωρίσει εικόνες voxel, πώς χρησιμοποιούνται τα νευρωνικά δίκτυα για την αναγνώριση της φτώχειας στην Αφρική.

Τι είναι τα νευρωνικά δίκτυα

Η ραχιαία οπτική οδός ξεκινά από την κύρια οπτική ζώνη, στο στέμμα μας, και συνεχίζει προς τα πάνω, ενώ η κοιλιακή οδός αρχίζει στο πίσω μέρος του κεφαλιού μας και τελειώνει περίπου πίσω από τα αυτιά. Όλη η σημαντική αναγνώριση προτύπων που μας συμβαίνει, ό,τι έχει νόημα που γνωρίζουμε, γίνεται ακριβώς εκεί, πίσω από τα αυτιά.

Γιατί είναι σημαντικό? Επειδή είναι συχνά απαραίτητο να κατανοήσουμε τα νευρωνικά δίκτυα. Πρώτον, όλοι μιλούν για αυτό, και έχω ήδη συνηθίσει να συμβαίνει αυτό, και δεύτερον, το γεγονός είναι ότι όλες οι περιοχές που χρησιμοποιούνται στα νευρωνικά δίκτυα για την αναγνώριση εικόνας ήρθαν σε εμάς ακριβώς από την κοιλιακή οπτική οδό, όπου η καθεμία ένα μικρό ζώνη είναι υπεύθυνη για την αυστηρά καθορισμένη λειτουργία της.

Η εικόνα μας έρχεται από τον αμφιβληστροειδή του ματιού, περνά μέσα από μια σειρά από οπτικές περιοχέςκαι καταλήγει στη χρονική ζώνη.

Στη μακρινή δεκαετία του '60 του περασμένου αιώνα, όταν μόλις ξεκινούσε η μελέτη των οπτικών περιοχών του εγκεφάλου, έγιναν τα πρώτα πειράματα σε ζώα, επειδή δεν υπήρχε fMRI. Ο εγκέφαλος μελετήθηκε χρησιμοποιώντας ηλεκτρόδια εμφυτευμένα σε διάφορες οπτικές περιοχές.

Η πρώτη οπτική περιοχή μελετήθηκε από τους David Hubel και Torsten Wiesel το 1962. Έκαναν πειράματα σε γάτες. Στις γάτες έδειξαν διάφορα κινούμενα αντικείμενα. Αυτό στο οποίο ανταποκρίθηκαν τα εγκεφαλικά κύτταρα ήταν το ερέθισμα που αναγνώρισε το ζώο. Ακόμη και τώρα πολλά πειράματα γίνονται με αυτούς τους δρακόντειους τρόπους. Αλλά παρόλα αυτά αυτό είναι το πιο αποτελεσματική μέθοδοςΜάθετε τι κάνει κάθε μικροσκοπικό κύτταρο στον εγκέφαλό μας.

Με τον ίδιο τρόπο, ανακαλύφθηκαν πολλές ακόμη σημαντικές ιδιότητες των οπτικών περιοχών, τις οποίες χρησιμοποιούμε στη βαθιά μάθηση τώρα. Μία από τις πιο σημαντικές ιδιότητες είναι η αύξηση των δεκτικών πεδίων των κυττάρων μας καθώς μετακινούμαστε από τις πρωτεύουσες οπτικές περιοχές στους κροταφικούς λοβούς, δηλαδή στις μεταγενέστερες οπτικές περιοχές. Το δεκτικό πεδίο είναι εκείνο το μέρος της εικόνας που επεξεργάζεται κάθε κύτταρο του εγκεφάλου μας. Κάθε κελί έχει το δικό του δεκτικό πεδίο. Η ίδια ιδιότητα διατηρείται στα νευρωνικά δίκτυα, όπως πιθανώς όλοι γνωρίζετε.

Επίσης, καθώς τα δεκτικά πεδία αυξάνονται, αυξάνονται και τα πολύπλοκα ερεθίσματα που τυπικά αναγνωρίζουν τα νευρωνικά δίκτυα.

Εδώ βλέπετε παραδείγματα της πολυπλοκότητας των ερεθισμάτων, των διαφορετικών δισδιάστατων σχημάτων που αναγνωρίζονται στις περιοχές V2, V4 και διάφορα μέρη των χρονικών πεδίων σε πιθήκους μακάκου. Γίνεται επίσης μια σειρά από πειράματα μαγνητικής τομογραφίας.

Εδώ μπορείτε να δείτε πώς γίνονται τέτοια πειράματα. Αυτό είναι ένα τμήμα 1 νανόμετρο των ζωνών του φλοιού πληροφορικής του πιθήκου κατά την αναγνώριση διαφόρων αντικειμένων. Το σημείο που αναγνωρίζεται επισημαίνεται.

Ας το συνοψίσουμε. Μια σημαντική ιδιότητα που θέλουμε να υιοθετήσουμε από τις οπτικές περιοχές είναι ότι το μέγεθος των δεκτικών πεδίων αυξάνεται και η πολυπλοκότητα των αντικειμένων που αναγνωρίζουμε αυξάνεται.

Υπολογιστική όραση

Μεταφέρουμε όλες αυτές τις ιδιότητες στο νευρωνικό δίκτυο και τώρα λειτουργεί, αν δεν συμπεριλάβετε μια μικρή απόκλιση στα σύνολα δεδομένων, για την οποία θα μιλήσω αργότερα.

Αλλά πρώτα, λίγα για το απλούστερο perceptron. Σχηματίζεται επίσης στην εικόνα και την ομοίωση του εγκεφάλου μας. Το απλούστερο στοιχείο που μοιάζει με εγκεφαλικό κύτταρο είναι ένας νευρώνας. Διαθέτει στοιχεία εισόδου που από προεπιλογή είναι διατεταγμένα από αριστερά προς τα δεξιά, περιστασιακά από κάτω προς τα πάνω. Στα αριστερά είναι τα μέρη εισόδου του νευρώνα, στα δεξιά τα μέρη εξόδου του νευρώνα.

Το απλούστερο perceptron είναι ικανό να εκτελεί μόνο τις απλούστερες πράξεις. Για να εκτελέσουμε πιο σύνθετους υπολογισμούς, χρειαζόμαστε μια δομή με μεγάλο ποσόκρυφά στρώματα.

Στην περίπτωση της όρασης υπολογιστή, χρειαζόμαστε ακόμη περισσότερα κρυφά επίπεδα. Και μόνο τότε το σύστημα θα αναγνωρίσει με νόημα αυτό που βλέπει.

Έτσι, θα σας πω τι συμβαίνει κατά την αναγνώριση εικόνας χρησιμοποιώντας το παράδειγμα των προσώπων.

Για να δούμε αυτή την εικόνα και να πούμε ότι δείχνει ακριβώς το πρόσωπο του αγάλματος είναι πολύ απλό. Ωστόσο, πριν από το 2010, αυτό ήταν ένα απίστευτα δύσκολο έργο για την όραση του υπολογιστή. Όσοι έχουν ασχοληθεί με αυτό το θέμα πριν από αυτή τη φορά πιθανότατα ξέρουν πόσο δύσκολο ήταν να περιγράψουμε το αντικείμενο που θέλουμε να βρούμε στην εικόνα χωρίς λόγια.

Χρειαζόταν να το κάνουμε αυτό με κάποιο γεωμετρικό τρόπο, να περιγράψουμε το αντικείμενο, να περιγράψουμε τις σχέσεις του αντικειμένου, πώς αυτά τα μέρη μπορούν να συσχετιστούν μεταξύ τους, στη συνέχεια να βρούμε αυτήν την εικόνα στο αντικείμενο, να τα συγκρίνουμε και να πάρουμε αυτό που δεν αναγνωρίσαμε καλά. Συνήθως ήταν λίγο καλύτερο από το να γυρίσεις ένα κέρμα. Λίγο καλύτερο από το επίπεδο της ευκαιρίας.

Δεν λειτουργεί έτσι τώρα. Χωρίζουμε την εικόνα μας είτε σε εικονοστοιχεία είτε σε ορισμένες ενημερωμένες εκδόσεις: 2x2, 3x3, 5x5, 11x11 pixel - όπως είναι βολικό για τους δημιουργούς του συστήματος στο οποίο χρησιμεύουν ως το στρώμα εισόδου στο νευρωνικό δίκτυο.

Τα σήματα από αυτά τα στρώματα εισόδου μεταδίδονται από στρώμα σε στρώμα χρησιμοποιώντας συνάψεις, όπου κάθε στρώμα έχει τους δικούς του συγκεκριμένους συντελεστές. Περνάμε λοιπόν από στρώμα σε στρώμα, από στρώμα σε στρώμα, μέχρι να καταλάβουμε ότι έχουμε αναγνωρίσει το πρόσωπο.

Συμβατικά, όλα αυτά τα μέρη μπορούν να χωριστούν σε τρεις κατηγορίες, θα τα συμβολίσουμε X, W και Y, όπου X είναι η εικόνα εισόδου μας, Y είναι ένα σύνολο ετικετών και πρέπει να πάρουμε τα βάρη μας. Πώς υπολογίζουμε το W;

Δεδομένων των X και Y μας, αυτό φαίνεται απλό. Ωστόσο, αυτό που υποδεικνύεται με έναν αστερίσκο είναι μια πολύ σύνθετη μη γραμμική πράξη, η οποία, δυστυχώς, δεν έχει αντίστροφο. Ακόμη και με 2 δεδομένες συνιστώσες της εξίσωσης, είναι πολύ δύσκολο να υπολογιστεί. Επομένως, πρέπει σταδιακά, με δοκιμή και λάθος, επιλέγοντας το βάρος W, να βεβαιωθούμε ότι το σφάλμα μειώνεται όσο το δυνατόν περισσότερο, κατά προτίμηση ώστε να γίνει ίσο με το μηδέν.

Αυτή η διαδικασία συμβαίνει επαναληπτικά, μειώνουμε συνεχώς μέχρι να βρούμε την τιμή του βάρους W που μας ταιριάζει αρκετά.

Παρεμπιπτόντως, ούτε ένα νευρωνικό δίκτυο με το οποίο δούλεψα δεν πέτυχε σφάλμα ίσο με μηδέν, αλλά λειτούργησε αρκετά καλά.

Αυτό είναι το πρώτο δίκτυο που κέρδισε τον διεθνή διαγωνισμό ImageNet το 2012. Αυτό είναι το λεγόμενο AlexNet. Αυτό είναι το δίκτυο που για πρώτη φορά δήλωσε ότι υπάρχουν συνελικτικά νευρωνικά δίκτυα και από τότε τα συνελικτικά νευρωνικά δίκτυα δεν έχουν εγκαταλείψει ποτέ τις θέσεις τους σε όλους τους διεθνείς διαγωνισμούς.

Παρά το γεγονός ότι αυτό το δίκτυο είναι αρκετά μικρό (έχει μόνο 7 κρυφά επίπεδα), περιέχει 650 χιλιάδες νευρώνες με 60 εκατομμύρια παραμέτρους. Για να μάθουμε επαναληπτικά να βρίσκουμε τα απαραίτητα βάρη, χρειαζόμαστε πολλά παραδείγματα.

Το νευρωνικό δίκτυο μαθαίνει από το παράδειγμα μιας εικόνας και μιας ετικέτας. Όπως μας διδάσκουν στην παιδική ηλικία «αυτή είναι μια γάτα και αυτός είναι ένας σκύλος», τα νευρωνικά δίκτυα εκπαιδεύονται σε μεγάλο αριθμό εικόνων. Αλλά το γεγονός είναι ότι μέχρι το 2010 δεν υπήρχε αρκετά μεγάλο σύνολο δεδομένων που θα μπορούσε να διδάξει έναν τέτοιο αριθμό παραμέτρων για την αναγνώριση εικόνων.

Οι μεγαλύτερες βάσεις δεδομένων που υπήρχαν πριν από αυτήν την εποχή ήταν η PASCAL VOC, η οποία είχε μόνο 20 κατηγορίες αντικειμένων και η Caltech 101, η οποία αναπτύχθηκε στο Ινστιτούτο Τεχνολογίας της Καλιφόρνια. Το τελευταίο είχε 101 κατηγορίες, και αυτό ήταν πολύ. Όσοι δεν μπορούσαν να βρουν τα αντικείμενά τους σε καμία από αυτές τις βάσεις δεδομένων έπρεπε να κοστίσουν τις βάσεις δεδομένων τους, κάτι που, θα πω, είναι τρομερά οδυνηρό.

Ωστόσο, το 2010 εμφανίστηκε η βάση δεδομένων ImageNet, η οποία περιείχε 15 εκατομμύρια εικόνες, χωρισμένες σε 22 χιλιάδες κατηγορίες. Αυτό έλυσε το πρόβλημα της εκπαίδευσης των νευρωνικών δικτύων. Τώρα όλοι όσοι έχουν ακαδημαϊκή διεύθυνση μπορούν εύκολα να μεταβούν στον ιστότοπο της βάσης, να ζητήσουν πρόσβαση και να λάβουν αυτήν τη βάση για την εκπαίδευση των νευρωνικών τους δικτύων. Αποκρίνονται αρκετά γρήγορα, κατά τη γνώμη μου, την επόμενη μέρα.

Σε σύγκριση με προηγούμενα σύνολα δεδομένων, αυτή είναι μια πολύ μεγάλη βάση δεδομένων.

Το παράδειγμα δείχνει πόσο ασήμαντα ήταν όλα όσα προηγήθηκαν. Ταυτόχρονα με τη βάση ImageNet, εμφανίστηκε ο διαγωνισμός ImageNet, μια διεθνής πρόκληση στην οποία μπορούν να λάβουν μέρος όλες οι ομάδες που επιθυμούν να διαγωνιστούν.

Φέτος το νικητήριο δίκτυο δημιουργήθηκε στην Κίνα, είχε 269 επίπεδα. Δεν ξέρω πόσες παράμετροι υπάρχουν, υποψιάζομαι ότι υπάρχουν και πολλές.

Αρχιτεκτονική βαθιάς νευρωνικού δικτύου

Το μαύρο υποδεικνύει εκείνα τα μέρη που δεν μαθαίνουν· όλα τα άλλα στρώματα είναι ικανά να μάθουν. Υπάρχουν πολλοί ορισμοί του τι βρίσκεται μέσα σε κάθε συνελικτικό στρώμα. Μία από τις αποδεκτές σημειώσεις είναι ότι ένα στρώμα με τρία συστατικά χωρίζεται σε στάδιο συνέλιξης, στάδιο ανιχνευτή και στάδιο συγκέντρωσης.

Δεν θα μπω σε λεπτομέρειες· θα υπάρξουν πολλές ακόμη αναφορές που θα συζητήσουν λεπτομερώς πώς λειτουργεί αυτό. Θα στο πω με ένα παράδειγμα.

Επειδή οι διοργανωτές μου ζήτησαν να μην αναφέρω πολλές φόρμουλες, τις πέταξα εντελώς έξω.

Έτσι, η εικόνα εισόδου εμπίπτει σε ένα δίκτυο επιπέδων, το οποίο μπορεί να ονομαστεί φίλτρα διαφορετικών μεγεθών και ποικίλης πολυπλοκότητας των στοιχείων που αναγνωρίζουν. Αυτά τα φίλτρα συνθέτουν το δικό τους ευρετήριο ή σύνολο χαρακτηριστικών, το οποίο στη συνέχεια πηγαίνει στον ταξινομητή. Συνήθως αυτό είναι είτε SVM είτε MLP - πολυστρωματικό perceptron, όποιο σας βολεύει.

Με τον ίδιο τρόπο όπως ένα βιολογικό νευρωνικό δίκτυο, αναγνωρίζονται αντικείμενα ποικίλης πολυπλοκότητας. Καθώς ο αριθμός των στρωμάτων αυξανόταν, όλα έχασαν την επαφή με τον φλοιό, καθώς υπάρχει περιορισμένος αριθμός ζωνών στο νευρωνικό δίκτυο. 269 ​​ή πολλές, πολλές ζώνες αφαίρεσης, επομένως διατηρείται μόνο μια αύξηση στην πολυπλοκότητα, τον αριθμό των στοιχείων και τα δεκτικά πεδία.

Αν κοιτάξουμε το παράδειγμα της αναγνώρισης προσώπου, τότε το δεκτικό μας πεδίο του πρώτου στρώματος θα είναι μικρό, μετά λίγο μεγαλύτερο, μεγαλύτερο και ούτω καθεξής μέχρι τελικά να μπορέσουμε να αναγνωρίσουμε ολόκληρο το πρόσωπο.

Από την άποψη του τι υπάρχει μέσα στα φίλτρα μας, πρώτα θα υπάρχουν κεκλιμένα μπαστούνια συν λίγο χρώμα, μετά τμήματα προσώπων και μετά ολόκληρα πρόσωπα θα αναγνωρίζονται από κάθε κελί του στρώματος.

Υπάρχουν άνθρωποι που ισχυρίζονται ότι ένα άτομο αναγνωρίζει πάντα καλύτερα από ένα δίκτυο. Είναι έτσι?

Το 2014, οι επιστήμονες αποφάσισαν να δοκιμάσουν πόσο καλά αναγνωρίζουμε σε σύγκριση με τα νευρωνικά δίκτυα. Πήραν τα 2 καλύτερα δίκτυα αυτή τη στιγμή - το AlexNet και το δίκτυο των Matthew Ziller και Fergus, και τα συνέκριναν με την απόκριση διαφορετικών περιοχών του εγκεφάλου ενός μακάκου, ο οποίος επίσης διδάχθηκε να αναγνωρίζει ορισμένα αντικείμενα. Τα αντικείμενα ήταν από τον κόσμο των ζώων για να μην μπερδεύεται η μαϊμού και έγιναν πειράματα για να δούμε ποιος μπορούσε να αναγνωρίσει καλύτερα.

Δεδομένου ότι είναι αδύνατο να ληφθεί μια σαφής απόκριση από τον πίθηκο, εμφυτεύτηκαν ηλεκτρόδια σε αυτόν και μετρήθηκε άμεσα η απόκριση κάθε νευρώνα.

Αποδείχθηκε ότι υπό κανονικές συνθήκες, τα εγκεφαλικά κύτταρα ανταποκρίθηκαν καθώς και το μοντέλο αιχμής εκείνης της εποχής, δηλαδή το δίκτυο του Μάθιου Τσίλερ.

Ωστόσο, με την αύξηση της ταχύτητας εμφάνισης αντικειμένων και την αύξηση της ποσότητας θορύβου και αντικειμένων στην εικόνα, η ταχύτητα και η ποιότητα αναγνώρισης του εγκεφάλου μας και του εγκεφάλου των πρωτευόντων πέφτουν σημαντικά. Ακόμη και το πιο απλό συνελικτικό νευρωνικό δίκτυο μπορεί να αναγνωρίσει καλύτερα αντικείμενα. Δηλαδή, επίσημα τα νευρωνικά δίκτυα λειτουργούν καλύτερα από τον εγκέφαλό μας.

Κλασικά προβλήματα συνελικτικών νευρωνικών δικτύων

Χρησιμοποιώντας αυτήν την εικόνα ως παράδειγμα, ας δούμε τι κάνει κάθε εργασία.

• Καθορισμός ορίων- Αυτή είναι η εργασία χαμηλότερου επιπέδου για την οποία χρησιμοποιούνται ήδη κλασικά συνελικτικά νευρωνικά δίκτυα.
• Προσδιορισμός του διανύσματος στο κανονικόμας επιτρέπει να ανακατασκευάσουμε μια τρισδιάστατη εικόνα από μια δισδιάστατη.
• Υπεροχή, αναγνώριση αντικειμένων προσοχής- αυτό θα πρόσεχε ένα άτομο όταν κοιτούσε αυτήν την εικόνα.
• Σημασιολογική κατάτμησησας επιτρέπει να διαιρέσετε τα αντικείμενα σε κλάσεις ανάλογα με τη δομή τους, χωρίς να γνωρίζετε τίποτα για αυτά τα αντικείμενα, δηλαδή ακόμη και πριν να αναγνωριστούν.
• Επισήμανση νοηματικών ορίων- αυτή είναι η επιλογή των ορίων χωρισμένα σε τάξεις.
• Επισήμανση τμημάτων του ανθρώπινου σώματος.
• Και η εργασία υψηλότερου επιπέδου είναι αναγνώριση των ίδιων των αντικειμένων, το οποίο θα εξετάσουμε τώρα χρησιμοποιώντας το παράδειγμα της αναγνώρισης προσώπου.

Αναγνώριση προσώπου

Στη συνέχεια, μπορούμε να συγκρίνουμε αυτό το διάνυσμα χαρακτηριστικών με όλα τα διανύσματα χαρακτηριστικών που είναι αποθηκευμένα στη βάση δεδομένων μας και να λάβουμε μια αναφορά σε ένα συγκεκριμένο άτομο, στο όνομά του, στο προφίλ του - όλα όσα μπορούμε να αποθηκεύσουμε στη βάση δεδομένων.

Αυτός είναι ακριβώς ο τρόπος με τον οποίο λειτουργεί το προϊόν FindFace - είναι μια δωρεάν υπηρεσία που σας βοηθά να αναζητήσετε προφίλ ατόμων στη βάση δεδομένων VKontakte.

Επιπλέον, έχουμε ένα API για εταιρείες που θέλουν να δοκιμάσουν τα προϊόντα μας. Παρέχουμε υπηρεσίες ανίχνευσης προσώπου, επαλήθευσης και αναγνώρισης χρήστη.

Τώρα έχουμε αναπτύξει 2 σενάρια. Το πρώτο είναι η αναγνώριση, η αναζήτηση ενός ατόμου σε μια βάση δεδομένων. Το δεύτερο είναι η επαλήθευση, αυτή είναι μια σύγκριση δύο εικόνων με μια ορισμένη πιθανότητα ότι πρόκειται για το ίδιο άτομο. Επιπλέον, αυτή τη στιγμή αναπτύσσουμε την αναγνώριση συναισθημάτων, την αναγνώριση εικόνας στο βίντεο και την ανίχνευση ζωντάνιας - αυτή είναι η κατανόηση του αν το άτομο μπροστά από την κάμερα ή μια φωτογραφία είναι ζωντανό.

Μερικά στατιστικά στοιχεία. Κατά την αναγνώριση, κατά την αναζήτηση 10 χιλιάδων φωτογραφιών, έχουμε ακρίβεια περίπου 95%, ανάλογα με την ποιότητα της βάσης δεδομένων και ακρίβεια επαλήθευσης 99%. Και εκτός από αυτό, αυτός ο αλγόριθμος είναι πολύ ανθεκτικός στις αλλαγές - δεν χρειάζεται να κοιτάξουμε την κάμερα, μπορεί να έχουμε κάποια αντικείμενα που εμποδίζουν: γυαλιά, γυαλιά ηλίου, γενειάδα, ιατρική μάσκα. Σε ορισμένες περιπτώσεις, μπορούμε ακόμη και να ξεπεράσουμε τις απίστευτες προκλήσεις για την όραση του υπολογιστή, όπως γυαλιά και μάσκα.

Πολύ γρήγορη αναζήτηση, χρειάζεται 0,5 δευτερόλεπτα για την επεξεργασία 1 δισεκατομμυρίου φωτογραφιών. Έχουμε αναπτύξει ένα μοναδικό ευρετήριο γρήγορης αναζήτησης. Μπορούμε επίσης να εργαστούμε με εικόνες χαμηλής ποιότητας που λαμβάνονται από κάμερες CCTV. Όλα αυτά μπορούμε να τα επεξεργαστούμε σε πραγματικό χρόνο. Μπορείτε να ανεβάσετε φωτογραφίες μέσω της διεπαφής ιστού, μέσω Android, iOS και να πραγματοποιήσετε αναζήτηση σε 100 εκατομμύρια χρήστες και στις 250 εκατομμύρια φωτογραφίες τους.

Όπως είπα ήδη, πήραμε την πρώτη θέση στον διαγωνισμό MegaFace - ένα ανάλογο για το ImageNet, αλλά για την αναγνώριση προσώπου. Λειτουργεί εδώ και αρκετά χρόνια, πέρυσι ήμασταν οι καλύτεροι ανάμεσα σε 100 ομάδες από όλο τον κόσμο, συμπεριλαμβανομένης της Google.

Επαναλαμβανόμενα νευρωνικά δίκτυα

Χρησιμοποιείται για αναγνώριση φυσικής γλώσσας, επεξεργασία βίντεο, ακόμη και για αναγνώριση εικόνας.

Δεν θα μιλήσω για την αναγνώριση φυσικής γλώσσας - μετά την έκθεσή μου θα υπάρξουν άλλες δύο που θα στοχεύουν στην αναγνώριση φυσικής γλώσσας. Ως εκ τούτου, θα μιλήσω για το έργο των επαναλαμβανόμενων δικτύων χρησιμοποιώντας το παράδειγμα της αναγνώρισης συναισθημάτων.

Τι είναι τα επαναλαμβανόμενα νευρωνικά δίκτυα; Αυτό είναι περίπου το ίδιο με τα συνηθισμένα νευρωνικά δίκτυα, αλλά με ανάδραση. Χρειαζόμαστε ανατροφοδότηση για να μεταδώσουμε την προηγούμενη κατάσταση του συστήματος στην είσοδο του νευρωνικού δικτύου ή σε κάποια από τα επίπεδα του.

Ας πούμε ότι επεξεργαζόμαστε συναισθήματα. Ακόμα και σε ένα χαμόγελο - ένα από τα πιο απλά συναισθήματα - υπάρχουν αρκετές στιγμές: από μια ουδέτερη έκφραση του προσώπου μέχρι τη στιγμή που έχουμε ένα γεμάτο χαμόγελο. Διαδέχονται ο ένας τον άλλον διαδοχικά. Για να το καταλάβουμε αυτό καλά, πρέπει να είμαστε σε θέση να παρατηρήσουμε πώς συμβαίνει αυτό και να μεταφέρουμε αυτό που υπήρχε στο προηγούμενο πλαίσιο στο επόμενο βήμα του συστήματος.

Το 2005, στον διαγωνισμό Emotion Recognition in the Wild, μια ομάδα από το Μόντρεαλ παρουσίασε ένα επαναλαμβανόμενο σύστημα ειδικά για την αναγνώριση συναισθημάτων, το οποίο φαινόταν πολύ απλό. Είχε μόνο μερικά συνελικτικά στρώματα και λειτουργούσε αποκλειστικά με βίντεο. Φέτος πρόσθεσαν επίσης αναγνώριση ήχου και συγκεντρώθηκαν δεδομένα καρέ-καρέ που προέρχονται από συνελικτικά νευρωνικά δίκτυα, δεδομένα σήματος ήχου με λειτουργία επαναλαμβανόμενου νευρωνικού δικτύου (με επιστροφή κατάστασης) και έλαβαν την πρώτη θέση στον διαγωνισμό.

Ενισχυτική μάθηση

Γεγονός είναι ότι στις δύο προηγούμενες περιπτώσεις χρησιμοποιούμε βάσεις δεδομένων. Έχουμε είτε δεδομένα από πρόσωπα, είτε δεδομένα από εικόνες, είτε δεδομένα με συναισθήματα από βίντεο. Αν δεν το έχουμε αυτό, αν δεν μπορούμε να το κινηματογραφήσουμε, πώς μπορούμε να διδάξουμε ένα ρομπότ να μαζεύει αντικείμενα; Αυτό το κάνουμε αυτόματα - δεν ξέρουμε πώς λειτουργεί. Ένα άλλο παράδειγμα: μεταγλώττιση μεγάλων βάσεων δεδομένων σε παιχνίδια στον υπολογιστήπερίπλοκο, και όχι απαραίτητο, μπορεί να γίνει πολύ πιο απλά.

Όλοι πιθανότατα έχουν ακούσει για την επιτυχία της βαθιάς ενισχυτικής μάθησης στο Atari and Go.

Ποιος έχει ακούσει για το Atari; Λοιπόν, κάποιος άκουσε, εντάξει. Νομίζω ότι όλοι έχουν ακούσει για το AlphaGo, οπότε δεν θα σας πω καν τι ακριβώς συμβαίνει εκεί.

Τι συμβαίνει στο Atari; Η αρχιτεκτονική αυτού του νευρωνικού δικτύου φαίνεται στα αριστερά. Μαθαίνει παίζοντας με τον εαυτό της για να πάρει τη μέγιστη ανταμοιβή. Η μέγιστη ανταμοιβή είναι το ταχύτερο δυνατό αποτέλεσμα του παιχνιδιού με την υψηλότερη δυνατή βαθμολογία.

Πάνω δεξιά είναι το τελευταίο στρώμα του νευρωνικού δικτύου, το οποίο απεικονίζει ολόκληρο τον αριθμό των καταστάσεων του συστήματος, το οποίο έπαιξε εναντίον του μόνο για δύο ώρες. Τα επιθυμητά αποτελέσματα του παιχνιδιού με τη μέγιστη ανταμοιβή απεικονίζονται με κόκκινο χρώμα και τα ανεπιθύμητα απεικονίζονται με μπλε. Το δίκτυο χτίζει ένα συγκεκριμένο πεδίο και κινείται μέσω των εκπαιδευμένων στρωμάτων του στην κατάσταση που θέλει να επιτύχει.

Στη ρομποτική η κατάσταση είναι λίγο διαφορετική. Γιατί; Εδώ έχουμε αρκετές δυσκολίες. Πρώτον, δεν έχουμε πολλές βάσεις δεδομένων. Δεύτερον, πρέπει να συντονίσουμε τρία συστήματα ταυτόχρονα: την αντίληψη του ρομπότ, τις ενέργειές του με τη βοήθεια χειριστών και τη μνήμη του - τι έγινε στο προηγούμενο βήμα και πώς έγινε. Γενικά, όλο αυτό είναι πολύ δύσκολο.

Το γεγονός είναι ότι ούτε ένα νευρωνικό δίκτυο, ακόμη και η βαθιά μάθηση αυτή τη στιγμή, δεν μπορεί να αντεπεξέλθει σε αυτό το έργο αρκετά αποτελεσματικά, επομένως η βαθιά μάθηση είναι μόνο ένα κομμάτι αυτού που πρέπει να κάνουν τα ρομπότ. Για παράδειγμα, ο Sergei Levin πρόσφατα παρείχε ένα σύστημα που διδάσκει ένα ρομπότ να αρπάζει αντικείμενα.

Εδώ είναι τα πειράματα που έκανε στους 14 ρομποτικούς βραχίονες του.

Τι συμβαίνει εδώ? Σε αυτές τις λεκάνες που βλέπετε μπροστά σας, υπάρχουν διάφορα αντικείμενα: στυλό, γόμες, μικρότερες και μεγαλύτερες κούπες, κουρέλια, διαφορετικές υφές, διαφορετική σκληρότητα. Δεν είναι σαφές πώς να διδάξετε ένα ρομπότ να τα συλλαμβάνει. Για πολλές ώρες, ακόμη και εβδομάδες, τα ρομπότ εκπαιδεύονταν για να μπορούν να αρπάζουν αυτά τα αντικείμενα και δημιουργήθηκαν βάσεις δεδομένων σχετικά με αυτό.

Οι βάσεις δεδομένων είναι ένα είδος περιβαλλοντικής απόκρισης που πρέπει να συσσωρεύσουμε για να μπορέσουμε να εκπαιδεύσουμε το ρομπότ να κάνει κάτι στο μέλλον. Στο μέλλον, τα ρομπότ θα μάθουν από αυτό το σύνολο καταστάσεων συστήματος.

Μη τυπικές εφαρμογές νευρωνικών δικτύων

Λοιπόν, οι επιστήμονες του Στάνφορντ βρήκαν πρόσφατα μια πολύ ασυνήθιστη εφαρμογή ενός νευρωνικού δικτύου CNN για την πρόβλεψη της φτώχειας. Τι έκαναν?

Η ιδέα είναι στην πραγματικότητα πολύ απλή. Γεγονός είναι ότι στην Αφρική το επίπεδο της φτώχειας ξεπερνά κάθε φανταστικό και ασύλληπτο όριο. Δεν έχουν καν τη δυνατότητα συλλογής κοινωνικών δημογραφικών δεδομένων. Επομένως, από το 2005, δεν έχουμε καθόλου στοιχεία για το τι συμβαίνει εκεί.

Οι επιστήμονες συνέλεξαν χάρτες ημέρας και νύχτας από δορυφόρους και τους τροφοδοτούσαν σε ένα νευρωνικό δίκτυο για μια χρονική περίοδο.

Το νευρωνικό δίκτυο είχε διαμορφωθεί εκ των προτέρων στο ImageNet. Δηλαδή, τα πρώτα στρώματα φίλτρων διαμορφώθηκαν έτσι ώστε να μπορεί να αναγνωρίζει μερικά πολύ απλά πράγματα, για παράδειγμα στέγες σπιτιών, για αναζήτηση οικισμών σε χάρτες ημέρας. Στη συνέχεια, οι χάρτες ημέρας ήταν σε σύγκριση με τους νυχτερινούς χάρτες φωτισμού της ίδιας περιοχής της επιφάνειας για να πούμε πόσα χρήματα έχει ο πληθυσμός για να φωτίσει τουλάχιστον τα σπίτια του κατά τη διάρκεια της νύχτας.

Εδώ βλέπετε τα αποτελέσματα της πρόβλεψης που κατασκευάστηκε από το νευρωνικό δίκτυο. Η πρόβλεψη έγινε με διαφορετικές αποφάσεις. Και βλέπετε - το τελευταίο πλαίσιο - πραγματικά δεδομένα που συνέλεξε η κυβέρνηση της Ουγκάντα ​​το 2005.

Μπορείτε να δείτε ότι το νευρωνικό δίκτυο έχει δημιουργηθεί αρκετά ακριβής πρόβλεψη, έστω και με μια μικρή μετατόπιση από το 2005.

Φυσικά και υπήρχαν παρενέργειες. Οι επιστήμονες που ασχολούνται με τη βαθιά μάθηση εκπλήσσονται πάντα όταν ανακαλύπτουν διάφορες παρενέργειες. Για παράδειγμα, όπως το γεγονός ότι το δίκτυο έχει μάθει να αναγνωρίζει νερό, δάση, μεγάλα εργοτάξια, δρόμους - όλα αυτά χωρίς δασκάλους, χωρίς προκατασκευασμένες βάσεις δεδομένων. Γενικά, εντελώς ανεξάρτητα. Υπήρχαν ορισμένα στρώματα που αντιδρούσαν, για παράδειγμα, στους δρόμους.

Και η τελευταία εφαρμογή για την οποία θα ήθελα να μιλήσω είναι η σημασιολογική κατάτμηση τρισδιάστατων εικόνων στην ιατρική. Γενικά, η ιατρική απεικόνιση είναι ένας πολύπλοκος τομέας με τον οποίο είναι πολύ δύσκολο να δουλέψεις.

Υπάρχουν διάφοροι λόγοι για αυτό.

• Έχουμε πολύ λίγες βάσεις δεδομένων. Δεν είναι τόσο εύκολο να βρεις μια εικόνα ενός εγκεφάλου, επιπλέον, μιας κατεστραμμένης, και είναι επίσης αδύνατο να την πάρεις από οπουδήποτε.
• Ακόμα κι αν έχουμε μια τέτοια εικόνα, πρέπει να πάρουμε έναν γιατρό και να τον αναγκάσουμε να τοποθετήσει χειροκίνητα όλες τις εικόνες πολλαπλών επιπέδων, κάτι που είναι πολύ χρονοβόρο και εξαιρετικά αναποτελεσματικό. Δεν έχουν όλοι οι γιατροί τους πόρους για να το κάνουν αυτό.
• Απαιτείται πολύ υψηλή ακρίβεια. Ιατρικό σύστημαδεν μπορεί να είναι λάθος. Κατά την αναγνώριση, για παράδειγμα, οι γάτες δεν αναγνωρίστηκαν - δεν είναι σπουδαίο. Και αν δεν αναγνωρίζαμε τον όγκο, τότε αυτό δεν είναι πλέον πολύ καλό. Οι απαιτήσεις για την αξιοπιστία του συστήματος είναι ιδιαίτερα αυστηρές εδώ.
• Οι εικόνες είναι σε τρισδιάστατα στοιχεία - voxels, όχι pixels, γεγονός που φέρνει πρόσθετη πολυπλοκότητα στους προγραμματιστές συστημάτων.

Πού χρησιμοποιείται: εντοπισμός βλάβης μετά από πρόσκρουση, αναζήτηση όγκου στον εγκέφαλο, στην καρδιολογία για προσδιορισμό του τρόπου λειτουργίας της καρδιάς.

Ακολουθεί ένα παράδειγμα για τον προσδιορισμό του όγκου του πλακούντα.

Αυτόματα λειτουργεί καλά, αλλά όχι αρκετά καλά για να κυκλοφορήσει στην παραγωγή, οπότε μόλις ξεκινάει. Υπάρχουν αρκετές startups για τη δημιουργία τέτοιων συστημάτων ιατρική όραση. Γενικά, θα υπάρξουν πολλές startups στο deep learning στο εγγύς μέλλον. Λένε ότι οι επενδυτές επιχειρηματικών κεφαλαίων έχουν διαθέσει περισσότερο προϋπολογισμό σε startups βαθιάς μάθησης τους τελευταίους έξι μήνες σε σχέση με τα τελευταία 5 χρόνια.

Αυτή η περιοχή αναπτύσσεται ενεργά, υπάρχουν πολλές ενδιαφέρουσες κατευθύνσεις. Ζούμε σε ενδιαφέρουσες εποχές. Εάν ασχολείστε με τη βαθιά μάθηση, τότε μάλλον ήρθε η ώρα να ανοίξετε τη δική σας startup.

Λοιπόν, μάλλον θα το κλείσω εδώ. Ευχαριστώ πολύ.

Τα νευρωνικά δίκτυα στην ιατρική

Alexander Ezhov, Vladimir Chechetkin

Ινστιτούτο Καινοτομίας και Θερμοπυρηνικής Έρευνας, Τρόιτσκ

[email προστατευμένο]

Συγκεκριμένα συστήματα

Καταπολέμηση του καρκίνου

Νευροσυστήματα, γενετική και μόρια

Τα νευρωνικά δίκτυα σαρώνουν τον πλανήτη

Αντί για συμπέρασμα

Οξύς πόνος στο στήθος. Ασθενοφόροπαραδίδει τον ασθενή στα επείγοντα, όπου ο εφημερεύων γιατρός πρέπει να κάνει διάγνωση και να διαπιστώσει εάν όντως πρόκειται για έμφραγμα του μυοκαρδίου. Η εμπειρία δείχνει ότι το ποσοστό των ασθενών που έχουν υποστεί έμφραγμα μεταξύ των ασθενών που εισήχθησαν με παρόμοια συμπτώματα είναι μικρό. Ωστόσο, δεν υπάρχουν ακόμη ακριβείς διαγνωστικές μέθοδοι. Το ηλεκτροκαρδιογράφημα μερικές φορές δεν περιέχει εμφανή σημάδιαασθένεια. Πόσες παράμετροι της κατάστασης του ασθενούς μπορούν με τον ένα ή τον άλλο τρόπο να βοηθήσουν στη σωστή διάγνωση σε αυτή την περίπτωση; Πάνω από σαράντα. Μπορεί ένας γιατρός στα επείγοντα να αναλύσει γρήγορα όλους αυτούς τους δείκτες μαζί με τις σχέσεις προκειμένου να αποφασίσει για την αποστολή του ασθενούς στο καρδιολογικό τμήμα; Σε κάποιο βαθμό, οι τεχνολογίες νευρωνικών δικτύων βοηθούν στην επίλυση αυτού του προβλήματος.

Τα στατιστικά είναι τα εξής: ο γιατρός διαγιγνώσκει σωστά το έμφραγμα του μυοκαρδίου στο 88% των ασθενών και κάνει αυτή τη διάγνωση λανθασμένα στο 29% των περιπτώσεων. Υπάρχουν πάρα πολλοί ψευδείς συναγερμοί (υπερδιάγνωση). Η ιστορία της χρήσης διάφορων μεθόδων επεξεργασίας δεδομένων για τη βελτίωση της ποιότητας των διαγνωστικών ανάγεται δεκαετίες πίσω, αλλά οι καλύτερες από αυτές συνέβαλαν στη μείωση του αριθμού των περιπτώσεων υπερδιάγνωσης μόνο κατά 3%.

Το 1990, ο William Bakst του Πανεπιστημίου της Καλιφόρνια, στο Σαν Ντιέγκο, χρησιμοποίησε ένα νευρωνικό δίκτυο - ένα πολυστρωματικό perceptron - για να ανιχνεύσει έμφραγμα του μυοκαρδίου σε ασθενείς που προσέρχονται στο δωμάτιο έκτακτης ανάγκης με οξύς πόνοςστο στήθος. Στόχος του ήταν να δημιουργήσει ένα εργαλείο που θα μπορούσε να βοηθήσει τους γιατρούς που δεν είναι σε θέση να αντιμετωπίσουν τη ροή των δεδομένων που χαρακτηρίζουν την κατάσταση ενός εισαχθέντος ασθενούς. Ένας άλλος στόχος θα μπορούσε να είναι η βελτίωση των διαγνωστικών. Ο ερευνητής περιέπλεξε το έργο του επειδή ανέλυσε δεδομένα μόνο από εκείνους τους ασθενείς που είχαν ήδη παραπεμφθεί στο καρδιολογικό τμήμα. Ο Bakst χρησιμοποίησε μόνο 20 παραμέτρους, μεταξύ των οποίων ήταν ηλικία, φύλο, εντοπισμός του πόνου, αντίδραση στη νιτρογλυκερίνη, ναυτία και έμετος, εφίδρωση, λιποθυμία, αναπνευστικός ρυθμός, καρδιακός ρυθμός, προηγούμενα εμφράγματα, διαβήτης, υπέρταση, διάταση της σφαγίτιδας φλέβα, ένας αριθμός των χαρακτηριστικών του ΗΚΓ και της παρουσίας σημαντικών ισχαιμικών αλλαγών.

Το δίκτυο επέδειξε ακρίβεια 92% στην ανίχνευση εμφράγματος του μυοκαρδίου και παρήγαγε μόνο το 4% των ψευδών συναγερμών, επιβεβαιώνοντας λανθασμένα την παραπομπή ασθενών χωρίς καρδιακή προσβολή σε καρδιολογικό τμήμα. Έτσι, υπάρχουν στοιχεία για την επιτυχή χρήση των τεχνητών νευρωνικών δικτύων στη διάγνωση ασθενειών. Τώρα είναι απαραίτητο να εξηγήσουμε σε ποιες παραμέτρους αξιολογείται η ποιότητα της διάγνωσης στη γενική περίπτωση. Ας υποθέσουμε ότι στους δέκα ανθρώπους που έχουν πραγματικά έμφραγμα, διαγνωστική μέθοδοςεπιτρέπει την ανίχνευση της νόσου σε οκτώ. Τότε η ευαισθησία της μεθόδου θα είναι 80%. Εάν πάρουμε δέκα άτομα που δεν έχουν έμφραγμα και η διαγνωστική μέθοδος το υποπτεύεται σε τρία άτομα, τότε το ποσοστό των ψευδών συναγερμών θα είναι 30%, ενώ ένα επιπλέον χαρακτηριστικό σε αυτό - η ειδικότητα της μεθόδου - θα είναι ίσο στο 70%.

Μια ιδανική διαγνωστική μέθοδος πρέπει να έχει εκατό τοις εκατό ευαισθησία και ειδικότητα - πρώτον, να μην χάσετε ούτε ένα πραγματικά άρρωστο άτομο και, δεύτερον, να μην τρομάξετε υγιείς ανθρώπους. Για να ασφαλίσετε τον εαυτό σας, μπορείτε και πρέπει να προσπαθήσετε, πρώτα απ 'όλα, να διασφαλίσετε ότι η μέθοδος είναι 100% ευαίσθητη - δεν μπορείτε να χάσετε την ασθένεια. Αλλά αυτό συνήθως οδηγεί σε χαμηλή εξειδίκευση της μεθόδου - σε πολλούς ανθρώπους, οι γιατροί υποψιάζονται ασθένειες από τις οποίες οι ασθενείς στην πραγματικότητα δεν πάσχουν.

Νευρωνικά δίκτυα για διαγνωστικές εργασίες

Τα νευρωνικά δίκτυα είναι μη γραμμικά συστήματα που μπορούν να ταξινομήσουν τα δεδομένα πολύ καλύτερα από τις γραμμικές μεθόδους που χρησιμοποιούνται συνήθως. Όταν εφαρμόζονται σε ιατρικά διαγνωστικά, καθιστούν δυνατή τη σημαντική αύξηση της ειδικότητας της μεθόδου χωρίς να μειώνεται η ευαισθησία της.

Ας θυμηθούμε ότι το νευρωνικό δίκτυο που διέγνωσε μια καρδιακή προσβολή λειτουργούσε με ένα μεγάλο σύνολο παραμέτρων, η επίδραση των οποίων στη διάγνωση ενός ατόμου δεν μπορεί να εκτιμηθεί. Ωστόσο, τα νευρωνικά δίκτυα έχουν αποδειχθεί ικανά να λαμβάνουν αποφάσεις με βάση τα κρυφά μοτίβα που εντοπίζουν σε πολυδιάστατα δεδομένα. Διακριτική ιδιοκτησίαΤα νευρωνικά δίκτυα είναι ότι δεν είναι προγραμματισμένα - δεν χρησιμοποιούν κανόνες εξαγωγής συμπερασμάτων για να κάνουν μια διάγνωση, αλλά εκπαιδεύονται να το κάνουν αυτό με παραδείγματα. Υπό αυτή την έννοια, τα νευρωνικά δίκτυα δεν μοιάζουν καθόλου με τα έμπειρα συστήματα, η ανάπτυξη των οποίων στη δεκαετία του '70 συνέβη μετά την προσωρινή «νίκη» της Τεχνητής Νοημοσύνης έναντι της προσέγγισης μοντελοποίησης μνήμης, αναγνώρισης προτύπων και γενίκευσης, η οποία βασίστηκε στη μελέτη της νευρωνικής οργάνωσης του εγκεφάλου.

Ένα από τα πιο διάσημα συστήματα εμπειρογνωμόνων που αναπτύχθηκαν, το οποίο βασίστηκε στη γνώση που εξήχθη από ειδικούς και στην εφαρμογή διαδικασιών εξαγωγής συμπερασμάτων, ήταν το σύστημα MYCIN. Αυτό το σύστημα αναπτύχθηκε στο Στάνφορντ στις αρχές της δεκαετίας του '70 για τη διάγνωση του σηπτικού σοκ. Οι μισοί από τους ασθενείς πέθαναν από αυτό μέσα σε 24 ώρες και οι γιατροί μπορούσαν να εντοπίσουν σήψη μόνο στο 50% των περιπτώσεων. Το MYCIN φαινόταν να είναι ένας πραγματικός θρίαμβος της τεχνολογίας των εξειδικευμένων συστημάτων - επειδή μπορούσε να ανιχνεύσει τη σήψη στο 100% των περιπτώσεων. Ωστόσο, αφού εξοικειώθηκαν περισσότερο με αυτό το έμπειρο σύστημα, οι γιατροί βελτίωσαν σημαντικά τις παραδοσιακές διαγνωστικές μεθόδους και το MYCIN έχασε τη σημασία του και έγινε ένα σύστημα εκπαίδευσης. Τα έμπειρα συστήματα χρησιμοποιήθηκαν μόνο στην καρδιολογία - για την ανάλυση ηλεκτροκαρδιογραφημάτων. Πολύπλοκοι κανόνες που αποτελούν το κύριο περιεχόμενο των βιβλίων για κλινική ανάλυσηΤα ΗΚΓ χρησιμοποιήθηκαν από κατάλληλα συστήματα για την έκδοση διαγνωστικού συμπεράσματος.

Τα διαγνωστικά είναι μια ειδική περίπτωση ταξινόμησης συμβάντων και η μεγαλύτερη αξία είναι η ταξινόμηση εκείνων των γεγονότων που απουσιάζουν στο σύνολο εκπαίδευσης του νευρωνικού δικτύου. Εδώ εκδηλώνεται το πλεονέκτημα των τεχνολογιών νευρωνικών δικτύων - είναι σε θέση να πραγματοποιήσουν μια τέτοια ταξινόμηση, γενικεύοντας την προηγούμενη εμπειρία και εφαρμόζοντάς την σε νέες περιπτώσεις.

Συγκεκριμένα συστήματα

Παράδειγμα διαγνωστικού προγράμματος είναι το καρδιοδιαγνωστικό πακέτο που αναπτύχθηκε από την RES Informatica σε συνεργασία με το Κέντρο Καρδιολογικής Έρευνας στο Μιλάνο. Το πρόγραμμα σάς επιτρέπει να πραγματοποιείτε μη επεμβατικές καρδιακές διαγνώσεις με βάση την αναγνώριση των φασμάτων ταχογράμματος. Το ταχογράφημα είναι ένα ιστόγραμμα των διαστημάτων μεταξύ των διαδοχικών καρδιακών παλμών και το φάσμα του αντανακλά την ισορροπία των δραστηριοτήτων του ανθρώπινου συμπαθητικού και παρασυμπαθητικού νευρικού συστήματος, το οποίο αλλάζει ειδικά σε διάφορες ασθένειες.

Με τον ένα ή τον άλλο τρόπο, μπορεί ήδη να δηλωθεί ότι τα νευρωνικά δίκτυα μετατρέπονται σε εργαλείο καρδιακής διάγνωσης - στην Αγγλία, για παράδειγμα, χρησιμοποιούνται σε τέσσερα νοσοκομεία για την πρόληψη του εμφράγματος του μυοκαρδίου.

Ένα άλλο χαρακτηριστικό των νευρωνικών δικτύων χρησιμοποιείται επίσης στην ιατρική - η ικανότητά τους να προβλέπουν χρονικές ακολουθίες. Έχει ήδη σημειωθεί ότι τα έμπειρα συστήματα έχουν διαπρέψει στην ανάλυση ΗΚΓ. Τα νευρωνικά δίκτυα είναι επίσης χρήσιμα εδώ. Οι Qi Zhenhu, Yu Hengwoo και Willis Tompkins από το Πανεπιστήμιο του Ουισκόνσιν ανέπτυξαν ένα σύστημα φιλτραρίσματος νευρωνικών δικτύων για ηλεκτροκαρδιογραφήματα που μπορεί να καταστέλλει τον μη γραμμικό και μη σταθερό θόρυβο πολύ καλύτερα από τις μεθόδους που χρησιμοποιήθηκαν στο παρελθόν. Το γεγονός είναι ότι το νευρωνικό δίκτυο προέβλεψε καλά τον θόρυβο με βάση τις τιμές του σε προηγούμενα χρονικά σημεία. Και το γεγονός ότι τα νευρωνικά δίκτυα είναι πολύ αποτελεσματικά για την πρόβλεψη χρονικών ακολουθιών (όπως συναλλαγματικές ισοτιμίες ή τιμές μετοχών) αποδείχθηκε πειστικά από τα αποτελέσματα ενός διαγωνισμού προγραμμάτων πρόβλεψης που διεξήχθη από το Πανεπιστήμιο της Santa Fe - τα νευρωνικά δίκτυα κατέλαβαν την πρώτη θέση και κυριάρχησαν μεταξύ τις καλύτερες μεθόδους.

Δυνατότητα χρήσης νευρωνικών δικτύων

Το ΗΚΓ είναι μια ιδιαίτερη, αν και εξαιρετικά σημαντική, εφαρμογή. Ωστόσο, σήμερα υπάρχουν πολλά άλλα παραδείγματα χρήσης νευρωνικών δικτύων για ιατρικές προβλέψεις. Είναι γνωστό ότι οι μεγάλες ουρές στα καρδιοχειρουργικά τμήματα (από εβδομάδες έως μήνες) προκαλούνται από την έλλειψη μονάδων εντατικής θεραπείας. Δεν είναι δυνατό να αυξηθεί ο αριθμός τους λόγω του υψηλού κόστους της εντατικής θεραπείας (οι Αμερικανοί ξοδεύουν το 70% των κεφαλαίων τους τις τελευταίες 2 εβδομάδες της ζωής τους σε αυτό το τμήμα).

Η μόνη διέξοδος είναι η αποτελεσματικότερη χρήση των διαθέσιμων πόρων. Ας υποθέσουμε ότι η κατάσταση των ασθενών που χειρουργούνται μια συγκεκριμένη ημέρα είναι τόσο σοβαρή που χρειάζονται μακρά παραμονή στην εντατική (πάνω από δύο ημέρες). Όλο αυτό το διάστημα, οι χειρουργοί θα μείνουν αδρανείς, αφού δεν υπάρχει πού να βάλουν νεοεγχειρημένους ασθενείς. Είναι πιο συνετό να χειρουργούνται σοβαρά άρρωστοι ασθενείς πριν από τα Σαββατοκύριακα ή τις αργίες - οι χειρουργικές αίθουσες εξακολουθούν να είναι κλειστές αυτές τις ημέρες, οι χειρουργοί θα ξεκουράζονται και οι ασθενείς θα αναρρώνουν στην εντατική. Αλλά στην αρχή της εργάσιμης εβδομάδας, είναι προτιμότερο να χειρουργούνται εκείνοι οι ασθενείς που θα χρειαστεί να παραμείνουν στην εντατική μόνο μία ή δύο ημέρες. Στη συνέχεια, οι κλίνες εντατικής θεραπείας θα απελευθερωθούν ταχύτερα και οι νέοι ασθενείς που θα χειρουργηθούν την Τρίτη και την Τετάρτη θα γίνονται δεκτοί.

Το ερώτημα είναι πώς να προβλέψουμε ποιος θα πρέπει να παραμείνει στην εντατική για μεγάλο χρονικό διάστημα μετά την επέμβαση και ποιος όχι. Ο Jack Tu και ο Michael Guerier του Πανεπιστημιακού Νοσοκομείου St. Michael στο Τορόντο χρησιμοποίησαν νευρωνικά δίκτυα για να κάνουν τέτοιες προβλέψεις. Ως αρχικά δεδομένα, πήραν μόνο αυτές τις πληροφορίες για τον ασθενή που είναι γνωστές προεγχειρητική περίοδο. Σημειώστε ότι σε προηγούμενες εργασίες που δεν χρησιμοποιούν νευρωνικά δίκτυα, σημαντικές μετεγχειρητικές πληροφορίες - διάφορες επιπλοκές που προέκυψαν κατά τη διάρκεια της επέμβασης - χρησιμοποιήθηκαν επίσης ως παράγοντες αυξημένου κινδύνου παραμονής στην εντατική.

Οι Tu και Guerir εκπαίδευσαν ένα perceptron δύο στρωμάτων για να χωρίσουν τους ασθενείς σε τρεις ομάδες κινδύνου, λαμβάνοντας υπόψη την ηλικία, το φύλο, τη λειτουργική κατάσταση της αριστερής κοιλίας, τον βαθμό πολυπλοκότητας της επερχόμενης επέμβασης και την παρουσία συνοδών ασθενειών. Από αυτούς τους ασθενείς που το δίκτυο κατέταξε ως χαμηλού κινδύνου καθυστέρησης στην εντατική θεραπεία, μόνο το 16,3% πέρασε στην πραγματικότητα περισσότερες από δύο ημέρες σε αυτήν. Ταυτόχρονα, πάνω από το 60% αυτών που το δίκτυο κατέταξε ως ομάδα υψηλού κινδύνου ανταποκρίθηκε στη δυσμενή πρόγνωση.

Καταπολέμηση του καρκίνου

Δώσαμε ιδιαίτερη προσοχή στα καρδιαγγειακά νοσήματα, αφού κατέχουν τη θλιβερή ηγεσία στη λίστα των αιτιών θανάτου. Στη δεύτερη θέση βρίσκονται τα ογκολογικά νοσήματα. Ένας από τους κύριους τομείς στους οποίους διεξάγονται εργασίες με χρήση νευρωνικών δικτύων είναι η διάγνωση του καρκίνου του μαστού. Αυτή η ασθένεια είναι η αιτία θανάτου κάθε ένατης γυναίκας.

Η ανίχνευση ενός όγκου πραγματοποιείται κατά τη διάρκεια μιας αρχικής ανάλυσης με ακτίνες Χ του μαστού (μαστογραφία) και επακόλουθης ανάλυσης ενός τμήματος ιστού όγκου (βιοψία). Παρά την ύπαρξη γενικοί κανόνεςδιαφοροποίηση καλοήθων και κακοήθων νεοπλασμάτων, σύμφωνα με τη μαστογραφία, μόνο το 10 έως 20% των αποτελεσμάτων της επακόλουθης χειρουργικής βιοψίας επιβεβαιώνουν πραγματικά την παρουσία καρκίνου του μαστού. Και πάλι έχουμε να κάνουμε με μια περίπτωση εξαιρετικά χαμηλής ειδικότητας της μεθόδου.

Ερευνητές στο Πανεπιστήμιο Duke εκπαίδευσαν ένα νευρωνικό δίκτυο για να αναγνωρίζει μαστογραφίες κακοήθους ιστού με βάση οκτώ χαρακτηριστικά που αντιμετωπίζουν συνήθως οι ακτινολόγοι. Αποδείχθηκε ότι το δίκτυο είναι ικανό να λύσει την εργασία με ευαισθησία περίπου 100% και ειδικότητα 59% (έναντι 10-20% για τους ακτινολόγους). Πόσες γυναίκες με καλοήθεις όγκους μπορούν να αποφύγουν το άγχος της βιοψίας αν χρησιμοποιήσετε αυτό το νευρωνικό δίκτυο! Στην κλινική Mayo (Μινεσότα), ένα νευρωνικό δίκτυο ανέλυσε τα αποτελέσματα του υπερήχου μαστού και έδωσε ειδικότητα 40%, ενώ για τις ίδιες γυναίκες η ειδικότητα της αναφοράς των ακτινολόγων ήταν μηδενική. Δεν είναι αλήθεια ότι η επιτυχία της χρήσης τεχνολογιών νευρωνικών δικτύων δεν φαίνεται καθόλου τυχαία;

Μετά τη θεραπεία για τον καρκίνο του μαστού, είναι πιθανές οι υποτροπές του όγκου. Τα νευρωνικά δίκτυα ήδη βοηθούν στην αποτελεσματική πρόβλεψή τους. Παρόμοιες μελέτες διεξάγονται στην Ιατρική Σχολή του Πανεπιστημίου του Τέξας. Τα εκπαιδευμένα δίκτυα έχουν δείξει την ικανότητά τους να εντοπίζουν και να λαμβάνουν υπόψη εξαιρετικά σύνθετες σχέσεις προγνωστικών μεταβλητών, ιδιαίτερα τις τριπλές συνδέσεις τους, για τη βελτίωση της ικανότητας πρόβλεψης.

Οι δυνατότητες χρήσης νευρωνικών δικτύων στην ιατρική είναι ποικίλες και η αρχιτεκτονική τους ποικίλη. Με βάση την πρόγνωση των μακροπρόθεσμων αποτελεσμάτων της θεραπείας της νόσου με τη μία ή την άλλη μέθοδο, μπορεί να προτιμηθεί μία από αυτές. Ένα σημαντικό αποτέλεσμα στην πρόβλεψη της θεραπείας του καρκίνου των ωοθηκών (μια ασθένεια κάθε εβδομήντα γυναικών) πέτυχε ο διάσημος Ολλανδός ειδικός Herbert Kappen από το Πανεπιστήμιο του Nimegen (χρησιμοποιεί στην εργασία του όχι πολυστρωματικά perceptrons, αλλά τα λεγόμενα Boltzmann Machines - νευρωνικά δίκτυα για την εκτίμηση των πιθανοτήτων).

Εδώ είναι ένα παράδειγμα άλλης καρκινικής νόσου. Ερευνητές από την Ιατρική Σχολή Kagawa (Ιαπωνία) εκπαίδευσαν ένα νευρωνικό δίκτυο που προέβλεψε σχεδόν με ακρίβεια τα αποτελέσματα της ηπατικής εκτομής σε ασθενείς με ηπατοκυτταρικό καρκίνωμα με βάση προεγχειρητικά δεδομένα.

Στο Trinity Institute of Innovative and Thermonuclear Research (TRINITI), στο πλαίσιο του έργου που υλοποιεί το Υπουργείο Επιστημών για τη δημιουργία συμβουλευτικών συστημάτων νευρωνικών δικτύων, αναπτύχθηκε ένα πρόγραμμα νευρωνικών δικτύων που επιλέγει μια μέθοδο θεραπείας για τον βασικοκυτταρικό καρκίνο του δέρματος (βασικοκυτταρικό καρκίνωμα) με βάση μια μακροπρόθεσμη πρόγνωση για την ανάπτυξη υποτροπής. Ο αριθμός των περιπτώσεων βασικοκυτταρικού καρκινώματος, μιας ογκολογικής νόσου των λευκών ατόμων με λεπτό δέρμα, αποτελεί το ένα τρίτο όλων των καρκίνων.

Η διάγνωση μιας από τις μορφές μελανώματος, ενός όγκου που μερικές φορές είναι δύσκολο να διακριθεί από τη μελάγχρωση του βασικοκυτταρικού καρκινώματος, εφαρμόστηκε χρησιμοποιώντας τον προσομοιωτή νευρικού δικτύου Multineuron, που αναπτύχθηκε στο Κέντρο Επιστήμης Υπολογιστών SOAN στο Krasnoyarsk υπό την ηγεσία του A.N. Gorban .

Σύντομη περιγραφή

Νευρωνικά δίκτυα για διαγνωστικές εργασίες

Συγκεκριμένα συστήματα

Δυνατότητα χρήσης νευρωνικών δικτύων

Καταπολέμηση του καρκίνου

Νευροσυστήματα, γενετική και μόρια

Τα νευρωνικά δίκτυα σαρώνουν τον πλανήτη

Τα νευρωνικά δίκτυα διαγιγνώσκουν καρδιακά προβλήματα με μεγαλύτερη ακρίβεια από τους γιατρούς

• Medgadgets,
• Geek υγεία,

Ο ανθρώπινος παράγοντας συχνά προκαλεί προβλήματα. Αυτό ισχύει για την παραγωγή, τις καθημερινές καταστάσεις, την οδήγηση και, φυσικά, την ιατρική. Το λάθος ενός γιατρού μπορεί να σημαίνει απώλεια της υγείας ή ακόμα και της ζωής του ασθενούς, και οι γιατροί κάνουν λάθη όχι τόσο σπάνια. Ακόμη και ένας επαγγελματίας υψηλών προδιαγραφών μπορεί να κάνει λάθη - τελικά, ένας ειδικός μπορεί να είναι κουρασμένος, εκνευρισμένος, να συγκεντρώνεται στο πρόβλημα χειρότερα από το συνηθισμένο.

Σε αυτή την περίπτωση, τα μηχανήματα μπορούν να έρθουν στη διάσωση. Το ίδιο γνωστικό σύστημα IBM Watson, για παράδειγμα, αντιμετωπίζει αρκετά καλά την εργασία στον ιατρικό τομέα (ογκολογία, ανάγνωση ακτινογραφιών κ.λπ.). Υπάρχουν όμως και άλλες λύσεις που προτείνονται από ανεξάρτητους ερευνητές. Μία από αυτές τις λύσεις δημιουργήθηκε από επιστήμονες από το Στάνφορντ με επικεφαλής τον Andrew Angie, έναν αρκετά γνωστό ειδικό στον τομέα της τεχνητής νοημοσύνης.

Αυτός και οι συνεργάτες του ανέπτυξαν ένα σύστημα που μπορεί να διαγνώσει την καρδιακή αρρυθμία χρησιμοποιώντας καρδιογράφημα και ο υπολογιστής το κάνει καλύτερα από έναν ειδικό. Μιλάμε για ένα νευρωνικό δίκτυο που μετά την προπόνηση είναι ικανό να διαγνώσει αρρυθμία με υψηλός βαθμόςακρίβεια. Ταυτόχρονα, ο υπολογιστής όχι μόνο λειτουργεί πιο αξιόπιστα, αλλά και το νευρωνικό δίκτυο είναι πιο γρήγορο, επομένως το έργο της ανάλυσης ιατρικών εικόνων και Αποτελέσματα ΗΚΓμπορεί να μεταφερθεί σε υπολογιστή μετά την τελική «λεπτή ρύθμιση» του συστήματος. Ο γιατρός μπορεί να ελέγξει μόνο τη λειτουργία της εν λόγω πλατφόρμας λογισμικού και υλικού και να ενεργήσει σύμφωνα με την τελική διάγνωση.

Αυτό το έργο δείχνει πόσο ο υπολογιστής μπορεί να αλλάξει την ιατρική βελτιώνοντας διάφορες πτυχές του τομέα. Τα νευρωνικά δίκτυα ήδη βοηθούν τους γιατρούς να διαγνώσουν καρκίνο του δέρματος, καρκίνο του μαστού και οφθαλμικές παθήσεις. Τώρα είναι η σειρά της καρδιολογίας.

«Μου αρέσει πολύ το πόσο γρήγορα οι άνθρωποι ενστερνίζονται την ιδέα ότι η βαθιά μάθηση μπορεί να βοηθήσει στη βελτίωση της ακρίβειας της διάγνωσης του γιατρού», λέει η Angie. Πιστεύει επίσης ότι οι δυνατότητες των συστημάτων υπολογιστών δεν σταματούν εκεί· μπορούν να χρησιμοποιηθούν σε πολλούς άλλους τομείς.

Η ομάδα του Στάνφορντ αφιέρωσε πολύ χρόνο στην εκπαίδευση του νευρωνικού δικτύου, έτσι ώστε το σύστημα να μπορεί να εντοπίσει ανωμαλίες στα δεδομένα του ΗΚΓ. Ταυτόχρονα, η αρρυθμία είναι πολύ επικίνδυνη ασθένεια, μπορεί να οδηγήσει σε αιφνίδιος θάνατοςαπό καρδιακή ανακοπή. Το πρόβλημα είναι ότι η αρρυθμία δεν είναι τόσο εύκολο να ανιχνευθεί, επομένως οι ασθενείς που υποπτεύονται ότι έχουν μερικές φορές πρέπει να φορούν αισθητήρα ΗΚΓ για αρκετές εβδομάδες. Και ακόμη και μετά από αυτό, τα δεδομένα για τη διάγνωση των αποκλίσεων μπορεί να μην είναι αρκετά.

Όπως αναφέρθηκε παραπάνω, το νευρωνικό δίκτυο έπρεπε να εκπαιδευτεί χρησιμοποιώντας το παράδειγμα πραγματικών δεικτών ασθενών νοσοκομείων. Συλλέξτε ανεξάρτητα αρκετές δεκάδες χιλιάδες αποτελέσματα Μετρήσεις ΗΚΓΤο Stanford δεν μπορούσε, έτσι συνεργάστηκαν με την iRhythm, μια εταιρεία που κατασκευάζει φορητές συσκευές ΗΚΓ. Η εταιρεία παρείχε 30.000 καταγραφές 30 δευτερολέπτων των αποτελεσμάτων των μετρήσεων του καρδιακού μυός ασθενών που έπασχαν από διαφορετικές μορφέςαρρυθμίες. Για να αυξηθεί η ακρίβεια του αλγορίθμου, καθώς και να συγκριθούν τα αποτελέσματα του υπολογιστή με τα διαγνωστικά αποτελέσματα των γιατρών, χρησιμοποιήθηκαν άλλες 300 εγγραφές. Αναλύθηκαν ταυτόχρονα και από το μηχάνημα και από τους γιατρούς. Στη συνέχεια τα αποτελέσματα αξιολογήθηκαν από ειδική κριτική επιτροπή, στην οποία συμμετείχαν 3 κορυφαίας κατηγορίας καρδιολόγοι.

Η βαθιά εκμάθηση ενός νευρωνικού δικτύου ξεκίνησε με την «τροφοδοσία» ενός τεράστιου όγκου δεδομένων. Στη συνέχεια χρησιμοποιήθηκε λεπτή ρύθμιση για να αυξηθεί η διαγνωστική ακρίβεια.

Εκτός από τους ειδικούς που αναφέρθηκαν παραπάνω, άλλες ομάδες χρησιμοποιούν επίσης μηχανική μάθηση για να δημιουργήσουν συστήματα ικανά να διαγνώσουν την αρρυθμία. Για παράδειγμα, ο Eric Horowitz, διευθύνων σύμβουλος της Microsoft Research (ο ίδιος είναι γιατρός) και οι συνάδελφοί του εργάζονται περίπου στην ίδια κατεύθυνση με ειδικούς από το Stanford. Κατά τη γνώμη τους, τα νευρωνικά δίκτυα μπορούν πραγματικά να βελτιώσουν την ποιότητα της ιατρικής περίθαλψης για τους ασθενείς, βοηθώντας τους γιατρούς να αφιερώνουν λιγότερο χρόνο στη ρουτίνα και περισσότερο χρόνο στην αναζήτηση αποτελεσματικές μεθόδουςμεταχείριση των πελατών τους.

Ετικέτες:

• νευρωνικά δίκτυα
• γιατρούς
• φάρμακο

Αλλά και επίλυση πιο σημαντικών προβλημάτων - για παράδειγμα, αναζήτηση νέων φαρμάκων. Το Village απευθύνθηκε σε ειδικούς για να μάθει ποια είναι τα χαρακτηριστικά της τεχνολογίας και πώς τη χρησιμοποιούν οι εγχώριες εταιρείες και τα πανεπιστήμια.

Τι είναι τα νευρωνικά δίκτυα;

Να καταλάβουμε τι θέση κατέχουν τα νευρωνικά δίκτυα στον κόσμο τεχνητή νοημοσύνηκαι πώς σχετίζονται με άλλες τεχνολογίες για τη δημιουργία ευφυών συστημάτων, ας ξεκινήσουμε με τους ορισμούς.

Νευρωνικά δίκτυα- μία από τις μεθόδους μηχανικής μάθησης, τα θεμέλια της οποίας ξεκίνησαν το 1943, πριν ακόμη εμφανιστεί ο όρος «τεχνητή νοημοσύνη». Αντιπροσωπεύουν ένα μαθηματικό μοντέλο που μοιάζει αόριστα με το έργο νευρικό σύστηματων ζώων.

Σύμφωνα με τον ανώτερο ερευνητή στο Πανεπιστήμιο Innopolis Stanislav Protasov, το πλησιέστερο ανάλογο ανθρώπινος εγκέφαλοςείναι συνελικτικά νευρωνικά δίκτυα, που εφευρέθηκαν από τον μαθηματικό Yann LeCun. «Βρίσκονται στην καρδιά πολλών εφαρμογών που ισχυρίζονται ότι είναι τεχνητή νοημοσύνη, όπως το FindFace ή το Prisma», σημειώνει.

Μηχανική μάθηση- μια υποενότητα της τεχνητής νοημοσύνης στη διασταύρωση των μαθηματικών και της επιστήμης των υπολογιστών. Μελετά μεθόδους κατασκευής μοντέλων και αλγορίθμων με βάση την αρχή της μάθησης. Το μηχάνημα αναλύει τα παραδείγματα που του τροφοδοτούνται, εντοπίζει μοτίβα, τα γενικεύει και χτίζει κανόνες με τη βοήθεια των οποίων επιλύονται διάφορα προβλήματα - για παράδειγμα, προβλέψεις περαιτέρω ανάπτυξηγεγονότα ή αναγνώριση και δημιουργία εικόνων, κειμένου και λόγου. Εκτός από τα νευρωνικά δίκτυα, εδώ χρησιμοποιούνται επίσης μέθοδοι γραμμικής παλινδρόμησης, δέντρα αποφάσεων και άλλες προσεγγίσεις.

Τεχνητή νοημοσύνη- κλάδος της επιστήμης των υπολογιστών σχετικά με τη δημιουργία τεχνολογικών μέσων για τις μηχανές για την εκτέλεση εργασιών που προηγουμένως θεωρούνταν αποκλειστικό προνόμιο των ανθρώπων, καθώς και τον προσδιορισμό τέτοιων εξελίξεων. Η σκηνοθεσία επισημοποιήθηκε επίσημα το 1956.

Αλεξάντερ Κραϊνόφ

Το τι μπορεί να ονομαστεί τεχνητή νοημοσύνη και τι όχι είναι θέμα συμφωνίας. Η ανθρωπότητα, σε γενικές γραμμές, δεν έχει καταλήξει σε μια ξεκάθαρη διατύπωση του τι είναι η νοημοσύνη γενικά, πόσο μάλλον τεχνητή νοημοσύνη. Αλλά αν γενικεύσουμε αυτό που συμβαίνει, μπορούμε να πούμε ότι η τεχνητή νοημοσύνη είναι βαθιά νευρωνικά δίκτυα που λύνουν σύνθετα προβλήματα σε επίπεδο κοντά στο ανθρώπινο επίπεδο και σε έναν ή τον άλλο βαθμό αυτομάθησαν. Ταυτόχρονα, η αυτοεκμάθηση εδώ αναφέρεται στην ικανότητα να εξαγάγετε ανεξάρτητα ένα χρήσιμο σήμα από ακατέργαστα δεδομένα.

Ποια είναι η τρέχουσα κατάσταση του κλάδου;

Σύμφωνα με το πρακτορείο αναλυτών Gartner, η μηχανική μάθηση βρίσκεται πλέον στο αποκορύφωμα των διογκωμένων προσδοκιών. Χαρακτηριστικό αυτού του σταδίου είναι ο ενθουσιασμός γύρω νέα τεχνολογίαοδηγεί σε υπερβολικό ενθουσιασμό, που οδηγεί σε ανεπιτυχείς προσπάθειες για ευρεία χρήση του. Αναμένεται ότι ο κλάδος θα χρειαστεί δύο έως πέντε χρόνια για να ρίξει τις αυταπάτες του. Σύμφωνα με Ρώσους ειδικούς, τα νευρωνικά δίκτυα θα πρέπει σύντομα να υποβληθούν σε δοκιμασία αντοχής.

Σεργκέι Νεγκοντιάεφ

Διαχειριστής χαρτοφυλακίου του Ταμείου Ανάπτυξης Πρωτοβουλιών Διαδικτύου

Αν και οι επιστήμονες επισημοποιούν και αναπτύσσουν νευρωνικά δίκτυα εδώ και 70 χρόνια, δύο σημεία καμπής μπορούν να εντοπιστούν στην ανάπτυξη αυτής της τεχνολογίας. Η πρώτη ήταν το 2007, όταν το Πανεπιστήμιο του Τορόντο δημιούργησε αλγόριθμους βαθιάς μάθησης για πολυεπίπεδα νευρωνικά δίκτυα. Η δεύτερη στιγμή που προκάλεσε τη σημερινή έκρηξη ήταν το 2012, όταν ερευνητές από το ίδιο πανεπιστήμιο χρησιμοποίησαν βαθιά νευρωνικά δίκτυα και κέρδισαν τον διαγωνισμό ImageNet, μαθαίνοντας να αναγνωρίζουν αντικείμενα σε φωτογραφίες και βίντεο με ελάχιστα λάθη.

Σήμερα υπάρχει αρκετή ισχύς υπολογιστή για να λύσει, αν όχι όλα, τη συντριπτική πλειοψηφία των προβλημάτων που βασίζονται σε νευρωνικά δίκτυα. Τώρα το κύριο εμπόδιο είναι η έλλειψη στοιχείων με ετικέτα. Σχετικά μιλώντας, για να μάθει το σύστημα να αναγνωρίζει ένα ηλιοβασίλεμα σε βίντεο ή φωτογραφίες, πρέπει να τροφοδοτήσει ένα εκατομμύριο φωτογραφίες του ηλιοβασιλέματος, υποδεικνύοντας ακριβώς πού βρίσκεται στο κάδρο. Για παράδειγμα, όταν ανεβάζετε μια φωτογραφία στο Facebook, οι φίλοι σας την αναγνωρίζουν ως γάτα στις ακτίνες του ήλιου που δύει και το κοινωνικό δίκτυο βλέπει σε αυτήν ένα σύνολο ετικετών: "ζώο", "γάτα", "ξύλινο", «πάτωμα», «βράδυ», «πορτοκαλί». Όποιος έχει περισσότερα δεδομένα εκπαίδευσης θα έχει ένα πιο έξυπνο νευρωνικό δίκτυο.

Αντρέι Καλίνιν

Επικεφαλής αναζήτησης Mail.Ru

Οι εφαρμογές ψυχαγωγίας που βασίζονται σε νευρωνικά δίκτυα - για παράδειγμα, το Artisto ή το Vinci μας - είναι απλώς η κορυφή του παγόβουνου και ταυτόχρονα ένας εξαιρετικός τρόπος για να δείξουν τις δυνατότητές τους σε ένα ευρύτερο κοινό. Στην πραγματικότητα, τα νευρωνικά δίκτυα είναι ικανά να λύσουν μια σειρά από πολύπλοκα προβλήματα. Οι πιο καυτές περιοχές τώρα είναι οι αυτόματοι πιλότοι, οι βοηθοί φωνής, τα chatbot και η ιατρική.

Αλεξάντερ Κραϊνόφ

Επικεφαλής της Υπηρεσίας Computer Vision της Yandex

Μπορούμε να πούμε ότι η έκρηξη των νευρωνικών δικτύων έχει ήδη φτάσει, αλλά δεν έχει φτάσει ακόμα στο αποκορύφωμά της. Θα γίνει μόνο πιο ενδιαφέρον. Οι πιο υποσχόμενοι τομείς σήμερα είναι, ίσως, η όραση υπολογιστή, τα συστήματα διαλόγου, η ανάλυση κειμένου, η ρομποτική, τα μη επανδρωμένα οχήματα και η παραγωγή περιεχομένου - κείμενα, εικόνες, μουσική.

Υποσχόμενες περιοχές για την υλοποίηση νευρωνικών δικτύων

Μεταφορά

Ρομποτική

Βιοτεχνολογία

Γεωργία

το διαδίκτυο των πραγμάτων

ΜΜΕ και ψυχαγωγία

Γλωσσολογία

Ασφάλεια

Βλαντ Σερσούλσκι

διευθυντής προγραμμάτων τεχνολογικής συνεργασίας στη Microsoft στη Ρωσία

Σήμερα έχει ήδη συμβεί μια νευρωνική επανάσταση. Μερικές φορές είναι ακόμη δύσκολο να ξεχωρίσεις τη μυθοπλασία από την πραγματικότητα. Φανταστείτε μια αυτοματοποιημένη θεριζοαλωνιστική μηχανή με πολλές κάμερες. Βγάζει 5 χιλιάδες φωτογραφίες το λεπτό και, μέσω ενός νευρωνικού δικτύου, αναλύει αν το φυτό που έχει μπροστά του είναι ζιζάνιο ή φυτό μολυσμένο από παράσιτα και μετά αποφασίζει τι θα κάνει στη συνέχεια. Φανταστικός? Όχι πια.

Μπόρις Βόλφσον

Διευθυντής Ανάπτυξης HeadHunter

Υπάρχει μια συγκεκριμένη διαφημιστική εκστρατεία γύρω από τα νευρωνικά δίκτυα και, κατά τη γνώμη μου, ελαφρώς διογκωμένες προσδοκίες. Θα περάσουμε ακόμα ένα στάδιο απογοήτευσης πριν μάθουμε να τα χρησιμοποιούμε αποτελεσματικά. Πολλά πρωτοποριακά αποτελέσματα έρευνας δεν είναι ακόμη πολύ εφαρμόσιμα στις επιχειρήσεις. Στην πράξη, είναι συχνά πιο λογικό να χρησιμοποιούνται άλλες μέθοδοι μηχανικής εκμάθησης - για παράδειγμα, διάφοροι αλγόριθμοι που βασίζονται σε δέντρα αποφάσεων. Μάλλον δεν φαίνεται τόσο συναρπαστικό ή φουτουριστικό, αλλά αυτές οι προσεγγίσεις είναι πολύ συνηθισμένες.

Τι διδάσκουν τα νευρωνικά δίκτυα στη Ρωσία;

Οι συμμετέχοντες στην αγορά συμφωνούν ότι πολλά από τα επιτεύγματα των νευρωνικών δικτύων εξακολουθούν να ισχύουν μόνο στην ακαδημαϊκή σφαίρα. Εκτός των συνόρων της, η τεχνολογία χρησιμοποιείται κυρίως σε εφαρμογές ψυχαγωγίας, που τροφοδοτούν το ενδιαφέρον για το θέμα. Ωστόσο, οι Ρώσοι προγραμματιστές διδάσκουν τα νευρωνικά δίκτυα να επιλύουν κοινωνικά σημαντικά και επιχειρηματικά προβλήματα. Ας ρίξουμε μια πιο προσεκτική ματιά σε ορισμένες περιοχές.

Επιστήμη και ιατρική

Το Yandex School of Data Analysis συμμετέχει στο πείραμα CRAYFIS μαζί με εκπροσώπους των Skolkovo, MIPT, HSE και των αμερικανικών πανεπιστημίων UCI και NYU. Η ουσία του είναι η αναζήτηση κοσμικών σωματιδίων εξαιρετικά υψηλής ενέργειας χρησιμοποιώντας smartphone. Τα δεδομένα από τις κάμερες μεταδίδονται σε επιταχυνόμενα νευρωνικά δίκτυα ικανά να καταγράφουν ίχνη ασθενώς αλληλεπιδρώντων σωματιδίων στις εικόνες.

Αυτό δεν είναι το μόνο διεθνές πείραμα στο οποίο συμμετέχουν Ρώσοι ειδικοί. Οι επιστήμονες του Πανεπιστημίου Innopolis Manuel Mazzara και Leonard Johard συμμετέχουν στο έργο BioDynaMo. Με την υποστήριξη της Intel και του CERN, θέλουν να δημιουργήσουν ένα πρωτότυπο που μπορεί να αναπαράγει μια πλήρους κλίμακας προσομοίωση του εγκεφαλικού φλοιού. Με τη βοήθειά του, σχεδιάζεται να αυξηθεί η αποτελεσματικότητα και η σχέση κόστους-αποτελεσματικότητας των πειραμάτων που απαιτούν την παρουσία ενός ζωντανού ανθρώπινου εγκεφάλου.

Ο καθηγητής Innopolis Yaroslav Kholodov συμμετείχε στην ανάπτυξη ενός μοντέλου υπολογιστή ικανού να προβλέπει το σχηματισμό πρωτεϊνικών δεσμών δεκάδες φορές πιο γρήγορα. Χρησιμοποιώντας αυτόν τον αλγόριθμο, η ανάπτυξη εμβολίων και φαρμάκων μπορεί να επιταχυνθεί. Προγραμματιστές από τον Όμιλο Mail.Ru, την Insilico Medicine και το MIPT σημειώθηκαν σε αυτόν τον τομέα. Χρησιμοποίησαν παραγωγικά ανταγωνιστικά δίκτυα, εκπαιδευμένα να εφευρίσκουν μοριακές δομές, για να αναζητήσουν ουσίες που θα μπορούσαν να είναι χρήσιμες σε ασθένειες που κυμαίνονται από τον καρκίνο έως τις καρδιαγγειακές παθήσεις.

ομορφιά και υγεία

Το 2015, η ρωσική εταιρεία Youth Laboratories ξεκίνησε τον πρώτο διεθνή διαγωνισμό ομορφιάς, Beauty.AI. Οι φωτογραφίες των συμμετεχόντων αξιολογήθηκαν από νευρωνικά δίκτυα. Κατά τον καθορισμό των νικητών, έλαβαν υπόψη το φύλο, την ηλικία, την εθνικότητα, το χρώμα του δέρματος, τη συμμετρία του προσώπου και την παρουσία ή απουσία ρυτίδων. Ο τελευταίος παράγοντας ώθησε επίσης τους διοργανωτές να δημιουργήσουν την υπηρεσία RYNKL, η οποία σας επιτρέπει να παρακολουθείτε πώς η γήρανση επηρεάζει το δέρμα και πώς διάφορα φάρμακα την καταπολεμούν.

Τα νευρωνικά δίκτυα χρησιμοποιούνται επίσης στην τηλεϊατρική. Η ρωσική εταιρεία Mobile Medical Technologies, η οποία διαχειρίζεται τα έργα Online Doctor and Pediatrician 24/7, δοκιμάζει ένα διαγνωστικό bot που θα είναι χρήσιμο τόσο σε ασθενείς όσο και σε γιατρούς. Το πρώτο θα σας πει με ποιον ειδικό να επικοινωνήσετε για ορισμένα συμπτώματα και το δεύτερο θα σας βοηθήσει να προσδιορίσετε με τι ακριβώς είναι άρρωστος ο επισκέπτης.

Βελτιστοποίηση επιχειρηματικών διαδικασιών και διαφήμισης

Η ρωσική startup Leadza κατάφερε να χρησιμοποιήσει νευρωνικά δίκτυα για να κατανείμει πιο αποτελεσματικά τον προϋπολογισμό για διαφημίσεις στο Facebook και το Instagram. Ο αλγόριθμος αναλύει τα αποτελέσματα προηγούμενων καμπανιών, δημιουργεί μια πρόβλεψη βασικών μετρήσεων και, βάσει αυτών, ανακατανέμει αυτόματα τα έξοδα, ώστε τα ηλεκτρονικά καταστήματα να μπορούν να αποκτήσουν περισσότερους πελάτες με χαμηλότερο κόστος.

Η ομάδα της GuaranaCam χρησιμοποίησε τεχνολογίες μηχανικής εκμάθησης για να αξιολογήσει την αποτελεσματικότητα της τοποθέτησης προϊόντων και διαφημιστικού υλικού εκτός σύνδεσης. Το σύστημα τρέχει στο Microsoft Azure cloud και αναλύει την αγοραστική συμπεριφορά χρησιμοποιώντας κάμερες CCTV. Οι ιδιοκτήτες επιχειρήσεων λαμβάνουν μια αναφορά κατάστασης συναλλαγών σε πραγματικό χρόνο. Το έργο χρησιμοποιείται ήδη σε εμπορικό κέντρο"Mega Belaya Dacha"

Τα επιτυχημένα εγχώρια παραδείγματα χρήσης νευρωνικών δικτύων στις επιχειρήσεις δεν τελειώνουν εκεί. Η LogistiX, η οποία πειραματίζεται με τεχνολογίες τεχνητής νοημοσύνης από το 2006, έχει αναπτύξει ένα σύστημα για τη βελτιστοποίηση των εργασιών της αποθήκης. Βασίζεται σε ένα νευρωνικό δίκτυο εκμάθησης που αναλύει δεδομένα σχετικά με τους υπαλλήλους που λαμβάνονται από ιχνηλάτες φυσικής κατάστασης και ανακατανέμει τον φόρτο εργασίας μεταξύ τους. Τώρα η ομάδα διδάσκει τα νευρωνικά δίκτυα να διακρίνουν τα ελαττώματα.

Η εκμετάλλευση Belfingroup προχώρησε ακόμη παραπέρα. Η θυγατρική της BFG-soft έχει δημιουργήσει την πλατφόρμα cloud BFG-IS, η οποία σας επιτρέπει να διαχειρίζεστε μια επιχείρηση χρησιμοποιώντας το εικονικό της μοντέλο. Το τελευταίο κατασκευάζεται αυτόματα με βάση τα δεδομένα παραγωγής που συλλέγονται από το σύστημα και όχι μόνο δείχνει τον καλύτερο τρόπο οργάνωσης των διαδικασιών λαμβάνοντας υπόψη δεδομένους στόχους, αλλά προβλέπει επίσης τις συνέπειες τυχόν αλλαγών - από την αντικατάσταση του εξοπλισμού έως την εισαγωγή πρόσθετων βάρδιων. Στα τέλη του 2016, το Ταμείο Ανάπτυξης Πρωτοβουλιών Διαδικτύου αποφάσισε να επενδύσει 125 εκατομμύρια ρούβλια στην εταιρεία.

Προσλήψεις και διαχείριση προσωπικού

Ο Ρώσος συνεργάτης προσλήψεων Stafory ολοκληρώνει την εκπαίδευση ενός επαναλαμβανόμενου νευρωνικού δικτύου ικανό όχι μόνο να δίνει μονολεκτικές απαντήσεις στις ερωτήσεις των υποψηφίων, αλλά και να διεξάγει μια πλήρη συνομιλία μαζί τους σχετικά με την κενή θέση που τους ενδιαφέρει. Και η ομάδα της πύλης SuperJob δοκιμάζει μια υπηρεσία που προβλέπει ποια από τα εκατοντάδες παρόμοια βιογραφικά θα έχουν ζήτηση από έναν συγκεκριμένο εργοδότη.

Μεταφορά

Ο Ρώσος προγραμματιστής ευφυών συστημάτων Cognitive Technologies χρησιμοποιεί νευρωνικά δίκτυα για αναγνώριση Οχημα, πεζοί, πινακίδες, φανάρια και άλλα αντικείμενα που πέφτουν στο πλαίσιο. Η εταιρεία συλλέγει επίσης δεδομένα για να εκπαιδεύσει ένα νευρωνικό δίκτυο για αυτοοδηγούμενο αυτοκίνητο. Μιλάμε για δεκάδες χιλιάδες επεισόδια που περιγράφουν την αντίδραση των οδηγών σε ορισμένες κρίσιμες καταστάσεις στους δρόμους. Ως αποτέλεσμα, το σύστημα πρέπει να διαμορφώσει βέλτιστα σενάρια συμπεριφοράς για το ρομπότ. Οι ίδιες τεχνολογίες χρησιμοποιούνται για τη δημιουργία έξυπνων αγροτικών μεταφορών.

Επιπλέον, τα νευρωνικά δίκτυα μπορούν να χρησιμοποιηθούν στη μεταφορά με άλλους τρόπους. Το καλοκαίρι του 2016, η Yandex πρόσθεσε στον πίνακα ανακοινώσεων Avto.ru μια λειτουργία αυτόματης αναγνώρισης ενός μοντέλου αυτοκινήτου από τη φωτογραφία του. Εκείνη την εποχή, το σύστημα γνώριζε 100 μάρκες.

Ψυχολογία και ασφάλεια

Η ρωσική startup NTechLab, η οποία κέρδισε την Google ΔΙΕΘΝΗΣ ΔΙΑΓΩΝΙΣΜΟΣαλγόριθμοι αναγνώρισης προσώπου Το MegaFace Benchmark, χρησιμοποιούσε τεχνολογίες μηχανικής εκμάθησης στην εφαρμογή FindFace. Σας επιτρέπει να βρείτε ένα άτομο μέσα στα κοινωνικά δίκτυαΜε φωτογραφία. Οι χρήστες συχνά απευθύνονται στην υπηρεσία για να εντοπίσουν πλαστά, αλλά μπορεί επίσης να είναι χρήσιμη για την επιβολή του νόμου. Με τη βοήθειά του έχουν ήδη εξακριβωθεί οι ταυτότητες αρκετών εγκληματιών, συμπεριλαμβανομένου του αεροπειρατή της Citibank στη Μόσχα. Η επιχειρηματική έκδοση του FindFace.Pro παρέχεται σε εταιρείες που ενδιαφέρονται για την αναγνώριση πελατών. Τώρα το σύστημα εκπαιδεύεται πλήρως για τον προσδιορισμό του φύλου, της ηλικίας και των συναισθημάτων των άλλων, κάτι που μπορεί να είναι χρήσιμο όχι μόνο κατά την επικοινωνία με πελάτες, αλλά και κατά τη διαχείριση του προσωπικού.

Με παρόμοιο τρόπο, τα νευρωνικά δίκτυα χρησιμοποιούνται από μια άλλη ρωσική εταιρεία - τη VisionLabs. Χρησιμοποιεί τεχνολογίες αναγνώρισης προσώπου για να εξασφαλίσει ασφάλεια σε τράπεζες και φόρμα ειδικές προσφορέςγια τους πιο πιστούς πελάτες διαφόρων καταστημάτων λιανικής.

Η startup “Emotian” εργάζεται σε παρόμοια κατεύθυνση. Οριστικοποιεί ένα σύστημα για τον προσδιορισμό της συναισθηματικής κατάστασης των πόλεων. Προς το παρόν, το νευρωνικό δίκτυο υπολογίζει τις πιο ευτυχισμένες περιοχές με βάση δημοσιεύσεις στα κοινωνικά δίκτυα, αλλά στο μέλλον η εταιρεία σχεδιάζει να λάβει υπόψη βιομετρικά δεδομένα από κάμερες.

Μέσα και δημιουργικότητα

Ένας από τους κύριους παίκτες στη ρωσική αγορά νευρωνικών δικτύων είναι η Yandex. Η εταιρεία χρησιμοποιεί μηχανική εκμάθηση όχι μόνο στις υπηρεσίες αναζήτησής της, αλλά και σε άλλα προϊόντα. Το 2015, ξεκίνησε ένα σύστημα συστάσεων " Ζεν”, το οποίο δημιουργεί μια ροή ειδήσεων, άρθρων, φωτογραφιών και βίντεο, με βάση τα ενδιαφέροντα ενός συγκεκριμένου χρήστη. Όσο πιο συχνά έχει πρόσβαση σε υλικά που επιλέγονται από τον αλγόριθμο, τόσο πιο σωστά το νευρωνικό δίκτυο καθορίζει τι άλλο μπορεί να του αρέσει.

Επιπλέον, η Yandex πειραματίζεται με τη δημιουργικότητα. Οι εργαζόμενοι της εταιρείας έχουν ήδη καταφέρει να εφαρμόσουν μια προσέγγιση νευρωνικών δικτύων στην ποίηση και στη συνέχεια