Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_1.jpg" alt="(!LANG:>Tıpta sinir ağları StatSoft Rusya">!}

Src="https://present5.com/presentacii-2/201712085C21538-neuronet.ppt%5C21538-neuronet_2.jpg" alt="(!LANG:>Sinir ağı analiz yöntemlerine ilişkin temel fikirler » Tüm ana"> 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-2/201712085C21538-neuronet.ppt%5C21538-neuronet_3.jpg" alt="(!LANG:>Yapay sinir ağları örnekleri">!}

Src="https://present5.com/presentacii-2/201712085C21538-neuronet.ppt%5C21538-neuronet_4.jpg" alt="(!LANG:>Veri analizine sinir ağı yaklaşımının özellikleri Standart bir yol sunar standart olmayan birçok sorunu çözmek için. Açık"> 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 традиционные методы и трудно создать явный алгоритм.!}

Src="https://present5.com/presentacii-2/201712085C21538-neuronet.ppt%5C21538-neuronet_5.jpg" alt="(!LANG:>Hastalıkların teşhisine yönelik uzman sistemler, pratik sağlık hizmetleri için özellikle ilgi çekicidir.">!}

Src="https://present5.com/presentacii-2/201712085C21538-neuronet.ppt%5C21538-neuronet_6.jpg" alt="(!LANG:>Tıp spektrumunda sinir ağı uygulamalarına örnekler."> Примеры применения нейронных сетей в медицине Выявление атеросклеротических бляшек с помощью анализа флюоресцентных спектров. Диагностика заболеваний !} periferik damarlar. Miyokard enfarktüsünün teşhisi. Akustik sinyallerin analizini kullanarak kalp kapak üfürümlerinin teşhisi. Zihinsel semptomların tanınması.

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_7.jpg" alt="(!LANG:>Tedavi için uzman sistem arteriyel hipertansiyon(İtalya) Modül 1 Modül 2 Modül 3 Saatlik "> Arteriyel hipertansiyon tedavisi için uzman sistem (İtalya) Modül 1 Modül 2 Modül 3 Saatlik basınç ölçümleri Yaş ve cinsiyet Durumun özellikleri Özellikler ilaçlar Saatlik ilaç alımının yapısı Diğer klinik veriler

Src="https://present5.com/presentacii-2/201712085C21538-neuronet.ppt%5C21538-neuronet_8.jpg" alt="(!LANG:>Birikmiş radyoaktif maruziyet dozunun belirlenmesi (Krasnoyarsk Tıp Akademisi) Sınıflandırması 4 grup için"> 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-2/201712085C21538-neuronet.ppt%5C21538-neuronet_9.jpg" alt="(!LANG:>Sinir Ağı Analizinin Adımları Değişken İlişki Keşfi ve Boyut Azaltma Oluşturma ve Eğitim Ağları"> Этапы нейросетевого анализа Исследование взаимосвязи переменных и понижение размерности Построение и обучение сетей !} farklı şekiller Ağ kalitesi ve istatistiksel özelliklerinin karşılaştırılması

Src="https://present5.com/presentacii-2/201712085C21538-neuronet.ppt%5C21538-neuronet_10.jpg" alt="(!LANG:>Boyut azaltma: giriş özelliği seçimi Öğe başına ceza, popülasyon sayısı , ve bit nesiller"> 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-2/201712085C21538-neuronet.ppt%5C21538-neuronet_11.jpg" alt="(!LANG:>Boyut azaltma: otomatik ilişkisel ağlar Sinirsel için yeni girdi değişkenleri) ağ modeli">!}

Src="https://present5.com/presentacii-2/201712085C21538-neuronet.ppt%5C21538-neuronet_12.jpg" alt="(!LANG:>Şiddetli hastaların durumunu sınıflandırma görevi iskemik hastalık">

Src="https://present5.com/presentacii-2/201712085C21538-neuronet.ppt%5C21538-neuronet_13.jpg" alt="(!LANG:>Koroner hastalığın gelişimini teşhis etmek için sinir ağı göstergeler (48 değişken),"> Нейронная сеть для диагностики развития ишемической болезни По набору показателей (48 переменных), как номинальных (например, «слабая-умеренная-сильная боль»), так и непрерывных (например, !} atardamar basıncı veya yaş), iskemik kalp hastalığı olan hastaların durumu sınıflandırılır. Nominal değişkenler Sürekli değişkenler

Src="https://present5.com/presentacii-2/201712085C21538-neuronet.ppt%5C21538-neuronet_14.jpg" alt="(!LANG:>Sınıflandırma sonuçları ve duyarlılık analizi Tüm durumlar doğru sınıflandırılır Duyarlılık analizi, onaylamaya izin verir ,"> Результаты классификации и анализ чувствительности Все наблюдения классифицированы правильно Анализ чувствительности позволяет утверждать, что одним из !} kritik faktörler Risk, sigara içme alışkanlığıdır.

Src="https://present5.com/presentacii-2/20171208%5C21538-neuronet.ppt%5C21538-neuronet_15.jpg" alt="(!LANG:>Teşhis görevi onkolojik hastalık">

Src="https://present5.com/presentacii-2/201712085C21538-neuronet.ppt%5C21538-neuronet_16.jpg" alt="(!LANG:>Kanser teşhisi için sinir ağları Radyal tabanlı işlevlere dayalı ağ Çok katmanlı algılayıcı">!}

Src="https://present5.com/presentacii-2/201712085C21538-neuronet.ppt%5C21538-neuronet_17.jpg" alt="(!LANG:>Sınıflandırma sonuçları Çok katmanlı algılayıcı: Gözlemlerin %100'ü doğru sınıflandırılmış Radyal Temel Fonksiyonlar: Sınıflandırılmış gözlemlerin %95'i"> 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="(!LANG:>Ağ kurulumu">!}

Src="https://present5.com/presentacii-2/201712085C21538-neuronet.ppt%5C21538-neuronet_19.jpg" alt="(!LANG:>STATISTICA Sinir ağları oluşturma, eğitme ve çalıştırma için Sinir Ağları paket işlev kitaplıkları ağlar"> 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!}

İyi günler, benim adım Natalia Efremova ve NtechLab'da araştırma bilimcisiyim. Bugün sinir ağlarının çeşitleri ve uygulamalarından bahsedeceğim.

Öncelikle şirketimiz hakkında birkaç şey söylemek istiyorum. Şirket yeni, belki bir çoğunuz ne yaptığımızı bilmiyorsunuz. Geçen yıl MegaFace yarışmasını kazandık. Bu uluslararası bir yüz tanıma yarışmasıdır. Aynı yıl firmamız açıldı yani yaklaşık bir yıldır piyasadayız hatta biraz daha fazla. Buna göre yüz tanıma ve biyometrik görüntü işleme konusunda lider firmalardan biriyiz.

Raporumun ilk kısmı sinir ağlarına aşina olmayanlara yönelik olacak. Doğrudan derin öğrenmeyle ilgileniyorum. 10 yılı aşkın süredir bu alanda çalışıyorum. On yıldan biraz daha kısa bir süre önce ortaya çıkmasına rağmen, derin bir öğrenme sistemine benzeyen sinir ağlarının bazı temelleri vardı.

Son 10 yılda derin öğrenme ve bilgisayarla görme inanılmaz bir hızla gelişti. Bu alanda önemli olan her şey son 6 yılda gerçekleşti.

Pratik yönlerden bahsedeceğim: Bunu yapan bir şirkette çalıştığım için görüntü ve video işleme, görüntü ve yüz tanıma için derin öğrenme açısından nereye, ne zaman, ne uygulamalıyım. Duygu tanıma, oyunlarda ve robotikte hangi yaklaşımların kullanıldığı hakkında biraz konuşacağım. Ayrıca, bilimsel kurumlardan yeni çıkan ve pratikte hala çok az kullanılan bir şey olan derin öğrenmenin standart dışı uygulamasından, nasıl uygulanabileceğinden ve neden uygulanmasının zor olduğundan bahsedeceğim.

Rapor iki bölümden oluşacaktır. Çoğunuz sinir ağlarına aşina olduğunuz için öncelikle sinir ağlarının nasıl çalıştığını, biyolojik sinir ağlarının ne olduğunu, nasıl çalıştığını bilmenin bizim için neden önemli olduğunu, yapay sinir ağlarının neler olduğunu ve hangi mimarilerin kullanıldığını hızlıca anlatacağım. hangi alanlar.

Hemen özür dilerim, biraz İngilizce terminolojiye atlayacağım çünkü çoğu Rusça'da ne dendiğini bile bilmiyorum. Belki sen de.

Bu nedenle, raporun ilk bölümü evrişimli sinir ağlarına ayrılacaktır. Yüz tanımadan bir örnek kullanarak evrişimli sinir ağı (CNN) görüntü tanımanın nasıl çalıştığını açıklayacağım. Derin öğrenme sistemleri örneğini kullanarak tekrarlayan sinir ağları (RNN) ve pekiştirmeli öğrenme hakkında biraz konuşacağım.

Sinir ağlarının standart olmayan bir uygulaması olarak, CNN'nin tıpta voksel görüntü tanıma için nasıl çalıştığından, sinir ağlarının Afrika'daki yoksulluğu tanımak için nasıl kullanıldığından bahsedeceğim.

sinir ağları nelerdir

Dorsal görme yolu, başımızın tepesindeki birincil görme bölgesinde başlar ve yukarı doğru devam ederken, ventral yol başımızın arkasında başlar ve kabaca kulaklarımızın arkasında biter. Sahip olduğumuz tüm önemli örüntü tanıma, farkında olduğumuz tüm anlam, tam orada, kulakların arkasında gerçekleşir.

Neden önemli? Çünkü sinir ağlarını anlamak çoğu zaman gereklidir. Birincisi, herkes bunun hakkında konuşuyor ve ben zaten bunun olmasına alışkınım ve ikincisi, gerçek şu ki, sinir ağlarında örüntü tanıma için kullanılan tüm alanlar bize tam olarak her birinin küçük bir bölgenin bulunduğu ventral görsel yoldan geldi. kesin olarak tanımlanmış işlevinden sorumludur.

Görüntü bize retinadan gelir, bir dizi görsel bölgeden geçer ve zamansal bölgede biter.

Geçen yüzyılın uzak 60'larında, beynin görsel alanlarının incelenmesi yeni başladığında, fMRI olmadığı için ilk deneyler hayvanlar üzerinde yapıldı. Beyin, çeşitli görsel bölgelere implante edilen elektrotlar kullanılarak incelendi.

İlk görsel bölge 1962'de David Hubel ve Thorsten Wiesel tarafından keşfedildi. Kediler üzerinde deneyler yaptılar. Kedilere çeşitli hareketli nesneler gösterildi. Beyin hücrelerinin tepki verdiği şey, hayvanın tanıdığı uyarandı. Şimdi bile, bu acımasız yöntemlerle birçok deney yapılıyor. Ancak bu en etkili yöntem beynimizdeki her küçük hücrenin ne yaptığını öğrenin.

Aynı şekilde, artık derin öğrenmede kullandığımız görsel bölgelerin daha birçok önemli özelliği keşfedildi. En önemli özelliklerinden biri, birincil görme alanlarından temporal loblara yani daha sonraki görme alanlarına doğru hareket ettikçe hücrelerimizin alıcı alanlarındaki artıştır. Alıcı alan, beynimizdeki her hücrenin işlediği görüntünün bir parçasıdır. Her hücrenin kendi alıcı alanı vardır. Bu aynı özellik, muhtemelen hepinizin bildiği gibi, sinir ağlarında da korunur.

Ayrıca, alıcı alanlardaki artışla birlikte, sinir ağlarının genellikle tanıdığı karmaşık uyaranlar da artar.

Burada uyaranların karmaşıklığının örneklerini, V2, V4 alanlarında tanınan farklı iki boyutlu şekilleri ve makaklardaki zamansal alanların çeşitli kısımlarını görüyorsunuz. Bir dizi MRI deneyi de yürütülmektedir.

Burada bu tür deneylerin nasıl yapıldığını görebilirsiniz. Bu, IT korteksinin 1 nanometrelik kısmıdır "maymun çeşitli nesneleri tanırken bir bölgeleridir. Tanındığı yer vurgulanmıştır.

Özetleyelim. Görsel alanlardan benimsemek istediğimiz önemli bir özellik, alıcı alanların boyutlarının artması ve tanıdığımız nesnelerin karmaşıklığının artmasıdır.

Bilgisayar görüşü

Tüm bu özellikleri sinir ağına aktarıyoruz ve şimdi işe yarıyor, eğer daha sonra bahsedeceğim veri setlerine küçük bir araştırma eklemezseniz.

Ama önce, en basit algılayıcı hakkında biraz. Ayrıca beynimizin görüntüsünde ve benzerliğinde oluşur. Beyin hücresine benzeyen en basit element nörondur. Varsayılan olarak soldan sağa, bazen aşağıdan yukarıya olan giriş öğelerine sahiptir. Solda nöronun giriş kısımları, sağda nöronun çıkış kısımları bulunmaktadır.

En basit algılayıcı, yalnızca en temel işlemleri gerçekleştirme yeteneğine sahiptir. Daha karmaşık hesaplamalar yapabilmek için daha fazla gizli katmana sahip bir yapıya ihtiyacımız var.

Bilgisayarla görme durumunda, daha da fazla gizli katmana ihtiyacımız var. Ve ancak o zaman sistem gördüklerini anlamlı bir şekilde tanıyacaktır.

Peki, bir görüntüyü tanırken ne olur, size yüz örneğini kullanarak anlatacağım.

Bu resme bakıp heykelin yüzünü tasvir ettiğini söylemek bizim için oldukça basittir. Ancak, 2010 yılına kadar bu, bilgisayarla görme için inanılmaz derecede zor bir görevdi. Bu konuyu daha önce ele almış olanlar, resimde bulmak istediğimiz nesneyi kelimeler olmadan tanımlamanın ne kadar zor olduğunu muhtemelen biliyorlar.

Bunu geometrik bir şekilde yapmamız, nesneyi tanımlamamız, nesnenin ilişkisini, bu parçaların birbirleriyle nasıl ilişki kurabileceğini tanımlamamız, sonra bu görüntüyü nesne üzerinde bulmamız, karşılaştırmamız ve kötü tanıdığımız şeyi elde etmemiz gerekiyordu. Genellikle yazı tura atmaktan biraz daha iyiydi. Şans seviyesinden biraz daha iyi.

Şimdi durum böyle değil. Resmimizi piksellere ya da bazı yamalara böldük: 2x2, 3x3, 5x5, 11x11 piksel - sinir ağına giriş katmanı olarak hizmet ettikleri sistemin yaratıcıları için uygun.

Bu girdi katmanlarından gelen sinyaller, sinapslar kullanılarak katmandan katmana iletilir, katmanların her birinin kendine özgü katsayıları vardır. Böylece, yüzü tanıdığımızı anlayana kadar katmandan katmana, katmandan katmana geçiyoruz.

Geleneksel olarak, tüm bu parçalar üç sınıfa ayrılabilir, bunları X, W ve Y olarak göstereceğiz, burada X bizim girdi görüntümüzdür, Y bir etiket kümesidir ve ağırlıklarımızı almamız gerekir. W'yi nasıl hesaplıyoruz?

X ve Y'miz göz önüne alındığında, bu kolay görünüyor. Bununla birlikte, bir yıldızla gösterilen, ne yazık ki tersi olmayan, çok karmaşık, doğrusal olmayan bir işlemdir. Denklemin 2 bileşeni verilmiş olsa bile, onu hesaplamak çok zordur. Bu nedenle, yavaş yavaş, deneme yanılma yoluyla, W ağırlığını seçerek, hatanın mümkün olduğunca azaldığından emin olmalıyız, sıfıra eşit olması arzu edilir.

Bu süreç yinelemeli olarak gerçekleşir, bizi yeterince tatmin eden W ağırlığının değerini bulana kadar sürekli azalırız.

Bu arada, çalıştığım tek bir sinir ağı sıfıra eşit bir hataya ulaşmadı, ancak oldukça iyi çalıştı.

İşte 2012'de ImageNet uluslararası yarışmasını kazanan ilk ağ. Bu sözde AlexNet. Evrişimli sinir ağları olduğunu ve o zamandan beri tüm uluslararası yarışmalarda evrişimli sinir ağlarının pozisyonlarını hiç kaybetmediğini ilk kez duyuran ağ budur.

Bu ağ oldukça küçük olmasına rağmen (sadece 7 gizli katmana sahiptir), 60 milyon parametreli 650.000 nöron içermektedir. Doğru ağırlıkları nasıl bulacağımızı yinelemeli olarak öğrenmek için birçok örneğe ihtiyacımız var.

Sinir ağı, bir resim ve bir etiket örneğinden öğrenir. Çocukluğumuzda bize “bu bir kedi, bu da bir köpek” öğretildiği gibi, sinir ağları çok sayıda resim üzerinde eğitilir. Ancak gerçek şu ki, 2010'dan önce görüntüleri tanımak için bu kadar çok parametreyi öğretebilecek yeterince büyük bir veri seti yoktu.

O zamana kadar var olan en büyük veritabanları, yalnızca 20 nesne kategorisine sahip olan PASCAL VOC ve California Institute of Technology'de geliştirilen Caltech 101 idi. Sonuncusu 101 kategoriye sahipti ve bu çok fazlaydı. Bu veritabanlarının hiçbirinde nesnelerini bulamayanlar, veritabanlarına mal olmak zorunda kaldılar ki bu çok acı verici diyeceğim.

Bununla birlikte, 2010 yılında, 22.000 kategoriye ayrılmış 15 milyon görüntünün bulunduğu ImageNet veritabanı ortaya çıktı. Bu, sinir ağı eğitim sorunumuzu çözdü. Artık herhangi bir akademik adresi olan herkes, üssün sitesine kolayca gidebilir, erişim talep edebilir ve sinir ağlarını eğitmek için bu üssü elde edebilir. Bana göre, ertesi gün oldukça hızlı yanıt veriyorlar.

Önceki veri kümeleriyle karşılaştırıldığında, bu çok büyük bir veritabanıdır.

Örnek, kendisinden önce olan her şeyin ne kadar önemsiz olduğunu gösteriyor. ImageNet üssü ile eş zamanlı olarak, yarışmak isteyen tüm takımların katılabileceği uluslararası bir meydan okuma olan ImageNet yarışması ortaya çıktı.

Bu yıl Çin'de oluşturulan ağ kazandı, 269 katmanı vardı. Kaç tane parametre olduğunu bilmiyorum, çok fazla olduğundan şüpheleniyorum.

Derin sinir ağı mimarisi

Siyah, öğrenmeyen kısımları, diğer tüm katmanların öğrenebileceğini gösterir. Her evrişim katmanının içinde ne olduğuna dair birçok tanım vardır. Kabul edilen tanımlamalardan biri, üç bileşenli bir katmanın evrişim aşaması, dedektör aşaması ve havuzlama aşamasına bölünmesidir.

Ayrıntılara girmeyeceğim, bunun nasıl çalıştığını detaylandıracak daha birçok rapor olacak. Size bir örnekle anlatacağım.

Organizatörler birçok formülden bahsetmememi istediğinden, onları tamamen çöpe attım.

Böylece, girdi görüntüsü, tanıdıkları öğelerin farklı boyutlarda ve farklı karmaşıklıklarında filtreler olarak adlandırılabilecek bir katmanlar ağına düşer. Bu filtreler, daha sonra sınıflandırıcıya giren kendi dizinlerini veya özellik setlerini oluşturur. Genellikle bu, SVM veya MLP'dir - herkes için uygun olan çok katmanlı bir algılayıcı.

Biyolojik bir sinir ağı ile görüntü ve benzerlikte, değişen karmaşıklıktaki nesneler tanınır. Katman sayısı arttıkça, sinir ağında sınırlı sayıda bölge bulunduğundan, bunların tümü korteks ile teması kaybetti. 269 ​​​​veya birçok, birçok soyutlama bölgesi, bu nedenle yalnızca karmaşıklıkta, öğe sayısında ve alıcı alanlarda bir artış kaydedilir.

Yüz tanıma örneğine bakarsak, o zaman ilk katmandaki alıcı alanımız küçük olacak, sonra biraz daha fazla, daha fazla olacak ve sonunda tüm yüzü tanıyıncaya kadar bu böyle devam edecek.

Filtrelerin içinde sahip olduklarımız açısından, önce eğimli çubuklar artı biraz renk olacak, sonra yüzlerin bir kısmı ve ardından tüm yüz katmanın her hücresi tarafından tanınacak.

Bir kişinin her zaman bir ağdan daha iyi tanıdığını iddia eden insanlar var. Öyle mi?

2014 yılında bilim adamları, sinir ağlarına kıyasla ne kadar iyi tanıdığımızı test etmeye karar verdiler. Şu anda en iyi 2 ağı aldılar - bunlar AlexNet ve Matthew Ziller ve Fergus ağı ve bazı nesneleri tanıması da öğretilen makak beyninin farklı alanlarının tepkileriyle karşılaştırıldı. Maymun kafası karışmasın diye nesneler hayvanlar alemine aitti ve kimin daha iyi tanıyacağını görmek için deneyler yapıldı.

Bir maymundan yanıt almak açıkça imkansız olduğundan, içine elektrotlar yerleştirildi ve her bir nöronun yanıtı doğrudan ölçüldü.

Normal şartlar altında beyin hücrelerinin de o zamanki son teknoloji model yani Matthew Ziller'in ağı kadar tepki verdiği ortaya çıktı.

Ancak nesneleri gösterme hızının artması, görüntüdeki seslerin ve nesnelerin sayısının artması ile beynimizde ve primatların beyninde tanıma hızı ve kalitesi keskin bir şekilde düşer. En basit evrişimli sinir ağı bile nesneleri daha iyi tanır. Yani resmen sinir ağları beynimizden daha iyi çalışıyor.

Evrişimli sinir ağlarının klasik problemleri

Bu resmi örnek olarak kullanarak, görevlerin her birinin ne yaptığına bakalım.

• sınırların tanımı- bu, evrişimli sinir ağlarının zaten klasik olarak kullanıldığı en düşük seviyeli görevdir.
• Bir vektörün normale tanımı 2B olandan 3B bir görüntüyü yeniden oluşturmamızı sağlar.
• Belirginlik, dikkat nesnelerinin tanımı- Bu, bir kişinin bu resmi düşünürken dikkat edeceği şeydir.
• anlamsal segmentasyon nesneleri, bu nesneler hakkında hiçbir şey bilmeden, yani daha tanınmadan önce yapılarına göre sınıflara ayırmanıza olanak tanır.
• Anlamsal sınır vurgulama- bu, sınıflara ayrılmış sınırların seçimidir.
• İnsan vücudunun bölümlerinin izolasyonu.
• Ve en üst düzey görev - nesnelerin kendilerini tanıması, şimdi yüz tanıma örneğini kullanmayı düşüneceğiz.

Yüz tanıma

Daha sonra bu özellik vektörünü veritabanımızda depolanan tüm özellik vektörleriyle karşılaştırabilir ve belirli bir kişiye, adına, profiline - veritabanında depolayabildiğimiz her şeye - referans alabiliriz.

FindFace ürünümüz böyle çalışır - VKontakte veritabanında kişilerin profillerini aramanıza yardımcı olan ücretsiz bir hizmettir.

Ayrıca ürünlerimizi denemek isteyen firmalar için de API'miz mevcuttur. Yüz tanıma, doğrulama ve kullanıcı tanımlama hizmetleri sunuyoruz.

Şimdi 2 senaryo geliştirdik. Birincisi tanımlama, bir veri tabanında bir kişinin aranmasıdır. İkincisi, doğrulamadır, bu, aynı kişi olduğu konusunda belirli bir olasılıkla iki görüntünün karşılaştırmasıdır. Ek olarak, şu anda duygu tanıma, video görüntü tanıma ve canlılık algılama geliştiriyoruz - bu, bir kişinin kamera önünde mi yoksa bir fotoğrafın önünde mi canlı olduğunun anlaşılmasıdır.

Bazı istatistikler. Tanımlama yaparken, 10 bin fotoğraf ararken, veritabanının kalitesine bağlı olarak yaklaşık %95 doğruluk, %99 doğrulama doğruluğuna sahibiz. Bunun yanı sıra, bu algoritma değişikliklere karşı çok dirençlidir - kameraya bakmamıza gerek yoktur, bazı engelleyici nesneler olabilir: gözlükler, Güneş gözlüğü, sakal, tıbbi maske. Bazı durumlarda, gözlük ve maske gibi bilgisayar görüşü için inanılmaz zorlukların bile üstesinden gelebiliriz.

Çok hızlı arama, 1 milyar fotoğrafın işlenmesi 0,5 saniye sürüyor. Benzersiz bir hızlı arama dizini geliştirdik. CCTV kameralardan alınan düşük kaliteli görüntülerle de çalışabiliriz. Hepsini gerçek zamanlı olarak işleyebiliriz. Web arayüzü üzerinden, Android, iOS üzerinden fotoğraf yükleyebilir ve 100 milyon kullanıcı ve 250 milyon fotoğrafı arasında arama yapabilirsiniz.

Dediğim gibi, ImageNet için bir analog, ancak yüz tanıma için MegaFace yarışmasında birinci olduk. Birkaç yıldır koşuyor, geçen yıl Google dahil dünyanın her yerinden 100 takım arasında en iyisiydik.

Tekrarlayan Sinir Ağları

Doğal dil tanımaya, video işlemeye, hatta görüntü tanımaya uygulanır.

Doğal dil tanıma hakkında konuşmayacağım - raporumdan sonra doğal dil tanımaya yönelik iki tane daha olacak. Bu nedenle duygu tanıma örneğini kullanarak tekrarlayan ağların çalışmasından bahsedeceğim.

Tekrarlayan sinir ağları nelerdir? Bu, normal sinir ağlarıyla hemen hemen aynıdır, ancak geri bildirim ile. Sistemin önceki durumunu sinir ağının girişine veya katmanlarından birine iletmek için geri bildirime ihtiyacımız var.

Duyguları işlediğimizi varsayalım. En basit duygulardan biri olan bir gülümsemede bile, nötr bir yüz ifadesinden tam bir gülümsemeye sahip olduğumuz ana kadar birkaç an vardır. Birbirlerini sırayla takip ederler. Bunu iyi anlamak için, bunun nasıl olduğunu gözlemleyebilmemiz, bir önceki çerçevede olanı sistemin bir sonraki adımına aktarabilmemiz gerekiyor.

2005 yılında, özellikle duygu tanıma için Vahşi Doğada Emotion Recognition yarışmasında, Montreal'den bir ekip çok basit görünen tekrarlayan bir sistem sundu. Yalnızca birkaç kıvrımlı katmanı vardı ve yalnızca videoyla çalıştı. Bu yıl ayrıca, evrişimli sinir ağlarından elde edilen ses tanıma ve toplu kare kare verileri, tekrarlayan bir sinir ağına sahip ses sinyali verilerini (durum bilgisi olan) eklediler ve yarışmada birincilik kazandılar.

pekiştirmeli öğrenme

Gerçek şu ki, önceki iki durumda veritabanlarını kullanıyoruz. Elimizde ya yüzlerden, resimlerden ya da videolardan duygularla ilgili veriler var. Eğer bizde yoksa, filme alamıyorsak, robota nesneleri toplamasını nasıl öğretebiliriz? Bunu otomatik olarak yapıyoruz - nasıl çalıştığını bilmiyoruz. Başka bir örnek: büyük veritabanlarını derlemek bilgisayar oyunları zor ve gerekli değil, çok daha kolay yapılabilir.

Atari ve Go'da derin pekiştirmeli öğrenmenin başarısını muhtemelen herkes duymuştur.

Atari'yi kim duydu? Biri duymuş, tamam. Sanırım herkes AlphaGo'yu duymuştur, bu yüzden size orada tam olarak ne olduğunu söylemeyeceğim bile.

Atari'de neler oluyor? Bu sinir ağının mimarisi sadece solda gösterilmektedir. Maksimum ödülü almak için kendi kendine oynayarak öğrenir. Maksimum ödül, oyunun mümkün olan en yüksek puana sahip en hızlı sonucudur.

Sağ üst - sadece iki saat boyunca kendisine karşı oynanan sistemin tüm durumlarını gösteren sinir ağının son katmanı. Kırmızı, oyunun istenen sonuçlarını maksimum ödülle gösterir ve mavi - istenmeyen. Ağ belirli bir alan oluşturur ve eğitimli katmanları aracılığıyla ulaşmak istediği duruma geçer.

Robotikte durum biraz farklıdır. Neden? Niye? Burada birkaç komplikasyonumuz var. İlk olarak, çok fazla veritabanımız yok. İkincisi, aynı anda üç sistemi koordine etmemiz gerekiyor: robotun algılanması, manipülatörlerin yardımıyla eylemleri ve hafızası - önceki adımda ne yapıldı ve nasıl yapıldı. Genel olarak, bunların hepsi çok zor.

Gerçek şu ki, tek bir sinir ağı, hatta şu anda derin öğrenme bile bu görevle yeterince verimli bir şekilde başa çıkamaz, bu nedenle derin öğrenme, robotların yapması gerekenlerin yalnızca bir parçasıdır. Örneğin, Sergey Levin kısa süre önce bir robota nesneleri tutmayı öğreten bir sistem sağladı.

İşte 14 robotik kolu üzerinde yaptığı deneyler.

Burada neler oluyor? Önünüzde gördüğünüz bu lavabolarda çeşitli nesneler var: kalemler, silgiler, daha küçük ve büyük kupalar, paçavralar, farklı dokular, farklı sertlikler. Robotu onları yakalamak için nasıl eğiteceği belli değil. Saatlerce ve hatta haftalarca robotlar bu nesneleri yakalayabilmek için eğitildi, bu vesileyle veritabanları derlendi.

Veritabanları, robotu gelecekte bir şeyler yapmak üzere eğitebilmek için biriktirmemiz gereken bir tür ortam yanıtıdır. Gelecekte, robotlar bu sistem durumları kümesi üzerinde eğitilecek.

Sinir ağlarının standart dışı uygulamaları

Bu nedenle, Stanford bilim adamları yakın zamanda, yoksulluk tahmini için CNN sinir ağının çok sıra dışı bir uygulamasını buldular. Onlar ne yaptı?

Aslında konsept çok basit. Gerçek şu ki, Afrika'da yoksulluk düzeyi akla gelebilecek ve hayal edilemeyecek tüm sınırları aşıyor. Sosyal demografik veri toplama yeteneklerine bile sahip değiller. Bu nedenle, 2005'ten beri orada neler olduğuna dair hiçbir veriye sahip değiliz.

Bilim adamları, uydulardan gece ve gündüz haritaları topladılar ve zaman içinde onları sinir ağına beslediler.

Sinir ağı ImageNet "e üzerinde önceden yapılandırılmıştı. Yani, ilk filtre katmanları, gündüz haritalarında bir yerleşim aramak için çatılar gibi bazı çok basit şeyleri zaten tanıyabilecek şekilde yapılandırıldı. Ardından gündüz haritaları karşılaştırıldı. gece haritaları ile nüfusun en azından gece boyunca evlerini aydınlatmak için ne kadar parası olduğunu söylemek için yüzeyin aynı bölgesinin aydınlatılması.

Burada sinir ağı tarafından oluşturulan tahminin sonuçlarını görüyorsunuz. Tahmin farklı çözünürlüklerle yapıldı. Ve görüyorsunuz - en son kare - 2005'te Uganda hükümeti tarafından toplanan gerçek veriler.

Sinir ağının yeterince oluşturduğu görülebilir. Doğru tahmin, 2005'ten bu yana hafif bir değişimle bile.

Elbette vardı, yan etkiler. Derin öğrenme ile uğraşan bilim adamları, farklı yan etkiler bulmak için her zaman şaşırırlar. Örneğin, ağın suyu, ormanları, büyük şantiyeleri, yolları tanımayı öğrendikleri gibi - bunların hepsi öğretmenler olmadan, önceden oluşturulmuş veri tabanları olmadan. Genellikle tamamen bağımsızdır. Örneğin yollara tepki veren belirli katmanlar vardı.

Ve bahsetmek istediğim son uygulama, tıpta 3D görüntülerin semantik segmentasyonu. Genel olarak, tıbbi görüntüleme, üzerinde çalışılması çok zor olan karmaşık bir alandır.

Bunun birkaç nedeni var.

• Çok az veritabanımız var. Beynin bir resmini bulmak o kadar kolay değil, hasarlı olmasının yanı sıra, onu herhangi bir yerden almak da imkansız.
• Böyle bir resmimiz olsa bile, bir doktor almamız ve onu tüm çok katmanlı görüntüleri manuel olarak yerleştirmeye zorlamamız gerekiyor, bu çok zaman alıcı ve son derece verimsiz. Tüm doktorların bunu yapacak kaynakları yoktur.
• Çok yüksek doğruluk gereklidir. Medikal Sistem yanlış olamaz. Örneğin, mühürleri tanırken tanımadılar - sorun değil. Ve eğer tümörü tanımıyorsak, o zaman bu pek iyi değil. Sistemin güvenilirliği için özellikle şiddetli gereksinimler vardır.
• Üç boyutlu öğelerdeki görüntüler - sistem tasarımcılarına ek karmaşıklık getiren pikseller değil vokseller.

Nerede kullanılır: Bir darbe sonrası hasarı belirlemek için, beyinde bir tümör aramak için, kardiyolojide kalbin nasıl çalıştığını belirlemek için.

İşte plasentanın hacmini belirlemek için bir örnek.

Otomatik olarak iyi çalışıyor, ancak üretime geçmesi için yeterli değil, bu yüzden daha yeni başlıyor. Bu tür sistemler oluşturmak için birkaç girişim var tıbbi görüş. Genel olarak, yakın gelecekte derin öğrenme konusunda birçok girişim var. Risk sermayedarlarının son altı ayda derin öğrenme girişimlerine son 5 yıla göre daha fazla bütçe ayırdığını söylüyorlar.

Bu alan aktif olarak gelişiyor, birçok ilginç yön var. İlginç zamanlarda yaşıyoruz. Derin öğrenme ile ilgileniyorsanız, muhtemelen kendi girişiminizi açmanın zamanı gelmiştir.

Pekala, muhtemelen bununla bitireceğim. Çok teşekkürler.

Tıpta sinir ağları

Alexander Yezhov, Vladimir Çeçetkin

Yenilik ve Füzyon Araştırma Enstitüsü, Troitsk

[e-posta korumalı]

Spesifik sistemler

Kansere karşı savaş

Nörosistemler, genetik ve moleküller

Sinir ağları gezegende yürüyor

Sonuç yerine

Göğüste keskin ağrı. Ambulans, hastayı, görevli doktorun teşhis koyması ve gerçekten bir miyokard enfarktüsü olup olmadığını belirlemesi gereken acil servise götürür. Deneyimler, benzer semptomlarla başvuranlar arasında kalp krizi geçiren hastaların oranının az olduğunu göstermektedir. Bununla birlikte, hala kesin bir teşhis yöntemi yoktur. Elektrokardiyogram bazen şunları içermez: bariz işaretler rahatsızlık. Ve bu durumda hastanın durumunun kaç parametresi bir şekilde doğru tanıyı koymaya yardımcı olabilir? Kırkın üzerinde. Acil servisteki doktor, hastayı kardiyoloji bölümüne sevk etme konusunda karar vermek için tüm bu göstergeleri ilişkileriyle birlikte hızlı bir şekilde analiz edebilir mi? Bir dereceye kadar, sinir ağı teknolojileri bu sorunun çözülmesine yardımcı olur.

İstatistikler aşağıdaki gibidir: doktor, hastaların% 88'inde miyokard enfarktüsünü doğru şekilde teşhis eder ve vakaların% 29'unda bu teşhisi yanlış yapar. Çok fazla yanlış alarm var (aşırı teşhis). Teşhis kalitesini artırmak için çeşitli veri işleme yöntemlerinin kullanılmasının geçmişi onlarca yıl öncesine dayanmaktadır, ancak bunların en iyileri aşırı teşhis vakalarının sayısını yalnızca %3 oranında azaltmaya yardımcı olmuştur.

1990'da San Diego'daki California Üniversitesi'nden William Bakst, acil servise başvuran hastalarda miyokard enfarktüsünü tanımak için bir sinir ağı - çok katmanlı bir algılayıcı - kullandı. akut ağrı göğsünde. Amacı, kabul edilen hastanın durumunu karakterize eden veri akışıyla baş edemeyen doktorlara yardımcı olabilecek bir araç yaratmaktı. Başka bir amaç, tanılamayı iyileştirmek olabilir. Araştırmacı görevini daha da zorlaştırdı çünkü sadece kardiyoloji bölümüne sevk edilmiş hastaların verilerini analiz etti. Bakst, aralarında yaş, cinsiyet, ağrının yeri, nitrogliserin yanıtı, bulantı ve kusma, terleme, senkop, solunum hızı, kalp hızı, önceki kalp krizleri, diyabet, hipertansiyon, juguler ven şişmesi, bir dizi EKG özellikleri ve önemli iskemik değişikliklerin varlığı.

Ağ, miyokard enfarktüsünü tespit etmede %92 doğruydu ve yalnızca %4 yanlış alarm üreterek enfarktüsü olmayan hastaların hastaneye sevk edildiğini hatalı bir şekilde doğruladı. kardiyoloji bölümü. Yani hastalığın teşhisinde yapay sinir ağlarının başarılı bir şekilde uygulandığı gerçeği var. Şimdi genel durumda tanı kalitesinin hangi parametrelerde değerlendirildiğini açıklamak gerekiyor. Diyelim ki gerçekten kalp krizi geçiren on kişiden, teşhis yöntemi hastalığı sekizde tespit etmenizi sağlar. Daha sonra yöntemin duyarlılığı %80 olacaktır. Kalp krizi geçirmemiş on kişiyi alırsak ve tanı yöntemi üç kişide bundan şüphelenirse, yanlış alarmların oranı %30 olacak ve buna ek bir özellik - yöntemin özgüllüğü - eşit olacaktır. %70'e kadar.

İdeal bir teşhis yönteminin yüzde yüz duyarlılığı ve özgüllüğü olmalıdır - ilk olarak, gerçekten hasta olan tek bir kişiyi kaçırmamak ve ikincisi, sağlıklı insanları korkutmamak. Sigortalamak için, yöntemin yüzde yüz hassasiyetini sağlamak için her şeyden önce deneyebilir ve denemelisiniz - hastalığı kaçıramazsınız. Ancak bu, kural olarak, yöntemin düşük özgüllüğü ile sonuçlanır - birçok insanda doktorlar, hastaların gerçekten muzdarip olmadığı hastalıklardan şüphelenir.

Teşhis görevleri için sinir ağları

Sinir ağları, verilerin yaygın olarak kullanılan doğrusal yöntemlerden çok daha iyi sınıflandırılmasına izin veren doğrusal olmayan sistemlerdir. Tıbbi teşhise uygulandıklarında, duyarlılığını azaltmadan yöntemin özgüllüğünü önemli ölçüde artırmayı mümkün kılarlar.

Kalp krizini teşhis eden sinir ağının, bir kişinin teşhisi üzerindeki etkisi değerlendirilemeyen çok sayıda parametre ile çalıştığını hatırlayın. Bununla birlikte, sinir ağları, çok boyutlu verilerde tanımladıkları gizli kalıplara dayalı kararlar verebildiler. ayırt edici özellik sinir ağları programlanmadıklarıdır - teşhis koymak için herhangi bir çıkarım kuralı kullanmazlar, ancak bunu örneklerle yapmayı öğrenirler. Bu anlamda, sinir ağları, 70'lerde Yapay Zeka'nın çalışmaya dayanan bellek modelleme, örüntü tanıma ve genelleme yaklaşımı üzerindeki geçici “zaferinden” sonra ortaya çıkan uzman sistemler gibi değildir. beynin sinirsel organizasyonu hakkında.

Çalışması uzmanlardan alınan bilgilere ve çıkarım prosedürlerinin uygulanmasına dayanan gelişmiş uzman sistemlerin en bilinenlerinden biri MYCIN sistemiydi. Bu sistem 70'lerin başında Stanford'da septik şoku teşhis etmek için geliştirildi. Hastaların yarısı bir gün içinde öldü ve doktorlar vakaların sadece %50'sinde sepsis tespit edebildi. MYCIN, sepsisi zamanın %100'ünde tespit edebildiği için, uzman sistem teknolojisinin gerçek bir zaferi gibi görünüyordu. Ancak, bu uzman sistemi daha yakından tanıdıktan sonra, doktorlar geleneksel teşhis yöntemlerini önemli ölçüde geliştirdi ve MYCIN önemini yitirerek bir eğitim sistemine dönüştü. Uzman sistemler sadece kardiyolojide "gitti" - elektrokardiyogramların analizi için. Kitapların ana içeriğini oluşturan karmaşık kurallar klinik analiz EKG, tanısal bir sonuç çıkarmak için ilgili sistemler tarafından kullanılmıştır.

Teşhis, olay sınıflandırmasının özel bir durumudur ve en değerlisi, sinir ağı eğitim setinde olmayan olayların sınıflandırılmasıdır. Burada sinir ağı teknolojilerinin avantajı ortaya çıkıyor - böyle bir sınıflandırma yapabilir, önceki deneyimi genelleştirebilir ve yeni durumlarda uygulayabilirler.

Spesifik sistemler

RES Informatica tarafından Milano'daki Kardiyoloji Araştırma Merkezi ile birlikte geliştirilen kardiyodiyagnostik paketi bir tanı programına örnektir. Program, takogram spektrumlarının tanınmasına dayalı non-invaziv kardiyodiyagnostiklere izin verir. Takogram, ardışık kalp atışları arasındaki aralıkların bir histogramıdır ve spektrumu, çeşitli hastalıklarda spesifik olarak değişen insan sempatik ve parasempatik sinir sisteminin aktivitelerinin dengesini yansıtır.

Öyle ya da böyle, sinir ağlarının kardiyodiyagnostik için bir araca dönüştüğü şimdiden söylenebilir - örneğin İngiltere'de, miyokard enfarktüsünü önlemek için dört hastanede kullanılıyorlar.

Tıpta, sinir ağlarının başka bir özelliği de kullanılır - zamansal dizileri tahmin etme yetenekleri. Uzman sistemlerin EKG analizinde başarılı olduğu daha önce belirtilmişti. Sinir ağları burada da yararlıdır. Wisconsin Üniversitesi'nden Ki Zhenghu, Yu Henu ve Willis Tompkins, doğrusal olmayan ve durağan olmayan gürültüyü daha önce kullanılan yöntemlerden çok daha iyi bastırabilen elektrokardiyogramlar için bir sinir ağı filtreleme sistemi geliştirdi. Gerçek şu ki, sinir ağı, zamanın önceki noktalarındaki değerleriyle gürültüyü iyi tahmin etti. Ve sinir ağlarının zaman dizilerini (örneğin, döviz kurları veya hisse senedi fiyatları gibi) tahmin etmede çok etkili olduğu gerçeği, Santa Fe Üniversitesi tarafından yürütülen tahmine dayalı programların yarışmasının sonuçlarıyla ikna edici bir şekilde gösterildi - ilk önce sinir ağları en iyi yöntemler arasında yerini almış ve egemen olmuştur.

Sinir ağlarını kullanma olanakları

EKG, son derece önemli olmakla birlikte özel bir uygulamadır. Bununla birlikte, bugün tıbbi tahminler için sinir ağlarının kullanımına dair birçok başka örnek var. Kalp cerrahisi bölümlerindeki uzun kuyrukların (haftalardan aylara kadar) yoğun bakım ünitelerinin yetersizliğinden kaynaklandığı bilinmektedir. Resüsitasyon bakımının yüksek maliyeti nedeniyle sayılarını artırmak mümkün değildir (Amerikalılar bu bölümdeki yaşamın son 2 haftasında fonların% 70'ini harcarlar).

Tek çıkış yolu, mevcut fonları daha verimli kullanmaktır. Diyelim ki belirli bir günde ameliyat edilen hastaların durumu o kadar ağır ki yoğun bakımda uzun süre (iki günden fazla) kalmaları gerekiyor. Bunca zaman cerrahlar boş duracak çünkü yeni ameliyat edilen hastaları koyacak yer yok. Ağır hasta hastaları hafta sonları veya tatillerden önce ameliyat etmek daha akıllıcadır - bu günlerde ameliyathaneler hala kapalıdır, cerrahlar dinlenir ve hastalar yoğun bakımda iyileşir. Ancak çalışma haftasının başında, sadece bir veya iki gün yoğun bakım ünitesinde kalması gerekecek olan hastaların ameliyat edilmesi daha iyidir. Ardından yoğun bakım ünitesindeki yataklar daha hızlı boşaltılacak ve Salı ve Çarşamba günleri ameliyat edilen yeni hastaları kabul edecek.

Soru, operasyondan sonra kimin yoğun bakım ünitesinde uzun süre kalması gerekeceğini ve kimin olmayacağını nasıl tahmin edeceğimizdir. Toronto Üniversitesi St. Michael Hastanesi'nden Jack Too ve Michael Guerier, bu tahmini yapmak için sinir ağlarını kullandı. İlk veri olarak sadece hasta hakkında ameliyat öncesi dönemde bilinen bilgileri aldılar. Sinir ağlarını kullanmayan önceki çalışmalarda, yoğun bakımda kalma riskinin artması için faktörler olarak önemli postoperatif bilgilerin de kullanıldığını unutmayın - cerrahi müdahale sırasında ortaya çıkan çeşitli komplikasyonlar.

Tu ve Guerir, hastaları yaşlarını, cinsiyetlerini, sol ventrikülün işlevsel durumunu, yaklaşan ameliyatın karmaşıklık derecesini ve eşlik eden hastalıkların varlığını dikkate alarak hastaları üç risk grubuna ayırmak için iki katmanlı bir algılayıcı eğitti. Ağ tarafından yoğun bakımda gecikme riski düşük olarak tanımlanan bu hastalardan sadece %16,3'ü iki günden fazla yoğun bakımda geçirdi. Aynı zamanda, ağ tarafından yüksek riskli olarak tanımlananların %60'ından fazlası olumsuz prognoza kadar yaşadı.

Kansere karşı savaş

Kardiyovasküler hastalıklara özel önem verdik, çünkü ölüm nedenleri listesinde üzücü liderliği elinde tutuyorlar. İkinci sırada onkolojik hastalıklar var. Şu anda sinir ağlarının kullanımına yönelik çalışmaların sürdüğü ana alanlardan biri meme kanseri teşhisidir. Bu hastalık her dokuz kadından birinin ölüm sebebidir.

Tümörün tespiti, memenin ilk röntgen analizi (mamografi) ve ardından bir tümör dokusu parçasının analizi (biyopsi) sırasında gerçekleştirilir. Mamografiye göre iyi huylu ve kötü huylu neoplazmaları ayırt etmek için genel kuralların varlığına rağmen, sonraki cerrahi biyopsi sonuçlarının sadece %10 ila %20'si gerçekten meme kanserinin varlığını doğrulamaktadır. Yine, son derece düşük yöntem özgüllüğü olan bir durumla karşı karşıyayız.

Duke Üniversitesi araştırmacıları, radyologların yaygın olarak uğraştığı sekiz özelliğe dayalı olarak malign doku mamogramlarını tanımak için bir sinir ağı eğitti. Ağın sorunu yaklaşık %100 duyarlılık ve %59 özgüllükle çözebildiği ortaya çıktı (radyologlar için %10-20 ile karşılaştırın). İyi huylu tümörleri olan kaç kadın bu sinir ağını kullanarak biyopsi almanın stresinden kurtulabilir! Mayo Clinic'te (Minnesota), sinir ağı meme ultrasonunun sonuçlarını analiz etti ve% 40'lık bir özgüllük sağlarken, aynı kadınlar için radyologların sonucunun özgüllüğü sıfır çıktı. Sinir ağı teknolojilerini kullanma başarısının tamamen tesadüfi olmadığı doğru değil mi?

Meme kanseri tedavisinden sonra tümörün tekrarlaması mümkündür. Sinir ağları zaten onları etkili bir şekilde tahmin etmeye yardımcı oluyor. Benzer araştırmalar Texas Üniversitesi Tıp Fakültesi'nde yürütülmektedir. Eğitilmiş ağlar, öngörücü değişkenlerin çok karmaşık ilişkilerini, özellikle öngörme yeteneğini geliştirmek için üçlü ilişkilerini belirleme ve hesaba katma yeteneklerini göstermiştir.

Sinir ağlarını tıpta kullanma olasılıkları çeşitlidir ve mimarileri çeşitlidir. Hastalığın bir yöntemle veya başka bir yöntemle tedavisinin uzun vadeli sonuçlarının tahminine dayanarak, bunlardan biri tercih edilebilir. Yumurtalık kanseri tedavisinin prognozunda (her yetmiş kadının hastalığı) önemli bir sonuç, Nimegen Üniversitesi'nden ünlü Hollandalı uzman Herbert Kappen tarafından elde edildi (çalışmasında çok katmanlı algılayıcıları değil, Boltzmann olarak adlandırılanları kullanıyor). Makineler - olasılıkları değerlendirmek için sinir ağları).

İşte başka bir kanser türü örneği. Japonya, Kagawa'daki bir tıp fakültesindeki araştırmacılar, hepatoselüler karsinomalı hastalarda karaciğer rezeksiyonlarının sonuçlarını neredeyse hatasız ameliyat öncesi verilerle tahmin eden bir sinir ağı eğittiler.

Troitsk İnovasyon ve Füzyon Araştırmaları Enstitüsü'nde (TRINITI), Bilim Bakanlığı tarafından uygulanan sinir ağı danışma sistemleri oluşturma projesinin bir parçası olarak, bazal hücreli cilt kanseri (bazalioma) için bir tedavi yöntemi seçen bir sinir ağı programı geliştirildi. uzun vadeli nüks prognozuna dayanmaktadır. İnce tenli beyaz tenli insanların onkolojik bir hastalığı olan bazalioma vakalarının sayısı, tüm onkolojik hastalıkların üçte biridir.

Melanom formlarından birinin teşhisi - bazen pigmentli bazalioma formundan ayırt edilmesi zor olan bir tümör, A.N.'nin rehberliğinde Krasnoyarsk'taki SOAN'ın Bilgi İşlem Merkezi'nde geliştirilen Multineuron sinir ağı simülatörü kullanılarak uygulandı.

Kısa Açıklama

Teşhis görevleri için sinir ağları

Spesifik sistemler

Sinir ağlarını kullanma olanakları

Kansere karşı savaş

Nörosistemler, genetik ve moleküller

Sinir ağları gezegende yürüyor

Sinir ağları, kalp problemlerini doktorlardan daha doğru teşhis ediyor

• Medgadget'lar ,
• geek sağlığı,

İnsan faktörü genellikle sorunlara neden olur. Bu, üretim, günlük durumlar, sürüş ve tabii ki tıp için geçerlidir. Bir doktorun hatası, bir sağlık kaybı ve hatta bir hastanın hayatı anlamına gelebilir ve doktorlar da nadiren hata yaparlar. En yüksek standartta bir profesyonel bile hata yapabilir - sonuçta, bir uzman yorgun, sinirli olabilir, normalden daha kötü bir soruna konsantre olabilir.

Bu durumda, makineler kurtarmaya gelebilir. Aynı IBM Watson bilişsel sistemi, örneğin, tıp alanındaki çalışmalarla (onkoloji, röntgen okuma, vb.) oldukça iyi yönetilmektedir. Ancak bağımsız araştırmacılar tarafından önerilen başka çözümler de var. Bu çözümlerden biri, alanında tanınmış bir yapay zeka uzmanı olan Andrew Angie liderliğindeki Stanford bilim adamları tarafından oluşturuldu.

O ve meslektaşları, bir kardiyogramdan kardiyak aritmiyi teşhis edebilen bir sistem geliştirdiler ve bir bilgisayar bunu bir uzmandan daha iyi yapıyor. Eğitimden sonra aritmiyi teşhis edebilen bir sinir ağından bahsediyoruz. yüksek derece kesinlik. Aynı zamanda, bilgisayar sadece daha güvenilir değil, aynı zamanda sinir ağından daha hızlı çalışır, bu nedenle tıbbi görüntüleri analiz etme görevi ve EKG sonuçları sistemin son “bitirilmesinden” sonra bir bilgisayara aktarılabilir. Doktor sadece söz konusu yazılım ve donanım platformunun işleyişini kontrol edebilir ve kesin teşhise göre hareket edebilir.

Bu proje, bilgisayarın bu alanın çeşitli yönlerini geliştirerek tıbbı ne kadar değiştirebileceğini gösteriyor. Sinir ağları zaten doktorların cilt kanseri, meme kanseri ve göz hastalıklarını teşhis etmesine yardımcı oluyor. Şimdi sıra kardiyolojide.

Angie, "Derin öğrenmenin bir doktorun teşhisinin doğruluğunu artırmaya yardımcı olabileceği fikrini insanların bu kadar çabuk kabul etmesi gerçekten hoşuma gidiyor" diyor. Ayrıca bilgisayar sistemlerinin olanaklarının bununla sınırlı olmadığına, daha birçok alanda kullanılabileceğine inanıyor.

Stanford ekibi, sistemin EKG verilerindeki anormallikleri tespit edebilmesi için sinir ağını eğitmek için çok zaman harcadı. Aynı zamanda, aritmi çok tehlikeli hastalık, yol açabilir ani ölüm kalp durmasından. Sorun, aritmiyi tespit etmenin o kadar kolay olmamasıdır, bu nedenle aritmi şüphesi olan hastalar bazen birkaç hafta boyunca bir EKG sensörü takmak zorunda kalırlar. Ve bundan sonra bile, sapmaları teşhis etmek için yeterli veri olmayabilir.

Yukarıda belirtildiği gibi, sinir ağının eğitilmesi gerekiyordu ve hastane hastalarının gerçek göstergeleri örneğinde. Kendi başınıza birkaç on binlerce sonuç toplayın EKG ölçümleri Stanford yapamadı, bu yüzden taşınabilir EKG cihazları yapan bir şirket olan iRhythm ile ortak oldular. Şirket, aşağıdakilerden muzdarip hastaların kalp kaslarının ölçümlerinin sonuçlarının 30.000 30 saniyelik kaydını sağladı. değişik formlar aritmiler. Algoritmanın doğruluğunu artırmak ve bilgisayar sonuçlarını doktor teşhis sonuçlarıyla karşılaştırmak için 300 kayıt daha kullanıldı. Hem makine hem de doktorlar tarafından aynı anda analiz edildiler. Daha sonra sonuçlar, sınıf dışı 3 kardiyologdan oluşan özel bir jüri tarafından değerlendirildi.

Bir sinir ağının derin öğrenmesi, büyük miktarda veriyi “besleme” ile başladı. Ardından, tanılamanın doğruluğunu artırmak için ince ayar kullanıldı.

Yukarıda bahsedilen uzmanlara ek olarak, diğer gruplar aritmileri teşhis edebilen sistemler oluşturmak için makine öğrenimini kullanır. Örneğin, Microsoft Research'ün genel müdürü Eric Horowitz (kendisi bir doktordur) ve meslektaşları, Stanford'daki uzmanlarla yaklaşık olarak aynı yönde çalışmaktadır. Onların görüşüne göre, sinir ağları, doktorların rutine daha az ve araştırmaya daha fazla zaman ayırmasına yardımcı olarak hasta bakımının kalitesini gerçekten artırabilir. etkili yöntemler hastalarının tedavisi.

Etiketler:

• nöral ağlar
• doktorlar
• ilaç

Ama aynı zamanda daha önemli görevleri çözmek için - örneğin, yeni ilaçlar aramak için. Köy, teknolojinin özelliklerinin neler olduğunu ve yerli şirketlerin ve üniversitelerin bunu nasıl kullandığını öğrenmek için uzmanlara başvurdu.

Sinir ağları nedir?

Yapay zeka dünyasında sinir ağlarının hangi yeri işgal ettiğini ve akıllı sistemler oluşturmak için diğer teknolojilerle nasıl ilişkili olduğunu anlamak için tanımlarla başlayalım.

Nöral ağlar- temelleri 1943'te ortaya çıkan, "yapay zeka" teriminin ortaya çıkmasından önce bile makine öğrenimi yöntemlerinden biri. Hayvanların sinir sisteminin çalışmasına uzaktan benzeyen matematiksel bir modeldir.

Innopolis Üniversitesi Stanislav Protasov'daki kıdemli bir araştırmacıya göre, en yakın analog İnsan beyni matematikçi Jan LeCun tarafından icat edilen evrişimli sinir ağlarıdır. “FindFace veya Prisma gibi yapay zeka olduğunu iddia eden birçok uygulamanın kalbinde yer alıyorlar” diye belirtiyor.

Makine öğrenme- matematik ve bilgisayar biliminin kesiştiği noktada yapay zekanın bir alt bölümü. Öğrenme ilkesine dayalı modeller ve algoritmalar oluşturma yöntemlerini inceler. Makine kendisine verilen örnekleri analiz eder, kalıpları vurgular, genelleştirir ve çeşitli sorunları çözen kurallar oluşturur - örneğin tahminler Daha fazla gelişme olaylar veya görüntülerin, metinlerin ve konuşmaların tanınması ve oluşturulması. Sinir ağlarına ek olarak, lineer regresyon yöntemleri, karar ağaçları ve diğer yaklaşımlar da burada kullanılmaktadır.

Yapay zeka- daha önce yalnızca insanın ayrıcalığı olarak kabul edilen görevleri yerine getirmek için makinelerin teknolojik araçlarının yaratılması ve bu tür gelişmelerin belirlenmesi üzerine bilgisayar biliminin bir bölümü. Yön resmi olarak 1956'da şekillendi.

Alexander Krainov

Ne yapay zeka olarak adlandırılabilir ve ne değildir bir anlaşma meselesidir. Genel olarak, insanlık, yapay zeka bir yana, genel olarak zekanın ne olduğuna dair açık bir formülasyona gelmedi. Ama olup biteni özetleyecek olursak, yapay zekanın insan düzeyine yakın düzeyde karmaşık sorunları çözen ve bir ölçüde kendi kendine öğrenen derin sinir ağları olduğunu söyleyebiliriz. Aynı zamanda, burada kendi kendine öğrenme, ham verilerden bağımsız olarak yararlı bir sinyal çıkarma yeteneği anlamına gelir.

Sektörün mevcut durumu nedir?

Analitik bir kurum olan Gartner'a göre, makine öğrenimi artık şişirilmiş beklentilerin zirvesinde. Bu aşama için tipik olan, etraftaki heyecan yeni teknoloji her yerde kullanmak için başarısız girişimlere dönüşen aşırı coşkuya yol açar. Sektörün illüzyonlardan kurtulmak için iki ila beş yıla ihtiyacı olacağı tahmin ediliyor. Rus uzmanlara göre, sinir ağları yakında bir güç testinden geçmek zorunda kalacak.

Sergey Negodyaev

Portföy Yöneticisi, İnternet Girişimleri Geliştirme Fonu

Bilim adamları 70 yıldır sinir ağlarını resmileştirip geliştiriyor olsalar da bu teknolojinin gelişmesinde iki dönüm noktası var. İlki, Toronto Üniversitesi'nin çok katmanlı sinir ağları için derin öğrenme algoritmaları oluşturduğu 2007'de gerçekleşti. Mevcut patlamayı tetikleyen ikinci an, aynı üniversiteden araştırmacıların derin sinir ağları uyguladığı ve fotoğraf ve videolardaki nesneleri minimum hatayla tanımayı öğrenerek ImageNet yarışmasını kazandığı 2012 idi.

Artık, sinir ağlarına dayalı görevlerin büyük çoğunluğunu, eğer yoksa, çözmek için yeterli bilgisayar gücü var. Şimdi asıl engel, etiketlenmiş veri eksikliğidir. Göreceli olarak konuşursak, sistemin bir video veya fotoğrafta bir gün batımını tanımayı öğrenmesi için, çerçevenin tam olarak nerede olduğunu gösteren bir milyon gün batımı resmini beslemesi gerekir. Örneğin, Facebook'a bir fotoğraf yüklediğinizde, arkadaşlarınız onu batan güneşin ışınlarında bir kedi olarak tanır ve sosyal ağ içinde bir dizi etiket görür: "hayvan", "kedi", "tahta", “zemin”, “akşam”, “ Turuncu". Kim daha fazla eğitim verisine sahipse, daha akıllı olacak bir sinir ağına sahip olacak.

Andrey Kalinin

Poisk Mail.Ru Başkanı

Artisto veya Vinci gibi sinir ağı tabanlı eğlence uygulamaları, buzdağının sadece görünen kısmıdır ve yeteneklerini daha geniş bir kitleye sergilemenin harika bir yoludur. Aslında, sinir ağları bir dizi karmaşık problemi çözme yeteneğine sahiptir. Artık en "sıcak" alanlar otomatik pilotlar, sesli asistanlar, sohbet botları ve tıp.

Alexander Krainov

Bilgisayar Görme Servisi Başkanı, Yandex

Sinir ağlarının patlaması çoktan geldi diyebiliriz, ancak henüz zirveye ulaşmadı. Dahası, sadece daha ilginç olacak. Bugün en umut verici alanlar belki de bilgisayarla görü, diyalog sistemleri, metin analizi, robotik, insansız araçlar ve içerik üretimi - metinler, resimler, müzik.

Sinir ağlarının uygulanması için umut verici alanlar

Ulaşım

robotik

biyoteknoloji

Tarım

Nesnelerin interneti

Medya ve Eğlence

Dilbilim

Emniyet

Vlad Shershulsky

Rusya'daki Microsoft Teknoloji İşbirliği Programları Direktörü

Sinir devrimi bugün zaten gerçekleşti. Bazen kurguyu gerçekle ayırt etmek bile zordur. Birden fazla kameraya sahip otomatik bir hasat makinesi hayal edin. Dakikada 5 bin fotoğraf çekiyor ve sinir ağı aracılığıyla önündeki otun mu yoksa zararlıların bulaştığı bitki mi olduğunu analiz ediyor ve ardından ne yapacağına karar veriyor. Kurgu? Artık gerçekten değil.

Boris Wolfson

Headhunter Geliştirme Direktörü

Sinir ağları etrafında belli bir hype var ve bence biraz yüksek beklentiler var. Onları etkili bir şekilde kullanmayı öğrenmeden önce bir hayal kırıklığı döneminden geçeceğiz. Birçok çığır açan araştırma sonucu henüz iş dünyasında pek uygulanabilir değil. Pratikte, diğer makine öğrenimi yöntemlerini kullanmak genellikle daha mantıklıdır - örneğin, karar ağaçlarına dayalı çeşitli algoritmalar. Muhtemelen heyecan verici veya fütüristik görünmüyor, ancak bu yaklaşımlar çok yaygın.

Sinir ağları Rusya'da ne öğretiyor?

Piyasa katılımcıları, sinir ağlarının birçok başarısının hala yalnızca akademik alanda uygulanabilir olduğu konusunda hemfikirdir. Sınırlarının ötesinde, teknoloji esas olarak konuya ilgiyi artıran eğlence uygulamalarında kullanılmaktadır. Bununla birlikte, Rus geliştiriciler, sinir ağlarına sosyal açıdan önemli ve ticari sorunları çözmeyi öğretiyor. Bazı alanlara daha yakından bakalım.

Bilim ve tıp

Yandex Veri Analizi Okulu, Skolkovo, Moskova Fizik ve Teknoloji Enstitüsü, Ekonomi Yüksek Okulu ve Amerikan üniversiteleri UCI ve NYU'dan temsilcilerle birlikte CRAYFIS deneyine katılıyor. Özü, akıllı telefonlar kullanarak ultra yüksek enerjili kozmik parçacıkları aramaktır. Kameralardan gelen veriler, görüntülerdeki zayıf etkileşimli parçacıkların izlerini yakalayabilen hızlandırılmış sinir ağlarına iletilir.

Bu, Rus uzmanların dahil olduğu tek uluslararası deney değil. Innopolis Üniversitesi bilim adamları Manuel Mazzara ve Leonard Johard, BioDynaMo projesinde yer alıyor. Intel ve CERN'in desteğiyle, serebral korteksin tam ölçekli simülasyonunu yeniden üretebilecek bir prototip oluşturmak istiyorlar. Yardımı ile canlı bir insan beyninin varlığını gerektiren deneylerin verimliliğinin ve ekonomisinin artırılması planlanmaktadır.

Innopolis Profesörü Yaroslav Kholodov, protein bağlarının oluşumunu on kat daha hızlı tahmin edebilen bir bilgisayar modelinin geliştirilmesine katıldı. Bu algoritma ile aşı ve ilaçların geliştirilmesi hızlandırılabilir. Aynı alanda Mail.Ru Group, Insilico Medicine ve MIPT geliştiricileri de dikkat çekti. Kanserden kardiyovasküler hastalığa kadar çeşitli hastalıklarda faydalı olabilecek maddeleri aramak için moleküler yapılar icat etmek üzere eğitilmiş üretken düşman ağlarını kullandılar.

güzellik ve sağlık

2015 yılında Rus şirketi Youth Laboratories, ilk uluslararası güzellik yarışması Beauty.AI'yi başlattı. Katılımcıların fotoğrafları sinir ağları tarafından değerlendirildi. Kazananları belirlerken cinsiyet, yaş, uyruk, ten rengi, yüz simetrisi ve kullanıcılarda kırışıklık olup olmadığını dikkate aldılar. İkinci faktör ayrıca organizatörleri, yaşlanmanın cildi nasıl etkilediğini ve çeşitli ilaçların ciltle nasıl savaştığını izlemenizi sağlayan RYNKL hizmetini oluşturmaya teşvik etti.

Sinir ağları teletıpta da kullanılır. 7 gün 24 saat Online Doktor ve Pediatrist projelerini yöneten Rus şirketi Mobile Medical Technologies, hem hastalara hem de doktorlara faydalı olacak bir teşhis botunu test ediyor. İlk olarak, belirli semptomlar için hangi uzmanla iletişime geçeceğinizi size söyleyecek ve ikincisi için ziyaretçinin tam olarak neyle hasta olduğunu belirlemeye yardımcı olacaktır.

İş süreçlerinin ve reklamların optimizasyonu

Rus startup Leadza, Facebook ve Instagram'da reklam vermek için bütçeyi daha etkin bir şekilde tahsis etmek için sinir ağlarını kullanmayı başardı. Algoritma, geçmiş kampanyaların sonuçlarını analiz eder, temel ölçümlerin bir tahminini oluşturur ve bunlara dayalı olarak maliyetleri otomatik olarak yeniden dağıtır, böylece çevrimiçi mağazalar daha düşük maliyetle daha fazla müşteri elde edebilir.

GuaranaCam ekibi, ürünleri ve reklam materyallerini çevrimdışına yerleştirmenin etkinliğini değerlendirmek için makine öğrenimi teknolojilerini kullandı. Sistem, Microsoft Azure bulutunu temel alır ve CCTV kameralarını kullanarak tüketici davranışını analiz eder. İşletme sahipleri, gerçek zamanlı bir ticaret durumu raporu alır. Proje halihazırda uygulanıyor alışveriş merkezi"Mega Belaya Yazlık".

İş dünyasında sinir ağlarının kullanımına ilişkin başarılı yerel örnekler burada bitmiyor. 2006 yılından bu yana yapay zeka teknolojileri ile denemeler yapan LogistiX, bir depo optimizasyon sistemi geliştirdi. Fitness takipçilerinden alınan çalışanlar hakkındaki verileri analiz eden ve aralarındaki yükü yeniden dağıtan bir öğrenme sinir ağına dayanmaktadır. Şimdi ekip, evliliği ayırt etmek için sinir ağlarını öğretiyor.

Belfingroup holdingi daha da ileri gitti. "Kızı" BFG-soft, işletmeyi sanal modelini kullanarak yönetmenize olanak tanıyan bir bulut platformu BFG-IS oluşturdu. İkincisi, sistem tarafından toplanan üretim verilerine dayanarak otomatik olarak oluşturulur ve yalnızca belirlenen hedefler dikkate alınarak süreçlerin en iyi nasıl organize edileceğini göstermekle kalmaz, aynı zamanda ekipman değişiminden ek vardiyaların getirilmesine kadar herhangi bir değişikliğin sonuçlarını da tahmin eder. 2016 sonunda, İnternet Girişimleri Geliştirme Fonu, şirkete 125 milyon ruble yatırım yapmaya karar verdi.

İşe alım ve personel yönetimi

Rus işe alım toplayıcısı Stafory, adayların sorularına yalnızca tek heceli cevaplar vermekle kalmayıp, aynı zamanda onlarla ilgilendikleri pozisyon hakkında tam teşekküllü bir konuşma yürüten tekrarlayan bir sinir ağının eğitimini tamamlıyor. Ve SuperJob portal ekibi, belirli bir işveren tarafından aynı türden yüzlerce özgeçmişten hangisinin talep edileceğini tahmin eden bir hizmeti test ediyor.

Ulaşım

Akıllı sistemlerin Rus geliştiricisi Bilişsel Teknolojiler, tanıma için sinir ağlarını kullanıyor Araç, yayalar, yol işaretleri, trafik ışıkları ve çerçeveye düşen diğer nesneler. Şirket ayrıca insansız bir araç için bir sinir ağı eğitimi için veri toplar. Sürücülerin yollardaki belirli kritik durumlara tepkisini anlatan on binlerce bölümden bahsediyoruz. Sonuç olarak, sistem, otomatik robotun davranışı için en uygun senaryoları formüle etmelidir. Aynı teknolojiler, akıllı tarım taşımacılığı oluşturmak için kullanılıyor.

Ayrıca sinir ağları ulaşım alanında başka şekillerde de kullanılabilir. 2016 yazında Yandex, Avto.ru bülten panosuna fotoğrafından bir araba modelini otomatik olarak algılama işlevini ekledi. O zaman, sistem 100 mark biliyordu.

Psikoloji ve güvenlik

Google'ı devre dışı bırakan Rus girişimi NTechLab Uluslararası Yarışma yüz tanıma algoritmaları MegaFace Benchmark, FindFace uygulamasında makine öğrenimi teknolojilerini kullandı. Sosyal ağlarda bir kişiyi fotoğrafla bulmanızı sağlar. Kullanıcılar genellikle sahte bilgileri tespit etmek için hizmete başvururlar, ancak bu aynı zamanda kolluk kuvvetleri için de faydalı olabilir. Yardımıyla, Moskova'daki Citibank işgalcisi de dahil olmak üzere birçok suçlunun kimliği belirlendi. FindFace.Pro'nun iş versiyonu, müşteri kimliğiyle ilgilenen şirketlere sunulmaktadır. Artık sistem, yalnızca müşterilerle iletişim kurarken değil, aynı zamanda personeli yönetirken de faydalı olabilecek diğerlerinin cinsiyetini, yaşını ve duygularını belirlemek için eğitiliyor.

Benzer şekilde, sinir ağları başka bir Rus şirketi olan VisionLabs tarafından kullanılıyor. Bankalarda güvenliği sağlamak ve üretmek için yüz tanıma teknolojisini kullanır. özel tekliflerçeşitli perakende satış mağazalarının en sadık müşterileri için.

Emotian girişimi de benzer bir yönde çalışıyor. Şehirlerin duygusal durumunu belirlemek için sistemi sonlandırıyor. Şimdiye kadar, sinir ağı en mutlu alanları sosyal ağlardaki yayınlara dayanarak hesaplıyor, ancak gelecekte şirket kameralardan gelen biyometrik verileri dikkate alacak.

Medya ve yaratıcılık

Rusya sinir ağları pazarındaki ana oyunculardan biri Yandex. Şirket, makine öğrenimini yalnızca arama hizmetlerinde değil, diğer ürünlerinde de kullanıyor. 2015 yılında bir öneri sistemi başlattı" Zen Belirli bir kullanıcının ilgi alanlarına göre bir haber, makale, fotoğraf ve video beslemesi oluşturan ”. Algoritma tarafından seçilen materyallere ne kadar sık ​​başvurursa, sinir ağı başka nelerden hoşlanabileceğini o kadar doğru bir şekilde belirler.

Ek olarak, Yandex yaratıcılıkla da denemeler yapıyor. Şirketin çalışanları, sinir ağı yaklaşımını şiire uygulamayı çoktan başardı ve ardından