Современная жизнь все больше пронизана нейросетями и искусственным интеллектом. Эти технологии активно помогают нам в самых разных сферах: от чат-ботов для общения и поиска информации до нейросетей для дизайнеров, которые создают уникальные картины и логотипы по простому запросу. Музыкальные ИИ генерируют не только мелодии, но и вокальные партии, создавая готовые песни. А также существуют нейросети, которые помогают в программировании, ведении бизнеса и автоматизации рутинных процессов и их разнообразие впечатляет!
Однако несмотря на то, что искусственный интеллект становится привычной частью нашей жизни, не все разделяют оптимизм. Некоторые люди обеспокоены тем, что ИИ может выйти из-под контроля и угрожать человечеству, как это показано в фильмах «Матрица» и «Терминатор».
Так ли это? Давайте разберёмся во всем вместе!
Что такое искусственный интеллект?
Искусственный интеллект (ИИ) – это технология с человекоподобными возможностями решения задач. По своей сути искусственный интеллект - это способность машины или компьютерной системы выполнять задачи, для которых обычно требуется человеческий интеллект. Это включает в себя программирование систем для анализа данных, обучения на основе опыта и принятия разумных решений - под руководством человека.
Например, американский миллиардер Илон Маск заявил, что искусственный интеллект приведет к тому, что человечеству больше не придется работать, а главным вопросом будущего для человечества станут поиски смысла жизни.
Как работает нейросеть?
Нейронная сеть — это последовательность нейронов, соединенных между собой синапсами.
Нейрон — это базовая вычислительная единица, которая получает информацию, производит над ней простые вычисления и передает ее дальше. Они делятся на три основных типа: входной (синий), скрытый (красный) и выходной (зеленый).
Существует такой набор определенных данных «MNIST» - Modified National Institute of Standards and Technology (набор данных принято называть - dataset), данный dataset представлен 70-тью тысячами картинок с рукописными цифрами от 0 до 9. Все они переведены в формат CSV и имеют размер каждой картинки 28х28 пикселей.
Чтобы компьютер мог обрабатывать картинку, ее нужно преобразовать в понятный для компьютера язык - в числа, именно по этому наша картинка была заранее разбита на пиксели. У каждого пикселя есть свой цвет или оттенок цвета - соответственно это и будет определяющим параметром для присвоения чисел каждому пикселю.
Теперь компьютеру понятно что мы от него хотим и выглядит это так (наша картинка стала 17х10, тут уже отрезаны лишние "белые" пиксели, значения которых будет 0):
Так как у нас 28х28 пикселей - это 784 ячейки с информацией, которые передаются на входные нейроны, далее на скрытые нейроны - и в конечном итоге выдает результат:
Но каким образом это происходи? Происходит это из-за так называемых "Весов" (синаптический вес) и "Смещения" (функция активации).
Представьте, что вам нужно написать программу, которая распознаёт собак по фото. Можно написать длинный список правил и алгоритмов по типу «если есть усы и шерсть, то это собака». Но всех условий учесть нельзя – скажем, если хозяйка одела собаку в костюм Санта-Клауса или супергероя, алгоритм будет бессилен. В этом случае нам поможет нейронная сеть.
Нейросеть – это программа, которая умеет обучаться на основе данных и примеров. То есть она не работает по готовым правилам и алгоритмам, а пишет их сама во время обучения. Если показать ей миллион фотографий собак (заранее помеченных), она научится узнавать их в любых условиях, позах и костюмах, придумав для себя правила как их различать, методом подбора синаптических весов (ниже на картинке помечены переменной "w1, w2, w3...wn") и функции активации (вводит не линейность вычислений, что позволяет моделировать сложные зависимости на основе входных данных).
Хитрость нейросети в том, что алгоритмы в ней устроены как нейроны в человеческом мозге – то есть они связаны между собой синапсами и могут передавать друг другу сигналы. Именно от силы этих сигналов и зависит обучение – например, в случае с собаками нейросеть сформирует сильные связи между нейронами, распознающими морду, усы, уши.
Синапс в нейронных сетях – это связь между формальными нейронами (между "x" и "S"). Выходной сигнал от нейрона поступает в синапс, который передает его другому нейрону. Сложные синапсы могут иметь память. Синапсов в нейронной сети, как правило, достаточно много (до нескольких сотен).
Как видно на рисунке, у нейрона есть определенные входные сигналы (х1, х2, … xm), у каждого из которого есть синаптический вес (wk1, wk2, … wkm), на который умножается сигнал, проходящий по связи. После этого взвешенные сигналы xm⋅wkm направляются в сумматор, который агрегирует все сигналы во взвешенную сумму. Эту сумму также называют «net». Таким образом,
Функция активации - это своего рода фильтр, который:
- фильтрует неважную информацию и оставляет только важную в определенном формате;
- вводит необходимую нелинейность, позволяя сети учиться и моделировать сложные закономерности.
Обучение нейронной сети
Просто так передавать взвешенную сумму net на выход достаточно бессмысленно – нейрон должен ее как-то обработать и сформировать адекватный выходной сигнал (то есть подобрать такие веса wkm, которые на выходе будут давать правильный результат, по сути это подбор формулы под правильный ответ). Для этих целей используют функцию активации, которая преобразует взвешенную сумму в какое-то число, которое и будет являться выходом нейрона. Функция активации обозначается ϕ(net). Таким образом, выходов искусственного нейрона является ϕ(net).
Обучение нейронной сети – поиск такого набора весовых коэффициентов (wkm), при котором входной сигнал после прохода по сети преобразуется в нужный нам выходной (который мы заранее знаем, ведь мы заранее пометили фотографии с собачками).
Если обучать сеть, используя только один входной сигнал, то сеть просто «запомнит правильный ответ», а как только мы подадим немного измененный сигнал, вместо правильного ответа получим бессмыслицу. Мы ждем от сети способности обобщать какие-то признаки и решать задачу на различных входных данных. Именно с этой целью и создаются обучающие выборки.
Упрощённо всю эту схему можно представить так (конечно, в реальности всё гораздо сложнее):
Если до сих пор ничего не понятно – резюмируем, нейросеть – это не отдельный разум или сознание, это скорее сложный калькулятор, который учится подбирать сложные формулы под заранее известный ответ, чтобы в дальнейшем уметь генерировать что-то подобное.
Чат-GPT
Помимо работы с картинками (машинное зрение), нейронные сети применяются в и чатах. Всё, что нейросеть в чате по сути делает, — это угадывают, какое следующее слово должно идти за уже имеющимся текстом (принято называть это усложненной функцией "Т9", которая есть у каждого в телефоне).
Прежде чем нейросеть, которая будет представлять чат запускается в работу, она проходит обучение на огромной базе данных уже совершившихся диалогов - это могут быть диалоги из чата, общие научные статьи, интервью и т.д.
Обученные нейросети работая с текстами, представляют слова и предложения в виде токенов — смысловых отрывков или часто встречающихся последовательностей символов, характерных для естественного языка. Токены позволяют нейросетям находить закономерности и обрабатывать естественный язык. Грубо говоря если в теме выше мы разбивали картинку на пиксели, а пиксели на какие-то числовые значения, то в чате слово, или часть слова (набор символов) - разбивается на какие-либо значения и именно по этим значениям нейросеть определяет правильный контекст и угадывает в каком порядке должны стоять слова.
Вот несколько полезных практических правил для понимания токенов с точки зрения длины: 1 токен ~= 4 символа в английском языке . 1 токен ~= ¾ слова. 100 токенов ~= 75 слов.
В символах русская фраза короче, а токенов в ней — больше. То есть, токен – это почти слово, но не совсем. По статистике, на одну английскую фразу фразу длиной 75 слов приходится 100 токенов, а на русскую фразу той же длины — 120-150 токенов. Это существенно больше.
Заключение
Искусственный интеллект и нейросети представляют собой мощные инструменты, которые значительно упрощают выполнение однотипных задач, облегчают творческий процесс и помогают решать многие рутинные проблемы. Однако, несмотря на все свои достижения, на текущем этапе развития ИИ все еще не способен заменить человека. Искусственный интеллект не умеет принимать решения так, как это делает человек: ему не хватает интуиции, эмоционального интеллекта и способности учитывать контекст. Таким образом, технологии могут стать надежными помощниками, но окончательное слово всегда останется за нами. Важно использовать ИИ как дополнение к человеческому опыту, а не как его замену.
Спасибо что дочитали до конца! 😊