Σήμερα βλέπουμε μια έκρηξη στην ανάπτυξη Τεχνολογίες πληροφορικήςκαι τη σταδιακή, και μερικές φορές επαναστατική εισαγωγή τους στη ζωή μας

Ψηφιοποίηση, ρομποτοποίηση, τεχνητή νοημοσύνη, τεχνητά νευρωνικά δίκτυα… Πόσες νέες έννοιες και όροι ωθούν ήδη τους ορίζοντες του δυνατού, αναγκάζοντάς τους να τους σκεφτούμε και να τους κατανοήσουμε, να αναζητήσουμε την εφαρμοσμένη, αποτελεσματική και ασφαλή εφαρμογή τους. Κι όμως, όσο ελπιδοφόρες κι αν είναι οι νέες τεχνολογίες, όλες είναι προϊόντα της ανθρώπινης ζωής, του μυαλού του, της δουλειάς του εγκεφάλου και της σκέψης.

Τι είναι ένας νευρώνας;

Ο μέσος ανθρώπινος εγκέφαλος είναι περίπου 86 δισεκατομμύρια νευρώνες που συνδέονται με πολυάριθμες συνδέσεις (κατά μέσο όρο, αρκετές χιλιάδες συνδέσεις ανά νευρώνα, αλλά αυτός ο αριθμός μπορεί να παρουσιάζει μεγάλες διακυμάνσεις). Οι νευρώνες είναι ειδικά κύτταρα ικανά να διαδίδουν ηλεκτροχημικά σήματα. Ο νευρώνας έχει μια διακλαδισμένη δομή εισαγωγής πληροφοριών (δενδρίτες), έναν πυρήνα και μια διακλαδούμενη έξοδο (άξονας). Οι άξονες ενός κυττάρου συνδέονται με τους δενδρίτες άλλων κυττάρων μέσω συνάψεων. Όταν ενεργοποιείται, ένας νευρώνας στέλνει ένα ηλεκτροχημικό σήμα στον άξονά του. Μέσω των συνάψεων, αυτό το σήμα φτάνει σε άλλους νευρώνες, οι οποίοι με τη σειρά τους μπορούν να ενεργοποιηθούν. Ο νευρώνας ενεργοποιείται όταν το συνολικό επίπεδο των σημάτων που ήρθαν στον πυρήνα του από τους δενδρίτες υπερβεί ένα ορισμένο επίπεδο (κατώφλι ενεργοποίησης).

Νευρωνικά δίκτυα

Τεχνητά νευρωνικά δίκτυα, τεχνητή νοημοσύνη, μηχανική μάθηση… Τι σημαίνουν όλες αυτές οι μοντέρνες τάσεις και όροι σήμερα;

Με τη γενική έννοια της λέξης, τα νευρωνικά δίκτυα (NN - Neural Networks) είναι μαθηματικά μοντέλα που λειτουργούν με βάση την αρχή των δικτύων νευρικά κύτταραζωικό οργανισμό. Τα τεχνητά NN (ANN) μπορούν να εφαρμοστούν τόσο σε προγραμματιζόμενες λύσεις όσο και σε λύσεις υλικού. Για ευκολία αντίληψης, ένας νευρώνας μπορεί να αναπαρασταθεί ως ένα είδος κυττάρου που έχει πολλές εισόδους και μία έξοδο. Το πόσο πολλά εισερχόμενα σήματα διαμορφώνονται σε ένα εξερχόμενο σήμα καθορίζεται από τον αλγόριθμο υπολογισμού. Κάθε είσοδος ενός νευρώνα παρέχεται με λειτουργικές τιμές, οι οποίες στη συνέχεια κατανέμονται κατά μήκος των ενδονευρωνικών συνδέσεων (συνόψεις). Οι συνάψεις έχουν μια παράμετρο - το βάρος, λόγω της οποίας οι πληροφορίες εισόδου αλλάζουν όταν μετακινούνται από τον έναν νευρώνα στον άλλο.

τάση του χρόνου

Τα τελευταία χρόνια, υπήρξε έκρηξη ενδιαφέροντος για τα ANN. Ερευνητές - προγραμματιστές και προγραμματιστές μοντέλων υλικού - δημιουργούν συνεχώς νέες αποτελεσματικές δημιουργικές εφαρμογές λογισμικού και υλικού, βασισμένες στην αρχή της οργάνωσης και της λειτουργίας των βιολογικών νευρωνικών δικτύων. Τα νευρωνικά δίκτυα είναι ελκυστικά από διαισθητική άποψη, επειδή βασίζονται σε ένα βιολογικό μοντέλο νευρικών συστημάτων. Στο μέλλον, η ανάπτυξη τέτοιων νευροβιολογικών μοντέλων μπορεί να οδηγήσει στη δημιουργία υπολογιστών με αληθινή σκέψη. Και για να δημιουργήσετε τεχνητή νοημοσύνη, πρέπει να δημιουργήσετε ένα σύστημα με παρόμοια αρχιτεκτονική.

Πού ισχύουν

ANN λόγω της ικανότητας μάθησης, καθώς και του ότι αυτό οφείλεται στην εμφάνιση διάφορους τρόπουςεπιταχύνοντας τη μάθησή τους χρησιμοποιούνται επιτυχώς σε διάφορους τομείς της ζωής μας: επιχειρήσεις, ιατρική, τεχνολογία, γεωλογία, φυσική κ.λπ. δημιουργία διαδικασιών συστημάτων παραγωγής αυτομάθησης, μη επανδρωμένων οχημάτων, συστημάτων αναγνώρισης εικόνας, ευφυών συστημάτων ασφαλείας, ρομποτικής, συστημάτων παρακολούθησης ποιότητας, διεπαφών φωνητικής αλληλεπίδρασης, συστημάτων ανάλυσης και εφευρέσεων σε πολλούς άλλους τομείς όπου είναι απαραίτητο να λυθούν τα προβλήματα επεξεργασίας των συσσωρευμένων τεράστια ροή πληροφοριών - αναγνώριση, πρόβλεψη, ταξινόμηση, έλεγχος. Προς το παρόν, η διαδικασία εκμάθησης του ANN έχει γίνει πολύ πιο γρήγορη και ευκολότερη: οι δυνατότητες έχουν γίνει πιο ισχυρές τεχνικά μέσα(τεχνολογική ανάπτυξη χωρητικότητας μνήμης, ταχύτητα, συνεχής συσσώρευση βάσεων δεδομένων κ.λπ.). Τα λεγόμενα «προεκπαιδευμένα» νευρωνικά δίκτυα έχουν αρχίσει να αναπτύσσονται ενεργά, τα οποία μπορούν να επιταχύνουν σημαντικά τη διαδικασία εφαρμογής της τεχνολογίας.

Μερικά συν

Η εντυπωσιακή επιτυχία και το ενδιαφέρον για τα ANN καθορίζονται από την ικανότητα αντιμετώπισης εργασιών όπως συστήματα αναγνώρισης και ταξινόμησης αντικειμένων σε εικόνες και τοπία στην περιοχή μελέτης, διεπαφή φωνητικής αλληλεπίδρασης για το Διαδίκτυο των πραγμάτων, ανάλυση βίντεο, συστήματα αυτομάθησης που βελτιστοποιούν τη διαχείριση των ροών υλικών ή τη θέση των αντικειμένων· διανοούμενος; συστήματα ελέγχου αυτομάθησης για διαδικασίες και συσκευές παραγωγής (συμπεριλαμβανομένων των ρομποτικών), καθολική μετάφραση επί τόπου για συνέδρια και προσωπική χρήση κ.λπ. δυνατότητες του ανθρώπινου εγκεφάλου, η πιθανότητα Το γεγονός ότι την επόμενη δεκαετία τα ANN θα μπορούν να αντικαταστήσουν ένα άτομο στο ένα τέταρτο των υπαρχόντων επαγγελμάτων μοιάζει όλο και περισσότερο στην αλήθεια.

Τεχνητή νοημοσύνη

Τι είναι η τεχνητή νοημοσύνη; Με την τεχνητή νοημοσύνη (AI), οι προγραμματιστές κατανοούν την ικανότητα μιας μηχανής να μιμείται την έξυπνη συμπεριφορά των ανθρώπων, δηλαδή την ικανότητα πλοήγησης σε ένα μεταβαλλόμενο πλαίσιο και, λαμβάνοντας υπόψη αυτές τις αλλαγές, να λαμβάνουν βέλτιστες αποφάσεις που επιτρέπουν την επίτευξη του στόχου. Μπορεί να είναι δύσκολο για έναν γιατρό να διαγνώσει σωστά μια ασθένεια, ειδικά εάν δεν έχει πολύ πρακτική ή μια συγκεκριμένη περίπτωση απέχει πολύ από την επαγγελματική του εμπειρία. Εδώ η τεχνητή νοημοσύνη μπορεί να έρθει στη διάσωση, έχοντας πρόσβαση σε βάσεις δεδομένων με χιλιάδες και εκατομμύρια ιστορικά περιστατικών (και άλλες ταξινομημένες πληροφορίες, συμπεριλαμβανομένων πρόσφατων άρθρων, σχολικών βιβλίων, εξειδικευμένης ιατρικής βιβλιογραφίας). Με τη βοήθεια αλγορίθμων μηχανικής μάθησης, η τεχνητή νοημοσύνη ταξινομεί μια συγκεκριμένη περίπτωση, σαρώνει γρήγορα την επιστημονική βιβλιογραφία σχετικά με το θέμα που έχει δημοσιευτεί για ένα ορισμένο χρονικό διάστημα, μελετά παρόμοιες διαθέσιμες περιπτώσεις και προτείνει ένα σχέδιο θεραπείας. Επιπλέον, η τεχνητή νοημοσύνη θα μπορεί να παρέχει μια εξατομικευμένη προσέγγιση, λαμβάνοντας υπόψη πληροφορίες σχετικά με γενετικά χαρακτηριστικάτον ασθενή, τα μοτίβα κίνησης που συλλέγονται από τις φορητές συσκευές του, το προηγούμενο ιατρικό ιστορικό - ολόκληρο το ιστορικό ζωής. Η τεχνητή νοημοσύνη πιθανώς (τουλάχιστον στο τρέχον στάδιο ανάπτυξης της τεχνολογίας) δεν θα αντικαταστήσει τον γιατρό, αλλά μπορεί να γίνει και γίνεται ήδη ένα χρήσιμο εργαλείο, ένας βοηθός στη διάγνωση και τη θεραπεία.

Γιατί χρειάζεται στην ιατρική

Ιατρική, που προηγουμένως επικεντρωνόταν κυρίως στη θεραπεία οξείες ασθένειες, θα μπορεί πλέον να δίνει μεγαλύτερη προσοχή σε χρόνιες παθήσεις, πολλές από τις οποίες δεν θεωρούνταν ασθένειες πριν από πολύ καιρό. Ήδη σήμερα, ο όγκος των ιατρικών δεδομένων αυξάνεται ραγδαία, γίνεται σαφές ότι η ταχύτητα και η ποιότητα της ανάλυσης καθορίζουν την υγεία και την ποιότητα ζωής του ασθενούς. Οι γιατροί έρχονται συχνά αντιμέτωποι με την ανάγκη θεραπείας της παχυσαρκίας, της κατάθλιψης, των ασθενειών των ηλικιωμένων. Ο διαβήτης, η καρδιακή ανεπάρκεια, οι αυτοάνοσες διαταραχές διαγιγνώσκονται όλο και περισσότερο εκτός της φάσης έξαρσης, στα πρώτα στάδια, και δεν μιλάμε μόνο για θεραπεία συντήρησης, αλλά και για την ικανότητα πλήρους θεραπείας και διόρθωσης αυτών των συστηματικών δυσλειτουργιών του σώματος. Αναπτύσσεται η προληπτική ιατρική, η οποία καθιστά δυνατή την αναγνώριση της προδιάθεσης για ορισμένους τύπους ασθενειών ακόμη και πριν από την εκδήλωσή τους και την απαραίτητη συνάφεια για τη λήψη έγκαιρων μέτρων. Και όλα αυτά είναι δουλειά για την τεχνητή νοημοσύνη.

Πρόγνωση για την οδοντιατρική

Οι ερευνητές του ANN προβλέπουν ότι η χρήση των νευρωνικών δικτύων στην οδοντιατρική θα αναπτυχθεί επίσης γρήγορα στο εγγύς μέλλον. Αυτή η κατεύθυνση θα επιτρέψει μια ταχύτερη ανάλυση ενός μεγάλου όγκου απαραίτητων επαγγελματικών στοχευμένων πληροφοριών και το πιο σημαντικό, θα είναι σε θέση να καθοδηγήσει και να δώσει συμβουλές στους γιατρούς στην επίλυση σύνθετων κλινικών προβλημάτων.

Το υλικό ετοιμάστηκε σύμφωνα με τα δεδομένα
Πηγές Διαδικτύου Galina Masis

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

Αρχικά, επιτρέψτε μου να πω λίγα λόγια για την εταιρεία μας. Η εταιρεία είναι νέα, ίσως πολλοί από εσάς δεν ξέρετε τι κάνουμε. Πέρυσι κερδίσαμε την πρόκληση του 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 πάνω από 10 χρόνια. Αν και εμφανίστηκε πριν από λίγο λιγότερο από μια δεκαετία, υπήρχαν κάποια βασικά στοιχεία νευρωνικών δικτύων που έμοιαζαν με ένα σύστημα βαθιάς μάθησης.

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

Θα μιλήσω για πρακτικές πτυχές: πού, πότε, τι να εφαρμόσω 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 μιλήσω λίγο για την αναγνώριση συναισθημάτων, ποιες προσεγγίσεις χρησιμοποιούνται στα παιχνίδια και τη ρομποτική. Θα μιλήσω επίσης για τη μη τυπική εφαρμογή της βαθιάς μάθησης, κάτι που μόλις βγαίνει από τα επιστημονικά ιδρύματα και χρησιμοποιείται ακόμα ελάχιστα στην πράξη, πώς μπορεί να εφαρμοστεί και γιατί είναι δύσκολο να εφαρμοστεί.

Η έκθεση θα αποτελείται από δύο μέρη. Επειδή οι περισσότεροι άνθρωποι είναι εξοικειωμένοι με τα νευρωνικά δίκτυα, πρώτα θα εξηγήσω 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 περιοχές.

Ζητώ συγγνώμη αμέσως, θα μεταπηδήσω λίγο στην αγγλική ορολογία, γιατί δεν ξέρω καν τα περισσότερα από αυτά που λέγονται στα ρωσικά. Ίσως και εσύ.

Έτσι, το πρώτο μέρος της έκθεσης θα είναι αφιερωμένο στα συνελικτικά νευρωνικά δίκτυα. Θα εξηγήσω πώς λειτουργεί η αναγνώριση εικόνας συνελικτικού νευρωνικού δικτύου (CNN) χρησιμοποιώντας ένα παράδειγμα από την αναγνώριση προσώπου. Θα μιλήσω λίγο για τα επαναλαμβανόμενα νευρωνικά δίκτυα (RNN) και την ενισχυτική μάθηση χρησιμοποιώντας το παράδειγμα των συστημάτων βαθιάς μάθησης.

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

Τι είναι τα νευρωνικά δίκτυα

Παραδόξως, τα βιολογικά νευρωνικά δίκτυα χρησίμευσαν ως πρωτότυπο για τη δημιουργία νευρωνικών δικτύων. Ίσως πολλοί από εσάς να γνωρίζετε πώς να προγραμματίζετε ένα νευρωνικό δίκτυο, αλλά από πού προήλθε, νομίζω, κάποιοι δεν το γνωρίζουν. Τα δύο τρίτα όλων των αισθητηριακών πληροφοριών που έρχονται σε εμάς προέρχονται από τα οπτικά όργανα της αντίληψης. Πάνω από το ένα τρίτο της επιφάνειας του εγκεφάλου μας καταλαμβάνεται από τις δύο πιο σημαντικές οπτικές περιοχές - τη ραχιαία οπτική οδό και την κοιλιακή οπτική οδό.

Η ραχιαία οπτική οδός ξεκινά από την κύρια οπτική ζώνη, στο στέμμα του κεφαλιού μας, και συνεχίζει προς τα πάνω, ενώ η κοιλιακή οδός ξεκινά στο πίσω μέρος του κεφαλιού μας και τελειώνει περίπου πίσω από τα αυτιά μας. Όλη η σημαντική αναγνώριση προτύπων που έχουμε, όλο το νόημα που γνωρίζουμε, λαμβάνει χώρα ακριβώς εκεί, πίσω από τα αυτιά.

Γιατί είναι σημαντικό? Επειδή είναι συχνά απαραίτητο να κατανοήσουμε τα νευρωνικά δίκτυα. Πρώτον, όλοι μιλούν γι' αυτό, και έχω ήδη συνηθίσει να συμβαίνει, και δεύτερον, το γεγονός είναι ότι όλες οι περιοχές που χρησιμοποιούνται στα νευρωνικά δίκτυα για την αναγνώριση προτύπων 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, διέρχεται από μια σειρά οπτικών ζωνών και 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 εξετάστηκε χρησιμοποιώντας ηλεκτρόδια εμφυτευμένα σε διάφορες οπτικές ζώνες.

Η πρώτη οπτική ζώνη εξερευνήθηκε από τους David Hubel και Thorsten 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. Ωστόσο, 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 ζωνών που 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 στον εγκέφαλό μας. Κάθε κελί έχει το δικό του δεκτικό πεδίο. Αυτή η ίδια ιδιότητα διατηρείται στα νευρωνικά δίκτυα, όπως πιθανώς όλοι γνωρίζετε.

Επίσης, με την αύξηση των δεκτικών πεδίων αυξάνονται και τα πολύπλοκα ερεθίσματα που συνήθως αναγνωρίζουν τα νευρωνικά δίκτυα.

Εδώ βλέπετε παραδείγματα πολυπλοκότητας ερεθισμάτων, διάφορα δισδιάστατα σχήματα που αναγνωρίζονται στις περιοχές V2, V4 και διάφορα μέρηχρονικά πεδία σε μακάκους. Γίνεται επίσης μια σειρά από πειράματα μαγνητικής τομογραφίας.

Εδώ μπορείτε να δείτε πώς γίνονται τέτοια πειράματα. Αυτό είναι τμήμα 1 νανόμετρο του φλοιού πληροφορικής "μια ζώνη του πιθήκου όταν αναγνωρίζει διάφορα αντικείμενα. Επισημαίνεται όπου αναγνωρίζεται.

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

όραση υπολογιστή

Πριν μάθουμε πώς να το εφαρμόσουμε αυτό στην όραση υπολογιστή - γενικά, ως τέτοιο, δεν υπήρχε. Σε κάθε περίπτωση, δεν λειτούργησε τόσο καλά όσο τώρα.

Μεταφέρουμε όλες αυτές τις ιδιότητες στο νευρωνικό δίκτυο και τώρα λειτουργεί, αν δεν συμπεριλάβετε μια μικρή απόκλιση σε 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. Έχει στοιχεία εισαγωγής που προεπιλογή είναι 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 πιο βασικές λειτουργίες. Για να εκτελέσουμε πιο σύνθετους υπολογισμούς, χρειαζόμαστε μια δομή με μεγάλη ποσότητακρυφά στρώματα.

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

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

Για να δούμε αυτή την εικόνα και να πούμε ότι απεικονίζει το πρόσωπο του αγάλματος είναι πολύ απλό. Ωστόσο, μέχρι το 2010, αυτό ήταν ένα απίστευτα δύσκολο έργο για την όραση υπολογιστών. 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.

Έπρεπε να το κάνουμε με κάποιο γεωμετρικό τρόπο, να περιγράψουμε το αντικείμενο, να περιγράψουμε τη σχέση του αντικειμένου, πώς αυτά τα μέρη μπορούν να σχετίζονται μεταξύ τους, μετά να βρούμε αυτήν την εικόνα στο αντικείμενο, να τα συγκρίνουμε και να πάρουμε αυτό που αναγνωρίσαμε άσχημα. Συνήθως ήταν λίγο καλύτερο από μια ρίψη νομίσματος. Ελαφρώς καλύτερο από το επίπεδο ευκαιρίας.

Τώρα αυτό δεν ισχύει. Χωρίζουμε την εικόνα μας είτε σε εικονοστοιχεία είτε σε ορισμένες ενημερωμένες εκδόσεις: 2x2, 3x3, 5x5, 11x11 εικονοστοιχεία - όσο βολεύει τους δημιουργούς του συστήματος στο οποίο χρησιμεύουν ως στρώμα εισόδου στο νευρωνικό δίκτυο.

Τα σήματα από αυτά τα στρώματα εισόδου μεταδίδονται από στρώμα σε στρώμα χρησιμοποιώντας συνάψεις, καθένα από τα στρώματα 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 ως 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 να είναι εύκολο. Ωστόσο, αυτό που υποδεικνύεται με έναν αστερίσκο είναι μια πολύ περίπλοκη 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, είναι επιθυμητό να γίνει ίσο με το μηδέν.

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

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

Εδώ είναι το πρώτο δίκτυο που κέρδισε τον διεθνή διαγωνισμό ImageNet το 2012. Αυτό είναι το λεγόμενο AlexNet. Αυτό είναι το δίκτυο που πρωτοανήγγειλε ότι υπάρχουν συνελικτικά νευρωνικά δίκτυα και από τότε, σε όλους τους διεθνείς διαγωνισμούς, τα συνελικτικά νευρωνικά δίκτυα δεν έχασαν ποτέ τη θέση τους.

Παρά το γεγονός ότι αυτό το δίκτυο είναι αρκετά μικρό (έχει μόνο 7 κρυφά επίπεδα), περιέχει 650.000 νευρώνες με 60 εκατομμύρια παραμέτρους. Για να μάθουμε επαναληπτικά πώς να βρίσκουμε τα σωστά 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 επίσης σε σε μεγάλους αριθμούςεικόνες. Αλλά το γεγονός είναι ότι πριν από το 2010 δεν υπήρχε ένα αρκετά μεγάλο σύνολο δεδομένων που θα μπορούσε να διδάξει τόσες πολλές παραμέτρους για την αναγνώριση εικόνων.

Οι μεγαλύτερες βάσεις δεδομένων που υπήρχαν μέχρι εκείνη 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, στην οποία υπήρχαν 15 εκατομμύρια εικόνες, χωρισμένες σε 22.000 κατηγορίες. Αυτό έλυσε το πρόβλημα εκπαίδευσης του νευρωνικού μας δικτύου. Τώρα όλοι όσοι έχουν οποιαδήποτε ακαδημαϊκή διεύθυνση μπορούν εύκολα να μεταβούν στον ιστότοπο της βάσης, να ζητήσουν πρόσβαση και να αποκτήσουν αυτή τη βάση για να εκπαιδεύσουν τα νευρωνικά τους δίκτυα. 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 ήταν πριν. 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 δίκτυο που δημιουργήθηκε στην Κίνα κέρδισε, είχε 269 επίπεδα. Δεν ξέρω πόσες παράμετροι, υποψιάζομαι ότι είναι πάρα πολλές.

Αρχιτεκτονική βαθιάς νευρωνικού δικτύου

Συμβατικά, μπορεί να χωριστεί σε 2 μέρη: σε αυτά που σπουδάζουν και σε αυτά που δεν σπουδάζουν.

Το μαύρο υποδεικνύει εκείνα τα μέρη που δεν μαθαίνουν, όλα τα άλλα στρώματα μπορούν να μάθουν. Υπάρχουν πολλοί ορισμοί του τι βρίσκεται μέσα σε κάθε συνελικτικό στρώμα. Ένας από τους αποδεκτούς χαρακτηρισμούς 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 αναφέρουν 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 διαφορετικής πολυπλοκότητας των στοιχείων που αναγνωρίζουν. Αυτά τα φίλτρα συνθέτουν το δικό τους ευρετήριο ή σύνολο χαρακτηριστικών, το οποίο στη συνέχεια μπαίνει στον ταξινομητή. Συνήθως αυτό είναι είτε SVM είτε MLP - ένα πολυστρωματικό perceptron, το οποίο είναι βολικό για οποιονδήποτε.

Στην εικόνα και την ομοίωση με ένα βιολογικό νευρωνικό δίκτυο, αναγνωρίζονται αντικείμενα ποικίλης πολυπλοκότητας. Καθώς ο αριθμός των στρωμάτων αυξήθηκε, όλο αυτό έχασε την επαφή με τον φλοιό, καθώς υπάρχει περιορισμένος αριθμός ζωνών στο νευρωνικό δίκτυο. 269 ​​ή πολλές, πολλές ζώνες αφαίρεσης, επομένως αποθηκεύεται μόνο μια αύξηση στην πολυπλοκότητα, τον αριθμό των στοιχείων και τα δεκτικά πεδία.

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

Όσον αφορά το τι έχουμε μέσα στα φίλτρα, πρώτα θα υπάρχουν λοξά μπαστούνια συν λίγο χρώμα, μετά τμήματα των προσώπων και μετά θα αναγνωρίζεται ολόκληρο το πρόσωπο 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 2 από τα καλύτερα αυτή τη στιγμήδίκτυα είναι το AlexNet και το δίκτυο των Matthew Ziller και Fergus, και σε σύγκριση με την απόκριση διαφορετικές ζώνεςεγκέφαλος μακάκου, ο οποίος διδάχθηκε επίσης να αναγνωρίζει ορισμένα αντικείμενα. Τα αντικείμενα ήταν από το ζωικό βασίλειο για να μην μπερδεύεται η μαϊμού και έγιναν πειράματα για να δούμε ποιος θα το αναγνωρίσει καλύτερα.

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

Αποδείχθηκε ότι σε φυσιολογικές συνθήκεςτα εγκεφαλικά κύτταρα ανταποκρίθηκαν εξίσου καλά με το μοντέλο αιχμής εκείνης της εποχής, δηλαδή το δίκτυο του Μάθιου Τσίλερ.

Ωστόσο, με την αύξηση της ταχύτητας εμφάνισης αντικειμένων, η αύξηση του αριθμού των θορύβων και των αντικειμένων στην εικόνα, η ταχύτητα αναγνώρισης και η ποιότητά της στον εγκέφαλό μας και στον εγκέφαλο των πρωτευόντων πέφτουν απότομα. Ακόμη και το πιο απλό συνελικτικό νευρωνικό δίκτυο αναγνωρίζει καλύτερα τα αντικείμενα. Δηλαδή, επίσημα, τα νευρωνικά δίκτυα λειτουργούν καλύτερα από τον εγκέφαλό μας.

Κλασικά προβλήματα συνελικτικών νευρωνικών δικτύων

Στην πραγματικότητα δεν είναι τόσοι πολλοί, ανήκουν σε τρεις τάξεις. Μεταξύ αυτών είναι εργασίες όπως η αναγνώριση αντικειμένων, η σημασιολογική κατάτμηση, η αναγνώριση προσώπου, η αναγνώριση τμημάτων του ανθρώπινου σώματος, η σημασιολογική ανίχνευση ορίων, η επιλογή αντικειμένων προσοχής στην εικόνα και η επιλογή κανονικών στην επιφάνεια. Μπορούν να χωριστούν υπό όρους σε 3 επίπεδα: από τις εργασίες χαμηλότερου επιπέδου έως τις εργασίες υψηλότερου επιπέδου.

Χρησιμοποιώντας αυτήν την εικόνα ως παράδειγμα, ας δούμε τι κάνει κάθε μία από τις εργασίες.

• Ορισμός ορίων- αυτή είναι η εργασία χαμηλότερου επιπέδου για την οποία χρησιμοποιούνται ήδη κλασικά συνελικτικά νευρωνικά δίκτυα.
• Ορισμός ενός διανύσματος σε ένα κανονικόμας επιτρέπει να ανακατασκευάσουμε μια τρισδιάστατη εικόνα από μια 2Δ.
• Υπεροχή, ορισμός αντικειμένων προσοχής- αυτό θα πρόσεχε ένα άτομο όταν σκέφτεται αυτή 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, χωρισμένη σε τάξεις.
• Απομόνωση τμημάτων του ανθρώπινου σώματος.
• Και η εργασία υψηλότερου επιπέδου - αναγνώριση των ίδιων των αντικειμένων, το οποίο θα εξετάσουμε τώρα χρησιμοποιώντας το παράδειγμα της αναγνώρισης προσώπου.

Αναγνώριση προσώπου

Το πρώτο πράγμα που κάνουμε είναι να περάσουμε τον ανιχνευτή προσώπου πάνω από την εικόνα για να βρούμε το πρόσωπο. Στη συνέχεια, κανονικοποιούμε, κεντράρουμε το πρόσωπο και το τρέχουμε για επεξεργασία στο νευρωνικό δίκτυο. Μετά από αυτό, παίρνουμε ένα σύνολο ή διάνυσμα χαρακτηριστικών που περιγράφει μοναδικά τα χαρακτηριστικά αυτού του 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.

Έτσι λειτουργεί το προϊόν μας 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 χρηστών.

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 βίντεο και την ανίχνευση ζωντάνιας - αυτή είναι η κατανόηση του αν ένα άτομο είναι ζωντανό μπροστά στην κάμερα ή σε μια φωτογραφία.

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

Πολύ γρήγορη αναζήτηση, χρειάζεται 0,5 δευτερόλεπτα για να επεξεργαστείτε 1 δισεκατομμύριο φωτογραφίες. Έχουμε αναπτύξει ένα μοναδικό ευρετήριο γρήγορης αναζήτησης. Μπορούμε επίσης να εργαστούμε με εικόνες χαμηλής ποιότητας από κάμερες CCTV. Μπορούμε να τα επεξεργαστούμε όλα 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, 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

Χρησιμοποιούμε επαναλαμβανόμενα νευρωνικά δίκτυα όταν δεν μας αρκεί να αναγνωρίσουμε μόνο την εικόνα. Σε περιπτώσεις όπου είναι σημαντικό για εμάς να ακολουθήσουμε τη σειρά, χρειαζόμαστε τη σειρά του τι συμβαίνει μαζί μας, χρησιμοποιούμε συνηθισμένα επαναλαμβανόμενα νευρωνικά δίκτυα.

Εφαρμόζεται στην αναγνώριση φυσικής γλώσσας, στην επεξεργασία βίντεο, ακόμη και στην αναγνώριση εικόνας.

Δεν θα μιλήσω για 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 κανονικά νευρωνικά δίκτυα, αλλά με ανατροφοδότηση. Χρειαζόμαστε ανατροφοδότηση για να μεταδώσουμε την προηγούμενη κατάσταση του συστήματος στην είσοδο του νευρωνικού δικτύου ή σε ένα από τα στρώματά του.

Ας υποθέσουμε ότι επεξεργαζόμαστε συναισθήματα. Ακόμη 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 με τη σειρά. Για να το καταλάβουμε αυτό καλά, πρέπει να είμαστε σε θέση να παρατηρήσουμε πώς συμβαίνει αυτό, να μεταφέρουμε αυτό που υπήρχε στο προηγούμενο πλαίσιο στο επόμενο βήμα του συστήματος.

Το 2005, στον διαγωνισμό Emotion Recognition in the Wild, ειδικά για την αναγνώριση συναισθημάτων, μια ομάδα από το Μόντρεαλ παρουσίασε ένα επαναλαμβανόμενο σύστημα που φαινόταν πολύ απλό. Είχε μόνο μερικά συνελικτικά στρώματα και δούλευε αποκλειστικά με βίντεο. Φέτος, πρόσθεσαν επίσης αναγνώριση ήχου και συγκεντρωτικά δεδομένα καρέ-καρέ που λαμβάνονται από συνελικτικά νευρωνικά δίκτυα, δεδομένα σήματος ήχου με επαναλαμβανόμενη λειτουργία νευρωνικών δικτύων (stateful) και κέρδισαν την πρώτη θέση στον διαγωνισμό.

Ενισχυτική μάθηση

Ο επόμενος τύπος νευρωνικών δικτύων, που χρησιμοποιείται πολύ συχνά πρόσφατα, αλλά δεν έχει λάβει τόσο ευρεία δημοσιότητα όπως οι προηγούμενοι 2 τύποι, είναι η βαθιά μάθηση, η 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, αν δεν μπορούμε να το κινηματογραφήσουμε, πώς μπορούμε να μάθουμε στο ρομπότ να μαζεύει αντικείμενα; Αυτό το κάνουμε αυτόματα - δεν ξέρουμε πώς λειτουργεί. Ένα άλλο παράδειγμα: η σύνταξη μεγάλων βάσεων δεδομένων σε παιχνίδια υπολογιστή είναι δύσκολη και όχι απαραίτητη, μπορεί να γίνει πολύ πιο εύκολα.

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

Ποιος άκουσε 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 ακριβώς στα αριστερά. Μαθαίνει παίζοντας με τον εαυτό της για να πάρει τη μέγιστη ανταμοιβή. Η μέγιστη ανταμοιβή είναι το ταχύτερο αποτέλεσμα του παιχνιδιού με την υψηλότερη δυνατή βαθμολογία.

Επάνω δεξιά - 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. Το κόκκινο δείχνει τα επιθυμητά αποτελέσματα του παιχνιδιού με τη μέγιστη ανταμοιβή και το μπλε - ανεπιθύμητο. 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 επιπλοκές. 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 κανένα 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 από αυτό που πρέπει να κάνουν τα ρομπότ. Για παράδειγμα, ο Sergey Levin παρείχε πρόσφατα 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 εκπαιδεύσετε το ρομπότ για να τα συλλάβει. Για πολλές ώρες, ακόμη και εβδομάδες, ρομπότ εκπαιδευμένα ώστε να μπορούν να συλλαμβάνουν αυτά τα αντικείμενα, δημιουργήθηκαν βάσεις δεδομένων με αυτήν την ευκαιρία.

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 εκπαιδεύονται σε αυτό το σύνολο καταστάσεων συστήματος.

Μη τυπικές εφαρμογές νευρωνικών δικτύων

Αυτό είναι δυστυχώς το τέλος, δεν έχω πολύ χρόνο. Θα μιλήσω για εκείνες τις μη τυποποιημένες λύσεις που υπάρχουν τώρα και οι οποίες, σύμφωνα με πολλές προβλέψεις, θα έχουν κάποια εφαρμογή στο μέλλον.

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

Στην πραγματικότητα η ιδέα είναι πολύ απλή. Γεγονός είναι ότι στην Αφρική το επίπεδο της φτώχειας ξεπερνά κάθε νοητό και αδιανόητο 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 στο νευρωνικό δίκτυο με την πάροδο του χρόνου.

Το νευρωνικό δίκτυο είχε προρυθμιστεί στο ImageNet "e. Δηλαδή, τα πρώτα στρώματα φίλτρων διαμορφώθηκαν έτσι ώστε να μπορεί να αναγνωρίζει μερικά πολύ απλά πράγματα, για παράδειγμα, στέγες σπιτιών, για αναζήτηση οικισμού σε χάρτες ημέρας. Στη συνέχεια, οι χάρτες ημέρας ήταν σε σύγκριση με τους νυχτερινούς χάρτες, ο φωτισμός 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.

Μπορεί να φανεί ότι το νευρωνικό δίκτυο έκανε μια αρκετά ακριβή πρόβλεψη, ακόμη και με μια μικρή μετατόπιση από το 2005.

Υπήρχαν, φυσικά, παρενέργειες. Οι επιστήμονες που ασχολούνται με τη βαθιά μάθηση εκπλήσσονται πάντα όταν βρίσκουν διαφορετικές παρενέργειες. Για παράδειγμα, όπως αυτά που το δίκτυο έχει μάθει να αναγνωρίζει νερό, δάση, μεγάλα εργοτάξια, δρόμους - όλα αυτά χωρίς δασκάλους, χωρίς προκατασκευασμένες βάσεις δεδομένων. Γενικά εντελώς ανεξάρτητη. Υπήρχαν ορισμένα στρώματα που αντιδρούσαν, για παράδειγμα, στους δρόμους.

Και τελευταία εφαρμογήγια την οποία θα ήθελα να μιλήσω είναι η σημασιολογική κατάτμηση των 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 βρείτε μια εικόνα του εγκεφάλου, εκτός από κατεστραμμένη, και είναι επίσης αδύνατο να την πάρετε 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. Το ιατρικό σύστημα δεν μπορεί να κάνει λάθος. Όταν αναγνωρίζουν, για παράδειγμα, φώκιες, δεν αναγνώρισαν - δεν πειράζει. Και αν δεν αναγνωρίσουμε τον όγκο, τότε αυτό δεν είναι πολύ καλό. Υπάρχουν ιδιαίτερα σκληρές απαιτήσεις για την αξιοπιστία του συστήματος.
• Εικόνες σε τρισδιάστατα στοιχεία - voxels, όχι pixels, γεγονός που φέρνει πρόσθετη πολυπλοκότητα στους σχεδιαστές συστημάτων.

Πώς όμως αντιμετωπίσατε αυτό το ζήτημα σε αυτή την περίπτωση; Το CNN ήταν διπλής ροής. Το ένα μέρος επεξεργάστηκε μια πιο κανονική ανάλυση, το άλλο μια ελαφρώς χειρότερη ανάλυση, προκειμένου να μειώσει τον αριθμό των επιπέδων που πρέπει να εκπαιδεύσουμε. Εξαιτίας αυτού, ο χρόνος για εκπαίδευση δικτύου μειώθηκε ελαφρώς.

Πού χρησιμοποιείται: για τον προσδιορισμό της βλάβης μετά από ένα χτύπημα, για την αναζήτηση όγκου στον εγκέφαλο, στην καρδιολογία για τον προσδιορισμό του τρόπου λειτουργίας της καρδιάς.

Ακολουθεί ένα παράδειγμα για τον προσδιορισμό του όγκου του πλακούντα.

Αυτόματα, λειτουργεί καλά, αλλά όχι αρκετά για να κυκλοφορήσει στην παραγωγή, οπότε μόλις ξεκινάει. Υπάρχουν αρκετές startups για τη δημιουργία τέτοιων συστημάτων ιατρική όραση. Γενικά, στο εγγύς μέλλον υπάρχουν πολλές startups στο deep learning. Λένε ότι οι επενδυτές επιχειρηματικών κεφαλαίων έχουν διαθέσει περισσότερο προϋπολογισμό για 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 είναι καιρός να ανοίξετε τη δική σας startup.

Λοιπόν, μάλλον θα καταλήξω σε αυτό. Ευχαριστώ πολύ.

17.04.1997 Alexander Yezhov, Vladimir Chechetkin

Έντονος πόνος στο στήθος. Ασθενοφόροπαραδίδει τον ασθενή στα επείγοντα, όπου ο εφημερεύων γιατρός πρέπει να κάνει τη 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. ακριβείς μεθόδουςη διάγνωση, ωστόσο, εξακολουθεί να λείπει. Το ηλεκτροκαρδιογράφημα μερικές φορές δεν περιέχει εμφανή σημάδια της νόσου. Και 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 δωμάτιο έκτακτης ανάγκηςνα αναλύσουμε γρήγορα όλους αυτούς τους δείκτες μαζί με τις σχέσεις για να πάρουμε απόφαση για την κατεύθυνση του ασθενούς στο καρδιολογικό τμήμα; Σε κάποιο βαθμό, οι τεχνολογίες νευρωνικών δικτύων βοηθούν στην επίλυση αυτού του προβλήματος. Νευρωνικά δίκτυα για διαγνωστικές εργασίες Συγκεκριμένα συστήματα Δυνατότητες εφαρμογής νευρωνικών δικτύων Καταπολέμηση του καρκίνου Νευροσυστήματα, γενετική και μόρια Τα νευρωνικά δίκτυα περπατούν στον πλανήτη Αντί για συμπέρασμα Οξύς πόνος στο στήθος. Το ασθενοφόρο παραδίδει

Έντονος πόνος στο στήθος. Ένα ασθενοφόρο παραδίδει τον ασθενή στα επείγοντα, όπου ο εφημερεύων γιατρός πρέπει να κάνει τη 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 σημάδια της νόσου. Και 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 ο γιατρός στα επείγοντα να αναλύσει γρήγορα όλους αυτούς τους δείκτες, μαζί με τις σχέσεις τους, για να αποφασίσει για την παραπομπή 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 εσφαλμένα αυτή τη διάγνωση στο 29% των περιπτώσεων. Υπάρχουν πάρα πολλοί ψευδείς συναγερμοί (υπερδιάγνωση). Ιστορικό εφαρμογών διάφορες μεθόδουςΗ επεξεργασία δεδομένων για τη βελτίωση της ποιότητας της διάγνωσης πηγαίνει πίσω δεκαετίες, αλλά τα καλύτερα από αυτά 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 αναγνωρίσει το έμφραγμα του μυοκαρδίου σε ασθενείς που εισήχθησαν στο δωμάτιο έκτακτης ανάγκης με οξύς πόνοςστο στήθος. Στόχος του ήταν να δημιουργήσει ένα εργαλείο που μπορεί να βοηθήσει τους γιατρούς που αδυνατούν να αντιμετωπίσουν τη ροή των δεδομένων που χαρακτηρίζει την κατάσταση του εισαχθέντος ασθενή. Ένας άλλος στόχος μπορεί να είναι η βελτίωση των διαγνωστικών. Ο ερευνητής έκανε το έργο του πιο δύσκολο, γιατί ανέλυσε τα δεδομένα μόνο εκείνων των ασθενών που είχαν ήδη παραπεμφθεί στο καρδιολογικό τμήμα. Ο Bakst χρησιμοποίησε μόνο 20 παραμέτρους, μεταξύ των οποίων ήταν η ηλικία, το φύλο, η θέση του πόνου, η ανταπόκριση στη νιτρογλυκερίνη, η ναυτία και ο έμετος, η εφίδρωση, η συγκοπή, ο αναπνευστικός ρυθμός, ο καρδιακός ρυθμός, οι προηγούμενες καρδιακές προσβολές, ο διαβήτης, η υπέρταση, η διάταση της σφαγίτιδας φλέβα, μια σειρά Χαρακτηριστικά ΗΚΓ και παρουσία σημαντικών ισχαιμικών αλλαγών.

Το δίκτυο ήταν 92% ακριβές στην ανίχνευση εμφράγματος του μυοκαρδίου και παρήγαγε μόνο 4% ψευδείς συναγερμούς, επιβεβαιώνοντας λανθασμένα την παραπομπή ασθενών χωρίς έμφραγμα στο καρδιολογικό τμήμα. Άρα, υπάρχει γεγονός επιτυχούς εφαρμογής τεχνητών νευρωνικών δικτύων στη διάγνωση της νόσου. Τώρα είναι απαραίτητο να εξηγήσουμε σε ποιες παραμέτρους αξιολογείται η ποιότητα της διάγνωσης στη γενική περίπτωση. Ας υποθέσουμε ότι στους δέκα ανθρώπους που όντως παθαίνουν έμφραγμα, η διαγνωστική μέθοδος μπορεί να ανιχνεύσει την ασθένεια σε οκτώ. Τότε η ευαισθησία της μεθόδου θα είναι 80%. Αν πάρουμε δέκα άτομα που δεν έχουν έμφραγμα και η διαγνωστική μέθοδος το υποπτεύεται σε τρία άτομα, τότε η αναλογία ψευδείς συναγερμούςθα είναι 30%, ενώ ένα επιπλέον χαρακτηριστικό σε αυτό - η ειδικότητα της μεθόδου - θα είναι ίσο με 70%.

Μια ιδανική διαγνωστική μέθοδος θα πρέπει να έχει εκατό τοις εκατό ευαισθησία και ειδικότητα - πρώτον, να μην χάνει ούτε έναν πραγματικά άρρωστο άνθρωπο και, δεύτερον, να μην τρομάζει υγιείς ανθρώπους. Για να ασφαλίσετε, μπορείτε και πρέπει να προσπαθήσετε πρώτα απ 'όλα να εξασφαλίσετε εκατό τοις εκατό ευαισθησία της μεθόδου - δεν μπορείτε να χάσετε την ασθένεια. Αλλά αυτό έχει ως αποτέλεσμα, κατά κανόνα, τη χαμηλή εξειδίκευση της μεθόδου - σε πολλούς ανθρώπους, οι γιατροί υποψιάζονται ασθένειες από τις οποίες δεν πάσχουν πραγματικά οι ασθενείς.

Νευρωνικά δίκτυα για διαγνωστικές εργασίες

Τα νευρωνικά δίκτυα είναι μη γραμμικά συστήματα που επιτρέπουν πολύ καλύτερη ταξινόμηση των δεδομένων από ό,τι συνήθως γραμμικές μεθόδους. Όταν εφαρμόζονται σε ιατρικά διαγνωστικά, καθιστούν δυνατή τη σημαντική αύξηση της ειδικότητας της μεθόδου χωρίς να μειώνεται η ευαισθησία της.

Θυμηθείτε ότι το νευρωνικό δίκτυο που διέγνωσε καρδιακή προσβολή λειτούργησε με ένα μεγάλο σύνολο παραμέτρων, ο αντίκτυπος των οποίων στη διάγνωση ενός ατόμου δεν μπορεί να εκτιμηθεί. Ωστόσο, τα νευρωνικά δίκτυα ήταν σε θέση να λαμβάνουν αποφάσεις με βάση τα κρυφά μοτίβα που εντόπισαν σε πολυδιάστατα δεδομένα. Ένα χαρακτηριστικό γνώρισμα των νευρωνικών δικτύων 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 έμπειρα συστήματα, η ανάπτυξη των οποίων στη δεκαετία του '70 έλαβε χώρα μετά την προσωρινή «νίκη» της Τεχνητής Νοημοσύνης έναντι της προσέγγισης της μοντελοποίησης μνήμης, της αναγνώρισης προτύπων και της γενίκευσης, η οποία βασίστηκε στη μελέτη της νευρωνικής οργάνωσης του εγκεφάλου.

Ένα από τα πιο γνωστά από τα ανεπτυγμένα συστήματα εμπειρογνωμόνων, η λειτουργία του οποίου βασίστηκε στη γνώση που αντλήθηκε 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 σηπτικό σοκ. Οι μισοί από τους ασθενείς πέθαναν από αυτό μέσα σε μια μέρα και οι γιατροί μπορούσαν να εντοπίσουν σήψη μόνο στο 50% των περιπτώσεων. Το MYCIN φαινόταν να είναι ένας πραγματικός θρίαμβος της τεχνολογίας έμπειρων συστημάτων, καθώς μπορούσε να ανιχνεύσει τη σήψη στο 100% των περιπτώσεων. Ωστόσο, μετά από μια στενότερη γνωριμία με αυτό το έμπειρο σύστημα, οι γιατροί έχουν βελτιωθεί σημαντικά παραδοσιακές μεθόδουςδιαγνωστικά, και το MYCIN έχασε το νόημά του, γίνοντας εκπαιδευτικό σύστημα. Τα έμπειρα συστήματα «πήγαν» μόνο στην καρδιολογία - για την ανάλυση ηλεκτροκαρδιογραφημάτων. Οι περίπλοκοι κανόνες που αποτελούν το κύριο περιεχόμενο των βιβλίων για την κλινική ανάλυση ΗΚΓ έχουν χρησιμοποιηθεί από τα κατάλληλα συστήματα για την έκδοση διαγνωστικού συμπεράσματος.

Τα διαγνωστικά είναι μια ειδική περίπτωση ταξινόμησης συμβάντων και το πιο πολύτιμο είναι η ταξινόμηση εκείνων των γεγονότων που δεν περιλαμβάνονται στο εκπαιδευτικό σετ νευρωνικών δικτύων. 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

Ένα παράδειγμα διαγνωστικού προγράμματος είναι το καρδιοδιαγνωστικό πακέτο που αναπτύχθηκε από την RES Informatica μαζί με το Κέντρο Καρδιολογικής Έρευνας στο Μιλάνο. Το πρόγραμμα επιτρέπει τη μη επεμβατική καρδιοδιαγνωστική 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 καρδιοδιαγνωστικής - στην Αγγλία, για παράδειγμα, χρησιμοποιούνται σε τέσσερα νοσοκομεία για την πρόληψη του εμφράγματος του μυοκαρδίου.

Στην ιατρική, χρησιμοποιείται επίσης ένα άλλο χαρακτηριστικό των νευρωνικών δικτύων - η ικανότητά τους να προβλέπουν χρονικές ακολουθίες. Έχει ήδη σημειωθεί ότι τα έμπειρα συστήματα έχουν επιτύχει στην ανάλυση ΗΚΓ. Τα νευρωνικά δίκτυα είναι επίσης χρήσιμα εδώ. Οι Ki Zhenghu, Yu Henu και Willis Tompkins του Πανεπιστημίου του Wisconsin ανέπτυξαν ένα σύστημα φιλτραρίσματος νευρωνικών δικτύων για ηλεκτροκαρδιογραφήματα που μπορεί να καταστείλει 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 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 του διαγωνισμού προγραμμάτων πρόβλεψης που διεξήγαγε το Πανεπιστήμιο της Santa Fe - τα νευρωνικά δίκτυα κατέλαβαν την πρώτη θέση και κυριάρχησαν μεταξύ τις καλύτερες μεθόδους.

Δυνατότητες χρήσης νευρωνικών δικτύων

Το ΗΚΓ είναι μια ιδιωτική, 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 φροντίδας αναζωογόνησης (οι Αμερικανοί ξοδεύουν το 70% των κεφαλαίων τις τελευταίες 2 εβδομάδες ζωής σε αυτό το τμήμα).

Η μόνη διέξοδος είναι η αποτελεσματικότερη χρήση των διαθέσιμων πόρων. Ας υποθέσουμε ότι η κατάσταση των ασθενών που χειρουργήθηκαν 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, γιατί δεν υπάρχει πού να βάλουν τους νεοεγχειρημένους ασθενείς. Είναι πιο συνετό να χειρουργούνται βαριά άρρωστοι ασθενείς πριν από τα Σαββατοκύριακα ή τις αργίες - οι χειρουργικές αίθουσες εξακολουθούν να είναι κλειστές αυτές τις μέρες, οι χειρουργοί θα ξεκουράζονται και οι ασθενείς θα αναρρώνουν στην εντατική. Αλλά στην αρχή της εργάσιμης εβδομάδας, είναι καλύτερο να χειρουργηθούν εκείνοι οι ασθενείς που θα χρειαστεί να παραμείνουν στην εντατική μόνο μία ή δύο ημέρες. Στη συνέχεια, τα κρεβάτια στην εντατική θα εκκενωθούν γρηγορότερα και θα δέχονται νέους ασθενείς που θα χειρουργηθούν την Τρίτη και την Τετάρτη.

Το ερώτημα είναι πώς να μαντέψετε ποιος θα πρέπει να παραμείνει στην εντατική για μεγάλο χρονικό διάστημα μετά την επέμβαση και ποιος όχι. Ο Jack Too και ο Michael Guerier στο νοσοκομείο St. Michael's Hospital του Πανεπιστημίου του Τορόντο χρησιμοποίησαν νευρωνικά δίκτυα για να κάνουν αυτή την πρόβλεψη. Ως αρχικά δεδομένα πήραν μόνο εκείνες τις πληροφορίες για τον ασθενή που είναι γνωστές στην προεγχειρητική περίοδο. Σημειώστε ότι σε προηγούμενες εργασίες που δεν χρησιμοποιούν νευρωνικά δίκτυα, ως παράγοντες αυξημένος κίνδυνοςπαραμονή στην εντατική, χρησιμοποιήθηκαν επίσης σημαντικές μετεγχειρητικές πληροφορίες - διάφορες επιπλοκές που προέκυψαν κατά τη χειρουργική επέμβαση.

Οι Tu και Guerir εκπαίδευσαν ένα perceptron δύο στρωμάτων για να χωρίσουν τους ασθενείς σε τρεις ομάδες κινδύνου, δεδομένης της ηλικίας, του φύλου τους, λειτουργική κατάστασηαριστερή κοιλία, ο βαθμός πολυπλοκότητας της επερχόμενης επέμβασης και η παρουσία συνοδών νοσημάτων. Από εκείνους τους ασθενείς που εντοπίστηκαν από το δίκτυο ως με χαμηλό κίνδυνο καθυστέρησης στην εντατική θεραπεία, μόνο το 16,3% πέρασε στην πραγματικότητα περισσότερες από δύο ημέρες στην εντατική θεραπεία. Ταυτόχρονα, πάνω από το 60% όσων προσδιορίστηκαν από το δίκτυο ως υψηλού κινδύνου ανταποκρίθηκαν στη δυσμενή πρόγνωση.

Καταπολέμηση του καρκίνου

Πληρωσαμε Ιδιαίτερη προσοχή καρδιαγγειακές παθήσεις, αφού είναι αυτοί που κατέχουν τη θλιβερή ηγεσία στη λίστα των αιτιών θανάτου. Στη δεύτερη θέση βρίσκονται τα ογκολογικά νοσήματα. Ένας από τους κύριους τομείς στους οποίους βρίσκονται σε εξέλιξη εργασίες για τη χρήση των νευρωνικών δικτύων είναι η διάγνωση του καρκίνου του μαστού. Αυτή η ασθένεια είναι η αιτία θανάτου κάθε ένατης γυναίκας.

Η ανίχνευση του όγκου πραγματοποιείται κατά την αρχική ακτινογραφία του μαστού (μαστογραφία) και την επακόλουθη ανάλυση ενός τεμαχίου ιστού όγκου (βιοψία). Παρά την ύπαρξη γενικών κανόνων για τη διαφοροποίηση των 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 εξειδίκευσης της μεθόδου.

Ερευνητές του Πανεπιστημίου Duke εκπαίδευσαν ένα νευρωνικό δίκτυο για να αναγνωρίζει μαστογραφίες κακοήθης ιστόςμε βάση οκτώ χαρακτηριστικά που αντιμετωπίζουν συνήθως οι ακτινολόγοι. Αποδείχθηκε ότι το δίκτυο είναι σε θέση να λύσει το πρόβλημα με ευαισθησία περίπου 100% και ειδικότητα 59% (σε σύγκριση με 10-20% για τους ακτινολόγους). Πόσες γυναίκες από καλοήθεις όγκουςΜπορείτε να αποφύγετε το άγχος που σχετίζεται με τη λήψη βιοψίας εάν χρησιμοποιήσετε αυτό το νευρωνικό δίκτυο! Στην κλινική Mayo (Μινεσότα), το νευρωνικό δίκτυο ανέλυσε τα αποτελέσματα του υπερήχου μαστού και έδωσε ειδικότητα 40%, ενώ για τις ίδιες γυναίκες, η ειδικότητα του πορίσματος των ακτινολόγων αποδείχθηκε 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 δυνατή η υποτροπή του όγκου. Τα νευρωνικά δίκτυα ήδη βοηθούν στην αποτελεσματική πρόβλεψή τους. Παρόμοια έρευνα διεξάγεται στην Ιατρική Σχολή του Πανεπιστημίου του Τέξας. Τα εκπαιδευμένα δίκτυα έχουν δείξει την ικανότητά τους να εντοπίζουν και να λαμβάνουν υπόψη πολύ περίπλοκες σχέσεις προγνωστικών μεταβλητών, ιδίως τις τριπλές σχέσεις τους για τη βελτίωση της προγνωστικής ικανότητας.

Οι δυνατότητες χρήσης νευρωνικών δικτύων στην ιατρική είναι ποικίλες και η αρχιτεκτονική τους ποικίλη. Με βάση την πρόβλεψη μακροπρόθεσμων αποτελεσμάτων θεραπείας της νόσου με τη μία ή την άλλη μέθοδο, μπορεί να προτιμηθεί μία από αυτές. Σημαντικό αποτέλεσμα στην πρόγνωση της θεραπείας του καρκίνου των ωοθηκών (ασθένεια κάθε εβδομηκοστή γυναίκα) πέτυχε ο διάσημος Ολλανδός ειδικός Herbert Kappen από το Πανεπιστήμιο του Nimegen (χρησιμοποιεί όχι πολυστρωματικά perceptrons στην εργασία του, αλλά το λεγόμενο Boltzmann Μηχανές – νευρωνικά δίκτυα εκτίμησης πιθανοτήτων).

Εδώ είναι ένα παράδειγμα άλλου τύπου καρκίνου. Ερευνητές από ιατρική Σχολήστην Kagawa (Ιαπωνία) εκπαίδευσε ένα νευρωνικό δίκτυο που προέβλεψε σχεδόν με ακρίβεια τα αποτελέσματα της ηπατικής εκτομής σε ασθενείς με ηπατοκυτταρικό καρκίνωμα με βάση προεγχειρητικά δεδομένα.

Στο Troitsk Institute for Innovation and Fusion Research (TRINITI), ως μέρος ενός έργου για τη δημιουργία συμβουλευτικών συστημάτων νευρωνικών δικτύων που εφαρμόζει το Υπουργείο Επιστημών, έχει αναπτυχθεί ένα πρόγραμμα νευρωνικών δικτύων που επιλέγει μια μέθοδο θεραπείας για τον βασικοκυτταρικό καρκίνο του δέρματος (basalioma ) με βάση μια μακροπρόθεσμη πρόγνωση υποτροπής. Ο αριθμός των περιπτώσεων βασαλιώματος - μιας ογκολογικής νόσου των λευκών ατόμων με λεπτό δέρμα - είναι το ένα τρίτο όλων των ογκολογικών ασθενειών.

Η διάγνωση μιας από τις μορφές μελανώματος - ενός όγκου, ο οποίος μερικές φορές είναι δύσκολο να διακριθεί από τη μελαγχρωματική μορφή βασαλιώματος, εφαρμόστηκε χρησιμοποιώντας τον προσομοιωτή νευρωνικού δικτύου Multineuron που αναπτύχθηκε στο Υπολογιστικό Κέντρο του SOAN στο Krasnoyarsk υπό την καθοδήγηση του A.N. Gorban.

Τα νευρωνικά δίκτυα μπορούν επίσης να χρησιμοποιηθούν για την πρόβλεψη της επίδρασης διαφόρων υπό ανάπτυξη θεραπειών. Έχουν ήδη χρησιμοποιηθεί με επιτυχία στη χημεία για την πρόβλεψη των ιδιοτήτων των ενώσεων με βάση τη μοριακή τους δομή. Ερευνητές στο Εθνικό Ινστιτούτο Καρκίνου στις ΗΠΑ χρησιμοποίησαν νευρωνικά δίκτυα για να προβλέψουν τον μηχανισμό δράσης των φαρμάκων που χρησιμοποιούνται στη χημειοθεραπεία του καρκίνου. Σημειώστε ότι υπάρχουν εκατομμύρια διαφορετικά μόρια που πρέπει να διερευνηθούν για την αντικαρκινική τους δράση. Οι ειδικοί του Ινστιτούτου Καρκίνου χώρισαν τα γνωστά ογκολογικά φάρμακα σε έξι ομάδες ανάλογα με τον μηχανισμό δράσης τους καρκινικά κύτταρακαι εκπαιδεύτηκαν πολυεπίπεδα δίκτυα για την ταξινόμηση νέων ουσιών και την αναγνώριση των επιπτώσεών τους. Ως αρχικά δεδομένα χρησιμοποιήθηκαν τα αποτελέσματα πειραμάτων για την καταστολή της κυτταρικής ανάπτυξης από διάφορους όγκους. Η ταξινόμηση νευρωνικών δικτύων σάς επιτρέπει να προσδιορίσετε ποια από τα εκατοντάδες καθημερινά δοκιμαζόμενα μόρια αξίζει να μελετήσετε περαιτέρω σε πολύ ακριβά πειράματα in vitro και in vivo. Για την επίλυση ενός παρόμοιου προβλήματος χρησιμοποιήθηκαν επίσης δίκτυα Kohonen. Αυτά τα μη εποπτευόμενα, αυτοοργανωμένα νευρωνικά δίκτυα έσπασαν τις ουσίες σε άγνωστο αριθμό συστάδων και επομένως επέτρεψαν στους ερευνητές να αναγνωρίσουν ουσίες με νέους κυτταροτοξικούς μηχανισμούς δράσης.

Νευροσυστήματα, γενετική και μόρια

Η διάγνωση και η θεραπεία ογκολογικών ασθενειών, καθώς και η ανάπτυξη νέων φαρμάκων, αποτελούν αναμφίβολα τον σημαντικότερο τομέα εφαρμογής των τεχνολογιών νευρωνικών δικτύων. Πρόσφατα, ωστόσο, υπήρξε μια αυξανόμενη συνειδητοποίηση μεταξύ των ερευνητών και των γιατρών ότι οι μελλοντικές εξελίξεις πρέπει να συνδέονται στενά με τη μελέτη των μοριακών και γενετικών αιτιών της νόσου.

Δεν είναι τυχαίο ότι τον Απρίλιο του 1997, ειδικοί από τα Εθνικά Ινστιτούτα Υγείας (ΗΠΑ) έκαναν συστάσεις για την ενίσχυση της έρευνας που σχετίζεται με τον εντοπισμό των αιτιών που προκαλεί καρκίνο, και εξελίξεις που στοχεύουν στην πρόληψη ασθενειών. Για μεγάλο χρονικό διάστημα, τα νευρωνικά δίκτυα έχουν χρησιμοποιηθεί ενεργά στην ανάλυση αλληλουχιών γονιδιωματικού DNA, ειδικότερα, για την αναγνώριση προαγωγέων - περιοχών που προηγούνται των γονιδίων και συνδέονται με την πρωτεΐνη πολυμεράσης RNA, η οποία ξεκινά τη μεταγραφή. Χρησιμοποιούνται για τη διαφοροποίηση των κωδικοποιητικών και μη περιοχών του DNA (εξόνια και ιντρόνια) και για την πρόβλεψη της δομής των πρωτεϊνών.

Το 1996, έγινε μια εντυπωσιακή ανακάλυψη που συνέδεσε τη θεμελιώδη έρευνα στη μοριακή γενετική με το πρόβλημα της παθογένεσης και της θεραπείας της πιο κοινής ογκολογικής νόσου - του βασικοκυτταρικού καρκίνου του δέρματος. Οι ερευνητές ανακάλυψαν ένα γονίδιο (PTC) στο ένατο ανθρώπινο χρωμόσωμα, μεταλλάξεις στις οποίες, σε αντίθεση με το γονίδιο p53, προκαλούνται από έκθεση στην υπεριώδη ακτινοβολία και αποτελούν την αιτία ανάπτυξης όγκου. Το κλειδί για την ανακάλυψη ήταν η μελέτη του λεγόμενου γονιδίου patch, αλλαγές στις οποίες διεγείρουν αναπτυξιακά ελαττώματα στη μύγα και το γεγονός ότι σε παιδιά που υποφέρουν επίσης από αναπτυξιακά ελαττώματα οστικό ιστό(σύνδρομο βασικού σπίλου), συχνά υπάρχουν πολλαπλά βασαλιώματα.

Τώρα οι γενετιστές και οι γιατροί είναι γεμάτοι ελπίδες να βρουν μια φαρμακευτική θεραπεία για το βασάλιο ή να χρησιμοποιήσουν μεθόδους γονιδιακής χειρουργικής και να αντικαταστήσουν μαζί τους τέτοιες ανελέητες μεθόδους θεραπείας όπως το συμβατικό λέιζερ, η ακτινογραφία και η κρυοχειρουργική. Θα μπορούσαν τα νευρωνικά δίκτυα να είναι χρήσιμα για αυτές τις μελέτες; Συγκεκριμένα, μπορούν να χρησιμοποιηθούν για την αξιολόγηση της πιθανής επίδρασης μιας συγκεκριμένης μετάλλαξης στην αλλαγή των ιδιοτήτων των αντίστοιχων πρωτεϊνών ή για την αξιολόγηση της προγνωστικής της αξίας, ας πούμε, για την ανάπτυξη υποτροπής του καρκίνου του μαστού;

Εάν μπορούσε να γίνει αυτό, τότε τα νευρωνικά δίκτυα θα μείωναν σημαντικά την περιοχή αναζήτησης για μοριακούς βιολόγους, οι οποίοι συχνά διεξάγουν πολύ ακριβά πειράματα για να αξιολογήσουν τον ρόλο των μεταλλάξεων σε ένα μόριο DNA. Θυμηθείτε ότι η ανεξέλεγκτη ανάπτυξη και διαίρεση των κυττάρων οδηγεί στην ανάπτυξη κακοήθων όγκων. Το ανθρώπινο γονιδίωμα, το οποίο περιέχει πληροφορίες για όλες τις πρωτεΐνες που παράγονται στο σώμα, έχει περίπου τρία δισεκατομμύρια νουκλεοτίδια. Αλλά μόνο το 2-3% από αυτά κωδικοποιούν πραγματικά πρωτεΐνες - το υπόλοιπο χρειάζεται από το ίδιο το DNA για να διατηρήσει τη σωστή δομή, την αντιγραφή και άλλα πράγματα.

Στις γονιδιωματικές αλληλουχίες DNA, τρία συστατικά μπορούν να διακριθούν χονδρικά: το πρώτο περιέχει πολλά αντίγραφα πανομοιότυπων θραυσμάτων (δορυφορικό DNA). Το δεύτερο περιέχει μετρίως επαναλαμβανόμενες αλληλουχίες διάσπαρτες σε όλο το γονιδίωμα. και στο τρίτο _μοναδικό DNA. Στο δορυφορικό DNA, διαφορετικά αντίγραφα αναπαρίστανται άνισα - ο αριθμός τους ποικίλλει από εκατοντάδες έως εκατομμύρια. Ως εκ τούτου, συνήθως υποδιαιρούνται περαιτέρω σε μίνι και μικροδορυφόρους.

Αξιοσημείωτο είναι ότι η κατανομή των μικροδορυφόρων στο γονιδίωμα είναι τόσο συγκεκριμένη που μπορεί να χρησιμοποιηθεί ως ανάλογο των ανθρώπινων δακτυλικών αποτυπωμάτων. Πιστεύεται επίσης ότι αυτή η κατανομή μπορεί επίσης να χρησιμοποιηθεί για τη διάγνωση διαφόρων ασθενειών.

Σε μια κρυφή μορφή, οι επαναλήψεις των αλληλουχιών νουκλεοτιδίων παίζουν σημαντικό ρόλο σε μοναδικές αλληλουχίες DNA. Σύμφωνα με την υπόθεση του Φράνσις Κρικ, η εξέλιξη του DNA ξεκινά από οιονεί περιοδικές δομές και αν μπορέσουμε να βρούμε κρυφές επαναλήψεις, θα μάθουμε πού συνέβησαν οι μεταλλάξεις που καθόρισαν την εξέλιξη, πράγμα που σημαίνει ότι θα βρούμε τόσο τις παλαιότερες όσο και τις πιο σημαντικές θέσεις στο ποιες μεταλλάξεις είναι πιο επικίνδυνες. Η κατανομή των κρυφών επαναλήψεων σχετίζεται επίσης στενά με τη δομή και τη λειτουργία των πρωτεϊνών που κωδικοποιούνται από την αντίστοιχη αλληλουχία.

Η TRINITY έχει αναπτύξει ένα σύστημα στο οποίο οι τροποποιήσεις του νευρωνικού δικτύου Hopfield χρησιμοποιούνται για την αναζήτηση κρυφών επαναλήψεων και την αξιολόγηση του ρόλου των μεταλλάξεων σε αλληλουχίες DNA. Ελπίζεται ότι αυτή η προσέγγιση μπορεί να χρησιμοποιηθεί για μια γενικευμένη φασματική ανάλυσηοι ακολουθίες δεδομένων είναι πολύ γενική εικόνα, για παράδειγμα, για την ανάλυση ηλεκτροκαρδιογραφημάτων.

Τα νευρωνικά δίκτυα περπατούν στον πλανήτη

Η γεωγραφία των ερευνητικών ομάδων που χρησιμοποιούν νευρωνικά δίκτυα για την ανάπτυξη ιατρικών εφαρμογών είναι πολύ ευρεία. Δεν υπάρχει τίποτα να πούμε για τις ΗΠΑ - παρόμοιες μελέτες διεξάγονται στο πανεπιστήμιο κάθε πολιτείας και η κύρια κατεύθυνσή τους είναι ο καρκίνος του μαστού. Γιατί υπάρχουν πανεπιστήμια - το κάνουν και οι στρατιωτικές ακαδημίες. Στην Τσεχική Δημοκρατία, ο Jiří Shima ανέπτυξε τη θεωρία των νευρωνικών δικτύων εκπαίδευσης που μπορούν να λειτουργήσουν αποτελεσματικά με τα λεγόμενα δεδομένα διαστήματος (όταν δεν είναι γνωστές οι τιμές των παραμέτρων, αλλά το διάστημα της αλλαγής τους) και τις χρησιμοποιεί σε διάφορες ιατρικές εφαρμογές. Στην Κίνα, ερευνητές από το Ινστιτούτο Ατομικής Ενέργειας εκπαίδευσαν ένα νευρωνικό δίκτυο για τη διάκριση μεταξύ ασθενών με ήπιες και σοβαρές παθήσεις του επιθηλίου του οισοφάγου και εκείνων με καρκίνο του οισοφάγου βάσει στοιχειακής ανάλυσης των νυχιών.

Στη Ρωσία, το SINP MSU χρησιμοποιεί νευρωνικά δίκτυα για την ανάλυση ασθενειών των οργάνων ακοής.

Τέλος, στην Αυστραλία, ο George Christ χρησιμοποίησε τη θεωρία των νευρωνικών δικτύων για να κατασκευάσει την πρώτη υπόθεση σχετικά με τα αίτια μυστηριώδες σύνδρομο αιφνίδιος θάνατοςνεογέννητα.

***

Φυσικά, το άρθρο παρέχει μια μακριά από πλήρη λίστα παραδειγμάτων χρήσης τεχνολογιών τεχνητών νευρωνικών δικτύων στην ιατρική. Η ψυχιατρική, η τραυματολογία και άλλες ενότητες παρέμειναν στην άκρη, στις οποίες δοκιμάζονται νευρωνικά δίκτυα για το ρόλο του βοηθού διαγνωστικού και κλινικού ιατρού. Δεν φαίνονται όλα, φυσικά, ρόδινα στη συμμαχία της νέας τεχνολογίας υπολογιστών και της υγειονομικής περίθαλψης. Τα προγράμματα νευρωνικών δικτύων είναι μερικές φορές εξαιρετικά ακριβά για ευρεία εφαρμογή στην κλινική (από χιλιάδες έως δεκάδες χιλιάδες δολάρια) και οι γιατροί είναι μάλλον επιφυλακτικοί σχετικά με τυχόν καινοτομίες υπολογιστών. Το συμπέρασμα που εκδίδεται από το νευρωνικό δίκτυο πρέπει να συνοδεύεται από αποδεκτές εξηγήσεις ή σχόλια.

Υπάρχουν όμως ακόμα λόγοι για αισιοδοξία. Η γνώση και η εφαρμογή τεχνολογιών νευρωνικών δικτύων είναι πολύ πιο εύκολη από την εκμάθηση μαθηματικές στατιστικέςή ασαφής λογικής. Για να δημιουργήσετε ένα νευρωνικό δίκτυο ιατρικό σύστημαΧρειάζονται μήνες, όχι χρόνια. Ναι, και οι παράμετροι είναι πολύ ενθαρρυντικές - ας θυμηθούμε για άλλη μια φορά την υψηλή ειδικότητα των διαγνωστικών.

Και μια άλλη ελπίδα συνεργασίας είναι η ίδια η λέξη «νευρώνας». Ωστόσο, είναι τόσο γνωστό στους γιατρούς…

Alexander Yezhov, Vladimir Chechetkin - Ινστιτούτο Έρευνας Καινοτομίας και Σύντηξης (Troitsk).

Ο αριθμός των δημοσιεύσεων σχετικά με την εφαρμογή της νευροτεχνολογίας στην ιατρική είναι δύσκολο να εκτιμηθεί με ακρίβεια. Ωστόσο, αν το 1988-89 ήταν μόνο λίγοι, από το 1995 εκατοντάδες εμφανίζονται κάθε χρόνο. Οι παρακάτω διευθύνσεις μπορεί να είναι χρήσιμες:

Αλλά και να λύσει πιο σημαντικά καθήκοντα - για παράδειγμα, να αναζητήσει νέα φάρμακα. Το Village απευθύνθηκε σε ειδικούς για να μάθει ποια είναι τα χαρακτηριστικά της τεχνολογίας και πώς τη χρησιμοποιούν εγχώριες εταιρείες και 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". Είναι ένα μαθηματικό μοντέλο που μοιάζει πολύ με το έργο του νευρικού συστήματος των ζώων.

Σύμφωνα με τον Stanislav Protasov, ανώτερο ερευνητή στο Πανεπιστήμιο Innopolis, τα συνελικτικά νευρωνικά δίκτυα, που εφευρέθηκαν από τον μαθηματικό Jan Lekun, είναι το πιο κοντινό ανάλογο με τον ανθρώπινο εγκέφαλο. «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 δίνονται, επισημαίνει μοτίβα, τα γενικεύει και χτίζει κανόνες που λύνουν διάφορα προβλήματα - για παράδειγμα, πρόβλεψη της μελλοντικής εξέλιξης γεγονότων ή αναγνώριση και δημιουργία εικόνων, κειμένου και ομιλίας. Εκτός από τα νευρωνικά δίκτυα, εδώ χρησιμοποιούνται επίσης μέθοδοι γραμμικής παλινδρόμησης, δέντρα αποφάσεων και άλλες προσεγγίσεις.

Τεχνητή νοημοσύνη- ένα τμήμα της επιστήμης των υπολογιστών σχετικά με τη δημιουργία τεχνολογικών μέσων για τις μηχανές να εκτελούν εργασίες που προηγουμένως θεωρούνταν αποκλειστικά προνόμιο του ανθρώπου, καθώς και τον προσδιορισμό τέτοιων εξελίξεων. Η σκηνοθεσία διαμορφώθηκε επίσημα το 1956.

Αλεξάντερ Κραϊνόφ

Το τι μπορεί να ονομαστεί τεχνητή νοημοσύνη και τι όχι είναι θέμα συμφωνίας. Σε γενικές γραμμές, η ανθρωπότητα δεν έχει καταλήξει σε μια ξεκάθαρη διατύπωση του τι είναι η νοημοσύνη γενικά, για να μην αναφέρουμε τεχνητή. Αλλά αν συνοψίσουμε τι συμβαίνει, τότε μπορούμε να πούμε ότι η τεχνητή νοημοσύνη είναι βαθιά νευρωνικά δίκτυα που λύνουν σύνθετα προβλήματα σε επίπεδο κοντά στο επίπεδο ενός ατόμου και σε κάποιο βαθμό αυτομάθησης. Ταυτόχρονα, η αυτοεκμάθηση σημαίνει εδώ τη δυνατότητα να εξαγάγετε ανεξάρτητα ένα χρήσιμο σήμα από ακατέργαστα δεδομένα.

Ποια είναι η τρέχουσα κατάσταση του κλάδου;

Σύμφωνα με την Gartner, μια αναλυτική υπηρεσία, η μηχανική μάθηση βρίσκεται πλέον στο αποκορύφωμα των διογκωμένων προσδοκιών. Χαρακτηριστικό για αυτό το στάδιο, ο ενθουσιασμός γύρω νέα τεχνολογίαοδηγεί σε υπερβολικό ενθουσιασμό, ο οποίος μετατρέπεται σε ανεπιτυχείς προσπάθειες χρήσης του παντού. Υπολογίζεται ότι ο κλάδος θα χρειαστεί από δύο έως πέντε χρόνια για να απαλλαγεί από τις ψευδαισθήσεις. Σύμφωνα με Ρώσους ειδικούς, τα νευρωνικά δίκτυα θα πρέπει σύντομα να περάσουν ένα τεστ αντοχής.

Σεργκέι Νεγκοντιάεφ

Διαχειριστής χαρτοφυλακίου, Internet Initiatives Development Fund

Αν και οι επιστήμονες επισημοποιούν και αναπτύσσουν νευρωνικά δίκτυα εδώ και 70 χρόνια, υπάρχουν δύο σημεία καμπής 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 την τρέχουσα έκρηξη ήταν το 2012, όταν ερευνητές από το ίδιο πανεπιστήμιο εφάρμοσαν βαθιά νευρωνικά δίκτυα και κέρδισαν τον διαγωνισμό ImageNet, έχοντας μάθει να αναγνωρίζουν αντικείμενα σε φωτογραφίες και βίντεο με ελάχιστα λάθη.

Τώρα υπάρχει αρκετή ισχύς υπολογιστή για να λύσει, αν όχι καμία, τη συντριπτική πλειοψηφία των εργασιών 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 ένα βίντεο ή μια φωτογραφία, πρέπει να τροφοδοτήσει ένα εκατομμύριο φωτογραφίες 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 μια σειρά από ετικέτες σε αυτήν: "ζώο", "γάτα", "ξύλινο", "πάτωμα", "βράδυ", "πορτοκαλί". Όποιος έχει περισσότερα δεδομένα εκπαίδευσης θα έχει ένα νευρωνικό δίκτυο που θα είναι πιο έξυπνο.

Αντρέι Καλίνιν

Επικεφαλής της Poisk Mail.Ru

Οι εφαρμογές ψυχαγωγίας που βασίζονται σε νευρωνικά δίκτυα, όπως το Artisto ή το Vinci, είναι απλώς η κορυφή του παγόβουνου και ένας πολύ καλός 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 chat bots και η ιατρική.

Αλεξάντερ Κραϊνόφ

Επικεφαλής της Υπηρεσίας Computer Vision, Yandex

Μπορούμε να πούμε ότι η έκρηξη των νευρωνικών δικτύων έχει ήδη φτάσει, αλλά δεν έχει φτάσει ακόμα στο αποκορύφωμά της. Περαιτέρω θα είναι 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 της Microsoft στη Ρωσία

Η νευρωνική επανάσταση έχει ήδη συμβεί σήμερα. 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 αναλύει μέσω του νευρωνικού δικτύου εάν το ζιζάνιο είναι μπροστά του ή το φυτό μολυσμένο από παράσιτα, μετά από το οποίο αποφασίζει τι θα κάνει στη συνέχεια. Μυθιστόρημα? Όχι πια.

Μπόρις Βόλφσον

Διευθυντής Ανάπτυξης Headhunter

Υπάρχει μια συγκεκριμένη διαφημιστική εκστρατεία γύρω από τα νευρωνικά δίκτυα και, κατά τη γνώμη μου, λίγο υψηλές προσδοκίες. Θα περάσουμε μια περίοδο απογοήτευσης πριν μάθουμε πώς 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 μάθησης - 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 επιτεύγματα των νευρωνικών δικτύων εξακολουθούν να ισχύουν μόνο στον ακαδημαϊκό τομέα. Πέρα από τα σύνορά 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

Η Σχολή Ανάλυσης Δεδομένων Yandex συμμετέχει στο πείραμα CRAYFIS μαζί με εκπροσώπους από το Skolkovo, το Ινστιτούτο Φυσικής και Τεχνολογίας της Μόσχας, την Ανώτατη Οικονομική Σχολή και αμερικανικά πανεπιστήμια 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 οικονομία των πειραμάτων που απαιτούν την παρουσία ενός ζωντανού ανθρώπινου εγκεφάλου.

Ο καθηγητής της Innopolis Yaroslav Kholodov συμμετείχε στην ανάπτυξη ενός μοντέλου υπολογιστή ικανού να προβλέπει το σχηματισμό πρωτεϊνικών δεσμών δέκα φορές πιο γρήγορα. Με αυτόν τον αλγόριθμο, η ανάπτυξη εμβολίων και φαρμάκων μπορεί να επιταχυνθεί. Στην ίδια περιοχή σημειώθηκαν προγραμματιστές από την Mail.Ru Group, την Insilico Medicine και το MIPT. 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 σε αυτό 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 στους χρήστες. 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. Για το πρώτο, θα σας πει με ποιον ειδικό να επικοινωνήσετε για ορισμένα συμπτώματα και για 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 το κόστος, έτσι 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 βασίζεται στο Microsoft Azure cloud και αναλύει τη συμπεριφορά των καταναλωτών χρησιμοποιώντας κάμερες CCTV. Οι ιδιοκτήτες επιχειρήσεων λαμβάνουν μια αναφορά κατάστασης συναλλαγών σε πραγματικό χρόνο. Το έργο εφαρμόζεται ήδη στο 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 βελτιστοποίησης αποθήκης. Βασίζεται σε ένα νευρωνικό δίκτυο εκμάθησης που αναλύει δεδομένα σχετικά με τους υπαλλήλους που λαμβάνονται από ιχνηλάτες φυσικής κατάστασης και ανακατανέμει το φορτίο μεταξύ τους. Τώρα η ομάδα διδάσκει στα νευρωνικά δίκτυα να διακρίνουν τον γάμο.

Η εκμετάλλευση Belfingroup προχώρησε ακόμη παραπέρα. Η «κόρη» της BFG-soft δημιούργησε μια πλατφόρμα cloud BFG-IS, η οποία σας επιτρέπει να διαχειρίζεστε την 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 τους καθορισμένους στόχους, αλλά προβλέπει και τις συνέπειες τυχόν αλλαγών - από την αντικατάσταση 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 που μπορεί όχι μόνο να δώσει 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 βιογραφικά του ίδιου τύπου θα έχουν ζήτηση από έναν συγκεκριμένο εργοδότη.

Μεταφορά

Ο Ρώσος προγραμματιστής ευφυών συστημάτων Cognitive Technologies χρησιμοποιεί νευρωνικά δίκτυα για να αναγνωρίσει οχήματα, πεζούς, οδικές πινακίδες, φανάρια και άλλα αντικείμενα που εισέρχονται στο πλαίσιο. Η εταιρεία συλλέγει επίσης δεδομένα για την εκπαίδευση ενός νευρωνικού δικτύου για ένα μη επανδρωμένο όχημα. 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 για τη συμπεριφορά του autorobot. Οι ίδιες τεχνολογίες χρησιμοποιούνται για τη δημιουργία έξυπνων αγροτικών μεταφορών.

Επιπλέον, τα νευρωνικά δίκτυα μπορούν να χρησιμοποιηθούν στον τομέα των μεταφορών με άλλους τρόπους. Το καλοκαίρι του 2016, η Yandex πρόσθεσε στον πίνακα ανακοινώσεων Avto.ru τη λειτουργία αυτόματης ανίχνευσης ενός μοντέλου αυτοκινήτου από τη φωτογραφία του. Τότε το σύστημα ήξερε 100 μάρκα.

Ψυχολογία και ασφάλεια

Η ρωσική startup NTechLab, η οποία ξεπέρασε την Google στο The MegaFace Benchmark, έναν διεθνή διαγωνισμό για αλγόριθμους αναγνώρισης προσώπου, χρησιμοποίησε τεχνολογίες μηχανικής εκμάθησης στην εφαρμογή FindFace. Σας επιτρέπει να βρείτε ένα άτομο στα κοινωνικά δίκτυα με φωτογραφία. Συχνά, οι χρήστες στρέφονται στην υπηρεσία για να εντοπίσουν απομιμήσεις, αλλά μπορεί επίσης να είναι χρήσιμο για τους αξιωματικούς επιβολής του νόμου. Με τη βοήθειά του έχει ήδη εξακριβωθεί η ταυτότητα αρκετών εγκληματιών, συμπεριλαμβανομένου του εισβολέα της Citibank στη Μόσχα. Η επιχειρηματική έκδοση του FindFace.Pro παρέχεται σε εταιρείες που ενδιαφέρονται για την αναγνώριση πελατών. Τώρα το σύστημα εκπαιδεύεται για τον προσδιορισμό του φύλου, της ηλικίας και των συναισθημάτων των άλλων, κάτι που μπορεί να είναι χρήσιμο όχι μόνο κατά την επικοινωνία με τους πελάτες, αλλά και κατά τη διαχείριση του προσωπικού.

Ομοίως, τα νευρωνικά δίκτυα χρησιμοποιούνται από μια άλλη ρωσική εταιρεία - τη VisionLabs. Χρησιμοποιεί τεχνολογία αναγνώρισης προσώπου για να παρέχει ασφάλεια στις τράπεζες και να δημιουργεί ειδικές προσφορές για τους πιο πιστούς πελάτες διαφόρων καταστημάτων λιανικής.

Η startup Emotian εργάζεται σε παρόμοια κατεύθυνση. Οριστικοποιεί το σύστημα για τον προσδιορισμό της συναισθηματικής κατάστασης των πόλεων. Μέχρι στιγμής, το νευρωνικό δίκτυο υπολογίζει τις πιο ευτυχισμένες περιοχές με βάση δημοσιεύσεις στα κοινωνικά δίκτυα, αλλά στο μέλλον η εταιρεία πρόκειται 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 σχηματίζει μια ροή ειδήσεων, άρθρων, φωτογραφιών και βίντεο με βάση τα ενδιαφέροντα ενός συγκεκριμένου χρήστη. Όσο πιο συχνά στρέφεται στα υλικά που επιλέγει ο αλγόριθμος, τόσο πιο σωστά το νευρωνικό δίκτυο καθορίζει τι άλλο μπορεί να του αρέσει.

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

- 26,76 Kb

Τα νευρωνικά δίκτυα στην ιατρική

Alexander Yezhov, Vladimir Chechetkin

Institute for Innovation and Fusion Research, Troitsk

[email προστατευμένο]

Συγκεκριμένα συστήματα

Καταπολέμηση του καρκίνου

Νευροσυστήματα, γενετική και μόρια

Τα νευρωνικά δίκτυα περπατούν στον πλανήτη

Αντί για συμπέρασμα

Έντονος πόνος στο στήθος. Ένα ασθενοφόρο παραδίδει τον ασθενή στα επείγοντα, όπου ο εφημερεύων γιατρός πρέπει να κάνει τη 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 σημάδια της νόσου. Και 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 ο γιατρός στα επείγοντα να αναλύσει γρήγορα όλους αυτούς τους δείκτες, μαζί με τις σχέσεις τους, για να αποφασίσει για την παραπομπή 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 εσφαλμένα αυτή τη διάγνωση στο 29% των περιπτώσεων. Υπάρχουν πάρα πολλοί ψευδείς συναγερμοί (υπερδιάγνωση). Η ιστορία της χρήσης διαφόρων μεθόδων επεξεργασίας δεδομένων για τη βελτίωση της ποιότητας της διάγνωσης πηγαίνει πίσω δεκαετίες, 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 αναγνωρίσει το έμφραγμα του μυοκαρδίου σε ασθενείς που εισήχθησαν στα επείγοντα με οξύ πόνο στο στήθος. Στόχος του ήταν να δημιουργήσει ένα εργαλείο που μπορεί να βοηθήσει τους γιατρούς που αδυνατούν να αντιμετωπίσουν τη ροή των δεδομένων που χαρακτηρίζει την κατάσταση του εισαχθέντος ασθενή. Ένας άλλος στόχος μπορεί να είναι η βελτίωση των διαγνωστικών. Ο ερευνητής έκανε το έργο του πιο δύσκολο, γιατί ανέλυσε τα δεδομένα μόνο εκείνων των ασθενών που είχαν ήδη παραπεμφθεί στο καρδιολογικό τμήμα. Ο Bakst χρησιμοποίησε μόνο 20 παραμέτρους, μεταξύ των οποίων ήταν η ηλικία, το φύλο, η θέση του πόνου, η ανταπόκριση στη νιτρογλυκερίνη, η ναυτία και ο έμετος, η εφίδρωση, η συγκοπή, ο αναπνευστικός ρυθμός, ο καρδιακός ρυθμός, οι προηγούμενες καρδιακές προσβολές, ο διαβήτης, η υπέρταση, η διάταση της σφαγίτιδας φλέβα, μια σειρά Χαρακτηριστικά ΗΚΓ και παρουσία σημαντικών ισχαιμικών αλλαγών.

Το δίκτυο ήταν 92% ακριβές στην ανίχνευση εμφράγματος του μυοκαρδίου και παρήγαγε μόνο 4% ψευδείς συναγερμούς, επιβεβαιώνοντας λανθασμένα την παραπομπή ασθενών χωρίς έμφραγμα στο καρδιολογικό τμήμα. Άρα, υπάρχει γεγονός επιτυχούς εφαρμογής τεχνητών νευρωνικών δικτύων στη διάγνωση της νόσου. Τώρα είναι απαραίτητο να εξηγήσουμε σε ποιες παραμέτρους αξιολογείται η ποιότητα της διάγνωσης στη γενική περίπτωση. Ας υποθέσουμε ότι στους δέκα ανθρώπους που όντως παθαίνουν έμφραγμα, η διαγνωστική μέθοδος μπορεί να ανιχνεύσει την ασθένεια 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 ιδιαιτερότητα της μεθόδου - θα είναι 70 %.

Μια ιδανική διαγνωστική μέθοδος θα πρέπει να έχει εκατό τοις εκατό ευαισθησία και ειδικότητα - πρώτον, να μην χάνει ούτε έναν πραγματικά άρρωστο άνθρωπο και, δεύτερον, να μην τρομάζει υγιείς ανθρώπους. Για να ασφαλίσετε, μπορείτε και πρέπει να προσπαθήσετε πρώτα απ 'όλα να εξασφαλίσετε εκατό τοις εκατό ευαισθησία της μεθόδου - δεν μπορείτε να χάσετε την ασθένεια. Αλλά αυτό έχει ως αποτέλεσμα, κατά κανόνα, τη χαμηλή εξειδίκευση της μεθόδου - σε πολλούς ανθρώπους, οι γιατροί υποψιάζονται ασθένειες από τις οποίες δεν πάσχουν πραγματικά οι ασθενείς.

Νευρωνικά δίκτυα για διαγνωστικές εργασίες

Τα νευρωνικά δίκτυα είναι μη γραμμικά συστήματα που επιτρέπουν πολύ καλύτερη ταξινόμηση των δεδομένων από τις κοινώς χρησιμοποιούμενες γραμμικές μεθόδους. Όταν εφαρμόζονται σε ιατρικά διαγνωστικά, καθιστούν δυνατή τη σημαντική αύξηση της ειδικότητας της μεθόδου χωρίς να μειώνεται η ευαισθησία της.

Θυμηθείτε ότι το νευρωνικό δίκτυο που διέγνωσε καρδιακή προσβολή λειτούργησε με ένα μεγάλο σύνολο παραμέτρων, ο αντίκτυπος των οποίων στη διάγνωση ενός ατόμου δεν μπορεί να εκτιμηθεί. Ωστόσο, τα νευρωνικά δίκτυα ήταν σε θέση να λαμβάνουν αποφάσεις με βάση τα κρυφά μοτίβα που εντόπισαν σε πολυδιάστατα δεδομένα. Ένα χαρακτηριστικό γνώρισμα των νευρωνικών δικτύων 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 έμπειρα συστήματα, η ανάπτυξη των οποίων στη δεκαετία του '70 έλαβε χώρα μετά την προσωρινή «νίκη» της Τεχνητής Νοημοσύνης έναντι της προσέγγισης της μοντελοποίησης μνήμης, της αναγνώρισης προτύπων και της γενίκευσης, η οποία βασίστηκε στη μελέτη της νευρωνικής οργάνωσης του εγκεφάλου.

Ένα από τα πιο γνωστά από τα ανεπτυγμένα συστήματα εμπειρογνωμόνων, η λειτουργία του οποίου βασίστηκε στη γνώση που αντλήθηκε 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 μια μέρα και οι γιατροί μπορούσαν να εντοπίσουν σήψη μόνο στο 50% των περιπτώσεων. Το MYCIN φαινόταν να είναι ένας πραγματικός θρίαμβος της τεχνολογίας έμπειρων συστημάτων, καθώς μπορούσε να ανιχνεύσει τη σήψη στο 100% των περιπτώσεων. Ωστόσο, μετά από μια στενότερη γνωριμία με αυτό το έμπειρο σύστημα, οι γιατροί βελτίωσαν σημαντικά τις παραδοσιακές διαγνωστικές μεθόδους και το MYCIN έχασε τη σημασία του, μετατρέποντας σε εκπαιδευτικό σύστημα. Τα έμπειρα συστήματα «πήγαν» μόνο στην καρδιολογία - για την ανάλυση ηλεκτροκαρδιογραφημάτων. Οι περίπλοκοι κανόνες που αποτελούν το κύριο περιεχόμενο των βιβλίων για την κλινική ανάλυση ΗΚΓ έχουν χρησιμοποιηθεί από τα κατάλληλα συστήματα για την έκδοση διαγνωστικού συμπεράσματος.

Τα διαγνωστικά είναι μια ειδική περίπτωση ταξινόμησης συμβάντων και το πιο πολύτιμο είναι η ταξινόμηση εκείνων των γεγονότων που δεν περιλαμβάνονται στο εκπαιδευτικό σετ νευρωνικών δικτύων. 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

Ένα παράδειγμα διαγνωστικού προγράμματος είναι το καρδιοδιαγνωστικό πακέτο που αναπτύχθηκε από την RES Informatica μαζί με το Κέντρο Καρδιολογικής Έρευνας στο Μιλάνο. Το πρόγραμμα επιτρέπει τη μη επεμβατική καρδιοδιαγνωστική 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 καρδιοδιαγνωστικής - στην Αγγλία, για παράδειγμα, χρησιμοποιούνται σε τέσσερα νοσοκομεία για την πρόληψη του εμφράγματος του μυοκαρδίου.

Στην ιατρική, χρησιμοποιείται επίσης ένα άλλο χαρακτηριστικό των νευρωνικών δικτύων - η ικανότητά τους να προβλέπουν χρονικές ακολουθίες. Έχει ήδη σημειωθεί ότι τα έμπειρα συστήματα έχουν επιτύχει στην ανάλυση ΗΚΓ. Τα νευρωνικά δίκτυα είναι επίσης χρήσιμα εδώ. Οι Ki Zhenghu, Yu Henu και Willis Tompkins του Πανεπιστημίου του Wisconsin ανέπτυξαν ένα σύστημα φιλτραρίσματος νευρωνικών δικτύων για ηλεκτροκαρδιογραφήματα που μπορεί να καταστείλει 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 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 του διαγωνισμού προγραμμάτων πρόβλεψης που διεξήγαγε το Πανεπιστήμιο της Santa Fe - τα νευρωνικά δίκτυα κατέλαβαν την πρώτη θέση και κυριάρχησαν μεταξύ τις καλύτερες μεθόδους.

Δυνατότητες χρήσης νευρωνικών δικτύων

Το ΗΚΓ είναι μια ιδιωτική, 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 φροντίδας αναζωογόνησης (οι Αμερικανοί ξοδεύουν το 70% των κεφαλαίων τις τελευταίες 2 εβδομάδες ζωής σε αυτό το τμήμα).

Η μόνη διέξοδος είναι η αποτελεσματικότερη χρήση των διαθέσιμων πόρων. Ας υποθέσουμε ότι η κατάσταση των ασθενών που χειρουργήθηκαν 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, γιατί δεν υπάρχει πού να βάλουν τους νεοεγχειρημένους ασθενείς. Είναι πιο συνετό να χειρουργούνται βαριά άρρωστοι ασθενείς πριν από τα Σαββατοκύριακα ή τις αργίες - οι χειρουργικές αίθουσες εξακολουθούν να είναι κλειστές αυτές τις μέρες, οι χειρουργοί θα ξεκουράζονται και οι ασθενείς θα αναρρώνουν στην εντατική. Αλλά στην αρχή της εργάσιμης εβδομάδας, είναι καλύτερο να χειρουργηθούν εκείνοι οι ασθενείς που θα χρειαστεί να παραμείνουν στην εντατική μόνο μία ή δύο ημέρες. Στη συνέχεια, τα κρεβάτια στην εντατική θα εκκενωθούν γρηγορότερα και θα δέχονται νέους ασθενείς που θα χειρουργηθούν την Τρίτη και την Τετάρτη.

Το ερώτημα είναι πώς να μαντέψετε ποιος θα πρέπει να παραμείνει στην εντατική για μεγάλο χρονικό διάστημα μετά την επέμβαση και ποιος όχι. Ο Jack Too και ο Michael Guerier στο νοσοκομείο St. Michael's Hospital του Πανεπιστημίου του Τορόντο χρησιμοποίησαν νευρωνικά δίκτυα για να κάνουν αυτή την πρόβλεψη. Ως αρχικά δεδομένα πήραν μόνο εκείνες τις πληροφορίες για τον ασθενή που είναι γνωστές στην προεγχειρητική περίοδο. Σημειώστε ότι σε προηγούμενες μελέτες που δεν χρησιμοποιούσαν νευρωνικά δίκτυα, σημαντικές μετεγχειρητικές πληροφορίες χρησιμοποιήθηκαν επίσης ως παράγοντες αυξημένου κινδύνου παραμονής στην εντατική - διάφορες επιπλοκές που προέκυψαν κατά τη χειρουργική επέμβαση.

Οι Tu και Guerir εκπαίδευσαν ένα perceptron διπλής στιβάδας 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 νοσημάτων. Από εκείνους τους ασθενείς που εντοπίστηκαν από το δίκτυο ως με χαμηλό κίνδυνο καθυστέρησης στην εντατική θεραπεία, μόνο το 16,3% πέρασε στην πραγματικότητα περισσότερες από δύο ημέρες στην εντατική θεραπεία. Ταυτόχρονα, πάνω από το 60% όσων προσδιορίστηκαν από το δίκτυο ως υψηλού κινδύνου ανταποκρίθηκαν 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 βρίσκονται σε εξέλιξη εργασίες για τη χρήση των νευρωνικών δικτύων είναι η διάγνωση του καρκίνου του μαστού. Αυτή η ασθένεια είναι η αιτία θανάτου κάθε ένατης γυναίκας.

Η ανίχνευση του όγκου πραγματοποιείται κατά την αρχική ακτινογραφία του μαστού (μαστογραφία) και την επακόλουθη ανάλυση ενός τεμαχίου ιστού όγκου (βιοψία). Παρά την ύπαρξη γενικών κανόνων για τη διαφοροποίηση των 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 εξειδίκευσης της μεθόδου.

Ερευνητές του Πανεπιστημίου 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 σε θέση να λύσει το πρόβλημα με ευαισθησία περίπου 100% και ειδικότητα 59% (σε σύγκριση με 10-20% για τους ακτινολόγους). Πόσες γυναίκες με καλοήθεις όγκους μπορούν να σωθούν από το άγχος της λήψης βιοψίας χρησιμοποιώντας αυτό το νευρωνικό δίκτυο! Στην κλινική Mayo (Μινεσότα), το νευρωνικό δίκτυο ανέλυσε τα αποτελέσματα του υπερήχου μαστού και έδωσε ειδικότητα 40%, ενώ για τις ίδιες γυναίκες, η ειδικότητα του πορίσματος των ακτινολόγων αποδείχθηκε 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 δυνατή η υποτροπή του όγκου. Τα νευρωνικά δίκτυα ήδη βοηθούν στην αποτελεσματική πρόβλεψή τους. Παρόμοια έρευνα διεξάγεται στην Ιατρική Σχολή του Πανεπιστημίου του Τέξας. Τα εκπαιδευμένα δίκτυα έχουν δείξει την ικανότητά τους να εντοπίζουν και να λαμβάνουν υπόψη πολύ περίπλοκες σχέσεις προγνωστικών μεταβλητών, ιδίως τις τριπλές σχέσεις τους για τη βελτίωση της προγνωστικής ικανότητας.

Οι δυνατότητες χρήσης νευρωνικών δικτύων στην ιατρική είναι ποικίλες και η αρχιτεκτονική τους ποικίλη. Με βάση την πρόβλεψη μακροπρόθεσμων αποτελεσμάτων θεραπείας της νόσου με τη μία ή την άλλη μέθοδο, μπορεί να προτιμηθεί μία από αυτές. Σημαντικό αποτέλεσμα στην πρόγνωση της θεραπείας του καρκίνου των ωοθηκών (ασθένεια κάθε εβδομηκοστή γυναίκα) πέτυχε ο διάσημος Ολλανδός ειδικός Herbert Kappen από το Πανεπιστήμιο του Nimegen (χρησιμοποιεί όχι πολυστρωματικά perceptrons στην εργασία του, αλλά το λεγόμενο Boltzmann Μηχανές – νευρωνικά δίκτυα εκτίμησης πιθανοτήτων).

Εδώ είναι ένα παράδειγμα άλλου τύπου καρκίνου. Ερευνητές από ιατρική σχολή στην Kagawa της Ιαπωνίας, εκπαίδευσαν ένα νευρωνικό δίκτυο που προέβλεψε τα αποτελέσματα της ηπατικής εκτομής σε ασθενείς με ηπατοκυτταρικό καρκίνωμα με σχεδόν χωρίς σφάλματα προεγχειρητικά δεδομένα.

Στο Troitsk Institute for Innovation and Fusion Research (TRINITI), ως μέρος ενός έργου για τη δημιουργία συμβουλευτικών συστημάτων νευρωνικών δικτύων που εφαρμόζει το Υπουργείο Επιστημών, έχει αναπτυχθεί ένα πρόγραμμα νευρωνικών δικτύων που επιλέγει μια μέθοδο θεραπείας για τον βασικοκυτταρικό καρκίνο του δέρματος (basalioma ) με βάση μια μακροπρόθεσμη πρόγνωση υποτροπής. Ο αριθμός των περιπτώσεων βασαλιώματος - μιας ογκολογικής νόσου των λευκών ατόμων με λεπτό δέρμα - είναι το ένα τρίτο όλων των ογκολογικών ασθενειών.

Η διάγνωση μιας από τις μορφές μελανώματος - ενός όγκου, ο οποίος μερικές φορές είναι δύσκολο να διακριθεί από τη μελαγχρωματική μορφή βασαλιώματος, εφαρμόστηκε χρησιμοποιώντας τον προσομοιωτή νευρωνικού δικτύου Multineuron που αναπτύχθηκε στο Υπολογιστικό Κέντρο του SOAN στο Krasnoyarsk υπό την καθοδήγηση του A.N. Gorban.

Σύντομη περιγραφή

Νευρωνικά δίκτυα για διαγνωστικές εργασίες

Συγκεκριμένα συστήματα

Δυνατότητες χρήσης νευρωνικών δικτύων

Καταπολέμηση του καρκίνου

Νευροσυστήματα, γενετική και μόρια

Τα νευρωνικά δίκτυα περπατούν στον πλανήτη