Использование нейронных сетей в исследованиях в области искусственного интеллекта (ИИ) привело к весьма впечатляющим результатам ( https://towardsdatascience.com/the-5-deep-learning-breakthroughs-you-should-know-about-df27674ccdf2 ), в числе которых можно назвать:
- Классификация и выявление графических образов – определение того, какие объекты присутствуют в изображении;
- Генерация текста, который может быть написан в определённом стиле и по определённой теме;
- Перевод с одного языка на другой;
- Генерация изображений объектов или людей, которых не существует в реальности.
Сами по себе нейронные сети относительно просты. Они состоят из узлов, которые получают входные данные, выполняют их простую обработку, а затем производят новые выходные данные. Волшебство происходит тогда, когда создается сеть, которая объединяет и располагает по слоям миллионы узлов. Хотя выполняемая отдельным узлом работа не очень интересна, однако результаты, полученные от большой сети взаимодействующих узлов, могут быть поразительными.
В настоящее время исследователи стремятся усовершенствовать и сделать «умнее» внутренние механизмы нейронных сетей, интегрируя их со стандартными алгоритмами или известными принципами. Улучшения могут означать потребность в меньшем количестве данных для обучения и в создании возможностей для получения ещё более глубоких аналитических результатов.
Исследователи из проекта Google DeepMind Петар Величкович (Petar Veličković, https://petar-v.com/ ) и Чарльз Бланделл (Charles Blundell, http://www.gatsby.ucl.ac.uk/~ucgtcbl/ ) пишут, что «алгоритмы обладают принципиально иными качествами в сравнении с методами глубокого обучения, и на этом основании можно высказать предположение о том, что, если бы методы глубокого обучения могли лучше имитировать алгоритмы, то обобщения такого рода, что наблюдаются при использовании алгоритмов, стали бы возможными и с помощью глубокого обучения – нечто находящееся далеко за пределами досягаемости современных методов машинного обучения. Кроме того, представляя элементы в непрерывном пространстве обученных алгоритмов, нейронные сети могут более близко адаптировать известные алгоритмы к реальным проблемам, потенциально находя более эффективные и прагматичные решения, чем те, которые предлагают ученые-компьютерщики» (см. https://arxiv.org/abs/2105.02761 ).
Хотя алгоритмы часто отличаются элегантностью выдаваемых ими решений, они часто требуют введения допущений и приближений, чтобы проблема могла быть решена. Сочетание алгоритмов с нейронными сетями позволяет сохранять эту элегантность, одновременно давая возможность решать более сложные задачи, которые более точно отражают реальность.
Дик Вейсингер (Dick Weisinger)
Источник: блог компании Formtek
https://formtek.com/blog/neural-algorithmic-reasoning-an-approach-for-solving-messy-real-world-problems-with-algorithmic-elegance/
Комментариев нет:
Отправить комментарий