Журнал ТЗ № 3 2019 |
  бюро находок  
  Где искать        
наши издания
наши анонсы






2019
№ 3
статьи



Журнал ТЗ № 3 2019



Раздел: СТОП-КАДР
Тема:
Автор: Дейв БХАТТАЧАРДЖИ

Особенности обучения интеллектуальных компьютерных приложений в сфере безопасности


Сегодня технологии искусственного интеллекта (ИИ) используются во многих сферах. По данным многочисленных опросов большинство руководителей считают, что ИИ играет определённую роль в улучшении показателей деятельности их компаний и предприятий. Проявления этого прогресса заметны и в повседневной жизни. Интеллектуальные приложения сопровождают нас повсюду: соответствующее программное обеспечение встроено в камеры видеонаблюдения, дроны, беспилотные автомобили, а также в оборудование для медицинской диагностики. Что касается «начинки» этих интеллектуальных приложений, то в большинстве своём они разработаны на основе единой технологии – так называемой технологии глубокого обучения. И хотя в её разработке был достигнут значительный прогресс, возникает ряд вопросов: насколько передовой является эта технология? Не кладем ли мы «все яйца в одну корзину», замедляя, таким образом, прогресс в этой чрезвычайно важной отрасли науки?

Принцип действия технологии глубокого обучения

Для того чтобы лучше понять существо данного вопроса, необходимо ознакомиться с принципами, лежащими в основе технологии глубокого обучения. Глубокое обучение – это технология, имитирующая работу нейронов и синапсов человеческого мозга. В отличие от последнего, являющегося творением природы, такая рукотворная форма обучения оказывается в достаточной степени управляемой.

Рассмотрим изложенное на примере алгоритма, применяемого в процессе глубокого обучения всякого приложения для обработки изображений. Вначале получают набор изображений для обучения модели. Этот набор данных будет состоять из файлов, связанных с названием того, что изображено (например, кот, собака и т.д.). Затем создают модель нейронной сети, достаточно условно имитирующей работу человеческого глаза: при этом используют различные нейронные слои для выполнения свёртки, определения основных особенностей изображения, субдискретизации и, наконец, классификации изображений.

Модель самообучается в процессе взаимодействия с подобранными таким образом обучающими наборами данных. Обучение проходит в несколько циклов, при этом нейронную сеть настраивают на повышение точности классификации изображений с помощью так называемой технологии обратного распространения ошибки. Получив положительную оценку, прошедшая обучение модель впоследствии используется в реальных условиях для обнаружения объектов, которые она обучена узнавать.

Ограничения при обучении обработке изображений

Хотя вышеуказанная технология хорошо работает с изображениями, аналогичными тем, на которых модель была обучена, со всеми прочими изображениями, не похожими на исходный набор обучающих данных, дело обстоит заметно хуже. Например, если обучение модели было направлено на обнаружение щенков, то она вряд ли обнаружит взрослых собак. Если же обучение модели было направлено на обнаружение собак, то вряд ли она будет способна распознать кота как животное, несмотря на очевидное внешнее сходство обоих видов – наличие четырёх лап и хвоста. Хотя это и может быть допустимо в специализированных приложениях для обработки изображений, рассмотренная модель значительно уступает в интуиции и способности к эмпирическому обучению даже 2-летнему ребенку. Более того, создание универсального приложения для обработки изображений может потребовать колоссальных усилий. Безусловно, когда речь заходит о процессе обучения и о преодолении ограничений технологии глубокого обучения, преимущество остаётся за человеком.

В альтернативных методах акцент делается на эмпирическом опыте

Исследователи ИИ экспериментируют с другими методами разработки эмпирических подходов к обучению, аналогичных методикам обучения ребёнка. Одним из методов является обучение с подкреплением. Ключевыми элементами такой формы обучения являются агент, набор возможных действий, предпринимаемых агентом, искусственная среда, воспроизводящая условия реального мира, и система вознаграждения за выполненные задачи.

Агенту ставится задача для выполнения в среде. В любой момент времени агент может выбрать действие из набора возможных, после чего в конце каждой сессии агент получает вознаграждение при успешном выполнении поставленной задачи. Агент обучается методом проб и ошибок, а также посредством формирования в его памяти хронологии предпринятых действий и связанных с ними вознаграждений. Целью агента является получение максимального вознаграждения.

Эта технология часто используется в играх. Например, она была использована в приложении Google AlphaGo Zero, интеллектуальном ПО для игры в Го (сложная китайская логическая игра) с целью определения стратегии победы над лучшими игроками мира. В процессе обучения игре AlphaGo Zero начинает с нуля, использует случайные ходы и играет сама против себя.

Человеку свойственно ошибаться, но не в этом ли ключ ко всему?

Время от времени мы вспоминаем старинную поговорку «Человеку свойственно ошибаться» в оправдание наших неудач, но сегодня исследователи ИИ начинают понимать, что эта якобы исключительно человеческая черта вкупе с методом проб и ошибок может оказаться основой основ процесса компьютерного обучения. Пока слишком рано говорить о том, найдёт ли обучение с подкреплением практическое применение в реальной жизни, но прогнозы довольно оптимистичны. Что же касается глубокого обучения, то в настоящее время эта технология является «рабочей лошадкой» в деле обучения интеллектуальных приложений и, вероятно, как и сегодня, займёт достойное место в ближайшем будущем.

Источник: www.securitysales.com

Внимание! Копирование материалов, размещенных на данном сайте допускается только со ссылкой на ресурс http://www.tzmagazine.ru

Рады сообщить нашим читателям, что теперь нашем сайте работает модуль обратной связи. Нам важна ваша оценка наших публикаций! Также вы можете задавать свои вопросы.Наши авторы обязательно ответят на них.
Ждем ваших оценок, вопросов и комментариев!
Добавить комментарий или задать вопрос

Правила комментирования статей

Версия для печати

Средняя оценка этой статьи: 0  (голосов: 0)
Ваша оценка:

назад
|

Конкурс «Лучший инновационный продукт». 25 успешных лет
Конкурс ежегодно проводится с 1996 года в рамках отраслевой выставки Securika Moscow. За четверть века проект получил высокое признание специалистов, в значительной степени повлиял на формирование рынка систем безопасности и имиджа выставки как главного отраслевого события. За годы проведения конкурса в нем приняли участие более 900 отечественных и иностранных компаний. Успех более 1000 разработок был отмечен профессиональным жюри.



Axis представляет сетевой радар для точного обнаружения вторжений в контролируемых зонах
Компания Axis дополняет свой обширный портфель продукции сетевыми радарами. Радарные датчики вторжения не реагируют на многие распространенные сигналы, которые приводят к ложным срабатываниям, и легко устанавливаются и интегрируются в существующие системы.



Новинка от компании IDIS: 5Мп IP-видеокамера DC-T3533HRX
Тенденции развития индустрии IP-видеонаблюдения демонстрируют погоню производителей за увеличением разрешающей способности видеокамер. При этом часто оказывается так, что озвучиваемые цифры в 4, 9, 12 и даже 20 мегапикселей оказываются несопоставимыми с физическими размерами сенсоров, используемых в этих камерах. Поэтому подобные разрешения реализуются лишь на уровне соответствующих цифр в настройках камеры и не приводят к какому-либо улучшению изображения.



Реклама
Подписка на новости
Имя
E-mail
Анти-спам код
Copyright © 2008 —2022 «Технологии защиты».