Читати книгу - "Пришестя роботів: техніка і загроза майбутнього безробіття"

не станеться нічого. Якщо ж натиснути трохи сильніше, то також нічого не станеться. Та коли зусилля натиску долає певний поріг, то — гоп! — вистрибує фігурка. Нейрон працює приблизно так само, з тією лише різницею, що активаційна кнопка натискається за допомогою комбінації з численних вхідних сигналів.

Для візуалізації нейронної мережі уявіть машину, схожу на машину Руба Ґольдберґа, де певна кількість іграшок-стрибунців розташовані на підлозі рядами. Над активаційною кнопкою кожної іграшки зависли три механічні пальці. Замість вистрибувати, іграшки розташовані таким чином, що коли якась іграшка активується, то в результаті кілька механічних пальців у наступному ряді іграшок натискають на власні кнопки. Ключовим моментом здатності нейронної мережі до навчання є те, що силу, з якою кожен палець натискає на відповідну кнопку, можна регулювати.

Для того, щоб навчити нейронну мережу, ви вводите відомі дані до першого ряду нейронів. Наприклад, уявіть, що ви вводите візуальні зображення літер, написаних від руки. Введені дані змушують деякі механічні пальці тиснути з різною силою залежно від того, як вони відрегульовані. Це, своєю чергою, спричиняється до активації певних нейронів і натискання кнопок у наступному ряді. Вихідні дані — або ж відповідь — знімаються з останнього ряду нейронів. У цьому випадку відповідь матиме вигляд бінарного коду, який позначатиме літеру алфавіту, що відповідає її введеному зображенню. Початкова відповідь буде хибною, та наша машина містить також механізми порівняння та зворотного зв’язку. Вихідна інформація порівнюється з наперед відомою правильною відповіддю, і це автоматично спричиняється до корекції механічних пальців у кожному ряду, а це, своєю чергою, викликає корекцію послідовності активації нейронів. З тим, як мережа тренуватиметься на тисячах відомих зображень, а сила натиску внаслідок такого тренування буде безперервно переналагоджуватися, здатність мережі видавати правильну відповідь ставатиме все кращою й кращою. Коли ситуація доходить до такої межі, що покращення результатів припиняється, то це означатиме, що мережа, фактично, вже є навченою.

Оце і є, загалом, той принцип використання нейронних мереж для розпізнання зображень або мовлених слів, перекладу з одної мови на іншу або виконання інших різноманітних завдань. Результатом є програма (по суті — це список усіх налаштувань для механічних пальців, навислих над кнопками активації нейронів), яку можна використовувати для побудови конфігурації нових нейронних мереж, які матимуть здатність автоматично отримувати відповіді з нових даних.

Уперше штучні нейронні мережі були задумані, а згодом й експериментально випробувані наприкінці 1940-х років, і вони вже давно використовуються для розпізнання усталених шаблонів і схем. Одначе протягом останніх кількох років сталася низка революційних зрушень, що спричинилися до вагомого прогресу ефективності та робочих характеристик, особливо коли використовуються множинні шари нейронів — технологія, яку стали називати «глибинним навчанням». Системи глибинного навчання вже керують функцією розпізнавання мов у програмі Siri, розробленій компанією Apple, і їм судилося прискорити прогрес широкого спектра програм, які ґрунтуються на аналізі та розпізнаванні шаблонів. Приміром, створена 2011 року вченими Університету в Луґано, Швейцарія, нейронна мережа глибинного навчання вміла правильно ідентифікувати понад 99 % зображень у великих базах даних дорожніх знаків — такий рівень точності перевершив рівень точності людей-експертів, які змагалися з цією системою. Дослідники з компанії Facebook також розробили експериментальну систему (що складається з дев’яти рівнів штучних нейронів), здатну правильно визначати, чи належать дві фотографії тій самій особі. Точність такого визначення становить 97,25 %, навіть якщо умови освітлення й просторового розташування змінюються. Для порівняння слід зазначити, що процент точності серед людей, які виконували те саме завдання, становив 97,53 % [9].

Джефрі Гінтон із Університету Торонто, один із провідних дослідників у цьому напрямі, зазначає, що технологія «глибинного навчання» добре масштабується. Загалом, треба лише постійно збільшувати її розміри та швидкість, і вона й надалі покращуватиметься» [10]. Іншими словами, навіть не зважаючи на можливі майбутні поліпшення програмної структури системи машинного навчання, немає сумнівів, що ці системи, керовані мережами глибинного навчання, продовжуватимуть прогресувати просто внаслідок дії закону Мура.

Великі масиви даних і кмітливі алгоритми, що їх супроводжують, чинять безпосередній вплив на робочі місця та кар’єру, бо роботодавці, особливо великі корпорації, все більше й більше відстежують міріади кількісних показників і статистичних даних, що так чи інакше пов’язані з роботою та соціальними контактами своїх працівників. Компанії дедалі більше покладаються на так звану «людську аналітику» як спосіб наймати, звільняти, оцінювати й заохочувати працівників. Кількість даних, що регулярно збираються на індивідів і на роботу, яку вони виконують, просто приголомшує. Деякі компанії фіксують кожен натиск кнопки на клавіатурі, що його здійснює кожен працівник. Може виконуватися також збирання й інших даних — електронних листів, телефонних дзвінків, пошуків в інтернеті, запитів до баз даних і запитів на надання доступу до конкретних файлів, даних про вхід і вихід з різних об’єктів і будь-якої іншої інформації — до того ж працівник може про це знати, а може і не здогадуватися [11]. Тоді як початкова мета збирання всієї цієї інформації та її аналізу полягає, зазвичай, у забезпеченні ефективнішого менеджменту й оцінки функціональних показників працівника, зібрані дані можна використати й з іншою метою, до прикладу, для розробки програми автоматизації значної частини тієї роботи, про яку збирається інформація.

Великі масиви даних і спричинена ними революція матимуть два особливо важливі потенційні наслідки для інтелектуальних робіт, що потребують великого обсягу знань. По-перше, накопичені дані можуть, у багатьох випадках, безпосередньо призвести до автоматизації конкретних операцій і робіт. Подібно до людини, яка може вивчити інформацію про минуле і спробувати виконувати конкретні завдання, щоб навчитися новій роботі, кмітливим алгоритмам також часто вдається користатися цим самим принципом. Згадаймо хоча б, що в листопаді 2013 року компанія Google подала патентну заявку на систему, призначену для автоматичного створення персоналізованих електронних листів, а також відповідей у соціальних мережах [12]. Ця система працює таким чином. Спершу вона аналізує колишні електронні листи конкретної людини та її контакти в соціальних мережах. А потім, спираючись на засвоєний матеріал, система автоматично напише відповіді на майбутні електронні листи, твіти чи дописи в блоґах, і робитиме вона це, використовуючи типовий стиль і тон конкретної людини. Неважко уявити, що таку систему насамкінець стануть використовувати для автоматизації значної частини рутинних комунікацій.

Автоматизовані автомобілі Google, уперше продемонстровані 2011 року,