Конечно, Prisma уже далеко не единственные, и с тех пор у них появилось множество конкурентов. Facebook купили приложение MSQRD , которое добавляет анимированные «маски» к вашим видео. В отличие от Призмы здесь ставка сделана на распознавание лиц и наложение фильтров на них.

SwiftKey и другие клавиатуры

Большинство современных клавиатур для мобильников уже давно не используют пользовательские словари, такие как T9. Если вы набираете какую-то фразу, то наверняка здесь замешана нейросеть. Некоторые разработчики идут дальше. SwiftKey выпустили бета-версию клавиатуры, которая полностью основана на работе нейросети. Благодаря чему клавиатура не просто подставляет наиболее часто набираемые фразы, а основывается на контексте.

Новая технология пока доступна для ограниченного количества языков и находится на стадии бета-версии. Но и публичная версия SwiftKey основывается на Больших данных. Например, пользовательские словари доступны всем, кто установил клавиатуру. Конечно, за исключением персональных данных.

Snapchat и его фильтры - ещё одно из самых известных применений нейросетей. Если упростить сложное, то приложение использует компьютерное распознавание лиц для идентификации мимики и точек движения мускулов. А уже потом применяет к ним свои фильтры.

Shazam и SoundHound

Эти два популярных приложения распознают музыку, которая играет рядом с нами, а затем сверяет этот фрагмент со слепком в своей «библиотеке». Звучит достаточно просто, но для этого приложение использует нейросети. Здесь приходится решить несколько сложных задач, и даже ни сколько по поиску совпадений, а по очистке лишнего шума при распознавании.

Google Ассистент и Siri

Говорить только про Google Ассистент или Siri будет не совсем правильно. Представить современные сервисы Google и Apple невозможно без Big Data и нейросетей. Любая разработка от этих двух компаний, так или иначе, задействует нейросети. Автоподсказки при поиске, показ рекламы, очистка почты от спама и многое другое. И всё-таки самое явное для нас применение - это голосовые ассистенты. Смартфон распознаёт наш запрос и выполняет поставленную задачу в зависимости не только от контекста фразы, но и нашего местоположения.

Carat

Некоторые приложения, наоборот, нацелены на выполнение лишь одной задачи. Например, Carat на основе данных о вашем использовании смартфона (анализе расхода батареи) укажет на те приложения, которые больше всего расходуют заряд. Вы можете удалить или ограничить использование таких программ и помочь телефону «дожить» до розетки.

Netflix, YouTube, Apple и Google Музыка... Все эти сервисы предлагают музыку и видео на основе ваших предпочтений. За последние пару лет этот тренд пошёл немного дальше и теперь нам предлагаются целые смарт-листы, которые подойдут под наш род занятий или время дня.

Big Data и нейросети могут не только продавать нам рекламу, лечить наши болезни или управлять нашим разумом. Большинство разработок мы замечаем только тогда, когда они подаются нам в развлекательном формате или улучшают наши самые простые ежедневные задачи. Из-за чего мы часто забываем, что нейросеть - это не только моська котёнка у нас в телефоне.

Один из ТОП-менеджеров Google Сандар Пичаи заявил в 2014 году, что главным приоритетом компании на данном этапе ее развития является машинное обучение. Через два года, после этого заявления, в марте 2016 года программа AlphaGo обыграла лучшего игрока в Го профессионала 9 дана Ли Седоля. Эта программа, разработанная стартапом DeepMind и сегодня принадлежащая Google, работает на алгоритме самообучающихся нейросетей. После разгромной победы искусственного интеллекта над человеческим гением начался бум нейронных систем.

Что из себя представляют нейросети, где они применяются и почему сегодня о них упоминается так часто, мы расскажем в этой статье.

Навигация

Что такое нейронные сети и какие задачи они решают?

Человечество давно бьется над разработками в области искусственного разума. Нейронные сети, одна из таких разработок. Принципы построения таких сетей заключается в «копировании» человеческой нервной системы. Их главная особенность в том, что они способны к самообучению. То есть, могут работать на основании данных полученных ранее.

Но, нейросети это не только имитация деятельности систем человека. Они и по своей структуре напоминают нервную систему. То есть, состоят из отдельных вычислительных элементов. Которые можно сравнить с нейронами человека. Все данные, которые получает такая сеть, последовательно проходят обработку нескольких сегментов нейросети (слоев), которые состоят из нескольких «нейронов».

Так как сети известны параметры каждого «нейрона» и всей сети в целом, она может в следствии полученных ранее данных менять свою работу. То есть «самообучаться».

Сегодня нейросети применяются довольно часто. К примеру, многие крупные интернет-магазины используют их для того, чтобы предлагать своим клиентам более подходящие для них товары. Также широко применяются такие математические модели для распознавания и воспроизведения речи, а также распознавания и обработки изображений.

Бум на беспилотные автомобили также открыли новую сферу применения нейронных сетей. Они используются для прокладки маршрута и работы систем навигации.

На них обратили внимание и производители антивирусного ПО. Такие разработки в области искусственного разума позволяют защитить информацию от киберпреступников и выявить противозаконный контент в Интернете.

Что такое нейронные сети? Электронный мозг

Уже сейчас футурологи «рисуют» удивительную картину будущего, где масштабы применения нейросетей возрастут многократно. Например, появятся роботы, садоводы. Которые благодаря сотням встроенных микрокамер будут получать данные, анализировать их и отделять сорняки от культурных растений. Благодаря «самообучению» такие роботы способны применить к каждому растению индивидуальную обработку.

В разрабатываемом сейчас «интернете вещей» нейронные сети смогут создать голосовые интерфейсы для «общения» различных объектов такой «паутины». Алгоритмы такой математической модели смогут заменить человека в колл-центрах, контролеров на складах, переводчиков, консультантов и представителей других профессий. По мнению многих аналитиков, на это нейронным сетям потребуется всего 3-5 лет.

Уже сегодня нейронные сети позволяют принимать некоторые решения за человека. Пусть пока их назвать слишком интеллектуальными нельзя, но победа в Го программы, основанной на таких алгоритмах, позволяют верить в их успех в будущем.

Почему нейронные сети стали так популярны именно сейчас?

Про искусственный интеллект человечество задумалось очень давно. Об использование для решения этого вопроса нейронных сетей заговорили 70 лет тому назад. Но, лишь сегодня это стало возможным в тех объемах, которые необходимы.

Популярность нейросетей сегодня обусловлено возросшей скоростью работы «нейронов». То есть отдельных вычислительных элементов. Благодаря чему удалось снизить время на стадию «обучения». Требуемые для работы таких сетей десятки миллионов данных благодаря современным процессорам и видеокартам обрабатываются достаточно быстро. Современные технологии ускоренного обучения и вывели их на передовую искусственного интеллекта.

Алгоритмы нейронных систем в мобильных приложениях

В последнее время на рынке мобильных приложений появилось очень много развлекательных проектов, которые используют нейросети. Конечно, главную рекламу им сделало приложение Prisma. Кроме того, стоит отметить и конкурента этого приложения Mlvch, а также популярный видеосервис MSQRD. Который также использует описываемые математические алгоритмы.

PRISMA

Приложение Prisma

Приложение Prisma, российских разработчиков, преобразующее фотографии под картины известных художников, пожалуй, самое известное применение нейронных сетей в современной жизни. В первую очередь, Prisma демонстрирует возможности таких математических алгоритмов при разработке мобильных приложений. Но, такая стилизация изображений может применяться не только в развлекательных целях, но и в дизайне, мультипликации, компьютерной графике и других подобных областях.

Да, создателей Prisma нельзя назвать первопроходцами. Использование нейросетей для обработки изображений применялось и раньше. Например, для создания фильма в стиле Ван Гога применялись схожие алгоритмы, но обработка одного кадра занимала около 3 минут. Современные технологии позволяют это сделать гораздо быстрее. В той же Prisma на обработку одной фотографии уходит чуть больше 1 секунды. И это при том, что фотография загружается на сервер, обрабатывается и отправляется пользователю.

При обработке фотографии определяются отображенные на ней объекты. После чего к снимку применяется стиль выбранного художника. То есть, приложение с помощью искусственных нейронных сетей «дублирует» работу мозга художника. Это удивительно, завораживающе и очень красиво.

Сейчас в «Призме» можно выбирать фильтры имитирующие стили 21 художника - от Эдварда Мунка и Марка Шагала до Ван Гога и Пикассо. По словам разработчиков, в уже скоро алгоритмы приложения помогут выбрать подходящие фильтры в автоматическом режиме.

MLVCH

Приложение Mlvch является главным конкурентом Prisma. Оно работает на подобном алгоритме, но отличается более сложной проработкой. Если в Prisma изображение обрабатывается за 20-30 итераций, то в Mlvch за 100. Что позволяет на выходе получить более детальное изображение. Кроме того, в Mlvch в 2,5 раза больше фильтров, чем в Prisma.

Что касается минусов, то такая сложность обработки фотографий в Mlvch увеличивает время получения готового варианта. Кроме того, на бесплатной основе в день можно обработать только одну фотографию. За все последующие придется платить по 75 рублей. Кроме того, можно купить пакет из 100 фотографий за 2990 рублей.

Где еще применяются нейронные сети?

Конечно, прикладные продукты, использующие нейросети, чаще всего применяют для анализа изображений. Но, с помощью приложения Clarifai можно пойти дальше и распознать изображение на видео. Еще один подобный сервис предлагает российская компания Ntechlab. Она разработала приложение Findface. С помощью которого можно по фотографии пользователя найти его профиль в социальной сети «Вконтакте»

Сервис «Авто.ру», который сегодня принадлежит Яндексу, по фотографии самостоятельно распознает марку и модель изображенного автомобиля. Принцип «компьютерного зрения», применяемый в таком распознавании, также работает на технологии нейросетей.

С помощью приложения Ostagram можно не только накладывать стили, но даже перерисовывать картины. А с помощью Deepomatic, пользователю на основе того, какие картинки он раздавал в интернете, предлагаются товары из интернет-магазинов.

Конечно, анализом картинок с рекламными и развлекательными целями область применения нейросетей не ограничивается. Стартап Ava позволяет следить за своим здоровьем. Приложение анализирует фотографию блюд и продуктов питания и выдает информацию о калориях и различных добавках.

Не так давно с помощью алгоритма нейронных сетей Яндекс записал музыкальный альбом «Нейронная оборона». Проект, который получил название «Автопоэт», генерировал зарифмованные тексты.

Использует описываемые математические алгоритмы и другой ведущий интернет-поисковик Google. В ноябре 2015 года эта компания внедрила в свою почту Gmail специальную функцию, благодаря которой сервис сам генерирует три ответа на входящее письмо. Выбрать самый лучший можно одним кликом мыши.

Также нейронные сети используют при создании беспилотных автомобилей и летающих аппаратов. Сначала этими средствами передвижения управляет человек. Данные собираются в специальную базу, которая используется для «обучения» автопилота. Уже сейчас в Швейцарии действует беспилотный летательный объект, который использует принципы нейросети и применяется для поиска заблудившихся туристов.

Популярные в последнее время боты, которые используются в социальных сетях и месседжерах, также могут использовать описываемые математические алгоритмы. Американский стартап Luka с успехом использует нейросети для обучения своих ботов. А с помощью приложения Eterni.me можно создать аватар и «научить» его быть своим владельцем. Для этого нейросети собирают информацию о владельце аватара и внедряют ее виртуальному объекту. Такой объект после смерти своего прототипа сможет продолжить «жизнь» своего владельца.

Кроме того, такого бота-аватара можно создать для общения с людьми, на которых вам не хочется тратить время. Компания Burner с успехом тестирует такой продукт. Ждем появления специального приложения для создания своего бота.

Также нейронные сети в будущем будут использоваться для постановки медицинского диагноза или «чтения» результатов анализов. Такие компании как Atomwise, Enlitic, Quantified Skin и др. уже работают в этом направлении. А проект Deep Genomics может анализировать геном и предсказывать развитие возможных заболеваний.

Видео. Вопрос науки. Как работают нейронные сети?

Нейронных сетей. В качестве примера, созданы компоненты реализующие две нейросетевые парадигмы: рекуррентную нейронную сеть, в нашем случае – это сеть Хопфилда и многослойную нейронную сеть обучаемую по алгоритму обратного распространения ошибки (back propagation).

Основным назначением библиотеки является интеграция нейронных сетей в информационные системы, для расширения аналитических возможностей систем. Реализация нейронных сетей в виде компонентов, наличие открытого кода позволяет легко встраивать в другие программы. Объектно-ориентированное исполнение придает особую гибкость, достаточно переписать пару методов и вы можете получить компонент, оптимизированный под ваши задачи.

Иерархия классов

Существует три базовых класса TNeuron, TLayer, TNeuralNet. Все остальные являются производными от них. На рис.1 приведена иерархия классов, сплошными линиями показано наследование (стрелкой указан потомок), пунктирными в каких классах они используются.

TNeuron является базовым классом для нейронов, несет всю основную функциональность, имеет индексированное свойство Weights, представляющее собой весовые коэффициенты (синапсы), свойство Output, которое является выходом нейрона (результатом вычислений) и сумматор, роль которого, выполняет метод ComputeOut.

TNeuronHopf , потомок TNeuron, реализует нейрон используемый в нейронной сети Хопфилда, единственным отличием от базового класса, является использования активационной функции в перекрытом методе ComputeOut.

Следующим порожденным классом, является TNeuronBP служащий для программной реализации многослойных нейронных сетей. Аббревиатура BP в имени класса не должна вводить вас в заблуждение, что нейрон этого типа используется исключительно в сетях обучаемых по алгоритму обратного распространения, этим, мы лишний раз хотели подчеркнуть, что в нашем случае нейронная сеть обучается по этому алгоритму.
Переписан метод ComputeOut, использующий теперь нелинейную активационную функцию, которая реализована в виде индексированного свойства процедурного типа OnActivationF. Кроме того, добавлены два важных свойства, Delta – содержащая локальную ошибку и индексированное свойство PrevUpdate – содержащее величину коррекции весовых коэффициентов на предыдущем шаге обучения сети.

Основным назначением базового класса TLayer и его потомков TLayerHopf и TLayerBP является объединение нейронов в слой, для упрощения работы с нейронами.

Компонент TNeuralNet базовый компонент для всех видов нейронных сетей. TNeuralNet обеспечивает необходимую функциональность производных компонентов. Этот компонент поддерживает методы для работы со слоями сети (AddLayer, DeleteLayer) и методы для манипуляций с исходными данными (AddPattern, DeletePattern, ResetPatterns). Метод Init служит для построения нейронной сети. Большинство методов объявленных в разделе public в базовом компоненте и его потомках – виртуальные, что позволяет легко перекрывать их.
Компонент TNeuralNetHopf реализует нейронную сеть Хопфилда.

Дополнительно включены следующие методы: InitWeights – запоминает предъявленные образцы в матрице образов и метод Calc – вычисляет выход сети Хопфилда.

Компонент TNeuralNetBP реализует многослойную нейронную сеть обучаемую по алгоритму обратного распространения ошибки.

Дополнительно включены следующие методы: Compute – вычисляет выход нейронной сети, используется после обучения сети; TeachOffLine – обучает нейронную сеть. Компонент позволяет в режиме design-time, в окне Object Inspector, конструировать нейронную сеть добавляя или удаляя слои и нейроны в сети. Для этого используется редактор свойств NeuronsInLayer, имеющий следующий вид:

Совместимость с Neural Network Wizard

Следующим компонентом является TNeuralNetExtented порожденный от TNeuralNetBP, который обеспечивает полную совместимость с Neural Network Wizard. Дополнительно включены следующие методы: для записи (LoadPhase1, LoadPhase2, LoadPhase4, LoadNetwork) и чтения (SavePhase1, SavePhase2, SavePhase4, SaveNetwork) обученной нейронной сети в формате *.nnw; LoadDataFrom – загружает данные из текстового файла, а также метод NormalizeData нормализации входных и выходных данных; Train – для обучения нейронной сети; ComputeUnPrepData – для вычисления выхода сети, используется в том случае, если у вас входные значения ненормализованы.

Компонент позволяет в режиме design-time, в окне Object Inspector, выбирать нужные поля, а также задавать тип нормализации полей. Для этих целей используется редактор свойств, имеющий следующий вид:

Компонент TNeuralNetExtented один из самых мощных в библиотеке NeuralBase. Используя этот компонент, практически за считанные минуты можете получить готовое полнофункциональное приложение.

Демонстрационные программы

В качестве демонстрационных примеров приведены три программы, показывающие возможности предложенных компонентов.

Программа Recognition используя компонент TNeuralNetHopf , реализует нейронную сеть Хопфилда. Программа решает задачу распознавания образов. На вход сети подается некий образ, возможно искаженный или неполный и нейронная сеть восстанавливает образ, т.е. относит предъявляемый образ к одному из хранимых сетью образов, либо в случае неудачи, выдает новый образ, иногда называемый "химерой".

Программа XOR_Problem , реализует функцию "исключающее или", которая является стандартным тестом, после знаменитой работы Минского и Пейперта "Перцептроны". В основе программы лежит компонент TNeuralNetBP.

Программа EasyNNW , использующая компонент TNeuralNetExtented представляет собой аналог программы , единственным отличием от NNW является несколько "облегченный" интерфейс. Данный пример показывает, насколько легко и быстро, создаются программы реализующие нейронные сети с достаточно хорошей функциональностью на основе библиотеки компонентов NeuralBase.