В кино-конференц-зале Ельцин Центра в Екатеринбурге 29 сентября стартовал новый телепроект «Интеллекции», который организует телекомпания Malina.am совместно с Благотворительным фондом В. Потанина. Первым лектором стал директор по маркетингу сервисов компании «Яндекс» Андрей Себрант.
Проект поддерживают Уральский федеральный университет имени Бориса Ельцина и Президентский центр Б.Н. Ельцина.
Предполагается, что «Интеллекции» и их спикеры вместе со зрителями ищут ответы на вопросы о месте человека в стремительно меняющемся мире. В роли лекторов выступят известные ученые, культурные деятели и предприниматели. Они расскажут о развитии технологий, профессиях будущего, изменениях в обществе, рисках и опасностях, которые может повлечь за собой прогресс; и новых возможностях, открывающихся перед людьми благодаря ему. На «Интеллекции» может прийти любой желающий и стать участником телешоу. Для тех, кто не смог прийти на лекцию, организуется прямая трансляция.
Первым спикером «Интеллекций» стал человек-легенда Андрей Себрант – директор по маркетингу сервисов компании «Яндекс», кандидат физико-математических наук и один из ведущих учёных в области искусственных нейронных сетей. Заявленная им тема – «Машинное обучение и машинный интеллект». Машинный интеллект – основа искусственного интеллекта, на котором строится работа поисковой системы «Яндекс», и основаны почти все будущие технологии. Андрей Себрант начал с того, что рассказал, в каких сферах они применяются, насколько они важны не только для прогресса, но и для нашей повседневной жизни, ведь их цель – автоматизация решения задач в самых разных областях человеческой деятельности.
– По мнению мирового сообщества, сформулированном зимой этого года на Всемирном экономическом форуме в Давосе, мы находимся сейчас в процессе четвертой промышленной революции, и движущими силами этой революции являются искусственный интеллект и машинное обучение. Главные отличия от предыдущих революций – те масштабы и та мощь, с которой новые технологии воздействуют на нашу жизнь, – начал Андрей Себрант. – Я занимаюсь российским интернетом практически с момента его появления. Можно спорить о конкретной дате возникновения, но у меня первый электронный почтовый ящик появился в 1988 году, а активными вещами я начал заниматься в начале 90-х. Мне казалось, что после эпохи застоя, когда интернет в газетах называли «игрушкой для американских дебилов», началось невероятно быстрое развитие этих технологий. Только сейчас понимаю, насколько тогда все было медленным. Скорость происходящего сейчас для нас абсолютно беспрецедентна. Для нас наиболее актуальны вопросы: как жить в этом быстро меняющемся мире, и что кроме самой технологии позволяет назвать текущее время эпохой технической революции. Революционность технологии не в столько в ее изобретении, сколько в том, что она становится доступна всем в повседневной жизни. Например, для использования электричества мне не нужно быть электриком – достаточно просто включить в розетку электрочайник, купленный в магазине бытовой техники. Проблема в том, что не все знают, что такая «розетка» есть рядом, и достаточно ее использовать и «не париться».
Спикер привел два наглядных примера решения бытовых задач в 2016 году.
Первый. Жена пожилого американского программиста Роберта Бонда очень любит лужайку перед их домом в Калифорнии. А соседские коты очень любят гадить на эту лужайку. Это сильно не нравится жене Бонда. Как может решить эту задачу пенсионер, живущий в Калифорнии в 2016 году? Во-первых, он ставит камеру видеонаблюдения. Во-вторых, покупает небольшой компьютер, загружает на него опенсорсной (открытый – ред.) код нейронной сети и начинает тренировать эту сеть на распознавание котов. Казалось бы, задача тривиальная, ведь чтобы натренировать нейронную сеть на распознавание чего-либо, достаточно иметь много картинок, на которых она учится. Однако, большинство фотографий котов в интернете сделаны при дневном освещении, а на лужайке Бонда они гадят ночью. Таких фотографий в интернете крайне мало. Так что сначала, благодаря съемкам камеры наблюдения, он накопил достаточно изображений, а нейронная сеть научилась распознавать котов, заходящих на лужайку и днем, и ночью. Бонд подключил к компьютеру насос, включающий разбрызгиватель, когда кот приготовился сходить на лужайке. Обрызганный холодной водой кот сразу убегает. При этом дети, гости, хозяева дома могут продолжать спокойной ходить по лужайке, не опасаясь, что их ни с того ни с сего обдаст водой. Нормальное решение тривиальной задачи с помощью обучающейся нейросети. В качестве «розетки» здесь выступает опенсорсный код.
Пример второй. Пожилая мама японца Макото Коити работает на небольшой семейной ферме, выращивают огурцы. Есть девять категорий этих огурцов, отличающихся размером, цветом, пупырышками и формой. Так что у мамы довольно трудная работа: восемь часов в день сортировать огурцы по этим девяти категориям. Макото, решив помочь маме, не покупает компьютер, а поднимает сеть в «облаке» TensorFlow – опенсорсный код, написанный Google – это самая мощная система машинного обучения на сегодня – и учит ее категоризировать огурцы, благо фотографий огурцов у него много. Дальше к маленькому компьютеру подключаются движки от Arduino, которые сталкивают огурцы с конвейера. А сортировкой управляет не мама, а специально обученная нейронная сеть.
– Информационные технологии – это уже устаревший термин, – рассказывает Андрей. – Сейчас мы говорим об операционных технологиях – это дэшборд: тебе устройство сообщило информацию, вывело ее на экран, ты принял решение и отправил кого-то это решение выполнять. В операционных технологиях «ты» – вообще лишний: хорошо обученная сетка сама сталкивает нужный огурец в нужный контейнер. Сегодняшняя цель – не только научить машину принимать решения, но и доверить ей принятие этих решений. И системы здесь гораздо сложнее, чем на ферме с огурцами. Это то, что последние года два рассказывают крупнейшие компании: произошел качественный переход от IT к OT, от информационных к операционным технологиям. И теперь оно живет само.
Андрей Себрант рассказал, что происходит не только в США или Японии, но и в России. Четыре примера от Яндекс:
- Анализ экспериментов ЦЕРН (ЦЕРН – Европейская организация по ядерным исследованиям, крупнейшая в мире лаборатория физики высоких энергий).
- Более точный прогноз погоды, с точностью до квартала в пределах города.
- Предсказание готовности участника подписного сервиса покинуть этот сервис, еще до того, как он сам это осознал.
- Оптимизация выплавки стали на Магнитогорском металлургическом комбинате.
– Эти четыре задачи решают наши алгоритмы, при том, что у нас и ядерных физиков класса ЦЕРН нет, – поясняет Андрей Себрант. – Как нет метеорологов, психологов и металлургов подобного класса. Тем не менее, во всех этих случаях наши сети решают задачи лучше, чем общепризнанные специалисты. Хотим мы или нет, но мы должны научиться жить с умными «черными ящиками». Я предпочитаю называть их машинным, а не искусственным интеллектом. Есть хорошая аналогия: мы не умеем делать искусственных птиц. Птица – это идея полета. Но воплотил эту идею не Икар, а те, кто сначала придумал воздушный шар, потом – дирижабль, позже – крыло с профилем Жуковского, а потом аппараты, полетевшие в космос – которые вообще не похожи на птиц, но воплощают идею полета. Тоже и с искусственным интеллектом. Сначала мы использовали различные простые приспособления. А теперь есть нейронные сети – нам неважно, как они работают, главное – мы можем решать задачи, стоящие перед нами. Нейронные сети это не вспомогательные инструменты, они учатся сами, а значит, им стали доступны вещи, которые ставили барьер перед традиционными компьютерными технологиями. Теперь нет проблемы перевода информации в машиночитаемый вид: машина научилась сама читать и распознавать изображение и текст, слушать и отвечать голосом – исчез интерфейсный барьер.
Себрант рассказал об уникальной технологии Meteum, которая обеспечивает прогноз погоды, похожий на прогнозы из других источников, но в сущности совершенно другой. Потому что классическая метеорология – это огромный поток данных со спутников, наземных метеостанций, 1500 зондовых станций, с которых каждый час запускаются радиозонды – и все эти данные загружаются в модели, которые в течении многих лет создавались лучшими физиками и метеорологами. Такая модель запускается на суперкомпьютере, и с помощью нее строится традиционный прогноз. Себрант предлагает сделать следующее: запустить систему машинного обучения прогнозам по всем трем моделям и каждый день сравнивать с тем, что есть на самом деле. Оказывается, можно просить машину обучаться и минимизировать разницу между предсказываемым и действительным. Не нужно ничего понимать в физике атмосферы – нужно просто предоставлять нейросети необходимые данные. Например, информацию из «Яндекс.Карты», что уже делается. Потому что есть разница температур между городом и лесом, пляжем и пашней, и о типе подстилающей поверхности позволяют узнать «Яндекс.Карты». Поскольку это не физическая модель, то можно «загнать» туда какую угодно информацию.
– Например: сколько времени ваш кот провел на батарее вчера, или цвет солнца на закате, – шутит Себрант. – Это не модель в привычном смысле, основанная на глубоком понимании, а куча данных, на основании которых нейросеть по известным только ей алгоритмам обучается предсказывать погоду. Тоже и с персонализацией. Нейросети обучаются на основе действий и предпочтений пользователя. При этом обучающиеся алгоритмы ведут себя не как алгоритмы, которым навязан какой-то механизм выбора извне. Здесь у машинного интеллекта проявляется свойство, похожее на интуицию. Например, сервис «Яндекс.Музыка». Как только включается «черный ящик» – человек начинает чаще пользоваться сервисом, потому что на основе своей «интуиции» машинный интеллект предлагает ему музыку, которую он никогда не слышал, но которая ему понравится. То же касается сервиса «Яндекс.Дзен», который представляет нечто большее, чем ленту новостей, это выборка публикаций на основе ваших интересов. Все это доступно из «розетки». Вам нужен или API (интерфейс программирования приложений), либо открытый код для того, чтобы не заниматься всем этим искусственным интеллектом, а использовать то, что в этом направлении наработало человечество. Вам нужно распознавание речи? Подключите API «Яндекс.SpeechKit». Нужно распознавать кошек – TensorFlow от Google. Существует много «облаков», на которых вы можете запустить подобные задачи машинного обучения.
В заключении спикер напомнил, что в ближайшем будущем всем нам предстоит работать не только с людьми, но и с умными машинами, которые думают по-другому и могут то, чего не может человек. Главная задача – понять, что лучше делает человек, а что машина, и не бояться делегировать различные функции машине. Человек превосходит машину в одном – он умеет ставить ей цели. А она успешно их достигает.
– Я рассказал вам про то, как будущее устроено, а не про то, чего в нем не будет, – подытожил лектор. – Я не вижу всего будущего, и та картинка, которую я нарисовал, она консервативна. Я старался не говорить: «А вот этого не произойдет!». Потому что, когда я говорю такие слова – я, скорее всего, вру. Могу сказать, что мир гораздо более мощных и более умных, чем мы машин точно будет. И мы должны научиться с ними жить!
По окончании лекции к микрофонам выстроились две внушительные очереди желающих задать спикеру вопрос. Себрант отвечал на вопросы более часа. Потом, чтобы не задерживать всех участников «Интеллекций», самым активным предложил остаться. Камерного общения не получилось, потому что осталось более пятидесяти человек.
Следующее заседание «Интеллекций» состоится 13 октября – профессор УрФУ Владимир Шур расскажет о нанотехнологиях.
