News
Лента
News
Вторник
Март 19
Вся лента

Машинное обучение сегодня – один из наиболее популярных и перспективных подразделов искусственного интеллекта. Однако машина учится понимать совсем не так, как это делает человек, и в работе с машинами эту особенность необходимо учитывать. Как рассказал в беседе с корреспондентом Новости Армении – NEWS.am специалист по машинному обучению Эван Шелхеймер из Caffe, Калифорния, человек многому обучается самостоятельно – он получает опыт и знания, просто глядя по сторонам и делая выводы. Машина же учится только тому, чему ее обучают, и делать самостоятельных выводов пока не может.

Машине, как объяснил специалист, мы показываем пример того, что нам нужно, например, черную дорогу, по которой можно ездить. Человек понимает, что могут быть и другие дороги – других цветов, другой ширины. Машина же будет считать дорогами только черные, если не показать ей все другие возможные дороги.

«Когда мы показываем человеку кадр из видео, в котором водят машину, человек сразу отмечает – вот машина, вот ее контуры, а вот дорога и ее контуры. Человек по умолчанию понимает, что происходит при вождении и как и почему все вокруг человека за рулем движется, меняется. Он понимает, что здесь прямая дорога, по которой можно проехать, а вот здесь – препятствие, которое нужно объезжать. Машина же не может понимать вещей, которых раньше не видела. Она не понимает контекста. Поэтому нужно обучать ее, давая как можно больше данных. И все равно у машины пока нет способности человека на основе увиденного делать выводы, умозаключения», - отметил Шелхеймер.

Эван Шелхеймер занимается изучением обучения машин распознаванию изображений – того, что именно изображено на картинке (или на огромном ряде картинок – как в случае с видео), где оно находится, сделана ли фотография в помещении или на улице.

Такие исследования необходимы для разработки автопилота для машин и для дронов, ведь автопилоту нужно правильно идентифицировать предметы вокруг, понимать, где дороги, где другие машины, где препятствия, где люди – причем делать все это быстро – во избежание столкновений.

Эти работы необходимы также при создании роботов, выполняющих самые разные задачи – им нужно понимать, где они могут ходить, где стены, где ступеньки и какой они высоты – можно по ним подняться или нет. Искусственный интеллект робота будет понимать все это, анализируя изображения вокруг себя.

Как отметил Эван Шелхеймер, машинное обучение может эффективно применяться в самых разных сферах, открывая доступ к недоступным прежде исследованиям и работам. Много применений машинному обучению можно найти в науке, в том числе в медицине, в биологии и в целом ряде других сфер.

Если ученый работает, например, над исследованием метаболизма клеток, ему приходится тратить много времени на эксперименты – он может часами смотреть в микроскоп, что-то подсчитывать. Машина может делать эту работу вместо него, обрабатывая огромное количество данных гораздо быстрее, чем это способен сделать человек. Так машина поможет ученому сэкономить много времени и быстрее продвинуться в своих исследованиях.

Машинное обучение также незаменимо в тех сферах, где приходится работать с огромным количеством данных, с которыми человек физически не может разобраться. Так, например, если в какой-нибудь местности необходимо подсчитать количество особей какого-нибудь вида, машину можно научить делать это, анализируя фотографии или видеозаписи, снимаемые в нужной местности.

Эван Шелхеймер приехал в Армению для участия в 10-ом BarCamp Yerevan 2018, который проходит в Ереване 16-17 июня. Сегодня он выступил с общей лекцией о машинном обучении, а завтра планирует выступить с более специализированной лекцией об обучении машин распознаванию изображений

!
Этот текст доступен на   Հայերեն
Распечатать
Читать также:
Все
Самое