Нейронные сети в основных сферах деятельности человека

Нейронные сети в основных сферах деятельности человека

Что представляет собой нейронная сеть?

Нейронная сеть — это программа для анализа данных, чаще всего разработанная для оптимизации того или иного рутинного процесса. Многие ассоциируют термины «искусственный интеллект» и «нейронная сеть» с работой человеческого мозга. Однако нейронная сеть  — это в первую очередь софт, несмотря на некоторую схожесть процессов «обучения» нейронной сети и обучения человека.

Когда человек учится читать, он огромное количество раз сталкивается с каким-либо символом (буквой), учится складывать их в слоги, а слоги — в предложения. И лишь пройдя тысячи таких итераций, человек научится читать. Процесс обучения нейронной сети тоже невозможен без исходных данных: именно на них она учится решать ту или иную задачу.

На входной слой искусственных нейронов поступает информация, с которой в дальнейшем будет работать нейросеть. Посредством синапсов она передаётся следующему слою, при этом каждый синапс имеет свой коэффициент веса, а каждый следующий нейрон может иметь несколько входящих синапсов. В итоге информация, полученная следующим нейроном, представляет собой сумму всех данных, перемноженных на свой коэффициент веса.

Полученное значение подставляется в функцию активации, а она уже будет представлять собой выходную информацию, которая отправится дальше по слоям нейронной сети, пока не дойдет до выхода. Первая эпоха никогда не заканчивается успехом, для достижения достаточных метрик требуется их большее количество, которое зависит как от вида задачи, так и от данных и их качества

Нейронные сети для медицинского диагностирования

Технологии машинного обучения могут применяться при работе с различными видами  информации. Наиболее широкое распространение нейросети в медицине получили именно в области работы с изображениями. Рабочие процессы медицинских учреждений неразрывно связаны со сбором, обработкой и анализом различных медицинских изображений: рентген, КТ, цифровые гистологические исследования и так далее.

Поднаправление искусственного интеллекта, которое занимается работой с изображениями и видеопотоком, получило название Computer Vision или компьютерное зрение. Это направление является наиболее перспективным  в медицинской диагностике и скрининге патологий.

Сервисы с применением технологии компьютерного зрения разрабатываются по всему миру и помогают врачам выявлять признаки различных заболеваний, в том числе онкологии. Один из таких проектов — Цельс, разработка российской компании «Медицинские скрининг системы».

Как сервис помогает врачу

Рассмотрим подробнее, чем именно полезны сервисы с применением технологии компьютерного зрения, на примере системы для анализа медицинских изображений Цельс. На данный момент сервис работает по четырём направлениям диагностики — маммография, флюорография, компьютерной томография лёгких и гистология. Работа врача с системой происходит следующим образом:

1. Врач загружает в систему изображения (по одному или целым пакетом). Дальше система ранжирует список исследований по приоритетности — от наибольшей вероятности наличия патологии до наименьшей. Таким образом врач в первую очередь просмотрит снимки тех пациентов, у которых система заподозрила наличие новообразования. Это позволит оперативно провести дообследование, поставить диагноз и начать лечение.
2. Врач открывает конкретное исследование из списка и видит изображение, на котором система маркером выделила именно те области, на которых предположительно визуализируются признаки патологии.
3. Затем врач просматривает описание снимка, автоматически сформированной системой, и при необходимости вносит в него свои замечания.

Таким образом, основные задачи сервисов на основе технологий компьютерного зрения — облегчение рутинной работы врача, сокращение времени на исследование и как следствие более оперативная помощь пациенту.

Применение медицинских нейросетей

Приведём ещё несколько примеров того, в каких сферах медицины может применяться машинное обучение, а также рассмотрим основные ограничения и сложности применения нейросетевых технологий в реальной клинической практике, которые мешают начать их массовое использование здесь и сейчас.

Нейронная сеть и генетика

Анализ ДНК — ещё одно перспективное и активно развивающееся направление применения нейросетей. Например, инструмент, разработанный Университетом штата Мичиган, осуществляет генетические исследования и позволяет по геному человека установить его рост с точностью до трёх сантиметров, спрогнозировать развитие у него таких серьёзных заболеваний как рак, инсульт и инфаркт, выявить мутации, влияющие на плотность костной ткани, и даже предсказать уровень образования, которого может достичь человек.

Разработка лекарств

Первым лекарством, созданным с помощью искусственного интеллекта и вышедшим на этап клинических испытаний, стал препарат DSP-1181. Он разработан компанией Exscientia совместно с японской фармацевтической компанией.

DSP-1181 является агонистом 5-HT1A рецептора серотонина и предназначен для лечения пациентов с обсессивно-компульсивным расстройством (ОКР). Обычно на разработку таких лекарств (этап Drug discovery) у исследователей уходит около пяти лет. Искусственный интеллект справился с этой задачей всего за год.

Первый этап клинических испытаний препарата был запланирован на март 2020 года. Пока нет информации о том, повлияла ли на эти планы пандемия COVID-19.

Распознавание речи

Рабочие процессы врача включают в себя не только консультации пациентов или проведение исследований. Значительная часть времени уходит на заполнение разного рода документации. С этой рутинной работой врачу также могут помочь нейросетевые технологии.

Программа Voice2Med экономит время врача благодаря голосовому заполнению медицинской документации. В сервис включены специализированные словари, что позволяет верно распознавать медицинские термины.

Ограничения и проблемы в использовании

Первое препятствие связано не столько с применением медицинской нейросети, сколько с её разработкой. Для обучения искусственного интеллекта необходимо большое количество данных. В случае с анализом медицинских изображений требуются снимки с выполненной на них разметкой на объекты.

Существуют публично доступные датасеты (наборы данных), но использование большинства из них допускается только в некоммерческих целях. К тому же, разметка на них может быть разной — и не всегда подходящей под конкретную задачу.

Именно поэтому разработчикам не обойтись без сбора собственных датасетов для обучения своей модели. А это, в свою очередь, требует непосредственного участия врачей. Впрочем, их участие требуется не только в сборе и разметке данных, но и на других этапах разработки. Без обратной связи продукт будет «оторван» от реальной клинической практики и не сможет в достаточной степени учитывать специфику работы врачей.

Ещё одно препятствие касается процесса внедрения уже готового продукта в рабочие процессы медицинских учреждений: это отсутствие в законодательстве конкретных стандартов, регламентирующих применение таких технологий в медицине. Но работа в этом направлении ведётся — уже разработана первая редакция проекта национального стандарта ГОСТ Р для искусственного интеллекта в здравоохранении. После утверждения он будет регулировать клинические испытания медицинских ИИ-систем в России.

Нейросети в искусстве

Изобразительное искусство всегда являлось одним из основных продуктов человеческой культуры. В течение многих столетий оно позволяло людям самовыражаться и рассказывать истории.

Сперва появилась пещерная живопись, затем — написанные маслом картины и фотография. Теперь же настала эра «изобразительного» искусственного интеллекта и, в частности, нейронных сетей.

Какие ИИ-модели используются для работы с картинками и могут ли подобные системы заменить художников.

• Исследователи начали применять алгоритмы для создания изображений в 1950-1960 годах.
• Нейронные сети позволяют копировать стили художников, превращать эскизы в фотореалистичные иллюстрации, «оживлять» портреты и создавать новые изображения.
• Стоимость разработки и обучения алгоритма варьируется от нуля до сотен миллионов долларов.
• ИИ-искусство способно вдохновить, но его доступность может создать ряд проблем.

Краткая история ИИ-искусства

Историю сгенерированного ИИ-искусства можно проследить до открытия машинной графики и изобретения компьютера. Тогда исследователи использовали базовые алгоритмы для создания простых узоров и форм.

В 1967 году немецкий математик и ученый Фридер Наке разработал портфолио под названием Matrix Multiplications, состоящее из 12 изображений. Он создал квадратную матрицу и заполнил ее числами, которые последовательно умножались сами на себя.

Исследователь перевел полученные результаты в образы заданных интервалов, где каждому значению присвоил визуальный знак определенной формы и цвета. Затем он поместил фигуры в растр в соответствии со значениями матрицы.

В своих работах Наке часто использовал генератор случайных чисел и, вероятно, частично автоматизировал процесс умножения.

В 1973 году художник Гарольд Коэн разработал набор алгоритмов AARON, способный рисовать «от руки» определенные объекты. Он обнаружил, что система стала создавать ранее неизвестные формы.

Сперва программа генерировала абстрактные картины, а затем научилась рисовать более сложные фигуры, включая камни, растения и людей.

С 1990 года исследователи и художники начали использовать ИИ-модели в робототехнике, обучая машины созданию картин и скульптур.

В 2015 году инженер Google Александр Мордвинцев запустил программу компьютерного зрения DeepDream, использующую сверточную нейросеть для поиска и улучшения паттернов в изображениях с помощью алгоритмической парейдолии.

Принцип работы системы заключается в искажении исходной картинки в соответствии с тем, какие ее фрагменты напоминают модели те или иные знакомые объекты.

Когда Google опубликовала подход и открыла исходный код алгоритма, на рынке появилось множество инструментов и сервисов, позволяющих всем желающим преобразовывать свои фото в «психоделические» изображения.

В 2022 году ИИ-искусство используется в различных сферах, включая маркетинг, моду и развлечения.

Нейросети для работы с изображениями

2022 год может войти в историю как время, когда ИИ-искусство стало мейнстримом. Бум качественных, построенных на разных алгоритмах инструментов делает нейротворчество доступным для всех, у кого есть смартфон с подключением к интернету.

ИИ-модели позволяют копировать стили художников, превращать эскизы в фотореалистичные иллюстрации, «оживлять» портреты и создавать новые изображения. Для разных задач используются отличные или похожие подходы и инструменты.

Нейронная передача стиля (NST) — это метод на базе сверточных нейросетей, позволяющий создать картину, имитирующую другое изображение по манере исполнения. Пользователь может преобразовать фото бегущей собаки в гравюру Кацусики Хокусая или сгенерировать «Мона Лизу» кисти Яна Вермеера.

За создание новых произведений искусства или картин с использованием стиля других изображений отвечают генеративно-состязательные нейросети (GAN). Это алгоритмы, состоящие сразу из двух моделей: генератора, который производит контент, и дискриминатора, оценивающего его.

Системы на базе GAN могут рисовать изображения, похожие на картинки из набора обучающих данных, включая лица людей, морды котов, мебель и другие объекты.

Преимущества и недостатки изобразительных ИИ-алгоритмов

Среди плюсов использования нейросетей для создания произведений искусства можно выделить генерацию реалистичных данных. Такие изображения найдут применение в фильмах, рекламе, играх и других сферах.

ИИ-алгоритмы нестандартно «мыслят». Они способны создавать неизвестные ранее образы, непривычно компоновать объекты и оригинально смешивать текстуры. Такое искусство может стать источником вдохновения для более значительных проектов.

За счет постоянной модернизации технологий и данных ИИ-искусство тоже развивается и постоянно привносит новые идеи.

Кроме того, алгоритмы способны ускорить решение некоторых задач. С помощью нейросетей можно создавать логотипы, клипы и использовать в маркетинговых целях.

Среди минусов стоит выделить отсутствие человеческих эмоций. Иногда это является преимуществом, но при создании художественного произведения многим людям необходима история.

Из-за ограниченности обучающих наборов данных ИИ-искусство может стать скучным. Без постоянной модернизации и тренировки на новых датасетах генерируемые изображения начнут повторяться и потеряют уникальность.

Также разработчики не могут контролировать творческий процесс нейросетей. После тренировки алгоритм выведет результат на основе установленных весов, и, если он не устраивает, модель придется переобучать.

Но основные проблемы использования ИИ касаются этики. Разработчики не всегда могут контролировать распространение и применение технологии. Алгоритмы нельзя считать авторами произведений, но ответственность за их некорректное «поведение» несут создатели.

За счет доступности технологии злоумышленники могут с помощью ИИ создавать изображения для обмана людей, краж их личных данных и распространения языка ненависти.

Заменят ли нейронные сети художников?

Когда-то новым веянием творчества считалась фотография. Спустя почти 200 лет существования она не заменила художников и деятелей искусства, а заставила их развиваться и приспосабливаться.

Это создало новое поколение творческих людей. Художники и фотографы начали вместе создавать произведения, способные удивить, привлечь и натолкнуть на мысли о красоте.

Искусство, в какой бы форме оно не проявлялось, заставляет людей чувствовать. И есть много места для новых художественных граней, способных вызвать ранее неизвестные ощущения.

Создатели генеративного ИИ могут немного сместить существующие формы творчества, но не уничтожат их.

Инструменты вроде DALL-E 2, Stable Diffusion и Midjourney, вероятно, продолжат трансформироваться в очень сложные художественные движки и помогут деятелям искусства дополнять свои работы.

При достаточном и постоянном развитии нейросетей люди смогут регулярно использовать технологию для вдохновения и расширения своих идейных возможностей.

Нейронные сети в маркетинге

Говоря о нейронных сетях в маркетинге, следует отметить, что они часто используются для построения эффективного целевого маркетинга. Может быть упомянута сегментация рынка, которая представляет собой разделение клиентов в соответствии с их потребительским поведением и т.д.

Другими словами, целевой маркетинг подразумевает сосредоточение внимания на тех клиентах, чьи потребности и желания, скорее всего, соответствуют тому, что на самом деле предлагает продукт или услуга. Итак, эта группа клиентов является потенциальными покупателями, и, грубо говоря, чем эффективнее целевой маркетинг, тем больше прибыли способна генерировать компания.

Различные типы искусственных нейронных сетей довольно хорошо подходят для построения маркетинга вашей компании. Поскольку они способны проводить сегментацию по множеству характеристик, включая модели покупок, экономический статус и многое другое.

Неконтролируемые сети используют сходство клиентов, а также их характеристики в качестве основы для их сегментации, в то время как контролируемые сети можно научить видеть разницу между сегментами клиентов. Этого можно достичь с помощью обучения, поэтому поставьте четкие цели, прежде чем объяснять свою идею команде разработчиков.

Как правило, нейросетевой маркетинг может сэкономить время и деньги вашей компании, поскольку он поможет вам убедиться, что вы связываетесь с нужными клиентами. Исследования показывают, что показатели отклика увеличиваются до 95% после отбора клиентов для маркетинговой рекламы.

Нейронные сети в розничной торговле

Способность нейронных сетей учитывать несколько переменных одновременно делает их идеальным выбором для сферы розничной торговли. Таким образом, прогнозы, сделанные с помощью искусственных нейронных сетей, превосходят прогнозы, сделанные экспертами или с использованием традиционных методов статистики.

Еще один способ извлечь выгоду из нейронных сетей в этой сфере - применить их для анализа корзины покупок. Таким образом, вы сможете получить информацию о том, какие виды продуктов повторно покупаются вместе, а также увидеть задержку между покупкой нескольких продуктов.

Эта информация пригодится, поскольку знание покупательского поведения ваших клиентов позволяет вам лучше оптимизировать процессы в вашем бизнесе. Допустим, если у вас есть веб-сайт электронной коммерции, то на основе этой информации вы могли бы реализовать функцию, показывающую клиентам, что другие люди купили вместе с этим типом товаров. Без всяких сомнений, нейронные сети в бизнесе помогут вам увеличить объем продаж.

Кроме того, используя эту информацию, розничные торговцы могут принять решение о планировке магазина. Это означает, что если анализ показал, что ваши клиенты ассоциируют один продукт с другим, вы можете использовать эту информацию в своих интересах и разместить их рядом друг с другом.

С помощью нейронных сетей вы также можете анализировать временные зависимости между покупками. Допустим, клиент купил очиститель воды и через 4 месяца вернулся, чтобы приобрести для него новый фильтр. Вы можете отследить это и перезванивать своему клиенту каждые 4 месяца, предлагая приобрести новый фильтр. Таким образом, вы уменьшаете вероятность того, что ваш клиент купит этот товар у конкурентов. Итак, преимущества искусственной нейронной сети в этой сфере очевидны.

Нейронные сети в финансах и страховании

Давайте перейдем к другим сферам, где популярны нейронные сети, - финансам и страхованию.

Нейронные сети в финансах

Основной целью использования искусственных нейронных сетей в сфере финансов и банковского дела является их способность к прогнозированию. Анализируя большой объем соответствующей информации, нейронные сети способны делать прогнозы. Более того, чем больше информации было проанализировано, тем точнее будет прогноз. Прогнозы чрезвычайно важны для этой сферы деятельности.

Нейронные сети в бизнес-прогнозировании служат мощным инструментом для прогнозирования курсов валют и акций и многих других. Однако это не единственная область, где искусственные нейронные сети нашли применение в этой сфере.

Банки привыкли выдавать кредиты в соответствии со своими статистическими данными о человеке. Как правило, программное обеспечение управляется статистическими методами, но все изменилось. В настоящее время все статистические данные вычисляются с помощью искусственных нейронных сетей, и на основе результата принимается окончательное решение.

Нейронные сети в финансах и инвестировании довольно широко распространены. Компания не только сокращает расходы, но и получает систему, способную обучаться и улучшать идентификацию кредитных рисков.

Нейронные сети в сфере страхования

Страховая отрасль получила абсолютно новые "сверхспособности" для отслеживания страховых и нестраховых случаев. Например, некоторые страховые компании уже используют GPS-трекинг для того, чтобы найти автомобиль клиента в случае угона. Кроме того, они следят за превышением скорости, а это, в свою очередь, может повлиять на страховой тариф.

Искусственные нейронные сети также нашли свое место в этой отрасли. Они используются для разделения страхователей на группы, которые помогают компаниям определить подходящую цену.

Другое применение искусственных нейронных сетей связано с обнаружением мошенничества, поскольку их можно научить обнаруживать мошеннические заявления, а также странные обстоятельства.

Кроме того, нейронные сети могут быть полезны, когда речь заходит об удержании клиентов. Поскольку конкуренция в этой отрасли жесткая, для компании важен каждый клиент. С помощью нейронных сетей страховые компании могут определить причину ухода клиента путем анализа его истории. Кроме того, они могут быть применены для управления специальными предложениями для определенных групп клиентов, чтобы мотивировать их остаться.

Нейронные сети в телекоммуникациях

Эта технология в сфере телекоммуникаций способна охватить довольно большой спектр областей. Их возможности прогнозирования используются для проведения анализа клиентов, а также данных о звонках. Это необходимо для прогнозирования причин и момента, когда клиенты перейдут в другую компанию.

Также возможности прогнозирования искусственных нейронных сетей используются для определения эффективности предстоящих рекламных кампаний и поиска клиентов, которые, скорее всего, принесут наибольшую прибыль.

За исключением этих случаев, они также используются для анализа сетевого трафика в режиме реального времени с целью оптимизации маршрутизации и повышения качества обслуживания и многого другого.

Нейронные сети в области управления операциями

За последние пару десятилетий сфера производства была значительно автоматизирована. С развитием IT-сферы сотрудники, работающие на заводах, получили услугу разработки мобильных приложений, призванную повысить их эффективность, а оборудование получило искусственный интеллект.

Искусственные нейронные сети успешно используются для различных типов планирования. Производители начали использовать нейронные сети для планирования своего оборудования, сборочных линий и так далее. Технология также используется для решения других проблем, связанных с планированием. Например, для установления расписания, расписания проекта или расписания мультипроцессоров.

Другим примером искусственных сетей является их использование в производственных процессах, которые иногда охватывают широкий спектр действий, включая контроль и планирование работы всего цеха или даже совершенствование самой системы производства.

В настоящее время в основном все производители используют роботизированные инструменты для контроля качества своей продукции. Например, некоторые из них используют камеры для выявления дефектных продуктов. Искусственная нейронная сеть, стоящая за этой камерой, способна обучаться с течением времени, поэтому в будущем количество незамеченных дефектных продуктов будет сокращено.

Заключение

Таким образом, искусственные нейронные сети способны использоваться не только в IT-индустрии, но и медицине маркетинге и во многих  других сферах деятельности. Пройдёт время и человек обязательно найдёт все большее и эффективное применение нейронных сетей. Как говорится нет пределу совершенству.