(с)
Лучшие нейронные сети, обыгрывающие человека в покер, Го, шахматы и «Доту», обладают одной общей чертой — они умеют предсказывать ближайшее будущее.
Способность машин прогнозировать поведение может значительно превзойти возможности человека. В пространстве различных вероятностей алгоритмы оказываются лучше человека, подверженного влиянию эмоций.
Что могут предсказать нейросети? Перед нами бескрайнее поле возможностей: биржа, преступления, погода, здоровье, транспорт — везде способность просчитывать на несколько шагов вперед окажется полезной. Уже сегодня некоторые алгоритмы превосходят экспертов-людей. Рассвет завтрашнего нейродня не оставит никакого следа от «тумана неизвестности».
Исследователи из компании DeepMind опубликовали научную работу, в которой представили новый метод обучения нейросети с подкреплением. Оказалось, что если в процессе самообучения нейросеть начинает «фантазировать» о различных вариантах будущего, то обучается гораздо быстрее. «Фантазия» нейросети заключается в том, что по трем последним известным кадрам нейросеть должна предсказать вознаграждение, которое она получит на четвертом неизвестном временном интервале. ИИ использует свою память и применяет новые стратегии как бы в своем воображении.
Чем эффективнее становятся системы, тем лучше они строят прогнозы. Сейчас мы можем не только предсказывать погоду (на краткосрочном промежутке). Мы можем даже «видеть» будущее макроэкономических ситуаций в различных районах города, замеряя потребление воды, электричества, транспортный поток (сколько пассажиров в общественном транспорте и сколько в своих машинах), увеличение/уменьшение потребления ресурсов.
Уже трудно представить сферу, в которой мы могли бы обойтись без предсказаний. Да и стоит ли от них отказываться, если алгоритмы дают возможность выбирать правильную стратегию поведения?
Поведение на дорогах
Исследователи из Массачусетского технологического института построили систему, способную предсказать огромное количество событий реального мира. Сначала программу обучили на выборе из 2 миллионов онлайн-видео. Каждый ролик программа проанализировала, классифицировав все предметы и действия в сюжетах.
Затем нейросети показывали статичное изображение. Программа, в свою очередь, генерировала 1,5-секундные видеоклипы, демонстрировавшие видение ближайшего будущего.
Очевидно, что подобное решение можно использовать не только для создания гифок. Алгоритмы в принципе позволяют «заглядывать» в будущее сложных систем, что найдет применение в автономных автомобилях, анализирующих постоянно меняющуюся ситуацию на дороге.
Компьютер сможет понять, что он видит нечто необычное — например, животное выбежало на дорогу. Даже если машина никогда не попадала в эту ситуацию раньше, она «поймет», что происходит нечто странное — следует либо остановиться, либо передать управление водителю.
Здоровье человека
(с)
Ученые из Стэнфордского университета разработали систему искусственного интеллекта, способную предсказать вероятность смерти тяжелобольного пациента в течение года с точностью до 90%.
Исследователи проанализировали записи 160 000 пациентов, чтобы собрать данные о прошлых диагнозах, назначенных процедурах и сделанных врачами прогнозах.
После обработки датасета был составлен алгоритм для глубокого обучения нейросети. Затем сетка сделала прогнозы смертности от всех причин на срок от 3 до 12 месяцев в отношении 40 000 пациентов.
Спустя год исследователи подвели итоги: в 90% случаев нейросеть верно предсказала состояние больного (вне зависимости от того, ждала ли его смерть или выздоровление). Этот показатель значительно превосходит возможности даже группы врачей-экспертов.
Бренд «Терафлю» разработал систему, прогнозирующую вероятность подхватить простуду на территории ряда стран, включая Россию. Ежедневно система анализирует посты в соцсетях, запросы в поисковиках, данные «НИИ гриппа», а также данные спроса в аптеках на средства, специфические для борьбы с симптомами простуды. В итоге получается график «простудной опасности» в том или ином регионе с прогнозом на несколько дней. Впрочем, подобные платформы находят и более ценное применение: в системе «Виртуальный Сингапур» уже сейчас можно в реальном времени просматривать и анализировать жизнь страны и предсказывать, например, распространение опасных инфекций или реакцию больших масс людей на взрыв в торговом центре.
Microsoft и Adaptive Biotechnologies планируют создать систему, которая на основе анализа крови сможет выявлять заболевания на ранних стадиях. Анализируя генетический код в триллионах рецепторов Т-лимфоцитов, система будет выявлять болезни, с которыми сталкивался организм еще на бессимптомной стадии. Предполагается, что тест будет способен определять широкий спектр болезней единовременно, включая болезни, которые обычно диагностируются на очень поздних стадиях.
Исследовательская группа из Института молекулярной биологии РАН, Российского геронтологического научно-клинического центра, МФТИ и других научных центров, представила метод предсказания биологического возраста человека (который отличается от паспортного) на основе данных УЗИ сонной артерии человека и тонометрии. С помощью машинного обучения была получена сложная формула, способная предсказывать возраст у здоровых людей с точностью в 6,9 года для мужчин и 5,9 года для женщин, что является очень высоким показателем по сравнению с другими известными методами.
Датские ученые разработали нейронную сеть Corti Signal, которая отслеживает звуковые сообщения для диагностики сердечного приступа. В первую очередь система должна помочь людям, которые позвонили в «скорую помощь». Оператор не всегда способен выявить сердечный приступ у человека на другом конце провода (справляется в 73% случаев), а вот нейросеть решает эту задачу с точностью 95%! ИИ не только слушает разговор, но также собирает невербальные сигналы, такие как паттерны дыхания.
По всей видимости, в будущем системы на основе нейросетей (и других методов) позволят предсказывать болезни намного раньше — в некоторых случаях за десятки лет до наступления самого заболевания.
Умные вещи знают, что с ними случится
Представьте себе здание, которое может еще до аварии сказать, что, например, отопление скоро откажет. Некоторые компании используют машинное обучение именно для этого. Такая процедура называется прогнозирующим обслуживанием.
Компания CGnal, расположенная в Милане, Италия, недавно проанализировала данные за год от отопительных и вентиляционных систем в итальянской больнице. От датчиков были получены данные о температуре, влажности, использовании электричества. Алгоритм обучили на выборке за полгода, затем исследователи проверили его по данным со второй половины года. Система предсказала 76 из 124 реальных неисправностей, в том числе 41 из 44, где температура прибора повысилась выше допустимых уровней.
Другие компании также используют схожий подход к данным. Финский стартап Leanheat помещает беспроводной датчик температуры, влажности и давления для дистанционного управления отоплением и контроля работоспособности устройства. Вместо того чтобы регулировать отопление просто по температуре наружного воздуха, модели Leanheat учитывают изменения погоды: температура упала до нуля с 10 градусов или поднялась от -10.
В США компания Augury разработала «Shazam для машин», устанавливая акустические датчики в машины для прослушивания слышимых изменений и выявления потенциально неизбежных сбоев. Впрочем, гаджет может работать с разными устройствами: клиенты могут подключить датчик к коммерческим холодильникам или промышленным нагревателям. Гаджет Augury записывает вибрации и ультразвуки, загружает их в облачный сервис, где данные анализируются для составления прогноза о работоспособности контролируемой машины.
Аудио и данные анализируются и сохраняются так, что звук устройства одного клиента можно сравнить со звуком всех остальных. Идея заключается в том, что Augury не требуется настраивать программное обеспечение для каждого типа устройств. Вместо этого можно просто установить датчики и прослушать устройство, чтобы создать представление о том, как оно звучит, когда функционирует нормально. Со временем база данных звуков позволит узнать, какие конкретные звуки предшествуют конкретным типам сбоев.
Прогноз погоды
Прогнозирование погоды остается сложной задачей для науки. Мы уже наловчились использовать для этого сверточные нейронные сети, но прогресс не стоит на месте. В списке Top-500 самых мощных вычислительных систем мира, по состоянию на ноябрь 2016 года, прогнозированием погоды занимались 23 суперкомпьютера.
Компания ClimaCell использует подход, не связанный с нейросетями и суперсложными алгоритмами: в качестве датчиков предсказания погоды выступают беспроводные сети связи — все это делается в рамках концепции наукастинг (nowcasting), при которой cверхкраткосрочный прогноз явлений погоды делается в пределах 0–6 ч от срока наблюдения.
ClimaCell объединяет несколько уровней данных от беспроводных сетей, спутников, погодных радаров и других датчиков для создания карт высокой четкости. Используя данные примерно 5000 станций, эксплуатируемых несколькими телекоммуникационными фирмами, компания создает очень точные и достоверные погодные карты.
Опасные алгоритмы
Не тот компас, но близкий по смыслу
Различные системы предсказания преступлений уже несколько лет тестируются в США. Одна из первых систем подобного типа — COMPAS — была создана в 1998 году. COMPAS анализирует 137 параметров биографии осужденного человека, включая тяжесть предыдущих преступлений, уровень образования и доходов, семейный статус и наличие зависимостей. Также программа учитывает результаты психологических тестов, в том числе темперамент, готовность к риску, степень нарциссизма и склонности к чувству вины. На основе этих данных COMPAS прогнозирует, какова вероятность преступного рецидива в следующие два года.
Однако в Дартмутском колледже провели тщательное исследование COMPAS и сделали вывод, что алгоритм на самом деле не более точен, чем любой среднестатистический человек. Программа смогла выявить преступников-рецидивистов в 65% случаев. Люди без специального образования и опыта вынесения приговоров справлялись с этой задачей в 67% случаев, зная лишь возраст, пол и историю преступлений обвиняемого. Более того, оказалось, что точность COMPAS можно повысить, если оставить в нем всего два параметра: возраст человека и сведения о предыдущих судимостях.
Алгоритмы могут принимать решения и строить прогнозы намного эффективнее человека. Люди принимают во внимание несущественные факторы и игнорируют действительно важные, поддаются эмоциям, а также позволяют себе принимать решения в соответствии с внутренним «чутьем», интуицией или вообще безо всякой логики.
Однако это вовсе не означает, что мы полностью должны довериться машинам, ведь они тоже не обладают 100% точностью.