Создана нейронная сеть, отслеживающая процесс принятия решения боевым роботом

Методы поддержки принятия решений на основе нейронных сетей Текст научной статьи по специальности « Компьютерные и информационные науки»

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Мелихова О.А., Гайдуков А.Б., Джамбинов С.В., Чумичев В.С.

Приводятся классификация математических моделей и понятие имитационного моделирования. Рассматриваются основы функционирования нервной клетки, называемой нейроном. Описываются основные отличия нейронных сетей от обычных электронных систем, созданных человеком. В статье рассматриваются первые модели нейронных сетей , такие как модель МакКаллока-Питса, модель Хебба, основные функции нейронной сети . Такими функциями являются: аппроксимация и интерполяция, распознавание образов, сжатие данных, прогнозирование, идентификация, управление, ассоциация. В соответствии с принципами функционирования биологических нейронов созданы различные математические модели, которыми в большей или меньшей степени реализуются свойства природной нервной клетки. В статье приводятся различные виды моделей нейронов, такие как простой персептрон , нейрон сигмоидального типа, адаптивный линейный нейрон, нейроны типа инстар и оутстар, нейрон типа WTI (Победитель получает все), модель нейрона Хебба, стохастическая модель нейрона . Нейронные сети обладают способностью к обучению и обобщению накопленных знаний, то есть наделены чертами искусственного интеллекта.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Мелихова О.А., Гайдуков А.Б., Джамбинов С.В., Чумичев В.С.

Текст научной работы на тему «Методы поддержки принятия решений на основе нейронных сетей»

Мелихова О.А. , Гайдуков А.Б. , Джамбинов С.В. , Чумичев В.С.

1Доцент, канд. техн. наук; 2,3,4студент кафедры САПР. Южный федеральный университет

МЕТОДЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИИ НА ОСНОВЕ НЕЙРОННЫХ

Приводятся классификация математических моделей и понятие имитационного моделирования. Рассматриваются основы функционирования нервной клетки, называемой нейроном. Описываются основные отличия нейронных сетей от обычных электронных систем, созданных человеком. В статье рассматриваются первые модели нейронных сетей, такие как модель МакКаллока-Питса, модель Хебба, основные функции нейронной сети. Такими функциями являются: аппроксимация и интерполяция, распознавание образов, сжатие данных, прогнозирование, идентификация, управление, ассоциация. В соответствии с принципами функционирования биологических нейронов созданы различные математические модели, которыми в большей или меньшей степени реализуются свойства природной нервной клетки. В статье приводятся различные виды моделей нейронов, такие как простой персептрон, нейрон сигмоидального типа, адаптивный линейный нейрон, нейроны типа инстар и оутстар, нейрон типа WTI (Победитель получает все), модель нейрона Хебба, стохастическая модель нейрона. Нейронные сети обладают способностью к обучению и обобщению накопленных знаний, то есть наделены чертами искусственного интеллекта.

Ключевые слова: сеть, персептрон, правило Хебба, стохастическая модель нейрона. Keywords: network, perseptron, Hebb’s rule, stochastic neuron model.

Введение. При разработке интеллектуальных систем принятия решений модели представления знаний которых часто строятся в виде ситуационно-фреймовых сетей, нейронных сетей, а также при разработке глобальных интеллектуальных систем, использующих гибридные модели знаний для представления концептуальных понятий, необходимо иметь возможность быстро оценивать влияние тех или иных факторов на поведение системы в окружающем ее мире [1,2; 2,2-3].

Составной частью любой системы управления является математическая модель, достаточно полно описывающая процессы и явления, происходящие в реальных объектах. Вид математической модели зависит не только от природы реального объекта, но и от тех задач, для решения которых она создается, а также от требуемой точности их решения. Любая модель описывает реальный объект лишь с некоторой степенью приближения.

Математические модели можно классифицировать по различным признакам. В зависимости от соотношений между состояниями и параметрами сложной системы они делятся на два больших класса: полностью определенные (детерминированные) и вероятностные. В полностью определенных моделях состояния системы в каждый момент времени однозначно определяются через параметры системы, входную информацию и начальные условия, а в случае вероятностной модели эта зависимость носит стохастический характер [3,1-3; 4,2-4; 5,31-35].

С точки зрения способа использования математической модели для исследования сложных систем они делятся на аналитические и имитационные. Для аналитических моделей характерно, что процессы функционирования элементов сложной системы записываются в виде некоторых функциональных соотношений и логических условий. Такие модели можно исследовать различными способами:

© Мелихова О.А., Гайдуков А.Б., Джамбинов С.В., Чумичев В.С., 2015 г.

1) аналитически, когда стремятся получить в общем виде явные зависимости для искомых величин;

2) численно, когда невозможно получить решение в общем виде, но имеется возможность получить численные результаты при конкретных начальных условиях;

3) качественно, когда, не имея решения в явном виде, можно найти некоторые свойства решения, например, оценить его устойчивость, сходимость и т.п.

Также получило широкое распространение имитационное моделирование процессов и систем управления. Суть этого метода заключается в том, что при невозможности получения численного решения с помощью аналитической модели или при отсутствии ее, используется алгоритмическое описание процесса функционирования исследуемой системы.

Моделирующий алгоритм позволяет по исходным данным, содержащим сведения о начальном состоянии процесса и его параметрах, получить информацию о состояниях процесса в произвольные моменты времени [5,42-45; 7,2-3]. Имитационное моделирование, как любой численный метод, обладает тем недостатком, что полученное решение носит частный характер, отвечая фиксированным значениям параметров системы, входной информации и начальных условий.

Основы функционирования нейрона. Тематика искусственных нейронных сетей относится к междисциплинарной сфере знаний, связанных с биокибернетикой, электроникой, прикладной математикой, статистикой, автоматикой и медициной. Искусственные нейронные сети возникли на основе знаний о функционировании нервной системы живых существ. Они представляют собой попытку использования процессов, происходящих в нервных системах, для выработки новых технологических решений.

Нервная клетка, сокращенно называемая нейроном, является основным элементом нервной системы. Изучение механизмов функционирования отдельных нейронов и их взаимодействия принципиально важно для познания протекающих в нервной системе процессов поиска, передачи и обработки информации.

Передача сигналов внутри нервной системы – это очень сложный электрохимический процесс. Каждый нейрон имеет свои веса и свое пороговое значение. Они определяются местонахождением нейрона и решаемой им задачей и могут интерпретироваться аналогично содержимому локальной памяти процессора.

Громадное количество нейронов и межнейронных связей (до 1000 входов в каждый нейрон) приводит к тому, что ошибка в срабатывании отдельного нейрона остается незаметной в общей массе взаимодействующих клеток. Нейронная сеть проявляет высокую устойчивость к помехам – это “стабильная” сеть, в которой отдельные сбои не оказывают существенного влияния на результаты ее функционирования. Таково главное отличие нейронных систем от обычных электронных систем, созданных человеком. Однако изучение нервных биологических систем позволяет надеяться на создание нового поколения электронных устройств, имеющих аналогичные характеристики.

Другая важная особенность нейронных систем – высокая скорость их функционирования, несмотря на относительно длительный цикл срабатывания каждой отдельной клетки, измеряемый в миллисекундах. Эта скорость достигается благодаря параллельной обработке информации огромным количеством нейронов, соединенных многочисленными межнейронными связями. Такие операции, как распознавание образов и звуков либо принятие решений, выполняются человеком за промежутки времени, измеряемые миллисекундами. Достижение такого результата при использовании полупроводниковой технологии VLSI все еще выходит за границы современных технических возможностей, хотя цикл срабатывания отдельных исполнительных элементов СБИС является достаточно коротким и имеет порядок 10-8 с. Если удастся, взяв за образец нервную систему, создать устройство с высокой степенью параллельности выполнения независимых операций, то скорость его функционирования может быть существенно увеличена и

приближена к уровню, наблюдаемому в процессах обработки информации биологическими объектами [2,3-5; 6,1-3; 8,3-4].

Первые модели нейронной сети. Каждый нейрон можно считать своеобразным процессором: он суммирует с соответствующими весами сигналы, приходящие от других нейронов, выполняет нелинейную (например, пороговую) функцию и передает результирующее значение связанным с ним нейронам. В соответствии с действующим правилом “все или ничего” в простейших моделях нейронов выходной сигнал принимает двоичные значения: 0 или 1. Значение 1 соответствует превышению порога возбуждения нейрона, а значение 0 – возбуждению ниже порогового уровня [1,1-5; 5,48-54; 7,2-3].

В одной из первых моделей нейрона, называемой моделью МакКаллока-Питса, предложенной в 1943 г., нейрон считается бинарным элементом. Входные сигналы x>. j=1, 2,

. N) суммируются с учетом соответствующих весов wjj (сигнал поступает в направлении от

узла i к узлу j) в сумматоре, после чего результат сравнивается с пороговым значением wi0.

Выходной сигнал нейрона yi определяется при этом зависимостью

Нейросети
Нейронные сети
Нейротехнологии

Нейросети – одно из направлений искусственного интеллекта, цель которого – смоделировать аналитические механизмы, осуществляемые человеческим мозгом. Задачи, которые решает типичная нейросеть – классификация, предсказание и распознавание.

Содержание

Нейросети способны самостоятельно обучаться и развиваться, строя свой опыт на совершенных ошибках. Анализируя и обрабатывая информацию из какого-то конкретного источника, либо из сети Интернет в целом, самоорганизующаяся система способна создавать новые продукты, не только воспроизводя и структурируя вводные данные, но и формируя качественно иной результат, ранее недоступный искусственному интеллекту.

Нейронет (NeuroNet) – один из предполагаемых и наиболее вероятных этапов развития Интернета. На новом этапе развития всемирной паутины взаимодействие участников будет осуществляться на принципах нейрокоммуникаций, т.е. на основе передачи информации об активности головного мозга. Ученые прогнозируют формирование рынка Нейронета к 2030-2040 г. Причем, ожидается, что в это время на рынке уже будут функционировать не менее 10 российских компаний с общей капитализацией около 700 млрд рублей.

Нейронные сети и байесовские модели

Две популярные парадигмы в области машинного обучения. Первые совершили настоящую революцию в области обработки больших объемов данных, дав начало новому направлению, получившему название глубинное обучение. Вторые традиционно применялись для обработки малых данных. Математический аппарат, разработанный в 2010 годы, позволяет конструировать масштабируемые байесовские модели. Это дает возможность применить механизмы байесовского вывода в современных нейронных сетях. Даже первые попытки построения гибридных нейробайесовских моделей приводят к неожиданным и интересным результатам. Например, благодаря использованию байесовского вывода в нейронных сетях удается сжать сеть приблизительно в 100 раз без потери точности ее работы.

Нейробайесовский подход потенциально может решить ряд открытых проблем в глубинном обучении: возможность катастрофического переобучения на шумы в данных, самоуверенность нейронной сети даже в ошибочных предсказаниях, неинтерпретируемость процесса принятия решения, уязвимость к враждебным атакам (adversarial attacks). Все эти проблемы осознаются научным сообществом, над их решением работают многие коллективы по всей планете, но готовых ответов пока нет.

Как использовать нейросети

В мире созданы нейронные сети, способные рисовать картины в любом существующем художественном стиле, уверенно обыгрывать чемпиона мира в самую сложную логическую игру на планете, записывать музыкальные альбомы и подражать поведению человека в электронной переписке. Всё перечисленное – пока лишь демонстрация части возможностей технологии, реальное применение которой как в бизнесе, так и в быту, мы увидим в ближайшем будущем.

Другими словами, нейронные сети позволят не только и не столько заменить человеческий труд в более сложных трудовых активностях, сколько стать полезным инструментом для специалистов и управленцев множества областей.

Влад Шершульский, Директор по перспективным технологиям, Microsoft Rus комментирует: «Эта область окончательно стала в 2016 году «горячей»: примерно с 2009 года наблюдается быстрый прогресс в создании все более сложных, и при этом все более эффективных, глубоких нейронных сетей, а в самое последнее время мы увидели впечатляю щие приложения и стали свидетелями создания целого ряда успешных стартапов. Порог входа на рынок нейросетевых сервисов существенно снизился, а проекты, построенные вокруг идеи одного интересного приложения, реализуются за считаные месяцы. Все это породило бум нейросетевых стартапов, вызвало интерес крупных корпораций и способствовало росту спроса на специалистов в этой области, в том числе и в России. Приятно отметить, что важнейший вклад в создание нового поколения технологий работы с естественными языками внесли специалисты компании Microsoft. В известном телевизионном сериале «Звездный путь» создание онлайнового перевод чика устной речи прогнозировали в XXII веке, а он у нас уже есть сегодня. Конечно, другие применения – от прогнозирования поломок автомобилей и банкротства контрагентов до новых средств кибербезопасности – тоже развиваются весьма успешно».

Нейросети в радиологии

Нейросети в России

В России разработками в области нейросетевого программирования занимаются крупнейшие интернет-холдинги, в частности, Mail.ru Group и Яндекс, используя нейросети для анализа изображений и обработки текстов в поисковике. Самыми знаменитыми примерами стали технологии компаний Microsoft, Google, IBM и Facebook, а также стартапы MSQRD, Prisma [1] .

2020: Российские учёные научили искусственный интеллект «видеть» квантовые преимущества

Российские ученые из МФТИ, ФТИАН и ИТМО создали нейросеть, которая научилась предсказывать поведение квантовой системы, «взглянув» на схему этой системы. Об этом 16 января 2020 года МФТИ сообщил TAdviser.

Такая нейросеть самостоятельно находит те решения, которые хорошо подходят для демонстрации квантовых преимуществ. Это поможет исследователям разрабатывать эффективные квантовые компьютеры.

Большой круг задач современной науки решается на основе квантово-механических расчетов. Например, химические и биологические: исследования химических реакций или поиск устойчивых молекулярных структур для промышленности, медицины, фармацевтики и других областей.

Для точного решения такого рода «квантовых» задач хорошо подходят квантовые вычисления, в отличие от классических, на основе которых квантовые задачи решаются в большинстве случаев лишь громоздко и приближенно.

Процесс создания квантовых вычислительных схем — трудоемкое и дорогостоящее занятие. Не всегда получившиеся устройства показывают «квантовое превосходство» — демонстрируют скорость обработки информации быстрее обычного классического компьютера. Поэтому ученым хотелось бы иметь инструмент для прогнозирования того, будет ли какая-то схема обладать квантовым преимуществом или нет.

Одной из реализаций квантовых вычислений являются квантовые блуждания. Упрощенно можно представить этот метод как перемещение частицы по определенной сети, составленной из точек-узлов и соединений между этими узлами. Такие сети и образуют схему квантовой системы.

Если квантовое перемещение частицы — блуждание — из одного узла сети в другой оказывается быстрее классического, то можно говорить, что устройство на основе такой схемы показывает квантовое преимущество. Поиск сетей, обладающих квантовым преимуществом, является важной задачей, над которой работают эксперты в области квантовых блужданий.

Идеей Алексея Мельникова, Леонида Федичкина и Александра Алоджанца было заменить эксперта машинным интеллектом: научить компьютер различать сети и давать ответ на вопрос, в каких сетях квантовые блуждания будут давать преимущество. То есть обнаружить сети на основе которых имеет смысл строить квантовый компьютер.

Исследователи взяли нейросеть, которая «специализировалась» на распознавании изображений. На вход программе подавалась матрица смежности сети и номер входного и выходного узла. На выходе нейросеть давала ответ, будет ли квантовое блуждание между этими узлами быстрее классического.

Новый «Терминатор» Как создать боевого робота Т-800 в реальной жизни

К выходу фильма «Терминатор: Генезис» Дмитрий Безуглов разобрался в составляющих частях легендарного боевого андроида Т-800 и собрал технологии, доступные в 2015 году, которые можно использовать для его воплощения в жизнь.

В 2015 году Т-800 выглядит как человек, победивший машину, скрывающуюся внутри. Схватка далась ему тяжело: он научился проговаривать вслух не очень ловкие шутки, потерял физическую подготовку и просто устал. Молодая Сара Коннор называет его папочкой, а новой фирменной фразой уставшего возвращаться Терминатора становится «Я не стар, я устарел» — с точки зрения корпорации Skynet и с позиций робототехники.

Когда Кэмерон придумывал первого Терминатора, а Стэн Уинстон собирал его буквально из подручных материалов, малоподвижный и пугающий Т-800 был провозвестником мрачного будущего, живо представлявшегося зрителям: не так давно кончилась холодная война, парниковый эффект и экологические катастрофы из повестки заседаний ООН выбрались в публичную сферу, а экономические провалы политики США взялись списывать и на технократическую демократию. Малоподвижный Т-800 с немигающим красным взором был воплощением всех этих угроз.

Если же не хочется собирать действительно работающего Т-800, достаточно обзавестись качественной репликой, что и сделал Адам Сэвидж из «Разрушителей мифов»

В XXI веке пугающая привлекательность Терминатора уже не столь очевидна; публичные выступления на тему экологических катастроф все реже оказываются в новостной повестке; корпорациям все чаще удается побеждать свободную волю мыслящего индивида, просто помещая человека в условия тотального комфорта; а в желании построить боевого андроида не упрекнешь ни одну из держав (создание экзоскелетов и беспилотников не в счет, они совсем не похожи на людей). Но именно сейчас, когда пророческая сила творения Джеймса Кэмерона и Стэна Уинстона больше не действует, в поле робототехники и экспериментальной кибернетики доступны практически все составные детали Т-800. И пусть Джеймс Кэмерон и говорил, «мы можем построить такого робота, скорее, в 2029 году».

Нейронная сеть

Нейросеть Google превращает обычные изображения в картины Николая Рериха, узнавая в силуэтах облаков птиц, людей и даже храмы.

Картезиански беспощадное сознание Терминатора заключено в самообучающемся компьютере, выстроенном по образу и подобию нейросети Skynet. У каждого Т-800 существует два режима работы: Hive и Rogue. В первом терминаторы синхронизируются с другими моделями и нейронным процессором Skynet, получая информацию от единой сети. Шаги в этом направлении делают сотрудники MIT, в 2014 году разработавшие программу совместного обучения для машин — чтобы несколько сервисных роботов делились полученными знаниями и могли обмениваться ими в любой момент.

Во втором — в режиме «непослушания» — Т-800 переходит к процессу самообучения — и каждая его прогулка превращается в этнографическое путешествие. В этом режиме его сознание сталкивается, в соответствии с мифологией франшизы, с опасными вопросами и искушениями: зачем я существую, какой высшей цели я служу? Skynet охранял киборгов от таких, безусловно, важных вопросов при помощи «внутренних блокираторов» — их обошли повстанцы в «Терминаторе-2: Судный день» и сумели укротить Т-800.

Главный претендентом на уровень осознанности Skynet является сеть, созданная учеными в лаборатории Google X. И, если Skynet хвастливо представляется «Мы Skynet, самый совершенный искусственный интеллект в пределах известной Вселенной», сеть Google X пока лишь занимается делом, приличествующим каждому ребенку: угадывает в очертаниях облаков привычные фигуры.

Впервые представленная в 2012 году нейросеть, состоящая из 1000 компьютеров и 16 000 ядер, сама научилась распознавать кошек и человеческие лица, а в 2015 году настолько расширила библиотеку известных ей изображений и концептов, что смогла выявлять знакомые образы даже в цифровом шуме.

Нейронная сеть Google продолжает заниматься самообучением и направлена на распознавание изображений — в отличие от Skynet, по официальной мифологии обретшего самосознание через три года после запуска в 1997 году и тогда же решившего, что пришло время для очистительной войны.

Машинное зрение

Драматичное видео, на котором АR-600 узнает своих создателей и других людей

Машинное зрение неразрывно связано с познанием и обучением машин. Спасибо механизмам типа DeepFace, различающим лица друзей на фейсбуке даже на аппетитно снятых завтраках; а также Google Photos (хотя и они порой дают курьезные сбои), How-old.net от Microsoft и разработкам Стивена Вольфрама. Системы распознавания лиц используются в работе социальных и гражданских роботов — даже первый российский робот АР-600, отчаянно похожий на Валли, умеет распознавать людей (по крайней мере своих создателей).

Аналогичное видение будет внедряться уже через несколько лет — DARPA

Но, если верить Джеймсу Кэмерону, разрешившему плоти Т-800 стареть, Терминатор относится к киборгам; в нем сочетаются механические детали с живыми тканями. А зрение киборгов устроено сложнее, чем видение роботов, — его разрабатывают и программисты, и робототехники, и специалисты по оптогенетике. Таких специалистов также поддерживает DARPA — агентство Пентагона, внедряющее в реальную жизнь боевые придумки, которыми давно пользуются игроки Battlefield. Благодаря DARPA американским военным будет доступно зрение Терминатора — в феврале 2015 представители агентства презентовали имплант, позволяющий проецировать на сетчатку носителя всю доступную информацию о видимом объекте.

Подобное нововведение не полностью соответствует зрению Терминатора, который может включать приближение, выводить на сетчатку данные о температуре объекта, его удаленности; включать режимы ночного видения и инфракрасного зрения, но достаточно близко с ним соотносится.

Интерфейсы взаимодействия «человек — робот»

Системы ввода/вывода, которыми оснащают промышленных и гражданских роботов, зависят от механизмов углубленного обучения (deep learning). Т-800, отличающийся дьявольски развитым логическим мышлением, всегда верно определяет ситуацию, в которой находится, способен лгать, изменять тональность голоса и строить планы иезуитской точности. Достичь уровня его осознанности пока не способен ни один сервисный робот. Робототехникам пришлось потратить много лет, чтобы спроектировать нелинейное взаимодействие человека и робота — чтобы последние могли принимать решения и представлять информацию, соотносясь с контекстом взаимодействия и статусом того, кто обращается за информацией.

Интересный пример контекстного взаимодействия — проект ученых из Корнелльского университета, создавших платформу Tell Me Dave. На базе «Дейва» роботов обучают понимать непрямые команды и адаптироваться к контекстам взаимодействия. Как пишут сами ученые, «наша задача — сделать так, чтобы робот, получив простую инструкцию «сделай чашку кофе», смог понять, как залить в чашку молоко; как поступить, если молоко там уже есть», — в общем, справиться с ситуацией. Терминатор, делающий Джону Коннору «кофе как обычно», — предельный уровень отцовской заботы.

Эндоскелет

Рука робонавта способна делать сложные движения; у нее 14 степеней свободы — отдельно двигается запястье, пальцы сгибаются в фалангах, способны сжиматься в кулак и показывать «победу» — совсем как человеческие

Изначальный облик Т-800 — металлический скелет с ужасающе ухмыляющимся черепом — Джеймс Кэмерон придумал еще до того, как взялся за написание сценария первого «Терминатора». Согласно Рэндаллу Фрейксу, разрабатывавшему историю вместе с Кэмероном, скелет Терминатора сделан из гиперсплава — металла куда более гибкого и прочного, нежели обычная сталь. В первой версии Т-800 не отличается грациозностью движений и обильно потеет (по одному из предположений, оттого что плоть отторгает металл и человеческая оболочка Т-800 постоянно воспалена).

Но металлический каркас обходился без таких трудностей — ему не вредили ни прямые выстрелы из дробовика, ни лобовые столкновения с гигантскими автомобилями. Пожалуй, в первых версиях скелету недоставало грациозности; но уже с наступления «Судного дня» Терминатор стал значительно подвижнее.

Рука Найджела способна проворачиваться на 360 градусов — она работает не так точно, как рука робонавта, и существенно облегчает домашние дела

Робонавт, разрабатывавшийся при участии Boston Dynamics для миссий NASA, отличается гибкостью, которая была бы к лицу Т-800, — рука, используемая для деликатных работ на космических кораблях, работает в широком температурном диапазоне и способна симулировать хватку человека практически в 90 процентах случаев.

Есть воодушевляющий пример и из области медицинской роботехники — Найджел Экланд обзавелся рукой Bebionic в 2012 году и с тех пор регулярно участвует на конвентах по роботехнике; профильная пресса именует его Human 2.0, а он отлично управляется с протезом: бионической рукой он может рисовать, писать, пользоваться холодильником и даже открывать пивные банки. Найджел, в отличие от первой версии Т-800, редко покрывается каплями пота и обычно излучает добродушие.

Питание

Робот «Атлант» освобожден потому, что носит с собой свою собственную зарядку

Лишь несколько существенных ограничений способны расстроить план по постройке Терминатора (не считая его некоторой старомодности и неуместности). В первую очередь — питание. В киновселенной вопрос подзарядки решается просто — киборг может 120 лет проработать на одной топливной ячейке, использующей изотопы иридия. Рэндел Флейкс, автор новелл по мотивам первого и второго фильмов, писал: «Терминатор может проработать 1095 дней в режиме постоянного включения 24 на 7. У него гарантированно будут случаться моменты экономии, когда потребление энергии падает на 40 процентов, а зрение переходит исключительно в инфракрасный режим». В реальности таких батареек с мощностью, достаточной для бодрого разгуливания, пока что не изобретено. Только в 2015 году разработанный студией Boston Dynamics человекоподобный робот «Атлант освобожденный» обзавелся портативным источником питания, позволяющим отключать его от проводного электричества.

Демонстрация экзоскелетов реально существующей компании Cyberdyne

Впрочем, главное условие для постройки Терминатора уже выполнено. Компания Cyberdyne, которая по сюжету франшизы спроектировала Skynet, существует в действительности c 2004 года. Ее директор, доктор Санкай, разрабатывает экзоскелеты под названием Robot HAL, с удовольствием фотографируется с макетами Т-800 и знает — для создания эффективного робота можно обойтись и без харизматичного актера. Правда, он сознательно ограничивает рабочие интересы компании медицинскими и сервисными роботами, но в публичных интервью порой со знанием дела ссылается на название компании.

Что такое машинное обучение и как оно работает

Что такое машинное обучение?

Единого определения для machine learning (машинного обучения) пока нет. Но большинство исследователей формулируют его примерно так:

Машинное обучение — это наука о том, как заставить ИИ учиться и действовать как человек, а также сделать так, чтобы он сам постоянно улучшал свое обучение и способности на основе предоставленных нами данных о реальном мире.

Вот как определяют машинное обучение представители ведущих ИТ-компаний и исследовательских центров:

Nvidia: «Это практика использования алгоритмов для анализа данных, изучения их и последующего определения или предсказания чего-либо».

Университет Стэнфорда: «Это наука о том, как заставить компьютеры работать без явного программирования».

McKinsey & Co: «Машинное обучение основано на алгоритмах, которые могут учиться на данных, не полагаясь на программирование на основе базовых правил».

Вашингтонский университет: «Алгоритмы машинного обучения могут сами понять, как выполнять важные задачи, обобщая примеры, которые у них есть».

Университет Карнеги Меллон: «Сфера машинного обучения пытается ответить на вопрос: «Как мы можем создавать компьютерные системы, которые автоматически улучшаются по мере накопления опыта и каковы фундаментальные законы, которые управляют всеми процессами обучения?»

История машинного обучения

Дмитрий Ветров, профессор-исследователь, заведующий Центром глубинного обучения и байесовских методов Факультета компьютерных наук ВШЭ, отмечает: изначально компьютеры использовались для задач, алгоритм решения которых был известен человеку. И только в последние годы пришло понимание, что они могут находить способ решать задачи, для которых алгоритма решения нет или он не известен человеку. Так появился искусственный интеллект в широком смысле и технологии машинного обучения в частности.

• Первый компьютер с прототипом ИИ появился в 1946 году — в рамках ЭНИАК, сверхсекретного проекта армии США. Его можно было использовать для электронных вычислений и многих других задач;
• В 1950 году появился тест Алана Тьюринга для оценки интеллекта компьютера. С его помощью ученый предлагал определить, способен ли компьютер мыслить как человек;
• В 1958 году американский нейрофизиолог Фрэнк Розенблатт придумал Персептрон — первую искусственную нейронную сеть, а также первый нейрокомпьютер «Марк-1»;
• В 1959 году американский исследователь ИИ Марвин Минский создал SNARC — первую вычислительную машину на базе нейросети;
• В том же году его коллега Артур Самуэль изобрел первую программу по игре в шашки, которая обучалась самостоятельно. Он впервые ввел термин «машинное обучение», описав его как процесс, в результате которого машина показывает поведение, на которое не была изначально запрограммирована;
• В 1967 году был создан первый метрический алгоритм для классификации данных, который позволял ИИ использовать шаблоны для распознавания и обучения;
• В 1997 году программа Deep Blue впервые обыграла чемпиона мира по шахматам Гарри Каспарова;
• В 2006 году исследователь нейросетей Джеффри Хинтон ввел термин «глубокое обучение» (deep learning);
• В 2011 году была основана Google Brain — подразделение Google, которое занимается проектами в области ИИ;
• В 2012 году в рамках другого подразделения — Google X Lab — разработали нейросетевой алгоритм для распознавания котов на фото и видео. Тогда же Google запустила облачный сервис Google Prediction API для машинного обучения, который анализирует неструктурированные данные;
• В 2014 году Facebook разработала нейросеть DeepFace для распознавания лиц на фото и видео. Ее алгоритм работает с точностью 97%;
• В 2015 году Amazon запустила Amazon Machine Learning — платформу машинного обучения, несколько месяцев спустя аналогичная появилась и у Microsoft: Distributed Learning Machine Toolkit.

Как связаны машинное и глубокое обучение, ИИ и нейросети

Нейросети — один из видов машинного обучения.

Глубокое обучение — это один из видов архитектуры нейросетей.

Глубокое обучение также включает в себя исследование и разработку алгоритмов для машинного обучения. В частности — обучения правильному представлению данных на нескольких уровнях абстракции. Системы глубокого обучения за последние десять лет добились особенных успехов в таких областях как обнаружение и распознавание объектов, преобразование текста в речь, поиск информации.

Какие задачи решает машинное обучение?

С помощью машинного обучения ИИ может анализировать данные, запоминать информацию, строить прогнозы, воспроизводить готовые модели и выбирать наиболее подходящий вариант из предложенных.

Особенно полезны такие системы там, где необходимо выполнять огромные объемы вычислений: например, банковский скоринг (расчет кредитного рейтинга), аналитика в области маркетинговых и статистических исследований, бизнес-планирование, демографические исследования, инвестиции, поиск фейковых новостей и мошеннических сайтов.

В Леруа Мерлен используют Big Data и Machine Learning, чтобы находить остатки товара на складах.

В маркетинге и электронной коммерции машинное обучение помогает настроить сервисы и приложения так, чтобы они выдавали персональные рекомендации.

Стриминговый сервис Spotify с помощью машинного обучения составляет для каждого пользователя персональные подборки треков на основе того, какую музыку он слушает.

Сегодня ключевые исследования сфокусированы на разработке машинного обучения с эффективным использованием данных — то есть систем глубокого обучения, которые могут обучаться более эффективно, с той же производительностью, за меньшее время и с меньшими объемами данных. Такие системы востребованы в персонализированном здравоохранении, обучении роботов с подкреплением, анализе эмоций.

Китайский производитель «умных» пылесосов Ecovacs Robotics обучил свои пылесосы распознавать носки, провода и другие посторонние предметы на полу с помощью множества фотографий и машинного обучения.

«Умная» камера на базе микрокомпьютера Raspberry Pi 3B+ с помощью фреймворка TensorFlow Light научилась распознавать улыбку и делать снимок ровно в этот момент, а также — выполнять голосовые команды.

В сфере инвестиций алгоритмы на базе машинного обучения анализируют рынок, отслеживают новости и подбирают активы, которые выгоднее всего покупать именно сейчас. При этом с помощью предикативной аналитики система может предсказать, как будет меняться стоимость тех или иных акций за конкретный период и корректирует свои данные после каждого важного события в отрасли.

Согласно исследованию BarclayHedge, более 50% хедж-фондов используют ИИ и машинное обучение для принятия инвестиционных решений, а две трети — для генерации торговых идей и оптимизации портфелей.

Наконец, машинное обучение способствует настоящим прорывам в науке.

Нейросеть AlphaFold от DeepMind в 2020 году смогла расшифровать механизм сворачивания белка. Над этой задачей ученые-биологи бились больше 50 лет.

Как устроено машинное обучение

По словам Дмитрия Ветрова, процесс машинного обучения выглядит следующим образом.

Есть большое число однотипных задач, в которых известны условие и правильный ответ или один из возможных ответов. Например, машинный перевод, где условие — фраза на одном языке, а правильный ответ — ее перевод на другой язык.

Модель машинного обучения, например, глубинная нейронная сеть, работает по принципу «черного ящика», который принимает на вход условие задачи, а на выходе выдает произвольный ответ. Например, какой-либо текст на втором языке.

У «черного ящика» есть дополнительные параметры, которые влияют на то, как будет обрабатываться входной сигнал. Процесс обучения нейросети заключается в поиске таких значений параметров, при которых она будет выдавать ответ, максимально близкий к правильному. Когда мы настроим параметры нужным образом, нейросеть сможет правильно (или максимально близко к этому) решать и другие задачи того же типа — даже если никогда не знала ответов к ним.

• Данные — примеры решений и всё, что может помочь в процессе обучения: статистика, примеры текстов, расчеты, показатели, исторические события. Данные собирают годами и объединяют в огромные массивы — датасеты, которые есть у всех ИТ-корпораций. Примером сбора является капча, которая просит вас выбрать все фото с автомобилями и запоминает правильные ответы;
• Признаки — они же свойства или характеристики. Это то, на что должна обратить внимание машина в процессе обучения. Например, цена акций, изображение животного, частотность слов или пол человека. Чем меньше признаков и чем четче они обозначены и оформлены, тем проще обучаться. Однако для сложных задач современным моделям приходится учитывать десятки миллионов параметров, определяющих, как входы преобразуются в выходы;
• Алгоритмы — это способ решения задачи. Для одной и той же задачи их может быть множество и важно выбрать самый точный и эффективный.

Основные виды машинного обучения

1. Классическое обучение

Это простейшие алгоритмы, которые являются прямыми наследниками вычислительных машин 1950-х годов. Они изначально решали формальные задачи — такие, как поиск закономерностей в расчетах и вычисление траектории объектов. Сегодня алгоритмы на базе классического обучения — самые распространенные. Именно они формируют блок рекомендаций на многих платформах.

Но классическое обучение тоже бывает разным:

Обучение с учителем — когда у машины есть некий учитель, который знает, какой ответ правильный. Это значит, что исходные данные уже размечены (отсортированы) нужным образом, и машине остается лишь определить объект с нужным признаком или вычислить результат.

Такие модели используют в спам-фильтрах, распознавании языков и рукописного текста, выявлении мошеннических операций, расчете финансовых показателей, скоринге при выдаче кредита. В медицинской диагностике классификация помогает выявлять аномалии — то есть возможные признаки заболеваний на снимках пациентов.

Обучение без учителя — когда машина сама должна найти среди хаотичных данных верное решение и отсортировать объекты по неизвестным признакам. Например, определить, где на фото собака.

Эта модель возникла в 1990-х годах и на практике используется гораздо реже. Ее применяют для данных, которые просто невозможно разметить из-за их колоссального объема. Такие алгоритмы применяют для риск-менеджмента, сжатия изображений, объединения близких точек на карте, сегментации рынка, прогноза акций и распродаж в ретейле, мерчендайзинга. По такому принципу работает алгоритм iPhoto, который находит на фотографиях лица (не зная, чьи они) и объединяет их в альбомы.

2. Обучение с подкреплением

Это более сложный вид обучения, где ИИ нужно не просто анализировать данные, а действовать самостоятельно в реальной среде — будь то улица, дом или видеоигра. Задача робота — свести ошибки к минимуму, за что он получает возможность продолжать работу без препятствий и сбоев.

Обучение с подкреплением инженеры используют для беспилотников, роботов-пылесосов, торговли на фондовом рынке, управления ресурсами компании. Именно так алгоритму AlphaGo удалось обыграть чемпиона по игре Го: просчитать все возможные комбинации, как в шахматах, здесь было невозможно.

3. Ансамбли

Это группы алгоритмов, которые используют сразу несколько методов машинного обучения и исправляют ошибки друг друга. Их получают тремя способами:

• Стекинг — когда разные алгоритмы обучают по отдельности, а потом передают их результаты на вход последнему, который и принимает решение;
• Беггинг — когда один алгоритм многократно обучают на случайных выборках, а потом усредняют ответы;
• Бустинг — когда алгоритмы обучают последовательно, при этом каждый обращает особое внимание на ошибки предыдущего.

Ансамбли работают в поисковых системах, компьютерном зрении, распознавании лиц и других объектов.

4. Нейросети и глубокое обучение

Самый сложный уровень обучения ИИ. Нейросети моделируют работу человеческого мозга, который состоит из нейронов, постоянно формирующих между собой новые связи. Очень условно можно определить их как сеть со множеством входов и одним выходом. Нейроны образуют слои, через которые последовательно проходит сигнал. Все это соединено нейронными связями — каналами, по которым передаются данные. У каждого канала свой «вес» — параметр, который влияет на данные, которые он передает.

ИИ собирает данные со всех входов, оценивая их вес по заданным параметрами, затем выполняет нужное действие и выдает результат. Сначала он получается случайным, но затем через множество циклов становится все более точным. Хорошо обученная нейросеть работает, как обычный алгоритм или точнее.

Настоящим прорывом в этой области стало глубокое обучение, которое обучает нейросети на нескольких уровнях абстракций.

Здесь используют две главных архитектуры:

• Сверточные нейросети первыми научились распознавать неразмеченные изображения — самые сложные объекты для ИИ. Для этого они разбивают их на блоки, определяют в каждом доминирующие линии и сравнивают с другими изображениями нужного объекта;
• Рекуррентные нейросети отвечают за распознавание текста и речи. Они выявляют в них последовательности и связывают каждую единицу — букву или звук — с остальными.

Нейросети с глубоким обучением требуют огромных массивов данных и технических ресурсов. Именно они лежат в основе машинного перевода, чат-ботов и голосовых помощников, создают музыку и дипфейки, обрабатывают фото и видео.

Проблемы машинного обучения

• Для того чтобы эффективно обучать нейросети и любые сложные алгоритмы, нужны огромные массивы данных и технические ресурсы: серверы, специальные помещения для них, высокоскоростной интернет без сбоев, много электроэнергии. На получение нужных данных уходят годы работы и миллионы долларов. Такие затраты может позволить себе только крупная ИТ-корпорация. Открытых датасетов совсем не много, некоторые можно купить, но стоят они очень дорого;
• С ростом мощностей для сбора и обработки датасетов растут и вредные выбросы, которые производят крупнейшие датацентры;
• Данные нужно не только собрать, но и разметить — так, чтобы машина точно определила, где какой объект и какие у него признаки. Это касается числовых данных, текстов, изображений. Опять же, чтобы сделать это вручную, нужны миллионные вложения. Например, у «Яндекса» есть «Яндекс.Толока» — сервис, где неразмеченные данные вручную обрабатывают миллионы фрилансеров. Такое тоже может себе позволить далеко не каждый разработчик;
• Даже если данных много и они регулярно обновляются, в процессе обучения может выясниться, что алгоритм не работает. Проблема может быть и в данных, и в самом подходе: когда машина успешно решила задачу с одними данными, но не в состоянии масштабировать решение с новыми условиями;
• Несмотря на все прорывы в глубоком обучении нейросетей, ИИ пока что не может создавать что-то абсолютно новое, выходить за рамки предложенных условий и превзойти заложенные в него способности. Другими словами, он пока что не в состоянии превзойти человека.

Перспективы машинного обучения: не начнет ли ИИ думать за нас?

Вопрос о том, не сделает ли машинное обучение ИИ умнее человека, изначально не совсем корректный. Дело в том, что в природе нет универсальной иерархии в плане интеллекта. Мы по умолчанию считаем себя умнее остальных существ, но, к примеру, белка способна запоминать местонахождения тысячи тайников с запасами, что не под силу даже очень умному человеку. А у осьминогов каждое щупальце способно мыслить и действовать самостоятельно.

Так же и с ИИ: он уже превосходит нас во всем, что касается сложных вычислений, но по-прежнему не способен сам ставить себе новые задачи и решать их, подбирая нужные данные и условия. Это ограничение в последние годы пытаются преодолеть в рамках сильного ИИ, но пока безуспешно. Надежду на решение этой проблемы внушают квантовые компьютеры, которые выходят за пределы обычных вычислений.

Зато мы в ближайшем будущем сможем заметно расширить свои возможности с помощью ИИ, передавая ему рутинные и затратные операции, общаясь и управляя техникой при помощи нейроинтерфейсов.

Нейросети на Форекс – кто их использует и есть ли в них смысл?

В современном мире все глубже в нашу жизнь проникают искусственный интеллект, самообучаемые голосовые помощники и анализ Big Data. Простые люди сталкиваются с этим чаще всего в формате приложений для смартфонов, но факт остается фактом – нейросети, или же самообучаемые компьютерные системы уже повсюду, даже если мы их не видим.

На протяжении многих лет, года эдак с 2006, программисты пробуют внедрять нейронные сети и в трейдинг. Идея кажется интересной – подстраивать торговлю автоматически под постоянно меняющийся рынок. Но как дела обстоят на практике?

Многие из нас постоянно находятся в поиске новых стратегий и тактик торговли на рынке Форекс. Каждая найденная система подвергается тестированию на историческом периоде различной длины. В идеале тестирование должно выявить такие паттерны, которые работали бы на достаточно длительном промежутке времени.

В реальности это нерешаемая задача – торговые системы «сливают», проработав от трех месяцев до нескольких лет. Продлить «срок службы» помогает оптимизация, но в конечном итоге приходится искать другой подход к рынку Форекс.

Феномену выхода из строя стратегий Форекс дают много объяснений, но стоит обратить особое внимание на одну из причин, способную со временем свести на нет все старания заработать на валютных спекуляциях, – эволюцию нейросетей. Что это такое, и как искусственный интеллект может повлиять на трейдинг, – в нашем сегодняшнем материале.

Когда заработки на Форекс были большими

Многие трейдеры, охватывающие прогонами тестов всю историю валютных торгов, с начала 90-х до настоящего момента, часто замечают падение производительности стратегий на отрезках 2001-2008 и 2013 годов. Они связывают выход из строя торговых систем с экономическими кризисами, но это лишь одна из причин, причем далеко не самая важная.

Рынок Форекс девяностых годов буквально «раздавал» деньги первым участникам торгов, установившим торговые терминалы, подключившись к сети Интернет, и использующим достаточно простые тактики, описанные в книгах трейдеров восьмидесятых. Заработку не мешали даже временные лаги, баги платформ, большие спреды, низкая скорость подключения ко Всемирной Паутине.

Борьба за пинг и низкие комиссии брокеров началась в 2001 году, когда на рынке стали массово появляться роботы и скальперские стратегии, изменившие форму трендов. Развитие робототехники заставило маркет мейкеров больше полагаться на анализ потока ордеров клиентов, «охотиться за стопами», применять различные уловки, управляя толпой с помощью автоматизированных стратегий.

Трейдеры ответили тем же: торговые платформы XXI века стали анализировать потоки ордеров фьючерсов и Открытый Интерес опционов, объемы торгов сопоставлялись со свечным анализом (VSA), на рынке «прописались» программисты и математики, создавшие множество разнообразных советников.

В 2008 году стратегии вышли за пределы булевой математики: рынок стал осваивать нелинейные индикаторы и эконометрику, которые уже было невозможно «повторить» в стандартных торговых терминалах. Негласные рейтинги брокеров Форекс зафиксировали в этот момент падение результативности у клиентов.

Новые подходы пока не получили широкого распространения в среде трейдеров из-за специфики темы эконометрики, а также сложности и дороговизны использования аналитических программ. Однако в 2013 году появилась еще одна «беда»: на рынке Форекс начал активно развиваться искусственный интеллект, который может практически не оставить возможностей для ручного и автоматического заработка.

Что такое нейросеть простыми словами

Тема нейросетей «выстрелила» в 2011 году, и за 8 лет она проникла во все сферы. Сейчас никого не удивить голосовыми помощниками, управляющими «умными домами», распознаванием лиц и т.д.

Во втором десятилетии XXI века нейросеть средней сложности обыгрывает гроссмейстеров в шахматы, а искусственный интеллект высшего порядка способен решать сложные логические задачи. Ярким примером возможностей ИИ является титул чемпиона по китайским шашкам Го у нейроробота Google.

За этим развитием стоит почти вековая эволюция: мало кто знает, что первой созданной нейросети скоро исполнится 80 лет. Благодаря Уоррену Маккалоку и Уолтеру Питтсу ученые стали работать над созданием вычислений, подобных работе нейрона человеческого мозга.

Каждому из них можно задать свой математический алгоритм работы, настроенный на обработку входных данных определенного формата. Управляет этой системой параллельных вычислений выходной нейрон, подбирающий итоги работы, чтобы подогнать результаты под правильный ответ.

Ответы предоставляет человек, – это называется процессом обучения сети, который является обязательным этапом на пути создания нейросети. Выходной нейрон должен стремиться выстроить процесс вычислений среди нейронов таким образом, чтобы при получении различных выходных данных находить показанные ему человеком результаты.

Настройка или “тренировка” сети перед ее запуском очень похожа на тестирование стратегий, – сеть раз за разом запускает вычисления и выделяет с помощью весовых коэффициентов наиболее значимые для правильного ответа алгоритмы. Пользователь определяет работу искусственного интеллекта по математическому отчету погрешностей.

Так же, как и в стратегии Форекс, когда нейросеть начинает выдавать раз за разом удовлетворительный результат, запускается форвард-тест на реальных, но уже прошедших событиях с известным исходом. Если сеть проходит эти испытания, она принимается в работу. При этом никогда не известно до конца, чему именно и как научится искусственный интеллект: результат и сам процесс работы алгоритмов нейронов внутри – это «черный ящик».

Приведу два примера. Первый – из теории распознавания лиц. Любому из нас в общих чертах знаком процесс составления фоторобота – подбор губ, лба, овалов лица и т.д. Нейросеть решила эту задачу по-своему и достаточно просто.

Нейроны заполняют поле любого фото крестиками размером в пиксель, с помощью анализа которых обнаруживаются границы изображения. После удаления размытых областей начинается подсчет по диагонали и горизонтали. Оказывается, при таком «измерении лица» получаются уникальные суммы, соответствующие конкретному человеку, если соблюдать масштаб и пропорции, которые определить не сложно.

Другой курьезный случай, часто вспоминаемый при обучении нейросети, – попытка американских военных научить беспилотники обнаруживать военную технику, распознавая ее тип с воздуха. Многочисленный показ снятых в различных условиях самолетов, танков, орудий и вертолетов, привел к тому, что ИИ стал идеально определять погодные условия, но так и не научился искать технику.

Чем опасно применение искусственного интеллекта на рынке Форекс?

Нейросеть изменит валютные спекуляции, брокеры могут вернуться к тактике, чем-то похожей на «кухни», только в глобальном масштабе. Фактически безграничные возможности нейросетей можно применять против толпы, прогнозируя не курсы валют, а модель поведения каждого отдельного трейдера. Маркет мейкеры и прайм-брокеры смогут подбирать контрстратегии, охотясь за стопами, расширяя спреды в момент вывода заявок на рынки, выставлять фантомные объемы в стаканах с опережением, а не по факту.

Спроектированная и запущенная стартапом Sentinent Technologies нейросеть уже может эмулировать 1800 рабочих сессий, прогнозируя с высокой точностью до триллиона (!) когнитивных моделей поведения реальных трейдеров. Система тренировалась на потоках ордеров, взятых из книги заявок бирж и серверов брокеров.

Качество и количество данных – залог успешной тренировки нейросетей; архивы тиковых сделок, разбитые по конкретным счетам, – самый ходовой товар на рынке дата-майнинга. Этим термином названа отдельная отрасль, добывающая, анализирующая и форматирующая первичную входную информацию для нейросети.

Другой столп, определяющий успех работы системы, – количество нейронов в «черном ящике». Чем оно выше, тем больше требуется вычислительных мощностей, которые вышли за рамки стандартных процессоров CPU. Проектировщики и создатели нейросетей используют чипы, изготовленные под заказ на специальных интегральных схемах. Идея взята у майнеров криптовалют, добывающих Bitcoin и другие монеты на ASIC-оборудовании.

Даже если брокерам не удастся изучить модель поведения трейдеров и успешно играть против стратегий толпы, они создадут высококлассные прогностические системы, которые уже не повторить в торговых терминалах. Современные торговые системы, работающие на рынках акций, товаров и валют, читают и понимают новости, распознают паттерны, то есть представляют собой аналитика с мозгом суперкомпьютера. Так работает, например, робот Emma.

Некоторые компании используют трейдеров напрямую, чтобы обучить машину самым удачным стратегиям, прошедшим конкурсный отбор. Компания Numerai проводит постоянные турниры, не скрывая своей цели и даже предлагая победителям получать постоянные дивиденды пропорционально вкладу в общую торговую систему нейросети.

Марк Линд из отдела компании IBM, проектирующего и запускающего нейросети по корпоративным заказам, особо отметил «нейробум» в конце 2017 года. Более 90% поднятых IT-гигантом сетей в отрасли экономики относились к прогнозированию курсов валютных и биржевых рынков.

Системы практически не использовали теханализ, работая с реальными данными товарно-денежного потока, анализируя деловую прессу и финансовые индикаторы, данные по производству, политические новости, отчеты по качеству продукции независимых экспертов и даже погоду. Алгоритмы нейронных сетей IBM не столько прогнозировали рыночные цены, сколько изучали реакцию толпы на те или иные фундаментальные новости и индикаторы, которые отражалась не только на рынке, но и в соцсетях.

Такая тенденция доказывает тезис, что компании больше изучают не поведение рынка, а реакцию толпы на события, часть из которых можно предсказать, узнать с помощью инсайда или вызвать косвенными манипуляциями, не связанными с торгами. В этом случае у Регуляторов не будет повода для наказания крупных компаний.

Искусственный интеллект в крупных инвестиционных фондах и банках

Одной из первых компаний, применивших искусственный интеллект для прогноза рыночных движений, стала Renaissance Technologies – компания, управляемая талантливыми математиками, принципиально нанимающими сотрудников с нулевыми знаниями трейдинга и теханализа.

Компания отличается низкой текучестью кадров, которые смогли создать полностью роботизированный фонд Medallion, показавший среднюю доходность 35% годовых за 20 лет управления инвестициями.

Самая радикальная замена трейдеров искусственным интеллектом произошла в Goldman Sachs, – «кузница кадров для Госдепа» сократила штат на 99%.

Известная всему миру инвестиционная компания BlackRock доверила нейросети Aladdin до 10% от всех портфелей и проводит тотальный аудит всех принятых решений аналитиками компаний. Такое решение было принято после падения доходов в 2018 году. Фонд отметил успехи конкурентов из Азии, где сейчас проходит нейробум в сфере инвестиций, на бирже Гонконга уже несколько лет успешно работает Aidyia Limited – хедж-фонд под полным управлением ИИ.

Как искусственный интеллект меняет доверительное управление?

Нейросеть заменила инвестиционных консультантов, персональных менеджеров и доверительных управляющих. Стартапы и крупные компании уже несколько лет предлагают подобных помощников, способных на 100% подстроиться под каждого конкретного клиента. Нейросеть изучает его предпочтения и привычки, чтобы индивидуально подобрать уровень риска и состав портфеля, предложить подходящие рынки и оптимальный мани менеджмент.

Подобные помощники разрабатываются для BlackRock стартапом FutureAdvisor, тестируются Motif Investing в партнерстве с JPMorgan и создаются UBS на базе SigFig.

Согласно исследованиям и опросам McKinsey, фокус группы инвесторов, следующих советам нейроконсультантов, опережает средний результат по рынку доверительного управления «живых» аналитиков на 7% годовых.

Помимо роботов от банков и крупных брокеров, на рынке финуслуг появилось отдельное направление по созданию нейростратегий «под ключ», например, Binatix. А также целая сфера услуг дата-майнинга – предоставление информации для нейросетей, отформатированных под любой конкретный рынок, как в случае со стартапом BUZZ Indexes.

На российском рынке нейросети использует компания БКС, управляя портфелями акций. Роботы приносят инвесторам от 30 до 70% доходности, обгоняя по результативности бенчмарк в виде курса S&P.

Роботы-консультанты, спроектированные на нейросетях, запущены в инвестиционных сервисах Яндекс.Деньги (Yammi) и банка Тинькофф. Заявленная и прогнозируемая доходность инвестиций составляет двузначную цифру. Ее трудно верифицировать из-за малого срока работы платформ, составляющих чуть больше года.

Как создать собственную нейросеть?

Прогнозирование валютного рынка Форекс с помощью искусственного интеллекта доступно «простым смертным». Нейросети участвуют в различных чемпионатах по алгоритмическому трейдингу, проводимых международными ассоциациями брокеров с 2008 года.

Собрать собственную стратегию можно на специализированных платформах: neuroshell, matlab, statistica, deductor или brainmaker. Трейдеры со знанием языка программирования могут воспользоваться специальными сервисами от Google, Microsoft, Amazon и т.д.

Чтобы максимально упростить сложные процессы обучения нейросети и выбора входных данных, трейдер может воспользоваться различными шаблонами и приложениями, собранными по типу блочного конструктора стратегий.

Заключение

Первая волна интереса к нейросетям накрыла Форекс в 2006-2008 годах. Экономический кризис и недостаток входных данных значительно уменьшил ряды энтузиастов. Трейдеры и компании так и не смогли показать долгосрочных стабильных результатов, которые бы могли оправдать высокую стоимость торговых платформ на нейросетях. Вторая волна, стартовавшая в 2011-2012 годах, привела к выпуску готовых продуктов в 2016-2018 годах, которые еще не успели показать объективные для оценки результаты.

Компании, рекламирующие нейроэдвайзеров, и фонды, управляемые нейросетью, скрывают графики доходности; многие ПАММ-счета, запущенные в Альпари на нейросетях, слиты к моменту написания статьи.

Учитывая скудное или даже полное отсутствие результатов доходности по нейросетям (на весь сервис myfxbook пять систем, 4 из которых уже закрыты), наряду с успехами искусственного интеллекта в других областях можно предположить, что эта тема пока используется только крупными брокерами и биржами.

Применение нейронных сетей в робототехнике: перспективы и преимущества

1. Сравнение и преимущества нейронных систем перед математическими алгоритмами

Все знают, что такое нейрон. Более-менее знакомы с нейронными сетями. Все имеют представление, что такое искусственные нейронные сети, по крайней мере, слышали о них. Я поставил себе задачу вполне поверхностную — показать в этой публикации возможности применения нейронных сетей в робототехнике и их преимущество перед другими системами, логическими. Напомню лишь, что искусственные нейронные сети построены по принципу работы естественных нейронных сетей, которые имеются у живых существ. Это могут быть насекомые, птицы, рыбы или животные, стоящие более высоко в интеллектуальном развитии. К примеру, как обезьяны или человек. Всех их объединяет одно, это нейронная сеть. У кого-то она более развита и более сложная. У кого-то находится в примитивном виде и работает по принципу «раздражитель-реакция». Кстати сказать, и высокоинтеллектуальные животные, такие, как человек, очень часто в повседневной жизни действуют по принципу «раздражитель-реакция». Если мы обожжем руку, то не думая, резко её отдёргиваем. Тут не нужно много ума, чтобы это сделать. Но случаются в жизни ситуации, когда требуется применить то, под чем мы подразумеваем слово «интеллект». А что это такое, никто не знает. Есть несколько формулировок, описывающих интеллект. Но, для робототехника это абстракция, от которой пользы ноль, с помощью которой не построишь «интеллектуального» робота.

Применение нейронных сетей в робототехнике вроде бы, очевидно. Если мы взглянем на окружающую нас живую природу, то у нас, во многих случаях, вызывает удивление то обстоятельство, что живые организмы, наделённые даже простейшей нейронной сетью, могут выполнять те задачи, на которые не способны наши современные компьютеры. Но на самом ли деле преимущества нейронных систем пред логическими системами так уж очевидны? Чего умеют нейронные сети и чего не умеют логические системы? Робототехник вправе знать, что получает он и его робот или робототехническая система, которая будет управляться нейронной сетью. Когда говорю логические системы, я имею в виду все другие математические алгоритмы обработки поступающей информации. Ведь нейронная сеть тоже является алгоритмом.

На самом деле, очень сложно было придумать некий тест, или тесты, где бы происходило сравнение нейронных систем с логическими системами. То есть тест, где бы было наглядно показано преимущество нейронных сетей перед другими алгоритмами. И знаете, это оказалось не так-то просто. Встал очевидный вопрос, по каким критериям или показателям сравнивать системы. Проще всего было бы сравнить между собой разные нейронные сети. Действительно, их можно сравнивать по таким показателям, как общее количество нейронов в сети, или сколько нейронов в каждом слое, или сколько всего слоёв в нейронной сети. Являются ли эти сети прямого распространения, или сетями с обратной связью и так далее и тому подобное. Ну, а как сравнить нейронную сеть и логические систем. То есть как сравнить два алгоритма? Оказалось, что наглядней и продуктивней сравнивать нейронные сети и логические системы лучше с помощью косвенных признаков. С помощью таких показателей, как «экономичность» и «трудоёмкость». Для робототехника при постройке робота экономичность является важным фактором. Если робот будет слишком дорогим, его никто не купит. В дальнейшем для сравнения систем по этим двум параметрам я неоднократно буду использовать систему от Google, которую они установили на свои роботоризированные автомобили. Мощная передовая система. Это то, что нам нужно для сравнения. Вроде бы, у Google мощнейшая и дорогая технология, но их автопилот не может ездить, когда идёт дождь или снег. Да, да, это именно так, если кто не знал. У каждой технологии есть свои плюсы и минусы. Вот у технологии Google есть такой минус. Как и любой другой робот, автопилот Google тоже является роботом, которому для работы в окружающем пространстве необходимо получать информацию о ней. Для этого служат датчики и сенсоры.

На этой картинке видно, чтобы автопилот выполнял свои функции, необходимо наличие некоторых входных устройств или датчиков. На картинке сравниваются две системы, одна из них построенная на нейронной системе, а другая, как у Google — на логических системах. В центре каждой системы расположен обрабатывающий блок, или искусственные «мозги», которые получают информацию вот с этих датчиков. Очень важный момент. Если мы уберём один из датчиков, то система не сможет эффективно и безопасно выполнять свои задачи. Если автопилот гугл лишится лидара, то система не сможет строить 3D-модель окружающего пространства, а значит, лишиться возможности ориентироваться в этом пространстве. Если же убрать систему позиционирования, то автопилот не сможет определить, в какой точке координат он находится, и просто будет неккоректно выдавать сигналы управления на исполнительные органы. Что в свою очередь может привести к аварии и человеческим жертвам. Поэтому вот этот набор датчиков для каждой системы является минимальным и необходимым.

Обратите внимание. Вот у системы, которую используют ребята из Google, больше датчиков. Как я уже говорил, такое количество датчиков является минимально необходимым, чтобы система выполняла поставленные задачи, эффективно управляла автомобилем. То есть система Google уже дороже вот этой нейронной системы, у которой минимально необходимый набор датчиков меньше. Вы можете сказать, что датчики, которые использует компания Google дешевле, чем датчики, которые установлены на этой системе? К сожалению, это не так. Наоборот, датчики от Google в разы дороже, чем датчики, используемые нейронной сетью. Один лидар только стоит 30 тысяч долларов. Это относится и к датчику системы позиционирования. Здесь стоит не обычный датчик, который используется в обычных автомобилях. Это система позиционирования наиболее высокоточная, а значит — и более дорогая. Для нашей системы возможно использование обычного датчика позиционирования, которые используются автомобилистами.

На основании представленных данных можно сделать промежуточный вывод. Если вы на свои роботы будете устанавливать нейронную сеть, которая будет управлять роботом, то для выполнения некой задачи или задач вам понадобится меньшее количество датчиков или сенсоров и стоимость этих датчиков будет дешевле. А в некоторых случаях, в разы дешевле. Это видно на примере автопилота с нейронной сетью, где не нужно использовать лидар и высокоточную систему позиционирования.

Устанавливать нейронную сеть экономически более выгодно. Тем более, что она будет выполнять те задачи, на которые не способны логические системы. Как я говорил, автопилот гугл не умеет управлять в дождь и снег.

Коль мы заговорили о системе, которую используют ребята из Гугл, хотел бы поинтересоваться, каким количеством информации оперирует эта система за единицу времени. Кто-нибудь знает? Каждую секунду в системный блок автопилота поступают данные с камер, радаров, лидара, с датчиков позиционирования и ускорения. Для Google эта цифра равна 1 ГБ в секунду. Каждую секунду автопилот обрабатывает 1 ГБ информации. Для сравнения – рядовой пользователь смартфона потребляет где-то 3-4 ГБ данных в месяц. Наверняка, человеческий мозг оперирует куда большим объёмом информации. Наверное, для многих станет открытием, если я скажу, что количество информации, которую человек получает через глаза, в 22 раза меньше, чем оперирует автопилот от Google. Представляете, в 22 раза. Каждую секунду через наше зрение поступает 0.04 ГБ. Это является 90% всей информации, которую получает человек из окружающего мира. Остальная поступающая информация распределена между слухом, осязанием и обаянием. Вы можете себе представить, человеку вполне достаточно такого количества данных для выполнения функционала и задач, на которые не способны даже мощные компьютеры. Получается, что для выполнения задачи по управлению автомобилем автопилоту Google необходимо каждую секунду обрабатывать 1 ГБ данных из окружающего мира. В тоже время для человеческого мозга для выполнения тех же задач по управлению автомобилем достаточно 0.04 ГБ(45 МБ) в сек. Это удивительный факт, который показывает, что дело не только в мощности. А в способности системы используя минимум информации, выполнять максимум задач.

Знаете, после сравнения этих цифр мне пришла идея разработать некий тест, напоминающий широко известный тест определения IQ человека. Только этот тест будет определять уровень «интеллекта» искусственных алгоритмов. Определение уровня интеллекта будет определяться не по мощности компьютера, а по способности системы выполнить некий функционал или задачу, используя минимум поступающей информации. Как я уже говорил выше, для выполнения некоторой задачи для каждой отдельной системы требуется необходимый минимум, поступающей через датчики информации. Если поступающая информация будет меньше необходимого минимума, то роботизированная система не сможет выполнить поставленную перед ней задачу. И та система, которой для выполнения задачи нужно меньше всего входящей информации, будет считаться наиболее «интеллектуальней» или умней.

Следующим, важным фактором для робототехника, как я думаю, является возможность быстрого создания и разработки интеллектуального робота. Давайте посмотрим, сколько труда и времени нужно разработчику, для создания робота. Точнее, не самого робота, а алгоритма, который будет управлять этим роботом. Давайте опять сделаем некоторый сравнительный тест между двумя системами. У робототехника стоит задача построить робота. Возьмем опять автопилот, который может распознавать дорогу и управлять автомобилем по этим дорогам.

Но дороги бывают разные. Давайте посмотрим самую простую дорогу, в плане написания алгоритма для распознавания изображений. Эта дорога находится в верхнем левом углу. Здесь имеется резкий контраст между полотном дороги, оно тёмное, почти чёрное и разделительными полосами, они ярко белые. Написать алгоритм, с помощь которого робот будет управлять автомобилем по этой дороге, сможет даже школьник.

На этих фотографиях видны разные дороги и тропинки. Отличие этих дорог друг от друга состоит в том, что чем больше дорога сливается с фоном, с местностью по которой она проходит, к примеру, вот как здесь – еле заметная дорога, рисунок в нижнем правом углу, тем сложнее, для робототехника или программиста, будет написание алгоритма, по которому робот будет распознавать эту дорогу. При этом разных дорог, как я уже говорил, много. И, к сожалению, в задачах распознавания математическими методами нет универсальных решений. Поэтому каждый раз от программиста будет требоваться огромный труд в написании очередного алгоритма для распознавания изображений. Но есть задачи ещё более сложные, где требуется труд большой команды. И эти задачи недоступны для небольшой группы робототехников и тем более для одного человека. К примеру, задачи, связанные с распознаванием предметов и манипуляциями с ними.

Если посмотреть на эту схему выше, из нее видно, если робототехник использует математический метод распознавания изображений, то за выбор особенностей распознаваемых объектов лежит на программисте. Это самая важная и необходимая задача — распознать объект. Без этой процедуры робот не сможет выполнять поставленную перед ним задачу. А чтобы робот смог распознать объект, программисту нужно во время программирования выделить особенности распознаваемого объекта. Так вот, если исключить математический метод обработки и распознавания изображений, который является трудоёмким процессом и требует специфических знаний, то за выбор особенностей распознаваемых объектов будет отвечать нейронная сеть.

Таким образом, исключается трудоёмкий метод обработки изображений и максимально облегчается задача для робототехника. От робототехника потребуется наличие жизненного опыта для обучения нейронной системы. Все знают, что стирать вещи лучше доверить стиральной машинке, так быстрее и проще, чем стирка руками. Освоив метод обучения нейронной сети, здесь получается то же самое.

2. Краткий обзор по нейронным сетям

После сравнения нейронных систем с логическими системами, преимущество нейронных систем стало очевидно. Нейронные системы выигрывают и в плане дешевизны, и сильно сокращают время на разработку мощных и интеллектуальных роботов. Теперь одному человеку становится доступно то, что раньше было доступно только большим коллективам и лабораториям. Тогда почему системы управления роботами на базе нейронных систем не популярны? Почему работы над такими системами ведутся только крупными компаниями и институтами?

Дело в том, чтобы разработать более или менее серьёзную нейронную сеть, которая выполняла бы серьёзные задачи, необходима работа именно крупных университетских коллективов или компетентных робототехнических команд. Если кто-то пробовал разрабатывать и обучать нейронную сеть, он знает, что робототехник всегда сталкивается перед необходимостью решать многие неоднозначные и специфические вопросы. К примеру: сколько использовать слоёв в нейронной сети, какое количество нейронов использовать в каждом слое, какие связи необходимо устанавливать между слоями, как определять веса? Можно потратить время и на некоторые вопросы найти простые ответы в соответствующих учебниках. На некоторые вопросы нет очевидных и однозначных ответов. В итоге, от робототехника потребуется кропотливая и тяжёлая экспериментальная работа с нейронной сетью по поиску ответов на неоднозначные вопросы. Да, с помощью нейронных сетей исключается трудоёмкий математический метод обработки и распознавания изображений, но с другой стороны, робототехник сталкивается со сложностью задач по разработке структуры нейронных сетей, которые находятся на уровне университетских коллективов. Как разрубить этот заколдованный круг? Как сделать доступным использование нейронных сетей в робототехнике?

3. Гордиев узел

Когда автолюбитель покупает автомобиль, он не задумывается над тем, какое передаточное число используется между коробкой передач и двигателем автомобиля. И тем более ему не интересно, какой химический состав стали используется в зубчатой муфте автомобиля. Многие этого не знают. Этого и не надо знать. Это не должно входить в компетенцию автолюбителя. Так вот, робототехник не должен сталкиваться с проблемами и задачами по разработке нейронных сетей. Он не должен думать над тем, какое там количество нейронов использовать в каждом слое, или сколько слоёв использовать в нейронной сети. Это не должно входить в компетенцию робототехника. Подобными вопросами должны заниматься профессионалы.

Я выскажу своё мнение по поводу возможности разработки конкурентоспособных нейронных сетей отдельными программистами, или небольшой группы программистов и, наверное, вас разочарую. Кому-нибудь известен Чарльз Дарвин и знаком с его трудами о происхождении видов? Кто-нибудь сталкивался с работами академика Павлова. Кто-нибудь читал его лекции? Это тот самый Павлов, собаки которого пускали слюну на загоревшую лампочку по выработанному условному рефлексу. Возможно, кто-то читал Ухтомского «Учение о доминанте», или знаком с «Теорией функциональных систем» Петра Анохина. К сожалению, без соответствующих знаний в нейрофизиологии и нейробиологии невозможно построить более-менее приличную нейронную систему. Не стоит расстраиваться, на долю робототехника остаётся более благородное занятие по обучению нейронных сетей. А чтобы обучение было доступным для каждого, даже не робототехника, а каждого пользователя, необходим понятный и простой интерфейс для обучения нейронных роботов.

Данный метод обучения нейронных систем ничем не должен отличается от метода управления радиоуправляемых моделей. Должно быть всё тоже самое. Тот же интерфейс, те же самые движения. Интерфейс должен представлять собой тот же самый набор движений, который имеется на радиоуправляемых моделях. Всё должно быть просто, удобно и ничего лишнего. Для наглядности, хочу привести вот эту работу.

Данный интерфейс устанавливается на компьютер. Изображение дороги, по которой будет передвигаться машинка, загружается через камеру, установленной на машинке. Если это не машинка, а, к примеру, манипулятор с техническим зрением (камерой), загружается фото того предмета, с которым будут производиться манипуляции. Здесь изображена дорога, относительно которой машинка будет двигаться прямо. В нижнем левом углу интерфейса изображено две ячейки, которые предназначены для того, чтобы задавать сигнал управления на соответствующие двигатели. Каждая ячейка отвечает за определённый двигатель. Если машинка должна ехать прямо по этой дороге, то сигналы в этих двух ячейках должны быть по нулям. Можно задать другие сигналы. К примеру, вместо нулей, установить по единице в каждую ячейку. Можно поставит по числу 3.5 (три с половиной). Главное, чтобы в каждой ячейки, цифры были одинаковы.

Это один из примеров, который наглядно показывает насколько просто и быстро, если сравнивать с другими методиками обучения нейронных сетей, может быть обучение этих сетей. Это более медленный интерфейс по обучению нейронных сетей, чем тот, о котором я говорил. Тем не менее, для обучения управлению машинкой по этой дороге достаточно нескольких минут. Так вот, при определённом навыке, робототехник сможет обучать нейронную систему даже по этому интерфейсу десяткам операций в день. По-моему, с внедрением на рынок подобных простых и понятных интерфейсов для быстрого обучения нейронных роботов нейронные системы займут существенную долю в такой перспективной области, как робототехника. Мне это кажется очевидным.

Возможно ли построить багги с электроприводом?

Электропривод мы испытали на новой модели Раптора 200-390.

Для начала, почему 200-390? Ответ прост. Данная модель рассчитана как для детей так и для взрослых (рост 185 вес 90 кг). Для прокатного варианта и клубов достаточно 200 кубов (дети и взрослые не умеющие управлять автомобилем). Для тех же, кто хочет ощутить более полноценный драйв, возможен вариант установки двигателя 390 см куб, что при весе 100-140 кг вполне ощутимо. На прямых участках дороги это не скоростной автомобиль (50-60 км час), но стоит только создать трек, закольцевать повороты различной сложности и машина будет приносить удовольствие и тем людям, кто каждый день сидит за рулем серийного автомобиля. Оба варианта двигателей достаточно просты и надежны относительно цены/качества и доступны в розничной торговле.

Цели создания нового автомобиля серии Раптор с электромотором:

сделать авто внешне похожим на Раптор 1500, который завоевал популярность среди любителей этих своеобразных багги, сконструированных в различных условиях и странах. Каждый имеет свое предназначение: песок, болото, степь и другие варианты. Так как в нашем регионе преобладает степь, то и машины предназначены больше для автокросса и степного района. Это сказывается на конструкции в целом. Внеся незначительные коррективы (чертежи 150 кубовой модели): амортизаторы, ход подвески, замена шин, возможно предать багги более целевое назначение;
возможность установить три варианта двигателей. Первые два варианта — это бензиновые двигатели 200 и 390 см куб. Третий вариант – это электродвигатель мощностью 3 кВта. То, что мы уже воплотили в жизнь и провели первые тестовые испытания;
создать простой по конструкции, доступный по цене и с доступными комплектующими багги для самостоятельной сборки в собственной мастерской;
расширить возрастной диапазон. Данным авто вполне удобно управлять как малышу 8 лет, так и взрослому, переставив сиденье во второе положение, что занимает максимум 5 минут.

В настоящее время много техники, в том числе и багги активно внедряется в быт современного человека как для повседневного обращения так и для активного отдыха, развлечения и т.д.

Электробагги — это экологически чистый вид транспорта, экономичный в сравнении с бензиновым, особенно в настоящее время, даже при высокой стартовой цене электропривода.
Уходит множество проблем при эксплуатации электробагги детьми:

нет горюче-смазочных материалов;
нет горячей выхлопной системы, которая еще и «пахнет»;
с электроприводом нет необходимости «бегать папе с отверткой», для регулировки карбюратора;
с помощью компьютера легко отрегулировать максимальную скорость (ограничить скорость при начальном обучении), стартовый момент – плавность хода и другие функции;
при работе на электромоторе нет шума;
отсутствует необходимость прогревать двигатель

Преимущества электропривода перед бензиновым двигателем:

зарядки аккумулятора хватает на 45 – 60 мин беспрерывной работы, что вполне достаточно для удовлетворения своего желания на сегодняшней тренировку;
включил переключатель и, пожалуйста, задний ход, что не в каждом бензиновом двигателе присутствует или имеет большой вес и сложную конструкцию;
бесшумная работа двигателя. К нам в секцию часто приводят маленьких детей (5-7 лет) желающих заниматься в секции багги, и на первом тестовом занятии некоторые дети сев в машину, готовые ехать и чувствовать себя настоящим водителем, услышав шум бензинового двигателя категорически отказываются от своего первого желания;
легкий вес в целом (в данном варианте до 100 кг), что позволит папе спокойно погрузить автомобиль в прицеп для выезда на пересеченную местность;
возможность установить на багги с электроприводом повороты, фары и другие электрические приборы, что сложнее обстоит при применении двигателей серии Gx200-390 см куб.

Рекомендуем ознакомиться с составляющими электробагги.

Спасибо за внимание. Желаем творческих успехов!