शुभ दोपहर, मेरा नाम नतालिया एफ़्रेमोवा है, और मैं एनटेकलैब में एक शोध वैज्ञानिक हूं। आज मैं तंत्रिका नेटवर्क के प्रकार और उनके अनुप्रयोगों के बारे में बात करूंगा।

सबसे पहले, मैं हमारी कंपनी के बारे में कुछ शब्द कहूंगा। कंपनी नई है, शायद आप में से कई लोग अभी तक नहीं जानते होंगे कि हम क्या करते हैं। पिछले साल हमने मेगाफेस प्रतियोगिता जीती थी। यह एक अंतर्राष्ट्रीय चेहरा पहचान प्रतियोगिता है। उसी वर्ष, हमारी कंपनी खोली गई, यानी हम लगभग एक वर्ष से, उससे भी थोड़ा अधिक समय से बाज़ार में हैं। तदनुसार, हम चेहरे की पहचान और बायोमेट्रिक इमेज प्रोसेसिंग में अग्रणी कंपनियों में से एक हैं।

मेरी रिपोर्ट का पहला भाग उन लोगों के लिए होगा जो तंत्रिका नेटवर्क से अपरिचित हैं। मैं सीधे तौर पर गहन शिक्षण से जुड़ा हूं। मैं इस क्षेत्र में 10 साल से अधिक समय से काम कर रहा हूं। हालाँकि यह एक दशक से भी कम समय पहले सामने आया था, लेकिन तंत्रिका नेटवर्क के कुछ मूल तत्व हुआ करते थे जो गहन शिक्षण प्रणाली के समान थे।

पिछले 10 वर्षों में, गहन शिक्षा और कंप्यूटर दृष्टि अविश्वसनीय गति से विकसित हुई है। इस क्षेत्र में जो कुछ भी महत्वपूर्ण है वह सब कुछ हुआ है हाल के वर्ष 6.

मैं आपको इसके बारे में बताऊंगा व्यावहारिक पहलू: छवि और वीडियो प्रसंस्करण, छवि और चेहरे की पहचान के लिए गहन शिक्षण के संदर्भ में कहां, कब, क्या उपयोग करना है, क्योंकि मैं एक ऐसी कंपनी में काम करता हूं जो यह करती है। मैं आपको भावना पहचान के बारे में थोड़ा बताऊंगा और गेम और रोबोटिक्स में किन तरीकों का उपयोग किया जाता है। मैं गहन शिक्षण के गैर-मानक अनुप्रयोग के बारे में भी बात करूंगा, जो अभी वैज्ञानिक संस्थानों से उभर रहा है और अभी भी व्यवहार में बहुत कम उपयोग किया जाता है, इसे कैसे लागू किया जा सकता है, और इसे लागू करना मुश्किल क्यों है।

रिपोर्ट में दो भाग होंगे. चूँकि अधिकांश लोग तंत्रिका नेटवर्क से परिचित हैं, सबसे पहले मैं यह बताऊंगा कि तंत्रिका नेटवर्क कैसे काम करते हैं, जैविक तंत्रिका नेटवर्क क्या हैं, हमारे लिए यह जानना महत्वपूर्ण है कि यह कैसे काम करता है, कृत्रिम तंत्रिका नेटवर्क क्या हैं, और कौन से आर्किटेक्चर का उपयोग किन क्षेत्रों में किया जाता है .

मैं तुरंत माफी मांगता हूं, मैं अंग्रेजी शब्दावली को थोड़ा छोड़ दूंगा, क्योंकि मैं ज्यादातर यह भी नहीं जानता कि इसे रूसी में क्या कहा जाता है। शायद आप भी.

तो, रिपोर्ट का पहला भाग कन्वेन्शनल न्यूरल नेटवर्क के लिए समर्पित होगा। मैं आपको चेहरे की पहचान के एक उदाहरण का उपयोग करके बताऊंगा कि कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) और छवि पहचान कैसे काम करती है। मैं आपको गहन शिक्षण प्रणालियों के उदाहरण का उपयोग करके आवर्ती तंत्रिका नेटवर्क (आरएनएन) और सुदृढीकरण सीखने के बारे में थोड़ा बताऊंगा।

तंत्रिका नेटवर्क के एक गैर-मानक अनुप्रयोग के रूप में, मैं इस बारे में बात करूंगा कि सीएनएन चिकित्सा में स्वर छवियों को पहचानने के लिए कैसे काम करता है, अफ्रीका में गरीबी को पहचानने के लिए तंत्रिका नेटवर्क का उपयोग कैसे किया जाता है।

तंत्रिका नेटवर्क क्या हैं

पृष्ठीय दृश्य मार्ग हमारे शीर्ष पर, प्राथमिक दृश्य क्षेत्र में शुरू होता है, और ऊपर की ओर जारी रहता है, जबकि उदर मार्ग हमारे सिर के पीछे से शुरू होता है और लगभग कानों के पीछे समाप्त होता है। सभी महत्वपूर्ण पैटर्न की पहचान जो हमारे साथ घटित होती है, वह सब कुछ जिसका अर्थ होता है जिसके बारे में हम जानते हैं, वह वहीं, कानों के पीछे होता है।

यह महत्वपूर्ण क्यों है? क्योंकि तंत्रिका नेटवर्क को समझना अक्सर आवश्यक होता है। सबसे पहले, हर कोई इस बारे में बात करता है, और मैं पहले से ही ऐसा होने का आदी हूं, और दूसरी बात, तथ्य यह है कि छवि पहचान के लिए तंत्रिका नेटवर्क में उपयोग किए जाने वाले सभी क्षेत्र ठीक वेंट्रल विज़ुअल पाथवे से हमारे पास आए, जहां प्रत्येक एक छोटा सा ज़ोन अपने कड़ाई से परिभाषित कार्य के लिए जिम्मेदार है।

छवि रेटिना से हमारे पास आती है, दृश्य क्षेत्रों की एक श्रृंखला से गुजरती है और अस्थायी क्षेत्र में समाप्त होती है।

पिछली शताब्दी के सुदूर 60 के दशक में, जब मस्तिष्क के दृश्य क्षेत्रों का अध्ययन अभी शुरू ही हुआ था, पहला प्रयोग जानवरों पर किया गया था, क्योंकि कोई एफएमआरआई नहीं था। विभिन्न दृश्य क्षेत्रों में प्रत्यारोपित इलेक्ट्रोड का उपयोग करके मस्तिष्क का अध्ययन किया गया।

पहले दृश्य क्षेत्र का अध्ययन 1962 में डेविड हुबेल और टॉर्स्टन विज़ेल द्वारा किया गया था। उन्होंने बिल्लियों पर प्रयोग किये। बिल्लियों को विभिन्न चलती हुई वस्तुएँ दिखाई गईं। मस्तिष्क कोशिकाओं ने जिस उत्तेजना पर प्रतिक्रिया व्यक्त की वह वह उत्तेजना थी जिसे जानवर ने पहचान लिया था। अब भी इन कठोर तरीकों से कई प्रयोग किये जाते हैं। लेकिन फिर भी, यह पता लगाने का यह सबसे प्रभावी तरीका है कि हमारे मस्तिष्क की प्रत्येक छोटी कोशिका क्या कर रही है।

इसी तरह, दृश्य क्षेत्रों के कई और महत्वपूर्ण गुणों की खोज की गई, जिनका उपयोग हम अब गहन शिक्षण में करते हैं। सबसे महत्वपूर्ण गुणों में से एक हमारी कोशिकाओं के ग्रहणशील क्षेत्रों में वृद्धि है क्योंकि हम प्राथमिक दृश्य क्षेत्रों से टेम्पोरल लोब, यानी बाद के दृश्य क्षेत्रों की ओर बढ़ते हैं। ग्रहणशील क्षेत्र छवि का वह भाग है जिसे हमारे मस्तिष्क की प्रत्येक कोशिका संसाधित करती है। प्रत्येक कोशिका का अपना ग्रहणशील क्षेत्र होता है। वही संपत्ति तंत्रिका नेटवर्क में संरक्षित है, जैसा कि आप शायद सभी जानते हैं।

इसके अलावा, जैसे-जैसे ग्रहणशील क्षेत्र बढ़ते हैं, वैसे-वैसे जटिल उत्तेजनाएँ भी बढ़ती हैं जिन्हें तंत्रिका नेटवर्क आमतौर पर पहचानते हैं।

यहां आप उत्तेजनाओं की जटिलता, विभिन्न द्वि-आयामी आकृतियों के उदाहरण देखते हैं जिन्हें V2, V4 और क्षेत्रों में पहचाना जाता है। विभिन्न भागमकाक में अस्थायी क्षेत्र। कई एमआरआई प्रयोग भी किए जा रहे हैं।

यहां आप देख सकते हैं कि ऐसे प्रयोग कैसे किए जाते हैं. विभिन्न वस्तुओं को पहचानते समय यह बंदर के आईटी कॉर्टेक्स जोन का 1 नैनोमीटर हिस्सा है। जहां इसे पहचाना जाता है उसे हाइलाइट किया जाता है।

आइए इसे संक्षेप में बताएं। एक महत्वपूर्ण गुण जिसे हम दृश्य क्षेत्रों से अपनाना चाहते हैं वह यह है कि ग्रहणशील क्षेत्रों का आकार बढ़ता है, और जिन वस्तुओं को हम पहचानते हैं उनकी जटिलता बढ़ जाती है।

कंप्यूटर दृष्टि

हम इन सभी गुणों को तंत्रिका नेटवर्क में स्थानांतरित करते हैं, और अब यह काम कर रहा है, यदि आप डेटासेट पर एक छोटा सा विषयांतर शामिल नहीं करते हैं, जिसके बारे में मैं बाद में बात करूंगा।

लेकिन पहले, सबसे सरल परसेप्ट्रॉन के बारे में थोड़ा। यह हमारे मस्तिष्क की छवि और समानता में भी बनता है। सबसे सरल तत्वमस्तिष्क कोशिका जैसा - एक न्यूरॉन। इसमें इनपुट तत्व होते हैं जो डिफ़ॉल्ट रूप से बाएं से दाएं, कभी-कभी नीचे से ऊपर की ओर व्यवस्थित होते हैं। बाईं ओर न्यूरॉन के इनपुट भाग हैं, दाईं ओर न्यूरॉन के आउटपुट भाग हैं।

सबसे सरल परसेप्ट्रॉन केवल सबसे सरल ऑपरेशन करने में सक्षम है। अधिक जटिल गणनाएँ करने के लिए, हमें अधिक छिपी हुई परतों वाली संरचना की आवश्यकता होती है।

कंप्यूटर विज़न के मामले में, हमें और भी अधिक छिपी हुई परतों की आवश्यकता है। और केवल तभी सिस्टम सार्थक रूप से पहचान पाएगा कि वह क्या देखता है।

तो, मैं आपको चेहरे के उदाहरण का उपयोग करके बताऊंगा कि छवि पहचान के दौरान क्या होता है।

हमारे लिए इस तस्वीर को देखकर यह कहना कि यह बिल्कुल मूर्ति का चेहरा दिखाती है, काफी सरल है। हालाँकि, 2010 से पहले, कंप्यूटर विज़न के लिए यह एक अविश्वसनीय रूप से कठिन कार्य था। जो लोग इस समय से पहले इस मुद्दे से निपट चुके हैं वे शायद जानते हैं कि जिस वस्तु को हम तस्वीर में ढूंढना चाहते हैं उसे बिना शब्दों के वर्णन करना कितना मुश्किल था।

हमें इसे कुछ ज्यामितीय तरीके से करने की ज़रूरत है, वस्तु का वर्णन करें, वस्तु के संबंधों का वर्णन करें, ये भाग एक-दूसरे से कैसे संबंधित हो सकते हैं, फिर वस्तु पर इस छवि को ढूंढें, उनकी तुलना करें और वह प्राप्त करें जिसे हमने खराब तरीके से पहचाना। यह आमतौर पर सिक्का उछालने से थोड़ा बेहतर था। मौका स्तर से थोड़ा बेहतर.

अब यह इस तरह काम नहीं करता. हम अपनी छवि को या तो पिक्सेल में या कुछ पैच में विभाजित करते हैं: 2x2, 3x3, 5x5, 11x11 पिक्सेल - जैसा कि सिस्टम के रचनाकारों के लिए सुविधाजनक है जिसमें वे तंत्रिका नेटवर्क के लिए इनपुट परत के रूप में कार्य करते हैं।

इन इनपुट परतों से सिग्नल सिनैप्स का उपयोग करके परत से परत तक प्रेषित होते हैं, प्रत्येक परत के अपने विशिष्ट गुणांक होते हैं। इसलिए हम एक परत से दूसरी परत, एक परत से दूसरी परत तक गुजरते हैं, जब तक हमें यह नहीं पता चलता कि हमने चेहरा पहचान लिया है।

परंपरागत रूप से, इन सभी भागों को तीन वर्गों में विभाजित किया जा सकता है, हम उन्हें एक्स, डब्ल्यू और वाई निरूपित करेंगे, जहां एक्स हमारी इनपुट छवि है, वाई लेबल का एक सेट है, और हमें अपना वजन प्राप्त करने की आवश्यकता है। हम W की गणना कैसे करते हैं?

हमारे एक्स और वाई को देखते हुए, यह सरल लगता है। हालाँकि, तारांकन द्वारा जो दर्शाया गया है वह एक बहुत ही जटिल अरेखीय ऑपरेशन है, जिसका, दुर्भाग्य से, कोई व्युत्क्रम नहीं है। समीकरण के दिए गए 2 घटकों के साथ भी, इसकी गणना करना बहुत कठिन है। इसलिए, हमें धीरे-धीरे, परीक्षण और त्रुटि द्वारा, वजन डब्ल्यू का चयन करके, यह सुनिश्चित करने की आवश्यकता है कि त्रुटि यथासंभव कम हो जाए, अधिमानतः ताकि यह बन जाए शून्य के बराबर.

यह प्रक्रिया क्रमिक रूप से होती है, हम इसे तब तक लगातार कम करते रहते हैं जब तक हमें वज़न W का वह मान नहीं मिल जाता जो हमारे लिए पर्याप्त रूप से उपयुक्त है।

वैसे, एक भी तंत्रिका नेटवर्क जिसके साथ मैंने काम किया, उसे शून्य के बराबर त्रुटि प्राप्त नहीं हुई, लेकिन इसने काफी अच्छा काम किया।

यह 2012 में अंतर्राष्ट्रीय इमेजनेट प्रतियोगिता जीतने वाला पहला नेटवर्क है। यह तथाकथित एलेक्सनेट है। यह वह नेटवर्क है जिसने सबसे पहले स्वयं घोषित किया था कि कन्वेन्शनल न्यूरल नेटवर्क मौजूद है, और तब से कन्वेन्शनल न्यूरल नेटवर्क ने कभी भी सभी अंतर्राष्ट्रीय प्रतियोगिताओं में अपना स्थान नहीं छोड़ा है।

इस तथ्य के बावजूद कि यह नेटवर्क काफी छोटा है (इसमें केवल 7 छिपी हुई परतें हैं), इसमें 60 मिलियन मापदंडों के साथ 650 हजार न्यूरॉन्स हैं। आवश्यक वज़न ज्ञात करना पुनरावृत्तीय रूप से सीखने के लिए, हमें बहुत सारे उदाहरणों की आवश्यकता है।

तंत्रिका नेटवर्क एक चित्र और एक लेबल के उदाहरण से सीखता है। जैसे हमें बचपन में सिखाया जाता है "यह एक बिल्ली है, और यह एक कुत्ता है," तंत्रिका नेटवर्क को बड़ी संख्या में चित्रों पर प्रशिक्षित किया जाता है। लेकिन तथ्य यह है कि 2010 तक कोई इतना बड़ा डेटा सेट नहीं था जो छवियों को पहचानने के लिए इतने सारे पैरामीटर सिखा सके।

इस समय से पहले मौजूद सबसे बड़े डेटाबेस PASCAL VOC थे, जिसमें केवल 20 ऑब्जेक्ट श्रेणियां थीं, और Caltech 101, जिसे कैलिफ़ोर्निया इंस्टीट्यूट ऑफ टेक्नोलॉजी में विकसित किया गया था। पिछले वाले में 101 श्रेणियाँ थीं, और वह बहुत अधिक थीं। जो लोग इनमें से किसी भी डेटाबेस में अपनी वस्तुओं को ढूंढने में असमर्थ थे, उन्हें अपने डेटाबेस की कीमत चुकानी पड़ी, जो, मैं कहूंगा, बहुत दर्दनाक है।

हालाँकि, 2010 में, इमेजनेट डेटाबेस सामने आया, जिसमें 15 मिलियन छवियां थीं, जो 22 हजार श्रेणियों में विभाजित थीं। इससे तंत्रिका नेटवर्क के प्रशिक्षण की हमारी समस्या हल हो गई। अब हर कोई जिसके पास शैक्षणिक पता है, आसानी से आधार की वेबसाइट पर जा सकता है, पहुंच का अनुरोध कर सकता है और अपने तंत्रिका नेटवर्क के प्रशिक्षण के लिए इस आधार को प्राप्त कर सकता है। मेरी राय में, वे अगले ही दिन काफी तेजी से प्रतिक्रिया देते हैं।

पिछले डेटा सेट की तुलना में, यह एक बहुत बड़ा डेटाबेस है।

उदाहरण से पता चलता है कि इससे पहले जो कुछ भी आया वह कितना महत्वहीन था। इसके साथ ही इमेजनेट बेस के साथ, इमेजनेट प्रतियोगिता सामने आई, एक अंतरराष्ट्रीय चुनौती जिसमें प्रतिस्पर्धा करने की इच्छुक सभी टीमें भाग ले सकती हैं।

इस वर्ष विजेता नेटवर्क चीन में बनाया गया था, इसमें 269 परतें थीं। मुझे नहीं पता कि कितने पैरामीटर हैं, मुझे संदेह है कि बहुत सारे पैरामीटर भी हैं।

गहन तंत्रिका नेटवर्क वास्तुकला

काला उन हिस्सों को इंगित करता है जो सीखते नहीं हैं; अन्य सभी परतें सीखने में सक्षम हैं। प्रत्येक संकेंद्रित परत के अंदर क्या है इसकी कई परिभाषाएँ हैं। स्वीकृत सूचनाओं में से एक यह है कि तीन घटकों वाली एक परत को कनवल्शन स्टेज, डिटेक्टर स्टेज और पूलिंग स्टेज में विभाजित किया गया है।

मैं विवरण में नहीं जाऊंगा; ऐसी कई और रिपोर्टें होंगी जिनमें विस्तार से चर्चा होगी कि यह कैसे काम करता है। मैं आपको एक उदाहरण से बताता हूँ.

चूंकि आयोजकों ने मुझसे कई फॉर्मूलों का जिक्र न करने को कहा, इसलिए मैंने उन्हें पूरी तरह से खारिज कर दिया।

तो, इनपुट छवि परतों के एक नेटवर्क में गिरती है, जिसे फ़िल्टर कहा जा सकता है विभिन्न आकारऔर वे जिन तत्वों को पहचानते हैं उनकी बदलती जटिलता। ये फ़िल्टर अपना स्वयं का सूचकांक या सुविधाओं का सेट बनाते हैं, जो फिर क्लासिफायरियर में चला जाता है। आमतौर पर यह या तो एसवीएम या एमएलपी - मल्टीलेयर परसेप्ट्रॉन है, जो भी आपके लिए सुविधाजनक हो।

जैविक तंत्रिका नेटवर्क की तरह ही, अलग-अलग जटिलता की वस्तुओं को पहचाना जाता है। जैसे-जैसे परतों की संख्या बढ़ती गई, इसका कॉर्टेक्स से संपर्क टूट गया, क्योंकि तंत्रिका नेटवर्क में ज़ोन की संख्या सीमित है। 269 ​​या कई, अमूर्तता के कई क्षेत्र, इसलिए केवल जटिलता, तत्वों की संख्या और ग्रहणशील क्षेत्रों में वृद्धि को बनाए रखा जाता है।

यदि हम चेहरे की पहचान के उदाहरण को देखें, तो पहली परत का हमारा ग्रहणशील क्षेत्र छोटा होगा, फिर थोड़ा बड़ा, और बड़ा, और इसी तरह जब तक कि अंततः हम पूरे चेहरे को पहचान न सकें।

हमारे फ़िल्टर के अंदर क्या है, इसके दृष्टिकोण से, पहले झुकी हुई छड़ें और थोड़ा सा रंग होगा, फिर चेहरों के हिस्से, और फिर पूरे चेहरे को परत की प्रत्येक कोशिका द्वारा पहचाना जाएगा।

ऐसे लोग हैं जो दावा करते हैं कि एक व्यक्ति हमेशा नेटवर्क से बेहतर पहचानता है। क्या ऐसा है?

2014 में, वैज्ञानिकों ने यह परीक्षण करने का निर्णय लिया कि हम तंत्रिका नेटवर्क की तुलना में कितनी अच्छी तरह पहचानते हैं। उन्होंने 2 सर्वश्रेष्ठ को लिया इस पलनेटवर्क - यह एलेक्सनेट और मैथ्यू ज़िलर और फर्गस का नेटवर्क है, और इसकी तुलना मकाक के मस्तिष्क के विभिन्न क्षेत्रों की प्रतिक्रिया से की जाती है, जिसे कुछ वस्तुओं को पहचानना भी सिखाया गया था। वस्तुएं जानवरों की दुनिया से थीं ताकि बंदर भ्रमित न हो, और यह देखने के लिए प्रयोग किए गए कि कौन बेहतर पहचान सकता है।

चूँकि बंदर से स्पष्ट प्रतिक्रिया प्राप्त करना असंभव है, इसलिए उसमें इलेक्ट्रोड प्रत्यारोपित किए गए और प्रत्येक न्यूरॉन की प्रतिक्रिया को सीधे मापा गया।

यह पता चला कि में सामान्य स्थितियाँमस्तिष्क कोशिकाओं ने उस समय के अत्याधुनिक मॉडल यानी मैथ्यू ज़िलर के नेटवर्क के साथ-साथ प्रतिक्रिया व्यक्त की।

हालाँकि, वस्तुओं को प्रदर्शित करने की गति में वृद्धि और छवि में शोर और वस्तुओं की मात्रा में वृद्धि के साथ, हमारे मस्तिष्क और प्राइमेट्स के मस्तिष्क की पहचान की गति और गुणवत्ता में काफी गिरावट आती है। यहां तक ​​कि सबसे सरल कनवल्शनल न्यूरल नेटवर्क भी वस्तुओं को बेहतर ढंग से पहचान सकता है। यानी आधिकारिक तौर पर तंत्रिका नेटवर्क हमारे दिमाग से बेहतर काम करते हैं।

दृढ़ तंत्रिका नेटवर्क की क्लासिक समस्याएं

उदाहरण के तौर पर इस छवि का उपयोग करते हुए, आइए देखें कि प्रत्येक कार्य क्या करता है।

• सीमाओं को परिभाषित करना- यह निम्नतम स्तर का कार्य है जिसके लिए कन्वेन्शनल न्यूरल नेटवर्क का पहले से ही शास्त्रीय रूप से उपयोग किया जाता है।
• वेक्टर को सामान्य तक निर्धारित करनायह हमें द्वि-आयामी छवि से त्रि-आयामी छवि का पुनर्निर्माण करने की अनुमति देता है।
• प्रमुखता, ध्यान की वस्तुओं की पहचान करना- इस तस्वीर को देखते समय कोई भी व्यक्ति इसी पर ध्यान देगा।
• शब्दार्थ विभाजनआपको इन वस्तुओं के बारे में कुछ भी जाने बिना, यानी उनकी पहचान होने से पहले ही, वस्तुओं को उनकी संरचना के अनुसार वर्गों में विभाजित करने की अनुमति देता है।
• सिमेंटिक सीमा पर प्रकाश डालना- यह वर्गों में विभाजित सीमाओं का चयन है।
• मानव शरीर के अंगों पर प्रकाश डालना.
• और उच्चतम स्तर का कार्य है स्वयं वस्तुओं की पहचान, जिस पर अब हम चेहरे की पहचान के उदाहरण का उपयोग करके विचार करेंगे।

चेहरा पहचान

फिर हम इस फीचर वेक्टर की तुलना हमारे डेटाबेस में संग्रहीत सभी फीचर वैक्टर से कर सकते हैं, और किसी विशिष्ट व्यक्ति का संदर्भ, उसके नाम, उसकी प्रोफ़ाइल - वह सब कुछ प्राप्त कर सकते हैं जिसे हम डेटाबेस में संग्रहीत कर सकते हैं।

हमारा फाइंडफेस उत्पाद बिल्कुल इसी तरह काम करता है - यह एक निःशुल्क सेवा है जो आपको VKontakte डेटाबेस में लोगों की प्रोफ़ाइल खोजने में मदद करती है।

इसके अलावा, हमारे पास उन कंपनियों के लिए एक एपीआई है जो हमारे उत्पादों को आज़माना चाहती हैं। हम चेहरे की पहचान, सत्यापन और उपयोगकर्ता पहचान के लिए सेवाएं प्रदान करते हैं।

हमने अब 2 परिदृश्य विकसित किए हैं। पहला है पहचान, डेटाबेस में किसी व्यक्ति की खोज करना। दूसरा सत्यापन है, यह एक निश्चित संभावना के साथ दो छवियों की तुलना है कि यह एक ही व्यक्ति है। इसके अलावा, हम वर्तमान में भावना पहचान, वीडियो पर छवि पहचान और जीवंतता पहचान विकसित कर रहे हैं - यह इस बात की समझ है कि कैमरे या तस्वीर के सामने वाला व्यक्ति जीवित है या नहीं।

कुछ आँकड़े. पहचान करते समय, 10 हजार फ़ोटो खोजते समय, डेटाबेस की गुणवत्ता के आधार पर हमारे पास लगभग 95% की सटीकता होती है, और सत्यापन की 99% सटीकता होती है। और इसके अलावा, यह एल्गोरिदम परिवर्तनों के प्रति बहुत प्रतिरोधी है - हमें कैमरे में देखने की ज़रूरत नहीं है, हमारे पास कुछ बाधा डालने वाली वस्तुएं हो सकती हैं: चश्मा, धूप का चश्मा, दाढ़ी, मेडिकल मास्क। कुछ मामलों में, हम कंप्यूटर दृष्टि के लिए चश्मा और मास्क जैसी अविश्वसनीय चुनौतियों पर भी काबू पा सकते हैं।

बहुत तेज़ खोज, 1 अरब फ़ोटो को संसाधित करने में 0.5 सेकंड का समय लगता है। हमने एक अद्वितीय त्वरित खोज सूचकांक विकसित किया है। हम सीसीटीवी कैमरों से प्राप्त निम्न गुणवत्ता वाली छवियों के साथ भी काम कर सकते हैं। हम यह सब वास्तविक समय में संसाधित कर सकते हैं। आप एंड्रॉइड, आईओएस के माध्यम से वेब इंटरफेस के माध्यम से तस्वीरें अपलोड कर सकते हैं और 100 मिलियन उपयोगकर्ताओं और उनकी 250 मिलियन तस्वीरों को खोज सकते हैं।

जैसा कि मैंने पहले ही कहा, हमने मेगाफेस प्रतियोगिता में पहला स्थान हासिल किया - इमेजनेट के लिए एक एनालॉग, लेकिन चेहरे की पहचान के लिए। यह कई वर्षों से चल रहा है, पिछले साल हम Google सहित दुनिया भर की 100 टीमों में सर्वश्रेष्ठ थे।

आवर्ती तंत्रिका नेटवर्क

इसका उपयोग प्राकृतिक भाषा पहचान, वीडियो प्रसंस्करण, यहां तक ​​कि छवि पहचान के लिए भी किया जाता है।

मैं प्राकृतिक भाषा पहचान के बारे में बात नहीं करूँगा - मेरी रिपोर्ट के बाद दो और भाषाएँ होंगी जिनका उद्देश्य प्राकृतिक भाषा पहचान होगा। इसलिए, मैं भावना पहचान के उदाहरण का उपयोग करके आवर्ती नेटवर्क के काम के बारे में बात करूंगा।

आवर्ती तंत्रिका नेटवर्क क्या हैं? यह लगभग सामान्य तंत्रिका नेटवर्क जैसा ही है, लेकिन फीडबैक के साथ। प्रतिक्रियाहमें सिस्टम की पिछली स्थिति को तंत्रिका नेटवर्क के इनपुट या उसकी कुछ परतों तक प्रसारित करने की आवश्यकता है।

मान लीजिए कि हम भावनाओं को संसाधित करते हैं। यहां तक ​​कि मुस्कुराहट में भी - सबसे सरल भावनाओं में से एक - कई क्षण होते हैं: एक तटस्थ चेहरे की अभिव्यक्ति से लेकर उस क्षण तक जब हम पूरी तरह से मुस्कुराते हैं। वे क्रमानुसार एक दूसरे का अनुसरण करते हैं। इसे अच्छी तरह से समझने के लिए, हमें यह देखने में सक्षम होना होगा कि यह कैसे होता है, और पिछले फ्रेम पर जो था उसे सिस्टम के अगले चरण में स्थानांतरित करना होगा।

2005 में, इमोशन रिकग्निशन इन द वाइल्ड प्रतियोगिता में, मॉन्ट्रियल की एक टीम ने विशेष रूप से भावनाओं को पहचानने के लिए एक आवर्ती प्रणाली प्रस्तुत की, जो बहुत सरल लग रही थी। इसमें केवल कुछ संकेंद्रित परतें थीं और यह विशेष रूप से वीडियो के साथ काम करता था। इस वर्ष उन्होंने कन्वेन्शनल न्यूरल नेटवर्क से प्राप्त ऑडियो रिकग्निशन और एकत्रित फ्रेम-दर-फ्रेम डेटा, आवर्ती न्यूरल नेटवर्क के संचालन के साथ ऑडियो सिग्नल डेटा (स्टेट रिटर्न के साथ) भी जोड़ा और प्रतियोगिता में पहला स्थान प्राप्त किया।

सुदृढीकरण सीखना

तथ्य यह है कि पिछले दो मामलों में हम डेटाबेस का उपयोग करते हैं। हमारे पास या तो चेहरों से डेटा है, या चित्रों से डेटा है, या वीडियो से भावनाओं वाला डेटा है। यदि हमारे पास यह नहीं है, यदि हम इसे फिल्मा नहीं सकते, तो हम रोबोट को वस्तुएं उठाना कैसे सिखा सकते हैं? हम इसे स्वचालित रूप से करते हैं - हम नहीं जानते कि यह कैसे काम करता है। एक अन्य उदाहरण: बड़े डेटाबेस संकलित करना कंप्यूटर गेमजटिल और आवश्यक नहीं, इसे बहुत सरलता से किया जा सकता है।

अटारी और गो में गहन सुदृढीकरण सीखने की सफलता के बारे में शायद सभी ने सुना होगा।

अटारी के बारे में किसने सुना है? अच्छा, किसी ने सुना, ठीक है। मुझे लगता है कि हर किसी ने अल्फ़ागो के बारे में सुना है, इसलिए मैं आपको यह भी नहीं बताऊंगा कि वास्तव में वहां क्या होता है।

अटारी में क्या हो रहा है? इस तंत्रिका नेटवर्क की वास्तुकला को बाईं ओर दिखाया गया है। अधिकतम पुरस्कार पाने के लिए वह स्वयं के साथ खेलकर सीखती है। अधिकतम इनाम उच्चतम संभव स्कोर के साथ खेल का सबसे तेज़ संभव परिणाम है।

शीर्ष दाईं ओर तंत्रिका नेटवर्क की अंतिम परत है, जो सिस्टम के राज्यों की पूरी संख्या को दर्शाती है, जो केवल दो घंटों के लिए स्वयं के विरुद्ध खेली गई थी। अधिकतम इनाम वाले खेल के वांछनीय परिणामों को लाल रंग में दर्शाया गया है, और अवांछनीय परिणामों को नीले रंग में दर्शाया गया है। नेटवर्क एक निश्चित क्षेत्र बनाता है और अपनी प्रशिक्षित परतों के माध्यम से उस स्थिति तक जाता है जिसे वह प्राप्त करना चाहता है।

रोबोटिक्स में स्थिति थोड़ी अलग है। क्यों? यहां हमारे सामने कई कठिनाइयां हैं. सबसे पहले, हमारे पास बहुत सारे डेटाबेस नहीं हैं। दूसरे, हमें एक साथ तीन प्रणालियों को समन्वित करने की आवश्यकता है: रोबोट की धारणा, मैनिपुलेटर्स की मदद से इसकी क्रियाएं और इसकी मेमोरी - पिछले चरण में क्या किया गया था और यह कैसे किया गया था। सामान्य तौर पर, यह सब बहुत कठिन है।

तथ्य यह है कि एक भी तंत्रिका नेटवर्क, यहां तक ​​​​कि इस समय गहन शिक्षा भी, इस कार्य को प्रभावी ढंग से नहीं संभाल सकती है, इसलिए गहन शिक्षा रोबोटों को जो करने की ज़रूरत है उसका केवल एक हिस्सा है। उदाहरण के लिए, सर्गेई लेविन ने हाल ही में एक प्रणाली प्रदान की है जो रोबोट को वस्तुओं को पकड़ना सिखाती है।

यहां वे प्रयोग हैं जो उन्होंने अपनी 14 रोबोटिक भुजाओं पर किए।

यहाँ क्या चल रहा है? इन बेसिनों में जिन्हें आप अपने सामने देखते हैं, विभिन्न वस्तुएं हैं: पेन, इरेज़र, छोटे और बड़े मग, चिथड़े, विभिन्न बनावट, विभिन्न कठोरता। यह स्पष्ट नहीं है कि रोबोट को उन्हें पकड़ना कैसे सिखाया जाए। कई घंटों, यहां तक ​​कि, हफ्तों तक, रोबोटों को इन वस्तुओं को पकड़ने में सक्षम होने के लिए प्रशिक्षित किया गया, और इसके बारे में डेटाबेस संकलित किए गए।

डेटाबेस एक प्रकार की पर्यावरणीय प्रतिक्रिया है जिसे हमें भविष्य में कुछ करने के लिए रोबोट को प्रशिक्षित करने में सक्षम होने के लिए जमा करने की आवश्यकता है। भविष्य में, रोबोट सिस्टम स्थितियों के इस सेट से सीखेंगे।

गैर-मानक अनुप्रयोगतंत्रिका - तंत्र

खैर, स्टैनफोर्ड के वैज्ञानिक हाल ही में गरीबी की भविष्यवाणी करने के लिए सीएनएन न्यूरल नेटवर्क का एक बहुत ही असामान्य अनुप्रयोग लेकर आए हैं। वो क्या करते थे?

अवधारणा वास्तव में बहुत सरल है. तथ्य यह है कि अफ्रीका में गरीबी का स्तर सभी कल्पनीय और अकल्पनीय सीमाओं से परे चला गया है। उनके पास सामाजिक जनसांख्यिकीय डेटा एकत्र करने की क्षमता भी नहीं है। इसलिए, 2005 के बाद से हमारे पास इस बात का कोई डेटा नहीं है कि वहां क्या हो रहा है।

वैज्ञानिकों ने उपग्रहों से दिन और रात के नक्शे एकत्र किए और कुछ समय में उन्हें तंत्रिका नेटवर्क को भेज दिया।

तंत्रिका नेटवर्क को ImageNet'e पर पूर्व-कॉन्फ़िगर किया गया था। यानी, फ़िल्टर की पहली परतों को कॉन्फ़िगर किया गया था ताकि यह कुछ को पूरी तरह से पहचान सके सरल चीज़ें, उदाहरण के लिए, घरों की छतें, दिन के समय के मानचित्रों पर बस्तियों की खोज करने के लिए। फिर दिन के समय के नक्शों की तुलना सतह के उसी क्षेत्र के रात के समय के प्रकाश मानचित्रों से की गई ताकि यह बताया जा सके कि आबादी के पास कम से कम रात के दौरान अपने घरों को रोशन करने के लिए कितना पैसा था।

यहां आप तंत्रिका नेटवर्क द्वारा निर्मित पूर्वानुमान के परिणाम देखते हैं। पूर्वानुमान विभिन्न प्रस्तावों पर किया गया था। और आप देखिए - सबसे ज्यादा आखिरी फ्रेम- 2005 में युगांडा सरकार द्वारा एकत्र किया गया वास्तविक डेटा।

आप देख सकते हैं कि तंत्रिका नेटवर्क ने 2005 के बाद से मामूली बदलाव के साथ भी काफी सटीक पूर्वानुमान लगाया है।

बेशक वहाँ थे दुष्प्रभाव. गहन अध्ययन में लगे वैज्ञानिक विभिन्न दुष्प्रभावों को जानकर हमेशा आश्चर्यचकित रह जाते हैं। उदाहरण के लिए, इस तथ्य की तरह कि नेटवर्क ने पानी, जंगल, बड़े निर्माण स्थलों, सड़कों को पहचानना सीख लिया है - यह सब शिक्षकों के बिना, पूर्व-निर्मित डेटाबेस के बिना। सामान्य तौर पर, पूरी तरह से स्वतंत्र। कुछ ऐसी परतें थीं जो, उदाहरण के लिए, सड़कों पर प्रतिक्रिया करती थीं।

और आखिरी एप्लिकेशन जिसके बारे में मैं बात करना चाहूंगा वह चिकित्सा में 3डी छवियों का शब्दार्थ विभाजन है। सामान्य तौर पर, मेडिकल इमेजिंग एक जटिल क्षेत्र है जिसके साथ काम करना बहुत मुश्किल है।

इसके अनेक कारण हैं।

• हमारे पास बहुत कम डेटाबेस हैं. किसी क्षतिग्रस्त मस्तिष्क की तस्वीर ढूंढना इतना आसान नहीं है, और इसे कहीं से भी लेना असंभव है।
• यहां तक ​​कि अगर हमारे पास ऐसी कोई तस्वीर है, तो हमें एक चिकित्सक को ले जाना होगा और उसे सभी बहुस्तरीय छवियों को मैन्युअल रूप से लगाने के लिए मजबूर करना होगा, जो बहुत समय लेने वाली और बेहद अक्षम है। सभी डॉक्टरों के पास ऐसा करने के लिए संसाधन नहीं हैं।
• बहुत उच्च परिशुद्धता की आवश्यकता है. चिकित्सा व्यवस्थाग़लत नहीं हो सकता. उदाहरण के लिए, पहचानते समय बिल्लियों को पहचाना नहीं गया - कोई बड़ी बात नहीं। और अगर हमने ट्यूमर को नहीं पहचाना, तो यह अब बहुत अच्छा नहीं है। यहां सिस्टम विश्वसनीयता की आवश्यकताएं विशेष रूप से कड़ी हैं।
• छवियाँ त्रि-आयामी तत्वों में हैं - स्वर, पिक्सेल नहीं, जो सिस्टम डेवलपर्स के लिए अतिरिक्त जटिलता लाता है।

इसका उपयोग कहां किया जाता है: किसी प्रभाव के बाद क्षति की पहचान करना, मस्तिष्क में ट्यूमर की तलाश करना, कार्डियोलॉजी में यह निर्धारित करना कि हृदय कैसे काम करता है।

प्लेसेंटा का आयतन निर्धारित करने के लिए यहां एक उदाहरण दिया गया है।

स्वचालित रूप से यह अच्छी तरह से काम करता है, लेकिन उत्पादन में जारी करने के लिए पर्याप्त अच्छी तरह से नहीं, इसलिए इसे अभी शुरू किया जा रहा है। ऐसे सिस्टम बनाने के लिए कई स्टार्टअप हैं चिकित्सा दृष्टि. सामान्य तौर पर, निकट भविष्य में गहन शिक्षण में बहुत सारे स्टार्टअप होंगे। उनका कहना है कि उद्यम पूंजीपतियों ने पिछले 5 वर्षों की तुलना में पिछले छह महीनों में गहन शिक्षण स्टार्टअप के लिए अधिक बजट आवंटित किया है।

यह क्षेत्र सक्रिय रूप से विकसित हो रहा है, अनेक दिलचस्प दिशाएँ. आप और मैं रहते हैं दिलचस्प समय. यदि आप गहन शिक्षण में शामिल हैं, तो संभवतः आपके लिए अपना स्टार्टअप खोलने का समय आ गया है।

ख़ैर, मैं संभवतः इसे यहीं समाप्त करूंगा। आपका बहुत-बहुत धन्यवाद।

चिकित्सा में तंत्रिका नेटवर्क

अलेक्जेंडर एज़ोव, व्लादिमीर चेचेतकिन

इंस्टीट्यूट ऑफ इनोवेशन एंड थर्मोन्यूक्लियर रिसर्च, ट्रोइट्स्क

[ईमेल सुरक्षित]

विशिष्ट प्रणालियाँ

कैंसर से लड़ो

तंत्रिका तंत्र, आनुवंशिकी और अणु

तंत्रिका नेटवर्क ग्रह पर व्यापक रूप से फैल रहे हैं

निष्कर्ष के बजाय

सीने में तीव्र दर्द. एक एम्बुलेंस मरीज को आपातकालीन कक्ष में ले जाती है, जहां ड्यूटी पर मौजूद डॉक्टर को निदान करना होगा और यह निर्धारित करना होगा कि क्या यह वास्तव में मायोकार्डियल रोधगलन है। अनुभव से पता चलता है कि समान लक्षणों के साथ भर्ती होने वाले मरीजों में दिल का दौरा पड़ने वाले मरीजों का अनुपात छोटा है। हालाँकि, अभी भी कोई सटीक निदान विधियाँ नहीं हैं। इलेक्ट्रोकार्डियोग्राम में कभी-कभी शामिल नहीं होता है स्पष्ट संकेतबीमारी। इस मामले में रोगी की स्थिति के कितने पैरामीटर किसी न किसी तरह से सही निदान करने में मदद कर सकते हैं? चालीस से अधिक. क्या आपातकालीन कक्ष में कोई डॉक्टर मरीज को कार्डियोलॉजी विभाग में भेजने के बारे में निर्णय लेने के लिए रिश्तों के साथ-साथ इन सभी संकेतकों का तुरंत विश्लेषण कर सकता है? कुछ हद तक, तंत्रिका नेटवर्क प्रौद्योगिकियाँ इस समस्या को हल करने में मदद करती हैं।

आँकड़े इस प्रकार हैं: डॉक्टर 88% रोगियों में रोधगलन का सही निदान करता है और 29% मामलों में यह निदान गलत करता है। बहुत सारे झूठे अलार्म (अति निदान) हैं। निदान की गुणवत्ता में सुधार के लिए विभिन्न डेटा प्रोसेसिंग विधियों का उपयोग करने का इतिहास दशकों पुराना है, लेकिन उनमें से सर्वश्रेष्ठ ने अति निदान के मामलों की संख्या को केवल 3% कम करने में मदद की।

1990 में, कैलिफ़ोर्निया विश्वविद्यालय, सैन डिएगो के विलियम बक्स्ट ने आपातकालीन कक्ष में आने वाले रोगियों में मायोकार्डियल रोधगलन का पता लगाने के लिए एक तंत्रिका नेटवर्क - एक बहुपरत परसेप्ट्रॉन - का उपयोग किया। अत्याधिक पीड़ाछाती में। उनका लक्ष्य एक ऐसा उपकरण बनाना था जो उन डॉक्टरों की मदद कर सके जो भर्ती मरीज की स्थिति को दर्शाने वाले डेटा के प्रवाह से निपटने में असमर्थ हैं। एक अन्य लक्ष्य निदान में सुधार करना हो सकता है। शोधकर्ता ने अपने कार्य को जटिल बना दिया क्योंकि उसने केवल उन रोगियों के डेटा का विश्लेषण किया था जिन्हें पहले ही कार्डियोलॉजी विभाग में भेजा गया था। बक्स्ट ने केवल 20 मापदंडों का उपयोग किया, जिनमें उम्र, लिंग, दर्द का स्थानीयकरण, नाइट्रोग्लिसरीन की प्रतिक्रिया, मतली और उल्टी, पसीना, बेहोशी, श्वसन दर, हृदय गति, पिछले दिल के दौरे, मधुमेह, उच्च रक्तचाप, गले की नस का फैलाव, एक संख्या शामिल थी। ईसीजी की विशेषताएं और महत्वपूर्ण इस्कीमिक परिवर्तनों की उपस्थिति।

नेटवर्क ने मायोकार्डियल रोधगलन का पता लगाने में 92% सटीकता का प्रदर्शन किया और केवल 4% झूठे अलार्म उत्पन्न किए, जो गलती से गैर-दिल के दौरे वाले रोगियों को कार्डियोलॉजी विभाग में रेफर कर देता है। तो, रोग निदान में कृत्रिम तंत्रिका नेटवर्क के सफल उपयोग का प्रमाण है। अब यह बताना जरूरी है कि सामान्य मामले में निदान की गुणवत्ता का आकलन किन मापदंडों के आधार पर किया जाता है। मान लीजिए कि दस में से जिन लोगों को वास्तव में दिल का दौरा पड़ता है, निदान विधिआठ में बीमारी का पता लगाने की अनुमति देता है। तब विधि की संवेदनशीलता 80% होगी। यदि हम दस लोगों को लेते हैं जिन्हें दिल का दौरा नहीं पड़ा है, और निदान पद्धति को तीन लोगों में इसका संदेह है, तो गलत अलार्म का अनुपात 30% होगा, जबकि इसकी एक अतिरिक्त विशेषता - विधि की विशिष्टता - बराबर होगी 70% तक.

एक आदर्श निदान पद्धति में सौ प्रतिशत संवेदनशीलता और विशिष्टता होनी चाहिए - सबसे पहले, एक भी वास्तव में बीमार व्यक्ति को न छोड़ना और दूसरे, स्वस्थ लोगों को डराना नहीं। अपना बीमा कराने के लिए, आप सबसे पहले यह सुनिश्चित करने का प्रयास कर सकते हैं और करना चाहिए कि विधि 100% संवेदनशील है - आप बीमारी से चूक नहीं सकते। लेकिन इसके परिणामस्वरूप आमतौर पर विधि की विशिष्टता कम हो जाती है - कई लोगों में, डॉक्टरों को ऐसी बीमारियों का संदेह होता है जिनसे मरीज़ वास्तव में पीड़ित नहीं होते हैं।

नैदानिक ​​कार्यों के लिए तंत्रिका नेटवर्क

तंत्रिका नेटवर्क गैर-रेखीय प्रणालियाँ हैं जो आमतौर पर उपयोग की जाने वाली रैखिक विधियों की तुलना में डेटा को बहुत बेहतर तरीके से वर्गीकृत कर सकती हैं। जब चिकित्सा निदान पर लागू किया जाता है, तो वे इसकी संवेदनशीलता को कम किए बिना विधि की विशिष्टता को महत्वपूर्ण रूप से बढ़ाना संभव बनाते हैं।

आइए याद रखें कि दिल के दौरे का निदान करने वाला तंत्रिका नेटवर्क मापदंडों के एक बड़े सेट के साथ काम करता है, जिसके किसी व्यक्ति के निदान पर प्रभाव का आकलन नहीं किया जा सकता है। फिर भी, तंत्रिका नेटवर्क बहुआयामी डेटा में पहचाने जाने वाले छिपे हुए पैटर्न के आधार पर निर्णय लेने में सक्षम साबित हुए हैं। तंत्रिका नेटवर्क की एक विशिष्ट संपत्ति यह है कि उन्हें प्रोग्राम नहीं किया जाता है - वे निदान करने के लिए किसी अनुमान नियम का उपयोग नहीं करते हैं, बल्कि उदाहरणों के माध्यम से ऐसा करने के लिए प्रशिक्षित होते हैं। इस अर्थ में, तंत्रिका नेटवर्क बिल्कुल भी विशेषज्ञ प्रणालियों के समान नहीं हैं, जिनका विकास 70 के दशक में मॉडलिंग मेमोरी, पैटर्न पहचान और सामान्यीकरण के दृष्टिकोण पर आर्टिफिशियल इंटेलिजेंस की अस्थायी "जीत" के बाद हुआ, जो अध्ययन पर आधारित था। मस्तिष्क के तंत्रिका संगठन का.

विकसित सबसे प्रसिद्ध विशेषज्ञ प्रणालियों में से एक, जो विशेषज्ञों से प्राप्त ज्ञान और अनुमान प्रक्रियाओं के कार्यान्वयन पर निर्भर थी, MYCIN प्रणाली थी। इस प्रणाली को सेप्टिक शॉक के निदान के लिए 70 के दशक की शुरुआत में स्टैनफोर्ड में विकसित किया गया था। इससे आधे मरीजों की 24 घंटे के भीतर मौत हो गई और डॉक्टर केवल 50% मामलों में ही सेप्सिस का पता लगा सके। MYCIN विशेषज्ञ प्रणाली प्रौद्योगिकी की सच्ची विजय प्रतीत होती है - क्योंकि यह 100% मामलों में सेप्सिस का पता लगा सकता है। हालाँकि, इस विशेषज्ञ प्रणाली से अधिक परिचित होने के बाद, डॉक्टरों ने पारंपरिक निदान विधियों में काफी सुधार किया, और MYCIN ने अपना महत्व खो दिया, एक प्रशिक्षण प्रणाली बन गई। इलेक्ट्रोकार्डियोग्राम के विश्लेषण के लिए विशेषज्ञ प्रणालियों का उपयोग केवल कार्डियोलॉजी में किया जाता था। क्लिनिकल ईसीजी विश्लेषण पर पुस्तकों की मुख्य सामग्री बनाने वाले जटिल नियमों का उपयोग डायग्नोस्टिक रिपोर्ट जारी करने के लिए संबंधित सिस्टम द्वारा किया जाता था।

डायग्नोस्टिक्स घटना वर्गीकरण का एक विशेष मामला है, और सबसे बड़ा मूल्य उन घटनाओं का वर्गीकरण है जो तंत्रिका नेटवर्क के प्रशिक्षण सेट में अनुपस्थित हैं। यहीं पर तंत्रिका नेटवर्क प्रौद्योगिकियों का लाभ स्वयं प्रकट होता है - वे इस तरह के वर्गीकरण को अंजाम देने, पिछले अनुभव को सामान्य बनाने और इसे नए मामलों में लागू करने में सक्षम हैं।

विशिष्ट प्रणालियाँ

डायग्नोस्टिक प्रोग्राम का एक उदाहरण मिलान में सेंटर फॉर कार्डियक रिसर्च के सहयोग से आरईएस इंफॉर्मेटिका द्वारा विकसित कार्डियक डायग्नोस्टिक पैकेज है। कार्यक्रम आपको टैकोग्राम स्पेक्ट्रा की पहचान के आधार पर गैर-आक्रामक हृदय निदान करने की अनुमति देता है। टैकोग्राम क्रमिक दिल की धड़कनों के बीच के अंतराल का एक हिस्टोग्राम है, और इसका स्पेक्ट्रम मानव सहानुभूति और पैरासिम्पेथेटिक तंत्रिका तंत्र की गतिविधियों के संतुलन को दर्शाता है, जो विशेष रूप से विभिन्न रोगों में बदलता है।

एक तरह से या किसी अन्य, यह पहले से ही कहा जा सकता है कि तंत्रिका नेटवर्क हृदय निदान के लिए एक उपकरण में बदल रहे हैं - उदाहरण के लिए, इंग्लैंड में, उनका उपयोग मायोकार्डियल रोधगलन को रोकने के लिए चार अस्पतालों में किया जाता है।

तंत्रिका नेटवर्क की एक अन्य विशेषता का उपयोग चिकित्सा में भी किया जाता है - समय अनुक्रमों की भविष्यवाणी करने की उनकी क्षमता। यह पहले ही नोट किया जा चुका है कि विशेषज्ञ प्रणालियों ने ईसीजी विश्लेषण में उत्कृष्टता हासिल की है। तंत्रिका नेटवर्क भी यहाँ उपयोगी हैं। विस्कॉन्सिन विश्वविद्यालय के क्यूई झेंहु, यू हेंगवू और विलिस टॉमपकिंस ने इलेक्ट्रोकार्डियोग्राम के लिए एक तंत्रिका नेटवर्क फ़िल्टरिंग प्रणाली विकसित की है जो पहले इस्तेमाल किए गए तरीकों की तुलना में नॉनलाइनियर और गैर-स्थिर शोर को बेहतर ढंग से दबा सकती है। तथ्य यह है कि तंत्रिका नेटवर्क ने पिछले समय बिंदुओं पर अपने मूल्यों के आधार पर शोर की अच्छी भविष्यवाणी की थी। और यह तथ्य कि तंत्रिका नेटवर्क समय अनुक्रमों (जैसे विनिमय दर या स्टॉक उद्धरण) की भविष्यवाणी करने के लिए बहुत प्रभावी हैं, सांता फ़े विश्वविद्यालय द्वारा आयोजित भविष्य कहनेवाला कार्यक्रमों की एक प्रतियोगिता के परिणामों द्वारा स्पष्ट रूप से प्रदर्शित किया गया था - तंत्रिका नेटवर्क ने पहला स्थान हासिल किया और बीच में हावी हो गए सर्वोत्तम तरीके.

तंत्रिका नेटवर्क का उपयोग करने की संभावना

ईसीजी एक विशेष, यद्यपि अत्यंत महत्वपूर्ण, अनुप्रयोग है। हालाँकि, आज चिकित्सा भविष्यवाणियों के लिए तंत्रिका नेटवर्क का उपयोग करने के कई अन्य उदाहरण हैं। यह ज्ञात है कि हृदय शल्य चिकित्सा विभागों में लंबी कतारें (सप्ताह से लेकर महीनों तक) गहन देखभाल इकाइयों की कमी के कारण होती हैं। गहन देखभाल की उच्च लागत के कारण उनकी संख्या बढ़ाना संभव नहीं है (अमेरिकी अपने जीवन के अंतिम 2 सप्ताह में अपने धन का 70% इस विभाग में खर्च करते हैं)।

एकमात्र रास्ता उपलब्ध धन का अधिक कुशलतापूर्वक उपयोग करना है। आइए मान लें कि किसी निश्चित दिन पर ऑपरेशन किए गए रोगियों की स्थिति इतनी गंभीर है कि उन्हें गहन देखभाल इकाई में लंबे समय तक (दो दिनों से अधिक) रहने की आवश्यकता है। इस पूरे समय, सर्जन निष्क्रिय रहेंगे, क्योंकि नए ऑपरेशन वाले मरीजों को रखने के लिए कोई जगह नहीं है। सप्ताहांत या छुट्टियों से पहले गंभीर रूप से बीमार रोगियों का ऑपरेशन करना समझदारी है - इन दिनों ऑपरेटिंग कमरे अभी भी बंद रहते हैं, सर्जन आराम करेंगे, और रोगी गहन देखभाल में ठीक हो जाएंगे। लेकिन कार्य सप्ताह की शुरुआत में उन रोगियों का ऑपरेशन करना बेहतर होता है जिन्हें केवल एक या दो दिनों के लिए गहन चिकित्सा इकाई में रहने की आवश्यकता होगी। फिर गहन देखभाल बिस्तरों को तेजी से खाली किया जाएगा और मंगलवार और बुधवार को ऑपरेशन किए गए नए रोगियों को स्वीकार किया जाएगा।

सवाल यह है कि यह कैसे अनुमान लगाया जाए कि सर्जरी के बाद किसे गहन चिकित्सा इकाई में लंबे समय तक रहना होगा और किसे नहीं। टोरंटो में सेंट माइकल यूनिवर्सिटी अस्पताल के जैक तू और माइकल गुएरियर ने ऐसी भविष्यवाणियां करने के लिए तंत्रिका नेटवर्क का उपयोग किया। प्रारंभिक डेटा के रूप में, उन्होंने मरीज़ के बारे में केवल वही जानकारी ली जो ज्ञात है ऑपरेशन से पहले की अवधि. ध्यान दें कि पिछले कार्यों में जो तंत्रिका नेटवर्क का उपयोग नहीं करते हैं, महत्वपूर्ण पोस्टऑपरेटिव जानकारी - सर्जरी के दौरान उत्पन्न होने वाली विभिन्न जटिलताओं - का उपयोग गहन देखभाल में रहने के बढ़ते जोखिम के कारकों के रूप में भी किया गया था।

टीयू और गुएरिर ने मरीजों को उनकी उम्र, लिंग को ध्यान में रखते हुए तीन जोखिम समूहों में वर्गीकृत करने के लिए दो-परत परसेप्ट्रॉन का प्रशिक्षण दिया। कार्यात्मक अवस्थाबाएं वेंट्रिकल, आगामी ऑपरेशन की जटिलता की डिग्री और सहवर्ती रोगों की उपस्थिति। उन रोगियों में से जिन्हें नेटवर्क ने गहन देखभाल में देरी के कम जोखिम के रूप में वर्गीकृत किया था, केवल 16.3% ने वास्तव में इसमें दो दिन से अधिक समय बिताया। साथ ही, नेटवर्क द्वारा उच्च जोखिम समूह के रूप में वर्गीकृत किए गए 60% से अधिक लोग प्रतिकूल पूर्वानुमान पर खरे उतरे।

कैंसर से लड़ो

हमने हृदय रोगों पर विशेष ध्यान दिया, क्योंकि वे मृत्यु के कारणों की सूची में दुखद नेतृत्व रखते हैं। दूसरे स्थान पर ऑन्कोलॉजिकल रोग हैं। मुख्य क्षेत्रों में से एक जिसमें तंत्रिका नेटवर्क का उपयोग करके वर्तमान में काम चल रहा है वह स्तन कैंसर का निदान है। यह बीमारी हर नौवीं महिला की मौत का कारण है।

ट्यूमर का पता स्तन के प्रारंभिक एक्स-रे विश्लेषण (मैमोग्राफी) और उसके बाद ट्यूमर ऊतक के एक टुकड़े (बायोप्सी) के विश्लेषण के दौरान किया जाता है। अस्तित्व के बावजूद सामान्य नियममैमोग्राफी के अनुसार सौम्य और घातक नियोप्लाज्म का विभेदन, बाद की सर्जिकल बायोप्सी के केवल 10 से 20% परिणाम वास्तव में स्तन कैंसर की उपस्थिति की पुष्टि करते हैं। फिर से हम विधि की बेहद कम विशिष्टता के मामले से निपट रहे हैं।

ड्यूक यूनिवर्सिटी के शोधकर्ताओं ने आठ विशेषताओं के आधार पर घातक ऊतकों के मैमोग्राम को पहचानने के लिए एक तंत्रिका नेटवर्क को प्रशिक्षित किया, जिनसे रेडियोलॉजिस्ट आमतौर पर निपटते हैं। यह पता चला कि नेटवर्क लगभग 100% की संवेदनशीलता और 59% की विशिष्टता (रेडियोलॉजिस्ट के लिए 10-20% की तुलना में) के साथ कार्य को हल करने में सक्षम है। यदि आप इस तंत्रिका नेटवर्क का उपयोग करते हैं तो सौम्य ट्यूमर वाली कितनी महिलाएं बायोप्सी से गुजरने के तनाव से बच सकती हैं! मेयो क्लिनिक (मिनेसोटा) में, एक तंत्रिका नेटवर्क ने स्तन अल्ट्रासाउंड के परिणामों का विश्लेषण किया और 40% की विशिष्टता प्रदान की, जबकि उन्हीं महिलाओं के लिए रेडियोलॉजिस्ट की रिपोर्ट की विशिष्टता शून्य थी। क्या यह सच नहीं है कि तंत्रिका नेटवर्क प्रौद्योगिकियों के उपयोग की सफलता बिल्कुल भी आकस्मिक नहीं लगती है?

स्तन कैंसर के इलाज के बाद ट्यूमर दोबारा होना संभव है। तंत्रिका नेटवर्क पहले से ही उनकी प्रभावी भविष्यवाणी करने में मदद कर रहे हैं। इसी तरह के अध्ययन टेक्सास मेडिकल स्कूल विश्वविद्यालय में आयोजित किए जा रहे हैं। प्रशिक्षित नेटवर्क ने बहुत पहचानने और ध्यान में रखने की अपनी क्षमता दिखाई जटिल संबंधपूर्वानुमानित चर, विशेष रूप से पूर्वानुमानित क्षमता में सुधार के लिए उनके त्रिगुण संबंध।

चिकित्सा में तंत्रिका नेटवर्क का उपयोग करने की संभावनाएं विविध हैं, और उनकी वास्तुकला भी विविध है। किसी एक विधि या किसी अन्य से रोग के उपचार के दीर्घकालिक परिणामों के पूर्वानुमान के आधार पर, उनमें से किसी एक को प्राथमिकता दी जा सकती है। डिम्बग्रंथि के कैंसर (प्रत्येक सत्तर महिला की एक बीमारी) के उपचार की भविष्यवाणी करने में एक महत्वपूर्ण परिणाम नीमजेन विश्वविद्यालय के प्रसिद्ध डच विशेषज्ञ हर्बर्ट कप्पन द्वारा प्राप्त किया गया था (वह अपने काम में मल्टीलेयर परसेप्ट्रोन नहीं, बल्कि तथाकथित बोल्ट्जमैन मशीनों का उपयोग करते हैं - संभावनाओं का आकलन करने के लिए तंत्रिका नेटवर्क)।

यहाँ एक और कैंसर रोग का उदाहरण दिया गया है। कागावा मेडिकल स्कूल (जापान) के शोधकर्ताओं ने एक तंत्रिका नेटवर्क को प्रशिक्षित किया, जिसने प्रीऑपरेटिव डेटा के आधार पर हेपैटोसेलुलर कार्सिनोमा वाले रोगियों में यकृत के उच्छेदन के परिणामों की लगभग सटीक भविष्यवाणी की।

ट्रिनिटी इंस्टीट्यूट ऑफ इनोवेटिव एंड थर्मोन्यूक्लियर रिसर्च (TRINITI) में, तंत्रिका नेटवर्क परामर्श प्रणाली बनाने के लिए विज्ञान मंत्रालय द्वारा कार्यान्वित परियोजना के हिस्से के रूप में, एक तंत्रिका नेटवर्क कार्यक्रम विकसित किया गया था जो बेसल सेल त्वचा कैंसर (बेसल सेल) के लिए एक उपचार विधि का चयन करता है कार्सिनोमा) पुनरावृत्ति के विकास के लिए दीर्घकालिक पूर्वानुमान पर आधारित है। बेसल सेल कार्सिनोमा के मामलों की संख्या, पतली त्वचा वाले सफेद चमड़ी वाले लोगों की एक ऑन्कोलॉजिकल बीमारी, सभी कैंसर का एक तिहाई हिस्सा है।

मेलेनोमा के रूपों में से एक का निदान, एक ट्यूमर जिसे कभी-कभी बेसल सेल कार्सिनोमा के रंगद्रव्य रूप से अलग करना मुश्किल होता है, ए.एन. गोर्बन के नेतृत्व में क्रास्नोयार्स्क में एसओएएन कंप्यूटर साइंस सेंटर में विकसित मल्टीन्यूरॉन न्यूरल नेटवर्क सिम्युलेटर का उपयोग करके कार्यान्वित किया गया था। .

संक्षिप्त वर्णन

नैदानिक ​​कार्यों के लिए तंत्रिका नेटवर्क

विशिष्ट प्रणालियाँ

तंत्रिका नेटवर्क का उपयोग करने की संभावना

कैंसर से लड़ो

तंत्रिका तंत्र, आनुवंशिकी और अणु

तंत्रिका नेटवर्क ग्रह पर व्यापक रूप से फैल रहे हैं

आज हम विकास में तेजी देख रहे हैं सूचना प्रौद्योगिकीऔर हमारे जीवन में उनका क्रमिक, और कभी-कभी क्रांतिकारी परिचय

डिजिटलीकरण, रोबोटीकरण, कृत्रिम बुद्धिमत्ता, कृत्रिम तंत्रिका नेटवर्क... कितनी नई अवधारणाएँ और शब्द पहले से ही संभावनाओं के क्षितिज का विस्तार कर रहे हैं, हमें उनके बारे में सोचने और समझने, उनके प्रभावी और सुरक्षित अनुप्रयोग की तलाश करने के लिए मजबूर कर रहे हैं। और फिर भी, चाहे नई प्रौद्योगिकियाँ कितनी भी आशाजनक क्यों न हों, वे सभी मानव जीवन, उसके मन, मस्तिष्क के कार्य और सोच के उत्पाद हैं।

न्यूरॉन क्या है?

औसत मानव मस्तिष्क में लगभग 86 अरब न्यूरॉन असंख्य कनेक्शनों से जुड़े होते हैं (औसतन प्रति न्यूरॉन कई हजार कनेक्शन होते हैं, लेकिन यह संख्या काफी उतार-चढ़ाव कर सकती है)। न्यूरॉन्स विशेष कोशिकाएं हैं जो विद्युत रासायनिक संकेतों को प्रसारित करने में सक्षम हैं। एक न्यूरॉन में सूचना इनपुट (डेंड्राइट्स), एक नाभिक और एक ब्रांचिंग आउटपुट (एक्सॉन) की एक शाखित संरचना होती है। एक कोशिका के अक्षतंतु सिनैप्स का उपयोग करके अन्य कोशिकाओं के डेंड्राइट से जुड़ते हैं। सक्रिय होने पर, एक न्यूरॉन अपने अक्षतंतु के साथ एक विद्युत रासायनिक संकेत भेजता है। सिनैप्स के माध्यम से, यह संकेत अन्य न्यूरॉन्स तक पहुंचता है, जो बदले में सक्रिय हो सकते हैं। एक न्यूरॉन तब सक्रिय होता है जब डेन्ड्राइट से उसके नाभिक तक पहुंचने वाले संकेतों का कुल स्तर एक निश्चित स्तर (सक्रियण सीमा) से अधिक हो जाता है।

तंत्रिका - तंत्र

कृत्रिम तंत्रिका नेटवर्क, कृत्रिम बुद्धिमत्ता, मशीन लर्निंग... इन सभी वर्तमान फैशनेबल रुझानों और शब्दों का क्या मतलब है?

शब्द के सामान्य अर्थ में, तंत्रिका नेटवर्क (एनएन - तंत्रिका नेटवर्क) गणितीय मॉडल हैं जो नेटवर्क के सिद्धांत पर काम करते हैं तंत्रिका कोशिकाएंपशु जीव. कृत्रिम तंत्रिका नेटवर्क (एएनएन) को प्रोग्रामयोग्य और हार्डवेयर समाधान दोनों में लागू किया जा सकता है। चीजों को समझना आसान बनाने के लिए, एक न्यूरॉन को एक कोशिका के रूप में सोचा जा सकता है जिसमें कई इनपुट छेद और एक आउटपुट छेद होता है। आउटपुट सिग्नल में कितने आने वाले सिग्नल बनते हैं यह गणना एल्गोरिथ्म द्वारा निर्धारित किया जाता है। प्रत्येक न्यूरॉन इनपुट को प्रभावी मान प्रदान किए जाते हैं, जिन्हें फिर इंटिरियरॉन कनेक्शन (सारांश) के साथ वितरित किया जाता है। सिनैप्स का एक पैरामीटर होता है - वजन, जिसके कारण एक न्यूरॉन से दूसरे न्यूरॉन में जाने पर इनपुट जानकारी बदल जाती है।

समय की प्रवृत्ति

पिछले कुछ वर्षों में एएनएन में रुचि का विस्फोट देखा गया है। शोधकर्ता - प्रोग्रामर और हार्डवेयर मॉडल के डेवलपर्स - अधिक से अधिक प्रभावी रचनात्मक सॉफ्टवेयर और हार्डवेयर कार्यान्वयन बना रहे हैं, जो जैविक तंत्रिका नेटवर्क के संगठन और कामकाज के सिद्धांत पर आधारित हैं। तंत्रिका नेटवर्क सहज रूप से आकर्षक होते हैं क्योंकि वे तंत्रिका तंत्र के जैविक मॉडल पर आधारित होते हैं। भविष्य में, ऐसे न्यूरोबायोलॉजिकल मॉडल के विकास से वास्तव में सोचने वाले कंप्यूटर का निर्माण हो सकता है। और आर्टिफिशियल इंटेलिजेंस बनाने के लिए एक समान आर्किटेक्चर वाला सिस्टम बनाना जरूरी है।

इनका उपयोग कहां किया जाता है?

एएनएन, सीखने की उनकी क्षमता के कारण, साथ ही इस तथ्य के कारण कि यह उनके सीखने में तेजी लाने के विभिन्न तरीकों के उद्भव के कारण है, हमारे जीवन के विभिन्न क्षेत्रों में सफलतापूर्वक उपयोग किया जाता है: व्यवसाय, चिकित्सा, इंजीनियरिंग, भूविज्ञान, भौतिकी, आदि। एएनएन, एक असाधारण शक्तिशाली मॉडलिंग विधि के रूप में जो बेहद जटिल निर्भरताओं को पुन: उत्पन्न करने की अनुमति देती है, आवेदन के कई क्षेत्रों को ढूंढ रही है: स्व-शिक्षण उत्पादन प्रक्रिया प्रणाली, मानव रहित वाहन, छवि पहचान प्रणाली, बुद्धिमान सुरक्षा प्रणाली, रोबोटिक्स, गुणवत्ता निगरानी प्रणाली का निर्माण , वॉयस इंटरेक्शन इंटरफेस, एनालिटिक्स सिस्टम और कई अन्य क्षेत्रों में आविष्कार जहां सूचना के संचित विशाल प्रवाह को संसाधित करने की समस्याओं को हल करना आवश्यक है - मान्यता, पूर्वानुमान, वर्गीकरण, प्रबंधन। वर्तमान में, एएनएन प्रशिक्षण प्रक्रिया बहुत तेज़ और सरल हो गई है: और भी बहुत कुछ है शक्तिशाली विशेषताएं तकनीकी साधन(मेमोरी क्षमता, गति में तकनीकी वृद्धि, डेटाबेस का निरंतर संचय, आदि)। तथाकथित "पूर्व-प्रशिक्षित" तंत्रिका नेटवर्क सक्रिय रूप से विकसित होने लगे हैं, जो प्रौद्योगिकी को पेश करने की प्रक्रिया को काफी तेज कर सकते हैं।

कुछ फायदे

एएनएन में प्रभावशाली सफलता और रुचि अध्ययन के तहत क्षेत्र में छवियों और परिदृश्यों में वस्तुओं को पहचानने और वर्गीकृत करने के लिए सिस्टम, इंटरनेट ऑफ थिंग्स के लिए वॉयस इंटरेक्शन इंटरफ़ेस, वीडियो एनालिटिक्स, सेल्फ-लर्निंग सिस्टम जैसे कार्यों से निपटने की क्षमता से निर्धारित होती है। जो सामग्री प्रवाह या वस्तुओं के स्थान के प्रबंधन को अनुकूलित करता है; बौद्धिक; उत्पादन प्रक्रियाओं और उपकरणों (रोबोट वाले सहित) को नियंत्रित करने के लिए स्व-शिक्षण प्रणाली, सम्मेलनों और व्यक्तिगत उपयोग के लिए "मक्खी पर" सार्वभौमिक अनुवाद, आदि। और अगर यह कहना जल्दबाजी होगी कि तंत्रिका नेटवर्क एक दिन पूरी तरह से पुन: पेश करने में सक्षम होंगे या नहीं क्षमताएं मानव मस्तिष्कयह संभावना तेजी से सच होती जा रही है कि अगले दशक में एएनएन मौजूदा व्यवसायों के एक चौथाई हिस्से में मनुष्यों की जगह ले सकेंगे।

कृत्रिम होशियारी

कृत्रिम बुद्धिमत्ता क्या है? कृत्रिम बुद्धिमत्ता (एआई) द्वारा, डेवलपर्स लोगों के बुद्धिमान व्यवहार की नकल करने के लिए एक मशीन की क्षमता को समझते हैं, यानी बदलते संदर्भ में नेविगेट करने की क्षमता और, इन परिवर्तनों को ध्यान में रखते हुए, इष्टतम निर्णय लेते हैं जो लक्ष्य को प्राप्त करने की अनुमति देते हैं। किसी डॉक्टर के लिए किसी बीमारी का सही निदान करना मुश्किल हो सकता है, खासकर अगर उसके पास ज्यादा अभ्यास नहीं है या विशिष्ट मामला उसके पेशेवर अनुभव से दूर है। यह वह जगह है जहां एआई बचाव में आ सकता है, हजारों और लाखों मेडिकल इतिहास (और हाल के लेखों, पाठ्यपुस्तकों और विशेष चिकित्सा साहित्य सहित अन्य संगठित जानकारी) वाले डेटाबेस तक पहुंच प्राप्त कर सकता है। मशीन लर्निंग एल्गोरिदम का उपयोग करते हुए, एआई एक विशिष्ट मामले को वर्गीकृत करता है, एक निश्चित अवधि में प्रकाशित वांछित विषय पर वैज्ञानिक साहित्य को तुरंत स्कैन करता है, उपलब्ध समान मामलों का अध्ययन करता है और एक उपचार योजना सुझाता है। इसके अलावा, एआई रोगी की आनुवंशिक विशेषताओं, उसके पहनने योग्य उपकरणों द्वारा एकत्र किए गए आंदोलन पैटर्न, पिछले चिकित्सा इतिहास - संपूर्ण जीवन इतिहास के बारे में जानकारी को ध्यान में रखते हुए एक व्यक्तिगत दृष्टिकोण प्रदान करने में सक्षम होगा। एआई शायद (कम से कम प्रौद्योगिकी विकास के वर्तमान चरण में) एक डॉक्टर की जगह नहीं लेगा, लेकिन यह एक उपयोगी उपकरण बन सकता है और पहले से ही निदान और उपचार में सहायक बन रहा है।

चिकित्सा में इसकी आवश्यकता क्यों है?

चिकित्सा, जो पहले मुख्य रूप से उपचार पर ध्यान केंद्रित करती थी तीव्र रोग, अब पुरानी बीमारियों पर अधिक ध्यान दे सकेंगे, जिनमें से कई को बहुत पहले तक बीमारी नहीं माना जाता था। पहले से ही आज, चिकित्सा डेटा की मात्रा तेजी से बढ़ रही है, और यह स्पष्ट होता जा रहा है कि रोगी का स्वास्थ्य और जीवन की गुणवत्ता विश्लेषण की गति और गुणवत्ता पर निर्भर करती है। डॉक्टरों को अक्सर मोटापे, अवसाद और बुढ़ापे की बीमारियों के इलाज की आवश्यकता का सामना करना पड़ता है। मधुमेह, हृदय विफलता और ऑटोइम्यून विकारों का निदान तीव्र चरण के बाहर, अधिक से अधिक तेजी से किया जा रहा है प्रारम्भिक चरण, और हम न केवल रखरखाव चिकित्सा के बारे में बात कर रहे हैं, बल्कि शरीर की इन प्रणालीगत विफलताओं को पूरी तरह से ठीक करने और ठीक करने की संभावना के बारे में भी बात कर रहे हैं। निवारक दवा विकसित हो रही है, जिससे कुछ प्रकार की बीमारियों के प्रकट होने से पहले ही उनकी प्रवृत्ति को पहचानना और आवश्यकतानुसार समय पर उपाय करना संभव हो गया है। और ये सब AI का काम है.

दंत चिकित्सा के लिए पूर्वानुमान

एएनएन में शामिल शोधकर्ताओं ने भविष्यवाणी की है कि निकट भविष्य में दंत चिकित्सा में तंत्रिका नेटवर्क का उपयोग तेजी से विकसित होगा। यह दिशा और अधिक की अनुमति देगी त्वरित विश्लेषणबड़ी मात्रा में आवश्यक पेशेवर लक्षित जानकारी, और सबसे महत्वपूर्ण बात, जटिल नैदानिक ​​​​समस्याओं को हल करने में डॉक्टरों को मार्गदर्शन और सुझाव देने में सक्षम होगी।

आंकड़ों के अनुसार सामग्री तैयार की गई
इंटरनेट स्रोत गैलिना मासिस

बश्किर राज्य के छात्र चिकित्सा विश्वविद्यालयकुछ बीमारियों की भविष्यवाणी करने के लिए तंत्रिका नेटवर्क का उपयोग करने का निर्णय लिया गया। युवा डॉक्टरों को उम्मीद है कि उनके शोध से रिपब्लिकन मेडिसिन को काफी फायदा होगा। लेखक एलेक्ट्रोगाज़ेटा के साथ विवरण साझा करते हैं।

एक तंत्रिका नेटवर्क विशेष है सॉफ़्टवेयर, एक प्रोग्राम कोड जिसमें कुछ क्षमताएं और "कौशल" होते हैं। एक तंत्रिका नेटवर्क, एक बुद्धिमान प्रणाली के रूप में, इनपुट और आउटपुट डेटा के बीच जटिल निर्भरता की पहचान करने के साथ-साथ सामान्यीकरण करने में सक्षम है। वास्तव में, ऐसा कार्यक्रम (यदि प्रभावी ढंग से प्रशिक्षित किया जाए) बीमारियों की भविष्यवाणी कर सकता है,'' बीएसएमयू में तीसरे वर्ष के छात्र ग्रिगोरी गोलोलोबोव कहते हैं। - हमने इस क्षेत्र में शोध शुरू करने का फैसला किया पेप्टिक छालापेट और ग्रहणी.

यह विशेष रोग क्यों? तथ्य यह है कि अल्सर अपनी जटिलताओं के कारण बहुत खतरनाक होता है - गैस्ट्रिक वेध या रक्तस्राव। एक अप्रत्याशित जटिलता रोगी को बहुत कमजोर कर सकती है और ठीक होने में देरी कर सकती है, और मृत्यु भी हो सकती है। किसी विशेष रोगी में रक्तस्राव की संभावना क्या है, इसका पता लगाने के लिए एक तंत्रिका नेटवर्क की आवश्यकता होती है। यदि यह ज्ञात है कि यह संभावना 50-60 प्रतिशत या अधिक है, तो सर्जन रोगी की विशेष रूप से बारीकी से निगरानी करने और किसी भी अप्रत्याशित घटना के लिए पहले से तैयारी करने में सक्षम होगा। यह युवा, अनुभवहीन सर्जनों के लिए विशेष रूप से सच है।

अपने काम में हमने मुफ़्त सॉफ़्टवेयर का उपयोग किया।

तो, क्या एक तंत्रिका नेटवर्क अल्सर और उसकी जटिलताओं की भविष्यवाणी करने में सक्षम है, और निदान कितना विश्वसनीय होगा? पहला चरण तंत्रिका नेटवर्क का प्रशिक्षण था। प्रशिक्षण उद्देश्यों के लिए, ऊफ़ा अस्पतालों में 200 वास्तविक रोगियों का डेटा कार्यक्रम में लोड किया गया था। इस मामले में, इनपुट जानकारी मरीजों की शिकायतें थीं, यानी, तथाकथित इतिहास (दर्द की उपस्थिति, उसका स्थान और तीव्रता, स्तर) रक्तचाप, क्या कोई व्यक्ति धूम्रपान करता है, आदि) मापदंडों का एक पूरा सेट है। और आउटपुट पर, तंत्रिका नेटवर्क को एक निदान तैयार करना था - क्या किसी व्यक्ति को अल्सर है, और जटिलताओं की संभावना क्या है। गौरतलब है कि मरीजों के सैंपल को दो भागों में बांटा गया था. हमने 70 प्रतिशत नमूने का उपयोग कार्यक्रम को प्रशिक्षित करने के लिए किया, और 30 प्रतिशत का उपयोग परीक्षण के लिए किया।

अंतरिम परिणाम क्या थे? आज तक, भविष्यवाणी की सटीकता औसतन 87 प्रतिशत रही है। हमारा तंत्रिका नेटवर्क किसी व्यक्ति में अल्सर और उसके परिणामों की भविष्यवाणी करता है उच्च डिग्रीविश्वसनीयता. भविष्य में, हम पूर्वानुमान की गुणवत्ता में सुधार करने और अभ्यास करने वाले डॉक्टरों के लिए वास्तव में काम करने वाला उपकरण प्राप्त करने की योजना बना रहे हैं। इसके लिए अधिक रोगियों और अधिक इतिहास की आवश्यकता होती है। वर्तमान चरण में, तंत्रिका नेटवर्क पेप्टिक अल्सर रोग की अच्छी तरह से भविष्यवाणी करता है। लेकिन हमें जटिलताओं का अधिक प्रभावी ढंग से पूर्वानुमान लगाने के लिए कार्यक्रम को सिखाने की आवश्यकता है। हम इसे दूसरे चरण में करेंगे.

जैसा कि एलेक्ट्रोगाज़ेटा के वार्ताकार ने बताया, यह परियोजना डॉक्टर ऑफ मेडिकल साइंसेज, बीएसएमयू के प्रोफेसर मराट नर्टडिनोव के नेतृत्व में कार्यान्वित की जा रही है। यह कार्य विभाग के सहयोग से किया जाता है कंप्यूटर प्रौद्योगिकीयूएसपीटीयू.

हमारे मॉस्को और नोवोसिबिर्स्क सहयोगी पहले से ही बीमारियों की भविष्यवाणी करने और निदान करने के लिए तंत्रिका नेटवर्क का सक्रिय रूप से उपयोग कर रहे हैं। लेकिन बश्किरिया में हम "अग्रणी" हैं, ग्रिगोरी गोलोलोबोव कहते हैं। - अब तक का एकमात्र उदाहरण उपयुक्त सॉफ्टवेयर "स्टफिंग" वाले ईसीजी उपकरण हैं, जो लिए गए कार्डियोग्राम के आधार पर प्रारंभिक निदान देते हैं। मेरा मानना ​​है कि अगले कुछ वर्षों में तंत्रिका नेटवर्क चिकित्सा में मजबूती से स्थापित हो जाएंगे। तंत्रिका नेटवर्क एक बहुत ही प्रभावी तकनीक है जो एक डॉक्टर को महत्वपूर्ण सहायता प्रदान कर सकती है। आख़िरकार, ऐसा सॉफ़्टवेयर, संक्षेप में, एक बुद्धिमान प्रणाली है। फिर, भविष्य में तंत्रिका का परिचय देना संभव होगा सॉफ्टवेयर सिस्टमन केवल पेप्टिक अल्सर रोग के निदान के क्षेत्र में, बल्कि अन्य बीमारियों के निदान के क्षेत्र में भी।

लेकिन अधिक महत्वपूर्ण समस्याओं को भी हल करें - उदाहरण के लिए, नई दवाओं की तलाश। प्रौद्योगिकी की विशेषताएं क्या हैं और घरेलू कंपनियां और विश्वविद्यालय इसका उपयोग कैसे कर रहे हैं, यह जानने के लिए विलेज ने विशेषज्ञों की ओर रुख किया।

तंत्रिका नेटवर्क क्या हैं?

यह समझने के लिए कि दुनिया में तंत्रिका नेटवर्क का क्या स्थान है कृत्रिम होशियारीऔर वे बुद्धिमान सिस्टम बनाने के लिए अन्य तकनीकों से कैसे संबंधित हैं, आइए परिभाषाओं से शुरू करें।

तंत्रिका - तंत्रमशीन सीखने के तरीकों में से एक है, जिसकी नींव "कृत्रिम बुद्धिमत्ता" शब्द के प्रकट होने से पहले ही 1943 में उत्पन्न हुई थी। वे एक गणितीय मॉडल का प्रतिनिधित्व करते हैं जो जानवरों के तंत्रिका तंत्र की कार्यप्रणाली से थोड़ा सा मिलता-जुलता है।

इनोपोलिस विश्वविद्यालय के एक वरिष्ठ शोधकर्ता स्टानिस्लाव प्रोतासोव के अनुसार, मानव मस्तिष्क का निकटतम एनालॉग कन्वेन्शनल न्यूरल नेटवर्क है, जिसका आविष्कार गणितज्ञ यान लेकन ने किया था। "वे कई अनुप्रयोगों के केंद्र में हैं जो कृत्रिम बुद्धिमत्ता होने का दावा करते हैं, जैसे कि फाइंडफेस या प्रिज्मा," उन्होंने नोट किया।

यंत्र अधिगम- गणित और कंप्यूटर विज्ञान के प्रतिच्छेदन पर कृत्रिम बुद्धिमत्ता का एक उपधारा। वह सीखने के सिद्धांत के आधार पर मॉडल और एल्गोरिदम के निर्माण के तरीकों का अध्ययन करता है। मशीन उसे दिए गए उदाहरणों का विश्लेषण करती है, पैटर्न की पहचान करती है, उनका सामान्यीकरण करती है और नियम बनाती है जिनकी मदद से विभिन्न समस्याएं हल की जाती हैं - उदाहरण के लिए, भविष्यवाणियां इससे आगे का विकासघटनाओं या पहचान और छवियों, पाठ और भाषण की पीढ़ी। तंत्रिका नेटवर्क के अलावा, रैखिक प्रतिगमन विधियां, निर्णय वृक्ष और अन्य दृष्टिकोण भी यहां उपयोग किए जाते हैं।

कृत्रिम होशियारी- कंप्यूटर विज्ञान की एक शाखा, मशीनों के लिए उन कार्यों को करने के लिए तकनीकी साधनों के निर्माण के बारे में जिन्हें पहले मनुष्यों का विशेष विशेषाधिकार माना जाता था, साथ ही ऐसे विकासों का पदनाम भी। इस दिशा को आधिकारिक तौर पर 1956 में औपचारिक रूप दिया गया था।

अलेक्जेंडर क्रेनोव

किसे कृत्रिम बुद्धिमत्ता कहा जा सकता है और किसे नहीं, यह सहमति का विषय है। मानवता, कुल मिलाकर, इस बारे में एक स्पष्ट सूत्रीकरण तक नहीं पहुंच पाई है कि सामान्य तौर पर बुद्धिमत्ता क्या है, कृत्रिम बुद्धिमत्ता की तो बात ही छोड़ दें। लेकिन अगर हम सामान्यीकरण करें कि क्या हो रहा है, तो हम कह सकते हैं कि कृत्रिम बुद्धिमत्ता गहरे तंत्रिका नेटवर्क हैं जो जटिल समस्याओं को मानव स्तर के करीब के स्तर पर हल करते हैं, और कुछ हद तक स्व-सीख रहे हैं। साथ ही, यहां स्व-शिक्षा का तात्पर्य कच्चे डेटा से स्वतंत्र रूप से उपयोगी संकेत निकालने की क्षमता से है।

उद्योग की वर्तमान स्थिति क्या है?

विश्लेषक एजेंसी गार्टनर के अनुसार, मशीन लर्निंग अब बढ़ी हुई उम्मीदों के चरम पर है। इस अवस्था की विशेषता चारों ओर का उत्साह है नई टेक्नोलॉजीअत्यधिक उत्साह की ओर ले जाता है, जो बदल जाता है असफल प्रयासइसका व्यापक उपयोग. उम्मीद है कि उद्योग को अपना भ्रम दूर करने में दो से पांच साल लगेंगे। रूसी विशेषज्ञों के अनुसार, तंत्रिका नेटवर्क को जल्द ही शक्ति परीक्षण से गुजरना होगा।

सर्गेई नेगोडयेव

इंटरनेट पहल विकास कोष के पोर्टफोलियो प्रबंधक

हालाँकि वैज्ञानिक 70 वर्षों से तंत्रिका नेटवर्क को औपचारिक रूप दे रहे हैं और विकसित कर रहे हैं, इस तकनीक के विकास में दो महत्वपूर्ण बिंदुओं की पहचान की जा सकती है। पहली बार 2007 में, जब टोरंटो विश्वविद्यालय ने मल्टीलेयर न्यूरल नेटवर्क के लिए गहन शिक्षण एल्गोरिदम बनाया था। दूसरा क्षण जिसने आज के उछाल को उकसाया वह 2012 में था, जब उसी विश्वविद्यालय के शोधकर्ताओं ने गहरे तंत्रिका नेटवर्क का उपयोग किया और इमेजनेट प्रतियोगिता जीती, न्यूनतम त्रुटियों के साथ फ़ोटो और वीडियो में वस्तुओं को पहचानना सीखा।

आजकल, यदि सभी नहीं तो, तंत्रिका नेटवर्क पर आधारित अधिकांश समस्याओं को हल करने के लिए पर्याप्त कंप्यूटर शक्ति मौजूद है। अब मुख्य बाधा लेबल किए गए डेटा की कमी है। तुलनात्मक रूप से कहें तो, सिस्टम को वीडियो या तस्वीरों में सूर्यास्त को पहचानना सीखने के लिए, उसे सूर्यास्त की एक लाख तस्वीरें फीड करने की जरूरत होती है, जो यह दर्शाती है कि वह फ्रेम में कहां स्थित है। उदाहरण के लिए, जब आप फेसबुक पर एक फोटो अपलोड करते हैं, तो आपके मित्र इसे डूबते सूरज की किरणों में एक बिल्ली के रूप में पहचानते हैं, और सोशल नेटवर्क इसमें टैग का एक सेट देखता है: "जानवर", "बिल्ली", "लकड़ी", "मंजिल", "शाम", " नारंगी"। जिसके पास अधिक प्रशिक्षण डेटा होगा उसके पास अधिक स्मार्ट तंत्रिका नेटवर्क होगा।

एंड्री कलिनिन

खोज के प्रमुख Mail.Ru

तंत्रिका नेटवर्क पर आधारित मनोरंजन अनुप्रयोग - उदाहरण के लिए, हमारे आर्टिस्टो या विंची - केवल हिमशैल का सिरा हैं, और एक ही समय में शानदार तरीकाव्यापक दर्शकों के सामने अपनी क्षमताओं का प्रदर्शन करें। वास्तव में, तंत्रिका नेटवर्क कई जटिल समस्याओं को हल करने में सक्षम हैं। अब सबसे गर्म क्षेत्र ऑटोपायलट, वॉयस असिस्टेंट, चैटबॉट और मेडिसिन हैं।

अलेक्जेंडर क्रेनोव

यांडेक्स में कंप्यूटर विज़न सेवा के प्रमुख

हम कह सकते हैं कि तंत्रिका नेटवर्क का उछाल पहले ही आ चुका है, लेकिन यह अभी तक अपने चरम पर नहीं पहुंचा है। यह और अधिक दिलचस्प हो जाएगा. सबसे आशाजनक दिशाएँआज यह, शायद, कंप्यूटर विज़न, संवाद प्रणाली, पाठ विश्लेषण, रोबोटिक्स, मानव रहित वाहन और सामग्री निर्माण - पाठ, चित्र, संगीत है।

तंत्रिका नेटवर्क के कार्यान्वयन के लिए आशाजनक क्षेत्र

परिवहन

रोबोटिक

जैव प्रौद्योगिकी

कृषि

चीजों की इंटरनेट

मीडिया और मनोरंजन

भाषा विज्ञान

सुरक्षा

व्लाद शेरशुलस्की

रूस में माइक्रोसॉफ्ट में प्रौद्योगिकी सहयोग कार्यक्रम के निदेशक

आज एक तंत्रिका क्रांति हो चुकी है। कभी-कभी कल्पना को वास्तविकता से अलग करना भी मुश्किल हो जाता है। कई कैमरों वाले एक स्वचालित हार्वेस्टर की कल्पना करें। वह प्रति मिनट 5 हजार तस्वीरें लेता है और, एक तंत्रिका नेटवर्क के माध्यम से, विश्लेषण करता है कि उसके सामने वाला पौधा एक खरपतवार है या कीटों से ग्रस्त पौधा है, और फिर तय करता है कि आगे क्या करना है। ज़बरदस्त? वास्तव में अब और नहीं.

बोरिस वोल्फसन

हेडहंटर विकास निदेशक

तंत्रिका नेटवर्क को लेकर एक निश्चित उत्साह है और, मेरी राय में, उम्मीदें थोड़ी बढ़ी हुई हैं। इससे पहले कि हम उनका प्रभावी ढंग से उपयोग करना सीखें, हमें अभी भी निराशा के दौर से गुजरना होगा। कई महत्वपूर्ण शोध परिणाम अभी भी व्यवसाय पर बहुत लागू नहीं हैं। व्यवहार में, अन्य मशीन सीखने के तरीकों का उपयोग करना अक्सर अधिक उचित होता है - उदाहरण के लिए, निर्णय वृक्षों पर आधारित विभिन्न एल्गोरिदम। यह शायद उतना रोमांचक या भविष्यवादी नहीं दिखता, लेकिन ये दृष्टिकोण बहुत आम हैं।

रूस में तंत्रिका नेटवर्क क्या सिखाते हैं?

बाज़ार भागीदार इस बात से सहमत हैं कि तंत्रिका नेटवर्क की कई उपलब्धियाँ अभी भी केवल शैक्षणिक क्षेत्र में ही लागू हैं। अपनी सीमाओं के बाहर, प्रौद्योगिकी का उपयोग मुख्य रूप से मनोरंजन अनुप्रयोगों में किया जाता है, जो विषय में रुचि बढ़ाता है। फिर भी, रूसी डेवलपर्स सामाजिक रूप से महत्वपूर्ण और व्यावसायिक समस्याओं को हल करने के लिए तंत्रिका नेटवर्क सिखाते हैं। आइए कुछ क्षेत्रों पर करीब से नज़र डालें।

विज्ञान और चिकित्सा

यांडेक्स स्कूल ऑफ डेटा एनालिसिस स्कोल्कोवो, एमआईपीटी, एचएसई और अमेरिकी विश्वविद्यालयों यूसीआई और एनवाईयू के प्रतिनिधियों के साथ क्रेफिस प्रयोग में भाग ले रहा है। इसका सार स्मार्टफोन का उपयोग करके अति-उच्च ऊर्जा वाले ब्रह्मांडीय कणों की खोज करना है। कैमरों से डेटा त्वरित तंत्रिका नेटवर्क में प्रेषित किया जाता है जो छवियों में कमजोर रूप से संपर्क करने वाले कणों के निशान को पकड़ने में सक्षम होता है।

यह एकमात्र अंतरराष्ट्रीय प्रयोग नहीं है जिसमें रूसी विशेषज्ञ शामिल हैं। इनोपोलिस विश्वविद्यालय के वैज्ञानिक मैनुअल मजारा और लियोनार्ड जोहार्ड बायोडायनामो परियोजना में भाग ले रहे हैं। इंटेल और सीईआरएन के समर्थन से, वे एक प्रोटोटाइप बनाना चाहते हैं जो सेरेब्रल कॉर्टेक्स के पूर्ण पैमाने पर सिमुलेशन को पुन: पेश कर सके। इसकी मदद से उन प्रयोगों की दक्षता और लागत-प्रभावशीलता बढ़ाने की योजना बनाई गई है जिनके लिए जीवित मानव मस्तिष्क की उपस्थिति की आवश्यकता होती है।

इनोपोलिस के प्रोफेसर यारोस्लाव खोलोदोव ने एक कंप्यूटर मॉडल के विकास में भाग लिया जो दसियों गुना तेजी से प्रोटीन बांड के गठन की भविष्यवाणी करने में सक्षम है। इस एल्गोरिदम का उपयोग करके टीकों और दवाओं के विकास में तेजी लाई जा सकती है। इस क्षेत्र में Mail.Ru Group, Insilico Medicinal और MIPT के डेवलपर्स को जाना गया। उन्होंने उन पदार्थों की खोज के लिए, जो उपयोगी हो सकते हैं, आणविक संरचनाओं का आविष्कार करने के लिए प्रशिक्षित जेनेरिक प्रतिकूल नेटवर्क का उपयोग किया विभिन्न रोग- ऑन्कोलॉजी से लेकर हृदय रोगों तक।

सौंदर्य और स्वास्थ्य

2015 में, रूसी कंपनी यूथ लेबोरेटरीज ने पहली अंतर्राष्ट्रीय सौंदर्य प्रतियोगिता, Beauty.AI लॉन्च की। प्रतिभागियों की तस्वीरों का मूल्यांकन तंत्रिका नेटवर्क द्वारा किया गया था। विजेताओं का निर्धारण करते समय, उन्होंने लिंग, आयु, राष्ट्रीयता, त्वचा का रंग, चेहरे की समरूपता और झुर्रियों की उपस्थिति या अनुपस्थिति को ध्यान में रखा। बाद वाले कारक ने आयोजकों को आरवाईएनकेएल सेवा बनाने के लिए भी प्रेरित किया, जो आपको यह ट्रैक करने की अनुमति देती है कि उम्र बढ़ने से त्वचा पर क्या प्रभाव पड़ता है और विभिन्न दवाएं इससे कैसे लड़ती हैं।

टेलीमेडिसिन में भी तंत्रिका नेटवर्क का उपयोग किया जाता है। रूसी कंपनी मोबाइल मेडिकल टेक्नोलॉजीज, जो ऑनलाइन डॉक्टर और बाल रोग विशेषज्ञ 24/7 परियोजनाओं का प्रबंधन करती है, एक डायग्नोस्टिक बॉट का परीक्षण कर रही है जो रोगियों और डॉक्टरों दोनों के लिए उपयोगी होगी। पहला आपको बताएगा कि कुछ लक्षणों के लिए किस विशेषज्ञ से संपर्क करना है, और दूसरा यह निर्धारित करने में मदद करेगा कि आगंतुक वास्तव में किस बीमारी से पीड़ित है।

व्यावसायिक प्रक्रियाओं और विज्ञापन का अनुकूलन

रूसी स्टार्टअप लीडज़ा फेसबुक और इंस्टाग्राम पर विज्ञापन के लिए बजट को अधिक प्रभावी ढंग से आवंटित करने के लिए तंत्रिका नेटवर्क का उपयोग करने में कामयाब रहा। एल्गोरिदम पिछले अभियानों के परिणामों का विश्लेषण करता है, प्रमुख मेट्रिक्स का पूर्वानुमान बनाता है और उनके आधार पर, स्वचालित रूप से खर्चों का पुनर्वितरण करता है ताकि ऑनलाइन स्टोर को कम लागत पर अधिक ग्राहक मिल सकें।

ग्वारानाकैम टीम ने उत्पादों और विज्ञापन सामग्रियों के ऑफ़लाइन प्लेसमेंट की प्रभावशीलता का मूल्यांकन करने के लिए मशीन लर्निंग तकनीकों का उपयोग किया। सिस्टम Microsoft Azure क्लाउड पर चलता है और सीसीटीवी कैमरों का उपयोग करके खरीदारी व्यवहार का विश्लेषण करता है। व्यवसाय मालिकों को वास्तविक समय की ट्रेडिंग स्थिति रिपोर्ट प्राप्त होती है। प्रोजेक्ट का उपयोग पहले से ही किया जा रहा है मॉल"मेगा बेलाया दचा"

व्यवसाय में तंत्रिका नेटवर्क का उपयोग करने के सफल घरेलू उदाहरण यहीं समाप्त नहीं होते हैं। लॉजिस्टिक्स, जो 2006 से कृत्रिम बुद्धिमत्ता प्रौद्योगिकियों के साथ प्रयोग कर रहा है, ने गोदाम संचालन को अनुकूलित करने के लिए एक प्रणाली विकसित की है। यह एक लर्निंग न्यूरल नेटवर्क पर आधारित है जो फिटनेस ट्रैकर्स से प्राप्त कर्मचारियों के बारे में डेटा का विश्लेषण करता है और उनके बीच कार्यभार को पुनर्वितरित करता है। अब टीम तंत्रिका नेटवर्क को दोषों में अंतर करना सिखा रही है।

बेलफ़िंगग्रुप की हिस्सेदारी और भी आगे बढ़ गई। इसकी सहायक कंपनी बीएफजी-सॉफ्ट ने बीएफजी-आईएस क्लाउड प्लेटफॉर्म बनाया है, जो आपको इसके वर्चुअल मॉडल का उपयोग करके किसी उद्यम को प्रबंधित करने की अनुमति देता है। उत्तरार्द्ध सिस्टम द्वारा एकत्र किए गए उत्पादन डेटा के आधार पर स्वचालित रूप से बनाया गया है और न केवल यह दिखाता है कि दिए गए लक्ष्यों को ध्यान में रखते हुए प्रक्रियाओं को सर्वोत्तम तरीके से कैसे व्यवस्थित किया जाए, बल्कि किसी भी बदलाव के परिणामों की भविष्यवाणी भी की जाती है - उपकरण बदलने से लेकर अतिरिक्त बदलाव शुरू करने तक। 2016 के अंत में, इंटरनेट इनिशिएटिव्स डेवलपमेंट फंड ने कंपनी में 125 मिलियन रूबल का निवेश करने का निर्णय लिया।

भर्ती और कार्मिक प्रबंधन

रूसी रिक्रूटर एग्रीगेटर स्टैफ़ोरी एक आवर्ती तंत्रिका नेटवर्क का प्रशिक्षण समाप्त कर रहा है जो न केवल उम्मीदवारों के प्रश्नों के मोनोसिलेबिक उत्तर देने में सक्षम है, बल्कि जिस रिक्ति में उनकी रुचि है, उसके बारे में उनके साथ पूरी बातचीत भी करने में सक्षम है। और सुपरजॉब पोर्टल टीम एक ऐसी सेवा का परीक्षण कर रही है जो भविष्यवाणी करती है कि किसी विशेष नियोक्ता द्वारा सैकड़ों समान बायोडाटा की मांग की जाएगी।

परिवहन

बुद्धिमान प्रणालियों के रूसी डेवलपर कॉग्निटिव टेक्नोलॉजीज पहचान के लिए तंत्रिका नेटवर्क का उपयोग करते हैं वाहन, पैदल चलने वालों, सड़क के संकेत, ट्रैफिक लाइट और फ्रेम में गिरने वाली अन्य वस्तुएं। कंपनी सेल्फ-ड्राइविंग कार के लिए न्यूरल नेटवर्क को प्रशिक्षित करने के लिए डेटा भी एकत्र करती है। इसके बारे मेंलगभग दसियों हज़ार एपिसोड में ड्राइवरों की निश्चित प्रतिक्रियाओं का वर्णन किया गया है गंभीर स्थितियाँसड़कों पर। परिणामस्वरूप, सिस्टम को रोबोट के लिए इष्टतम व्यवहार परिदृश्य तैयार करना होगा। स्मार्ट कृषि परिवहन बनाने के लिए उन्हीं तकनीकों का उपयोग किया जाता है।

इसके अलावा, तंत्रिका नेटवर्क का उपयोग अन्य तरीकों से परिवहन में किया जा सकता है। 2016 की गर्मियों में, Yandex ने अपने Avto.ru बुलेटिन बोर्ड में एक कार मॉडल को उसके फोटो से स्वचालित रूप से पहचानने के लिए एक फ़ंक्शन जोड़ा। उस समय, सिस्टम 100 ब्रांडों को जानता था।

मनोविज्ञान और सुरक्षा

रूसी स्टार्टअप NTechLab, जिसने चेहरे की पहचान एल्गोरिदम मेगाफेस बेंचमार्क की अंतर्राष्ट्रीय प्रतियोगिता में Google को हराया, ने FindFace एप्लिकेशन में मशीन लर्निंग तकनीकों का उपयोग किया। यह आपको किसी व्यक्ति को ढूंढने की अनुमति देता है सामाजिक नेटवर्क मेंफोटो द्वारा. उपयोगकर्ता अक्सर नकली की पहचान करने के लिए सेवा की ओर रुख करते हैं, लेकिन यह कानून प्रवर्तन के लिए भी उपयोगी हो सकता है। इसकी मदद से मॉस्को में सिटीबैंक के अपहरणकर्ता सहित कई अपराधियों की पहचान पहले ही स्थापित की जा चुकी है। FindFace.Pro का व्यावसायिक संस्करण ग्राहक पहचान में रुचि रखने वाली कंपनियों को प्रदान किया जाता है। अब सिस्टम को दूसरों के लिंग, उम्र और भावनाओं को निर्धारित करने के लिए पूरी तरह से प्रशिक्षित किया जा रहा है, जो न केवल ग्राहकों के साथ संवाद करते समय, बल्कि कर्मियों के प्रबंधन में भी उपयोगी हो सकता है।

इसी प्रकार, तंत्रिका नेटवर्क का उपयोग एक अन्य रूसी कंपनी - विज़नलैब्स द्वारा किया जाता है। यह बैंकों और फॉर्म में सुरक्षा सुनिश्चित करने के लिए चेहरे की पहचान प्रौद्योगिकियों का उपयोग करता है खास पेशकशविभिन्न खुदरा दुकानों के सबसे वफादार ग्राहकों के लिए।

स्टार्टअप इमोटियन इसी दिशा में काम कर रहा है। वह जांच प्रणाली को परिष्कृत कर रहा है भावनात्मक स्थितिशहरों। अभी के लिए, तंत्रिका नेटवर्क सामाजिक नेटवर्क पर प्रकाशनों के आधार पर सबसे खुशहाल क्षेत्रों की गणना करता है, लेकिन भविष्य में कंपनी कैमरों से बायोमेट्रिक डेटा को ध्यान में रखने की योजना बना रही है।

मीडिया और रचनात्मकता

में से एक मुख्य खिलाड़ीरूसी तंत्रिका नेटवर्क बाजार में यांडेक्स है। कंपनी न केवल अपनी खोज सेवाओं में, बल्कि अन्य उत्पादों में भी मशीन लर्निंग का उपयोग करती है। 2015 में, उन्होंने एक अनुशंसा प्रणाली लॉन्च की " जेन”, जो किसी विशेष उपयोगकर्ता की रुचियों के आधार पर समाचार, लेख, फ़ोटो और वीडियो का फ़ीड बनाता है। जितनी अधिक बार वह एल्गोरिदम द्वारा चुनी गई सामग्रियों तक पहुंचता है, तंत्रिका नेटवर्क उतना ही सटीक रूप से निर्धारित करता है कि उसे और क्या पसंद आ सकता है।

इसके अलावा, यांडेक्स रचनात्मकता के साथ प्रयोग कर रहा है। कंपनी के कर्मचारी पहले से ही कविता के लिए एक तंत्रिका नेटवर्क दृष्टिकोण लागू करने में कामयाब रहे हैं, और फिर