Как понять, что попал
в нейросети

Это просто математическая модель т. е. представление некой ситуации с помощью математики. Помните, как было в школе с уравнениями? У вас есть условие задачи, из которого вы выделяете данные, а затем составляете уравнение на основе описания. Так же и тут.

Главное отличие нейросети — это принцип построения. Ее прообразом является биологическая сеть, чьи нейроны контролируют поведение организма. На примере мозга человека, такая сеть выглядит как 10 миллиардов нейронов, каждый из которых имеет примерно 10 000 связей. Очень много. Сразу такую структуру сложно представить, но можно упростить себе задачу и подумать о том, что это многократное повторение одного базового элемента — нейрона.

Искусственная нейросеть так же состоит из множества повторяющихся элементов. И количество этих элементов варьируется в зависимости от сложности задачи, которую сеть будет решать. Каждая нейросеть создается для решения всего одной, конкретной задачи.

Для наглядности, рассмотрим работу сети на примере почтового отделения. Допустим на почте есть сортировщик по имени Мирон.

Его единственная задача — отбирать из поступающих в отделение посылок те, которые сложно транспортировать. Для отбора посылок Мирон руководствуется двумя правилами:

1. Посылка весит больше 20 кг.
2. Посылка имеет размер больше 50 см по любой из своих сторон;
   
   

Когда эти два правила выполняются Мирон принимает решение, что такую посылку тяжело транспортировать и откладывает ее в особую категорию. Это самый просто пример работы нейрона.

Чтобы получить пользу от работы такого «сотрудника», его надо как-то обучить. Например послать десятки тысяч самых разных посылок и посмотреть, насколько часто Мирон будет ошибаться.

Если мы пошлем посылку длинной 3 метра, но весом всего 1 кг, то она попадает только под одно правило и Мирон пропустит ее дальше. Когда выяснится, что пропущенную Мироном посылку трудно транспортировать, к нему придет руководитель и «поправит весы нейросети» т. е. объяснит, что габариты посылки имеют большее значение, чем ее вес.

Теперь у Мирона появилась возможность отсортировать посылку даже при выполнении только одного правила. Например, если посылка весит всего 1 кг, но ее длина больше 200 см, Мирон должен ее отсортировать. А если длина всего 190 см, то Мирон ничего с посылкой не сделает. Но если посылка длинной 190 см будет весить уже 10 кг, то Мирон снова должен будет ее определить в категорию труднотранспортируемых.

Такая калибровка правил для «сотрудников», называется обучением нейросети. Процесс это долгий и происходит тактами т. е. после каждой правки, нужно снова отправлять посылку, чтобы посмотреть какое решение примет Мирон. Когда сотрудник начнет стабильно принимать правильные решения, обучение считается завершенным.

Конечно же на почте не может работать только один сотрудник. Поэтому после Мирона, посылка поступает к Платону. Он будет просвечивать посылку рентгеном и принимать решение, может ли содержимое испортиться со временем или можно подержать посылку на складе месяц — другой.

После Платона она поступит к следующему сотруднику и так еще много раз, прежде чем посылка покинет отделение.

Все «сотрудники» через которых проходит посылка от момента принятия ее отделением, до момента начала транспортировки, называются «скрытыми слоями» т.к. отправляющие и принимающие ничего о сотрудниках не знают, а просто получают результат работы почтового отделения (нейросети).

Нейросеть работает по такому же принципу. Только вместо сотрудников, у нее есть нейроны. У каждого нейрона множество входов и один выход. На входы поступают сигналы которые обрабатываются внутренней функцией нейрона, а полученный результат подается на выход.

Каждую нейросеть создают для решения только одной задачи. Именно в этом их преимущество перед человеком т. е. на принятие решения не влияет человеческий фактор.

Технология уже используется в переводчиках (для определения стиля текста), автопилотах (распознавание объектов), поисковиках (определение контекста запроса). А еще при прогнозировании погоды, распознавании лиц и эмоций, обработке изображений и даже в медицине.

Но пока известность получают другие проекты на основе нейросетей. Например:

1. Редактирование изображений;
   
2. Генерация реалистичного изображения человеческого лица;
   
3. Генерация реалистичного изображения кота;
   
4. Распознавание рисунка;
   
5. Создание логотипа;
   
6. Создание стихотворения из заголовков «Яндекс.Новостей»;
   
7. Удаление фона с фотографии;
   
8. Колоризация фотографии;
   
9. Замена лица на фотографии.
   
   

Вывод простой и очевидный — нейросети повсюду. В социальных сетях они, например, анализируют наше поведение и предлагают нам контент, который нас заинтересует и возможно будет нами залайкан. В банке скоро окончательно избавят нас от пинкодов, и будут узнавать нас в лицо. Да и вообще казалось бы, делают нашу жизнь проще, но всё-таки, кто их знает, эти нейросети, куда ещё потом проникнут. Нужно быть начеку, а информацией вы уже вооружены.