CC BY
44ТЕХНИЧЕСКИЕ НАУКИ
НЕЙРОННЫЕ СЕТИ В ИНТЕРНЕТЕ
Дворянкин Олег Александрович,
старший преподаватель кафедры информационной безопасности Учебно-научного комплекса информационных технологий
Московского университета МВД России имени В.Я. Кикотя
кандидат юридических наук
NEURAL NETWORKS ON THE INTERNET
О.А. Dvoryankin
Senior Lecturer of the Department of Information Security of the Educational and Scientific
Complex of Information Technologies of the Moscow University of the Ministry of Internal Affairs of Russia named after V.Ya. Kikot,
Candidate of Law
АННОТАЦИЯ
В статье проведено изучение новой информационной технологии в сети Интернет - нейронные сети. Исследованы характеристики, особенности, места применения нейронных сетей, а также ее положительные и отрицательные стороны. Представленные программы, которые используются в нейронных сетях и как они облегчают деятельность человека в сети Интернет, а также в обычной жизни. В заключении работы представлен прогноз развития и совершенствования нейронных сетей в Интернете.
ANNOTATION
The article studies a new information technology on the Internet - neural networks. The characteristics, features, places of application of neural networks, as well as its positive and negative sides are investigated. The presented programs that are used in neural networks and how they facilitate human activity on the Internet, as well as in everyday life. In conclusion, the paper presents a forecast of the development and improvement of neural networks on the Internet.
Ключевые слова: Интернет, нейронные сети, нейрон, информационная безопасность, игра, самообучение, человек, музыка
Keywords: Internet, neural networks, neuron, information security, game, self-learning, person, music
Быстрое развитие информационных технологий в последние десятилетие в Интернете, и как результат их реализация во всех сферах жизнедеятельности людей привели к тому, что сегодня невозможно представить государственные организации и коммерческие компании, который не были бы оснащены ^-инфраструктурой.
Наиболее перспективным направлением в настоящей инфраструктуре является
использование искусственных нейронных сетей.
Разберемся, что же собой представляют нейронные сети?
Искусственная нейронная сеть (ИНС или нейронная сеть) - математическая модель, а также ее программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма.
ИНС состоит из искусственных нейронов, каждый из которых представляет собой упрощенную модель биологического нейрона. Все, что делает искусственный нейрон - это принимает сигналы с многих входов, обрабатывает их единым образом и передает результат на многие другие
искусственные нейроны, т.е. делает то же самое, что и нейрон биологический.
Таким образом, свое название нейронные сети получили из-за того, что принцип их работы чем-то напоминает функционирование нашей нервной системы [1].
Связи между искусственными нейронами называются синоптическими, или просто синапсами. У синапса имеется один параметр -весовой коэффициент, в зависимости от его значения происходит то или иное изменение информации, когда она передается от одного нейрона к другому. Именно благодаря этому входная информация обрабатывается и превращается в результат, а обучение нейронной сети основано на экспериментальном подборе такого весового коэффициента для каждого синапса, который и приводит к получению требуемого результата.
В этом состоит главная особенность любой нейронной сети - она способна самостоятельно обучаться и действовать на основании предыдущего опыта, с каждым разом делая все меньше ошибок (рис 1).
База данных
I
Выбор примера
Л
На представленном рисунке видно, что изначально на вход нейронной сети подается некоторый пример и база данных сети. После получения примера сеть начинает с ним «работу». Такая сеть состоит из большого числа отдельных вычислительных элементов («нейронов»). Входные данные последовательно проходят обработку на всех слоях сети по заранее заданному программистами алгоритму, и на выходе сеть дает оценку соответствия примера, поданного на входе с теми, что уже имеются в базе данных. Сеть рассчитывает коэффициент соответствия и тем самым обучается.
Таким образом, сеть можно применять в ситуации, когда у Вас имеется определенная известная информация, и Вы хотите из нее получить некоторую пока не известную информацию. Вот некоторые примеры таких задач:
- Прогнозирование на фондовом рынке. Таким образом, зная цены акций за последнюю неделю и сегодняшнее значение индекса БТ8Б, сеть на основе этих данных уже может дать прогноз, какая цена акций будет завтра.
- Предоставление кредита. Требуется определить, высок ли риск предоставления кредита частному лицу, обратившемуся с такой просьбой. В результате разговора с ним известен его доход, предыдущая кредитная история и т.д. Так в данном примере сеть анализирует, с каким доходом клиента был ранее выдан тот или иной кредит, на какую сумму, срок, как быстро был погашен кредит и вовремя ли вносились ежемесячные платежи и т.п. На основе этих данных нейронная сеть выдает прогноз на возможность предоставления кредита рассматриваемому клиенту [3].
Но стоит отметить, что вовсе не любую задачу можно решить с помощью нейронной сети. Важное условие применения нейронной сети заключается в том, что на вход нейронной сети всегда должна подаваться информация, которая поможет получить результат, то есть между входными данными и предполагаемыми выходными должна прослеживаться связь. Так, например, если мы хотим определить результаты лотереи, тираж которой состоится через неделю, зная свой размер обуви, то этого не получится, так как входные и
выходные данные при этом не имеют никакой связи друг с другом. То есть, иначе говоря, нам нужно подавать на вход результаты прошедших лотерей, чтобы нейронная сеть смогла в результате предсказать результат, которого мы от нее ждем [4].
В связи с быстрыми темпами развития Интернет-сферы применение нейронных сетей в данной области сегодня представляется наиболее интересным и понятным для большинства жителей мира, в связи с чем предлагаем отдельно рассмотреть, где же применяются нейронные сети в Интернете?
1. Умные плейлисты.
Самый простой пример - «умные» плейлисты музыки (например, «Яндекс.Музыка» подбирает уникальный плейлист исходя из того, что пользователь слушает чаще всего) или видео на «УоиТиЪе».
Точнее, знаем, что так работают нейронные сети, которые получают поступившую от пользователя, а также миллионов похожих на него людей, и прогнозируют то, что может ему понравиться. Каждый пользователь, кстати, может им помочь, посмотрев или нет предложенный ролик или пропустив песню. Поисковый алгоритм тут же будет чуть изменен [5].
Таким образом, пользователь, к примеру, приложения «Яндекс.Музыка», добавивший в свой плейлист понравившуюся мелодию, в дальнейшем уже начнет получать предложения от приложения о прослушивании той или иной композиции. Так, добавив, например, классическую композицию, нейронная сеть «Яндекс.Музыки» проанализирует пользователей, добавивших в свой плейлист эту же композицию или же любую другую из жанра классика и предложит ее пользователю, как наиболее подходящую под его музыкальные предпочтения.
2. Прогнозировать погоду.
Этим занимается, например, «Яндекс.Погода»: там используется специальный алгоритм на основе нейронных сетей, который прогнозирует метеорологические изменения с точностью до минут (или почти так).
В основе прогноза лежат данные, полученные с метеостанций и других источников, которые
в®»"*
%
Рис. 1. Процесс обучения нейронной сети [2]
прямо или косвенно указывают на погодные условия, затем эти данные обрабатываются с применением традиционных метеорологических моделей. Стоит отметить, что разработчики «Яндекс.Погоды» отмечают, что программа более 140 тысяч раз за день сравнивает свой прогноз с фактической погодой, чтобы повысить точность своих прогнозов. Таким образом, нейронная сеть находится в постоянном обучении.
Прогноз погоды, который дает программа, создается для конкретных координат. Сервис сможет предупредить пользователя, когда начнется или закончится снег и дождь в месте его нахождения. Чтобы получить данные для другой точки, потребуется просто указать нужный адрес [6].
3. Делать из черно-белых снимков цветные.
В этом пользователям сети Интернет может помочь сервис компании «Algorithmia» - местами он неидеален, но некоторые фотографии и правда делает красивее и ярче (рис. 2).
Нейронная сеть в данном сервисе устроена таким образом, что она обучена на множестве изображений разных тематических жанров. Так, к примеру, распознав на изображении волосы нейронная сеть знает какого цвета наиболее часто они могут быть и соответствующим образом «окрашивает» их на цветном снимке. То же самое действие нейросеть осуществляет и для других элементов изображения.
Рис. 2 Пример работы сервиса [7]
4. Играя, обучать нейросети.
В 2017 году компания «Google» запустили проект «Quick, Draw!», который вроде бы и развлекательный, но при этом каждая игра обучает нейросеть и совершенствует ее.
Технология игры - вам нужно нарисовать то, что просит сеть, а она беспрерывно дает свои варианты [8]. И угадывает! За время игры пользователю предлагается нарисовать 6 изображений, после чего игра начинается с самого начала. Пример игры представлен на рис. 3 и рис. 4.
Рис. 3 Пример запрашиваемого рисунка [9]
Рис. 4 Пример итогового результата игры [9]
Разработчики игры отмечают, что распознавание простого рисунка выглядит очень простым для человека, однако для алгоритма эта задача является гораздо более сложной. Например, кошку можно изобразить самыми разными способами: целиком, голову или только мордочку.
Для облегчения распознавания рисунков нейросеть учитывает не только форму изображения, но и последовательность нанесения элементов. Так, в примере с кошкой многие пользователи первым делом изображают характерный контур головы, а после добавляют прочие детали.
Таким образом, чем больше пользователей оставляют свои изображения в базе данных ресурса, тем больше сеть обучается, тем меньше в будущем она допускает ошибок при распознавании того или иного изображения заданного предмета.
5. Распознавать речь по губам лучше человека.
Автоматические системы распознавания речи на основе мимики человека могут пользоваться самыми различными способами: например, для создания слуховых аппаратов нового поколения, биометрической идентификации или
расследования преступлений, поэтому ученые уже много лет работают над разработкой программ для «чтения» по губам, но пока им не удавалось добиться должного успеха [10].
Современные системы распознавания речи на основе мимики хорошо «считывали» отдельные слова и словосочетания, однако они не могли справиться с целыми предложениями.
Авторы нового исследования преодолели это ограничение с помощью программы «LipNet».
Это удалось сделать разработчикам из Оксфордского университета. В качестве исходного материала авторы работы взяли базу данных, в
которой было собрано более 32 тысяч видеозаписей. На них 13 человек произносили на английском языке предложения, построенные по одинаковому принципу: команда + цвет + предлог + буква + число + наречие.
В ходе тренировки «LipNet» училась следить за губами говорящего на видео, и на основе этого понимать, что он сказал. Нейронную сеть обучали на 88 % выборки, оставшиеся 12 % были использованы для проверки ее работы.
Результаты тестирования показали, что «LipNet» может правильно распознавать речь по губам в 93,4 % случаев [11].
6. Превращать фотографии в картины и автоматически редактировать их.
К числу таких сервисов можно отнести -«Prisma», «MSQRD», «Mlvch», «deepart.io» и так далее.
Все приложения имеют одну задачу - из исходного изображения пользователя путем изменения его параметров получить новое изображение по заранее заданному программистами сервиса алгоритму.
По сути, запрограммировав один раз нейросеть, которая что-то делает с фотографиями (различает лицо, например), вы потом сможете использовать этот алгоритм и на других подобных проектах.
Людям понравилось, и они стали готовы платить за развлечение.
В итоге, когда пару лет назад белорусские разработчики создали приложение «MSQRD», добавляющее маски к вашим лицам на камере онлайн, они и подумать не могли о том, что пользователем забавной игрушки станут миллионы. Популярность приложения стала так высока, что «Facebook» купила их за 85 миллионов долларов США [12].
«MSQRD», полностью «Masquerade» (с англ. -«Маскарад») - видео и фото-селфи приложение, разработанное белорусской компанией «Masquerade Technologies».
Пользователь приложения может загрузить фотографию в «MSQRD» и затем изменить ее вид и поделиться с друзьями на «Facebook» или
PHOTO
Upload photo
Таким образом, нейронные сети в представленных выше программах работают по схожей схеме: на входе они получают некоторое изображение, которому по заданному программистами алгоритму нужно добавить те или иные параметры.
Так, к примеру, в приложении «MSQRD», если нейронная сеть получит на входе изображение, где будет найдено лицо, а также будет задана маска «усы», то, как только нейронная сеть обнаружит на снимке рот, оно добавит к нему усы. Если же сеть не найдет рот - оно добавит усы в ту часть изображения, которое в большей степени будет соответствовать тем примерам, на которых ранее «MSQRD» было обучено.
Таким образом, становится очевидно, что нейронные сети активно заполняют жизнь современного человека.
По данным исследовательской и консалтинговой компании «Gartner», в ближайшие годы нейронные сети в сочетании с аналитикой и данными обретут первостепенное значение для бизнеса.
Проанализируем наиболее интересные тенденции использования нейронных сетей, которые смогут также найти свое место в современном Интернете.
1. Гиперавтоматизация.
Иначе говоря, любые бизнес-процессы, которые можно автоматизировать, должны быть автоматизированы. В отличие от обычной автоматизации, когда выполнение определенных действий делегируется программному
обеспечению, гиперавтоматизация предполагает возможность подстройки под ситуации. То есть
«Instagram». Также можно выбрать маску-фильтр или эффект, который имеется в шаблонах «MSQRD».
Другая платформа - «deepart.io» позволяет превращать изображение пользователя в так называемую «картину», придав ей стиль из каталога стилей (рис. 5).
автоматизированные бизнес-процессы должны быть способны адаптироваться к меняющимся условиям и реагировать на внезапные обстоятельства. Именно эту способность и могут обеспечить нейросети [14].
Таким образом, разберем пример с приложением «Яндекс.Музыка», о котором говорилось ранее.
Так, к примеру, если пользователь, слушавший ни один год классическую музыку, вдруг начал добавлять в свой плейлист музыку из жанра «рок», приложение должно тут же перестроиться, его не нужно программировать дополнительно, оно автоматически настроит свою нейросеть на новое обстоятельство и учтет это в дальнейшем при подборе музыкальных произведений.
Однако если рассматривать в более масштабных видах деятельности, то можно рассмотреть и пример с автоматической обработкой входящих писем на электронный почтовый ящик. Так, программа-робот может обрабатывать письма, полученные на email: открывать вложения, анализировать содержание, копировать данные в CRM, запрашивать данные из других источников, формулировать и отправлять релевантные ответы. При необходимости человеческого вмешательства программа уведомит ответственных сотрудников.
Таким образом, в обычном режиме нейронная сеть будет получать данные и их обрабатывать по заранее заданному программистами алгоритму, однако, в том случае, если будет получено письмо, которое не содержит необходимых данных или содержит неполные данные, программа запросит, чтобы ответственный за сортировку входящей
Latest artworks CREATE YOUR OWN Videos Offer About Register Sign in
STYLE
Popular styles Upload style
Рис. 5 Пример работы deepart.io [13]
корреспонденции сотрудник принял необходимые меры. Иначе говоря, нейронная сеть заранее обучена на «вызов» сотрудника в случае внештатной ситуации.
2. Развитие Интернета вещей (IoT).
Интернет вещей предполагает передачу
данных между «вещами»: умные устройства объединены в единую компьютерную сеть и могут собирать информацию, чтобы впоследствии анализировать ее и обмениваться данными.
Технологии искусственного интеллекта, машинного и глубокого обучения позволяют сделать IoT-устройства более интеллектуальными и безопасными. Но для успешной работы искусственного интеллекта необходимы большие объемы данных и их могут предоставить сети устройств Интернета вещей.
Рассмотрим пример. Объединение промышленного оборудования в сеть «IoT» на производственном предприятии позволит собирать данные о производительности. Далее нейронные сети проанализируют данные и представят прогнозы по повышению производительности системы [14].
3. Обучение с подкреплением.
При обучении с подкреплением программы искусственного интеллекта самообучаются путем проб и ошибок, чтобы добиться идеального результата.
Глубокое обучение строится на системе ввода-вывода, когда нейросеть принимает ввод в виде определенной информации и возвращает ее в виде действия. При правильном действии система получает вознаграждение и чем лучше обработана задача, тем больше вознаграждения и наоборот.
Так, к примеру, простейший чат-бот может обрабатывать несложные запросы пользователей: отвечать на приветствия, консультировать по скриптам, бронировать заказы. Применение обучения с подкреплением может сделать бота более изобретательным - можно научить его классифицировать потенциальных клиентов или перенаправлять обращения определенным сотрудникам. Обучение с подкреплением может помочь при разработке персональных рекомендаций, в оптимизации рекламного контента или рекламного бюджета.
Таким образом, нейронная сеть постоянно находится в процессе обучения благодаря взаимодействию с внешней средой. Самым наглядным примером обучения с подкреплением является голосовой помощник «Алиса». Первоначально нейронная сеть, заложенная в «Алису» знала только некоторые команды и ответы на них, однако в процессе взаимодействия с внешней средой (человеком) она обучилась и другим фразам, и реакции на них.
4. Кибербезопасность.
Технологии искусственного интеллекта могут существенно улучшить системы
кибербезопасности корпоративных систем. Способность анализировать данные и делать выводы, поможет нейросетям своевременно
выявлять угрозы - программы-вымогатели, DDS-атаки (хакерская атака на вычислительную систему с целью довести ее до отказа), вредоносное программное обеспечение (ПО),
несанкционированный доступ и прочее.
Так, например, инструменты
кибербезопасности на базе искусственного интеллекта могут собирать данные из сетей связи, собственных транзакционных систем компании, цифровой активности, аналитики сайтов, а также из внешних общедоступных источников. Таким образом нейронные сети с помощью алгоритмов системы будут распознавать закономерности, что позволит выявить угрожающие активности [14].
К примеру, можно обнаружить подозрительные IP-адреса (уникальный числовой идентификатор устройства в компьютерной сети) или выявить потенциальные утечки данных.
Таким образом, в последние несколько лет мы наблюдаем взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях - бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления.
Такой впечатляющий успех определяется несколькими причинами:
1. Богатые возможности. Нейронные сети -исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости.
2. Устойчивость к шумам во входных данных. Нейронная сеть может самостоятельно выявлять неинформативные для анализа параметры и производить их отсев, в связи с чем отпадает необходимость в предварительном анализе входных данных.
3. Высокое быстродействие. Входные данные обрабатываются многими нейронами одновременно, благодаря чему нейронные сети решают задачи быстрее, чем большинство других алгоритмов.
4. Адаптация к изменениям окружающей среды. Нейронные сети, обучаясь на данных, способны подстраиваться под изменяющуюся окружающую среду (например, под изменения ситуации на рынке, если задача нейросети -прогнозирование колебаний цен на бирже).
5. Отказоустойчивость нейронных сетей. На неблагоприятное изменение условий нейросеть реагирует лишь незначительным снижением производительности.
6. Простота в использовании. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения
нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики [15].
Несмотря на ряд привлекательных достоинств нейронных сетей нельзя не отметить и ряд серьезных недостатков:
1. Ответ, выдаваемый нейронной сетью, всегда приблизительный. Нейронные сети не способны давать точные и однозначные ответы.
2. Неспособность принятия решений в несколько этапов. Нейронная сеть не может решать задачи, которые требуют последовательного выполнения нескольких шагов; она способна решать задачу только «в один заход». Поэтому нейросеть не может, например, доказать математическую теорему.
3. Неспособность решать вычислительные задачи. В нейронную сеть нельзя загрузить, допустим, математическое уравнение и получить его решения для различных параметров. Но это и не является предназначением нейронных сетей.
4. Трудоемкость и длительность обучения. Для того чтобы нейронная сеть могла корректно решать поставленные задачи, требуется провести ее обучение на десятках миллионов наборов входных данных [15].
Нельзя сказать, что решение представленных выше недостатков является лишь делом времени и будет успешно решено в дальнейшем, так как на данный момент основная задача нейронных сетей в мире все же заключается в том, чтобы показать, что техника «умеет» думать подобно человеческому мозгу и не более того, в связи с чем на нейронные сети не возлагают каких-либо колоссальных задач на ближайшее будущее.
Однако изучение и развитие данного направления искусственного интеллекта открывает перед учеными достаточно большие возможности.
Нейронные сети в будущем, возможно, позволят не только и не столько заменить человеческий труд в более сложных трудовых активностях, сколько стать полезным инструментом для специалистов и управленцев множества областей.
Однако при этом перед людьми встает основная задача - это личная информационная защита или личная информационная безопасность. Берегите себя.
Список использованной литературы:
1. Бум нейросетей: Кто делает нейронные сети, зачем они нужны и сколько денег могут приносить. [Электронный источник]. URL:https://vc.ru/future/16843 -neural-networks (дата обращения: 01.09.2022).
2. Нейронные сети. [Электронный источник].
URL: https ://academyopen. ru/j ournal/487 (дата
обращения: 01.09.2022).
3. Нейронные сети. [Электронный источник]. URL: http ://statsoft.ru/home/textbook/modules/stneune t.html (дата обращения: 01.09.2022).
4. Применение нейросетевых технологий для разработки систем управления. [Электронный источник].
URL: https ://www.j sdrm.ru/j our/article/view/923?local e=ru_RU (дата обращения: 01.09.2022).
5. Что такое умные плейлисты. [Электронный источник]. URL:https://yandex.ru/support/music-app-ios/playlists/types-smart.html (дата обращения: 01.09.2022).
6. Нейронные сети вместо синоптиков: где узнать прогноз с точностью до минуты. [Электронный источник]. URL: https ://www.bfm.ru/news/341546 (дата обращения: 01.09.2022).
7. Colorful Image Colorization. [Электронный источник].
URL: https ://algorithmia. com/algorithms/deeplearning/ ColorfullmageColorization (дата обращения: 01.09.2022).
8. Quick, Draw!: Google пытается угадать, что вы нарисовали. [Электронный источник]. URL: https ://www.wonderzine.com/wonderzine/life/gu iltypleasure/222389-quick-draw (дата обращения: 01.09.2022).
9. Quick, Draw! [Электронный источник]. URL: https ://quickdraw.withgoogle.com/?locale=ru (дата обращения: 01.09.2022).
10. Нейросеть научилась читать по губам лучше человека. [Электронный источник]. URL: https ://nplus 1 .ru/news/2016/11/08/lips-reading-ai (дата обращения: 01.09.2022).
11. Обучи себя сам. Что такое нейронные сети и как они, развлекая, меняют нашу жизнь? [Электронный источник]. URL:https://dit.urfu.ru/ru/blog/28689/ (дата обращения: 01.09.2022).
12. MSQRD. [Электронный источник]. URL:https://ru.wikipedia.org/wiki/MSQRD (дата обращения: 01.09.2022).
13. Deepart. [Электронный источник]. URL:https://deepart.io/ (дата обращения: 01.09.2022).
14. Нейронные сети для бизнеса. [Электронный источник]. URL: https ://academyopen. ru/j ournal/487 (дата обращения: 01.09.2022).
15. Искусственные нейронные сети (ИНС). [Электронный источник]. URL:https://www.it.ua/ru/knowledge-base/technology-innovation/iskusstvennye-nejronnye-seti-ins (дата обращения: 01.09.2022).
