Розділ «Частина 3»

— Ну, гаразд, продемонструю на прикладі. Скажімо, антиспам-фільтр, — він тицьнув пальцем у монітор. — Ми стикаємося з такими щодня. Це захована у поштовику програма, яка за допомогою закладених у неї алгоритмів машинного навчання навчилася відрізняти важливі повідомлення від небажаних. Звідки узявся цей досвід? На початку програма вміла лише аналізувати текст. Потім її почали навчати. Проганяли сотні, тисячі, десятки тисяч різнопланових повідомлень, щоразу зазначаючи: ось це — спам, а це — не спам. Убудований у програму аналізатор на основі математичної статистики, методів оптимізації, дискретного аналізу, теорії ймовірностей тощо виявляв і запам’ятовував закономірності у повідомленнях, позначених користувачами як спам. Після завершення навчання програма починає роботу: сканує повідомлення й на основі отриманих знань вирішує, які з них небажані, а які важливі. Часом спам-фільтр припускається помилки, проте відсоток помилок зникаюче малий. Це зрозуміло?

— Загалом так.

— Добре. Системи розпізнавання візуальних образів працюють певною мірою схоже. Вони повсюди, ми використовуємо їх давно, та, як це завжди буває, не помічаємо. Наприклад, — Далтон став по черзі загинати пальці, — сканери для зчитування штрихових чи QR-кодів, програма розпізнавання облич у Facebook, програма розпізнавання автомобільних номерів під час автоматичної фіксації порушень правил дорожнього руху, розпізнавання та класифікація овочів і фруктів у супермаркетах, — доктор труснув переді мною кулаком із відстовбурченим великим пальцем.

Я звів брову:

— Розпізнавання овочів та фруктів?

«На дідька комусь розпізнавати овочі та фрукти?»

— Не чули про такі системи?

Я мотнув головою:

— Ні.

— 2014 року у трьохста німецьких супермаркетах було встановлено системи розпізнавання будь-яких із наявних у продажу фруктів чи овочів. Це класичний приклад розпізнавання образів! Технічно система складається зі сканера, який «промацує» лазерами об’єкт, що підлягає розпізнаванню, й аналізатора із запрограмованим алгоритмом машинного навчання. Як і в ситуації з антиспам-фільтром спочатку систему навчають. Мета — навчити її самостійно класифікувати різнопланові візуальні образи за визначеними істотними ознаками. На початку навчання сканеру показують, скажімо, помідори — строго по одному за раз — різного розміру, форми та кольору, а програмі щоразу «повторюють»: перед тобою помідор, помідор, помідор. Аналізатор зчитує надіслані сканером образи, виокремлює повторювані ознаки, обробляє їх і формує у пам’яті програми характерну криву, співвідносну з формою та кольором об’єкта за назвою «помідор». Аналогічно систему примушують «запам’ятати» інші овочі та фрукти: сканеру сотні разів демонструють картоплини, капустини, морквини, апельсини, кабачки, банани тощо, щоразу «іменуючи» їх. Унаслідок цього в тілі програми формується масив кривих, які відповідають усередненим значенням кольору та форми низки овочів і фруктів. Коли навчання завершено, система починає працювати. Сканеру показують, наприклад, зелене яблуко. Тобто, ну, ви розумієте: нове зелене яблуко, яке програма раніше не бачила. Система сканує його, порівнює з кривими в пам’яті й на основі отриманого досвіду видає результат: сканований об’єкт із імовірністю 98,3 % є зеленим яблуком. Тепер покупцям не потрібно чекати на продавця та зважувати фрукти чи овочі на окремих вагах, вони несуть усе до каси, де система розпізнавання визначить, що вони мають намір придбати з імовірністю 99,8 % — один ананас, з імовірністю 98,7 % — три огірки тощо, й сама сформує чек. Сподіваюся, ви зрозуміли.

— Так, — я схопив суть, але не міг збагнути, як це стосується мого сина.

Енді Далтон наче прочитав мої думки.

— Тепер до основного. 2007-го молодий професор Каліфорнійського університету в Берклі Джек Ґеллент першим здогадався застосувати алгоритми машинного навчання для розпізнавання образів, згенерованих зоровою зоною кори головного мозку. Те, яка частина кори відповідальна за формування візуальних образів у свідомості, відомо давно. Джек Ґеллент першим подумав, що з активності в корі можна витягти щось більше, ніж різнокольорові плямки на схематичному зображенні мозку. Він написав програму, що давала змогу фіксувати активність нейронів чи, якщо бути точним, зміну активності нейронів у корі залежно від простих геометричних ілюстрацій, на які дивиться піддослідний, потім порівнювала цю активність із картинками й таким чином навчалася. Для вимірювання мозкової активності Ґеллент скористався методом функціональної томографії — фМРТ. Принцип фМРТ простий: шляхом визначення концентрації кисню в окремих зонах мозку можна встановити активність нейронів. Річ у тім, що активні нейрони споживають багато енергії, їх розряджання спричиняє підвищення потоку крові у прилеглих капілярах, що, у свою чергу, призводить до посилення концентрації кисню, а це легко вдається зафіксувати томографові.

Далтон пробігся пальцями по клавішах:

— Ось типове зображення мозку під час функціональної томографії. Оранжевим позначено зони з підвищеною активністю нейронів.

Я кинув погляд на інтерактивну дошку. У центрі розгорнувся сірий зріз мозку з яскравими та дуже чіткими — піксельними — плямами в потиличній частині. Пікселі у плямах відрізнялися різними відтінками — від світло- оранжевого до майже коричневого.

Повернувшись назад до Далтона, я невпевнено проказав:

— Як саме система того професора навчалася?

— Зараз поясню. Джек Ґеллент не мав шолома, подібного до нашого, йому доводилося заштовхувати піддослідного (наче в якийсь тубус) до велетенської МРТ-труби. Утім, працював за аналогічним принципом. Він вмикав магніторезонансний томограф, показував піддослідному прості геометричні зображення, наприклад, смужки з різними кутами нахилу, та фіксував зміни активності нейронів у ділянці мозку, що відповідає за первинний аналіз зорової інформації. Метод функціональної томографії не дає змогу отримати доступ до окремих нейронів. По суті, апарат фіксує усереднену активність багатьох тисяч клітин у межах певного мінімального об’єму. Через це Ґеллент розбив мозок піддослідного на тисячі уявних вокселів. Воксель — це як піксель, лише для об’ємних картинок. Подібно до того як ми формуємо двовимірне зображення з маленьких кольорових квадратиків-пікселів, 3D-модель можна представити у вигляді набору крихітних кубиків-вокселів. Із цим усе гаразд — уявляєте?

— Ну… — я повільно підняв і опустив плечі.