{"id":35293,"date":"2019-10-31T22:03:28","date_gmt":"2019-10-31T19:03:28","guid":{"rendered":"https:\/\/prohoster.info\/blog\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari\/"},"modified":"2019-10-31T22:03:28","modified_gmt":"2019-10-31T19:03:28","slug":"lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","title":{"rendered":"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>For nylig blev der udgivet <noindex><a rel=\"nofollow\" href=\"https:\/\/www.getrevue.co\/profile\/peterzhegin\/issues\/ai-investment-activity-trends-of-2018-issue-8-150825?fbclid=IwAR0tU3l4WSotv7pQpYm8PmyKgVbgUgfMLeue_IiV78lXXApH-cy9EcG2kDc\">artikel<\/a><\/noindex>, som godt viser tendenserne inden for maskinl\u00e6ring de seneste \u00e5r. Kort sagt: Antallet af startups inden for maskinl\u00e6ring er faldet dramatisk de seneste to \u00e5r.<\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/68b58feab2da46b7bb6f412e088313c1.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\nN\u00e5, lad os tale om, \"er boblen sprunget\", \"hvordan lever man videre\" og diskutere, hvor denne m\u00e6rkelige situation egentlig kommer fra.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><br \/>\nTil at begynde med lad os tale om, hvad der var booster til denne kurve. Hvordan opstod den? M\u00e5ske husker alle <noindex><a rel=\"nofollow\" href=\"https:\/\/papers.nips.cc\/paper\/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf\">sejren<\/a><\/noindex> inden for maskinl\u00e6ring i 2012 ved ImageNet-konkurrencen. Det var jo den f\u00f8rste globale begivenhed! Men i virkeligheden er det ikke s\u00e5dan. Og v\u00e6ksten i kurven begynder faktisk lidt tidligere. Jeg vil dele den op i flere punkter.<\/p>\n<ol>\n<li>\u00c5ret 2008 markerede fremkomsten af termen \u201cbig data\u201d. Rigtige produkter begyndte <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D0%B5\">at dukke op<\/a><\/noindex> fra 2010. Big data er direkte relateret til maskinl\u00e6ring. Uden big data er det umuligt at f\u00e5 stabil drift af de algoritmer, der eksisterede p\u00e5 det tidspunkt. Og det er ikke neurale netv\u00e6rk. Indtil 2012 var neurale netv\u00e6rk en sj\u00e6ldenhed for et marginalt mindretal. I stedet begyndte helt andre algoritmer at virke, som allerede havde eksisteret i \u00e5r eller endda \u00e5rtier: <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_%D0%BE%D0%BF%D0%BE%D1%80%D0%BD%D1%8B%D1%85_%D0%B2%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BE%D0%B2\">SVM<\/a><\/noindex>(1963, 1993) <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/Random_forest\">Random Forest<\/a><\/noindex> (1995), <noindex>AdaBoost<\/noindex> (2003),\u2026 Startups fra den tid var f\u00f8rst og fremmest relateret til automatiseret behandling af strukturerede data: kasser, brugere, reklame, meget andet.\n<p>Afledningen af denne f\u00f8rste b\u00f8lge er et s\u00e6t rammev\u00e6rk som XGBoost, CatBoost, LightGBM, osv.\n<\/li>\n<li>I 2011-2012 <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Convolutional_neural_network\">vandt convolutional neurale netv\u00e6rk<\/a><\/noindex> en r\u00e6kke konkurrencer om billedgenkendelse. Den egentlige anvendelse af dem tog lidt tid. Jeg vil sige, at massivt meningsfulde startups og l\u00f8sninger begyndte at dukke op fra 2014. Det tog to \u00e5r at bearbejde, at neurale netv\u00e6rk faktisk fungerer, at lave bekvemme rammer, som kunne installeres og k\u00f8res p\u00e5 rimelig tid, udvikle metoder, der stabiliserede og accelererede konvergensens tid.\n<p>Convolutional netv\u00e6rk tillod at l\u00f8se opgaver inden for maskinsyn: klassificering af billeder og objekter p\u00e5 billeder, objektgenkendelse, genkendelse af objekter og mennesker, forbedring af billeder, osv.<\/li>\n<li>2015-2017. Boom af algoritmer og projekter relateret til tilbagevendende netv\u00e6rk eller deres analoger (LSTM, GRU, TransformerNet osv.). Der kom effektive algoritmer til \"tale-til-tekst\", maskinovers\u00e6ttelsessystemer. Delvist baseret p\u00e5 konvolutionelle netv\u00e6rk til at udtr\u00e6kke grundl\u00e6ggende funktioner. Delvist p\u00e5 hvad vi har l\u00e6rt om at samle virkelig store og gode datas\u00e6t. <\/li>\n<\/ol>\n<p>\n<img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/d4b3a1dd2483ef1300862f5f61db645a.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\n\"Spr\u00e6nger boblen? Er hypen overophedet? Er de d\u00f8de som blockchain?\"<br \/>\nAkkurat! I morgen holder Siri op med at fungere p\u00e5 din telefon, og dagen efter vil Tesla ikke kunne skelne mellem en drejning og et k\u00e6nguru.<\/p>\n<p>Neurale netv\u00e6rk arbejder allerede. De er i mange enheder. De g\u00f8r det faktisk muligt at tjene penge, \u00e6ndrer markedet og den omgivende verden. Hypen ser lidt anderledes ud:<\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/a2b271c8eb1cf54fe59389d10cf8e17e.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nNeurale netv\u00e6rk er bare ikke l\u00e6ngere noget nyt. Ja, mange mennesker har urealistiske forventninger. Men et stort antal virksomheder har l\u00e6rt at anvende neurale netv\u00e6rk og lave produkter baseret p\u00e5 dem. Neurale netv\u00e6rk giver nye funktioner, muligg\u00f8r reduktion i arbejdspladser og s\u00e6nker omkostninger:<\/p>\n<ul>\n<li>Produktionsvirksomheder integrerer algoritmer til fejlanalyse p\u00e5 samleb\u00e5ndet. <\/li>\n<li>Landbrugsbedrifter k\u00f8ber systemer til overv\u00e5gning af kv\u00e6g. <\/li>\n<li> Automatiske h\u00f8stmaskiner. <\/li>\n<li>Automatiserede callcentre.<\/li>\n<li>Filtre i SnapChat. (n\u00e5, mindst noget nyttigt!)<\/li>\n<\/ul>\n<p>\nMen vigtigst, og ikke s\u00e5 \u00e5benlyst: \"Der er ingen nye ideer, eller de vil ikke generere \u00f8jeblikkelig kapital.\" Neurale netv\u00e6rk har l\u00f8st mange problemer. Og vil l\u00f8se endnu flere. Alle de \u00e5benlyse ideer, der var \u2013 har givet anledning til mange startups. Men alt det, der var p\u00e5 overfladen \u2013 er allerede blevet indsamlet. I de sidste to \u00e5r har jeg ikke m\u00f8dt nogen nye id\u00e9er til anvendelse af neurale netv\u00e6rk. Ingen nye tilgange (n\u00e5, okay, der er lidt rod med GAN'er).<\/p>\n<p>Og hver n\u00e6ste startup bliver mere og mere kompleks. Den kr\u00e6ver ikke l\u00e6ngere to fyre, der tr\u00e6ner et neuralt netv\u00e6rk p\u00e5 \u00e5bne data. Den kr\u00e6ver programm\u00f8rer, servere, et team af annotatorer, kompliceret support osv.<\/p>\n<p>Som resultat bliver der f\u00e6rre startups. Men produktionen stiger. Er der behov for at tilf\u00f8je genkendelse af nummerplader? Der er hundrede specialister p\u00e5 markedet med relevant erfaring. Du kan hyre nogen, og p\u00e5 nogle m\u00e5neder vil din medarbejder skabe systemet. Eller k\u00f8be et f\u00e6rdigt. Men at lave en ny startup?.. Vanvid!<\/p>\n<p>Det er n\u00f8dvendigt at lave et system til sporing af bes\u00f8gende - hvorfor betale for en masse licenser, n\u00e5r man kan lave sin egen tilpassede l\u00f8sning p\u00e5 3-4 m\u00e5neder? <\/p>\n<p>Nu gennemg\u00e5r neurale netv\u00e6rk den samme udvikling, som mange andre teknologier har gjort f\u00f8r. <\/p>\n<p>Husker du, hvordan begrebet 'webudvikler' har \u00e6ndret sig siden 1995? Indtil markedet er m\u00e6ttet med specialister. Der er meget f\u00e5 professionelle. Men jeg vil p\u00e5st\u00e5, at om 5-10 \u00e5r vil der ikke v\u00e6re meget forskel mellem en Java-programm\u00f8r og en udvikler af neurale netv\u00e6rk. Der vil v\u00e6re tilstr\u00e6kkeligt med specialister inden for begge omr\u00e5der.<\/p>\n<p>Der vil blot opst\u00e5 en r\u00e6kke opgaver, som neurale netv\u00e6rk kan l\u00f8se. N\u00e5r en opgave opst\u00e5r, ans\u00e6tter man en specialist.<\/p>\n<p><b>\"Og hvad s\u00e5? Hvor er den lovede kunstige intelligens?\"<\/b><\/p>\n<p>Her er der en lille, men interessant uklarhed :)<\/p>\n<p>Den teknologistak, som vi har i dag, f\u00f8rer os ikke til kunstig intelligens. Id\u00e9er og deres nyhed er i h\u00f8j grad udt\u00f8mte. Lad os tale om, hvad der holder det nuv\u00e6rende niveau af udvikling tilbage.<\/p>\n<h3>Begr\u00e6nsninger<\/h3>\n<p>\nLad os starte med selvk\u00f8rende biler. Det virker som om, det er muligt at lave fuldt autonome biler med de nuv\u00e6rende teknologier. Men hvor mange \u00e5r vil det tage, f\u00f8r det sker? Tesla mener, det vil ske om et par \u00e5r - <\/p>\n<p><center><div class=\"youtube-placeholder\" data-id=\"Ucp0TTmvqOE\" onclick=\"loadVideo(this)\">\r\n        <img decoding=\"async\" src=\"https:\/\/img.youtube.com\/vi\/Ucp0TTmvqOE\/hqdefault.jpg\" alt=\"Afspil video\" loading=\"lazy\" width=\"480\" height=\"360\" style=\"width:100%;height:auto;\">\r\n        <div class=\"play-button\"><\/div>\r\n    <\/div><\/center><br \/>\nDer er mange andre <noindex><a rel=\"nofollow\" href=\"https:\/\/beth.technology\/truths-autonomous-vehicles\/\">specialister<\/a><\/noindex>, som vurderer det til at tage 5-10 \u00e5r. <\/p>\n<p>Sandsynligvis, efter min mening, vil infrastrukturen i byerne om cirka 15 \u00e5r \u00e6ndre sig, s\u00e5 fremkomsten af autonome biler bliver uundg\u00e5elig, og de vil blive en del af infrastrukturen. Men det kan jo ikke anses for at v\u00e6re intelligens. Den moderne Tesla er en meget kompleks samling af datafiltering, -s\u00f8gning og -genuddannelse. Det er regler-regler-regler, dataindsamling og filtre over dem (her <noindex><a rel=\"nofollow\" href=\"http:\/\/cv-blog.ru\/?p=279\">her<\/a><\/noindex> har jeg skrevet lidt mere om det, eller se med <noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/watch?time_continue=7614&amp;v=Ucp0TTmvqOE\">denne<\/a><\/noindex> markeringen).<\/p>\n<h3>Det f\u00f8rste problem<\/h3>\n<p>\nOg netop her ser vi <b>det f\u00f8rste fundamentale problem<\/b>. Store data. Det er netop det, der har skabt den nuv\u00e6rende b\u00f8lge af neurale netv\u00e6rk og maskinl\u00e6ring. I dag kr\u00e6ver det at lave noget komplekst og automatiseret mange data. Ikke bare mange, men rigtig, rigtig mange. Der er behov for automatiserede algoritmer til indsamling, m\u00e6rkning, og anvendelse af dem. Hvis vi \u00f8nsker, at maskinen skal kunne se lastbiler mod solen, skal vi f\u00f8rst indsamle et tilstr\u00e6kkeligt antal. Hvis vi vil have, at maskinen ikke skal blive forstyrret af en cykel fastgjort til bagagerummet, kr\u00e6ver det flere pr\u00f8ver.<\/p>\n<p>Og \u00e9n enkelt eksempel er ikke nok. Hundredvis? Tusinder? <\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/923ef975804234f1b3dcbfee0143f2b4.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h3>Det andet problem<\/h3>\n<p>\n<b>Det andet problem <\/b> \u2014 visualisering af hvad vores neurale netv\u00e6rk har forst\u00e5et. Det er en meget kompleks opgave. Indtil nu er der f\u00e5, der forst\u00e5r, hvordan man visualiserer det. Disse artikler er temmelig friske, og her er blot nogle f\u00e5 eksempler, selvom de er lidt fjerne:<br \/>\n<noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ods\/blog\/453788\/\">Visualisering<\/a><\/noindex> affektion ved teksturer. Viser godt, hvad neuralt netv\u00e6rk har tendens til at fokusere p\u00e5 + hvad det opfatter som startinformation.<\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/0eab41c3aec71dc2b04794559dd4a651.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<noindex><a rel=\"nofollow\" href=\"http:\/\/jalammar.github.io\/visualizing-neural-machine-translation-mechanics-of-seq2seq-models-with-attention\/\">Visualisering<\/a><\/noindex> opm\u00e6rksomhed ved <noindex><a rel=\"nofollow\" href=\"http:\/\/www.wildml.com\/2016\/01\/attention-and-memory-in-deep-learning-and-nlp\/\">overs\u00e6ttelser<\/a><\/noindex>. Faktisk kan opm\u00e6rksomhed ofte bruges netop til at vise, hvad der har for\u00e5rsaget den reaktion i netv\u00e6rket. Jeg har set s\u00e5danne ting b\u00e5de til debugging og produktl\u00f8sninger. Der er mange artikler om dette emne. Men jo mere komplekse dataene er, jo sv\u00e6rere er det at forst\u00e5, hvordan man opn\u00e5r en stabil visualisering.<\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/e0c370724115f602e5bd35b20b56f6eb.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nOg ja, det gamle klassiske s\u00e6t fra \"se ind i nettet i <noindex><a rel=\"nofollow\" href=\"https:\/\/towardsdatascience.com\/how-to-visualize-convolutional-features-in-40-lines-of-code-70b7d87b0030\">filtre<\/a><\/noindex>\". Disse billeder var popul\u00e6re for 3-4 \u00e5r siden, men alle inds\u00e5 hurtigt, at billederne er flotte, men ikke meget meningsfulde.<\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/87ace90924d5b900f9382ecc6ceef6d0.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nJeg n\u00e6vnte ikke mange andre tricks, metoder, hacks og unders\u00f8gelser om, hvordan man viser netv\u00e6rkets indre. Fungerer disse v\u00e6rkt\u00f8jer? Hj\u00e6lper de med hurtigt at forst\u00e5, hvad problemet er og debugge netv\u00e6rket?.. At f\u00e5 de sidste procenter ud? Tja, omtrent s\u00e5dan her:<\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/6da71648c300ee3bc8673d08287b77e3.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDu kan kigge p\u00e5 en hvilken som helst konkurrence p\u00e5 Kaggle. Og beskrivelsen af, hvordan folk laver de endelige l\u00f8sninger. Vi har bygget 100-500-800 millioner modeller, og det har virket!<\/p>\n<p>Jeg overdriver selvf\u00f8lgelig. Men hurtige og direkte svar f\u00e5r man ikke fra disse tilgange.<\/p>\n<p>Med tilstr\u00e6kkelig erfaring og ved at afpr\u00f8ve forskellige muligheder kan man danne sig et billede af, hvorfor dit system tr\u00e6f en s\u00e5dan beslutning. Men at justere systemets adf\u00e6rd vil v\u00e6re sv\u00e6rt. At s\u00e6tte en n\u00f8dl\u00f8sning, flytte t\u00e6rsklen, tilf\u00f8je et datas\u00e6t, tage en anden backend-netv\u00e6rk.<\/p>\n<h3>Det tredje problem<\/h3>\n<p>\n<b>Det tredje grundl\u00e6ggende problem <\/b> \u2014 netv\u00e6rk l\u00e6rer ikke logik, men statistik. Statistikvis er det <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/417405\/\">ansigt<\/a><\/noindex>:<\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/def14bbc2f40e4e26656a2d8032b09c1.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nLogisk set \u2014 det ligner ikke meget. Neurale netv\u00e6rk l\u00e6rer ikke noget komplekst, medmindre de presses. De l\u00e6rer altid de mest grundl\u00e6ggende tr\u00e6k. Er der \u00f8jne, n\u00e6se, hoved? S\u00e5 er det et ansigt! Ellers kom med et eksempel, hvor \u00f8jne ikke betyder ansigt. Og igen \u2014 millioner af eksempler.<\/p>\n<h3>Der er masser af plads nederst.<\/h3>\n<p>\nJeg vil sige, at det netop er disse tre globale problemer, der i dag begr\u00e6nser udviklingen af neurale netv\u00e6rk og maskinl\u00e6ring. Og der hvor disse problemer ikke begr\u00e6nsede \u2014 det bruges allerede aktivt.<\/p>\n<p><b>Er det slutningen? Er neurale netv\u00e6rk stagneret?<\/b><\/p>\n<p>Uvisse. Men selvf\u00f8lgelig h\u00e5ber alle, at det ikke er tilf\u00e6ldet. <\/p>\n<p>Der er mange tilgange og retninger til at l\u00f8se de grundl\u00e6ggende problemer, som jeg har belyst ovenfor. Men indtil videre har ingen af disse tilgange tilladt os at skabe noget fundamentalt nyt, l\u00f8se noget, der endnu ikke er blevet l\u00f8st. Indtil videre udvikles alle fundamentale projekter p\u00e5 basis af stabile tilgange (Tesla) eller forbliver testprojekter fra institutioner eller virksomheder (Google Brain, OpenAI).<\/p>\n<p>Hvis vi taler groft, er det prim\u00e6re fokus \u2014 at skabe en eller anden h\u00f8j-niveau repr\u00e6sentation af inddata. P\u00e5 en m\u00e5de som \u201chukommelse\u201d. Det simpleste eksempel p\u00e5 hukommelse er forskellige \u201cEmbedding\u201d \u2014 repr\u00e6sentationer af billeder. For eksempel, alle ansigtsgenkendelsessystemer. Netv\u00e6rket l\u00e6rer at f\u00e5 en stabil repr\u00e6sentation ud fra ansigtet, som ikke afh\u00e6nger af drejning, belysning, eller opl\u00f8sning. I bund og grund minimerer netv\u00e6rket metrikken \u201cforskellige ansigt \u2014 langt v\u00e6k\u201d og \u201cens \u2014 t\u00e6t p\u00e5\u201d.<\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/5e9d871fe096b7a77dbe11a6e315c5e4.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nFor denne type l\u00e6ring er der brug for titusindvis og hundrede tusinder af eksempler. Men resultatet b\u00e6rer nogle spirer af \u201cOne-shot Learning\u201d. Nu er vi ikke l\u00e6ngere n\u00f8dt til at have hundredvis af ansigt for at huske en person. Bare \u00e9t ansigt, og det er det \u2014 vi <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/davidsandberg\/facenet\">genkender<\/a><\/noindex>!<br \/>\nMen der er et lille problem\u2026 Netv\u00e6rket kan kun l\u00e6re ret enkle objekter. N\u00e5r man pr\u00f8ver at skelne ikke ansigt, men for eksempel \u201cmennesker efter t\u00f8j\u201d (opgaven <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@alitech_2017\/reforming-person-re-identification-with-local-convolutional-neural-networks-17148f11f17b\">Re-identifikation<\/a><\/noindex>) \u2014 kvaliteten falder mange ordrer. Og netv\u00e6rket kan allerede ikke l\u00e6re klare \u00e6ndringer i perspektiv.<\/p>\n<p>Og at l\u00e6re p\u00e5 millioner af eksempler \u2014 ogs\u00e5 p\u00e5 en m\u00e5de en skuffende underholdning. <\/p>\n<p>Der er arbejde med betydelig reduktion af valg. For eksempel kan jeg straks huske et af de f\u00f8rste arbejder inden for <b>OneShot Learning<\/b> <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/pdf\/1605.06065v1.pdf\">fra Google<\/a><\/noindex>:<\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/da83c6f290248f2bcf963c3053a26688.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDer er mange s\u00e5danne arbejder, for eksempel <noindex><a rel=\"nofollow\" href=\"https:\/\/pdfs.semanticscholar.org\/d1c4\/c4c7989102e85b5248cebfcb0cb000c3b837.pdf\">1<\/a><\/noindex> eller <noindex><a rel=\"nofollow\" href=\"https:\/\/www.cs.cmu.edu\/~rsalakhu\/papers\/oneshot1.pdf\">2<\/a><\/noindex> eller <noindex><a rel=\"nofollow\" href=\"http:\/\/www.robots.ox.ac.uk\/~tvg\/publications\/2018\/0431.pdf\">3<\/a><\/noindex>.<\/p>\n<p>En ulempe er, at tr\u00e6ning ofte fungerer godt med enkle, 'MNIST'-eksempler. Men n\u00e5r man bev\u00e6ger sig til mere komplekse opgaver, kr\u00e6ver det en stor database, en model til objekter eller en form for magi.<br \/>\nGenerelt set er arbejdet med One-Shot tr\u00e6ning et meget interessant emne. Man finder mange ideer, men de to problemer, jeg n\u00e6vnte (foruddannelse p\u00e5 et enormt datas\u00e6t \/ ustabilitet p\u00e5 komplekse data), h\u00e6mmer tr\u00e6ningen betydeligt.<\/p>\n<p>P\u00e5 den anden side passer GAN - generative modstridende netv\u00e6rk - godt til emnet Embedding. Du har sikkert l\u00e6st mange artikler om dette emne p\u00e5 Habr.<noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ods\/blog\/340154\/\">1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/itsumma\/blog\/447896\/\">2<\/a><\/noindex>,<noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ods\/blog\/322514\/\">3<\/a><\/noindex>)<br \/>\nEn s\u00e6rpr\u00e6g ved GAN er dannelsen af et internt tilstandsrum (i virkeligheden det samme som Embedding), som g\u00f8r det muligt at tegne et billede. Dette kan v\u00e6re <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/shaoanlu\/faceswap-GAN\">ansigtstr\u00e6k<\/a><\/noindex>, det kan ogs\u00e5 v\u00e6re <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/sergeytulyakov\/mocogan\">handling<\/a><\/noindex>. <\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/8c25c375dae3559b6895d6c4eb3f6cfd.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nProblemet med GAN er, at jo mere kompleks det genererede objekt er, desto sv\u00e6rere er det at beskrive det i logikken 'generator-diskriminator'. Som et resultat er de eneste reelle anvendelser af GAN, som folk kender, kun DeepFake, som igen manipulerer billeder af ansigtstr\u00e6k (for hvilke der eksisterer store databaser).<\/p>\n<p>Andre nyttige anvendelser har jeg set meget lidt af. Typisk er det nogle gadgets, der tilf\u00f8jer noget til billeder.<\/p>\n<p>Og igen, ingen har forst\u00e5else for, hvordan det kan f\u00f8re os ind i en lysere fremtid. Pr\u00e6sentationen af logik\/rummet i et neuralt netv\u00e6rk er godt, men det kr\u00e6ver et enormt antal eksempler. Vi forst\u00e5r ikke, hvordan neuronet repr\u00e6senterer dette, vi forst\u00e5r ikke, hvordan vi f\u00e5r neuronet til at huske en reelt kompleks repr\u00e6sentation.<\/p>\n<p><b>Forst\u00e6rkningsl\u00e6ring<\/b> er en tilgang fra en helt anden vinkel. Du husker sikkert, hvordan Google besejrede alle i Go. De seneste sejre i Starcraft og Dota. Men her er alt langt fra s\u00e5 lovende og optimistisk. Det bedste, der beskriver RL og dets udfordringer, er <noindex><a rel=\"nofollow\" href=\"https:\/\/www.alexirpan.com\/2018\/02\/14\/rl-hard.html\">denne artikel<\/a><\/noindex>.<\/p>\n<p>Hvis jeg kort opsummerer, hvad forfatteren skrev:<\/p>\n<ul>\n<li>Modellerne fra kassen er ikke egnede \/ fungerer d\u00e5rligt i de fleste tilf\u00e6lde<\/li>\n<li>Praktiske opgaver kan bedre l\u00f8ses p\u00e5 andre m\u00e5der. Boston Dynamics bruger ikke RL p\u00e5 grund af dets kompleksitet \/ uforudsigelighed \/ beregningsbesv\u00e6r.<\/li>\n<li>For at RL skal fungere, kr\u00e6ves en kompleks funktion. Ofte er det sv\u00e6rt at skabe \/ skrive.<\/li>\n<li>Det er vanskeligt at tr\u00e6ne modeller. Man er n\u00f8dt til at bruge masser af tid p\u00e5 at justere og frig\u00f8re sig fra lokale optimum.<\/li>\n<li>Som f\u00f8lge heraf er det sv\u00e6rt at reproducere modellen, og modellen er ustabil ved de mindste \u00e6ndringer.<\/li>\n<li>Det overfitter ofte p\u00e5 tilf\u00e6ldige m\u00f8nstre, selv helt ned til en tilf\u00e6ldig talgenerator<\/li>\n<\/ul>\n<p>\nDet centrale punkt er, at RL endnu ikke fungerer i produktionen. Google har nogle eksperimenter ( <noindex><a rel=\"nofollow\" href=\"https:\/\/ai.google\/research\/teams\/brain\/robotics\/\">1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/ai.googleblog.com\/2018\/06\/scalable-deep-reinforcement-learning.html\">2<\/a><\/noindex> ). Men jeg har ikke set noget produktionssystem.<\/p>\n<p><b>Hukommelse<\/b>. Ulempen ved alt det, der er beskrevet ovenfor, er ustrukturerethed. En af de metoder, man pr\u00f8ver at h\u00e5ndtere det p\u00e5, er at give det neurale netv\u00e6rk adgang til separat hukommelse. S\u00e5 det kan registrere og omskrive resultaterne af sine skridt der. S\u00e5 kan det neurale netv\u00e6rk bestemmes af den nuv\u00e6rende tilstand af hukommelsen. Dette minder meget om klassiske processorer og computere.<\/p>\n<p>Det mest kendte og popul\u00e6re <noindex>artikel <\/noindex> \u2014 fra DeepMind:<\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/acc6bcd86c8c071fbd9776a91f990752.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDet virker som om, her er n\u00f8glen til forst\u00e5elsen af intelligens? Men sandsynligvis ikke. Systemet kr\u00e6ver stadig et enormt datagrundlag til tr\u00e6ning. Og det fungerer for det meste med strukturerede tabeldata. P\u00e5 samme tid, da Facebook <noindex><a rel=\"nofollow\" href=\"https:\/\/embodiedqa.org\/\">l\u00f8ste <\/a><\/noindex>et lignende problem, s\u00e5 valgte de vejen \"glem hukommelsen, lad os bare g\u00f8re neurala netv\u00e6rket mere kompleks, og f\u00e5 flere eksempler \u2014 og det l\u00e6rer selv.\"<\/p>\n<p><b>Disentanglement<\/b>. En anden m\u00e5de at skabe betydningsfuld hukommelse p\u00e5 er at tage de samme indl\u00e6ringsrepr\u00e6sentationer, men indf\u00f8re yderligere kriterier i tr\u00e6ningen, som ville g\u00f8re det muligt at udtr\u00e6kke \"meninger\" fra dem. For eksempel, hvis vi \u00f8nsker at tr\u00e6ne et neuralt netv\u00e6rk til at adskille en persons adf\u00e6rd i en butik. Hvis vi skulle f\u00f8lge den traditionelle vej \u2014 skulle vi lave et dusin netv\u00e6rk. \u00c9n s\u00f8ger efter personen, en anden bestemmer hvad de g\u00f8r, den tredje deres alder, den fjerde \u2014 k\u00f8n. En separat logik ser p\u00e5 den del af butikken, hvor de er, og tr\u00e6ner p\u00e5 det. Den tredje bestemmer deres bane, osv.<\/p>\n<p>Eller, hvis der var uendeligt mange data, kunne man tr\u00e6ne \u00e9t netv\u00e6rk til alle mulige udfald (det er tydeligt, at det ikke er muligt at indsamle s\u00e5 store datam\u00e6ngder).<\/p>\n<p>Disentanglement-tilgangen siger os \u2014 lad os tr\u00e6ne netv\u00e6rket, s\u00e5 det selv kan skelne mellem begreber. S\u00e5 det ved hj\u00e6lp af video kan danne en indl\u00e6ringsrepr\u00e6sentation, hvor et omr\u00e5de bestemmer handlingen, et andet \u2014 positionen p\u00e5 gulvet i tid, et andet \u2014 en persons h\u00f8jde, og et andet \u2014 deres k\u00f8n. Ved tr\u00e6ningen ville det v\u00e6re \u00f8nskeligt n\u00e6sten ikke at give netv\u00e6rket s\u00e5danne n\u00f8glebegreber, men at det selv skulle udv\u00e6lge og gruppere omr\u00e5der. Der findes ikke mange s\u00e5danne artikler (nogle af dem <noindex><a rel=\"nofollow\" href=\"https:\/\/ai.googleblog.com\/2019\/04\/evaluating-unsupervised-learning-of.html\">1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"http:\/\/papers.nips.cc\/paper\/5851-deep-convolutional-inverse-graphics-network.pdf\">2<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/pdf\/1812.02230.pdf\">3<\/a><\/noindex>) og generelt er de ret teoretiske. <\/p>\n<p>Men denne retning b\u00f8r, i det mindste teoretisk, adressere de n\u00e6vnte problemer.<\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/b36046dc3cbe3b849e1d3a60f56ec3a2.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nOpdeling af billedet efter parametre \"v\u00e6gfarve\/v\u00e6gfarve\/objektform\/objektfarve\/osv.\"<\/p>\n<p><img decoding=\"async\" alt=\"Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny daggry?\" src=\"\/wp-content\/uploads\/4d5ac8dfc43f76b35f3490c26049c7db.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nOpdeling af ansigtet efter parametre \"st\u00f8rrelse, \u00f8jenbryn, orientering, hudfarve, osv.\"<\/p>\n<h3>Andet<\/h3>\n<p>\nDer er mange andre, ikke s\u00e5 globale retninger, der p\u00e5 en eller anden m\u00e5de kan reducere databaser, arbejde med mere heterogene data osv.<\/p>\n<p><b>Attention<\/b>. Det giver nok ikke mening at fremh\u00e6ve dette som en s\u00e6rskilt metode. Det er blot en tilgang, der styrker de andre. Der er mange artikler dedikeret til det (<noindex><a rel=\"nofollow\" href=\"http:\/\/www.wildml.com\/2016\/01\/attention-and-memory-in-deep-learning-and-nlp\/\">1<\/a><\/noindex>,<noindex><a rel=\"nofollow\" href=\"http:\/\/jalammar.github.io\/visualizing-neural-machine-translation-mechanics-of-seq2seq-models-with-attention\/\">2<\/a><\/noindex>,<noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1706.03762\">3<\/a><\/noindex>). Meningen med Attention er at forst\u00e6rke netv\u00e6rkets reaktion p\u00e5 relevante objekter under tr\u00e6ning, ofte med et eller andet ekstern m\u00e5lrettethed eller et lille eksternt netv\u00e6rk.<\/p>\n<p><b>3D-simulering<\/b>. Hvis man laver en god 3D-motor, kan man ofte d\u00e6kke 90% af tr\u00e6ningsdataene (jeg har endda set et eksempel, hvor n\u00e6sten 99% af dataene blev d\u00e6kket af en god motor). Der er mange id\u00e9er og hacks til, hvordan man f\u00e5r et netv\u00e6rk, der er tr\u00e6net p\u00e5 en 3D-motor, til at fungere med reelle data (Fine tuning, style transfer osv.). Men det er ofte meget sv\u00e6rere at lave en god motor end at indsamle data. Eksempler p\u00e5, hvorn\u00e5r de har lavet motorer:<br \/>\nTr\u00e6ning af robotter (<noindex><a rel=\"nofollow\" href=\"https:\/\/ai.googleblog.com\/2018\/06\/teaching-uncalibrated-robots-to_22.html\">google<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/VZcmogKXC18\">braingarden<\/a><\/noindex>)<br \/>\nUddannelse <noindex><a rel=\"nofollow\" href=\"https:\/\/neuromation.io\/\">og syntese<\/a><\/noindex> varer i butikken (men i to projekter, som vi lavede, kunne vi nemt klare os uden dette).<br \/>\nTr\u00e6ning hos Tesla (igen det video, der blev n\u00e6vnt ovenfor).<\/p>\n<h2>Konklusioner<\/h2>\n<p>\nHele artiklen er p\u00e5 en eller anden m\u00e5de konklusioner. Den vigtigste pointe, jeg \u00f8nskede at g\u00f8re, er - \"gratis tider er forbi, neurale netv\u00e6rk giver ikke l\u00e6ngere simple l\u00f8sninger.\" Nu skal man arbejde h\u00e5rdt for at bygge komplekse l\u00f8sninger. Eller arbejde h\u00e5rdt med komplekse videnskabelige unders\u00f8gelser.<\/p>\n<p>Generelt er emnet diskuterbart. M\u00e5ske har l\u00e6serne mere interessante eksempler?<br \/>\n<br \/>Kilde: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/recognitor\/blog\/455676\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0432\u044b\u0448\u043b\u0430 \u0441\u0442\u0430\u0442\u044c\u044f, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u043d\u0435\u043f\u043b\u043e\u0445\u043e \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442 \u0442\u0435\u043d\u0434\u0435\u043d\u0446\u0438\u044e \u0432 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0445 \u043b\u0435\u0442. \u0415\u0441\u043b\u0438 \u043a\u043e\u0440\u043e\u0442\u043a\u043e: \u0447\u0438\u0441\u043b\u043e \u0441\u0442\u0430\u0440\u0442\u0430\u043f\u043e\u0432 \u0432 \u043e\u0431\u043b\u0430\u0441\u0442\u0438 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u0434\u0432\u0430 \u0433\u043e\u0434\u0430 \u0440\u0435\u0437\u043a\u043e \u0443\u043f\u0430\u043b\u043e. \u041d\u0443 \u0447\u0442\u043e. \u0420\u0430\u0437\u0431\u0435\u0440\u0451\u043c \u00ab\u043b\u043e\u043f\u043d\u0443\u043b \u043b\u0438 \u043f\u0443\u0437\u044b\u0440\u044c\u00bb, \u00ab\u043a\u0430\u043a \u0434\u0430\u043b\u044c\u0448\u0435 \u0436\u0438\u0442\u044c\u00bb \u0438 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u043e\u0442\u043a\u0443\u0434\u0430 \u0432\u043e\u043e\u0431\u0449\u0435 \u0442\u0430\u043a\u0430\u044f \u0437\u0430\u0433\u043e\u0433\u0443\u043b\u0438\u043d\u0430. \u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u0447\u0442\u043e \u0431\u044b\u043b\u043e \u0431\u0443\u0441\u0442\u0435\u0440\u043e\u043c \u044d\u0442\u043e\u0439 \u043a\u0440\u0438\u0432\u043e\u0439. \u041e\u0442\u043a\u0443\u0434\u0430 \u043e\u043d\u0430 \u0432\u0437\u044f\u043b\u0430\u0441\u044c. \u041d\u0430\u0432\u0435\u0440\u043d\u043e\u0435 \u0432\u0441\u0451 \u0432\u0441\u043f\u043e\u043c\u043d\u044f\u0442 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-35293","post","type-post","status-publish","format-standard","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.3 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0432\u044b\u0448\u043b\u0430\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/da\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.3\" \/>\n\t\t<meta property=\"og:locale\" content=\"da_DK\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u041b\u043e\u043f\u043d\u0443\u043b \u043b\u0438 \u043f\u0443\u0437\u044b\u0440\u044c \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0438\u043b\u0438 \u043d\u0430\u0447\u0430\u043b\u043e \u043d\u043e\u0432\u043e\u0439 \u0437\u0430\u0440\u0438 | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0432\u044b\u0448\u043b\u0430\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/da\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2019-10-31T19:03:28+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2019-10-31T19:03:28+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47Er boblen inden for maskinl\u00e6ring sprunget, eller er det begyndelsen p\u00e5 en ny morgen | ProHoster","description":"For nylig blev der udgivet","canonical_url":"https:\/\/prohoster.info\/da\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"da_DK","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041b\u043e\u043f\u043d\u0443\u043b \u043b\u0438 \u043f\u0443\u0437\u044b\u0440\u044c \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0438\u043b\u0438 \u043d\u0430\u0447\u0430\u043b\u043e \u043d\u043e\u0432\u043e\u0439 \u0437\u0430\u0440\u0438 | ProHoster","og:description":"\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0432\u044b\u0448\u043b\u0430","og:url":"https:\/\/prohoster.info\/da\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T19:03:28+00:00","article:modified_time":"2019-10-31T19:03:28+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"35293","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-21 22:41:19","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 02:06:24","updated":"2026-01-21 22:41:19","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/posts\/35293","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/comments?post=35293"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/posts\/35293\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/media?parent=35293"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/categories?post=35293"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/tags?post=35293"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}