ProHoster > Blogs > interneta ziÅas > Vai maŔīnmÄcÄ«bas burbulis ir pÄrsprÄdzis, vai arÄ« tas ir jaunas rÄ«tausmas sÄkums?
Vai maŔīnmÄcÄ«bas burbulis ir pÄrsprÄdzis, vai arÄ« tas ir jaunas rÄ«tausmas sÄkums?
Nesen atbrÄ«vots raksts, kas liecina par labu tendenci maŔīnmÄcÄ«bÄ pÄdÄjos gados. ÄŖsumÄ: pÄdÄjo divu gadu laikÄ maŔīnmÄcÄ«bas jaunuzÅÄmumu skaits ir strauji samazinÄjies.
Nu. ApskatÄ«sim āvai burbulis ir pÄrsprÄdzisā, ākÄ turpinÄt dzÄ«votā un parunÄsim par to, no kurienes vispÄr rodas Å”is Ä·ipars.
Vispirms parunÄsim par to, kas bija Ŕīs lÄ«knes pastiprinÄtÄjs. No kurienes viÅa nÄca? ViÅi droÅ”i vien visu atcerÄsies uzvara maŔīnmÄcÄ«ba 2012. gadÄ ImageNet konkursÄ. Galu galÄ Å”is ir pirmais globÄlais pasÄkums! Bet patiesÄ«bÄ tas tÄ nav. Un lÄ«knes izaugsme sÄkas nedaudz agrÄk. Es to sadalÄ«tu vairÄkos punktos.
2008. gadÄ parÄdÄ«jÄs termins ālielie datiā. SÄkÄs Ä«stie produkti parÄdÄs kopÅ” 2010. Lielie dati ir tieÅ”i saistÄ«ti ar maŔīnmÄcÄ«Å”anos. Bez lielajiem datiem nav iespÄjama stabila tobrÄ«d pastÄvoÅ”o algoritmu darbÄ«ba. Un tie nav neironu tÄ«kli. LÄ«dz 2012. gadam neironu tÄ«kli bija nelielas minoritÄtes Ä«paÅ”ums. Bet tad sÄka darboties pavisam citi algoritmi, kas pastÄvÄja gadiem vai pat gadu desmitiem: SVM(1963,1993, XNUMX), NejauÅ”ais mežs (1995), AdaBoost (2003),... To gadu starta uzÅÄmumi galvenokÄrt ir saistÄ«ti ar strukturÄtu datu automÄtisku apstrÄdi: kases aparÄti, lietotÄji, reklÄma, daudz kas cits.
Å Ä« pirmÄ viļÅa atvasinÄjums ir ietvaru kopums, piemÄram, XGBoost, CatBoost, LightGBM utt.
2011.-2012.gadÄ konvolucionÄlie neironu tÄ«kli uzvarÄja vairÄkos attÄlu atpazÄ«Å”anas konkursos. To faktiskÄ izmantoÅ”ana nedaudz aizkavÄjÄs. Es teiktu, ka masveidÄ nozÄ«mÄ«gi jaunuzÅÄmumi un risinÄjumi sÄka parÄdÄ«ties 2014. gadÄ. Bija vajadzÄ«gi divi gadi, lai saprastu, ka neironi joprojÄm darbojas, lai izveidotu Ärtus ietvarus, kurus varÄtu uzstÄdÄ«t un palaist saprÄtÄ«gÄ laikÄ, izstrÄdÄtu metodes, kas stabilizÄtu un paÄtrinÄtu konverÄ£ences laiku.
KonvolÅ«cijas tÄ«kli ļÄva atrisinÄt datorredzes problÄmas: attÄlu un objektu klasifikÄcija attÄlÄ, objektu noteikÅ”ana, objektu un cilvÄku atpazÄ«Å”ana, attÄla uzlaboÅ”ana utt.
2015-2017. Algoritmu un projektu uzplaukums, kuru pamatÄ ir atkÄrtoti tÄ«kli vai to analogi (LSTM, GRU, TransformerNet utt.). Ir parÄdÄ«juÅ”ies labi funkcionÄjoÅ”i runas pÄrveidoÅ”anas algoritmi un maŔīntulkoÅ”anas sistÄmas. Tie ir daļÄji balstÄ«ti uz konvolucionÄlajiem tÄ«kliem, lai iegÅ«tu pamata funkcijas. DaļÄji tÄpÄc, ka mÄs iemÄcÄ«jÄmies savÄkt patieÅ”Äm lielas un labas datu kopas.
"Vai burbulis ir pÄrsprÄdzis? Vai ažiotÄža ir pÄrkarsusi? Vai viÅi nomira kÄ blokÄ·Äde?
CitÄdi! RÄ«t Siri pÄrtrauks strÄdÄt ar jÅ«su tÄlruni, un parÄ«t Tesla nezinÄs atŔķirÄ«bu starp pagriezienu un Ä·enguru.
Neironu tÄ«kli jau darbojas. Tie ir desmitiem ierÄ«Äu. Tie patieÅ”Äm ļauj nopelnÄ«t naudu, mainÄ«t tirgu un pasauli sev apkÄrt. Hype izskatÄs nedaudz savÄdÄk:
VienkÄrÅ”i neironu tÄ«kli vairs nav kaut kas jauns. JÄ, daudziem cilvÄkiem ir lielas cerÄ«bas. Bet liels skaits uzÅÄmumu ir iemÄcÄ«juÅ”ies izmantot neironus un izgatavot produktus, pamatojoties uz tiem. Neironi nodroÅ”ina jaunu funkcionalitÄti, ļauj samazinÄt darba vietas un samazinÄt pakalpojumu cenas:
RažoÅ”anas uzÅÄmumi integrÄ algoritmus, lai analizÄtu ražoÅ”anas lÄ«nijas defektus.
Bet galvenais un ne pats acÄ«mredzamÄkais: "Jaunu ideju vairs nav, vai arÄ« tÄs nenesÄ«s tÅ«lÄ«tÄju kapitÄlu." Neironu tÄ«kli ir atrisinÄjuÅ”i desmitiem problÄmu. Un viÅi izlems vÄl vairÄk. Visas acÄ«mredzamÄs idejas, kas pastÄvÄja, radÄ«ja daudzus jaunuzÅÄmumus. Bet viss, kas atradÄs virspusÄ, jau bija savÄkts. PÄdÄjo divu gadu laikÄ es neesmu saskÄries ar nevienu jaunu ideju par neironu tÄ«klu izmantoÅ”anu. Neviena jauna pieeja (nu, labi, ir dažas problÄmas ar GAN).
Un katra nÄkamÄ palaiÅ”ana kļūst arvien sarežģītÄka. Tam vairs nav nepiecieÅ”ami divi puiÅ”i, kuri apmÄca neironu, izmantojot atvÄrtos datus. Tam nepiecieÅ”ami programmÄtÄji, serveris, marÄ·ieru komanda, komplekss atbalsts utt.
LÄ«dz ar to ir mazÄk jaunuzÅÄmumu. Bet ir vairÄk ražoÅ”anas. Vai jÄpievieno numura zÄ«mes atpazÄ«Å”ana? TirgÅ« ir simtiem speciÄlistu ar atbilstoÅ”u pieredzi. JÅ«s varat kÄdu nolÄ«gt un pÄc pÄris mÄneÅ”iem jÅ«su darbinieks izveidos sistÄmu. Vai arÄ« iegÄdÄjieties gatavu. Bet taisÄ«t jaunu startapu?.. Traki!
JÄizveido apmeklÄtÄju izsekoÅ”anas sistÄma ā kÄpÄc maksÄt par kaudzi licenÄu, ja 3-4 mÄneÅ”u laikÄ var uztaisÄ«t pats, asinÄt to savam biznesam.
Tagad neironu tÄ«kli iet pa to paÅ”u ceļu, ko ir izgÄjuÅ”as desmitiem citu tehnoloÄ£iju.
Vai atceraties, kÄ kopÅ” 1995. gada ir mainÄ«jies jÄdziens āvietÅu izstrÄdÄtÄjsā? Tirgus vÄl nav piesÄtinÄts ar speciÄlistiem. ProfesionÄļu ir ļoti maz. Bet varu derÄt, ka pÄc 5-10 gadiem nebÅ«s lielas atŔķirÄ«bas starp Java programmÄtÄju un neironu tÄ«klu izstrÄdÄtÄju. TirgÅ« pietiks abu speciÄlistu.
VienkÄrÅ”i bÅ«s problÄmu klase, ko var atrisinÄt neironi. Ir radies uzdevums - nolÄ«gt speciÄlistu.
"Ko tÄlÄk? Kur ir apsolÄ«tais mÄkslÄ«gais intelekts?
Bet te ir neliels, bet interesants pÄrpratums :)
AcÄ«mredzot Å”odien esoÅ”Ä tehnoloÄ£iju kaudze mÅ«s nenovedÄ«s pie mÄkslÄ«gÄ intelekta. Idejas un to novitÄte lielÄ mÄrÄ ir sevi izsmÄlusi. ParunÄsim par to, kas saglabÄ paÅ”reizÄjo attÄ«stÄ«bas lÄ«meni.
Ierobežojumi
SÄksim ar paÅ”braucoÅ”Äm automaŔīnÄm. Å Ä·iet skaidrs, ka ar mÅ«sdienu tehnoloÄ£ijÄm ir iespÄjams izgatavot pilnÄ«bÄ autonomas automaŔīnas. Bet pÄc cik gadiem tas notiks, nav skaidrs. Tesla uzskata, ka tas notiks pÄc pÄris gadiem -
Ir daudzi citi speciÄlistiem, kuri lÄÅ”, ka tas ir 5-10 gadi.
VisticamÄk, manuprÄt, pÄc 15 gadiem pilsÄtu infrastruktÅ«ra pati mainÄ«sies tÄ, ka autonomo automaŔīnu parÄdÄ«Å”anÄs kļūs neizbÄgama un kļūs par tÄs turpinÄjumu. Bet to nevar uzskatÄ«t par inteliÄ£enci. MÅ«sdienu Tesla ir ļoti sarežģīts datu filtrÄÅ”anas, meklÄÅ”anas un pÄrkvalificÄÅ”anas cauruļvads. Tie ir noteikumi-noteikumi-noteikumi, datu apkopoÅ”ana un filtri pÄr tiem (Å”eit Å”eit Es uzrakstÄ«ju nedaudz vairÄk par Å”o vai skatieties no Å”is atzÄ«mes).
PirmÄ problÄma
Un Å”eit mÄs redzam pirmÄ fundamentÄlÄ problÄma. Lielie dati. Tas ir tieÅ”i tas, kas izraisÄ«ja paÅ”reizÄjo neironu tÄ«klu un maŔīnmÄcÄ«bas vilni. MÅ«sdienÄs, lai veiktu kaut ko sarežģītu un automÄtisku, ir nepiecieÅ”ams daudz datu. Ne tikai daudz, bet ļoti, ļoti daudz. Mums ir nepiecieÅ”ami automatizÄti algoritmi to apkopoÅ”anai, marÄ·ÄÅ”anai un lietoÅ”anai. MÄs vÄlamies, lai automaŔīna redzÄtu kravas automaŔīnas, kas ir vÄrstas pret sauli - vispirms mums ir jÄsavÄc pietiekams to skaits. Gribam, lai ar bagÄžniekÄ pieskrÅ«vÄtu velosipÄdu maŔīna netrakotu - vairÄk paraugu.
TurklÄt ar vienu piemÄru nepietiek. Simtiem? TÅ«kstoÅ”iem?
OtrÄ problÄma
OtrÄ problÄma ā vizualizÄcija tam, ko mÅ«su neironu tÄ«kls ir sapratis. Tas ir ļoti nenozÄ«mÄ«gs uzdevums. LÄ«dz Å”im daži cilvÄki saprot, kÄ to vizualizÄt. Å ie raksti ir pavisam nesen, tie ir tikai daži piemÄri, pat ja tie ir tÄlu: VizualizÄcija apsÄstÄ«ba ar tekstÅ«rÄm. Tas labi parÄda, uz ko neirons mÄdz fiksÄties + ko tas uztver kÄ sÄkuma informÄciju.
VizualizÄcija UzmanÄ«bu plkst tulkojumi. Faktiski pievilcÄ«bu bieži var izmantot tieÅ”i, lai parÄdÄ«tu, kas izraisÄ«ja Å”Ädu tÄ«kla reakciju. Esmu redzÄjis Å”Ädas lietas gan atkļūdoÅ”anai, gan produktu risinÄjumiem. Par Å”o tÄmu ir daudz rakstu. Bet jo sarežģītÄki ir dati, jo grÅ«tÄk ir saprast, kÄ panÄkt stabilu vizualizÄciju.
JÄ, vecais labais komplekts āPaskaties, kas ir sieta iekÅ”pusÄ filtri" Å Ä«s bildes bija populÄras pirms 3-4 gadiem, taÄu visi Ätri saprata, ka bildes ir skaistas, taÄu tÄm nav lielas nozÄ«mes.
Es neminÄju desmitiem citu sÄ«krÄ«ku, metožu, uzlauÅ”anas, pÄtÄ«jumu par to, kÄ parÄdÄ«t tÄ«kla iekÅ”pusi. Vai Å”ie rÄ«ki darbojas? Vai tie palÄ«dz Ätri saprast, kas ir problÄma, un atkļūdot tÄ«klu?.. IegÅ«t pÄdÄjo procentu? Nu, tas ir apmÄram tas pats:
VietnÄ Kaggle varat skatÄ«ties jebkuras sacensÄ«bas. Un apraksts par to, kÄ cilvÄki pieÅem galÄ«gos lÄmumus. MÄs salikÄm 100-500-800 modeļu vienÄ«bas un tas strÄdÄja!
Ja jums ir pietiekami daudz pieredzes, izpÄtÄ«jis dažÄdas iespÄjas, varat sniegt spriedumu par to, kÄpÄc jÅ«su sistÄma pieÅÄma Å”Ädu lÄmumu. Bet bÅ«s grÅ«ti labot sistÄmas uzvedÄ«bu. UzstÄdiet kruÄ·i, pÄrvietojiet slieksni, pievienojiet datu kopu, izmantojiet citu aizmugurtÄ«klu.
LoÄ£iski, ka tas nav ļoti lÄ«dzÄ«gs. Neironu tÄ«kli neko sarežģītu neapgÅ«st, ja vien tie nav spiesti. ViÅi vienmÄr mÄca pÄc iespÄjas vienkÄrÅ”ÄkÄs zÄ«mes. Vai tev ir acis, deguns, galva? TÄtad Ŕī ir seja! Vai arÄ« sniedziet piemÄru, kur acis nenozÄ«mÄ seju. Un atkal - miljoniem piemÄru.
ApakÅ”Ä ir daudz vietas
Es teiktu, ka tieÅ”i Ŕīs trÄ«s globÄlÄs problÄmas Å”obrÄ«d ierobežo neironu tÄ«klu un maŔīnmÄcÄ«bas attÄ«stÄ«bu. Un kur Ŕīs problÄmas neierobežoja, tas jau tiek aktÄ«vi izmantots.
Šīs ir beigas? Vai ir izveidoti neironu tīkli?
NezinÄms. Bet, protams, visi cer, ka nÄ.
Ir daudzas pieejas un virzieni, lai atrisinÄtu pamatproblÄmas, kuras es uzsvÄru iepriekÅ”. TaÄu lÄ«dz Å”im neviena no Ŕīm pieejÄm nav devusi iespÄju izdarÄ«t kaut ko principiÄli jaunu, atrisinÄt kaut ko, kas vÄl nav atrisinÄts. LÄ«dz Å”im visi fundamentÄlie projekti tiek veikti, pamatojoties uz stabilÄm pieejÄm (Tesla), vai arÄ« paliek institÅ«tu vai korporÄciju testa projekti (Google Brain, OpenAI).
Aptuveni runÄjot, galvenais virziens ir izveidot ieejas datu augsta lÄ«meÅa attÄlojumu. SavÄ ziÅÄ "atmiÅa". VienkÄrÅ”Äkais atmiÅas piemÄrs ir dažÄdi āIegulÅ”anasā - attÄlu attÄlojumi. Nu, piemÄram, visas sejas atpazÄ«Å”anas sistÄmas. TÄ«kls iemÄcÄs iegÅ«t no sejas kÄdu stabilu attÄlojumu, kas nav atkarÄ«gs no rotÄcijas, apgaismojuma vai izŔķirtspÄjas. BÅ«tÄ«bÄ tÄ«kls samazina metriku ādažÄdas sejas ir tÄluā un āidentiskas sejas ir tuvuā.
Å Ädai apmÄcÄ«bai ir nepiecieÅ”ami desmitiem un simtiem tÅ«kstoÅ”u piemÄru. TaÄu rezultÄtos ir daži no āvienreizÄjas mÄcÄ«Å”anÄsā elementiem. Tagad mums nav vajadzÄ«gi simtiem seju, lai atcerÄtos cilvÄku. Tikai viena seja un mÄs esam viss noskaidrosim!
Ir tikai viena problÄma... Režģis var apgÅ«t tikai diezgan vienkÄrÅ”us objektus. MÄÄ£inot atŔķirt nevis sejas, bet, piemÄram, ācilvÄkus pÄc apÄ£Ärbaā (uzdevums AtkÄrtota identifikÄcija) - kvalitÄte samazinÄs par daudzÄm kÄrtÄm. Un tÄ«kls vairs nevar uzzinÄt diezgan acÄ«mredzamas izmaiÅas leÅÄ·os.
Un mÄcÄ«ties no miljoniem piemÄru arÄ« ir jautri.
Ir darbs, lai bÅ«tiski samazinÄtu vÄlÄÅ”anu skaitu. PiemÄram, uzreiz var atsaukt atmiÅÄ vienu no pirmajiem darbiem OneShot mÄcÄ«Å”anÄsno Google:
Ir tikai viens mÄ«nuss - parasti apmÄcÄ«ba labi darbojas, izmantojot dažus vienkÄrÅ”us āMNISTā piemÄrus. Un, pÄrejot uz sarežģītiem uzdevumiem, jums ir nepiecieÅ”ama liela datu bÄze, objektu modelis vai kÄda veida maÄ£ija.
KopumÄ darbs pie One-Shot apmÄcÄ«bas ir ļoti interesants temats. JÅ«s atrodat daudz ideju. TaÄu lielÄkoties divas manis uzskaitÄ«tÄs problÄmas (sagatavoÅ”anÄs ar milzÄ«gu datu kopu / sarežģītu datu nestabilitÄte) ievÄrojami traucÄ mÄcÄ«Å”anos.
No otras puses, GAN ā Ä£eneratÄ«vie pretrunÄ«gie tÄ«kli ā tuvojas iegulÅ”anas tÄmai. JÅ«s droÅ”i vien esat lasÄ«jis daudzus rakstus par HabrÄ par Å”o tÄmu. (1, 2,3)
GAN iezÄ«me ir kÄdas iekÅ”ÄjÄs stÄvokļa telpas veidoÅ”ana (bÅ«tÄ«bÄ tÄ pati iegulÅ”ana), kas ļauj zÄ«mÄt attÄlu. TÄ var bÅ«t sejas, var bÅ«t aktivitÄte.
GAN problÄma ir tÄ, ka jo sarežģītÄks ir Ä£enerÄtais objekts, jo grÅ«tÄk to aprakstÄ«t āÄ£eneratora-diskriminatoraā loÄ£ikÄ. RezultÄtÄ vienÄ«gÄs reÄlÄs GAN lietojumprogrammas, par kurÄm ir dzirdÄts, ir DeepFake, kas atkal manipulÄ ar sejas attÄlojumu (kam ir milzÄ«ga bÄze).
Esmu redzÄjis ļoti maz citu noderÄ«gu lietojumu. Parasti kaut kÄda viltÄ«ba, kas saistÄ«ta ar attÄlu zÄ«mÄjumu apdari.
Un atkal. Nevienam nav ne jausmas, kÄ tas ļaus mums virzÄ«ties uz gaiÅ”Äku nÄkotni. LoÄ£ikas/telpas attÄloÅ”ana neironu tÄ«klÄ ir laba. Bet mums ir vajadzÄ«gs milzÄ«gs skaits piemÄru, mÄs nesaprotam, kÄ neirons to attÄlo pats par sevi, mÄs nesaprotam, kÄ likt neironam atcerÄties kÄdu patieÅ”Äm sarežģītu ideju.
PastiprinÄÅ”anas mÄcÄ«Å”anÄs - Ŕī ir pieeja no pavisam cita virziena. Noteikti atceraties, kÄ Google pÄrspÄja visus Go. NesenÄs uzvaras Starcraft un Dota. Bet Å”eit viss nebÅ«t nav tik rožaini un daudzsoloÅ”i. ViÅÅ” vislabÄk runÄ par RL un tÄs sarežģījumiem Å is raksts.
ÄŖsi apkopojot autora rakstÄ«to:
Modeļi, kas izÅemti no kastes, vairumÄ gadÄ«jumu nav piemÄroti / nedarbojas slikti
PraktiskÄs problÄmas ir vieglÄk atrisinÄt citos veidos. Boston Dynamics neizmanto RL tÄs sarežģītÄ«bas/neprognozÄjamÄ«bas/skaitļoÅ”anas sarežģītÄ«bas dÄļ
Lai RL darbotos, ir nepiecieŔama sarežģīta funkcija. Bieži vien ir grūti izveidot/uzrakstīt
GrÅ«ti apmÄcÄ«t modeļus. Jums ir jÄpavada daudz laika, lai sÅ«knÄtu un izkļūtu no vietÄjÄ optimuma
RezultÄtÄ modeli ir grÅ«ti atkÄrtot, modelis ir nestabils ar mazÄkajÄm izmaiÅÄm
Bieži vien pÄrvÄrÅ” dažus nejauÅ”us modeļus, pat nejauÅ”u skaitļu Ä£eneratoru
Galvenais ir tas, ka RL vÄl nestrÄdÄ ražoÅ”anÄ. Google ir daži eksperimenti ( 1, 2 ). Bet es neesmu redzÄjis nevienu produktu sistÄmu.
atmiÅa. Visa iepriekÅ” aprakstÄ«tÄ negatÄ«vÄ puse ir struktÅ«ras trÅ«kums. Viena no pieejÄm, lai mÄÄ£inÄtu to visu sakÄrtot, ir nodroÅ”inÄt neironu tÄ«klu ar piekļuvi atseviŔķai atmiÅai. Lai viÅa tur varÄtu ierakstÄ«t un pÄrrakstÄ«t savu soļu rezultÄtus. Tad neironu tÄ«klu var noteikt pÄc paÅ”reizÄjÄ atmiÅas stÄvokļa. Tas ir ļoti lÄ«dzÄ«gs klasiskajiem procesoriem un datoriem.
SlavenÄkais un populÄrÄkais raksts ā no DeepMind:
Å Ä·iet, ka tÄ ir atslÄga inteliÄ£ences izpratnei? Bet droÅ”i vien nÄ. SistÄma joprojÄm prasa milzÄ«gu datu apjomu apmÄcÄ«bai. Un tas galvenokÄrt darbojas ar strukturÄtiem tabulas datiem. TurklÄt, kad Facebook nolÄma lÄ«dzÄ«ga problÄma, tad viÅi izvÄlÄjÄs ceļu āizskrÅ«vÄjiet atmiÅu, vienkÄrÅ”i padariet neironu sarežģītÄku un iegÅ«stiet vairÄk piemÄru ā un tas mÄcÄ«sies pats no sevisā.
AtdalÄ«Å”ana. VÄl viens veids, kÄ veidot jÄgpilnu atmiÅu, ir Åemt tos paÅ”us iegulumus, bet treniÅa laikÄ ieviest papildu kritÄrijus, kas ļautu izcelt tajos ānozÄ«mesā. PiemÄram, mÄs vÄlamies apmÄcÄ«t neironu tÄ«klu, lai atŔķirtu cilvÄka uzvedÄ«bu veikalÄ. Ja mÄs sekotu standarta ceļam, mums bÅ«tu jÄizveido ducis tÄ«klu. Viens meklÄ cilvÄku, otrs nosaka, ko viÅÅ” dara, treÅ”ais ir viÅa vecums, ceturtais ir viÅa dzimums. AtseviŔķa loÄ£ika aplÅ«ko to veikala daļu, kurÄ tas dara/ir apmÄcÄ«ts to darÄ«t. TreÅ”ais nosaka tÄ trajektoriju utt.
Vai arÄ«, ja datu bÅ«tu bezgalÄ«gi daudz, tad bÅ«tu iespÄjams apmÄcÄ«t vienu tÄ«klu visiem iespÄjamiem rezultÄtiem (acÄ«mredzot Å”Ädu datu masÄ«vu nevar savÄkt).
AtdalÄ«Å”anas pieeja mums saka ā apmÄcÄ«sim tÄ«klu, lai tas pats varÄtu atŔķirt jÄdzienus. Lai pÄc video veidotu iegulÅ”anu, kur viens laukums noteiktu darbÄ«bu, laicÄ«gi noteiktu stÄvokli uz grÄ«das, noteiktu cilvÄka augumu un personas dzimumu. TajÄ paÅ”Ä laikÄ, apmÄcot, es vÄlÄtos gandrÄ«z nevis rosinÄt tÄ«klu ar Å”Ädiem galvenajiem jÄdzieniem, bet gan lai tas izceltu un grupÄtu jomas. Å Ädu rakstu ir diezgan daudz (daži no tiem 1, 2, 3) un kopumÄ tie ir diezgan teorÄtiski.
Bet Å”im virzienam, vismaz teorÄtiski, vajadzÄtu aptvert sÄkumÄ uzskaitÄ«tÄs problÄmas.
Sejas sadalÄ«Å”ana pÄc parametriem "izmÄrs, uzacis, orientÄcija, Ädas krÄsa utt."
Cits
Ir daudzas citas, ne tik globÄlas jomas, kas ļauj kaut kÄ samazinÄt datu bÄzi, strÄdÄt ar neviendabÄ«gÄkiem datiem utt.
UzmanÄ«bu. IespÄjams, nav jÄgas to nodalÄ«t kÄ atseviŔķu metodi. Tikai pieeja, kas uzlabo citus. ViÅam veltÄ«ti daudzi raksti (1,2,3). UzmanÄ«bas mÄrÄ·is ir uzlabot tÄ«kla reakciju tieÅ”i uz nozÄ«mÄ«giem objektiem apmÄcÄ«bas laikÄ. Bieži vien pÄc kÄda veida ÄrÄja mÄrÄ·a apzÄ«mÄjuma vai neliela ÄrÄjÄ tÄ«kla.
3D simulÄcija. Ja uztaisa labu 3D dzinÄju, ar to bieži var nosegt 90% treniÅu datu (es pat redzÄju piemÄru, kur gandrÄ«z 99% datu sedza labs dzinÄjs). Ir daudz ideju un uzlauÅ”anas, kÄ panÄkt, lai tÄ«kls, kas apmÄcÄ«ts 3D dzinÄjÄ, darbotos, izmantojot reÄlus datus (precÄ«za regulÄÅ”ana, stila pÄrsÅ«tÄ«Å”ana utt.). TaÄu bieži vien laba dzinÄja izveidoÅ”ana ir par vairÄkÄm kÄrtÄm grÅ«tÄka nekÄ datu vÄkÅ”ana. DzinÄju izgatavoÅ”anas piemÄri:
Robotu apmÄcÄ«ba (Google, smadzeÅu dÄrzs)
treniÅÅ” atzÄ«Å”anu preces veikalÄ (bet tajos divos projektos, ko taisÄ«jÄm, bez tÄ varÄjÄm viegli iztikt).
ApmÄcÄ«ba TeslÄ (atkal video iepriekÅ”).
Atzinumi
Viss raksts savÄ ziÅÄ ir secinÄjumi. IespÄjams, galvenais vÄstÄ«jums, ko vÄlÄjos izteikt, bija "bezmaksas ir beiguÅ”Äs, neironi vairs nesniedz vienkÄrÅ”us risinÄjumus." Tagad mums ir smagi jÄstrÄdÄ, lai pieÅemtu sarežģītus lÄmumus. Vai arÄ« smagi strÄdÄjiet, veicot sarežģītus zinÄtniskus pÄtÄ«jumus.
KopumÄ tÄma ir apspriežama. VarbÅ«t lasÄ«tÄjiem ir interesantÄki piemÄri?