{"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\/pl\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","title":{"rendered":"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Niedawno pojawi\u0142a si\u0119 <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\">artyku\u0142<\/a><\/noindex>, kt\u00f3ra dobrze pokazuje tendencje w uczeniu maszynowym ostatnich lat. Kr\u00f3tko m\u00f3wi\u0105c, liczba startup\u00f3w w dziedzinie uczenia maszynowego w ci\u0105gu ostatnich dw\u00f3ch lat gwa\u0142townie spad\u0142a.<\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/68b58feab2da46b7bb6f412e088313c1.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\nC\u00f3\u017c, rozwi\u0105\u017cmy kwesti\u0119 \u00abczy b\u0105bel p\u0119k\u0142\u00bb, \u00abjak dalej \u017cy\u0107\u00bb i porozmawiajmy, sk\u0105d w og\u00f3le ta sytuacja.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><br \/>\nNa pocz\u0105tek porozmawiajmy o tym, co by\u0142o buforem tej krzywej. Sk\u0105d si\u0119 wzi\u0119\u0142a? Zapewne wszyscy pami\u0119taj\u0105 <noindex><a rel=\"nofollow\" href=\"https:\/\/papers.nips.cc\/paper\/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf\">zwyci\u0119stwo<\/a><\/noindex> uczenia maszynowego w 2012 roku w konkursie ImageNet. To by\u0142o pierwsze globalne wydarzenie! Ale w rzeczywisto\u015bci nie jest to takie proste. Poza tym wzrost krzywej zaczyna si\u0119 nieco wcze\u015bniej. Podzieli\u0142bym go na kilka moment\u00f3w.<\/p>\n<ol>\n<li>Rok 2008 to pojawienie si\u0119 terminu \"wielkie dane\". Prawdziwe produkty zacz\u0119\u0142y si\u0119 <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\">pojawi\u0107 si\u0119<\/a><\/noindex> od 2010 roku. Wielkie dane s\u0105 \u015bci\u015ble zwi\u0105zane z uczeniem maszynowym. Bez wielkich danych niemo\u017cliwe jest stabilne dzia\u0142anie algorytm\u00f3w, kt\u00f3re istnia\u0142y w\u00f3wczas. A to nie s\u0105 sieci neuronowe. Do 2012 roku sieci neuronowe by\u0142y domen\u0105 marginalnej mniejszo\u015bci. Jednak wtedy zacz\u0119\u0142y dzia\u0142a\u0107 zupe\u0142nie inne algorytmy, kt\u00f3re istnia\u0142y ju\u017c od lat, a nawet dziesi\u0119cioleci: <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 rok), <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/Random_forest\">Random Forest<\/a><\/noindex> (1995), <noindex>AdaBoost<\/noindex> (2003),\u2026 Startupy tamtych lat w pierwszej kolejno\u015bci zajmowa\u0142y si\u0119 automatyczn\u0105 obr\u00f3bk\u0105 danych strukturalnych: kasy, u\u017cytkownicy, reklama, wiele innych.\n<p>Pochodn\u0105 tej pierwszej fali jest zestaw framework\u00f3w, takich jak XGBoost, CatBoost, LightGBM i tak dalej.\n<\/li>\n<li>W latach 2011-2012 <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Convolutional_neural_network\">sieci neuronowe konwolucyjne<\/a><\/noindex> wygra\u0142y szereg konkurs\u00f3w dotycz\u0105cych rozpoznawania obraz\u00f3w. Rzeczywiste ich zastosowanie nieco si\u0119 op\u00f3\u017ani\u0142o. Powiedzia\u0142bym, \u017ce masowo przemy\u015blane startupy i rozwi\u0105zania zacz\u0119\u0142y si\u0119 pojawia\u0107 od 2014 roku. Dwa lata zaj\u0119\u0142o zrozumienie, \u017ce sieci neuronowe rzeczywi\u015bcie dzia\u0142aj\u0105, stworzenie wygodnych framework\u00f3w, kt\u00f3re mo\u017cna by\u0142o wdro\u017cy\u0107 i uruchomi\u0107 w rozs\u0105dnym czasie, opracowanie metod, kt\u00f3re stabilizowa\u0142yby i przyspiesza\u0142y czas konwergencji.\n<p>Sieci konwolucyjne pozwoli\u0142y na rozwi\u0105zywanie zada\u0144 zwi\u0105zanych z widzeniem maszynowym: klasyfikacja obraz\u00f3w i obiekt\u00f3w na obrazach, wykrywanie obiekt\u00f3w, rozpoznawanie obiekt\u00f3w i ludzi, poprawa obraz\u00f3w itd.<\/li>\n<li>Lata 2015-2017. Boom algorytm\u00f3w i projekt\u00f3w zwi\u0105zanych z sieciami rekurencyjnymi lub ich odpowiednikami (LSTM, GRU, TransformerNet itp.). Pojawi\u0142y si\u0119 dobrze dzia\u0142aj\u0105ce algorytmy \u201emowa-na-tekst\u201d, systemy maszynowego t\u0142umaczenia. Cz\u0119\u015bciowo opieraj\u0105 si\u0119 na sieciach konwolucyjnych do wydobywania podstawowych cech. Cz\u0119\u015bciowo na tym, \u017ce nauczyli\u015bmy si\u0119 zbiera\u0107 naprawd\u0119 du\u017ce i dobre zbiory danych. <\/li>\n<\/ol>\n<p>\n<img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/d4b3a1dd2483ef1300862f5f61db645a.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\n\u201eBa\u0144ka p\u0119k\u0142a? Hype przegrzany? Umarli jak blockchain?\u201d<br \/>\nA jak\u017ce! Jutro w twoim telefonie przestanie dzia\u0142a\u0107 Siri, a pojutrze Tesla nie odr\u00f3\u017cni skr\u0119tu od kangura.<\/p>\n<p>Sieci neuronowe ju\u017c dzia\u0142aj\u0105. S\u0105 w dziesi\u0105tkach urz\u0105dze\u0144. Naprawd\u0119 pozwalaj\u0105 zarabia\u0107, zmieniaj\u0105 rynek i otaczaj\u0105cy nas \u015bwiat. Hype wygl\u0105da nieco inaczej:<\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/a2b271c8eb1cf54fe59389d10cf8e17e.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nPo prostu sieci neuronowe przesta\u0142y by\u0107 czym\u015b nowym. Tak, wielu ludzi ma wyg\u00f3rowane oczekiwania. Ale wiele firm nauczy\u0142o si\u0119 stosowa\u0107 sieci neuronowe i tworzy\u0107 na ich podstawie produkty. Sieci neuronowe daj\u0105 nowe funkcjonalno\u015bci, pozwalaj\u0105 zredukowa\u0107 miejsca pracy, obni\u017cy\u0107 ceny us\u0142ug:<\/p>\n<ul>\n<li>Firmy produkcyjne integruj\u0105 algorytmy do analizy wad na linii produkcyjnej. <\/li>\n<li>Farma hodowlana kupuje systemy do monitorowania kr\u00f3w. <\/li>\n<li> Automatyczne kombajny. <\/li>\n<li>Zautomatyzowane call-center.<\/li>\n<li>Filtry w SnapChat. (no przynajmniej co\u015b sensownego!)<\/li>\n<\/ul>\n<p>\nAle najwa\u017cniejsze, co nie jest takie oczywiste: \u201eNowych pomys\u0142\u00f3w jest coraz mniej, albo nie przynios\u0105 natychmiastowego kapita\u0142u\u201d. Sieci neuronowe rozwi\u0105za\u0142y dziesi\u0105tki problem\u00f3w. I rozwi\u0105\u017c\u0105 jeszcze wi\u0119cej. Wszystkie oczywiste pomys\u0142y, kt\u00f3re by\u0142y \u2014 stworzy\u0142y wiele startup\u00f3w. Ale wszystko, co by\u0142o na powierzchni \u2014 ju\u017c zosta\u0142o zrealizowane. W ci\u0105gu ostatnich dw\u00f3ch lat nie spotka\u0142em ani jednego nowego pomys\u0142u na zastosowanie sieci neuronowych. \u017badnego nowego podej\u015bcia (no dobra, jest kilka problem\u00f3w z GAN-ami).<\/p>\n<p>A ka\u017cdy kolejny startup jest coraz trudniejszy. Wymaga ju\u017c nie dw\u00f3ch ch\u0142opak\u00f3w szkol\u0105cych sie\u0107 neuronow\u0105 na otwartych danych. Wymaga programist\u00f3w, serwer\u00f3w, zespo\u0142u do oznaczania, z\u0142o\u017conego wsparcia itp.<\/p>\n<p>W rezultacie \u2014 startup\u00f3w jest coraz mniej. A produkcji wi\u0119cej. Trzeba doda\u0107 rozpoznawanie tablic rejestracyjnych? Na rynku s\u0105 setki specjalist\u00f3w z odpowiednim do\u015bwiadczeniem. Mo\u017cna zatrudni\u0107 i w ci\u0105gu kilku miesi\u0119cy tw\u00f3j pracownik stworzy system. Lub kupi\u0107 gotowy. Ale tworzenie nowego startupu?.. Szale\u0144stwo!<\/p>\n<p>Musisz stworzy\u0107 system \u015bledzenia odwiedzaj\u0105cych \u2013 po co p\u0142aci\u0107 za mn\u00f3stwo licencji, skoro mo\u017cna w ci\u0105gu 3-4 miesi\u0119cy zbudowa\u0107 w\u0142asny, dostosowany do swojego biznesu. <\/p>\n<p>Neuronalne sieci przechodz\u0105 teraz t\u0119 sam\u0105 drog\u0119, kt\u00f3r\u0105 przeby\u0142y dziesi\u0105tki innych technologii. <\/p>\n<p>Pami\u0119tasz, jak poj\u0119cie \u201etw\u00f3rca stron internetowych\u201d zmienia\u0142o si\u0119 od 1995 roku? Dop\u00f3ki rynek nie jest nasycony specjalistami. Profesjonalist\u00f3w jest bardzo ma\u0142o. Ale mog\u0119 si\u0119 spiera\u0107, \u017ce za 5-10 lat nie b\u0119dzie wi\u0119kszej r\u00f3\u017cnicy mi\u0119dzy programist\u0105 Java a tw\u00f3rc\u0105 sieci neuronowych. Specjalist\u00f3w obu kategorii b\u0119dzie wystarczaj\u0105co du\u017co na rynku.<\/p>\n<p>Po prostu pojawi si\u0119 klasa zada\u0144, do kt\u00f3rych b\u0119d\u0105 u\u017cywane sieci neuronowe. Pojawia si\u0119 zadanie \u2013 zatrudniasz specjalist\u0119.<\/p>\n<p><b>\u201eA co dalej? Gdzie obiecana sztuczna inteligencja?\u201d<\/b><\/p>\n<p>A tu pojawia si\u0119 ma\u0142a, ale interesuj\u0105ca niejasno\u015b\u0107 :)<\/p>\n<p>Obecny stos technologii, jak si\u0119 wydaje, nie doprowadzi nas do sztucznej inteligencji. Pomys\u0142y, ich nowo\u015b\u0107 \u2013 w du\u017cej mierze si\u0119 wyczerpa\u0142y. Porozmawiajmy o tym, co utrzymuje obecny poziom rozwoju.<\/p>\n<h3>Ograniczenia<\/h3>\n<p>\nZacznijmy od autonomicznych pojazd\u00f3w. Wydaje si\u0119, \u017ce stworzenie ca\u0142kowicie autonomicznych samochod\u00f3w przy obecnych technologiach jest mo\u017cliwe. Ale za ile lat to si\u0119 wydarzy \u2013 nie wiadomo. Tesla uwa\u017ca, \u017ce stanie si\u0119 to w ci\u0105gu kilku lat \u2013 <\/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=\"Odtwarzaj wideo\" loading=\"lazy\" width=\"480\" height=\"360\" style=\"width:100%;height:auto;\">\r\n        <div class=\"play-button\"><\/div>\r\n    <\/div><\/center><br \/>\nJest wielu innych <noindex><a rel=\"nofollow\" href=\"https:\/\/beth.technology\/truths-autonomous-vehicles\/\">specjalist\u00f3w<\/a><\/noindex>, kt\u00f3rzy oceniaj\u0105 to na 5-10 lat. <\/p>\n<p>Moim zdaniem najprawdopodobniej za 15 lat infrastruktura miast zmieni si\u0119 na tyle, \u017ce pojawienie si\u0119 autonomicznych pojazd\u00f3w stanie si\u0119 nieuniknione, stanie si\u0119 ich kontynuacj\u0105. Ale to nie mo\u017cna uzna\u0107 za inteligencj\u0119. Nowoczesna Tesla to bardzo skomplikowany proces filtrowania danych, ich wyszukiwania i ponownego uczenia. To zasady-zasady-zasady, zbieranie danych i filtry na nich (oto <noindex><a rel=\"nofollow\" href=\"http:\/\/cv-blog.ru\/?p=279\">tutaj<\/a><\/noindex> opisa\u0142em to nieco dok\u0142adniej, albo mo\u017cesz obejrze\u0107 z <noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/watch?time_continue=7614&amp;v=Ucp0TTmvqOE\">tego<\/a><\/noindex> oznaczenia).<\/p>\n<h3>Pierwszy problem<\/h3>\n<p>\nI w\u0142a\u015bnie tu widzimy <b>pierwszy fundamentalny problem<\/b>. Big Data. This is exactly what has birthed the current wave of neural networks and machine learning. Nowadays, to do something complex and automatic, a lot of data is needed. Not just a lot, but an immense amount. Automated algorithms for gathering, labeling, and utilizing this data are required. If we want the machine to recognize trucks against the sun, we first need to collect a sufficient number of samples. If we want the machine not to go crazy over a bicycle attached to a trunk, we need even more samples.<\/p>\n<p>And one example is not enough. Hundreds? Thousands? <\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/923ef975804234f1b3dcbfee0143f2b4.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h3>The second problem<\/h3>\n<p>\n<b>The second problem <\/b> \u2014 is visualizing what our neural network has understood. This is a very non-trivial task. Until now, few people understand how to visualize this. These articles are quite recent, and this is just a few examples, albeit somewhat distant:<br \/>\n<noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ods\/blog\/453788\/\">Wizualizacja<\/a><\/noindex> the fixation on textures. It shows well what the neural network tends to get fixated on + what it perceives as starting information.<\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" 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\/\">Wizualizacja<\/a><\/noindex> attention in <noindex><a rel=\"nofollow\" href=\"http:\/\/www.wildml.com\/2016\/01\/attention-and-memory-in-deep-learning-and-nlp\/\">translations<\/a><\/noindex>. In reality, attention can often be used precisely to show what triggered such a reaction in the network. I have encountered such things for debugging and product solutions. There are many articles on this topic. But the more complex the data, the harder it is to figure out how to achieve stable visualization.<\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/e0c370724115f602e5bd35b20b56f6eb.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nAnd yes, the old good set of \"look at what\u2019s inside the grid in <noindex><a rel=\"nofollow\" href=\"https:\/\/towardsdatascience.com\/how-to-visualize-convolutional-features-in-40-lines-of-code-70b7d87b0030\">filters<\/a><\/noindex>\". These images were popular 3-4 years ago, but everyone quickly understood that they are beautiful but not very meaningful.<\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/87ace90924d5b900f9382ecc6ceef6d0.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nI haven\u2019t mentioned dozens of other tips, methods, hacks, and research on how to display the internals of the network. Do these tools work? Do they help quickly understand what the problem is and debug the network?.. Extract the last few percent? Well, it\u2019s pretty much like this:<\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/6da71648c300ee3bc8673d08287b77e3.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nYou can look at any competition on Kaggle. And the description of how people make final decisions. We piled up 100-500-800 million models, and it worked!<\/p>\n<p>Of course, I am exaggerating. But these approaches do not provide quick and straightforward answers.<\/p>\n<p>With sufficient experience, by trying different options, one can produce a verdict on why your system made such a decision. However, fixing the system\u2019s behavior will be challenging. Setting a workaround, moving the threshold, adding a dataset, choosing a different backend network.<\/p>\n<h3>The third problem<\/h3>\n<p>\n<b>The third fundamental problem <\/b> \u2014 sieci ucz\u0105 nie logiki, a statystyki. Statystycznie to <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/417405\/\">twarz<\/a><\/noindex>:<\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/def14bbc2f40e4e26656a2d8032b09c1.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nLogicznie \u2014 to niezbyt podobne. Sieci neuronowe nie ucz\u0105 si\u0119 niczego skomplikowanego, je\u015bli nie s\u0105 do tego zmuszane. Zawsze ucz\u0105 si\u0119 maksymalnie prostych cech. S\u0105 oczy, nos, g\u0142owa? Oznacza to, \u017ce to twarz! Albo przynie\u015b przyk\u0142ad, gdzie oczy nie b\u0119d\u0105 oznacza\u0142y twarzy. I zn\u00f3w \u2014 miliony przyk\u0142ad\u00f3w.<\/p>\n<h3>Jest du\u017co miejsca na dnie<\/h3>\n<p>\nPowiedzia\u0142bym, \u017ce to w\u0142a\u015bnie te trzy globalne problemy ograniczaj\u0105 dzisiaj rozw\u00f3j sieci neuronowych i uczenia maszynowego. A tam, gdzie te problemy nie ogranicza\u0142y \u2014 ju\u017c aktywnie si\u0119 je wykorzystuje.<\/p>\n<p><b>Czy to koniec? Sieci neuronowe stan\u0119\u0142y?<\/b><\/p>\n<p>Nie wiadomo. Ale oczywi\u015bcie wszyscy maj\u0105 nadziej\u0119, \u017ce nie. <\/p>\n<p>Istnieje wiele podej\u015b\u0107 i kierunk\u00f3w do rozwi\u0105zania tych fundamentalnych problem\u00f3w, kt\u00f3re opisa\u0142em powy\u017cej. Ale jak dot\u0105d \u017cadne z tych podej\u015b\u0107 nie pozwoli\u0142o na stworzenie czego\u015b fundamentalnie nowego, rozwi\u0105zanie czego\u015b, co do tej pory nie zosta\u0142o rozwi\u0105zane. Jak na razie wszystkie fundamentalne projekty s\u0105 realizowane w oparciu o stabilne podej\u015bcia (Tesla), lub pozostaj\u0105 projektami testowymi instytut\u00f3w lub korporacji (Google Brain, OpenAI).<\/p>\n<p>M\u00f3wi\u0105c brutalnie, g\u0142\u00f3wnym kierunkiem jest stworzenie pewnego wysokopoziomowego przedstawienia danych wej\u015bciowych. W pewnym sensie \u201epami\u0119ci\u201d. Najprostszym przyk\u0142adem pami\u0119ci s\u0105 r\u00f3\u017cne \u201eEmbedding\u201d \u2014 przedstawienia obraz\u00f3w. Na przyk\u0142ad, wszystkie systemy rozpoznawania twarzy. Sie\u0107 uczy si\u0119 uzyskiwa\u0107 z twarzy pewne stabilne przedstawienie, kt\u00f3re nie zale\u017cy od k\u0105ta, o\u015bwietlenia, rozdzielczo\u015bci. W zasadzie sie\u0107 minimalizuje metryk\u0119 \u201er\u00f3\u017cne twarze \u2014 daleko\u201d i \u201ete same \u2014 blisko\u201d.<\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/5e9d871fe096b7a77dbe11a6e315c5e4.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDo takiego uczenia potrzebne s\u0105 dziesi\u0105tki i setki tysi\u0119cy przyk\u0142ad\u00f3w. Jednak wynik przynosi pewne zal\u0105\u017cki \u201eOne-shot Learning\u201d. Teraz nie potrzebujemy setek twarzy, by zapami\u0119ta\u0107 cz\u0142owieka. Zaledwie jedna twarz, i ju\u017c \u2014 my <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/davidsandberg\/facenet\">rozpoznajemy<\/a><\/noindex>!<br \/>\nTylko \u017ce jest problem\u2026 Sie\u0107 mo\u017ce nauczy\u0107 si\u0119 tylko do\u015b\u0107 prostych obiekt\u00f3w. Przy pr\u00f3bie rozr\u00f3\u017cniania nie twarzy, a na przyk\u0142ad \u201eludzi po ubraniu\u201d (zadanie <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@alitech_2017\/reforming-person-re-identification-with-local-convolutional-neural-networks-17148f11f17b\">Re-identyfikacja<\/a><\/noindex>) \u2014 jako\u015b\u0107 spada o wiele rz\u0119d\u00f3w. I sie\u0107 ju\u017c nie mo\u017ce nauczy\u0107 si\u0119 wystarczaj\u0105co oczywistych zmian k\u0105t\u00f3w.<\/p>\n<p>A uczenie si\u0119 na milionach przyk\u0142ad\u00f3w \u2014 te\u017c jako\u015b tak sobie rozrywka. <\/p>\n<p>S\u0105 prace nad znacznym zmniejszeniem wybor\u00f3w. Na przyk\u0142ad mo\u017cna od razu przypomnie\u0107 sobie jedn\u0105 z pierwszych prac z zakresu <b>OneShot Learning<\/b> <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/pdf\/1605.06065v1.pdf\">od Google'a<\/a><\/noindex>:<\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/da83c6f290248f2bcf963c3053a26688.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nTakich prac jest wiele, na przyk\u0142ad <noindex><a rel=\"nofollow\" href=\"https:\/\/pdfs.semanticscholar.org\/d1c4\/c4c7989102e85b5248cebfcb0cb000c3b837.pdf\">1<\/a><\/noindex> lub <noindex><a rel=\"nofollow\" href=\"https:\/\/www.cs.cmu.edu\/~rsalakhu\/papers\/oneshot1.pdf\">2<\/a><\/noindex> lub <noindex><a rel=\"nofollow\" href=\"http:\/\/www.robots.ox.ac.uk\/~tvg\/publications\/2018\/0431.pdf\">3<\/a><\/noindex>.<\/p>\n<p>Minus jeden \u2014 zazwyczaj uczenie si\u0119 dobrze dzia\u0142a na prostych, \u201eMNIST-owych przyk\u0142adach\u201d. A przy przej\u015bciu do bardziej z\u0142o\u017conych zada\u0144 \u2014 potrzebna jest du\u017ca baza, model obiekt\u00f3w lub jaka\u015b magia.<br \/>\nW og\u00f3le prace nad uczeniem One-Shot to bardzo interesuj\u0105cy temat. Mo\u017cna znale\u017a\u0107 wiele pomys\u0142\u00f3w. Ale w du\u017cej mierze te dwa problemy, kt\u00f3re wymieni\u0142em (wst\u0119pne uczenie na ogromnym zbiorze danych \/ niestabilno\u015b\u0107 na trudnych danych) \u2014 bardzo utrudniaj\u0105 nauk\u0119.<\/p>\n<p>Z drugiej strony do tematu Embedding pasuj\u0105 GAN \u2014 generatywne sieci rywalizuj\u0105ce. Na pewno czyta\u0142e\u015b na Habrze mn\u00f3stwo artyku\u0142\u00f3w na ten temat. (<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 \/>\nCech\u0105 GAN jest formowanie pewnej wewn\u0119trznej przestrzeni stan\u00f3w (w zasadzie tego samego Embedding), kt\u00f3ra pozwala na stworzenie obrazu. Mog\u0105 to by\u0107 <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/shaoanlu\/faceswap-GAN\">twarze<\/a><\/noindex>, mog\u0105 by\u0107 <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/sergeytulyakov\/mocogan\">dzia\u0142ania<\/a><\/noindex>. <\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/8c25c375dae3559b6895d6c4eb3f6cfd.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nProblem GAN \u2014 im bardziej z\u0142o\u017cony generowany obiekt, tym trudniej go opisa\u0107 w logice \u201egenerator-dyskryminator\u201d. W rezultacie z rzeczywistych zastosowa\u0144 GAN, kt\u00f3re s\u0105 na j\u0119zykach - tylko DeepFake, kt\u00f3ry znowu manipuluje wizerunkami twarzy (dla kt\u00f3rych istnieje ogromna baza).<\/p>\n<p>Innych przydatnych zastosowa\u0144 spotka\u0142em bardzo ma\u0142o. Zwykle jakie\u015b kluczki z dorabianiem obrazk\u00f3w.<\/p>\n<p>I znowu. Nikt nie ma poj\u0119cia, jak to pozwoli nam przej\u015b\u0107 do \u015bwietlanej przysz\u0142o\u015bci. Reprezentacja logiki\/przestrzeni w sieci neuronowej \u2014 to dobrze. Ale potrzebna jest ogromna liczba przyk\u0142ad\u00f3w, nie rozumiemy, jak neuronka to przedstawia, nie rozumiemy, jak zmusi\u0107 neuronki do zapami\u0119tania jakiej\u015b rzeczywi\u015bcie z\u0142o\u017conej reprezentacji.<\/p>\n<p><b>Uczenie przez wzmacnianie<\/b> \u2014 to podej\u015bcie z zupe\u0142nie innej strony. Na pewno pami\u0119tasz, jak Google pokona\u0142 wszystkich w Go. Niedawne zwyci\u0119stwa w Starcraft i Dota. Ale tu wszystko wygl\u0105da znacznie mniej r\u00f3\u017cowo i obiecuj\u0105co. Najlepiej o RL i jego trudno\u015bciach opowiada <noindex><a rel=\"nofollow\" href=\"https:\/\/www.alexirpan.com\/2018\/02\/14\/rl-hard.html\">artyku\u0142<\/a><\/noindex>.<\/p>\n<p>Je\u015bli kr\u00f3tko podsumowa\u0107, co pisa\u0142 autor:<\/p>\n<ul>\n<li>Modele prosto z pude\u0142ka nie pasuj\u0105 \/ w wi\u0119kszo\u015bci przypadk\u00f3w dzia\u0142aj\u0105 \u017ale.<\/li>\n<li>Praktyczne zadania mo\u017cna \u0142atwiej rozwi\u0105za\u0107 w inny spos\u00f3b. Boston Dynamics nie u\u017cywa RL z powodu jego z\u0142o\u017cono\u015bci \/ nieprzewidywalno\u015bci \/ trudno\u015bci obliczeniowych.<\/li>\n<li>Aby RL zadzia\u0142a\u0142 \u2014 potrzebna jest skomplikowana funkcja. Cz\u0119sto trudno j\u0105 stworzy\u0107 \/ napisa\u0107.<\/li>\n<li>Trudno uczy\u0107 modele. Trzeba po\u015bwi\u0119ci\u0107 mn\u00f3stwo czasu, aby je wytrze\u0107 i wyprowadzi\u0107 z lokalnych optimum.<\/li>\n<li>W rezultacie trudno powt\u00f3rzy\u0107 model, jego niestabilno\u015b\u0107 przy najmniejszych zmianach.<\/li>\n<li>Cz\u0119sto nadmiernie dopasowuje si\u0119 do jakich\u015b losowych wzorc\u00f3w, a\u017c do generator\u00f3w liczb losowych.<\/li>\n<\/ul>\n<p>\nKluczowym punktem jest to, \u017ce RL obecnie nie dzia\u0142a w produkcji. Google prowadzi jakie\u015b eksperymenty ( <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> ). Ale nie widzia\u0142em \u017cadnego produktu systemowego.<\/p>\n<p><b>Pami\u0119\u0107<\/b>. Minusem wszystkiego, co opisano powy\u017cej, jest brak struktury. Jednym z podej\u015b\u0107, jak to pr\u00f3buj\u0105 uporz\u0105dkowa\u0107, jest umo\u017cliwienie sieci neuronowej dost\u0119pu do osobnej pami\u0119ci, aby mog\u0142a zapisywa\u0107 i nadpisywa\u0107 wyniki swoich krok\u00f3w. W\u00f3wczas sie\u0107 neuronowa mo\u017ce by\u0107 definiowana przez aktualny stan pami\u0119ci. To bardzo przypomina klasyczne procesory i komputery.<\/p>\n<p>Najbardziej znane i popularne <noindex>artyku\u0142 <\/noindex> \u2014 od DeepMind:<\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/acc6bcd86c8c071fbd9776a91f990752.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nWygl\u0105da na to, \u017ce oto jest klucz do zrozumienia inteligencji? Ale raczej nie. System nadal wymaga ogromnych zbior\u00f3w danych do trenowania. A dzia\u0142a g\u0142\u00f3wnie na zorganizowanych danych tabelarycznych. Przy tym gdy Facebook <noindex><a rel=\"nofollow\" href=\"https:\/\/embodiedqa.org\/\">rozwi\u0105zywa\u0142 <\/a><\/noindex>analogiczny problem, poszed\u0142 w kierunku \u201edo\u015b\u0107 z pami\u0119ci\u0105, po prostu zr\u00f3bmy sie\u0107 neuronow\u0105 bardziej z\u0142o\u017con\u0105, a przyk\u0142ad\u00f3w wi\u0119cej \u2014 i ona sama si\u0119 nauczy\u201d.<\/p>\n<p><b>Rozdzielenie<\/b>. Innym sposobem stworzenia znacz\u0105cej pami\u0119ci jest wykorzystanie tych samych embedding\u00f3w, ale wprowadzaj\u0105c dodatkowe kryteria podczas treningu, kt\u00f3re pozwoli\u0142yby wydobywa\u0107 z nich \u201eznaczenia\u201d. Na przyk\u0142ad chcieliby\u015bmy wytrenowa\u0107 sie\u0107 neuronow\u0105 do rozr\u00f3\u017cniania zachowa\u0144 ludzi w sklepie. Gdyby\u015bmy poszli standardow\u0105 drog\u0105 \u2014 musieliby\u015bmy stworzy\u0107 dziesi\u0119\u0107 sieci. Jedna szuka cz\u0142owieka, druga okre\u015bla, co robi, trzecia jego wiek, czwarta \u2014 p\u0142e\u0107. Oddzielna logika obserwuje cz\u0119\u015b\u0107 sklepu, gdzie on dzia\u0142a\/uczy si\u0119 na ten temat. Trzecia okre\u015bla jego trajektori\u0119, itd.<\/p>\n<p>Lub, gdyby danych by\u0142o niesko\u0144czono\u015b\u0107, mo\u017cna by wytrenowa\u0107 jedn\u0105 sie\u0107 na wszelkie mo\u017cliwe wyniki (oczywi\u015bcie nie mo\u017cna zebra\u0107 tak ogromnego zbioru danych).<\/p>\n<p>Podej\u015bcie do dezentylgencji m\u00f3wi nam \u2014 a dlaczego nie nauczy\u0107 sieci w taki spos\u00f3b, aby sama potrafi\u0142a rozr\u00f3\u017cnia\u0107 poj\u0119cia. \u017beby potrafi\u0142a na podstawie wideo stworzy\u0107 embedding, gdzie jeden obszar okre\u015bla\u0142by dzia\u0142anie, inny \u2014 pozycj\u0119 na pod\u0142odze w czasie, inny \u2014 wzrost cz\u0142owieka, a jeszcze inny \u2014 jego p\u0142e\u0107. Przy tym, podczas uczenia, chcia\u0142bym prawie nie podpowiada\u0107 sieci takich kluczowych poj\u0119\u0107, a \u017ceby sama wyr\u00f3\u017cnia\u0142a i grupowa\u0142a obszary. Takich artyku\u0142\u00f3w jest stosunkowo ma\u0142o (niekt\u00f3re z nich <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>) i og\u00f3lnie s\u0105 do\u015b\u0107 teoretyczne. <\/p>\n<p>Jednak to kierunek, przynajmniej teoretycznie, powinien zamyka\u0107 wymienione na pocz\u0105tku problemy.<\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/b36046dc3cbe3b849e1d3a60f56ec3a2.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nRozk\u0142ad obrazu wed\u0142ug parametr\u00f3w \u201ekolor \u015bcian\/kolor pod\u0142ogi\/kszta\u0142t obiektu\/kolor obiektu\/i.t.d.\u201d<\/p>\n<p><img decoding=\"async\" alt=\"Czy ba\u0144ka sztucznej inteligencji p\u0119k\u0142a, czy to pocz\u0105tek nowej ery\" src=\"\/wp-content\/uploads\/4d5ac8dfc43f76b35f3490c26049c7db.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nRozk\u0142ad twarzy wed\u0142ug parametr\u00f3w \u201erozmiar, brwi, orientacja, kolor sk\u00f3ry, i.t.d.\u201d<\/p>\n<h3>Inne<\/h3>\n<p>\nIstnieje wiele innych, niezbyt globalnych kierunk\u00f3w, kt\u00f3re pozwalaj\u0105 jako\u015b zmniejsza\u0107 bazy, pracowa\u0107 z bardziej zr\u00f3\u017cnicowanymi danymi, i.t.d.<\/p>\n<p><b>Attention<\/b>. Prawdopodobnie nie ma sensu \u0432\u044b\u0434\u0435\u043b\u044f\u0442\u044c \u044d\u0442\u043e jako osobn\u0105 metod\u0119. Po prostu podej\u015bcie, kt\u00f3re wzmacnia inne. Jest mu po\u015bwi\u0119conych wiele artyku\u0142\u00f3w (<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>). Sens Attention polega na tym, by wzmocni\u0107 reakcj\u0119 sieci na istotne obiekty podczas uczenia. Cz\u0119sto poprzez jakie\u015b zewn\u0119trzne wskazanie celu lub niewielk\u0105 zewn\u0119trzn\u0105 sie\u0107.<\/p>\n<p><b>Symulacja 3D<\/b>. Je\u015bli stworzy\u0107 dobry silnik 3D, mo\u017cna nim cz\u0119sto zamkn\u0105\u0107 90% danych treningowych (widzia\u0142em nawet przyk\u0142ad, kiedy prawie 99% danych zamykano przy u\u017cyciu dobrego silnika). Istnieje wiele pomys\u0142\u00f3w i hack\u00f3w, jak zmusi\u0107 sie\u0107 wytrenowan\u0105 na silniku 3D do pracy z rzeczywistymi danymi (fine tuning, style transfer, i.t.d.). Ale cz\u0119sto stworzenie dobrego silnika \u2014 jest o kilka rz\u0119d\u00f3w wielko\u015bci trudniejsze ni\u017c zebranie danych. Przyk\u0142ady, kiedy tworzono silniki:<br \/>\nNauka robot\u00f3w (<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 \/>\nSzkolenia <noindex><a rel=\"nofollow\" href=\"https:\/\/neuromation.io\/\">rozpoznawania<\/a><\/noindex> towar\u00f3w w sklepie (jednak w dw\u00f3ch projektach, kt\u00f3re zrobili\u015bmy \u2014 spokojnie obejshli\u015bmy si\u0119 bez tego).<br \/>\nNauka w Tesli (znowu to wideo, kt\u00f3re by\u0142o wcze\u015bniej).<\/p>\n<h2>Wnioski<\/h2>\n<p>\nCa\u0142y artyku\u0142 to w pewnym sensie wnioski. Prawdopodobnie g\u0142\u00f3wny przekaz, kt\u00f3ry chcia\u0142em przekaza\u0107 \u2014 \u201ekoniec \u0142atwych rozwi\u0105za\u0144, sieci neuronowe nie oferuj\u0105 ju\u017c prostych wynik\u00f3w\u201d. Teraz trzeba pracowa\u0107, buduj\u0105c skomplikowane rozwi\u0105zania. Lub pracowa\u0107, robi\u0105c skomplikowane badania naukowe.<\/p>\n<p>A w og\u00f3le temat jest dyskusyjny. Mo\u017ce czytelnicy maj\u0105 jakie\u015b ciekawsze przyk\u0142ady?<br \/>\n<br \/>\u0179r\u00f3d\u0142o: <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 5.0.1.1 - 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\/pl\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.1.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"pl_PL\" \/>\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\/pl\/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\udd47Czy p\u0119k\u0142 balon uczenia maszynowego, czy to pocz\u0105tek nowego \u015bwitu | ProHoster","description":"Niedawno pojawi\u0142a si\u0119","canonical_url":"https:\/\/prohoster.info\/pl\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"pl_PL","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\/pl\/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\/pl\/wp-json\/wp\/v2\/posts\/35293","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/comments?post=35293"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/posts\/35293\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/media?parent=35293"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/categories?post=35293"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/tags?post=35293"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}