{"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\/sv\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","title":{"rendered":"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Nyligen sl\u00e4pptes <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\">artikeln<\/a><\/noindex>, som visar trenden inom maskininl\u00e4rning under de senaste \u00e5ren. Kort sagt: antalet startups inom maskininl\u00e4rning har minskat kraftigt de senaste tv\u00e5 \u00e5ren.<\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/68b58feab2da46b7bb6f412e088313c1.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\nN\u00e5v\u00e4l. L\u00e5t oss ta reda p\u00e5 om \"bubblan sprack\", \"hur man lever vidare\" och diskutera hur denna situation \u00f6verhuvudtaget uppstod.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><br \/>\nF\u00f6rst pratar vi om vad som var en drivkraft bakom denna kurva. Var kom den ifr\u00e5n? Antagligen kommer alla ih\u00e5g <noindex><a rel=\"nofollow\" href=\"https:\/\/papers.nips.cc\/paper\/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf\">segern<\/a><\/noindex> inom maskininl\u00e4rning 2012 vid t\u00e4vlingen ImageNet. Trots att detta var ett f\u00f6rsta globalt evenemang! Men i verkligheten var det inte s\u00e5. Och tillv\u00e4xtkurvan b\u00f6rjar faktiskt n\u00e5got tidigare. Jag skulle dela upp den i flera punkter.<\/p>\n<ol>\n<li>\u00c5ret 2008 var d\u00e5 termen \u201cstora data\u201d d\u00f6k upp. Riktiga produkter b\u00f6rjade <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\">det uppst\u00e5<\/a><\/noindex> fr\u00e5n och med 2010. Stora data \u00e4r direkt kopplade till maskininl\u00e4rning. Utan stora data \u00e4r det om\u00f6jligt att algoritmerna fungerar stabilt, som fanns vid den tidpunkten. Och det handlar inte om neurala n\u00e4tverk. Fram till 2012 var neurala n\u00e4tverk n\u00e5got som bara en marginaliserad minoritet sysslade med. Men d\u00e5 b\u00f6rjade helt andra algoritmer, som redan hade funnits i \u00e5ratal, om inte decennier, att fungera: <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 fr\u00e5n dessa \u00e5r handlade f\u00f6rst och fr\u00e4mst om automatisk behandling av strukturerade data: kassor, anv\u00e4ndare, reklam, mycket mer.\n<p>En avledning av denna f\u00f6rsta v\u00e5g \u00e4r upps\u00e4ttningar av ramverk, s\u00e5som XGBoost, CatBoost, LightGBM, etc.\n<\/li>\n<li>Under 2011-2012 <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Convolutional_neural_network\">konvolutionella neurala n\u00e4tverk<\/a><\/noindex> vann flera t\u00e4vlingar inom bildigenk\u00e4nning. Deras verkliga anv\u00e4ndning drog dock ut p\u00e5 tiden. Jag skulle s\u00e4ga att massiva, genomt\u00e4nkta startups och l\u00f6sningar b\u00f6rjade dyka upp fr\u00e5n 2014. Det tog tv\u00e5 \u00e5r att bearbeta att neurala n\u00e4tverk faktiskt fungerar, att skapa anv\u00e4ndarv\u00e4nliga ramverk som kunde installeras och k\u00f6ras p\u00e5 rimlig tid samt att utveckla metoder f\u00f6r att stabilisera och snabba upp konvergensen.\n<p>Konvolutionella n\u00e4tverk till\u00e5ter att l\u00f6sa uppgifter inom maskinsyn: klassificering av bilder och objekt p\u00e5 bilder, detektering av objekt, igenk\u00e4nning av objekt och m\u00e4nniskor, bildf\u00f6rb\u00e4ttring, med mera.<\/li>\n<li>2015-2017. En boom av algoritmer och projekt kopplade till rekurrenta n\u00e4tverk eller deras motsvarigheter (LSTM, GRU, TransformerNet etc.). Det d\u00f6k upp effektiva algoritmer f\u00f6r \"tal-till-text\" och maskin\u00f6vers\u00e4ttning. Delvis baseras de p\u00e5 konvolutionsn\u00e4tverk f\u00f6r att extrahera grundl\u00e4ggande funktioner. Delvis p\u00e5 att vi har l\u00e4rt oss att samla verkligt stora och bra datam\u00e4ngder. <\/li>\n<\/ol>\n<p>\n<img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/d4b3a1dd2483ef1300862f5f61db645a.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\n\"Har bubblan spruckit? \u00c4r hypen \u00f6verhettad? Har de d\u00f6tt som blockchain?\"<br \/>\nDet kan h\u00e4nda! Imorgon slutar Siri att fungera p\u00e5 din telefon, och dagen efter kan Tesla inte skilja en sv\u00e4ng fr\u00e5n en k\u00e4nguru.<\/p>\n<p>Neurala n\u00e4tverk \u00e4r redan i bruk. De finns i tiotals enheter. De m\u00f6jligg\u00f6r faktiskt int\u00e4ktsgenerering, f\u00f6r\u00e4ndrar marknaden och omv\u00e4rlden. Hypen ser lite annorlunda ut:<\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/a2b271c8eb1cf54fe59389d10cf8e17e.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nNeurala n\u00e4tverk har helt enkelt slutat vara n\u00e5got nytt. Ja, m\u00e5nga m\u00e4nniskor har en \u00f6verdriven f\u00f6rv\u00e4ntan. Men ett stort antal f\u00f6retag har l\u00e4rt sig att till\u00e4mpa neurala n\u00e4tverk och skapa produkter baserade p\u00e5 dem. Neurala n\u00e4tverk ger ny funktionalitet, till\u00e5ter att minska arbetskraft och s\u00e4nka tj\u00e4nstekostnader:<\/p>\n<ul>\n<li>Tillverkningsf\u00f6retag integrerar algoritmer f\u00f6r att analysera defekter p\u00e5 produktionslinjen. <\/li>\n<li>Lantbrukare k\u00f6per system f\u00f6r att \u00f6vervaka kor. <\/li>\n<li> Automatiska sk\u00f6rdemaskiner. <\/li>\n<li>Automatiserade callcenter.<\/li>\n<li>Filter i SnapChat. (n\u00e5got konkret i alla fall!)<\/li>\n<\/ul>\n<p>\nMen det viktigaste, och inte det mest uppenbara: \"Det finns inga nya id\u00e9er l\u00e4ngre, eller de kommer inte att ge omedelbar avkastning\". Neurala n\u00e4tverk har l\u00f6st tiotals problem. Och de kommer att l\u00f6sa \u00e4nnu fler. Alla uppenbara id\u00e9er som fanns har genererat m\u00e5nga startups. Men allt som var uppenbart \u00e4r redan samlat. Under de senaste tv\u00e5 \u00e5ren har jag inte st\u00f6tt p\u00e5 n\u00e5gon ny id\u00e9 f\u00f6r till\u00e4mpning av neurala n\u00e4tverk. Ingen ny metod (n\u00e5gorlunda, det finns lite kr\u00e5ngel med GAN).<\/p>\n<p>Och varje n\u00e4sta startup blir allt sv\u00e5rare. Den kr\u00e4ver inte l\u00e4ngre bara tv\u00e5 killar som tr\u00e4nar ett neuralt n\u00e4tverk med \u00f6ppna data. Den kr\u00e4ver programmerare, servrar, ett team av annotat\u00f6rer, komplex support, och s\u00e5 vidare.<\/p>\n<p>Som resultat blir det f\u00e4rre startups. Men produktionen \u00f6kar. Beh\u00f6ver du implementera registreringssk\u00e4nnare? Det finns hundratals experter p\u00e5 marknaden med relevant erfarenhet. Du kan anst\u00e4lla och p\u00e5 ett par m\u00e5nader s\u00e5 kan din anst\u00e4llda utveckla systemet. Eller k\u00f6pa ett f\u00e4rdigt. Men att starta en ny startup?.. Det \u00e4r galet!<\/p>\n<p>Det \u00e4r n\u00f6dv\u00e4ndigt att g\u00f6ra ett system f\u00f6r att sp\u00e5ra bes\u00f6kare \u2014 varf\u00f6r betala f\u00f6r en m\u00e4ngd licenser n\u00e4r man kan skapa sitt eget p\u00e5 3-4 m\u00e5nader, skr\u00e4ddarsytt f\u00f6r sin verksamhet. <\/p>\n<p>Just nu genomg\u00e5r neurala n\u00e4tverk samma v\u00e4g som m\u00e5nga andra teknologier har gjort. <\/p>\n<p>Kommer ni ih\u00e5g hur begreppet \"webbutvecklare\" har f\u00f6r\u00e4ndrats sedan 1995? Marknaden hade inte \u00e4nnu blivit m\u00e4ttad med specialister. Det finns mycket f\u00e5 professionella. Men jag kan n\u00e4stan garantera att om 5-10 \u00e5r kommer det inte vara n\u00e5gon stor skillnad mellan en Java-programmerare och en utvecklare av neurala n\u00e4tverk. B\u00e5da typerna av specialister kommer att finnas i tillr\u00e4ckliga m\u00e4ngder p\u00e5 marknaden.<\/p>\n<p>Det kommer helt enkelt att finnas en typ av uppgifter som ska l\u00f6sas av neurala n\u00e4tverk. N\u00e4r en uppgift uppst\u00e5r \u2014 anst\u00e4ller man en specialist.<\/p>\n<p><b>\"Och vad h\u00e4nder sedan? Var \u00e4r den utlovade artificiella intelligensen?\"<\/b><\/p>\n<p>Och h\u00e4r finns det en liten, men intressant oklarhet :)<\/p>\n<p>Den tekniska stack som finns idag, verkar inte leda oss till artificiell intelligens. Id\u00e9erna, deras nyhet \u2014 har delvis utt\u00f6mt sig. L\u00e5t oss prata om vad som h\u00e5ller den aktuella utvecklingsniv\u00e5n tillbaka.<\/p>\n<h3>Begr\u00e4nsningar<\/h3>\n<p>\nVi b\u00f6rjar med sj\u00e4lvk\u00f6rande bilar. Det verkar som om det \u00e4r tydligt att helt autonoma fordon kan skapas med dagens teknologi \u2014 men hur m\u00e5nga \u00e5r kommer det att ta innan det h\u00e4nder \u2014 \u00e4r oklart. Tesla anser att det kommer att ske om ett par \u00e5r \u2014 <\/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=\"Spela video\" loading=\"lazy\" width=\"480\" height=\"360\" style=\"width:100%;height:auto;\">\r\n        <div class=\"play-button\"><\/div>\r\n    <\/div><\/center><br \/>\nDet finns m\u00e5nga andra <noindex><a rel=\"nofollow\" href=\"https:\/\/beth.technology\/truths-autonomous-vehicles\/\">specialister<\/a><\/noindex>, som uppskattar det till 5-10 \u00e5r. <\/p>\n<p>Sannolikt, enligt min \u00e5sikt, kommer st\u00e4derna om cirka 15 \u00e5r att f\u00f6r\u00e4ndras s\u00e5 mycket att f\u00f6reteelsen av autonoma fordon blir oundviklig, blir en forts\u00e4ttning av infrastrukturen. Men det kan ju inte r\u00e4knas som intelligens. Moderna Tesla \u00e4r en mycket komplex konveyor av databehandling, datainsamling och omtr\u00e4ning. Det \u00e4r regler-regler-regler, insamling av data och filter p\u00e5 dem (h\u00e4r <noindex><a rel=\"nofollow\" href=\"http:\/\/cv-blog.ru\/?p=279\">). Ett typiskt exempel p\u00e5 anv\u00e4ndning:<\/a><\/noindex> har jag skrivit mer om detta, eller titta med <noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/watch?time_continue=7614&amp;v=Ucp0TTmvqOE\">denna<\/a><\/noindex> markeringen).<\/p>\n<h3>Det f\u00f6rsta problemet<\/h3>\n<p>\nOch just h\u00e4r ser vi <b>det f\u00f6rsta grundl\u00e4ggande problemet<\/b>. Stora data. Det \u00e4r precis detta som har gett upphov till den nuvarande v\u00e5gen av neurala n\u00e4tverk och maskininl\u00e4rning. Nu, f\u00f6r att g\u00f6ra n\u00e5got komplext och automatiserat, beh\u00f6vs det mycket data. Inte bara mycket, utan extremt mycket. Automatiserade algoritmer f\u00f6r insamling, m\u00e4rkning och anv\u00e4ndning \u00e4r n\u00f6dv\u00e4ndiga. Om vi vill att maskinen ska se lastbilar mot solen \u2014 m\u00e5ste vi f\u00f6rst samla tillr\u00e4ckligt m\u00e5nga exemplar. Om vi vill att maskinen inte ska bli f\u00f6rvirrad av en cykel som \u00e4r f\u00e4st vid bagageutrymmet \u2014 beh\u00f6vs \u00e4nnu fler prover.<\/p>\n<p>F\u00f6r ett exempel r\u00e4cker det inte. Hundratals? Tusentals? <\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/923ef975804234f1b3dcbfee0143f2b4.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h3>Det andra problemet<\/h3>\n<p>\n<b>Det andra problemet <\/b> \u2014 visualiseringen av vad v\u00e5rt neurala n\u00e4tverk har f\u00f6rst\u00e5tt. Det \u00e4r en v\u00e4ldigt o\u00f6versk\u00e5dlig uppgift. \u00c4nd\u00e5 \u00e4r det f\u00e5 som riktigt f\u00f6rst\u00e5r hur man visualiserar detta. Dessa artiklar \u00e4r ganska aktuella, och h\u00e4r \u00e4r bara n\u00e5gra exempel, om \u00e4n avl\u00e4gsna:<br \/>\n<noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ods\/blog\/453788\/\">Visualisering<\/a><\/noindex> koncentration p\u00e5 texturer. Visar tydligt vad neurala n\u00e4tverket tenderar att fokusera p\u00e5 + vad det uppfattar som grundl\u00e4ggande information.<\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" 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> uppm\u00e4rksamhet vid <noindex><a rel=\"nofollow\" href=\"http:\/\/www.wildml.com\/2016\/01\/attention-and-memory-in-deep-learning-and-nlp\/\">\u00f6vers\u00e4ttningar<\/a><\/noindex>. Faktiskt kan uppm\u00e4rksamhet ofta anv\u00e4ndas just f\u00f6r att visa vad som har orsakat n\u00e4tverkets reaktion. Jag har st\u00f6tt p\u00e5 s\u00e5dana saker b\u00e5de f\u00f6r debugging och f\u00f6r produktl\u00f6sningar. Det finns m\u00e5nga artiklar om detta \u00e4mne. Men ju mer komplexa data blir, desto sv\u00e5rare blir det att f\u00f6rst\u00e5 hur man uppn\u00e5r en stabil visualisering.<\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/e0c370724115f602e5bd35b20b56f6eb.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nOch ja, den gamla hederliga samlingen av \"titta p\u00e5 vad som finns inne i n\u00e4tverket i <noindex><a rel=\"nofollow\" href=\"https:\/\/towardsdatascience.com\/how-to-visualize-convolutional-features-in-40-lines-of-code-70b7d87b0030\">filtren<\/a><\/noindex>\". Dessa bilder var popul\u00e4ra f\u00f6r 3-4 \u00e5r sedan, men alla ins\u00e5g snabbt att bilderna var vackra, men inte s\u00e4rskilt meningsfulla.<\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/87ace90924d5b900f9382ecc6ceef6d0.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nJag har inte n\u00e4mnt dussintals andra knep, metoder, hacks och studier om hur man visualiserar n\u00e4tverkets inre arbete. Fungerar dessa verktyg? Hj\u00e4lper de en att snabbt f\u00f6rst\u00e5 vad problemet \u00e4r och debugga n\u00e4tverket?.. F\u00e5 ut de sista procenten? Ja, ungef\u00e4r s\u00e5 h\u00e4r:<\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/6da71648c300ee3bc8673d08287b77e3.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDu kan titta p\u00e5 vilken t\u00e4vling som helst p\u00e5 Kaggle. Och beskrivningen av hur m\u00e4nniskor skapar sina slutliga l\u00f6sningar. Vi staplade 100-500-800 miljoner modeller och det fungerade!<\/p>\n<p>Jag \u00f6verdriver naturligtvis. Men dessa metoder ger ingen snabb eller direkt l\u00f6sning.<\/p>\n<p>Med tillr\u00e4cklig erfarenhet kan man, genom att pr\u00f6va olika alternativ, \u00e5stadkomma en bed\u00f6mning av varf\u00f6r ditt system gjorde det valet. Men att \u00e4ndra systemets beteende blir sv\u00e5rt. Man kan s\u00e4tta dit en l\u00f6sning, justera tr\u00f6skeln, l\u00e4gga till en datasats, anv\u00e4nda ett annat backend-n\u00e4tverk.<\/p>\n<h3>Det tredje problemet<\/h3>\n<p>\n<b>Det tredje grundl\u00e4ggande problemet <\/b> \u2014 n\u00e4tverk l\u00e4r sig inte logik, utan statistik. Statistiskt sett \u00e4r detta <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/417405\/\">ansikte<\/a><\/noindex>:<\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/def14bbc2f40e4e26656a2d8032b09c1.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nLogiskt sett ser det inte s\u00e5 likt ut. Neurala n\u00e4tverk l\u00e4r sig inte n\u00e5got komplext om de inte tvingas. De l\u00e4r sig alltid maximalt enkla k\u00e4nnetecken. Finns det \u00f6gon, n\u00e4sa, huvud? D\u00e5 \u00e4r det ett ansikte! Annars ge ett exempel d\u00e4r \u00f6gon inte skulle inneb\u00e4ra ansikte. Och igen \u2014 miljoner exempel.<\/p>\n<h3>Det finns gott om utrymme l\u00e4ngst ner<\/h3>\n<p>\nJag skulle s\u00e4ga att det \u00e4r just dessa tre globala problem som idag begr\u00e4nsar utvecklingen av neurala n\u00e4tverk och maskininl\u00e4rning. Och d\u00e4r dessa problem inte begr\u00e4nsade, anv\u00e4nds det redan aktivt.<\/p>\n<p><b>\u00c4r det slutet? Har neurala n\u00e4tverk stannat?<\/b><\/p>\n<p>Det \u00e4r oklart. Men sj\u00e4lvklart hoppas alla att det inte \u00e4r s\u00e5. <\/p>\n<p>Det finns m\u00e5nga metoder och riktningar f\u00f6r att l\u00f6sa de grundl\u00e4ggande problem som jag n\u00e4mnde ovan. Men hittills har ingen av dessa metoder lett till n\u00e5got fundamentalt nytt, l\u00f6st n\u00e5got som \u00e4nnu inte har l\u00f6sts. Hittills g\u00f6rs alla grundl\u00e4ggande projekt p\u00e5 grundval av stabila metoder (Tesla), eller f\u00f6rblir testprojekt hos institutioner eller f\u00f6retag (Google Brain, OpenAI).<\/p>\n<p>Om man talar grovt, s\u00e5 \u00e4r det huvudsakliga riktningen \u2014 skapandet av en viss h\u00f6gre representation av ing\u00e5ngsdata. P\u00e5 n\u00e5got s\u00e4tt en 'minne'. Det enklaste exemplet p\u00e5 minne \u00e4r olika 'Embedding' \u2014 representationer av bilder. Till exempel, alla ansiktsigenk\u00e4nningssystem. N\u00e4tverket l\u00e4r sig att f\u00e5 en viss stabil representation av ett ansikte som inte p\u00e5verkas av vridningar, belysning, uppl\u00f6sning. I grund och botten minimerar n\u00e4tverket metrik 'olika ansikten \u2014 l\u00e5ngt bort' och 'lika \u2014 n\u00e4ra'.<\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/5e9d871fe096b7a77dbe11a6e315c5e4.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nF\u00f6r s\u00e5dan inl\u00e4rning beh\u00f6vs tiotusentals och hundratusentals exempel. Men resultatet b\u00e4r vissa fr\u00f6n av 'One-shot Learning'. Nu beh\u00f6ver vi inte hundratals ansikten f\u00f6r att komma ih\u00e5g en person. Bara ett ansikte, och allt \u2014 vi <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/davidsandberg\/facenet\">k\u00e4nner igen<\/a><\/noindex>!<br \/>\nMen h\u00e4r finns ett problem... N\u00e4tverket kan bara l\u00e4ra sig tillr\u00e4ckligt enkla objekt. Vid f\u00f6rs\u00f6k att s\u00e4rskilja inte ansikten, utan till exempel 'personer efter kl\u00e4der' (uppgift <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@alitech_2017\/reforming-person-re-identification-with-local-convolutional-neural-networks-17148f11f17b\">Re-identification<\/a><\/noindex>) \u2014 faller kvaliteten flera ordningar. Och n\u00e4tverket kan redan inte l\u00e4ra sig tillr\u00e4ckligt uppenbara f\u00f6r\u00e4ndringar av vinklar.<\/p>\n<p>Och att l\u00e4ra sig p\u00e5 miljoner exempel \u2014 \u00e4r ocks\u00e5 lite av en underh\u00e5llning. <\/p>\n<p>Det finns arbeten om betydande minskningar av urval. Till exempel kan man omedelbart minnas ett av de f\u00f6rsta arbetena om <b>OneShot Learning<\/b> <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/pdf\/1605.06065v1.pdf\">fr\u00e5n Google<\/a><\/noindex>:<\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/da83c6f290248f2bcf963c3053a26688.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDet finns m\u00e5nga s\u00e5dana arbeten, till exempel <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 nackdel \u00e4r att tr\u00e4ning vanligtvis fungerar bra p\u00e5 enklare exempel, s\u00e5som \u201dMNIST\u201d-exempel. Men n\u00e4r man g\u00e5r \u00f6ver till mer komplexa uppgifter beh\u00f6vs en stor databas, en modell av objekt eller n\u00e5gon sorts magi.<br \/>\nArbete med One-Shot inl\u00e4rning \u00e4r \u00f6verlag en mycket intressant \u00e4mne. Man hittar m\u00e5nga id\u00e9er. Men i stor utstr\u00e4ckning hindrar de tv\u00e5 problem som jag n\u00e4mnde (f\u00f6rtr\u00e4ning p\u00e5 en enorm dataset \/ instabilitet p\u00e5 komplexa data) l\u00e4rande.<\/p>\n<p>\u00c5 andra sidan passar GAN \u2013 generativa adversariella n\u00e4tverk \u2013 in p\u00e5 \u00e4mnet Embedding. Ni har s\u00e4kert l\u00e4st massor av artiklar om detta p\u00e5 Habr\u00e9.<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\u00e4rskiljande egenskap hos GAN \u00e4r skapandet av ett visst inre tillst\u00e5ndsomr\u00e5de (i praktiken samma som Embedding), vilket g\u00f6r att man kan rita en bild. Det kan vara <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/shaoanlu\/faceswap-GAN\">ansikten<\/a><\/noindex>, det kan vara <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/sergeytulyakov\/mocogan\">handlingar<\/a><\/noindex>. <\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/8c25c375dae3559b6895d6c4eb3f6cfd.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nProblemet med GAN \u00e4r att ju mer komplex det genererade objektet \u00e4r, desto sv\u00e5rare \u00e4r det att beskriva det i logiken \"generator-diskriminator\". Som resultat av detta \u00e4r de enda verkliga till\u00e4mpningarna av GAN som \u00e4r k\u00e4nda - DeepFake, vilket \u00e5terigen manipulerar med representationer av ansikten (f\u00f6r vilka det finns en stor databas).<\/p>\n<p>Jag har st\u00f6tt p\u00e5 mycket f\u00e5 andra nyttiga till\u00e4mpningar. Vanligtvis handlar det om sm\u00e5 trick med att rita \u00f6ver bilder.<\/p>\n<p>Och igen. Ingen har n\u00e5gon f\u00f6rst\u00e5else f\u00f6r hur detta kommer att l\u00e5ta oss g\u00e5 mot en ljus framtid. Representationen av logik\/rum i ett neuralt n\u00e4tverk \u2013 \u00e4r bra. Men det kr\u00e4vs ett enormt antal exempel, vi f\u00f6rst\u00e5r inte hur neuronn\u00e4tet representerar detta, vi f\u00f6rst\u00e5r inte hur vi f\u00e5r neuronn\u00e4tet att minnas en verkligt komplex representation.<\/p>\n<p><b>Reinforcement learning<\/b> \u00e4r en helt annan infallsvinkel. Ni minns s\u00e4kert hur Google slog alla i Go. Nyligen segrar i Starcraft och Dota. Men h\u00e4r \u00e4r allt l\u00e5ngt ifr\u00e5n s\u00e5 rosenr\u00f6tt och lovande. B\u00e4st av allt f\u00f6rklarar <noindex><a rel=\"nofollow\" href=\"https:\/\/www.alexirpan.com\/2018\/02\/14\/rl-hard.html\">article<\/a><\/noindex>.<\/p>\n<p>om man sammanfattar kort vad f\u00f6rfattaren skrev:<\/p>\n<ul>\n<li>Modeller av standardtyp passar inte \/ fungerar d\u00e5ligt i de flesta fall.<\/li>\n<li>Praktiska problem kan enklare l\u00f6sas p\u00e5 andra s\u00e4tt. Boston Dynamics anv\u00e4nder inte RL p\u00e5 grund av dess komplexitet\/ovisshet\/ber\u00e4kningssv\u00e5righeter.<\/li>\n<li>F\u00f6r att RL ska fungera beh\u00f6vs en komplex funktion. Ofta \u00e4r det sv\u00e5rt att skapa\/skriva den.<\/li>\n<li>Det \u00e4r sv\u00e5rt att tr\u00e4na modeller. Man m\u00e5ste spendera massor av tid f\u00f6r att f\u00e5 dem att fungera och ta dem ur lokala optima.<\/li>\n<li>Som en f\u00f6ljd av detta \u00e4r det sv\u00e5rt att upprepa modellen, modellen \u00e4r ostabil vid minsta f\u00f6r\u00e4ndringar.<\/li>\n<li>Den tenderar ofta att \u00f6veranpassa sig till slumpm\u00e4ssiga m\u00f6nster, till och med till en slumptalsgenerator.<\/li>\n<\/ul>\n<p>\nEn avg\u00f6rande punkt \u00e4r att RL \u00e4nnu inte fungerar i produktion. Google har vissa experiment ( <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 jag har inte sett n\u00e5got produktionssystem.<\/p>\n<p><b>Minne<\/b>. Nackdelen med allt ovanst\u00e5ende \u00e4r ostruktureringen. Ett av de s\u00e4tt som man f\u00f6rs\u00f6ker hantera detta p\u00e5 \u00e4r att ge det neurala n\u00e4tverket tillg\u00e5ng till separat minne. S\u00e5 att det kan skriva och skriva \u00f6ver resultaten av sina steg. D\u00e5 kan det neurala n\u00e4tverket definieras av det aktuella tillst\u00e5ndet i minnet. Detta liknar mycket klassiska processorer och datorer.<\/p>\n<p>Den mest k\u00e4nda och popul\u00e4ra <noindex>artikeln <\/noindex> \u2014 fr\u00e5n DeepMind:<\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/acc6bcd86c8c071fbd9776a91f990752.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDet verkar som om detta \u00e4r nyckeln till f\u00f6rst\u00e5else av intelligens? Men troligen inte. Systemet beh\u00f6ver fortfarande en enorm m\u00e4ngd data f\u00f6r tr\u00e4ning. Och det fungerar mestadels med strukturerad tabellbaserad data. N\u00e4r Facebook <noindex><a rel=\"nofollow\" href=\"https:\/\/embodiedqa.org\/\">hanterade <\/a><\/noindex>ett liknande problem valde de att \"skita i minnet, vi g\u00f6r bara n\u00e4tverket mer komplext, och fler exempel \u2014 s\u00e5 kommer det att l\u00e4ra sig sj\u00e4lvt\".<\/p>\n<p><b>Disentanglement<\/b>. Ett annat s\u00e4tt att skapa betydande minne \u00e4r att ta samma inb\u00e4ddningar, men vid tr\u00e4ning inf\u00f6ra ytterligare kriterier som skulle m\u00f6jligg\u00f6ra att s\u00e4rskilja \"meningar\" i dem. Till exempel vill vi tr\u00e4na det neurala n\u00e4tverket att s\u00e4rskilja m\u00e4nniskors beteende i aff\u00e4ren. Om vi hade f\u00f6ljt den standardv\u00e4gen skulle vi beh\u00f6va skapa ett dussin n\u00e4tverk. Ett som letar efter en person, ett annat som best\u00e4mmer vad den g\u00f6r, ett tredje som bed\u00f6mer \u00e5ldern, ett fj\u00e4rde f\u00f6r k\u00f6n. Separat logik ser p\u00e5 den del av aff\u00e4ren d\u00e4r personen befinner sig \/ tr\u00e4nas p\u00e5 detta. Det tredje avg\u00f6r deras v\u00e4g, och s\u00e5 vidare.<\/p>\n<p>Eller, om det skulle finnas o\u00e4ndligt med data, skulle man kunna tr\u00e4na ett n\u00e4tverk p\u00e5 alla m\u00f6jliga utfall (uppenbarligen g\u00e5r det inte att samla en s\u00e5dan datam\u00e4ngd).<\/p>\n<p>Disentanglement-tilv\u00e4gag\u00e5ngss\u00e4ttet s\u00e4ger oss att vi ska tr\u00e4na n\u00e4tverket s\u00e5 att det kan s\u00e4rskilja begrepp. Att det genom video ska kunna skapa inb\u00e4ddningar d\u00e4r ett omr\u00e5de definierar en handling, ett annat - positionen p\u00e5 golvet i tid, ett annat - personens l\u00e4ngd, och ett fj\u00e4rde - dess k\u00f6n. Vid tr\u00e4ningen skulle man helst vilja knappt ge n\u00e4tverket n\u00e5gra ledtr\u00e5dar f\u00f6r s\u00e5dana nyckelbegrepp, utan l\u00e5ta det sj\u00e4lv identifiera och gruppera omr\u00e5den. Det finns ganska f\u00e5 artiklar om detta (n\u00e5gra av 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>) och generellt sett \u00e4r de ganska teoretiska. <\/p>\n<p>Men detta riktning, \u00e5tminstone teoretiskt, borde kunna l\u00f6sa de problem som n\u00e4mndes i b\u00f6rjan.<\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/b36046dc3cbe3b849e1d3a60f56ec3a2.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nNedbrytning av bilden efter parametrarna \"v\u00e4ggf\u00e4rg\/gulvf\u00e4rg\/objektform\/objektf\u00e4rg\/osv.\"<\/p>\n<p><img decoding=\"async\" alt=\"Har bubblan f\u00f6r maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning?\" src=\"\/wp-content\/uploads\/4d5ac8dfc43f76b35f3490c26049c7db.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nNedbrytning av ansiktet efter parametrarna \"storlek, \u00f6gonbryn, orientering, hudf\u00e4rg, osv.\"<\/p>\n<h3>\u00d6vrigt<\/h3>\n<p>\nDet finns m\u00e5nga andra, inte s\u00e5 globala, riktningar som p\u00e5 n\u00e5got s\u00e4tt m\u00f6jligg\u00f6r att minska databaser, arbeta med mer heterogena data, osv.<\/p>\n<p><b>Attention<\/b>. Det kanske inte \u00e4r meningsfullt att lyfta fram detta som en separat metod. Bara en metod som f\u00f6rst\u00e4rker andra. M\u00e5nga artiklar \u00e4r till\u00e4gnade 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>). Po\u00e4ngen med Attention \u00e4r att f\u00f6rst\u00e4rka n\u00e4tverkets reaktion p\u00e5 betydelsefulla objekt under tr\u00e4ning. Ofta genom n\u00e5got extern m\u00e5l eller en liten extern n\u00e4tverk.<\/p>\n<p><b>3D-simulering<\/b>. Om man kan skapa en bra 3D-motor kan man ofta t\u00e4cka in 90 % av tr\u00e4ningsdata (jag har till och med sett exempel d\u00e4r n\u00e4stan 99 % av data t\u00e4cktes av en bra motor). Det finns m\u00e5nga id\u00e9er och hacks f\u00f6r att f\u00e5 n\u00e4tverket som tr\u00e4nats p\u00e5 3D-motorn att fungera med verkliga data (Fine tuning, style transfer, osv.). Men ofta \u00e4r det att skapa en bra motor - flera ordningar mer komplicerat \u00e4n att samla in data. Exempel p\u00e5 n\u00e4r motorer skapades:<br \/>\nTr\u00e4ning av robotar (<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 \/>\nUtbildning <noindex><a rel=\"nofollow\" href=\"https:\/\/neuromation.io\/\">syntes<\/a><\/noindex> produkter i butiken (men i de tv\u00e5 projekten vi genomf\u00f6rde - klarade vi oss utan detta).<br \/>\nTr\u00e4ning p\u00e5 Tesla (\u00e5terigen videon som visades tidigare).<\/p>\n<h2>Slutsatser<\/h2>\n<p>\nHela artikeln \u00e4r p\u00e5 n\u00e5got s\u00e4tt slutsatser. Kanske \u00e4r det huvudbudskapet jag ville framf\u00f6ra - \"snart slut, neuronn\u00e4t ger inte l\u00e4ngre enkla l\u00f6sningar\". Nu m\u00e5ste vi arbeta h\u00e5rt f\u00f6r att bygga komplexa l\u00f6sningar. Eller arbeta h\u00e5rt med att g\u00f6ra komplex vetenskaplig forskning.<\/p>\n<p>\u00d6verhuvudtaget \u00e4r detta en diskussionspunkt. Kanske har l\u00e4sarna mer intressanta exempel?<br \/>\n<br \/>K\u00e4lla: <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 5.0.4 - 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\/sv\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.4\" \/>\n\t\t<meta property=\"og:locale\" content=\"sv_SE\" \/>\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\/sv\/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\udd47 Har bubblan inom maskininl\u00e4rning spruckit, eller \u00e4r det b\u00f6rjan p\u00e5 en ny gryning | ProHoster","description":"Nyligen sl\u00e4pptes","canonical_url":"https:\/\/prohoster.info\/sv\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"sv_SE","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\/sv\/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\/sv\/wp-json\/wp\/v2\/posts\/35293","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/comments?post=35293"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/posts\/35293\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/media?parent=35293"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/categories?post=35293"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/tags?post=35293"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}