Максим Іванович Кідрук - Зазирни у мої сни

по клавіатурі — й на цифровій дошці справа від мене з’явилося зображення людського мозку. Потому взяв цифрове перо й, утримуючи грифель за міліметр від планшета, домалював стрілку, що вказувала на зоровий нерв, — на початку зорового нерва, то ми б одержали приблизно таку картинку.

Далтон щось натиснув на клавіатурі. Зображення мозку зникло, натомість з’явилась абстрактна картина — хаотичний набір різнобарвних крапок і кіл.

— Безладна мішанина рухливих цяток різного кольору та відмінної інтенсивності, — прокоментував учений, — це те, що в буквальному сенсі бачать наші очі. Але нервові імпульси не зупиняються на зоровому нерві. Вони йдуть далі, до кори, де закодована в них примітивна інформація обробляється. І тут починається найцікавіше. Після оброблення вінегрет із яскравих, але беззмістовних цяток перетворюється в безумовно осмислене зображення, в майже завжди недвозначну картинку, що дає нам 90 % інформації про навколишній світ. Я досліджую це більше ніж десять років, але досі не можу позбутися відчуття, що це якась магія. Подумайте тільки: відразу за моїм оком ви є набором плямок і лише в корі перетворюєтеся на людину. Так, я бачу, що ви людина, відрізняю вас від портрета чи фотографії, — він підняв перед собою цифрове перо, — відрізняю вас від ось цього пера, розумію, що перо знаходиться ближче, а ви, відповідно, далі, ніж перо, та ближче, ніж, скажімо, операційне ліжко, на якому ви щойно лежали. Це дивовижно, хіба ні, пане Белінськи? — він раптом по-дитячому ніяково всміхнувся. — Я, мабуть, забагато про це розказую. Найважливіше, що ви маєте збагнути: робота моєї системи ґрунтується на імітації того, як зорова зона кори головного мозку перетворює потік примітивних електричних імпульсів на об’ємну картинку всередині нашої свідомості. Тобто я не намагаюся розкодувати, яким чином мережа із сотень мільйонів нейронів обробляє електричні сигнали. Цей механізм є результатом сотень мільйонів років еволюції, та я гадаю, що мине ще багато десятків років, перш ніж хтось принаймні спробує його розшифрувати. Я лише навчаю програму імітувати це розкодування: брати імпульси та відображати на екрані комп’ютера те, що зорова кора вибудовує у свідомості.

— Як навчаєте?

Енді Далтон почухав пальцями підборіддя:

— Ви чули коли-небудь про машинне навчання або системи розпізнавання візуальних образів?

— Ні.

— Штучні нейронні системи[57]?

— Я лінгвіст, пане Далтон.

— О’кей, — він забарабанив тонкими пальцями по столу. — Машинне навчання — це математична дисципліна, частина теорії штучного інтелекту, яка займається розробленням методів навчання штучних систем. Тобто це теорія, яка показує, як зробити так, щоби штучна система, наприклад, комп’ютер, навчилася аналізувати приклади та робити узагальнення, ну… — помітивши, як скляніють мої очі, він розсерджено змахнув рукою, — навчилася генерувати досвід, витягуючи із цих прикладів знання. Можу сформулювати ще простіше, та пробачте за каламбур: машинне навчання — це наука про те, як навчити машину вчитися.

Я повільно поводив головою з боку в бік, показуючи, що не розумію. Пальці Далтона потягнулися до підборіддя.

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

— Загалом так.

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

Я звів брову:

— Розпізнавання овочів та фруктів?

«На дідька комусь розпізнавати овочі та фрукти?»

— Не чули про такі системи?

Я мотнув головою:

— Ні.

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

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

Енді Далтон наче прочитав мої думки.

— Тепер до основного. 2007-го молодий професор Каліфорнійського університету в Берклі Джек Ґеллент першим здогадався застосувати алгоритми машинного навчання для розпізнавання образів, згенерованих зоровою зоною кори головного мозку. Те, яка частина кори відповідальна за формування візуальних образів у свідомості, відомо давно. Джек Ґеллент першим подумав, що з активності в