Цифра на марше, или 50 историй об образовании в XXI веке

Работник в специальном редакторе загружает эту фотографию. Выделяет прямоугольным контуром сарафан и для него указывает все признаки из системы классификации. Потом выделяет туфельки еще одним прямоугольным контуром и для них указывает нужные признаки. Потом то же самое делает для сумочки. Сохраняет результат – и нейронная сеть получает фотографию для обучения. Чтобы начать отличать туфельки от босоножек, каблуки от танкеток, сарафаны от вечерних платьев, парадные дамские сумочки от стильных мужских обработать пришлось десятки тысяч фотографий.

Шаг 4. Все довольны, можно проверять работу нейронной сети.

Несколько полезных выводов из всего вышесказанного для сферы образования.

Разработка системы классификации для нейронной сети и всех связанных с этим параметров и настроек – это искусство. Общие рекомендации есть, но в каждом случае одновременно нужны три вещи. Полное погружение в предметную область, творческий подход, великолепные навыки систематизации. Причем все это лучше всего совмещать в одном и том же человеке. Близкая аналогия – кинорежиссеры. Такие люди – штучные специалисты. На поток их подготовку поставить можно. Но тут, как и с фильмами. Можно получить киношедевр, а можно фильм категории B.

Программирование нейронных сетей в принципе занятие понятное. На рынке много наработок и программных модулей-заготовок. Проблема только в одном. На рынке труда полно программистов, владеющих самыми передовыми средствами разработки. На рынке труда хватает выпускников мехмата, хорошо знающих матанализ и высшую алгебру. На рынке труда острейший дефицит тех, кто владеет первым и знает второе. А для программирования нейронных сетей нужно именно это. Большинство программистов изучением высшей математики себя не утруждало. Зачем, если деньги и удовлетворение приносит совсем другое. Здесь для сферы образования – поле непаханое. И для школьного, и для профессионального, и для высшего.

Обработка учебных примеров и практическое обучение нейронных сетей требуют от специалиста немного. Или вполне понятную среднюю квалификацию в некоторой предметной области, или вообще только базовые навыки владения компьютером как в вышеприведенном пример. К сожалению, такую специальность не получится ввести для борьбы с массовой безработицей. Во-первых, обучение нейронной сети трудоемко, но конечно. Во-вторых, нейронная сеть, обученная один раз распознавать на фото одежду и обувь, в дальнейшем может использоваться другими приложениями для других идей. Бум обучения достаточно быстро может сойти к устойчивому минимуму.

Еще об одном важнейшем применении слабого ИИ в качестве помощника в обучении мы поговорим в отдельной истории.

В заключение отвечу на один не заданный вопрос. А не смогут ли в совокупности обученные нейронные сети в итоге составить сильный искусственный интеллект?

Не смогут. В нынешних нейронных сетях не решена главная проблема сильного ИИ – понимание информации. Нейронную сеть можно научить (и научили) безошибочно различать кошек и собак. Для этого потребовались десятки тысяч фотографий. Ребенок 3-х лет за свою жизнь видел десяток кошек и десяток собак. Но различать их будет не менее безошибочно. Человеческий интеллекта работает на совершенно других принципах, с которыми исследователям еще только предстоит разобраться.

Впереди нас ждет история еще об одной угрозе. Поговорим о виртуальной реальности, хорошо показанной в трилогии «Матрица».

История 9. Виртуальные миры: на краю зияющей бездны

Всех миражом виртуальность манит,

Но Человек перед ней устоит!

В этой истории будет две части. В первой мы поговорим о реальных и мнимых перспективах использования виртуальной реальности (VR) в обучении. Во второй речь пойдет о тех последствиях, к которым может привести развитие этой технологии. И мы помним тезисы, высказанные ранее. Если научное исследование можно провести, оно будет в итоге проведено. Если результаты исследований можно внедрить в жизнь, они будут внедрены. Принудительная остановка прогресса противоречит человеческому любопытству, жажде признания, желанию победить в конкурентной борьбе.

Сначала о понятиях и терминах. В настоящее время выделяют три вида виртуальной реальности:

виртуальная реальность как таковая, которая является трехмерным порождением компьютерных алгоритмов;

дополненная реальность, в которой на отдельные объекты реального окружающего мира накладываются объекты, порожденные компьютерные алгоритмами;

смешанная реальность, когда происходит постоянное сканирование окружающего мира с одновременным наложением на него разного рода порождений компьютерных алгоритмов в реальном времени.

Применительно к обучению это может выглядеть примерно так.

Виртуальная реальность (VR). Надевается VR-шлем, в руки берется манипулятор, запускается учебная программа. Человек видит вокруг себя созданный этой программой трехмерный мир. Например, мир Древнего Египта.