( c )
Les meilleurs réseaux de neurones qui battent une personne au poker, Go, échecs et DotA ont une chose en commun: ils peuvent prédire l'avenir proche.
La capacité des machines à prédire le comportement peut dépasser de loin les capacités humaines. Dans l'espace des différentes probabilités, les algorithmes valent mieux qu'une personne affectée par les émotions.
Que peuvent prédire les réseaux de neurones? Devant nous se trouve un champ infini de possibilités: l'échange, la criminalité, la météo, la santé, les transports - partout la possibilité de calculer quelques pas en avant sera utile. Aujourd'hui déjà , certains algorithmes sont supérieurs aux experts humains. L'aube de la neurodnya de demain ne laissera aucune trace du «brouillard d'inconnu».
Des chercheurs de DeepMind ont publié un article scientifique dans lequel ils ont présenté une nouvelle méthode de renforcement d'un réseau neuronal. Il s'est avéré que si dans le processus d'auto-apprentissage, le réseau neuronal commence à « fantasmer » sur diverses options pour l'avenir, alors il apprend beaucoup plus rapidement. Le «fantasme» du réseau neuronal est que, selon les trois dernières trames connues, le réseau neuronal devrait prédire la récompense qu'il recevra dans le quatrième intervalle de temps inconnu. L'IA utilise sa mémoire et applique de nouvelles stratégies comme dans son imagination.
Plus les systèmes deviennent efficaces, mieux ils font des prévisions. Maintenant, nous pouvons non seulement prédire la météo (à court terme). On peut même «voir» l'avenir des situations macroéconomiques dans différents quartiers de la ville, mesurer la consommation d'eau, d'électricité, de circulation (combien de passagers sont dans les transports publics et combien dans nos voitures), augmenter / diminuer la consommation de ressources.
Il est déjà difficile d'imaginer une sphère dans laquelle on pourrait se passer de prédictions. Et vaut-il la peine de les abandonner si les algorithmes permettent de choisir la bonne stratégie comportementale?
Comportement routier
Des chercheurs du Massachusetts Institute of Technology ont mis au point un système qui peut prédire un grand nombre d'événements réels. Au début, le programme a été formé sur un choix de 2 millions de vidéos en ligne. Le programme a analysé chaque vidéo, en classant tous les objets et actions dans les parcelles.
Ensuite, les réseaux de neurones ont montré une image statique. Le programme, à son tour, a généré des clips vidéo de 1,5 seconde qui ont démontré une vision pour l'avenir proche.
De toute évidence, une telle solution peut être utilisée non seulement pour créer des GIF. Les algorithmes, en principe, permettent de «regarder» l'avenir des systèmes complexes, qui trouveront une application dans les voitures autonomes analysant une situation en constante évolution sur la route.
L'ordinateur pourra comprendre qu'il voit quelque chose d'inhabituel - par exemple, un animal s'est enfui sur la route. Même si la voiture n'est jamais entrée dans cette situation auparavant, elle «comprendra» que quelque chose d'étrange se produit - vous devez soit arrêter soit transférer le contrôle au conducteur.
Santé humaine
( c )
Les scientifiques de l'Université de Stanford ont développé un système d'intelligence artificielle qui peut prédire la probabilité de décès d'un patient gravement malade d'ici un an avec une précision de 90%.
Les chercheurs ont analysé les dossiers de 160 000 patients pour recueillir des données sur les diagnostics passés, les procédures prescrites et les prédictions faites par les médecins.
Après avoir traité l'ensemble de données, un algorithme a été compilé pour l'apprentissage en profondeur du réseau neuronal. La grille a ensuite prédit la mortalité toutes causes confondues sur une période de 3 à 12 mois pour 40 000 patients.
Un an plus tard, les chercheurs ont résumé: dans 90% des cas, le réseau neuronal a correctement prédit l'état du patient (qu'il attende sa mort ou son rétablissement). Cet indicateur dépasse considérablement les capacités d'un groupe même d'experts médicaux.
La marque Teraflu a développé un système qui prédit la probabilité d'attraper un rhume dans plusieurs pays, dont la Russie. Chaque jour, le système analyse les publications sur les réseaux sociaux, les requêtes dans les moteurs de recherche, les données du « Research Institute of Influenza », ainsi que les données sur la demande en pharmacie de fonds spécifiques à la lutte contre le rhume. Le résultat est un graphique du «danger catarrhal» dans une région particulière avec une prévision pour plusieurs jours. Cependant, ces plates-formes trouvent une application plus valable: dans le système Virtual Singapore, vous pouvez désormais visualiser et analyser la vie du pays en temps réel et prédire, par exemple, la propagation d'infections dangereuses ou la réaction d'un grand nombre de personnes à une explosion dans un centre commercial.
Microsoft et Adaptive Biotechnologies prévoient de créer un système qui, basé sur un test sanguin, sera en mesure de détecter les maladies à un stade précoce. En analysant le code génétique en milliers de milliards de récepteurs des lymphocytes T, le système identifiera les maladies que l'organisme a rencontrées même à un stade asymptomatique. L'hypothèse est que le test sera capable de détecter un large éventail de maladies à la fois, y compris des maladies qui sont généralement diagnostiquées à un stade très avancé.
Un groupe de recherche de l'Institut de biologie moléculaire de l'Académie russe des sciences, du Centre gérontologique scientifique et clinique russe, de l'Institut de physique et de technologie de Moscou et d'autres centres de recherche ont présenté une méthode pour prédire l'âge biologique d'une personne (qui diffère de celui du passeport) sur la base de données échographiques de l'artère carotide humaine et de la tonométrie. En utilisant l'apprentissage automatique , une formule complexe a été obtenue qui peut prédire l'âge des personnes en bonne santé avec une précision de 6,9 ​​ans pour les hommes et 5,9 ans pour les femmes, ce qui est un indicateur très élevé par rapport à d'autres méthodes connues.
Des scientifiques danois ont développé le réseau neuronal Corti Signal, qui suit les messages audio pour diagnostiquer une crise cardiaque. Tout d'abord, le système devrait aider les personnes qui ont appelé l'ambulance. L'opérateur n'est pas toujours en mesure de détecter une crise cardiaque chez une personne à l'autre bout du fil (faire face dans 73% des cas), mais le réseau neuronal résout ce problème avec une précision de 95%! L'IA écoute non seulement la conversation, mais recueille également des signaux non verbaux, tels que les schémas de respiration.
Apparemment, à l'avenir, des systèmes basés sur des réseaux de neurones (et d'autres méthodes) permettront de prédire les maladies beaucoup plus tôt - dans certains cas, des décennies avant le début de la maladie elle-même.
Les choses intelligentes savent ce qui va leur arriver
Imaginez un bâtiment qui, même avant l'accident, peut dire que, par exemple, le chauffage va bientôt tomber en panne. Pour cela, certaines entreprises utilisent l'apprentissage automatique. Cette procédure est appelée maintenance prédictive.
CGnal, basée à Milan, en Italie, a récemment analysé les données annuelles des systèmes de chauffage et de ventilation d'un hôpital italien. À partir des capteurs, des données ont été obtenues sur la température, l'humidité et la consommation d'électricité. L'algorithme a été formé sur l'échantillon pendant six mois, puis les chercheurs l'ont vérifié selon les données du second semestre. Le système a prédit 76 des 124 défauts réels, dont 41 sur 44, où la température de l'instrument a dépassé les niveaux acceptables.
D'autres sociétés utilisent également une approche similaire des données. La startup finlandaise Leanheat place un capteur de température, d'humidité et de pression sans fil pour le contrôle à distance du chauffage et la surveillance de la santé de l'appareil. Au lieu de réguler le chauffage simplement par la température extérieure, les modèles Leanheat prennent en compte les changements météorologiques: la température est tombée à zéro de 10 degrés ou est passée de -10.
Aux États-Unis, Augury a développé Shazam for Machines en installant des capteurs acoustiques dans les machines pour écouter les changements audibles et identifier les pannes imminentes potentielles. Cependant, le gadget peut fonctionner avec différents appareils: les clients peuvent connecter le capteur à des réfrigérateurs commerciaux ou des radiateurs industriels. Le gadget Augury enregistre les vibrations et les ultrasons, les télécharge sur un service cloud, où les données sont analysées pour prévoir les performances d'une machine contrôlée.
Le son et les données sont analysés et stockés afin que le son d'un appareil client puisse être comparé au son de tous les autres. L'idée est qu'Augury n'a pas besoin de configurer de logiciel pour chaque type d'appareil. Au lieu de cela, vous pouvez simplement installer les capteurs et écouter l'appareil pour vous faire une idée de son son lorsqu'il fonctionne normalement. Au fil du temps, la base de données sonores vous permettra de savoir quels sons spécifiques précèdent des types spécifiques de dysfonctionnements.
Prévisions météo
Les prévisions météorologiques restent un défi pour la science. Nous avons déjà pris l'habitude d'utiliser des réseaux de neurones convolutifs pour cela, mais les progrès ne s'arrêtent pas. Dans la liste du Top 500 des systèmes informatiques les plus puissants au monde, en novembre 2016, 23 supercalculateurs étaient engagés dans les prévisions météorologiques.
ClimaCell utilise une approche qui n'est pas liée aux réseaux de neurones et aux algorithmes super complexes: les réseaux de communication sans fil agissent comme des capteurs de prévisions météorologiques - tout cela dans le cadre du concept de prévision immédiate, dans lequel une prévision à ultra court terme des phénomènes météorologiques est effectuée dans les 0 à 6 heures suivant la période d'observation. .
ClimaCell combine plusieurs niveaux de données provenant de réseaux sans fil, de satellites, de radars météorologiques et d'autres capteurs pour créer des cartes haute définition. À l'aide des données d'environ 5 000 stations exploitées par plusieurs sociétés de télécommunications, l'entreprise crée des cartes météorologiques très précises et fiables.
Algorithmes dangereux
Pas cette boussole , mais proche de sens
Divers systèmes de prévision de la criminalité ont été testés aux États-Unis depuis plusieurs années. L'un des premiers systèmes de ce type - COMPAS - a été créé en 1998. COMPAS analyse 137 paramètres biographiques d'une personne condamnée, y compris la gravité des crimes antérieurs, le niveau d'éducation et de revenu, l'état matrimonial et les dépendances. Le programme prend également en compte les résultats des tests psychologiques, notamment le tempérament, l'appétit pour le risque, le degré de narcissisme et la tendance à la culpabilité. Sur la base de ces données, COMPAS prédit la probabilité d'une rechute criminelle au cours des deux prochaines années.
Cependant, au Dartmouth College, ils ont mené une étude COMPAS approfondie et ont conclu que l'algorithme n'est en fait pas plus précis que n'importe quelle personne moyenne. Le programme a pu identifier les récidivistes dans 65% des cas. Les personnes sans formation spéciale et sans expérience en matière de détermination de la peine ont fait face à cette tâche dans 67% des cas, ne connaissant que l'âge, le sexe et les antécédents des crimes de l'accusé. De plus, il s’est avéré que la précision de COMPAS peut être améliorée s’il ne reste que deux paramètres: l’âge d’une personne et des informations sur les condamnations antérieures.
Les algorithmes peuvent prendre des décisions et faire des prévisions beaucoup plus efficacement que les humains. Les gens prennent en compte les facteurs non essentiels et ignorent ceux qui sont vraiment importants, cèdent aux émotions et se permettent également de prendre des décisions en fonction de leur «instinct» interne, de leur intuition ou sans aucune logique.
Cependant, cela ne signifie pas que nous devons faire entièrement confiance aux machines, car elles n'ont pas non plus une précision de 100%.