对于第二年，我们（DZ Systems）一直在拍摄一系列数字转换程序。 通常，这些是与“业务相关”的程序，主要针对高层管理人员，旨在帮助理解所谓的数字化转型的业务价值。
但是今年，我们也正在拍摄节目的第二条“线”-DZ在线技术，现在已经专注于同一主题的技术方面。 简而言之-就是“幕后”。
以下是另一种这样的传播方式的抄本，其中Ivan Yamschikov和我（Yandex，ABBYY和一般的高级专业人员）谈论了神经网络在现代世界中的使用。
如果有兴趣，
您可以观看程序本身 。
对于那些喜欢阅读的人-下面的成绩单：
你好 今天我们的客人是ABBYY的Ivan Yamshchikov，
会告诉我们现代人工智能的工作原理。
关于人工智能，有条件地有两个立场：有人说：“我们不想
不了解系统中正在发生的事情的本质。 我们有统计方法
谁将自己从外部生活中移除模型。 这个模型是正确的，它将是
感到所有语义上的微妙之处。” 有人说：“不，那是
不允许。 我们了解正在发生的事情。 我们必须将这种理解纳入系统。
人工智能，它将变得越来越有价值，越来越好。” 这场战斗
有什么标准吗？“让我用一种不太哲学的语言来解释。” 有人说：“我们需要更多
更强大，更强大的算法和更多数据。 我们将采取更多
高效的算法，它将在更大体积上为我们提供更大的目标质量
指标，无论如何。” 我不知道有人说他们不需要数据或
演算法 因此，我认为第二个人具有以下方法：
在所有这些中，对我们来说仍然可以保留一种或多种形式的人类标记，这是一件好事。
专业知识，最重要的是。”
Google经常开一个玩笑：语言学家工作较少
产品，最终质量会更好。 这个笑话可能是通过实践证明的。
大规模的B2C服务。 但是当我们在杂货店狭窄的背景下谈论B2B时
解决方案，在非常明确定义的任务和定义明确的字段中，然后
专家知识开始发挥相当重要的作用。 我们将ABBYY和
语言学家建立的本体模型和纯机器学习方法。
-我想举个例子：我们为Mosvodokanal做了一个项目。 有一个任务：
Mosvodokanal是一个复杂的网络，它以某种方式起作用并且以某种方式表现。 我想要一些东西
然后了解一下，建议预测事故，并在发生问题时感觉到
继续。-您做了一个监控系统。
-是的，我们做了某种行为分析系统，应该说：
角落里出了点问题。” 我们真的不能说这是意外还是波动。
行为，因为它们在身体上无法区分...-我制作了用于监视流量的相同系统。
-一个非常相似的话题。 在项目进行期间，我们与工程师战斗，他们说：
“听着，你在做垃圾。 有必要测量所有的管道，它们的直径是外部的，
内部，然后输入有关墙壁光滑度的信息。 然后算
水动力模型，她将展示一切。” 我们说：“不要。
给我们来自传感器的数据，我们将它们驱动到统计模型中，她一无所知
在物理学上，它无论如何都会起作用，因为它将消除真实的行为。” 挺直的
我们正在谈论的最终案例。 一方面，这是终极知识。
我们在语义上直接打包的现象的工作物理，第二个
一方是最终的误会。 我们不知道它是如何工作的
流体动力学-我们甚至不想理解这一点。-狂妄自大是非常了解统计信息的人的特征。 正如马克所说
吐温：“谎言有三种：谎言，无耻的谎言和统计数据。”
-我们最终击败他们的原因很简单：收集每个人的信息
这些管道是不可能的。 但是，另一方面，该学科的知识深度
区域不免。-掌握这些知识的人相信这是真的，因为它是
他们的专业领域。 但同时，我们实际上了解自然语言，
计算机科学，远远少于我们想要的，因为许多
术语和类别不是在数学上定义的，而是直观地定义的。 这导致了一个事实，
那些完全来自计算机科学方面的人，
不信任来自语言学方面的人，反之亦然。 在ABBYY
决定他们俩都在产品上工作，负责不同的部分，而您
可以衡量这为您带来多少质量。 这是这样
测试和实验。
-这也是大麻烦。 我们都知道存在局部优化问题。-当然了 这是再培训。 但是通常与共同
语言方法使您能够应对再培训。 因为语言学家经常试图建立一些一般规则，然后才有一个伟大而美好的故事
关于例外。 在学校里读过罗森塔尔关于俄语的书的任何人都会感到困惑：
哦，天哪，语言学家做什么？ 他们称规则实际上是什么
是...
-一组例外。-但从本质上讲，这与测试错误完全相同。 如果你用
机器学习的观点，非常多的语言规则
涵盖了相当多的示例，并在上面留下了一些错误
测试数据。 如果您遵循这些规则并将其应用于您的模型数据
我从未见过，这个地方的模型是错误的。 但是许多语言启发式
让您保护自己免受再培训。
-我没听错，如果我们拿一本俄语书籍并开车
然后，将这些规则外推到模型中，模型是否必然错误？-当然了 没错 任何严格的规则都会导致错误，因为，
不幸或幸运的是，人工智能比某些领域要灵活得多。
简单的规则。
-这也是由于以下事实：当我们谈论形式化自然规则时
语言，我们在这个地方不可避免地从事着一项不可解决的任务。 深度
这个过程是无止境的。-这是一个哲学问题。 在机器级别，深度似乎不是无限的，但是有
我认为这是一篇有趣的文章，2015年。 简要介绍一下：数学部分
这就是所谓的信息论。 特别是，它用于编码理论。
在俄罗斯，它是由Kolmogorov及其同事在美国制造的-由Shannon制造。 首先他
是在加密技术的背景下发明的。
在信息论中，有一种“一般信息”。 如果完全在手指上
说：想象一下您在文本中单词的含义如何相互关联
取决于它们之间的距离。 想象这样一个指标。 如果我在这里
它说“ Petya”，然后是n个单词，然后是“ ate”。 实际上，“ ate”和“ Petya”这两个词
尽管“吃”这个词可能与“ Petit”相去甚远，但两者之间还是有关联的。
如果我们从统计学上构建这些相关性的模型，那么结果证明它是
距离，文本中的一般信息会相当缓慢地减少-不是多项式的，而是
慢一点 粗略地说，在自然语言文本中，单词之间存在关联，
相距甚远。
在DNA“文本”中观察到大约相同的现象：我们的核苷酸也与
距离比较大。 特别是，这种系统试图描述
复杂性理论等等。关于蝴蝶效应的整个故事-就是因为它，你有一点点
一个地方的偏差可能会导致一些重大变化。
自然语言是通过这种依赖关系来描述的。 现在，我们说LSTM（长
就记忆而言，短期记忆网络被认为是最先进的
用来分析语言的网络，只是为了结交这些深远的朋友
捕捉朋友的相关信息。 在这里，被感染的她的记忆力下降得比必要的快。
这是一个重要的研究课题。 特别是，我们在马克斯·普朗克研究所（Max Planck Institute）
去做。 图论有一个有趣的结果，它说，如果您的网络中有循环，那么它应该有更多的内存。 我们知道我们的大脑中有一些
这些是特征频率，大脑中存在循环。 信号沿着它们传播，神经元刺激
彼此以给定的频率围成一圈。 在人工神经网络中，我们仍然
无法复制。
“为什么我们不能？” 添加循环！ 请从袋子里填写周期。“我告诉你。” 我们如何学习神经网络？ 使用反向传播
错误。 错误的反向传播是指您有直接的神经通道
网络和反向。
-只要有周期，就立即开始循环这个问题
错误？-是的！ 怎么办 如何做反向传播？
朋友，在周期上进行反向传播，您将在开发方面取得重大突破
人工智能。 我告诉大家：我们需要这样做，这很酷。 是真的
艰巨的任务。
-如果这些与大脑打交道的人弄清楚了它在大脑中的工作原理，那就是
可以放吗？ 今天看来，我们所做的拟人化是
非常低-加油：Google的ImageNet与蛤lam有什么共同点？ 事实证明或多或少
仅此而已。 最初，将软体动物拆解，并观察其视野
如果您愿意，可以使用现代卷积网络。 从前在五十年代，罗森布拉特和他的同志们
分解后，拿出一个感知器，主要观察活泼且非常简单的事物。 他们是
认为我们现在将了解原始生物如何工作，然后我们将开始构建
复杂。
-为什么他们没有成功？ 在那些日子里，人们认为感知器还没有存活。
电量不足？-有很多问题。 来吧：有几个人工智能冬天，那就是每次都有人
提出了人工智能领域的一些新突破，并认为：“就是这样，
贾维斯明天将是我最好的朋友，与我的交流会比我更好
心理分析家。” 然后发生了一些事情，就像同一个贾维斯一样。 我非常喜欢这个笑话
电影《钢铁侠》中的影片，起初一切都很顺利，然后您发音
一些蔓越莓。 当贾维斯问他是否调试过时，他会告诉主角
所有系统。
-实际情况如何？ 限制在哪里（如果您申请）
边？-首先，现在，即使是我们人工收集的最强大的东西
比我们的大脑更小。
第二点与我们不了解它们为什么起作用的事实有关。 它是分开的
大范围的研究。
-好像他们已经开始讲了。-首先，他们找出了有效的方法，然后才开始弄清楚它是如何起作用的。
关于如何可视化神经网络的操作，存在单独的指导。 有一个单独的
一种称为信息分解的数学形式主义，试图描述
如何将信息分解为网络中的不同流以了解什么
发生了什么层。 对于图像，它开始出现，最后一个出现
几年 随着文本，它变得越来越难。
我们为什么不了解它是如何工作的？ 因为我们数学不好
结果可以向我们解释一切。 我们没有证明定理可以说
它的工作原理。 因为，例如，在卷积神经网络的层次上：
图片上画了一条狗。 这张图片有很多像素，每个像素
像素有很多值。 如果您组合尝试计算数量
像素组合仍然会增加狗的选项-您会感到疲倦。 在
您应该具有相当大的尺寸空间和很多选择
决定。 此外，如果您开始训练带有数字的卷积神经网络
参数远小于您训练的狗的潜在图像数量
以相对简单的方式。 她在出口告诉你，是狗还是不是狗，但是
你告诉她是或否。 突然过了一会儿，她可以
在她看不见的狗的照片上提供非常好的质量。
-泛化程度出乎意料地高吗？-是的，这是出乎意料的泛化程度。 每个人都对它起作用的事实感到满意，每个人
将其应用于任何地方，但要严格证明其数学结果，这将
解释了为什么可以进行这种程度的概括，否。 有几种假设，一种
在我看来，其中最有趣的是。 不是每个人都在发生什么
神经元，以及如何连接这些神经元。 显然，网络的结构对您而言
使您可以在一定程度上实现一定的概括。 很有趣
假设，因为如果它是真的，那么它与神经生理学紧密相关，然后
您可以尝试神经生理学的其他方法。 还有一些
假设，但这是一个问题：人们现在每月要写几千篇关于它如何
工程。
-感觉Python是一种AI语言。 这是意外吗？ 为何
毕竟，Python有很多Basic。-因为现在数据科学家的大量工作相当于
原型制作。 使用Python进行原型制作很方便，它是作为一种语言创建的
原型，而不是作为工业解决方案的语言。 我们在ABBYY有人
用Python进行原型制作的人，还有用C ++编写最终模型的人，
正在实施。 Python社区正在积极利用这一浪潮，并获得了积极的反馈。 有一种需求，即数据科学越来越多地基于
分别地，Python社区开始充满尝试者
发展语言本身。 所有这些都已连接。
-当我们谈论原型时，涉及到运行大型
测试次数，实验次数。 计算存在问题
资源。-计算资源本身已经变得更便宜，有些云解决方案使
他们负担得起的。 粗略地说，可以上网的学生可以简短地
金钱来获得功能强大的服务器，以便驱动其中的某些设备
获取模型，然后将AI固定到咖啡机上。 有很多因素
互相开车。 由于存在互联网，进入编程和进入的门槛
技术。 许多相对便宜的铁出现了，它也进入了
云。 你可以买时间，而不是铁。 许多实时数据已经出现。
例如，在80年代，参与数据科学的人们有一个基本问题：
取数据？ 现在，对于一堆已应用的任务，可以清楚地找到它们。
机器学习的关键元素：算法，数据和硬件
该算法有效。 这三个选项都变得更加易于使用。 在这种情况下，算法已变为
从某种意义上讲，这是价格更实惠的解决方案，因为有质量好的盒装解决方案。 他们是
用一种直观的简单语法实现的语言，低
入门级课程和大量教育资源。
-微软公司的人讲述了一个小组如何利用神经网络的故事
以及一家提供面包的小型简单公司的商业模式。 从棍子和
的绳索，结果是建立了一个优化该业务的模型，并给了+ 10％
效率。 这样的图片更有可能是例外还是规则？-这是一条规则。 在我看来，凯利（著名的未来学家）在
他说，未来的AI将在20年后以相同的方式对待我们
我们对待那些互联网先驱者。 我们现在说的是：“在90年代，
e年从事互联网业务。” 在20年后，他们也会对我们说：
与AI开展业务很容易。 他采取了一切措施，在其中添加了AI并成为该领域的领导者
类别。” 至少这是凯利的观点，我也同意。
-您和我经历了行业中发生的一些事情，并看到了这一点
现在是商品的画面曾经是最先进的。 根据他的
经验，我们可以为现在成为AI技术一部分的人提供建议吗
他们应该如何移动？-我有两个对我来说似乎很合理的提示。 首先，不要在角落里做任何事。
找到几个志同道合的人，互相合作，展现自己
您在更广泛的社区中正在做什么。 其次，少考虑
您将使用的特定模型，因为它们会发生变化，
越来越好。 如果您现在还无法自己提高自己的水平，那么您
您无需了解此模型的确切工作原理以及为何会更好。 你需要
多考虑您要解决的问题。