Как учатся компьютеры?

Введение

Хотите отправить деньги незнакомому человеку? Компьютер банка вам не доверяет – сначала пройдите 1000 подтверждений!

Машины научились принимать решения благодаря искусственному интеллекту (или просто ИИ). Они решают судьбу деталей на заводе. Сортируют посылки на складе. Определяют болезни по снимкам. Читают ваше резюме.

Скоро ИИ станет частью и вашей работы. Но чтобы его приручить – нужно понять, как он работает.

Эта статья – первая из нашего курса по искусственному интеллекту. Впереди три блока: основы, взаимодействие и практика. В них вы узнаете: как ИИ принимает решения, как получать нужный результат и какие инструменты применить в работе.

Пишем правила

Подозреваемый: Барон Кипрский. Он же «Барон». Одет в белый костюм. Владеет яхтой. Покупает айфоны на чужие деньги.

Задача: не дать ему купить айфон за ваш счет.

Проблема: Барон прислал вам письмо от имени банка. Вы перешли по ссылке и ввели пароль. Теперь у него есть доступ к счету.

Решение: блокировать переводы в другие страны суммой больше 100 тысяч.

У компьютеров появилось правило для проверки всех операций. Но машины решений не принимают. Их принимает программист, который заранее написал правило. Компьютеры просто проверяют это условие на каждой операции.

А что если Барон сделает пять переводов по 20 тысяч? Все пройдут проверку – новый телефон будет у него в кармане. Теперь банку нужно вводить новое правило против дробления. Но скоро Барон найдет еще один обход ограничений. Через несколько лет таких правил станет очень много. Одни будут противоречить другим. Чтобы следить за ними вручную, нужно слишком много людей.

Что такое Машинное обучение

А что, если научить компьютер писать правила? Возьмем очень много прошлых операций от разных людей. Где-то клиент пожаловался и деньги пришлось вернуть. Где-то все прошло хорошо.

Сначала сотрудники банка разделят операции на плохие и хорошие. Затем опишут каждую операцию набором признаков. Признаками могут быть сумма перевода, страна получателя, средний размер одной операции, частота переводов и так далее. Задача компьютера – найти такое сочетание признаков, которое разделит плохие и хорошие операции.

Теперь машина сама находит закономерности в признаках на примерах. Этот процесс называется Машинным обучением. Людям уже не нужно писать правила вручную. Можно просто показать компьютеру примеры.

Барон изобрел новый способ покупать телефоны за ваш счет? Не проблема! Собираем много новых операций. Сотрудники банка их сортируют и описывают. Компьютер находит новое сочетание признаков. Способ больше не работает. Так машина дообучается.

Машинное обучение позволило не писать правила руками. Но теперь нужны люди, чтобы описывать признаки. А если признаком будет порядок действий: сначала проверили баланс, потом сменили пароль, потом перевели деньги? Таких признаков слишком много, чтобы придумать их заранее.

Что такое Глубинное обучение

А что, если вообще не выбирать признаки?

Отдаем компьютеру плохие и хорошие операции как есть: сумма, время, устройство пользователя, история действий в приложении, страна отправителя и так далее. Такая информация без обработки называется сырыми данными. Пусть компьютер на их основе сам определяет признаки и ищет закономерности.

Машина обрабатывает данные по слоям, один поверх другого. На первом слое компьютер посмотрит на простые параметры: "Перевод сделали ночью. Получатель находится на Кипре. Час назад телефон был в Москве. Сумма перевода – 95 тысяч."

На втором слое машина использует выводы первого слоя. На их основе компьютер будет искать более сложные закономерности: "Пользователь обычно не совершает операции в это время. Он никогда не переводил деньги на Кипр."

На третьем слое машина использует выводы второго слоя. Закономерности становятся более сложными: "Счет получателя был открыт 2 дня назад. Он уже получил 5 похожих переводов от разных людей. После получения деньги сразу снимают в банкомате."

На итоговом слое компьютер соединит выводы всех слоев: "Все это выглядит подозрительно. Блокируем операцию."

Процесс многослойной обработки сырых данных называют Глубинным обучением. Машина сама решает, какие данные важны. Человеку больше не нужно придумывать признаки заранее.

Заключение

Борьба с Бароном прошла три этапа. В начале были правила. Потом люди давали компьютеру признаки, а он сам искал закономерность. Наконец, машины научились обходиться почти без помощи человека.

Глубинное обучение используют не только в поиске подозрительных банковских операций. Этот принцип также применяют для создания языковых моделей. Слышали про Гигачат, Нейросеть Алису или ChatGPT? Они тоже результат глубинного обучения.

В следующей статье расскажем: как они подбирают самый вероятный ответ и почему не понимают нас по-настоящему.