Як зробити ІТ-відкриття за допомогою мультфільмів
Опубликованно 21.10.2017 01:12
Багато хто мене знають, як автора графічної прози, продюсера мультимедіа, топ-менеджера, піарника, і це правда, я всім цим займався. Працював з міжнародним рітейлом і багатьма промисловими брендами, комерційними банками, інвестиційними і страховими компаніями.
У мене є хобі — мультфільми. В цьому році ми з командою робили екранізацію "Кобзаря". У нас вийшов зомбі-хоррор мультфільм. Оскільки анімація — досить трудомісткий процес, в ході роботи мені прийшла ідея: треба автоматизувати процес, писати алгоритми і вчити нейромережа з допомогою 3D мультфільмів. Трохи історії
Нейромережі — це машинні алгоритми, якими людина намагається навчити машину і відтворити нервову систему людини. Ще в 1940-50-ті вчені почали цікавитися їхніми можливостями. Будували перцептрони на практиці, "в залізі" і з їх допомогою намагалися відтворити людський мозок, математичну модель нейронів. Потім настав "Льодовиковий період": до 1970-му всі про них забули, переключившись на фантастику в літературі і кіно. У 1980-і знову згадали. А до кінця 80-х почали експериментувати і виробляти алгоритми. Навчати нейромережі не виходило, оскільки не вистачало комп'ютерних потужностей, даних та ідей.
Нейромережа на практиці
Нейромережа можна описати як класифікатор і спосіб сегментації інформації, який діє не тільки у відповідності із заданим алгоритмом і формулами, але і на підставі минулого досвіду.
Такий собі дитина, яка з кожним разом складає пазл, роблячи все менше помилок.
Щоб навчити нейромережа щось розпізнавати, потрібно надавати в середньому 5 тис. зображень одного об'єкта чи предмета. Кожен об'єкт на зображенні повинен бути промаркований і описаний: це чоловік, це кішка, це кубик, а це собака в светрі. Тільки після цього нейромережа навчиться відрізняти парасолька від собаки, машину від людини, пляшку від мотоцикла. Існує парадокс у навчанні машин — люди вчать нейромережі вручну, а людям властиво помилятися. Цей процес дуже дорогий і тривалий. Нейромережа навчають на синтетичних даних із застосуванням моделей на цих фотографіях. Хтось намагався вчити автономні автомобілі всередині комп'ютерної гри GTA. Але ми спростили цей процес. Що ми придумали
Поки займалися мультфільмом, ми придумали як автоматизувати ці процеси. Ми створили 3D симуляції реальності, і завдяки цих моделей вчимо нейромережі. Тим самим наші розробки дозволяють домогтися точності в навчанні мереж, мінімізувавши людський фактор.
Нейромережа навчається на синтетичних даних, переносячи їх на реальні. І такий процес називається перенесення навчання (transfer learning). Буквально 2 місяці тому, нам вдалося добитися високої якості розпізнавання. Як це працює
Ми знайшли людей, яким була корисна наша розробка — тобто автоматизація роздробу. Нашим першим клієнтом стала величезна мережа рітейлу та роздрібної торгівлі. Наприклад, на полицях у супермаркеті представлено величезну кількість товару. Але щоб допомогти постачальникам контролювати роздріб, ми перевели її в цифру, навчивши камери бачити, що стоїть на цих полицях. Ми виставили на полиці" 3D-моделі в будь-яких комбінаціях — це 1 млрд. фотореалістичних зображень.
Якщо б співробітники мережі робили все вручну, то знадобилося 120 млн. людино-годин.
Крім, автоматизації роздрібної торгівлі, наша розробка допоможе тестувати ліки, тому що нейромережа зможе симулювати живу клітину. Чи можемо зайнятися тренуванням індустріальних роботів і безпілотних дронів у віртуальних середовищах. Але спочатку для впровадження цих процесів, ми задалися питанням, звідки брати ресурси для всього цього. Що ми зробили
Для існування Neuromation потрібні були відеокарти. Багато відеокарт. Спочатку, всі можливості для навчань ми орендували на AmazonCloud і платили десятки тисяч доларів, за використання їх потужностей. Потім ми вирішили купити своє обладнання, але зіткнулися з дивним явищем. Виявилося, що відеокарти які потрібні нам з процесорами-GPU для нейромережі, потрібні для майнінг, для видобутку кріптовалюти. Ще в травні місяці спекулянти продавали відеокарти в троедорого. Ми шукали їх на всіх ринках, але нам діставалися лише слабенькі відеокарти з США. За майнерами не наздогнати — вони фільтрували всі потужності. І ми вирішили запропонувати їм угоду. Ми порахували скільки вони заробляють і виявилося, що одна ферма з шістьма відеокартами отримує $7-8 в день (це приблизно та сума, яку ми платили Amazon"). Ми пішли до майнер і запропонували їм заробляти $10 в день криптовалюте. Буквально через день, нас просили скинути адреси, куди нести відеокарти. Зараз з нами співпрацюють дуже багато майнер, які трудяться на благо людства. Що вийшло в результаті
Ми створили міст між майнерами і вченими, запропонувавши їм заробляти більше на корисних обчисленнях. Через місяць у нас була тисяча відеокарт, які давали достатня кількість потужностей для наших експериментів. А через два, ми разом з командою вчених підтвердили гіпотезу про синтетичних даних.
Зараз кажуть, що data — це нова нафту, і нам вдалося знайти синтетичну нафту.
Корисні обчислення набагато прибутковіше, ніж обчислювати абстрактні алгоритми блокчейне. Індустрія глибокого і машинного навчання готова платити майнер більше, ніж вони заробляють здобиччю криптовалют.
Наші дослідження показують, що все це можна робити на благо майбутнього з використанням двох речей — нашого підходу синтетичної дати і неймовірної потужності, яка опинилася в руках людей, які хворіють криптовалютной лихоманкою.
Тому ми створили платформу KNOWLEDGE MINING і оголосили конкурс стартапів. У вигляді призів будемо видавати технологічні потужності, якими можна навчати ваші нейромережі.
Ми створили продукт з зручним інтерфейсом, де будь-яка людина, не розбирається в нюансах машинного навчання, міг би навчити нейромережа розпізнавати все, що можна розпізнати під своє завдання.
Навіть якщо у вас немає бажання змінити світ, вам потрібно просто займатися тим, що вам подобається.
У моєму випадку, хобі — мультики, які показали, як можна навчити нейромережа з допомогою 3D анімації.
Категория: Бизнес
