Mokymai „Kompiuterininkų dienos 2021“ Rugsėjo 23 d. Klaipėdos universitete

1. Dirbtinis intelektas ir
neuroniniai tinklai
prof. dr. Olga Kurasova
olga.kurasova@mif.vu.lt
Vilniaus universitetas
Matematikos ir informatikos fakultetas
Duomenų mokslo ir skaitmeninių
technologijų institutas

2. Dirbtinis intelektas. Kas tai?
 Ar esate girdėję apie dirbtinį intelektą? Ką
žinote apie jį?
 Kur jis taikomas?
 Kaip jis kuriamas?
 Kokie yra dirbtinio intelekto metodai?
 Ar jau sukurtas dirbtinis intelektas?
 Kokios iškyla pagrindinės problemos kuriant
dirbtinį intelektą?
2

3. Dirbtinio intelekto populiarūs pavyzdžiai
 Go žaidimas Alpha Go (kūrėjas
Google DeepMind)
 Šachmatų žaidimas (IBM's Deep
Blue nugalėjo Garry Kasparov,
1997)
 Automatiškai valdomi
automobiliai
 Balsu valdomi sprendimai (Apple
Siri, Amazon Alexa, IBM Watson)
 Siurbliai-robotai, žoliapjovės-
robotai
3

4. Dirbtinis intelektas (DI). Kas tai?
 Intelektas – tai žmogaus sugebėjimas mąstyti,
protas, protingumas.
 Dirbtinis intelektas (artificial intelligence, AI) –
dirbtinai sukurtas intelektas.
 Dirbtinis intelektas – tai informatikos mokslo
šaka, nagrinėjanti duomenų apdorojimo sistemas,
atliekančias paprastai su žmogaus intelektu
siejamas funkcijas, tokias kaip samprotavimas,
mokymasis ir tobulinimasis.
4

5. Dirbtinis intelektas. Kas tai?
 Dirbtinis intelektas skiriasi nuo įprastų
kompiuterinių algoritmų tuo, kad gali
apsimokyti, ir atlikdamas tą patį veiksmą gali
elgtis kitaip priklausomai nuo prieš tai atliktų
veiksmų.
 Dirbtinio intelekto tyrimai remiasi psichologijos
ir neurologijos, matematikos ir logikos,
komunikacijos teorijos, filosofijos ir lingvistikos
mokslų duomenimis.
5

6. Tiuringo testas
 Tiuringo testas – tai 1950 m. Alano Tiuringo
pasiūlytas testas, skirtas išbandyti mašinų sugebėjimą
demonstruoti intelektą.
 Testo metu žmogus-teisėjas natūralia kalba šnekasi
su vienu žmogumi ir viena mašina. Visi trys
eksperimento dalyviai yra izoliuotuose patalpose, kad
teisėjas nematytų, kuriuos atsakymus pateikia mašina,
o kuriuos žmogus.
 Jei teisėjas pagal atsakymus negali patikimai atskirti
mašinos nuo žmogaus, sakoma, kad mašina išlaikė
testą.
 Kad būtų testuojamas mašinos intelektas, o ne
gebėjimas imituoti žmogaus leidžiamus garsus,
pokalbis apribojamas tiktai tekstinėmis žinutėmis.
6

7. Tiuringo testas
7
A. Turingas teigė, kad
kompiuterį galima būtų
laikyti mąstančiu, jeigu
jis įveiktų testą, per
5 minučių bendravimą
tekstu įtikindamas 30 %
jį klausinėjančių žmonių,
kad jie bendrauja su
gyvu žmogumi.

8. Tiuringo testo išlaikymas
 Kompiuterinė programa „Eugene Gootsman“,
sukurta Rusijoje, apsimetanti 13 metų berniuku iš
Ukrainos, 2014-06-07 sėkmingai įtikino 33 %
teisėjų, kad jie bendrauja su žmogumi.
 Ši programa tapo pirmuoju kompiuteriu,
įveikusiu Tiuringo testą.
 Renginys vyko Karališkojoje Mokslų Draugijoje
Londone.
8

9. Dirbtinio intelekto pirmieji žingsniai
 Pradžia 1943 m. kai W. S. McCulloch ir W. Pitts
pasiūlė dirbtinio neurono modelį.
 1950 m. A. Tiuringas pasiūlė jo vardu pavadintą
testą.
 Dirbtinio intelekto termino formali pradžia
1956 m. įmonės IBM organizuotoje
konferencijoje.
 1958 m. Rosenblatt sukūrė perceptroną
(tiesioginio sklidimo dirbtinį neuroninį tinklą).
 Apie 1965 m. A. L. Samuel sukūrė šachmatų
programą.
9

10. 10
https://digitalwellbeing.org/artificial-intelligence-timeline-
infographic-from-eliza-to-tay-and-beyond/

11. AI – ML – DL
11
https://blogs.nvidia.com/blog/2016/07/29/whats-difference-
artificial-intelligence-machine-learning-deep-learning-ai/

12. Mašininis mokymasis
 Mašininis mokymasis (machine learning) – tai
informatikos sritis, suteikianti kompiuteriams
galimybę mokytis be aiškių instrukcijų.
 Machine learning is a field of computer science
that gives computers the ability to learn without
being explicitly programmed (Wikipedia).
 Machine learning is the use of artificial
intelligence to automate algorithms that can learn
without explicit instructions (Intro to Machine
Learning Course | Udacity)
12

13. Skirtumai
 Dirbtinis intelektas – tai sistema, kuri gali
mąstyti, jausti, veikti ir prisitaikyti.
 Mašininis mokymasis – tai algoritmai, kurių
veikimas gerėja, kai jie gauna daugiau duomenų.
 Gilusis mokymasis – tai mašininio mokymosi
poaibis, kuris efektyvus mokant naudojant
didžiulius duomenų kiekius.
13

14. Mašininis ar gilusis mokymasis
14
https://leonardoaraujosantos.gitbooks.io/artificial-
inteligence/content/deep_learning.html

15. Mašininio mokymosi tipai
 Su mokytoju / Prižiūrimas mokymasis
(supervised),
 Be mokytojo / Neprižiūrimas mokymasis
(unsupervised),
 Dalinai prižiūrimas mokymasis (semi-
supervised),
 Sustiprintas mokymasis (reinforcement).
15

16. Dirbtinio intelekto šakos
16
Sutton, S. G., Holt, M., & Arnold, V. (2016). “The reports of my death are
greatly exaggerated”—Artificial intelligence research in accounting.
International Journal of Accounting Information Systems, 22, 60-73.

17. Ar tai tikrai dirbtinis intelektas?
 Dažnai klaidingai teigiama, kad vos ne kiekviena
kompiuterinė sistema yra grįsta dirbtiniu
intelektu.
 Neretai dirbtinio intelekto sąvoka vartojama
netinkamai.
17

18. Dirbtiniai neuroniniai tinklai
 Dirbtiniai neuroniniai tinklai pradėti tyrinėti kaip
biologinių neuroninių sistemų modelis, siekiant
išsiaiškinti ir pritaikyti biologinių neuronų sąveikos
mechanizmus efektyvesnėms informacijos apdorojimo
sistemoms kurti.
 Neuroniniai tinklai turi galimybę mokytis iš
pavyzdžių.
 Turint duomenų pavyzdžius ir naudojant mokymo
algoritmus, neuroninis tinklas pritaikomas prie
duomenų struktūros ir išmoksta atpažinti naujus
duomenis, kurie nebuvo naudojami tinklo mokyme.
18

19. Dirbtinių neuroninių tinklų tipai
 Dirbtinis neuronas – vienasluoksnis perceptronas.
 Tiesioginio sklidimo neuroniniai tinklai –
daugiasluoksniai perceptronai.
 Konvoliuciniai neuroniniai tinklai.
 Rekurentiniai neuroniniai tinklai.
 Generatyviniai besivaržantys tinklai.
19

20. Dirbtinio neurono modelis
20
1
x
1
n
k k
k
a w x
=
=  ( )
f a y
2
x
n
x
1
w
2
w
n
w
0
w
įėjimai
svoriai išėjimas
aktyvacijos
(perdavimo) funkcija
slenkstis (bias)
x0 = 1
0
Neurono mokymas – tinkamų svorių w0, w1,..., wn
radimas

21. Dirbtinis neuronas: klasifikavimas
 Būtina žinoti ir įvesties duomenis (inputs, features)
ir trokštamas išvesties duomenis (target).
21
x1 x2 x3 x4 Klasė
X1 85 0,001 24,1 1025 sveikas
X2 77 0,002 21,3 2036 sveikas
X3 68 0,015 35,8 1059 sveikas
... ... ... ... ... ...
X101 101 0,001 22,4 3011 serga
X102 95 0,001 28,0 2645 serga
... ... ... ... ... ...
X201 86 0,002 30,1 2987 ???
X202 72 0,010 19,5 1259 ???

22. Demonstraciniai pavyzdžiai
 https://medium.com/hackernoon/tensorflow-js-
real-time-object-detection-in-10-lines-of-code-
baf15dfb95b2
 https://www.tensorflow.org/js/
 https://jeeliz.com/sunglasses/
 O kaip visa tai sukurti?
 Mes galime !!!
22

23. Konvoliuciniai neuroniniai tinklai
 Konvoliuciniai neuroniniai tinklai (angl.
convolution neural networks, CNN, ConvNet) – tai
vieni populiariausių giliųjų neuroninių tinklų tipų.
 Dar vadinami sąsukiniais neuroniniais tinklais.
 Pradininkas Yann LeCun (dirbantis Facebook
dirbtinio intelekto tyrimų grupėje)
(https://en.wikipedia.org/wiki/Yann_LeCun),
pirmasis panaudojo CNN ranka rašytiems
skaitmenims atpažinti
(MNIST duomenų aibė).
23

24. Konvoliuciniai neuroniniai tinklai
24
https://medium.com/@eternalzer0dayx/demystifying-
convolutional-neural-networks-ca17bdc75559

25. Konvoliuciniai neuroniniai tinklai
25

26. Konvoliucinis neuroninis tinklas
26
http://www.wildml.com/2015/11/understanding-convolutional-neural-networks-for-nlp/
Sluoksnių tiek, kiek
pritaikysime filtrų

27. Mašininis ar gilusis mokymasis
27
https://leonardoaraujosantos.gitbooks.io/artificial-
inteligence/content/deep_learning.html

28. Kompiuterinės regos uždaviniai
(computer vision)
28
https://mathematica.stackexchange.com/questions/141598/object-
detection-and-localization-using-neural-network

29. Objektų lokalizavimas ir klasifikavimas:
taikymai
 Veidų lokalizavimas
 Žmogaus (automobilio ir kt.) lokalizavimas ir
sekimas (pvz., norint suskaičiuoti šiuos objektus)
 Žmogaus atliekamų veiksmų identifikavimas
 Medicininių vaizdų analizė (nors čia svarbiau
segmentavimas)
 Satelitinių (arba dronų darytų) vaizdų analizė
 Kiti
29

30. Objektų lokalizavimas
Įdomūs demonstraciniai pavyzdžiai:
 https://medium.com/hackernoon/tensorflow-js-
real-time-object-detection-in-10-lines-of-code-
baf15dfb95b2
 https://js.tensorflow.org/
 https://trackingjs.com/examples/face_camera.ht
ml
 https://jeeliz.com/
30

31. Vaizdų segmentavimas
 Vaizdų segmentavimas (image segmentation) –
tai procesas, kurio metu skaitmeninis vaizdas
padalinamas į tam tikrus segmentus (dalis).
 Dažnai svarbu išskirti objektus ir jų ribas.
 Segmentavimas ypač svarbus medicininiuose
vaizduose, kai siekiama nustatyti ligos pažeistus
regionus.
 Vėliau (arba ir kartu) gali būti sprendžiamas
atpažinimo uždavinys.
31

32. Vaizdų segmentavimo pavyzdžiai
32

33. Vaizdų segmentavimo taikymai
 Medicininių vaizdų analizė (kompiuterinė
tomografija, magnetinis rezonansas)
 Objektų nustatymas
◦ Pėsčiųjų nustatymas, veido nustatymas
 Atpažinimo uždaviniai
◦ Veido atpažinimas, pirštų anspaudų atpažinimas,
akies rainelės atpažinimas
 Eismo kontrolės sistemos (autonominiai
automobiliai)
 Mikroskopijos uždaviniai
33

34. Algoritmų gebėjimas kurti
 Gebėjimas kurti – yra aukščiausias intelekto
lygis.
 Dauguma šiuo metu sprendžiamų uždavinių
galima priskirti prie specifinio intelekto.
 Bendrojo intelekto tik užuomazgos.
 Algoritmai, kurie sugeba kurti – žingsnis iki
bendrojo dirbtinio intelekto.
34

35. Generatyvinis besivaržantis tinklas
 Generatyvinis besivaržantis tinklas (angl.
Generative Adversarial Networks, GAN) – tai giliųjų
neuroninių tinklų architektūra, sudaryta iš dviejų
besivaržančių/kovojančių tinklų (Goodfellow et
al., 2014).
 „Facebook’s AI research director Yann LeCun
called adversarial training “the most interesting
idea in the last 10 years in ML.“
 Apjungiami du algoritmai: generatyvinis ir
skiriamasis (Generative vs. Discriminative)
35

36. Generatyvinis besivaržantis tinklas
 Dėl savo savybių GAN gali „išmokti“ imituoti bet
kokį duomenų pasiskirstymą (distribution).
 GAN gali kurti labai panašius dalykus, ką daro
žmogus, įvairiose srityse (vaizdai, muzika, kalba
ir kt.)
 Pavyzdys: vienas paveikslas/portretas – GAN
kūrinys, buvo parduotas už 432 tūkst. USD (žr.
kitą skaidrę).
 Daugiau meno kūrinių:
https://www.cbsnews.com/pictures/art-created-
by-artificial-intelligence/6/
36

37. 37

38. GAN rezultatai
38
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... &
Bengio, Y. (2014). Generative adversarial nets. In Advances in neural information
processing systems (pp. 2672-2680).

39. Gerėjanti GAN rezultatų kokybė
39

40. Įdomūs taikymai: vaizdas iš teksto
40

41. Ačiū už dėmesį!!!
prof. dr. Olga Kurasova
olga.kurasova@mif.vu.lt
Vilniaus universitetas
Matematikos ir informatikos fakultetas
Duomenų mokslo ir skaitmeninių
technologijų institutas