Jak działają sieci neuronowe? Google to wyjaśnia za pomocą Teachable Machine

Udostępniony pod adresem teachablemachine.withgoogle.comeksperyment, przygotowany przez pewnych przyjaciół z Google,jest całkowicie otwartą platformą (kod źródłowy znajdziecie naGitHubie) która pozwala zapoznać się z bliska z procesem nauki maszynowegorozpoznawania obrazu.

Jako dane wejściowe do szkolenia wykorzystane są zdjęcia zkamerki komputera. Następnie podaje się modelowi kolejne dane –więcej zdjęć z kamery – w nagrodę otrzymując animacje GIF,dźwięki czy mowę. Można więc trenować sieć tak, by pokazywałakotka, gdy pokaże się jej kciuk, a pieska, gdy pokaże się otwartądłoń. Następnie w trybie wnioskowania pokazujemy do kamery gestdłoni, a AI spróbuje rozpoznać obraz i wyświetlić właściwyobrazek. Interfejs wyświetla pasek postępu, informujący opewności, z jaką zachodzi to wnioskowanie.

Wartość edukacyjna tej przeglądarkowej zabawki to przedewszystkim nauczenie roli danych treningowych i tego, jak łatwooszukać systemy rozpoznawania obrazów, zdezorientować modelepokazując im niewystarczającą ilość danych podczas treningu czypokazując dane zbyt podobne do siebie.

Prosty eksperyment pod spodem ukrywa jednak coś znaczniepoważniejszego. To napisana w JavaScripcie biblioteka deeplearn.js,którą Google niedawno wydało, aby pozwolić programistom nabudowanie i uruchamianie sieci neuronowych w przeglądarce, i tonawet bez konieczności programowania – webowenarzędzie pozwala zbudować model maszynowego uczenia,wybierając parametry z menu.

Deeplearn.js oferuje też dostęp do bazy obrazków ImageNet jakopomocy w uczeniu, narzędzie do animowania sieci CPPN, oraz benchmarkwydajności. Google przyznaje, że nie może to rywalizować zespecjalistycznymi narzędziami, ale na pewno pozwala nauczyć sięzasad działania głębokiego uczenia, a nawet tworzyć własneinteligentne rozwiązania.