Dirbtiniai neuroniniai tinklai dažniausiai naudojami klasifikavimo uždaviniams spręsti. Galime apmokyti neuroninį tinklą atskirti katiną nuo šuns, arba atskirti vienas raides ir skaitmenis nuo kitų – taip atpažįstamas ir automobilio numeris prieš įvažiuojant į mokamą automobilių parkavimo aikštelę. Vis dėlto objektų klasifikavimas nėra vienintelė užduotis, kurią gali atlikti neuroniniai tinklai.
Kitas populiarus uždavinys – segmentavimas. Tokiu atveju analizuojamas ne tik tai, ar tam tikras objektas yra nuotraukoje, bet ir kurioje nuotraukos vietoje jis yra. Pavyzdžiui, nagrinėjant rentgeno nuotrauką, medikams galima nurodyti pakitimo vietą, dydį, formą, jį išskirti nuotraukoje. Savivaldžio automobilio vaizdo kameros vaizde galima išskirti žmones, kitas transporto priemones, kelkraščius ar kelio linijas.
Mokslas nestovi vietoje ir pasiūlo vis naujus neuroninių tinklų panaudojimo būdus. 2014 m. buvo pasiūlyta generuojančių priešiškų neuroninių tinklų idėja (angl. Generative Adversarial Network, GAN). Šios architektūros tinklas susideda iš dviejų dalių. Viena dalis vadinama generatoriumi – ji sugeneruoja atsitiktinius vaizdus. Kita vadinama diskriminatoriumi. Jos tikslas atskirti, ar vaizdas yra tikras, ar sugeneruotas generatoriaus. Šios dvi dalys konkuruodamos tarpusavyje (todėl tinklas vadinamas priešišku), viena kitą apmoko, kol generatorius pradeda generuoti vaizdus panašius į realybę.
Tokio konkuruojančių priešiškų jėgų mokymosi analogų galima rasti ir realybėje. Pavyzdžiui, programišiai bando įsilaužti į kompiuterines sistemas, o kompiuterinės saugos specialistai bando aptikti įsilaužimus, saugumo spragas ir jas panaikinti. Netiesiogiai jie verčia įsilaužėlius būti kūrybiškesniais ir atrasti naujus įsilaužimo būdus. Iš esmės jie yra vienas kito mokytojai.
2018 m. gruodį pasiūlytas generuojantis priešiškas tinklo algoritmas „StyleGAN“, kuris buvo apmokytas naudojant „Flickr“ veidų nuotraukas. Šio tinklo generatorius išmoko generuoti realistiškas žmonių nuotraukas. Čia tik keletas algoritmo sugeneruotų „fotografijų“. Kiekvieną kartą atnaujindami puslapį https://thispersondoesnotexist.com/, gausite vis kitą nuotrauką.
Generuojantys priešiški tinklai gali būti panaudojami ne tik naujiems vaizdams kurti, bet ir esamiems vaizdams transformuoti. 2017 m. atsirado „CycleGAN“ tinklo architektūra, leidžainti realiose fotografijose pavaizduotus arklius paversti zebrais (arba atvirkščiai – zebrus arkliais), vasarišką nuotrauką paversti žiemos nuotrauka, dienos nuotrauką paversti naktine nuotrauka ir pan.
Visi šie mokslo išradimai suteikia daug galimybių, bet kartu sukuria ir naujus iššūkius. Pabandykime pafantazuoti apie netolimą ateitį, kai galėsime generuoti ne tik realistiškus vaizdus, bet ir realistiškus video „įrašus“. Turėsime puikių įrankių kino industrijai, bet žiūrėdami „Youtube“, nebegalėsime atskirti realybės nuo sugeneruoto turinio. O kas, jeigu tai būtų oficialiame žinių kanale, kur valstybės prezidentas skelbia apie karą, nors realiai tai tik piktavalių asmenų aktorius su neatskiriamai pakeistu veidu ir balsu?
Šių architektūrų neuroniniais tinklais ir jų vystymu domisi ir Kauno technologijos universiteto Matematikos ir gamtos mokslų fakulteto mokslininkai.
Mindaugas Kavaliauskas yra Kauno technologijos universiteto Matematikos ir gamtos mokslų fakulteto Taikomosios matematikos katedros dėstytojas
