«Эй, Siri (Cortana)! Как тебе нравится моя прическа?». Ваш смартфон или компьютер в недалеком будущем будет в состоянии дать вам более точный и правдивый ответ на этот вопрос благодаря использованию нового алгоритма машинного обучения, разработанного исследователями Пархэм Аараби (Parham Aarabi) и Венжи Гуо (Wenzhi Guo) из университета Торонто. Этот алгоритм, в отличие от других самообучающихся алгоритмов искусственного интеллекта, обучается по инструкциям и на примерах, предоставляемых ему людьми. За счет этого он выигрывает в точности своей работы на 160 процентов по сравнению с другими алгоритмами, более того, точность работы обученного людьми алгоритма на 90 процентов выше, чем точность работы этого же самого алгоритма, прошедшего через процедуру самостоятельного обучения.

Пархэм Аараби и Венжи Гуо нашли весьма необычную область применения для своей системы искусственного интеллекта. Они заставили ее заниматься распознаванием, определением и классификацией человеческих причесок. Эта задача является весьма сложной для компьютеров в отличие от людей, способных оценить прическу человека, бросив на нее мимолетный взгляд.

«Наш алгоритм учится правильно классифицировать самые сложные структуры из волос на голове человека. Для этого ему требуется не только распознать где и как уложены волосы, но и отделить это все от окружающего фона» — рассказывает Аараби, — «Процесс можно сравнить с первоначальным обучением ребенка учителем. А после этого ребенок может продолжать учиться сам, опираясь на приобретенный вначале опыт и знания».

В обычных случаях обучение нейронных сетей производится следующим образом — люди готовят обширные наборы исходных данных, фотографий, к примеру, на некоторых из которых вручную отмечены отличительные особенности. По мере обработки и анализа этих фотографий путем сопоставления образов нейронная сеть становится способна самостоятельно опознать те особенности, которые были указаны людьми на первом этапе.

Новый алгоритм учится несколько иначе, в этом процессе всегда принимает участие человек-учитель. Такая модель называется методом эвристического обучения и этот метод дает более быстрые и более качественные результаты. Ведь человек может более точно и сразу сформулировать некоторые тезисы до которых самообучающаяся система дойдет лишь на заключительном этапе процесса. К примеру, «Цвет неба на фотографиях может состоять из различных оттенков синего» или «Пиксели в верхней части снимка с большей вероятностью имеют отношение к небу, нежели пиксели в его нижней части».

Метод эвристического обучения является наиболее подходящим методом для решения одной из главных проблем нейронных сетей — для создания классификаторов набора ранее неизвестных и неструктурированных данных. Готовые наборы таких классификаторов, созданные при обучении нейронных сетей людьми-учителями, смогут обеспечить правильное поведение машин, которые могут попасть в новые и неожиданные ситуации. А такими машинами могут быть медицинские системы, производящие анализ тканей и идентификацию признаков различных заболеваний, самоуправляемые автомобили-роботы, промышленные роботы и многое другое.