Жидкие нейронные сети – будущее, которое уже близко

Впервые понятие ликвидных или жидких сетей появилось в исследовательских работах в 2018 году, но для большинства обывателей этот термин по-прежнему остается новым. Понятие «жидкости» применительно к нейронным сетям означает гибкость или приспособляемость. После завершения обучения они сохраняют адаптивность и могут меняться на основе входящих данных.

Другое важное отличие жидких «нейронок» – их размер. Применительно к традиционным сетям справедлива тенденция к расширению и увеличению количества узлов, а здесь все наоборот. Команда Массачусетского технологического института, например, смогла управлять автомобилем с помощью нейронной сети всего с 19 узлами. Для сравнения, обычные сети могут иметь около 100 тысяч узлов.

Концепция ликвидных сетей имеет высокий потенциал применения в робототехнике. Они могут помочь роботам лучше, быстрее и эффективнее обрабатывать входящую информацию, формировать причинно-следственные структуры и выполнять различные действия. При этом для сложных рассуждений не потребуются компьютеры с большой вычислительной мощностью – достаточно будет чего-то простого типа Raspberry Pi.

Жидкие нейронные сети также могут в перспективе решить проблему прозрачности данных. Здесь действует поговорка «мусор на входе – мусор на выходе», означающая, что плохие исходные данные приводят к некачественным результатам. Предубеждения, которые есть и у нейросетей, влияют на возникновение причинно-следственных связей и могут становиться вопросом жизни и смерти. В качестве примера здесь можно рассмотреть смертельную аварию с участием Tesla в 2016 году. Тогда автопилот принял белый грузовик с высоким дорожным просветом, пересекающий дорогу, за облако и не почувствовал опасность. В результате тормоза остались заблокированными, и произошло столкновение. Это редкое стечение обстоятельств, но оно имело место быть, и не хотелось бы, чтобы такие происшествия повторялись. С этой точки зрения жидкие системы более интерпретируемые.

Что касается недостатков, то ликвидные сети требуют данных «временных рядов». Это означает, что они анализируют не статические изображения, а их последовательность (видео). При этом человек тоже воспринимает окружающую действительность в динамике, поэтому такие данные фактически создают нашу реальность.

Ученые обратили внимание на ликвидные нейронные сети, потому что увидели в них потенциал для создания безопасных роботизированных систем. Кроме того, на небольших сетях проще проследить, как искусственный интеллект принимает то или иное решение – это вопрос прозрачности. В конечном итоге жидкие системы помогут роботам стать более «человечными», двигаться плавнее и принимать более осознанные решения.