Вместо предисловия
В данной статье хотелось бы пролить свет на перспективы применения искусственных нейронных сетей.
Областей применения нейронных сетей огромное количество, некоторые будут приведены в качестве примера. Рассматривая перспективы, я постараюсь коснуться лишь тех, что могут вызвать интерес у местного сообщества.
Сегодня большинство пользователей, увидев словосочетание "нейронные сети", в лучшем случае вспомнит "смешные картинки", которые рисует искусственная нейронная сеть, которой показали (вернее сказать обучили) какие-то примеры и уже из них нейронная сеть "слепила" результат - ту самую смешную картинку.
Что же могут нейронные сети, кроме рисования смешных и странных картинок? Давайте разберемся.
Просто о сложном: что такое искусственная нейронная сеть
Здесь я не буду давать полных опредлений и детально описывать принципы работы нейросети (с этим всем вы сможете ознакомиться по ссылкам в конце статьи). Постараюсь лишь дать общее предствление.
Нейронная сеть - это совокупность связанных между собой нейронов (электрически возбудимых клеток головного мозга). Нейроны контактируют между собой в точках, называемых синапсами. Сигнал передается в виде электрического импульса.
Искусственная нейронная сеть - математическая модель биологической нейронной сети. Здесь нейрон представляется в виде простого процессора, который может передавать/принимать информацию как-либо обрабатывая ее, а связывающие нейроны синапсы имеют вес и могут изменять передаваемые значения.
В дальнейшем в статье говоря "нейронная сеть" я буду иметь ввиду искусственную нейронную сеть, а не биологическую.
В зависимости от топологии сети (как именно нейроны связаны между собой), того, каким образом нейроны обрабатывают передаваемые значения, различают разные типы нейронных сетей. К примеру нейронная сеть топологии "многослойный персептрон" представляет собой направленный взвешенный граф.
Для решения задач разного типа используют нейронные сети разных топологий.
Одной из характерных особенностей нейронных сетей является способность к обучению и именно поэтому нейронные сети способны решать довольно сложные задачи. К использованию нейронных сетей прибегают в тех случаях, когда математически описать зависимости между входными и выходными параметрами крайне сложно, либо вообще не представляется возможным, но имеется большой массив данных (да-да в т.ч. там где речь идет о "Big Data"), на которых эту сеть можно обучить.
Где уже применяются нейронные сети
Основные направления или виды задач, успешно решающихся с использованием нейросетевых алгоритмов:
Предсказание - на основании имеющихся данных, состоящих из вводных параметров и результатов нейронные сети могут прогнозировать результаты при подаче на вход сети вводных данных, которые не входили в обучающую выборку.
Примеры: прогноз погоды, прогноз курсов на биржах.
Классификация - на основании имеющихся данных, состоящих из вводных параметров и уже присвоенных категорий нейронные сети могут классифицировать новый объект при подаче на вход сети вводных характеристик объекта, которые не входили в обучающую выборку.
Примеры: определение по фото, что на нем изображено, банковский скоринг - принятие решения о выдаче кредита по многим вводным характеристикам заемщика.
Распознавание - самым ярким примером тут будут системы распознавания лиц по фотографиям (тот же нашумевший FindFace), распознавание речи, аудио (тот же Shazam).
Перспективы применения или будущее уже сегодня
Что же могут дать нейронные сети участникам интернет-андеграунда и данного форума в частности?
Имея такие источники информации, как социальные сети, блоги и все, где обычный пользователь может проявлять свою индивидуальность, а также доступ к закрытой информации (переписки, заказы в магазинах, история поиска) нетрудно понять что мы имеем замечательную базу для обучения нейронных сетей для различных задач.
Какие же задачи можно решать при помощи нейронных сетей в области социальной инженерии? - спросите Вы.
Мне видятся следующие области применения:
Социальная инженерия: прогнозирование поведения жертвы атаки, будь то криптолокеры или банальный шантаж видео с вебкамер мастурбаторов. Здесь для обучения на вход сети можно подавать максимум данных о пользователе, характеризующих его, как личность (данные из соцсетей, предпочтения в муыке, фильмах, данные из постов и блогов, переписок и прочее). На выходе - поддатливость шантажу (были ли выполнены требования, выплачены деньги и т.д.).
Применение нейронных сетей в данной сфере может быть наиболее обширным, т.к. речь идет об анализе поведенческих факторов. Именно поэтому данная статья отнесена к категории "Социальная инженерия". Следующие 2 направления можно также отнести к этой категории.
Вербовка: прогнозирование поддатливости вербовке для выполнения каких-либо задач. Здесь для обучения на входе те же данные, что и в предыдущем примере а также характер задач для агента и характер вербовки (шантаж или подкуп), а на выходе - выполнил ли завербованный поставленные задачи или поддался ли вербовке.
Дроповодство: определение благонадежности дропа по аналогии с банковским скорингом - с кем можно работать, а с кем - нет. Для обучения сети можно использовать массу данных о дропах, с которыми уже велась работа. На входе параметры вроде возраста, данных из социальных сетей, предпочтениях в раличных сферах (политика, музыка, да что угодно, характеризующее личность), суммы, которые доверялись дропу. На выходе - показатель благонадежности (исполняет ли дроп возложенные на него обяхательства).
Отдельно заострим внимание на уже реализованном нейросетевом продукте, имеющем огромное значение в социальной инженерии, а именно генерации речи (Adobe VoCo). Нет нужды объяснять, какие перспективы раскрываются при наличии возможности говорить то, что нам нужно нужным нам голосом (посмотрите - данный продукт работает весьма неплохо).
Кардинг: предсказание одобрения заказов в шопах. Для обучения на входе такие параметры, как магазин, тип товара, сумма, тип карты, параметры пк, с кторого идет вбив, адрес доставки, тип карты, данные с прозвона кардхолдера, страны шопа и доставки и масса других данных. На выходе - фактическое выполнение заказа (прислали ли товар по адресу).
Хотелось бы выделить использование нейростетй и в реальном времени, например в советниках, когда с использованием нейросетевых алгоритмов выбиаются наиболее оптимальние варианты общения, фразы, корректируются скрипты разовора с клиентом/жертвой и прочее.
Кроме озвученных мной направлений Вы сами можете найти и другие.
Что же дает использование нейросетей в тех примерах, что приведены выше? Как минимум - оптимизацию времени и ресурсов при работе с большим количеством людей и массивами данных, ведь на выходе мы получаем объекты, соответствующие нашим критериям и можем отмести несоответствующе.
Не могу не восхититься и ужаснуться одновременно теми перспективами и возможностями по работе в сфере прогнозирования и анализа поведенческих факторов у таких гигантов, как Google, Microsoft и др. Очевидно, что такие корпорации смогут использовать анализ Big Data для маркетинговых нужд и для нужд "безопасноти" - сегодня они знают, где ты находишься, что смотришь, читаешь, куда ездишь и прочее, а завтра будут знать с определенной долей вероятности, где ты БУДЕШЬ находиться (завтра, через неделю, месяц), что ты БУДЕШЬ читать, и куда поедешь (или уже знают)...
Надеюсь, предмет данной статьи так или иначе вызовет интерес у читателя или хотя бы заставит задуматься. Для изучения нейронных сетей на первых порах будет достаточно информации из следующих источников:
Джонс М.Т. Программирование искусственного интеллекта в приложениях – М.: ДМК Пресс, 2011
Боровиков В.П. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных – М.: Горячая линия – Телеком, 2008
Для реализации ваших задач рекомендую использовать пакет STATISTICA Neural Networks (подойдет и непрограммисту, а для кодера будет полезен экспорт исходного кода смоделированной нейросети в C/C++).
© Xerx
В данной статье хотелось бы пролить свет на перспективы применения искусственных нейронных сетей.
Областей применения нейронных сетей огромное количество, некоторые будут приведены в качестве примера. Рассматривая перспективы, я постараюсь коснуться лишь тех, что могут вызвать интерес у местного сообщества.
Сегодня большинство пользователей, увидев словосочетание "нейронные сети", в лучшем случае вспомнит "смешные картинки", которые рисует искусственная нейронная сеть, которой показали (вернее сказать обучили) какие-то примеры и уже из них нейронная сеть "слепила" результат - ту самую смешную картинку.
Что же могут нейронные сети, кроме рисования смешных и странных картинок? Давайте разберемся.
Просто о сложном: что такое искусственная нейронная сеть
Здесь я не буду давать полных опредлений и детально описывать принципы работы нейросети (с этим всем вы сможете ознакомиться по ссылкам в конце статьи). Постараюсь лишь дать общее предствление.
Нейронная сеть - это совокупность связанных между собой нейронов (электрически возбудимых клеток головного мозга). Нейроны контактируют между собой в точках, называемых синапсами. Сигнал передается в виде электрического импульса.
Искусственная нейронная сеть - математическая модель биологической нейронной сети. Здесь нейрон представляется в виде простого процессора, который может передавать/принимать информацию как-либо обрабатывая ее, а связывающие нейроны синапсы имеют вес и могут изменять передаваемые значения.
В дальнейшем в статье говоря "нейронная сеть" я буду иметь ввиду искусственную нейронную сеть, а не биологическую.
В зависимости от топологии сети (как именно нейроны связаны между собой), того, каким образом нейроны обрабатывают передаваемые значения, различают разные типы нейронных сетей. К примеру нейронная сеть топологии "многослойный персептрон" представляет собой направленный взвешенный граф.
Для решения задач разного типа используют нейронные сети разных топологий.
Одной из характерных особенностей нейронных сетей является способность к обучению и именно поэтому нейронные сети способны решать довольно сложные задачи. К использованию нейронных сетей прибегают в тех случаях, когда математически описать зависимости между входными и выходными параметрами крайне сложно, либо вообще не представляется возможным, но имеется большой массив данных (да-да в т.ч. там где речь идет о "Big Data"), на которых эту сеть можно обучить.
Где уже применяются нейронные сети
Основные направления или виды задач, успешно решающихся с использованием нейросетевых алгоритмов:
Предсказание - на основании имеющихся данных, состоящих из вводных параметров и результатов нейронные сети могут прогнозировать результаты при подаче на вход сети вводных данных, которые не входили в обучающую выборку.
Примеры: прогноз погоды, прогноз курсов на биржах.
Классификация - на основании имеющихся данных, состоящих из вводных параметров и уже присвоенных категорий нейронные сети могут классифицировать новый объект при подаче на вход сети вводных характеристик объекта, которые не входили в обучающую выборку.
Примеры: определение по фото, что на нем изображено, банковский скоринг - принятие решения о выдаче кредита по многим вводным характеристикам заемщика.
Распознавание - самым ярким примером тут будут системы распознавания лиц по фотографиям (тот же нашумевший FindFace), распознавание речи, аудио (тот же Shazam).
Перспективы применения или будущее уже сегодня
Что же могут дать нейронные сети участникам интернет-андеграунда и данного форума в частности?
Имея такие источники информации, как социальные сети, блоги и все, где обычный пользователь может проявлять свою индивидуальность, а также доступ к закрытой информации (переписки, заказы в магазинах, история поиска) нетрудно понять что мы имеем замечательную базу для обучения нейронных сетей для различных задач.
Какие же задачи можно решать при помощи нейронных сетей в области социальной инженерии? - спросите Вы.
Мне видятся следующие области применения:
Социальная инженерия: прогнозирование поведения жертвы атаки, будь то криптолокеры или банальный шантаж видео с вебкамер мастурбаторов. Здесь для обучения на вход сети можно подавать максимум данных о пользователе, характеризующих его, как личность (данные из соцсетей, предпочтения в муыке, фильмах, данные из постов и блогов, переписок и прочее). На выходе - поддатливость шантажу (были ли выполнены требования, выплачены деньги и т.д.).
Применение нейронных сетей в данной сфере может быть наиболее обширным, т.к. речь идет об анализе поведенческих факторов. Именно поэтому данная статья отнесена к категории "Социальная инженерия". Следующие 2 направления можно также отнести к этой категории.
Вербовка: прогнозирование поддатливости вербовке для выполнения каких-либо задач. Здесь для обучения на входе те же данные, что и в предыдущем примере а также характер задач для агента и характер вербовки (шантаж или подкуп), а на выходе - выполнил ли завербованный поставленные задачи или поддался ли вербовке.
Дроповодство: определение благонадежности дропа по аналогии с банковским скорингом - с кем можно работать, а с кем - нет. Для обучения сети можно использовать массу данных о дропах, с которыми уже велась работа. На входе параметры вроде возраста, данных из социальных сетей, предпочтениях в раличных сферах (политика, музыка, да что угодно, характеризующее личность), суммы, которые доверялись дропу. На выходе - показатель благонадежности (исполняет ли дроп возложенные на него обяхательства).
Отдельно заострим внимание на уже реализованном нейросетевом продукте, имеющем огромное значение в социальной инженерии, а именно генерации речи (Adobe VoCo). Нет нужды объяснять, какие перспективы раскрываются при наличии возможности говорить то, что нам нужно нужным нам голосом (посмотрите - данный продукт работает весьма неплохо).
Кардинг: предсказание одобрения заказов в шопах. Для обучения на входе такие параметры, как магазин, тип товара, сумма, тип карты, параметры пк, с кторого идет вбив, адрес доставки, тип карты, данные с прозвона кардхолдера, страны шопа и доставки и масса других данных. На выходе - фактическое выполнение заказа (прислали ли товар по адресу).
Хотелось бы выделить использование нейростетй и в реальном времени, например в советниках, когда с использованием нейросетевых алгоритмов выбиаются наиболее оптимальние варианты общения, фразы, корректируются скрипты разовора с клиентом/жертвой и прочее.
Кроме озвученных мной направлений Вы сами можете найти и другие.
Что же дает использование нейросетей в тех примерах, что приведены выше? Как минимум - оптимизацию времени и ресурсов при работе с большим количеством людей и массивами данных, ведь на выходе мы получаем объекты, соответствующие нашим критериям и можем отмести несоответствующе.
Не могу не восхититься и ужаснуться одновременно теми перспективами и возможностями по работе в сфере прогнозирования и анализа поведенческих факторов у таких гигантов, как Google, Microsoft и др. Очевидно, что такие корпорации смогут использовать анализ Big Data для маркетинговых нужд и для нужд "безопасноти" - сегодня они знают, где ты находишься, что смотришь, читаешь, куда ездишь и прочее, а завтра будут знать с определенной долей вероятности, где ты БУДЕШЬ находиться (завтра, через неделю, месяц), что ты БУДЕШЬ читать, и куда поедешь (или уже знают)...
Надеюсь, предмет данной статьи так или иначе вызовет интерес у читателя или хотя бы заставит задуматься. Для изучения нейронных сетей на первых порах будет достаточно информации из следующих источников:
Джонс М.Т. Программирование искусственного интеллекта в приложениях – М.: ДМК Пресс, 2011
Боровиков В.П. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных – М.: Горячая линия – Телеком, 2008
Для реализации ваших задач рекомендую использовать пакет STATISTICA Neural Networks (подойдет и непрограммисту, а для кодера будет полезен экспорт исходного кода смоделированной нейросети в C/C++).
© Xerx
