Když svým přátelům vyprávím o přírodě, je to mnohdy stejně komplikované jako úvahy o umělé inteligenci a popisu možností neuronových sítí po překročení dnešních prvopočátků. Každý projevil ze svého pohledu velice zajímavé obavy a každý hned přišel s nápadem jak by neurální sítě využil jako svého kolegu.

Po pravdě jsem byl až překvapený zájmem o strojové učení a téma deep learning obecně. Totiž, nikdo z mého okolí s kým se mám možnost potkat a téma probrat o neurálních sítích neví takřka nic, kromě hrubé kostry. Každý slyšel, téma potkal, ale že by hloubal nebo věděl více… Situace je lepší v mém pracovním prostředí, kde je častým tématem neural machine translation (nMT) včetně předcházející formy parametrických databází a práce hrubé výpočetní síly. Ve zcela civilní sféře však nic nebo velice málo… a tak když jsem nadšeně začal vyprávět o možnostech, byl to právě zájem co mě překvapilo nejvíce.

Pokud hledáte základy mého optimizmu, kterým očkuji své přátele, zadejte si do vyhledávače: TensorFlow. Jde o Open source neurální síť pro strojové učení v tématech výzkumu. Zkuste si téma najít a vyzkoušet. K dispozici je příklad identifikace „objektů“ na fotografii, kde výsledkem je podle počtu průchodů pravděpodobnost „co je na obrázku“ a velice silný kontext spojený s vyhledáváním výsledků Google. Takže poslanou fotografii zeleného listu se zelenou mšicí za pár vteřin systém vrátil jako 78% pravděpodobnost mšice a nabídl výsledky spojené s „potvrzením“, že jde o mšici. Stačilo 20tisíc průchodů pro tak vysoké hodnoty shody a další výsledky dávají uživateli jasnou volbu zda navýšit počet průchodů nebo jsou nabízené výsledky správně.

Kupa obav na začátku

Každý přijímáme informace trošku jinak, jsme z jiného prostředí a tak i reakce je tak jedinečná a působivá. Kolega z IT řešil jak to naprogramuje nebo rozchodí, další se ptal zda musí vyčlenit PC nebo má Google testovací virtuály. Běžní IT uživatelé pochybovali nad úspěchy bez česky psaného manuálu… a to ještě nikdo ani nevěděl jak začít učení, což by odradilo každého z nich. Takže jsem nabídl vzájemnou interakci a po přeskočení tohoto bloku nesrovnalostí v informacích, jsme přešli k bloku témat nač neurální sítě s deep learningem využít. Jak a v čem mohou být pomocníky. Tak to jsem pro změnu zase se spadlou čelistí vejral já…

Neurální sítě nač a jak – kolejiště v obýváku

Jako dítě jsem byl příznivcem vláčků a vlastnil jsem rozsáhlá kolejiště pro modelářskou velikost TT, proto mě první příklad zastihl až emotivně nepřipraveného… Pro představu je potřeba větší kolejiště s několika nádražími, několik samostatných tras pro vlaky, seřadiště, osvětlení a semafory, a vše co k prezentačnímu kolejišti modeláře patří. Celé toto kolejiště je poměrně snadné až možné zapojit do plné automatiky a reaktivních spínačů.
Jenže dát takové kolejiště do učení umělé inteligenci a spouštěcí/sledovací podnět/prvek uvést vlak, získáváme industriální kostru pro městské schéma pro ovládání osvětlení a práce se senzorickou sítí s reakcí na obyvatele či dopravní prostředky, včetně například práce s bariérami při měření šíření vlny hluku senzorickou sítí.
Hrátky v obýváku tak mohou vést k cenným datům a nejeden modelář by se zapojil do sdílení dat.
V tomto ohledu možností hrát si ihned je asi nejdále LEGO, jehož komponenty by se daly využít pro simulaci.

Neurální sítě nač a jak – Akvaristika

Téma akvaristiky je mi také blízké, největší objemový rekord byla péče o bez mála 40 tisíc litrů složených z malých akvárií pro výtěr a rozplavbu, chovných akvárií a i pohledovky. Okamžiků kdy jsem neměl žádné akvárium bylo velice málo a i tak mě rozsah uchopení kamarádem překvapil. Kolik denní práce by dokázal přenést na výpočet a jak dál tyto data používat pro další simulace. Na otázku co by tím získal, tak prý čas se konečně věnovat i tropickým žábám :O
Shodli jsme se, že nejdůležitější zónou pomoci pro akvaristiku je především monitoring prostředí a zdraví ryb. Sledování a dovozování vzorců pohybu živočichů. Sekundárním zdrojem dat je parametrizace na základě monitoringu, například kdy různé typy krmení mohou mít různé vlivy na kvalitu vody a některé až oddalovat páření například. Což jsou překryvy s mou potřebou monitoringu fauny v řízeném prostředí.
Zde byl částečný konflikt s komerční sférou, protože do veřejně dostupného datového korpusu dát roky svého výzkumu při tření ryb se asi moc chtít nebude a tyto slepá místa požadavků musí doplnit vědecká sféra a encyklopedie. Neurální síť toto střežené know-how nakonec odhalí a poskytne řešení v limitách od do, s následným zpřesňováním podle růstu korpusu.

Neurální sítě nač a jak – Astrologie a abstrakce

Tady nevím ani jak začít a tak zůstanu jen u tohoto hrubého předání. V astrologii (nikoliv v Astronomii) je kupa až šílených schémat, historických kontextů, mylných předpokladů, historických záměrných nepřesností, že je potřeba opravdu veliká odvaha Mysli uvažovat o tématu spojení Astrologie a deep learningu a přesto jak jsem poslouchal JDE TO. Cílem však kupodivu není komplexní sestavování horoskopů, ale cosi jako fragmentační encyklopedie. Data, která zdánlivě nejsou spojená a jen znalosti vzorců na pozadí a zkušenost tyto informace mohou spojit.
V pohledu neurálních sítí není důležité, že astrologie není vědní obor a jde spíše o domněnkovou sféru. Právě protože jde o mnoho nesourodých dat na vstupu, lidských úvah, výsledků pozorování a určité předdefinované oblasti očekávání mohou určité vlivy potvrdit nebo zcela vyloučit. Extrapolace získaných dat může pomoci v náhledu na další pohled na vlivy typu „pohyb motýlích křídel“ až po Cimrmanovský výzkum typu „foukáním tabákového dýmu do vody zlato nevznikne“.

Neurální sítě nač a jak – Echolokace

Další příklad jsem si vyslechl v příkladu autodílny a zvukaře. Oba pracují se senzory pro odhalení nekonzistencí zvuku. To je téma představitelné a jde o parametrizaci zvuků a jejich šíření prostorem, obojí v řízeném prostředí.

Určitě bych echolokaci využil i v botanické zahradě a zahradě, při chovu živočichů, a také jako doplněk pro analyzátor zvuků pro senzory ochrany majetku.