Сгенерировано: что умеют популярные нейросети?

Каждый нейрон в сети хранит какую-либо информацию. Один нейрон передает эти данные другому: тот их получает, обрабатывает и передает результаты вычислений следующему. Так и создается нейронная сеть, внутри которой постоянно меняются коэффициенты. Подробнее об этом можно узнать из этой лекции TEDxTUM.

Кроме импульсов, благодаря которым передается информация, очень важна последовательность. Например, нейросети, работающие с текстом, подбирают наиболее вероятные смысловые комбинации. А вероятность следования одного слова за другим определяется данными, которые были использованы при обучении нейросети.

Нейронные сети обучаются с помощью обработки большого объема данных. Информации дают много, как минимум в десять раз больше, чем содержится нейронов в сети. 

На основе предоставленных и уже обработанных данных сети смогут распознавать неизвестные входные данные.

Например, разработчики обучают нейросеть, цель которой — генерация случайных лиц. Ей предоставляют миллионы фотографий людей: с разным возрастом, мимикой и цветом кожи. После обработки такого массива информации нейросеть сможет создать лицо, которое раньше не видела, позаимствовав фрагменты из реально существующих фото. 

Первая — модель перцептрона, пример самой простой архитектуры нейросети. Состоит из четырех компонентов — входа, веса, сумматора и функции активации. Сейчас эта модель в чистом виде практически не используется (все-таки ее придумали в 1958 году), но она послужила базой для многих других нейросетей. 

Многослойные нейронные сети используют для обработки числовых данных. Они состоят из искусственных нейронов, объединенных в слои. 

Сверточные нейронные сети переиспользуют части самих себя для обработки небольших участков изображений. Каждый слой такой сети фокусируется на маленьких участках изображения: благодаря этому нейросеть легко отличает нос от уха, а рот — от глаза. 

Нужно обработать последовательность? Тогда приходит очередь рекуррентных нейронных сетей, способных хранить внутри себя информацию о предыдущих данных. Благодаря такой «памяти» рекуррентные сети часто используются для обработки аудио, видео и текста. 

Например, нейросеть Midjourney. Она умеет визуализировать текстовые описания. Ввели на английском нужный запрос — получили 4 варианта изображения. После одно из них можно улучшить. 

Давайте потренируемся в Midjourney на Альфе. В качестве текстовых запросов мы использовали описания наших продуктов. 

1. Пакеты решений

2. Альфа-Консьерж

3. InSync

5. Считаем, что Альфа объединяет людей, способных на большее. Нейросеть видит это так. 

Иногда Midjourney подходит к созданию изображения или слишком абстрактно (кажется, джентльмен с иллюстрации «100 дней» задумал купить весь мир), или чересчур буквально — связь с клиентами в визуале InSync обозначена как рукопожатие. Чуть лучше дела обстоят на аниме-поле, для которого нейросеть придумала банкомат и отделение Альфы, но и там не без изъянов.

Допустим, модель ruGPT-3 XL включает в себя 1,3 млрд параметров и умеет продолжать тексты и программный код. Вам нужно только начать, а нейросеть сделает все остальное за вас. 

Rytr генерирует связные тексты на основе ключевых слов или фраз. Можно выбрать язык, на котором вы хотите получить текст, стиль письма, уровень креативности и количество вариантов, которое сгенерирует нейросеть. 

Точно не в ближайшее время. Например, Midjourney частенько искажает запрос, как бы четко вы его не расписывали. А если и не искажает, полученный результат нужно доводить до ума в графическом редакторе — кому нравятся потекшие щеки и ноги узлом? 

С нейросетями, выдающими текст, та же история. Хоть они и берутся за написание пьес, самостоятельно превратить черновик в чистовик они не могут — им все еще нужна помощь человека. 

Сейчас нейросети стоит воспринимать не как соперника человека, а как полезный инструмент. Они не отбирают у людей работу, как это случилось в Англии XIX века, а открывают дополнительные возможности. Например, позволяют создать видео для песни, клип для которой никогда не планировали снимать. Или сгенерировать песни в стиле любимой группы, уже давно не выпускающей треки.