როგორ სწავლობენ კომპიუტერები შემოქმედებას
-
0:01 - 0:05მე Google-ში ვხელმძღვანელობ ჯგუფს,
რომელიც მანქანურ ინტელექტზე მუშაობს. -
0:05 - 0:09სხვა სიტყვებით, ესაა საინჟინრო დისციპლინა,
რომელიც კომპიუტერებს და მოწყობილობებს -
0:09 - 0:11აკეთებინებს იმას, რასაც ტვინები აკეთებენ.
-
0:11 - 0:15ამიტომ, ჩვენ ნამდვილი ტვინებითაც
-
0:15 - 0:17და ნეირომეცნიერებითაც ვართ დაინტერესებული.
-
0:17 - 0:20განსაკუთრებით ტვინის ისეთი ფუნქციებით,
-
0:20 - 0:24რომლებიც ბევრად აღემატება კომპიუტერებისას.
-
0:25 - 0:29ისტორიულად, ერთ-ერთი ასეთი ფუნქცია აღქმაა.
-
0:29 - 0:32პროცესი, რომლის შედეგადაც
მსოფლიოში არსებული -
0:32 - 0:33ხმები და გამოსახულებები,
-
0:34 - 0:36ტვინში წარმოდგენებად იქცევა.
-
0:36 - 0:39ეს ჩვენი ტვინის აუცილებელი ფუნქციაა
-
0:39 - 0:41და კომპიუტერისთვისაც საკმაოდ გამოსადეგი.
-
0:42 - 0:45ჩვენი გუნდის მიერ შექმნილი
მანქანური აღქმის ალგორითმების მაგალითია, -
0:45 - 0:49როცა Google-ის ფოტოებში სურათების მოძებნა,
-
0:49 - 0:51მასზე არსებული
გამოსახულებითაა შესაძლებელი. -
0:52 - 0:55აღქმის საპირისპირო მხარე შემოქმედებაა.
-
0:55 - 0:58როცა წარმოდგენას რეალობად აქცევთ.
-
0:58 - 1:02გასულ წელს, მანქანურ აღქმაზე მუშაობამ,
-
1:02 - 1:07მოულოდნელად მანქანურ შემოქმედებასთან
-
1:07 - 1:09და მანქანურ ხელოვნებასთან დაგვაკავშირა.
-
1:09 - 1:12ვფიქრობ, მიქელანჯელოს აზრი
ორმხრივ დამოკიდებულებაზე -
1:12 - 1:16აღქმასა და შემოქმედებას შორის,
მართლაც შორსმჭვრეტელი იყო. -
1:16 - 1:18მისი ეს ცნობილი ციტატა შემდეგია:
-
1:18 - 1:21"ქვის ყოველი ბლოკის შიგნით ქანდაკებაა
-
1:22 - 1:25და მოქანდაკის ამოცანაა ის აღმოაჩინოს"
-
1:26 - 1:29მგონი, მიქელანჯელო იმას გულისხმობდა,
-
1:29 - 1:32რომ ჩვენ აღქმის წყალობით ვქმნით
-
1:32 - 1:35და აღქმა თვითონაა წარმოსახვის აქტი
-
1:36 - 1:38და მასალა შემოქმედებისთვის.
-
1:39 - 1:43ორგანო, რომელიც ამას ყველაფერს
ფიქრობს, აღიქვამს და წარმოიდგენს -
1:43 - 1:44რა თქმა უნდა ტვინია.
-
1:45 - 1:48მინდა ტვინზე ჩვენი ცოდნის
-
1:48 - 1:50მოკლე ისტორიული მიმოხილვით დავიწყო.
-
1:50 - 1:53გულისგან და ნაწლავებისგან განსხვავებით,
-
1:53 - 1:56ტვინს თუ შეხედავთ,
მასზე ბევრს ვერაფერს იტყვით, -
1:56 - 1:58ყოველ შემთხვევაში შეუიარაღებელი თვალით.
-
1:58 - 2:00ადრეული ანატომები,
რომლებიც ტვინს აკვირდებოდნენ -
2:00 - 2:04მის გარე სტრუქტურას
სხვადასხვა უცნაურ სახელებს არქმევდნენ, -
2:04 - 2:07მაგალითად, როგორც ჰიპოკამპი,
რაც "პატარა კრევეტს" ნიშნავს -
2:07 - 2:10თუმცა, რა თქმა უნდა, ეს ყველაფერი,
ბევრს არაფერს გვეუბნება იმაზე, -
2:10 - 2:13თუ რა ხდება სინამდვილეში შიგნით.
-
2:13 - 2:16ვფიქრობ, პირველი, ვინც რეალურად
შეიქმნა რაღაც წარმოდგენა მაინც, -
2:16 - 2:18თუ რა ხდებოდა ტვინში,
-
2:18 - 2:22დიდი ესპანელი ნეიროანატომი
სანტიაგო რამონ ი კახალი იყო, -
2:22 - 2:24მე-19 საუკუნეში.
-
2:24 - 2:28მან მიკროსკოპი
და სპეციალური საღებავი გამოიყენა, -
2:28 - 2:32რომლითაც ტვინის ცალკეული უჯრედები
შერჩევითად შეავსო -
2:32 - 2:34და კონტრასტული გახადა,
-
2:34 - 2:37რითიც მათი მორფოლოგია გაიგო.
-
2:38 - 2:41ესაა ნეირონების ის გამოსახულებები,
-
2:41 - 2:43რომლებიც მან მე-19 საუკუნეში დახატა.
-
2:43 - 2:44ეს ჩიტის ტვინია.
-
2:44 - 2:47აქ თქვენ უჯრედების
არაჩვეულებრივ მრავალფეროვნებას ხედავთ, -
2:47 - 2:51ამ დროს უჯრედული თეორიაც კი,
საკმაოდ ახალი ხილი იყო. -
2:51 - 2:52მითუმეტეს, უჯრედთა სტრუქტურები
-
2:52 - 2:54უჯრედთა ეს განშტოებები
-
2:54 - 2:57და მათი ეს განტოტვა,
რომელიც ძალიან შორს მიდის, -
2:57 - 2:58ეს ძალიან ახალი იყო.
-
2:59 - 3:02ისინი რა თქმა უნდა სადენებს გაგონებთ,
-
3:02 - 3:05რაც შეიძლება უკვე ნაცნობი იყო
ზოგისთვის მე-19 საუკუნეში. -
3:05 - 3:10ელექტროფიკაცია სწორედ ამ დროს იწყებოდა.
-
3:10 - 3:11თუმცა, დიდი ანგარიშით,
-
3:11 - 3:14რამონ ი კახალის
ეს მიკრონატომიური გამოსახულებები -
3:15 - 3:17რაღაც მხრივ დღესაც შეუდარებელია.
-
3:17 - 3:19ერთი საუკუნის შემდეგ,
ჩვენ ჯერ კიდევ ვცდილობთ -
3:19 - 3:22რამონ ი კახალის მიერ
დაწყებული საქმის დასრულებას. -
3:22 - 3:25ეს ჩვენი კოლეგების მიერ მოპოვებული
დაუმუშავებელი მონაცემებია, -
3:25 - 3:28მაქს პლანკის
ნეირომეცნიერების ინსტიტუტიდან. -
3:28 - 3:29ჩვენმა კოლეგებმა,
-
3:29 - 3:34ტვინის ქსოვილის პატარა ნაჭრები გამოსახეს.
-
3:34 - 3:38ეს მთელი ნიმუში
დაახლოებით 1 კუბური მილიმეტრია -
3:38 - 3:40და მე აქ ძალიან პატარა ნაჭერს გაჩვენებთ.
-
3:40 - 3:43მარცხნივ, ეს ფირფიტა
დაახლოებით 1 მიკრონია. -
3:43 - 3:45სტრუქტურები, რომელსაც ხედავთ
-
3:45 - 3:47ბაქტერიის ზომის მიტოქონდრიებია.
-
3:47 - 3:49ეს ქსოვილის ძალიან მცირე ბლოკის
-
3:49 - 3:52მიმდევრობითი ჩამონაჭრებია.
-
3:52 - 3:55შედარებისთვის,
-
3:55 - 3:58თმის ერთი ღერის
საშუალო დიამეტრი 100 მიკრონია. -
3:58 - 4:01ანუ აქ ჩვენ ვუყურებთ
-
4:01 - 4:02თმის ღერზე ბევრად პატარა რამეს.
-
4:02 - 4:06ამ მიკროსკოპული ჩამონაჭრების სერიიდან
-
4:06 - 4:11შეიძლება 3 განზომილებიანი
ნეირონის მსგავსი რეკონსტრუქციების აწყობა. -
4:11 - 4:14სტილით ისინი,
რამონ ი კახალის ნახატებს ჰგავს. -
4:14 - 4:16მხოლოდ ცალკეული ნეირონები ნათდება,
-
4:16 - 4:19სხვაგვარად ვერაფერს დავინახავდით.
-
4:19 - 4:20ისეთი გადაჭედილი იქნებოდა,
-
4:20 - 4:21სავსე სტრუქტურებითა
-
4:21 - 4:25და გაყვანილობებით,
რომლებიც ერთ ნეირონს მეორესთან აერთებს -
4:25 - 4:28მაშ, რამონ ი კახალი დროს ცოტათი უსწრებდა
-
4:28 - 4:31და ტვინის გაგება ნელა პროგრესირებდა
-
4:31 - 4:33შემდეგი რამდენიმე ათწლეულის მანძილზე.
-
4:33 - 4:36თუმცა, ჩვენ ვიცოდით,
რომ ნეირონები ელექტრობას იყენებდნენ -
4:36 - 4:40და მეორე მსოფლიო ომისთვის, ტექნოლოგია
საკმარისად განვითარებული იყო იმისთვის, -
4:40 - 4:44რომ ცოცხალ ნეირონებზე ნამდვილი
ელექტრო ექსპერიმენტები ჩატარებულიყო -
4:44 - 4:46იმისთვის რომ უკეთ შეგვესწავლა,
როგორ მუშაობენ ისინი. -
4:46 - 4:49ეს ზუსტად ის დროა,
როცა კომპიუტერები გამოიგონეს, -
4:49 - 4:52სწორედ ტვინის მოდელირებაზე,
ე.წ. "გონიერ მანქანაზე" დაფუძნებით, -
4:52 - 4:55როგორც მას კომპიუტერული მეცნიერების
ერთ-ერთმა მამამ, -
4:55 - 4:57ალან ტიურინგმა უწოდა.
-
4:58 - 5:03უორენ მაკკალოკმა და უოლტერ პიტსმა
შეხედეს რამონ ი კახალის ნახატებს, -
5:03 - 5:04რომელზეც მხედველობის ქერქი იყო
-
5:04 - 5:05ახლა სწორედ ამას ხედავთ.
-
5:06 - 5:10ტვინის ეს ქერქი თვალებიდან შემოსულ
გამოსახულებებს ამუშავებს -
5:10 - 5:14მათთვის ეს შეკრული წრედის
დიაგრამასავით იყო. -
5:14 - 5:18მაკკალოკმა და პიტსის წრედის დიაგრამაში
-
5:18 - 5:20ბევრი დეტალი მთლად ზუსტი არ არის,
-
5:20 - 5:21თუმცა ძირითადი იდეა,
-
5:21 - 5:25რომ მხედველობის ქერქი მუშაობს,
როგორც გამოთვლითი ელემენტების სერია, -
5:25 - 5:28რომლებიც ერთმანეთს
კასკადურად გადასცემენ ინფორმაციას, -
5:28 - 5:29არსებითად სწორია.
-
5:29 - 5:32მოდი, ერთი წუთით ვთქვათ
-
5:32 - 5:36რა უნდა გააკეთოს ვიზუალური ინფორმაციის
დამუშავების მოდელმა -
5:36 - 5:39აღქმის ძირითადი ამოცანაა,
-
5:39 - 5:43აიღოს მსგავსი გამოსახულება და თქვას
-
5:43 - 5:44"ეს ჩიტია"
-
5:44 - 5:47რაც ჩვენთვის ძალიან ადვილია
ტვინის გამოყენებით. -
5:47 - 5:51თუმცა, ყველას უნდა გესმოდეთ,
რომ კომპიუტერისთვის -
5:51 - 5:54სულ რაღაც რამდენიმე წლის წინ
ეს პრაქტიკულად შეუძლებელი იყო. -
5:54 - 5:56კომპიუტერის კლასიკურ პარადიგმაში
-
5:56 - 5:59მსგავსი რამის გაკეთება მარტივი არ არის.
-
5:59 - 6:02მაშ, რაც ხდება პიქსელებს,
-
6:02 - 6:06ჩიტის გამოსახულებასა
და სიტყვა "ჩიტს" შორის, -
6:06 - 6:09არსებითად ნეირონების სიმრავლეა,
რომლებიც ერთმანეთს -
6:09 - 6:10ნეირონულ ქსელში უკავშირდება,
-
6:10 - 6:12როგორც დიაგრამაზე ხედავთ.
-
6:12 - 6:15ეს ნეირონული ქსელი შეიძლება იყოს
ბიოლოგიური, ჩვენ მხედველობის ქერქში, -
6:15 - 6:17ან დღესდღეობით, ჩვენ გვაქვს საშუალება
-
6:17 - 6:20ასეთი ნეირონული ქსელების მოდელი
კომპიუტერში შევქმნათ. -
6:20 - 6:22გაჩვენებთ სინამდვილეში
ეს როგორ გამოიყურება. -
6:22 - 6:26პიქსელები ნეირონების პირველ შრედ
შეიძლება წარმოვიდგინოთ -
6:26 - 6:28ფაქტიურად ასე მუშაობს თვალიც...
-
6:28 - 6:30ეს არის ნეირონები რეტინაში.
-
6:30 - 6:31ისინი აწვდიან ინფორმაციას
-
6:31 - 6:35ნეირონების ზედა შრეს
და შემდეგ შრეებს, ერთი მეორის მიყოლებით, -
6:35 - 6:38ისინი ყველა ერთმანეთს
სხვადასხვა წონის სინაფსებით უკავშირდება. -
6:38 - 6:39ამ ქსელის ქცევა,
-
6:39 - 6:42სინაფსების ძალებით ხასიათდება.
-
6:42 - 6:46ისინი ქსელის გამოთვლით
თვისებებს ახასიათებენ. -
6:46 - 6:47და საბოლოოდ ვიღებთ
-
6:47 - 6:50ნეირონს ან ნეირონების მცირე ჯგუფს,
-
6:50 - 6:52რომლებიც ნათდებიან და ამბობენ "ჩიტი"
-
6:52 - 6:55ვაპრებ შემდეგი სამი რამ:
-
6:55 - 7:00შემავალი პიქსელები,
სინაფსები ნეირონული ქსელში -
7:00 - 7:01და შედეგი - ჩიტი,
-
7:01 - 7:05სამ ცვლადად წარმოგიდგინოთ:
x, w და y. -
7:05 - 7:07გვაქვს სადღაც ალბათ მილიონი x.
-
7:07 - 7:09მილიონი პიქსელი ამ გამოსახულებაში.
-
7:09 - 7:11არსებობს მილიარდობით, ან ტრილიონობით w,
-
7:11 - 7:15რაც ნეირონულ ქსელში
თითოეული სინაფსის წონას წარმოადგენს. -
7:15 - 7:16და y-ები ძალიან მცირე რაოდენობით.
-
7:16 - 7:18რაც ქსელიდან გამომავალი შედეგებია.
-
7:18 - 7:20"ჩიტი" მხოლოდ ოთხი ასოსგან შედგება.
-
7:21 - 7:25წარმოვიდგინოთ შემდეგი მარტივი ფორმულა:
-
7:25 - 7:27x "x" w = y.
-
7:27 - 7:29გამრავლების ნიშანი ბრჭყალებში ჩავსვი,
-
7:29 - 7:31რადგან, რა თქმა უნდა,
სინამდვილეში ამ ადგილას, -
7:31 - 7:34ძალიან რთული
მათემატიკური ოპერაციების წყებაა. -
7:35 - 7:36ეს ერთი განტოლებაა
-
7:36 - 7:38და სამი ცვლადი.
-
7:38 - 7:41ჩვენ ვიცით,
რომ თუ გვაქვს ერთი განტოლება, -
7:41 - 7:45შეგვძილია ის ერთი ცვლადის მიმართ ამოვხსნათ
თუ დანარჩენი ორი ცნობილია. -
7:45 - 7:49მაშ, ამოცნობის პრობლემა,
-
7:49 - 7:51ანუ, იმის დადგენა, რომ ჩიტის სურათზე
ჩიტია გამოსახული -
7:51 - 7:53შემდეგზე დადის:
-
7:53 - 7:56y უცნობია და w და x კი - ცნობილი.
-
7:56 - 7:59ვიცით ნეირონული ქსელი
და ვიცით პიქსელები. -
7:59 - 8:02როგორც ხედავთ,
ეს შედარებით სწორხაზოვანი ამოცანაა. -
8:02 - 8:04ორს სამზე გაამრავლებთ და მორჩა.
-
8:05 - 8:07მე გაჩვენებთ ხელოვნურ ნეირონულ ქსელს,
-
8:07 - 8:09რომელიც ცოტა ხნის წინ, ზუსტად ასე ავაგეთ.
-
8:10 - 8:12ის მობილურ ტელეფონზე მუშა რეჟიმშია
-
8:13 - 8:16და რა თქმა უნდა, თავისთავად საოცრებაა,
-
8:16 - 8:19რომ მობილურ ტელეფონებს ამდენი
მილიარდობით და ტრილიონობით ოპერაციების -
8:19 - 8:21შესრულება შეუძლიათ წამში.
-
8:21 - 8:22ჩვენ ვხედავთ ტელეფონს,
-
8:22 - 8:26რომელიც უყურებს ჩიტის სურათებს
ერთი მეორის მიყოლებით -
8:26 - 8:29და არა მხოლოდ ამბობს: "დიახ, ეს ჩიტია",
-
8:29 - 8:33არამედ ამგვარი ქსელის გამოყენებით,
ადგენს მის სახეობას. -
8:33 - 8:35მაშ, ამ სურათში,
-
8:35 - 8:39x და w ცნობილია, y - უცნობი.
-
8:39 - 8:41მე, რა თქმა უნდა,
ვტოვებ იმ ურთულეს ნაწილს, -
8:41 - 8:45თუ როგორ ვახერხებთ w-ს გაგებას,
-
8:45 - 8:47ტვინისას, რომელსაც ამის გაკეთება შეუძლია?
-
8:47 - 8:49როგორ დავადგინოთ ეს მოდელი?
-
8:49 - 8:53w-ს გაგების ეს პროცესი
-
8:53 - 8:55თუ ამას მარტივი განტოლებიდან ვაკეთებთ,
-
8:55 - 8:57რომელშიც ცვლადებს რიცხვებად წარმოვიდგენთ,
-
8:57 - 9:00ზუსტად ვიცით ეს როგორ გავაკეთოთ:
6 = 2 x w, -
9:00 - 9:03ვყოფთ 2-ზე და დამთავრდა.
-
9:04 - 9:06პრობლემა სწორედ ამ ოპერაციაშია,
-
9:07 - 9:08გაყოფაში...
-
9:08 - 9:11ჩვენ ვიყენებთ გაყოფას,
რადგან ის გამრავლების საპირისპიროა, -
9:11 - 9:13მაგრამ როგორც გითხარით,
-
9:13 - 9:15ეს მთლად გამრავლება არ არის.
-
9:15 - 9:18ეს ურთულესი, ძალიან არაწრფივი ოპერაციაა,
-
9:18 - 9:20რომელსაც საპირისპირო არ გააჩნია.
-
9:20 - 9:23ამიტომ, ამ განტოლების ამოხსნა
-
9:23 - 9:25გაყოფის ოპერაციის გარეშე უნდა მოვახერხოთ.
-
9:25 - 9:28ამის გაკეთება კი,
საკმაოდ მარტივად შეიძლება. -
9:28 - 9:30უბრალოდ, პატარა ალგებრული ხრიკი ვიხმაროთ
-
9:30 - 9:33და 6-იანი განტოლების
მარჯვენა მხარეს გადავიტანოთ. -
9:33 - 9:35ახლა, ისევ გამრავლება გვაქვს
-
9:36 - 9:39და ეს ნული....
მოდი ის "ცდომილებად" წარმოვიდგინოთ. -
9:39 - 9:42სხვა სიტყვებით,
w-ის მიმართ სწორად თუ ამოვხსნით, -
9:42 - 9:43მაშინ ცდომილება 0 იქნება.
-
9:43 - 9:45ხოლო, თუ შევცდებით,
-
9:45 - 9:47ცდომილება 0-ზე მეტი უნდა იყოს.
-
9:47 - 9:51მაშ, ახლა უკვე ვარაუდით,
შეგვიძლია ცდომილება მინიმუმზე დავიყვანოთ. -
9:51 - 9:53სწორედ ამაში არიან კომპიუტერები
ძალიან ძლიერები. -
9:53 - 9:55მაშ, პირველადი ვარაუდი:
-
9:55 - 9:56იქნებ w = 0?
-
9:56 - 9:57მაშინ ცდომილება იქნება 6.
-
9:57 - 9:59ახლა ვცადოთ w = 1? ცდომილებაა 4.
-
9:59 - 10:02შემდეგ კომპიუტერს შეუძლია
"გამოცნობა" ითამაშოს -
10:02 - 10:04და ცდომილება 0-ს მიუახლოვოს.
-
10:04 - 10:07ამით ის w-ს მიმდევრობით მიახლოებებს იგებს.
-
10:07 - 10:11როგორც წესი, ზუსტად ვერასდროს გაიგებს,
მაგრამ ათეული ბიჯის შემდეგ, -
10:11 - 10:15ჩვენ ვიღებთ w = 2.999,
რაც საკმარისი მიახლოებაა. -
10:16 - 10:18ესაა შესწავლის პროცესი.
-
10:18 - 10:21გაგახსენებთ რას ვაკეთებთ.
-
10:21 - 10:25ვიღებთ უამრავ ცნობილ x-ს და y-ს
-
10:25 - 10:29და იტერაციული პროცესის გამოყენებით
ვიგებთ w-ს. -
10:29 - 10:32ზუსტად ასე ვსწავლობთ ჩვენც.
-
10:32 - 10:35ბავშვობაში უამრავ გამოსახულებას ვხედავთ
-
10:35 - 10:37და გვეუბნებიან: "ესაა ჩიტი, ეს არაა ჩიტი"
-
10:38 - 10:40და დროთა განმავლობაში, იტერაციით,
-
10:40 - 10:43ჩვენ ვიგებთ w-ს
და ვაგებთ ნეიონულ კავშირებს. -
10:43 - 10:48მაშ, ახლა ვიცით x და w
და შეგვიძლია y-სთვის ამოვხსნათ; -
10:48 - 10:49ეს ყოველდღიური სწრაფი აღქმაა.
-
10:49 - 10:51ჩვენ ვარკვევთ როგორ გავიგოთ w,
-
10:51 - 10:53ეს შესწავლაა, რაც ბევრად უფრო რთულია,
-
10:53 - 10:55რადგან უამრავ მაგალითზე
წვრთნის გამოყენებით, -
10:55 - 10:57ცდომილების მინიმიზაცია გვიწევს.
-
10:57 - 11:00დაახლოებით 1 წლის წინ,
ჩვენი გუნდის წევრმა, ალექს მორდვინცევმა, -
11:00 - 11:04გადაწყვიტა ჩაეტარებინა განტოლების
x-ის მიმართ ამოხსნის ექსპერიმენტი, -
11:04 - 11:06მაშინ როცა w და y ცნობილია.
-
11:06 - 11:07სხვა სიტყვებით,
-
11:07 - 11:09ვიცით, რომ ეს ჩიტია
-
11:09 - 11:12და გვაქვს ნეირონული ქსელი,
რომელსაც ჩიტების ამოცნობა შეუძლია, -
11:12 - 11:14მაგრამ როგორი იქნება ჩიტის გამოსახულება?
-
11:15 - 11:20აღმოჩნდა, რომ ზუსტად ისეთივე ცდომილების
შემამცირებელი პროცედურის გამოყენებით -
11:20 - 11:24შეგვიძლია ეს ჩიტების ამოცნობაზე გაწვრთნილ
ნეირონულ ქსელს გავუკეთოთ -
11:24 - 11:27და შედეგი...
-
11:30 - 11:32ჩიტების გამოსახულებაა.
-
11:33 - 11:37მაშ, ჩიტების ეს გამოსახულება, მთლიანად
ისეთი ნეირონული ქსელის მიერაა შექმნილი, -
11:37 - 11:39რომლებიც ჩიტების ამოცნობაზეა გაწვრთნილი.
-
11:39 - 11:42ეს შესაძლებელი გახდა
მხოლოდ y-ის ნაცვლად x მიმართ -
11:42 - 11:43იტერაციული ამოხსნით.
-
11:44 - 11:46აი, კიდევ ერთი სახალისო მაგალითი.
-
11:46 - 11:49ეს ჩვენი ჯგუფის წევრის,
მაიკ ტაიკას გაკეთებულია. -
11:49 - 11:51მან ამას "ცხოველების აღლუმი" დაარქვა.
-
11:51 - 11:54ეს ცოტათი უილიამ კენტრიჯის
შემოქმედებას მაგონებს, -
11:54 - 11:57სადაც ის ესკიზებს აკეთებს,
შემდეგ შლის, -
11:57 - 11:59შემდეგ ისევ ხატავს, შემდეგ შლის
-
11:59 - 12:00და ასე ქმნის ფილმს.
-
12:00 - 12:01ამ შემთხვევაში
-
12:01 - 12:04მაიკი ცვლის y-ს
სხვადასხვა ცხოველების სივრცეზე -
12:04 - 12:07ქსელში, რომელიც სხვადასხვა ცხოველების
-
12:07 - 12:08ამოსაცნობად და გასარჩევადაა შექმნილი.
-
12:08 - 12:13შედეგად იღებთ, რაღაც ეშერის სტილში,
მორფულ გადასვლებს ცხოველებს შორის. -
12:14 - 12:19აქ, მან და ალექსმა
ერთად სცადეს შეემცირებინათ -
12:19 - 12:22y-ების სიმრავლე
მხოლოდ ორგანზომილებიან სივრცეზე -
12:22 - 12:25რითიც მიიღეს, ამ ქსელის მიერ
ყველა ამოცნობადი ობიექტისგან -
12:25 - 12:27შემდგარი სივრცის რუკა.
-
12:27 - 12:29მსგავსი სინთეზის გაკეთებისას,
-
12:29 - 12:31ან გამოსახულებების გენერირებით
მთელ ზედაპირზე, -
12:31 - 12:34y-ის ცვლილებით ზედაპირზე,
თქვენ ქმნით გარკვეულ რუკას. -
12:34 - 12:37იმ ყველაფრის ვიზუალურ რუკას,
რისი ამოცნობაც ქსელს შეუძლია. -
12:37 - 12:41ყველა ცხოველი აქაა;
"ჯავშნოსანი" ზუსტად ამ წერტილშია. -
12:41 - 12:43ამის გაკეთება,
სხვა სახის ქსელებშიც შეგიძლიათ. -
12:43 - 12:46ეს სახეების ამოსაცნობად შექმნილი ქსელია,
-
12:46 - 12:48რომელიც ერთ სახეს მეორისგან ასხვავებს.
-
12:48 - 12:52და აქ ვამატებთ y, რომელიც არის "მე",
-
12:52 - 12:53ჩემი სახის პარამეტრები.
-
12:53 - 12:55როცა ამას x მიმართ ვხსნით,
-
12:55 - 12:58ვიღებთ ჩემს საკმაოდ გიჟურ,
-
12:58 - 13:02კუბისტურ, სურეალისტურ,
ფსიქოდელიურ სურათს, -
13:02 - 13:04სხვადასხვა კუთხიდან ერთდროულად.
-
13:04 - 13:07ის ერთდროულად სხვადასხვა კუთხიდან
დანახულს იმიტომ ჰგავს, -
13:07 - 13:10რომ ეს ქსელი ცდილობს
გათავისუფლდეს იმ გაურკვევლობისგან, -
13:10 - 13:13რომელიც სახის სხვადასხვა მდგომარეობაში,
-
13:13 - 13:16ან სხვადასხვა განათების პირობებში
ყოფნას ახლავს. -
13:16 - 13:18ამიტომ, როცა მსგავს
რეკონსტრუქციას აკეთებთ, -
13:18 - 13:21თუ საფუძვლად არ გამოიყენებთ
რაღაც ტიპის სურათს, -
13:21 - 13:22ან სტატისტიკას,
-
13:22 - 13:26მიიღებთ სხვადასხვა თვალთახედვის აღრევას,
-
13:26 - 13:28რადგან ადგილი აქვს გაურკვევლობას.
-
13:28 - 13:32აი, რა მოხდება თუ ალექსი
ჩემი სახის რეკონსტრუქციისთვის, -
13:32 - 13:35ოპტიმიზაციის პროცესში საფუძვლად
საკუთარ სახეს გამოიყენებს. -
13:36 - 13:39როგორც ხედავთ იდეალური არაა.
-
13:39 - 13:41კიდევ ბევრი სამუშაოა ჩასატარებელი
-
13:41 - 13:43თუ როგორ მოვახდინოთ
ოპტიმიზაციის პროცესის ოპტიმიზება. -
13:43 - 13:46თუმცა, უკვე ვიღებთ,
რაღაც უფრო გამოკვეთილი სახის მსგავსს, -
13:46 - 13:48როცა საფუძვლად ჩემს სახეს ვიყენებთ.
-
13:49 - 13:51არ არის აუცილებელი სუფთა ფურცლიდან,
-
13:51 - 13:53ან თეთრი ხმაურიდან დაიწყოთ,
-
13:53 - 13:54როცა x-ის მიმართ ხსნით.
-
13:54 - 13:58შეგიძლიათ დაიწყოთ x-ით,
რომელიც თავისთავად რაღაც გამოსახულებაა. -
13:58 - 14:00ეს არის ამის პატარა დემონსტრირება.
-
14:00 - 14:05ეს არის ქსელი, რომელიც შექმნილია
-
14:05 - 14:08სხვადასხვა ობიექტების, ხელოვნური
სტრუქტურების, ცხოველების კატეგორიზებისთვის -
14:08 - 14:10ვიწყებთ მხოლოდ ღრუბლების გამოსახულებით
-
14:10 - 14:12და ოპტიმიზაციასთან ერთად,
-
14:12 - 14:17ქსელი არკვევს, თუ რას ხედავს ის ღრუბლებში.
-
14:17 - 14:19რაც უფრო დიდხანს უყურებთ,
-
14:19 - 14:22თქვენც მით უფრო მეტ რამეს
დაინახავთ ღრუბლებში. -
14:23 - 14:26თქვენ ასევე შეგიძლიათ ჰალუცინაციებისთვის,
სახის ამომცნობი ქსელი გამოიყენოთ -
14:26 - 14:28და საკმაოდ გიჟურ რამეებს მიიღებთ.
-
14:28 - 14:29(სიცილი)
-
14:30 - 14:33მაიკმა კიდევ სხვა ექსპერიმენტებიც ჩაატარა,
-
14:33 - 14:37რომლებშიც ის იღებს
ღრუბლების გამოსახულებას, -
14:37 - 14:41ჰალუცინირებს, აახლოვებს, ჰალუცინირებს,
აახლოვებსს, ჰალუცინირებს, აახლოვებს. -
14:41 - 14:42და ამგვარად, შეგიძლიათ მიიღოთ
-
14:42 - 14:45ქსელის დისოციაციური მდგომარეობის მაგვარი,
-
14:46 - 14:49ან რაღაც თავისუფალი ასოციაციების მაგვარი,
-
14:49 - 14:51რომელშიც ქსელი საკუთარ კუდს ჭამს.
-
14:51 - 14:55ანუ, ყოველი გამოსახულება საფუძვლად უდევს:
-
14:55 - 14:56"რას დავინახავ შემდეგ?
-
14:56 - 14:59რას დავინახავ შემდეგ?
რას დავინახავ შემდეგ?" -
14:59 - 15:02პირველად ეს საჯაროდ
-
15:02 - 15:08სიეტლში ვაჩვენე, ლექციაზე სახელად
"უმაღლესი განათლება"... -
15:08 - 15:10სწორედ მარიხუანას ლეგაიზაციის შემდეგ.
-
15:10 - 15:13(სიცილი)
-
15:15 - 15:17მინდა სწრაფათ დავასრულო იმით,
-
15:17 - 15:21რომ ეს ტექნოლოგია შეუზღუდავია.
-
15:21 - 15:25მე მხოლოდ ვიზუალური მაგალითები გაჩვენეთ,
იმიტომ რომ ისინი სახალისო სანახავია. -
15:25 - 15:27ეს არაა მხოლოდ ვიზუალური ტექნოლოგია.
-
15:27 - 15:30ჩვენმა თანამშრომელმა,
მხატვარმა, როს გუდუინმა, -
15:30 - 15:33ექსპერიმენტები კამერის გამოყენებით ჩაატარა
-
15:33 - 15:37და მის ზურჩანთაში მყოფი კომპიუტერი
ნეირონული ქსელის გამოყენებით ლექსებს წერს, -
15:37 - 15:40მის მიერ გადაღებული სურათების
შითავისის საფუძველზე. -
15:40 - 15:42ეს პოეტური ნეირონული ქსელი
-
15:42 - 15:45მე-20 საუკუნის პოეზიის
დიდ კრებულზეა გაწვრთნილი. -
15:45 - 15:46და ეს პოეზია, ვფიქრობ,
-
15:46 - 15:48არც ისე ცუდია, პრინციპში.
-
15:48 - 15:49(სიცილი)
-
15:49 - 15:50და ბოლოს,
-
15:50 - 15:53ვფიქრობ მიქელანჯელო
-
15:53 - 15:54მართალი იყო;
-
15:54 - 15:57აღქმა და შემოქმედება,
ძალიან მჭიდროდაა დაკავშირებული. -
15:58 - 16:00ახლა ჩვენ ვნახეთ ნეირონული ქსელები,
-
16:00 - 16:03რომლებიც გაწვრთნილები არიან გაარჩიონ
-
16:03 - 16:05და ამოიცნონ
სხვადასხვა ობიექტები მსოფლიოში. -
16:05 - 16:08მათ შეუძლიათ უკუღმა გაეშვან
და შექმნან. -
16:08 - 16:10ერთ-ერთი რასაც ეს მაჩვენებს
-
16:10 - 16:12არა მხოლოდ ისაა,
რომ მიქელანჯელო მართლაც ხედავდა -
16:12 - 16:15ქანდაკებას ქვის ბლოკებში,
-
16:15 - 16:18არამედ, რომ ნებისმიერი ქმნილება,
ნებისმიერი არსება, უცხოპლანეტელი, -
16:18 - 16:22რომელსაც მსგავსი აღქმის უნარი აქვს,
-
16:22 - 16:23შეუძლია შექმნას კიდეც,
-
16:23 - 16:27რადგან ორივე შემთხვევაში
ზუსტად ერთნაირი მექანიზმი გამოიყენება. -
16:27 - 16:31ასევე ვფიქრობ, რომ აღქმა და შემოქმედება
სულაც არ არის -
16:31 - 16:33უნიკალურად ადამიანური.
-
16:33 - 16:36ჩვენ უკვე გვაქვს კოპიუტერული მოდელები,
რომლებსაც მსგავსი რამეების კეთება შეუძლიათ -
16:36 - 16:40და გასაკვირი არც უნდა იყოს;
ტვინიც ხომ ერთგვარი კომპიუტერია -
16:40 - 16:41და ბოლოს,
-
16:41 - 16:46კომპიუტერების შექმნა გონიერი მანქანების
შექმნის მცდელობად დაიწყო. -
16:46 - 16:48მისი შემუშავება
დიდწილად განსაზღვრა იდეამ, -
16:48 - 16:51თუ როგორ შეგვიძლია
მანქანები გახვადოთ გონიერი. -
16:52 - 16:54და ახლა საბოლოოდ, ვიწყებთ
-
16:54 - 16:56ამ საქმის პიონერების,
ტიურინგის და ვონ ნოიმანის, -
16:56 - 16:58მაკკალოკის და პიტსის
-
16:58 - 17:00ზოგიერთი დანაპირების შესრულებას.
-
17:00 - 17:04ვფიქრობ კომპიუტერები
არა მხოლოდ გამოთვლაა, -
17:04 - 17:06ან Candy Crush-ის,
ან რამე მსგავსის თამაში. -
17:06 - 17:09ჩვენ ისინი თავიდანვე
ჩვენი ტვინის მიხედვით დავაპროექტეთ. -
17:09 - 17:12ისინი საშუალებას გვაძლევს
როგორც ჩვენი ტვინი გავიგოთ უკეთ, -
17:12 - 17:14ასევე გავაუმჯობესოთ ის.
-
17:15 - 17:16დიდი მადლობა.
-
17:16 - 17:22(აპლოდისმენტები)
- Title:
- როგორ სწავლობენ კომპიუტერები შემოქმედებას
- Speaker:
- ბლეზ აგუერა ი არკასი
- Description:
-
ჩვენ ხელოვნებისა და შემოქმედების ახალ ეტაპზე გადავდივართ, თუმცა არა ადამიანის ხელით. Google-ის მთავარი მეცნიერ-თანამშრომელი, აგუერა ი არკასი, ნეირონულ ქსელებზე მუშაობს, რომლებიც მანქანური აღქმის და განაწილებული სწავლებისთვის გამოიყენება. ამ შთამბეჭდავი დემონსტრაციით, ის გვაჩვენებს, თუ როგორ შეუძლიათ გამოსახულებების ამოცნობაზე გაწვრთნილ ნეირონულ ქსელებს, უკუღმა გაშვების შემთხვევაში წარმოქმნან ისინი. შედეგად ვიღებთ მომაჯადოებელ, ჰალუცინაციურ კოლაჟებს (და ლექსებს!), რომლებიც ყოველგვარი კატეგორიების მიღმაა. "აღქმა და შემოქმედება ერთმანეთთან მჭიდროდაა დაკავშირებული" ამბობს აგუერა ი არკასი. "ნებისმიერ არსებას, რომელსაც აღქმის უნარი აქვს, შექმნაც შეუძლია."
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Levan Lashauri approved Georgian subtitles for How we're teaching computers to be creative | ||
Mate Kobalia accepted Georgian subtitles for How we're teaching computers to be creative | ||
Mate Kobalia edited Georgian subtitles for How we're teaching computers to be creative | ||
Levan Lashauri edited Georgian subtitles for How we're teaching computers to be creative | ||
Levan Lashauri edited Georgian subtitles for How we're teaching computers to be creative | ||
Levan Lashauri edited Georgian subtitles for How we're teaching computers to be creative | ||
Levan Lashauri edited Georgian subtitles for How we're teaching computers to be creative | ||
Levan Lashauri edited Georgian subtitles for How we're teaching computers to be creative |