Проект идентификации изображений Wolfram — нейронная сеть под любым другим именем

Последний проект Вольфрама — сделать идентификацию изображений доступной для широких масс с помощью новой функции ImageIdentify. Как это работает? Какая-то нейронная сеть — это то, что вам нужно.

Если вы работаете в области искусственного интеллекта и, в частности, в нейронных сетях, вы можете быть немного расстроены, обнаружив, что в последнем посте в своем блоге Стивен Вольфрам, кажется, предполагает, что он только что открыл сверточные нейронные сети. В этом посте очень мало информации о том, что кто-то сделал в последнее время, и представлен классификатор изображений, как если бы это была собственная работа Вольфрама.
Создан веб-сайт, который использует функцию ImageIdentify на языках Wolfram languages для возврата тегов для любого изображения, которое вы хотите загрузить. У вас также есть возможность указать правильный тег или выбрать более подходящий тег из числа занявших второе место. Обратите внимание, что вы не можете обучить классификатор на собственном наборе изображений — он либо распознает изображение, либо нет.

Предполагается, что функция ImageIdentify выбирает соответствующий метод машинного обучения для изображения. Однако единственный упомянутый метод — это нейронная сеть. Вы передаете изображение в функцию, и она возвращает вам символическую сущность, которая может быть обработана в дальнейшем. Наличие встроенного распознавания в языке Wolfram означает, что вы можете использовать его как компонент в более полной системе — вы можете получать определения обнаруженных объектов или собирать статистику.
Все это очень разумно, весело и, возможно, даже полезно. Что странно, так это то, как это представлено в блоге Wolfram. После краткого введения в функцию, пост переходит к размышлениям о природе нейронных сетей и излагает краткую историю. Далее нейронные сети описываются как «аттракторы», что, безусловно, и есть сеть Хопфилда, но описание кажется менее подходящим для стандартной сверточной нейронной сети. Тем не менее, это дает Вольфраму связь, необходимую для разговора о его любимом предмете, клеточных автоматах.
Затем пост продолжает описывать развитие новой функции, но без указания, что такое архитектура нейронной сети; какой был тренировочный набор; и как его обучили. Поскольку функция является всего лишь реализацией обученной нейронной сети, она может даже быть одной из многих опубликованных обученных сетей, хотя это кажется маловероятным.

Даже если нейронная сеть ошибается, вы можете увидеть, откуда это исходит …

Вольфрам на самом деле не утверждает, что все это новое изобретение, но если вы не знали иначе, у вас сложится такое впечатление. Единственная ссылка на другой тип нейронной сети или работника в этой области — это нейрон Мак-Каллока-Питтса, который, хотя и очень интересен, вряд ли является современной нейронной сетью. Здесь нет упоминаний Джеффри Хинтона или Яна ЛеКуна, а также нет упоминания о крупномасштабном конкурсе визуального распознавания или ImageNet.
Хорошо иметь глубокую сверточную нейронную сеть в системе Mathematica, и она может позволить неспециалистам и экспертам в равной степени создавать системы, для которых распознавание изображений является лишь одним из многих шагов. Однако представление закрытого частного подхода к нейронным сетям без упоминания об уровне техники оставляет неприятный привкус во рту.