Где мы ежедневно встречаем ИИ

Поиск по лицам: Google Photos и магия свёрточных сетей

Когда вы открываете Google Photos и вводите в строку поиска имя друга, алгоритм мгновенно находит все его фотографии за последние годы — даже те, где он стоит в профиль, в тёмных очках или с новой причёской. За этим стоит система распознавания лиц FaceNet, разработанная Google Research в 2015 году. Свёрточная нейросеть преобразует каждое лицо в компактный числовой вектор из 128 измерений — своеобразный математический «отпечаток» лица, устойчивый к изменениям освещения, ракурса и возраста. Точность распознавания лиц в Google Photos превышает 99%, а поиск по запросу выполняется быстрее секунды даже в библиотеках из десятков тысяч снимков — потому что обучение проведено на выборке из сотен миллионов фотографий.

Алиса и голосовые помощники: от акустики к смыслу

Голосовой помощник Алиса от Яндекса ежедневно отвечает на десятки миллионов запросов русскоязычных пользователей. Распознавание речи — многоступенчатый нейросетевой процесс. Сначала акустическая модель разбивает аудиопоток на короткие кадры длительностью 25 миллисекунд и сопоставляет каждый кадр с набором фонем — элементарных звуков речи. Затем языковая модель на основе архитектуры Transformer предсказывает наиболее вероятную последовательность слов, исправляя ошибки акустической модели. На финальном этапе система понимания естественного языка извлекает намерение пользователя — включить музыку, узнать погоду, поставить таймер. Современные системы распознавания русской речи демонстрируют точность 96–98% в тихих условиях, а задержка между произнесением фразы и ответом Алисы составляет менее 300 миллисекунд.

Перевод в реальном времени: 133 языка в кармане

Яндекс.Переводчик и Google Translate используют нейросетевую архитектуру Transformer, представленную Google в 2017 году. В отличие от предшественников, переводивших пословно, Transformer анализирует предложение целиком, отслеживая связи между словами с помощью механизма внимания. Google Translate поддерживает 133 языка — от широко распространённого испанского до находящегося под угрозой исчезновения уйгурского. Ежедневно система обрабатывает более 100 миллиардов слов. В 2016 году Google перевёл китайско-английскую языковую пару на нейросетевую архитектуру — и качество перевода одномоментно выросло настолько, что его сравнили с результатом десятилетия постепенных улучшений предыдущей системы. Сегодня нейросетевой перевод достигает сопоставимого с человеком качества для 20 языковых пар с большим корпусом параллельных текстов.

Автодополнение: клавиатура, обученная на миллиардах сообщений

Когда вы набираете сообщение на смартфоне, система предиктивного ввода Gboard или SwiftKey предлагает следующее слово ещё до того, как вы начали его печатать. Под капотом — рекуррентная нейросеть, обученная на корпусе из миллиардов сообщений. На этапе обучения модели «скармливали» последовательности слов, и она запоминала типичные сочетания: после «доброе» часто следует «утро», после «я тебя» — «люблю». Современные клавиатуры адаптируются к стилю конкретного пользователя, запоминая его уникальные словосочетания и сокращения. На устройствах Google Pixel эта нейросеть работает локально, без отправки данных в облако, благодаря сжатию модели до нескольких мегабайт — результат использования методов квантования и дистилляции.

Шумоподавление: нейросеть против лая собаки

В апреле 2020 года Nvidia выпустила технологию RTX Voice — программное решение, использующее нейросеть для удаления фонового шума из аудиопотока в реальном времени. Система обучена на сотнях тысяч аудиозаписей: чистый голос на фоне шума пылесоса, плача ребёнка, стука клавиатуры, уличного трафика. Нейросеть выделяет человеческую речь как сигнал и вычитает всё остальное — эффект настолько разителен, что собеседник не слышит даже механическую клавиатуру, по которой оператор печатает во время разговора. Задержка обработки составляет менее 20 миллисекунд, что делает технологию пригодной для телефонных звонков и видеоконференций. Аналогичные алгоритмы шумоподавления встроены сегодня в Zoom, Microsoft Teams и Google Meet, обслуживая сотни миллионов пользователей ежедневно.

Теневая сторона: приватность как плата за удобство

Бесперебойная работа всех перечисленных систем требует непрерывного потока личных данных. Google Photos анализирует каждый загруженный снимок, голосовые помощники хранят и изучают записи разговоров, предиктивные клавиатуры запоминают вашу лексику, а навигационные приложения круглосуточно отслеживают геолокацию. В 2019 году расследование Bloomberg выявило, что подрядчики Amazon, Apple и Google прослушивали и расшифровывали записи голосовых команд пользователей для улучшения качества распознавания — без явного уведомления об этом в пользовательских соглашениях. Эти данные накапливают цифровой портрет личности беспрецедентной детализации, и вопрос о том, кто имеет к нему доступ и как он защищён, остаётся одним из центральных вызовов эпохи повсеместного ИИ.