— Не чули про такі системи?

Я мотнув головою:

— Ні.

— 2014 року у трьохста німецьких супермаркетах було встановлено системи розпізнавання будь-яких із наявних у продажу фруктів чи овочів. Це класичний приклад розпізнавання образів! Технічно система складається зі сканера, який «промацує» лазерами об’єкт, що підлягає розпізнаванню, й аналізатора із запрограмованим алгоритмом машинного навчання. Як і в ситуації з антиспам-фільтром спочатку систему навчають. Мета — навчити її самостійно класифікувати різнопланові візуальні образи за визначеними істотними ознаками. На початку навчання сканеру показують, скажімо, помідори — строго по одному за раз — різного розміру, форми та кольору, а програмі щоразу «повторюють»: перед тобою помідор, помідор, помідор. Аналізатор зчитує надіслані сканером образи, виокремлює повторювані ознаки, обробляє їх і формує у пам’яті програми характерну криву, співвідносну з формою та кольором об’єкта за назвою «помідор». Аналогічно систему примушують «запам’ятати» інші овочі та фрукти: сканеру сотні разів демонструють картоплини, капустини, морквини, апельсини, кабачки, банани тощо, щоразу «іменуючи» їх. Унаслідок цього в тілі програми формується масив кривих, які відповідають усередненим значенням кольору та форми низки овочів і фруктів. Коли навчання завершено, система починає працювати. Сканеру показують, наприклад, зелене яблуко. Тобто, ну, ви розумієте: нове зелене яблуко, яке програма раніше не бачила. Система сканує його, порівнює з кривими в пам’яті й на основі отриманого досвіду видає результат: сканований об’єкт із імовірністю 98,3 % є зеленим яблуком. Тепер покупцям не потрібно чекати на продавця та зважувати фрукти чи овочі на окремих вагах, вони несуть усе до каси, де система розпізнавання визначить, що вони мають намір придбати з імовірністю 99,8 % — один ананас, з імовірністю 98,7 % — три огірки тощо, й сама сформує чек. Сподіваюся, ви зрозуміли.

— Так, — я схопив суть, але не міг збагнути, як це стосується мого сина.

Енді Далтон наче прочитав мої думки.

— Тепер до основного. 2007-го молодий професор Каліфорнійського університету в Берклі Джек Ґеллент першим здогадався застосувати алгоритми машинного навчання для розпізнавання образів, згенерованих зоровою зоною кори головного мозку. Те, яка частина кори відповідальна за формування візуальних образів у свідомості, відомо давно. Джек Ґеллент першим подумав, що з активності в корі можна витягти щось більше, ніж різнокольорові плямки на схематичному зображенні мозку. Він написав програму, що давала змогу фіксувати активність нейронів чи, якщо бути точним, зміну активності нейронів у корі залежно від простих геометричних ілюстрацій, на які дивиться піддослідний, потім порівнювала цю активність із картинками й таким чином навчалася. Для вимірювання мозкової активності Ґеллент скористався методом функціональної томографії — фМРТ. Принцип фМРТ простий: шляхом визначення концентрації кисню в окремих зонах мозку можна встановити активність нейронів. Річ у тім, що активні нейрони споживають багато енергії, їх розряджання спричиняє підвищення потоку крові у прилеглих капілярах, що, у свою чергу, призводить до посилення концентрації кисню, а це легко вдається зафіксувати томографові.