Российские учёные придумали, как обучать нейросети на тех данных, которые в науке встре...
Российские учёные придумали, как обучать нейросети на тех данных, которые в науке встречаются чаще всего — не сплошным потоком, а отдельными «срезами». В реальной жизни редко удаётся наблюдать за объектом постоянно: клетки меняются между замерами, погодные станции дают данные с перерывами, вирус распространяется, а учёные фиксируют лишь отдельные точки. Новый метод как раз для таких ситуаций — он позволяет ИИ собирать из разрозненных наблюдений связную картину, не требуя при этом бесконечных вычислительных мощностей. По сути, нейросеть учится восполнять пробелы между измерениями, строя логичную цепочку из того, что есть. Это делает анализ сложных процессов доступнее: лабораториям не нужно закупать дополнительные серверы, а исследователи могут работать с большими массивами данных, которые раньше было трудно склеить воедино. Экономия ресурсов здесь идёт рука об руку с точностью — модель не просто заполняет пустоты, а делает это осмысленно. Уже понятно, что это не абстрактная разработка. Метод проверили не только на тестовых задачах, но и на реальных данных по развитию эмбриональных стволовых клеток. Результат хороший в обоих случаях, а значит, технология пригодится везде, где наблюдения идут отрывками — от биологии и медицины до метеорологии и эпидемиологии.