Знакомый ранее только по фантастическим книгам термин нейросеть в последние годы постепенно и незаметно вошел в общественную жизнь как неотъемлемая часть новейших научных разработок. Конечно, уже довольно давно люди, задействованные в индустрии игростроения, знали, что это - нейросеть. Но в наши дни термин встречается всем, его знают и понимают широкие массы. Несомненно, это свидетельствует о том, что наука стала ближе к реальной жизни, а в будущем нас ждут новые прорывы. И все же, что это - нейросеть? Попробуем разобраться со значением слова.
В прежние времена нейросеть, Хорт и попаданцы в космос были тесно связанными понятиями, ведь встретиться с искусственным интеллектом, обладающим способностями, значительно превосходящими простую машину, можно было только в фантастическом мире, возникающем в фантазии некоторых авторов. И все же тенденции таковы, что в последнее время вокруг обычного человека в реальности появляется все больше тех предметов, которые раньше упоминались только в фантастической литературе. Это позволяет говорить о том, что даже самый бурный полет фантазии, возможно, рано или поздно найдет себе эквивалент в реальности. Книги о попаданцах, нейросетях уже сейчас имеют больше общего с реальностью, чем лет десять тому назад, и кто знает, что будет еще через десятилетие?
Нейросеть в современных реалиях - это технология, позволяющая опознавать людей, имея в своем распоряжении лишь фотографию. Искусственный интеллект вполне способен управлять машиной, может сыграть и выиграть партию в покер. Более того, нейросети - это новые пути для совершения научных открытий, позволяющие прибегать к ранее невозможным вычислительным возможностям. Это дает уникальные шансы для познания мира уже сегодня. Впрочем, только из новостных сводок, оповещающих о новейших открытиях, редко понятно нейросеть - это что такое. Считать ли этот термин применимым к программе, машине или же комплексу серверов?
Как видно из самого термина "нейросеть" (фото, представленные в этой статье, также позволяют это понять) - это такая структура, которую конструировали по аналогии с логикой работы человеческого мозга. Конечно, скопировать полностью биологическое строение столь высокого уровня сложности в настоящий момент не представляется реальным, но ученые уже смогли ощутимо приблизиться к решению поставленной задачи. Скажем, довольно эффективны созданные в последнее время нейросети. Хорт и другие писатели, издававшие фантастические сочинения, вряд ли на момент написания своих произведений знали, что наука сможет уже к нынешнему году шагнуть так далеко вперед.
Особенность человеческого мозга в том, что это структура из многочисленных элементов, между которыми постоянно передается информация через нейроны. Фактически новые нейросети - это тоже подобные структуры, где электрические импульсы обеспечивают обмен актуальными данными. Словом, прямо как в мозге человека. И все же непонятно: если ли отличие от обычного компьютера? Ведь машина, как известно, тоже создана из деталей, данные между которыми переходят посредством электрического тока. В нейросетях все обычно выглядит феерично - огромные или крохотные машины, при одном взгляде на которые герои понимают, с чем имеют дело. А вот в реальности пока ситуация складывается иначе.
Как видно из научных работ, посвященных нейросетям («Попаданцы в космос», к сожалению, к этой категории не относятся, какими бы увлекательными они ни были), идея в наиболее прогрессивной структуре в области искусственного интеллекта, в создании сложной структуры, отдельные части которой очень просты. Фактически, проводя параллель с человеком, можно найти сходство: скажем, только один участок мозга млекопитающего не обладает большими способностями, возможностями, не может обеспечивать разумное поведение. А вот когда речь идет о человеке в целом, то такое существо спокойно проходит тест на уровень интеллекта без особенных проблем.
Несмотря на указанное сходство, аналогичный подход к еще несколько лет тому назад подвергался остракизму. Это видно и из научных работ, и из фантастических книг про нейросеть («Попаданцы в космос», упомянутые выше, к примеру). Между прочим, в некоторой степени даже высказывания Цицерона можно связать с современной идеей нейросетей: он в свое время довольно едко предложил обезьянкам кидать в воздух написанные на жетонах буквы, дабы рано или поздно из них сложился осмысленный текст. И только 21 столетие показало, что подобное ехидство было совершенно неоправданным. Нейросеть и фантастика разошлись разными путями: если армии обезьянок дать множество жетонов, они не только создадут богатый смыслом текст, но и власть над миром получат.
Как удалось узнать из многочисленных экспериментов, обучение нейросети тогда приводит к успеху, когда сам объект включает в себя огромное количество элементов. Как шутят ученые, фактически нейронную сеть можно собрать из чего угодно, хоть из коробков со спичками, так как основная идея - комплекс правил, которым подчиняется полученное сообщество. Обычно правила довольно простые, но позволяют контролировать процесс обработки данных. В такой ситуации нейроном (правда, искусственным) будет вовсе не прибор, не сложная структура или непонятая система, а арифметические действия, довольно простые, реализуемые с минимальной затратой энергии. Официально в науке искусственные нейроны получили наименование «перцептроны». Нейросети («Попаданцы в космос» хорошо это иллюстрируют) в представлении некоторых авторов научных произведений должны быть гораздо сложнее, но современная наука показывает, что простота тоже дает превосходный результат.
Работа искусственного нейрона проста: на вход подаются числа, вычисляется ценность для каждого информационного блока, результаты складываются, на выходе формируется единица или значение «-1». Хотелось ли читателю хоть раз оказаться среди попаданцев? Нейросети в реальности работают совершенно иначе, по крайней мере в настоящий момент времени, поэтому, представляя себя в фантастическом произведении, не стоит забывать об этом. Фактически современный человек может работать с искусственным интеллектом, к примеру, так: можно показать картинку, и электронная система будет отвечать на вопрос «или - или». Предположим, что человек задает системе координаты одной точки и спрашивает, что изображено - земля или, скажем, небо. Проанализировав информацию, система выдает ответ - вполне возможно, неверный (зависит от совершенства ИИ).
Как видно из логики работы современной нейросети, каждый элемент ее занимается тем, что пытается угадать правильный ответ на заданный системе вопрос. Точности в этом случае мало, результат сравним с итогом подбрасывания монеты. Но реальная научная работа начинается, когда приходит время обучения нейросети. Космос, освоение новых миров, проникновение в суть физических законов нашей вселенной (на что рассчитывают современные ученые, применяя нейросети) станет открытым именно в тот момент, когда искусственный интеллект будет обучаться с гораздо большей эффективностью и результативностью, нежели человек.
Дело в том, что человек, который задает системе вопрос, знает правильный ответ на него. Значит, можно записать его в информационные блоки программы. Перцептрон, давший правильный ответ, приобретает ценность, а вот ответивший неверно - теряет ее, получая штраф. Каждый новый цикл запуска программы имеет отличия от предыдущего из-за изменения в уровне ценности. Возвращаясь к предыдущему примеру: рано или поздно программа научится четко различать, где земля, где космос. Нейросети учатся тем эффективнее, чем корректнее составлена программа изучения - а ее формирование стоит современным ученым немалых усилий. В рамках поставленной ранее задачи: если нейросети предоставить на анализ другую фотографию, вероятно, она не сразу сможет обработать ее точно, но, на основании полученных в ходе обучения ранее данных, точно сообразит, где земля, а где - облака, космос или что-то еще.
Конечно, в реальности нейросети гораздо сложнее, нежели описаны выше, хотя сам принцип сохраняется. Основная задача элементов, из которых сформирована нейронная сеть - систематизировать числовую информацию. При сочетании обилия элементов задача усложняется, поскольку входная информация может быть не извне, а от перцептрона, уже выполнившего свою работу по систематизации.
Если вернуться к задаче выше, то внутри нейросети можно придумать такие процессы: один нейрон отличает синие пиксели от других, другой обрабатывает координаты, третий анализирует полученные первыми двумя данные, на основании чего принимает решение о том, земля или небо в заданной точке. Причем сортировку на синие и прочие пиксели можно доверить одновременно нескольким нейронам, а полученную ими информацию суммировать. Те перцептроны, которые дадут лучший и более точный результат, получат по итогам премию в виде большей ценности, и их результаты при повторной обработке любой задачи будут приоритетными. Конечно, нейронная сеть получается исключительно объемная, а информация, обрабатываемая в ней, будет и вовсе неподъемной горой, зато удастся учесть и проанализировать ошибки и предупредить их в будущем. Во многом основанные на нейросети импланты, присутствующие во многих фантастических книгах, работают по такому принципу (если, конечно, авторы утруждают себя размышлениями над принципом работы).
Это может удивить неспециалиста, но первые нейронные сети появились еще в 1958 году. Это обусловлено тем, что устройство искусственных нейронов сходно с другими компьютерными элементами, между которыми информация передается в формате двоичной системы счисления. Под конец шестидесятых была изобретена машина, получившая наименование «Марк I Перцептрон», в которой были реализованы принципы нейросетей. Это означает, что первая нейронная сеть появилась всего через десятилетие после конструирования первого компьютера.
Первые нейроны первой нейросети состояли из резисторов, радиоламп (в тот период еще не было разработано такого кода, которым могут пользоваться современные ученые). Работа с нейросетью была задачей Френка Розенблатта, создавшего двухслойную сеть. Для передачи внешних данных в сеть использовался экран разрешением 400 точек. Машина вскоре смогла опознавать геометрические фигуры. Уже это позволило предположить, что, при совершенствовании технических решений, нейросети могут научиться читать буквы. И кто знает, чему еще?
Как видно из истории, Розенблатт буквально горел своим делом, ориентировался в нем на отлично, был специалистом в нейрофизиологии. Он был автором увлекательного и пользовавшегося популярностью университетского курса, в рамках которого всякий желающий мог понять, каким образом реализовать человеческий мозг в техническом воплощении. Уже тогда ученое сообщество надеялось, что в скором времени будут реальные возможности формировать разумных роботов, способных передвигаться, говорить, формировать аналогичные себе системы. Кто знает, может эти роботы отправились бы на колонизацию иных планет?
Розентблатт был энтузиастом, и его можно понять. Ученые считали, что искусственный интеллект можно реализовать, если полностью воплотить в машине математическую логику. В этот момент уже существовал Азимов популяризовал идею роботехники. Научное сообщество было убеждено, что освоение Вселенной - вопрос времени.
Уже в шестидесятых находились такие ученые, которые спорили и с Розенблаттом, и с другими великими умами, работавшими над искусственным интеллектом. Довольно точное представление об их логике измышлений можно получить из публикаций Марвина Минского, известного в своей области. К слову сказать, известно, что о способностях Минского высоко отзывались Стенли Кубрик (Минский помогал ему в работе над «Космической одиссеей»). Минский не был против создания нейронных сетей, о чем свидетельствует и фильм Кубрика, да и в рамках своей научной карьеры он занимался обучением машин еще в пятидесятых. Тем не менее Минский категорично относился к ошибочным мнениям, критиковал надежды, для которых в тот момент еще не было прочного основания. К слову сказать, Марвин из книг назван именно в честь Минского.
Критика нейросетей и подхода того времени систематизирована в издании «Перцептрон», датированном 1969 годом. Именно эта книга у многих буквально на корню убила интерес к нейронным сетям, ведь ученый с отличной репутацией наглядно показал, что «Марк Первый» имеет ряд изъянов. Во-первых, наличие всего лишь двух слоев было явно недостаточным, и машина умела слишком мало, несмотря на свои гигантские размеры и огромный расход энергии. Второй пункт критики был посвящен алгоритмам, разработанным Розенблаттом для обучения сети. По мнению Минского, с высокой вероятностью терялась информация об ошибках, и нужный слой просто не получал полного объема данных для корректного анализа ситуации.
Несмотря на то что основной идеей Минского было указать коллегам на ошибки, чтобы стимулировать их на усовершенствование разработки, ситуация сложилась иначе. Розенблатт умер в 1971 году, и продолжать его дело оказалось некому. В этот период началась эпоха компьютеров, и эта сфера техники шла вперед огромными шагами. Лучшие умы в области математики и информатики были задействованы в этом секторе, а искусственный интеллект казался неразумным разбрасыванием сил и средств.
Нейросети не привлекали внимание научного сообщества больше десятилетия. Перелом произошел, когда в моду вошел киберпанк. Удалось обнаружить формулы, по которым можно с высокой точностью считать ошибки. В 1986 году проблема, сформулированная Минским, нашла уже третье решение (все три были разработаны независимыми друг от друга группами ученых), и именно его обнаружение подтолкнуло энтузиастов на освоение нового поля: работа над нейросетями снова активизировалась. Впрочем, термин перцептроны незаметно подменили на когнитивные вычисления, избавились от экспериментальных приборов, стали пользоваться кодированием, применяя самые эффективные методики программирования. Всего несколько лет, и нейроны уже собраны в сложные структуры, способные справляться с довольно серьезными задачами. Со временем удалось, к примеру, создать программы для чтения человеческого почерка. Появились первые сети, способные к самообучению, то есть самостоятельно находившие правильные ответы, без подсказки от управляющего компьютером человека. Нейросети нашли себе применение на практике. Например, именно на них построены опознающие на чеках числа программы, применяемые в банковских структурах в Америке.
В 90-х годах стало ясно, что ключевая особенность нейросетей, требующая особенного внимания ученых, это способность исследовать заданную область в поисках правильного решения без подсказки со стороны человека. Программа применяет метод проб, ошибок, на основании которых создаёт поведенческие правила.
Этот период ознаменовался всплеском интереса общественности к самодельным роботам. Конструкторы-энтузиасты из разных уголков планеты начали активно конструировать собственных роботов, способных к обучению. В 1997 году это показало первый действительно серьезный успех на мировом уровне: компьютер впервые обыграл самого лучшего шахматиста мира - Гарри Каспарова. Впрочем, к концу девяностых ученые пришли ко мнению, что достигли потолка, и искусственный интеллект дальше расти не может. Более того, хорошо оптимизированный алгоритм гораздо эффективнее любой нейронной сети решает те же задачи. Некоторые функции остались за нейросетями, например, опознавание архивных текстов, но ничего сложнее доступно не было. В основном, как говорят современные ученые, не хватало технических возможностей.
Нейросети в наши дни - это способ решения самых сложных задач методом «решение найдется само». Фактически это не связано с какой-то научной революцией, просто современные ученые, светила мира программирования, имеют доступ к мощной технике, позволяющей реализовывать на практике то, что человек раньше мог только лишь вообразить себе в общих чертах. Возвращаясь к фразе Цицерона про обезьянок и жетоны: если к животным приставить того, кто будет давать им награду за правильную фразу, они не просто осмысленный текст создадут, но напишут новую «Войну и мир», причем не хуже.
Нейросети наших дней стоят на вооружении крупнейших компаний, работающих в области информационных технологий. Это многослойные нейронные сети, реализованные посредством мощных серверов, пользующиеся возможностями всемирной паутины, массивами информации, накопленными за последние десятилетия.
Конечно, Prisma уже далеко не единственные, и с тех пор у них появилось множество конкурентов. Facebook купили приложение MSQRD , которое добавляет анимированные «маски» к вашим видео. В отличие от Призмы здесь ставка сделана на распознавание лиц и наложение фильтров на них.
Большинство современных клавиатур для мобильников уже давно не используют пользовательские словари, такие как T9. Если вы набираете какую-то фразу, то наверняка здесь замешана нейросеть. Некоторые разработчики идут дальше. SwiftKey выпустили бета-версию клавиатуры, которая полностью основана на работе нейросети. Благодаря чему клавиатура не просто подставляет наиболее часто набираемые фразы, а основывается на контексте.
Новая технология пока доступна для ограниченного количества языков и находится на стадии бета-версии. Но и публичная версия SwiftKey основывается на Больших данных. Например, пользовательские словари доступны всем, кто установил клавиатуру. Конечно, за исключением персональных данных.
Snapchat и его фильтры - ещё одно из самых известных применений нейросетей. Если упростить сложное, то приложение использует компьютерное распознавание лиц для идентификации мимики и точек движения мускулов. А уже потом применяет к ним свои фильтры.
Эти два популярных приложения распознают музыку, которая играет рядом с нами, а затем сверяет этот фрагмент со слепком в своей «библиотеке». Звучит достаточно просто, но для этого приложение использует нейросети. Здесь приходится решить несколько сложных задач, и даже ни сколько по поиску совпадений, а по очистке лишнего шума при распознавании.
Говорить только про Google Ассистент или Siri будет не совсем правильно. Представить современные сервисы Google и Apple невозможно без Big Data и нейросетей. Любая разработка от этих двух компаний, так или иначе, задействует нейросети. Автоподсказки при поиске, показ рекламы, очистка почты от спама и многое другое. И всё-таки самое явное для нас применение - это голосовые ассистенты. Смартфон распознаёт наш запрос и выполняет поставленную задачу в зависимости не только от контекста фразы, но и нашего местоположения.
Некоторые приложения, наоборот, нацелены на выполнение лишь одной задачи. Например, Carat на основе данных о вашем использовании смартфона (анализе расхода батареи) укажет на те приложения, которые больше всего расходуют заряд. Вы можете удалить или ограничить использование таких программ и помочь телефону «дожить» до розетки.
Netflix, YouTube, Apple и Google Музыка... Все эти сервисы предлагают музыку и видео на основе ваших предпочтений. За последние пару лет этот тренд пошёл немного дальше и теперь нам предлагаются целые смарт-листы, которые подойдут под наш род занятий или время дня.
Big Data и нейросети могут не только продавать нам рекламу, лечить наши болезни или управлять нашим разумом. Большинство разработок мы замечаем только тогда, когда они подаются нам в развлекательном формате или улучшают наши самые простые ежедневные задачи. Из-за чего мы часто забываем, что нейросеть - это не только моська котёнка у нас в телефоне.
Новости о нейронных сетях появляются каждый день. То сети научились определять пол и возраст людей по фотографии, то обыграли человека в очередную настольную игру, то начали генерировать научные тексты, код приложений и писать картины в духе Сальвадора Дали. А завтра Скайнет отберет у тебя работу, автомобиль, жизненное пространство, а тебя самого… нет, не утилизирует, а удобно разместит на диване и заставит ничего не делать, наслаждаясь безусловным доходом. Или все-таки нет?
Исследователи и компании, которые работают с большими объемами данных, применяют нейросети еще с восьмидесятых годов, а вот рядовые земляне обращают внимание на прогресс в этой области только после показательных побед машин над людьми. Deep Blue обыграл Каспарова! Watson обошел людей в Jeopardy! А теперь гугловский AlphaGo победил Ли Седоля - одного из лучших игроков в го на сегодняшний день.
Последний случай особенно интересен. Выигрышную стратегию в го просто невозможно запрограммировать традиционными методами. Количество вероятных комбинаций уже после первого хода здесь равно 129 960 (в шахматах, для сравнения, - четыреста), а за весь матч их набирается больше, чем атомов во Вселенной. Алгоритм просчета ходов не в состоянии продумать все возможные комбинации и проигрывает профессиональным игрокам, которые полагаются на интуицию, выработанную годами тренировок.
У AlphaGo есть если не интуиция, то кое-что очень на нее похожее. Система долгое время обучалась на сотнях тысяч сыгранных людьми партий и играла сама с собой. Она научилась «чувствовать» перспективные ходы и уже на их основе прогнозирует игру на несколько ходов вперед. То есть программа переняла ту человеческую черту, которую люди используют ежесекундно, а вот переложить в алгоритм затрудняются.
С легкой руки журналистов AlphaGo превратилась из банальной нейронной сети, описанной еще шестьдесят лет назад, в Искусственный Интеллект, которому недалеко и до обретения самосознания. На самом деле это, конечно же, не так. AlphaGo - это более-менее стандартный пример многослойной нейронной сети, которая способна эффективно решать одну конкретную задачу. Присущая ей «интуиция» - это известное свойство системы, обученной на множестве примеров. Однако считать нейронные сети чересчур разрекламированной игрушкой тоже не стоит.
Впервые идею искусственной нейронной сети предложил нейрофизиолог Фрэнк Розенблатт в 1957 году и реализовал ее в нейрокомпьютере «Марк-1» в 1960-м. Математическая модель такой сети получила имя «перцептрон», а само устройство представляло собой небольшой компьютер, снабженный табло из нескольких сотен фотоэлементов. Показывая компьютеру изображения, а затем корректируя весовые коэффициенты связей искусственных нейронов, можно было научить нейронную сеть распознавать геометрические фигуры и некоторые буквы алфавита.
По нынешним временам «Марк-1» - это игрушка. К тому же она страдала от множества проблем: к примеру, изображения не распознавались при деформации или повороте. Сейчас понятно, что при тогдашнем уровне вычислительной мощности многие вещи просто нельзя было реализовать. Перцептроны интересны скорее с исторической точки зрения - реальных задач они не решали. В 1969 году Марвин Минский и Сеймур Паперт описали эти опыты в книге «Перцептроны», после чего исследования в области нейросетей были свернуты в пользу, как тогда казалось, более перспективных символьных вычислений.
Новый всплеск интереса к нейронным сетям произошел лишь в 1986 году, когда появился способ машинного обучения по методу обратного распространения ошибки. Он позволил существенно повысить скорость и качество обучения нейросетей. Однако вычислительные ресурсы все еще были ограничены, да и действительно больших объемов данных для обучения нейросетей не было. Поэтому они существовали в основном как исследовательские проекты и применялись для решения очень ограниченного круга задач. Таких, которые не требуют слишком много мегагерцев или мегабайтов, - к примеру, распознавание текста.
В 2012 году произошло событие, которое коренным образом изменило отношение к нейросетям. Сеть SuperVision, разработанная в Торонтском университете, с большим отрывом выиграла конкурс распознавания объектов на изображениях ImageNet LSVRP (Large-Scale Visual Recognition Challenge). Число ее ошибок составило 16,4%, тогда как программа, занявшая второе место, ошибалась в 26% случаев. Для сравнения: человек делает ошибки в 5% случаев. Но удивительнее всего было то, что для предварительного обучения сети использовался не кластер, а обычный компьютер с двумя видеокартами NVIDIA. Тренировка заняла около недели.
Это был первый случай, когда нейросеть превзошла классические алгоритмы машинного зрения в очень сложном и специфичном тесте. База изображений включала в себя не только простые объекты вроде автомобилей, автобусов, столов и стульев, но еще и триста пород собак, из которых два десятка - разновидности терьеров.
Звучит курьезно? Пожалуй. Но вот что важно: тебе никогда не узнать столько пород собак, а машина их уверенно распознает. И речь не о каком-то огромном компьютере IBM, а о системе вроде тех, что собирают себе любители игр с крутой графикой.
SuperVision не случайно стала символом новой эры нейронных сетей. Классификация изображений - нечто гораздо более сложное и высокоуровневое, чем просто разбор буковок на бумаге. Сказать, что отличает букву А от всех остальных букв алфавита, сможет даже ребенок, но попробуй с ходу рассказать об отличительных признаках, допустим, облака. В чем конкретно его разница по сравнению с остальными объектами, которые ты видишь? В голову приходят слова «белый», «небо», «кучевые» и так далее. Это множество параметров, о каждом из которых тоже нужно иметь представление. Что такое «белый»? А «небо»?
Сейчас эту задачу решают при помощи метода Deep Learning (глубинное обучение), суть которого в том, чтобы объединить в сеть большое количество слоев нейронов (в SuperVision их было пять, в современных сетях доходит до сотен). Получается что-то вроде иерархии абстракций. А потом сети скармливаются примеры , по которым она «видит», как выглядит облако в различных ситуациях, и может понять, как его идентифицировать. В случае ошибки система перенастраивает сама себя.
Метод опробованный и действенный, но, чтобы он работал, должно соблюдаться два требования. Во-первых, примеров должно быть действительно много. Не сотни и даже не тысячи, а десятки и сотни тысяч, и чем больше, тем лучше будут результаты. Во-вторых, сеть должна быть действительно большой и состоять из сотен тысяч или даже миллионов нейронов, объединенных во множество слоев. В процессе обучения такого ИИ примеры прогоняются через всю сеть с постоянной коррекцией ошибок. Требования к вычислительным мощностям получаются соответствующие.
Раньше подобные задачи пытались решить с помощью кластеров из тысяч машин. К примеру, в Google делали нейросеть, которая работала на 16 тысячах процессорных ядер. Что, конечно же, делало ее использование совершенно нерентабельным.
В 2014 году в Google предприняли новую попытку и на этот раз использовали глубинное обучение. Результатом стала сеть GoogLeNet из 22 слоев, которая, по словам авторов, так же как и SuperVision, может быть обучена на нескольких высококлассных GPU за неделю. На конкурсе ImageNet гугловская сеть показала себя великолепно: число ошибок снизилось до 6,7%. Почти как у человека!
Если ты думаешь, что это впечатляет, то ты не знаешь последних новостей. Сегодняшние нейросети распознают объекты не только не хуже, но даже лучше человека, а также умеют рассказывать, что изображено на фотографии. Еще в конце 2014 года исследователи из Google и Стэнфордского университета показали нейросеть, способную генерировать осмысленные подписи к фотографиям. Даже несмотря на большой процент ошибок, это впечатляло.
Подписка позволит тебе в течение указанного срока читать ВСЕ платные материалы сайта. Мы принимаем оплату банковскими картами, электронными деньгами и переводами со счетов мобильных операторов.
