Различные области человеческой деятельности нуждаются в использовании задач классификации. Процедура классификации является формальным методом многократного принятия решений в новых ситуациях, когда какое-либо решение или прогноз делается на основе имеющейся в настоящее время информации.
Классификация - это двухэтапный процесс. На первом этапе модель создается путем применения алгоритма классификации на обучающем наборе данных, а затем на втором этапе модель тестируется на основе предопределенного набора данных, чтобы измерить точность готовой модели. Таким образом, классификация - это процесс назначения метки класса из набора данных, чья метка класса неизвестна.
Мы проводим исследования над созданием универсального классификатора нейросетей, который позволит улучшить маркетплейс. Этот классификатор уникален в своей области, так как ранее в нем не было смысла из-за недостижения нейронными сетями должного уровня внедрения в повседневную жизнь. В настоящий момент множество разработчиков, включая нашу команду, ведут фундаментальные исследования в этой области. Классификатор будет основан на сигнатурном анализе архитектур моделей нейронных сетей для выделения из общего числа сетей тех, которые использовались ранее. Задача алгоритма будет заключаться в нахождении нейронных сети с разной архитектурой слоев, но одинаковыми задачами, выдавая пользователю наилучшее решение с точки зрения его задачи. Классификатор не будет зависеть от языков программирования и различных обновлений в них, он будет полностью автономный и универсальный. Алгоритм будет использовать ML для усовершенствования своих навыков поиска.
Для идентификации определенной нейронной сети нам достаточно будет знать несколько характеристик: модель нейронной сети, слои и их параметры, задачу, которую должна решить НС. На основании этих параметров мы построим собственную метрику I/O сигнатуры. В первую очередь мы будем находить известные «паттерны» (например архитектуры известных нейронных сетей, которые использовались в похожей задаче) и переводить их в нашу метрику, которая будет разработана. Она позволит опустится на нижний уровень абстракции и представления архитектуры нейронных сетей, выявлять зависимости между различными видами нейронных сетей, которые решают однотипные задачи. Также алгоритм должен будет учитывать различные языки программирования, которые используются для написания архитектуры нейронных сетей (python, R, ...). После перевода архитектуры в метрику, будет происходить сопоставление сигнатуры с уже существующими на платформе neuroseed. Если такая сигнатура будет найдена, тогда алгоритм найдет готовое решение, связанное с этой сигнатурой и предоставляет пользователю решение для его задачи. Если соответствия не было найдено, тогда пользователю предоставляется возможность создать архитектуру нейронной сети для своего решения.