V районная научно-исследовательская конференция
Обучающихся общеобразовательных организаций
Октябрьского муниципального района
Тема работы
Машинное обучение
Автор: Сагатдинов Эмиль Эдуардович
10 класс
Руководитель: Сычёва Ольга Ивановна,
учитель информатики
МОУ «Свободненская СОШ»
с. Октябрьское
2019 г.
План
Введение………………………………………………………3
Что такое машинное обучение ………………………..……..4
Алгоритмы машинного обучения ………………………....5-7
История машинного обучения …………………………....7-10
Применение машинного обучения в социальной сфере.10-11
Применение машинного обучения для исследования…..11-12
Перспективы машинного обучения ……………………...12-13
Проблемы машинного обучения …………………………13-14
Опрос…………………………………………………….....14-16
Заключение …………………………………………………....17
Список литературы и других источников…………..…….....18
Введение
«Машинное обучение – это наука, которая изучает компьютерные алгоритмы, автоматически улучшающиеся во время работы»
(Michel, 1996)
В окружающем нас мире происходит невероятный технологический прорыв. И название ему – машинное обучение.
Мы живём в эпоху алгоритмов. Сегодня алгоритмы проникли во все уголки нашей жизни. Технология машинного обучения открывает широкие возможности для автоматизации, компьютеры учатся видеть текст, обрабатывают огромные массивы данных, упрощая жизнь людям. Алгоритмы нашли себе место в мобильных телефонах и ноутбуках, в автомобилях, квартирах, бытовой технике, игрушках и многом другом.
Я заинтересовался машинным обучением, так как это самая востребованная технология настоящего и близкого обозримого будущего.
Многие люди опасаются данной технологии, утверждая, что машинное обучение опасно и из-за него в будущем может произойти повторения сюжета некоторой научной фантастики – захват человечества искусственным интеллектом.
Цель исследования - изучение возможностей машинного обучения как метода превращения данных в знания, истории его возникновения и знакомство с передовыми технологиями в этой области.
Задачи исследования:
1. Определение основных подходов к пониманию, что такое машинное обучение.
2. Изучение алгоритмов машинного обучения.
3. Знакомство с историей машинного обучения.
4. Изучение применение машинного обучения.
5. Изучение перспектив машинного обучения.
6. Анализ проблем машинного обучения.
Гипотеза работы: Очевидно, машинное обучение не станет причиной порабощения человечества искусственным интеллектом.
Методы исследования
1. Анализ, синтез, обобщение справочной и научной литературы, представленной в различных источниках.
2. Составление и проведение социологического опроса.
3. Обработка полученных результатов и формулировка выводов.
Продукт моего исследования - брошюра с рассказом о том, что же такое машинное обучение.
Что такое машинное обучение
В связи с тем, что в России, как и во всем остальном мире, чрезвычайно востребовано машинное обучение, знание принципов машинного обучения и программирования для выбора будущей профессии является актуальным.
По опубликованным данным, в США в 2018 году имелся дефицит специалистов по машинному обучению в 140 -190 тысяч человек. О нашей стране такие сведения не публиковались.
Большую часть задач машинного обучения можно разделить на обучение с учителем (supervised learning) и обучение без учителя (unsupervised learning). Под «учителем» понимается сама идея вмешательства человека в обработку данных. При обучении с учителем у нас есть данные, на основании которых нужно что-то предсказать, и некоторые гипотезы.
При обучении без учителя у нас есть только данные, закономерности в которых мы и хотим найти.
В отличии от обычных алгоритмов, которые используя данные, поступающие в него, выдает определенный результат, машинное обучение используя данные и желаемый результат, создает алгоритмы, которые используя полученные данные приходят к желаемому результату, а после полученный алгоритм можно использовать для подобных задач и получения нового результата.
Благодаря этому, у программистов отпадает необходимость, каждый раз писать подобные алгоритмы, ведь можно написать программу, которая решит за него поставленную задачу. Не зря говорят, что если вы ленивый и не слишком сообразительный компьютерщик, то машинное обучение для вас - идеальная специальность.
рисунок 1
Таким образом,в рамках рассматриваемой гипотезы, можно сделать вывод машинное обучение – это самосовершенствующийся алгоритм, который создаётся для решения конкретной задачи по обработке данных и не может быть равным интеллекту человека.
Алгоритмы машинного обучения
В машинном обучении применяются методы, созданные задолго до его появления, каждый из которых предназначен для узкого спектра задач, к примеру, задачи классификации, регрессии или кластеризации. И целью программиста, использующего эти алгоритмы, является обучение алгоритма под его нужды.
1. Наиболее
простым и понятным алгоритмом машинного обучения является линейная регрессия.
Математически данный алгоритм можно представить в виде уравнения прямой,
наиболее точно отражающей взаимосвязь между входными переменными (х) и
выходными переменными (y), для составления
данного уравнения необходимо найти некие коэффициенты b.
К примеру: y=
*x+
. Зная х нам нужно найти y,
и цель данного алгоритма заключается в поиске значений и . Для оценки используются
методы вроде линейной алгебры и метода наименьших квадратов[1].
рисунок 2
2. Деревья принятия решений можно представить в виде двоичного дерева. Каждый узел этого дерева представляет собой входную переменную, а также точку разделения для этой переменной. Листовые узлы данного дерева – это выходные переменные, которые используются для предсказания. Предсказания осуществляются проходом по дереву от корневого узла к листовым и выводом значений на данном узле. Деревья легко обучаются и делают прогнозы, они точны для большого спектра задач и не нуждаются в особой подготовке данных.
рисунок 3
3. Нейронные сети - алгоритм машинного обучения, созданный на основе организации и функционирования биологических нейронных сетей, данное понятие возникло при изучении процессов, происходящих в головном мозге. Первой попыткой были нейронные сети Питтса и Маккалока.[2] Искусственная нейронная сеть является системой соединенных и взаимодействующий между собой искусственных нейронов. Этот вид алгоритмов используется для прогнозирования, распознавания образов, управления и т. д.
рисунок 4
4. Локально-зависимое хеширование – алгоритм понижения размерности многомерных данных. Суть этого алгоритма заключается в том, чтобы сгенерировать хеш-функцию для некоторых векторов так, чтобы подобные точки с наивысшей вероятностью оказывались в одной группе. Применяется данный метод в задачах кластеризации и поиске ближайшего соседа.
рисунок 5
5. Наивная байесовская классификация – это простые вероятностные классификаторы, которые берут начало из теоремы Байеса, которая в данном случая рассматривает данные как независимые друг от друга.
рисунок 6
Это лишь первый основной список существующих алгоритмов, на практике же их применяется гораздо больше, более того, регулярно появляются новые алгоритмы, созданные под специфические задачи. Отсюда следует вывод, что машинное обучение направлено на решение специфических, а не универсальных задач. Основная цель машинного обучения – освободить человека от выполнения рутинных функций по сравнению, подбору, контролю данных. Решение универсальных задач – это область деятельности человеческого мозга. Машина, какой бы совершенной она не была, не может генерировать идеи.
История машинного обучения
Попытки создания искусственного интеллекта и управления им активно предпринимались в 40-х годах прошлого века:
· В 1943 году Уоррен Мак-Калок и Уолтер Питтс формализовали понятие нейронной сети и представили его в виде электрической цепи.
· В 1948 году Норберт Винер опубликовал книгу о кибернетике, основной идеей которой было представление сложных биологических процессов математическими моделями.
· В 1949 Дональд Хебб предложил первый алгоритм обучения.
Истинная история машинного обучения, как и многое другое в искусственном интеллекте, началась с многообещающих работ в 1950-х — 1960-х годах, а затем последовал длительный период накопления знаний, известный как «зима искусственного интеллекта». В самые последние годы наблюдается взрывной интерес главным образом к одному из направлений — глубинному, или глубокому обучению (deep leаrning).
Первопроходцами машинного обучения были Артур Сэмюэль, Джозеф Вейцбаум и Фрэнк Розенблатт, в 1958 году создавший однослойный перцептрон, первую искусственную нейронную сеть, его разработка обрела известность в распознавании образов и прогнозирования погоды. Первый получил широкую известность созданием в 1952 году самообучающейся программы Checkers-playing, умевшей, как следует из названия, играть в шашки.
Значимым оказалось его участие вместе с Дональдом Кнутом в проекте TeX, результатом которого стала система компьютерной верстки, вот уже почти 40 лет не имеющая себе равных для подготовки математических текстов. Второй в 1966 году написал виртуального собеседника ELIZA, способного имитировать (а скорее, пародировать) диалог с психотерапевтом; очевидно, что своим названием программа обязана героине из пьесы Бернарда Шоу. А дальше всех пошел Розенблатт, он в конце 50-х в Корнельском университете построил систему Mark I Perceptron, которую можно признать первым нейрокомпьютером.
В 1963 году в институте проблем передачи информации АН СССР А.П. Петров провел исследование задач «трудных» для перцептрона. Данная работа в области моделирования искусственной нейронной сети является отправной точкой для комплекса идей М.М. Бонгарда – способе, небольшой переделки алгоритма перцептрона устранить его недочеты. Работы Петрова и Бондгарда сгладили чрезмерную радость первой волны по поводу ИНС.
В 1969 М. Минский опубликовал формальное доказательство ограниченности перцептрона, показав, что некоторые задачи, связанные с инвариативностью представлений, он решить не способен, после этого интерес к нейронным сетям падает.
За последующие 30-40 лет усилиями академически ориентированных ученых машинное обучение было превращено в самостоятельную математическую дисциплину.
Начало первого десятилетия XXI века оказалось поворотной точкой в истории машинного обучения, и объясняется это тремя синхронными тенденциями, давшими в совокупности заметный синергетический эффект.
Первая — Большие Данные. Данных стало так много, что новые подходы были вызваны к жизни не любознательностью ученых, а практической необходимостью.
Вторая — снижение стоимости параллельных вычислений и памяти. Эта тенденция обнаружилась в 2004 году, когда компания Google раскрыла свою технологию MapReduce, за которой последовал ее открытый аналог Hadoop (2006), и совместно они дали возможность распределить обработку огромных объемов данных между простыми процессорами. Тогда же Nvidia совершила прорыв на рынке GPU: если раньше в игровом сегменте ей могла составить конкуренцию AMD/ATI, то в сегменте графических процессоров, которые можно использовать для целей машинного обучения, она оказалась монополистом. И в то же время заметно уменьшилась стоимость оперативной памяти, что открыло возможность для работы с большими объемами данных в памяти и, как следствие, появились многочисленные новые типы баз данных, в том числе NoSQL. И, наконец, в 2014 году появился программный каркас Apache Spark для распределенной обработки неструктурированных и слабоструктурированных данных, он оказался удобен для реализации алгоритмов машинного обучения.
Третья — новые алгоритмы глубинного машинного обучения, наследующие и развивающие идею перцептрона (математической модели восприятия информации мозгом) в сочетании с удачной научной PR-кампанией. Своей критикой Марвин Минский и Сеймур Паперт сыграли положительную роль, они вскрыли слабости перцептрона в том виде, как его придумал Розенблатт, и одновременно стимулировали дальнейшие работы по нейронным сетям, до 2006 года остававшиеся теоретическими. Вероятно, первым, кто решил «развинтить» (углубить) перцепрон, был советский математик А.Г. Ивахненко, опубликовавший начиная с 1965 года ряд статей и книг, в которых, в частности, описана моделирующая система «Альфа» . В 1980 году Кунихика Фукусима предложил иерархическую многослойную сверточную нейронную сеть, известную как неокогнитрон.
Последующие годы отмечены интенсивной работой многих ученых в области глубинных нейронных сетей (Deep Neural Network, DNN), однако детальный и желательно объективный анализ событий этого периода еще ждет своего исследователя. Считается, что собственно термин deep learning был предложен в 1986 году Риной Дехтер, хотя история его появления, видимо, сложнее .
К середине прошлого десятилетия была накоплена критическая масса знаний в области DNN, и, как всегда в таких случаях, кто-то отрывается от пелотона и получает майку лидера, так было и, видимо, будет в науке всегда. В данном случае в роли лидера оказался Джефри Хинтон, британский ученый, продолживший свою карьеру в Канаде. C 2006 года он сам и вместе с коллегами начал публиковать многочисленные статьи, посвященные DNN, в том числе и в научно-популярном журнале Nature, чем заслужил себе прижизненную славу классика. Вокруг него образовалось сильное и сплоченное сообщество, которое несколько лет работало, как теперь горят, «в невидимом режиме. Его члены сами называют себя «заговорщиками глубинного обучения» (Deep Learning Conspiracy) или даже «канадской мафией» (Canadian maffia). Образовалось ведущее трио: Ян Лекун, Иешуа Бенджо и Джефри Хинтон, их еще называют LBH (LeCun & Bengio & Hinton). Выход LBH из подполья был хорошо подготовлен и поддержан компании Google, Facebook и Microsoft. С LBH активно сотрудничал Эндрю Ын, работавший в МТИ и Беркли, а теперь возглавляющий исследования в области искусственного интеллекта в лаборатории Baidu. Он связал глубинное обучение с графическими процессорами.
В 2017 году компания Яндекс открыла для использования в свободном доступе свою систему машинного обучения – CatBoost. На сегодняшний день ей может воспользоваться любой желающий, на данный момент ее применяют внутри самой компании для ранжирования поисковой выдачи. Также данную систему используют в анализе данных Большого Адронного Коллайдера.
Вся история машинного обучения и уровень современных достижений в этой области подтверждает справедливость рассматриваемой гипотезы о том, что машинное обучение не станет причиной порабощения человечества искусственным интеллектом.
Применение машинного обучения в социальной сфере
В данный момент в компании «Яндекс» его используют для выдачи наиболее релевантных результатов в поисковой системе, при переводе текстов с иностранных языков, с целью «очеловечивания» перевода. В данной компании машинное обучение применяют в программе «Алиса», для распознавания запросов пользователя и общения с ним. Также в «Яндексе» машинное обучение используется в компьютерном зрении, Яндекс музыке, картах (для прокладывания наиболее выгодного маршрута). [4]
Машинное обучение используется в антивирусных программах для анализа файлов и нахождения среди них компьютерных вирусов, с этой целью применяются «деревья принятия решений» и метод локально-чувствительного хеширования.[5]
Так же машинное обучение применяется в следующем спектре приложений:
· Распознавание речи
· Распознавание жестов
· Распознавание рукописного ввода
· Распознавание образов
· Обнаружение спама
· Создание музыки
· Определение эмоционального окраса сообщения
· Подбор персональной музыки, новостей, фильмов и рекламы для пользователя
Благодаря постоянному совершенствованию сфера использований машинного обучения расширяется. Информатизация ведет к накоплению колоссальных объемов данных. Возникающие в процессе накопления знаний задачи прогнозирования, принятия решений и управления физически не могут быть решены человеком, что и привело к развитию машинного обучения.
Отсюда можно сделать вывод, что при повышении уровня компьютеризации деятельности человеческого общества ему требуется помощник – хорошо и грамотно запрограммированная (обученная) машина для быстрой и качественной обработки данных, объём которых всё более растёт. Машина - помощник, вспомогательное устройство, а не конкурент.
Применение машинного обучения для исследования
Машинное обучение применяется не только для упрощения жизни общества и обработке огромного количества данных. Его так же применяют для исследования тех мест, где человек находиться не может, в силу своей биологической хрупкости, как примеры, исследования морского дна и космического пространства. Специалисты из Южной Кореи создали робота-краба, с целью исследования мест крушения затонувших кораблей.[11] Машинное обучение в данном аппарате используется, чтобы робот мог самостоятельно преодолевать различные сложности, оценивать ситуацию, находить выходы из нештатных ситуаций.
Машинное обучения помогает марсоходу Curiosityопределять, подходящие для анализа цели при помощи лазера и спектрографа, в те моменты, когда теряется связь с Землей, и марсоход должен действовать в автономном режиме[12].
Искусственный интеллект используют для наблюдений за космическим пространством, занимаясь с его помощью поиском гравитационных линз[13],благодаря искусственному интеллекту значительно ускоряется их поиск, с этой целью применяется способность программ, созданных с помощью машинного обучения, анализировать полученные снимки. Происходят данные процессы с невероятной скоростью, анализ такого количества данных человеком занял бы слишком много времени. Люди очень часто совершают ошибки в этой области, очень трудно отличить звезду, галактику и квазар, ведь на снимках они выглядят абсолютно одинаково, в такие моменты на помощь приходит машинное обучение, снижая частоту ошибок.
И опять я получил важные доказательства выдвинутой гипотезы о том, что машина лишь инструмент для решения узких специфических задач, которые она может выполнять по заданию человека, на основании заложенных в неё алгоритмов, в ходе выполнения которых она помогает получать новые данные. Да у машин, применяемых в области исследования, есть некоторые преимущества перед человеком. Они имеют больший запас механической прочности и датчики, которыми снабжены машины, гораздо чувствительнее органов чувств человека. Однако, машина может только зафиксировать и обработать данные. Сталкиваясь с новыми данными, классификация или описание которых не заложена человеком в программу машина просто сохраняет эти данные для передачи человеку.
Перспективы развития машинного обучения
Несмотря на то, что на сегодняшний день машинное обучение находится на относительно высоком уровне, самообучающиеся алгоритмы во многом уступают человеку, они не способны вести диалог на том же уровне, что и человек, не способны победить человека в дебатах, как пример конференция в Сан-Франциско, где прошли дебаты искусственного интеллекта и Хариша Натарджана[6]. Искусственный интеллект также не способен победить команду игроков в соревновательной игре Dota 2[7]. Однако сферы его применения все время расширяются, машинное обучение уже активно применяется в медицине, более того в будущем с его помощью можно будет создавать новые лекарства[8].
Возможности, которые открывает перед человечеством машинное обучение в будущем, практически безграничны. Вот несколько впечатляющих примеров.
Перспективы развития машинного обучения свидетельствуют о том, что с помощью электронных устройств обработка данных будет идти всё быстрее и быстрее, что сделает жизнь человека более насыщенной, интересной, откроет множество перспектив. Один человек не может впитать в себя знания всего человечества, а обученная человеком машина может помочь каждому из нас получать всё больше и больше данных для нашего развития и удовлетворения любопытства. Компьютер из простой вычислительной машины благодаря всемирной паутине становиться лучшей и быстрой энциклопедией, об этом мечтали первооткрыватели прошлого. Машина помогает нам быстро выбирать то, что нас интересует, хранит данные о наших приоритетных интересах. Запрограммируй её иначе, и, в соответствии с заложенным алгоритмом, компьютер будет действовать иначе. Человек определяет действие машины, он обеспечивает ей доступ к данным, сама машина ничего сделать не сможет, это просто кусок железа и пластика.
Проблемы машинного обучения
Хоть машинное обучение и развито достаточно сильно, однако и оно имеет значительные проблемы, связанные в первую очередь с человеческим фактором.
1. Изначально задача, решаемая с помощью машинного обучения, может преследовать и отрицательные, вредящие цели, к примеру, создание дронов, используемых в военном деле, нельзя назвать этичным и общественно полезным. Недавно разгорелся скандал по этому поводу, компания Google разрабатывает программное обеспечение, используемое для управления дронами [9], в теории, это может привести к созданию полностью автономного оружия.
2. Изначально алгоритмы не имеют никакого нравственного и морального регулятора. К примеру, если поручить такому алгоритму составление бюджета страны, таким образом, чтобы увеличить ВВП/доходы населения или какой-либо другой показатель, не внеся мораль в алгоритм, скорее всего он решит, что не нужно выделять деньги на детские дома/больницы/защиту окружающей среды, ведь это не приносит никакой пользы, в рамках поставленной цели. Помимо прочего, мораль крайне сложно описать формально, используя математику и статистику, мораль постоянно меняется, мнение о норме изменчиво, в зависимости от страны/национальности/религиозной принадлежности.
3. Алгоритмы, созданные с помощью машинного обучения, способны находить закономерности там, где их нет. К примеру, употребление маргарина в США зависит от разводов в штате Мэн, чем меньше разводов, тем меньше маргарина употребляют жители этой страны.
Однако то, что эти две величины не связаны, очевидно, но математическая модель знать этого не может.
4. Петли обратной связи – это когда решения алгоритма влияют на реальность, что еще больше убеждает алгоритм в его точке зрения. К примеру, программа предупреждения преступности в Калифорнии предлагала отправлять больше полицейских в черные кварталы, основываясь на уровне преступности — количестве зафиксированных преступлений. А чем больше полицейских машин в квартале, тем чаще жители сообщают о преступлениях (просто есть кому сообщить), чаще сами полицейские замечают правонарушения, больше составляется протоколов и отчетов, — в итоге формально уровень преступности возрастает. Значит, надо отправить еще больше полицейских, и далее по
 |
рисунок 6
5. Обучение алгоритма сильно зависит от обучающих данных. Они могут оказаться неудачными или искаженными, это может происходить как случайно, так и намеренно (в этом случае это называют «отравлением»). К примеру, вMicrosoftобучали чат-бота общаться в социальной сети Twitter, для чего предоставили возможность беседовать с ним всем желающим. Менее через сутки бота пришлось закрыть, т.к появились пользователи, научившие бота использовать нецензурную лексику и цитировать «Майн Кампф».[10]
Анализ проблем машинного обучения доказывает справедливость гипотезы о том, что машинное обучение не станет причиной порабощения человечества искусственным интеллектом
Опрос
С помощью машинного обучения проводятся научные исследования, оно помогает каждому из нас в повседневной жизни, и иметь базовые представления и знания об этой технологии полезно.
Следующим этапом реализации моего проекта стало проведение социологического опроса в нашей школе, с целью выяснения, каким уровнем знаний о машинном обучении обладают ученики школы, и осознают ли они влияние этой технологии на окружающий мир.
В нашей школе был проведен малый социологический опрос с целью выяснения, имеют ли учащиеся представление о машинном обучении, понимают ли они важность данной технологии, и замечают ли ее влияние на окружающий мир. Опрос имел следующее содержание и результаты, представленные на диаграммах 1-5:
диаграмма 1
диаграмма 2
диаграмма 3
диаграмма 4
диаграмма 5
Из результата этого опроса можно сделать следующий вывод – большая часть учащихся нашей школы имеет о машинном обучении очень слабое представление.
Однако, ученики регулярно использует в своей жизни продукты машинного обучения: поисковые системы, голосовые ответчики, и даже регулярно общается с искусственным интеллектом, смотрят рекламу, которую им подбирает алгоритм, созданный с помощью машинного обучения.
Также большая часть учеников, считает, что искусственный интеллект способен заменить человеческий, что является правдой лишь отчасти, на данном этапе его развития, он лишь упрощает управление для человека, однако во многих областях он уже превзошел человека, люди не способны обработать петабайты существующих данных, и вынуждены использовать с этой целью машинное обучение
Результаты проведенного опроса убедили меня в важности и нужности моего исследования, для учащихся нашей школы будет полезным узнать, что такое машинное обучение, как оно зарождалось, и какие люди развивали эту технологию.
Для того, чтобы популяризировать полученные мной знания я подготовил брошюру с рассказом о том, что же такое машинное обучение для ребят нашей школы.
Список литературы и других источников
1. https://tproger.ru/translations/top-machine-learning-algorithms/
2. http://web.archive.org/web/20071127004033/http://neuro.net.ua/pub/mcculloch.html
3. http://blog.skillfactory.ru/nauka-o-dannyh-data-science/vvedenie-v-mashinnoe-obuchenie/
4. https://www.youtube.com/watch?v=po31nmBzbCY&t
5. https://support.kaspersky.ru/13263
8. https://rb.ru/story/new-drugs-with-ai/
9. https://gizmodo.com/google-employees-resign-in-protest-against-pentagon-con-1825729300
10. https://habr.com/ru/post/392113/
11. https://neuronus.com/news-tech/928-robot-krab-dlya-issledovaniya-morskogo-dna.html
Рабочие листы
к вашим урокам
Скачать
6 664 068 материалов в базе
«Информатика (базовый уровень)», Семакин И.Г., Хеннер Е.К., Шеина Т.Ю.
Больше материалов по этому УМК
Настоящий материал опубликован пользователем Сычёва Ольга Ивановна. Инфоурок является информационным посредником и предоставляет пользователям возможность размещать на сайте методические материалы. Всю ответственность за опубликованные материалы, содержащиеся в них сведения, а также за соблюдение авторских прав несут пользователи, загрузившие материал на сайт
Если Вы считаете, что материал нарушает авторские права либо по каким-то другим причинам должен быть удален с сайта, Вы можете оставить жалобу на материал.
Удалить материал
Ваша скидка на курсы
40%
Курс повышения квалификации
72 ч. — 180 ч.
Курс профессиональной переподготовки
500/1000 ч.
Курс повышения квалификации
72 ч. — 180 ч.
Мини-курс
3 ч.
Мини-курс
3 ч.
Мини-курс
6 ч.
Оставьте свой комментарий
Авторизуйтесь, чтобы задавать вопросы.