Искусственный интеллект что это

Что такое искусственный интеллект

За последние 10 лет мы с вами можем наблюдать бурный рост интереса к машинному обучению и искусственному интеллекту, если верить Google Trends (статистика по поисковым запросам).

Обратной стороной излишней популярности ИИ стало то, что теперь термин «интеллектуальный» стали использовать слишком часто и, возможно, неуместно. Произошло это главным образом благодаря успехам в области машинного обучения, которое было определено ещё в 1950-е годы, благодаря чему внедрять его стало достаточно просто.

Но действительно ли мы можем употреблять термин искусственный интеллект к тому, что внутри себя использует машинное обучение?

Можно ли говорить, что машинное обучение есть метод создания искусственного интеллекта? Для того, чтобы разобраться в этой проблеме предлагается рассмотреть исторический путь развития искусственного интеллекта и отдельно машинного обучения, чтобы понять, почему именно в наши дни мы наблюдаем растущую популярность к этим наукам, и объемы их реального применения в жизни. Как итог, проанализируем, достигли ли мы успехов в ИИ благодаря методу машинного обучения или произошла подмена понятия ИИ.

Терминология. Искусственный интеллект

Обратимся к изначальным смыслам отдельных слов термина ИИ. Искусственный — калька с немецкого слова, обозначает нечто не природное и сделанное наподобие подлинного (толкование Ожигова). Английская версия artificial идет от французского и латинского — сделанное человеком или относящееся к искусству(то что делает человек). Интеллект — из латинского познание и понимание, но в греческом переводе «нус» — это ум, означающий начало сознания и самосознания в космосе и человеке, принцип интуитивного знания. Интересно заметить, что в философском словаре говорят, что интеллект противопоставляется другим способностям человека, таким как чувство, воля, интуиция и воображение, тем самым ограничивая интеллект лишь только функцией рационального познания.

Таким образом искусственный интеллект — это созданный человеком функционал рационального познания по образу человеческого или, если из греческого, это созданное человеком нечто с сознанием и самосознанием.

Сам термин ИИ изначально ввёл Джон Маккарти на конференции в Дартмунском университете в 1956 году. И позже, в 2007 году, он дал расшифровку того смысла, который он вложил в это понятие. По Маккарти, ИИ — это раздел науки и инженерии, занимающийся изучением и построением интеллектуальных систем. Интеллектуальность — это вычислительная часть способности добиваться заданных целей. Маккарти заключает, что ИИ это не симуляция человеческой интеллектуальности в полной мере, а только «некоторым» образом. [6] Интеллектуальность в данном контексте не означает, что один человек умнее другого, но то, что нечто обладает мыслью или способом рассуждать.

Терминология. Машинное обучение

В качестве машины будем рассматривать любое цифровое устройство. Обучение — процесс передачи исторического опыта. Learn — от древне германского — следовать или искать-прокладывать путь (track).

Машинное обучение — процесс передачи опыта цифровому устройству, посредством поиска некоторой закономерности в наборе прецедентов.

Различают два вида обучения — индуктивное по прецедентам и дедуктивное, то есть формализация знаний экспертов.

Тьюринг и игра в имитацию

Исторически считается, что первой работой в области философии искусственного интеллекта стала работа Алана Тьюринга «Вычислительные машины и интеллект», в которой он старался ответить на вопрос «Может ли машина мыслить?» . Рассмотрим то, как автор дал определение интеллекта в этой публикации.

Вместо того, чтобы водить явные дефиниции терминам «мыслить» и «машина» Тьюринг заменяет весь поставленный вопрос на некоторый другой. Для этого он вводит описание «игры в имитацию», в которой участвуют три человека: мужчина (A), женщина (B) и третья сторона, задающая вопросы (С). Цель игры для задающего вопросы — это определить пол игроков A и B, общаясь с ними по телеграфу(почте или через посыльного), то есть без прямого контакта. В свою очередь игрок A пытается ввести C в заблуждение, чтобы он сделать неверные выводы, а игрок B, наоборот помогает C сделать верное решение. В итоге первоначальный вопрос «Может ли машина мыслить?» заменяется на «Что произойдет, если в этой игре вместо А будет участвовать машина?»[4]. Сможет ли машина эффективнее чем человек обманывать C, и разгадает ли C в игроке машину по его поведению? Если сможет, то Тьюринг считает, что машина может мыслить, так как она понимает то, о чем идёт речь в беседе. Для нас интересно в этой постановке вопроса то, что здесь сопоставляется способность человека мыслить с его поведением. То есть Тьюринг задался целью спроектировать такую машину, которая сможет вести себя как человек. Для определения того, на сколько машина похожа в своём поведении на человека, он и предлагает использовать игру в имитацию.

Предложенная Тьюрингом игра и вопрос представляют собой некоторую версию операционализма, в которой быть интеллектуальным, то есть обладать мыслью и способностью к размышлению, означает способность системы пройти Тест. [7] Другими словами, у системы есть набор входов и набор выходов, человек подаёт определенные сигналы на вход и ожидает увидеть некоторый сигнал на выходе. Интеллект рассматривается как черный ящик или математическая функция с аргументами и значениями, предполагая, конечно, что сознание может быть механизировано и формально выражено через некоторую вычислимую функцию(так как иначе эту функцию не выразить в терминах полноты по Тьюрингу, что требуется для вычислимости на цифровом компьютере). Однако, такая формулировка через операционализм становится предметом затруднений. Очевидная проблема состоит в доверии к человеку-судье, к его беспристрастному, но субъективному суждению. Кроме того, как показала практика, можно создать абсолютно не интеллектуальную программу-психотерапевта, способную обмануть человека-судью.

Джозеф Вайзенбаум продемонстрировал это в созданной им программе Элиза в 1966 году. Она содержала наборы правил для разбора предложений, с помощью которых программа определяла в предложениях ключевой объект и переспрашивала судью по определенному шаблону про этот объект. Например, на фразу «Все надо мной смеются.», программа спросит «Как вы думаете, кто в большей степени?». Здесь стоит заметить, что программа не понимает смысла фразы «смеются надо мной», она просто видит ключевое слово «все» и задает совершенно общий вопрос. Если провести аналогию, то программы подобного типа работают как зеркала — они отражают обратно человеку тоже самое, что он сказал, слегка видоизменив предложения. Понимание у зеркала того, что оно отражает, отсутствует. Тем не менее это не останавливало, а даже вдохновляло, инженеров создавать такие «зеркала», задачей которых был обман человека-судьи. От части из-за обилия таких программ, к 1980-м годам наступила первая «зима» ИИ: у человечества было много программ способных пройти тест Тьюринга, но неспособных к другой интеллектуальной деятельности.

Исходя из двух проблем — субъективности судьи и возможность его обмана, единственным решением остаётся каким-то образом убрать субъективный элемент из тестирования. Если будет возможно выделить объективные факторы мышления, осмысления, намерения осмыслить, тогда будет возможно применить объективный метод тестирования. Дальнейший анализ и критику определения интеллекта по Тьюрингу можно вести через сравнение бихевиоризма и операционализма с психологизмом, как это было предложено у Неда Блока в статье «Психологизм и бихевиоризм»[7], но мы сконцентрируемся на последствиях концепции Тьюринга.

Сильный и слабый ИИ

Если Тьюринг принимал гипотезу о возможности ИИ и предложил метод тестирования, то Джон Сёрл задался вопросом о том, возможно ли создать цифровой компьютер, который будет способен понимать, например, тексты. Прежде всего Сёрл в своей работе «Сознание, мозг и программы» [1] ввёл два новых термина: Слабый ИИ и Сильный ИИ. Ценность Слабого ИИ состоит в том, что он становится некоторым инструментом, с помощью которого мы можем более точно и строго ставить и проверять гипотезы при изучении феномена сознания. С другой стороны, Сильный ИИ — это некоторый компьютер, запрограммированный особым образом, на самом деле обладающий сознанием, в том смысле, что компьютер действительно понимает смысл и обладает некоторыми когнитивными состояниями. В этом случае Сильный ИИ самим своим существованием объясняет устройство сознания.

Можно ли создать Сильный ИИ написав программу, исполняемую на машине Тьюринга?

Так вышло, что кроме теста, Тьюринг сформулировал математическую модель абстрактного исполнителя. Стоит отметить, что существует несколько эквивалентных моделей, таких как лямбда-исчисления Чёрча, машина Поста и другие. Эти системы создавались для формализации и анализа понятия вычислимости. Сейчас все компьютеры представляют собой машины Тьюринга-Поста. «Другими» могут считаться квантовые компьютеры.

Такая машина всегда работает по строго заданному алгоритму в соответствии с какими-то правилами перехода между состояниями, её ещё называют детерминированной машиной. На машине Тьюринга можно реализовать любую вычислимую функцию, но, что интересно, это утверждение скрывает внутри себя тот факт, что в природе существуют и нереализуемые на ней функции, то есть алгоритмически неразрешимые. Вполне возможно, что сознание, как некоторая программа, представляет собой невычислимую функцию, тогда весь спор о возможности создания Сильного ИИ на цифровом компьютере становится бессмысленным.

Джон Сёрл в своей работе [1] апеллирует против вычислимости сознания, но особенным образом. Для этого он определяет «Китайскую Комнату». В комнате сидит человек, который не знает китайский язык, но знает английский. Ему дают три карточки с китайскими символами вместе с инструкциями на английском языке, которые позволяют ему обрабатывать китайские символы, чтобы писать новые китайские символы. Те кто ему дают эти карточки, называют их «рукописью», «рассказом» и «вопросами», а написанные человеком символы — «ответами». Но человек в комнате этого даже не подозревает и не осознаёт. Появляется ли понимание китайского языка или сути этих карточек у человека в комнате? Сёрл отвечает, что не появляется никакого осознания, так как человек просто следует инструкциям. Сёрл описывает происходящее, как соревнование между «программистами» — теми людьми, которые создают инструкции, и теми, кто создают эти карточки. Человека в комнате можно рассматривать, как инстанциацию некоторой компьютерной программы. Из мысленного эксперимента Сёрл делает следующие выводы по поводу Сильного ИИ:

1. Сильный ИИ может иметь те же входы и выходы, что и носитель китайского языка. Может давать правильные ответы на вопросы благодаря инструкциям. Но понимания рассказов на китайском у компьютера не появляется, так же как и у человека следовавшего инструкциям.
2. Сильный ИИ не даёт достаточного объяснения феномена понимания, поскольку этого самого понимания и нет у него. Оппоненты могут сказать, что как раз то, что происходило в комнате и по существу является пониманием текстов.

Из результатов этого мысленного эксперимента в итоге Сёрл утверждает, что программа, то есть набор некоторых инструкций, сама по себе не может мыслить и обладать когнитивными способностями, так как любая программа есть суть манипуляция с формальными символами, которая не обладает интенциональностью(намерение). Фактически это синтаксический разбор, но не семантический анализ.

Тем не менее, Сёрл уверен, что машины могут мыслить, как минимум люди, представляя собой некоторую форму «особенных машин». Поэтому, чтобы создать искусственное мышление, нам нужно повторять мозг человека и устройство его нервной системы. Естественно, это основывается на гипотезе, что определенная форма материи начинает обладать сознанием, то есть сознание не представляет собой какую-то отделимую и совершенно не связанную с телом напрямую субстанцию, как, например, полагал Декарт.

Во времена Декарта была весьма популярна гипотеза механистического устройства мира, тогда все были в восторге от автоматонов и надеялись создать человека-автоматона.

Рефлексирующие системы

Не смотря на большой интерес к ИИ и уже развитой философской теории к началу 21 века, можно было легко заметить, что в прикладной области так и не появились хоть сколько-то интеллектуальные программы, но в теории информатики всегда провозглашался тезис, что программы должны становиться всё более сложными и интеллектуальными. Группа ученых(В.В. Ващенко, Е.Е. Витяев, Н.Г. Загоруйко и другие) из Новосибирска заметили эту актуальную проблему и решили обосновать в публикации «Рефлексирующие программные системы» почему она возникла, что из себя представляет интеллектуальная система и какими путями можно начать строить такие системы. [2]

Ключевой способностью интеллектуальных систем, например живых, они обозначают способность к рефлексии (одной из составляющих частей процесса мышления) и эмоциям. Необходимо каким-то образом понять механизмы, с помощью которых можно будет создавать программы, способные к самосовершенствованию, то есть рефлексии. В противоположность этому, почти всё, что создает индустрия едва ли приспособлено к самоулучшению, даже больше, незначительное изменение предметной области приводит к полному переписыванию программного кода. Такой подход будет становиться менее успешным, так как сейчас и в будущем, по всей видимости, реальность будет всё более сложной для описания и всё более разнообразной и быстроменяющейся.

Рассмотрим возможную структуру рефлексирующей системы. Для описания состояния системы вводят пространство состояний некоторых агентов. Выделяется некоторое исходное и целевое состояние системы. Задача перевода состояния системы из исходного в целевое порождает деятельность, которую будем называть целеустремленной. Цель известна, но неизвестен путь к её достижению. Некоторый примитивный агент для достижения цели может применить полный перебор некоторого пространства вариантов, а рефлексирующий агент будет обучаться на опыте и двигаться целенаправленно по наиболее экономически выгодному маршруту к цели. На этом пути можно определять дополнительные подцели для поиска первого шага перехода между состояниями. В результате рефлексирующую систему можно представить в виде некоторой иерархии, где с одной стороны есть иерархия подцелей, а с другой — иерархия некоторых программ, каждая из которых может решать некоторые базовые задачи. Предположим, что у нас существует некоторая программа M1 первого тип, умеющая решать класс задач Z1, применяя над данными D1, последовательность подпрограмм алгоритма A1. Если мы хотим, чтобы M1 произвела улучшения себя по мере накопления опыта, тогда нужно построить некоторую программу M2, задача которой состоит в наблюдении за работой M1 над данными и подбором рекомендации по её совершенствованию. В свою очередь программа M2 тратит энергетические ресурсы, объем которых можно минимизировать за счет оптимизации M2. Для этого нужно построить третий уровень подпрограмм и так далее. Кстати, энергетический ресурс было предложено рассматривать как аналог эмоциям — это ресурс необходимый для оценки успешности программы в каждый момент времени. Таким образом система обладает качеством рефлексии и эмоциями.

Другими словами иерархию подпрограмм можно описать следующим образом: для решения определенной задачи и достижения цели, алгоритмы высокого уровня на основе опыта самостоятельно выбирают алгоритмы низкого уровня, таким образом осуществляется рефлексия — самосовершенствование этой иерархической системы.

Но мы приходим к интересной проблеме — какого размера эта иерархическая структура, конечна ли она или нет, кто выбирает самый первый алгоритм (вершину), с которого все запустится? Где в этой иерархии находится человек или он находится где-то во вне? Ответы на эти вопросы, по всей видимости, станут сразу же ответами на вопрос о том, как создать Сильный ИИ и что такое сознание. Эти вопросы трансцендентные и, вероятно, по теореме Гёдела о неполноте арифметики не могут получить ответа в нашей системе. Тем не менее можно предположить, что создавая такие рефлексирующие системы и увеличивая их размер, мы будем замечать всё более возрастающие интеллектуальный способности этих систем, причем в некотором предельном варианте такую систему мы уже сможем назвать достаточно интеллектуальной или ИИ почти наверное.

Существуют ли сейчас подобные иерархические рефлексирующие системы? Ответ положительный, так как ими можно считать алгоритмы машинного обучения.

Машинное обучение

Как сказал Артур Сэмюэль МО даёт компьютерам способность учиться без непосредственного программирования. В таком случае нет необходимости придумывать математические модели и строить абстракции каких-то явлений, так как с помощью МО можно некоторым образом перенести эмпирический опыт связанный с этим явлением и ожидать, что компьютер уловит некоторые закономерности, так же как мы надеемся, что ребенок правильно воспринял уроки. Формальное определение сводится к тому, что суть МО — это поиск некоторого функционала или закономерности в природе из множества всевозможных алгоритмов. Другими словами у нас имеет место задача по выбору алгоритма. А в предыдущей главе о рефлексирующих системах, мы описали систему строящуюся на основе этих принципов. Если проводить аналогии, то обычное программирование алгоритмов, то есть создание некоторых абстракций с помощью экспертного мнения человека, можно назвать процессом выбора алгоритма первого уровня иерархии. В свою очередь, если смотреть обще, то любой алгоритм машинного обучения представляет собой агента со второго уровня иерархии, так как алгоритмы обучения производят поиск и выбор наиболее подходящих под эмпирические данные функционалов. Но в области машинного обучения достаточно быстро пришли к проблемам подбора гиперпараметров и выбора подходящей модели обучения, а этот факт ни что иное как признак существования алгоритмов третьего уровня. Можно предположить, что глубинные нейронные сети представляют собой самые высокие агенты из иерархии рефлексирующих систем на данный момент, так как внутри себя они явным образом содержат множество иерархии.

Долгое время у инженеров и учёных были проблемы по обучению таких сложных иерархий, но в 2007 году в статье «Learning multiple layers of representation » было показано как это можно эффективно делать, и именно поэтому сейчас мы можем наблюдать бурное развитие этой отрасли.

Хотя машинное обучение по сути своей и остаётся программой, но так как для её построения человеку уже не нужно вручную выделять абстракции и так как используются методы рефлексии, можно предположить, что на данный момент это один из самых прогрессивных методов создания систем обладающих интеллектуальностью, пусть и не в смысле Сильного ИИ. Вопрос о создании Сильного ИИ можно отложить на тот момент, когда будет доступно использовать не только Тьюринг полные компьютеры, а, например, квантовые, у которых пространство возможных для решения задач намного шире.

Заключение

Философия сознания и искусственного интеллекта за последние 60 лет прошла долгий путь от бихевиористических подходов в Тесте Тьюринга до теории рефлексирующих систем и машинного обучения. За это время исследователи искали способы создания ИИ методом программирования, построения математической модели сознания, полагая что оно представимо в виде вычислимого алгоритма. Такой подход привел к «зиме» ИИ и пережил много критики и опровержений, например, в работе Сёрла, который полностью опроверг возможность программного ИИ с помощью мысленного эксперимента с «Китайской комнатой». Но с середины 2000-ых годов благодаря успехам в области глубинных нейронных сетей и машинного обучения в целом стало известно каким методом можно строить рефлексирующие системы, то есть системы способные к самоулучшению и обучению. Если рассматривать интеллектуальность как когнитивную способность к познанию, то методы машинного обучения в предельном случае позволяют нам создавать как минимум нечто среднее между сильным и слабым искусственным интеллектом. Поэтому можно считать, что машинное обучение представляет собой некоторый метод построения искусственного интеллекта в предельном случае.

Список литературы

1. Searle J. Minds, brains, and programs // Behavioral and brain sciences. — 1980. — Вып. 3. — С. 417–457.
2. Ващенко А. Н. Рефлексирующие программные системы / А. Н. Ващенко, Е. Е. Витяев, Н. Г. Загоруйко, А. А. Мальцев, Н. Н. Непейвода, Д. Е. Пальчунов, С. Г. Пыркин, А. В. Ткачев. // Сиб. журн. индустр. матем. — 2001. — Т. 4, № 1. — С. 22–28
3. Пенроуз Р. Новый ум короля. — М.: Едиториал УРСС, 2003. — 339 с.
4. Тьюринг А. Может ли машина мыслить? (С приложением статьи Дж. фон Неймана “Общая и логическая теория автоматов”). — М.: Государственное издательство физико-математической литературы, 1960. — 67 с.
5. Хокинс Д., Блейксли С. Об интеллекте. — М.: Вильямс, 2007. — 240 с.
6. What is Artificial Intelligence? — 2007. — URL: http://www-formal.stanford.edu/jmc/whatisai/whatisai.html (дата обр. 10.06.2017)
7. Block N. Psychologism and Behaviorism // Philosophical Review. — 1981. — Вып. 90. — С. 5–43.
8. Сэмюэл А. Некоторые исследования в машинном обучении, используя игру шашек // IBM Journal. — 1959. — № 3. — С. 210–229.

Изначально эта статья была оформлена мною как реферат по философии науки под названием “Машинное обучение как метод создания искусственного интеллекта”

Вступление

Искусственный интеллект впечатляет и вдохновляет. Правда, многие не до конца понимают, что скрывается под термином “искусственный интеллект” или более популярным его названием “ИИ”. Тот факт, что алгоритм или девайс способны делать что-то лучше человека, только распаляет воображение. Хотя эта технология не нова, последние достижения программного масштабирования позволили ей решать более сложные задачи. ИИ предлагает наилучшие обоснованные решения в кратчайшие сроки.

Искусственный интеллект — это ПО, способное постоянно совершенствоваться. Как только ПО загружается на соответствующее оборудование, его возможности становятся безграничными. Внедрение искусственного интеллекта — естественный выбор человечества. Без ИИ невозможно представить будущее.

Эта технология делает нашу жизнь продуктивней и освобождает нас от лишнего стресса. Разработка искусственного интеллекта продвигается более быстрыми темпами, чем предполагалось.

Искусственный интеллект, вероятно, будет интегрирован практически во все отрасли и сможет решать самые насущные проблемы, такие как изменение климата, утилизация отходов, энергетический кризис, здравоохранение, безработица и даже войны.

Однако технология влечет за собой и серьезные проблемы, такие как исчезновение традиционных профессий, рассекречивание конфиденциальной информации, дискриминация и поощрение человеческой лени. Необходимо осознавать эти проблемы, чтобы продвигать разработку и внедрение искусственного интеллекта ответственно и этично.

Наше будущее с искусственным интеллектом

В 2030 году, когда искусственный интеллект достигнет своего пика, его услугами будут пользоваться представители всех слоев общества.

Попробуем представить и проанализировать типичную для будущего ситуацию.

Вы живете в 2030 году и планируете отпуск с друзьями на предстоящие праздничные выходные. Вы сообщаете своему портативному или носимому девайсу (в зависимости от того, какой из них будет более популярен в то время), что планируете отправиться в 5-дневную поездку на остров Парадайз с четырьмя друзьями. Затем вы просите его подготовить все необходимое и поделиться окончательными деталями с вами и вашими друзьями.

Эти указания — все, что вы сообщаете ИИ-помощнику. Как он сможет спланировать ваш отдых, располагая такими ограниченными данными?

Дело в том, что подобной информации мало для человека, но не для ИИ. Посмотрим, как же он будет действовать.

ИИ получает следующие входные данные:

• спланировать отпуск (что);
• на острове Парадайз (где);
• на предстоящих праздничных выходных (когда);
• с (4) друзьями (с кем).

ИИ-помощник очень хорошо знает вас (хозяина). Ему известны ваши привычки, предпочтения, симпатии, антипатии, фантазии, цели и т.д. На протяжении многих лет он создавал ваш подробный профиль с учетом вашего окружения. Помните, что мы находимся в 2030 году, где все взаимосвязано. Ваш ИИ-помощник будет подключен к ИИ-помощникам ваших друзей, родственников, коллег и знакомых.

Получив вышеприведенные инструкции, он приступит к планированию. Его алгоритм проверит маршруты, доступные способы передвижения, наиболее комфортные для отдыха условия (с учетом погоды на тот момент), мероприятия в помещении или на свежем воздухе, которыми можно заняться во время отпуска, экскурсионные возможности места пребывания, доступные варианты питания (в зависимости от состояния вашего здоровья и обычных предпочтений) и план возвращения.

Разложив все по полочкам и выбрав подходящие варианты, ИИ-помощник займется бронированием гостиничных мест и авиабилетов в соответствии с действующими нормами. Он примет все необходимые меры, чтобы предложить вам беспроблемное времяпрепровождение. Путешествие, проживание, питание, развлекательные мероприятия и т. д. — все это будет спланировано для вас заранее (на основе вашего прошлого выбора и предпочтений).

Завершив составление плана, ИИ-помощник поделится с вами всеми деталями. При выражении вашего одобрения (щелчком мыши или жестом) программа будет зафиксирована (с подтвержденными бронированиями и платежами). Все детали автоматически передадутся вашим друзьям через их ИИ-помощников. Таким образом, вы полностью готовы к незабываемому путешествию.

В 2030 году будет неразумно подвергать сомнению такой план, поскольку для его подготовки ИИ просмотрит множество точек данных, чтобы выбрать наиболее подходящие варианты. Он сможет получить доступ к обширным историческим базам данных, чтобы рекомендовать наиболее подходящий выбор. Человек не может конкурировать с суперкомпьютерной системой, способной принимать решения (почти всегда правильные) за доли секунды.

Приведенный выше случай — лишь беглый взгляд на то, что нас ждет впереди.

Типы искусственного интеллекта

ИИ часто путают с роботами, способными думать и действовать, как люди. Это не одно и то же. ИИ имеет много операционных уровней, бывает слабым и сильным.

В широком смысле технологию можно разделить на следующие типы.

1. Простой ИИ

Является фундаментальным. Он работает по предустановленным инструкциям и не меняется со временем (если не обновляется). Примеры простого ИИ: Siri от Apple, Google Ассистент и Alexa от Amazon.

2. Смарт-ИИ

Выполняет функции, аналогичные человеческим. Он разрабатывается для имитации человекоподобных действий таким образом, чтобы сократить или исключить участие человека. Программа обладает некоторой способностью к самообучению на основе обширных исторических результатов работы. Смарт-ИИ преимущественно используется в здравоохранении, спорте, играх, производстве и финансовом секторе.

3. Супер-ИИ

Обладает интеллектом человеческого уровня и может даже превосходить его. Такие передовые алгоритмы находятся в стадии разработки, но в будущем могут произвести революцию во всем. Супер-ИИ будет особенно полезен в таких отраслях, как военная промышленность, кибербезопасность, космонавтика, ядерная энергетика, металлургия, робототехника, автономные транспортные средства, виртуальная реальность и т. д.

Технологии обучения ИИ

Искусственный интеллект — это сложный компьютерный код, который использует передовые технологии обработки данных и обучения для выполнения определенных задач. Машинное обучение — одна из самых мощных технологий, позволяющих ИИ обеспечивать производительность, подобную человеческой. ИИ предоставляет статистические инструменты для анализа и изучения данных.

Различают несколько методов машинного обучения. Основные из них подробно описаны ниже.

1. Контролируемое обучение

Контролируемые методы предполагают обучение ИИ-программы на наборе помеченных данных. Правильный результат обучающей программы уже известен и передается ИИ-модели, чтобы она могла достичь этого результата при предоставлении серии входных данных.

Контролируемое обучение используется для классификации изображений, распознавания речи и обнаружения мошенничества.

2. Неконтролируемое обучение

В отличие от контролируемого, эта группа методов предполагает обучение ИИ-модели на наборе непомеченных данных. Желаемый результат обычно неизвестен — его поиск остается за ИИ-моделью.

Неконтролируемое обучение используется при сжатии данных и обнаружении аномалий.

3. Обучение с подкреплением

Это продвинутые методы обучения, при которых ИИ-модель учится принимать решения, работая в определенной среде для генерации сигнала вознаграждения. Действия, предпринятые ИИ-моделью, оцениваются на основе предустановленных ссылок, а затем определяется сила сигналов вознаграждения. Конечная цель состоит в том, чтобы позволить ИИ-модели предпринимать действия, которые максимизируют сигналы вознаграждения за любую операцию.

Обучение с подкреплением используется в автономном вождении, играх и робототехнике.

4. Глубокое обучение

Эти методы обучения позволяют машинам думать и действовать, как люди. С помощью фреймворка в систему загружается интеллект человеческого уровня. Цель состоит в том, чтобы имитировать человеческий мозг. Метод назван глубоким, потому что для принятия решений используется несколько слоев искусственных нейронов.

В методах глубокого обучения используются следующие типы архитектур:

• искусственная нейронная сеть (Artificial Neural Network, ANN) для работы с числовыми данными;
• сверточная нейронная сеть (Convolutional Neural Network, CNN) для управления изображениями, аудио- и видеоданными;
• рекуррентная нейронная сеть (Recurrent Neural Network, RNN) для работы с данными временных рядов;
• мультинейронная сеть (Multi Neural Network, MNN) для манипуляций со сложным набором данных.

Глубокое обучение используется в обработке естественного языка, распознавании изображений и играх.

5. Трансферное обучение

Это передовые методы машинного обучения, основанные на архитектуре типа CNN. ИИ-модель использует знания, полученные в результате ранее выполненных задач, для решения текущих проблем. Она постоянно извлекает уроки из своей истории и совершенствуется.

Трансферное обучение используется при переводе с одного языка на другой, классификации изображений и моделировании реального мира.

Роль науки о данных

Чтобы разработать мощную ИИ-модель, недостаточно знать вышеперечисленные методы обучения. Необходимо объединить результаты, полученные с помощью этих методов обучения, чтобы прийти к логическому завершению. Это слияние осуществляется с помощью науки о данных. Она занимается извлечением идей и знаний из данных, чтобы предложить правильные действия. Наука о данных охватывает все уровни машинного обучения и пытается выявить скрытые закономерности. Со временем наборы данных будут становиться все более сложными, и нам потребуется постоянное совершенствование, чтобы управлять ситуацией.

Преимущества искусственного интеллекта

Многие боятся, что потеряют работу из-за ИИ, но это не так. Удивительно, но искусственный интеллект открывает много возможностей для трудоустройства. Он только меняет тип работы — с традиционного на футуристический. Миру потребуются новые услуги и продукты. Будет расти спрос на программистов, инженеров ПО, специалистов по обработке данных, операторов серверов данных, разработчиков аппаратного обеспечения, поставщиков систем, проектировщиков человеко-машинного интерфейса (HMI) и многих других, связанных с этим направлением.

Искусственный интеллект обладает множеством преимуществ. Перечислим наиболее существенные и общезначимые.

1. Повышает производительность

Искусственный интеллект обладает сверхмощными аналитическими способностями. Он может быстро выдавать прогнозы и принимать решения с большой точностью. ИИ-девайсам не требуется время на отдых и восстановление сил. Они могут работать без остановок, без ошибок и без снижения продуктивности. Все эти факторы повышают производительность, благодаря чему люди могут достичь гораздо большего.

2. Оптимизирует исследования и разработки

Разработка медицинского оборудования и лекарственных препаратов требует постоянной оптимизации для повышения уровня медобслуживания. Это обеспечивает решение сложнейших проблем. С помощью ИИ врачи и ученые исследуют широкий спектр исторических баз данных, чтобы предпринимать правильные действия. Для проверки эффективности разрабатываемых препаратов можно проводить моделирование. Прогноз относительно будущих заболеваний у пациентов возможен задолго до фактического появления симптомов. ИИ способен произвести революцию в медицинской промышленности.

3. Сокращает производственные затраты

ИИ может исключить необходимость использовать человеческий труд и дорогостоящее оборудование на рабочих точках, не требующих высокой квалификации. Производственный сектор требует постоянного выполнения повторяющихся процессов для создания продукции. Запрограммированное ИИ-устройство может выполнять эти задачи лучше людей, экономя при этом огромные средства.

4. Выступает в роли личного помощника

Искусственный интеллект может автоматизировать рутинные задачи, чтобы у людей было больше времени для других важных дел. Виртуальный ИИ-помощник способен устанавливать напоминания, узнавать что-то новое, воспроизводить музыку, управлять автомобилем автономно, отслеживать производительность и управлять временем. ИИ-модель, настроенная на основе ваших личных предпочтений и привычек, обеспечит вам наилучший опыт.

5. Повышает качество обслуживания клиентов

ИИ-модель, созданная для обслуживания клиентов, способна предоставлять им поддержку в режиме 24/7 без необходимости какого-либо вмешательства человека. Время отклика может быть значительно сокращено, поскольку ИИ-модель будет предварительно загружена огромным объемом информации, необходимой для обслуживания клиентов. Поскольку ИИ-модели являются экспертами в выявлении поведенческих паттернов, клиенты могут рассчитывать на предоставление услуг с учетом индивидуальных потребностей.

6. Расширяет возможности людей с инвалидностью

Около 13% населения земного шара (1 млрд человек) имеют ту или иную форму инвалидности. Искусственный интеллект становится их ангелом-хранителем. Люди с нарушениями речи или слуха могут использовать ИИ-устройства для выполнения повседневных действий. ИИ помогает медицинским работникам в диагностике и лечении сложных проблем со здоровьем. Самоуправляемые транспортные средства, оснащенные ИИ, позволят свободнее передвигаться. Независимо от характера и степени инвалидности, человек сможет получить образование с помощью специализированных ИИ-сервисов.

7. Создает новые рабочие места

ИИ может вытеснить какие-то рабочие места, но также создает много возможностей для трудоустройства. Машинное обучение, наука о данных, проектирование ПО, разработка ИИ-совместимого аппаратного обеспечения и обслуживание ИИ станут самыми популярными направлениями сферы занятости в будущем. ИИ даст начало новым областям, таким как автономное вождение, здравоохранение на базе ИИ, автоматизация, разработка чат-ботов, персональная робототехника, умные дома и производство на основе передовых технологий.

8. Облегчает повседневную жизнь

С внедрением искусственного интеллекта наша жизнь уже никогда не будет прежней. ИИ повышает ощущение безопасности и покоя. Нам не приходится размышлять над управлением рутинными задачами. Мы можем больше времени уделять критически важным и творческим вещам. ИИ дает больше контроля над финансами и здоровьем. Обучение с ИИ становится гораздо проще. Люди будущего станут вести более продуктивную и сбалансированную жизнь с помощью ИИ.

Недостатки искусственного интеллекта

Любая технология хороша, если она используется с благими намерениями. Ниже перечислены некоторые насущные проблемы, связанные с искусственным интеллектом.

1. Угроза частной жизни

ИИ-системы хранят тонны пользовательских данных — как личных, так и корпоративных. Для эффективной работы этим системам требуется бесчисленное множество точек данных. Если база данных ИИ будет взломана, данные пользователей могут быть раскрыты.

2. Риск нарушения безопасности

В будущем ИИ получит полный контроль над нашими системами безопасности. Люди не могут обеспечить уровень защиты, гарантируемый ИИ-системами безопасности. Вычислительные и аналитические возможности ИИ, а также его способность принимать решения будут исключительными. Что произойдет, если такая критическая система безопасности окажется под угрозой? Ущерб может быть катастрофическим.

3. Возможность использования неэтичных практик

ИИ-системы работают на основе встроенных в них программ и этических норм. Любые варианты искажения или предвзятости, внедренные в программу, могут стать разрушительными. Это чревато распространением негативных эмоций, неэтичными практиками и несправедливыми результатами. Нечестная ИИ-система может свести на нет прозрачность и даже поставить под сомнение права человека, подавляя свободу слова.

4. Чрезмерная зависимость от технологии

Хотя ИИ способен сделать жизнь проще и продуктивнее, он также может спровоцировать развитие в нас апатичности и лени. Если ИИ сможет все сделать за вас, будете ли вы действовать самостоятельно?

5. Отсутствие человеческого взаимодействия

Такие концепции, как метавселенная, дополненная реальность (AR) и виртуальная реальность (VR), могут быть эффективно разработаны с помощью новейших ИИ-инструментов. Вам не захочется куда-то ехать, чтобы пообщаться с друзьями и членами семьи, если можно устроить встречу одним нажатием кнопки.

Такие привычки не соответствуют нашей природе. Люди не созданы для этого. Основополагающие человеческие ценности эволюционировали на протяжении тысячелетий, чтобы мы научились жить в сообществе. Виртуальные взаимодействия разрушают социальную структуру.

6. Сокращение рабочих мест

Люди неизбежно будут терять работу по мере того, как ИИ будет становиться все более мощным. Предприятия предпочтут сокращать рабочую силу всякий раз, когда ИИ представит себя в качестве разумной альтернативы.

Затруднительность положения можно смягчить, создав прочную и надежную структуру, занимающуюся вышеуказанными проблемами. Этичное внедрение ИИ должно быть обеспечено путем применения более строгих законов, действующих несмотря ни на что.

События ближайшего будущего

Исследования показывают, что в ближайшие три года около 30% исходящих сообщений от компаний будут передаваться с помощью ИИ. В настоящее время это число составляет всего 3%. Кроме того, к 2030 году более 50% блокбастеров будут создаваться с помощью ИИ.

Искусственный интеллект на этом не остановится. Ведущие автомобильные компании инвестируют миллиарды долларов в разработку самоуправляемых автомобилей. Недавний прогресс языковых ИИ-моделей показал замечательные результаты в решении задач обработки естественного языка. Суперкомпьютерные возможности искусственного интеллекта в сочетании с его способностью к самообучению помогают в обнаружении мошенничества, прогнозировании рыночных тенденций, инвестировании, торговле и управлении финансовым портфелем. ИИ окажет далеко идущее влияние на услуги здравоохранения. Диагностика и лечение будут ускорены с помощью ИИ.

Заключение

Рыночные отчеты показывают, что глобальный бизнес-потенциал в области ИИ может достичь примерно 280 млрд долларов к 2027 году. Время для внедрения ИИ в бизнес настало. Технология останется с нами и будет неуклонно развиваться.

Конечно, поначалу мы были не готовы к принятию ИИ, но это нормально. Каждая новая (прорывная) технология должна пройти эту стадию сопротивления. То же самое произошло в начале 90-х годов с интернетом.

Когда интернет стал популярным, люди, которые не могли осознать его истинный потенциал, высказывали те же опасения. В прошлом было много беспокойств из-за потери рабочих мест с внедрением компьютеров и интернета. Мы все знаем, чем это обернулось. Сегодня нашу жизнь невозможно представить без компьютеров, мобильных телефонов и интернета (как в профессиональном, так и в личном плане). ИИ ожидает такое же или даже более светлое будущее, поскольку он является естественным продолжением человеческого интеллекта.

ИИ проникнет почти во все области и будет доминировать в них. В конечном счете он может превзойти человеческий интеллект. Поэтому важно говорить о возможных негативных последствиях и определять границы, чтобы мы, люди, не стали жертвами наших разработок. Мы должны быть бдительными и предпринимать правильные шаги, чтобы человечество могло извлечь выгоду из этого изобретения.

У нас есть ограничения, но искусственный интеллект безграничен. Мы можем что-то упустить, но в памяти ИИ сохранится все. Мы способны построить лучшие миры, но при поддержке ИИ. Изменения, связанные с ИИ, происходят уже сейчас и прекратятся только тогда, когда полностью раскроют свой потенциал. Будущее искусственного интеллекта зависит от его создателей и пользователей.

Искусственный интеллект — это революция, от которой мы не должны отказываться. ИИ нацелен на то, чтобы изменить нашу жизнь к лучшему.

Всё, что вам нужно знать об ИИ — за несколько минут

Приветствую читателей Хабра. Вашему вниманию предлагается перевод статьи «Everything you need to know about AI — in under 8 minutes.». Содержание направлено на людей, не знакомых со сферой ИИ и желающих получить о ней общее представление, чтобы затем, возможно, углубиться в какую-либо конкретную его отрасль.

Знать понемногу обо всё иногда (по крайней мере, для новичков, пытающихся сориентироваться в популярных технических направлениях) бывает полезнее, чем знать много о чём-то одном.

Многие люди думают, что немного знакомы с ИИ. Но эта область настолько молода и растёт так быстро, что прорывы совершаются чуть ли не каждый день. В этой научной области предстоит открыть настолько многое, что специалисты из других областей могут быстро влиться в исследования ИИ и достичь значимых результатов.

Эта статья — как раз для них. Я поставил себе целью создать короткий справочный материал, который позволит технически образованным людям быстро разобраться с терминологией и средствами, используемыми для разработки ИИ. Я надеюсь, что этот материал окажется полезным большинству интересующихся ИИ людей, не являющихся специалистами в этой области.

Введение

Искусственный интеллект (ИИ), машинное обучение и нейронные сети — термины, используемые для описания мощных технологий, базирующихся на машинном обучении, способных решить множество задач из реального мира.

В то время, как размышление, принятие решений и т.п. сравнительно со способностями человеческого мозга у машин далеки от идеала (не идеальны они, разумеется, и у людей), в недавнее время было сделано несколько важных открытий в области технологий ИИ и связанных с ними алгоритмов. Важную роль играет увеличивающееся количество доступных для обучения ИИ больших выборок разнообразных данных.

Область ИИ пересекается со многими другими областями, включая математику, статистику, теорию вероятностей, физику, обработку сигналов, машинное обучение, компьютерное зрение, психологию, лингвистику и науку о мозге. Вопросы, связанные с социальной ответственностью и этикой создания ИИ притягивают интересующихся людей, занимающихся философией.

Мотивация развития технологий ИИ состоит в том, что задачи, зависящие от множества переменных факторов, требуют очень сложных решений, которые трудны к пониманию и сложно алгоритмизируются вручную.

Растут надежды корпораций, исследователей и обычных людей на машинное обучение для получения решений задач, не требующих от человека описания конкретных алгоритмов. Много внимания уделяется подходу «чёрного ящика». Программирование алгоритмов, используемых для моделирования и решения задач, связанных с большими объёмами данных, занимает у разработчиков очень много времени. Даже когда нам удаётся написать код, обрабатывающий большое количество разнообразных данных, он зачастую получается очень громоздким, трудноподдерживаемым и тяжело тестируемым (из-за необходимости даже для тестов использовать большое количество данных).

Современные технологии машинного обучения и ИИ вкупе с правильно подобранными и подготовленными «тренировочными» данными для систем могут позволить нам научить компьютеры «программировать» за нас.

Обзор

Интеллект — способность воспринимать информацию и сохранять её в качестве знания для построения адаптивного поведения в среде или контексте

Это определение интеллекта из (англоязычной) Википедии может быть применено как к органическому мозгу, так и к машине. Наличие интеллекта не предполагает наличие сознания. Это — распространённое заблуждение, принесённое в мир писателями научной фантастики.

Попробуйте поискать в интернете примеры ИИ — и вы наверняка получите хотя бы одну ссылку на IBM Watson, использующий алгоритм машинного обучения, ставший знаменитым после победы на телевикторине под названием «Jeopardy» в 2011 г. С тех пор алгоритм претерпел некоторые изменения и был использован в качестве шаблона для множества различных коммерческих приложений. Apple, Amazon и Google активно работают над созданием аналогичных систем в наших домах и карманах.

Обработка естественного языка и распознавание речи стали первыми примерами коммерческого использования машинного обучения. Вслед за ними появились задачи другие задачи автоматизации распознавания (текст, аудио, изображения, видео, лица и т.д.). Круг приложений этих технологий постоянно растёт и включает в себя беспилотные средства передвижения, медицинскую диагностику, компьютерные игры, поисковые движки, спам-фильтры, борьбу с преступностью, маркетинг, управление роботами, компьютерное зрение, перевозки, распознавание музыки и многое другое.

ИИ настолько плотно вошёл в современные используемые нами технологии, что многие даже не думают о нём как об «ИИ», то есть, не отделяют его от обычных компьютерных технологий. Спросите любого прохожего, есть ли искусственный интеллект в его смартфоне, и он, вероятно, ответит: «Нет». Но алгоритмы ИИ находятся повсюду: от предугадывания введённого текста до автоматического фокуса камеры. Многие считают, что ИИ должен появиться в будущем. Но он появился некоторое время назад и уже находится здесь.

Термин «ИИ» является довольно обобщённым. В фокусе большинства исследований сейчас находится более узкое поле нейронных сетей и глубокого обучения.

Как работает наш мозг

Человеческий мозг представляет собой сложный углеродный компьютер, выполняющий, по приблизительным оценкам, миллиард миллиардов операций в секунду (1000 петафлопс), потребляющий при этом 20 Ватт энергии. Китайский суперкомпьютер под названием «Tianhe-2» (самый быстрый в мире на момент написания статьи) выполняет 33860 триллионов операций в секунду (33.86 петафлопс) и потребляющий при этом 17600000 Ватт (17.6 Мегаватт). Нам предстоит проделать определённое количество работы перед тем, как наши кремниевые компьютеры смогут сравниться со сформировавшимися в результате эволюции углеродными.

Точное описание механизма, применяемого нашим мозгом для того, чтобы «думать» является предметом дискуссий и дальнейших исследований (лично мне нравится теория о том, что работа мозга связана с квантовыми эффектами, но это — тема для отдельной статьи). Однако, механизм работы частей мозга обычно моделируется с помощью концепции нейронов и нейронных сетей. Предполагается, что мозг содержит примерно 100 миллиардов нейронов.

Нейроны взаимодействуют друг с другом с помощью специальных каналов, позволяющих им обмениваться информацией. Сигналы отдельных нейронов взвешиваются и комбинируются друг с другом перед тем, как активировать другие нейроны. Эта обработка передаваемых сообщений, комбинирование и активация других нейронов повторяется в различных слоях мозга. Учитывая то, что в нашем мозгу находится 100 миллиардов нейронов, совокупность взвешенных комбинаций этих сигналов устроена довольно сложно. И это ещё мягко сказано.

Но на этом всё не заканчивается. Каждый нейрон применяет функцию, или преобразование, к взвешенным входным сигналам перед тем, как проверить, достигнут ли порог его активации. Преобразование входного сигнала может быть линейным или нелинейным.

Изначально входные сигналы приходят из разнообразных источников: наших органов чувств, средств внутреннего отслеживания функционирования организма (уровня кислорода в крови, содержимого желудка и т.д.) и других. Один нейрон может получать сотни тысяч входных сигналов перед принятием решения о том, как следует реагировать.

Мышление (или обработка информации) и полученные в результате его инструкции, передаваемые нашим мышцам и другим органам являются результатом преобразования и передачи входных сигналов между нейронами из различных слоёв нейронной сети. Но нейронные сети в мозгу могут меняться и обновляться, включая изменения алгоритма взвешивания сигналов, передаваемых между нейронами. Это связано с обучением и накоплением опыта.

Эта модель человеческого мозга использовалась в качестве шаблона для воспроизведения возможностей мозга в компьютерной симуляции — искуственной нейронной сети.

Искусственные Нейронные Сети (ИНС)

Искусственные Нейронные Сети — это математические модели, созданные по аналогии с биологическими нейронными сетями. ИНС способны моделировать и обрабатывать нелинейные отношения между входными и выходными сигналами. Адаптивное взвешивание сигналов между искусственными нейронами достигается благодаря обучающемуся алгоритму, считывающему наблюдаемые данные и пытающемуся улучшить результаты их обработки.

Для улучшения работы ИНС применяются различные техники оптимизации. Оптимизация считается успешной, если ИНС может решать поставленную задачу за время, не превышающее установленные рамки (временные рамки, разумеется, варьируются от задачи к задаче).

ИНС моделируется с использованием нескольких слоёв нейронов. Структура этих слоёв называется архитектурой модели. Нейроны представляют собой отдельные вычислительные единицы, способные получать входные данные и применять к ним некоторую математическую функцию для определения того, стоит ли передавать эти данные дальше.

В простой трёхслойной модели первый слой является слоем ввода, за ним следует скрытый слой, а за ним — слой вывода. Каждый слой содержит не менее одного нейрона.

С усложнением структуры модели посредством увеличения количества слоёв и нейронов возрастают потенциал решения задач ИНС. Однако, если модель оказывается слишком «большой» для заданной задачи, её бывает невозможно оптимизировать до нужного уровня. Это явление называется переобучением (overfitting).

Архитектура, настройка и выбор алгоритмов обработки данных являются основными составляющими построения ИНС. Все эти компоненты определяют производительность и эффективность работы модели.

Модели часто характеризуются так называемой функцией активации. Она используется для преобразования взвешенных входных данных нейрона в его выходные данные (если нейрон решает передавать данные дальше, это называется его активацией). Существует множество различных преобразований, которые могут быть использованы в качестве функций активации.

ИНС являются мощным средством решения задач. Однако, хотя математическая модель небольшого количества нейронов довольно проста, модель нейронной сети при увеличении количества составляющих её частей становится довольно запутанно. Из-за этого использование ИНС иногда называют подходом «чёрного ящика». Выбор ИНС для решения задачи должен быть тщательно обдуманным, так как во многих случаях полученное итоговое решение нельзя будет разобрать на части и проанализировать, почему оно стало именно таким.

Глубокое обучение

Термин глубокое обучение используется для описания нейронных сетей и используемых в них алгоритмах, принимающих «сырые» данные (из которых требуется извлечь некоторую полезную информацию). Эти данные обрабатываются, проходя через слои нейросети, для получения нужных выходных данных.

Обучение без учителя (unsupervised learning) — область, в которой методики глубокого обучения отлично себя показывают. Правильно настроенная ИНС способна автоматически определить основные черты входных данных (будь то текст, изображения или другие данные) и получить полезный результат их обработки. Без глубокого обучения поиск важной информации зачастую ложится на плечи программиста, разрабатывающего систему их обработки. Модель глубокого обучения же самостоятельно способна найти способ обработки данных, позволяющий извлекать из них полезную информацию. Когда система проходит обучение (то есть, находит тот самый способ извлекать из входных данных полезную информацию), требования к вычислительной мощности, памяти и энергии для поддержания работы модели сокращаются.

Проще говоря, алгоритмы обучения позволяют с помощью специально подготовленных данных «натренировать» программу выполнять конкретную задачу.

Глубокое обучение применяется для решения широкого круга задач и считается одной из инновационных ИИ-технологий. Существуют также другие виды обучения, такие как обучение с учителем (supervised learning) и обучение с частичным привлечением учителя(semi-supervised learning), которые отличаются введением дополнительного контроля человека за промежуточными результатами обучения нейронной сети обработке данных (помогающего определить, в правильном ли направлении движется система).

Теневое обучение (shadow learning) — термин, используемый для описания упрощённой формы глубокого обучения, при которой поиск ключевых особенностей данных предваряется их обработкой человеком и внесением в систему специфических для сферы, к которой относятся эти данные, сведений. Такие модели бывают более «прозрачными» (в смысле получения результатов) и высокопроизводительными за счёт увеличения времени, вложенного в проектирование системы.

Искусственный интеллект: что это и его возможности

Искусственным интеллектом уже никого не удивишь, но многие не понимают, на что он способен. Уже сейчас его используют во многих сферах. Рассмотрим, что такое искусственный интеллект, где он внедрен и какие у него возможности.

Что такое искусственный интеллект?

В научной работе «Искусственный интеллект в управлении человеческими ресурсами» авторы отметили, что искусственный интеллект — это способность цифрового компьютера или управляемого компьютером робота выполнять задачи, которые считают прерогативой человека. В наше время термин применяют к проекту развития систем, наделенных интеллектуальными процессами, которые характерны для человеческого интеллекта (рассуждение, обобщение, получение опыта, анализ).

Другими словами ИИ — огромный спектр алгоритмов и инструментов механизированного обучения, который может оперативно получать данные, выявлять определенные закономерности, оптимизировать или прогнозировать тенденции.

Кто придумал термин искусственный интеллект? Впервые о концепции искусственного интеллекта заговорили после работы Алана Тьюринга 1950 года «Вычислительные машины и интеллект». В этой статье Тьюринг задал вопрос «Могут ли машины думать?». Спустя шесть лет в 1956 году Джон Маккарти ввел термин «искусственный интеллект» на первой в истории конференции по ИИ в Дартмутском колледже.

Как работает искусственный интеллект? Автор портала TechTarget Эд Бернс отметил, что системы ИИ работают, поглощая большие объемы информации (помеченные обучающие данные), анализируя их на предмет корреляции и закономерностей, а затем используют полученные результаты для прогнозирования событий. По такому принципу работают чат-боты, генерирующие реалистичный текст, а также инструмент распознавания изображений, который анализирует и описывает объекты на фото, просматривая миллионы примеров в интернете.

Программирование ИИ фокусируется на трех основных навыках:

1. Обучение — сбор данных и создание правил того, как эти данные использовать.
2. Рассуждение — выбор правильного алгоритма для достижения желаемого результата.
3. Самокоррекция — постоянная тонкая настройка алгоритмов и обеспечение максимально точных результатов.

Двоичный (бинарный) код, используемый в программировании: Pxfuel

Главное преимущество искусственного интеллекта — машинное обучение. ИИ берет огромный объем данных, создаваемый ежедневно, анализирует и превращает в полезную информацию. Еще выделяют такие преимущества ИИ:

• отличные результаты в работе, ориентированной на детали;
• значительное сокращение времени при работе с большими объемами информации;
• обеспечение стабильных результатов.

Из недостатков выделяют:

• высокую стоимость;
• необходимость глубоких технических знаний;
• показ результатов только на основе полученных данных;
• отсутствие возможности обобщать от одной задачи к другой.

Главное опасение развития ИИ — сокращение рабочих мест в тех сферах, где возможно применение данной технологии. Но наряду с этим внедрение ИИ приведет к развитию новых профессий.

Возможности и перспективы ИИ

Что относится к искусственному интеллекту? ИИ — это обобщающий термин для множества различных технологий, начиная от чат-ботов и заканчивая программами, создающими картины или текст.

На портале IBM сказано, что бывает два типа ИИ:

• слабый ИИ (узкий ИИ) — это система, разработанная и обученная для выполнения конкретных задач, например, чат-боты, промышленные роботы, виртуальные помощники, такие как Siri;
• сильный ИИ, или общий искусственный интеллект (AGI) — это программирование, способное воспроизвести когнитивные способности человеческого мозга.

Где используют искусственный интеллект? ИИ применяют в разных сферах. Вот самые распространенные примеры:

1. Распознавание речи — преобразование речи в текст, используется для выполнения голосового поиска или улучшения специальных возможностей для текстовых сообщений.
2. Обслуживание клиентов — это чат-боты, которые отвечают на часто задаваемые вопросы, предоставляют персональные советы, предлагают товары на основе запросов.
3. Компьютерное зрение — система, которая извлекает информацию из изображений, видео и других визуальных данных, а затем предпринимает соответствующее действие, например поиск в интернете похожего товара.
4. Рекомендации — на основе историй поиска, посещений сайтов алгоритмы помогают обнаружить тенденции данных, которые позволят разработать лучшую стратегию продвижения.
5. Автоматизированная торговля акциями — оптимизация портфелей акций.
6. Обнаружение мошенничества — помогает обнаруживать подозрительные транзакции в банках и финансовых учреждениях.

Визуализация искусственного интеллекта: Pxfuel

Технология ИИ стремительно развивается, но она до сих пор далека от совершенства. В ближайшем будущем все больше компаний будут внедрять искусственный интеллект для решения конкретных задач. Gartner прогнозирует, что к 2025 году:

• 50% предприятий будут использовать платформы для внедрения ИИ;
• произойдет стремительное развитие рынка ИИ, что сделает искусственный интеллект главным критерием, по которому будут определять инфраструктурные решения (приведет к десятикратному увеличению требований к вычислительным ресурсам);
• 10% правительств будут использовать искусственное население с реалистичными моделями поведения для обучения ИИ, избегая при этом проблем с конфиденциальностью и безопасностью.

Стоит отметить новую технологию ИИ — графы знаний. Это семантическая сеть, которая представляет собой сеть сущностей реального мира (объектов, событий, ситуаций, понятий) и иллюстрирует взаимосвязь между ними. Это позволит стимулировать стратегии продаж, механизмы рекомендаций, персонализированную медицину. В ближайшее время ожидается более интуитивное общение людей с машинами.

Искусственный интеллект развивается стремительными темпами, однако пока рано говорить о полном применении данной технологии, поскольку используются лишь отдельные ее элементы. ИИ не заменит людей абсолютно во всем, поскольку он остается лишь инструментом для выполнения рутинных задач.