Разное

Интеллект в: Петербургский научно-образовательный центр «Искусственный интеллект в промышленности» заявлен на участие в конкурсном отборе НОЦ мирового уровня

Содержание

Цифровой пристав: как применяется искусственный интеллект в налогах :: РБК Тренды

Фото: Kholood Eid / Bloomberg

В налогообложении важна точность, эффективность и быстрота в обращении с большим массивом данных. Скоро эту отрасль будет трудно представить без технологий искусственного интеллекта, уверены аналитики PwC

В 2016 году основатель и бессменный председатель Всемирного экономического форума Клаус Шваб писал, что мы стоим на пороге Четвертой промышленной революции (она же Индустрия 4. 0), которая свяжет воедино биологический, физический и цифровой миры, отразившись на всех сторонах жизни и деятельности людей. Сейчас можно сказать, что в эту эру мы уже вступили: возникшие несколько лет назад технологии сегодня стремительно развиваются и усложняются. Речь идет, например, о 3D-печати, блокчейне и машинном обучении.

Одной из отраслей, которую уже затронули радикальные перемены, являются финансы. Технологии Индустрии 4.0 позволяют внедрять инновации, настраивать и менять бизнес-модели, использовать большие массивы данных для более эффективного принятия решений, пишут аналитики консалтинговой фирмы PwC в обзоре «Как искусственный интеллект и машинное обучение используется в налогах в 2019 году».

Авторов доклада в особенности интересует искусственный интеллект (ИИ) — способность машины воспринимать окружающую действительность, осмыслять ее и соответствующим образом действовать. В финансовом деле, где приходится обращаться с большим объемом цифр и показателей, применение ИИ может быть особенно полезным.

Компании нуждаются в оперативном получении максимально точной информации по налогам, чтобы строить верные финансовые планы, не нарушая при этом законодательства. Последнее и без того постоянно усложняется, отражая растущие требования властей к прозрачности бизнеса. И это не говоря о финансовых и репутационных рисках от неверно высчитанного баланса. Так что здесь, уверены аналитики PwC, сбор и обработка данных «руками» машины скоро будет незаменимы.

Примеры использования ИИ в сфере налогообложения включают:

  • обработку налоговых уведомлений, когда сканированная фотография счета превращается в текст, считывается роботом и заносится в базу данных, но для этого важно специфически помечать ту информацию, которую из документа надо извлечь;
  • прогнозирование остатков по счетам и оборотно-сальдовым ведомостям, чтобы точнее высчитать налоговую базу, определить вычеты и внести нужные корректировки;
  • рутинную работу по уплате налога на прибыль, начиная со сбора информации по ведомостям, заканчивая собственно подачей декларации;
  • создание чат-бота, который, обладая солидной базой данных, консультировал бы клиентов по вопросам налогообложения.

Все эти технологии сама компания PwC так или иначе применяет в своем бизнесе. Чтобы эффективно использовать искусственный интеллект и стать в ряду лидеров инноваций, авторы доклада советуют предпринимателям придерживаться шести принципов. Рекомендации эти касаются не только финансов, но и других отраслей экономики.

  1. Структурность. Компоненты ИИ в бизнесе должны играть роль многофункциональных и взаимозаменяемых кирпичей, которые обеспечат быструю окупаемость инвестиций.
  2. Рабочая сила. Сотрудников необходимо обучать работе с ИИ.
  3. Изобретение продукта заново. Другими словами, применение ИИ и других технологий для создания новых, персонализированных товаров и услуг. В конечном итоге это поможет окупить затраты на внедрение этих технологий.
  4. Доверие. Установление для ИИ неких рамок, контроль его действий помогут повысить доверие к новейшим технологиям.
  5. Слияние. То есть применение ИИ совместно с другими инструментами Индустрии 4. 0 в рамках одного процесса: с анализом big data, интернетом вещей и прочими технологиями.
  6. Данные. Чтобы ИИ развивался, оператору необходимо понимать, как эффективнее всего наладить машинное обучение. Для начала стоит хотя бы маркировать и структурировать данные, чтобы роботу было проще понять, что и откуда брать.

Международный научно-экспертный семинар «Искусственный интеллект в образовании» — Общая информация

Организаторы

Партнеры

Семинар «Искусственный интеллект в образовании» — постоянно действующая коммуникативная площадка, объединяющая заинтересованных разработчиков новых образовательных технологий и продуктов, педагогов, исследователей и студентов.

На семинаре обсуждаются вопросы передовых разработок в использовании искусственного интеллекта в  системе образования.

Для разработчиков семинар позволит представить свои проекты и получить рефлексию того, в какой мере они соответствуют основным потребностям системы образования.

Для педагогов семинар позволит понять, какие компетенции понадобятся на следующем этапе технологии образования, что в деятельности современного педагога будет автоматизировано, а что, напротив, потребует, дополнительных усилий.

Для исследователей семинар позволит проанализировать самые последние технологические тренды, понять, как будет изменяться «ландшафт» современного образования и какие исследовательские вопросы нуждаются в изучении.

Задачи семинара

Знакомство с современными тенденциями, лучшим опытом, лучшими практиками в сфере edtech.

Рефлексия и обратная связь от специалистов в области IT, психологии, педагогики, бизнеса по развитию и использованию современных технологий в образовании.

Возможность организации пилотной апробации для проектов и стартапов edtech.

Целевая аудитория

преподаватели, психологи из высших учебных заведений

управленцы, преподаватели школ

сотрудники научных организаций, вузовской науки, корпоративной и отраслевой научной среды с междисциплинарным подходом, соединяющие когнитивные науки, математику, ИТ, образовательные науки, предметные области, и т. п.

ИТ специалисты, руководители проектов, стартапов в edtech, предприниматели, дизайнеры создающие сервисы и продукты в сфере AI in Education

студенты высших учебных заведений

Посещение семинара свободное для всех желающих по предварительной регистрации.

Периодичность встреч — один раз в месяц.

Наряду с очными встречами возможно проведение вебинаров с зарубежными исследователями и разработчиками.

Партнеры:

Международная научно-учебная лаборатория интеллектуальных систем и структурного анализа факультета компьютерных наук НИУ ВШЭ

Искусственный интеллект в НАТО: динамичное внедрение, ответственное использование

Заместитель начальника отдела новаторства НАТО рассказывает о текущей работе НАТО над основными принципами применения искусственного интеллекта.

Как отмечено в первой из серии статей о новаторстве в НАТО, Североатлантический союз столкнулся с мировой гонкой по внедрению технологий. Соперничающие державы используют новые технологии, преследуя двойную цель: повысить экономическую конкурентоспособность и нарастить свой военный потенциал. Странам НАТО предстоит решать ряд непростых задач по мере того, как они стремятся освоить новые и прорывные технологии. В основе этих задач лежат два взаимосвязанных направления работы: динамичное внедрение новых технологий и ответственное управление ими. Искусственный интеллект (ИИ) занимает здесь центральное место.

Искусственный интеллект – это способность машин выполнять задачи, для которых, как правило, требуется человеческий разум, например, распознавание закономерностей, извлечение опыта, формулирование выводов, прогнозирование, совершение действий, будь то в цифровом виде или в виде умного программного обеспечения в автономных физических системах (см. Science & Technology Trends 2020-2040 – Exploring the S&T Edge).

Как предлагает аналитический центр РЭНД (RAND) в докладе [The Department of Defense Posture for Artificial Intelligence: Assessment and Recommendations] (https://www. rand.org/pubs/research_reports/RR4229.html) (2019) («Позиция Министерства обороны в отношении искусственного интеллекта: анализ и рекомендации»), полезно проводить различие между тремя широкими категориями применений: ИИ предприятий, ИИ обеспечения миссии, оперативный ИИ.

  • ИИ предприятий включает в себя такое применение, как системы управления финансами или кадрами с помощью ИИ, которые внедряются в строго контролируемой среде, где последствия технических сбоев незначительны (в плане непосредственной опасности и потенциальной летальности).

  • Оперативный ИИ, напротив, может быть развернут при проведении миссий и операций, то есть, в значительно менее контролируемой среде, при этом последствия сбоя могут быть критическими. Среди примеров – ПО управления стационарными системами или беспилотными аппаратами.

  • ИИ обеспечения миссии – промежуточная категория с точки зрения контролирования среды и последствий сбоев, к ней относятся различные виды применения, например, материально-техническое обеспечение и техническое обслуживание или приложения, связанные с разведкой.

Эти различия могут оказаться полезными при расстановке приоритетов, как применительно к основным принципам внедрения, так и применительно к принципам ответственного использования, с учетом различной степени риска, присущего этим категориям.

Современная волна ИИ или ИИ второй волны сосредоточена на машинном обучении. Машинное обучение подразумевает разработку и использование статистических алгоритмов для выявления закономерностей данных. Например, алгоритм классификации можно обучить с помощью большого числа правильно обозначенных примеров, что позволит определить, к какой встречавшейся ранее категории относится появившийся новый предмет. Глубокое обучение – это подраздел машинного обучения, при котором используется множество вычислительных слоев (искусственные нейронные сети с многочисленными слоями) для решения сложных вычислительных задач по распознаванию закономерностей или прогнозированию, например, сверточные нейронные сети для обнаружения предметов на изображениях. На первом рисунке ниже дается наглядный пример глубокого обучения для выявления самолетов, транспортных средств и строений на снимках.

Глубокое обучение может использоваться для обнаружения конкретных предметов на снимках.

(Источник: Hoeser, T.; Kuenzer, C. Object Detection and Image Segmentation with Deep Learning on Earth Observation Data: A Review-Part I: Evolution and Recent Trends. Remote Sens. 2020, 12, 1667.)

Машинное обучение отлично работает с крупными наборами точных данных и плохо работает с небольшими наборами данных или неточными данными. При хороших условиях по целому ряду функций результаты машинного обучения лучше, чем у людей, как в плане прогностической производительности, так и, конечно, скорости, по растущему диапазону задач узконаправленного распознавания и прогнозирования. В этом главная причина все более широкого применения машинного обучения в обширных областях деятельности человека.

По сложившейся традиции, экономисты моделируют производительность как функцию труда и капитала (факторы производства) и затраченных материалов. Применительно к ИИ факторы производства – талант высоко квалифицированных специалистов и инфраструктура информационно-коммуникационных технологий (ИКТ) для вычислительных работ и хранения, а главное – вводимые данные.

Можно ли считать данные новой нефтью? По сути, нет. Хотя данные нужно «добыть» и «переработать» перед использованием, количество данных, имеющихся в наличии, растет вместе с объемом производства. Вместе с тем речь идет о конкретных, а не равноценных данных. Для каждого конкретного случая требуются конкретные наборы данных, фиксирующих именно те реальные (или имитационные) наблюдения, которые нужны. Чтобы создать прочную отправную точку, оборонным структурам стран НАТО понадобится дальнейшее оцифровывание. В целом основные принципы работы с данными должны охватывать всю систему создания стоимости: сбор, доступ, обмен, хранение, метеданные, документирование, контроль качества (включая очистку данных и устранение предвзятости) и обеспечение соблюдения правовых требований.

Среди вспомогательных мер для производственных факторов – талант и инфраструктура – должны быть надежная и гибкая кадровая и договорная политика, позволяющая привлекать и воспитывать наиболее талантливые кадры, а также создание необходимых и защищенных вычислительных мощностей и средств хранения данных.

Далее – производительность. На протяжении веков экономические субъекты пытались найти оптимальные способы сочетания факторов производства: дополняют ли они друг друга? могут ли они заменять друг друга? при каком сочетании можно добиться максимальной выгоды? какие производственные и управленческие процессы и практика дают наилучшие результаты? Применительно к искусственному интеллекту компромиссы существуют в определенной мере, однако факторы производства в намного большей степени являются дополнениями, а не заменой: чтобы добиться успеха, нужны существенные инвестиции во все три фактора.

Что касается процессов и управления, как подсказывает передовой опыт отрасли программного обеспечения, разработку и внедрение решений ИИ нужно вести, исходя из гибкого подхода, а не следуя традиционной модели водопада. Это подразумевает ведение высоко динамичных и циклических процессов, начиная с первоначальной и гибкой постановки задачи, а не с подробного и жесткого технического задания. В отрасли существует несколько вариантов гибкой модели (Agile), и некоторые из них активно применяются в ряде групп НАТО.

Успех Североатлантического союза в области искусственного интеллекта будет также зависеть от новых и четко продуманных принципов и методов надлежащего управления и ответственного использования. Правительства ряда стран НАТО уже открыто взяли определенные обязательства в области ответственного использования касательно таких концепций, помимо прочих, как правомерность, ответственность, надежность и управляемость.

Параллельно с этим страны НАТО принимают участие в работе Группы правительственных экспертов по автономным системам оружия летального действия под эгидой ООН, в результате чего было сформулировано 11 руководящих принципов.

Важно то, что есть хорошее основание считать работу по внедрению ИИ и работу над принципами ответственного использования взаимодополняющей и синергичной. На самом деле существует ряд важнейших принципов или целей, которые лягут в основу как инженерного передового опыта, так и ответственного поведения государств, и будут способствовать им.

Согласно некоторым принципам, установленным государствами, необходимо закладывать конкретные конструкторские требования. Например, принцип управляемости может быть связан с техническими возможностями, позволяющими выявить нежелательные последствия и избежать их, а значит, отключить или деактивировать систему в случае незапланированного поведения.

Технические характеристики, требуемые для достижения этих и других целей, обязательно станут частью этапов конструирования и испытания соответствующих систем. В свою очередь, при проведении необходимых инженерных работ будет возможность добиться более глубоко понимания и в результате этого сформулировать более четкие и зрелые принципы. Принципиально важной будет дальнейшая работа по испытанию, оценке, проверке и подтверждению правильности, равно как и работа по моделированию и имитированию. Хорошо закрепленные сильные стороны НАТО в области стандартизации помогут структурировать эту работу, обеспечивая при этом оперативную совместимость вооруженных сил стран НАТО.

Тем временем всеохватные принципы, например, разработанные в ряде стран, а также под эгидой ООН создают основу для дальнейших консультаций среди стран Североатлантического союза, а также обозначают существующие позиции государств.

Это вторая статья из мини-серий, подготовленных группой НАТО по новаторству и посвященных технологиям, которые страны НАТО стремятся внедрить, и возможностям, которые это откроет для обороны и безопасности Североатлантического союза.

Как работает искусственный интеллект в области литературного перевода — One Zero Society — Перспективы постцифровых культур

Когда в 2006 году был запущен Google Translate, он имел в арсенале только два языка перевода. В 2016 году уже было более 103 языков, и он переводил более 100 миллиардов слов в день. Система может не только переводить, но и транскрибировать в режиме реального времени восемь наиболее распространенных языков. Машины учатся, и учатся они очень быстро.

Алана Куллен

Тем не менее, есть некоторые лингвистические коды, которые этим машинам все еще предстоит взломать. Искусственный интеллект продолжает бороться с огромной сложностью человеческого языка, и нигде язык не является таким сложным и значимым, как в литературе. В романах, стихах и пьесах красота слов порою заключается в нюансах и деталях. Машины переводят слово в слово, следуя при этом установленным лингвистикой правилам, поэтому традиционные системы перевода часто не понимают значения литературных текстов. Они не понимают переводимое слово в контексте предложения, параграфа или страницы.

Но есть новая технология, способная разобраться в этом контекстуальном хаосе — Neural Machine Translation (нейронный машинный перевод), сокращенно называемый НМП. Хотя НМП все еще находится в зачаточном состоянии, он уже доказал, что его системы со временем научатся справляться с присущей литературным переводам сложностью. НМП знаменует собой начало новой эры искусственного интеллекта. Он больше не работает по правилам, установленным лингвистами, теперь он создает свои собственные правила и даже свой собственный язык.

НЕЙРОННЫЙ МАШИННЫЙ ПЕРЕВОД (НМП)

НМП появился в 2016 году. На сегодняшний день это самое успешное программное обеспечение для перевода. Помимо того, что он смог снизить погрешность на 60 % — по сравнению со своим предшественником, статистическим машинным переводом (СМП), НМП также значительно быстрее работает.

Улучшения обеспечиваются искусственной нейронной сетью системы. Это значит, что НМП базируется на модели нейронов, созданной по подобию существующей в мозге человека. Эта сеть позволяет программному обеспечению создавать контекстные связи между словами и фразами. Она может создавать эти связи, изучая языковые правила. Она сканирует миллионы блоков из вашей базы данных, определяя общие черты. Затем машина использует заученные правила для создания статистических моделей, которые помогут ей понять, каким образом должно строиться предложение.

Искусственная нейросеть. Исходный код вводится в сеть, затем отправляется в различные скрытые „слои” сети и выводится на целевом языке. | Алана Куллен | CC-BY-SA

ИСКУССТВЕННЫЙ ЯЗЫК

Новаторской особенностью НМП является создание нового языка чисел, который помогает при переводе.

Как, например, выглядит фраза «To thine own self be true» из шекспировского «Гамлета»? Машина кодирует каждое слово в число, в так называемые векторы: 1, 2, 3, 4, 5, 6. Этот числовой ряд передается в нейронную сеть, как показано по ссылкам. И далее в этих скрытых слоях происходит «магия». Опираясь на изученные языковые правила, система находит подходящие слова в языке перевода. Генерируются числа 7, 8, 9, 10, 11, соответствующие словам целевого предложения. Затем эти числа расшифровываются и в результате преобразуются в предложение: «Быть верным себе».

По сути, система переводит слова на свой собственный язык, а затем «думает» о том, как, основываясь на том, что она уже знает, она может придать этим словам форму понятного предложения — так, как это сделал бы человеческий мозг.

ПОНИМАНИЕ КОНТЕКСТА

НМП может успешно переводить литературу, поскольку он медленно, но верно понимает контекст. Система фокусируется не только на переводимом слове, но и на словах, стоящих перед ним и за ним.

Как и мозг, расшифровывающий различную информацию, эта искусственная нейронная сеть смотрит на получаемую информацию и генерирует следующее слово на основе предыдущего. Со временем она выучит, на каких словах следует сосредоточиться и, опираясь на существующие примеры, определит, какой контекст имеет основополагающее значение. Этот метод представляет собой один из видов многоуровневого обучения и способствует тому, что система заучивает все больше и больше данных и постоянно совершенствуется. В НМП расшифровка контекста называется «выравниванием», оно происходит с помощью механизма Attention («Внимание»), который занимает в системе промежуточное место между шифрованием и дешифрованием.

Процесс адаптации. Адаптация происходит с помощью механизмов внимания искусственной нейронной сети и делает выводы о контексте слова. | Алана Куллен | CC-BY-SA
Но и машины не совершенны. Когда шекспировская фраза переводится обратно на английский язык, она звучит как «Be true to yourself», что не соответствует тону языка Шекспира и эпохи Тюдоров. Литературный перевод, выполненный слово в слово, звучит как «будь верен своему я», но «живые» переводчики больше склонны переводить эту фразу как «будь верен себе».

Перевод, созданный людьми. Если предложения переведены человеком, соотношения намного сложнее, чем при переводах искусственного интеллекта. Это связано с тем, что люди лучше понимают контекст. | Алана Куллен | CC-BY-SA
Но интересно уже даже то, что Google Translate увидел важность в этом контексте слова «верен». То, что он использовал именно это слово, доказывает, что он смог различить разницу между словами «верный» и «истинный». Многоуровневое обучение означает, что неправильно переведенное предложение может быть переведено правильно, по крайней мере, частично, уже ечерез несколько недель. (Возможно, Google Translate уже исправил свои ошибки к моменту публикации этой статьи.)

Постоянное совершенствование с учетом развития собственного языка означает, что НМП может использоваться для выполнения так называемых переводов Zero-Shot (при отсутствии примеров переводов). Это означает, что он может переводить с одного языка сразу на несколько других языков без использования английского языка в качестве промежуточного варианта. Как и в случае с людьми, к машинам, по-видимому, также применима фраза «Практика приводит к совершенству».

Lost in Translation —

ПОТЕРЯНО ПРИ ПЕРЕВОДЕ

Несмотря на то, что машинный перевод в последние годы уже сделал большие шаги, ему пока не удается достичь литературного стандарта. Генри Джеймс подчеркивал важность понимания текста на языке оригинала, заметив, что идеальным литературным переводчиком должен быть «человек, от которого ничто не ускользает». По крайней мере, в случае с литературой машинам, чтобы соответствовать этому идеалу, предстоит пройти еще очень длинный путь.

При выполнении литературных переводов у НМП возникают проблемы с редкими словами, именами собственными и сложным техническим языком.  Только 25-30 % переводов соответствуют литературному стандарту. Соответствующее исследование, посвященное переводу с немецкого на английский язык, показало, что, хотя система и допускала мало синтаксических ошибок, она часто не находила адекватного перевода для многозначных слов. Несмотря на эти ошибки, по мнению исследователей, качество перевода было достаточным, чтобы понять историю и насладиться ею. Другое исследование, посвященное переводам с английского на каталонский язык, показало столь же хороший результат. 25 % носителей языка обнаружили, что качество машинного перевода вполне сопоставимо с переводом, выполненным человеком.

Однако система перевода не всегда добивается таких хороших результатов. В некоторых языковых парах ей приходится бороться с языками с богатой морфологией, в которых серьезную роль играют словоизменение и интонация. И это в первую очередь касается славянских языков. И особенно бросается в глаза, если вы переводите с менее сложного языка на более сложный. Поэтому НМП пока еще не может использоваться в качестве глобального инструмента перевода.

КАК НАЙТИ ПОДХОДЯЩИЙ СТИЛЬ?

Самая большая проблема заключается в том, чтобы найти для переводимого текста правильный стиль и слог. Питер Константин, директор программы литературного перевода в университете Коннектикута, объяснил, что для успешного перевода литературы машины тоже должны найти подходящий стиль.

«Чему подражает машина? Стремится ли она к блестящей иностранной интерпретации, первоклассно проводящей культурную составляющую? Или язык Чехова покажется таким, как если бы текст был написан десять минут назад в лондонском метро?»

Какой стиль выберет машина? К примеру, рассмотрим обратимся к работам немецкого нобелевского лауреата Томаса Манна. С годами стиль его письма менялся: ранние рассказы были более игривыми, что существенно отличает их слог от поздних, более сложных романов. Если стоит цель уловить точный смысл, машины должны уметь распознавать эти отличия.

ВАЖНАЯ СОВМЕСТНАЯ РАБОТА

Становится ясно, что, несмотря на все свои усилия, учитывая специфическую двусмысленность слов и гибкость литературного языка, машина все еще нуждается в человеческом руководстве. НМП не может заменить живых переводчиков, но может стать полезным инструментом при переводе литературы.

При этом важно взаимодействие между переводами, выполняемыми машиной и человеком. Одним из ответов на данный вопрос может быть постобработка машинного перевода. В данном случае профессиональные переводчики, разбирающиеся в проблемах машинного перевода, могут отредактировать первичную версию машинного перевода — как более опытные коллеги поддерживают своих не очень опытных коллег. Простая постобработка поможет исправить незначительные орфографические ошибки и улучшить грамматику, а углубленное редактирование позволит решить более серьезные проблемы, такие как структура предложений и стиль речи. В литературных переводах обязательна обработка, позволяющая найти правильный стиль перевода. Одно исследование показало, что этот метод оказался на 31 % быстрее при переводе научно-фантастического романа с гэльского на ирландский язык, чем перевод без использования какого-либо программного обеспечения. Кроме того, производительность переводчиков, которые в качестве отправной точки использовали машинный перевод, выросла на 36 %. С помощью этого метода они генерировали за один час на 182 слова больше.

Искусственный интеллект играет все большую роль в нашей жизни, и следует использовать этот инструмент перевода для развития отрасли. Машинный перевод прошел большой путь — от самых азов до отличного вспомогательного инструмента. Программное обеспечение делает мелкую неприятную работу, в то время как переводчики могут посвятить себя чистовой отделке. Это ведет к снятию нагрузки на переводчиков. К тому же, НМП также позволяет переводить с языков, переводы с которых ранее никогда не осуществлялись. Кроме того, НМП может помочь выучить язык. Во время работы мы можем использовать его в качестве обучающего инструмента — ведь он для всех обеспечивает оптимальный доступ к языку и литературе.

Материал является частью проекта Гёте-Института Великобритании, посвящённого искусственному интеллекту и литературному переводу.

Источники:

Brownlee, J. 2017. A Gentle Introduction to Neural Machine Translation. [Accessed 9th July 2020].

Constantine, P. 2019. Google Translate Gets Voltaire: Literary Translation and the Age of Artificial Intelligence. Contemporary French and Francophone Studies. 23(4), pp. 471- 479.

Goldhammer, A. 2016. The Perils of Machine Translation. The Wire. [Accessed 14th July 2020].

Google Brain Team. 2016. A Neural Network for Machine Translation, at Production Scale. [Accessed 9th July 2020].

Gu, J., Wang, Y., Chu, K., Li. V. O. K. 2019. Improved Zero-shot Neural Machine Translation via Ignoring Spurious Correlations. arXiv. [Accessed 10th July 2020].

Iqram, S. 2020. Now you can transcribe speech with Google Translate. [Accessed 9th July 2020].

Jones, B., Andreas, J., Bauer, D., Hermann, K. M., and Knight, K. 2012. Semantics- Based Machine Translation with Hyperedge Replacement Grammars. Anthology. 12(1083), pp. 1359- 1376.

Kravariti, A. 2018. Machine Translation: NMT translates literature with 25% flawless rate. Translate Plus. [Accessed 14th July 2020].

Matusov, E. 2019. The Challenges of Using Neural Machine Translation for Literature. European Association for Machine Translation: Dublin, Ireland.

Maučec, M. S., and Donaj, G. 2019. Machine Translation and the Evaluation of Its Quality Recent Trends in Computational Intelligence. Intech Open.

Shofner, K. 2017. Statistical vs. Neural Machine Translation. ULG’s Language Solutions Blog. [Accessed 10th July 2020].

Systran. 2020. What is Machine Translation? Rule Based Translation vs. Statistical Machine Translation. [Accessed 9th July 202].

Toral, A., Wieling, M., and Way, A. 2018. Post-editing Effort of a Novel with Statistical and Neural Machine Translation. Frontiers in Digital Humanities. 5(9).

Turovsky, B. 2016. Ten years of Google Translate. [Accessed 9th July 2020].

Wong, S. 2016. Google Translate AI invents its own language to translate with. New Scientist. [Accessed 11th July].

Yamada, M. 2019. The impact of Google Neural Machine Translation on Post-editing by student translators. The Journal of Specialised Translation. 31, pp. 87- 95.

Zameo, S. 2019. Neural Machine Translation: tips and advantages for your digital translations. Text Master Go Global. [Accessed 14th July 2020].

 

Искусственный интеллект в страховании | Plaut News

НАЗАД

Интервью с Олегом Лузгиновым, генеральным директором msg Plaut Russia

 

Если несколько лет назад в мире активно обсуждались «большие данные» — и технологии, позволяющие их обрабатывать, — то 2020 год, без сомнения, можно назвать годом «искусственного интеллекта», особенно в России. Минэкономразвития РФ разработало концепцию развития искусственного интеллекта и робототехники в различных сферах экономики до 2024 года, определило подходы к совершенствованию нормативного регулирования в этой области. В Москве с 1 июля проводится 5-летний эксперимент по внедрению искусственного интеллекта. Вузы и ИТ-компании запускают образовательные программы для подготовки кадров, которые будут создавать и совершенствовать самообучаемые модели. Появляются первые успешные бизнес-кейсы, связанные с использованием новых технологий.

Мы попросили Олега Лузгинова поделиться своими мыслями о текущем положении дел и о будущем искусственного интеллекта в России (на примере страховой отрасли).

 

Насколько широко искусственный интеллект (ИИ) используется в страховой отрасли за рубежом и в России?

В Европе практически все страховые компании в той или иной степени используют ИИ. Учетные системы зачастую построены на базе ИТ-решений от компании SAP, наибольшей популярностью пользуется система SAP S4/HANA со встроенными функциями машинного обучения / ИИ. Использование таких технологий западными страховщиками – необходимость, ведь для подготовки отчетности в соответствии с международными стандартами IFRS их системы должны быть способны обрабатывать огромные объемы данных в короткие сроки, а еще лучше – «на лету»; при этом желательно минимизировать ошибки, связанные с человеческим фактором. В России переход страховых компаний на ведение финансовой отчетности, эквивалентной МСФО, произошел в 2017 году, с отставанием в 10 лет от западных участников рынка страхования. Неудивительно, что и интерес к новым технологиям – обусловленный реальными потребностями – появился недавно. Возможности искусственного интеллекта используются, но до широкого применения в России еще далеко.

Какие есть возможности и сценарии использования искусственного интеллекта в страховании, где он потенциально может быть полезен?

Кроме ускоренной подготовки финансовой отчетности, существует еще много вариантов использования искусственного интеллекта в страховании. Согласно исследованию страховых компаний Munich RE и ERGO (Tech Trend Radar 2020*), страховщикам стоит обратить внимание на следующие тренды в области ИИ:

— использование технологий дополненной реальности для принятия управленческих решений,

— реконструкция событий, вызвавших страховой случай, с применением машинного зрения;

— чат-боты и виртуальные собеседники как новые каналы общения с клиентами;

— использование высокоточных данных, собранных и обработанных машинами, для исключения человеческого фактора при заключении страховых контрактов и принятии решений о возмещении;

— автоматическая обработка текстов на естественном языке (отзывов, запросов клиентов и т.п.) для улучшения клиентского сервиса;

— применение средств виртуальной кибер-безопасности для предотвращения утечки данных и случаев мошенничества.

* https://www.munichre.com/topics-online/en/digitalisation/tech-trend-radar-future-technologies-2020.html

Есть ли что-то, что мешает более широкому распространению ИИ и машинного обучения в страховании в России?

Есть два основных момента, которые мешают распространению ИИ и машинного обучения на рынке страхования в России. Во-первых, одного желания для цифровой трансформации бизнеса недостаточно – нужно в корне менять мышление и управленческие подходы, проводить политику открытого обмена идеями, следовать проверенной методике разработки, тестирования и внедрения инновационных продуктов. Во-вторых, на российском рынке пока не созданы условия для эффективного взаимодействия крупных страховых компаний со стартапами: в Европе, например, для таких целей уже много лет функционируют «инновационные лаборатории» при поддержке бизнеса и/или государства.

Бизнес-решения Zinrai AI : Fujitsu Russia

Встречайте новую цифровую технологию — искусственный интеллект (ИИ).

Предыдущие этапы цифровизации обеспечили повсеместный широкополосный доступ в интернет для миллиардов людей по всему миру, мобильную связь и Интернет вещей, открывший доступ к огромному количеству данных и информации. Теперь, создавая связь между людьми, вещами и информацией в реальном времени, мы вступаем в эпоху гиперподключенности, где искусственный интеллект может применяться в реальных повседневных деловых ситуациях.

Мир больше не будет прежним. Во многих случаях — от распознавания рукописного текста до сдачи математических экзаменов — искусственный интеллект уже доказал свою точность, уровень которой выше, чем у соответствующих специалистов. Однако это не означает, что машины заменят людей. Благодаря тому, что машины способны справиться с большим количеством рутинных задач, сотрудники смогут сосредоточиться на тех областях, которые приносят новые преимущества.

Искусственный интеллект и Fujitsu

В концепции Fujitsu люди занимают центральное место, а решения для искусственного интеллекта ориентированы на предоставление гражданам новых возможностей, повышение эффективности и поддержку работ, которые они выполняют. Влияние ИИ на нашу жизнь нельзя заметить и оценить за один день. Но одно можно сказать с уверенностью — это влияние постоянно и неизбежно растет. Только сделав шаг назад, мы можем увидеть, как далеко мы уже зашли и оценить тот путь, что еще впереди.

Fujitsu Zinrai объединяет разнообразные технологии искусственного интеллекта и потоки разработки. Zinrai не является ни услугой, ни продуктом. Это общая платформа широкого спектра функций ИИ, доступных клиентам Fujitsu.

Zinrai AI обеспечивает подход «ориентированный на человека» к совместному созданию услуг и решений. В нем используются лучшие в своем классе глобальные технологии, разработанные и развернутые для решения постоянно растущих проблем клиентов. Объединив силу разработки Zinrai AI с тщательно подобранными партнерскими возможностями, мы можем предложить оптимальные решения с поддержкой ИИ, которые помогут преодолеть трудности, с которыми сталкиваются наши клиенты.

Благодаря решению Zinrai AI мы добавляем в портфель Fujitsu широкий спектр дополнительных услуг, ориентированных на предоставление клиентам возможности уверенно осуществлять цифровизацию.

  • Узнайте больше о решениях Fujitsu для искусственного интеллекта

Искусственный интеллект в действии


Искусственный интеллект в действии

Взгляд со стороны. Со стороны Искусственного интеллекта.

Компьютерная томография (КТ) – это наша рутинная практика. Без КТ мы делаем разве что гигиену. А для диагностики и перед любым вмешательством – 3D-снимок необходим. Это обследование абсолютно безопасно (можно делать даже беременным и маленьким детям), занимает всего несколько минут, а сколько информации оно дает Вашему лечащему врачу! Сложно переоценить роль КТ. Сканирование в трехмерном пространстве позволяет стоматологу подробно изучить интересующие области под любым углом, в любой плоскости.

Отправляясь на первичный прием к стоматологу, обязательно захватите с собой результаты последних снимков. А если их нет? Не проблема — у нас в клинике Вы можете сделать КТ сразу на приеме, а результаты будут известны уже через несколько минут.

Когда-то компьютерная томография была инновацией – сейчас без нее никуда. Сегодня же наступает (или уже вовсю наступила?) эра Искусственного Интеллекта (ИИ). Люди во всех направлениях стараются повысить показатели, оптимизировать работу, уменьшить трудозатраты при помощи ИИ. Стоматологи, как Вы понимаете, в стороне не остались. Мы также нашли применение машинному интеллекту, тем самым повысив качество лечения.

В конце прошлого года мы внедрили в практику клиники систему Diagnocat – это искусственный интеллект для интерпретации стоматологических 3D-снимков. Это повышает точность диагностики, это дополнительный контроль на всех этапах лечения.

Вам как пациенту это поможет лучше понять состояние своего стоматологического здоровья на текущий момент. После 3D-диагностики с использованием ИИ и консультации нашего доктора у Вас будет полная картина состояния полости рта – диск с исследованием, сформированный отчет по результатам КТ и консультативное заключение с фото после осмотра и фотопротокола.

Но если вдруг остались непроясненные моменты, если что-то вызывает вопросы или непонятно – призываем! Обязательно спрашивайте своего доктора. Мы всегда за диалог с пациентом и готовы ответить на любые вопросы о Вашем стоматологическом здоровье.

Записаться на консультацию и КТ Вы можете по телефону:

+7 495 120 0981

#oik_новости

#oik_манипуляции

Определение интеллекта Merriam-Webster

in · tel · li · gence

| \ in-ˈte-lə-jən (t) s

\

1а (1)

: способность учиться или понимать или иметь дело с новыми или трудными ситуациями : причина

также

: умелое использование разума

(2)

: способность применять знания для манипулирования окружающей средой или мыслить абстрактно в соответствии с объективными критериями (такими как тесты)

б
Христианская наука

: основное вечное качество божественного разума

б

: информация о противнике или возможном противнике или области

также

: агентство, занимающееся получением такой информации

4

: способность выполнять функции компьютера

: разумный разум или разум

космический разум

Теорий интеллекта в психологии

Хотя интеллект — один из самых обсуждаемых предметов в психологии, стандартного определения того, что именно составляет интеллект, не существует. Некоторые исследователи предположили, что интеллект — это единственная общая способность. Другие считают, что интеллект включает в себя целый ряд способностей, навыков и талантов.

Веривелл / JR Bee

Что такое интеллект?

Разведка была спорной темой на протяжении всей истории психологии. Несмотря на значительный интерес к этой теме, все еще существуют значительные разногласия по поводу того, какие компоненты составляют интеллект. Помимо вопросов о том, как точно определить интеллект, сегодня продолжаются дебаты о том, возможны ли вообще точные измерения.

В разные моменты новейшей истории исследователи предлагали несколько различных определений интеллекта. Хотя эти определения могут значительно варьироваться от одного теоретика к другому, современные концептуальные представления склонны предполагать, что интеллект — это способность:

  • Учитесь на опыте : Приобретение, сохранение и использование знаний — важный компонент интеллекта.
  • Распознавать проблемы : Чтобы использовать знания, люди должны уметь определять возможные проблемы в окружающей среде, которые необходимо решать.
  • Решите проблемы : После этого люди должны уметь использовать то, чему они научились, чтобы найти полезное решение проблемы, которую они заметили в окружающем мире.

Интеллект включает в себя несколько различных умственных способностей, включая логику, рассуждение, решение проблем и планирование. Хотя тема интеллекта является одной из крупнейших и наиболее изученных, она также является одной из тем, вызывающих самые большие споры.

Хотя психологи часто расходятся во мнениях относительно определения интеллекта и его причин, исследования интеллекта играют важную роль во многих областях.Эти области включают решения о том, сколько средств следует выделить на образовательные программы, использование тестирования для отбора кандидатов на работу и использование тестирования для выявления детей, которым требуется дополнительная академическая помощь.

Краткая история разведки

Термин «коэффициент интеллекта» или IQ был впервые введен в употребление в начале 20 века немецким психологом Уильямом Стерном. Психолог Альфред Бине разработал самые первые тесты интеллекта, чтобы помочь французскому правительству выявить школьников, которым требовалась дополнительная академическая помощь.Бине был первым, кто ввел понятие умственного возраста или набора способностей, которыми обладают дети определенного возраста.

С тех пор тестирование интеллекта стало широко используемым инструментом, который привел к разработке многих других тестов на умения и способности. Тем не менее, это продолжает вызывать споры и споры по поводу использования такого тестирования, культурных предубеждений, которые могут быть связаны, влияния на интеллект и даже самого способа определения интеллекта.

Теории интеллекта

Разные исследователи предложили множество теорий, объясняющих природу интеллекта.Вот некоторые из основных теорий интеллекта, появившихся за последние 100 лет.

Общая разведка

Британский психолог Чарльз Спирмен (1863–1945) описал концепцию, которую он назвал общим интеллектом или фактором g . После использования методики, известной как факторный анализ, для проверки некоторых тестов на умственные способности, Спирмен пришел к выводу, что результаты этих тестов были очень похожими.

Люди, которые хорошо справились с одним когнитивным тестом, как правило, хорошо справлялись с другими тестами, в то время как те, кто показал плохие результаты по одному тесту, как правило, плохо получали другие.Он пришел к выводу, что интеллект — это общая когнитивная способность, которую можно измерить и выразить численно.

Основные умственные способности

Психолог Луи Терстон (1887–1955) предложил иную теорию интеллекта. Вместо того чтобы рассматривать интеллект как единую общую способность, теория Терстона сосредоточилась на семи различных основных умственных способностях.

  • Ассоциативная память : Способность запоминать и вспоминать
  • Числовые способности : Способность решать арифметические задачи
  • Скорость восприятия : Способность видеть различия и сходства между объектами
  • Рассуждения : Способность найти правила
  • Пространственная визуализация : способность визуализировать отношения
  • словесное понимание : способность определять и понимать слова
  • беглость слов : способность быстро произносить слова

Теория множественного интеллекта

Одна из недавних идей — теория множественного интеллекта Ховарда Гарднера. Гарднер предположил, что традиционное представление об интеллекте, основанное на тестировании IQ, не полностью и точно отражает способности человека. Его теория предлагала восемь разных типов интеллекта, основанных на навыках и способностях, которые ценятся в разных культурах:

  • Телесно-кинестетический интеллект : Способность контролировать движения своего тела и умело обращаться с объектами
  • Межличностный интеллект : Способность обнаруживать и соответствующим образом реагировать на настроения, мотивации и желания других
  • Внутриличностный интеллект : способность осознавать себя и быть в гармонии с внутренними чувствами, ценностями, убеждениями и мыслительными процессами
  • Логико-математический интеллект : способность мыслить концептуально и абстрактно и способность различать логические или числовые модели
  • Музыкальный интеллект : Способность воспроизводить и оценивать ритм, высоту и тембр
  • Натуралистический интеллект : Способность распознавать и классифицировать животных, растения и другие объекты в природе
  • Вербально-лингвистический интеллект : Хорошо -развитые словесные навыки и чувствительность к звукам, значениям, и ритмы слов
  • Визуально-пространственный интеллект : Способность мыслить образами и картинками, точно и абстрактно визуализировать

Триархическая теория интеллекта

Психолог Роберт Штернберг определил интеллект как «умственную деятельность, направленную на целенаправленную адаптацию, выбор и формирование реальной среды, имеющей отношение к жизни человека. »

Согласившись с Гарднером, что интеллект намного шире, чем отдельная общая способность, он предположил, что некоторые типы интеллекта Гарднера лучше рассматривать как индивидуальные таланты. Штернберг предложил то, что он назвал «успешным интеллектом», который включает три различных фактора:

  • Аналитический интеллект : Ваша способность оценивать информацию и решать проблемы
  • Творческий интеллект : Ваша способность придумывать новые идеи
  • Практический интеллект : Ваша способность адаптироваться к изменяющейся среде

Вопросы о тестировании интеллекта

Чтобы получить более глубокое понимание интеллекта и тестов, разработанных для измерения этой концепции, важно понимать историю тестирования интеллекта, проведенных исследований и полученных результатов.

Основные вопросы об интеллекте и тестировании IQ по-прежнему включают:

  • Пристрастны ли тесты интеллекта?
  • Является ли интеллект одной способностью или он включает в себя набор нескольких навыков и способностей?
  • Разумный интеллект передается по наследству или окружающая среда играет большую роль?
  • Что и предсказывают оценки интеллекта?

Чтобы изучить эти вопросы, психологи провели большое количество исследований природы, влияний и эффектов интеллекта. Взаимодействие с другими людьми

Слово Verywell

Хотя по поводу точной природы интеллекта ведутся серьезные споры, окончательной концептуализации не возникло. Сегодня психологи часто принимают во внимание множество теоретических точек зрения при обсуждении интеллекта и признают, что этот спор продолжается.

человеческого интеллекта | Определение, типы, тесты, теории и факты

Человеческий интеллект , умственное качество, которое состоит из способности учиться на собственном опыте, адаптироваться к новым ситуациям, понимать и обрабатывать абстрактные концепции, а также использовать знания для управления окружающей средой.

Большая часть ажиотажа среди исследователей в области разведки происходит из их попыток точно определить, что такое интеллект. Разные исследователи в своих определениях подчеркивали разные аспекты интеллекта. Например, на симпозиуме 1921 года американские психологи Льюис Терман и Эдвард Л. Торндайк разошлись по определению интеллекта: Терман подчеркивал способность абстрактно мыслить, а Торндайк делал упор на обучение и способность давать хорошие ответы на вопросы. Однако в последнее время психологи в целом согласились с тем, что адаптация к окружающей среде является ключом к пониманию того, что такое интеллект и что он делает. Такая адаптация может происходить в самых разных условиях: ученик в школе изучает материал, который ему необходимо знать, чтобы преуспеть в курсе; врач, лечащий пациента с незнакомыми симптомами, узнает об основном заболевании; или художник переделывает картину, чтобы произвести более связное впечатление. По большей части адаптация включает в себя изменение самого себя, чтобы более эффективно справляться с окружающей средой, но это также может означать изменение среды или поиск совершенно новой.

Льюис Терман

Льюис Терман.

Предоставлено Архивом истории американской психологии, Университет Акрона, Огайо

Эффективная адаптация основана на ряде когнитивных процессов, таких как восприятие, обучение, память, рассуждение и решение проблем. Таким образом, основной акцент в определении интеллекта заключается в том, что это не когнитивный или психический процесс как таковой, а скорее выборочная комбинация этих процессов, целенаправленно направленная на эффективную адаптацию. Таким образом, врач, который узнает о новом заболевании, адаптируется, воспринимая материал о заболевании в медицинской литературе, изучая, что этот материал содержит, запоминая важные аспекты, необходимые для лечения пациента, а затем используя причину для решения проблемы применения информация к потребностям пациента. В целом интеллект стал рассматриваться не как отдельная способность, а как эффективное сочетание многих способностей. Однако это не всегда было очевидно для исследователей предмета; действительно, большая часть истории этой области вращается вокруг аргументов относительно природы и способностей, составляющих интеллект.

Теории интеллекта

Теории интеллекта, как и большинство научных теорий, развивались посредством ряда моделей. Четыре из самых влиятельных парадигм — это психологическое измерение, также известное как психометрия; когнитивная психология, которая занимается процессами, посредством которых функционирует разум; когнитивизм и контекстуализм — комбинированный подход, изучающий взаимодействие между окружающей средой и психическими процессами; и биологическая наука, которая рассматривает нейронные основы интеллекта. Далее следует обсуждение событий в этих четырех областях.

Оформите подписку Britannica Premium и получите доступ к эксклюзивному контенту.
Подпишись сейчас

Интеллект | Noba

Каждый год сотни учеников начальной школы собираются в Вашингтоне, округ Колумбия, на ежегодную Национальную орфографическую пчелу Скриппса. «Пчела» — это элитное мероприятие, на котором дети в возрасте 8 лет объединяются, чтобы записать такие слова, как «cymotrichous» и «appoggiatura». Большинство людей, наблюдающих за пчелой, думают, что эти дети «умные», и вы, вероятно, согласитесь с этим описанием.

Участник конкурса Scripps National Spelling Bee. [Изображение: Scripps National Spelling Bee, https://goo.gl/94Hgbm, CC BY-NC 2.0, https://goo.gl/VnKlK8]

Что делает человека умным? Это наследственность (у двух участников конкурса в 2014 году есть братья и сестры, которые ранее выиграли) (National Spelling Bee, 2014a)? Интересно ли это (наиболее часто упоминаемый любимый предмет среди конкурентов по правописанию — математика) (NSB, 2014b)? В этом модуле мы рассмотрим эти и другие увлекательные аспекты интеллекта. К концу модуля вы сможете определить интеллект и обсудить некоторые общие стратегии измерения интеллекта. Кроме того, мы займемся политически сложным вопросом о том, есть ли различия в интеллекте между такими группами, как мужчины и женщины.

Когда вы думаете об «умных людях», вы, вероятно, интуитивно чувствуете те качества, которые делают их умными. Возможно, вы думаете, что у них хорошая память, или что они могут быстро думать, или что они просто знают много информации.Действительно, люди, демонстрирующие такие качества, кажутся очень умными. Тем не менее, похоже, что интеллект должен быть чем-то большим, чем просто знание фактов и способность их запоминать. Одним из аргументов в пользу этого аргумента является идея животного интеллекта. Для вас не станет сюрпризом, что собака, которая может обучаться командам и трюкам, кажется умнее змеи, которая не может. Фактически, исследователи и непрофессионалы в целом согласны друг с другом в том, что приматы — обезьяны и обезьяны (включая людей) — являются одними из самых умных животных. Такие обезьяны, как шимпанзе, способны решать сложные задачи и изощренно общаться (Kohler, 1924).

Ученые указывают на социальную природу приматов как на один из эволюционных источников их интеллекта. Приматы живут вместе войсками или семейными группами и, следовательно, являются очень социальными существами. Таким образом, приматы, как правило, имеют мозг, который лучше развит для общения и долгосрочного мышления, чем у большинства других животных. Например, сложная социальная среда побудила приматов развить обман, альтруизм, числовые концепции и «теорию разума» (ощущение себя как уникальной личности, отдельной от других в группе; Gallup, 1982; Hauser, MacNeilage & Посуда, 1996).[См. Также модуль Ноба «Теория разума» http://noba.to/a8wpytg3]

Вопрос о том, что составляет человеческий интеллект, является одним из старейших исследований психологии. Когда мы говорим об интеллекте, мы обычно имеем в виду интеллектуальные способности. Это в широком смысле включает в себя способность изучать, запоминать и использовать новую информацию, решать проблемы и адаптироваться к новым ситуациям. Один из первых исследователей интеллекта Чарльз Спирмен выдвинул идею о том, что интеллект — это одно, «общий фактор», иногда известный как просто «g.Он основал этот вывод на наблюдении, что люди, которые хорошо проявляют себя в одной интеллектуальной области, такой как вербальные способности, также имеют тенденцию хорошо проявлять себя в других областях, таких как логика и рассуждение (Spearman, 1904).

Современник Спирмена по имени Фрэнсис Гальтон — двоюродный брат Чарльза Дарвина — был одним из пионеров психологических измерений (Hunt, 2009). За три пенса Гальтон измерял бы различные физические характеристики, такие как сила захвата, а также некоторые психологические характеристики, такие как способность определять расстояние или различать цвета.Это пример одного из самых ранних систематических измерений индивидуальных способностей. Гальтон особенно интересовался интеллектом, который, по его мнению, передавался по наследству так же, как рост и цвет глаз. Он придумал несколько элементарных методов оценки верности своей гипотезы. Например, он тщательно проследил генеалогическое древо лучших студентов Кембриджа за предыдущие 40 лет. Хотя он обнаружил, что в определенных семьях непропорционально много лучших ученых, интеллектуальные достижения все же могут быть результатом экономического статуса, семейной культуры или других негенетических факторов.Гальтон также, возможно, был первым, кто популяризировал идею о том, что наследуемость психологических черт может быть изучена, глядя на однояйцевых и разнояйцевых близнецов. Хотя его методы были грубыми по современным стандартам, Гальтон определил интеллект как переменную, которую можно измерить (Hunt, 2009).

Пионер в исследованиях интеллекта Альфред Бине

Альфред Бине известен прежде всего как первопроходец в области измерения интеллектуальных способностей. Как и Гальтон, Бине был очарован индивидуальными различиями в интеллекте.Например, он завязал глаза шахматистам и увидел, что некоторые из них могут продолжать играть, используя только свою память, чтобы помнить о многих позициях фигур (Binet, 1894). Бине особенно интересовало развитие интеллекта, увлечение, которое побудило его внимательно наблюдать за детьми в классной комнате.

Вместе со своим коллегой Теодором Саймоном Бине создал тест на интеллектуальные способности детей. Они создали индивидуальные тестовые задания, за которые должны отвечать дети определенного возраста.Например, трехлетний ребенок должен уметь указывать на рот и глаза, девятилетний ребенок должен уметь называть месяцы года по порядку, а двенадцатилетний должен уметь назвать шестьдесят слов за три минуты. Их оценка стала первым «тестом на IQ».

Таблица 1: Примеры типов предметов, которые вы можете увидеть в тесте на интеллект.

«IQ» или «коэффициент интеллекта» — это название, данное результату теста Бине-Саймона. Балл рассчитывается путем деления умственного возраста ребенка (балла по результатам теста) на его хронологический возраст, чтобы получить общий коэффициент.В наши дни фраза «IQ» не применима конкретно к тесту Бине-Саймона и обычно используется для обозначения интеллекта или результата любого теста интеллекта. В начале 1900-х годов тест Бине-Саймона был адаптирован профессором Стэнфорда по имени Льюис Терман для создания, пожалуй, самого известного теста интеллекта в мире — Стэнфорд-Бине (Terman, 1916). Основным преимуществом этого нового теста было то, что он был стандартизирован. На основе большой выборки детей Терман смог построить оценки в виде нормального распределения, имеющего форму «колоколообразной кривой» (см. Рис.1). Чтобы понять нормальное распределение, подумайте о росте людей. Большинство людей среднего роста, сравнительно меньше людей высокого или низкого роста и еще меньше людей очень высокого или очень низкого роста. Терман (1916) выставил оценки интеллекта точно таким же образом, что позволяет легко и надежно категоризировать и сравнивать людей.

Рис. 1. Кривая колокола — нормальное распределение IQ

Рассмотрение другого современного теста интеллекта — Шкалы интеллекта взрослых Векслера (WAIS) — может дать ключ к определению самого интеллекта.Под влиянием нескольких критических замечаний в адрес теста Стэнфорда-Бине психолог Дэвид Векслер стремился создать более точный показатель интеллекта. Он критически относился к тому, как Стэнфорд-Бине так сильно полагался на словесные способности, а также с подозрением относился к использованию единой шкалы, чтобы охватить весь интеллект. Чтобы решить эти проблемы, Векслер разработал тест, который проверял широкий спектр интеллектуальных способностей. Такое понимание интеллекта — то, что он состоит из совокупности определенных способностей — является заметным отходом от концепции общего интеллекта Спирмена.WAIS оценивает способность людей запоминать, вычислять, понимать язык, хорошо рассуждать и быстро обрабатывать информацию (Wechsler, 1955).

Интересным побочным продуктом измерения интеллекта на протяжении стольких лет является то, что мы можем отображать изменения во времени. Вам может показаться странным, что интеллект может меняться в течение десятилетий, но, похоже, это произошло в течение последних 80 лет, когда мы изучали эту тему. Вот откуда мы это знаем: тесты на IQ имеют средний балл 100. Когда новые волны людей просят пройти старые тесты, они, как правило, превосходят исходную выборку много лет назад, по которой тест был нормирован. Это усиление известно как «эффект Флинна» в честь Джеймса Флинна, исследователя, который первым его идентифицировал (Flynn, 1987). Для объяснения эффекта Флинна было выдвинуто несколько гипотез, включая лучшее питание (более здоровый мозг!), Большее знакомство с тестированием в целом и большее воздействие визуальных стимулов. Сегодня нет полного согласия среди исследователей-психологов относительно причин увеличения средних баллов по тестам интеллекта. Возможно, если вы выберете психологическую карьеру, вы откроете для себя ответ!

Подход Дэвида Векслера к тестированию интеллектуальных способностей был основан на фундаментальной идее о том, что, по сути, существует множество аспектов интеллекта.Другие ученые поддержали эту идею, даже предположив, что на самом деле существуют даже разные типы интеллекта. Вероятно, вы слышали различие между «уличным умом» и «книжным обучением». Первое относится к практической мудрости, накопленной в результате опыта, а второе указывает на формальное образование. Человек с высоким уровнем уличного ума может иметь превосходную способность ловить человека на лжи, убеждать других или быстро соображать под давлением. Напротив, человек с высоким уровнем книжного образования может иметь большой словарный запас и быть в состоянии запомнить большое количество ссылок на классические романы.Хотя психологи не используют уличные или книжные умения в качестве профессиональных терминов, они верят, что интеллект бывает разных типов.

Есть много способов разобрать понятие интеллекта. Многие ученые полагают, что обзор Кэрролла (1993) более 400 наборов данных является лучшим из существующих в настоящее время единым источником для систематизации различных концепций, связанных с интеллектом. Кэрролл разделил интеллект на три уровня, или страта, от самого абстрактного до самого конкретного (см.рис.2). Чтобы понять этот способ категоризации, просто подумайте о «машине». Автомобиль — это общее слово, обозначающее все типы моторизованных транспортных средств. На более конкретном уровне под «автомобилем» могут быть различные типы автомобилей, такие как седаны, спортивные автомобили, внедорожники, пикапы, универсалы и так далее. Более конкретными все же были бы определенные модели каждого, такие как Honda Civic или Ferrari Enzo. Таким же образом Кэрролл назвал высший уровень (слой III) общим фактором интеллекта «g». Под этим были более конкретные категории страты II, такие как подвижный интеллект, визуальное восприятие и скорость обработки.Каждый из них, в свою очередь, может быть подразделен на очень конкретные компоненты, такие как пространственное сканирование, время реакции и беглость слов.

Рассмотрение интеллекта, как это делает Кэрролл (1993), как совокупности определенных умственных способностей, помогло исследователям осмыслить эту тему по-новому. Например, Хорн и Кеттелл (1966) различают «жидкий» и «кристаллизованный» интеллект, оба из которых обнаруживаются на уровне II модели Кэрролла. Плавный интеллект — это способность «думать на ходу»; то есть решать проблемы.С другой стороны, кристаллизованный интеллект — это способность использовать язык, навыки и опыт для решения проблем. Первое больше ассоциируется с молодостью, а второе увеличивается с возрастом. Возможно, вы заметили, как молодые люди могут адаптироваться к новым ситуациям и использовать метод проб и ошибок, чтобы быстро находить решения. Напротив, пожилые люди для решения проблем склонны полагаться на свои относительно высокие знания.

Рисунок 2: Модель интеллекта Кэролла

Профессор Гарварда Говард Гарднер — еще одна фигура в психологии, которая широко известна тем, что отстаивает идею о том, что существуют разные типы интеллекта.Теорию Гарднера уместно назвать «множественный интеллект». Теория Гарднера основана на идее, что люди обрабатывают информацию по разным «каналам», и они относительно независимы друг от друга. Он выделил 8 общих типов интеллекта, включая 1) логико-математический, 2) визуально-пространственный, 3) музыкальный ритм, 4) вербально-лингвистический, 5) телесно-кинестетический, 6) межличностный, 7) внутриличностный и 8) натуралистический ( Гарднер, 1985). Многих привлекает теория Гарднера, потому что она предполагает, что каждый учится по-своему.Сейчас в мире много школ, созданных под влиянием Гарднера.

Другой тип интеллекта — эмоциональный интеллект. В отличие от традиционных моделей интеллекта, которые подчеркивают познание (мышление), идея эмоционального интеллекта подчеркивает переживание и выражение эмоций. Некоторые исследователи утверждают, что эмоциональный интеллект — это набор навыков, с помощью которых человек может точно понимать эмоции других, определять и маркировать свои собственные эмоции и использовать эмоции.(Майер и Саловей, 1997). Другие исследователи считают, что эмоциональный интеллект — это смесь способностей, таких как управление стрессом, и личности, например, предрасположенности человека к определенным настроениям (Bar-On, 2006). Независимо от конкретного определения эмоционального интеллекта, исследования показали связь между этим понятием и производительностью труда (Lopes, Grewal, Kadis, Gall, & Salovey, 2006). Фактически, эмоциональный интеллект аналогичен более традиционным понятиям когнитивного интеллекта в отношении преимуществ на рабочем месте. Шмидт и Хантер (1998), например, рассмотрели исследования интеллекта в контексте рабочего места и показали, что интеллект является единственным лучшим предиктором успешных программ профессионального обучения, обучения на рабочем месте. Они также сообщают, что общий интеллект умеренно коррелирует со всеми типами работ, но особенно с управленческими и сложными техническими работами.

Есть еще один важный момент, о котором важно помнить об интеллекте. Оказывается, то, как человек думает о своем собственном интеллекте, также важно, потому что оно предсказывает производительность.Исследователь Кэрол Двек сделала карьеру, изучая разницу между детьми с высоким IQ, которые успевают, и теми, кто этого не делает, так называемыми «отстающими». Среди ее наиболее интересных выводов было то, что не пол или социальный класс отличает высоко и низкоэффективных сотрудников. Напротив, это их образ мышления. Дети, которые считают, что их способности в целом — и их интеллект в частности — фиксированная черта, как правило, недостаточно эффективны. Напротив, дети, которые считают, что интеллект изменчив и развивается, как правило, лучше справляются с неудачами и работают лучше (Dweck, 1986).Двек называет это «мышлением человека», и установка на рост кажется более здоровым.

Исследование мышления интересно, но может возникнуть соблазн истолковать его как предположение о том, что каждый человек обладает неограниченным потенциалом интеллекта и что становление умнее — это только вопрос позитивного мышления. Есть некоторые свидетельства того, что генетика является важным фактором в уравнении интеллекта. Например, ряд исследований по генетике взрослых показал, что интеллект в значительной степени, но не полностью, передается по наследству (Bouchard, 2004).Здоровое отношение к природе ума и усердный труд определенно могут улучшить интеллектуальную производительность, но также помогают иметь генетическую склонность к интеллекту.

Исследование мышления детей Кэрол Двек также выдвигает на передний план один из самых интересных и противоречивых вопросов, связанных с исследованиями интеллекта: групповые различия. С самого начала исследования интеллекта исследователи интересовались различиями между группами людей, такими как мужчины и женщины.Что касается потенциальных различий между полами, некоторые люди заметили, что женщины недостаточно представлены в определенных областях. Например, в 1976 году женщины составляли всего 1% всех преподавателей инженерного факультета (Ceci, Williams & Barnett, 2009).

Женщины составляют непропорционально малый процент тех, кто занят в таких областях карьеры, как инженерное дело, с интенсивным использованием математики. [Фото: Аргоннская национальная лаборатория, https://goo.gl/ix96YP, CC BY-NC-SA 2.0, https://goo.gl/Toc0ZF]

Даже сегодня женщины составляют от 3% до 15% всех преподавателей по математическим дисциплинам в 50 ведущих университетах.Это явление можно объяснить разными способами: это может быть результатом неравенства в системе образования, это может быть связано с различиями в социализации, когда молодых девушек поощряют развивать другие интересы, это может быть результатом того, что женщины находятся средний — отвечает за большую часть обязанностей по уходу за детьми и, следовательно, принимает разные типы профессиональных решений, или это может быть связано с врожденными различиями между этими группами, чтобы назвать лишь несколько возможностей. Возможность врожденных различий является наиболее спорной, так как многие люди рассматривают его как либо продукт или основания для дискриминации по признаку пола.В сегодняшнем политическом ландшафте легко увидеть, что задавая определенные вопросы, например, «мужчины умнее женщин?» было бы подстрекательством. Во всестороннем обзоре исследований интеллектуальных способностей и пола Сеси и его коллеги (2009) выступают против гипотезы о том, что биологические и генетические различия объясняют большую часть половых различий в интеллектуальных способностях. Вместо этого они считают, что сложная сеть влияний, варьирующаяся от социальных ожиданий до стратегий тестирования и индивидуальных интересов, объясняет многие из половых различий, обнаруживаемых в математике и схожих интеллектуальных способностях.

Более интересный и, возможно, более деликатный вопрос мог бы заключаться в том, чтобы выяснить, каким образом мужчины и женщины могут различаться по интеллектуальным способностям, если вообще могут. Иными словами, исследователи не должны стремиться доказать, что та или иная группа лучше, но могут изучить способы, которыми они могут отличаться, и предложить объяснения любых обнаруженных различий. Исследователи изучили половые различия в интеллектуальных способностях. В обзоре исследовательской литературы Халперн (1997) обнаружил, что женщины в среднем превосходят мужчин по показателям мелкой моторики, приобретенных знаний, понимания прочитанного, декодирования невербального выражения и обычно имеют более высокие оценки в школе.Мужчины, напротив, в среднем превосходят женщин по показателям подвижности рассуждений, связанных с математикой и естественными науками, задачам восприятия, связанных с движением объектов, и задачам, требующим преобразований в рабочей памяти, таких как мысленные вращения физических пространств. Халперн также отмечает, что мужчины непропорционально представлены на нижнем уровне когнитивных функций, включая умственную отсталость, дислексию и нарушения внимания (Halpern, 1997).

Другие исследователи изучили различные гипотезы, объясняющие, почему возникают половые различия в интеллектуальных способностях.Некоторые исследования предоставили смешанные доказательства генетических факторов, в то время как другие указывают на доказательства социальных факторов (Neisser, et al, 1996; Nisbett, et al., 2012). Одно интересное явление, получившее пристальное внимание исследователей, — это идея угрозы стереотипа. Угроза стереотипа — это идея о том, что ментальный доступ к определенному стереотипу может иметь реальное влияние на члена стереотипной группы. В одном исследовании (Spencer, Steele, & Quinn, 1999), например, женщины, которым сообщили, что женщины, как правило, плохо справляются с экзаменами по математике непосредственно перед сдачей теста по математике, на самом деле показали худшие результаты по сравнению с контрольной группой, которая не слышала стереотип. .Исследования стереотипов дали неоднозначные результаты, и в настоящее время мы не уверены, как и когда может возникнуть этот эффект. Одно из возможных противоядий от стереотипов об угрозе, по крайней мере в случае с женщинами, — это самоутверждение (например, перечисление положительных личных качеств) до того, как угроза возникнет. Например, в одном исследовании Мартенс и ее коллеги (2006) попросили женщин написать о личных качествах, которые они ценят, прежде чем сдавать тест по математике. Утверждение в значительной степени стерло эффект стереотипа за счет улучшения результатов по математике для женщин по сравнению с контрольной группой, но аналогичные утверждения не имели большого эффекта для мужчин (Martens, Johns, Greenberg, & Schimel, 2006).

Споры такого типа заставляют многих непрофессионалов задаться вопросом, может ли быть проблема с мерами разведки. Естественно задаться вопросом, не настроены ли они как-то против определенных групп. Психологи обычно отвечают на такие вопросы, указывая на то, что предвзятость в тестовом смысле слова отличается от того, как люди используют это слово в повседневной речи. Распространенное использование предвзятости означает предубеждение, основанное на членстве в группе. С другой стороны, научная предвзятость связана с психометрическими свойствами теста, такими как валидность и надежность.Валидность — это идея о том, что оценка измеряет то, что, по ее утверждению, измеряется, и что она может предсказать будущее поведение или производительность. С этой целью тесты интеллекта не являются предвзятыми, поскольку они являются достаточно точными показателями и предсказателями. Однако в социальном мире существуют реальные предубеждения, предрассудки и неравенство, которые могут принести пользу одной группе, находящейся в благоприятном положении, в то время как мешать некоторым обездоленным другим.

Хотя вы, возможно, не сможете написать «эсквамулоза» или «стафилококки» — на самом деле, вы можете даже не знать, что они означают — вам не нужно считать себя в отделе разведки.Теперь, когда мы глубоко изучили интеллект, мы можем вернуться к нашему интуитивному взгляду на тех учеников, которые участвуют в Национальном конкурсе орфографии. Они умные? Конечно, у них высокий вербальный интеллект. Также существует вероятность того, что они получат выгоду либо от генетического повышения интеллекта, либо от благоприятной социальной среды, либо от того и другого. Наблюдая, как они произносят сложные слова, мы также многого о них не знаем. Мы не можем сказать, например, насколько они эмоционально разумны или как они могут использовать телесно-кинестетический интеллект.Это подчеркивает тот факт, что интеллект — сложная проблема. К счастью, психологи продолжают исследовать эту увлекательную тему, и их исследования продолжают приносить новые идеи.

Роль интеллекта в социальном обучении

  • 1.

    Бойд Р. и Ричерсон П. Дж. Культура и эволюционный процесс (Издательство Чикагского университета, 1985).

  • 2.

    Роджерс А. Р. Ограничивает ли биология культуру? Американский антрополог 90 , 819–831 (1988).

    Артикул

    Google ученый

  • 3.

    Лаланд, К. Н. Стратегии социального обучения. Обучение и поведение 32 , 4–14 (2004).

    Артикул
    PubMed

    Google ученый

  • 4.

    Галеф, Дж. Б. Г. и Лаланд, К. Н. Социальное обучение у животных: эмпирические исследования и теоретические модели. Bioscience 55 , 489–499 (2005).

    Артикул

    Google ученый

  • 5.

    Валоне, Т. Дж. От подслушивания работы до копирования поведения других: обзор использования общественной информации. Поведенческая экология и социобиология 62 , 1–14 (2007).

    Артикул
    ОБЪЯВЛЕНИЯ

    Google ученый

  • 6.

    Rendell, L. et al. . Зачем копировать других? Выводы из турнира по стратегиям социального обучения. Наука 328 , 208–213 (2010).

    MathSciNet
    CAS
    Статья
    PubMed
    PubMed Central
    МАТЕМАТИКА
    ОБЪЯВЛЕНИЯ

    Google ученый

  • 7.

    Rendell, L. et al. . Когнитивная культура: теоретические и эмпирические сведения о стратегиях социального обучения. Тенденции в когнитивных науках 15 , 68–76 (2011).

    Артикул
    PubMed

    Google ученый

  • 9.

    Моллеман, Л., ван ден Берг, П. и Вайссинг, Ф. Дж. Постоянные индивидуальные различия в стратегиях социального обучения человека. Nature Communications 5 , 3570 (2014).

    Артикул
    PubMed

    Google ученый

  • 10.

    Эрикссон К., Энквист М. и Гирланда С. Критические моменты современной теории конформистского социального обучения. Журнал эволюционной психологии 5 , 67–87 (2007).

    Артикул

    Google ученый

  • 12.

    Эфферсон, К., Лалив, Р., Ричерсон, П. Дж., МакЭлрит, Р., Любелл, М. Конформисты и индивидуалисты: эмпирические исследования частотно-зависимой культурной передачи. Эволюция и поведение человека 29 , 56–64 (2008).

    Артикул

    Google ученый

  • 13.

    Морган, Т. Дж. Х., Ренделл, Л. Э., Эн, М., Хоппит, В. и Лаланд, К. Н. Эволюционная основа социального обучения человека. Труды Лондонского королевского общества B: Биологические науки 279 , 653–662 (2012).

    CAS
    Статья

    Google ученый

  • 14.

    Шлаг, К. Х. Зачем имитировать, и если да, то как ?: Ограниченно рациональный подход к многоруким бандитам. Журнал экономической теории 78 , 130–156 (1998).

    MathSciNet
    Статья
    МАТЕМАТИКА

    Google ученый

  • 15.

    Kendal, J., Giraldeau, L.-A. И Лаланд, К. Эволюция правил социального обучения: смещенная передача и частотно-зависимая смещенная передача. Журнал теоретической биологии 260 , 210–219 (2009).

    MathSciNet
    Статья
    PubMed

    Google ученый

  • 16.

    Schlag, K. H. Какой из них мне подражать? Журнал математической экономики 31 , 493–522 (1999).

    MathSciNet
    Статья
    МАТЕМАТИКА

    Google ученый

  • 17.

    Henrich, J. & Gil-White, F.J. Эволюция престижа: свободно выражаемое почтение как механизм увеличения благ культурной передачи. Эволюция и поведение человека 22 , 165–196 (2001).

    CAS
    Статья
    PubMed

    Google ученый

  • 18.

    Леманн, Л., Фельдман, М. В. и Фостер, К. Р. Культурная передача может тормозить эволюцию альтруистической помощи. Американский натуралист 172 , 12–24 (2008).

    Артикул
    PubMed

    Google ученый

  • 20.

    Кендал, Р. Л., Кулен, И., ван Берген, Ю. и Лаланд, К. Н. Компромиссы в адаптивном использовании социального и асоциального обучения. Достижения в изучении поведения 35 , 333–379 (2005).

    Артикул

    Google ученый

  • 21.

    Эй, К. Что социального в социальном обучении? Журнал сравнительной психологии 126 , 193–202 (2012).

    Артикул
    PubMed

    Google ученый

  • 23.

    Сеймур Б., Сингер Т. и Долан Р. Нейробиология наказания. Природные обзоры. Неврология 8 , 300 (2007).

    CAS
    Статья
    PubMed

    Google ученый

  • 24.

    Берк, К. Дж., Тоблер, П. Н., Баддели, М. и Шульц, В.Нейронные механизмы наблюдательного обучения. Proceedings of the National Academy of Sciences of the United States of America 107 , 14431–14436 (2010).

    CAS
    Статья
    PubMed
    PubMed Central
    ОБЪЯВЛЕНИЯ

    Google ученый

  • 26.

    Линдстрем, Б. и Олссон, А. Механизмы обучения избеганию социальных проблем могут объяснить появление у людей адаптивных и произвольных поведенческих традиций. Журнал экспериментальной психологии: общие 144 , 688–703 (2015).

    Артикул

    Google ученый

  • 27.

    Линдстрём Б., Селбинг И. и Олссон А. Совместная эволюция социального обучения и эволюционной готовности в опасных условиях. PLoS One 11 , e0160245 (2016).

    Артикул
    PubMed
    PubMed Central

    Google ученый

  • 28.

    Биле, Г., Рискамп, Дж. И Гонсалес, Р. Вычислительные модели для сочетания совета и индивидуального обучения. Когнитивная наука 33 , 206–242 (2009).

    Артикул
    PubMed

    Google ученый

  • 29.

    Liljeholm, M., Molloy, C.J. & O’Doherty, J.P. Диссоциативные системы мозга опосредуют опосредованное обучение стимулу — реакции и действию — непредвиденным обстоятельствам. Journal of Neuroscience 32 , 9878–9886 (2012).

    CAS
    Статья
    PubMed
    PubMed Central

    Google ученый

  • 31.

    McElreath, R. et al. . Применение эволюционных моделей к лабораторным исследованиям социального обучения. Эволюция и поведение человека 26 , 483–508 (2005).

    Артикул

    Google ученый

  • 32.

    Мутукришна М., Морган Т. Дж. И Хенрих Дж. Когда и кто социального обучения и конформистской передачи. Эволюция и поведение человека 37 , 10–20 (2016).

    Артикул

    Google ученый

  • 34.

    Селбинг, И., Линдстрем, Б. и Олссон, А. Демонстрационные навыки модулируют аверсивное обучение с наблюдением. Познание 133 , 128–139 (2014).

    Артикул
    PubMed

    Google ученый

  • 35.

    Ханаки, Н., Жакмет, Н., Лучини, С. и Зильберштейн, А. Когнитивные способности и влияние стратегической неопределенности. Теория и решения 81 , 101–121 (2015).

    MathSciNet
    Статья
    МАТЕМАТИКА

    Google ученый

  • 37.

    Бенито-Остолаза, Дж. М., Эрнандес, П. и Санчис-Ллопис, Дж. А. Играют ли люди с более высокими когнитивными способностями более стратегически? Journal of Behavioral and Experimental Economics 64 , 5–11 (2016).

    Артикул

    Google ученый

  • 38.

    Джилл, Д. и Проуз, В. Познавательные способности, навыки персонажа и обучение игре в равновесие: анализ уровня k. Журнал политической экономии 124 , 1619–1676 (2016).

    Артикул

    Google ученый

  • 40.

    Прото, Э., Рустичини, А. и Софианос, А. Интеллект, личность и выгоды от сотрудничества в повторяющихся взаимодействиях. Журнал политической экономии готовится (2018).

  • 41.

    Chang, L. et al. . Культурная адаптация к изменчивости окружающей среды: эволюционный учет различий между востоком и западом. Обзор педагогической психологии 23 , 99–129 (2011).

    Артикул

    Google ученый

  • 43.

    Рэйвен, Дж., Рэйвен, Дж. К. и Корт, Дж. Х. Современные прогрессивные матрицы. В Руководстве по прогрессивным матрицам и словарным шкалам Ravens (Оксфорд, Англия: Oxford Psychologies Press / Сан-Антонио, Техас: Психологическая корпорация, 1998).

  • 44.

    Ihssen, N., Mussweiler, T. & Linden, D. E. Наблюдать, как другие остаются или меняют, как ошибки социального прогнозирования интегрируются в обучение с изменением вознаграждения. Познание 153 , 19–32 (2016).

    Артикул
    PubMed

    Google ученый

  • 45.

    Sniezek, J. A., Schrah, G. E. и Dalal, R. S. Улучшение суждений с помощью предварительно оплаченных экспертных консультаций. Journal of Behavioral Decision Making 17 , 173–190 (2004).

    Артикул

    Google ученый

  • 46.

    Апестегиа, Дж., Хак, С. и Охсслер, Дж. Имитация — теория и экспериментальные данные. Журнал экономической теории 136 , 217–235 (2007).

    MathSciNet
    Статья
    МАТЕМАТИКА

    Google ученый

  • 47.

    Месуди, А. Экспериментальное моделирование стратегии культурного обучения «копировать успешных индивидов»: адаптивные ландшафты, динамика производителей и клиентов и затраты на доступ к информации. Эволюция и поведение человека 29 , 350–363 (2008).

    Артикул

    Google ученый

  • 48.

    Генрих Дж. И Брош Дж. О природе сетей передачи культур: данные из фиджийских деревень об адаптивном обучении. Философские труды Лондонского королевского общества B: Биологические науки 366 , 1139–1148 (2011).

    Артикул
    PubMed
    PubMed Central

    Google ученый

  • 49.

    Месуди, А., Чанг, Л., Мюррей, К. и Лу, Х. Дж. Более высокая частота социального обучения в Китае, чем на западе, показывает культурные различия в динамике культурной эволюции. Труды Лондонского королевского общества B: Биологические науки 282 , 20142209 (2015).

    Артикул

    Google ученый

  • 51.

    Laird, J. Chap. Теоретическая культура: повествовательные идеи и принципы практики. Новое видение семейной терапии (стр. 20–36. Гилфорд, Нью-Йорк, 1998).

    Google ученый

  • 52.

    Кун, Х. М. и Кеммельмайер, М. Культурные ориентации в Соединенных Штатах: (пере) изучение различий между этническими группами. Журнал кросс-культурной психологии 32 , 348–364 (2001).

    Артикул

    Google ученый

  • 54.

    Эрикссон, К. и Култас, Дж. Действительно ли люди склонны к конформизму? эмпирический тест и новая математическая модель. Журнал эволюционной психологии 7 , 5–21 (2009).

    Артикул

    Google ученый

  • 55.

    Фестингер, Л. Теория процессов социального сравнения. Отношения между людьми 7 , 117–140 (1954).

    Артикул

    Google ученый

  • 57.

    Бандура, А. Теория социального обучения (Оксфорд, Англия: Прентис-Холл, 1977).

  • 58.

    Бойд, Р. и Ричерсон, П. Дж. Эволюционная модель социального обучения: эффекты пространственных и временных вариаций. Социальное обучение : психологические и биологические перспективы 29–48 (1988).

  • 59.

    Бойд Р. и Ричерсон П. Дж. Почему культура распространена, а культурная эволюция — редкость. In Proceedings British Academy , vol. 88, 77–94 (1996).

  • 60.

    Хенрих, Дж. И Бойд, Р. Эволюция конформистской передачи и возникновение межгрупповых различий. Эволюция и поведение человека 19 , 215–241 (1998).

    Артикул

    Google ученый

  • 61.

    Энквист, М., Эрикссон, К. и Гирланда, С. Критическое социальное обучение: решение парадокса Роджерса неадаптивной культуры. Американский антрополог 109 , 727–734 (2007).

    Артикул

    Google ученый

  • 62.

    Боренштейн, Э., Фельдман, М. В. и Аоки, К. Эволюция обучения в изменчивой среде: когда отбор благоприятствует как социальному, так и исследовательскому индивидуальному обучению. Evolution 62 , 586–602 (2008).

    Артикул
    PubMed

    Google ученый

  • 63.

    Леманн, Л. и Фельдман, М. В. Коэволюция адаптивных технологий, дезадаптивная культура и размер популяции в игре «производитель-скаунджер». Труды Лондонского королевского общества B: Биологические науки 276 , 3853–3862 (2009).

    Артикул

    Google ученый

  • 64.

    Аоки, К. Эволюция стратегии социального учащегося-исследователя в экологически гетерогенной модели двух островов. Evolution 64 , 2575–2586 (2010).

    Артикул
    PubMed

    Google ученый

  • 66.

    Аоки, К. и Накахаши, В. Эволюция обучения в разделенных популяциях, которые занимают экологически неоднородные территории. Теоретическая популяционная биология 74 , 356–368 (2008).

    Артикул
    PubMed
    МАТЕМАТИКА

    Google ученый

  • 67.

    Fischbacher, U. z-tree: Цюрихский набор инструментов для готовых экономических экспериментов. Экспериментальная экономика 10 , 171–178 (2007).

    Артикул

    Google ученый

  • 68.

    Hamel, R. & Schmittmann, V. D. 20-минутная версия в качестве предиктора теста расширенных прогрессивных матриц raven. Образовательные и психологические измерения 66 , 1039–1046 (2006).

    MathSciNet
    Статья

    Google ученый

  • 69.

    Барон-Коэн, С. и Уилрайт, С. Коэффициент эмпатии: исследование взрослых с синдромом Аспергера или высокофункциональным аутизмом и нормальными половыми различиями. Журнал аутизма и нарушений развития 34 , 162–175 (2004).

    Артикул

    Google ученый

  • 70.

    Вундерлих, К., Рангель, А. и О’Догерти, Дж. П. Нейронные вычисления, лежащие в основе принятия решений на основе действий в человеческом мозге. Proceedings of the National Academy of Sciences of the United States of America 106 , 17199–17204 (2009).

    CAS
    Статья
    PubMed
    PubMed Central
    ОБЪЯВЛЕНИЯ

    Google ученый

  • 3 вещи, которые искусственный интеллект уже может сделать для вашей компании

    Вкратце
    Проблема

    Когнитивные технологии все чаще используются для решения бизнес-задач, но многие из самых амбициозных проектов ИИ терпят неудачи или терпят неудачу.

    Подход

    Компании должны использовать постепенный, а не трансформирующий подход и сосредоточиться на расширении, а не замене человеческих возможностей.

    Процесс

    Чтобы получить максимальную отдачу от ИИ, компании должны понимать, какие технологии выполняют какие типы задач, создавать приоритетный портфель проектов, основанный на потребностях бизнеса, и разрабатывать планы масштабирования в масштабах всей компании.

    В 2013 году онкологический центр доктора медицины Андерсона запустил проект «лунный выстрел»: диагностировать и рекомендовать планы лечения определенных форм рака с помощью когнитивной системы IBM Watson. Но в 2017 году проект был приостановлен после того, как затраты превысили 62 миллиона долларов, а система еще не использовалась на пациентах. В то же время ИТ-группа онкологического центра экспериментировала с использованием когнитивных технологий для выполнения гораздо менее амбициозных задач, таких как предоставление рекомендаций по отелям и ресторанам для семей пациентов, определение того, каким пациентам нужна помощь в оплате счетов, и решение ИТ-проблем персонала. Результаты этих проектов были гораздо более многообещающими: новые системы способствовали повышению удовлетворенности пациентов, улучшению финансовых показателей и сокращению времени, затрачиваемого на утомительный ввод данных руководителями больницы.Несмотря на неудачу на лунном шаре, доктор медицины Андерсон по-прежнему привержен использованию когнитивных технологий, то есть искусственного интеллекта следующего поколения, для улучшения лечения рака, и в настоящее время разрабатывает множество новых проектов в области когнитивных вычислений.

    Контраст между двумя подходами важен для любого, кто планирует инициативы в области ИИ. Наш опрос 250 руководителей, знакомых с использованием когнитивных технологий в их компаниях, показывает, что три четверти из них считают, что ИИ существенно преобразит их компании в течение трех лет.Однако наше исследование 152 проектов почти в таком же количестве компаний также показывает, что амбициозные лунные снимки с меньшей вероятностью будут успешными, чем проекты «низко висящие фрукты», улучшающие бизнес-процессы. Это не должно вызывать удивления — так было с подавляющим большинством новых технологий, которые компании внедряли в прошлом. Но шумиха вокруг искусственного интеллекта была особенно сильной, и некоторые организации ей понравились.

    В этой статье мы рассмотрим различные категории используемых ИИ и дадим основу для того, как компании должны начать наращивать свои когнитивные способности в следующие несколько лет для достижения своих бизнес-целей.

    Три типа AI

    Компаниям полезно смотреть на ИИ через призму бизнес-возможностей, а не технологий. В общих чертах, ИИ может поддерживать три важных бизнес-потребности: автоматизировать бизнес-процессы, получать понимание посредством анализа данных и взаимодействовать с клиентами и сотрудниками.

    Автоматизация процессов.

    Из 152 изученных нами проектов наиболее распространенным типом была автоматизация цифровых и физических задач — обычно административных и финансовых операций бэк-офиса — с использованием роботизированных технологий автоматизации процессов.RPA является более продвинутым, чем предыдущие инструменты автоматизации бизнес-процессов, поскольку «роботы» (то есть код на сервере) действуют как человек, вводящий и потребляющий информацию из нескольких ИТ-систем. Задачи включают:

    • перенос данных из систем электронной почты и колл-центра в системы записи — например, обновление файлов клиентов с изменением адресов или добавлением услуг;
    • замена утерянных кредитных или банкоматных карт, подключение к нескольким системам для обновления записей и обработки сообщений с клиентами;
    • согласование сбоев в оплате услуг в биллинговых системах путем извлечения информации из нескольких типов документов; и
    • «чтение» юридических и договорных документов для извлечения положений с использованием обработки естественного языка.

    RPA — наименее дорогостоящий и самый простой в реализации из когнитивных технологий, которые мы обсудим здесь, и обычно обеспечивает быструю и высокую окупаемость инвестиций. (Кроме того, он наименее «умный» в том смысле, что эти приложения не запрограммированы на обучение и совершенствование, хотя разработчики постепенно добавляют больше интеллекта и возможностей обучения.) Он особенно хорошо подходит для работы с несколькими серверными системами.

    В НАСА из-за ценового давления агентство запустило четыре пилотных проекта RPA по кредиторской и дебиторской задолженности, расходам на ИТ и человеческим ресурсам — и все это управляется общим центром обслуживания.Четыре проекта сработали хорошо — например, в приложении для управления персоналом 86% транзакций были выполнены без вмешательства человека — и в настоящее время внедряются во всей организации. НАСА сейчас внедряет больше роботов RPA, некоторые с более высоким уровнем интеллекта. Как отмечает Джим Уокер, руководитель проекта организации общих служб, «пока это не ракетостроение».

    Можно представить, что роботизированная автоматизация процессов быстро оставит людей без работы. Но из 71 проекта RPA, который мы рассмотрели (47% от общего числа), замена административных сотрудников не была ни основной целью, ни общим результатом.Лишь несколько проектов привели к сокращению численности персонала, и в большинстве случаев рассматриваемые задачи уже были переданы внешним подрядчикам. По мере совершенствования технологий проекты роботизированной автоматизации, вероятно, приведут к некоторой потере рабочих мест в будущем, особенно в индустрии аутсорсинга бизнес-процессов. Если вы можете передать задачу на аутсорсинг, вы, вероятно, сможете ее автоматизировать.

    Когнитивная проницательность.

    Второй по распространенности тип проекта в нашем исследовании (38% от общего числа) использовал алгоритмы для обнаружения закономерностей в огромных объемах данных и интерпретации их значения.Думайте об этом как о «стероидной аналитике». Эти приложения для машинного обучения используются для:

    • предсказать, что вероятнее всего купит конкретный покупатель;
    • выявлять кредитное мошенничество в реальном времени и обнаруживать мошенничество со страховыми выплатами;
    • анализировать данные о гарантии для выявления проблем с безопасностью или качеством в автомобилях и другой производимой продукции;
    • автоматизировать персонализированный таргетинг цифровой рекламы; и
    • предоставляет страховщикам более точное и подробное актуарное моделирование.

    Когнитивные идеи, предоставляемые машинным обучением, отличаются от тех, которые доступны в традиционной аналитике по трем причинам: они обычно намного более подробны и требуют большого объема данных, модели обычно обучаются на некоторой части набора данных, и модели становятся лучше, т. Е. их способность использовать новые данные для прогнозирования или распределения вещей по категориям со временем улучшается.

    Сопутствующие инструменты

    Версии машинного обучения (в частности, глубокое обучение, которое пытается имитировать деятельность человеческого мозга для распознавания закономерностей) могут выполнять такие функции, как распознавание изображений и речи.Машинное обучение также может предоставить новые данные для более качественной аналитики. Хотя деятельность по курированию данных исторически была довольно трудоемкой, теперь машинное обучение может определять вероятностные совпадения — данные, которые могут быть связаны с одним и тем же человеком или компанией, но представлены в немного разных форматах — в разных базах данных. GE использовала эту технологию для интеграции данных о поставщиках и сэкономила 80 миллионов долларов за первый год за счет устранения дублирования и заключения договоров, которые ранее выполнялись на уровне бизнес-подразделения.Точно так же крупный банк использовал эту технологию для извлечения данных об условиях из контрактов с поставщиками и сопоставления их с номерами счетов-фактур, выявляя десятки миллионов долларов в продуктах и ​​услугах, которые не были предоставлены. Аудиторская практика «Делойта» использует когнитивную проницательность для извлечения условий из контрактов, что позволяет при аудите проверять гораздо большую часть документов, часто 100%, без того, чтобы аудиторам-людям приходилось кропотливо их читать.

    Приложения

    Cognitive Insight обычно используются для повышения производительности в задачах, которые могут выполнять только машины — таких задачах, как закупка программной рекламы, которые включают в себя такую ​​высокоскоростную обработку данных и автоматизацию, что они уже давно выходят за рамки человеческих возможностей, поэтому они обычно не являются угроза человеческим рабочим местам.

    Когнитивное взаимодействие.

    Проекты, которые привлекают сотрудников и клиентов с использованием чат-ботов с обработкой естественного языка, интеллектуальных агентов и машинного обучения, были наименее распространенным типом в нашем исследовании (что составляет 16% от общего числа). В данную категорию входят:

    • интеллектуальные агенты, которые предлагают круглосуточное обслуживание клиентов без выходных, решая широкий и постоянно растущий спектр вопросов, от запросов паролей до вопросов технической поддержки — все на естественном языке клиента;
    • внутренние сайты для ответов на вопросы сотрудников по таким темам, как ИТ, льготы и кадровая политика;
    • системы рекомендаций по продуктам и услугам для розничных продавцов, которые увеличивают персонализацию, вовлеченность и продажи — обычно с использованием богатого языка или изображений; и
    • система рекомендаций по лечению, которая помогает поставщикам услуг создавать индивидуальные планы лечения, учитывающие состояние здоровья отдельных пациентов и предыдущее лечение.

    Компании, участвовавшие в нашем исследовании, были склонны использовать технологии когнитивного взаимодействия больше для взаимодействия с сотрудниками, чем с клиентами. Это может измениться, поскольку фирмы станут более комфортно переключать взаимодействие с клиентами на машины. Vanguard, например, тестирует интеллектуального агента, который помогает персоналу службы поддержки отвечать на часто задаваемые вопросы. План состоит в том, чтобы в конечном итоге позволить клиентам взаимодействовать с когнитивным агентом напрямую, а не с человеческими агентами по обслуживанию клиентов.SEBank в Швеции и гигант медицинских технологий Becton Dickinson в США используют реалистичного аватара интеллектуального агента Амелию в качестве внутренней службы поддержки сотрудников ИТ-службы. SEBank недавно сделал Амелию доступной для клиентов на ограниченной основе, чтобы проверить ее эффективность и реакцию клиентов.

    Компании склонны придерживаться консервативного подхода к технологиям когнитивного взаимодействия с клиентами, в основном из-за их незрелости. Facebook, например, обнаружил, что его чат-боты Messenger не могут отвечать на 70% запросов клиентов без вмешательства человека.В результате Facebook и несколько других компаний ограничивают интерфейсы на основе ботов определенными тематическими доменами или типами разговоров.

    Наше исследование показывает, что приложения для когнитивного взаимодействия в настоящее время не угрожают работе службы поддержки или работы торгового представителя. В большинстве изучаемых нами проектов цель заключалась не в сокращении численности персонала, а в том, чтобы справиться с растущим числом взаимодействий сотрудников и клиентов без увеличения штата. Некоторые организации планировали передать рутинную связь машинам, одновременно переведя персонал службы поддержки клиентов на более сложные действия, такие как решение проблем клиентов, которые нарастают, ведение расширенных неструктурированных диалогов или обращение к клиентам до того, как они позвонят с проблемами.

    По мере того, как компании все больше знакомятся с когнитивными инструментами, они экспериментируют с проектами, в которых сочетаются элементы из всех трех категорий, чтобы воспользоваться преимуществами ИИ. Например, итальянская страховая компания создала «службу когнитивной помощи» в своей ИТ-организации. Система взаимодействует с сотрудниками с помощью технологии глубокого обучения (часть категории когнитивных анализов) для поиска часто задаваемых вопросов и ответов, ранее решенных случаев и документации для поиска решений проблем сотрудников.Он использует возможность интеллектуальной маршрутизации (автоматизация бизнес-процессов) для пересылки наиболее сложных проблем представителям людей и использует обработку естественного языка для поддержки запросов пользователей на итальянском языке.

    Однако, несмотря на стремительно расширяющийся опыт использования когнитивных инструментов, компании сталкиваются с серьезными препятствиями при разработке и внедрении. На основе нашего исследования мы разработали четырехступенчатую структуру для интеграции технологий искусственного интеллекта, которые могут помочь компаниям в достижении их целей, будь то проекты лунных снимков или улучшения бизнес-процессов.

    1. Понимание технологий

    Прежде чем приступить к инициативе AI, компании должны понять, какие технологии выполняют какие типы задач, а также сильные и слабые стороны каждой из них. Например, экспертные системы на основе правил и роботизированная автоматизация процессов прозрачны в том, как они выполняют свою работу, но ни одна из них не способна к обучению и совершенствованию. С другой стороны, глубокое обучение отлично подходит для обучения на больших объемах помеченных данных, но практически невозможно понять, как оно создает модели.Эта проблема «черного ящика» может быть проблематичной в строго регулируемых отраслях, таких как финансовые услуги, в которых регулирующие органы настаивают на том, чтобы знать, почему решения принимаются определенным образом.

    Мы столкнулись с несколькими организациями, которые зря тратили время и деньги на использование неподходящих технологий для работы. Но если они вооружены хорошим пониманием различных технологий, компании смогут лучше определить, какие из них могут наилучшим образом удовлетворить конкретные потребности, с какими поставщиками работать и как быстро можно внедрить систему. Для достижения этого понимания требуются постоянные исследования и обучение, обычно в рамках ИТ или инновационной группы.

    В частности, компаниям необходимо будет использовать возможности ключевых сотрудников, таких как специалисты по обработке данных, которые обладают статистическими навыками и навыками работы с большими данными, необходимыми для изучения основ этих технологий. Главный фактор успеха — это желание ваших сотрудников учиться. Некоторые ухватятся за возможность, в то время как другие захотят использовать уже знакомые им инструменты.Стремитесь иметь высокий процент первых.

    Если у вас нет собственных возможностей для анализа данных или аналитики, вам, вероятно, придется в ближайшем будущем создать экосистему внешних поставщиков услуг. Если вы планируете реализовывать долгосрочные проекты в области ИИ, вам нужно нанять штатных экспертов. В любом случае для прогресса необходимо обладать правильными способностями.

    Учитывая нехватку талантов в области когнитивных технологий, большинству организаций следует создать пул ресурсов — возможно, в централизованной функции, такой как ИТ или стратегия, — и предоставить экспертов для высокоприоритетных проектов в масштабах всей организации. По мере роста потребностей и талантов может иметь смысл выделять группы для выполнения определенных бизнес-функций или подразделений, но даже в этом случае центральная координирующая функция может быть полезна при управлении проектами и карьерой.

    2. Создание портфолио проектов

    Следующим шагом в запуске программы ИИ является систематическая оценка потребностей и возможностей, а затем разработка приоритетного портфеля проектов. В компаниях, которые мы изучали, это обычно делалось на семинарах или небольших консультациях.Мы рекомендуем компаниям проводить оценки по трем основным направлениям.

    Определение возможностей.

    Первая оценка определяет, в каких областях бизнеса когнитивные приложения могут принести наибольшую пользу. Как правило, они являются частями компании, где «знания» — понимание, полученное на основе анализа данных или набора текстов, — в цене, но по какой-то причине недоступны.

    • Узкие места. В некоторых случаях отсутствие познавательной способности вызвано узким местом в потоке информации; знания существуют в организации, но не оптимально распределены. Это часто имеет место, например, в здравоохранении, где знания, как правило, распределяются внутри практик, отделений или академических медицинских центров.
    • Проблемы масштабирования. В других случаях знания существуют, но процесс их использования занимает слишком много времени или требует больших затрат для масштабирования. Так часто бывает со знаниями, полученными финансовыми консультантами. Вот почему многие фирмы, занимающиеся инвестициями и управлением капиталом, теперь предлагают возможности «робо-консультирования» на базе искусственного интеллекта, которые предоставляют клиентам экономически эффективные рекомендации по повседневным финансовым вопросам.
    • В фармацевтической промышленности Pfizer решает проблему масштабирования, используя IBM Watson для ускорения трудоемкого процесса открытия новых лекарств в иммуноонкологии, нового подхода к лечению рака, который использует иммунную систему организма для борьбы с раком. Для вывода на рынок иммуноонкологических препаратов может потребоваться до 12 лет. Объединив обширный обзор литературы с собственными данными Pfizer, такими как лабораторные отчеты, Watson помогает исследователям выявить взаимосвязи и найти скрытые закономерности, которые должны ускорить идентификацию новых лекарственных препаратов, комбинированные методы лечения для исследования и стратегии отбора пациентов для этого нового класса. наркотиков.
    • Недостаточная огневая мощь. Наконец, компания может собрать больше данных, чем ее существующие человеческие или компьютерные возможности могут адекватно проанализировать и применить. Например, компания может располагать огромными объемами данных о цифровом поведении потребителей, но не иметь представления о том, что это означает или как их можно применять в стратегических целях. Чтобы решить эту проблему, компании используют машинное обучение для поддержки таких задач, как программная покупка персонализированной цифровой рекламы или, в случае Cisco Systems и IBM, для создания десятков тысяч «моделей предрасположенности» для определения того, какие клиенты, скорее всего, купят товары.

    Определение вариантов использования.

    Вторая область оценки оценивает варианты использования, в которых когнитивные приложения будут приносить существенную пользу и способствовать успеху бизнеса. Начните с таких ключевых вопросов, как: Насколько критичным для вашей общей стратегии является решение целевой проблемы? Насколько сложно будет реализовать предложенное решение AI — как технически, так и организационно? Стоят ли усилия от запуска приложения? Затем определите приоритетность вариантов использования, которые предлагают наиболее краткосрочную и долгосрочную ценность и которые в конечном итоге могут быть интегрированы в более широкую платформу или набор когнитивных возможностей для создания конкурентного преимущества.

    Выбор технологии.

    Третья область для оценки исследует, действительно ли инструменты ИИ, рассматриваемые для каждого варианта использования, соответствуют задаче. Чат-боты и интеллектуальные агенты, например, могут расстроить некоторые компании, потому что большинство из них пока не могут справиться с решением человеческих проблем, кроме простых сценариев (хотя они быстро улучшаются). Другие технологии, такие как автоматизация процессов с помощью роботов, которые могут упростить простые процессы, такие как выставление счетов, на самом деле могут замедлить работу более сложных производственных систем.И хотя системы визуального распознавания с глубоким обучением могут распознавать изображения на фотографиях и видео, им требуется много помеченных данных, и они могут быть не в состоянии понять сложное поле зрения.

    Эта статья также встречается в:

    Со временем когнитивные технологии изменят способ ведения бизнеса компаниями. Однако сегодня разумнее предпринять постепенные шаги с использованием имеющихся в настоящее время технологий, планируя трансформационные изменения в не столь отдаленном будущем. Возможно, вы в конечном итоге захотите передать взаимодействие с клиентами, например, ботам, но на данный момент, вероятно, более целесообразно — и разумно — автоматизировать внутреннюю службу ИТ-поддержки как шаг к конечной цели.

    3. Запуск пилотов

    Поскольку разрыв между текущими и желаемыми возможностями искусственного интеллекта не всегда очевиден, компаниям следует создавать пилотные проекты когнитивных приложений, прежде чем внедрять их в масштабах всего предприятия.

    Пилотные пилотные проекты особенно подходят для инициатив, которые имеют высокую потенциальную ценность для бизнеса или позволяют организации одновременно тестировать разные технологии. Будьте особенно осторожны, чтобы избежать «инъекции» проектов руководителями высшего звена, на которые оказали влияние поставщики технологий.Тот факт, что руководители и совет директоров могут почувствовать давление с целью «сделать что-то познавательное», не означает, что вы должны обходить строгий процесс пилотирования. Внедренные проекты часто терпят неудачу, что может существенно подорвать программу ИИ в организации.

    Если ваша компания планирует запустить несколько пилотных проектов, подумайте о создании когнитивного центра передового опыта или аналогичной структуры для управления ими. Такой подход помогает развить необходимые технологические навыки и возможности внутри организации, а также помогает переместить небольшие пилотные проекты в более широкие приложения, которые окажут большее влияние. В компании Pfizer реализовано более 60 проектов, в которых используются когнитивные технологии; многие из них являются пилотами, а некоторые сейчас находятся в производстве.

    В Becton, Дикинсон, подразделение «глобальной автоматизации» в ИТ-организации наблюдает за рядом пилотных проектов когнитивных технологий, в которых используются интеллектуальные цифровые агенты и RPA (некоторая работа выполняется в партнерстве с организацией Global Shared Services компании). Глобальная группа автоматизации использует сквозные карты процессов для руководства внедрением и определения возможностей автоматизации.Группа также использует графические «тепловые карты», которые указывают на деятельность организации, наиболее подверженную вмешательству ИИ. Компания успешно внедрила интеллектуальных агентов в процессы ИТ-поддержки, но пока не готова к поддержке крупномасштабных корпоративных процессов, таких как от заказа до оплаты. Страховая компания Anthem разработала аналогичную централизованную функцию искусственного интеллекта, которую она называет Cognitive Capability Office.

    Редизайн бизнес-процесса.

    По мере разработки проектов когнитивных технологий продумайте, как можно было бы изменить рабочие процессы, уделяя особое внимание разделению труда между людьми и ИИ.В некоторых когнитивных проектах 80% решений будут приниматься машинами, а 20% — людьми; у других будет противоположное соотношение. Систематическая перестройка рабочих процессов необходима для того, чтобы люди и машины дополняли друг друга и компенсировали слабые стороны.

    Инвестиционная компания Vanguard, например, предлагает новое предложение «Услуги личного консультанта» (PAS), которое сочетает в себе автоматизированные консультации по инвестициям с рекомендациями консультантов-людей. В новой системе когнитивные технологии используются для выполнения многих традиционных задач инвестиционного консультирования, включая создание индивидуального портфеля, изменение баланса портфелей с течением времени, сбор налоговых убытков и выбор эффективных с точки зрения налогообложения инвестиций. Человеческие консультанты Vanguard служат «инструкторами по инвестированию», которым поручено отвечать на вопросы инвесторов, поощрять здоровое финансовое поведение и быть, говоря словами Vanguard, «эмоциональными выключателями», чтобы держать инвесторов в курсе. Советникам рекомендуется изучить поведенческие финансы для эффективного выполнения этих ролей. Подход PAS быстро собрал более 80 миллиардов долларов в активах под управлением, затраты ниже, чем затраты на чисто человеческое консультирование, а удовлетворенность клиентов высока.

    Vanguard осознал важность изменения рабочего процесса при внедрении PAS, но многие компании просто «прокладывают путь коровам», автоматизируя существующие рабочие процессы, особенно при использовании технологии RPA. Автоматизируя установленные рабочие процессы, компании могут быстро реализовывать проекты и достигать рентабельности инвестиций, но они упускают возможность в полной мере использовать возможности искусственного интеллекта и существенно улучшить процесс.

    Усилия по редизайну когнитивной работы часто выигрывают от применения принципов дизайн-мышления: понимание потребностей клиентов или конечных пользователей, вовлечение сотрудников, чья работа будет реструктурирована, рассмотрение проектов как экспериментальных «первых набросков», рассмотрение множества альтернатив и явный учет возможностей когнитивных технологий в процесс проектирования.Большинство когнитивных проектов также подходят для итеративного гибкого подхода к разработке.

    4. Масштабирование

    Многие организации успешно запустили когнитивные пилотные проекты, но не достигли такого успеха в их развертывании в масштабах всей организации. Для достижения своих целей компаниям необходимы подробные планы масштабирования, что требует сотрудничества между экспертами по технологиям и владельцами автоматизируемых бизнес-процессов. Поскольку когнитивные технологии обычно поддерживают отдельные задачи, а не целые процессы, масштабирование почти всегда требует интеграции с существующими системами и процессами. Действительно, в нашем опросе руководители сообщили, что такая интеграция была самой большой проблемой, с которой они столкнулись в инициативах по ИИ.

    Компании должны начать процесс расширения с рассмотрения того, возможна ли вообще необходимая интеграция. Если приложение зависит от специальной технологии, которую трудно получить, например, это ограничит масштабирование. Убедитесь, что владельцы ваших бизнес-процессов обсуждают вопросы масштабирования с ИТ-организацией до или во время пилотного этапа: конечный запуск ИТ вряд ли будет успешным даже для относительно простых технологий, таких как RPA.

    Страховая компания Anthem, например, берет на себя разработку когнитивных технологий в рамках крупной модернизации существующих систем. Вместо того, чтобы привязывать новые когнитивные приложения к устаревшим технологиям, Anthem использует целостный подход, который максимизирует ценность, создаваемую когнитивными приложениями, снижает общую стоимость разработки и интеграции и создает эффект ореола в устаревших системах. В то же время компания модернизирует процессы, чтобы, как выразился ИТ-директор Том Миллер, «использовать когнитивные функции, чтобы вывести нас на новый уровень.”

    При увеличении масштаба компании могут столкнуться с серьезными проблемами управления изменениями. В одной из сетей розничной торговли одеждой в США, например, пилотный проект в небольшом подмножестве магазинов использовал машинное обучение для онлайн-рекомендаций по продуктам, прогнозов для оптимальных запасов и моделей быстрого пополнения, а также, что наиболее сложно, мерчендайзинга. Покупатели, привыкшие заказывать товар на основе своей интуиции, чувствовали угрозу и комментировали: «Если вы собираетесь верить этому, зачем я вам нужен?» После пилотного проекта покупатели всей группой пошли к начальнику отдела мерчандайзинга и потребовали прекратить программу.Исполнительный директор указал, что результаты были положительными и оправдывают расширение проекта. Он заверил покупателей, что, освободившись от определенных задач по сбыту товаров, они могут взять на себя более значительную работу, которую люди могут выполнять лучше, чем машины, например, понимание желаний молодых клиентов и определение будущих планов производителей одежды. В то же время он признал, что мерчандайзеров необходимо обучать новому способу работы.

    Для достижения желаемых результатов при расширении масштабов фирмы также должны сосредоточиться на повышении производительности.Многие, например, планируют повысить свою продуктивность, добавляя клиентов и транзакции без увеличения штата. Компаниям, которые ссылаются на сокращение численности персонала в качестве основного оправдания инвестиций в ИИ, в идеале следует планировать достижение этой цели с течением времени за счет выбытия персонала или отказа от аутсорсинга.

    Когнитивная компания будущего

    Наш опрос и интервью показывают, что менеджеры, имеющие опыт работы с когнитивными технологиями, оптимистично оценивают их перспективы. Хотя первые успехи относительно скромны, мы ожидаем, что эти технологии в конечном итоге изменят работу.Мы считаем, что компании, которые постепенно внедряют ИИ сейчас и имеют агрессивные планы внедрения в будущем, окажутся в таком же удобном положении для получения выгод, как и компании, которые на раннем этапе внедрили аналитику.

    Благодаря применению искусственного интеллекта информационные области, такие как маркетинг, здравоохранение, финансовые услуги, образование и профессиональные услуги, могут стать одновременно более ценными и менее дорогостоящими для общества. Кропотливая рутинная работа в каждой отрасли и сфере деятельности — наблюдение за рутинными операциями, многократные ответы на одни и те же вопросы и извлечение данных из бесконечных документов — может стать уделом машин, что позволит людям работать более продуктивно и творчески.Когнитивные технологии также являются катализатором успеха других технологий с интенсивным использованием данных, включая автономные транспортные средства, Интернет вещей, а также мобильные и многоканальные потребительские технологии.

    Когнитивные технологии опасаются того, что они лишат работы массу людей. Конечно, возможна потеря работы, поскольку умные машины берут на себя определенные задачи, традиционно выполняемые людьми. Однако мы считаем, что на данный момент большинству рабочих нечего опасаться. Когнитивные системы выполняют задачи, а не всю работу.Убытки рабочих мест, которые мы наблюдали, были вызваны главным образом убытком работников, которые не были заменены, или автоматизацией работы по аутсорсингу. Большинство когнитивных задач, выполняемых в настоящее время, дополняют человеческую деятельность, выполняют узкую задачу в рамках гораздо более широкой работы или выполняют работу, которая изначально не выполнялась людьми, например, анализ больших данных.

    Большинство менеджеров, с которыми мы обсуждаем проблему потери работы, привержены стратегии увеличения, то есть интеграции человеческого и машинного труда, а не полной замены людей.В нашем опросе только 22% руководителей указали, что считают сокращение штата главным преимуществом ИИ.

    Мы считаем, что каждая крупная компания должна изучать когнитивные технологии. На дороге будут неровности, и нет места для самоуспокоения по вопросам перемещения рабочей силы и этики умных машин. Но при правильном планировании и развитии когнитивные технологии могут открыть золотой век производительности, удовлетворения от работы и процветания.

    Версия этой статьи появилась в выпуске журнала Harvard Business Review за январь – февраль 2018 г. (стр. 108–116).

    Определение искусственного интеллекта (AI)

    Что такое искусственный интеллект (ИИ)?

    Искусственный интеллект (ИИ) относится к моделированию человеческого интеллекта в машинах, которые запрограммированы думать, как люди, и имитировать их действия. Этот термин также может применяться к любой машине, которая проявляет черты человеческого разума, такие как обучение и решение проблем.

    Идеальной характеристикой искусственного интеллекта является его способность рационализировать и предпринимать действия, которые имеют наилучшие шансы на достижение конкретной цели. Подмножество искусственного интеллекта — это машинное обучение, которое относится к концепции, согласно которой компьютерные программы могут автоматически учиться на новых данных и адаптироваться к ним без помощи человека. Методы глубокого обучения делают возможным автоматическое обучение за счет поглощения огромных объемов неструктурированных данных, таких как текст, изображения или видео.

    Ключевые выводы

    • Искусственный интеллект относится к моделированию человеческого интеллекта в машинах.
    • Цели искусственного интеллекта включают обучение, рассуждение и восприятие.
    • AI используется в различных отраслях, включая финансы и здравоохранение.
    • Слабый ИИ обычно прост и ориентирован на выполнение одной задачи, в то время как сильный ИИ выполняет более сложные и похожие на человека задачи.

    Понимание искусственного интеллекта (AI)

    Когда большинство людей слышат термин «искусственный интеллект», первое, что они обычно думают, — это роботы.Это потому, что в высокобюджетных фильмах и романах сплетаются истории о человекоподобных машинах, сеющих хаос на Земле. Но ничто не могло быть дальше от истины.

    Искусственный интеллект основан на том принципе, что человеческий интеллект можно определить таким образом, чтобы машина могла легко имитировать его и выполнять задачи, от самых простых до еще более сложных. Цели искусственного интеллекта включают обучение, рассуждение и восприятие.

    По мере развития технологий предыдущие тесты, которые определяли искусственный интеллект, устаревают.Например, машины, которые вычисляют базовые функции или распознают текст посредством оптического распознавания символов, больше не считаются воплощением искусственного интеллекта, поскольку эта функция теперь воспринимается как должное как неотъемлемая функция компьютера.

    ИИ постоянно развивается, принося пользу во многих отраслях. Машины подключены с использованием междисциплинарного подхода, основанного на математике, информатике, лингвистике, психологии и многом другом.

    Алгоритмы часто играют очень важную роль в структуре искусственного интеллекта, где простые алгоритмы используются в простых приложениях, а более сложные помогают сформировать сильный искусственный интеллект.

    Применение искусственного интеллекта

    Приложения для искусственного интеллекта безграничны. Технология может применяться во многих различных секторах и отраслях. ИИ тестируется и используется в отрасли здравоохранения для дозирования лекарств и различных видов лечения пациентов, а также для хирургических процедур в операционной.

    Другие примеры машин с искусственным интеллектом включают компьютеры, которые играют в шахматы, и беспилотные автомобили. Каждая из этих машин должна взвесить последствия любого своего действия, поскольку каждое действие повлияет на конечный результат.В шахматах конечный результат — победа. В случае беспилотных автомобилей компьютерная система должна учитывать все внешние данные и вычислять их, чтобы действовать таким образом, чтобы предотвратить столкновение.

    Искусственный интеллект также имеет приложения в финансовой индустрии, где он используется для обнаружения и маркировки деятельности в банковской и финансовой сфере, такой как необычное использование дебетовых карт и крупные депозиты на счетах, — все это помогает отделу банка по борьбе с мошенничеством. Приложения для ИИ также используются, чтобы упростить и упростить торговлю.Это достигается за счет упрощения оценки предложения, спроса и цен на ценные бумаги.

    Категоризация искусственного интеллекта

    Искусственный интеллект можно разделить на две категории: слабый и сильный. Слабый искусственный интеллект представляет собой систему, предназначенную для выполнения одной конкретной работы. Слабые системы искусственного интеллекта включают видеоигры, такие как пример шахмат сверху, и личных помощников, таких как Amazon Alexa и Apple Siri. Вы задаете помощнику вопрос, он отвечает на него за вас.

    Сильные системы искусственного интеллекта — это системы, которые выполняют задачи, которые считаются человеческими. Это, как правило, более сложные и сложные системы. Они запрограммированы так, чтобы справляться с ситуациями, в которых от них может потребоваться решить проблему без вмешательства человека. Такие системы можно найти в таких приложениях, как беспилотные автомобили или в больничных операционных.

    Особенности

    С момента своего появления искусственный интеллект стал объектом пристального внимания как ученых, так и общественности.Одна из распространенных тем — идея, что машины станут настолько высокоразвитыми, что люди не смогут за ними поспевать, и они будут взлетать сами, модернизируя себя с экспоненциальной скоростью.

    Во-вторых, машины могут взламывать частную жизнь людей и даже использоваться в качестве оружия. Другие аргументы спорят об этике искусственного интеллекта и о том, следует ли относиться к интеллектуальным системам, таким как роботы, наравне с людьми.

    Беспилотные автомобили вызывают довольно много споров, поскольку их машины, как правило, рассчитаны на наименьший возможный риск и наименьшие потери.Если представить сценарий одновременного столкновения с одним человеком или другим, эти автомобили будут рассчитывать вариант, который нанесет наименьший ущерб.

    Еще одна спорная проблема, с которой сталкиваются многие люди с искусственным интеллектом, — это то, как он может повлиять на занятость людей.

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *

    2021 © Все права защищены. Карта сайта