Искусственный интеллект где используется: Искусственный интеллект, разработка и области применения

Искусственный интеллект, разработка и области применения

Искусственный интеллект — это не будущее, искусственный интеллект — это настоящее.

Cодержание:

Технологии искусственного интеллекта (ИИ) применяются повсеместно уже почти с десяток лет. Это дало нам много интеллектуальных продуктов, которые мы активно используем в повседневной жизни. Однако они еще очень далеки, чтобы называться «интеллектом» и имеют большой потенциал для улучшения.

Так, все, чего мы достигли до сегодняшнего дня — это библиотеки для разработки ИИ, которые в основном требуют контролируемого обучения. Тем не менее такие технологические гиганты, как Microsoft, Facebook и Google, работают над созданием программ, которые будут работать поверх существующих библиотек разработки ИИ, чтобы дать им кроссплатформенность и поддержку самообучения.

Для разработки самообучающегося ИИ будут использоваться большие данные (англ. big data), квантовые вычисления, распределенные вычисления и связь 5G.

Что такое искусственный интеллект?

Искусственный интеллект — это искусственно созданная система, основной целью которой является воспроизведение некоторых или всех черт человеческого интеллекта, а именно — планирование, обучение, рассуждение, решение проблем, оперирование данными и их использование, восприятие, контроль и манипулирование объектами и, в меньшей степени, социальный интеллект и креативность.

Как мы знаем, человеческое мышление базируется на взаимодействии нейронов мозга, связи которых изменяются под влиянием жизненного опыта.

Аналогично, алгоритмы ИИ были разработаны на основе нейронных сетей, которые позволяют компьютерам обретать новые навыки, как это делают люди.

Так может выглядеть многослойная нейронная сеть, которая анализирует цифры на изображении

Нет необходимости программировать всю логику ИИ вручную, поскольку компьютер способен оптимизировать программу и самостоятельно подстраиваться для корректного выполнения необходимых действий.

На какой технологии основаны современные системы ИИ?

Существует несколько основных, базовых направлений в разработке ИИ, но на текущий момент, наиболее эффективны алгоритмы на основе CNN (сверточная нейронная сеть) и RNN (рекуррентная нейронная сеть).

CNN — это однонаправленная (без обратных связей) многослойная сеть, которая отлично подходит для работы с такими данными, как изображения и видео, где данные размещены в виде сетки пикселей. В свою очередь RNN хорошо справляется с последовательными данными, такими как текст и аудио.

CNN называется «сетью прямой связи», а RNN называется «сетью обратной связи».

Книга по теме: Искусственный интеллект. Что стоит знать о наступающей эпохе разумных машин

Слух, возможность говорить, зрение и прогнозирующая интуиция базируются на использовании обеих сетей (CNN и RNN), а также технологии обработки естественного языка (NLP), которые дополняют друг друга. Подобные технологии используются в Alexa, Siri, Google Now, Cortana и других интеллектуальных голосовых помощниках.

Какие программы используются для создания ИИ?

Существуют десятки фреймворков для разработки ИИ, но в этот список включены только самые выдающиеся.

KERAS

Это библиотека нейронных сетей на основе Python с открытым исходным кодом, которая может работать под управлением Microsoft CNTK (Cognitive Toolkit), Tensorflow и многих других сред.

KERAS лучше всего подходит новичкам.

TENSORFLOW

Tensorflow является наиболее выдающейся средой для разработки искусственного интеллекта, которая использует методы машинного обучения, такие как нейронные сети.

Tensorflow был разработан командой Google Brain, именно этот фреймворк в ответе за автозавершение фраз в текстовое поле поисковой системы Google, а также ИИ приложений Google.

SONNET

Созданная командой Google DeepMind, Sonnet — это библиотека, работающая поверх TensorFlow для построения сложных нейронных сетей глубокого обучения. SONNET лучше всего подходит для исследований и разработок в области искусственного интеллекта и является очень сложной для новичков.

CNTK (Microsoft Cognitive Toolkit)

Ранее известный как CNTK, Microsoft Cognitive Toolkit нацелен обучить алгоритмы мыслить как человеческий мозг. Он обладает скоростью, масштабируемостью, качеством и совместимостью с C ++ и Python. Microsoft использует его для функций AI в Skype, Cortana и Bing.

Microsoft CNTK позволяет пользователям комбинировать популярные модели глубокого обучения, такие как DNN, CNN и RNN.

PYTORCH

Pytorch — это библиотека машинного обучения с открытым исходным кодом для Python, основанная на Torch, которая использует технологии обработки естественного языка (NLP).

DL4J (Deeplearning4j)

Deeplearning4j — это библиотека с открытым исходным кодом для разработки ИИ с использованием методов глубокого обучения. Написана специально для Java и JVM (Java Virtual Machine).

DL4J работает на базе собственной библиотеки числовых вычислений и может работать как на CPU, так и на GPU.

Есть еще много различных сред для разработки искусственного интеллекта. Коротко лишь отметим ONNX, платформу глубокого обучения, которая совместно разработана Facebook и Microsoft, а также перечислим несколько других: h3O, DSSTNE, Theano, DeepDetect, ConvNetJS, ACT-R, Caffe и CaffeOnSpark.

MXNET

Apache MXNET — это программная среда с глубоким обучением для развертывания нейронных сетей. Она имеет масштабируемую модель обучения, которая поддерживает несколько языков программирования для разработки AI: Go, R, Scala, Perl, C ++, Python, Julia, Matlab, JavaScript, и является проектом с открытым исходным кодом.

MXNET используется для развертывания нейронных сетей в службах общего хостинга, таких как AWS и Microsoft Azure.

Где используется искусственный интеллект?

Интеллектуальные системы применяются в разных областях и сферах. Их можно найти в голосовых помощниках, в торговых роботах, военных разработках и так далее. Давайте пробежимся по наиболее важным.

Голосовые помощники

Голосовые помощники, основанные на базе искусственного интеллекта, такие как Siri, Google Now, Alexa, Bixby и Cortana. Они слушают, что говорит пользователь, чтобы преобразовать речь в машиночитаемый вектор, после чего выдается вектор ответа, который произносится голосовым помощником с помощью Natural Language Processing (NLP).

Умные помощники

Autodesk Eva является отличным примером интеллектуального помощника, который использует CNN и NLP для взаимодействия с клиентами в режиме реального времени.

Умный помощник, смоделированный в 3D, может вести диалог с клиентом в режиме реального времени и имитировать соответствующие выражение лица.

Беспилотные автомобили

Беспилотные автомобили используют радар, LIDAR (детектор света и определитель дистанции), GPS и камеру для создания трехмерных моделей приближающихся транспортных средств. Все эти данные объединяются для определения местоположения транспортного средства с очень высокой точностью. Водителем выступает ИИ, который анализирует всю поступающую информацию с датчиков.

Распознавание лиц

Вам может быть интересно: Почему современный ИИ — это тупиковая ветвь развития технологий

Разработка искусственного интеллекта на основе CNN сделала возможным внедрение системы распознавания лиц.

Недавно в Китае начали использовать систему распознавания лиц с помощью камер видеонаблюдения по всему городу, налагая штраф за нарушение правил дорожного движения. Магазины Alibaba в Китае используют распознавание лиц и изображений для выставления счета.

Балансировка нагрузки

Балансировка нагрузки на дороги, транспортные системы, серверы и так далее.

Языковые переводчики

Гугл переводчик является хорошим примером. Он имеет два модуля: кодировщик и декодер. Кодировщик берет входные предложения из речи или текста, а затем переводит их в вектор, который является одинаковым форматом для входных данных со всех языков.

Модуль декодера принимает этот вектор в качестве входных данных, а затем генерирует текст или речь на целевом языке. Распознавание языка происходит с помощью RNN, вывод речи выполняется с помощью NLP.

Поиск и анализ изображений

Поиск и анализ изображений используется для проверки плагиата,
поиска людей, для SEO целей, поиска оскорбительного контента в социальных сетях.

Оптимизация для достижения наилучших результатов

Модули Deepmind были обучены игре в шахматы, Go, Dota 2, Starfield 2.

Эти модули наиграли игр на сотни лет всего за несколько недель обучения, что привело AI к победе над лучшими игроками в мире.

Конечно, это не все сферы применения ИИ. По мере развития технологий и способностей ИИ, сфера применения интеллектуальных систем будет только расширяться.

Если тенденция развития технологий сохранится или ускорится, боюсь, что мы успеем застать эпоху, когда компьютеры станут умнее людей, и все службы, системы и средства будут подключены к централизованной системе под управлением искусственного интеллекта.

Искусственный интеллект: что это такое и где его применяют

«Искусственный интеллект — это самое лучшее или самое худшее, что когда-либо случилось с человечеством». Стивен Хокинг.

Это цитата из выступления английского физика во время церемонии открытия кембриджского центра Future of Intelligence в 2016 году, в обязанность которого будет входить исследование актуальных и обсуждаемых тем, связанных с Artificial Intelligence (искусственным интеллектом). И исследовать есть что. Ведь, когда речь заходит о технологиях с использованием ИИ, многие из нас мысленно представляют далекое будущее с космическими путешествиями или восстание машин, где даже IQ миксера будет выше, чем у среднестатистического человека. Несмотря на то, что ИИ исследуются еще с конца ХХ века, эта технология является одной из самых сложных, непонятных, и от этого пугающей. Давайте вместе разбираться, что такое искусственный интеллект, где сегодня используется и каковы перспективы развития технологии.

Когда началось исследование искусственного интеллекта

После 1945 года одновременно несколько ученых стали работать над созданием интеллектуальных машин независимо друг от друга. И в 1947 году английский математик Алан Тьюринг одним из первых пришел к выводу, что для исследования ИИ логичнее не конструировать умные устройства, а заняться программированием компьютеров.

Искусственный интеллект: что это

Интеллект – способность воспринимать информацию, запоминать ее, а также использовать для построения адаптивного поведения в нужных ситуациях и контексте. Соответственно, технологии на основе ИИ способны моделировать работу человеческого мозга, считающуюся интеллектуальной.

Artificial Intelligence представляет собой технологию создания интеллектуальных устройств и программ, которые могут воспринимать новую информацию, оценивать и применять абстрактные методы понимания, а также справляться с творческими задачами.

Такое понятие было дано Джоном Маккарти еще в 1956 году на конференции в Дартмутском университете. Таким оно и остается сегодня, несмотря на технологический прорыв, которого удалось достичь за последние годы. В основе устройств с ИИ – восприятие, опыт, воображение и память.

Технологии ИИ можно разделить на два вида:

• узконаправленный или слабый, способный выполнять определенный спектр задач. Все известные устройства ИИ относятся к этой группе.
• сильный. Примером сильного ИИ является Джарвис (интерактивный помощник в «Железном человеке»), создание которого в реальности сегодня не под силу.

Следует понимать, что наличие интеллекта, пусть и искусственного, не говорит о наличии сознания. Этот миф «принесли» с собой писатели-фантасты. Инженеры способны научить машину выполнять ряд действий, но это не говорит о создании устройства идентичному человеческому мозгу. На данный момент это невозможно, хотя бы по той причине, что даже на сегодняшний день ученым так и не удалось узнать о всех особенностях, функциях и возможностях человеческого мозга.

Термин «ИИ» является обобщенным, и данном этапе используется его более узкое понятие — нейронные сети.

Один из способов реализовать технологию Artificial Intelligence является нейросети.

Строение нейросети берет за основу нервные сети (отсюда название) живого организма. Такая искусственная сеть имитирует процесс обработки данных мозга и представляет собой скопление мини-процессоров, которых можно разделить на:

• сенсоры принимают информацию;
• реагирующая группа, через которые нейросеть выдает результат;
• ассоциативные (скрытые) – функционирующая группа нейронов, между точками сенсоров и реагирующих. Основная часть работы проводится именно на уровне ассоциативных.

Отличительной чертой нейросетей является тот факт, что их не программируют, а обучают. Нейросети разделяют на, обучающихся без учителя (unsupervised learning), обучаемые и смешанного типа. В случае с обучаемой нейросетью, создатель должен корректировать результаты, в то время как, самообучающаяся – находит правильные решения самостоятельно.

Для функционирования искусственных нейросетей используются методы машинного обучения. В зависимости от вводных данных (их объема и точности) зависит результат обучения. Следует также отметить, что, чем больше нейронов задействовано, тем более совершенной будет созданная сеть.

Вводные данные попадают в систему хранения, где при помощи определенных фильтров данные будут размещены по классам (по ряду признаков и свойств), и при помощи тех же фильтров будут обрабатываться и идентифицироваться новые изображения или вопросы.

Для обучения ИНС используются дедуктивный и интуитивный метод обучения. В первом варианте основой для решения является опыт предшественников, которые предварительно занесен в базу. Для второго варианта система должна сама находить связи между данными, находить закономерности и подбирать оптимальные решения.

Первые нейронные сети выдавали результат с довольно большой погрешностью, но после создания в 2010 году базы изображений ImageNet, которая хранила 15 млн. различных изображений, разделенных на 22 тысячи категорий. Кроме того, для совершенствования современных нейронных сетей используют оба метода обучения, а также программируют вероятность непредсказуемых событий. Это позволило вывести обучение ИНС на новый более качественный уровень, и интегрировать технологию в повседневную жизнь, и сделать ее функционирование более сходным с человеческим.

Почему искусственный интеллект превосходит людей

Система ничего не забывает, она обладает абсолютной памятью. Она учитывает все факторы, которые могут повлиять на результат. Нет сомнений. Каждое действие обосновано, просчитано и выбрано лучшее. Отсутствие эмоций: усталость, раздражительность или радость не смогут отразится на работе. ИИ продумывает не только текущий шаг, но и несколько последующих вариантов. На случай «а что, если..» у нее всегда есть ответ.

Имеющиеся в распоряжении ИИ ресурсы, позволяют рассматривать все сценарии развития ситуации/игры/торгов. И в нашей повседневной жизни технология искусственного интеллекта уже нашла свое применение.

Примеры использования ИИ

Распознавание лиц

В яблочном смартфоне iPhone X для распознавания людей используются нейросети. Алгоритмы на базе процессора A11 Bionic могут выполнять 60 млрд вычислений в секунду. Этого достаточно, чтобы практически мгновенно сопоставить 40 тыс. основных точек на лице человека и идентифицировать его.

Викторина, финансы, медицина

Суперкомпьютер Watson анализирует речь (вопросы) и находит ответы. Watson – 90 серверов, каждый из которых состоит из четырех 8-ми ядерных процессоров POWER7., а объем ОП – 15ТБ. Это позволило системе стать лучшей в викторине «Jeopardy!», помогать финансистам при составлении рисков и торгов на биржах, участвовать в диагностике онкологических заболеваний. Система считается одной из лучших для обработки большого числа информации.

Творчество во всей нейро-красе

ИИ от Microsoft может создавать картины, а система Amper смогла не только написать музыку, но и исполнить ее вместе с певицей Тэрин Саузерн. Поклонники Курта Кобейна Одно из подразделений интернет-гиганта Alibaba Group создало технологию, которая способна заменить копирайтеров и самостоятельно создавать необходимые тексты и описания.

Медицина

Ученые Массачусетского технологического института разработали систему DeepFaceLIFT, которая способна распознавать уровень боли, основываясь на микровыражения лица. Эта технология позволит достоверно идентифицировать людей, которым действительно больно, от тех, кто зависим от обезболивающих.

Самые распространенные технологии с использованием ИИ это, конечно же, голосовые помощники Google Assistant, Siri и Алиса, алгоритмы для подбора товаров на сайте (Brain, на Youtube, чат-боты товарами на Amazon).

Развитие ИИ вызывает немало тревог, одно из основных – потеря рабочих мест. Уже сегодня, несмотря на то, что до создания широко функциональной сети ученые так и не приблизились, устройства и умные машины способны заменить людей на 43% рабочих мест. Однако, не следует забывать, что в ответ на эти изменения, в трудовом сегменте возникают и другие: появляются новые специальности и направления.

Трансформация происходит не только с системами, мы сами ежедневно меняемся и совершенствуемся, поэтому необходимо не искать проблему в новинке, а использовать ее для решения настоящих проблем. Сейчас мы стоим только у истоков развития этой революционной технологии и можем лишь предположить куда она нас заведет, но уже в ближайшем будущем мы получим точный ответ на вопрос, что такое искусственный интеллект.

Системы искусственного интеллекта – их развитие и области применения

Термин искусственный интеллект (ИИ) в 1956 году ввел Джон Маккарти на международной конференции в Дартмутском университете.

В 60-ых годах прошлого столетия разработками заинтересовалось министерство обороны США — проектировались компьютеры, имитирующие человеческие рассуждения. Эти работы легли в основу современных решений. Сегодня под ИИ подразумевают особые свойства программ, которые могут выполнять сложные функции, схожие с человеческой деятельностью.

Разберемся с основными понятиями:

Искусственный интеллект
(англ. Artificial intelligence (AI)) — под этим термином понимается область информатики, в рамках которой разрабатываются компьютерные программы для выполнения задач, способных имитировать человеческий подход — обнаруживать смысл, обобщать и делать выводы, выявлять взаимосвязи и обучаться с учетом накопленного опыта.

Искусственный интеллект никого не заменяет, цель его применения — расширение и дополнение возможностей человека.

Машинное обучение
 — одно из направлений искусственного интеллекта, благодаря которому воплощается ключевое свойство — самообучение на основе получаемых данных. Чем больше объем информации и ее разнообразие, тем проще ИИ найти закономерности и тем точнее будет выдаваемый результат.

Нейронная сеть
(нейросеть) в контексте этой тематики — один из видов машинного обучения — особая математическая модель и ее программная реализация, которая в упрощенном виде воссоздает принципы строения и работы биологической нейронной сети.

Ключевое свойство нейросети — использование опыта для самообучения, т.е. чем больше данных в распоряжении ИИ, тем меньше совершается ошибок.

Обработка естественного языка
(англ. Natural Language Processing, NLP) — способность программного решения или компьютера распознавать, понимать и воспроизводить привычный язык человека.
Система искусственного интеллекта — пользовательское ИИ-приложение или их комплекс для решения бизнес-задач, выполнение которых традиционно оставалось за человеком.

Развитие искусственного интеллекта как направления связывают с необходимостью решать конкретные задачи, которые зачастую трудоемки для людей. Однако пока каждая разработка закрывает свой узкий круг задач: для медицинских целей, для автоматизации и оптимизации рутинных процессов, умный глобальный поиск информации и т.д.

Почему технологии искусственного интеллекта набирают популярность именно сейчас?

С середины XX века писатели-фантасты и режиссеры неустанно создают произведения на тему ИИ и роботов. Однако реальное применение высоких технологий стало возможно лишь недавно — 10-15 лет назад, этому способствовало несколько факторов:

• стали доступнее вычислительные ресурсы высокой мощности (производительности). Речь идет не только о самом наличии таких машин, но и о ценовой политике. А с развитием облачных технологий пропала необходимость размещать все локально — еще один пункт, на котором экономятся средства.
• накопились достаточные объемы информации для обучения ИИ. Во-первых, человечество стало активно использовать компьютеры в работе, что со временем позволило собрать необходимые данные в цифровом виде. Во-вторых, мы научились обрабатывать структурированную и неструктурированную информацию.
• компании опробовали и увидели эффект от применения технологий искусственного интеллекта —быстрое распознавание документов и дальнейшая обработка, выдача рекомендаций на основе анализа, сокращение трудоемкости ручных операций и моментальное выявление рисков.
• всеобщий курс крупных организаций на цифровую трансформацию, что подразумевает не только внедрение передовых технологий для усиления конкурентных преимуществ, но и смену подхода к привычным процессам в целом.

Применение искусственного интеллекта

Спрос на передовые технологии растет в каждой отрасли. Например, в здравоохранении нужны «умные» личные помощники, которые вовремя напомнят о приеме лекарств, проследят за физической активностью человека, а в перспективе помогут выбрать тактику лечения, в торговле ИИ помогает прогнозировать обороты товара, а в финансовых операциях — выявлять мошенничество.

Прикладных задач для программ искусственного интеллекта много, но все они базируются на нескольких ключевых свойствах:

• ИИ — программное решение, которое используется для автоматизации ручных задач человека, часто выполняемых и в большом объеме.
• программы искусственного интеллекта чаще всего работают вкупе с другими прикладными приложениями и заметно повышают их эффективность: например, голосовые помощники в смартфонах, боты в интернет-магазинах, автоматические обработчики документов у секретаря.
• прогрессивные алгоритмы обучения и постоянная адаптация: ИИ находит закономерности в больших объемах данных, поэтому способен давать рекомендации и прогнозировать показатели.
• объемы данных, которые может анализировать и использовать в работе ИИ, огромны. С появлением достаточно мощных (производительных) компьютеров стало возможно хранить и обрабатывать множество информации.
• высокая точность в решении задач, при этом точность возрастает с увеличением объема данных, доступных для анализа и обучения. Кроме того, машина не устает — ошибки, которые допускает человек в силу усталости, невнимательности, неправильных расчетов исключаются.

Ближе к реальности — ИИ в бизнес-процессах современного офиса

Крупные современные организации в большинстве своем прошли этап цифровизации основных деловых процессов — делопроизводство, управление совещаниями, работа с контрактами, обращениями граждан и организаций и т.п. Дальнейшее развитие проектов происходит в двух направлениях: первое — охват новых областей, таких как кадровое делопроизводство, управление командировками, второе — снижение трудоемкости выполнения ежедневных задач.

Снизить трудоемкость и избавить от рутины как раз помогает применение интеллектуальных сервисов, таких как Directum Ario.

1 минута

среднее время обработки одного письма

Делопроизводство. Исключается ручной перенос информации из поступившей корреспонденции в систему электронного документооборота (СЭД):

1. документы подхватываются со сканера или электронной почты, а затем сортируются по комплектам
2. сервисы Ario также распознают текст и извлекают необходимую информацию
3. все экземпляры классифицируются и заносятся в СЭД с автоматическим заполнением карточек.

Умный поиск Directum Smart Search поможет быстро найти информацию, даже если не заданы точные критерии, а запрос введен в свободной форме и отражен лишь приблизительный смысл.

более 95%

точность определения счета и статьи затрат

Бухгалтерия. Упрощается обработка входящих комплектов, а корректность их заполнения проверяется автоматически:

1. поступающие первичные учетные документы распознаются с помощью Ario и распределяются так, что бухгалтер получает их в виде готовых комплектов на проверку;
2. программа искусственного интеллекта проверяет полноту комплекта, правильность указанных сумм, сопоставляем с заказом, спецификациями и номенклатурой. Максимально точно определяется счет и статья затрат.

В платежных документах система с применением ИИ определяет бухгалтерский счет и статью затрат по назначению платежа и контрагенту.

Также упрощается подготовка авансовых отчетов — документы создаются автоматически на основании электронных билетов и фотографий чеков. Сервисы Ario заполняют поля отчета и отправляют на согласование.

5 минут

обработка договора и выявление изменений

Договорная деятельность. Повышается эффективность уже автоматизированных процессов: сервисы Ario проверяют, насколько отличается содержание цифровой версии договора с подписанным бумажным экземпляром. Все несовпадения выделяются. Кроме того, система искусственного интеллекта контролирует наличие обязательных реквизитов и проверяет условия договора с точки зрения возможных рисков: штрафы, пени, сроки платежей.

1-2 минуты

среднее время обработки обращения

Работа с обращениями. Сервисы Ario определяют поступающие запросы по содержанию и классифицируют обращения по типам, например, заявки в службу поддержки и обращения от юридических и физических лиц.

Регистрационные карточки заполняются автоматически, в т.ч. определяется ответственный. Регистратору остается проверить правильность заполнения.

более 92%

корректность извлечения данных из документов

Кадровые процессы. Сервисы Ario помогают распознавать личные документы (паспорт, справки, дипломы и т.п.), полученные со сканера или почты. Специалист HR-службы получает документы по кандидату с уже заполненными карточками в системе.

как он работает, и уничтожит ли наше общество уже в этом году? / Хабр

Сегодняшний ИИ технически «слабый» – однако он сложный и может значительно повлиять на общество

Не нужно быть Киром Дулли, чтобы знать, насколько пугающим может стать хорошо соображающий искусственный интеллект [американский актёр, исполнявший роль астронавта Дэйва Боумена в фильме «Космическая одиссея 2001 года» / прим. перев.]

ИИ, или искусственный интеллект, сейчас одна из самых важных областей знания. Решаются «нерешаемые» задачи, инвестируются миллиарды долларов, а Microsoft даже нанимает Коммона, чтобы он рассказал нам поэтическим штилем, какая это замечательная штука – ИИ. Вот ведь.

И, как с любой новой технологией, бывает сложно пробраться через всю эту шумиху. Я годами занимаюсь исследованиями в области беспилотников и «ИИ», однако даже мне бывает сложно успевать за всем этим. В последние годы я много времени провёл в поисках ответов даже на простейшие вопросы типа:

• Что подразумевают люди, говоря «ИИ»?
• В чём разница между ИИ, машинным обучением и глубоким обучением?
• Что такого замечательного в глубоком обучении?
• Какие бывшие сложными задачи теперь решать легко, а что до сих пор тяжело?

Я знаю, что не один интересуюсь подобными вещами. Поэтому, если вам интересно, с чем связаны все эти восторги по поводу ИИ на простейшем уровне, пора заглянуть за кулисы. Если вы – эксперт по ИИ, и читаете отчёты с конференции по нейрологической обработке информации (NIPS) для развлечения, в статье ничего нового для вас не будет – однако мы ждём от вас уточнений и исправлений в комментариях.

Что такое ИИ?

В информатике есть такая старая шутка: в чём разница между ИИ и автоматизацией? Автоматизация – это то, что можно делать с помощью компьютера, а ИИ – это то, что мы хотели бы уметь делать. Как только мы узнаём, как что-то делать, это переходит из области ИИ в разряд автоматизации.

Эта шутка справедлива и сегодня, поскольку ИИ не определён достаточно чётко. «Искусственный интеллект» – это просто не технический термин. Если залезть в Википедию, то там написано, что ИИ – это «интеллект, демонстрируемый машинами, в отличие от естественного интеллекта, демонстрируемого людьми и другими животными». Менее чётко и не скажешь.

В целом, есть два типа ИИ: сильный и слабый. Сильный ИИ представляет себе большинство людей, когда слышат об ИИ – это какой-то богоподобный всезнающий интеллект типа Skynet или Hal 9000, способный на рассуждения и сравнимый с человеческим, при этом превосходящий его возможности.

Слабые ИИ – высоко специализированные алгоритмы, разработанные для получения ответов на определённые полезные вопросы в узко определённых областях. К примеру, в эту категорию попадает очень хорошая шахматная программа. То же можно сказать о ПО, очень точно подстраивающем страховые платежи. В своей области такие ИИ достигают впечатляющих результатов, но в целом они весьма ограничены.

За исключением голливудских опусов, сегодня мы даже близко не подошли к сильному ИИ. Пока что любой ИИ – слабый, и большинство исследователей в данной области согласны с тем, что придуманные нами техники создания прекрасных слабых ИИ, скорее всего, не приблизят нас к созданию сильного ИИ.

Так что сегодняшний ИИ представляет собой больше маркетинговый термин, чем технический. Причина, по которой компании рекламируют свой «ИИ» вместо «автоматизации» заключается в том, что они хотят внедрить в общественное сознание голливудский ИИ. Однако это не так уж и плохо. Если отнестись к этому не слишком строго, то компании хотят лишь сказать, что, хотя мы ещё очень далеко от сильного ИИ, сегодняшний слабый ИИ куда как способнее существовавших несколько лет назад.

И если отвлечься от маркетинга, то так оно и есть. В определённых областях возможности машин резко возросли, и в основном благодаря ещё двум модным нынче словосочетаниям: машинное обучение и глубокое обучение.

Кадр из короткого видео от инженеров Facebook, демонстрирующего, как ИИ в реальном времени распознаёт кошек (задача, также известная, как святой Грааль интернета)

Машинное обучение

МО – это особый способ создания машинного интеллекта. Допустим, вы хотите запустить ракету, и предсказать, куда она попадёт. В общем и целом это не так уж и сложно: гравитация довольно неплохо изучена, вы можете записать уравнения и рассчитать, куда она отправится, на основании нескольких переменных – таких, как скорость и начальная позиция.

Однако такой подход становится неуклюжим, если мы обращаемся к той области, правила которой не так хорошо известны и ясны. Допустим, вы хотите, чтобы компьютер сказал вам, есть ли на каких-то изображениях из выборки кошки. Как вы будете записывать правила, описывающие вид во всех возможных точек зрения на все возможные комбинации усов и ушей?

Сегодня МО-подход хорошо известен: вместо того, чтобы пытаться записать все правила, вы создаёте систему, способную самостоятельно вывести набор внутренних правил после изучения огромного количества примеров. Вместо того, чтобы описывать кошек, вы просто показываете своему ИИ кучу фотографий кошек, и даёте ему самостоятельно понять, что является кошкой, а что – нет.

И на сегодня это идеальный подход. Систему, самостоятельно обучающуюся правилам на основе данных, можно улучшать, просто добавляя данных. А если наш вид что-то и умеет очень хорошо делать, так это генерировать, хранить и управлять данными. Хотите научиться лучше распознавать кошек? Интернет генерирует миллионы примеров прямо в эту минуту.

Всё возрастающий поток данных – одна из причин взрывного роста алгоритмов МО в последнее время. Другие причины связаны с использованием этих данных.

Кроме данных, для МО есть ещё два связанных с этим вопроса:

• Как мне запомнить изученное? Как хранить и представлять на компьютере связи и правила, которые я вывел из данных?
• Как мне обучаться? Как изменять сохранённую репрезентацию в ответ на поступление новых примеров, и улучшаться?

Иначе говоря, что именно обучается на основе всех этих данных?

В МО вычислительным представлением обучения, которое мы храним, является модель. Тип используемой модели очень важен: он определяет то, как учится ваш ИИ, на каких данных он может обучаться, и какие вопросы можно будет ему задавать.

Давайте посмотрим на очень простой пример. Допустим, мы покупаем в продуктовом магазине инжир, и хотим сделать ИИ с МО, который говорил бы нам, спелый ли он. Это должно быть легко сделать, поскольку в случае инжира, чем он мягче, тем слаще.

Мы можем взять несколько образцов спелого и неспелого инжира, посмотреть, насколько они сладкие, а потом разместить их на графике и подстроить под него прямую. Эта прямая будет нашей моделью.

Зародыш ИИ в виде «чем они мягче, тем слаще»

С добавлением новых данных задача усложняется

Посмотрите-ка! Прямая неявным образом следует идее о том, что «чем они мягче, тем слаще», и нам даже не пришлось ничего записывать. Наш зародыш ИИ не знает ничего о содержании сахара или созревании фруктов, но может предсказывать сладость фрукта, сжимая его.

Как натренировать модель, чтобы она стала лучше? Мы можем собрать ещё больше образцов и провести ещё одну прямую, чтобы получить более точные предсказания (как на второй картинке выше). Однако проблемы сразу становятся очевидными. Пока что мы обучали наш инжирный ИИ на качественных ягодах – а что, если мы возьмём данные из фруктового сада? Внезапно у нас появляются не только спелые, но и гнилые фрукты. Они очень мягкие, но определённо не подходят для еды.

Что нам делать? Ну, раз это модель МО, мы просто можем скормить ей больше данных, правильно?

Как показывает первая картинка внизу, в этом случае мы получим совершенно бессмысленные результаты. Прямая просто не подходит для описания того, что происходит, когда фрукт становится слишком спелым. Наша модель уже не вписывается в структуру данных.

Вместо этого нам придётся её поменять, и использовать более хорошую и сложную модель – возможно, параболу, или что-то похожее. Это изменение усложняет обучение, потому что для рисования кривых требуется более сложная математика, чем для рисования прямой.

Ладно, наверное, идея использовать прямую для сложного ИИ была не очень удачной

Требуется математика посложнее

Пример довольно глупый, но он показывает, что выбор модели определяет возможности обучения. В случае инжира данные простые, и модели могут быть простыми. Но если вы пытаетесь обучиться чему-то более сложному, требуются более сложные модели. Точно так же, как никакое количество данных не заставит линейную модель отражать поведение гнилых ягод, так невозможно подобрать простую кривую, соответствующую куче картинок, чтобы создать алгоритм компьютерного зрения.

Поэтому трудность для МО состоит в создании и выборе правильных моделей для соответствующих задач. Нам нужна модель, достаточно сложная для того, чтобы описать на самом деле сложные связи и структуры, но достаточно простая для того, чтобы с ней можно было работать и тренировать её. Так что, хотя интернет, смартфоны и так далее породили невероятные горы данных, на которых можно обучаться, нам всё равно нужны правильные модели, чтобы воспользоваться этими данными.

Именно тут и вступает в игру глубокое обучение.

Глубокое обучение

Глубокое обучение – это машинное обучение, использующее модель определённого вида: глубокие нейросети.

Нейросети – это тип модели МО, использующей структуру, напоминающую нейроны в мозге, для вычислений и предсказаний. Нейроны в нейросетях организуются послойно: каждый слой выполняет набор простых вычислений и передаёт ответ следующему.

Послойная модель позволяет проводить более сложные вычисления. Простой сети с небольшим количеством слоёв нейронов достаточно для воспроизводства использовавшейся нами выше прямой или параболы. Глубокие нейросети – это нейросети с большим количеством слоёв, с десятками, или даже сотнями; отсюда и их название. С таким количеством слоёв можно создавать невероятно мощные модели.

Эта возможность – одна из основных причин огромной популярности глубоких нейросетей в последнее время. Они могут обучаться различным сложным вещам, не заставляя человека-исследователя определять какие-то правила, и это позволило нам создать алгоритмы, способные решать самые разные задачи, к которым раньше компьютеры не могли подступиться.

Однако в успех нейросетей сделал свой вклад и ещё один аспект: обучение.

«Память» модели – это набор числовых параметров, определяющий то, как она выдаёт ответы на задаваемые ей вопросы. Обучать модель – значит, подстраивать эти параметры так, чтобы модель выдавала наилучшие ответы из возможных.

В нашей модели с инжиром мы искали уравнение прямой. Это задача простой регрессии, и существуют формулы, которые дадут вам ответ за один шаг.

Простая нейросеть и глубокая нейросеть

С более сложными моделями всё не так просто. Прямую и параболу легко представить несколькими числами, но глубокая нейросеть может иметь миллионы параметров, а набор данных для её обучения также может состоять из миллионов примеров. Аналитического решения в один шаг не существует.

К счастью, существует один странный трюк: можно начать с плохой нейросети, а потом улучшать её при помощи постепенных подстроек.

Обучение модели МО таким способом похоже на проверку ученика при помощи тестов. Каждый раз мы получаем оценку, сравнивая то, какие ответы должны быть по мнению модели, с «правильными» ответами в обучающих данных. Затем мы проводим улучшение и запускаем проверку снова.

Как мы узнаем, какие параметры надо подстраивать, и насколько? У нейросетей есть такое прикольное свойство, когда для многих видов обучения можно не только получить оценку в тесте, но и подсчитать, насколько именно она изменится в ответ на изменение каждого параметра. Говоря математическим языком, оценка – это функция значения, и для большинства таких функций мы легко можем подсчитать градиент этой функции относительно пространства параметров.

Теперь мы точно знаем, в какую сторону надо подстраивать параметры для увеличения оценки, и можно подстраивать сеть последовательными шагами во всё лучших и лучших «направлениях», пока вы не дойдёте до точки, в которой уже ничего нельзя улучшить. Это часто называют восхождением на холм, поскольку это действительно похоже на движение вверх по холму: если постоянно двигаться вверх, в итоге попадёшь на вершину.

Видали? Вершина!

Благодаря этому нейросеть улучшать легко. Если ваша сеть обладает хорошей структурой, получив новые данные, вам не нужно начинать с нуля. Можно начать с имеющихся параметров, и заново обучиться на новых данных. Ваша сеть будет постепенно улучшаться. Наиболее видные из сегодняшних ИИ – от распознавания кошек на Facebook до технологий, которые (наверное) использует Amazon в магазинах без продавцов – построены на этом простом факте.

Это ключ ещё к одной причине, по которой ГО распространилось так быстро и так широко: восхождение на холм позволяет взять одну нейросеть, обученную какой-то задаче, и переобучить её на выполнение другой, но сходной. Если вы обучили ИИ хорошо распознавать кошек, эту сеть можно использовать для обучения ИИ, распознающего собак, или жирафов, без необходимости начинать с нуля. Начните с ИИ для кошек, оценивайте его по качеству распознавания собак, и потом забирайтесь на холм, улучшая сеть!

Поэтому в последние 5-6 лет произошло резкое улучшение возможностей ИИ. Несколько кусочков головоломки сложились синергетическим образом: интернет сгенерировал огромный объём данных, на котором можно учиться. Вычисления, особенно параллельные вычисления на графических процессорах сделали возможной обработку этих огромных наборов. Наконец, глубокие нейросети позволили воспользоваться преимуществами этих наборов и создать невероятно мощные модели МО.

И всё это означает, что некоторые вещи, бывшие ранее крайне сложными, теперь делать очень легко.

И что мы теперь можем делать? Распознавание образов

Возможно, глубочайшее (пардон за каламбур) и скорейшее влияние глубокое обучение оказало на область компьютерного зрения – в особенности, на распознавание объектов на фотографиях. Несколько лет назад этот комикс от xkcd прекрасно описывал передний край информатики:

Сегодня распознавание птиц и даже определённых видов птиц – тривиальная задача, которую может решить правильно мотивированный старшеклассник. Что поменялось?

Идею визуального распознавания объектов легко описать, но сложно реализовать: сложные объекты состоят из наборов более простых, которые в свою очередь состоят из более простых форм и линий. Лица состоят из глаз, носов и ртов, а те состоят из кружочков и линий, и так далее.

Поэтому распознавание лиц становится вопросом распознавания закономерностей, в которых расположены глаза и рты, что может потребовать распознавания форм глаза и рта из линий и кружочков.

Эти закономерности называются особенностями, и до появления глубокого обучения для распознавания было необходимо описать все особенности вручную и запрограммировать компьютер на их поиск. К примеру, есть знаменитый алгоритм распознавания лиц «метод Виолы — Джонса», основанный на том факте, что брови и нос обычно светлее глазниц, поэтому они формируют яркую Т-образную форму с двумя тёмными точками. Алгоритм, по сути, ищет подобные Т-образные формы.

Метод Виолы-Джонса работает хорошо и удивительно быстро, и служит основой распознавания лиц в дешёвых фотоаппаратах и т.п. Но, очевидно, не каждый объект, который вам нужно распознать, поддаётся подобному упрощению, и люди придумывали всё более сложные и низкоуровневые закономерности. Чтобы алгоритмы работали правильно, требовалась работа команды докторов наук, они были очень чувствительными и подверженными отказам.

Большой прорыв случился благодаря ГО, а в частности – определённому виду нейросетей под названием «свёрточные нейросети». Свёрточные нейросети, СНС – это глубокие сети с определённой структурой, вдохновлённой строением зрительной коры мозга млекопитающих. Такая структура позволяет СНС самостоятельно обучаться иерархии линий и закономерностей для распознавания объектов вместо того, чтобы ждать, пока доктора наук потратят годы на исследования того, какие из особенностей лучше подходят для этого. К примеру, СНС, обученная на лицах, выучит собственную внутреннюю репрезентацию линий и кружочков, складывающихся в глаза, уши и носы, и так далее.

Старые зрительные алгоритмы (метод Виолы-Джонса, слева) полагаются на вручную выделенных особенностях, а глубокие нейросети (справа) на собственную иерархию более сложных особенностей, составленных из более простых

СНС потрясающе хорошо подошли для компьютерного зрения, и вскоре исследователи смогли обучить их на выполнение всяческих задач по визуальному распознаванию, от поиска кошек на фото до определения пешеходов, попавших в камеру робомобиля.

Это всё замечательно, но есть и другая причина такого быстрого и широкого распространения СНС – это то, насколько легко они адаптируются. Помните восхождение на холм? Если наш старшеклассник захочет распознать определённую птицу, он может взять любую из множества зрительных сетей с открытым кодом, и обучить её на собственном наборе данных, даже не понимая, как работает лежащая в её основе математика.

Естественно, это можно расширить и ещё дальше.

Кто там? (распознавание лиц)

Допустим, вы хотите обучить сеть, распознающую не просто лица, но одно определённое лицо. Вы могли бы обучить сеть распознавать определённого человека, потом другого человека, и так далее. Однако на обучение сетей тратится время, и это значило бы, что для каждого нового человека требовалось бы переобучать сеть. Нет уж.

Вместо этого мы можем начать с сети, обученной распознавать лица в целом. Её нейроны настроены на распознавание всех лицевых структур: глаз, ушей, ртов, и так далее. Затем вы просто меняете выходные данные: вместо того, чтобы заставлять её распознавать определённые лица, вы командуете ей выдавать описание лица в виде сотен чисел, описывающих кривизну носа или форму глаз, и так далее. Сеть может делать это, поскольку уже «знает», из каких компонентов состоит лицо.

Вы, конечно, не определяете всё это напрямую. Вместо этого вы обучаете сеть, показывая ей набор лиц, а потом сравнивая выходные данные. Вы также обучаете её так, чтобы она давала схожие друг с другом описания одного и того же лица, и сильно отличающиеся друг от друга описания разных лиц. Математически говоря, вы обучаете сеть на построение соответствия изображениям лиц точки в пространстве особенностей, где картезианское расстояние между точками можно использовать для определения их схожести.

Изменение нейросети с распознавания лиц (слева) до описания лиц (справа) требует лишь изменения формата выходных данных, без смены её основы

Теперь можно распознавать лица, сравнивая описания каждого из лиц, создаваемые нейросетью

Обучив сеть, вы уже легко можете распознавать лица. Вы берёте изначальное лицо и получаете его описание. Затем берёте новое лицо и сравниваете описание, выдаваемое сетью, с вашим оригиналом. Если они находятся достаточно близко, вы говорите, что это одно и то же лицо. И вот вы перешли от сети, способной распознавать одно лицо, к тому, что можно использовать для распознавания любого лица!

Подобная структурная гибкость – ещё одна причина такой полезности глубоких нейросетей. Было разработано уже огромное количество разнообразных МО-моделей для компьютерного зрения, и хотя они развиваются в очень разных направлениях, базовая структура многих из них основана на таких ранних СНС, как Alexnet и Resnet.

Я даже слышал истории о людях, использующих визуальные нейросети для работы с данными временного ряда или измерениями датчиков. Вместо того, чтобы создавать специальную сеть для анализа потока данных, они обучали предназначенную для компьютерного зрения нейросеть с открытым кодом буквально смотреть на формы линий графиков.

Подобная гибкость – дело хорошее, но не бесконечное. Чтобы решать некоторые другие проблемы, требуется использовать другие типы сетей.

И даже до этой точки виртуальные ассистенты добирались очень долго

Что ты сказал? (Распознавание речи)

Каталогизация картинок и компьютерное зрение – не единственные области возрождения ИИ. Ещё одна область, в которой компьютеры продвинулись очень далеко – это распознавание речи, особенно в переводе речи в письменность.

Базовая идея в распознавании речи довольно похожа на принцип компьютерного зрения: распознавать сложные вещи в виде наборов более простых. В случае с речью распознавание предложений и фраз строится на распознавании слов, которое основано на распознавании слогов, или, если быть более точным, фонем. Так что, когда кто-то говорит «Bond, James Bond», на самом деле мы слышим BON+DUH+JAY+MMS+BON+DUH.

В зрении особенности организованы пространственно, и эту структуру обрабатывают СНС. В слухе эти особенности организованы во времени. Люди могут говорить быстро или медленно, без чёткого начала и конца речи. Нам нужна модель, способная воспринимать звуки по мере поступления, как человек, вместо того, чтобы ждать и выискивать в них законченные предложения. Мы не можем, как в физике, сказать, что пространство и время – это одно и то же.

Распознавать отдельные слоги довольно легко, однако их сложно изолировать. К примеру, «Hello there» может звучать похоже на «hell no they’re»… Так что для любой последовательности звуков обычно существует несколько комбинаций слогов, произнесённых на самом деле.

Чтобы во всём этом разобраться, нам нужна возможность изучать последовательность в определённом контексте. Если я слышу звук, то что более вероятно – что человек сказал «hello there dear» или «hell no they’re deer?» Здесь опять на помощь приходит машинное обучение. С достаточно большим набором образцов произнесённых слов можно выучить наиболее вероятные фразы. И чем больше примеров у вас есть, тем лучше это будет получаться.

Для этого люди используют рекуррентные нейросети, РНС. В большинстве типов нейросетей, как, например, в СНС, занимающихся компьютерным зрением, связи между нейронами работают в одном направлении, от входа к выходу (математически говоря, это направленные ациклические графы). В РНС выход нейронов может быть перенаправлен обратно на нейроны этого же уровня, на них самих или даже ещё дальше. Это позволяет РНС иметь свою память (если вам знакома двоичная логика, то эта ситуация похожа на работу триггеров).

СНС работает за один подход: скармливаем ей изображение, и она выдаёт какое-то описание. РНС поддерживает внутреннюю память о том, что ей давали раньше, и выдаёт ответы на основе того, что она уже видела, плюс того, что видит сейчас.

Такое свойство памяти у РНС позволяет им не только «слушать» слоги, поступающие к ней один за другим. Это позволяет сети обучаться тому, какие слоги идут вместе, формируя слово, и тому, насколько вероятны определённые их последовательности.

Используя РНС, возможно получить очень хорошую транскрипцию человеческой речи – до такой степени, что по некоторым измерениям точности транскрипций компьютеры сейчас могут превосходить людей. Конечно, звуки – не единственная область, где проявляются последовательности. Сегодня РНС используют также и для определения последовательностей движений для распознавания действий на видео.

Покажи мне, как ты умеешь двигаться (глубокие подделки и генеративные сети)

Пока что мы говорили о МО-моделях, предназначенных для распознавания: скажи мне, что изображено на картинке, скажи мне, что сказал человек. Но эти модели способны на большее – сегодняшние модели ГО можно использовать и для создания контента.

Это имеется в виду, когда люди рассказывают о deepfake – невероятно реалистичных поддельных видеороликах и изображениях, созданных с использованием ГО. Некоторое время назад один сотрудник немецкого телевидения вызвал обширную политическую дискуссию, создав поддельное видео, на котором министр финансов Греции показывал Германии средний палец. Для создания этого видео потребовалась команда редакторов, работавших для создания телепередачи, но в современном мире это может за несколько минут сделать любой человек с доступом к игровому компьютеру средней мощности.

Всё это довольно грустно, но не в этой области так мрачно – вверху показано моё любимое видео на тему этой технологии.

Эта команда создала модель, способная обработать видеоролик с танцевальными движениями одного человека и создать видео с другим человеком, повторяющим эти движения, волшебным образом выполняя их на уровне эксперта. Также интересно почитать сопутствующую этому научную работу.

Можно представить, что, используя все рассмотренные нами техники, возможно обучить сеть, получающую изображение танцора и сообщающую, где находятся его руки и ноги. А в таком случае, очевидно, на каком-то уровне сеть обучилась тому, как связывать пиксели в изображении с расположением конечностей человека. Учитывая то, что нейросеть – это просто данные, хранящиеся на компьютере, а не биологический мозг, должно быть возможно взять эти данные и пойти в обратную сторону – чтобы получить пиксели, соответствующие расположению конечностей.

Начните с сети, извлекающей позы из изображений людей

МО-модели, способные делать это, называются генеративными [англ. generate – порождать, производить, создавать / прим. перев.]. Все предыдущие рассмотренные нами модели называются дискриминационными [англ. discriminate – различать / прим. перев.]. Разницу между ними можно представить себе так: дискриминационная модель для кошек смотрит на фотографии и различает фото, содержащие кошек, и фото, где их нет. Генеративная модель создаёт изображения кошек на основе, допустим, описания того, какая это должна быть кошка.

Генеративные модели, «рисующие» изображения объектов, создаются при помощи тех же СНС-структур, что и модели, использующиеся для распознавания этих объектов. И эти модели можно обучать в основном так же, как и другие модели МО.

Однако хитрость заключается в том, чтобы придумать для их обучения «оценку». При обучении дискриминационной модели есть простой способ оценить правильность и неправильность ответа – типа, правильно ли сеть отличила собаку от кошки. Однако как оценить качество полученного рисунка кошки, или его точность?

И вот тут для человека, любящего теории заговоров и считающего, что мы все обречены, ситуация становится немного страшноватой. Видите ли, лучший из придуманных нами способов для обучения генеративных сетей заключается в том, чтобы не делать этого самостоятельно. Для этого мы просто используем другую нейросеть.

Эта технология называется генеративно-состязательная сеть, или ГСС. Вы заставляете две нейросети состязаться друг с другом: одна сеть пытается создавать подделки, к примеру, рисуя нового танцора на основе поз старого. Другая сеть обучена на поиск разницы между реальными и поддельными примерами с использованием кучи примеров реальных танцоров.

И две эти сети играют в состязательную игру. Отсюда и слово «состязательный» в названии. Генеративная сеть пытается делать убедительные подделки, а дискриминационная пытается понять, где подделка, а где реальная вещь.

В случае видеоролика с танцором в процессе обучения была создана отдельная дискриминационная сеть, выдававшая простые ответы да/нет. Она смотрела на изображение человека и на описание положения его конечностей, и решала, является ли изображение реальной фотографией или картинкой, нарисованной генеративной моделью.

ГСС заставляют две сети состязаться друг с другом: одна выдаёт «фейки», а другая пытается отличать фейк от оригинала

В итоговом рабочем процессе используется только генеративная модель, создающая нужные изображения

Во время повторяющихся раундов обучения модели становились всё лучше и лучше. Это похоже на состязание эксперта по ювелирным подделкам со специалистом по оценке – соревнуясь с сильным соперником, каждый из них становится сильнее и умнее. Наконец, когда работа моделей оказывается достаточно хорошей, можно взять генеративную модель и использовать её отдельно.

Генеративные модели после обучения могут оказаться очень полезными для создания контента. К примеру, они могут генерировать изображения лиц (которые можно использовать для обучения программ по распознаванию лиц), или фонов для видеоигр.

Чтобы всё это работало правильно, требуется большая работа по подстройкам и исправлениям, но по сути человек тут выступает в роли арбитра. Именно ИИ работают друг против друга, внося основные улучшения.

Так что, ждать ли нам в ближайшее время появления Skynet и Hal 9000?

В каждом документальном фильме о природе в конце есть эпизод, где авторы рассказывают о том, как вся эта грандиозная красота скоро исчезнет из-за того, насколько люди ужасны. Думаю, что в том же духе каждая ответственная дискуссия касательно ИИ должна включать раздел о его ограничениях и социальных последствиях.

Во-первых, давайте ещё раз подчеркнём текущие ограничения ИИ: главная мысль, которую вы, как я надеюсь, извлекли из прочтения этой статьи, состоит в том, что успех МО или ИИ чрезвычайно сильно зависит от выбранных нами моделей обучения. Если люди плохо организуют сеть или используют негодные материалы для обучения, то эти искажения могут оказаться весьма явными для всех.

Глубокие нейросети невероятно гибкие и мощные, но не имеют волшебных свойств. Несмотря на то, что вы используете глубокие нейросети для РНС и СНС, их структура сильно отличается, и поэтому всё равно определять её должны люди. Так что, даже если вы можете взять СНС для автомобилей, и переобучить её на распознавание птиц, вы не можете взять эту модель и переобучить её на распознавание речи.

Если описать это в человеческих терминах, то всё выглядит так, будто мы поняли, как работают зрительная кора и слуховая кора, однако понятия не имеем о том, как работает кора головного мозга, и откуда вообще можно начать к ней подступаться.

Это значит, что в ближайшее время мы, вероятно, не увидим голливудского богоподобного ИИ. Но это не значит, что в своём нынешнем виде ИИ не может оказать серьёзное влияние на социум.

Мы часто представляем себе, как ИИ «заменяет» нас, то есть, как роботы буквально делают нашу работу, но на самом деле это будет происходить не так. Взгляните, например, на рентгенологию: иногда люди, смотря на успехи компьютерного зрения, говорят о том, что ИИ заменит рентгенологов. Возможно, мы не дойдём до такой точки, когда у нас вообще не будет ни одного рентгенолога-человека. Но вполне возможно такое будущее, в котором на сотню сегодняшних рентгенологов ИИ позволит пяти-десяти из них делать работу всех остальных. Если такой сценарий реализуется, куда пойдут оставшиеся 90 врачей?

Даже если современное поколение ИИ не оправдает надежд наиболее оптимистичных его сторонников, он всё равно приведёт к весьма обширным последствиям. И эти проблемы нам придётся решать, поэтому неплохим началом, вероятно, будет овладеть основами этой области.

70% россиян не понимают сути искусственного интеллекта. Объясняем, что это такое и на что способен ИИ — Naked Science

Войти Регистрация Написать

• Журнал
• Мероприятия
• Блоги
• Live
• Астрономия
• Hi-Tech
• Антропология
• Палеонтология
• Long Read
• Видео
• Физика
• Химия
• Биология
• Интервью
• История
• Космонавтика
• Медицина
• Оружие и техника
• Геология
• Психология
• С точки зрения науки
• Sci-Fi
• Концепты
• Фотогалерея
• Все статьи

• Журнал
• Мероприятия
• Блоги
• Live
• Астрономия
• Hi-Tech
• Антропология
• Палеонтология
• Long Read
• Видео
• Физика
• Химия
• Биология
• Интервью
• История
• Космонавтика
• Медицина
• Оружие и техника
• Геология
• Психология
• С точки зрения науки
• Sci-Fi
• Концепты
• Фотогалерея
• Все статьи

Искать Войти Регистрация Написать

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ — это… Что такое ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ?



ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

— область компьютерной науки (информатики), специализирующаяся на моделировании интеллектуальных и сенсорных способностей человека с помощью вычислительных устройств. Технологические основы для постановки проблемы И.и. возникли в результате создания в 1940-х гг. первых компьютеров. Однако только в нач. 1950-х гг. связь между человеческим интеллектом и вычислительными устройствами стала предметом дискуссий, итогом которых стал сформулированный англ. математиком и логиком А. Тьюрингом тест «неразличимости». Согласно этому тесту, вычислительное устройство может имитировать мышление («мыслить»), если оно «понимает» запрос и генерирует такую ответную реакцию, которая не вызывает у человека сомнений в том, что он обменивается информацией с человеком, а не с машиной. Первоначально имитация высших когнитивных функций человека ограничивалась простыми играми, а для создания соответствующих программ использовался алгоритмический метод. Радикальным выходом из возникавших в связи с этим затруднений оказалась разработка эвристического метода, предполагающего использование проверенных правил, приемов и стратегий решения интеллектуальных задач. Эвристический метод в большей степени соответствовал реальным процедурам человеческого интеллекта, позволяя избежать ненужных вычислений в тех случаях, когда алгоритм неизвестен. Впервые этот метод был использован при создании в 1956 амер.

учеными А. Ньюэллом и Г. Саймоном программы «Логичный теоретик», которая достаточно успешно справлялась с задачей доказательства теорем математической логики. Позднее этим же исследователям удалось развить основные идеи, положенные в основу «Логичного теоретика», и разработать (1964) новую эвристическую программу — GPS («Универсальный решатель проблем»), которая моделировала общие стратегии, используемые при решении конкретных интеллектуальных задач в шахматах, логике, доказательстве теорем, криптографии и т.д.

Возникновение области И.и. обычно связывают с организованной Д. Маккарти (автором термина «И.и.») Дортмутской конференцией (1956), где группа из десяти ученых разработала исследовательский проект создания компьютерных программ, способных к разумному поведению. Именно эта конференция повлияла на становление новой дисциплины — когнитивной психологии — и определила курс будущих исследований И.и.

В 1960—1970-х гг. наряду с созданием самообучающихся систем, систем, понимающих простые предложения естественного языка, а также систем, позволяющих решать проблемы, доказывать теоремы и т.п., важнейшим направлением исследований в области И.и. становится разработка компьютерных экспертных систем, т.е. систем, обладающих информацией (базой знаний) эксперта в определенной области и способных имитировать его мыслительные операции — анализировать, консультировать и предлагать решения поставленных задач. В дальнейшем экспертные системы нашли самое широкое применение в промышленности, финансах, науке, культуре, медицине и военном деле. В этот период получают развитие системы естественного языка, которые «научили» компьютеры принимать, интерпретировать и выполнять команды на естественном языке пользователя, создавая более естественный интерфейс общения человека и компьютера. Эти системы стали применяться для машинного перевода, написания резюме, поиска библиографических текстов, анализа структуры предложения и стиля, моделирования человеческого разговора и т.д.

В 1970—1980-х гг. благодаря разработке новых методов — теории фреймов (М. Минский), теории систем технического видения (Д. Марр), языка программирования PROLOG и т.п. — открылись новые перспективы в исследовании проблемы распознавания образов на основе выделения информации, касающейся формы, цвета, граней, текстуры и т.д., и соотнесения ее с паттернами (шаблонами). Развитие компьютерного моделирования человеческих сенсорных способностей заложило фундамент для конструирования систем речевого распознавания и технического видения, которые предоставили пользователю возможность говорить с компьютером, а компьютерам — «видеть» и «понимать» окружающую их среду. В настоящее время исследования в области И.и. проводятся также и в таких направлениях, как робототехника, нейронные сети (симуляция процессов обработки информации в человеческом мозге), нечеткая логика, которые, как считают, будут иметь ключевое значение в 21 столетии.

Термин «И.и.» используют также для обозначения концепции в современной философии сознания, согласно которой когнитивные ментальные состояния человека могут дублироваться вычислительными устройствами. Обычно проводят различие между слабой и сильной версиями этой концепции. Слабая версия (она, как правило, не вызывает возражений) утверждает лишь, что соответствующим образом запрограммированные вычислительные устройства способны моделировать человеческое познание. Сторонники сильной версии (Д. Деннет, Д. Фодор и др.), несмотря на различия в позициях, идут гораздо дальше, допуская, что соответствующим образом запрограммированные вычислительные устройства могут находиться в когнитивных ментальных состояниях и в этом смысле обладают разумом и способностью к пониманию. Эта версия вызвала оживленную дискуссию в философии сознания и натолкнулась на серьезную критику. В связи с этим широкую известность получил предложенный в 1980 амер. философом Дж. Сёрлом мысленный эксперимент «китайская комната». Из этого эксперимента следовало, что относительно изолированного от внешнего мира человека, хорошо манипулирующего кит. иероглифами, значения которых он не знает, нельзя с определенностью утверждать, является ли он китайцем или нет. Хотя против критики сильной версии ее сторонники немедленно выдвинули ряд возражений, вопрос о том, до какого предела И.и. способен имитировать интеллект человека, остается открытым.

Философия: Энциклопедический словарь. — М.: Гардарики.
Под редакцией А.А. Ивина.
2004.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

    ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ (англ. artificial intelligence) — 1) научное направление, ставящее целью моделирование процессов познания и мышления, использование применяемых человеком методов решения задач для повышения производительности вычислительной техники; 2) различные устройства, механизмы, программы, которые по тем или иным критериям могут быть названы “интеллектуальными”; 3) совокупность представлений о познании, разуме и человеке, делающих возможным саму постановку вопроса о моделировании интеллекта. Исторически проблематика искусственного интеллекта связана с поисками средневековыми мыслителями совершенного “философского”, или “первоадамова”, языка, через который можно познать абсолютную истину. В процессе превращения мифологических представлений об искусственном интеллекте в рациональную научную конструкцию (от Луллия через Лейбница к Винеру) выделяются три ключевые идеи: во-первых, представление о возможности окончательного рационального познания мира, во-вторых, представление об объективном знании, независимом ни от человека, ни от человечества, и, в-третьих, представление об объективности познания, представляющее собой, с точки зрения кибернетики, совокупность процессов получения, передачи и переработки информации.
    С момента своего отделения от кибернетики в кон. 1950-х гг. исследования в области искусственного интеллекта прошли три этапа. Первый этап (1950—60-е гг.) охватывает время становления исследовательских программ искусственного интеллекта, формирования круга задач, относящихся к данному научному направлению (игры, доказательство теорем, распознавание образов, понимание естественного языка, машинный перевод, планирование эксперимента, робототехника), создания методов и инструментов решения этих задач (языкЛисп, персептрон и др.). Этот этап характеризуется широким общественным резонансом исследований и завышенными ожиданиями. Следующий этап (1960—70-е гг.) связан с приобретением искусственным интеллектом статуса “классической” научно-технической дисциплины: проведением первых международных конференций, началом издания журналов, чтением соответствующих курсов в университетах. В это время разрабатываются фундаментальные теории (нечеткая логика, модели представления знаний, генетические алгоритмы и др.), послужившие в дальнейшем основой новых интеллектуальных программ. Третий этап (1980—90-е гг.) связан прежде всего с практическим (коммерческим) использованием достижений искусственного интеллекта в разных сферах деятельности: финансах, экономике, компьютерной и бытовой технике, менеджменте, управлении (экспертные системы, программы интеллектуального анализа данных, нейро- и биокомпьютеры). Для этого этапа характерно также изучение и моделирование рациональных структур в связи с эмоциями, верованиями, чувствами, практическими навыками и неаналитическими методами обработки образной информации, что сближает современные модели искусственного интеллекта с их естественным человеческим прототипом.
    Лит.: Тьюринг А. Может ли машина мыслить? М., 1960; Дрейфус X. Чего не могут вычислительные машины. Критика искусственного разума. М., 1978; Искусственный интеллект. — Справочник в 3 кн. М., 1990; Будущее искусственного интеллекта. М., 1991; Петрунин Ю. Ю. От тайного знания к нейрокомпьютеру. Очерки по истории искусственного интеллекта. М., 1996; Язык и интеллект. М., 1996; Encyclopedia of Artificial Intelligence, vol. 1-2. N. Y., 1987; Wnograd T., Flores F. Understanding Computers and Cognition: A New Foundation for Design. Norwood—New Jersey, 1987; The Philosophy of Artificial Intelligence, ed. by M. Boden. Oxf., 1990; Penrose R. Shadows f the Mind. Vintage, 1995; Android Epistemology, ed. by K. Ford, D. Glymour, P. Hayes. Menio Park, 1997.

    Ю. Ю. Петрушн

Новая философская энциклопедия: В 4 тт. М.: Мысль.
Под редакцией В. С. Стёпина.
2001.

.

• ИРРАЦИОНАЛЬНЫЙ
• ИСКУССТВО

Смотреть что такое «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ» в других словарях:

• Искусственный интеллект — способность прикладного процесса обнаруживать свойства, ассоциируемые с разумным поведением человека. Искусственный интеллект раздел информатики, занимающийся вопросами имитации мышления человека с помощью компьютера. По английски: Artificial… …   Финансовый словарь

• Искусственный интеллект — проблемная область исследований (научное направление и прикладные разработки) по моделированию человеческой способности к творческой деятельности. Направление научных исследований, называемое «искусственный интеллект», возникло в 60 х гг. XX в.… …   Энциклопедия культурологии

• искусственный интеллект —         ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ (от лат. intellectus познание, понимание, рассудок) направление исследований в современной компьютерной науке, целью которого является имитация и усиление интеллектуальной деятельности человека посредством… …   Энциклопедия эпистемологии и философии науки

• искусственный интеллект — Способность вычислительной машины моделировать процесс мышления за счет выполнения функций, которые обычно связывают с человеческим интеллектом. Примечание Такими функциями являются, например, обучение и логический вывод. [ГОСТ 15971 90]… …   Справочник технического переводчика

• искусственный интеллект — область исследований, ориентированных на разработку компьютерных программ, способных выполнять функции, обычно ассоциируемые с интеллектуальными действиями (см. интеллект) человека: анализ …   Большая психологическая энциклопедия

• ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ — ИСКУССТВЕННЫЙ интеллект, раздел информатики, в котором разрабатываются методы и средства моделирования и воспроизведения с помощью ЭВМ отдельных интеллектуальных действий человека (восприятие информации, элементы рассуждения и др.). Искусственный …   Современная энциклопедия

• Искусственный интеллект — ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, раздел информатики, в котором разрабатываются методы и средства моделирования и воспроизведения с помощью ЭВМ отдельных интеллектуальных действий человека (восприятие информации, элементы рассуждения и др.). Искусственный …   Иллюстрированный энциклопедический словарь

• ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ — раздел информатики, включающий разработку методов моделирования и воспроизведения с помощью ЭВМ отдельных функций творческой деятельности человека, решение проблемы представления знаний в ЭВМ и построение баз знаний, создание экспертных систем,… …   Большой Энциклопедический словарь

• ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ — ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, предмет науки, посвященной разработке КОМПЬЮТЕРОВ И КОМПЬЮТЕРНЫХ ПРОГРАММ, которые моделируют работу человеческого мозга. Наиболее распространенная форма искусственного интеллекта это компьютер, запрограммированный на… …   Научно-технический энциклопедический словарь

• ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ — (artificial intelligence, intelligent knowledge based systems) 1. Способность компьютера решать задачи, которые обычно доступны человеческому разуму, например способность рассуждать или учиться на опыте. В последнее время в этой области был… …   Словарь бизнес-терминов

Книги

• Искусственный интеллект. Современный подход, Рассел Стюарт, Норвиг Питер. Искусственный интеллект — вопрос, которому посвящена книга Стюарта Рассела и Питера Норвига «AIMA» («Artificial Intelligence: A Modern Approach» ) -«Искусственный интеллект: современный… Подробнее  Купить за 6914 руб
• Искусственный интеллект. Современный подход, Стюарт Рассел, Питер Норвиг. Искусственный интеллект — вопрос, которому посвящена книга Стюарта Рассела и Питера Норвига ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. СОВРЕМЕННЫЙ ПОДХОД. Стержневой темой является идея интеллектуального… Подробнее  Купить за 3248 руб
• Искусственный интеллект для чайников, Мюллер Джон Пол, Массарон Лука. Искусственный интеллект является захватывающим и немного жутковатым. Он вокруг нас. Искусственный интеллект помогает защитить от мошенничества, контролировать расписание медицинских процедур,… Подробнее  Купить за 1384 руб

Другие книги по запросу «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ» >>

Что такое искусственный интеллект

Есть мод­ные сло­ва: искус­ствен­ный интел­лект (ИИ), машин­ное обу­че­ние и ней­ро­се­ти. Раз­бе­рём­ся, что есть что и зачем оно нуж­но.

Чем не угодили обычные алгоритмы

С момен­та созда­ния пер­вых ком­пью­те­ров люди дава­ли им инструк­ции: делай то-то, в таком-то поряд­ке. Поря­док и опи­са­ние дей­ствий назы­ва­ет­ся алго­рит­мом. Все про­грам­мы, кото­рые вас окру­жа­ют, рабо­та­ют на базе алго­рит­мов. Там всё чёт­ко: «Если нажа­та такая кноп­ка, сде­лай вот это».

Про­бле­ма алго­рит­мов в том, что они совер­шен­но бес­по­мощ­ны за пре­де­ла­ми сво­их инструк­ций. Ком­пью­те­ры не уме­ют ори­ен­ти­ро­вать­ся по ситу­а­ции. Если в алго­рит­ме что-то не про­пи­са­но, ком­пью­тер это­го не сде­ла­ет, даже если от это­го зави­сит его жизнь. Если бы ком­пью­те­ры уме­ли ори­ен­ти­ро­вать­ся в нестан­дарт­ных ситу­а­ци­ях, мы бы нико­гда не виде­ли оши­бок и «синих экра­нов смер­ти».

Напри­мер, вы ска­за­ли робо­ту «Перед пере­хо­дом ули­цы посмот­ри сна­ча­ла нале­во, а потом напра­во, и если машин нет, то пере­хо­ди доро­гу». Робот подо­шёл к пере­хо­ду. Он посмот­рел нале­во, уви­дел там асфаль­то­уклад­чик. Асфаль­то­уклад­чик — это не маши­на, поэто­му робот пере­хо­дит доро­гу, его вка­ты­ва­ет в асфальт. А что? Такой алго­ритм.

Что­бы робо­ты вели себя немно­го умнее, им пишут слож­ные алго­рит­мы. Но про­бле­ма оста­ёт­ся: всё, что в алго­ритм не попа­ло, нико­гда не будет испол­не­но. И раз­ра­бот­чи­ки уже мно­го деся­ти­ле­тий меч­та­ют научить маши­ны думать более само­сто­я­тель­но. Для это­го при­ду­ма­ли мно­го чего, в том чис­ле — ней­ро­се­ти.

Что такое нейросети

Есть мно­го мифов о ней­ро­се­тях: буд­то это ком­пью­тер­ный разум, само­обу­ча­ю­ща­я­ся систе­ма, мыс­ля­щая про­грам­ма и так далее. Всё это не так.

На самом деле ней­ро­сеть — это про­сто очень слож­ная база дан­ных с кучей фор­мул. Дан­ные посту­па­ют с одно­го кон­ца базы дан­ных, обра­ба­ты­ва­ют­ся через кучу фор­мул и выда­ют­ся с дру­го­го кон­ца. Ника­ких мыс­лей там нет — про­сто мате­ма­ти­ка. Слож­ность в том, что­бы выве­сти те фор­му­лы, бла­го­да­ря кото­рым ней­ро­сеть даёт хоть сколько-нибудь полез­ный резуль­тат. Выве­де­ние этих фор­мул — и есть машин­ное обу­че­ние. У нас будет отдель­ная ста­тья о том, как это всё устро­е­но. 

Вот самое про­стое отоб­ра­же­ние струк­ту­ры ней­ро­се­ти. Сле­ва ячей­ки вво­да дан­ных, спра­ва ячей­ки выво­да дан­ных, а меж­ду ними — какой-то скры­тый слой, в кото­ром ней­ро­сеть совер­ша­ет свои мате­ма­ти­че­ские вычис­ле­ния. Пока что это может быть непо­нят­но, но мы еще рас­ска­жем об этом отдель­но.

Чем нейросети отличаются от алгоритмов

В алго­рит­мах раз­ра­бот­чи­ки сра­зу про­пи­сы­ва­ют пра­виль­ную после­до­ва­тель­ность дей­ствий, кото­рые дают какой-то пред­ска­зу­е­мый резуль­тат. Напри­мер, раз­ра­бот­чик пишет про­грам­му для рас­че­та пло­ща­ди квар­ти­ры по чер­те­жу, и там поша­го­во опи­са­ны все дей­ствия: умножь, сло­жи, вычти и т. д. Если посмот­реть на этот алго­ритм, будет понят­но его устрой­ство, в него мож­но вне­сти изме­не­ния. 

Ней­ро­се­тям вме­сто алго­рит­мов дают мно­го зара­нее пра­виль­но решен­ных задач. Напри­мер, десять тысяч пла­нов квар­тир с уже про­пи­сан­ны­ми пло­ща­дя­ми. И ней­ро­сеть начи­на­ет уга­ды­вать, какой резуль­тат от нее ожи­да­ют. Отдель­ный алго­ритм гово­рит ей, пра­виль­но она уга­да­ла или нет, и со вре­ме­нем она учит­ся уга­ды­вать всё более пра­виль­но. 

По ходу обу­че­ния у ней­ро­се­ти фор­ми­ру­ют­ся свя­зи, кото­рые поз­во­ля­ют ей уга­ды­вать полез­ный резуль­тат. Какие это свя­зи, никто не пони­ма­ет — мы можем их про­на­блю­дать, но не все­гда можем понять прин­цип, по кото­рым они фор­ми­ру­ют­ся. 

Коро­че: алго­ритм дела­ет то, что ему ска­за­но, и дает чет­кий пред­ска­зу­е­мый резуль­тат. Ней­ро­сеть уга­ды­ва­ет, что мы от нее хотим, по непо­нят­но­му нам прин­ци­пу. При этом, если сеть доста­точ­но хоро­шо обу­че­на, ее уга­ды­ва­ния могут быть доста­точ­но точ­ны­ми. 

Что нужно понимать о нейросетях

Ней­ро­се­ти в совре­мен­ном виде — это маши­ны по обра­бот­ке чисел. Ней­ро­сеть не пони­ма­ет, что смот­рит на кар­тин­ку или водит машин­ку, — она лишь видит чис­ла на вхо­де и выда­ёт чис­ла на выхо­де. Она даже не зна­ет, что у её чисел на выхо­де для нас есть какое-то зна­че­ние.

Напри­мер, в этом видео ней­ро­сеть полу­ча­ет семь чисел на вхо­де (это рас­сто­я­ния до пре­пят­ствий и направ­ле­ние дви­же­ния) и выда­ет два чис­ла на выхо­де — пово­рот руля и газ-тормоз. И уже симу­ля­тор гоноч­ной игры пре­вра­ща­ет эти чис­ла в дви­же­ние машин­ки. Ней­рон­ка про­сто обра­ба­ты­ва­ет чис­ла:

Ней­ро­сеть всё еще не уме­ет импро­ви­зи­ро­вать. Она может дей­ство­вать в ситу­а­ции неко­то­рой непред­ска­зу­е­мо­сти, но гене­ри­ро­вать ори­ги­наль­ные реше­ния — нет. 

Ней­ро­сеть мож­но запу­стить на любом ком­пью­те­ре, осо­бое желе­зо не нуж­но. Это про­сто алго­ритм и дан­ные. Их мож­но ско­пи­ро­вать, заар­хи­ви­ро­вать и выло­жить в интер­нет.

При этом есть и спе­ци­аль­ное желе­зо — ней­рон­ные про­цес­со­ры или, по-другому, ИИ-ускорители. Это те же мик­ро­про­цес­со­ры, но соеди­нён­ные таким обра­зом, что­бы быст­рее обсчи­ты­вать имен­но ней­рон­ки. Но они нуж­ны толь­ко для ско­ро­сти, так-то прин­ци­пи­аль­но ней­рон­ку мож­но рас­счи­тать и на обыч­ном про­цес­со­ре.

На нынеш­нем вит­ке раз­ви­тия ней­ро­се­ти спо­соб­ны лишь вос­про­из­во­дить то, чему их научи­ли. Сво­бод­ное твор­че­ство с чисто­го листа пока не изоб­ре­ли.

Где используется ИИ

Вокруг нас уже мно­го устройств и сер­ви­сов, внут­ри кото­рых есть ИИ в том или ином виде.

Голо­со­вые помощ­ни­ки в теле­фо­нах и колон­ках рас­по­зна­ют речь и коман­ды, что­бы пока­зать нам луч­ший марш­рут, резуль­тат поис­ка или зачи­тать про­гноз пого­ды. Та же «Али­са» рас­по­зна­ёт речь, ана­ли­зи­ру­ет её, опре­де­ля­ет тема­ти­ку диа­ло­га, выде­ля­ет полез­ную для поис­ка инфор­ма­цию и син­те­зи­ру­ет отве­ты помощ­ни­ка — и во всём ей помо­га­ют зара­нее натре­ни­ро­ван­ные ней­ро­се­ти. Подроб­нее про устрой­ство «Али­сы» читай­те на Хаб­ре.

Чат-боты на сай­тах пони­ма­ют типо­вые вопро­сы, даже если они сфор­му­ли­ро­ва­ны по-разному, и отве­ча­ют на них. Это поз­во­ля­ет нани­мать мень­ше людей в тех­под­держ­ку. Они отли­ча­ют­ся от при­ми­тив­ных ботов «Оставь-свой-номер-и-мы-перезвоним» тем, что рас­по­зна­ют текст вопро­са и сами нахо­дят на него ответ в сво­ей базе зна­ний. Чаще все­го внут­ри таких ботов кру­тит­ся TensorFlow — систе­ма машин­но­го обу­че­ния от Google с откры­ты­ми исход­ни­ка­ми. Хоти­те собрать тако­го бота само­сто­я­тель­но — дер­жи­те инструк­цию.

Умные филь­тры в фото­ка­ме­рах сами опре­де­ля­ют, когда вы сни­ма­е­те про­тив солн­ца, и добав­ля­ют ярко­сти в тенях, что­бы кар­тин­ка полу­чи­лась сба­лан­си­ро­ван­ной. Если дела­е­те сел­фи — каме­ра пони­ма­ет, что на фото будет лицо и дела­ет его ещё кра­си­вее: уби­ра­ет пры­щи­ки, мор­щин­ки и тор­ча­щие волос­ки. В послед­них моде­лях теле­фо­нов Honor за это отве­ча­ет отдель­ный модуль в про­цес­со­ре — Neural Network Processing Unit: NPU. Он управ­ля­ет про­стой ней­рон­кой, но даже её хва­та­ет для того, что­бы делать класс­ные фот­ки.

Вари­ан­тов реа­ли­за­ции ИИ мно­го, но их все мож­но раз­де­лить на две груп­пы — реше­ние узких задач и пол­но­цен­ный искус­ствен­ный интел­лект обще­го назна­че­ния.

ИИ общего назначения

А вот здесь всё не так здо­ро­во, как в реше­нии при­клад­ных задач. Дело в том, что научить ком­пью­тер мыс­лить как чело­век пока невоз­мож­но. Каж­дая область мыш­ле­ния — отдель­ная про­грам­ма, кото­рая долж­на уметь рабо­тать со все­ми осталь­ны­ми про­грам­ма­ми. Реа­ли­зо­вать такую мас­штаб­ную систе­му пока невоз­мож­но — нет ни алго­рит­мов, ни вычис­ли­тель­ной мощ­но­сти для это­го, плюс не на чем обу­чать.

Есть ими­та­ции искус­ствен­но­го интел­лек­та в отно­си­тель­но широ­ких обла­стях, но пол­но­цен­но мыс­лить как люди они не могут. Напри­мер, раз­ра­бот­ка ком­па­нии IBM — ИИ Watson — может стро­ить логи­че­ские свя­зи меж­ду мно­же­ством фак­тов и делать пра­виль­ные выво­ды на их осно­ве. Одно из при­ме­не­ний Ват­со­на — поста­нов­ка диа­гно­зов в меди­цине. Ещё он кру­то игра­ет в «Jeopardy!» — ана­лог «Сво­ей игры» на аме­ри­кан­ском ТВ.

IBM назна­чи­ла приз в мил­ли­он дол­ла­ров тому, кто побе­дит Ват­со­на в «Сво­ей игре». До сих пор нико­му это не уда­лось.

Но даже Ват­сон не может одно­вре­мен­но рас­по­зна­вать лица, писать акту­аль­ный и осмыс­лен­ный текст, под­дер­жи­вать пол­но­цен­ный диа­лог и при­ни­мать реше­ния, поехать ли в выход­ные на шаш­лы­ки или про­ве­сти вре­мя с детьми. Воз­мож­но, ситу­а­ция изме­нит­ся с выхо­дом пол­но­цен­ных кван­то­вых ком­пью­те­ров, но до это­го пока ещё очень дале­ко.

Плюс, есть чисто фило­соф­ская про­бле­ма: люди пока что не поня­ли до кон­ца, что такое созна­ние, что его опре­де­ля­ет, что такое разум и интел­лект. Что, если наш мозг — тоже лишь ней­ро­сеть, кото­рая видит инфор­ма­цию на вхо­де и выда­ёт дей­ствия на выхо­де? А всё, что мы счи­та­ем созна­ни­ем, — лишь внут­рен­ний шум от рабо­ты ней­ро­нов?

Но фило­со­фию оста­вим фило­со­фам. В одной из сле­ду­ю­щих ста­тей пока­жем, как по ней­рон­кам бегут сиг­на­лы, и деталь­но раз­бе­рём суть машин­но­го обу­че­ния.

Что такое ИИ? Учебное пособие по искусственному интеллекту для начинающих

• Home

• Testing

  • • Back
    • Agile Testing
    • BugZilla
    • Cucumber
    • Database Testing
    • 000
    • 9A0003000
    • 9A Тестирование базы данных ETL JUnit
    • LoadRunner
    • Ручное тестирование
    • Мобильное тестирование
    • Mantis
    • Почтальон
    • QTP
    • Назад
    • Центр качества (ALM)
    • RPA
    • SAP Testing
    • RPA

    Управление тестированием

    • TestLink

• SAP

  • • Назад
    • ABAP
    • APO
    • Начинающий
    • Basis
    • BODS
    • BI
    • BPC
    • CO
    • Назад
    • CRM
    • Crystal Reports
    • QM4000
    • QM4
    • Заработная плата
    • Назад
    • PI / PO
    • PP
    • SD
    • SAPUI5
    • Безопасность
    • Менеджер решений
    • Successfactors
    • Учебники SAP
  • Apache
    • AngularJS
    • ASP.Net
    • C
    • C #
    • C ++
    • CodeIgniter
    • СУБД
    • JavaScript
    • Назад
    • Java
    • JSP
    • Kotlin
    • Linux
    • Linux
    • Kotlin
    • Linux

    js

    • Perl
    • Назад
    • PHP
    • PL / SQL
    • PostgreSQL
    • Python
    • ReactJS
    • Ruby & Rails
    • Scala
    • SQL

    000

    • SQL

    000

    0003 SQL

    000

    0003 SQL

    000

    • UML
    • VB.Net
    • VBScript
    • Веб-службы
    • WPF

  • Обязательно учите!

    • • Назад
      • Бухгалтерский учет
      • Алгоритмы
      • Android
      • Блокчейн
      • Business Analyst
      • Создание веб-сайта
      • CCNA
      • Облачные вычисления
      • 00030003 COBOL
        9000 Compiler
        9000 Встроенные системы
        • 00030002 9000 Compiler
          • Ethical Hacking
          • Учебные пособия по Excel
          • Программирование на Go
          • IoT
          • ITIL
          • Jenkins
          • MIS
          • Сети
          • Операционная система
          • 00030003
          • Назад

          Управление проектами Обзоры

          • Salesforce
          • SEO
          • Разработка программного обеспечения
          • VB A

        • Big Data

          • • Назад
            • AWS
            • BigData
            • Cassandra
            • Cognos
            • Хранилище данных

            0003

            • HBOps

            0003

            • HBOps

            0003

            • MicroStrategy

        .

        7 способов ИИ поможет человечеству, а не навредит ему

        Искусственный интеллект (ИИ) — интригующая концепция, которая уже много лет очаровывает как экспертов, так и неспециалистов.

        Технологии в 2018 году развиваются с головокружительной скоростью, и можно с уверенностью сказать, что сегодня у человека в кармане значительно больше энергии, чем у него было во всем доме в 90-х годах.

        В области машинного обучения и глубокого обучения произошел колоссальный прорыв. Эти концепции позволили машинам обрабатывать и анализировать информацию очень сложным образом.

        Благодаря этим разработкам ИИ; машины теперь могут выполнять сложные функции, такие как распознавание лиц.

        Тем не менее, ведутся серьезные споры относительно рисков, которые искусственный интеллект представляет для человечества. Высказывались опасения по поводу того, что ИИ возьмет под контроль нашу жизнь до такой степени, что окажется пагубным для человечества.

        Также есть опасения, что в результате применения ИИ в нашей повседневной жизни могут возникнуть непредвиденные последствия, такие как роботы-убийцы и частичные результаты выборов.

        Хотя последствия внедрения ИИ в нашу жизнь могут показаться достаточно пугающими, чтобы полностью исключить его приложения, вот почему ИИ является благом для человечества, а не проклятием, которое может навредить ему в будущем!

        1. Расширенная автоматизация

        Источник: KUKA Roboter GmbH, Бахманн / Wikimedia Commons

        Сегодня ИИ может легко выполнять интенсивный человеческий труд и изнурительные задачи без необходимости вмешательства человека. Это значительно автоматизировало несколько приложений и задач как в отраслях, так и в разных секторах.

        Машинное обучение, глубокое обучение, а также другие технологии искусственного интеллекта все чаще внедряются и внедряются в отраслях и организациях, чтобы снизить рабочую нагрузку людей.

        Это значительно снизило эксплуатационные расходы и стоимость рабочей силы, доведя автоматизацию искусственного интеллекта до уровня, невиданного ранее.

        Прекрасный пример чудес искусственного интеллекта в повышении уровня автоматизации можно увидеть на примере японского производителя станков Okuma.Недавно они предложили множество инноваций, чтобы продемонстрировать будущее умного производства.

        Сюда входят роботы для заводов всех размеров, новые и улучшенные станки, а также интеллектуальные станки. Это наглядно демонстрирует благословение ИИ для автоматизации промышленности.

        2. Устраняет необходимость для людей выполнять утомительные задачи

        Источник: Чирагджайн доктор / Wikimedia Commons

        Искусственный интеллект также можно считать благом для человечества, учитывая тот факт, что он освобождает людей и позволяет им выполнять задачи в которые они превосходят.

        Мы можем обосновать необходимость ИИ и его приложений на том аргументе, что эта технология берет на себя все утомительные задачи, которые человек должен выполнять для достижения различных результатов.

        Машины отлично справляются с громоздкими работами, и это оставляет людям достаточно места и времени для работы над более творческими и межличностными аспектами своей жизни.

        Давайте возьмем пример банковского сектора, в котором произошел и будет крупный прорыв благодаря применению ИИ.Сегодня финансовые учреждения в полной мере используют эту технологию, чтобы сделать банковское обслуживание более быстрым и бесконечно простым для потребителей.

        Это во многом помогло финансовым аналитикам отвлечься от утомительной работы и сосредоточиться на более глубоких исследованиях и анализе всестороннего опыта потребителей.

        3. Интеллектуальное прогнозирование погоды

        Источник: Мохаммед Тусиф Салам / Wikimedia Commons

        В последние несколько лет мы стали свидетелями использования искусственного интеллекта и его технологий в прогнозировании погоды и климата.Область «Климатическая информатика» постоянно развивается, поскольку она вдохновляет на плодотворное сотрудничество между учеными, занимающимися данными, и учеными-климатологами.

        В результате этого сотрудничества появились инструменты для наблюдения и анализа все более сложных климатических данных. Это значительно помогло преодолеть разрыв между пониманием и данными.

        Существует бесчисленное множество приложений AI, предназначенных для точного прогнозирования погоды. IBM, например, использовала свои компьютеры для улучшения своих прогнозов еще в 1996 году.

        Эта американская транснациональная компания с тех пор совершенствует и совершенствует свои методы прогнозирования с использованием ИИ.

        Люди теперь лучше понимают последствия и причины изменения климата.

        Сфера прогнозирования погоды чрезвычайно требовательна и требует интенсивных вычислений и сетей глубокого обучения, которые могут дать компьютерам возможность выполнять сложные вычисления.

        Таким образом, достижения в области искусственного интеллекта и его завидная вычислительная мощность привели к появлению суперкомпьютеров.

        Это дало человеку столь необходимое понимание экстремальных климатических явлений, так что возможные бедствия и природные опасности могут быть оставлены без внимания.

        4. Реагирование на стихийные бедствия нового поколения

        Источник: Агентство перспективных исследовательских проектов Министерства обороны США / Wikimedia Commons

        В 2017 году в Калифорнии произошли крупные разрушения из-за натиска лесных пожаров. Сообщалось, что в результате лесных пожаров сгорело более 1 миллиона акров земли, в результате чего погибли 85 человек, 249 человек числялись пропавшими без вести.

        Из-за угроз изменения климата все больше и больше компаний используют искусственный интеллект для борьбы с бедствиями с помощью алгоритмов.

        Таким образом, искусственный интеллект четко продемонстрировал свою незаменимость в анализе умного реагирования на стихийные бедствия и предоставлении данных о стихийных бедствиях и погодных явлениях в режиме реального времени.

        Это чрезвычайно полезно для людей, поскольку они могут обнаруживать уязвимые места в районе и, следовательно, помогать в улучшении подготовки к стихийным бедствиям.

        Технологии искусственного интеллекта также полезны, поскольку они своевременно предупреждают нас, оставляя достаточно места, чтобы организовать себя перед лицом надвигающейся катастрофы и минимизировать потери.

        Также ожидается, что в ближайшее время глубокое обучение будет интегрировано с симуляторами бедствий для разработки полезных стратегий реагирования.

        5. Освобождает людей от обязанности брать на себя все обязанности

        Источник: Program Executive Office Soldier / Flickr

        Принято считать, что искусственный интеллект однажды станет концом человечества, а роботы и машины захватят власть планета полностью и навсегда.

        Однако обычно игнорируется тот факт, что включение ИИ в нашу повседневную жизнь помогает освободить нас от всех обязанностей, которые нам не нужны или которые нам не нужны.

        Излишне говорить, что мы не можем позволить высшему разуму слепо контролировать нас. Однако не использовать его преимущества в наших интересах было бы столь же невежественным поступком.

        Убедительным примером в этом отношении является будущее войны и вооружений. ИИ демонстрирует огромные перспективы как потенциальное применение на войне, как указано в книге Пола Шарра « Army of None ».

        Как сказано в его книге, в будущем ожидается, что вооруженные силы и машинная разведка будут работать в тандеме для ведения войн.

        6. Идеальное сочетание творчества и технологий

        ИИ с уверенностью можно назвать идеальным союзом творчества и технологий. Искусственный интеллект — это не что иное, как роботизированная машина, которая способна мыслить разумно и творчески, а также автономно переводить эти мысли в различные человеческие приложения.

        Эта фундаментальная основа искусственного интеллекта — это то, что произвело и может произвести революцию в лице человечества. ИИ — это не просто одномерная технология.

        Его преимущества и применение гораздо важнее и заслуживают внимания, чем его опасения, и именно это поможет людям и в будущем.

        Стратегии взаимодействия с поколением Z показывают, как искусственный интеллект сочетает творчество и технологии для достижения идеальных результатов. Используя мощный инструмент искусственного интеллекта, бренды теперь могут применять правильную технологию для соответствия потребностям и пожеланиям поколения Z.

        Это маркетинговое решение, которое в значительной степени основано на данных, является лишь одним из огромного списка приложений ИИ для обеспечения его технологическое совершенство и творчество вместе.

        7. Нулевой объем ошибок

        Источник: Pixabay

        Клайв Суон, старший вице-президент Oracle Adaptive Intelligent Apps, разделяет перспективы ИИ и его автоматизации, поскольку он устраняет необходимость вмешательства человека и, следовательно, устраняет все возможности для человеческой ошибки.

        Самое лучшее в ИИ и его множестве технологий — это то, что он не содержит ошибок. Отрасли и организации обычно должны оставлять значительный простор для человеческой ошибки, потому что естественно видеть ее присутствие в ручном человеческом труде.

        Это то, с чем в первую очередь должны иметь дело отрасли промышленности, и это также создает препятствия на пути к инновациям, а также научно-техническому прогрессу.

        Таким образом, пора признать, что нам нужны роботы и машины, которые обеспечивали бы высокий уровень точности и точности, не оставляя места для ошибок.

        Итак, поехали! Это 7 основных и очень убедительных причин, по которым искусственный интеллект поможет человечеству, а не навредит ему в долгосрочной перспективе.

        Мы уже видим преимущества ИИ в нашей жизни семимильными шагами, и эти преимущества, скорее всего, будут реализованы только в будущем.

        .

        Искусственный интеллект — это … Что такое искусственный интеллект?

      • Artificial Intelligence — это серия альбомов для британского британского лейбла Warp Records с 1992 по 1994 год, в поисках возможностей электронной музыки. Elle rassemble des artistes et groupes qui ont par la suite été reconnus dans le…… Wikipédia en Français

      • искусственный интеллект — ► СУЩЕСТВУЕТ ▪ выполнение компьютерными системами задач, обычно требующих человеческого интеллекта… Словарь английских терминов

      • искусственный интеллект — [n] разработка «мыслящих» компьютерных систем AI, экспертная система, обработка естественного языка, нейронная сеть, робототехника; концепции 269 463… Новый тезаурус

      • искусственный интеллект — ☆ искусственный интеллект n.1. способность компьютеров или программ работать способами, которые, как считается, имитируют человеческие мыслительные процессы, такие как рассуждение и обучение 2. отрасль компьютерных наук, занимающаяся этим… Словарь английского мира

      • Искусственный интеллект — ИИ перенаправляет сюда. Чтобы узнать о других значениях, см. Ai. И другие значения, см. Искусственный интеллект (значения). TOPIO, робот-гуманоид, играл в настольный теннис на Международной выставке роботов в Токио (IREX) 2009. [1] Искусственный интеллект (… Википедия

      • искусственный интеллект — способность компьютера выполнять операции, аналогичные обучению и принятию решений у людей, как с помощью экспертной системы, программы для CAD или CAM, или программы для восприятия и распознавания форм в компьютерном зрении. системы.Сокр .:…… Универсал

      • Искусственный интеллект — Dieser Artikel oder Abschnitt bedarf einer Überarbeitung. Näheres ist auf der Diskussionsseite angegeben. Hilf mit, ihn zu verbessern, und entferne anschließend diese Markierung. Künstliche Inte… Deutsch Wikipedia

      • Искусственный интеллект — Dieser Artikel oder Abschnitt bedarf einer Überarbeitung. Näheres ist auf der Diskussionsseite angegeben. Hilf mit, ihn zu verbessern, und entferne anschließend diese Markierung.Künstliche Inte… Deutsch Wikipedia

      • Искусственный интеллект II — Информационное окно Название альбома = Искусственный интеллект II Тип = Сборный альбом Исполнитель = Различные исполнители Выпущены = 5 октября 1994 г. Записано = Различный жанр = Электронный, IDM-этикетка = Warp WARP 23 Wax Trax (США) Производитель = Различный Обзоры = * Allmusic…… Википедия

      • Искусственный интеллект — Создание моделей, имитирующих мыслительные процессы. Bloomberg Financial Dictionary См .: нейронные сети (нейронные сети), нечеткая логика и генетические алгоритмы.Финансовый словарь Bloomberg * * * искусственный интеллект ˌИскусственный интеллект…… Финансовые и коммерческие термины

      .

      No related posts.