Разное

Машинный интеллект: Различия между искусственным интеллектом, машинным обучением и глубоким обучением

Содержание

Различия между искусственным интеллектом, машинным обучением и глубоким обучением

Искусственный интеллект, машинное обучение и глубокое обучение уже сейчас являются неотъемлемой частью многих предприятий. Часто эти термины используются как синонимы.

Искусственный интеллект движется огромными шагами — от достижений в области беспилотных транспортных средств и способности обыгрывать человека в такие игры, как покер и Го, к автоматизированному обслуживанию клиентов. Искусственный интеллект — это передовая технология, которая готова произвести революцию в бизнесе.

Часто термины искусственный интеллект, машинное обучение и глубокое обучение используются бессистемно как взаимозаменяемые, но, на самом деле, между ними есть различия. Чем именно различаются эти термины будет рассказано далее.

Искусственный интеллект (ИИ)

Искусственный интеллект — широкое понятие, касающееся передового машинного интеллекта. В 1956 году на конференции по искусственному интеллекту в Дартмуте эта технология была описана следующим образом: «Каждый аспект обучения или любая другая особенность интеллекта могут быть в принципе так точно описаны, что машина сможет сымитировать их.»

Искусственный интеллект может относиться к чему угодно — от компьютерных программ для игры в шахматы до систем распознавания речи, таких, например, как голосовой помощник Amazon Alexa, способный воспринимать речь и отвечать на вопросы. В целом системы искусственного интеллекта можно разделить на три группы: ограниченный искусственный интеллект (Narrow AI), общий искусственный интеллект (AGI) и сверхразумный искусственный интеллект.

Программа Deep Blue компании IBM, которая в 1996 году обыграла в шахматы Гарри Каспарова, или программа AlphaGo компании Google DeepMind, которая в 2016 году обыграла чемпиона мира по Го Ли Седоля, являются примерами ограниченного искусственного интеллекта, способного решать одну конкретную задачу. Это его главное отличие от общего искусственного интеллекта (AGI), который стоит на одном уровне с человеческим интеллектом и может выполнять много разных задач.

Сверхразумный искусственный интеллект стоит на ступень выше человеческого. Ник Бостром описывает его следующим образом: это «интеллект, который намного умнее, чем лучший человеческий мозг, практически во всех областях, в том числе в научном творчестве, общей мудрости и социальных навыках.» Другими словами, это когда машины станут намного умнее нас.

Машинное обучение

Машинное обучение является одним из направлений искусственного интеллекта. Основной принцип заключается в том, что машины получают данные и «обучаются» на них. В настоящее время это наиболее перспективный инструмент для бизнеса, основанный на искусственном интеллекте. Системы машинного обучения позволяют быстро применять знания, полученные при обучении на больших наборах данных, что позволяет им преуспевать в таких задачах, как распознавание лиц, распознавание речи, распознавание объектов, перевод, и многих других. В отличие от программ с закодированными вручную инструкциями для выполнения конкретных задач, машинное обучение позволяет системе научиться самостоятельно распознавать шаблоны и делать прогнозы.

В то время, как обе программы — и Deep Blue, и DeepMind, являются примерами использования искусственного интеллекта, Deep Blue была построена на заранее запрограммированном наборе правил, так что она никак не связана с машинным обучением. С другой стороны, DeepMind является примером машинного обучения: программа обыграла чемпиона мира по Го, обучая себя на большом наборе данных ходов, сделанных опытными игроками.

Заинтересован ли Ваш бизнес в интеграции машинного обучения в свою стратегию? Amazon, Baidu, Google, IBM, Microsoft и другие уже предлагают платформы машинного обучения, которые могут использовать предприятия.

Глубокое обучение

Глубокое обучение является подмножеством машинного обучения. Оно использует некоторые методы машинного обучения для решения реальных задач, используя нейронные сетей, которые могут имитировать человеческое принятие решений. Глубокое обучение может быть дорогостоящим и требует огромных массивов данных для обучения. Это объясняется тем, что существует огромное количество параметров, которые необходимо настроить для алгоритмов обучения, чтобы избежать ложных срабатываний. Например, алгоритму глубокого обучения может быть дано указание «узнать», как выглядит кошка. Чтобы произвести обучение, потребуется огромное количество изображений для того, чтобы научиться различать мельчайшие детали, которые позволяют отличить кошку от, скажем, гепарда или пантеры, или лисицы.

Как уже упоминалось выше, в марте 2016 года искусственным интеллектом была достигнута крупная победа, когда программа AlphaGo DeepMind обыграла чемпиона мира по Го Ли Седоля в 4 из 5 игр с использованием глубокого обучения. Как объясняют в Google, система глубокого обучения работала путем комбинирования «метода Монте-Карло для поиска в дереве с глубокими нейронными сетями, которые прошли обучение с учителем на играх профессионалов и обучения с подкреплением на играх с собой».

Глубокое обучение также имеет бизнес-приложения. Можно взять огромное количество данных — миллионы изображений, и с их помощью выявить определенные характеристики. Текстовый поиск, обнаружение мошенничества, обнаружения спама, распознавание рукописного ввода, поиск изображений, распознавание речи, перевод — все эти задачи могут быть выполнены с помощью глубокого обучения. Например, в Google сети глубокого обучения заменили много «систем, основанных на правилах и требующих ручной работы».

Стоит отметить, что глубокое обучение может быть весьма «предвзятым». Например, когда была первоначально развернута система распознавания лиц Google, она помечала много черных лиц как гориллы. «Это пример того, что произойдет, если у вас нет афроамериканских лиц в вашем наборе обучения», сказала Anu Tewary, главный специалист по работе с данными Mint at Intuit. «Если у вас нет афроамериканцев, работающих над системой, если у вас нет афроамериканцев, тестирующих систему, то, когда ваша система сталкивается с афроамериканскими лицами, она не будет знать, как вести себя.»

Существует мнение, что тема глубокого обучения сильно раздута. Система Sundown AI, например, предоставляет автоматизированные взаимодействия с клиентами с использованием комбинации машинного обучения и policy graph алгоритмов без использования глубокого обучения.

Оригинал статьи — «Understanding the differences between AI, machine learning, and deep learning».

МАШИННЫЙ ИНТЕЛЛЕКТ — это… Что такое МАШИННЫЙ ИНТЕЛЛЕКТ?



МАШИННЫЙ ИНТЕЛЛЕКТ

МАШИННЫЙ ИНТЕЛЛЕКТ — способность средств вычислительной техники моделировать и реализовывать различные виды естественной интеллектуальной деятельности человека или его поведение. Результаты достигаются на базе совокупности таких характеристик компьютера, как объём информации («знания») в его памяти, способность к её пополнению путём самообучения и самоорганизации, степень реализации языков (см.) программирования высокого уровня и степень понимания входного языка при общении человека с машиной, показатель быстродействия при экспертных оценках, способность к решению задач управления, а также распознаванию образов и принятию решений, относимых к сфере искусственного интеллекта (управление полётом и работой порта, доказательство теорем, игра в шахматы и др.).

Большая политехническая энциклопедия. — М.: Мир и образование.
Рязанцев В. Д..
2011.

  • МАШИННОЕ СЛОВО
  • МАШИННЫЙ ПЕРЕВОД

Смотреть что такое «МАШИННЫЙ ИНТЕЛЛЕКТ» в других словарях:

  • Дружественный искусственный интеллект — «Дружественный искусственный интеллект» или «ДИИ» (англ: FAI) это искусственный интеллект (ИИ), который обладает скорее позитивным, чем негативным влиянием на человечество. ДИИ также относится к области исследований, целью которых является… …   Википедия

  • Искусственный интеллект — Запрос «ИИ» перенаправляется сюда; см. также другие значения. Искусственный интеллект (ИИ, англ. Artificial intelligence, AI)  наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ… …   Википедия

  • Искусственный Интеллект — (ИИ) (англ. Artificial intelligence, AI)  это наука и разработка интеллектуальных машин и систем, особенно интеллектуальных компьютерных программ, направленных на то, чтобы понять человеческий интеллект. При этом используемые методы не обязаны… …   Википедия

  • Игровой искусственный интеллект — (англ. Game artificial intelligence)  набор программных методик, которые используются в компьютерных играх для создания иллюзии интеллекта в поведении персонажей, управляемых компьютером. Игровой ИИ, помимо методов традиционного… …   Википедия

  • Вычислительный интеллект — (англ. Computational intelligence (CI)) ответвление искусственного интеллекта. Как альтернатива классическому искусственному интеллекту, основанному на строгом логическом выводе, он опирается на эвристические алгоритмы, используемые,… …   Википедия

  • 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… …   Философская энциклопедия

  • Роевой интеллект — (англ. Swarm intelligence) описывает коллективное поведение децентрализованной самоорганизующейся системы. Рассматривается в теории искусственного интеллекта как метод оптимизации. Термин был введен Херардо Бени и Ван Цзином в 1989 году, в… …   Википедия

  • 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 — раздел информатики, включающий разработку методов моделирования и воспроизведения с помощью компьютера отдельных функций творческой деятельности человека, решение проблемы представления знаний в компьютере и построение баз знаний, создание… …   Энциклопедия техники

  • Тест Тьюринга — Стандартная интерпретация теста Тьюринга Тест Тьюринга  эмпирический тест, идея которого была предложена Аланом Тьюрингом в статье «Вычислительные машины и разум» (англ.  …   Википедия

Как работают искусственный интеллект, машинное и глубокое обучение :: РБК Тренды

Фото: Frank Augstein / AP

Что значат эти понятия, в чем разница между ними, и в каких случаях уместно применять каждое?

Об авторе: Андрей Беляев, технический директор (CTO) исследовательской компании Neurodata Lab.

Умные дома, самоуправляемые автомобили, роботы-помощники… Нас окружают инновационные технологии, в основе которых лежат алгоритмы, по своей специфике напоминающие работу человеческого мозга. Их называют по-разному: алгоритмы с использованием машинного обучения, глубокого обучения, а иногда и вовсе искусственный интеллект (ИИ).

В чем разница между этими названиями?

Все задачи, которые может решать человек или компьютер, можно условно разделить на две категории: рутинные и нерутинные.

К рутинным задачам можно отнести те, где достаточно просто найти универсальный путь решения: например, сложение чисел или измерение температуры воздуха.

Искусственным интеллектом сейчас принято называть все, что способно решать нерутинные задачи на уровне, близком к человеческому, а иногда и лучше. Такие задачи окружают нас везде. Камеры над дорогой вычисляют скорость автомобиля, распознают его знак и высылают штраф, а системы безопасности в метро и аэропортах находят преступников в толпе. Все это сегодня принято считать искусственным интеллектом, хотя в действительности алгоритмы, лежащие в основе каждой такой технологии, уникальны. И только некоторые используют машинное обучение.

Получается, что машинное обучение — это обучение ИИ

Искусственный интеллект — это название не какого-то отдельного алгоритма, но скорее группы методов, которыми пользуются для решения различного рода задач. Алгоритмы, которые используют подходы с обучением, являются лишь одной из подгрупп всего того множества алгоритмов, что принято называть искусственным интеллектом.

Машинное обучение — это подход, при котором алгоритм «учится» решать задачу. Один из самых простых примеров алгоритма, использующего машинное обучение, это классификация фотографий на те, где изображены кошки и те, где есть собаки:

Допустим, есть несколько тысяч фотографий кошек и несколько тысяч — собак. Эти данные можно загрузить в алгоритм и заставить его «учиться» отличать кошек от собак, «ругая» за ошибки в классификации и «поощряя» за правильные ответы. В зависимости от количества и качества вводных данных, а также от сложности используемого алгоритма после некоторого количества итераций с «наказанием» и «поощрением», получается обученный алгоритм, которой с разным качеством умеет отличать кошек и собак.

Применяя методы машинного обучения, эти же алгоритмы можно «натренировать» и для выполнения более сложных задач — таких как поиск людей на кадре, определение пола и возраста человека и т.д.

Такие алгоритмы можно научить решать задачи любой сложности?

В теории — да. Но на практике мы сталкиваемся с большим количеством проблем, начиная от недостаточного количества данных для обучения, заканчивая невозможностью интерпретировать действия человека при решении такой же задачи. Получается, что невозможно построить алгоритм, который эти действия бы совершал. Хороший пример — автопилотируемый автомобиль. Научить машину держать полосу, входить в повороты и автоматически перестраивать маршрут, если на дороге ремонт, сравнительно несложно, потому что есть понимание, как вел бы себя человек (а значит, как должна вести себя машина) в таких ситуациях.

Как ездят беспилотники и так ли они надежны, как говорят

Однако научить автомобиль принимать решения в чрезвычайных ситуациях гораздо сложнее: проблема в том, что и самому человеку трудно понять, как именно надо поступать в том или ином экстренном случае. Поэтому человек не может показать алгоритмам примеры хорошего и плохого поведения для таких случаев.

А что насчет глубокого обучения? Чем оно отличается от машинного?

Как машинное обучение является подвидом искусственного интеллекта, так и глубокое обучение является подвидом машинного (см. картинку в начале статьи). В глубоком обучении используются те же подходы: алгоритму дают много данных и «ругают» его за ошибки. Разница здесь в том, что сами алгоритмы глубокого обучения устроены гораздо сложнее и часто используют более серьезные математические модели. Сейчас под алгоритмами глубокого обучения практически всегда подразумевают нейронные сети.

Нейронные сети? Как те, что в мозгу у человека?

Такое сравнение действительно часто используется. Нейронная сеть — это последовательность слоев, каждый из которых, в свою очередь, состоит из нейронов, и каждый выполняет свою роль. Есть нейроны (или структуры нейронов), которые учатся выделять важные элементы на изображениях, например шерсть у кошки или собаки; есть те, которые учатся делать выводы, исходя из выделенных элементов — например, если у животного длинные лапы, то, скорее всего, это собака. Эти нейроны объединяются в группы (слои), а они превращаются в единую искусственную нейронную сеть.

И все же можно как-то сравнить процессы внутри нейросети с деятельностью мозга?

Некоторое количество идей, используемых в нейросетях, разработчики почерпнули из знаний об устройстве человеческого мозга. Одни из самых частых задач для нейросетей — это задачи, связанные с работой с изображениями. Для таких задач используют специальный тип нейросетей, внутри которых есть так называемые сверточные слои.

Если говорить упрощенно, смысл этой сверточной нейронной сети в том, чтобы оценивать каждый элемент картинки (пиксель) не отдельно, а в группе с несколькими соседними, благодаря чему можно находить как базовые фигуры (линии, углы, и т.д.), так и объекты целиком. Примерно такой же процесс происходит и в человеческом мозге при обработке визуальной информации. После снятия всех возможных визуальных признаков в нейросети, как и в человеческом мозге, происходит анализ этих признаков, а затем принимается решение: видим мы, допустим, кошку или собаку.

Богатое воображение: математики объяснили секреты человеческого зрения

А как происходит процесс обучения?

Процесс обучения алгоритма во многом напоминает процесс обучения человека. Как мы совершаем ошибки и учимся на них (например, что не стоит засовывать руку в кипящую воду), так и алгоритмы, использующие машинное обучение, совершают ошибки, за что получают штраф.

Как работает нейросеть? В качестве примера можно рассмотреть процесс обучения нейросети распознаванию лиц. Чтобы корректно обучить любую нейросеть, нужно сделать две вещи: собрать достаточное количество данных и определить, за что мы будем ее штрафовать. Применительно к этой задаче необходимо собрать несколько десятков фотографий лиц для каждого из людей, которых надо определить, и штрафовать нейросеть за то, что предсказанный ею человек не совпадает с человеком на фотографии.

Что значит «поощрять» и «штрафовать» нейросеть?

С математической точки зрения нейросеть — это функция с большим количеством параметров. Штрафование этой функции за неверное определения лица — это когда мы, упрощенно говоря, корректируем работу функции таким образом, чтобы в будущем она меньше ошибалась. Соответственно, поощрение нейросети — это когда мы ее просто не штрафуем.

График зависимости между длительностью обучения (горизонтальная ось) и конечной ошибкой (вертикальная ось). Чем дольше мы учим нейросеть, тем меньше ошибка.

Во всех примерах вы рассказываете про конкретные задачи. А можно ли нейросеть научить думать, как человек?

Это уже скорее философский вопрос. Мыслительный процесс напрямую связан с наличием сознания. Нейронная сеть, как и любой другой алгоритм машинного обучения, по своей сути является лишь математической функцией, и умеет решать лишь одну конкретную задачу. Нейросеть, которую учили отличать кошек и собак, не сможет отличить медведя от слона, ведь она даже не знала, что такие существуют. Процессы же анализа данных, которые происходят в голове у человека, намного сложнее чем те, что происходят в нейросети, так что даже при наличии данных, сопоставимых по размеру с массивом информации, которую за жизнь получает человек, сегодня обучить нейросеть думать, как человек, невозможно.

Подписывайтесь и читайте нас в Яндекс.Дзене — технологии, инновации, эко-номика, образование и шеринг в одном канале.

путь самоучки / Блог компании RUVDS.com / Хабр

Не каждый может найти время и деньги на то, чтобы получить очное образование в сферах Data Science (DS, наука о данных), AI (Artificial Intelligence, искусственный интеллект), ML (Machine Learning, машинное обучение). Недостаток времени и нехватка денег — это серьёзные препятствия. Преодолеть эти препятствия можно, занявшись самообучением. Но и тут не всё так просто. Для того чтобы успешно учиться самостоятельно, нужны дисциплина, сосредоточенность и правильный подбор учебных предметов. Самообучение в выбранной области, при правильном подходе, можно свободно совмещать с обычной жизнью или с учёбой в общеобразовательных учреждениях. Но в некоторых областях знаний, в таких, как DS, AI, ML, очень сложно начать учиться самостоятельно. Однако, прошу поверить мне на слово, сложности стоят того, что можно получить в результате. Ключ к успеху в самообучении лежит в том, чтобы учиться в собственном темпе.

В этом материале я хочу рассказать о том, как можно действовать тому, кто хочет самостоятельно обрести знания в областях DS, AI и ML. Применение предложенных здесь методов учёбы способно привести к хорошему прогрессу в изучении нового. Здесь, кроме того, я собираюсь поделиться ссылками на ресурсы, которыми я пользуюсь, и которые я без тени сомнения готов порекомендовать другим.

Изучите некоторые математические дисциплины

Математика, даже если это кому-то и не нравится, очень важна в интересующей нас области. Я думаю, что можно с достаточной уверенностью говорить о том, что те, кто это читают, уже обладают некоторыми знаниями по математике, которые они получили в школе. Это — хорошая база, но этого и близко недостаточно тому, кто хочет развиваться в сферах DS, AI и ML. А именно, тут понадобится углубиться в математику немного сильнее, чем это делается в школе, придётся изучить некоторые вещи из статистики, алгебры и других математических дисциплин. Я собрал бы список полезных ресурсов по математике для DS, но это уже сделали за меня в этой статье. И сделали очень хорошо.

Научитесь программировать

Если вы только начинаете самообучение — не стоит сразу бросаться в изучение того, как писать код для целей машинного обучения. Вместо этого стоит изучить основные концепции программирования, не привязанные к какой-либо предметной области. Узнайте о том, что такое программирование, ознакомьтесь с разными существующими типами кода, разберитесь с тем, как правильно писать программы. Это очень важно, так как в процессе освоения программирования вы изучите множество базовых идей, которые сослужат вам хорошую службу на протяжении всей вашей DS-карьеры.

Не спешите, не стремитесь сразу изучить что-то сложное. То, насколько хорошо вы поймёте основы, скажется на всей вашей будущей профессиональной деятельности. Здесь вы можете найти очень хорошие видеоуроки, которые познакомят вас с программированием и информатикой. А именно, в них разбираются самые важные вещи, в которых вам нужно разбираться. Уделите этому вопросу достаточно времени и постарайтесь дойти до понимания всего, что узнаете.

Выберите один язык программирования и как следует в нём разберитесь

Существует много языков программирования, используемых теми, кто работает в областях DS, AI и ML. Чаще всего здесь используются Python, R, Java, Julia и SQL. В данных сферах могут применяться и другие языки, но те, которые я перечислил, применяются чаще других не без причины:

  • Их легко выучить. Если выделить на их изучение достаточно времени и проявлять в обучении настойчивость и постоянство, то достичь определённых успехов можно достаточно быстро.
  • Они позволяют, создавая небольшие объёмы кода, решать достаточно масштабные задачи.
  • Вокруг них сформировалось серьёзное сообщество, которое может помочь вам в сложной ситуации.
  • Для этих языков созданы библиотеки и пакеты, среди которых можно найти практически всё, что может понадобиться тому, кто работает в сферах DS, AI и ML.
  • Это — опенсорсные и бесплатные инструменты.

Нет ничего плохого в том, чтобы изучать несколько языков программирования. И, на самом деле, полезно знать более одного языка. Но во время изучения программирования не стоит торопиться. Нужно постараться заниматься, в некий промежуток времени, лишь одним языком, так как иначе вы можете сильно запутаться. Поэтому лучше всего изучать языки по одному, уделяя особое внимание тем их механизмам, которые пригодятся вам в работе. Я посоветовал бы выбрать, в качестве первого языка, Python. Это — довольно простой язык, в котором несложно разобраться даже новичку. Кроме того, я порекомендовал бы сначала изучить общие вопросы программирования на Python, а потом уже заниматься специализированными Python-инструментами для анализа данных.

Научитесь собирать данные

Чаще всего вам никто не будет давать данные, предназначенные специально для вас, а иногда в вашем распоряжении может не быть вообще никаких данных. Но, в любом случае, вам нужно найти способ сбора данных, с которыми вы будете работать. У организации, в которой вы трудитесь, может быть хорошая система сбора данных. Если это так, для вас это — большой плюс. Если такой системы в организации нет, то вам придётся найти способ сбора данных. Но речь идёт не о любых данных, а о качественной информации, с который вы сможете продуктивно работать, достигая поставленных целей. Сбор данных не имеет прямой связи с «добычей данных», с их глубинным анализом. Сбор данных — это шаг работы, который предшествует анализу.

Открытые данные, которыми можно пользоваться бесплатно, можно найти во многих местах интернета. Иногда же нужные данные можно собрать с веб-сайтов, применяя методы веб-скрапинга. Владение веб-скрапингом — это очень важный навык дата-сайентиста, поэтому я очень прошу всех, кто собирается работать в областях DS, AI и ML, освоить этот навык. Вот хорошее руководство по веб-скрапингу.

Данные, кроме того, могут храниться в базах данных, поэтому вам очень пригодятся начальные сведения по администрированию БД и умения по взаимодействию с базами данных. В частности, здесь очень важны знания SQL. Поучиться SQL можно здесь.

Научитесь обрабатывать данные

То, о чём я будут тут говорить, часто называют «первичной обработкой данных» (Data Wrangling). Этот процесс включает в себя очистку имеющихся данных. Здесь применяется разведочный анализ данных и удаление из них всего ненужного. Этот процесс так же включает в себя структурирование данных, приведение их к такой форме, с которой можно будет работать. Эта стадия работы с данными является самой тяжёлой и изматывающей. Те данные, с которыми вы столкнётесь в процессе обучения, будут уже подготовлены к анализу. Но данные, с которыми вы встретитесь в реальном мире, могут быть совершенно «сырыми». Если вы и правда стремитесь стать специалистом в области обработки и анализа данных, вам стоит найти настоящие данные и отыскать способы приведения их в пристойный вид.

Реальные данные можно найти практически повсюду. Например — на Kaggle. На этой замечательной платформе имеются данные от множества компаний со всего мира. Первичная обработка данных — это очень утомительное занятие, но если вы будете заниматься этим регулярно и настойчиво, вы, постепенно, поймёте, что занятие это ещё и очень интересное. Вот хорошие лекции по первичной обработке данных.

Научитесь визуализировать данные

Если вы — специалист по DS, AI или ML, и хорошо разбираетесь в своём деле, вы не должны забывать о том, что то, что кажется вам очевидным, может быть совершенно непонятно окружающим. Не ждите от них того, что они, например, смогут сделать выводы, глядя на колонки цифр. Научиться визуализировать данные нужно для того чтобы результатами вашей работы могли бы воспользоваться специалисты из других областей. «Визуализацией данных» обычно называют процесс представления данных в графическом виде. Такое представление данных позволит извлечь их них пользу даже тем, кто не имеет специальных знаний в сферах DS, AI и ML.

Существует множество способов визуализации данных. Так как мы, всё же, программисты, нашим основным методом визуализации данных должно быть написание соответствующего кода. Это быстро и не требует покупки специализированных инструментов. При написании кода для визуализации данных можно пользоваться множеством бесплатных и опенсорсных библиотек, созданных для используемых нами языков программирования. Например, существуют библиотеки такого рода для Python. Это — Matplotlib, Seaborn и Bokeh. Вот видеоурок по Matplotlib.

Ещё один способ визуализации данных предусматривает использование инструментов с закрытым кодом. Например — Tableau. Существует много таких средств, они позволяют добиваться весьма привлекательных результатов, но они не бесплатны. Tableau — один из самых распространённых подобных инструментов, им я пользуюсь очень часто. Я посоветовал бы всем, кто занимается анализом и визуализацией данных, изучить Tableau. Вот хорошее руководство по этому инструменту.

Искусственный интеллект и машинное обучение

AI и ML можно рассматривать как подразделы DS, так как они основаны на данных. AI и ML — это технологии, которые основаны на обучении машин поведению, сходному с поведением людей. Для этого используются специально подготовленные данные, передаваемые машинам. Компьютерные модели можно научить многому такому, на что способны люди. Для этого их обучают и направляют к нужному результату. В данном случае «машины» можно воспринимать как маленьких детей, не имеющих совершенно никаких знаний. Этих детей постепенно обучают идентифицировать объекты, говорить. Они учатся на своих ошибках и, по мере обучения, начинают всё лучше решать поставленные перед ними задачи. Так происходит и с машинами. 

Технологии AI и ML — это то, что «оживляет» машины с использованием множества математических алгоритмов. Человечеству до сих пор не известны границы возможностей этих постоянно совершенствующихся технологий. В наши дни технологии AI и ML широко используются для решения когнитивных задач. Это — обнаружение и распознавание объектов, распознавание лиц и речи, обработка естественного языка, выявление спама и обнаружение мошенничества. Этот список можно ещё очень долго продолжать.

Более подробный рассказ об AI и ML достоин отдельной публикации. Пока же я могу порекомендовать это видео, касающееся общих вопросов применения данных технологий. А вот — многочасовой видеоурок, посвящённый машинному обучению. Проработав эти видео, вы можете приобрести знания в сфере ML, соответствующие начальному или даже среднему уровню. Вы узнаете о множестве существующих алгоритмов машинного обучения, о том, как они устроены, и о том, как ими пользоваться. После этого у вас должно быть достаточно знаний для того чтобы приступить к созданию собственных простых ML-моделей. О том, как это сделать, можно почитать здесь.

Изучите способы публикации ML-моделей в интернете

Существуют инструменты, позволяющие публиковать ML-модели в интернете. Это позволяет дать к ним доступ всем желающим. Для того чтобы публиковать модели в интернете, нужно хорошее понимание процессов веб-разработки. Дело в том, что под «публикацией модели» понимается создание веб-страницы (или группы страниц), обеспечивающей возможность работы с моделью в браузере. Кроме того, нужно учитывать то, что фронтенд проекта, его интерфейс, должен обмениваться данными с бэкендом, с серверной частью проекта, где расположена сама модель. Для того чтобы строить подобные проекты, вы должны уметь создавать серверные API и пользоваться этими API в клиентской части приложений.

В том случае, если вы планируете публиковать модели в облачных средах, если собираетесь использовать технологию Docker, вам пригодится хорошее знание сферы облачных вычислений и DevOps.

На самом деле, существует множество способов развёртывания моделей в интернете. Я посоветовал бы начать с изучения того, как это делается с использованием веб-фреймворка Flask, основанного на Python. Вот хорошее учебное руководство об этом.

Найдите наставника

Самообучение — это прекрасно, но ничто не сравнится с обучением у профессионалов. Дело в том, что при таком подходе усваивается то, что используется в реальности, и в том, что так обучение идёт через практику. Многие вещи можно изучить только на практике. Обучение с наставником имеет множество сильных сторон, но надо учитывать то, что не каждый наставник способен оказать существенное влияние на вашу карьеру или жизнь. Именно поэтому очень важно найти хорошего наставника.

Например, эту задачу можно попытаться решить с помощью платформы Notitia AI. Здесь учащимся назначают персональных наставников, которые делают личный и профессиональный вклад в развитие учеников. Наставники доводят тех, кто хочет учиться, от начального до экспертного уровня в сферах DS, AI и ML. Notia AI, это, кроме того, самая доступная платформа такого рода.

Итоги

Учтите, что изучение курсов, чтение статей и просмотр видео не сделают из вас специалиста по работе с данными. Вам понадобится пройти сертификацию в специализированном учреждении. Кроме того, некоторые вакансии требуют наличия определённых документов об образовании. Вложите время в самообучение, сертифицируйтесь или получите документы об образовании, и вы будете готовы к реальной работе.

Как вы думаете, что нужно знать и уметь тому, кто стремится стать ценным специалистом в сферах искусственного интеллекта или машинного обучения?

10 самых важных вех в развитии ИИ на сегодняшний день / Хабр

На протяжении своей истории, от первых рассказов Азимова про роботов до AlphaGo, у ИИ были взлёты и падения. Но на самом деле его история только начинается.

Искусственный интеллект пока ещё очень молод. Однако в этой области произошло уже много значимых событий. Некоторые из них привлекли внимание культуры, другие породили взрывную волну, воспринятую только учёными. Вот некоторые ключевые моменты, наиболее сильно повлиявшие на развитие ИИ.

Рассказ Азимова «Хоровод» отмечает первое появление в историях этого знаменитого фантаста «трёх законов робототехники»:

  1. Робот не может причинить вред человеку или своим бездействием допустить, чтобы человеку был причинён вред.
  2. Робот должен повиноваться всем приказам, которые даёт человек, кроме тех случаев, когда эти приказы противоречат Первому Закону.
  3. Робот должен заботиться о своей безопасности в той мере, в которой это не противоречит Первому или Второму Законам.

В рассказе «Хоровод» робот Спиди ставится в положение, в котором третий закон входит в противоречие с первыми двумя. Рассказы Азимова про роботов заставили задуматься любителей НФ, среди которых были и учёные, о возможности появления думающих машин. По сей день люди занимаются интеллектуальными упражнениями, применяя законы Азимова к современным ИИ.

2. Алан Тьюринг предложил свою «Игру в имитацию» (1950)

Алан Тьюринг описал первый принцип измерения степени разумности машины в 1950-м.

Предлагаю рассмотреть вопрос «Могут ли машины думать?» Так начиналась влиятельная исследовательская работа Тьюринга 1950 года, разработавшая систему взглядов для рассуждения о машинном разуме. Он задал вопрос о том, можно ли считать машину разумной, если она может имитировать разумное поведение человека.

Этот теоретический вопрос породил знаменитую «Игру в имитацию» [её позже назовут «Тестом Тьюринга» / прим. перев.], упражнение, в котором исследователь-человек должен определить, с кем он переписывается – с компьютером или человеком. Во времена Тьюринга не существовало машин, способных пройти этот тест, нет их и сегодня. Однако его тест дал простой способ определить наличие разума у машины. Также он помог сформировать философию ИИ.

3. Конференция по ИИ в Дартмуте (1956)

К 1955 году учёные всего мира уже сформировали такие концепции, как нейросети и естественный язык, однако ещё не существовал объединяющих концепций, охватывающих различные разновидности машинного интеллекта. Профессор математики из Дартмутского колледжа, Джон Маккарти, придумал термин «искусственный интеллект», объединяющий их все.

Маккарти руководил группой, подавшей заявку на грант для организации конференции по ИИ в 1956. В Дартмут-холл летом 1956 были приглашены многие ведущие исследователи того времени. Учёные обсуждали различные потенциальные области изучения ИИ, включая обучение и поиск, зрение, логические рассуждения, язык и разум, игры (в частности, шахматы), взаимодействия человека с такими разумными машинами, как личные роботы.

Общим консенсусом тех обсуждений стало то, что у ИИ есть огромный потенциал для того, чтобы принести пользу людям. Было очерчено общее поле исследовательских областей, на развитие которых может повлиять машинный интеллект. Конференция организовала и вдохновила исследования в области ИИ на многие годы.

4. Фрэнк Розенблатт создаёт перцептрон (1957)

Фрэнк Розенблатт создал механическую нейросеть в Корнеллской лаборатории аэронавтики в 1957

Базовый компонент нейросети называется «перцептроном» [это лишь самый первый и примитивный тип искусственного нейрона / прим. перев.]. Набор входящих данных попадает в узел, подсчитывающий выходное значение, и выдающий классификацию и уровень уверенности. К примеру, входные данные могут анализировать различные аспекты изображения на основании входных данных и «голосовать» (с определённым уровнем уверенности) за то, есть ли на нём лицо. Затем узел подсчитывает все «голоса» и уровень уверенности, и выдаёт консенсус. В нейросетях сегодняшнего дня, работающих на мощных компьютерах, работают миллиарды подобных структур, связанных между собой.

Однако перцептроны существовали ещё до появления мощных компьютеров. В конце 1950-х молодой психолог-исследователь Фрэнк Розенблатт создал электромеханическую модель перцептрона под названием Mark I Perceptron, хранящуюся сегодня в Смитсоновском институте. Это была аналоговая нейросеть, состоявшая из сетки светочувствительных элементов, соединённых проводами с банками узлов, содержащих электромоторы и поворотные резисторы. Розенблатт разработал «перцептронный алгоритм», управлявший сетью, которая постепенно подстраивала силу входных сигналов так, чтобы в итоге правильно идентифицировать объекты – по сути, обучалась.

Учёные спорили о значимости этой машины вплоть до 1980-х. Она сыграла важную роль по созданию физического воплощения нейросети, которая до тех пор существовала в основном только в виде научной концепции.

5. ИИ сталкивается со своей первой зимой (1970-е)

Большую часть своей истории ИИ существовал только в исследованиях. Большую половину 1960-х правительственные агентства, в частности, DARPA, вливали деньги в исследования и практически не требовали отчёта по инвестициям. Исследователи ИИ часто преувеличивали потенциал своей работы, чтобы продолжать получать финансирование. Всё изменилось в конце 1960-х и начале 1970-х. Два отчёта – один от рекомендательного совета по автоматической обработке языка (ALPAC) для правительства США 1966 года, второй от Лайтхилла для правительства Британии 1973 года – прагматически оценили прогресс в исследованиях ИИ и выдали весьма пессимистичный прогноз о потенциале данной технологии. В обоих отчётах ставилось под вопрос наличие ощутимого прогресса в различных областях исследований ИИ. Лайтхилл в своём отчёте утверждал, что ИИ для задач распознавания речи будет крайне сложно масштабировать до размеров, которые смогут быть полезными правительству или военным.

В итоге правительства США и Британии начали урезать финансирование исследований ИИ для университетов. DARPA, без проблем финансировавшее исследования ИИ в 1960-х, стало требовать от проектов чётких временных рамок и подробного описания предполагаемых результатов. В итоге стало казаться, что ИИ не оправдал ожиданий, и никогда уже не сможет достичь уровня человеческих возможностей. Первая «зима» ИИ продлилась все 1970-е и 80-е.

6. Приход второй зимы ИИ (1987)

1980-е начались с разработки и первых успехов «экспертных систем», хранивших большие объёмы данных и эмулировавшие процесс принятия решений людьми. Технологию изначально разработали в университете Карнеги-Меллона для компании Digital Equipment Corporation, а затем другие корпорации начали быстро внедрять её. Однако экспертные системы требовали дорогого спеиализированного оборудования, и это стало проблемой, когда начали появляться сходные по мощности и более дешёвые рабочие станции от Sun Microsystems а также персональные компьютеры от Apple и IBM. Рынок экспертных компьютерных систем рухнул в 1987, когда с него ушли основные производители оборудования.

Успех экспертных систем в начале 80-х вдохновил DARPA на увеличение финансирования исследований ИИ, но вскоре это вновь поменялось, и агентство урезало большую часть этого финансирования, оставив всего несколько программ. И снова термин «искусственный интеллект» в исследовательском сообществе стал почти запретным. Чтобы их не воспринимали, как непрактичных мечтателей в поисках финансирования, исследователи начали использовать другие названия для работы, связанной с СС – «информатика», «машинное обучение» и «аналитика». Эта, вторая зима ИИ продолжалась вплоть до 2000-х.

7. IBM Deep Blue побеждает Каспарова (1997)

IBM Deep Blue победила лучшего шахматиста мира, Гарри Каспарова, в 1997.

Общественное представление об ИИ улучшилось в 1997 году, когда шахматный компьютер Deep Blue от IBM победил тогдашнего чемпиона мира Гарри Каспарова. Из шести игр, проводившихся в телестудии, Deep Blue выиграла в двух, Каспаров в одной, а три окончились вничью. Ранее в том году Каспаров победил предыдущую версию Deep Blue.

У компьютера Deep Blue было достаточно вычислительных мощностей, и он использовал «метод грубой силы», или полный перебор, оценивая 200 млн возможных ходов в секунду и подбирая наилучший. Возможности людей ограничиваются оценкой лишь порядка 50 ходов после каждого хода. Работа Deep Blue была похожа на работу ИИ, но компьютер не размышлял о стратегиях и не учился игре, как смогут делать последовавшие за ним системы.

И всё же победа Deep Blue над Каспаровым впечатляющим образом вернула ИИ в круг общественного внимания. Некоторые люди были очарованы. Другим не понравилось, что машина обыграла эксперта в шахматах. Инвесторы были впечатлены: победа Deep Blue на $10 подняла стоимость акций IBM, выведя их на максимум того времени.

8. Нейросеть видит кошек (2011)

К 2011 году учёные из университетов всего мира говорили о нейросетях и создавали их. В том году программист Джефф Дин из Google познакомился с профессором информатики из Стэнфорда Эндрю Ыном. Вдвоём они замыслили создание большой нейросети, обеспеченной огромной вычислительной энергией серверов Google, которой можно будет скормить огромный набор изображений.

Созданная ими нейросеть работала на 16 000 серверных процессорах. Они скормили ей 10 млн случайных и неразмеченных кадров с видеороликов YouTube. Дин и Ын не просили нейросеть выдать какую-то конкретную информацию или разметить эти изображения. Когда нейросеть работает таким образом, обучаясь без учителя, она естественным образом пытается найти закономерности в данных и формирует классификации.

Нейросеть обрабатывала изображения три дня. Затем она выдала три размытых изображения, обозначающих визуальные образы, которые она снова и снова встречала в обучающих данных – лицо человека, тело человека и кота. Это исследование стало серьёзным прорывом в использовании нейросетей и обучении без учителя в компьютерном зрении. Также оно отметило начало проекта Google Brain.

9. Джоффри Хинтон спустил с поводка глубокие нейросети (2012)

Исследование Джоффри Хинтона помогло возродить интерес к глубокому обучению

Через год после прорыва Дина и Ына профессор Торонтского университета Джоффри Хинтон с двумя своими студентами создали нейросеть для компьютерного зрения AlexNet для участия в соревновании по распознаванию изображений ImageNet. Участники должны были использовать свои системы для обработки миллионов тестовых изображений и определять их с наивысшей возможной точностью. AlexNet выиграла соревнование с процентом ошибок в два с лишним раза меньшим, чем у ближайшего конкурента. В пяти вариантах подписи к изображению, данных нейросетью, только в 15,3% случаев не было правильного варианта. Предыдущим рекордом было 26% ошибок.

Эта победа убедительно показала, что глубокие нейросети, работающие на графических процессорах, куда как лучше других систем могут точно определять и классифицировать изображения. Это событие, возможно, сильнее остальных повлияло на возрождение интереса к глубоким нейросетям, и заслужило Хинтону прозвище «крёстный отец глубокого обучения». Вместе с другими гуру в области ИИ, Йошуа Бенджио и Яном Лекуном, Хинтон получил долгожданную премию Тьюринга в 2018.

10. AlphaGo обыгрывает чемпиона мира по го (2016)

В 2013 году исследователи британского стартапа DeepMind опубликовали работу, где было описано, как нейросеть научилась играть и выигрывать в 50 старых игр от Atari. Под впечатлением от этого компанию купила Google – как говорят, за $400 млн. Однако главная слава DeepMind была ещё впереди.

Через несколько лет учёные из DeepMind, теперь уже в рамках Google, перешли от игр Atari к одной из самых старых задач ИИ – японской настольной игре го. Они разработали нейросеть AlphaGo, способную играть в го и обучаться во время игры. Программа провела тысячи партий против других версий AlphaGo, обучаясь на основе проигрышей и выигрышей.

И это сработало. AlphaGo обыграла величайшего игрока в го в мире, Ли Седоля, со счётом 4:1 в серии игр в марте 2016. Процесс снимали для документального фильма. При его просмотре трудно не заметить грусть, с которой Седоль воспринял проигрыш. Казалось, что проиграли все люди, а не только один человек.

Последние продвижения в области глубоких нейросетей настолько сильно изменили область ИИ, что реальная его история, возможно, только лишь начинается. Нас ждёт много надежд, шумихи и нетерпения, но сейчас уже ясно, что ИИ повлияет на все аспекты жизни XXI века – и возможно даже сильнее, чем в своё время это сделал интернет.

как искусственный интеллект помогает в бизнесе и жизни / Хабр

Читайте оригинал статьи в Блоге DTI.

В работе Oxford Martin School 2013 года говорилось о том, что 47% всех рабочих мест может быть автоматизировано в течение следующих 20 лет. Основным драйвером этого процесса является применение искусственного интеллекта, работающего с большими данными, как более эффективной замены человеку.

Машины теперь способны решать все больше процессов, за которые раньше отвечали люди. Кроме того, делают это качественнее и во многих случаях дешевле. О том, что это значит для рынка труда, в июле этого года говорил Герман Греф, выступая перед студентами Балтийского федерального университета им. Канта:

Мы перестаём брать на работу юристов, которые не знают, что делать с нейронной сетью. <…> Вы — студенты вчерашнего дня. Товарищи юристы, забудьте свою профессию. В прошлом году 450 юристов, которые у нас готовят иски, ушли в прошлое, были сокращены. У нас нейронная сетка готовит исковые заявления лучше, чем юристы, подготовленные Балтийским федеральным университетом. Их мы на работу точно не возьмем.”

Продолжая освещать #технобудущее, команда DTI подготовила все, что необходимо знать для первого погружения в нейронные сети: как они устроены, почему все больше компаний предпочитают нейросети живым сотрудникам и какой потенциал по оптимизации различных процессов несет эта технология.

Искусственный интеллект, машинное обучение и нейросети: в чем разница

Нейронная сеть – один из способов реализации искусственного интеллекта (ИИ).

В разработке ИИ существует обширная область — машинное обучение. Она изучает методы построения алгоритмов, способных самостоятельно обучаться. Это необходимо, если не существует четкого решения какой-либо задачи. В этом случае проще не искать правильное решение, а создать механизм, который сам придумает метод для его поиска.

#справка Во многих статьях можно встретить термин «глубокое» — или «глубинное» — обучение. Под ним понимают алгоритмы машинного обучения, использующие много вычислительных ресурсов. В большинстве случаев под ним можно понимать просто “нейронные сети”.

Чтобы не запутаться в понятиях «искусственный интеллект», «машинное обучение» и «глубокое обучение», предлагаем посмотреть на визуализацию их развития:

#интересное Существует два типа искусственного интеллекта (ИИ): слабый (узконаправленный) и сильный (общий). Слабый ИИ предназначен для выполнения узкого списка задач. Такими являются голосовые помощники Siri и Google Assistant и все остальные примеры, которые мы приводим в этой статье. Сильный ИИ, в свою очередь, способен выполнить любую человеческую задачу. На данный момент реализация сильного ИИ невозможна, он является утопической идеей.

Как устроена нейросеть

Нейросеть моделирует работу человеческой нервной системы, особенностью которой является способность к самообучению с учетом предыдущего опыта. Таким образом, с каждым разом система совершает все меньше ошибок.

Как и наша нервная система, нейросеть состоит из отдельных вычислительных элементов – нейронов, расположенных на нескольких слоях. Данные, поступающие на вход нейросети, проходят последовательную обработку на каждом слое сети. При этом каждый нейрон имеет определенные параметры, которые могут изменяться в зависимости от полученных результатов – в этом и заключается обучение сети.

Предположим, что задача нейросети – отличать кошек от собак. Для настройки нейронной сети подается большой массив подписанных изображений кошек и собак. Нейросеть анализирует признаки (в том числе линии, формы, их размер и цвет) на этих картинках и строит такую распознавательную модель, которая минимизирует процент ошибок относительно эталонных результатов.

На рисунке ниже представлен процесс работы нейросети, задача которой — распознать цифру почтового индекса, написанную от руки.

История нейросетей

Несмотря на то, что нейросети попали в центр всеобщего внимания совсем недавно, это один из старейших алгоритмов машинного обучения. Первая версия формального нейрона, ячейки нейронной сети, была предложена Уорреном Маккалоком и Уолтером Питтсом в 1943 году.

А уже в 1958 году Фрэнк Розенблатт разработал первую нейронную сеть. Несмотря на свою простоту, она уже могла различать, например, объекты в двухмерном пространстве.

Mark I Perceptron — машина Розенблатта

Первые успехи привлекли повышенное внимание к технологии, однако затем другие алгоритмы машинного обучения стали показывать лучшие результаты, и нейросети отошли на второй план. Следующая волна интереса пришлась на 1990-е годы, после чего о нейросетях почти не было слышно до 2010 года.

Почему нейросети вновь популярны

До 2010 года попросту не существовало базы данных, достаточно большой для того, чтобы качественно обучить нейросети решать определенные задачи, в основном связанные с распознаванием и классификацией изображений. Поэтому нейросети довольно часто ошибались: путали кошку с собакой, или, что еще хуже, снимок здорового органа со снимком органа, пораженного опухолью.

Но в 2010 году появилась база ImageNet, содержащая 15 миллионов изображений в 22 тысячах категорий. ImageNet многократно превышала объем существовавших баз данных изображений и была доступна для любого исследователя. С такими объемами данных нейросети можно было учить принимать практически безошибочные решения.

Размер ImageNet в сравнении с другими существовавшими в 2010 году базами изображений

До этого на пути развития нейросетей стояла другая, не менее существенная, проблема: традиционный метод обучения был неэффективен. Несмотря на то что важную роль играет число слоев в нейронной сети, важен также и метод обучения сети. Использовавшийся ранее метод обратного шифрования мог эффективно обучать только последние слои сети. Процесс обучения оказывался слишком длительным для практического применения, а скрытые слои глубинных нейросетей не функционировали должным образом.

Результатов в решении этой проблемы в 2006 году добились три независимых группы ученых. Во-первых, Джеффри Хинтон реализовал предобучение сети при помощи машины Больцмана, обучая каждый слой отдельно. Во-вторых, Ян ЛеКан предложил использование сверточной нейронной сети для решения проблем распознавания изображений. Наконец, Иошуа Бенджио разработал каскадный автокодировщик, позволивший задействовать все слои в глубокой нейронной сети.

Примеры успешного применения нейросетей в бизнесе

Медицина

Команда исследователей из Ноттингемского университета разработала четыре алгоритма машинного обучения для оценки степени риска сердечно-сосудистых заболеваний пациентов. Для обучения использовались данные 378 тыс. британских пациентов. Обученный искусственный интеллект определял риск кардиологических заболеваний эффективнее реальных врачей. Точность алгоритма — между 74 и 76,4 процентами (стандартная система из восьми факторов, разработанная Американской коллегией кардиологии, обеспечивает точность лишь в 72,8%).

Финансы

Японская страховая компания Fukoku Mutual Life Insurance заключила контракт с IBM. Согласно нему, 34 сотрудников японской компании заменит система IBM Watson Explorer AI. Нейросеть будет просматривать десятки тысяч медицинских сертификатов и учитывать число посещений госпиталей, перенесенные операции и другие факторы для определения условий страхования клиентов. В Fukoku Mutual Life Insurance уверены, что использование IBM Watson повысит продуктивность на 30% и окупится за два года.

Машинное обучение помогает распознавать потенциальные случаи мошенничества в различных сферах жизни. Подобный инструмент использует, например, PayPal – в рамках борьбы с отмыванием денег компания сравнивает миллионы транзакций и обнаруживает среди них подозрительные. В результате, мошеннические транзакции в PayPal составляют рекордно низкие 0,32%, тогда как стандарт в финансовом секторе — 1,32%.

Коммерция

Искусственный интеллект существенно улучшил механизмы рекомендаций в онлайн-магазинах и сервисах. Алгоритмы, основанные на машинном обучении, анализируют ваше поведение на сайте и сравнивают его с миллионами других пользователей. Все для того, чтобы определить, какой продукт вы купите с наибольшей вероятностью.

Механизм рекомендаций обеспечивает Amazon 35% продаж. Алгоритм Brain, используемый YouTube для рекомендации контента, позволил добиться того, что практически 70% видео, просматриваемых на сайте, люди нашли благодаря рекомендациям (а не по ссылкам или подпискам). WSJ сообщало о том, что использование искусственного интеллекта для рекомендаций является одним из факторов, повлиявших на 10-кратный рост аудитории за последние пять лет.

Алгоритм Yandex Data Factory способен предсказывать влияние промоакций на объем продаж товаров. Анализируя историю продаж, а также тип и ассортимент магазина, алгоритм дал 87% точных (с точностью до коробки) и 61% ультраточных (с точностью до упаковки) прогнозов.

Нейросети, анализирующие естественный язык, могут использоваться для создания чат-ботов, позволяющих клиентам получить необходимую информацию о продуктах компании. Это позволит сократить издержки на команды колл-центров. Подобный робот уже работает в приемной Правительства Москвы и обрабатывает около 5% запросов. Бот способен подсказать, в том числе, расположение ближайшего МФЦ и график отключения горячей воды.

На технологии нейронных сетей также основана Albert – маркетинговая платформа полного цикла, самостоятельно осуществляющая практически все операции. Использующая ее компания-производитель нижнего белья Cosabella в итоге расформировала собственный отдел маркетинга и полностью доверилась платформе.

Транспорт

Беспилотные автомобили – концепт, над которым работает большинство крупных концернов, а также технологические компании (Google, Uber, Яндекс и другие) и стартапы, в своей работе опирается на нейросети. Искусственный интеллект отвечает за распознавание окружающих объектов – будь то другой автомобиль, пешеход или иное препятствие.

Так видит наш мир нейросеть

Потенциал искусственного интеллекта в этой сфере не ограничивается автопилотом. Недавний опрос IBM показал: 74% топ-менеджеров автомобильной индустрии ожидают, что умные автомобили появятся на дорогах уже к 2025 году. Такие автомобили, интегрированные в Интернет вещей (см. наш предыдущий лонгрид), будут собирать информацию о предпочтениях пассажиров и автоматически регулировать температуру в салоне, громкость радио, положение сидений и другие параметры. Помимо пилотирования, система также будет информировать о возникающих проблемах (и даже попытается решить их сама) и ситуации на дороге.

Промышленность

Нейросеть, разработанная Марком Уоллером из Шанхайского Университета, специализируется на разработке синтетических молекул. Алгоритм составил шестистадийный синтез производного бензопирана сульфонамида (необходим при лечении Альцгеймера) всего за 5,4 секунды.

Инструменты Yandex Data Factory помогают при выплавке стали: использующийся для производства стали металлический лом зачастую неоднороден по составу. Чтобы сталь соответствовала стандартам, при ее выплавке всегда нужно учитывать специфику лома и вводить специальные добавки. Этим обычно занимаются специально обученные технологи. Но, поскольку на таких производствах собирается много информации о поступающем сырье, применяемых добавках и результате, эту информацию с большей эффективностью способна обработать нейросеть. По данным Яндекса, внедрение нейросетей позволяет на 5% сократить расходы дорогих ферросплавов.

Аналогичным образом нейросеть способна помочь в переработке стекла. Сейчас это нерентабельный, хотя и полезный, бизнес, нуждающийся в государственных субсидиях. Использование технологий машинного обучения позволит значительно сократить издержки.

Сельское хозяйство

Инженеры Microsoft совместно с учеными из ICRISAT применяют искусственный интеллект, чтобы определить оптимальное время посева в Индии. Приложение, использующее Microsoft Cortana Intelligence Suite, также следит за состоянием почвы и подбирает необходимые удобрения. Изначально в программе участвовало всего лишь 175 фермеров из 7 деревень. Они начали посев только после соответствующего SMS уведомления. В результате, они собрали урожая на 30-40% больше, чем обычно.

Развлечения и искусство

В прошлом году вышли и мгновенно стали популярными приложения, использующие нейросети для обработки фото и видео: MSQRD от белорусских разработчиков (в дальнейшем сервис выкупила Facebook), и российские Prisma и Mlvch. Другой сервис, Algorithmia, раскрашивает черно-белые фотографии.

Яндекс успешно экспериментирует с музыкой: нейронные сети компании уже записали два альбома: в стиле Nirvana и “Гражданской обороны”. А музыка, написанная нейросетью под композитора-классика Александра Скрябина, была исполнена камерным оркестром, что заставляет вновь задуматься над вопросом о том, сможет ли робот сочинить симфонию. Нейросеть, созданная сотрудниками Sony, вдохновлялась Бахом.

Японский алгоритм написал книгу “День, когда Компьютер написал роман”. Несмотря на то что с характерами героев и сюжетными линиями неопытному писателю помогали люди, компьютер проделал огромную работу – в итоге одна из его работ прошла отборочный этап престижной литературной премии. Нейросети также написали продолжения к Гарри Поттеру и Игре Престолов.

В 2015 году нейросеть AlphaGo, разработанная командой Google DeepMind, стала первой программой, победившей профессионального игрока в го. А в мае этого года программа обыграла сильнейшего игрока в го в мире, Кэ Цзэ. Это стало прорывом, поскольку долгое время считалось, что компьютеры не обладают интуицией, необходимой для игры в го.

Безопасность

Команда разработчиков из Технологического университета Сиднея представила дронов для патрулирования пляжей. Основной задачей дронов станет поиск акул в прибрежных водах и предупреждение людей на пляжах. Анализ видеоданных производят нейросети, что существенно отразилось на результатах: разработчики утверждают о вероятности обнаружения и идентификации акул до 90%, тогда как оператор, просматривающий видео с беспилотников, успешно распознает акул лишь в 20-30% случаев.

Австралия занимает второе место в мире после США по количеству случаев нападения акул на людей. В 2016 году в этой стране были зафиксированы 26 случаев нападения акул, два из которых закончились смертью людей.

В 2014 году Лаборатория Касперского сообщала, что их антивирус регистрирует 325 тыс. новых зараженных файлов ежедневно. В то же время, исследование компании Deep Instinct показало, что новые версии вирусов практически не отличаются от предыдущих – изменение составляет от 2% до 10%. Самообучающаяся модель, разработанная Deep Instinct, на основании этой информации способна с высокой точностью определять зараженные файлы.

Нейросети также способны искать определенные закономерности в том, как хранится информация в облачных сервисах, и сообщать об обнаруженных аномалиях, способных привести к бреши в безопасности.

Бонус: нейросети на страже нашего газона

В 2016 году 65-летний инженер NVIDIA Роберт Бонд столкнулся с проблемой: соседские кошки регулярно посещали его участок и оставляли следы своего присутствия, что раздражало его жену, работающую в саду. Бонд сразу отсек слишком недружелюбную идею соорудить ловушки для незваных гостей. Вместо этого он решил написать алгоритм, который бы автоматически включал садовые разбрызгиватели воды при приближении кошек.

Перед Робертом стояла задача идентификации кошек в поступающем с внешней камеры видеопотоке. Для этого он использовал систему, основанную на популярной нейросети Caffe. Каждый раз, когда камера наблюдала изменение в обстановке на участке, она делала семь снимков и передавала их нейросети. После этого нейросеть должна была определить, присутствует ли в кадре кошка, и, в случае утвердительного ответа, включить разбрызгиватели.

Изображение с камеры во дворе Бонда

До начала работы нейросеть прошла обучение: Бонд “скормил” ей 300 разных фотографий кошек. Анализируя эти фотографии, нейросеть училась распознавать животных. Но этого оказалось недостаточно: она корректно определяла кошек лишь в 30% случаев и приняла за кошку тень Бонда, в результате чего он сам оказался мокрым.

Нейросеть заработала лучше после дополнительного обучения на большем количестве фотографий. Однако Бонд предупреждает, что нейросеть можно натренировать слишком сильно, в случае чего у нее сложится нереалистичный стереотип – например, если все снимки, использующиеся для обучения, сняты с одного ракурса, то искусственный интеллект может не распознать ту же самую кошку с другого угла. Поэтому чрезвычайно важным является грамотный подбор обучающего ряда данных.

Через некоторое время кошки, обучившиеся не на фотографиях, но на собственной шкуре, перестали посещать участок Бонда.

Заключение

Нейронные сети, технология середины прошлого века, сейчас меняет работу целых отраслей. Реакция общества неоднозначна: одних возможности нейросетей приводят в восторг, а других – заставляют усомниться в их пользе как специалистов.

Однако не везде, куда приходит машинное обучение, оно вытесняет людей. Если нейросеть ставит диагнозы лучше живого врача, это не значит, что в будущем нас будут лечить исключительно роботы. Вероятнее, врач будет работать вместе с нейросетью. Аналогично, суперкомпьютер IBM Deep Blue выиграл в шахматы у Гарри Каспарова еще в 1997 году, однако люди из шахмат никуда не делись, а именитые гроссмейстеры до сих пор попадают на обложки глянцевых журналов.

Кооперация с машинами принесет гораздо больше пользы, чем конфронтация. Поэтому мы собрали список материалов в открытом доступе, которые помогут вам продолжить знакомство с нейросетями:

В чем разница между ИИ и машинным обучением и почему это важно?

К сожалению,  некоторые организации в IT обманывают клиентов, заявляя об использовании ИИ в своих технологиях, но при этом они даже не знают о пределах возможностей своих продуктов.

В новостной ленте часто можно наткнуться на организации, которые используют ИИ и машинное обучение для сбора и изучения тысяч данных пользователей для повышения удобства пользователей в универсальных мобильных приложениях. Или которые предсказывают поведение, используя «смесь машинного обучения и ИИ». Или любая другая красивая комбинация этих двух терминов.

Существует много путаницы с машинным обучением и искусственным интеллектом. Большинство людей вообще уверены, что это примерно одно и то же. Бывают ситуации, когда компании продают свои решения и сознательно игнорируют различия между терминами для более звучной рекламы.

Давайте же разберемся, в чем разница? Рассмотрим основные особенности искусственного интеллекта и машинного обучения.

Машинное обучение (ML)

Машинное обучение – это направление работы с ИИ, которое традиционно определяется как: «наука о компьютерных алгоритмах, которые автоматически улучшаются благодаря опыту». Машинка – это один из способов, с помощью которого человечество пытается создать «настоящий ИИ». Машинное обучение основывается на работе с большими наборами данных, путем изучения и сравнения данных для поиска общих паттернов и изучения нюансов.

Например, если предоставить программе машинного обучения много рентгеновских снимков с соответствующими симптомами, она сможет упростить или даже автоматизировать анализ рентгеновских  изображений в будущем. Алгоритм будет сравнивать все эти разные изображения и находить общие шаблоны на изображениях, которые были помечены аналогичными симптомами. Кроме того, если добавить еще изображений, алгоритм будет сравнивать содержимое с установленными шаблонами, и сможет определять вероятность наличия симптомов, которые он выучил.

Обучение с учителем (Классификация и регрессия) | Обучение без учителя (Кластеризация)

Метод машинного обучения из предыдущего примера называется «обучение с учителем» («supervised learning»). Алгоритмы обучения пытаются смоделировать отношения и зависимости между целевым прогнозируемым выходом и входными данными. Далее мы сможем прогнозировать выходные значения для новых данных на основе предыдущих, на которых алгоритм обучался.

«Обучение без учителя» («unsupervised learning»), еще один метод машинного обучения – это семейство алгоритмов машинного обучения, которые в основном используются для поиска шаблонов и описательного моделирования («descriptive modeling»). Эти алгоритмы не имеют выходных категорий или меток данных (модель обучается с немаркированными данными).

«Обучение с подкреплением» («reinforcement learning»), третий популярный способ машинного обучения, направлен на использование наблюдений, собранных в результате взаимодействия с окружающей средой, для принятия мер, которые максимизируют выигрыш. В этом случае алгоритм обучения подкрепления (называемый агентом) непрерывно учится из своей среды на протяжении многих итераций. В конце каждой итерации в модели обновляются значения весов – вероятность лучших исходов на каждом шаге.

Машинное обучение – это интересная штука, особенно если углубляться в сложные подвиды, например, глубокое обучение или разные виды нейронных сетей. Работа таких алгоритмов кажется волшебной и чем-то напоминает работу головного мозга.

Искусственный интеллект (AI)

Проблема термина в том, что его используют в совершенно разных областях и имеют в виду разные вещи. По словам Эндрю Мура, декана Школы компьютерных наук Университета Карнеги-Меллона, «Искусственный интеллект – это наука о способах создания компьютеров, которые ведут себя так, как по недавним представлениям мог бы вести себя только человеческий разум».

С одной стороны это короткое определение ИИ в одно предложение, с другой стороны даже оно показывает, о насколько широкой и неопределенной области мы говорим. Например, несколько десятилетий назад калькулятор считался ИИ, потому что математический расчет был чем-то, доступным только человеку. Сегодня калькуляторы есть абсолютно везде, и никто не считает их за ИИ, поэтому «по недавним представлениям» из определения изменяется со временем.

Получается, что определение ИИ сильно зависит от прогресса в технологиях. Машинное обучение лишь один из примеров. В прошлом для создания ИИ использовались совершенно другие методы. Например, Deep Blue, ИИ который победил чемпиона мира по шахматам в 1997 году, использовал алгоритмы поиска по дереву для оценки миллионов ходов на каждом шагу.

Сегодня ИИ символизируется интерактивными интерфейсами Google Home, Siri и Alexa; системами прогнозирования для видео у Netflix, Amazon и YouTube; алгоритмами хедж-фондов, используемых для совершения микротранзакций. Эти технологические достижения постепенно становятся важными в нашей повседневной жизни. Фактически, они являются умными помощниками, которые делают нас более продуктивными.

В отличие от машинного обучения, ИИ – это цель, которая постоянно изменяется, потому что тесно связана с технологическими достижениями. Поэтому есть очень размытые грани определения чего-то как ИИ, в то время как машинное обучение – это четко определенная технология. Возможно, лет через 20 сегодняшние инновации в областии ИИ будут считаться такими же простыми, как для нас сегодня калькуляторы.

Почему современные компании постоянно используют эти термины как будто они значат одно и то же?

Обычный заголовок статьи на порталах про технологии. Пример с TechRepublic

Термин «искусственный интеллект» был введен в 1956 году группой исследователей, включая Аллена Ньюэлла и Герберта Саймона. После этого индустрия ИИ пережила множество колебаний. В первые десятилетия вокруг индустрии было много шумихи, и многие ученые согласились с тем, что искусственный интеллект человеческого уровня не за горами. Однако этого так и не произошло, поэтому для области наступили грустные времена: финансирование и интерес к ИИ значительно сократились.

Впоследствии организации пытались абстрагироваться от термина ИИ, который стал синонимом чего-то нереального и гиперболизированного, заменяя названия для своих изобретений на другие термины. Например, IBM описала Deep Blue как суперкомпьютер и прямо заявила, что не использует искусственный  интеллект, хотя на самом деле это и был ИИ по рамках тех времен.

Чуть позже другие термины, такие как большие данные, предиктивная аналитика и машинное обучение, начали набирать популярность. В 2012 году машинное обучение,  глубокое обучение и нейронные сети достигли больших успехов и стали использоваться во все большем числе областей. Организации внезапно начали использовать термины машинного обучения и глубокого обучения для рекламы своих продуктов.

Глубокое обучение начало выполнять задачи, которые невозможно было сделать с классическим программированием, основанным на строгих правилах. Области, такие как распознавание речи и лица, классификация изображений и обработка естественного языка, которые были на этапе зарождения, внезапно совершили огромные скачки в развитии. А зарплаты специалистов по машинному и глубокому обучению лишь подчеркивают, насколько эти технологии актуальны на сегодняшний день.

Все вышеперечисленное привело к возрождению шумихи вокруг искусственного интеллекта. Поэтому многие организации считают более выгодным использовать абстрактный термин «ИИ», который источает мистическую ауру, а не рассказывать более конкретно о том, какие технологии они используют. Это помогает им лучше продавать свои продукты.

При этом «инновационный искусственный интеллект», который эти организации якобы используют, оказывается методом машинного обучения или другой известной технологии.

Такой обман помогает компаниям создавать шумиху вокруг своих предложений и привлекать больше клиентов. Далее из-за несоответствия ожиданиям, эти организации вынуждены нанимать людей, чтобы восполнить недостатки своего так называемого ИИ. В конце концов эти действия, направленные на краткосрочную прибыль, могут вновь подорвать доверие к искусственному интеллекту, что вызовет повторение прошлого: люди будут сомнительно относиться ко всему, где упоминается этот термин, а компании будут пытаться избегать его использования.

Источник

О научно-исследовательском институте машинного интеллекта


О компании MIRI


Исследовательский институт машинного интеллекта — это некоммерческая исследовательская организация, изучающая математические основы интеллектуального поведения. Наша миссия — разработать формальные инструменты для чистого проектирования и анализа систем ИИ общего назначения с целью сделать такие системы более безопасными и надежными, когда они будут разработаны.

Область искусственного интеллекта имеет репутацию завышенной цены на прогресс.В «зимы искусственного интеллекта» конца 1970-х и 1980-х годов неспособность исследователей выполнить амбициозные обещания привела к краху финансирования и интереса к ИИ. Хотя эта область сейчас переживает ренессанс, самоуверенность все еще вызывает опасения; обсуждение возможности общего интеллекта, эквивалентного человеческому, все еще в значительной степени отнесено к полке научной фантастики.

В то же время исследователи в целом согласны с тем, что в этом столетии ИИ, вероятно, начнет превосходить людей по большинству когнитивных задач.Учитывая, насколько разрушительным может быть ИИ в целом, мы считаем целесообразным начать разговор об этом сейчас и выяснить, есть ли ограниченные области, в которых мы можем предсказать и сформировать влияние этой технологии на общество.

Исследователи MIRI, как правило, относительно безразличны к тому, как изменится состояние искусственного интеллекта в ближайшие десятилетия и на сколько лет умнее, чем человеческие системы искусственного интеллекта. Однако мы думаем, что некоторые качественные прогнозы возможны:

    — По мере улучшения алгоритмов восприятия, вывода и планирования системам ИИ будет доверять принятие все более сложных и долгосрочных решений.Тогда небольшие ошибки будут иметь более серьезные последствия.
    — Реалистичные цели и окружение для систем общего рассуждения будут слишком сложными, чтобы программисты могли их прямо указать. Вместо этого системы искусственного интеллекта должны будут индуктивно изучать правильные цели и модели окружающей среды.
    — Системы, которые в конечном итоге имеют плохие модели окружающей среды, могут нанести значительный вред. Однако плохие модели ограничивают то, насколько хорошо система планирования может контролировать свою среду, что ограничивает ожидаемый ущерб.
    — Меньше очевидных ограничений на ущерб, который может нанести система с плохо определенными целями.В частности, автономная система, которая узнает о человеческих целях, но неправильно спроектирована для согласования своих собственных целей с лучшей моделью человеческих целей, может нанести катастрофический ущерб при отсутствии адекватных проверок.
    — Цели или модели мира систем искусственного интеллекта могут быть хрупкими и демонстрировать исключительно хорошее поведение до тех пор, пока не изменятся некоторые, казалось бы, несущественные переменные среды. Это снова более серьезная проблема для неправильных целей, чем для неправильных убеждений и выводов, потому что неправильные цели не ограничивают возможности системы с высоким интеллектом.

Стюарт Рассел, научный консультант MIRI и соавтор ведущего учебника по искусственному интеллекту, в своей книге « Долгосрочное будущее искусственного интеллекта » утверждает, что мы должны интегрировать вопросы надежности и безопасности в основные исследования возможностей:

Наша цель как отрасли — улучшить системы принятия решений. И в этом проблема. [… Если] вы собираетесь построить сверхразумную машину, вы должны дать ей то, что вы хотите.Опасность состоит в том, что вы даете ему то, что на самом деле не то, чего вы действительно хотите — потому что вы не очень хорошо умеете выражать то, что действительно хотите, или даже не знаете, чего действительно хотите — пока не станет слишком поздно и вы не увидите, что вы делаете не нравится.

Если вы подумаете об этом только с точки зрения проблемы оптимизации: машина решает задачу оптимизации за вас, а вы не учитываете некоторые из переменных, которые действительно вас волнуют. Что ж, в природе проблем оптимизации заключается в том, что если системе удается манипулировать некоторыми переменными, которые не являются частью целевой функции — так что с ними можно играть сколько угодно — часто, чтобы оптимизировать те, что он должен оптимизировать, он установит остальные на экстремальные значения.

Я предлагаю прекратить использование ИИ в его простом определении — просто улучшить способность систем принимать решения. […] В области гражданского строительства мы не называем это «наведением мостов, которые не падают» — мы просто называем это «наведением мостов». Конечно, мы не хотим, чтобы они падали. И мы должны думать так же об ИИ: конечно, системы ИИ должны быть спроектированы так, чтобы их действия согласовывались с желаниями людей. Но это сложная нерешенная проблема, которая до сих пор не входила в повестку дня исследований.

Мы хотим изменить сферу деятельности, чтобы она напоминала гражданское строительство или ядерный синтез. [… Мы] создали взрыв водородной бомбы — неограниченное количество энергии, больше, чем мы могли бы использовать. Но это было не в социально выгодной форме. И теперь это именно то, чем занимаются исследователи термоядерного синтеза — сдерживание — это то, что — это . Это проблема, над которой они работают.

В соответствии с докладом Рассела, работа MIRI направлена ​​на то, чтобы помочь запустить парадигму исследований ИИ, учитывающих долгосрочное влияние этой области.Наша методология состоит в том, чтобы разбить проблему согласования на более простые и более точно сформулированные подзадачи, разработать базовую математическую теорию для понимания этих проблем, а затем использовать наше новое понимание в инженерных приложениях.


Ресурсы для получения дополнительных сведений


Два лучших нетехнических введения в проблему согласования целей ИИ — это короткая и яркая книга Стюарта Армстронга Smarter Than Us и более подробная монография Ника Бострома Superintelligence :

Smarter Than Us

«Люди управляют будущим не потому, что мы самые сильные или быстрые, а потому, что мы самые умные.Когда машины станут умнее людей, мы передадим им руль. Какие обещания и опасности представляют эти мощные машины? »

Суперинтеллект

«Интеллектуальный поиск инструментально оптимальных планов и политик может быть использован для достижения любой цели.Интеллект и мотивация в некотором смысле ортогональны: мы можем думать о них как о двух осях, охватывающих график, на котором каждая точка представляет логически возможного искусственного агента ».

«Тезис ортогональности предполагает, что мы не можем беспечно предполагать, что сверхразум обязательно будет разделять какие-либо из окончательных ценностей, стереотипно связанных с мудростью и интеллектуальным развитием людей [.]»

Более подробную техническую информацию о направлениях исследований MIRI см .:

Наконец, для общей информации:

.Блог

— Исследовательский институт машинного интеллекта

Сегодня большое объявление: MIRI получила двухлетний грант в размере 7 703 750 долларов США от Open Philanthropy — наш самый крупный грант на сегодняшний день. В сочетании с $ 1,06 млн. Open Philanthropy, которые также выплачиваются MIRI в этом году (вторая половина гранта 2019 г.), это составляет 4,38 млн долларов в год в течение двух лет, или примерно 60% от нашего прогнозируемого бюджета на 2020–2021 годы.

В то время как новый грант Open Philanthropy на сумму около 6,24 миллиона долларов поступает от их основных спонсоров — 1 доллар.46M стало возможным благодаря новому партнерству Open Philanthropy с Беном Дело, соучредителем платформы для торговли криптовалютой BitMEX. Бен Дело объединился с Open Philanthropy, чтобы поддержать их долгосрочное предоставление грантов, которое включает (со ссылкой на Open Philanthropy):

снижение потенциальных рисков, связанных с передовым искусственным интеллектом, повышение биобезопасности и готовности к пандемии и другие инициативы по борьбе с глобальными катастрофическими рисками, а также большая часть работы, которую мы финансируем в области эффективного альтруизма.

Мы также рады объявить о выделении гранта в размере 300 000 долларов США от Berkeley Existential Risk Initiative. Отмечу, что во время сбора средств в 2019 году мы ожидали получить грант от BERI в начале 2020 года и включили его в наши оценки запасов. Однако мы прогнозировали, что размер гранта составит 600 тысяч долларов; Теперь, когда мы знаем окончательную сумму гранта, эта оценка должна быть на 300 тысяч долларов меньше.

Наконец, MIRI получила грант в размере 100000 долларов США от Фонда долгосрочного будущего эффективных альтруистических фондов, которым управляет Центр эффективного альтруизма.Фонд планирует выпустить отчет с описанием мотивов их нового раунда грантов через пару недель.

Благодарим Open Phil, Ben Delo и Effective Giving UK (советник Бена Дело по благотворительности), BERI и Long-Term Future Fund за эту потрясающую поддержку! В 2020–2021 годах эти новые гранты предоставят нам неожиданно хорошие возможности для роста и поддержки нашей исследовательской группы. Чтобы узнать больше о наших планах роста, ознакомьтесь с публикацией о сборе средств на 2019 год и обновлением стратегии на 2018 год.

.

FAQ — Научно-исследовательский институт машинного интеллекта

1. Какова миссия MIRI?


Наша миссия — «гарантировать, что создание искусственного интеллекта, более интеллектуального, чем человеческий, окажет положительное влияние». Это амбициозная цель, но мы считаем, что некоторый прогресс на раннем этапе возможен, и мы полагаем, что важность и сложность цели делают разумным начинать работу как можно раньше.

Две наши исследовательские программы, «Основы агентов для согласования машинного интеллекта с интересами людей» и «Согласование ценностей для передовых систем машинного обучения», сосредоточены на трех группах технических проблем:

  • разработка высоконадежного агента — обучение определению высоко автономных систем, которые надежно преследуют некоторую фиксированную цель;
  • значение спецификации — поставка автономных систем с заданными целями; и
  • устойчивость к ошибкам — делает такие системы устойчивыми к ошибкам программиста.

Мы публикуем новые математические результаты, проводим семинары, посещаем конференции и финансируем внешних исследователей, заинтересованных в исследовании этих проблем. Мы также ведем блог и исследовательский онлайн-форум.

2. Почему думают, что ИИ может превзойти людей?


Машины уже умнее людей в решении многих конкретных задач: выполнение расчетов, игра в шахматы, поиск в больших банках данных, обнаружение подводных мин и многое другое. Однако человеческий интеллект продолжает доминировать над машинным интеллектом в целом.

Мощный шахматный компьютер «узок»: он не умеет играть в другие игры. Напротив, люди обладают способностями решать проблемы, которые позволяют нам адаптироваться к новым условиям и преуспевать во многих областях, помимо того, к чему нас подготовила родовая среда.

В отсутствие формального определения «интеллекта» (и, следовательно, «искусственного интеллекта») мы можем эвристически процитировать человеческие способности к восприятию, умозаключениям и размышлениям (в отличие, например, от нашей физической силы или ловкости) и сказать этот интеллект — это «такие вещи.Согласно этой концепции, интеллект — это совокупность различных способностей, хотя и очень важная, которая включает в себя наши способности к науке.

Наши когнитивные способности проистекают из высокоуровневых паттернов в нашем мозгу, и эти паттерны могут быть реализованы как в кремнии, так и в углероде. Это говорит нам о том, что ИИ в целом возможен, но не говорит о том, насколько это сложно. Если интеллект достаточно труден для понимания, то мы можем прийти к машинному интеллекту путем сканирования и имитации человеческого мозга или с помощью некоторого процесса проб и ошибок (например, эволюции), а не путем ручного кодирования программного агента.

Если машины могут достичь человеческого эквивалента в когнитивных задачах, то весьма вероятно, что они в конечном итоге смогут превзойти людей. Мало оснований ожидать, что биологическая эволюция, с ее отсутствием предвидения и планирования, дала бы возможность найти оптимальные алгоритмы для общего интеллекта (точно так же, как и оптимальный летательный аппарат птиц). Помимо качественных улучшений в познании, Ник Бостром отмечает более очевидные преимущества, которые мы могли бы реализовать в цифровом сознании, например.г .:

  • возможность редактирования — «Легче экспериментировать с вариациями параметров в программном обеспечении, чем в нейронном ПО».
  • скорость — «Скорость света более чем в миллион раз больше, чем скорость нейронной передачи, синаптические шипы рассеивают в миллион раз больше тепла, чем необходимо термодинамически, а текущие частоты транзисторов более чем в миллион раз выше, чем частоты всплесков нейронов ».
  • серийная глубина — В короткие сроки машины могут выполнять гораздо более длительные последовательные процессы.
  • Емкость запоминающего устройства — Компьютеры могут иметь большую рабочую и долговременную память.
  • размер — Компьютеры могут быть намного больше человеческого мозга.
  • дублируемость — Копирование программного обеспечения на новое оборудование может быть намного быстрее и точнее, чем биологическое воспроизведение.

Любое из этих преимуществ может дать ИИ-рассуждающему преимущество над человеческим рассуждающим или дать группе ИИ-рассуждающих преимущество над группой людей.Их сочетание предполагает, что цифровые умы могут превзойти человеческие умы быстрее и решительнее, чем мы могли ожидать.

3. Почему безопасность важна для искусственного интеллекта, который умнее человека?


Современные алгоритмы искусственного интеллекта уже требуют особых гарантий безопасности, когда они должны действовать в важных областях без надзора человека, особенно когда они или их среда могут меняться со временем:

Достижение этих преимуществ [от автономных систем] будет зависеть от разработки совершенно новых методов для обеспечения «доверия к автономности» посредством проверки и валидации (V&V) почти бесконечных систем состояний, которые являются результатом высоких уровней [адаптивности] и автономии .Фактически, количество возможных входных состояний, которые могут быть представлены таким системам, настолько велико, что невозможно не только протестировать их все напрямую, но и невозможно даже протестировать больше, чем незначительно небольшую их часть. Таким образом, разработка таких систем по своей сути не поддается проверке современными методами, и в результате их работа во всех приложениях, кроме сравнительно тривиальных, не подлежит сертификации.

Можно разрабатывать системы с высокими уровнями автономии, но именно отсутствие подходящих методов проверки и верификации не позволяет сертифицировать для использования все, кроме относительно низких уровней автономии.

По мере совершенствования возможностей ИИ станет легче придавать системам ИИ большую автономию, гибкость и контроль; и появятся все более сильные стимулы для использования этих новых возможностей. Возможность для систем ИИ стать более общими, в частности, затруднит установление гарантий безопасности: надежные закономерности во время тестирования не всегда могут выдерживать пост-тестирование.

Наибольшие и наиболее устойчивые изменения в благосостоянии людей произошли благодаря научным и технологическим инновациям, которые, в свою очередь, являются результатом нашего интеллекта.Таким образом, в долгосрочной перспективе значимость ИИ во многом определяется его способностью автоматизировать и ускорять прогресс в науке и технологиях. Создание искусственного интеллекта, превосходящего человеческий, приносит с собой основные риски и преимущества самого интеллектуального прогресса с цифровой скоростью.

По мере того, как агенты ИИ становятся более способными, становится все более важным (и сложным) анализировать и проверять свои решения и цели. Стюарт Рассел пишет:

В первую очередь заботит не жуткое возникающее сознание, а просто способность принимать качественные решения .Здесь под качеством понимается ожидаемая конечная полезность предпринятых действий, где функция полезности, предположительно, определяется человеком-дизайнером. Теперь у нас проблема:

  1. Функция полезности может не полностью соответствовать ценностям человечества, которые (в лучшем случае) очень трудно определить.
  2. Любая достаточно способная интеллектуальная система предпочтет обеспечить свое собственное непрерывное существование и приобрести физические и вычислительные ресурсы — не ради них самих, а для достижения успеха в поставленной задаче.

Система, которая оптимизирует функцию n переменных, где цель зависит от подмножества размера k , часто устанавливает для остальных неограниченных переменных экстремальные значения; если одна из этих неограниченных переменных действительно является чем-то, что нас волнует, найденное решение может быть крайне нежелательным. По сути, это старая история о джинне в лампе, ученике чародея или царе Мидасе: вы получаете именно то, о чем просите, а не то, что хотите.

В книге

Бострома «Суперинтеллектуальная воля» эти две проблемы рассматриваются более подробно: мы можем неправильно определить наши фактические цели при программировании систем искусственного интеллекта, которые умнее человека, и что у большинства агентов, оптимизирующих цель для неверно указанной цели, будут стимулы лечить людей состязательно, как потенциальные угрозы или препятствия на пути к достижению цели агента.

Если цели человека и агентов ИИ не совпадают, более осведомленный и технологически способный агент может использовать силу, чтобы получить то, что он хочет, как это имело место во многих конфликтах между человеческими сообществами.Заметив этот класс проблем заранее, у нас есть возможность снизить риск этого сценария дефолта, направив исследования на то, чтобы согласовать искусственные интересы лиц, принимающих решения, с нашими собственными.

4. Считают ли исследователи неизбежность ИИ?


В начале 2013 года Бостром и Мюллер опросили 100 самых цитируемых ныне живущих авторов в области искусственного интеллекта в соответствии с рейтингом Microsoft Academic Search. При условии, что «глобальная катастрофа не остановит [прогресс]», двадцать девять ответивших экспертов приписали среднюю вероятность 10% нашей разработке машины, «которая может выполнять большинство человеческих профессий не хуже, чем обычный человек». к 2023 году, с вероятностью 50% к 2048 году и с вероятностью 90% к 2080 году.

Большинство исследователей MIRI приблизительно согласны с датами 10% и 50%, но считают, что ИИ может появиться значительно позже 2080 года. Это согласуется с анализом Бострома в Superintelligence :

На мой взгляд, медианные числа, указанные в экспертном опросе, не имеют достаточной вероятностной массы для более поздних дат прибытия. 10% вероятность того, что HLMI [машинный интеллект человеческого уровня] не будет разработан к 2075 году или даже к 2100 году (после того, как «научная деятельность человека продолжится без серьезных негативных сбоев»), кажется слишком низкой.

Исторически сложилось так, что исследователи искусственного интеллекта не имели сильного опыта в том, чтобы предсказать темпы достижений в их собственной области или форму, которые они примут. С одной стороны, некоторые задачи, например, игра в шахматы, оказались выполнимы с помощью удивительно простых программ; и скептики, которые утверждали, что машины «никогда» не смогут сделать то или это, неоднократно оказывались неправыми. С другой стороны, наиболее типичными ошибками практиков было недооценка трудностей обеспечения надежной работы системы при решении реальных задач и переоценка преимуществ своего собственного любимого проекта или техники.

Учитывая плохую репутацию экспертов (и неспециалистов) в прогнозировании прогресса в области ИИ, мы относительно безразличны к тому, когда будет изобретен полноценный ИИ. Это может произойти раньше, чем ожидалось, или позже, чем ожидалось.

Эксперты также сообщили о 10% средней уверенности в том, что суперинтеллект будет развиваться в течение 2 лет после человеческого эквивалента, и 75% уверенности в том, что суперинтеллект будет развиваться в течение 30 лет после человеческого эквивалента. Здесь взгляды исследователей MIRI существенно отличаются от среднего мнения экспертов по ИИ; мы ожидаем, что системы искусственного интеллекта относительно быстро превзойдут людей, как только они приблизятся к человеческому эквиваленту.

5. Над какими техническими проблемами вы работаете?


«Согласование искусственного интеллекта, превосходящего человеческий, с интересами человека» — чрезвычайно расплывчатая цель. Чтобы подойти к этой проблеме продуктивно, мы пытаемся разбить ее на несколько подзадач. В качестве отправной точки мы спрашиваем: «Какие аспекты этой проблемы мы все еще не смогли бы решить, даже если бы проблема была намного проще?»

Чтобы достичь реальных целей более эффективно, чем человек, общая система ИИ должна будет иметь возможность изучать свое окружение с течением времени и выбирать между возможными предложениями или действиями.Таким образом, упрощенная версия проблемы согласования заключается в том, чтобы спросить, как мы могли бы построить систему, которая изучает свое окружение и имеет очень грубый критерий принятия решений, например: «Выберите политику, которая максимизирует ожидаемое количество алмазов в мире».

Разработка высоконадежного агента — это техническая задача формального определения системы программного обеспечения, на которую можно положиться для достижения некоторой заранее выбранной игрушечной цели. Примером подзадачи в этом пространстве является идентификация онтологии: как мы формализуем цель «максимизации алмазов» в полной общности, допуская, что полностью автономный агент может оказаться в неожиданной среде и может создавать непредвиденные гипотезы и политики? Даже если бы у нас были неограниченные вычислительные мощности и все время в мире, в настоящее время мы не знаем, как решить эту проблему.Это говорит о том, что нам не хватает не только практических алгоритмов, но и базовой теоретической основы для понимания проблемы.

Формальный агент AIXI — это попытка определить, что мы подразумеваем под «оптимальным поведением» в случае обучаемого с подкреплением. Однако отсутствует простое уравнение, подобное AIXI, для определения того, что мы подразумеваем под «хорошим поведением», если цель состоит в том, чтобы что-то изменить во внешнем мире (а не просто максимизировать заранее заданное число вознаграждений). Какими общими формальными свойствами должны обладать его модели мира, чтобы агент мог оценить свои модели мира для подсчета количества бриллиантов, в отличие от привилегированного канала вознаграждения? Если система обновит свои гипотезы (например,g., обнаруживает, что теория струн верна, а квантовая физика ложна) так, как не ожидали ее программисты, как она определяет «алмазы» в новой модели? Вопрос очень простой, но соответствующая теория в настоящее время отсутствует.

Мы можем отличить дизайн высоконадежного агента от проблемы спецификации значения : «Как только мы поймем, как разработать автономную систему ИИ, которая способствует достижению цели, как мы можем гарантировать, что ее цель действительно соответствует тому, что мы хотим?» Поскольку человеческая ошибка неизбежна и нам нужно будет иметь возможность безопасно контролировать и изменять алгоритмы ИИ, даже если они приближаются к человеческому эквиваленту в когнитивных задачах, MIRI также работает над формализацией устойчивых к ошибкам свойств агента . Искусственный интеллект: современный подход , стандартный учебник по искусственному интеллекту, резюмирует задачу:

Юдковский […] утверждает, что дружелюбие (желание не причинять вреда людям) должно быть заложено с самого начала, но дизайнеры должны осознавать, что их собственные конструкции могут быть ошибочными, и что робот будет учиться и развиваться со временем. . Таким образом, проблема заключается в разработке механизма — разработать механизм для развития ИИ в рамках системы сдержек и противовесов и предоставить системным функциям полезности, которые останутся дружественными перед лицом таких изменений.

В нашей технической повестке дня эти открытые проблемы описаны более подробно, а в нашем руководстве по исследованиям собраны онлайн-ресурсы для получения дополнительной информации.

6. Зачем работать над безопасностью ИИ на ранней стадии?


MIRI уделяет приоритетное внимание работам по обеспечению безопасности на раннем этапе, поскольку мы считаем, что такие работы важны , чувствительны ко времени , послушны и информативны .

Важность работы ИИ по безопасности описана в третьем квартале выше.Мы рассматриваем проблему как временную в результате:

  • пренебрежение — Лишь горстка людей в настоящее время работает над открытыми проблемами, обозначенными в технической повестке дня MIRI.
  • очевидная трудность — Решение проблемы согласования может потребовать большого количества часов исследователя, а также может быть труднее распараллелить, чем исследование возможностей.
  • асимметрия рисков — Слишком поздно работать над безопасностью гораздо опаснее, чем работать слишком рано.
  • Неопределенность временной шкалы ИИ — ИИ может развиваться быстрее, чем мы ожидаем, поэтому разумно ошибиться и проявить осторожность.
  • Непрерывный прогресс в AI — Прогресс в AI, вероятно, будет ускоряться по мере приближения к общему AI. Это означает, что даже если до ИИ осталось много десятилетий, было бы опасно ждать явных признаков того, что ИИ в целом уже близко: явные признаки могут появиться только тогда, когда уже слишком поздно начинать работу по обеспечению безопасности.

Мы также считаем, что сегодня можно делать полезную работу в области безопасности ИИ, даже если искусственный интеллект, который будет умнее человека, будет через 50 или 100 лет.Мы думаем, что это по нескольким причинам:

  • Отсутствие базовой теории — Если бы у нас были простые идеализированные модели того, что мы подразумеваем под правильным поведением в автономных агентах, но мы не знали, как проектировать практические реализации, это могло бы указывать на необходимость более практической работы с развитыми системы. Однако вместо этого нам не хватает простых моделей. Базовая теория не обязательно требует, чтобы у нас был опыт работы с деталями реализации программной системы, и одна и та же теория может применяться ко многим различным реализациям.
  • прецеденты — Теоретики-информатики неоднократно добивались успеха в разработке базовой теории при относительном отсутствии практических реализаций. (Хорошо известные примеры — Клод Шеннон, Алан Тьюринг, Андрей Колмогоров и Judea Pearl.)
  • Ранние результаты — Мы добились значительных успехов с момента определения приоритетов некоторых теоретических вопросов, которые мы изучаем, особенно в теории принятия решений и логической неопределенности. Это говорит о том, что есть низко висящие теоретические плоды, которые нужно собрать.

Наконец, мы ожидаем, что прогресс в теории безопасности ИИ будет полезен для улучшения нашего понимания надежных систем ИИ, доступных технических вариантов и более широкого стратегического ландшафта. В частности, мы ожидаем, что прозрачность необходима для надежного поведения, и мы думаем, что существуют базовые теоретические предпосылки для того, чтобы сделать автономные системы ИИ прозрачными для разработчиков и пользователей.

Наличие соответствующей теории может быть не обязательно строго необходимо для проектирования систем искусственного интеллекта, превосходящих человеческий — высоконадежные агенты могут нуждаться в использовании архитектуры или когнитивных алгоритмов, сильно отличающихся от наиболее легко конструируемых систем «умнее, чем человек», которые демонстрируют ненадежное поведение .По этой причине некоторые довольно общие теоретические вопросы могут иметь большее отношение к работе по обеспечению безопасности ИИ, чем к работе основных возможностей ИИ. Таким образом, ключевые преимущества информативности работы по обеспечению безопасности искусственного интеллекта включают:

  • Общая ценность информации — Более четкое и точное определение вопросов безопасности ИИ, вероятно, даст представление о том, какие формальные инструменты будут полезны для ответа на них. Таким образом, у нас меньше шансов тратить время на совершенно неправильные исследования.Исследование технических проблем в этой области также может помочь нам лучше понять, насколько сложна проблема ИИ и насколько сложна проблема согласования ИИ.
  • требования для информативного тестирования — Если система непрозрачна, то онлайн-тестирование может не дать нам большей части информации, необходимой для разработки более безопасных систем. Люди — непрозрачные универсальные аргументы, и изучение мозга было весьма полезным для разработки более эффективных алгоритмов ИИ, но менее полезно для создания систем для проверки и проверки.
  • требования для безопасного тестирования — Извлечение информации из непрозрачной системы может быть небезопасным, поскольку любая созданная нами песочница может иметь недостатки, очевидные для суперинтеллекта, но не для человека.

7. Как я могу внести свой вклад?


MIRI — это исследовательская некоммерческая организация, финансируемая в основном малыми и средними донорами. Таким образом, пожертвования помогают финансировать нашу математическую работу, семинары, академическую деятельность и т. Д.

Для тех, кто хочет узнать больше о наших исследованиях и, возможно, поработать с нами, на нашей странице «Примите участие» есть форма заявки и ряд регулярно обновляемых онлайн-ресурсов.

Автор Роб Бенсингер. Последнее обновление 18 сентября 2016 г.

.

Искусственный интеллект, машинное обучение, глубокое обучение и др.

Искусственный интеллект (ИИ) обещает подлинное взаимодействие человека с машиной. Когда машины станут умными, они смогут понимать запросы, подключать точки данных и делать выводы. Они могут рассуждать, наблюдать и планировать. Рассмотрим:

  • Собираетесь завтра в командировку? Ваше интеллектуальное устройство будет автоматически предлагать сводки погоды и предупреждения о поездках для вашего города назначения.
  • Планируете большое празднование дня рождения? Ваш умный бот поможет с приглашениями, забронирует столик и напомнит забрать торт.
  • Планируете кампанию прямого маркетинга? Ваш помощник AI может инстинктивно сегментировать ваших клиентов на группы для целевого обмена сообщениями и увеличения скорости отклика.

Очевидно, мы не говорим о роботах-дворецких. Это не голливудский фильм. Но мы находимся на новом уровне познания в области искусственного интеллекта, который стал действительно полезным в нашей жизни.

Но мы поняли. Вы все еще не понимаете, как связаны все эти темы — ИИ, машинное обучение и глубокое обучение. Ты не один. И мы хотим помочь.

В этой статье мы исследуем основные компоненты искусственного интеллекта и опишем, как различные технологии объединились, чтобы помочь машинам стать более интеллектуальными.

История искусственного интеллекта и машинного обучения

Так откуда же взялся ИИ? Что ж, из однопользовательских шахмат она не перескочила прямо в беспилотные автомобили.Эта область имеет долгую историю, основанную на военной науке и статистике, с вкладами философии, психологии, математики и когнитивных наук. Изначально искусственный интеллект был призван сделать компьютеры более полезными и способными к независимому мышлению.

Большинство историков связывают зарождение ИИ с исследовательским проектом Дартмута в 1956 году, который исследовал такие темы, как решение проблем и символические методы. В 1960-х годах министерство обороны США заинтересовалось этим видом работы и усилило акцент на обучении компьютеров имитации человеческого мышления.

Например, Агентство перспективных оборонных исследовательских проектов (DARPA) завершило проекты по картированию улиц в 1970-х годах. А DARPA выпустило интеллектуальных персональных помощников в 2003 году, задолго до того, как Google, Amazon или Microsoft взялись за аналогичные проекты.

Эта работа проложила путь автоматизации и формальным рассуждениям, которые мы видим сегодня в компьютерах.

Машинное обучение и глубокое обучение — это подполя AI

В целом искусственный интеллект содержит множество подполей, в том числе:

  • Машинное обучение автоматизирует построение аналитических моделей.Он использует методы нейронных сетей, статистики, исследования операций и физики, чтобы находить скрытые идеи в данных, не будучи явно запрограммированными, где искать или что делать выводы.
  • Нейронная сеть — это разновидность машинного обучения, вдохновленная работой человеческого мозга. Это вычислительная система, состоящая из взаимосвязанных единиц (например, нейронов), которая обрабатывает информацию, реагируя на внешние входные данные, передавая информацию между каждым элементом. Процесс требует нескольких проходов в данных, чтобы найти соединения и извлечь смысл из неопределенных данных.
  • Глубокое обучение использует огромные нейронные сети с множеством уровней блоков обработки, используя преимущества достижений в вычислительной мощности и улучшенных методов обучения для изучения сложных шаблонов в больших объемах данных. Общие приложения включают распознавание изображений и речи.
  • Компьютерное зрение основано на распознавании образов и глубоком обучении для распознавания того, что находится на картинке или видео. Когда машины могут обрабатывать, анализировать и понимать изображения, они могут снимать изображения или видео в реальном времени и интерпретировать их окружение.
  • Обработка естественного языка — это способность компьютеров анализировать, понимать и генерировать человеческий язык, включая речь. Следующим этапом НЛП является взаимодействие на естественном языке, которое позволяет людям общаться с компьютерами, используя обычный повседневный язык для выполнения задач.

В то время как машинное обучение основано на идее о том, что машины должны иметь возможность учиться и адаптироваться на основе опыта, ИИ относится к более широкой идее, согласно которой машины могут выполнять задачи «умно».«

Искусственный интеллект применяет машинное обучение, глубокое обучение и другие методы для решения актуальных проблем.

Где мы находимся сегодня с ИИ?

С помощью искусственного интеллекта вы можете задавать машине вопросы — вслух — и получать ответы о продажах, запасах, удержании клиентов, обнаружении мошенничества и многом другом. Компьютер также может обнаружить информацию, которую вы никогда не думали спросить. Он предложит краткое изложение ваших данных и предложит другие способы их анализа.Он также поделится информацией, связанной с предыдущими вопросами от вас или кого-либо, кто задавал аналогичные вопросы. Вы получите ответы на экране или просто в разговоре.

Как это будет происходить в реальном мире? В сфере здравоохранения эффективность лечения можно определить быстрее. В розничной торговле дополнительные товары могут быть предложены быстрее. В сфере финансов мошенничество можно предотвратить, а не просто обнаружить. И многое другое.

В каждом из этих примеров машина понимает, какая информация необходима, смотрит на взаимосвязи между всеми переменными, формулирует ответ и автоматически передает его вам с вариантами для последующих запросов.

У нас есть десятилетия исследований в области искусственного интеллекта, за которые мы находимся сегодня. И впереди у нас десятилетия интеллектуального взаимодействия человека с машиной.

.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *