Компьютерные алгоритмы способные воспринимать информацию обучаться меняться что это
Обновлено: 04.07.2024
Искусственный интеллект понимают по-разному даже разработчики в этой сфере, хотя официальное определение дано в Национальной стратегии развития ИИ до 2030 года. Возможно, из-за расхождений в понимании разработчики не любят и стараются не использовать этот термин.
ICT.Moscow спросил у представителей различных компаний, как они понимают искусственный интеллект, и постарался собрать панорамный взгляд на трендовую технологию.
- стартапы и компании, активно применяющие ИИ (18 компаний);
- разработчики в других областях (4 компании);
- консалтинг (2 компании);
- интеграторы (5 компаний);
- ассоциации (3 компании);
- образование (3 компании);
- бизнес без фокуса на ИТ-разработку и ИИ (3 компании).
Всего 38 мнений.
- Искусственный интеллект в широком понимании — не только ряд технологических решений, но также свойства цифровых систем, которые ранее считались присущими только человеку.
- Четыре таких свойства, которые помогут бизнесу отделить реальный ИИ от маркетинговой уловки, — это способности цифровых систем воспринимать информацию, понимать ее, обучаться и совершать самостоятельные действия.
- Определение ИИ как имитации человеческого интеллекта верно в широком понимании. Но по факту ИИ выполняет только несколько функций, присущих человеку и не присущих классическим программам: обучается, строит прогнозы, принимает решения.
- Для разработчиков термин «искусственный интеллект» не имеет смысла. Они работают с «машинным обучением» и более узкими терминами, к которым чаще других относят компьютерное зрение (CV) и обработку естественного языка (NLP).
В 2019 году была утверждена Национальная стратегия развития искусственного интеллекта до 2030 года. В документе дается соответствующее определение:
Искусственный интеллект — комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека.
С одной стороны, определение вполне конкретное, в нем сказано, что должны делать технологии, которые называются ИИ, и что в итоге должно получаться. С другой стороны, под «технологическими решениями» можно подразумевать очень широкий набор явлений. Технология появилась сравнительно недавно, поэтому среди отраслевых экспертов и нет единого определения.
У искусственного интеллекта нет (и не было) единственного определения. Исторически его определяли по-разному: через сравнение с человеческим интеллектом, через функции, которые он должен выполнять, и т.д. Сложность в определении связана в том числе с тем, что и в психологии нет четкого определения (человеческого) интеллекта.
Генеральный директор компании – разработчика решений по распознаванию изображений SmartEngines Владимир Арлазаров уточняет, что искусственный интеллект вообще не является технологией. Это свойство системы, которое позволяет заменять человека в области обработки информации.
На помощь вновь приходит принятое в Стратегии определение: ИИ должен уметь самообучаться и принимать решения на основе полученных данных. Обучение — ключевая функция искусственного интеллекта. В контексте компьютерных систем она означает, что такие системы (нейросети) после получения каких-либо внешних данных учатся делать то, что не закладывалось в них напрямую программистами. Умение обучаться упоминают 12 из 20 экспертов от компаний-разработчиков, причем зачастую особо выделяют именно это свойство. Этот процесс называется машинным обучением.
Разработчики не употребляют термин «искусственный интеллект» практически никогда. Максимум — «машинное обучение». Выделяются три отдельных направления: процессинг языка, компьютерное зрение и data science, который переходит в big data.
Такое мнение мы услышали на ICT.Moscow: Public Talks, когда обсуждали основные технотренды на 2020 год, среди которых в большинстве прогнозов фигурирует ИИ. Оно подтвердилось словами представителей других компаний, с которыми мы общались позже, при подготовке данного материала.
Создатель проекта «Робот Вера» Владимир Свешников также отметил, что определение ИИ довольно расплывчато, зачастую специалисты смотрят на него по-разному, а его компания старается оперировать термином «машинное обучение». И тоже упомянул компьютерное зрение, NLP «и другие алгоритмы».
Того же мнения придерживается и ведущий аналитик и специалист по машинному обучению компании «Учи.Ру» Денис Власов:
Когда мы говорим об искусственном интеллекте, мы используем синонимичный термин «машинное обучение». Машинное обучение — это набор методов извлечения закономерностей из данных.
Это позволяет понять, что для разработчиков сам по себе термин «искусственный интеллект» фактически не несет никакой смысловой нагрузки. Они работают над машинным обучением и конкретными направлениями:
- компьютерным зрением (computer vision, CV);
- обработкой естественного языка (процессинг языка, natural language processing, NLP).
Эти два пункта упоминаются в половине собранных нами мнений разработчиков. Пять человек отдельно подчеркнули работу с данными (data science, big data). Но тут нужно отметить, что сбор, структурирование и анализ больших данных является ключевым фактором для всего машинного обучения в целом — чем больше выборка, тем точнее будут работать алгоритмы. То есть data science и big data можно вынести в отдельную категорию работы с ИИ, но CV и NLP также подразумевают наличие большой выборки информации — визуальной и текстовой или голосовой.
Некоторые разработчики отдельно упомянули свойства, которые должны быть присущи искусственному интеллекту. Трое экспертов, включая представителя VisionLabs, назвали способность к прогнозированию (например, дорожных пробок) характерной чертой ИИ. Четверо — способность принимать решения.
Общепринятого определения искусственного интеллекта я не знаю. В своей практике использую следующее: искусственный интеллект — это объект, который способен принимать решения в условиях реальной неопределенности.
Ярким примером таких условий может служить управление автомобилем, где дорожная обстановка меняется постоянно, и реагировать приходится на много факторов одновременно. Руководитель Центра робототехники ПАО «Сбербанк» Альберт Ефимов на конференции AI Journey 2019 по этому поводу сказал, что ИИ пока не обладает достаточной надежностью по сравнению с человеком. Беспилотные автомобили, даже самые надежные, все равно уступают человеку.
Столь широкое и многогранное описание «искусственного интеллекта» неизбежно ведет к тому, что под ним могут понимать технологии, которые им не являются. В том числе этого опасается бизнес, напрямую с ИИ не связанный. Например, генеральный директор представительства компании Mankiewicz в России и СНГ (производитель лакокрасочных покрытий, который применяет ИИ в своих бизнес-процессах) Владимир Трофименко считает термин «искусственный интеллект» несколько запутанным:
Под ИИ понимается не совсем то, что обычно вкладывается в понятие «интеллект» в широком смысле. Это красивый термин, который рождает непонимание, фантазии и опасения. На данном этапе ИИ – это все-таки база данных с алгоритмами, которая позволяет выполнять достаточно типовые и простые задачи. Да, алгоритмы становятся «самообучаемыми», но пока ни о какой полноценной замене работы человеческого мозга речи быть не может.
Директор по стратегическому развитию компании Cleverbots Адам Тураев заметил, что сам по себе «искусственный интеллект» – это скорее маркетинговый термин, популизм, форсируемый компаниями. Он же попытался отделить понимание самой технологии от маркетингового представления о ней:
NLP, CV и data science — направления, которые сейчас более всего подходят под определение технологий рынка искусственного интеллекта. Однако зачастую под соусом того же машинного обучения подают линейные логики и алгоритмы, которые не стоит относить к категории «искусственный интеллект».
Приведенные выше высказывания на первый взгляд друг другу противоречат. С одной стороны, Владимир Трофименко в контексте ИИ упомянул алгоритмы, которые выполняют типовые и простые задачи. С другой стороны, Адам Тураев призвал не относить к ИИ алгоритмы, работающие по линейной логике. Тонкую грань, отделяющую «прямолинейную логику» и искусственный интеллект, попытался нащупать Сергей Ширкин, декан факультетов искусственного интеллекта и аналитики Big Data в GeekUniversity:
Однозначно нельзя отнести к ИИ автоматизацию в чистом виде, то есть технологии, действующие в качестве автоматов, запрограммированных на однообразные повторяющиеся действия (например, простые автоматы на конвейере, действующие строго по программе, без сложного анализа окружающей среды). Если же технология включает в себя компьютерное зрение или обработку естественного языка и при этом автоматизирует хотя бы часть физической или умственной деятельности человека, то это можно назвать искусственным интеллектом.
Получается, чтобы не спутать ИИ с маркетинговой уловкой, нужно разбираться в том, как устроена программа? Не обязательно. Представитель консалтинга, управляющий директор практики Applied Intellligence Accenture в России Лариса Малькова назвала четыре простых и понятных критерия, которые позволяют идентифицировать ИИ без глубокого понимания механизмов его работы:
- способность к восприятию (осознание окружающего мира);
- способность к пониманию (понимание естественного языка, построение корректных логических цепочек);
- способность к обучению (самообучению, основанное на получении обратной связи или дополнительных данных);
- способность к самостоятельному действию на основе «опыта» и полученной информации.
И это возвращает нас к технологиям, которые относят к искусственному интеллекту. Компьютерное зрение позволяет программе воспринимать визуальную информацию, обработка естественного языка — понимать его, работа с большими данными — строить логические цепочки, обучаться и предпринимать какие-либо действия. В качестве примера можно привести те же беспилотные автомобили, которые обрабатывают данные с камер и датчиков и принимают соответствующее решение — куда перестраиваться, с какой скоростью ехать и так далее.
Если программа не соответствует хотя бы трем приведенным выше критериям, она искусственным интеллектом не является. Соответствовать всем четырем не обязательно, поскольку ИИ может, например, воспринимать только визуальную (как беспилотники) или только текстовую информацию (первая или вторая способность соответственно). Или может воспринимать и тот и другой тип информации, а также обучаться, но не принимать решения, а только строить более точные логические цепочки, оставляя все решения человеку.
Приветствую читателей Хабра. Вашему вниманию предлагается перевод статьи «Everything you need to know about AI — in under 8 minutes.». Содержание направлено на людей, не знакомых со сферой ИИ и желающих получить о ней общее представление, чтобы затем, возможно, углубиться в какую-либо конкретную его отрасль.
Знать понемногу обо всё иногда (по крайней мере, для новичков, пытающихся сориентироваться в популярных технических направлениях) бывает полезнее, чем знать много о чём-то одном.
Многие люди думают, что немного знакомы с ИИ. Но эта область настолько молода и растёт так быстро, что прорывы совершаются чуть ли не каждый день. В этой научной области предстоит открыть настолько многое, что специалисты из других областей могут быстро влиться в исследования ИИ и достичь значимых результатов.
Эта статья — как раз для них. Я поставил себе целью создать короткий справочный материал, который позволит технически образованным людям быстро разобраться с терминологией и средствами, используемыми для разработки ИИ. Я надеюсь, что этот материал окажется полезным большинству интересующихся ИИ людей, не являющихся специалистами в этой области.
Введение
Искусственный интеллект (ИИ), машинное обучение и нейронные сети — термины, используемые для описания мощных технологий, базирующихся на машинном обучении, способных решить множество задач из реального мира.
В то время, как размышление, принятие решений и т.п. сравнительно со способностями человеческого мозга у машин далеки от идеала (не идеальны они, разумеется, и у людей), в недавнее время было сделано несколько важных открытий в области технологий ИИ и связанных с ними алгоритмов. Важную роль играет увеличивающееся количество доступных для обучения ИИ больших выборок разнообразных данных.
Область ИИ пересекается со многими другими областями, включая математику, статистику, теорию вероятностей, физику, обработку сигналов, машинное обучение, компьютерное зрение, психологию, лингвистику и науку о мозге. Вопросы, связанные с социальной ответственностью и этикой создания ИИ притягивают интересующихся людей, занимающихся философией.
Мотивация развития технологий ИИ состоит в том, что задачи, зависящие от множества переменных факторов, требуют очень сложных решений, которые трудны к пониманию и сложно алгоритмизируются вручную.
Растут надежды корпораций, исследователей и обычных людей на машинное обучение для получения решений задач, не требующих от человека описания конкретных алгоритмов. Много внимания уделяется подходу «чёрного ящика». Программирование алгоритмов, используемых для моделирования и решения задач, связанных с большими объёмами данных, занимает у разработчиков очень много времени. Даже когда нам удаётся написать код, обрабатывающий большое количество разнообразных данных, он зачастую получается очень громоздким, трудноподдерживаемым и тяжело тестируемым (из-за необходимости даже для тестов использовать большое количество данных).
Современные технологии машинного обучения и ИИ вкупе с правильно подобранными и подготовленными «тренировочными» данными для систем могут позволить нам научить компьютеры «программировать» за нас.
Обзор
Интеллект — способность воспринимать информацию и сохранять её в качестве знания для построения адаптивного поведения в среде или контексте
Это определение интеллекта из (англоязычной) Википедии может быть применено как к органическому мозгу, так и к машине. Наличие интеллекта не предполагает наличие сознания. Это — распространённое заблуждение, принесённое в мир писателями научной фантастики.
Попробуйте поискать в интернете примеры ИИ — и вы наверняка получите хотя бы одну ссылку на IBM Watson, использующий алгоритм машинного обучения, ставший знаменитым после победы на телевикторине под названием «Jeopardy» в 2011 г. С тех пор алгоритм претерпел некоторые изменения и был использован в качестве шаблона для множества различных коммерческих приложений. Apple, Amazon и Google активно работают над созданием аналогичных систем в наших домах и карманах.
Обработка естественного языка и распознавание речи стали первыми примерами коммерческого использования машинного обучения. Вслед за ними появились задачи другие задачи автоматизации распознавания (текст, аудио, изображения, видео, лица и т.д.). Круг приложений этих технологий постоянно растёт и включает в себя беспилотные средства передвижения, медицинскую диагностику, компьютерные игры, поисковые движки, спам-фильтры, борьбу с преступностью, маркетинг, управление роботами, компьютерное зрение, перевозки, распознавание музыки и многое другое.
ИИ настолько плотно вошёл в современные используемые нами технологии, что многие даже не думают о нём как об «ИИ», то есть, не отделяют его от обычных компьютерных технологий. Спросите любого прохожего, есть ли искусственный интеллект в его смартфоне, и он, вероятно, ответит: «Нет». Но алгоритмы ИИ находятся повсюду: от предугадывания введённого текста до автоматического фокуса камеры. Многие считают, что ИИ должен появиться в будущем. Но он появился некоторое время назад и уже находится здесь.
Термин «ИИ» является довольно обобщённым. В фокусе большинства исследований сейчас находится более узкое поле нейронных сетей и глубокого обучения.
Как работает наш мозг
Человеческий мозг представляет собой сложный углеродный компьютер, выполняющий, по приблизительным оценкам, миллиард миллиардов операций в секунду (1000 петафлопс), потребляющий при этом 20 Ватт энергии. Китайский суперкомпьютер под названием «Tianhe-2» (самый быстрый в мире на момент написания статьи) выполняет 33860 триллионов операций в секунду (33.86 петафлопс) и потребляющий при этом 17600000 Ватт (17.6 Мегаватт). Нам предстоит проделать определённое количество работы перед тем, как наши кремниевые компьютеры смогут сравниться со сформировавшимися в результате эволюции углеродными.
Точное описание механизма, применяемого нашим мозгом для того, чтобы «думать» является предметом дискуссий и дальнейших исследований (лично мне нравится теория о том, что работа мозга связана с квантовыми эффектами, но это — тема для отдельной статьи). Однако, механизм работы частей мозга обычно моделируется с помощью концепции нейронов и нейронных сетей. Предполагается, что мозг содержит примерно 100 миллиардов нейронов.
Но на этом всё не заканчивается. Каждый нейрон применяет функцию, или преобразование, к взвешенным входным сигналам перед тем, как проверить, достигнут ли порог его активации. Преобразование входного сигнала может быть линейным или нелинейным.
Изначально входные сигналы приходят из разнообразных источников: наших органов чувств, средств внутреннего отслеживания функционирования организма (уровня кислорода в крови, содержимого желудка и т.д.) и других. Один нейрон может получать сотни тысяч входных сигналов перед принятием решения о том, как следует реагировать.
Мышление (или обработка информации) и полученные в результате его инструкции, передаваемые нашим мышцам и другим органам являются результатом преобразования и передачи входных сигналов между нейронами из различных слоёв нейронной сети. Но нейронные сети в мозгу могут меняться и обновляться, включая изменения алгоритма взвешивания сигналов, передаваемых между нейронами. Это связано с обучением и накоплением опыта.
Эта модель человеческого мозга использовалась в качестве шаблона для воспроизведения возможностей мозга в компьютерной симуляции — искуственной нейронной сети.
Искусственные Нейронные Сети (ИНС)
Искусственные Нейронные Сети — это математические модели, созданные по аналогии с биологическими нейронными сетями. ИНС способны моделировать и обрабатывать нелинейные отношения между входными и выходными сигналами. Адаптивное взвешивание сигналов между искусственными нейронами достигается благодаря обучающемуся алгоритму, считывающему наблюдаемые данные и пытающемуся улучшить результаты их обработки.
Для улучшения работы ИНС применяются различные техники оптимизации. Оптимизация считается успешной, если ИНС может решать поставленную задачу за время, не превышающее установленные рамки (временные рамки, разумеется, варьируются от задачи к задаче).
ИНС моделируется с использованием нескольких слоёв нейронов. Структура этих слоёв называется архитектурой модели. Нейроны представляют собой отдельные вычислительные единицы, способные получать входные данные и применять к ним некоторую математическую функцию для определения того, стоит ли передавать эти данные дальше.
В простой трёхслойной модели первый слой является слоем ввода, за ним следует скрытый слой, а за ним — слой вывода. Каждый слой содержит не менее одного нейрона.
С усложнением структуры модели посредством увеличения количества слоёв и нейронов возрастают потенциал решения задач ИНС. Однако, если модель оказывается слишком «большой» для заданной задачи, её бывает невозможно оптимизировать до нужного уровня. Это явление называется переобучением (overfitting).
Архитектура, настройка и выбор алгоритмов обработки данных являются основными составляющими построения ИНС. Все эти компоненты определяют производительность и эффективность работы модели.
Модели часто характеризуются так называемой функцией активации. Она используется для преобразования взвешенных входных данных нейрона в его выходные данные (если нейрон решает передавать данные дальше, это называется его активацией). Существует множество различных преобразований, которые могут быть использованы в качестве функций активации.
ИНС являются мощным средством решения задач. Однако, хотя математическая модель небольшого количества нейронов довольно проста, модель нейронной сети при увеличении количества составляющих её частей становится довольно запутанно. Из-за этого использование ИНС иногда называют подходом «чёрного ящика». Выбор ИНС для решения задачи должен быть тщательно обдуманным, так как во многих случаях полученное итоговое решение нельзя будет разобрать на части и проанализировать, почему оно стало именно таким.
Глубокое обучение
Термин глубокое обучение используется для описания нейронных сетей и используемых в них алгоритмах, принимающих «сырые» данные (из которых требуется извлечь некоторую полезную информацию). Эти данные обрабатываются, проходя через слои нейросети, для получения нужных выходных данных.
Обучение без учителя (unsupervised learning) — область, в которой методики глубокого обучения отлично себя показывают. Правильно настроенная ИНС способна автоматически определить основные черты входных данных (будь то текст, изображения или другие данные) и получить полезный результат их обработки. Без глубокого обучения поиск важной информации зачастую ложится на плечи программиста, разрабатывающего систему их обработки. Модель глубокого обучения же самостоятельно способна найти способ обработки данных, позволяющий извлекать из них полезную информацию. Когда система проходит обучение (то есть, находит тот самый способ извлекать из входных данных полезную информацию), требования к вычислительной мощности, памяти и энергии для поддержания работы модели сокращаются.
Проще говоря, алгоритмы обучения позволяют с помощью специально подготовленных данных «натренировать» программу выполнять конкретную задачу.
Глубокое обучение применяется для решения широкого круга задач и считается одной из инновационных ИИ-технологий. Существуют также другие виды обучения, такие как обучение с учителем (supervised learning) и обучение с частичным привлечением учителя(semi-supervised learning), которые отличаются введением дополнительного контроля человека за промежуточными результатами обучения нейронной сети обработке данных (помогающего определить, в правильном ли направлении движется система).
Теневое обучение (shadow learning) — термин, используемый для описания упрощённой формы глубокого обучения, при которой поиск ключевых особенностей данных предваряется их обработкой человеком и внесением в систему специфических для сферы, к которой относятся эти данные, сведений. Такие модели бывают более «прозрачными» (в смысле получения результатов) и высокопроизводительными за счёт увеличения времени, вложенного в проектирование системы.
Сейчас технологии развиваются с немыслимой скоростью. Ранее те возможности, что, казалось бы, были доступны только профессиональным ученым, в современной жизни доступны каждому. Один из подобных прорывов – искусственный интеллект, прочно обосновавшийся во многих сферах человеческой жизни.
Сегодня поговорим о том, что такое ИИ, как он возник, где применяется, а также чем он отличается от человеческого разума.
Что представляет собой искусственный интеллект
Искусственный интеллект – это свойство интеллектуальной системы выполнять те функции и задачи, которые обычно характерны для разумных существ. Это может быть проявление каких-то творческих способностей, склонность к рассуждению, обобщение, обучение на основании полученного ранее опыта и так далее.
Его развитием занимается направление науки, в рамках которого происходит аппаратное или программное моделирование тех задач человеческой деятельности, что считаются интеллектуальными. Еще под ИИ часто подразумевают направление в IT, основной целью которого является воссоздание разумных действий и рассуждений с помощью компьютерных систем.
История возникновения и развития искусственного интеллекта
Впервые термин artificial intelligence (с английского переводится как «искусственный интеллект») был упомянут в 1956 году Джоном МакКарти, основателем функционального программирования и изобретателем языка Lisp, на конференции в Университете Дартмута.
Однако сама идея подобной системы была сформирована в 1935 году Аланом Тьюрингом. Ученый дал описание абстрактной вычислительной машине, состоящей из безграничной памяти и сканера, перемещающегося вперед и назад по памяти. Однако позднее, в 1950 году, он предложил считать интеллектуальными те системы, которые в общении не будут отличаться от человека.
Тогда же Тьюринг разработал эмпирический тест для оценки машинного интеллекта. Он показывает, насколько искусственная система продвинулась в обучении общению и удастся ли ей выдать себя за человека.
Самая ранняя успешная программа искусственного интеллекта была создана Кристофером Стрейчи в 1951 году. А уже в 1952 году она играла в шашки с человеком и удивляла зрителей своими способностями предсказывать ходы. По этому поводу в 1953 году Тьюринг опубликовал статью о шахматном программировании.
В 1965 году специалист Массачусетского технологического университета Джозеф Вайценбаум разработал программу «Элиза», которая ныне считается прообразом современной Siri. В 1973 году была изобретена «Стэндфордская тележка», первый беспилотный автомобиль, контролируемый компьютером. К концу 1970-х интерес к ИИ начал спадать.
Новое развитие искусственный интеллект получил в середине 1990-х. Самый известный пример – суперкомпьютер IBM Deep Blue, который в 1997 году обыграл в шахматы чемпиона мира Гарри Каспарова. Сегодня подобные сети развиваются очень быстро за счет цифровизации информации, увеличения ее оборота и объема. Машины довольно быстро анализируют информацию и обучаются, впоследствии они действительно приобретают способности, ранее считавшиеся чисто человеческой прерогативой.
Отличие ИИ от нейросетей и машинного обучения
Нейросети представляют собой математическую модель, компьютерный алгоритм, работа которого основана на множестве искусственных нейронов. Суть этой системы в том, что ее не нужно заранее программировать. Она моделирует работу нейронов человеческого мозга, проводит элементарные вычисления и обучается на основании предыдущего опыта, но это не соотносимо с ИИ.
Искусственный интеллект, как мы помним, является свойством сложных систем выполнять задачи, обычно свойственные человеку. К ИИ часто относят узкоспециализированные компьютерные программы, также различные научно-технологические методы и решения. ИИ в своей работе имитирует человеческий мозг, при этом основывается на прочих логических и математических алгоритмах или инструментах, в том числе нейронных сетях.
Под машинным обучением понимают использование различных технологий для самообучающихся программ. Соответственно, это одно из многочисленных направлений ИИ. Системы, основанные на машинном обучении, получают базовые данные, анализируют их, затем на основе полученных выводов находят закономерности в сложных задачах со множеством параметров и дают точные ответы. Один из наиболее распространенных вариантов организации машинного обучения – применение нейросетей.
Если сравнивать с человеком, то ИИ подобен головному мозгу, машинное обучение – это один из многочисленных способов обработки поступающих данных и решения назревающих задач, а нейросети соответствуют объединению более мелких, базовых элементов мозга – нейронов.
Разница между искусственным и естественным интеллектом
Сравнивать искусственный и естественный интеллект можно лишь по некоторым общим параметрам. Например, человеческий мозг и компьютер работают по примерно схожему принципу, включающему четыре этапа – кодирование, хранение данных, анализ и предоставление результатов. И естественный, и искусственный разум склонны к самообучению, они решают те или иные задачи и проблемы, используя специальные алгоритмы.
Помимо общих умственных способностей к рассуждению, обучению и решению проблем, человеческое мышление также имеет эмоциональную окраску и сильно зависит от влияния социума. Искусственный интеллект не имеет никакого эмоционального характера и не ориентирован социально.
Если говорить об IQ – большинство ученых склонны считать, что сей параметр оценки никак не связан с искусственным интеллектом. С одной стороны, это действительно так, ведь стандартные IQ-тесты направлены на измерение «качества» человеческого мышления и связаны с развитием интеллекта на разных возрастных этапах.
С другой стороны, для ИИ создан собственный «IQ-тест», названный в честь Тьюринга. Он помогает определить, насколько хорошо машина обучилась и способна ли она уподобиться в общении человеку. Это своего рода планка для ИИ, установленная людьми. А ведь все больше ученых склоняется к тому, что скоро компьютеры обгонят человечество по всем параметрам… Развитие технологий идет по непредсказуемому сценарию, и вполне допустимо, что так и будет.
Применение ИИ в современной жизни
В зависимости от области и обширности сферы применения, выделяют два вида ИИ – Weak AI, называемый еще «слабым», и Strong AI, «сильный». В первом случае перед системой ставят узкоспециализированные задачи – диагностика в медицине, управление роботами, работа на базе электронных торговых платформ. Во втором же подразумевается решение глобальных задач.
Так, одна из наиболее популярных сфер применения ИИ – это Big Data в коммерции. Крупные торговые площадки используют подобные технологии для исследования потребительского поведения. Компания «Яндекс» вообще создает с их помощью музыку. В некоторые мобильные приложения встроены голосовые помощники вроде Siri, Алисы или Cortana. Они упрощают процесс навигации и совершения покупок в сервисе. И не стоит забывать про программы с нейросетями, обрабатывающими фото и видео.
ИИ также внедряют в производственные процессы для фиксации действий работников. Не обошлось и без внедрения новых технологических решений в транспортной сфере. Так, искусственный интеллект мониторит состояние на дорогах, фиксирует пробки, обнаруживает разные объекты в неположенных местах. А про автономное (беспилотное) вождение и так постоянно говорят…
Люксовые бренды внедряют ИИ в свои системы для анализа потребностей клиентов. Стремительно развивается использование подобных систем в системах здравоохранения, в основном при диагностике заболеваний, разработке лекарств, создании медицинских страховок, проведении клинических исследований и так далее.
Перечислить разом все области, в которых задействован искусственный интеллект, практически нереально. На данный момент он затрагивает все больше самых разных сфер. И причин на то немало – та же автоматизация производственных процессов, стремительный рост информационного оборота и инвестиций в эту сферу, даже социальное давление.
Влияние на различные области
ИИ все больше проникает в экономическую сферу, и, по некоторым прогнозам, это позволит увеличить объем глобального рынка на 15,7 трлн долларов к 2030 году. Лидирующую позицию в освоении сей технологии занимают США и Китай, однако некоторые развитые страны вроде Канады, Сингапура, Германии и Японии не отстают.
Искусственный интеллект может оказать существенное влияние на рынок труда. Это может привести к массовому увольнению рабочего персонала из-за автоматизации большинства процессов. Ну и росту востребованности разработчиков, конечно.
Перспективы развития искусственного интеллекта
Современные компьютеры приобретают все больше знаний и «умений». Скептики же утверждают, что все возможности ИИ – не более чем компьютерная программа, а не пример самообучения. Однако это не мешает технологии широко распространяться в самых различных сферах и открывать невиданные ранее потенциалы для развития. Со временем компьютеры будут становиться все мощнее, а ИИ еще быстрее совершенствоваться в своем развитии.
Заключение
Не так давно, казалось бы, ученые ввели понятие «искусственный интеллект», а чуть больше полвека спустя технология уже находит широкий спрос в самых различных сферах. Сейчас искусственный разум, можно сказать, находится в шаговой доступности для любого человека – компьютер и ноутбук, смартфон и электронные часы, даже многие простейшие приложения работают именно с его помощью. ИИ в самых разных своих проявлениях проник во многие сферы человеческой жизни и прочно обосновался в них.
Машинное обучение (ML, Machine Learning) — простыми словами, это технология искусственного интеллекта (ИИ), которая предоставляет вычислительным системам возможность автоматически учиться и совершенствоваться на основе опыта без явного программирования.
Человек отличается от компьютера тем, что он учится на своих ошибках, действиях. Машинам нужно указывать, что делать, так как они подчиняются строгой логике и лишены смысла. Поэтому мы пишем программы, которые дают кремниевому разуму точные инструкции. Машинное обучение просто заставляет компьютер самостоятельно составлять подробные пошаговые инструкции на опыте прошлых данных.
Что собой представляет машинное обучение?
Фактически это компьютерные программы с определёнными алгоритмами действия:
- процесс начинается с анализа массива информации,
- затем выявляется шаблон или закономерность,
- после всего формируется непосредственный опыт
- и составляются инструкции на его основе.
Система без вмешательства человека способна предлагать готовые решения, обоснованные реальными данными.
Методы машинного обучения
Принято отличать методы машинного обучения (алгоритмы, то есть их основную стратегию обучения) по степени контроля и вмешательства человека. Мы сегодня имеем дело как с незначительными приложениями, помогающими ускорить рутинные процессы, так и с полностью автоматизированными комплексами безостановочного изучения массивов информации на крупных предприятиях.
Алгоритмы контролируемого машинного обучения
Контролируемое «обучение с учителем» (Supervised Learning) предполагает использование ИИ всего изученного в прошлом к новым данным. Помеченные пользователем примеры используются для предсказания будущих событий. В основе метода — анализ обозначенного «учителем» набора обучающих данных. Алгоритм машинного обучения создаёт контролируемую функцию прогнозирования выходных значений.
Алгоритмы неконтролируемого машинного обучения
«Обучение без учителя» (Unsupervised Learning) используется, когда информация никем не классифицируется и не маркируется. Неконтролируемое обучение анализирует, как системы могут вывести функцию для описания скрытой структуры из немаркированных данных.
Алгоритмы частичного машинного обучения
Алгоритмы частично управляемого машинного обучения (Semi-supervised Learning) находятся где-то между контролируемым и неконтролируемым обучением. Они используют все имеющиеся данные. Обычно небольшой объём информации помечается «учителем». Это помогает уточнить действия машины при работе с большим объёмом немаркированных данных и ускорить процесс. Системы могут значительно повысить точность работы при использовании такого метода.
Алгоритмы машинного обучения с подкреплением
В роли «подкрепления» (Reinforcement Learning) выступает традиционный человеческий подход метода «проб и ошибок». Машина взаимодействует со своей средой, производя действия и обнаруживая ошибки или вознаграждения (достижение целей). Алгоритмы обучения с подкреплением позволяют программным агентам автоматически определять идеальное поведение в конкретном контексте, чтобы максимизировать его производительность.
Даже в найме сотрудников эйчарами используются автоматические методы отбора лучших кандидатов. В бизнес-аналитике и вовсе уже не обойтись без способностей искусственного интеллекта. И если вы ставите перед своей организацией в качестве цели достичь конкурентного преимущества, то машинное обучение — лучшее, что можно использовать для накопленной за годы трудов вашей компании массивов данных.
Компания ZEL-УслугиОбратитесь в компанию ИТ-аутсорсинга для дальнейшей экспертной поддержки и консультации по этой теме и любым другим техническим вопросам.
Искусственный интеллект (ИИ) - это комплекс методик математики, биологии, психологии, кибернетики и других наук, с помощью которого создаются технологии для написания «интеллектуальных» программ и обучения компьютеров самостоятельному решению задач. Главная задача искусственного интеллекта - это моделирование человеческого разума.
Виды и технологии искусственного интеллекта
На сегодняшний день существует четыре основных вида ИИ:
реактивные машины - системы ИИ, не имеющие памяти и решающие только определенные задачи. Они не способны формировать воспоминания и использовать полученный ранее опыт для выполнения своих функций;
ограниченная память - системы с памятью, основанной на прошлом опыте. Однако этот опыт не сохраняется и не компилируется в библиотеке информации ИИ;
теория разума - системы, понимающие человеческие эмоции и намерения, обладающие социальным интеллектом и участвующие в командной работе;
самосознание - у систем ИИ этого типа формируется представление о себе, благодаря чему они полностью имитируют интеллект человека.
При создании ИИ чаще всего используются технологии:
глубокого обучения - подраздела машинного обучения, позволяющего обнаруживать закономерности в огромным массивах информации (Big Data). Обработкой данных в технологии глубокого обучения занимаются искусственные нейронные сети (ИНС), созданные по аналогии с биологическими нейронными сетями. ИНС предназначаются для моделирования и обработки нелинейных отношений между входными и выходными сигналами. В ИНС применяется алгоритм самообучения, позволяющий им решать определенные задачи с учетом предыдущего опыта и минимальным числом ошибок;
Также в ИИ применяются технологии компьютерного зрения (для нахождения, распознавания и классификации объектов, извлечения данных из изображений, аналитики полученной информации) и анализа данных для выявления в них закономерностей и прогнозирования событий по его результатам.
Технологии машинного обучения
Машинное обучение (machine learning, ML) - это одно из направлений разработки ИИ, основанное на выполнении компьютером множества сходных задач без использования прямых инструкций.
Машинное обучение базируется на трех основных понятиях:
алгоритмы - специальные программы, «подсказывающие» компьютеру, каким источником данных необходимо воспользоваться. Для каждой задачи подбираются отдельные алгоритмы, составленные с расчетом на ускорение обработки данных и получение точного результата;
наборы данных (датасеты) - информация (выборки данных) в виде текстовых, графических, видеофайлов, которую машина использует для накопления опыта при обучении. При этом для решения каждого конкретного типа задач в систему должны загружаться уникальные данные;
признаки (свойства, метрики, фичи, features) - индивидуальные измеримые параметры наблюдаемых явлений, от правильности подбора которых зависит успешность и скорость machine learning.
Оптимальными для правильного проведения машинного обучения считаются выборки данных, составленные вручную и содержащие максимум информации разного качества - это позволяет компьютеру выявлять неочевидные взаимосвязи между данными и делать по ним полезные выводы.
Машинное обучение используется для решения задач по категориям:
регрессии - составления прогнозов на основе выборки данных с отличающимися признаками;
классификации - получения конкретного ответа на основании набора признаков;
кластеризации - разбивки данных на несколько групп;
уменьшения размерности - сокращения большого количества признаков для удобства их дальнейшей визуализации;
выявления аномалий - поиска отличий в наборах данных от стандартной информации.
В зависимости от того, по какому принципу осуществляется ML, оно делится на:
обучение с учителем, которое предполагает использование полного набора снабженных признаками данных (размеченного датасета) для тренировки системы ИИ на всех стадиях ее создания;
обучение без учителя, при котором машина самостоятельно выявляет закономерности, определяет признаки и классифицирует полученные данные;
обучение с подкреплением - когда машине требуется правильно решить поставленные перед ней задачи во внешней среде, располагая несколькими возможными вариантами действия.
Сегодня чаще всего для создания программ машинного обучения используются языки R, Python, Scala и Julia. Они поддерживаются многими интегрированными средами разработки, в частности, R-Studio, R-Brain, Visual Studio, Eclipse, PyCharm, Spyder, IntelliJ IDEA, Jupyter Notebooks, Juno.
Обучиться любой технологиям искусственного интеллекта и машинного обучения можно, записавшись на курсы , которые проводит ЦРК БИ (ЦЕНТР РАЗВИТИЯ КОМПЕТЕНЦИЙ В БИЗНЕС-ИНФОРМАТИКЕ) НИУ ВШЭ.
Читайте также: