Как устроен искусственный интеллект
Приняли интервью у Е. Соколова, доцента факультета компьютерных наук Департамента больших данных и справочного поиска НИУ ВШЭ, — и спросили об устройстве и работе искусственного разума.
Что вообще такое искусственный интеллект? Если говорить как раз про искусственный интеллект, то основное тут — создание систем, которые будут, как и человек, учиться на основе взаимодействия с образцами из настоящего мира. Дерзко говоря, если отправить нас во Францию без познания языка, в какой-то момент мы его изучим, даже не беря в руки учебник, просто зарывшись в четверг.
Было очень много разных идей, как дать ПК такую вероятность. Сегодня под синтетическим разумом видится точный раздел компьютерных наук — механическое обучение, которое занимается извлечением алгоритмов и познаний из данных.
К примеру, есть слова на российском языке и их профессиональные переводы на британский. Благодаря технологиям машинного обучения персональный компьютер разбирает эти образцы и создает метод для перевода текстов. Так работает Yandex Транслятор.
Какие ИИ есть? В настоящее время есть 2 обоюдно предопределенных направления в ИИ. Первый — это традиционное механическое обучение (Machine Learning, ML), когда есть табличные данные, к примеру, о заказчиках банка.
На их основе создаются способы вроде градиентного бустинга для футурологического теста. Эти подходы хорошо исследованы, они дают не трудные способы, которые надежно работают, к примеру, в поисковых машинах.
Е. Соколов, доцент факультета компьютерных наук НИУ ВШЭ
А бывают задачи более трудные, где на входе и выходе способа есть документ, фото, видео, звук. И там традиционный подход не слишком используем.
Вот тут и выходит на сцену бездонное обучение (Deep Learning, DL) — способ, решающий самостоятельное сооружение всеобщих правил в качестве нейронной сети на примере данных во время процесса обучения, автоматическое обнаружение множества правил и характеристик.
К примеру, в задаче определения возраста по фотографии нейросеть сама должна понять на основе данных, что нужно находить морщинки, седину, структуру кожи, этим самым учась, выявляя эти характеристики и устанавливая с помощью их возраст.
Значит, нейросеть — это ИИ? На самом деле, нейросеть — это огромная формула, в которой могут быть тысячи миллионов и миллионы слагаемых, множителей и тому подобное.
Таким образом ее уважительно представлять деталью ИИ. Когда в рекламе нам говорят, что некоторый банк при помощи искусственного разума обучился обнаруживать злоумышленников, это означает, что построена нейронная сеть или какой-нибудь другой метод на основе машинного обучения, работающие с большой информационной базой и готовы считать закономерности.
Почему временами говорят о «слабом» и «сильном» ИИ? Это далеко не IQ? Слабый искусственный интеллект — это метод, некая программа, которая постановляет одну точную цель: к примеру, ищет в сети-интернет публикации или по фото определяет возраст человека. Слабый ИИ было бы уместно представлять специальным.
Основной аспект для сильного искусственного разума — вероятность собственноручного обучения новым целям. Предположим, программа может устанавливать возраст по фотографии, если ей дать иные образцы, она может устанавливать место рождения человека.
Такой программы пока нет, мощный ИИ в настоящее время — это гипотетичная технология. Сегодня, когда речь идет про мощный искусственный интеллект, скорее всего стараются среди определенных задач отыскать метод, который по крайней мере немного выйдет за границы слабого ИИ.
Определенные ученые полагают, что шаг к крепкому ИИ — это мультимодальные способы, которые могут работать с различными видами данных, к примеру со звуком, текстом и изображением. А даже такие способы решают точные задачи, они не готовы самообучаться.
Подошли ли современные ИИ к прохождению тестирования Тьюринга? Анализ Тьюринга — практический анализ, представленный Аланом Тьюрингом в 1950 году. Интерпретация тестирования звучит так: если машина отвечает на данные вопросы так, что человек не может определить, разговаривает он с иным человеком или с ПК, анализ является совершенным.
Вполне — если под разумом осознавать дееспособность относительной GPT-нейросети сохранять разговор с человеком на трудные темы.
Возьмем случайный разговор в мессенджере. Нейронная сеть вполне может его проимитировать: побеседовать про погоду, узнать, как дела, ответить на технические вопросы. Сегодня нейросеть может ввести человека в ложное мнение. И этого, в отличии от «Скайнета», на самом деле стоит страшиться. достаточно много говорят о том, что при помощи производящих сетей в настоящее время воспроизводят обращения в службу саппорта компаний, этим самым перегружая их.
Где используют данный интеллект? В настоящее время искусственный интеллект и его способы используют и активно развивают большие IT-корпорации. Если нужны курсы по ИИ рекомендуем сайт smittmediagroup.ru.
Сервисы поиска, стриминга, такси и курьерской доставки без ИИ сложно представить. Любой популярный сервис Yandex’а применяет его: в Поиске механическое обучение надо, чтобы совершенствовать выдачу и демонстрировать подходящую рекламу, в Кинопоиске или Yandex Музыке ML на основе предпочтений клиента предлагает то, что ему будет любопытно посмотреть или слушать. В Yandex Go механическое обучение предсказывает спрос, качественно распределяет курьеров или таксистов по региону.
Фирмам, которые первоначально были в иных секторах, к примеру в медицине, труднее вводить ИИ. Это требует абсолютной перестройки всех действий. Когда доктора по всей стране работают по отработанной схеме, сложно интегрировать умные способы в процесс постановки диагноза. Разумеется, огромным корпорациям, даже не из сферы IT, намного легче.
Пока ИИ — это опытная технология, которая требует дорогих специалистов и серьезных вычисляемых ресурсов. А равномерно трюк сдвигается, ресурсы и специалисты делаются доступнее, следовательно, и технология обретет большое распространение.
Если искусственный интеллект такой потрясающий, почему его не используют всюду? Главная неприятность — неимение данных. Нельзя сделать высококачественный метод, к примеру, для постановки медицинского диагноза, если у нас нет больших размеров информации о больных с популярными заболеваниями. И далеко не во всех областях они есть. Сюда же можно отнести проблему с индивидуальными данными.
С одной стороны, они нужны для обучения модификаций ИИ. У большинства компаний есть повод узнавать про нас по возможности больше, чтобы зарабатывать на информации. С иной стороны, чем больше компании про нас понимают, тем выше риск утечки этих данных и их незаконного использования. Как сделать так, чтобы IT-сфера не отодвинулась в прошлое, а при этом наши данные были более предохранены и не принадлежали корпорациям, — открытый вопрос.
2-й вызов вызван тем, что очень многие решения на основе ИИ сегодня лишают людей работы. К примеру, какую-то цель сотрудника службы саппорта можно синхронизировать. Или вскоре доведут до разума беспилотные автомобили — и миллиарды таксистов будут не нужны.
Это солидная социальная неприятность. Логично, что в компаниях ИИ вводится очень осмотрительно: немногие желает синхронизировать свою же работу. А, как это было в истории индустриальных революций, новые технологии довольно часто создают и новые рабочие места.