На какие отрасли подразделяется искусственный интеллект ai

Виды искусственного интеллекта — их особенности и применение

Термин «Искусственный интеллект» впервые произнёс Джон Маккарти, который и стал его автором. Он собрал первую конференцию в 1956 году, речь на которой шла о машинах, способных мыслить как человек, осуществлять обучение, собирать больше данных и производить обработку информации.

Сегодня многие задачи решаются автоматически, с помощью искусственного интеллекта (сверхразума) — программ установленных в машинах. Технологии не стоят на месте и ИИ постоянно развивается, хотя и он может ошибаться.

Цель искусственного интеллекта — упростить решение сложных задач, обработку которых трудно сделать вручную. Поэтому учёные большое будущее предрекают ИИ. Задача ИИ — использовать автоматизацию ручного труда моделируя человеческий разум.

ИИ затрагивает следующие отрасли:

медицину — аппараты УЗИ, рентген оборудование и другое медоборудование

онлайн-магазины — реклама, она возвращает нас к товарам, которыми мы интересовались в сети ранее

политику — сбор информации и проведение анализа данных

промышленность — ИИ способен осуществлять сбор данных с производственных участков и анализировать их, тем самым правильно распределять нагрузку

образование — продвижение ИИ в образовательной сфере для улучшения обучения

продлевает жизнь человека и улучшает её

способствует бизнесу зарабатывать деньги.

может привести к повышению безработицы

может поступить неэтично

на ИИ не распространяется юридическая ответственность

копирует человеческие предрассудки

ИИ дорого интегрировать в бизнес

Типы искусственного интеллекта

В соответствии с технологиями искусственный интеллект делится на две категории — на основе возможностей и функционала. Каждый из данных видов ещё делится на разновидности в соответствии со специализацией.

На основе возможностей

В зависимости от возможностей ИИ делится на данные типы:

Узкий или слабый

Узкоспециализированный, используется для решения только конкретной задачи и выдачи данных. Этот интеллект работает в строгих рамках, имеет набор языков и контекстов. Например, если данный интеллект настроен на поиск спама, то он не способен произвести сортировку почты

Общий или сильный

Эта система не ограничена по уровню выполняемых операций, она предназначена для решения интеллектуальных задач. Цель вида — разработать систему, которая будет думать самостоятельно как человек. Сегодня сильный тип на стадии создания и разработки, нужно чтобы техника могла работать в коллективе

Вид машинного интеллекта превосходящий человеческий разум, он способен решить любую задачу лучше человека. Машины обладающие данным интеллектом могут:

Получите подборку файлов от Московского Института Технологий и Управления

Прокачиваем soft skills начинающего айтишника за неделю.pdf

Как начать карьеру в IT сфере, если только закончил обучение.pdf

На основе функциональности

Искусственный интеллект по функциональности делится на следующие виды:

Эта базовая система, которая не способна хранить полученный опыт. Она не способна к обучению и у неё нет памяти. Система фокусируется на решении данных задачах. Этот вид ИИ востребован в бизнесе, когда нужна быстрая реакция, а опыт не важен. Например, реактивная система победила чемпиона мира по шахматам Гарри Каспарова в 1997 году

Интеллект с ограниченной памятью

Этот тип систем ИИ давно известен. Он сохраняет и использует опыт. Такой интеллект может улучшить работу проанализировав предыдущий опыт. Например, с таким интеллектом — робот-пылесос. Робот перемещается по комнате и убирает её на основании карты, которая построена с использованием датчиков. Другой пример — беспилотная техника собирает и хранит информацию о ближайших автомобилях: скорость, расстояние

Продвинутая форма. Эта нейронная система, понимающая эмоции человека и способная к взаимодействию. Данный вид находится на стадии развития. Например, социальные роботы — их предназначение осуществлять взаимосвязь с людьми естественно и понятным способом

Данный тип искусственного интеллекта является сверхумным, он имеет чувства и эмоции, его считают из области фантастики. Эта система может превосходить человека в уме и лучше решать поставленные задачи. Самосознание находится в процессе исследования и разработки, создание этого нового типа ИИ затрагивает ряд этических и общественных норм

Применение искусственного интеллекта — основные тренды

С искусственным интеллектом сегодня знаком любой человек, который пользовался хоть раз интернетом. Он применяется в разных сферах, может быть секретарём, решать проблемы с экологией и использоваться в здравоохранении, а также система способна управлять компьютером или распознавать лица.

Информационная безопасность

Степень киберугроз ежедневно возрастает согласно данных по информационной безопасности. Только в прошлом году число кибератак возросло больше чем на 80%. Цель таких атак — сайты компаний и другие жизненно важные объекты.

ИИ способен стать помощником и оказать помощь специалистам по безопасности, сняв с них нагрузку. Ведь система быстрей человека может произвести обработку информации и быстро выявить подозрительную активность в сети. Конечно, даже супер интеллект не способен полностью заменить разум человека, но он может создать инструменты, которые помогут решать задачи ИБ:

выявление и прогнозирование — ИИ обнаружит даже небольшие угрозы связанные с опасностью и вредоносными действиями, что позволит предотвратить их

системная безопасность — поможет в сетевой автоматизации

защита паролем — он является обязательным условием кибербезопасности, ИИ дополнит его ещё одним уровнем надёжности

снижение действия “человеческого” фактора — ошибки при выполнении рутинной работы случаются часто, ИИ поможет не допустить этого, так как способен выполнять рутинную работу

борьба с атаками на информационную безопасность на базе ИИ — сразу, как была выявлено, что атака с использованием искусственного интеллекта может быть эффективной, стало понятно, что данные нападки на систему можно избежать путём привлечения ресурсов нейронных сетей

Чат-боты и виртуальные помощники

Чат-боты проявились в период пандемии, когда все компании переводили сотрудников на удалённую работу. Масса виртуальных помощников применяет глубокое обучение. Эффективная сторона этого вида ИИ — моделирование с помощью языка, что позволяет машине из слов составлять текст и переработать его в компьютерный код.

Google заявил, что скоро выпустит искусственный интеллект, способный генерировать сложные тексты и изображения в продукты Google.

Генеративный ИИ

Генеративный ИИ — технология, она использует ИИ и машинное обучение, чтобы создать новый контент. Эта технология применяется в разных областях — при разработке визуальных и видео материалов, или при создании лекарственных средств.

По мнению аналитиков генеративный искусственный интеллект в предстоящие лет 5 будет трендом, так как к нему сегодня вырос интерес и он обладает хорошей коммерциализацией. Но применение генеративного ИИ имеет большие риски. Главный — повышенная угроза, создаваемая «глубинными подделками». Создание человеческих обликов, которые реалистичны, часто применяются чтоб обмануть или в качестве мошенничества в финансовой области. Особая опасность кроется в дипфейках реального времени основанных на ИИ, они могут подделывать человеческий голоса.

Автономные транспортные средства

Так как всё больше автопроизводителей вкладывают средства в транспорт, то ожидается, что беспилотные авто скоро будут представлены на рынке в большом количестве. Согласно прогнозу к 2040 году автономный транспорт будет широко применяться в общественном транспорте. По прогнозам, к 2045 году в автомобильном парке число таких новых машин приблизится к половине.

Технологии с компьютерным зрением

Искусственный интеллект нацеленный на воспроизведение человеческого зрения, использующий алгоритм машинного обучения, называется «Компьютерным или машинным зрением». Этот вид позволяет установить совпадения на картинке и распознать объект.

Данная технология применяется в медицине, сельском хозяйстве, на промышленных предприятиях, транспорте и в других областях.

Цифровые двойники

«Цифровой двойник» считается физически точной виртуальной копией объектов. Эта технология — прорыв в цифровой трансформации, она развивалась параллельно искусственному интеллекту. ИИ делает лучше «цифровые двойники», он позволяет технологии проводить анализ вероятных сценариев, предоставляя необходимое количество данных исследователям. Всё это работает на увеличение эффективности и упрощение процесса принятия решений.

Улучшение качества преподавания

Билл Гейтс, в статье «Эпоха ИИ началась» заявляет, что прорыв, который будет происходить на основе искусственного интеллекта связан с повышением уровня машинного обучения и его доступностью. По его прогнозам, в течении последующих десяти лет программное обеспечение, основанное на искусственном интеллекте, поспособствует проведению обучения в более в расширенном формате, если сравнивать с периодом распространения компьютеров.

Инструменты наподобие ChatGPT способны помочь ученикам разобраться в непростой терминологии и выбрать сферу для глубокого изучения. Для педагогов эти инструменты позволяют лучше оценивать письменные работы.

Например, в России в 2023 году планируется старт в сети тестовой программы, которая будет проводить выборочную проверку сочинений школьников с помощью искусственного интеллекта. Применение специального алгоритма ИИ экономит 20% времени учителей.

Вычислительные машины, комплексы, системы и сети

Узнать больше

Интеллектуальные информационные системы и технологии

Узнать больше

Разработка инновационных лекарства

Революция в фармацевтической области ожидается при использовании искусственного интеллекта для производства лекарственных препаратов. Это связано с увеличением скорости и точности обработки данных. Использование ИИ даёт надежду, что возможна победа над неизлечимыми заболеваниями, а система здравоохранения в большей степени станет автоматизированной.

Сегодня искусственный интеллект — быстро развивающаяся область, которая изменит нашу жизнь. ИИ включает в себя методики, состоящие из следующих наук: математики, биологии, психологии, кибернетики, которые используются в разработке программ. Несмотря на мнение, что скоро техника заменит людей, это не так. В ближайшее время люди и машины будут с большей активностью взаимодействовать между собой на пользу человечества.

Подводя итог статьи скажем, что искусственный интеллект — технология, с помощью которой компьютер выполняет задачи, нуждающиеся в разумном мышлении. Задача ИИ — разобраться в том, как устроен человеческий интеллект, а потом смоделировать его.

Важно! Мы настоятельно рекомендуем ознакомиться с нашими курсами, где тема данной статьи раскрывается более подробно:

Вычислительные машины, комплексы, системы и сети Освойте востребованную IT-специальность в области современных автоматизированных систем обработки информации

Узнать больше
Узнать больше

Интеллектуальные информационные системы и технологии Получите IT-образование в области программирования и администрирования интеллектуальных информационных систем

Узнать больше
Узнать больше

*В этом месяце мы подготовили для вас скидку 30% на все курсы! Спешите записаться на обучение, ведь количество мест ограничено

Что представляет собой искусственный интеллект (ИИ)?

Искусственный интеллект — это имитация процессов человеческого интеллекта машинами, особенно компьютерными системами. Конкретные приложения ИИ включают экспертные системы, обработку информации на естественном языке, распознавание речи и машинное зрение.

Как работает ИИ?

Поскольку ажиотаж вокруг ИИ усилился, поставщики изо всех сил пытаются продвигать то, как их продукты и услуги используют ИИ. Часто то, что они называют ИИ, является просто одним из компонентов ИИ, например, машинным обучением. ИИ требует наличия специализированного аппаратного и программного обеспечения для написания и обучения алгоритмов машинного обучения. Ни один язык программирования не является синонимом ИИ, но некоторые из них, включая Python, R и Java, популярны.

Как правило, системы ИИ работают, поглощая большие объемы помеченных обучающих данных, анализируя данные на предмет корреляций и закономерностей и используя эти закономерности для прогнозирования будущих состояний. Таким образом, чат-бот, получающий примеры текстовых чатов, может научиться производить реалистичный обмен мнениями с людьми, а инструмент распознавания изображений может научиться идентифицировать и описывать объекты на изображениях, просматривая миллионы примеров.

Программирование ИИ фокусируется на трех когнитивных навыках: обучении, рассуждении и самокоррекции.

Процесс обучения. Этот аспект программирования ИИ фокусируется на сборе данных и создании правил того, как превратить данные в полезную информацию. Правила, называемые алгоритмами, предоставляют вычислительным устройствам пошаговые инструкции по выполнению конкретной задачи.

Процесс построения рассуждения. Этот аспект программирования ИИ фокусируется на выборе правильного алгоритма для достижения желаемого результата.

Процесс самокоррекции. Этот аспект программирования ИИ предназначен для постоянной тонкой настройки алгоритмов и обеспечения максимально точных результатов.

Почему искусственный интеллект важен?

ИИ важен, потому что он может дать предприятиям представление об их деятельности, о которой они, возможно, не знали ранее, а также потому, что в некоторых случаях ИИ может выполнять задачи лучше, чем люди. В частности, когда речь идет о повторяющихся, обращающих внимание на детали задачах, таких как анализ большого количества юридических документов, чтобы обеспечить правильное заполнение соответствующих полей, то инструменты ИИ часто выполняют работу быстро и с относительно небольшим количеством ошибок.

Это способствовало стремительному росту производительности и открыло двери для совершенно новых возможностей предпринимательской деятельности для некоторых крупных предприятий. До нынешней волны ИИ было трудно представить использование компьютерного программного обеспечения для связи пассажиров с такси, но сегодня Uber стала одной из крупнейших компаний в мире, занимаясь именно этим. Он использует сложные алгоритмы машинного обучения, чтобы предсказать, когда людям, вероятно, понадобятся поездки в определенных районах, что помогает заблаговременно выводить водителей на дорогу до того, как они понадобятся. Другой пример: Google стал одним из крупнейших игроков на рынке ряда онлайн-сервисов, используя машинное обучение, чтобы понять, как люди используют их сервисы, а затем улучшая их. В 2017 году генеральный директор компании Сундар Пичаи заявил, что Google будет работать как компания, «прежде всего занимающаяся искусственным интеллектом».

Сегодня крупнейшие и наиболее успешные предприятия используют ИИ для улучшения своей деятельности и получения преимущества перед конкурентами.

Каковы преимущества и недостатки искусственного интеллекта?

Искусственные нейронные сети и технологии глубокого обучения искусственного интеллекта быстро развиваются, в первую очередь потому, что ИИ обрабатывает большие объемы данных намного быстрее и делает прогнозы более точными, чем это возможно для человека.

В то время как огромный объем данных, создаваемых ежедневно, «закопал» бы человека-исследователя, приложения ИИ, использующие машинное обучение, могут брать эти данные и быстро превращать их в полезную информацию. На момент написания этой статьи основным недостатком использования ИИ является дороговизна обработки больших объемов данных, необходимых для программирования ИИ.

Преимущества

• Хорошо справляется с работой, требующей внимания к деталям;
• Сокращение времени для решения задач с большим объемом данных;
• Обеспечивает стабильные результаты;
• Виртуальные агенты на базе ИИ всегда доступны.

Недостатки

• Дорогостоящие;
• Требует глубоких технических знаний;
• Ограниченное количество квалифицированных рабочих для создания инструментов ИИ;
• Знает только то, что было показано;
• Отсутствие способности обобщать от одной задачи к другой.

Сильный ИИ против слабого ИИ

ИИ может быть разделен на такие категории как слабый или сильный.

• Слабый ИИ, также известный как огранченный ИИ, представляет собой систему ИИ, разработанную и обученную для выполнения конкретной задачи. Промышленные роботы и виртуальные персональные помощники, такие как Siri от Apple, используют слабый ИИ.
• Сильный ИИ, также известный как общий искусственный интеллект (ОИИ), описывает программирование, которое может воспроизвести когнитивные способности человеческого мозга. При столкновении с незнакомой задачей сильная система ИИ может использовать нечеткую логику для применения знаний из одной области к другой и автономного поиска решения задачи. Теоретически сильная программа ИИ должна пройти как тест Тьюринга, так и «опыт с китайской комнатой».

Что представляют собой 4 типа искусственного интеллекта?

Аренд Хинтце, доцент интегративной биологии, информатики и инженерии в Университете штата Мичиган, объяснил в статье 2016 года, что ИИ можно разделить на четыре типа, начиная с широко используемых сегодня интеллектуальных систем для решения конкретных задач и заканчивая разумными системами, которых еще нет. Вот эти типы:

• Тип 1: Реактивные машины. Эти системы ИИ не имеют памяти и зависят от конкретной задачи. Примером может служить Deep Blue, шахматная программа IBM, обыгравшая Гарри Каспарова в 1990-х годах. Deep Blue может определять фигуры на шахматной доске и делать прогнозы, но поскольку у него нет памяти, он не может использовать прошлый опыт для обоснования будущих решений.
  • Хорошо подходит для простых задач классификации и распознавания образов
  • Отлично подходит для сценариев, в которых известны все параметры: может превзойти людей, потому что он может выполнять вычисления намного быстрее
  • Неспособность работать со сценариями, включающими несовершенную информацию или требующими исторического понимания
  • Может решать сложные задачи классификации
  • Возможность использовать исторические данные для прогнозирования
  • Способны выполнять сложные задачи, такие как самоуправляемые автомобили, но все еще уязвимы для посторонних значений или негативных примеров
  • Это текущее состояние ИИ, и некоторые говорят, что мы «уперлись в стену»
  • Тип 3: Теория сознания. Теория сознания – это психологический термин. Применительно к ИИ это означает, что система должна обладать социальным интеллектом, чтобы понимать эмоции. Этот тип ИИ сможет делать выводы о человеческих намерениях и предсказывать поведение, что является необходимым навыком для систем ИИ, чтобы стать неотъемлемыми членами команд, состоящих из людей.
  • Способен понимать человеческие мотивы и рассуждения. Может предоставить личный опыт каждому на основе его мотивов и потребностей.
  • Способен учиться на меньшем количестве примеров, потому что понимает мотивы и намерения
  • Считается следующей вехой в эволюции ИИ
  • Тип 4:Самосознание. В этой категории системы ИИ обладают «чувством собственного «я»», которое дает им сознание. Машины с самосознанием понимают свое текущее состояние. Интеллект человеческого уровня, который также может обойти наш интеллект. Такого типа ИИ еще не существует.

  Примеры технологии ИИ и как он используется сегодня

  ИИ используется во множестве различных типов технологий. Вот шесть примеров:

  • Автоматизация. В сочетании с технологиями ИИ инструменты автоматизации могут расширить объем и типы выполняемых задач. Примером может служить роботизированная автоматизация процессов (RPA), тип программного обеспечения, которое автоматизирует повторяющиеся задачи обработки данных на основе правил, традиционно выполняемые людьми. В сочетании с машинным обучением и новыми инструментами ИИ RPA может автоматизировать большую часть работы предприятий, позволяя оперативным ботам RPA передавать информацию от ИИ и реагировать на изменения процессов.
  • Машинное обучение. Это наука о том, как заставить компьютер работать без программирования. Глубокое обучение — это подраздел машинного обучения, которое можно рассматривать как автоматизацию предиктивной аналитики.

  

  Существует три типа алгоритмов машинного обучения:

  • Машинноеобучение с учителем. Наборы данных помечены, чтобы можно было обнаружить закономерности и использовать их для обозначения новых наборов данных.
  • Неконтролируемоеобучение. Наборы данных не помечены и отсортированы по сходству или различию.
  • Обучение с подкреплением сигналами от среды взаимодействия. Наборы данных не маркируются, но после выполнения действия или нескольких действий система ИИ получает обратную связь.
• Машинное зрение. Эта технология дает машине возможность видеть. Машинное зрение захватывает и анализирует визуальную информацию с помощью камеры, аналого-цифрового преобразования и цифровой обработки сигналов. Его часто сравнивают с человеческим зрением, но машинное зрение не связано с биологией и может быть запрограммировано, например, для того, чтобы видеть сквозь стены. Оно используется в ряде приложений от идентификации подписи до анализа медицинских изображений. Компьютерное зрение, ориентированное на машинную обработку изображений, часто отождествляют с машинным зрением.
• Обработка информации на естественном языке (NLP). Это обработка человеческого языка компьютерной программой. Один из старых и самых известных примеров NLP — обнаружение спама, который просматривает строку темы и текст электронного письма и решает, является ли оно спамом. Современные подходы к NLP основаны на машинном обучении. Задачи NLP включают перевод текста, анализ настроений и распознавание речи.
• Роботизация. Эта инженерная область занимается проектированием и производством роботов. Роботы часто используются для выполнения задач, которые людям трудно выполнять или для последовательного выполнения задач. Например, роботы используются на сборочных линиях для производства автомобилей или НАСА для перемещения крупных объектов в космосе. Исследователи также используют машинное обучение для создания роботов, которые могут взаимодействовать в социальных сетях.
• Беспилотные автомобили. Автономные транспортные средства используют сочетание компьютерного зрения, распознавания изображений и глубокого обучения, чтобы выработать автоматизированные навыки пилотирования транспортного средства, оставаясь на заданной полосе и избегая неожиданных препятствий, таких как пешеходы.

Компоненты АИ

Приложения

• Распознавание изображений
• Распознавание речи
• Чат-боты
• Формирования ответов на естественном языке
• Анализ эмоций

Типы моделей

• Глубокое обучение
• Машинное обучение
• Нейронные сети

Программное/аппаратное обеспечение для обучения и запуска моделей

• Геометрические процессоры (GPUs)
• Инструменты для параллельной обработки данных (например, Spark)
• Облачное хранение данных и вычислительные платформы

Языки программирования для построения моделей

Что представляют собой приложения ИИ?

Искусственный интеллект проложил себе путь на самые разные рынки. Вот девять примеров.

ИИ в здравоохранении. Самые большие ставки делаются на улучшение результатов лечения пациентов и снижение затрат. Компании применяют машинное обучение, чтобы ставить более качественные и быстрые диагнозы, чем люди. Одной из самых известных технологий здравоохранения является IBM Watson. Он понимает естественный язык и может отвечать на заданные ему вопросы. Система анализирует данные пациентов и другие доступные источники данных, чтобы сформировать гипотезу, которую затем представляет с помощью схемы оценки достоверности. Другие приложения ИИ включают использование виртуальных медицинских помощников и чат-ботов, которые помогают пациентам и клиентам в сфере здравоохранения находить медицинскую информацию, назначать встречи, понимать процесс выставления счетов и выполнять другие административные процессы. Множество технологий искусственного интеллекта также используется для прогнозирования, борьбы и понимания пандемий, таких как COVID-19.

ИИ в бизнесе. Алгоритмы машинного обучения интегрируются в платформы аналитики и систему управления информацией о клиентах (CRM), чтобы раскрывать информацию о том, как лучше обслуживать клиентов. Чат-боты были встроены в веб-сайты для немедленного обслуживания клиентов. Автоматизация рабочих мест также стала предметом обсуждения среди ученых и ИТ-аналитиков.

ИИ в сфере образования. ИИ может автоматизировать выставление оценок, предоставляя преподавателям больше времени. Он может оценивать учащихся и адаптироваться к их потребностям, помогая им работать в своем собственном темпе. ИИ-тьюторы могут оказывать дополнительную поддержку учащимся, чтобы они не сбились с пути. И это может изменить то, где и как студенты учатся, возможно, даже заменив некоторых учителей.

ИИ в финансовой сфере. ИИ в приложениях для личных финансов, таких как Intuit Mint или TurboTax, меняет работу финансовых учреждений. Подобные приложения собирают личные данные и предоставляют финансовые консультации. Другие программы, такие как IBM Watson, применялись в процессе покупки дома. Сегодня программное обеспечение искусственного интеллекта выполняет большую часть торговли на Уолл-стрит.

ИИ в юриспруденции. Процесс обнаружения — отфильтровывание документов — в юриспруденции часто непосилен для людей. Использование ИИ для автоматизации трудоемких процессов в юридической отрасли экономит время и улучшает обслуживание клиентов. Юридические фирмы используют машинное обучение для описания данных и прогнозирования результатов, компьютерное зрение для классификации и извлечения информации из документов и обработку естественного языка для интерпретации запросов на информацию.

ИИ в производстве. Производство было в авангарде внедрения роботов в рабочий процесс. Например, промышленные роботы, которые когда-то были запрограммированы на выполнение отдельных задач и отделены от рабочих-людей, все чаще функционируют как коботы: меньшие, многозадачные роботы, которые сотрудничают с людьми и берут на себя ответственность за большее количество операций на складах, в заводских цехах и других рабочих местах.

ИИ в банковской сфере. Банки успешно используют чат-боты, чтобы информировать своих клиентов об услугах и предложениях, а также для обработки транзакций, не требующих вмешательства человека. Виртуальные помощники ИИ используются для улучшения и сокращения затрат на соблюдение банковских правил. Банковские организации также используют ИИ для улучшения процесса принятия решений по кредитам, а также для установления кредитных лимитов и выявления инвестиционных возможностей.

ИИ в сфере транспортного обслуживания. Помимо фундаментальной роли ИИ в управлении автономными транспортными средствами, технологии ИИ используются в сфере транспортного обслуживания для управления трафиком, прогнозирования задержек рейсов и повышения безопасности и эффективности морских перевозок.

Безопасность. ИИ и машинное обучение находятся в верхней части списка модных слов, которые поставщики систем безопасности используют сегодня для дифференциации своих предложений. Эти термины также представляют действительно жизнеспособные технологии. Организации используют машинное обучение в программном обеспечении для управления информацией и событиями безопасности (SIEM) и смежных областях для обнаружения аномалий и выявления подозрительных действий, указывающих на угрозы. Анализируя данные и используя логику для выявления сходства с известным вредоносным кодом, ИИ может предупреждать о новых и возникающих атаках гораздо раньше, чем сотрудники-люди и предыдущие итерации технологий. Развивающиеся технологии играют большую роль, помогая организациям бороться с кибератаками.

Дополненный интеллект против искусственного интеллекта

Некоторые отраслевые эксперты считают, что термин «искусственный интеллект» слишком тесно связан с популярной культурой, и это привело к тому, что у широкой публики возникли невероятные ожидания относительно того, как ИИ изменит рабочее место и жизнь в целом.

• Дополненный интеллект. Некоторые исследователи и маркетологи надеются, что ярлык «дополненный интеллект», который имеет более нейтральный оттенок, поможет людям понять, что большинство разработок ИИ будут слабыми и просто улучшат продукты и услуги. Примеры включают автоматическое отображение важной информации в отчетах бизнес-аналитики или выделение важной информации в юридических документах.
• Искусственный интеллект. Истинный ИИ, или общий искусственный интеллект, тесно связан с концепцией технологической сингулярности — будущего, управляемого искусственный сверхинтеллектом, который намного превосходит способность человеческого мозга понять его или то, как он формирует нашу реальность. Это остается в области научной фантастики, хотя некоторые разработчики работают над этой проблемой. Многие считают, что такие технологии, как квантовые вычисления, могут сыграть важную роль в превращении ОИИ в реальность, и что мы должны зарезервировать использование термина ИИ для такого рода общего интеллекта.

Этическое использование искусственного интеллекта

В то время как инструменты ИИ предоставляют ряд новых функций для бизнеса, использование искусственного интеллекта также вызывает этические вопросы, потому что, к лучшему или к худшему, система ИИ закрепит то, что она уже изучила.

Это может быть проблематично, потому что алгоритмы машинного обучения, лежащие в основе многих самых передовых инструментов искусственного интеллекта, умны настолько, насколько хороши данные, которые им даются при обучении. Поскольку человек выбирает, какие данные использовать для обучения программы искусственного интеллекта, то потенциальный сдвиг машинного обучения неизбежен и должен тщательно отслеживаться.

Любой, кто хочет использовать машинное обучение как часть реальных производственных систем, должен учитывать этику в своих процессах обучения ИИ и стремиться избегать предвзятости. Это особенно верно при использовании алгоритмов ИИ, которые в принципе необъяснимы в приложениях технологии глубокого обучения и генеративно-состязательной сети (GAN).

Объяснимость — это потенциальный камень преткновения при использовании ИИ в отраслях, где действуют строгие нормативные требования. Например, финансовые учреждения в Соединенных Штатах действуют в соответствии с положениями, требующими от них объяснения своих решений о выдаче кредита. Однако когда решение об отказе в кредите принимается программированием ИИ, может быть трудно объяснить, как было принято решение, потому что инструменты ИИ, используемые для принятия таких решений, работают, выявляя тонкие корреляции между тысячами переменных. Когда процесс принятия решений не может быть объяснен, программа может называться ИИ «черный ящик».

Responsible AI = Ответственный ИИ

Explainable = Поддающийся объяснению

Human-centered = Ориентированный на человека

Несмотря на потенциальные риски, в настоящее время существует несколько правил, регулирующих использование инструментов ИИ, а там, где законы существуют, они обычно косвенно относятся к ИИ. Например, как упоминалось ранее, правила справедливого кредитования США требуют, чтобы финансовые учреждения разъясняли кредитные решения потенциальным клиентам. Это ограничивает степень, в которой кредиторы могут использовать алгоритмы глубокого обучения, которые по своей природе непрозрачны и не поддаются объяснению.

Общий регламент ЕС по защите персональных данных (GDPR) устанавливает строгие ограничения на то, как предприятия могут использовать данные потребителей, что препятствует обучению и функциональности многих приложений ИИ, ориентированных на потребителя.

В октябре 2016 года Национальный научно-технологический совет опубликовал отчет, в котором исследуется потенциальная роль государственного регулирования в развитии ИИ, но он не рекомендовал рассматривать конкретное законодательство.

Разработка законов для регулирования ИИ будет непростой задачей, отчасти потому, что ИИ включает в себя множество технологий, которые компании используют для разных целей, а отчасти потому, что регулирование может осуществляться за счет прогресса и развития ИИ. Быстрая эволюция технологий ИИ является еще одним препятствием для формирования значимого регулирования ИИ. Технологические прорывы и новейшие приложения могут мгновенно сделать существующие законы устаревшими. Например, существующие законы, регулирующие конфиденциальность переговоров и записанных разговоров, не охватывают проблемы, связанные с голосовыми помощниками, такими как Alexa от Amazon и Siri от Apple, которые собирают, но не распространяют разговоры, за исключением технических групп компаний, которые используют их для улучшения алгоритмов машинного обучения. И, конечно же, законы, которые правительствам удается разработать для регулирования ИИ, не мешают преступникам использовать эту технологию со злым умыслом.

Когнитивные вычисления и ИИ

Термины «ИИ» и «когнитивные вычисления» иногда используются как синонимы, но, вообще говоря, термин «ИИ» используется в отношении машин, которые заменяют человеческий интеллект, имитируя то, как мы воспринимаем, учимся, обрабатываем и реагируем на информацию в окружающей среде.

Термин «когнитивные вычисления» используется в отношении продуктов и услуг, которые имитируют и дополняют мыслительные процессы человека.

Какова история ИИ?

Представление о неодушевленных предметах, наделенных разумом, существует с древних времен. Греческий бог Гефест изображался в мифах как выковывающий из золота роботоподобных слуг. Инженеры в Древнем Египте строили статуи богов, оживляемых жрецами. На протяжении веков мыслители от Аристотеля до испанского теолога 13-го века Рамона Луллия, Рене Декарта и Томаса Байеса использовали инструменты и логику своего времени для описания мыслительных процессов человека как символов, закладывая основу для концепций ИИ, таких как представление общедоступных знаний.

Поддержка современной области ИИ от 1956 года по настоящее время:

«Зимы ИИ» замораживают прогресс

1956-1974 Первая волна восторга. Написаны первые нейронные сети и восприятия, первые попытки машинного перевода.

Управление перспективных исследовательских проектов Министерства обороны США (DARPA) финансирует исследования в области ИИ с минимальными требованиями для создания функционирующих продуктов на протяжении 1960-х годов.

1974-1980 Первая «зима ИИ». Ограниченная применимость ИИ приводит к сокращению финансирования в США и за рубежом.

1969: Исследователи Марвин Мински и Сеймур Пейперт опубликовали «Восприятие» и авторитетную книгу, подчеркивающую то, как ранние нейронные сети не оправдали ожиданий.

1970-1974: Управление перспективных исследовательских проектов Министерства обороны США (DARPA) урезает финансирование, поскольку энтузиазм иссяк.

1974: В отчете Лайтхилла, составленном исследователем Джеймсом Лайтхиллом для Британского научно-исследовательского совета, говорится: «Ни в одной части области [ИИ] сделанные до сих пор открытия не оказали такого серьезного воздействия, как тогда обещали».

1980-1987 Новая волна восторгов по ИИ. Появляются экспертные системы, представляющие человеческие решения в форме «если-то». Финансирование увеличивается.

1978-1994 Вторая «зима ИИ». Ограничения рассуждений «если-то» становятся более очевидными.

1987: Рынок машин Lisp (специальное оборудование для запуска приложений ИИ) рушится.

1987: Управление перспективных исследовательских проектов Министерства обороны США (DARPA) снова урезает финансирование для исследования ИИ.

1990: Экспертные системы и попытки воспроизвести человеческие рассуждения с помощью ряда правил «если-то» потерпели неудачу. Программное обеспечение оказалось сложным в обслуживании и не могло обрабатывать новую информацию, что привело к сокращению разработки ИИ.

1991: Проект компьютера пятого поколения Министерства международной торговли и промышленности Японии не смог достичь целей ведения переговоров, интерпретации изображений и достижения человеческого мышления.

1994-настоящее время

Медленный, но неуклонный прогресс. Вычислительная мощность увеличивается, большие данные предоставляют данные для обучения, алгоритмы улучшаются.

Конец 19-го и первая половина 20-го веков привели к фундаментальной работе, которая смогла привести к появлению современного компьютера. В 1836 году математик Кембриджского университета Чарльз Бэббидж и Августа Ада Байрон, графиня Лавлейс, изобрели первый проект программируемой машины.

1940-е. Математик из Принстона Джон фон Нейман разработал архитектуру компьютера с хранимой программой — идею о том, что компьютерная программа и данные, которые она обрабатывает, могут храниться в памяти компьютера. А Уоррен МакКаллох и Уолтер Питтс заложили основу нейронных сетей.

1950-е. С появлением современных компьютеров ученые смогли проверить свои идеи о машинном интеллекте. Один из методов определения того, обладает ли компьютер интеллектом, был разработан британским математиком и дешифровальщиком времен Второй мировой войны Аланом Тьюрингом. Тест Тьюринга был сосредоточен на способности компьютера обмануть следователей, заставив их поверить в то, что его ответы на их вопросы были сделаны человеком.

1956. Широко упоминается, что современная область искусственного интеллекта начинается в этом году во время летней конференции в Дартмутском колледже. В конференции, спонсируемой Управлением перспективных исследовательских проектов Министерства обороны США (DARPA), приняли участие 10 светил в этой области, в том числе пионеры искусственного интеллекта Марвин Мински, Оливер Селфридж и Джон Маккарти, которому приписывают введение термина «искусственный интеллект». Также присутствовали Аллен Ньюэлл, ученый-компьютерщик, и Герберт А. Саймон, экономист, политолог и когнитивный психолог, которые представили свою новаторскую Logic Theorist, компьютерную программу, способную доказывать определенные математические теоремы и называемую первой программой ИИ.

1950-е и 1960-е. После конференции в Дартмутском колледже лидеры в зарождающейся области ИИ предсказали, что искусственный интеллект, эквивалентный человеческому мозгу, уже не за горами, что привлечет большую поддержку правительства и промышленности. Действительно, почти 20 лет хорошо финансируемых фундаментальных исследований привели к значительным достижениям в области ИИ: например, в конце 1950-х Ньюэлл и Саймон опубликовали алгоритм универсального решения задач (GPS), который не смог решить сложные проблемы, но заложил основы для разработка более сложных когнитивных архитектур; Маккарти разработал Lisp, язык для программирования ИИ, который используется до сих пор. В середине 1960-х годов профессор Массачусетского технологического института Джозеф Вейценбаум разработал ELIZA, раннюю программу обработки естественного языка, которая заложила основу для современных чат-ботов.

1970е и 1980-е. Но достижение общего искусственного интеллекта оказалось неуловимым, но не неизбежным, ему мешали ограничения компьютерной обработки и памяти, а также сложность проблемы. Правительство и корпорации отказались от поддержки исследований в области ИИ, что привело к периоду застоя, длившемуся с 1974 по 1980 год и известному как первая «Зима ИИ». В 1980-х годах исследования в области методов глубокого обучения и внедрение экспертных систем Эдварда Фейгенбаума в промышленность вызвали новую волну энтузиазма в области ИИ, за которой последовал очередной крах государственного финансирования и поддержки отрасли. Вторая «зима ИИ» продлилась до середины 1990-х годов.

1990-е по настоящее время. Увеличение вычислительной мощности и стремительный рост данных вызвали возрождение ИИ в конце 1990-х годов, который продолжается и по сей день. Последующее внимание к ИИ привело к прорывам в обработке естественного языка, компьютерном зрении, робототехнике, машинном обучении, глубоком обучении и многом другом. Более того, ИИ становится все более осязаемым, приводя автомобили в действие, диагностируя болезни и укрепляя свою роль в массовой культуре. В 1997 году Deep Blue компании IBM победила российского гроссмейстера Гарри Каспарова, став первой компьютерной программой, победившей чемпиона мира по шахматам. Четырнадцать лет спустя Watson от IBM покорил публику, победив двух бывших чемпионов в игровом шоу Jeopardy!. Совсем недавно историческое поражение 18-кратного чемпиона мира по го Ли Седоля от AlphaGo от Google DeepMind ошеломило сообщество го и стало важной вехой в развитии интеллектуальных машин.

ИИ в качестве сервиса

Поскольку затраты на оборудование, программное обеспечение и персонал для ИИ могут быть высокими, многие поставщики включают компоненты ИИ в свои стандартные предложения или предоставляют доступ к искусственному интеллекту в качестве рабочих площадок (AIaaS). AIaaS позволяет отдельным лицам и компаниям экспериментировать с ИИ для различных бизнес-целей и пробовать несколько платформ, прежде чем брать на себя обязательства.

Популярные облачные предложения ИИ, включая следующие:

AI для людей: простыми словами о технологиях

Представляем исчерпывающую шпаргалку, где мы простыми словами рассказываем, из чего «делают» искусственный интеллект и как это все работает.

В чем разница между Artificial Intelligence, Machine Learning и Data Science?

Разграничение понятий в области искусственного интеллекта и анализа данных.

Artificial Intelligence — AI (Искусственный Интеллект)

В глобальном общечеловеческом смысле ИИ — термин максимально широкий. Он включает в себя как научные теории, так и конкретные технологические практики по созданию программ, приближенных к интеллекту человека.

Machine Learning — ML (Машинное обучение)

Раздел AI, активно применяющийся на практике. Сегодня, когда речь заходит об использовании AI в бизнесе или на производстве, чаще всего имеется в виду именно Machine Learning.

ML-алгоритмы, как правило, работают по принципу обучающейся математической модели, которая производит анализ на основе большого объема данных, при этом выводы делаются без следования жестко заданным правилам.

Наиболее частый тип задач в машинном обучении — это обучение с учителем. Для решения такого рода задач используется обучение на массиве данных, по которым ответ заранее известен (см.ниже).

Data Science — DS (Наука о данных)

Наука и практика анализа больших объемов данных с помощью всевозможных математических методов, в том числе машинного обучения, а также решение смежных задач, связанных со сбором, хранением и обработкой массивов данных.

Data Scientists — специалисты по работе с данными, в частности, проводящие анализ при помощи machine learning.

Как работает Machine Learning?

Рассмотрим работу ML на примере задачи банковского скоринга. Банк располагает данными о существующих клиентах. Ему известно, есть ли у кого-то просроченные платежи по кредитам. Задача — определить, будет ли новый потенциальный клиент вовремя вносить платежи. По каждому клиенту банк обладает совокупностью определенных черт/признаков: пол, возраст, ежемесячный доход, профессия, место проживания, образование и пр. В числе характеристик могут быть и слабоструктурированные параметры, такие как данные из соцсетей или история покупок. Кроме того, данные можно обогатить информацией из внешних источников: курсы валют, данные кредитных бюро и т. п.

Машина видит любого клиента как совокупность признаков: . Где, например, — возраст, — доход, а — количество фотографий дорогих покупок в месяц (на практике в рамках подобной задачи Data Scientist работает с более чем сотней признаков). Каждому клиенту соответствует еще одна переменная — с двумя возможными исходами: 1 (есть просроченные платежи) или 0 (нет просроченных платежей).

Совокупность всех данных и — есть Data Set. Используя эти данные, Data Scientist создает модель , подбирая и дорабатывая алгоритм машинного обучения.

В этом случае модель анализа выглядит так:

Алгоритмы машинного обучения подразумевают поэтапное приближение ответов модели к истинным ответам (которые в обучающем Data Set известны заранее). Это и есть обучение с учителем на определенной выборке.

На практике чаще всего машина обучается лишь на части массива (80 %), применяя остаток (20 %) для проверки правильности выбранного алгоритма. Например, система может обучаться на массиве, из которого исключены данные пары регионов, на которых сверяется точность модели после.

Теперь, когда в банк приходит новый клиент, по которому еще не известен банку, система подскажет надежность плательщика, основываясь на известных о нем данных .

Однако, обучение с учителем — не единственный класс задач, которые способна решать ML.

Другой спектр задач — кластеризация, способная разделять объекты по признакам, например, выявлять разные категории клиентов для составления им индивидуальных предложений.

Также с помощью ML-алгоритмов решаются такие задачи, как моделирование общения специалиста поддержки или создание художественных произведений, неотличимых от сотворенных человеком (например, нейросети рисуют картины).

Новый и популярный класс задач — обучение с подкреплением, которое проходит в ограниченной среде, оценивающей действия агентов (например, с помощью такого алгоритма удалось создать AlphaGo, победившую человека в Го).

Нейронная сеть

Один из методов Machine Learning. Алгоритм, вдохновленный структурой человеческого мозга, в основе которой лежат нейроны и связи между ними. В процессе обучения происходит подстройка связей между нейронами таким образом, чтобы минимизировать ошибки всей сети.

Особенностью нейронных сетей является наличие архитектур, подходящих практически под любой формат данных: сверточные нейросети для анализа картинок, рекуррентные нейросети для анализа текстов и последовательностей, автоэнкодеры для сжатия данных, генеративные нейросети для создания новых объектов и т. д.

В то же время практически все нейросети обладают существенным ограничением — для их обучения нужно большое количество данных (на порядки большее, чем число связей между нейронами в этой сети). Благодаря тому, что в последнее время объемы готовых для анализа данных значительно выросли, растет и сфера применения. С помощью нейросетей сегодня, например, решаются задачи распознавания изображений, такие как определение по видео возраста и пола человека, или наличие каски на рабочем.

Интерпретация результата

Раздел Data Science, позволяющий понять причины выбора ML-моделью того или иного решения.

Существует два основных направления исследований:

• Изучение модели как «черного ящика». Анализируя загруженные в него примеры, алгоритм сравнивает признаки этих примеров и выводы алгоритма, делая выводы о приоритете каких-либо из них. В случае с нейросетями обычно применяют именно черный ящик.
• Изучение свойств самой модели. Изучение признаков, которые использует модель, для определения степени их важности. Чаще всего применяется к алгоритмам, основанным на методе решающих деревьев.

Естественно, производство интересует не только прогноз самого брака, но и интерпретация результата, т. е. причины брака для их последующего устранения. Это может быть долгое отсутствие тех.обслуживания станка, качество сырья, или просто аномальные показания некоторых датчиков, на которые технологу стоит обратить внимание.

Потому в рамках проекта прогноза брака на производстве должна быть не просто создана ML-модель, но и проделана работа по её интерпретации, т. е. по выявлению факторов, влияющих на брак.

Когда эффективно применение машинного обучения?

Когда есть большой набор статистических данных, но найти в них зависимости экспертными или классическими математическими методами невозможно или очень трудоемко. Так, если на входе есть более тысячи параметров (среди которых как числовые, так и текстовые, а также видео, аудио и картинки), то найти зависимость результата от них без машины невозможно.

Например, на химическую реакцию кроме самих вступающих во взаимодействие веществ влияет множество параметров: температура, влажность, материал емкости, в которой она происходит, и т. д. Химику сложно учесть все эти признаки, чтобы точно рассчитать время реакции. Скорее всего, он учтет несколько ключевых параметров и будет основываться на своем опыте. В то же время на основании данных предыдущих реакций машинное обучение сможет учесть все признаки и дать более точный прогноз.

Как связаны Big Data и машинное обучение?

Для построения моделей машинного обучения требуются в разных случаях числовые, текстовые, фото, видео, аудио и иные данные. Для того чтобы эту информацию хранить и анализировать существует целая область технологий — Big Data. Для оптимального накопления данных и их анализа создают «озера данных» (Data Lake) — специальные распределенные хранилища для больших объемов слабоструктированной информации на базе технологий Big Data.

Цифровой двойник как электронный паспорт

Цифровой двойник — виртуальная копия реального материального объекта, процесса или организации, которая позволяет моделировать поведение изучаемого объекта/процесса. Например, можно предварительно увидеть результаты изменения химического состава на производстве после изменений настроек производственных линий, изменений продаж после проведения рекламной кампании с теми или иными характеристиками и т. д. При этом прогнозы строятся цифровым двойником на основе накопленных данных, а сценарии и будущие ситуации моделируются в том числе методами машинного обучения.

Что нужно для качественного машинного обучения?

Data Scientiest’ы! Именно они создают алгоритм прогноза: изучают имеющиеся данные, выдвигают гипотезы, строят модели на основе Data Set. Они должны обладать тремя основными группами навыков: IT-грамотностью, математическими и статистическими знаниями и содержательным опытом в конкретной области.

Машинное обучение стоит на трех китах

Получение данных
Могут быть использованы данные из смежных систем: график работ, план продаж. Данные могут быть также обогащены внешними источниками: курсы валют, погода, календарь праздников и т. д. Необходимо разработать методику работы с каждым типом данных и продумать конвейер их преобразования в формат модели машинного обучения (набор чисел).

Построение признаков
Проводится вместе с экспертами из необходимой области. Это помогает вычислить данные, которые хорошо подходят для прогнозирования целей: статистика и изменение количества продаж за последний месяц для прогноза рынка.

Модель машинного обучения
Метод решения поставленной бизнес-задачи выбирает data scientist самостоятельно на основании своего опыта и возможностей различных моделей. Под каждую конкретную задачу необходимо подобрать отдельный алгоритм. От выбранного метода напрямую зависят скорость и точность результата обработки исходных данных.

Процесс создания ML-модели.

От гипотезы до результата

1. Всё начинается с гипотезы

Гипотеза рождается при анализе проблемного процесса, опыта сотрудников или при свежем взгляде на производство. Как правило, гипотеза затрагивает такой процесс, где человек физически не может учесть множество факторов и пользуется округлениями, допущениями или просто делает так, как всегда делал.

В таком процессе применение машинного обучения позволяет использовать существенно больше информации при принятии решений, поэтому, возможно, удается достичь существенно лучших результатов. Плюс ко всему, автоматизация процессов с помощью ML и снижение зависимости от конкретного человека существенно минимизируют человеческий фактор (болезнь, низкая концентрация и т. д.).

2. Оценка гипотезы

На основании сформулированной гипотезы выбираются данные, необходимые для разработки модели машинного обучения. Осуществляется поиск соответствующих данных и оценка их пригодности для встраивания модели в текущие процессы, определяется, кто будет ее пользователями и за счет чего достигается эффект. При необходимости вносятся организационные и любые другие изменения.

3. Расчет экономического эффекта и возврата инвестиций (ROI)

Оценка экономического эффекта внедряемого решения производится специалистами совместно с соответствующими департаментами: эффективности, финансов и т. д. На данном этапе необходимо понять, что именно является метрикой (количество верно выявленных клиентов / увеличение выпуска продукции / экономия расходных материалов и т. п.) и четко сформулировать измеряемую цель.

4. Математическая постановка задачи

После понимания бизнес-результата его необходимо переложить в математическую плоскость — определить метрики измерений и ограничения, которые нельзя нарушать. Данные этапы data
scientist выполняет совместно с бизнес-заказчиком.

5. Сбор и анализ данных

Необходимо собрать данные в одном месте, проанализировать их, рассматривая различные статистики, понять структуру и скрытые взаимосвязи этих данных для формирования признаков.

6. Создание прототипа

Является, по сути, проверкой гипотезы. Это возможность построения модели на текущих данных и первичной проверки результатов ее работы. Обычно прототип делается на имеющихся данных без разработки интеграций и работы с потоком в реальном времени.

Создание прототипа — быстрый и недорогой способ проверить, решаема ли задача. Это весьма полезно в том случае, когда невозможно заранее понять, получится ли достичь нужного экономического эффекта. К тому же процесс создания прототипа позволяет лучше оценить объем и подробности проекта по внедрению решения, подготовить экономическое обоснование такого внедрения.

DevOps и DataOps

В процессе эксплуатации может появится новый тип данных (например, появится ещё один датчик на станке или же на складе появится новый тип товаров) тогда модель нужно дообучить. DevOps и DataOps — методологии, которые помогают настроить совместную работу и сквозные процессы между командами Data Science, инженерами по подготовке данных, службами разработки и эксплуатации ИТ-систем, и помогают сделать такие дополнения частью текущего процесса быстро, без ошибок и без решения каждый раз уникальных проблем.

7. Создание решения

В тот момент, когда результаты работы прототипа демонстрируют уверенное достижение показателей, создается полноценное решение, где модель машинного обучения является лишь составляющей изучаемых процессов. Далее производится интеграция, установка необходимого оборудования, обучение персонала, изменение процессов принятия решений и т. Д.

8. Опытная и промышленная эксплуатация

Во время опытной эксплуатации система работает в режиме советов, в то время как специалист еще повторяет привычные действия, каждый раз давая обратную связь о необходимых улучшениях системы и увеличении точности прогнозов.

Финальная часть — промышленная эксплуатация, когда налаженные процессы переходят на полностью автоматическое обслуживание.

Шпаргалку можно скачать по ссылке.

Завтра на форуме по системам искусственного интеллекта RAIF 2019 в 09:30 — 10:45 состоится панельная дискуссия: «AI для людей: разбираемся простыми словами».

В этой секции в формате дебатов спикеры объяснят простыми словами на жизненных примерах сложные технологии. А также подискутируют на следующие темы:

• В чем разница между Artificial Intelligence, Machine Learning и Data Science?
• Как работает машинное обучение?
• Как работают нейронные сети?
• Что нужно для качественного машинного обучения?
• Что такое разметка, маркировка данных?
• Что такое цифровой двойник и как работать с виртуальными копиями реальных материальных объектов?
• В чем суть гипотезы? Как пройти путь от её постановки до оценки и интерпретации результата?

Николай Марин, директор по технологиям, IBM в России и СНГ
Алексей Натекин, основатель, Open Data Science x Data Souls
Алексей Хахунов, технический директор, Dbrain
Евгений Колесников, директор Центра машинного обучения, Инфосистемы Джет
Павел Доронин, CEO, AI Today

Дискуссия будет доступна на канале YouTube «Инфосистемы Джет» в конце октября.

• Artificial Intelligence
• Machine Learning
• Data Science

• Блог компании Инфосистемы Джет
• Алгоритмы
• Машинное обучение
• Искусственный интеллект

Искусственный интеллект (ИИ)
Artificial intelligence (AI)

Искусственный интеллект (ИИ, англ. Artificial intelligence, AI) — наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами.

Что такое искусственный интеллект

На 2021 год исследователи использовали следующую классификацию типов ИИ:

Artificial Super Intelligence (ASI) — гипотетический ИИ, который сможет не только воспроизводить максимум способностей человека, но и даже превзойти его. Верящие в ASI считают, что он обретет силу проникновения в мысли и чувства человека с тем, чтобы подчинить его своей воле. См. Сверхразум: страшилки футурологов или реальное будущее искусственного интеллекта?

Остающийся тоже гипотетическим сильный, или общий ИИ (Artificial General Intelligence, AGI) по степени разумности стоит на ступень ниже ASI, адепты этого типа AI ограничены в своих убеждениях возможностью создания машин, способных как минимум выполнять те же действия, что и человек.

Слабый, или узкий ИИ (Artificial Narrow Intelligence, ANI) позволяет усмотреть в поведении машин слабые намеки на разум (поэтому его называют слабым). Он предназначен для выполнения только строго определенного узкого круга приложений (поэтому его называют узким). В случае ANI невозможно никакое неподвластное человеку автономное поведение или самостоятельное развитие. Системы, снабженные ANI, могут существовать только в той форме, в которой они были созданы человеком и даже теоретически не могут выйти из-под его контроля. Чем запомнился 2023 год. Главные итоги и тенденции. Мнения ключевых игроков ИТ-рынка

Устаревающие общие определения искусственного интеллекта:

• (J. McCarthy) ИИ разрабатывает машины, которым присуще разумное поведение
• (Britannica) ИИ — способность цифровых компьютеров решать задачи, которые обычно ассоциируются с высоко интеллектуальными возможностями человека
• (Файгенбаум) ИИ — разрабатывает интеллектуальные компьютерные системы обладающие возможностями, которые мы традиционно связываем с человеческим разумом: понимание языка, обучение, способность рассуждать, решать проблемы и т. д.
• (Elaine Rich) ИИ — наука о том, как научить компьютеры делать что-то, в чем на данный момент человек успешнее

Интеллект (от лат. intellectus — ощущение, восприятие, разумение, понимание, понятие, рассудок), или ум — качество психики, состоящее из способности приспосабливаться к новым ситуациям, способности к обучению и запоминанию на основе опыта, пониманию и применению абстрактных концепций и использованию своих знаний для управления окружающей средой. Интеллект — это общая способность к познанию и решению трудностей, которая объединяет все познавательные способности человека: ощущение, восприятие, память, представление, мышление, воображение.

В начале 1980-х гг. ученые в области теории вычислений Барр и Файгенбаум предложили следующее определение искусственного интеллекта (ИИ):

Позже к ИИ стали относить ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать некоторые задачи так, как это делал бы размышляющий над их решением человек.

Основные свойства ИИ — это понимание языка, обучение и способность мыслить и, что немаловажно, действовать.

ИИ – комплекс родственных технологий и процессов, развивающихся качественно и стремительно, например:

• обработка текста на естественном языке
• машинное обучение
• экспертные системы
• виртуальные агенты (чат-боты и виртуальные помощники)
• системы рекомендаций.

Технологические направления ИИ. Данные Deloitte

Сложности определения понятия ИИ

Вариантам определения термина ИИ и связанным с этим сложностям посвящена отдельная статья TAdviser — «Термин ИИ употребляется уже 70 лет, но всеми понимается по-разному. Что такое ИИ на самом деле?»

Исследования в сфере ИИ

• Исследования искусственного интеллекта в России
• Исследования в сфере искусственного интеллекта в мире

Методы ИИ: NLP, CV, Data Science

Естественный язык (NLP) Речевые технологии

• тексты: распознают, автоматически переводят
• речь: распознают, генерируют

• находят, отслеживают, классифицируют, идентифицируют объекты
• извлекают данные из изображений
• анализируют полученную информацию

• распознавания объектов
• видео аналитики
• описания содержания изображений и видео
• распознавания жестов и рукописного ввода
• интеллектуальной обработки изображений

• извлекают знания
• находят закономерности в данных
• прогнозируют

• Статистики
• Эконометрики
• Машинного обучения, Deep learning

Обучение искусственного интеллекта

Генеративный искусственный интеллект

Стандартизация в области ИИ

Влияние искусственного интеллекта

Влияние на экономику и бизнес

Влияние на рынок труда

Риски и проблемы использования ИИ

Развитие технологий искусственного интеллекта в перспективе может нести не только пользу, но и вред.

Рынок технологий искусственного интеллекта

Рынок ИИ в России

Мировой рынок ИИ

• Искусственный интеллект (мировой рынок)
• Искусственный интеллект в США

Сферы применения ИИ

Сферы применения ИИ достаточно широки и охватывают как привычные слуху технологии, так и появляющиеся новые направления, далекие от массового применения, иначе говоря, это весь спектр решений, от пылесосов до космических станций. Можно разделить все их разнообразие по критерию ключевых точек развития.

ИИ — это не монолитная предметная область. Более того, некоторые технологические направления ИИ фигурируют как новые подотрасли экономики и обособленные сущности, одновременно обслуживая большинство сфер в экономике.

Основные коммерческие сферы применения технологий искусственного интеллекта

Развитие применения использования ИИ ведет к адаптации технологий в классических отраслях экономики по всей цепочке создания ценности и преобразует их, приводя к алгоритмизированию практически всего функционала, от логистики до управления компанией.

ИИ в принятии решений: сегодня и завтра

Искусственный интеллект в разработке программного обеспечения

Искусственный интеллект для решения демографических проблем

Использование ИИ в целях обороны и в военном деле

• Искусственный интеллект в ВПК
• Кибервойны
• Боевые роботы

Использование в образовании

Использование ИИ в бизнесе

ИИ в борьбе с мошенничеством

11 июля 2019 года стало известно о том, что всего через два года искусственный интеллект и машинное обучение будут использоваться для противодействия мошенничеству в три раза чаще, чем на июль 2019 года. Такие данные были получены в ходе совместного исследования компании SAS и Ассоциации сертифицированных специалистов по расследованию хищений и мошенничества (Association of Certified Fraud Examiners, ACFE). На июль 2019 года такие антифрод-инструменты уже используют в 13% организаций, принявших участие в опросе, и в еще 25% заявили, что планируют их внедрить в течение ближайшего года-двух. Подробнее здесь.

ИИ в электроэнергетике

• На уровне проектирования: улучшенное прогнозирование генерации и спроса на энергоресурсы, оценка надежности энергогенерирующего оборудования, автоматизация повышения генерации при скачке спроса.
• На уровне производства: оптимизация профилактического обслуживания оборудования, повышение эффективности генерации, снижение потерь, предотвращение краж энергоресурсов.
• На уровне продвижения: оптимизация ценообразования в зависимости от времени дня и динамическая тарификация.
• На уровне предоставления обслуживания: автоматический выбор наиболее выгодного поставщика, подробная статистика потребления, автоматизированное обслуживание клиентов, оптимизация энергопотребления с учетом привычек и поведения клиента.

ИИ в производственной сфере

• На уровне проектирования: повышение эффективности разработки новых продуктов, автоматизированная оценка поставщиков и анализ требований к запчастям и деталям.
• На уровне производства: совершенствование процесса исполнения задач, автоматизация сборочных линий, снижение количества ошибок, уменьшение сроков доставки сырья.
• На уровне продвижения: прогнозирование объемов предоставления услуг поддержки и обслуживания, управление ценообразованием.
• На уровне предоставления обслуживания: улучшение планирования маршрутов парка транспортных средств, спроса на ресурсы автопарка, повышение качества подготовки сервисных инженеров.

ИИ в банках

• Основная статья:Искусственный интеллект в банках
• Искусственный интеллект в Сбербанке

• Чат-боты и голосовые помощники
• Персонализация продуктов и предложений
• Биометрия
• Распознавание образов — используется в т.ч. для узнавания клиентов в отделениях и передачи им специализированных предложений
• Роботы помощники

• Обнаружение фрода
• AML & KYC
• Кредитные рейтинги
• Управление рисками
• Комплайенс
• Обработка документов

Основные коммерческие сферы применения технологий искусственного интеллекта в банках

ИИ на транспорте

• Автопилот (беспилотный автомобиль)
• Автоиндустрия на пороге революции: 5 вызовов эры беспилотного вождения

ИИ в логистике

ИИ в аудите

ИИ в торговле

• Распознавание образов — используется в т.ч. для узнавания клиентов и передачи им специализированных предложений.

• Инженеры лаборатории Facebook по исследованию искусственного интеллекта представили в июне 2017 года результаты работы над ботом, умеющим врать и торговаться с людьми. Как пишет Quartz, в ходе обучения система использовала более 5,8 тыс. реальных человеческих диалогов в ходе переговоров, собранных при помощи краудсорсинговой онлайн-платформы Amazon Mechanical Turk [1] .

Анализируя диалоги, бот не только научился вести переговоры — он научился врать. Инженеры отмечают, что искусственный интеллект может имитировать интерес не к тому, что его действительно интересует, а к другому предмету. Выиграв преференции в ходе переговоров, он возвращается к объекту интереса. Впрочем, инженеры до конца не уверены, научился ли бот вранью из человеческих диалогов, или вышел на тактику случайно, в процессе самообучения.

ИИ в сельском хозяйстве

ИИ в ресторанах

2023: В России открылось первое кафе, меню и интерьеры для которого разработал искусственный интеллект

В России открылось первое кафе, меню и интерьеры для которого разработал искусственный интеллект. Речь идет об заведении азиатской кухни под названием Futuramen, которое заработало в Москве на Пятницкой. Подробнее здесь.

ИИ в юриспруденции

Юристы начали использовать нейросеть OpenAI для ускорения работы

15 марта 2023 года PricewaterhouseCoopers (PwC), международная сеть компаний, предлагающих услуги в области консалтинга и аудита, объявила о внедрении искусственного интеллекта для повышения эффективности работы своих сотрудников. Подробнее здесь.

ИИ в индустрии моды

Использование ИИ в госуправлении

ИИ в ЖКХ

• прогнозирование технического состояния дома (лифт, кровля)
• прогнозирование расхода воды и электричества (регрессия), предсказание заполнение показателей (классификация)
• распознавание фото счетчиков

ИИ в криминалистике

ИИ в судебной системе

ИИ в спорте

ИИ в медицине и здравоохранении

Анализ поведения граждан

ИИ в науке

ИИ в развитии культуры

Работа СМИ и литература

Как роботы заменяют журналистов, писателей и поэтов?

Видео

Музыка

Живопись

2022: Нейросеть научилась рисовать совместно с художником

Облачная платформа Yandex Cloud, студия Arka и мультимедиа-художник Andrey Berger представили нейросеть-соавтора. Об этом Яндекс сообщил 8 декабря 2022 года. Подробнее здесь.

2021: Nvidia представила ИИ-систему GauGAN для преобразования текста в изображение

24 ноября 2021 года стало известно, что Компания Nvidia представила систему на базе технологий искусственного интеллекта GauGAN2 (преемник первой модели GauGAN), позволяющую создавать правдоподобные фотографии несуществующих пейзажей. С помощью таких техник, как сегментированное картирование, ретушь и преобразование текста в изображение, GauGAN2 способна создавать реалистичные изображения на основе текста и набросков от руки. Подробнее здесь.

2019: Microsoft представила генератор изображений на основе произведений искусства

В начале марта 2019 года Microsoft анонсировала проект по генерации изображений на основе произведений искусства.Для создания этого сервиса разработчики использовали микросервисную архитектуру глубоких нейросетей, службы Azure и хранилище BLOB-объектов. Visual Studio Code и Azure Kubernetes Service позволяют создавать новые изображения в режиме реального времени и отвечают за интерактивный внешний вид сайта. Подробнее здесь.

2018: Написанный искусственным интеллектом портрет продан за $433 тыс.

В октябре 2018 года на аукционе Christie’s в Нью-Йорке продали картину, написанную искусственным интеллектом. За «Портрет Эдмонда Белами» из серии «Семья Белами», который создан на основе полотен известных живописцев, заплатили $432,5 тыс. при первоначальной цене лота в $7–10 тыс. Подробнее здесь.

2016: Представители Google выручили с психоделических картин, написанных ИИ, порядка $98 тыс.

В 2015 году команда Google тестировала нейронные сети на предмет возможности самостоятельно создавать изображения. Тогда искусственный интеллект обучали на примере большого количества различных картинок. Однако, когда машину «попросили» самостоятельно что-нибудь изобразить, то оказалось, что она интерпретирует окружающий нас мир несколько странно. Например, на задачу нарисовать гантели, разработчики получили изображение, в котором металл был соединён человеческими руками. Вероятно, произошло это из-за того, что на этапе обучения анализируемые картинки с гантелями содержали руки, и нейронная сеть неверно это интерпретировала.

26 февраля 2016 года в Сан-Франциско на специальном аукционе представители Google выручили с психоделических картин, написанных искусственным интеллектом, порядка $98 тыс. Данные средства были пожертвованы на благотворительность. Одна из наиболее удачных картин машины представлена ниже.

Картина, написанная искусственным интеллектом Google. Источник: factroom.ru

В начале 2016 года с помощью подобной технологии была написана картина «Следующий Рембрандт». Исследователи проекта Next Rembrandt в ходе своей работы проанализировали порядка 350 картин великого художника, используя 3D-сканеры, которые позволили нейронной сети уловить даже мельчайшие детали работ и копировать стиль написания всех произведений.

На втором этапе учёные определили, что конкретно нейронная сеть должна написать самостоятельно. Для этого выбрали мужчину 30-40 лет, имеющего растительность на лице, воротник и шляпу.

Портрет «Следующий Рембрандт»

Полученные результаты оставляют двоякое ощущение. С одной стороны, все мы видим, что перед нами работа машины. С другой – если мы поставим рядом несколько полотен Рембрандта, то мало кто сможет отличить именно этот портрет.

Microsoft и MIT создали ИИ-алгоритм для поиска взаимосвязей между предметами искусства

18 августа 2020 года стало известно о том, что исследователи из Microsoft и Массачусетского технологического института (MIT) разработали систему MosAIc для поиска взаимосвязей между предметами искусства из различных культур и эпох. Подробнее здесь.

Игры (го, покер, шахматы)

• Летом 2017 года стало известно, что Microsoft Research и Maluuba, стартап в сфере глубокого обучения, приобретенный корпорацией в начале 2017 года, научили искусственный разум играть в одну из самых популярных компьютерных игр всех времён Ms. Pac-Man. И не просто научили, а сделали из него чемпиона, побившего мировой рекорд, установленный человеком.

Играя в версию знаменитой аркады Ms. Pac-Man, выпущенную для одной из первых домашних консолей Atari 2600, искусственный интеллект смог набрать максимальное количество возможных очков – достижение, которое прежде было немыслимо. Результат умной машины составил 999 990 баллов, тогда как лучший результат, поставленный человеком равен 266 360 баллам.

При обучении искусственного интеллекта использовался метод под названием «гибридная архитектура наград». Он заключается в том, что 150 специальным программам-агентам назначается конкретная задача: избегать призраков, правильно передвигаться, собирать гранулы и так далее. С помощью программ-агентов искусственный интеллект самостоятельно распределял приоритеты для достижения максимального результата. Версия игры Ms. Pac-Man для Atari 2600 использовалась неспроста. Код игры в ней менее предсказуем, чем в оригинальной версии. Стратегией разработки стало использование перспективного подхода обучения с подкреплением (reinforcement learning), который предполагает, что алгоритму даются для обработки примеры желаемого поведения, и он методом проб и ошибок совершенствуется. По словам ученых, работавших над проектом, такое достижение внесет вклад в обработку естественного языка, а также потенциально сможет лечь в основу систем детального предсказания покупательского поведения, обусловленного множеством факторов.

• В 2016 году компьютер впервые обыграл человека в го[2] . В мае 2017 года сильнейший игрок в го Кэ Цзе из Китая проиграл вторую партию программе AlphaGo. Таким образом, AlphaGo обеспечила себе победу в турнире из трех партий. Кэ Цзе, отметили эксперты, следившие за матчем, «идеально» начал партию, создавая сложные для соперника комбинации по всему игровому полю. Однако AlphaGo удалось упростить игру и добиться победы.

• В 2017-м под угрозой оказался покер — специалисты из Университета Карнеги — Меллон создали бота, который бросил вызов профессиональным игрокам. Программа Libratus, разработанная в Университете Карнеги — Меллона, победила в 20-дневном покерном турнире «Brains Vs. Artificial Intelligence: Upping the Ante». Компьютер выиграл фишек на сумму более 1,7 миллиона долларов, сообщает New Scientist [3] .

В турнире, который проходил в питтсбургском казино Rivers было сыграно 120 тысяч раздач в безлимитный техасский холдем один на один (Хедз-Ап), против Libratus играли Даниэль МакОлэй, Джимми Чу, Донг Ким и Джейсон Лес. В результате 20-дневного турнира программа победила людей, заработав более 1,7 миллиона долларов в фишках. Несмотря на это, разработчик не получат никаких денег, а призовой фонд в 200 тысяч долларов будет поделен между четырьмя живыми игроками в зависимости от занятого места.

Точно не известно, как именно работает Libratus, авторы описали лишь общую структуру программы и планируют в ближайшем будущем опубликовать статью в рецензируемом журнале. По словам разработчиков, Libratus состоит из трех частей. Основное «ядро» Libratus было подготовлено заранее, вычисления заняли 15 миллионов ядро-часов, в то время как на Claudico ушло два-три миллиона. Вторая часть программы следила за возможными ошибками, которые могли допустить соперники, и учитывала в процессе игры эту информацию. Третья часть Libratus отслеживала собственные слабые стороны, которые могли использовать противники, и корректировала общую стратегию с учетом этих данных. Такой подход позволил программе как блефовать самостоятельно, так и распознавать дезинформацию со стороны соперников [4] .

По мнению авторов программы у систем, подобных Libratus, большое будущее в самых разных сферах, где приходиться иметь дело с неполной информацией. В качестве возможных сфер применения программы исследователи называют информационную безопасность, военное дело, аукционы, переговоры и даже бережливое распределение медикаментов.

Покер — игра, в которую очень сложно обучить играть компьютер: хороший игрок быстро распознает стратегии, заложенные в искусственный интеллект, и находит способ победить бота. Особенно сложно компьютеру приходится, если ставки за покерным столом нелимитированы, то есть игрок может ставить в свой ход неограниченное количество фишек.

Тем не менее, покерные боты — очень популярное направление развития игры. Есть два типа покерных ботов. Одни довольно просты и сражаются с людьми в игре с маленькими ставками — в ней уровень покера очень низок, и люди не могут разгадать даже простейшие стратегии. Такие боты не очень интересны науке и служат для зарабатывания денег — покерные сайты, как правило, пытаются с ними бороться.

Второй тип — боты, которые соревнуются с профессионалами. Они нужны не только и не столько для зарабатывания денег, сколько для продвижения науки. Тема «игр с неполной информацией» сейчас одна из самых популярных в экономической науке — неслучайно Ллойд Шепли и Элвин Рот получили в 2012 году Нобелевскую премию по экономике именно за теорию стабильного распределения, которая связана как раз с «теорией игр». Если компьютер стабильно научится лучше человека играть в игры с неполной информацией, возможно, нам больше не придется торговаться и мучаться вопросом о том, не прогадали ли мы, покупая новый автомобиль с нужными нам характеристиками именно за эту цену — потому что решать за нас это будет приложение в смартфоне [5] .

• Разработчики компьютерных игр применяют ИИ в той или иной степени проработанности. Это образует понятие «Игровой искусственный интеллект». Стандартными задачами ИИ в играх являются нахождение пути в двумерном или трёхмерном пространстве, имитация поведения боевой единицы, расчёт верной экономической стратегии и так далее.

Фотография

Процессоры для искусственного интеллекта

Intel планирует потеснить Nvidia на рынке чипов для нейронных сетей

По состоянию на 2018 год практически все приложения, так или иначе связанные с нейронными сетями, работают на серверах компании Nvidia, а если иных, то все равно на GPU Nvidia. Но есть серьезный шанс на то, что усилиями Intel монополия Nvidia будет нарушена. Конкурентом, способным потеснить, а может быть даже и сместить GPU с позиции лидера, станут новые, не имеющие аналогов процессоры Intel Nervana Neural Network Processor (NNP). В них, как следует из названия, реализована интеллектуальная собственность, приобретенная Intel вместе с компанией Nervana в 2016 году (подробнее).

Amazon разрабатывает ИИ-чипы

В феврале 2018 года стало известно о разработке компанией Amazon собственных чипов. Они ориентированы на вычислительные задачи, связанные с искусственным интеллектом (ИИ). Подробнее здесь.

Читайте также

Слушайте также

• Подкаст TAdviser: Выпуски рубрики «Эра искусственного интеллекта».

Робототехника

• Роботы (робототехника)
• Робототехника (мировой рынок)
• Обзор: Российский рынок промышленной робототехники 2019
• Карта российского рынка промышленной робототехники
• Промышленные роботы в России
• Каталог систем и проектовРоботы Промышленные
• Топ-30 интеграторов промышленных роботов в России
• Карта российского рынка промышленной робототехники: 4 ключевых сегмента, 170 компаний

• Технологические тенденции развития промышленных роботов
• В промышленности, медицине, боевые (Кибервойны)
• Сервисные роботы
• Каталог систем и проектовРоботы Сервисные
• Collaborative robot, cobot (Коллаборативный робот, кобот)
• IoT — IIoT — Цифровой двойник (Digital Twin)
• Компьютерное зрение (машинное зрение)
• Компьютерное зрение: технологии, рынок, перспективы
• Как роботы заменяют людей
• Секс-роботы
• Роботы-пылесосы

• Искусственный интеллект (ИИ, Artificial intelligence, AI)
• Обзор: Искусственный интеллект 2018
• Искусственный интеллект (рынок России)
• Искусственный интеллект (мировой рынок)
• Искусственный интеллект (рынок Украины)
• В банках, медицине, радиологии, ритейле, ВПК, производственной сфере, образовании, Автопилот, транспорте, логистике, спорте, СМИ и литература, видео (DeepFake, FakeApp), музыке

• Национальная стратегия развития искусственного интеллекта
• Национальная Ассоциация участников рынка робототехники (НАУРР)
• Российская ассоциация искусственного интеллекта
• Национальный центр развития технологий и базовых элементов робототехники
• Международный Центр по робототехнике (IRC) на базе НИТУ МИСиС

• Машинное обучение, Вредоносное машинное обучение, Разметка данных (data labeling)
• RPA — Роботизированная автоматизация процессов
• Видеоаналитика (машинное зрение)
• Машинный интеллект
• Когнитивный компьютинг
• Наука о данных (Data Science)
• DataLake (Озеро данных)
• BigData
• Нейросети
• Чатботы
• Умные колонки Голосовые помощники

• Безэкипажное судовождение (БЭС)
• Автопилот (беспилотный автомобиль)
• Беспилотные грузовики
• Беспилотные грузовики в России
• В мире и России
• Летающие автомобили
• Электромобили

• Подводные роботы
• Беспилотный летательный аппарат (дрон, БПЛА)

1. ↑Искусственный интеллект Facebook научился врать и торговаться
2. ↑Го-про Искусственный интеллект впервые одолел профессионального игрока в го: Wired Игра го была придумана более двух с половиной тысяч лет назад и до сих пор это одна из самых популярных игр в мире — по ней регулярно проводятся чемпионаты. На первый взгляд она очень простая: есть поле из клеток и камни — черные и белые. Игроки должны захватить своими камнями как можно большую площадь на доске. Тем не менее, именно эта игра многие годы была неподвластна компьютеру. До недавнего времени искусственный интеллект не мог обыгрывать игроков высокого уровня — магистров.
3. ↑AI just won a poker tournament against professional players
4. ↑Искусственный интеллект победил профессиональных игроков в покер
5. ↑Компьютер против человека. На этот раз в покер Искусственный интеллект пытается обыграть четырех профессиональных игроков

Заказчик	Интегратор	Год	Проект
— Трамвайно-троллейбусное управление г. Таганрога	Синара-Транспортные Машины (СТМ), Университет Иннополис	2024.12
— Правительство Ставропольского края	Мобильные ТелеСистемы (МТС)	2024.12
— Министерство промышленности и торговли РФ (Минпромторг)	Без привлечения консультанта или нет данных	2024.11
— АвтоМаш	Моделирование и цифровые двойники (МЦД) (ранее CADFEM CIS, КАДФЕМ Си-Ай-Эс)	2024.01
— Тандер Сеть магазинов Магнит	Без привлечения консультанта или нет данных	2023.12
— Витро Софт (Vitro Software)	Без привлечения консультанта или нет данных	2023.12
— Министерство жилищно-коммунального хозяйства Ростовской области	Электронные офисные системы (ЭОС)	2023.11
— Карельский окатыш	Без привлечения консультанта или нет данных	2023.11
— Рекорд Капитал УК	Жилфонд Агентство недвижимости	2023.11
— Cashdrive	Marketing Logic (Маркетинг Лоджик)	2023.11
— Министерство природных ресурсов, лесного хозяйства и экологии Пермского края	Университет Иннополис, ИнноГеоТех	2023.11
— Мобильные ТелеСистемы (МТС)	Без привлечения консультанта или нет данных	2023.11
— Государственная инспекция по контролю за использованием объектов недвижимости города Москвы (Госинспекция по недвижимости)	Департамент информационных технологий Москвы (ДИТ)	2023.10
— Министерство труда и социальной защиты республики Марий Эл	Без привлечения консультанта или нет данных	2023.10
— Центр диагностики и телемедицины (НПКЦ ДиТ ДЗМ)	Без привлечения консультанта или нет данных	2023.09
— Сайлюгемский	Яндекс.Облако (Yandex.Cloud)	2023.09
— Архивный комитет Санкт-Петербурга	Санкт-Петербургский информационно-аналитический центр (СПб ИАЦ)	2023.09
— МегаФон	Без привлечения консультанта или нет данных	2023.08
— Московский зоопарк	VK (ранее Mail.ru Group)	2023.08
— Татнефть	ИТМО (научно-образовательная корпорация), ТатИТнефть	2023.08
— Российские железные дороги (РЖД)	МегаФон	2023.07
— ОТП Банк	Без привлечения консультанта или нет данных	2023.07
— Glorax	Idaproject	2023.07
— Росбанк	Без привлечения консультанта или нет данных	2023.07
— Полюс ПАО (ранее Полюс Золото, Polyus Gold)	Ростелеком	2023.06
— Общегородской контакт-центр ДИТ Москвы	Департамент информационных технологий Москвы (ДИТ)	2023.06
— Федеральная служба по надзору в сфере образования и науки (Рособрнадзор)	Ростелеком	2023.06
— Ozon.ru (Интернет-решения)	Без привлечения консультанта или нет данных	2023.06
— Министерство связи и массовых коммуникаций Республики Башкортостан	Открытый Регион ЦИТ Уфа	2023.05
— М.Видео-Эльдорадо	Без привлечения консультанта или нет данных	2023.05