Что лежит в основе ии

Искусственный интеллект (ИИ) / Artificial intelligence (AI). Что это такое и какие возможности

Если телефон выигрывает у вас в шахматы, это может вызвать мысли о том, что искусственный интеллект готовится захватить мир. Однако, что такое искусственный интеллект и какие виды ИИ существуют? Каковы последние достижения в этой области? Нам стоит опасаться или надеяться на будущее с ИИ?

В этой статье мы рассмотрим все эти вопросы. Также вы уже можете пользоваться одним из лучших Telegram ботов ChatGPT, лучшим воплощением искусственного интеллекта от Илона Маска, которое отвечает на все ваши вопросы, генерирует идеи, пишет за вас тексты и многое другое, чтобы получить доступ, нужно подписаться на наш Телеграм канал. Ссылку на бота найдете в канале! Поехали

Искусственный интеллект, ИИ, AI
Что такое искусственный интеллект (ИИ), Artificial intelligence (AI) ?

В своей статье «Искусственный интеллект в управлении человеческими ресурсами» авторы отмечают, что искусственный интеллект представляет собой способность цифровых компьютеров и управляемых ими роботов выполнять задачи, которые ранее были прерогативой человека. Современные проекты разработки систем искусственного интеллекта включают в себя интеллектуальные процессы, характерные для человеческого мышления, такие как рассуждение, обобщение, получение опыта и анализ данных.

Искусственный интеллект представляет собой огромный спектр алгоритмов и инструментов механизированного обучения, которые позволяют оперативно получать данные, выявлять закономерности и оптимизировать процессы.

Термин «искусственный интеллект» был введен в 1956 году Джоном Маккарти на первой в истории конференции по ИИ в Дартмутском колледже. Системы искусственного интеллекта работают, используя большие объемы данных, которые анализируются на предмет закономерностей и корреляций, а затем используются для прогнозирования событий.

Программирование ИИ фокусируется на трех основных навыках: обучении, рассуждении и самокоррекции. Системы ИИ могут использоваться для создания чат-ботов, которые генерируют текст, а также для распознавания и анализа изображений.

Преимущества искусственного интеллекта (ИИ), Artificial intelligence (AI)

Одним из ключевых преимуществ искусственного интеллекта является его способность к машинному обучению. ИИ способен обрабатывать огромные объемы данных, которые создаются ежедневно, анализировать их и извлекать полезную информацию. Еще одним преимуществом ИИ является возможность достижения высококачественных результатов в работе, ориентированной на детали, а также значительное сокращение времени, необходимого для обработки больших объемов информации, и обеспечение стабильных результатов.

Однако среди недостатков использования ИИ можно выделить высокую стоимость, необходимость глубоких технических знаний, показ результатов только на основе полученных данных и отсутствие возможности обобщения от одной задачи к другой.

Одним из главных опасений, связанных с развитием ИИ, является потенциальное сокращение рабочих мест в тех сферах, где возможно применение данной технологии. Тем не менее, наряду с этим внедрение ИИ может привести к появлению новых профессий и возможностей.

Вы уже можете пользоваться одним из лучших Telegram ботов ChatGPT, лучшим воплощением искусственного интеллекта от Илона Маска, которое отвечает на все ваши вопросы, генерирует идеи, пишет за вас тексты и многое другое, чтобы получить доступ, нужно подписаться на наш Телеграм канал.

Возможности искусственного интеллекта (ИИ), Artificial intelligence (AI)

Искусственный интеллект (ИИ) — это широкий термин, который охватывает различные технологии, включая чат-боты, компьютерное зрение, распознавание речи и другие. Существуют два типа ИИ: слабый ИИ (узкий ИИ) и сильный ИИ (общий искусственный интеллект — AGI). ИИ используется в разных сферах, включая распознавание речи, обслуживание клиентов, компьютерное зрение, рекомендации, автоматизированную торговлю акциями и обнаружение мошенничества в финансовых учреждениях.

Слабый ИИ предназначен для выполнения конкретных задач, а сильный ИИ способен воспроизводить когнитивные способности человеческого мозга. Использование ИИ может сократить время работы с большими объемами данных и обеспечить отличные результаты в работе, ориентированной на детали. Однако, развитие ИИ может привести к сокращению рабочих мест в некоторых сферах, но также создаст новые профессии.

Хотя технология искусственного интеллекта стремительно развивается, она все еще далека от совершенства. В ближайшее время многие компании будут использовать ИИ для решения конкретных задач, и Gartner прогнозирует, что к 2025 году половина предприятий будет использовать платформы для внедрения ИИ, что приведет к стремительному развитию рынка ИИ и значительному увеличению требований к вычислительным ресурсам.

Кроме того, 10% правительств будут использовать искусственное население для обучения ИИ, используя реалистичные модели поведения, чтобы избежать проблем с конфиденциальностью и безопасностью. Новая технология ИИ — графы знаний — представляет собой семантическую сеть, которая позволит стимулировать стратегии продаж, механизмы рекомендаций и персонализированную медицину.

Однако, несмотря на быстрый прогресс в развитии ИИ, в настоящее время используются только отдельные элементы, и пока рано говорить о полном применении данной технологии. ИИ все еще является инструментом для выполнения рутинных задач, и не заменит людей абсолютно во всем. В ближайшее время мы можем ожидать более интуитивного общения людей с машинами.

Хронология развития искусственного интеллекта (ИИ), Artificial intelligence (AI)

Ниже представлена хронология наиболее значимых событий в развитии искусственного интеллекта:

1842: создана программируемая механическая машина для калькуляции
1941: появляется первый электронный компьютер
1949: Тест Тьюринга был предложен в качестве способа определить, способен ли компьютер «думать» как человек
1957: создана программа решения общих проблем General Problem Solver
1961: на General Electronics начинает функционировать промышленный робот Unimate
1964: чатбот ELIZA притворяется искусственным интеллектом
1966: создан робот Shakey, который может анализировать пространство и перемещаться в нем
1980: экспертные системы для решения сложных задач на основе большого объема данных становятся коммерчески применимыми и успешными
1997: компьютер Deep Blue обыгрывает мирового чемпиона по шахматам Гарри Каспарова
2011: суперкомпьютер Watson от IBM побеждает в конкурсе эрудитов Jeopardy и выигрывает миллион долларов на благотворительность
2014: программа проходит Тест Тьюринга, заставляя 33% людей думать, что они общаются с 13-летним мальчиком из Украины
2016: искусственный интеллект AlphaGO от Google побеждает мирового чемпиона по игре Go, используя интуицию.

Некоторые известные примеры использования искусственного интеллекта:

Автоматические водительские системы, такие как беспилотные автомобили, которые используют технологии ИИ для безопасного и эффективного управления на дорогах.
Системы умного дома, которые используют ИИ для автоматизации управления освещением, температурой и другими аспектами жизни в доме.
Медицинские приложения ИИ, которые могут помочь в диагностике заболеваний, выборе наиболее эффективного лечения и предсказании возможных осложнений.
Системы автоматизации производства, которые используют ИИ для повышения производительности и качества продукции, а также для предотвращения аварий и повреждений оборудования.
Персонализированные рекомендательные системы, использующие ИИ для анализа предпочтений и поведения пользователей, чтобы предложить наиболее подходящие товары или услуги.

Google проводит испытания автомобилей, которые способны самостоятельно обучаться вождению, как это делает человек. Автомобиль наблюдает за дорогой и окружающей средой, делает выводы и принимает решения, как это делал бы водитель. На первом этапе обучения машина тренируется в компьютерной игре, где симулирование различных ситуаций на дороге значительно упрощается.

ИИ широко используется в компьютерных играх, где неигровые персонажи (NPC) взаимодействуют с игроками, что делает игру более интересной. Благодаря росту объема игровой индустрии, этот тип ИИ постоянно совершенствуется.

Кроме того, наиболее популярными виртуальными персональными ассистентами являются Siri, Google Now и Cortana. Они предназначены для использования на iPhone, Android и Windows, соответственно, и помогают пользователям быстро находить информацию, планировать, делать заметки и многое другое.

Ниже перечислены другие области, где применяются технологии искусственного интеллекта:

Fraud Detection — системы, использующие искусственный интеллект для обнаружения мошенничества.

Online Customer Support — автоматические системы обработки запросов клиентов, основанные на искусственном интеллекте.

News Generation — использование ИИ для автоматического создания новостей и статей.

Security Surveillance — системы видеонаблюдения, использующие искусственный интеллект для обеспечения безопасности.

Music and Movie Recommendation Services — сервисы, использующие ИИ для рекомендации музыки и фильмов пользователям.

Smart Home Devices — устройства для управления домашней техникой, использующие искусственный интеллект.

Что говорят лидеры индустрии об Искусственном интеллекте, Artificial intelligence (AI)

Искусственный интеллект может стать серьезной угрозой для существования нашей цивилизации, поэтому необходимо принять проактивные меры по его регулированию, а не только реагировать на возникающие проблемы. Если мы не будем действовать заранее, то может оказаться уже слишком поздно.

Когда я слышу критиков, которые выражают беспокойство о возможном негативном влиянии искусственного интеллекта, я не согласен с ними. Я считаю, что это неправильно и, в некотором смысле, несет некоторую степень безответственности. Как и с любой другой технологией, ИИ может быть использован как для блага, так и для зла, поэтому важно быть осторожным при его создании и использовании.

Марк Цукерберг

Я принадлежу к тем, кто обеспокоен идеей суперинтеллекта. На первом этапе машины будут выполнять множество задач за нас и не будут очень умными, что может стать положительным периодом, если мы правильно управляем процессом.

Однако, через несколько десятилетий, когда ИИ будет сильным, это может представлять серьезную угрозу. Я разделяю опасения Илона Маска и других людей в этом вопросе и не могу понять, почему некоторые люди не беспокоятся об этом.

Билл Гейтс

Я осознаю, что нет основополагающей разницы между тем, что может достичь биологический мозг и тем, что может достичь компьютер. Поэтому теоретически компьютер может эмулировать человеческий интеллект и превзойти его.

Стивен Хокинг
Может ли искусственный интеллект быть опасен?

В июне 2017 года Facebook провел эксперимент с чатботами, которые общались друг с другом о наличии виртуальных предметов, таких как мячи, книги и шапки. Некоторые эксперты заметили, что в ходе этого эксперимента ИИ начал использовать другой язык, не похожий на английский.

Это вызвало опасения, но в действительности программа была остановлена не из-за экспоненциального роста угрозы человечеству, а потому что исследователи потеряли к ней интерес, так как она стала делать то, что им не было интересно.

Кроме того, Facebook свернул платформу для чатботов в Messenger из-за недостаточного количества адекватных ответов на вопросы пользователей. В культуре искусственный интеллект часто представляют в виде угрозы, например, в фильмах «Терминатор», «Я — робот», «Космическая одиссея 2001», «Матрица» и «Ex machina».

Открытия для человечества

Enlitics провела эксперимент в 2016 году, в котором сравнивались результаты диагностики заболеваний на рентген снимках грудной клетки, выполненной людьми и ИИ. Интересно, что ИИ не пропустил ни одной патологии, в то время как люди допустили ошибки в 7% случаев. Это говорит о том, что ИИ может стать очень полезным помощником в медицине и других областях.

Каждый новый шаг в исследовании и разработке ИИ вносит новые вопросы и вызовы. В будущем, я намерен углубиться в эту тему, и рассмотреть, какие требования должны быть удовлетворены для того, чтобы разрабатывать и обучать ИИ. Необходимость команды, которая будет работать над ИИ, и инструменты, необходимые для создания ИИ, также будут рассмотрены.

Я буду рад получить любые комментарии и обратную связь по этой теме.

Также вы уже можете пользоваться одним из лучших Telegram ботов ChatGPT, лучшим воплощением искусственного интеллекта от Илона Маска, которое отвечает на все ваши вопросы, генерирует идеи, пишет за вас тексты и многое другое, чтобы получить доступ, нужно подписаться на наш Телеграм канал. Ссылку на бота найдете в канале!

Что такое ИИ? Подробнее об искусственном интеллекте

Если говорить простыми словами, искусственный интеллект (ИИ) — это система или машина, которая может имитировать поведение человека для выполнения различных задач и улучшения своей работы за счет обработки собираемой информации. В настоящее время существует множество примеров применения ИИ, включая:

Чат-боты, использующие ИИ для быстрой обработки запросов клиентов и предоставления соответствующих ответов;
«Умные помощники», использующие ИИ для анализа больших объемов данных и оптимизации планирования;
Системы рекомендаций, автоматически подбирающие программы и фильмы на основе просмотренного ранее контента.

Это лишь некоторые примеры применения ИИ в нашей повседневной жизни. Каждый день появляются новые возможности использования ИИ, и он становится все более распространенным в различных областях, от медицины до производства.

Искусственный интеллект (ИИ) — это не формат или функция, это процесс и способность обрабатывать информацию и анализировать данные. Часто люди, когда слышат о термине «искусственный интеллект», представляют себе роботов, похожих на людей, которые пытаются захватить мир. Но на самом деле, ИИ не призван заменять людей.

Его цель — расширять возможности и способности человека, что делает его ценным ресурсом для бизнеса.

ИИ и разработчики.

Разработчики используют искусственный интеллект для более эффективного выполнения задач, которые иначе пришлось бы делать вручную, взаимодействия с клиентами, выявления закономерностей и решения проблем. Однако для работы с ИИ нужны математические знания и умение использовать алгоритмы.

Если вы впервые начинаете работу с искусственным интеллектом для создания приложений, рекомендуется начать с простых задач. Например, создание игры вроде крестики-нолики позволит вам освоить основы работы с ИИ.

Обучение на практике — это отличный способ развития навыков, и работа с искусственным интеллектом тут не исключение. Успешно выполнение нескольких небольших проектов позволит вам понять, что возможности искусственного интеллекта поистине безграничны.

ИИ и корпорации.

Использование технологий на основе искусственного интеллекта (ИИ) позволяет повысить эффективность и производительность труда путем автоматизации процессов и задач, которые ранее выполнялись людьми. Кроме того, ИИ способен обрабатывать объемы данных, которые могут быть трудны для интерпретации человеком.

Это умение может принести значительные преимущества бизнесу, как, например, в случае с Netflix, который использует машинное обучение для персонализации, что привело к увеличению аудитории на 25% в 2017 году.

Большинство компаний придают большое значение аналитике данных и бизнес-аналитике, вкладывая в них значительные средства. Согласно исследованию Gartner, в котором были опрошены более чем 3000 генеральных директоров, респонденты назвали аналитику данных и бизнес-аналитику наиболее важными технологиями для достижения успеха. Эти технологии имеют большое стратегическое значение, поэтому на них направляется основной объем инвестиций.

Искусственный интеллект предоставляет преимущества для всех видов бизнеса, как для общих, так и для специализированных направлений:

Использование операционных и демографических данных позволяет прогнозировать прибыль, которую может принести клиент на протяжении всего периода взаимодействия, что является ценным инструментом для управления жизненным циклом клиента;
Оптимизация ценообразования на основе поведения и предпочтений покупателей;
Распознавание образов для анализа рентгеновских снимков и диагностики рака. Это важное приложение для медицинской отрасли, которое позволяет быстрее и точнее обнаруживать и лечить заболевания.

Почему технологии ИИ стали так популярны?

Три основных фактора побуждают компании к массовому внедрению технологий на основе ИИ:

Доступность высокопроизводительных вычислительных ресурсов по разумной цене. Ранее локальные системы вычислений, необходимые для работы с ИИ, были слишком дорогими и недоступны для многих компаний. Однако сейчас появилась возможность использовать многочисленные вычислительные ресурсы в облаке, что значительно снизило стоимость и повысило доступность технологий на основе ИИ.
Доступность больших объемов данных для обучения алгоритмов ИИ. Для создания точных прогнозов ИИ требуются огромные объемы данных для обучения. Сегодня различные инструменты помогают маркировать данные, а доступность простых и доступных инструментов для хранения и обработки структурированных и неструктурированных данных делает возможным для большего количества компаний создание и обучение алгоритмов ИИ.
Конкурентные преимущества, которые может предоставить ИИ. Сегодня все больше компаний понимают важность технологий на основе ИИ для развития бизнеса и делают их внедрение своим приоритетом. Например, специализированные системы рекомендаций помогают быстрее принимать более взвешенные решения, а ИИ предлагает множество средств и возможностей для сокращения затрат и рисков, ускорения выхода продуктов на рынок и многого другого.

5 мифов о корпоративном искусственном интеллекте.

Миф № 1 о том, что корпоративные технологии искусственного интеллекта требуют разработки собственных решений, не соответствует действительности. Фактически, большинство предприятий внедряют ИИ, используя как собственные разработки, так и готовые решения от сторонних поставщиков. Разработки ИИ собственного производства дают предприятию возможность решать уникальные задачи, тогда как готовые ИИ-решения упрощают решение более распространенных бизнес-проблем и легко внедряются.

Миф № 2: ИИ — это магический инструмент, который мгновенно приводит к желаемым результатам.

Реальность: для того чтобы получить реальную пользу от использования технологии искусственного интеллекта, требуется уделить время тщательному планированию и иметь четкое представление о желаемых результатах. Чтобы избежать получения набора бесполезных и несвязанных решений, необходимо придерживаться итеративного подхода и иметь стратегию внедрения ИИ.

Миф № 3: Многие ошибочно думают, что корпоративный ИИ обеспечивает автономность и не требует контроля со стороны людей. Однако, ИИ не является автономным и требует человеческого управления. Он призван расширять возможности сотрудников, позволяя им заниматься более важными задачами. Также важно отметить, что работа ИИ зависит от данных, на которых он обучен, и от способа их использования, что требует контроля и участия со стороны людей.

Миф № 4: чем больше данных, тем лучше. Реальность: для корпоративных ИИ-систем качество данных играет более важную роль, чем их количество. Работа на основе точных, актуальных, и релевантных данных поможет выявить ценные бизнес-инсайты и принимать правильные решения.

Миф № 5: достаточно иметь только данные и модели для эффективной работы корпоративных ИИ-систем.

Реальность: наличие данных, алгоритмов и моделей — это только первый шаг в разработке корпоративных ИИ-решений. Чтобы эти решения были действительно полезными, они должны быть масштабируемыми, чтобы оставаться актуальными в постоянно меняющейся бизнес-среде. В настоящее время большая часть корпоративных ИИ-решений разрабатывается экспертами по анализу данных, которые приходится настраивать и обслуживать вручную, что является довольно трудоемким процессом. Кроме того, эти решения не масштабируются в достаточной степени. Для того, чтобы технологии ИИ были полезны, необходимы решения, которые будут масштабироваться в соответствии с изменяющимися бизнес-потребностями и реализацией ИИ-стратегии компании.

Преимущества и сложности внедрения ИИ.

Множество успешных примеров подтверждают ценность ИИ для бизнеса. Интеграция технологий машинного обучения и когнитивных операций в традиционные бизнес-процессы и приложения улучшает удобство и продуктивность.

Однако внедрение ИИ сопряжено с рядом трудностей. Многие компании не используют весь потенциал ИИ по нескольким причинам. Например, если компания не использует облачные технологии, расходы на вычисления для ИИ могут быть слишком высокими. Кроме того, разработка ИИ сложна и требует привлечения специалистов, которых может не хватать. Чтобы минимизировать эти проблемы, необходимо понимать, где и для чего нужен ИИ и решать вопрос с привлечением сторонних поставщиков услуг.

Готовые решения упрощают внедрение ИИ на предприятии.

С появлением решений и инструментов на базе ИИ все больше компаний получают возможность воспользоваться технологическими преимуществами для экономии времени и ресурсов. Готовые решения и ПО, основанные на ИИ, содержат в себе встроенные алгоритмы или помогают автоматизировать процесс принятия решений.

Это может быть как автономные базы данных, которые используют машинное обучение для автоматического восстановления, так и готовые модели для выполнения задач, таких как распознавание образов и анализ текста. Все это помогает компаниям ускорять окупаемость, повышать эффективность работы, снижать издержки и улучшать взаимоотношения с клиентами.

Начало работы с ИИ.

Использование чат-ботов для взаимодействия с клиентами является все более популярным. Эти боты используют лингвистический анализ для анализа вопросов и запросов клиентов и предоставления информации и ответов на них. Они также могут обучаться и с течением времени становиться все более эффективными.

Мониторинг центра обработки данных также может сэкономить время и усилия ИТ-специалистов, позволяя им централизованно хранить информацию о сети, приложениях, производительности баз данных, качестве обслуживания и других параметрах на единой облачной платформе. Эта платформа автоматически отслеживает пороговые значения и выявляет отклонения, что позволяет быстро реагировать на проблемы и улучшать производительность.

Также существуют аналитические инструменты с визуальным пользовательским интерфейсом, которые упрощают выполнение бизнес-анализа без необходимости привлекать экспертов. Эти инструменты обеспечивают наглядные результаты и позволяют пользователям быстро получать необходимую информацию.

Как создать правильную культуру.

Чтобы наилучшим образом использовать возможности искусственного интеллекта (ИИ) и преодолеть препятствия на пути к успешному внедрению новых технологий, необходимо создать командную культуру, которая обеспечит поддержку экосистемы ИИ. В такой среде:

бизнес-аналитики и специалисты по обработке данных должны совместно определять задачи и цели;
инженеры по обработке данных должны обеспечивать управление данными и платформой для выполнения анализа;
специалисты по обработке данных должны подготавливать, изучать, визуализировать и моделировать данные с помощью специализированных платформ;
архитекторы ИТ-систем должны обеспечивать управление инфраструктурой для обработки данных как локально, так и в облаке;
разработчики приложений должны внедрять модели в приложения для создания продуктов на основе данных.

Получение помощи на пути освоения ИИ.

Искусственный интеллект (ИИ) становится неотъемлемой частью любого бизнеса. Рано или поздно, компании будут вынуждены использовать технологии ИИ, чтобы создать свою экосистему и оставаться конкурентоспособными. Те, кто игнорируют прогресс, рискуют остаться позади в следующие 10 лет.

Возможно, Ваша компания исключение из правил, однако большинство предприятий не имеют своих специалистов по обработке данных и необходимых ресурсов для создания экосистемы и разработки приложений, которые позволят использовать возможности ИИ в своих целях.

Если вам нужна помощь в разработке оптимальной стратегии и получении доступа к инструментам для успешного внедрения ИИ, обратитесь к проверенному партнеру, который обладает обширным опытом и широким набором соответствующих решений.

Как устроен искусственный интеллект: всё, что вы хотели знать об AI, но боялись спросить

Если говорить именно про искусственный интеллект, то главное здесь — создание систем, которые будут, как и человек, обучаться на основе взаимодействия с примерами из реального мира. Грубо говоря, если отправить нас во Францию без знания языка, рано или поздно мы его освоим, даже не беря в руки учебник, просто погрузившись в среду.

Было много разных идей, как дать компьютеру подобную возможность. Сегодня под искусственным интеллектом понимается конкретный раздел компьютерных наук — машинное обучение, которое занимается извлечением алгоритмов и знаний из данных. Например, есть тексты на русском языке и их профессиональные переводы на английский. Благодаря технологиям машинного обучения компьютер анализирует эти примеры и создаёт алгоритм для перевода текстов. Так работает Яндекс Переводчик.

Какие AI существуют?

Сейчас есть два взаимно обусловленных направления в AI. Первый — это классическое машинное обучение (Machine Learning, ML), когда существуют табличные данные, например, о клиентах банка. На их основе создаются алгоритмы вроде градиентного бустинга для прогностического анализа. Эти подходы хорошо изучены, они дают не очень сложные алгоритмы, которые надёжно работают, например, в поисковых машинах.

Вахрушев Антон, разработчик AI Lab

Но бывают задачи более сложные, где на входе и выходе алгоритма есть текст, фото, видео, звук. И там классический подход не очень-то применим. Вот здесь и выходит на сцену глубокое обучение (Deep Learning, DL) — метод, предполагающий самостоятельное выстраивание общих правил в виде нейронной сети на примере данных во время процесса обучения, автоматическое выявление огромного количества правил и характеристик. Например, в задаче определения возраста по фотографии нейросеть сама должна понять на основе данных, что надо искать морщины, седину, текстуру кожи, тем самым обучаясь, выявляя эти характеристики и определяя с их помощью возраст.

Значит, нейросеть — это AI?

По сути, нейросеть — это большая формула, в которой могут быть сотни миллиардов и триллионы слагаемых, множителей и так далее. Так что её корректно называть составной частью AI. А когда в рекламе нам говорят, что некий банк с помощью искусственного интеллекта научился выявлять мошенников, это значит, что выстроена нейронная сеть или какой-то другой алгоритм на основе машинного обучения, которые работают с большой базой данных и способны находить закономерности.

Почему иногда говорят о «слабом» и «сильном» AI? Это не IQ?

Слабый искусственный интеллект — это алгоритм, какая-то программа, которая решает одну конкретную задачу: например, ищет в интернете статьи или по фото определяет возраст человека. Слабый AI было бы уместно называть специализированным.

Вахрушев Антон, разработчик AI Lab

Главный критерий для сильного искусственного интеллекта — возможность самостоятельного обучения новым задачам. Допустим, программа умеет определять возраст по фотографии, а если ей дать другие примеры, она сможет определять место рождения человека. Такой программы пока не существует, сильный AI сейчас — это гипотетическая технология. Сегодня, когда речь заходит про сильный искусственный интеллект, скорее пытаются среди решённых задач найти алгоритм, который хотя бы немного выйдет за пределы слабого AI. Некоторые исследователи считают, что шаг к сильному AI — это мультимодальные алгоритмы, которые умеют работать с разными типами данных, например со звуком, текстом и изображением. Но даже такие алгоритмы решают конкретные задачи, они не способны самообучаться.

Приблизились ли современные AI к прохождению теста Тьюринга?

Тест Тьюринга — эмпирический тест, предложенный Аланом Тьюрингом в 1950 году. Интерпретация теста звучит так: если машина отвечает на заданные вопросы так, что человек не в состоянии определить, общается он с другим человеком или с компьютером, тест считается пройденным.

Вполне — если под интеллектом понимать способность условной GPT-нейросети поддерживать беседу с человеком на сложные темы. Возьмём произвольный диалог в мессенджере. Нейронная сеть вполне может его сымитировать: поговорить про погоду, спросить, как дела, ответить на технические вопросы. Сегодня нейросеть способна ввести человека в заблуждение. И этого, в отличие от «Скайнета», действительно стоит бояться. Уже довольно много говорят о том, что с помощью генеративных сетей сейчас имитируют обращения в службу поддержки компаний, тем самым перегружая их.

Где используют этот интеллект?

Сейчас искусственный интеллект и его алгоритмы используют и активно развивают крупные IT-корпорации. Сервисы поиска, стриминга, такси и курьерской доставки без AI уже трудно представить. Любой популярный сервис Яндекса использует его: в Поиске машинное обучение нужно, чтобы улучшать выдачу и показывать релевантную рекламу, в Кинопоиске или Яндекс Музыке ML на основе предпочтений пользователя предлагает то, что ему будет интересно посмотреть или послушать. В Яндекс Go машинное обучение прогнозирует спрос, эффективно распределяет курьеров или таксистов по району.

Компаниям, которые изначально были в других секторах, например в медицине, сложнее внедрять AI. Это требует полной перестройки всех процессов. Когда врачи по всей стране уже работают по отлаженной схеме, непросто встроить интеллектуальные алгоритмы в процесс постановки диагноза. Конечно, большим корпорациям, даже не из сферы IT, гораздо проще. Пока AI — это экспериментальная технология, которая требует дорогостоящих специалистов и серьёзных вычислительных ресурсов. Но постепенно фокус смещается, ресурсы и специалисты становятся доступнее, а значит, и технология получит широкое распространение.

Если искусственный интеллект такой классный, почему его не используют повсюду?

Ключевая проблема — отсутствие данных. Невозможно сделать качественный алгоритм, например, для постановки медицинского диагноза, если у нас нет огромных объёмов информации о пациентах с известными болезнями. И далеко не во всех областях они имеются. Сюда же можно отнести проблему с персональными данными. С одной стороны, они необходимы для обучения моделей AI. У всех компаний есть стимул узнавать про нас как можно больше, чтобы зарабатывать на информации. С другой стороны, чем больше компании про нас знают, тем выше риск утечки этих данных и их неправомерного использования. Как сделать так, чтобы IT-сфера не откатилась в прошлое, но при этом наши данные были более защищены и не принадлежали корпорациям, — открытый вопрос.

Второй вызов обусловлен тем, что многие решения на основе AI уже сегодня лишают людей работы. Например, какую-то задачу работника службы поддержки можно автоматизировать. Или скоро доведут до ума беспилотные автомобили — и миллионы таксистов окажутся не нужны. Это серьёзная социальная проблема. Неудивительно, что в компаниях AI внедряется крайне осторожно: мало кто хочет автоматизировать свою же работу. Но, как это было в истории промышленных революций, новые технологии часто создают и новые рабочие места.

А ещё есть страх, связанный с генеративными моделями, которые сейчас могут писать картины, создавать тексты и так далее. Мы вступаем в эпоху, когда интернет будет легко заполонить абсолютно фейковой информацией, а ориентироваться в этом станет сложнее. Это не затормозит повсеместное внедрение AI, но даёт повод волноваться.

Вахрушев Антон, разработчик AI Lab
Куда пойти учиться на разработчика ИИ?

На данный момент есть огромное количество курсов и направлений обучения, связанных с искусственным интеллектом. Например, инженер-данных, разработчик или аналитик. Они все одинаково важны в этой сфере, единственный момент заключается в том, что вам нравится больше, исследовать данные, строить их архитектуру или разрабатывать саму оболочку для ИИ. Есть множество способов понять, что вам ближе, но я рекомендую пройти простой тест, который не требует специальных знаний. Отвечая на вопрос, куда пойти учиться, хочется отметить, что в наше время нет ограничений по возрасту и уровне знаний в области программирования. Есть направления практически во всех университетах, а также онлайн платформы как платные, так и бесплатные с нулевым порогом знаний. Но пользуясь случаем, хочу обратить ваше внимание на платформу AI Lab, в экосистеме которой я работаю. Может быть, через несколько лет с кем-нибудь из наших читателей совершим большое научное открытие в области искусственного интеллекта!

Основы современного искусственного интеллекта: как он работает, и уничтожит ли наше общество уже в этом году?

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

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

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

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

Что такое ИИ?

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

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

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

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

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

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

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

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

Машинное обучение

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

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

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

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

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

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

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

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

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

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

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

С добавлением новых данных задача усложняется

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

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

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

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

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

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

Требуется математика посложнее

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

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

Именно тут и вступает в игру глубокое обучение.

Глубокое обучение

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

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

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

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

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

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

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

Простая нейросеть и глубокая нейросеть

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

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

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

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

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

Видали? Вершина!

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

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

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

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

И что мы теперь можем делать? Распознавание образов

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

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

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

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

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

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

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

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

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

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

Естественно, это можно расширить и ещё дальше.

Кто там? (распознавание лиц)

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

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

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

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

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

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

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

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

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

И даже до этой точки виртуальные ассистенты добирались очень долго

Что ты сказал? (Распознавание речи)

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Начните с сети, извлекающей позы из изображений людей

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Научно-популярное
Искусственный интеллект