системы искусственного интеллекта

Перед разработчиками программ с элементами искусственного интеллекта (ИИ) стоит цель — заставить компьютер решать задачи, которые требуют применения интеллекта, когда их решают люди. Система с ИИ способна: воспринимать окружающую среду и предпринимать действия для максимизации шансов на успешное достижение своих целей, интерпретировать и анализировать данные таким образом, чтобы она могла обучаться и адаптироваться по ходу дела. Термин «искусственный интеллект» (Artificial intelligence — AI) был введен в 1956 году на научной конференции в Дартмутском университете в Хановере (штат Нью-Гэмпшир). С тех пор ИИ и управление данными развивались чрезвычайно взаимозависимым образом. Для выполнения содержательно надежного анализа искусственному интеллекту требуется огромный объем больших данных. А для цифровой обработки большого объема данных системе требуется искусственный интеллект. Таким образом, история ИИ развивалась параллельно с ростом вычислительных мощностей и технологий баз данных.

Типы ИИ

Искусственный интеллект является одной из самых быстрорастущих областей технологического развития. Уже сегодня искусственный интеллект способен: анализировать данные и искать скрытые закономерности; оценивать информацию и формулировать заключительную оценку; прогнозировать различные ситуации. И все же сегодня даже самые сложные модели ИИ используют только «искусственный интеллект узкого назначения» — самый базовый из трех типов ИИ. Два других типа все еще остаются сюжетом научной фантастики и на данный момент не находят практического применения. Однако, учитывая темпы роста компьютерных наук за последние 70 лет, трудно сказать, куда приведет нас будущее развитие ИИ.

Искусственный интеллект узкого назначения (ANI — Artificial narrow intelligence): ANI, также известный как «слабый» ИИ, существует уже сегодня. Хотя задачи, которые может выполнять слабый ИИ, могут выполняться с помощью очень сложных алгоритмов и нейронных сетей, они, тем не менее, остаются единичными и ориентированными на достижение цели. Распознавание лиц, поиск в интернете и самодвижущиеся автомобили — все это примеры ИИ узкого назначения. Его относят к категории слабых не потому, что ему не хватает масштаба и мощности, а потому, что ему еще далеко до наличия человеческих компонентов, которые мы приписываем настоящему интеллекту. Философ Джон Серл определяет слабый ИИ как «полезный для проверки гипотезы о разумах, но не являющийся разумом на самом деле».
Искусственный интеллект общего назначения (AGI — Artificial general intelligence): ИИ общего назначения (сильный ИИ) должен быть способен успешно выполнять любые интеллектуальные задачи, которые под силу человеку. Как и системы ИИ узкого назначения, системы общего назначения могут учиться на опыте, выявлять и прогнозировать закономерности — но у них есть возможность сделать еще один важный шаг. Они способны экстраполировать эти знания на широкий спектр задач и ситуаций, которые не могут быть решены с помощью ранее полученных данных или существующих алгоритмов.
Суперкомпьютер Summit — один из немногих подобных суперкомпьютеров в мире, обладающих ИИ общего назначения. Он может выполнять 200 квадриллионов вычислительных операций за одну секунду, на что человеку потребовался бы миллиард лет. Для реального воплощения моделей AGI не обязательно нужна такая грандиозная работоспособность, однако им потребуются вычислительные мощности, которые в настоящее время существуют только на уровне суперкомпьютеров.
Искусственный суперинтеллект (ASI — Artificial super-intelligence): Системы типа ASI теоретически обладают полным самосознанием. Они не просто имитируют или понимают поведение человека, но постигают его на фундаментальном уровне.
Наделенные этими человеческими чертами — и усиленные вычислительной и аналитической мощью, значительно превосходящей нашу собственную, — суперинтеллектуальные системы ИИ могут казаться выходцами из научно-фантастических антиутопий о будущем.

Как говорил Стивен Хокинг: «Из-за огромного потенциала ИИ важно исследовать, как воспользоваться его преимуществами, избегая при этом потенциальных ловушек».

Технологии ИИ

Чтобы ИИ был полезным, он должен быть применим. Ниже перечислены некоторые из наиболее широко используемых и быстро развивающихся технологий ИИ.

Машинное обучение (machine learning)

Машинное обучение — и все его компоненты — является подмножеством ИИ. В процессе машинного обучения алгоритмы применяются к различным типам методов обучения и техник анализа, позволяя системе автоматически обучаться и совершенствоваться на основе своего опыта без явного программирования. На практике машинное обучение может применяться к любой задаче или цели, требующей прогнозирования результатов, получаемых на основе комплексного анализа данных.

В чем разница между ИИ и машинным обучением? Машинное обучение является подмножеством ИИ и не способно существовать в отрыве от него. Поэтому дело не столько в том, что они разные, сколько в том, в чем именно они отличаются. Искусственный интеллект обрабатывает данные для принятия решений и создания прогнозов. Алгоритмы машинного обучения позволяют ИИ не только обрабатывать эти данные, но и использовать их для обучения и повышения «интеллектуальности», не требуя дополнительного программирования.

Обработка данных на естественном языке (NLP — Natural learning processing)

NLP позволяет машинам распознавать и понимать письменную речь, голосовые команды либо и то, и другое. Эта технология включает в себя способность переводить человеческий язык в форму, понятную алгоритму. Генерация текстов на естественном языке (NLG) — подмножество NLP, которое позволяет машине преобразовывать цифровой язык в естественную человеческую речь. В более сложных приложениях NLP может использовать контекст для выявления отношения, настроения и других субъективных качеств, чтобы наиболее точно интерпретировать смысл сказанного. В число практических приложений NLP входят чат-боты и цифровые голосовые помощники, такие как Siri и Alexa.

Компьютерное зрение (computer vision)

Компьютерное зрение — это метод, с помощью которого компьютеры понимают и «видят» цифровые изображения и видео, в отличие от их простого распознавания или распределения по категориям. Приложения компьютерного зрения используют датчики и алгоритмы обучения для извлечения сложной контекстуальной информации, которая затем может быть использована для автоматизации или информирования других процессов. Компьютерное зрение также может экстраполировать данные для целей прогнозирования, что дает ему способность видеть сквозь стены и за углами. Самоуправляемые автомобили являются хорошим примером использования компьютерного зрения.

Робототехника (robotics)

Робототехника не является новым изобретением: она используется уже много лет, особенно на производстве. Однако без применения ИИ автоматизацию приходится осуществлять путем программирования и калибровки вручную. Если в этих рабочих процессах есть слабые места или неэффективные звенья, их можно обнаружить только постфактум — или когда что-нибудь сломается. Человек-оператор зачастую не может узнать, что привело к возникновению проблемы, какие изменения можно внести для повышения эффективности и производительности. Когда к системе добавляется искусственный интеллект — как правило, с помощью датчиков Интернета вещей — это дает возможность значительно расширить сферу применения, объем и тип выполняемых роботами задач. Примерами применения робототехники в промышленности являются роботы для комплектования заказов на крупных складах и сельскохозяйственные роботы, которые могут быть запрограммированы на сбор урожая или обработку культур в оптимальное время.

Проблемы ИИ

Погрешность ИИ: Смещение может проползти в систему ИИ из-за предвзятости человека при программировании своих алгоритмов или системных предрассудков, которые могут быть распространены через ошибочные предположения в процессе машинного обучения. В первом случае более очевидно, как это может произойти. Но во втором может быть труднее заметить и избежать. Известный пример предвзятости ИИ произошел в системе здравоохранения США, где приложения ИИ использовались для распределения стандартов ухода. Алгоритм узнал, что некоторые демографические группы менее способны платить за уход. Затем она экстраполировала эту информацию, с тем чтобы ошибочно сопоставить эту группу с тем, что она имеет меньше права на уход. Обнаружив эту неудачную ошибку, учёные из Калифорнийского университета в Беркли работали с разработчиками над модификацией алгоритмических переменных, тем самым уменьшив предвзятость на 84 %.
Прозрачность ИИ и объяснимый ИИ: Прозрачность в ИИ — это возможность определить, как и почему алгоритм пришел к определенному выводу или решению. Алгоритмы искусственного интеллекта и машинного обучения, информирующие о результатах — и самих результатах — часто настолько сложны, что выходят за рамки человеческого понимания. Такие алгоритмы известны как модели «черного ящика». Для бизнеса важно убедиться, что модели данных справедливы, беспристрастны и могут быть объяснены и изучены извне. Особенно в таких областях, как авиация или медицина, на карту поставлены жизни людей. Поэтому крайне важно, чтобы люди, использующие эти данные, чрезвычайно серьезно относились к инициативам по управлению данными.

Системы искусственного интеллекта