источник: forklog.com

Искусственный интеллект (ИИ) – это обширная отрасль компьютерных наук, которая сосредоточена над созданием умных машин, способных выполнять интеллектуальные задачи.

На сегодняшний день существует множество подходов к созданию алгоритмов. Достижения в областях машинного и глубокого обучения за последние несколько лет существенно изменили технологическую индустрию.

Какие существуют определения искусственного интеллекта?

Фундаментальную цель и видение искусственного интеллекта удалось установить английскому математику Алану Тьюрингу в статье «Вычислительные машины и разум», опубликованной в 1950 году. Он задал простой вопрос: «Могут ли машины думать?». Тогда же ученый предложил знаменитый тест, названный его именем.

По своей сути ИИ – это отрасль компьютерных наук, которая стремится ответить на вопрос Тьюринга утвердительно. Это попытка воспроизвести или смоделировать человеческий интеллект в машинах.

Глобальная цель искусственного интеллекта до сих пор вызывает множество вопросов и споров. Главное ограничение в определении ИИ как просто «разумных машин» состоит в том, что ни ученые, ни философы не могут объяснить, что такое искусственный интеллект и что именно делает машину умной.

Ученые и авторы учебника «Искусственный интеллект: современный подход» Стюарт Рассел и Питер Норвиг объединили свою работу вокруг темы интеллектуальных агентов в машинах и определили ИИ как «исследование агентов, которые получают восприятие из окружающей среды и выполняют действия».

Во время выступления на Japan AI Experience в 2017 году генеральный директор DataRobot Джереми Ачин начал свою речь со следующего определения того, как искусственный интеллект используется сегодня:

«ИИ – это компьютерная система, способная выполнять задачи, требующие человеческого интеллекта … Многие из этих систем работают на основе машинного обучения, другие – на основе глубокого обучения, а некоторые из них – на очень скучных вещах, таких как правила».

Хотя эти определения могут показаться абстрактными, они помогают определить основные направления теоретических исследований в области компьютерных наук и предоставляют конкретные пути внедрения программ с искусственным интеллектом для решения прикладных задач.

В чем заслуга Тьюринга перед развитием ИИ?

В середине прошлого века Алан Тьюринг заложил теоретическую базу, которая опередила свое время и легла в основу современных компьютерных наук, за что его прозвали «отцом информатики».

В 1936 году ученый создал абстрактный вычислитель – так называемую машину Тьюринга – важная составляющая теории алгоритмов, которая легла в основу современных компьютеров. В теории такая машина может решить любую алгоритмическую задачу.

В свою очередь, если алгоритм можно запустить на машине Тьюринга, то язык программирования, использованный для его создания, будет обладать «полнотой по Тьюрингу», на котором можно написать любой алгоритм. Например, язык C# обладает такой полнотой, а html – нет.

Также именем математика назван мысленный тест, который не имеет отношения к машине, но напрямую связан с искусственным интеллектом – тест Тьюринга. В научной среде считается, что как только машина пройдет это испытание, можно будет полноценно говорить о появлении разумных машин.

Суть игры состоит в том, что человек с помощью текстовой переписки взаимодействует одновременно с машиной и другим человеком. Задача компьютера – ввести участника теста в заблуждение и убедительно выдавать себя за человека.

Какой бывает ИИ?

Искусственный интеллект обычно разделяют на две большие категории:

• Слабый ИИ [Weak AI]: этот вид искусственного интеллекта, который иногда называют «узким ИИ» [Narrow AI], работает в ограниченном контексте и является имитацией человеческого интеллекта. Слабый ИИ часто ориентирован на очень хорошее выполнение одной задачи. И, хотя эти машины могут показаться умными, они работают с большими ограничениями.
• Общий искусственный интеллект (AGI): AGI, иногда называемый «сильным ИИ» [Strong AI], – вид искусственного интеллекта, который мы видим в фильмах, например, роботов из «Мира Дикого Запада» или голограмму Джой из «Бегущего по лезвию 2049». AGI – это машина с общим интеллектом, которая, как и человек, может применять его для решения любой проблемы.

Что такое слабый искусственный интеллект?

Слабый ИИ окружает нас повсюду, и на сегодняшний день это самая успешная реализация искусственного интеллекта.

Ориентируясь на выполнение конкретных задач, за последнее десятилетие он совершил множество прорывов, которые принесли «значительные общественные выгоды и внесли вклад в экономическую жизнеспособность нации», согласно отчету «Подготовка к будущему искусственного интеллекта», опубликованному администрацией Обамы в 2016 году.

Вот несколько примеров слабого ИИ:

• поиск Google;
• ПО для распознавания изображений;
• Siri, Alexa и другие голосовые помощники;
• Беспилотные автомобили;
• Рекомендательные системы Netflix и Spotify;
• IBM Watson.

Как работает слабый ИИ?

Большая часть слабого ИИ основана на достижениях в области машинного обучения и глубокого обучения. Схожесть этих понятий может сбивать с толку, однако их следует различать. Венчурный капиталист Фрэнк Чен предложил следующее определение:

«Искусственный интеллект – это набор алгоритмов, которые пытаются имитировать человеческий интеллект. Машинное обучение является одним из них, а глубокое обучение – одним из методов машинного обучения».

Другими словами, машинное обучение снабжает компьютер данными и использует статистические методы, чтобы помочь ему научиться выполнять задачи, не будучи специально запрограммированным для них, что устраняет необходимость в миллионах строк написанного кода. Популярными видами машинного обучения являются обучение с учителем (с использованием помеченных наборов данных), обучение без учителя (с использованием немаркированных наборов данных), и обучение с подкреплением.

Глубокое обучение — это тип машинного обучения, при котором вводимые данные обрабатываются через архитектуру нейронной сети, основанной на биологических принципах.

Нейронные сети содержат ряд скрытых слоев, через которые обрабатываются данные, что позволяет машине «углубиться» в свое обучение, устанавливать связи и взвешивать ввод для достижения наилучших результатов.

Что такое машинное обучение?

Искусственный интеллект и машинное обучение – не одно и то же. Машинное обучение является лишь одним из подразделов ИИ.

Наиболее распространенными типами машинного обучения — с учителем, без учителя и с подкреплением.

Обучение с учителем используют тогда, когда у разработчиков имеются размеченный набор данных и они знают какие именно признаки должен искать алгоритм.

Как правило, оно делится на две категории: классификация и регрессия.

Классификация применяется в тех случаях, когда необходимо отнести объекты в заранее известные классы. Данный тип обучения используется в спам-фильтрах, определении языка или выявлении подозрительных транзакций.

Регрессию используют, когда необходимо соотнести объект с временной линией, например — для прогнозирования стоимости ценных бумаг, спроса на товар или постановки медицинских диагнозов.

Обучение без учителя — менее популярный вид МО из-за его непредсказуемости. Алгоритмы обучаются на неразмеченных данных и им необходимо самостоятельно найти признаки и закономерности. Часто используется для кластеризации, уменьшения размерности и поиска ассоциаций.

Кластеризация – это как классификация, но без известных классов. Алгоритм должен сам найти признаки схожести в объектах и объединить их в кластеры. Используется для анализа и разметки новых данных, сжатия изображений или объединения меток на карте.

Уменьшение размерности – обобщает конкретные признаки в абстракции более высокого уровня. Часто используется для определения тематики текстов или создания рекомендательных систем.

Ассоциации нашли свое применение в маркетинге, например — при составлении акций и распродаж или анализа поведения пользователей на сайте. Также может служить для создания рекомендательной системы.

Обучение с подкреплением – это обучение агента выживать в среде, в которой он существует. Средой может быть все что угодно: от видеоигры до реального мира.

Например, существуют алгоритмы, которые играют в Супер-Марио не хуже людей, а в реальном мире автопилот в машинах Tesla или робот-пылесос делают все, чтобы объезжать препятствия на своем пути.

Обучение с подкреплением предусматривает награду для агента за правильное действие и наказание за ошибки. Алгоритму не обязательно запоминать весь свой предыдущий опыт и просчитывать все возможные варианты развития событий. Он должен научится действовать по ситуации.

Помните, когда машина обыграла человека в го? Еще задолго до этого ученые установили, что вариаций ходов в этой игре больше, чем атомов во вселенной. Ни одна компьютерная программа из ныне существующих не смогла бы просчитать все варианты развития партии. Однако AlphaGo, алгоритм компании Google, справился с этой задачей, не просчитывая все ходы наперед, а действуя по обстоятельствам, делая это с невероятно высокой точностью.

Что такое нейронные сети и глубокое обучение?

Концепция искусственных нейросетей не нова. Впервые это понятие сформулировали американские ученые Уоррен Мак-Каллок и Уолтер Питтс в 1943 году.

Любая нейронная сеть состоит из нейронов и связей между ними. Нейрон – это функция, которая имеет множество входов и один выход. Они обмениваются информацией между собой по каналам связи, каждый из которых имеет определенный вес.

Вес – это параметр, определяющий прочность связи между нейронами. Сам нейрон не разбирается, что он посылает, поэтому вес необходим для того, чтобы регулировать, на какие входы реагировать, а на какие нет.

Например, если нейрон посылает цифру 50, а вес связи указать 0,1, то результат получится 5.

По мере усложнения архитектуры нейросетей, нейроны решили связывать не как угодно, а по слоям. Внутри слоя нейроны никак не взаимодействуют между собой, а получают и передают информацию из предыдущего слоя в следующий.

Как правило, чем больше слоев в нейросети – тем сложнее и точнее модель. Но тогда, 50 лет назад, исследователи уперлись в ограничения вычислительных мощностей. В итоге технология оказалась разочарованием и о ней забыли на долгие годы.

Вспомнили о ней в 2012 году — студенты Университета Торонто Алекс Крижевский, Илья Сатскевер и Джефф Хинтон выиграли конкурс по компьютерному зрению ImageNet. Они использовали сверточную нейронную сеть для классификации изображений, уровень ошибок которой составила 15,3%, что более чем на 10% ниже, чем у команды, занявшей второе место. Революция в области глубокого обучения произошла во многом благодаря развитию графических карт.

Глубокое обучение отличается от нейронных сетей лишь в методах обучения сетей больших размеров. На практике, как правило, разработчики не выясняют, какую сеть можно считать глубокой, а какую нет. Сегодня даже для построения сетей на пять слоев разработчики пользуются «глубокими» библиотеками, такими как Keras, TensorFlow или PuTorch.

На сегодняшний день самыми популярными сетями являются сверточные нейросети (CNN) и рекуррентные нейросети (RNN).

CNN часто используется для распознавания лиц, поиска объектов на фотографиях и видео, улучшения качества изображений и прочих задач. Рекуррентным сетям нашли применение в машинном переводе текста и синтезе речи. Например, с 2016 года Google Translate работает на основе RNN-архитектуры.

Также популярность нашли генеративно-состязательные сети (GAN). В ее основе лежат две нейросети, одна из которых генерирует данные, например — изображение, а вторая пытается отличить правильные образцы от неправильных. Так как две сети соревнуются между собой, между ними возникает антагонистическая игра.

GAN часто используется для создания фотореалистичных фотографий. Например, репозиторий изображений This Person Does Not Exist состоит из портретных фото «людей», созданных генеративной нейросетью.

Что такое общий искусственный интеллект?

Создание машины с интеллектом человеческого уровня, которая может быть применена к любой задаче, является Святым Граалем для многих исследователей ИИ, но поиски AGI сопряжены с некоторыми трудностями.

Общий ИИ уже давно является музой антиутопической научной фантастики, в которой сверхразумные роботы наводняют человечество, но эксперты сходятся во мнении, что это не то, о чем нам нужно беспокоиться в ближайшее время.

Американский изобретатель и футуролог Рэй Курцвейл предсказал, что общий ИИ появится уже к 2029 году. Его коллега Родни Брукс не столь оптимистичен, и уверен, что переломный момент развития технологий машинного разума произойдет к 2300 году.

Стюарт Рассел, один из авторов учебника «Искусственный интеллекта: современный подход», предполагает, что изобретение AGI станет случайным, как, например, открытие ядерной энергии в 1933 году. Ученый считает, что это яркий пример того, как бессмысленно давать какие-либо прогнозы в развитии столь непредсказуемой технологии, которая до конца еще не изучена.