Почему искусственный интеллект нужно изучать даже гуманитариям
Что такое ИИ и почему это так интересно
Тема искусственного интеллекта и машинного мышления интересовала учёных ещё до изобретения компьютеров, а после появления ЭВМ вышла на новый уровень. В 1950-60-х годах вопросы, связанные с созданием и использованием искусственного интеллекта, стали широко обсуждаться в обществе.
Ответ на этот вопрос найти сложно ещё и потому, что нет чётких критериев разумности машины. Если это умение делать логические умозаключения, то компьютер давно превзошёл человека. Если же речь идёт о гибкости и оригинальности мышления, тут человек пока ещё превосходит даже самые современные интеллектуальные устройства.
ИИ активно используется в самых разных областях, список которых с каждым годом расширяется, и найти своё место в этой сфере могут не только технари, но и гуманитарии — специалисты по управлению проектами, рекламе и пиару, психологи, экономисты, лингвисты.
Что могут программы с искусственным интеллектом
Современные технологии искусственного интеллекта позволяют создать устройства и программы, которые:
- находят максимум возможных решений одной ситуации; машинный интеллект может быстро проанализировать все варианты и просчитать, какой из них будет наиболее дешёвым, безопасным, эффективным. Ответы машины будут зависеть от того, какую задачу перед ней поставил человек.Например, ИИ может подсчитать, производство какой модели или товара более выгодно, опираясь на данные о стоимости расходных материалов и объёмах продаж.
- могут отвечать на любые вопросы, интегрированные в их систему; при этом машина умеет не только находить готовый ответ в базе данных, но и отыскивать его с помощью промежуточных наводящих вопросов, постепенно сужающих область поиска. Известная онлайн-игра «Акинатор», когда человек загадывает персонажа, а машина задаёт вопросы и отгадывает, кто это, тоже основана на технологиях искусственного интеллекта.
- собирают и обрабатывают информации большие массивы информации, анализируют её, объединяют не связанные между собой фрагменты информации; так работает, например, система поиска по картинкам в «Яндексе» или Google.
В каких сферах применяется ИИ
Обработка языка
Машинный перевод активно используется в интернете и социальных сетях, совершенствуясь с каждым годом. Компьютер научился распознавать и устную, и письменную, и печатную речь. По прогнозам, переводчик станет одной из первых профессий, которая исчезнет «по вине» ИИ.
Компьютерные игры
Искусственный интеллект используется для создания игровой Вселенной, он управляет ботами – персонажами, за которых не играют люди. С помощью ИИ создаются игровые стратегии.
Управление финансами
Программы и устройства успешно осуществляют бухгалтерские операции, ведут учёт и контроль, могут создавать прогнозы на основе имеющихся данных. Специальные программы ведут учёт расходов.
Анализ окружающей среды
Технологии искусственного интеллекта применяются для создания «умных домов». Контроль над всем, что происходит в доме – электричеством, отоплением, вентиляцией, работой бытовой техники осуществляет специальная программа. Роботы-пылесосы сканируют окружающее пространство, чтобы определить, нужно ли им приступать к работе.
Мобильные приложения
Программы для мобильных телефонов умеют распознавать лица, отслеживать наше месторасположение, следят за режимом сна и питания.
Транспорт
С помощью интеллектуальных устройств можно выстроить маршрут передвижения с учётом пробок, компьютер в современном автомобиле в определённых режимах отслеживает положение машины на дороге, контролирует скорость и мощность двигателя. Технология ИИ используется в автомобилях, способных передвигаться без участия человека.
Медиа
С помощью специальных программ можно планировать и публиковать материалы в интернете и соцсетях. Технологии ИИ подбирают контент в соответствии с интересами пользователя. В недалёком будущем компьютерные программы, вероятно, научатся создавать тексты на основе уже загруженных в интернет материалов.
HR
ИИ может анализировать резюме соискателей, распределять их на группы в зависимости от навыков и квалификации и даже определять, насколько работник подходит для той или иной должности.
Медицина
Искусственный интеллект анализирует данные пациентов и выявляет связь между методами лечения и состоянием больного. В будущем планируется создать роботов, которые будут ставить диагноз на основе имеющихся симптомов, обращаясь к медицинской базе данных.
Тяжёлая промышленность
Роботы активно применяются в областях, где необходима постоянная концентрация на совершении одних и тех же рутинных действий. Самый высокий уровень внедрения машин с элементами искусственного интеллекта в производство на данный момент отмечен в Японии: на 10 000 сотрудников автомобильной промышленности там приходилось в 2014 году около 1500 роботов.
Зачем изучать технологию ИИ
Перспектива
Искусственный интеллект — технология не только настоящего, но и будущего, и у специалистов в этой сфере не будет проблем с трудоустройством в ближайшие несколько десятков лет. В эту область уже сейчас привлекаются огромные инвестиции, а значит, не будет проблем и с оплатой труда работников, занимающихся разработкой, изготовлением и внедрением технологий ИИ.
Вклад в науку и культуру
Искусственный интеллект и создание интеллектуальных программ и устройств — та область, в которой постоянно совершаются новые открытия. Занимаясь искусственным интеллектом, учёные и инженеры находятся на переднем крае мировой науки, продвигают человечество вперёд. Кроме того, развитие искусственного интеллекта и внедрение его в нашу жизнь порождает множество этико-философских вопросов, для разрешения которых нужен уже не машинный, а человеческий разум, способный к творческому мышлению.
Творчество
В сфере создания ИИ очень востребованы не только разработчики программного обеспечения, но и люди с креативным мышлением, способные придумывать и продвигать новые идеи. Чтобы работать в этой сфере, важно уметь нестандартно мыслить. Отдельное перспективное направление, которым может заняться творческий человек – обучение машины созданию произведений искусства. Уже сегодня компьютеры рисуют картины, пишут музыку и стихи. В недалёком будущем, возможно, они возьмут на себя создание книг, кино и мультфильмов.
Освоение новых навыков
Чтобы работать в области искусственного интеллекта, необходимо хорошее знание математики и основ программирования. Для изучения ИИ наиболее важны два раздела математики – линейная алгебра и теория вероятности. Самый востребованный язык программирования в этой сфере – Python, потом идут R и Lua. Пригодится также знание английского языка – самые современные научные данные, статьи, отчёты о достижениях и экспериментах, как правило, публикуются на английском.
Для успешной работы в области ИИ необходимо критическое мышление, умение тщательно проверять любую гипотезу, сопоставлять все данные, анализировать любую задачу с разных сторон. Понадобятся и хорошие коммуникативные навыки – работа над проектами ИИ происходит в большой команде, в сотрудничестве с коллегами и специалистами из смежных областей.
Доступность
Приступить к изучению технологию искусственного интеллекта на начальном уровне вполне можно самостоятельно, с изучения соответствующей литературы.
Книги, в доступной форме рассказывающие о машинном обучении и технологиях ИИ:
- Педро Домингос «Верховный алгоритм»;
- Хенрик Бринк, Джозеф Ричардс, Марк Феверолф «Машинное обучение»;
- Георгий Кухарев, Екатерина Каменская, Юрий Матвеев, Надежда Щеголева «Методы обработки и распознавания изображений лиц в задачах биометрии»;
- Петер Флах «Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных».
Познакомиться с основами создания алгоритмов для искусственного интеллекта можно на кружках робототехники в школе или центре детского творчества. Кроме того, можно найти бесплатные онлайн-курсы и открытые лекции в интернете о машинном интеллекте.
Технологии машинного обучения и искусственного интеллекта — одна из самых интересных и перспективных областей, изучение которой полезно школьникам не только с математическим, но и с гуманитарным складом ума. Это поможет им приобрести новые навыки, расширит список возможных профессий и позволит внести вклад в развитие научно-технического прогресса.
Как устроен искусственный интеллект: всё, что вы хотели знать об ИИ, но боялись спросить
Я учился на факультете вычислительной математики и кибернетики МГУ, поступил туда в 2008 году. Тогда направление ИИ существовало и активно изучалось, просто без хайпа. На факультете уже была кафедра математических методов прогнозирования, там работали молодые сотрудники, которые сейчас стали известными учёными.
Позже работал в компаниях «Биоклиникум», Forecsys, «Озон», с 2014 года — Яндекс. С 2016 преподаю на факультете компьютерных наук НИУ ВШЭ, где веду курсы на майноре «Интеллектуальный анализ данных», разработал и читаю курс по машинному обучению на программе «прикладная математика и информатика».
Что вообще такое искусственный интеллект?
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 ИИ существуют?
Сейчас есть два взаимно обусловленных направления в ИИ. 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.
Евгений Соколов, доцент факультета компьютерных наук НИУ ВШЭ
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 ИИ?
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 ИИ. 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» ИИ? 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 ИИ было бы уместно называть специализированным.
Евгений Соколов, доцент факультета компьютерных наук НИУ ВШЭ
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 ИИ 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 ИИ. Некоторые исследователи считают, что шаг к сильному ИИ — 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 ИИ 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 ИИ 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 ИИ. 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 ИИ — 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 ИИ. 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 ИИ 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 ИИ 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 ИИ, но даёт повод волноваться.
Евгений Соколов, доцент факультета компьютерных наук НИУ ВШЭ
Сможет ли ИИ самостоятельно программировать?
О недавней нейросети AlphaCode (система ИИ для генерации кода, разработка Alphabet) много говорилась, но она обучена для конкретной цели. Существуют алгоритмические олимпиадные задачи, где даётся описание и примеры. Задачи эти невысокой сложности. И программа должна по описанию создать код для решения. Но их и пятиклассник решит при должной подготовке. Я бы сказал, что из подобных систем могут получиться помощники для программистов, которые за них будут решать рутинные задачи, оставляя время на что-то более сложное. О замене же программистов алгоритмами пока говорить очень рано.
Куда пойти учиться на разработчика ИИ?
На факультет компьютерных наук в ВШЭ. Я руковожу бакалаврской программой «прикладная математика и информатика», где машинное обучение и ИИ — одни из главных направлений. В программе — курсы по обработке больших данных, анализу текстов и звука, компьютерному зрению. Если уже учились в бакалавриате, в ВШЭ есть магистерские программы и курсы дополнительного образования.
Как работают искусственный интеллект, машинное и глубокое обучение
Об авторе: Андрей Беляев, технический директор (CTO) исследовательской компании Neurodata Lab.
Умные дома, самоуправляемые автомобили, роботы-помощники… Нас окружают инновационные технологии, в основе которых лежат алгоритмы, по своей специфике напоминающие работу человеческого мозга. Их называют по-разному: алгоритмы с использованием машинного обучения, глубокого обучения, а иногда и вовсе искусственный интеллект (ИИ).
В чем разница между этими названиями?
Все задачи, которые может решать человек или компьютер, можно условно разделить на две категории: рутинные и нерутинные.
К рутинным задачам можно отнести те, где достаточно просто найти универсальный путь решения: например, сложение чисел или измерение температуры воздуха.
Искусственным интеллектом сейчас принято называть все, что способно решать нерутинные задачи на уровне, близком к человеческому, а иногда и лучше. Такие задачи окружают нас везде. Камеры над дорогой вычисляют скорость автомобиля, распознают его знак и высылают штраф, а системы безопасности в метро и аэропортах находят преступников в толпе. Все это сегодня принято считать искусственным интеллектом, хотя в действительности алгоритмы, лежащие в основе каждой такой технологии, уникальны. И только некоторые используют машинное обучение.
Получается, что машинное обучение — это обучение ИИ
Искусственный интеллект — это название не какого-то отдельного алгоритма, но скорее группы методов, которыми пользуются для решения различного рода задач. Алгоритмы, которые используют подходы с обучением, являются лишь одной из подгрупп всего того множества алгоритмов, что принято называть искусственным интеллектом.
Машинное обучение — это подход, при котором алгоритм «учится» решать задачу. Один из самых простых примеров алгоритма, использующего машинное обучение, это классификация фотографий на те, где изображены кошки и те, где есть собаки:
Допустим, есть несколько тысяч фотографий кошек и несколько тысяч — собак. Эти данные можно загрузить в алгоритм и заставить его «учиться» отличать кошек от собак, «ругая» за ошибки в классификации и «поощряя» за правильные ответы. В зависимости от количества и качества вводных данных, а также от сложности используемого алгоритма после некоторого количества итераций с «наказанием» и «поощрением», получается обученный алгоритм, которой с разным качеством умеет отличать кошек и собак.
Применяя методы машинного обучения, эти же алгоритмы можно «натренировать» и для выполнения более сложных задач — таких как поиск людей на кадре, определение пола и возраста человека и т.д.
Такие алгоритмы можно научить решать задачи любой сложности?
В теории — да. Но на практике мы сталкиваемся с большим количеством проблем, начиная от недостаточного количества данных для обучения, заканчивая невозможностью интерпретировать действия человека при решении такой же задачи. Получается, что невозможно построить алгоритм, который эти действия бы совершал. Хороший пример — автопилотируемый автомобиль. Научить машину держать полосу, входить в повороты и автоматически перестраивать маршрут, если на дороге ремонт, сравнительно несложно, потому что есть понимание, как вел бы себя человек (а значит, как должна вести себя машина) в таких ситуациях.
Однако научить автомобиль принимать решения в чрезвычайных ситуациях гораздо сложнее: проблема в том, что и самому человеку трудно понять, как именно надо поступать в том или ином экстренном случае. Поэтому человек не может показать алгоритмам примеры хорошего и плохого поведения для таких случаев.
А что насчет глубокого обучения? Чем оно отличается от машинного?
Как машинное обучение является подвидом искусственного интеллекта, так и глубокое обучение является подвидом машинного (см. картинку в начале статьи). В глубоком обучении используются те же подходы: алгоритму дают много данных и «ругают» его за ошибки. Разница здесь в том, что сами алгоритмы глубокого обучения устроены гораздо сложнее и часто используют более серьезные математические модели. Сейчас под алгоритмами глубокого обучения практически всегда подразумевают нейронные сети.
Нейронные сети? Как те, что в мозгу у человека?
Такое сравнение действительно часто используется. Нейронная сеть — это последовательность слоев, каждый из которых, в свою очередь, состоит из нейронов, и каждый выполняет свою роль. Есть нейроны (или структуры нейронов), которые учатся выделять важные элементы на изображениях, например шерсть у кошки или собаки; есть те, которые учатся делать выводы, исходя из выделенных элементов — например, если у животного длинные лапы, то, скорее всего, это собака. Эти нейроны объединяются в группы (слои), а они превращаются в единую искусственную нейронную сеть.
И все же можно как-то сравнить процессы внутри нейросети с деятельностью мозга?
Некоторое количество идей, используемых в нейросетях, разработчики почерпнули из знаний об устройстве человеческого мозга. Одни из самых частых задач для нейросетей — это задачи, связанные с работой с изображениями. Для таких задач используют специальный тип нейросетей, внутри которых есть так называемые сверточные слои.
Если говорить упрощенно, смысл этой сверточной нейронной сети в том, чтобы оценивать каждый элемент картинки (пиксель) не отдельно, а в группе с несколькими соседними, благодаря чему можно находить как базовые фигуры (линии, углы, и т.д.), так и объекты целиком. Примерно такой же процесс происходит и в человеческом мозге при обработке визуальной информации. После снятия всех возможных визуальных признаков в нейросети, как и в человеческом мозге, происходит анализ этих признаков, а затем принимается решение: видим мы, допустим, кошку или собаку.
А как происходит процесс обучения?
Процесс обучения алгоритма во многом напоминает процесс обучения человека. Как мы совершаем ошибки и учимся на них (например, что не стоит засовывать руку в кипящую воду), так и алгоритмы, использующие машинное обучение, совершают ошибки, за что получают штраф.
Как работает нейросеть? В качестве примера можно рассмотреть процесс обучения нейросети распознаванию лиц. Чтобы корректно обучить любую нейросеть, нужно сделать две вещи: собрать достаточное количество данных и определить, за что мы будем ее штрафовать. Применительно к этой задаче необходимо собрать несколько десятков фотографий лиц для каждого из людей, которых надо определить, и штрафовать нейросеть за то, что предсказанный ею человек не совпадает с человеком на фотографии.
Что значит «поощрять» и «штрафовать» нейросеть?
С математической точки зрения нейросеть — это функция с большим количеством параметров. Штрафование этой функции за неверное определения лица — это когда мы, упрощенно говоря, корректируем работу функции таким образом, чтобы в будущем она меньше ошибалась. Соответственно, поощрение нейросети — это когда мы ее просто не штрафуем.
График зависимости между длительностью обучения (горизонтальная ось) и конечной ошибкой (вертикальная ось). Чем дольше мы учим нейросеть, тем меньше ошибка.
Во всех примерах вы рассказываете про конкретные задачи. А можно ли нейросеть научить думать, как человек?
Это уже скорее философский вопрос. Мыслительный процесс напрямую связан с наличием сознания. Нейронная сеть, как и любой другой алгоритм машинного обучения, по своей сути является лишь математической функцией, и умеет решать лишь одну конкретную задачу. Нейросеть, которую учили отличать кошек и собак, не сможет отличить медведя от слона, ведь она даже не знала, что такие существуют. Процессы же анализа данных, которые происходят в голове у человека, намного сложнее чем те, что происходят в нейросети, так что даже при наличии данных, сопоставимых по размеру с массивом информации, которую за жизнь получает человек, сегодня обучить нейросеть думать, как человек, невозможно.
Подписывайтесь и читайте нас в Яндекс.Дзене — технологии, инновации, эко-номика, образование и шеринг в одном канале.
При подготовке материала использовались источники:
https://media.foxford.ru/articles/artificial-intelligence
https://academy.yandex.ru/journal/kak-ustroen-iskusstvennyj-intellekt
https://trends.rbc.ru/trends/industry/5e845cec9a794747bf03e2c9