Как работает искусственный интеллект
|
В последнее время мы все больше слышим об искусственном интеллекте. Он применяется практически везде: от сферы высоких технологий и сложных математических вычислений до медицины, автомобилестроения и даже при работе смартфонов. Технологии, лежащие в основе работы ИИ в современном представлении, мы используем каждый день и порой даже можем не задумываться об этом. Но что такое искусственный интеллект? Как он работает? И представляет ли опасность? |
Для начала давайте определимся с терминологией. Если вы представляете себе искусственный интеллект, как что-то, способное самостоятельно думать, принимать решения, и в целом проявлять признаки сознания, то спешим вас разочаровать. Практически все существующие на сегодняшний день системы даже и близко не «стоят» к такому определению ИИ. А те системы, что проявляют признаки подобной активности, на самом деле все-равно действуют в рамках заранее заданных алгоритмов. |
Порой алгоритмы эти весьма и весьма продвинутые, но они остаются теми «рамками», в пределах которых работает ИИ. Никаких «вольностей» и уж тем более признаков сознания у машин нет. Это просто очень производительные программы. Но они «лучшие в своем деле». К тому же системы ИИ продолжают совершенствоваться. Да и устроены они совсем небанально. Даже если откинуть тот факт, что современный ИИ далек от совершенства, он имеет с нами очень много общего. |
Как работает искусственный интеллект |
В первую очередь ИИ может выполнять свои задачи (о которых чуть позже) и приобретать новые навыки благодаря глубокому машинному обучению. Этот термин мы тоже часто слышим и употребляем. Но что он означает? В отличие от «классических» методов, когда всю необходимую информацию загружают в систему заранее, алгоритмы машинного обучения заставляют систему развиваться самостоятельно, изучая доступную информацию. Которую, к тому же, машина в некоторых случаях тоже может искать самостоятельно. |
Например, чтобы создать программу для обнаружения мошенничества, алгоритм машинного обучения работает со списком банковских транзакций и с их конечным результатом (законным или незаконным). Модель машинного обучения рассматривает примеры и разрабатывает статистическую зависимость между законными и мошенническими транзакциями. После этого, когда вы предоставляете алгоритму данные новой банковской транзакции, он классифицирует ее на основе шаблонов, которые он подчерпнул из примеров заранее. |
Как правило, чем больше данных вы предоставляете, тем более точным становится алгоритм машинного обучения при выполнении своих задач. Машинное обучение особенно полезно при решении задач, где правила не определены заранее и не могут быть интерпретированы в двоичной системе. Возвращаясь к нашему примеру с банковскими операциями: по-факту на выходе у нас двоичная система исчисления: 0 — законная операция, 1 — незаконная. Но для того, чтобы прийти к такому выводу системе требуется проанализировать целую кучу параметров и если вносить их вручную, то на это уйдет не один год. Да и предсказать все варианты все-равно не выйдет. А система, работающая на основе глубокого машинного обучения, сумеет распознать что-то, даже если в точности такого случая ей раньше не встречалось. |
Глубокое обучение и нейронные сети |
В то время, как классические алгоритмы машинного обучения решают многие проблемы, в которых присутствует масса информации в виде баз данных, они плохо справляются с, так сказать, «визуальными и аудиальными» данными вроде изображений, видео, звуковых файлов и так далее. |
Например, создание модели прогнозирования рака молочной железы с использованием классических подходов машинного обучения потребует усилий десятков экспертов в области медицины, программистов и математиков,- заявляет исследователь в сфере ИИ Джереми Говард. Ученые должны были бы сделать много более мелких алгоритмов для того, чтобы машинное обучение справлялось бы с потоком информации. Отдельная подсистема для изучения рентгеновских снимков, отдельная — для МРТ, другая — для интерпретации анализов крови, и так далее. Для каждого вида анализа нам нужна была бы своя система. Затем все они объединялись бы в одну большую систему… Это очень трудный и ресурсозатратный процесс. |
Алгоритмы глубокого обучения решают ту же проблему, используя глубокие нейронные сети, тип архитектуры программного обеспечения, вдохновленный человеческим мозгом (хотя нейронные сети отличаются от биологических нейронов, принцип действия у них почти такой же). Компьютерные нейронные сети — это связи «электронных нейронов», которые способны обрабатывать и классифицировать информацию. Они располагаются как-бы «слоями» и каждый «слой» отвечает за что-то свое, в итоге формируя общую картину. Например, когда вы тренируете нейронную сеть на изображениях различных объектов, она находит способы извлечения объектов из этих изображений. Каждый слой нейронной сети обнаруживает определенные особенности: форму объектов, цвета, вид объектов и так далее. |
Нейронные сети — это искусственный человеческий мозг? |
Несмотря на похожее строение машинной и человеческой нейросети, признаками нашей центральной нервной системы они не обладают. Компьютерные нейронные сети по-сути все те же вспомогательные программы. Просто вышло так, что самой высокоорганизованной системой для проведения вычислений оказался наш мозг. Вы ведь наверняка слышали выражение «наш мозг — это компьютер»? Ученые просто «повторили» некоторые аспекты его строения в «цифровом виде». Это позволило лишь ускорить вычисления, но не наделить машины сознанием. |
Нейронные сети существуют с 1950-х годов (по крайней мере, в виде концепий). Но до недавнего времени они не получали особого развития, потому что их создание требовало огромных объемов данных и вычислительных мощностей. В последние несколько лет все это стало доступным, поэтому нейросети и вышли на передний план, получив свое развитие. Важно понимать, что для их полноценного появления не хватало технологий. Как их не хватает и сейчас для того, чтобы вывести технологию на новый уровень. |
Для чего используется глубокое обучение и нейросети |
Есть несколько областей, где эти две технологии помогли достичь заметного прогресса. Более того, некоторые из них мы ежедневно используем в нашей жизни и даже не задумываемся, что за ними стоит. |
Компьютерное зрение — это способность программного обеспечения понимать содержание изображений и видео. Это одна из областей, где глубокое обучение сделало большой прогресс. Например, алгоритмы обработки изображений глубокого обучения могут обнаруживать различные типы рака, заболеваний легких, сердца и так далее. И делать это быстрее и эффективнее врачей. Но глубокое обучение также укоренилось и во многих приложениях, которые вы используете каждый день. Apple Face ID и Google Photos используют глубокое обучение для распознавания лица и улучшения качества снимков. Facebook использует глубокое обучение, чтобы автоматически отмечать людей на загружаемых фотографиях и так далее. Компьютерное зрение также помогает компаниям автоматически идентифицировать и блокировать сомнительный контент, такой как насилие и нагота. И, наконец, глубокое обучение играет очень важную роль в обеспечении возможности самостоятельного вождения автомобилей, чтобы они могли понимать, что их окружает. |
Распознавание голоса и речи. Когда вы произносите команду для вашего Google Ассистента, алгоритмы глубокого обучения преобразуют ваш голос в текстовые команды. Несколько онлайн-приложений используют глубокое обучение для транскрибирования аудио- и видеофайлов. Даже когда вы «шазамите» песню, в дело вступают алгоритмы нейросетей и глубокого машинного обучения. |
Поиск в интернете: даже если вы ищите что-то в поисковике, для того, чтобы ваш запрос был обработан более четко и результаты выдачи были максимально правильными, компании начали подключать алгоритмы нейросетей к своим поисковым машинам. Так, производительность поисковика Google выросла в несколько раз после того, как система перешла на глубокое машинное обучение и нейросети. |
Пределы глубокого обучения и нейросетей |
Несмотря на все свои преимущества, глубокое обучение и нейросети также имеют и некоторые недостатки. |
Зависимость от данных: в целом, алгоритмы глубокого обучения требуют огромного количества обучающих данных для точного выполнения своих задач. К сожалению, для решения многих проблем недостаточно качественных данных обучения для создания рабочих моделей. |
Непредсказуемость: нейронные сети развиваются каким-то странным путем. Иногда все идет как задумано. А иногда (даже если нейросеть хорошо справляется со своей задачей), даже создатели изо всех сил пытаются понять, как же алгоритмы работают. Отсутствие предсказуемости делает чрезвычайно трудным устранение и исправление ошибок в алгоритмах работы нейросетей. |
Алгоритмическое смещение: алгоритмы глубокого обучения так же хороши, как и данные, на которых они обучаются. Проблема заключается в том, что обучающие данные часто содержат скрытые или явные ошибки или недоработки, и алгоритмы получают их «в наследство». Например, алгоритм распознавания лиц, обученный в основном на фотографиях белых людей, будет работать менее точно на людях с другим цветом кожи. |
Отсутствие обобщения: алгоритмы глубокого обучения хороши для выполнения целенаправленных задач, но плохо обобщают свои знания. В отличие от людей, модель глубокого обучения, обученная играть в StarCraft, не сможет играть в другую подобную игру: скажем, в WarCraft. Кроме того, глубокое обучение плохо справляется с обработкой данных, которые отклоняются от его учебных примеров. |
Будущее глубокого обучения, нейросетей и ИИ |
Ясное дело, что работа над глубоким обучением и нейронными сетями еще далека от завершения. Различные усилия прилагаются для улучшения алгоритмов глубокого обучения. Глубокое обучение — это передовой метод в создании искусственного интеллекта. Он становится все более популярным в последние несколько лет, благодаря обилию данных и увеличению вычислительной мощности. Это основная технология, лежащая в основе многих приложений, которые мы используем каждый день. |
Но родится ли когда-нибудь на базе этой технологии сознание? Настоящая искусственная жизнь? Кто-то из ученых считает, что в тот момент, когда количество связей между компонентами искусственных нейросетей приблизиться к тому же показателю, что имеется в человеческом мозге между нашими нейронами, что-то подобное может произойти. Однако это заявляение очень сомнительно. Для того, чтобы настоящий ИИ появился, нам нужно переосмыслить подход к созданию систем на основе ИИ. Все то, что есть сейчас — это лишь прикладные программы для строго ограниченного круга задач. Как бы нам не хотелось верить в то, что будущее уже наступило… |
Источник |
При использовании материалов с сайта активная ссылка на него обязательна
|