Искусственный интеллект

Обучение и развитие моделей ИИ

ИИ стал универсальным термином для приложений, которые выполняют сложные задачи, которые когда-то требовали участия человека, например, общение с клиентами в Интернете или игра в шахматы. Этот термин часто используется взаимозаменяемо с его подобластями, которые включают машинное обучение (ML) и глубокое обучение.

Однако, когда на сцену вышел генеративный ИИ, такой как ChatGPT, его удивительная способность имитировать человеческие реакции и доступность для каждого, у кого есть компьютер, неожиданно вывели дискуссии о машинном обучении и соблюдении этических норм в публичную сферу. Такие понятия, как глубокое обучение, NLP и нейронные сети, просочились в повседневные профессиональные и даже личные разговоры.

Первые попытки теоретического проектирования мыслящих машин были предприняты после Второй Мировой войны сразу несколькими исследователями независимо друг от друга. В 1947 году Алан Тьюринг прочитал первую лекцию об искусственном интеллекте, в которой, вероятнее всего, первым постулировал, что построение оного будет с большей вероятностью заключаться в написании компьютерной программы, чем в проектировании вычислительной машины. Тремя годами позже он выпустил статью «Счётные машины и интеллект» (англ. Computing Machinery and Intelligence ), в которой обсудил вопросы оценки интеллектуальности машины и предложил критерий, по которому машина может считаться интеллектуальной, если она может убедительно представиться человеком информированному наблюдателю. Это было названо по имени создателя, «Тестом Тьюринга». При этом, в дальнейшем неоднократно проводились слепые тесты Тьюринга, которые показали, что большинство людей готовы признать человеком довольно глупую программу [1] .

Обеспечение ответственного подхода к разработке ИИ имеет решающее значение для его безопасного, надежного и этичного развития. Но как можно решить вопросы прозрачности и объяснимости в контексте ответственного использования ИИ? Подробно данные понятия рассмотрены в нашей статье о создании ответственного искусственного интеллекта.

ИИ все шире используется в производственных операциях, что привело к появлению нового термина — адаптивный интеллект. Адаптивные интеллектуальные приложения помогают принимать более эффективные бизнес-решения за счет использования внутренних и оперативных внешних данных в реальном времени и высокомасштабируемой инфраструктуры.

В 1956 году Джон Маккарти впервые в истории ввёл в оборот термин «искусственный интеллект» (англ. artificial intelligence ). Год спустя Аллен Ньюэлл, Герберт Саймон и Клиффорд Шоу разработали первую программу, попавшую в эту категорию. Она предназначалась для игры в шахматы и в отличие от предыдущих основывалась на эвристике, то есть не имела точных теоретических оснований. В 1960 году ими же была разработана программа для решения головоломок, основанная на тех же принципах [3] .

Тогда же, в конце 1940-х годов, была впервые выдвинута идея машинного обучения. Согласно им, необходимо сделать программу, которая обладает базовым набором знаний и возможностью усваивать информацию, что позволит делать только «оболочку», которая будет самостоятельно достраивать себя до полноценного ИИ [1] .

Исследования в сфере искусственного интеллекта делятся на две категории: теоретические и практические; последние, в свою очередь имеют базовые и прикладные аспекты. Направлений исследования ИИ два. Первое, биологическое, основывается на том, что раз человек обладает интеллектом, искусственные системы должны имитировать его психологию или физиологию. Второе, феноменологическое, изучает само понятие интеллекта, проблемы, стоящие перед миром и способы достижения целей. Оба этих подхода в определённой степени взаимодействуют между собой. Также исследования ИИ тесно взаимодействуют с философией, особенно современной аналитической, так как обе отрасли науки изучают мышление [5] .

От искусственного интеллекта к интеллекту адаптирующемуся

Появление решений и средств на основе ИИ означает, что все больше компаний могут воспользоваться преимуществами этой технологии для экономии средств и времени. Готовые решения, средства и ПО на основе ИИ включают в себя встроенные средства ИИ или помогают автоматизировать процесс принятия решений на основе алгоритмов.

Еще одна из ключевых этических проблем, связанных с ИИ, — это конфиденциальность. Поскольку системы искусственного интеллекта собирают огромные объемы данных из баз данных по всему миру, необходимо обеспечить защиту личной информации и ответственное ее использование. Например, технология распознавания лиц, часто используемая в системах безопасности или на платформах социальных сетей, вызывает вопросы о получении предварительного согласия и возможном неправомерном использовании.

Технологии на основе ИИ помогают повысить эффективность и производительность труда за счет автоматизации процессов и задач, которые раньше выполнялись людьми. ИИ также умеет интерпретировать объемы данных, которые не под силу интерпретировать человеку. Это умение может приносить существенные преимущества для бизнеса. Например, Netflix использует машинное обучение для обеспечения уровня персонализации, что помогло компании увеличить свою клиентскую базу более чем на 25 процентов.

Несмотря на то, что в самой идее искусственного интеллекта исследователи ориентируются на интеллект человека, симуляция оного на компьютере — не есть цель большей части проектов. Используемый для оценки человеческого интеллекта коэффициент (IQ) не применим для оценки машинных систем, по причине того, что он завязан на интеллектуальное развитие ребёнка и если на взрослых людей эту шкалу можно экстраполировать, то высокие результаты искусственного интеллекта в тесте на IQ не будут означать высокого интеллекта системы. При этом, некоторые из задач, используемых в этих тестах всё же помогают изучать эффективность конкретного искусственного интеллекта. Также, в то время как интеллект всех людей основывается на примерно одинаковых механизмах и развивается приблизительно по одному пути, в машинном интеллекте дело может обстоять с точностью до наоборот: при наличии превосходящих человеческие возможности вычислительных мощностей он основывается на тех принципах и цепочках, которые заложены в него разработчиком, а потому в каждой системе могут, с одной стороны, присутствовать интеллектуальные функции, развиваемые человеком только с подросткового возраста, а с другой — отсутствовать какие-то механизмы, присущие маленьким детям. Осложняется это тем, что природа человеческого интеллекта до сих пор изучена не до конца [1] [2] .

Использование чат-ботов для общения с покупателями. Чат-боты используют лингвистическую обработку, чтобы анализировать вопросы покупателей и предоставлять ответы и информацию. Чат-боты умеют обучаться и со временем начинают приносить все большие преимущества.

Хотя это не всегда очевидно, искусственный интеллект уже давно стал неотъемлемой частью повседневной жизни миллионов людей. Виртуальные помощники, такие как Siri и Alexa, являются яркими примерами того, как искусственный интеллект может поддерживать человека в самых разных сферах — хотя бы тем, что делает жизнь более удобной.

Искусственный интеллект — это наука и технология создания интеллектуальных машин, в первую очередь интеллектуальных компьютерных программ. Интеллект в данном случае — это вычислительная способность достигать целей в мире, присущая человеку, многим животным и некоторым машинам. При этом до сих пор в научном сообществе нет чёткого понимания, какие вычислительные функции считать интеллектом в силу понимания только части из них; по этой причине точного общепринятого определения интеллекта, не завязанного на интеллект человека, не существует. Также из-за того, что интеллект — это сложное понятие, состоящее из множества свойств и функций, некоторые из которых до сих пор не поддаются вычислительным машинам, невозможно чётко отделить «интеллектуальные» машины от «не интеллектуальных»; многие из вычислительных систем, созданных для выполнения той или иной функции можно назвать «в какой-то мере интеллектуальными» [1] .

Одним из примеров международного стандарта в области ИИ является ISO/IEC 23894, посвященный управлению рисками в системах ИИ. Целью данного стандарта является обеспечение того, чтобы алгоритмы и модели ИИ были понятны и могли быть проверены на предмет предвзятости и справедливости, что способствует укреплению доверия к системам ИИ.

Исследование ИИ

В 1930-х годах британский и австрийский математики Алан Тьюринг и Курт Гёдель, а также другие математики пришли к выводу, что не существует универсального алгоритма для решения любых задач в некоторых важных математических областях. Существуют задачи, которые не решаются путём составления алгоритма, но доступны к решению человеком, так что был сделан вывод, что компьютеры по своей природе не могут делать то, что делают люди [1] .

Глубокое обучение позволяет сделать еще один шаг вперед. Продолжая пример с птицами, глубокое обучение может научиться распознавать не только основные черты птиц, но и такие сложные детали, как узоры на перьях, что сделает его намного более точным в идентификации птиц и даже позволит отделить орлов от голубей.

Например, в рамках базового машинного обучения компьютер может научиться распознавать птиц на фотографиях. Обучаясь на фотографиях птиц и других животных или предметов, машина учится различать их, знакомясь с уникальными птичьими особенностями, такими как крылья и клювы.

науки об искусственном интеллекте и имеют свою специфик Например, машинное обучение фокусируется на создании систем, которые обучаются и развиваются путем обработки и анализа данных. Разница состоит в том, что машинное обучение всегда подразумевает использование ИИ, однако ИИ не всегда подразумевает машинное обучение.

ИИ является стратегической необходимостью для любой компании, которая хочет повысить производительность, открыть новые возможности для получения прибыли и укрепить лояльность заказчиков. Эта технология уже помогла многим компаниям добиться конкурентного преимущества. Благодаря ИИ можно делать больше за меньшие сроки, обеспечивать эффективное персонализированное обслуживание и прогнозировать результаты, а значит — получать большую прибыль.

Искусственный интеллект, способный синтезировать, анализировать и действовать на основе огромных объемов данных за считанные секунды, является чрезвычайно мощным. Как и в случае с любой другой мощной технологией, очень важно ответственно подходить к ее внедрению, чтобы максимально использовать ее потенциал и при этом минимизировать негативные последствия.