Искусственный интеллект

Оглавление

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.

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] .

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.

Для тех, кто не знаком с компьютерными науками, попытка разобраться в многочисленных аспектах искусственного интеллекта и их последствиях может оказаться непосильной задачей. Здесь мы расскажем, что такое искусственный интеллект, как он работает, в чем разница между машинным обучением, глубоким обучением, обработкой естественного языка и многим другим. Давайте приступим.

По своей сути машинное обучение — это способность компьютерной системы обучаться на основе данных, не будучи явно запрограммированной. Одним из примеров является фильтрация спама в электронной почте. Обнаруживая схожие закономерности в спам-сообщениях, почтовые платформы могут узнать, какие письма полезны, а какие следует держать подальше от папки «Входящие».

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.

Создавая ответственный искусственный интеллект

Например, при обучении на непроверенных данных искусственный интеллект может копировать негативные предрассудки о расе, религии, воспитании и других характеристиках человека. Такие случаи могут стать потенциально опасными, если искусственный интеллект будет использоваться в здравоохранении, подборе персонала, юриспруденции и других сферах, ориентированных на человека.

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] .

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] .

Глубокое обучение — это разновидность машинного обучения. Тем не менее, глубокое обучение может анализировать больше типов информации и выполнять более сложные операции. Процесс глубокого обучения вдохновлен структурой и функциями человеческого мозга — в частности, тем, как нейроны связаны между собой и работают вместе для обработки информации. Благодаря этому, глубокое обучение позволяет делать более тонкие и глубокие прогнозы на основе предоставленных данных.

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.

Искусственный интеллект (ИИ, англ. artificial intelligence, AI ) — свойство искусственных вычислительно-интеллектуальных систем выполнять задачи, традиционно считающиеся прерогативой человека, в первую очередь творческого характера, а также наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. Не следует путать искусственный интеллект с искусственным сознанием. Искусственные интеллекты, существующие на настоящий момент — весьма узкоспециализированные и чаще всего некомпетентны за пределами своей основной задачи.

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.