Что такое слабый искусственный интеллект

Преимущества и недостатки узкого ИИ

Недостатки. Узкие системы искусственного интеллекта могут делать только то, для чего они предназначены, и могут принимать решения только на основе своих данных обучения. Чат-бот для обслуживания клиентов розничного продавца, например, может ответить на вопросы, касающиеся часов работы магазина, цен на товары или политики возврата магазина. Тем не менее, вопрос о том, почему тот или иной продукт лучше аналогичного, скорее всего, поставит бота в тупик, если только его создатели не потратили время на то, чтобы запрограммировать бота, чтобы он отвечал именно на такие вопросы.

Между тем, системы ИИ склонны к предвзятости и часто могут давать неверные результаты, будучи не в состоянии их объяснить. Сложные модели часто обучаются на огромных объёмах данных — данных больше, чем их создатели-люди могут отсортировать сами. Большие объёмы данных часто содержат субъективные информацию или даже неверные данные, поэтому модель, обученная на этих данных, может непреднамеренно принять эту неверную информацию как истинную.

AGI включает в себя систему со всесторонними знаниями и когнитивными способностями, так что её возможности неотличимы от возможностей человека, хотя скорость AGI и его способность обрабатывать данные намного выше. Такая система ещё не разработана, и мнения экспертов расходятся, как такую ​​систему можно было бы создать.

Во вселенной Detroit роботы способны учиться, мыслить, чувствовать, осознавать себя и принимать решения. Одним словом, становятся похожи на человека. А в обычной жизни ближе всего к General AI чат-боты и виртуальные ассистенты, которые имитируют человеческое общение. Здесь ключевое слово — имитируют. Siri или Алиса не думают — и неспособны принимать решения в ситуациях, которым их не обучили. Сильный искусственный интеллект пока остаётся мечтой.

Кроме того, ИИ — это наука на стыке математики, биологии, психологии, кибернетики и ещё кучи всего. Она изучает технологии, которые позволяют человеку писать «интеллектуальные» программы и учить компьютеры решать задачи самостоятельно. Главная задача ИИ — понять, как устроен человеческий интеллект, и смоделировать его.

Мы пользуемся Google-картами, позволяем сайтам подбирать для нас интересные фильмы и советовать, что купить. И, в общем-то, слышали, что под капотом всех этих умных вещей — искусственный интеллект, машинное обучение и deep learning. Но сможете ли вы с ходу отличить одно от другого? Разбираемся на примерах.

Слабый ИИ (Weak, или Narrow AI)

В машинном обучении много разных алгоритмов. Один из самых простых — линейная регрессия. Её применяют, если есть линейная зависимость между переменными. Пример: чем больше сумма заказа, тем больше вы оставите чаевых. По имеющимся данным можно предсказать сумму чаевых в будущем. В общем-то, простая математика.

По сути, скрытые слои выполняют какую-то математическую функцию. Мы её не задаём, программа сама учится выводить результат. Можно научить нейросеть классифицировать изображения или находить на изображении нужный объект. Помните, как reCAPTCHA просит найти все изображения грузовиков или светофоров, чтобы доказать, что вы не робот? Нейронная сеть выполняет то же самое, что и наш мозг, — видит знакомые элементы и понимает: «О, кажется, это грузовик!»

Системы, построенные на узком ИИ или слабом ИИ, не обладают ни одним из этих качеств, хотя они часто могут превзойти людей при выполнении конкретной задачи. Эти системы предназначены не для полной имитации человеческого интеллекта, а для автоматизации конкретных человеческих задач с использованием машинного обучения, глубокого обучения и обработки естественного языка NLP (Natural Language Processing).

А ещё нейросети могут генерировать объекты: музыку, тексты, изображения. Например, компания Botnik скормила нейросети все книги про Гарри Поттера и попросила написать свою. Получился «Гарри Поттер и портрет того, что выглядит как огромная куча пепла». Звучит немного странно, но как минимум с точки зрения грамматики это сочинение имеет смысл.

Машинное обучение (англ. machine learning) — это один из разделов науки об ИИ. Здесь используются алгоритмы для анализа данных, получения выводов или предсказаний в отношении чего-либо. Вместо того чтобы кодировать набор команд вручную, машину обучают и дают ей возможность научиться выполнять поставленную задачу самостоятельно.

Между тем, платформа прогнозного обслуживания может анализировать поступающие данные датчиков в режиме реального времени, что практически невозможно для человека или группы людей, чтобы приблизительно предсказать, когда какая-либо часть машины выйдет из строя.

Есть байесовские алгоритмы. В их основе применение теоремы Байеса и теории вероятности. Эти алгоритмы используют для работы с текстовыми документами — например, для спам-фильтрации. Программе нужно дать наборы данных по категориям «спам» и «не спам». Дальше алгоритм будет самостоятельно оценивать вероятность того, что слова «Бесплатные туры для пенсионеров» и «Закажи маме тур, пожалуйста» относятся к той или иной категории.

Преимущества. Узкие системы искусственного интеллекта могут хорошо выполнять отдельные задачи, часто лучше, чем люди. Слабая система искусственного интеллекта, разработанная для выявления рака по рентгеновским или ультразвуковым изображениям, например, может обнаруживать раковые образования на изображениях быстрее и точнее, чем обученный радиолог.