Как работают искусственный интеллект, машинное и глубокое обучение

Что значит «поощрять» и «штрафовать» нейросеть?

ASI обладает огромным потенциалом, но в то же время и огромным риском. Стивен Хокингс опасается, что ее развитие может стать самым страшным событием в истории нашей цивилизации. Если мы создадим сверхразумные машины, то поставим под угрозу собственное существование, но это лишь сюжет для очередного фантастического фильма.

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.

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.

Именно тогда, когда вы думаете, что искусственный интеллект достиг своего предела, мы представляем вам ИИ всех ИИ. Понятие «сверхинтеллект» не требует пояснений. Оксфордский философ Ник Бостром описывает СИИ как «любой интеллект, который значительно превосходит когнитивные способности человека практически во всех областях, представляющих интерес». Опять же, речь идет о гипотетическом агенте, до появления которого остались считанные десятилетия.

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.

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.

Кофейный тест (Возняк)
Если машины AGI должны понимать мир так же хорошо, как люди, они должны знать, как приготовить хороший кофе. В этом тесте робот-айтишник должен зайти в обычный дом и выяснить, как приготовить кофе. Это включает в себя поиск кофемашины и добавление кофе, а также поиск кружки и правильное заваривание горячего напитка.

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.

Такие алгоритмы можно научить решать задачи любой сложности?

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.

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.

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.

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.

Часто называемый слабым ИИ, этот ИИ уже внедрен в нашу повседневную жизнь. Его можно описать так: ANI — это сверхчеловек, способный решать конкретные отдельные задачи. Например, научите машину с искусственным интеллектом играть в шахматы, и она с невероятной последовательностью овладеет ими сверх человеческого потенциала. Бросьте ей вызов в шашках — и вы получите столь необходимый подъем самолюбия. Эта машина умеет играть только в шахматы. Без предварительной подготовки и программирования в шашках у нее нет ни единого шанса. Считайте, что ИИ — это сотни стажеров, способных выполнять узкоспециальные задачи более эффективно, чем человек.

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.