На что способен искусственный интеллект сегодня и каков его потенциал

Создавая ответственный искусственный интеллект

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.

Оценить динамику может каждый, кто пользуется автоматическими переводчиками. Еще лет пять назад Google Translate более-менее сносно справлялся с отдельными наборами фраз и предложениями, тогда как сегодня программа переводит большие смысловые блоки, нейросети учитывают контекст, оперируют огромными массивами статистических данных. Сейчас можно читать статьи на хинди, китайском, арабском, не зная языка. ИИ давно используется в финансовой сфере для оценки платежеспособности заемщика. Есть вам отказали в выдаче кредита на первом этапе ― вас отсеял именно искусственный интеллект. В США в некоторых штатах ИИ применяют в судебной системе для оценки продолжительности тюремных сроков для обвиняемых.

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».

Система управления ИИ — это своего рода «мозг», на котором строится работа организации с проектами ИИ. Речь идет об установлении правил и методов, обеспечивающих ответственное и эффективное использование ИИ. Такая система помогает управлять всем — от оценки рисков до ответственного применения ИИ.

ИИ развивается с высокой скоростью, и то, что называлось полгода назад state-of-the-art (высшим уровнем развития), сегодня может оказаться средней разработкой. Если раньше в сфере искусственного интеллекта была занята узкая прослойка специалистов, сейчас при таком огромном спросе попросту не хватает квалифицированных кадров, способных справиться с постоянно развивающейся технологией, отмечает Жуков.

Искусственные нейронные сети — это математические модели, обеспечивающие глубокое обучение. По своей сути они являются имитацией человеческого мозга. Состоящий из слоев взаимосвязанных узлов, называемых искусственными нейронами или перцептронами, каждый искусственный нейрон принимает входные данные, выполняет вычисления и генерирует выход. Затем полученные результаты передаются следующему слою перцептронов, создавая иерархическую структуру.

Как же работает машинное обучение? Оно начинается с данных. С большого количества данных. Алгоритмы машинного обучения обучаются на огромных массивах данных, которые они анализируют, чтобы выявить закономерности, взаимосвязи и тенденции. Затем такие закономерности можно использовать для прогнозирования или принятия решений на основе новых, еще не изученных данных.

Машинное обучение стало ключевым инструментом исследователей из разных областей, однако потенциал ИИ в науке еще предстоит раскрыть, отмечает Леонид Жуков. Стимулирование новых открытий с помощью ИИ актуально, например, в области создания новых материалов при помощи вычислений или в прогнозировании изменений климата для разработки стратегий повышения устойчивости к изменениям окружающей среды. Например, в рамках стремления к достижению углеродной нейтральности, ученые из группы поиска новых материалов Института AIRI совместно со Сбербанком разработали прототипы моделей, позволяющих оптимизировать контроль качества на производстве солнечных батарей.

Что такое машинное обучение?

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.

Проблема потребления энергии искусственным интеллектом напрямую связана с количеством ресурсов, задействованных в обработке данных. Обучение же одной NLP-модели (подобной GPT) требует столько же энергии, сколько автомобиль за весь его срок службы, и производит в пять раз больше CO₂.

Анализируя и интерпретируя язык, NLP позволяет компьютерам извлекать полезную информацию, отвечать на вопросы и вести беседу. Например, виртуальные помощники вроде Alexa могут понимать и предоставлять информацию о температуре на улице, заголовках новостей или среднем весе косатки.

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.

PwC прогнозирует увеличение мирового ВВП на $15,7 трлн к 2030 году благодаря развитию искусственного интеллекта. К этому времени Китай станет ведущей мировой державой в сфере ИИ с увеличением ВВП на 26%, Северная Америка будет следующей с ростом ВВП на 14,5%, за ней последует рост на 11–12% в крупнейших экономиках Европы. Развивающиеся страны получат наименьшую выгоду, поэтому есть риск усиления цифрового неравенства.

Почти три четверти бизнес-лидеров положительно оценивают роль ИИ после пандемии и сопутствующего кризиса. Большинство руководителей (74%) не только ожидают рост эффективности бизнес-процессов, но и создание новых бизнес-моделей (55%), новых продуктов и услуг (54%) — благодаря внедрению ИИ.

Качество данных — второе по значимости препятствие для внедрения ИИ, после нехватки специалистов. Для успешных результатов алгоритмам необходимы качественные «вводные», включая размеченные и чистые данные. Неправильно заданные паттерны могут провоцировать систему делать ложные выводы: например, ошибочно сигнализировать о мошеннической транзакции, или осудить невиновного.

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.