Искусственный интеллект: краткая история, развитие, перспективы

В последнее время мы все больше слышим об искусственном интеллекте. Он применяется практически везде: от сферы высоких технологий и сложных математических вычислений до медицины, автомобилестроения и даже при работе смартфонов. Технологии, лежащие в основе работы ИИ в современном представлении, мы используем каждый день и порой даже можем не задумываться об этом. Для обучения искусственного интеллекта используется машинное и глубинное обучение, а произведения, созданные нейросетями, продают за миллионы долларов. Но что такое искусственный интеллект? Как он работает? И представляет ли опасность?

BB скоро будет везде!

Что такое искусственный интеллект

Для начала давайте определимся с терминологией. Если вы представляете себе искусственный интеллект, как что-то, способное самостоятельно думать, принимать решения, и в целом проявлять признаки сознания, то спешим вас разочаровать. Практически все существующие на сегодняшний день системы даже и близко не «стоят» к такому определению ИИ. А те системы, что проявляют признаки подобной активности, на самом деле все-равно действуют в рамках заранее заданных алгоритмов.

Порой алгоритмы эти весьма и весьма продвинутые, но они остаются теми «рамками», в пределах которых работает ИИ. Никаких «вольностей» и уж тем более признаков сознания у машин нет. Это просто очень производительные программы. Но они «лучшие в своем деле». К тому же системы ИИ продолжают совершенствоваться. Да и устроены они совсем небанально. Даже если откинуть тот факт, что современный ИИ далек от совершенства, он имеет с нами очень много общего.

Решения

Платформа искусственного интеллекта

Говоря о симбиозе, названном AIoT, мы обычно имеем в виду ИИ-платформу (AI platform), расположенную на периферии сети. Обычно такое решение принимает форму небольшого индустриального компьютера (IPC) со встроенным процессором индустриального класса. Однако для анализа данных в реальном времени такой процессор нуждается в адекватной поддержке в виде флэш-памяти и дискового накопителя.

Память и хранение данных

Чтобы решить проблемы внедрения ИИ в пограничных приложениях, как уже было сказано выше, необходимы устройства хранения данных и памяти индустриального класса (рис. 3). В первую очередь следует изучить и выявить риски, присутствующие в каждом конкретном месте сбора данных. Это позволит выполнить компоненты в соответствии с четкими требованиями определенного приложения. Рассмотрим несколько примеров реализации предложенных решений.

Рис. 3. Для реализации AIoT необходимы устройства хранения данных и памяти индустриального класса. Подобные решения предлагает, например, компания Innodisk

Как работает искусственный интеллект

В первую очередь ИИ может выполнять свои задачи (о которых чуть позже) и приобретать новые навыки благодаря глубокому машинному обучению. Этот термин мы тоже часто слышим и употребляем. Но что он означает? В отличие от «классических» методов, когда всю необходимую информацию загружают в систему заранее, алгоритмы машинного обучения заставляют систему развиваться самостоятельно, изучая доступную информацию. Которую, к тому же, машина в некоторых случаях тоже может искать самостоятельно.

Например, чтобы создать программу для обнаружения мошенничества, алгоритм машинного обучения работает со списком банковских транзакций и с их конечным результатом (законным или незаконным). Модель машинного обучения рассматривает примеры и разрабатывает статистическую зависимость между законными и мошенническими транзакциями. После этого, когда вы предоставляете алгоритму данные новой банковской транзакции, он классифицирует ее на основе шаблонов, которые он подчерпнул из примеров заранее.

Как правило, чем больше данных вы предоставляете, тем более точным становится алгоритм машинного обучения при выполнении своих задач. Машинное обучение особенно полезно при решении задач, где правила не определены заранее и не могут быть интерпретированы в двоичной системе. Возвращаясь к нашему примеру с банковскими операциями: по-факту на выходе у нас двоичная система исчисления: 0 — законная операция, 1 — незаконная. Но для того, чтобы прийти к такому выводу системе требуется проанализировать целую кучу параметров и если вносить их вручную, то на это уйдет не один год. Да и предсказать все варианты все-равно не выйдет. А система, работающая на основе глубокого машинного обучения, сумеет распознать что-то, даже если в точности такого случая ей раньше не встречалось.

Советы начинающим

Мы подготовили ТОП-3 рекомендации от экспертов для начинающих специалистов по ИИ:

• Получите профильное образование. Например, в ведущих онлайн-школах вам дадут знания из высшей математики и актуальные навыки программирования. А опытный наставник поможет создать собственные нейросети.
• Пройдите стажировку. Можно найти вакансию джуниора в одной из компаний своего города или онлайн-практику, например, Яндекс периодически набирает стажеров.
• Выберите свою отрасль. Подумайте, в какой сфере вам было бы интересно работать (финансы, маркетинг, продажи и пр.) и развивайте свои навыки в этом направлении.

Глубокое обучение и нейронные сети

В то время, как классические алгоритмы машинного обучения решают многие проблемы, в которых присутствует масса информации в виде баз данных, они плохо справляются с, так сказать, «визуальными и аудиальными» данными вроде изображений, видео, звуковых файлов и так далее.

Например, создание модели прогнозирования рака молочной железы с использованием классических подходов машинного обучения потребует усилий десятков экспертов в области медицины, программистов и математиков,- заявляет исследователь в сфере ИИ Джереми Говард. Ученые должны были бы сделать много более мелких алгоритмов для того, чтобы машинное обучение справлялось бы с потоком информации. Отдельная подсистема для изучения рентгеновских снимков, отдельная — для МРТ, другая — для интерпретации анализов крови, и так далее. Для каждого вида анализа нам нужна была бы своя система. Затем все они объединялись бы в одну большую систему… Это очень трудный и ресурсозатратный процесс.

Алгоритмы глубокого обучения решают ту же проблему, используя глубокие нейронные сети, тип архитектуры программного обеспечения, вдохновленный человеческим мозгом (хотя нейронные сети отличаются от биологических нейронов, принцип действия у них почти такой же). Компьютерные нейронные сети — это связи «электронных нейронов», которые способны обрабатывать и классифицировать информацию. Они располагаются как-бы «слоями» и каждый «слой» отвечает за что-то свое, в итоге формируя общую картину. Например, когда вы тренируете нейронную сеть на изображениях различных объектов, она находит способы извлечения объектов из этих изображений. Каждый слой нейронной сети обнаруживает определенные особенности: форму объектов, цвета, вид объектов и так далее.

Поверхностные слои нейронных сетей обнаруживают общие особенности. Более глубокие слои уже выявляют фактические объекты. На рисунке схема простой нейросети. Зелёным цветом обозначены входные нейроны (поступаюзая информация), голубым — скрытые нейроны (анализ данных), жёлтым — выходной нейрон (решение)

Приложения для смартфонов

Представить нашу жизнь без мобильных телефонов — это непростая задача. Различные приложения на наших мобильных телефонах стали неотъемлемой частью нашей повседневной жизни. Многие из этих приложений основаны на искусственном интеллекте.

Встроенные умные голоовые помощники в наших телефонах, такие как Алиса, Siri, Alexa и Google Assistant, являются наиболее очевидными примерами ИИ, которые большинство из нас знает и использует.

Все больше мобильных технологических платформ разрабатывают решения, использующие AI для управления различными аспектами устройства, такими как управление батареей, подсказки о событиях и т.д. Одна из стандартных функций, например использование портретного режима на телефоне, также использует ИИ.

Сервисы с поддержкой ИИ теперь составляют значительную часть обновлений на платформах iOS и Android.

Нейронные сети — это искусственный человеческий мозг?

Несмотря на похожее строение машинной и человеческой нейросети, признаками нашей центральной нервной системы они не обладают. Компьютерные нейронные сети по-сути все те же вспомогательные программы. Просто вышло так, что самой высокоорганизованной системой для проведения вычислений оказался наш мозг. Вы ведь наверняка слышали выражение «наш мозг — это компьютер»? Ученые просто «повторили» некоторые аспекты его строения в «цифровом виде». Это позволило лишь ускорить вычисления, но не наделить машины сознанием.

Это интересно: Когда искусственный интеллект научится рассуждать?

Нейронные сети существуют с 1950-х годов (по крайней мере, в виде концепий). Но до недавнего времени они не получали особого развития, потому что их создание требовало огромных объемов данных и вычислительных мощностей. В последние несколько лет все это стало доступным, поэтому нейросети и вышли на передний план, получив свое развитие. Важно понимать, что для их полноценного появления не хватало технологий. Как их не хватает и сейчас для того, чтобы вывести технологию на новый уровень.

Стадии определения.

Ближе к реальности — ИИ в бизнес-процессах современного офиса

Крупные современные организации в большинстве своем прошли этап цифровизации основных деловых процессов — делопроизводство, управление совещаниями, работа с контрактами, обращениями граждан и организаций и т.п. Дальнейшее развитие проектов происходит в двух направлениях: первое — охват новых областей, таких как кадровое делопроизводство, управление командировками, второе — снижение трудоемкости выполнения ежедневных задач.

Снизить трудоемкость и избавить от рутины как раз помогает применение интеллектуальных сервисов, таких как Directum Ario.

1 минута среднее время обработки одного письма

Делопроизводство

. Исключается ручной перенос информации из поступившей корреспонденции в систему электронного документооборота (СЭД):

1. документы подхватываются со сканера или электронной почты, а затем сортируются по комплектам
2. сервисы Ario также распознают текст и извлекают необходимую информацию
3. все экземпляры классифицируются и заносятся в СЭД с автоматическим заполнением карточек.

Умный поиск Directum Smart Search поможет быстро найти информацию, даже если не заданы точные критерии, а запрос введен в свободной форме и отражен лишь приблизительный смысл.

более 95% точность определения счета и статьи затрат

Бухгалтерия

. Упрощается обработка входящих комплектов, а корректность их заполнения проверяется автоматически:

1. поступающие первичные учетные документы распознаются с помощью Ario и распределяются так, что бухгалтер получает их в виде готовых комплектов на проверку;
2. программа искусственного интеллекта проверяет полноту комплекта, правильность указанных сумм, сопоставляем с заказом, спецификациями и номенклатурой. Максимально точно определяется счет и статья затрат.

В платежных документах система с применением ИИ определяет бухгалтерский счет и статью затрат по назначению платежа и контрагенту.

Также упрощается подготовка авансовых отчетов — документы создаются автоматически на основании электронных билетов и фотографий чеков. Сервисы Ario заполняют поля отчета и отправляют на согласование.

5 минут обработка договора и выявление изменений

Договорная деятельность

. Повышается эффективность уже автоматизированных процессов: сервисы Ario проверяют, насколько отличается содержание цифровой версии договора с подписанным бумажным экземпляром. Все несовпадения выделяются. Кроме того, система искусственного интеллекта контролирует наличие обязательных реквизитов и проверяет условия договора с точки зрения возможных рисков: штрафы, пени, сроки платежей.

1-2 минуты среднее время обработки обращения

Работа с обращениями

. Сервисы Ario определяют поступающие запросы по содержанию и классифицируют обращения по типам, например, заявки в службу поддержки и обращения от юридических и физических лиц.

Регистрационные карточки заполняются автоматически, в т.ч. определяется ответственный. Регистратору остается проверить правильность заполнения.

более 92% корректность извлечения данных из документов

Кадровые процессы

. Сервисы Ario помогают распознавать личные документы (паспорт, справки, дипломы и т.п.), полученные со сканера или почты. Специалист HR-службы получает документы по кандидату с уже заполненными карточками в системе.

Подробнее на странице Ario

Вендоры, в том числе Directum предлагают не просто сервисы, а целый набор решений, чтобы закрывалась целая область задач. Более того, флагманский продукт компании — интеллектуальная система управления процессами и документами Directum RX.

Для чего используется глубокое обучение и нейросети

Есть несколько областей, где эти две технологии помогли достичь заметного прогресса. Более того, некоторые из них мы ежедневно используем в нашей жизни и даже не задумываемся, что за ними стоит.

• Компьютерное зрение — это способность программного обеспечения понимать содержание изображений и видео. Это одна из областей, где глубокое обучение сделало большой прогресс. Например, алгоритмы обработки изображений глубокого обучения могут обнаруживать различные типы рака, заболеваний легких, сердца и так далее. И делать это быстрее и эффективнее врачей. Но глубокое обучение также укоренилось и во многих приложениях, которые вы используете каждый день. Apple Face ID и Google Photos используют глубокое обучение для распознавания лица и улучшения качества снимков. Facebook использует глубокое обучение, чтобы автоматически отмечать людей на загружаемых фотографиях и так далее. Компьютерное зрение также помогает компаниям автоматически идентифицировать и блокировать сомнительный контент, такой как насилие и нагота. И, наконец, глубокое обучение играет очень важную роль в обеспечении возможности самостоятельного вождения автомобилей, чтобы они могли понимать, что их окружает.
• Распознавание голоса и речи. Когда вы произносите команду для вашего Google Ассистента, алгоритмы глубокого обучения преобразуют ваш голос в текстовые команды. Несколько онлайн-приложений используют глубокое обучение для транскрибирования аудио- и видеофайлов. Даже когда вы «шазамите» песню, в дело вступают алгоритмы нейросетей и глубокого машинного обучения.
• Поиск в интернете: даже если вы ищите что-то в поисковике, для того, чтобы ваш запрос был обработан более четко и результаты выдачи были максимально правильными, компании начали подключать алгоритмы нейросетей к своим поисковым машинам. Так, производительность поисковика Google выросла в несколько раз после того, как система перешла на глубокое машинное обучение и нейросети.

Кейс: увеличение ROI контекстной рекламы в 2,2 раза с помощью прогноза конверсий

Проект, о котором пойдет речь, реализован агентством Dentsu Russia для ритейлера «Эльдорадо». Его целью была оптимизация расходов на рекламу таким образом, чтобы метрики, связанные с эффективностью, выросли; а частота контакта с теми, кто не намерен делать покупку в ближайшее время, – снизилась. Ведь при покупке трафика на сайт в таких системах, как Google Ads, «Яндекс.Директ», Facebook, основные расходы приходятся на клики пользователей, которые не делают заказов. А если делают, то не всегда его выкупают.

Dentsu использовали модель от OWOX BI, которая с помощью технологии машинного обучения рассчитывает вероятность совершения покупки для каждого пользователя сайта с момента его первого визита, и определяет, стоит ли тратить на него рекламный бюджет дальше.

Такая модель обучается на исторических данных о поведении пользователей сайта, данных CRM о выкупленных заказах и агрегированных и анонимизированных данных десятков тысяч клиентских проектов OWOX.

В результате сеть «Эльдорадо» получила:

1. Расчет вероятности совершения покупки для каждого пользователя сайта с учетом выкупаемости заказа.
2. Этот расчет обновляется при каждом действии или бездействии пользователя. То есть, если пользователь зашел на сайт и совершил ряд действий, ему присваивается вероятность Х%. Но если он не возвращается в течение следующих нескольких дней, то вероятность будет уменьшаться.
3. Выделили 10 сегментов пользователей, разделенных по вероятности с шагом в 10 пунктов (10%, 20%, 30% и так далее). Затем эти сегменты передаются в рекламные сервисы, и их эффективность анализируется в разрезе рекламных кампаний. Это позволяет корректировать ставки: уменьшать их для аудиторий с низкой вероятностью и увеличивать для аудиторий с высокой.

Для расчета вероятности модель учитывает более 60 параметров, например:

• количество сессий и хитов в рамках конверсионного окна;
• действия на сайте в течение сессии;
• временные паузы между сессиями;
• общее количество действий;
• устройство сессии, операционная система;
• какие источники трафика были у пользователя в рамках конверсионного окна;
• количество действий на каждой странице в рамках сессии;
• время конкретной сессии, суммарное время сессий в рамках конверсионного окна.

Человеческий ум не способен провести такой анализ, а машинное обучение – да. В результате ROI рекламных кампаний (с учетом выкупаемости заказов) вырос в 2,2 раза, а разница в доходе по выкупленным заказам увеличилась в 2,7 раза в пользу кампаний с аудиториями OWOX BI по сравнению с контрольной группой.

Пределы глубокого обучения и нейросетей

Несмотря на все свои преимущества, глубокое обучение и нейросети также имеют и некоторые недостатки.

• Зависимость от данных: в целом, алгоритмы глубокого обучения требуют огромного количества обучающих данных для точного выполнения своих задач. К сожалению, для решения многих проблем недостаточно качественных данных обучения для создания рабочих моделей.
• Непредсказуемость: нейронные сети развиваются каким-то странным путем. Иногда все идет как задумано. А иногда (даже если нейросеть хорошо справляется со своей задачей), даже создатели изо всех сил пытаются понять, как же алгоритмы работают. Отсутствие предсказуемости делает чрезвычайно трудным устранение и исправление ошибок в алгоритмах работы нейросетей.
• Алгоритмическое смещение: алгоритмы глубокого обучения так же хороши, как и данные, на которых они обучаются. Проблема заключается в том, что обучающие данные часто содержат скрытые или явные ошибки или недоработки, и алгори. Например, алгоритм распознавания лиц, обученный в основном на фотографиях белых людей, будет работать менее точно на людях с другим цветом кожи.
• Отсутствие обобщения: алгоритмы глубокого обучения хороши для выполнения целенаправленных задач, но плохо обобщают свои знания. В отличие от людей, модель глубокого обучения, обученная играть в StarCraft, не сможет играть в другую подобную игру: скажем, в WarCraft. Кроме того, глубокое обучение плохо справляется с обработкой данных, которые отклоняются от его учебных примеров.

Сколько раз вы задавались вопросом, глядя на онлайн-рекламу «Я думал о покупке этого продукта»?

Это работа ИИ.

Здесь нет магии, когда ИИ читает ваши мысли. Он прото отслеживает то, что вы делаете в Интернете. Продукты, которые вы просматриваете на различных сайтах покупок или в поисковых системах, отслеживаются, и рекламные объявления, связанные с этими продуктами, направляются вам.

ИИ также использует информацию, связанную с демографическими данными, такими как ваш возраст, пол, профессия и т.д., Для определения рекламы продуктов, которые, скорее всего, являются вашими предпочтениями.

Будущее глубокого обучения, нейросетей и ИИ

Ясное дело, что работа над глубоким обучением и нейронными сетями еще далека от завершения. Различные усилия прилагаются для улучшения алгоритмов глубокого обучения. Глубокое обучение — это передовой метод в создании искусственного интеллекта. Он становится все более популярным в последние несколько лет, благодаря обилию данных и увеличению вычислительной мощности. Это основная технология, лежащая в основе многих приложений, которые мы используем каждый день.

Схемы и пути решения задач скоро заменят очень многое.

Но родится ли когда-нибудь на базе этой технологии сознание? Настоящая искусственная жизнь? Кто-то из ученых считает, что в тот момент, когда количество связей между компонентами искусственных нейросетей приблизиться к тому же показателю, что имеется в человеческом мозге между нашими нейронами, что-то подобное может произойти. Однако это заявляение очень сомнительно. Для того, чтобы настоящий ИИ появился, нам нужно переосмыслить подход к созданию систем на основе ИИ. Все то, что есть сейчас — это лишь прикладные программы для строго ограниченного круга задач. Как бы нам не хотелось верить в то, что будущее уже наступило…

А как считаете вы? Создадут ли люди ИИ? Поделитесь мнением в нашем чате в Телеграм.

Кого не сможет заменить ИИ

В 2016 году китайский инженер Эндрю Ын объявил в твиттере, что точность распознавания речи компьютерами повысится до 99% — сегодня эта цифра почти достигнута. Например, голосовой Google-ассистент научился опознавать медицинские названия лекарств с точностью 91,8%. В 2022 году около 70% жителей США пользовались умными колонками от Amazon.

Значит ли это, что теперь голосовые роботы-помощники появятся во всех компаниях? И да, и нет. Решение стандартных задач, конечно, можно переложить на машину, однако периодически возникают ситуации, когда нам очень уж хочется поговорить с живым сотрудником, хотя робот настойчиво предлагает нам нажать следующую клавишу.

Кроме того, задачи работников многих специальностей не укладываются в простые алгоритмы, некоторые же подразумевают сочетание монотонных (то есть вполне программируемых) операций и soft skills, внимательного общения. Поэтому во многих профессиях будет существовать симбиоз машины и человека.

Один из ведущих предпринимателей в области ИИ Ли Кайфу в книге «Сверхдержавы искусственного интеллекта» делает особый акцент на чувствах человека. Пройдя лечение от злокачественной опухоли, он осознал, какую ценность представляет собой возможность делиться своей любовью с другими: «Не существует алгоритма, который смог бы сделать для моего выздоровления то, что сделала моя семья».

Поэтому для графика с прогнозом исчезновения профессий Ли выбрал оси «сострадание» и «креативность — оптимизация». По его мнению, ИИ заменит человека только в сферах, которые не требуют ни сострадания, ни творчества. Во всех других областях нас ждут различные варианты симбиоза машин и человека.

Будущее разделение труда между человеком и ИИ, по мнению Ли Кайфу, на основе необходимости сострадания (ось Y) и креативности/стратегии/оптимизации (ось Х). Скриншот TED Talk Ли Кайфу, август 2018

Профессии, для которых важен эмоциональный контакт и креативность, не могут быть заменены компьютерными алгоритмами. В сектор с преобладанием роли человека (правый верхний) попали, например, такие бизнес-специальности:

• директор по рекламе и маркетингу,
• эксперт по слиянию компаний,
• CEO.

То есть те, кто одновременно умеют структурировано мыслить и взаимодействовать с людьми.

В часть, где в постоянную работу человека будет включен ИИ (левый верхний), Ли отнес:

• учителей,
• экскурсоводов,
• организаторов мероприятий,
• психологов.

Компьютер будет выполнять аналитическую часть, а человек займется эмоциональной частью коммуникации.

Последний сектор, где нашлось место человеку (правый нижний), поровну разделяет рабочий процесс. Сюда относятся:

• ученые, которые постоянно работают с базами данных и уже полностью автоматизировали некоторые ручные процессы;
• люди творческих профессий, которым ИИ может помогать с подборкой актуальных трендов;
• экономисты.

Профессии, которые полностью автоматизируются (левый нижний сектор):

• врач-гематолог, чья задача заключается в оценке анализов крови;
• мойщик посуды (к которому, вероятно, можно добавить доставщика еды, сборщика продуктов в dark kitchens и даже шеф-повара в сетях быстрого питания);
• работники службы поддержки клиентов.

Примеры профессий в модели будущего разделения труда между человеком и ИИ, предложенной Ли Кайфу. Скриншот TED Talk Ли Кайфу, август 2018
Несмотря на соблазнительность делегирования всех повторяющихся задач алгоритмам, сложные и эмоционально окрашенные задачи требуют человеческого участия.

Однако, помимо всего прочего, человеку нужно будет еще обслуживать ИИ: обрабатывать исключения, выдаваемые машиной, контролировать процесс.

Умный ввод

Вы задаетесь вопросом, где ИИ используется во входных данных?

Не нужно смотреть дальше вашего собственного мобильного устройства. Ввод текста стал более удобным благодаря интеграции ИИ, в котором он предсказывает слова, фразы и смайлики на основе вашего регулярного использования и стиля написания. Фразы также могут быть написаны простым движением по экрану.

Лишь немногие почтовые приложения предоставляют предложения по темам, а во многих случаях и тексты, в зависимости от введенного вами содержимого письма.

Финансовые услуги

Банки являются одним из услуг, которые приняли технологические изобретения раньше, чем большинство других областей. Банковское дело теперь перешло от необходимости переходить в физическое пространство для проведения операций со своего мобильного телефона.

Банки используют ИИ во многих областях, включая выявление мошеннических действий, анализ инвестиционных тенденций клиентов, предоставление клиентских услуг и т.д.

Получали ли вы когда-нибудь уведомление от банка при совершении транзакции с нового устройства? Это случай использования ИИ для обнаружения любого потенциального мошенничества. Уведомления, полученные от банков и финансовых учреждений относительно их услуг и продуктов, являются примерами ИИ в понимании ваших предпочтений, требований и финансовой мощи предлагать соответствующие продукты.