Искусственный интеллект — это способность цифрового компьютера или управляемого компьютером робота выполнять задачи, обычно связанные с разумными существами. Термин часто применяется к проекту развития систем, наделенных интеллектуальными процессами, характерными для человека, такими как способность рассуждать, обобщать или учиться на прошлом опыте. Кроме того, определение понятия ИИ (искусственный интеллект) сводится к описанию комплекса родственных технологий и процессов, таких как, например, машинное обучение, виртуальные агенты и экспертные системы. Говоря простыми словами, ИИ — это грубое отображение нейронов в мозге. Сигналы передаются от нейрона к нейрону и, наконец, выводятся — получается числовой, категориальный или генеративный результат. Это можно проиллюстрировать на таком примере. если система делает снимок кошки и обучена распознавать, кошка это или нет, первый слой может идентифицировать общие градиенты, которые определяют общую форму кошки. Следующий слой может идентифицировать более крупные объекты, такие как уши и рот. Третий слой определяет более мелкие объекты (например, усы). Наконец, основываясь на этой информации, программа выведет «да» или «нет», чтобы сказать, является ли это кошкой или нет. Программисту не нужно «говорить» нейронам, что это те функции, которые они должны искать. ИИ изучил их сам по себе, тренируясь на многих изображениях (как с кошками, так и без кошек).
Что такое искусственный интеллект?
Описание искусственного нейрона
Искусственный нейрон — это математическая функция, задуманная как модель биологических нейронов, нейронной сети. Искусственные нейроны — элементарные единицы в искусственных нейросетях. Искусственный нейрон получает один или несколько входов и суммирует их, чтобы произвести выход или активацию, представляющую потенциал действия нейрона, который передается вдоль его аксона. Обычно каждый вход анализируется отдельно, и сумма передается через нелинейную функцию, известную как функция активации, или передаточная функция.
Когда началось исследование ИИ?
В 1935 году британский исследователь А.М. Тьюринг описал абстрактную вычислительную машину, которая состоит из безграничной памяти и сканера, перемещающегося вперед и назад по памяти, символ за символом. Сканер считывает то, что он находит, записывая дальнейшие символы. Действия сканера диктуются программой инструкций, которая также хранится в памяти в виде символов. Самая ранняя успешная программа ИИ была написана в 1951 году Кристофером Стрейчи. В 1952 году эта программа могла играть с человеком в шашки, удивляя всех своими способностями предсказывать ходы. В 1953 году Тьюринг опубликовал классическую раннюю статью о шахматном программировании.
Отличие искусственного интеллекта от естественного
Интеллект можно определить как общую умственную способность к рассуждению, решению проблем и обучению. В силу своей общей природы интеллект интегрирует когнитивные функции, такие как восприятие, внимание, память, язык или планирование. естественный интеллект отличает осознанное отношение к миру. Мышление человека всегда эмоционально окрашено, и его нельзя отделить от телесности. Кроме того, человек — существо социальное, поэтому на мышление всегда влияет социум. ИИ не имеет отношения к эмоциональной сфере и социально не ориентирован.
Как сравнить человеческий и компьютерный интеллекты?
Сравнить мышление человека с искусственным интеллектом можно исходя из нескольких общих параметров организации мозга и машины. Деятельность компьютера, как и мозга, включает четыре этапа: кодирование, хранение, анализ данных и выдачу результата. Кроме того, мозг человека и ИИ могут самообучаться в зависимости от данных, полученных из окружающей среды. Также человеческий мозг и машинный интеллект решают проблемы (или задачи), используя определенные алгоритмы.
У компьютерных программ есть IQ?
Нет. Показатель IQ связан с развитием интеллекта человека в зависимости от возраста. ИИ в чем-то превышает некоторые человеческие способности, например может удерживать в памяти огромное количество цифр, но это не имеет отношения к IQ.
Что такое тест Тьюринга?
Алан Тьюринг разработал эмпирический тест, который показывает, способна ли программа уловить все нюансы поведения человека до такой степени, что человек не сможет определить, с кем именно он общается — с ИИ или с живым собеседником. Тьюринг предложил, чтобы сторонний наблюдатель оценивал разговор между человеком и машиной, которая отвечает на вопросы. Судья не видит, кто именно отвечает, но знает, что один из собеседников — ИИ. Разговор ограничен только текстовым каналом (компьютерная клавиатура и экран), поэтому результат не зависит от способности машины отображать слова как человеческую речь. В случае, если программе удается обмануть человека, считается, что она эффективно справилась с тестом.
Символьный подход
Символьный подход к ИИ — совокупность всех методов исследования искусственного интеллекта, основанных на высокоуровневых символических (читаемых человеком) представлениях о задачах, логике и поиске. Символьный подход широко применялся в исследованиях ИИ в 1950–80-х годах. Одной из популярных форм символьного подхода являются экспертные системы, использующие сочетание определенных правил производства. Производственные правила связывают символы в логические связи, которые подобны алгоритму If-Then. Экспертная система обрабатывает правила, чтобы сделать выводы и определить, какая дополнительная информация ей нужна, то есть какие вопросы задавать, используя удобочитаемые символы.
Логический подход
Термин «логический подход» предполагает апеллирование к логике, размышлениям, решению задач с помощью логических шагов. Логики еще в XIX веке разработали точные обозначения для всех видов объектов в мире и отношений между ними. К 1965 году существовали программы, которые могли решить любую логическую задачу (пик популярности данного подхода пришелся на конец 1950–70-х годов). Сторонники логического подхода в рамках логического искусственного интеллекта надеялись выстроить на таких программах (в частности, записанных на языке Prolog) интеллектуальные системы. Однако у такого подхода два ограничения. Во-первых, нелегко взять неформальное знание и изложить его в формальных терминах, которые требуются для обработки ИИ. Во-вторых, есть большая разница между решением проблемы в теории и ее решением на практике. Даже проблемы с несколькими сотнями фактов могут исчерпать вычислительные ресурсы любого компьютера, если у него нет каких-либо указаний относительно того, какие рассуждения надо использовать в первую очередь.
Агентно-ориентированный подход
Агент — это то, что действует (от лат. agere, «делать»). Конечно, все компьютерные программы что-то делают, но ожидается, что компьютерные агенты будут делать больше: работать автономно, воспринимать сигналы окружающей среды (с помощью специальных датчиков), адаптироваться к изменениям, создавать цели и выполнять их. Рациональный агент — это тот, кто действует так, чтобы достичь наилучшего ожидаемого результата.
Гибридный подход
Предполагается, что этот подход, который стал популярным в конце 80-х, работает наиболее эффективно, так как представляет собой сочетание символьных и нейронных моделей. Гибридный подход увеличивает когнитивные и вычислительные возможности машины.
Учебник по искусственному интеллекту
История искусственного интеллекта интересна, особенно если учесть, как давно концепция ИИ существует у нас. Если мы попытаемся подумать о том, что представляет собой ИИ, мы сможем найти небольшой проблеск его концепций в греческих, китайских и египетских мифах, однако, что касается термина «искусственный интеллект», он был придуман в 1956 году в Дартмутском колледже в г. Нью-Гемпшир. Если Алан Тёрнинг – отец компьютеров, то (как упоминалось ранее) отцами искусственного интеллекта являются Марвин Мински и Джон Маккарти, которые в Массачусетском технологическом институте работали над различными проектами искусственного интеллекта, которые теперь называются Лабораторией компьютерных наук и искусственного интеллекта Массачусетского технологического института. С тех пор это были вехи за вехами, которые были достигнуты в области искусственного интеллекта.Хотя каждый год и вносил свой вклад в развитие ИИ, следующие годы являются наиболее важными в его развитии:
1961: Хотя создание лаборатории искусственного интеллекта Массачусетского технологического института было важной вехой, которой даже предшествовала работа, проделанная Аланом Тьюрингом над ранними формами компьютеров в 1940-х годах, предложение Исаака Азимова о трех законах робототехники в 1950 году и последующее развитие Однако первая основанная на ИИ программа для игры в шашки, написанная Кристофером Стрейчи в
1951, 1961 годах, стала первой широкомасштабной реализацией ИИ, когда на заводах General Motors были внедрены роботы для облегчения работы на сборочных линиях.
1964: Обработка и понимание естественного языка впервые были достигнуты в этом году, когда Дэниел Боброу разработал СТУДЕНТ в качестве своего доктора философии Массачусетского технологического института. диссертация («Ввод на естественном языке для компьютерной системы решения проблем»).
1965: В дополнение к предыдущему достижению в области НЛП (обработка естественного языка) Джозефом Вайценбаумом была разработана ELIZA, которая представляет собой своего рода «интерактивный чат-бот», который может общаться с пользователями на английском языке.
1969: Опубликована знаменитая статья Марвина Мински и Сеймура Паперта «Персептроны: введение в вычислительную геометрию», в которой указывается на ограничения популярных в то время простых однослойных нейронных сетей и на то, что они не смогли решить простую задачу XOR.
1974: Стэнфордская лаборатория искусственного интеллекта представляет беспилотный автомобиль – Stanford Cart, способный обнаруживать препятствия на своем пути и маневрировать, не задевая объекты, стоящие на его пути. Однако окончательный вид получен только к 1979 году.
1974 – 1979: Первая AI Winter поражает развитие AI в основном из-за нехватки памяти или вычислительной мощности, доступной в то время. Государственные инвестиции в ИИ падают, и общий интерес также падает в академическом мире.
1981: Япония решает работать над своим компьютерным проектом «пятого поколения», чтобы облегчить общение, выполнять переводы и рассуждать как люди, который получает огромные открытия из США и Великобритании, таким образом завершая первую зиму искусственного интеллекта.
1983: Программа XCON (eXpert CONfigure) (ранний тип компьютера с экспертной системой на основе правил, разработанный в 1978 году для помощи в заказе компьютеров VAX компании DEC) достигает своего пика в 2500 правил и принимается огромным количеством корпораций по всему миру. Мир. Таким образом, XCON становится первой широко используемой компьютерной системой, которая интегрирует методы искусственного интеллекта для решения реальных проблем, таких как выбор компонентов на основе требований клиентов.
1984: Ежегодное собрание Ассоциации по развитию искусственного интеллекта проходит в Техасском университете, где Роджер Шэнк и Марвин Мински предупреждают сообщество ИИ об очередной зиме ИИ, ссылаясь на то, что главной проблемой является разрыв продолжающегося пузыря ИИ из-за постоянного падения финансирование исследований и инвестиции в промышленность.
1986: Дэвид Рамелхарт, Джеффри Хинтон и Рональд Уильямс предлагают метод обучения, называемый обратным распространением, который может быть применен к нейронным сетям в их статье «Изучение представлений с помощью ошибок обратного распространения».
1987 – 1993: Как и предупреждали Шанк и Мински, второй хит AI Winters. Медленные и неэлегантные экспертные системы становятся слишком дорогостоящими для корпораций, которые все больше предпочитают Microsoft и Apple OS на персональных компьютерах для решения своих задач. Агентство перспективных оборонных исследовательских проектов (DARPA), агентство исследований и разработок Министерства обороны США, ответственное за разработку новых технологий для использования в вооруженных силах, прекращает финансирование проектов на основе ИИ, поскольку считает, что ИИ не является катализатором следующая волна компьютерного прогресса. В 1998 году Мински и Пейперт публикуют расширенную версию своей книги «Персептроны» и ссылаются на постоянное совершение старых ошибок сообществом ИИ как на причину его общего упадка.Техника обратного распространения ошибки, предложенная Рамельхартом, применяется в многослойной нейронной сети для распознавания рукописного текста в лабораториях AT&T, однако проблема ограниченной вычислительной мощности остается, так как обучение сети занимает 3 дня. В 1992 году Бернхард Бозер, Изабель Гайон и Владимир Вапник (первоначальный создатель SVM в 1963 году) нашли способ применить трюк с ядром к опорным векторным машинам (SVM) для решения задач нелинейной классификации. Этот алгоритм, хотя и намного проще и быстрее нейронных сетей, способен выполнять такие задачи, как классификация изображений, что сильно влияет на развитие ИИ.и Владимир Вапник (первый создатель SVM в 1963 году) нашли способ применить трюк с ядром к опорным векторным машинам (SVM) для решения задач нелинейной классификации. Этот алгоритм, хотя и намного проще и быстрее нейронных сетей, способен выполнять такие задачи, как классификация изображений, что сильно влияет на развитие ИИ.и Владимир Вапник (первый создатель SVM в 1963 году) нашли способ применить трюк с ядром к опорным векторным машинам (SVM) для решения задач нелинейной классификации. Этот алгоритм, хотя и намного проще и быстрее нейронных сетей, способен выполнять такие задачи, как классификация изображений, что сильно влияет на развитие ИИ.
1995: ALICE, вдохновленная ELIZA, разработана Ричардом Уоллесом, но гораздо более продвинута из-за доступности всемирной паутины.
1997: Зепп Хохрайтер и Юрген Шмидхубер разработали методику долговременной памяти (LSTM) для распознавания почерка и речи. В том же году IBM разрабатывает программу Deep Blue для игры в шахматы и обыгрывает Гарри Каспарова, чемпиона мира по шахматам, на широко разрекламированном мероприятии.
1998 – 2000: По всему миру разрабатывается множество роботов. В 1998 году Furby был разработан как первая собака-робот. В 1999 году Sony разработала роботизированную собаку AIBO. В 2000 году Синтия Бризил из Массачусетского технологического института разработала Kismet для распознавания человеческих эмоций, а в том же году компания Honda разработала ASIMO. как человекоподобный робот, способный взаимодействовать с людьми и доставлять подносы в рестораны.
2004: DARPA признало потенциал искусственного интеллекта и запускает задачу по разработке автономных транспортных средств (хотя никто не побеждает в соревновании).
2009: Google начинает проект по разработке беспилотного автомобиля.
2010: Наука повествования началась, когда студенческий проект разработал свой прототип Stats Monkey, который автоматически пишет спортивные истории на основе широко доступных данных.
2011: Компьютерная программа Watson от IBM выигрывает популярное шоу Jeopardy. Гонка по созданию самого сложного виртуального помощника начинается с того, что многие помощники становятся популярными, такие как Facebook M, Microsoft Cortona, Apple Siri и Google Now.
2015: Илон Маск и другие известные личности жертвуют 1 миллиард долларов на Open AI.
2016: компания Google Deep Mind Technologies разработала AlphaGo, побеждая чемпиона Кореи по го Ли Седола. В том же году Стэнфорд выпускает отчет AI 100, посвященный 100-летним усилиям по изучению ИИ и прогнозированию того, как он повлияет на людей.
Настоящее время: большое количество университетов по всему миру начали предлагать академические формальные курсы в области ИИ, что сделало его основным предметом изучения.
Рынок технологий искусственного интеллекта
Ожидается, что рынок к 2025 году вырастет до 190,61 млрд долларов, при ежегодном темпе прироста — 36,62%. На рост рынка влияют такие факторы, как внедрение облачных приложений и сервисов, появление больших массивов данных и активный спрос на интеллектуальных виртуальных помощников. Однако экспертов, разрабатывающих и внедряющих технологии ИИ, пока немного, и это сдерживает рост рынка. Системам, созданным на основе ИИ, необходима интеграция и техническая поддержка при обслуживании.
Процессоры для ИИ
Современные задачи ИИ требуют мощных процессоров, которые могут обрабатывать огромные массивы данных. Процессоры должны иметь доступ к большим объемам памяти, также устройству необходимы высокоскоростные каналы передачи данных.
В России
В конце 2022 года в России запустили серию серверов «Эльбрус-804», показывающих высокую производительность. Каждый из компьютеров оснащен четырьмя восьмиядерными процессорами. С помощью данных устройств можно выстроить вычислительные кластеры, они позволяют работать с приложениями и базами данных.
Мировой рынок
Драйверами и лидерами рынка являются две корпорации — Intel и AMD, производители самых мощных процессоров. Intel традиционно концентрируется на выпуске машин с более высокой тактовой частотой, AMD ориентирована на постоянное увеличение числа ядер и обеспечение многопоточной производительности.
Как скормить ИИ информацию
Все мы прекрасно понимаем, что ИИ необходимо иметь доступ к информации для изучения окружающего мира, однако мы не совсем понимаем, какой именно объем информации необходим. По мнению Нила Лоуренса, профессора кафедры машинного обучения Шеффилдского университета и члена команды разработок технологий ИИ компании Amazon, этим системам потребуется в сотни и тысячи раз больше информации, чем человеку, для того чтобы научиться понимать мироустройство и распознавать те или иные объекты.
«Если посмотреть на все те отрасли и области, где инженеры добились каких-то успешных результатов в сфере глубинного обучения машин, то вы сразу увидите, какой колоссальный объем информации был задействован в решениях всех этих вопросов», — говорит Лоуренс, приводя в качестве примера те же технологии распознавания речи и изображений.
У таких компаний, как Google и Facebook, имеется доступ к целым горам информации, что, разумеется, упрощает создание различных полезных инструментов (тех же технологий голосового поиска для Android, например).
По мнению Лоуренса, информация сейчас является тем же, чем являлся уголь в начальные годы промышленной революции. В качестве примера Лоуренс приводит Томаса Ньюкомена, англичанина, создавшего в 1712 году (фактически за 60 лет до создания такой машины Джемсом Уаттом) примитивную версию парового двигателя, работающего на угле. Изобретение Ньюкомена не было идеальным. По сравнению с машиной Уатта, она оказалась неэффективной и слишком дорогой в использовании. По большей части ее можно было использовать только на угледобывающих рудниках, где объем необходимого топлива компенсировал недостатки машины.
Пример открытой технологии распознавания изображений Facebook
Лоуренс считает, что по всему миру могут быть сотни таких «Ньюкоменов», разрабатывающих свои собственные модели машинного обучения. Возможно, среди них есть действительно революционные идеи, но без доступа их технологий к огромным базам информации о них, скорее всего, никто так и не узнает.
Большие компании вроде Google, Facebook и Microsoft – именно они те самые современные «угледобытчики». Они имеют доступ к неограниченному объему информации, поэтому могут создавать неэффективные системы машинного обучения и затем их улучшать.
У мелких стартапов действительно могут быть отличные идеи, но они никогда не добьются ничего стоящего без доступа к информационным базам.
Эта проблема становится еще очевиднее, если посмотреть на те сферы, где получить нужную информацию становится еще сложнее. Взять хотя бы систему здравоохранения, где ИИ мог бы использоваться для выполнения задач, связанных с машинным зрением – поиском и распознаванием злокачественных опухолей на рентгеновских снимках, например. Но доступ к таким данным, как правило, очень ограничен. Основным ограничивающим фактором здесь, по мнению Лоуренса, является нынешнее представление людей о неэтичности доступа сторонними лицами к информации подобного рода. Главная проблема, как считает Лоуренс, заключена не в поиске путей распространения информации, а в том, как сделать системы машинного обучения эффективнее и научить работать с меньшим количеством информации. И эти улучшения в эффективности, по мнению ученого, могут занять те же 60 лет, как это было в случае с машиной Уатта.
Национальная концепция развития
Национальные стратегии развития ИИ уже утвердили три десятка стран. В октябре 2022 года проект Национальной стратегии развития ИИ должен быть принят в России. Предполагается, что в Москве будет введен правовой режим, облегчающий разработку и внедрение технологий ИИ.
Исследования в сфере ИИ
Вопросы, что такое искусственный интеллект и как он работает, волнуют ученых разных стран уже не одно десятилетие. Госбюджет США ежегодно направляет 200 млн долларов на исследования. В России за 10 лет — с 2007-го по 2017-й — было выделено около 23 млрд рублей. Разделы по поддержке исследований в сфере ИИ станут важной частью концепции национальной стратегии. В скором времени в России откроются новые научные центры, а также будет продолжена разработка инновационного ПО для ИИ.
Стандартизация в области ИИ
Нормы и правила в области ИИ в России находятся в процессе постоянной доработки. Предполагается, что в конце 2022 — начале 2020 года будут утверждены национальные стандарты, которые сейчас разрабатывают лидеры рынка. Параллельно формируется План национальной стандартизации на 2022 год и далее. В мире работает стандарт «Искусственный интеллект. Концепция и терминология», и в 2019 году эксперты начали разрабатывать его русифицированную версию. Документ должен быть утвержден в 2022 году.
Влияние искусственного интеллекта
Внедрение ИИ неразрывно связано с научно-техническим прогрессом, и сферы применения расширяются с каждым годом. Мы сталкиваемся с этим каждый день в жизни, когда крупная розничная сеть в интернете рекомендует нам какой-то товар или, только открыв компьютер, мы видим рекламу фильма, который как раз хотели посмотреть. Эти рекомендации основаны на алгоритмах, анализирующих то, что купил или смотрел потребитель. За этими алгоритмами стоит искусственный интеллект.
Риск для развития человеческой цивилизации — есть ли он?
Илон Маск считает, что развитие ИИ может угрожать человечеству и результаты могут оказаться страшнее, чем применение ядерного оружия. Стивен Хокинг, британский ученый, опасается, что люди могут создать искусственный интеллект, обладающий сверхразумом, который может нанести вред человеку.
На экономику и бизнес
Проникновение технологии ИИ во все сферы экономики увеличит к 2030 году объем глобального рынка услуг и товаров на 15,7 трлн долларов. США и Китай пока лидеры с точки зрения всевозможных проектов в сфере ИИ. Развитые страны — Германия, Япония, Канада, Сингапур — также стремятся реализовать все возможности. Многие страны, экономика которых растет умеренными темпами, такие как Италия, Индия, Малайзия, развивают сильные стороны в конкретных областях применения ИИ.
На рынок труда
Глобальное влияние ИИ на рынок труда будет идти по двум сценариям. Во-первых, распространение некоторых технологий будет приводить к увольнению большого количества людей, так как выполнение многих задач возьмут на себя компьютеры. Во-вторых, в связи с развитием технического прогресса специалисты в сфере ИИ будут очень востребованы во многих отраслях.
Сферы применения
Искусственный интеллект и его области применения претерпевают трансформацию. Определение Weak AI («слабый ИИ») используется, когда речь идет о реализации узких задач в медицинской диагностике, электронных торговых платформах, управлении роботами. Тогда как Strong AI («сильный ИИ») исследователи определяют как интеллект, перед которым ставятся глобальные задачи, как если бы их ставили перед человеком.
Использование в целях обороны и в военном деле
К 2025 году показатель продаж соответствующих сервисов, программного обеспечения и оборудования в глобальном масштабе поднимется до 18,82 млрд долларов, а ежегодный рост рынка составит 14,75%. ИИ применяется для агрегации данных, в биоинформатике, при обучении войск, в оборонном секторе.
В образовании
Многие школы включают в образовательный курс информатики ознакомительные уроки по ИИ, а университеты широко применяют технологии больших данных. Некоторые программы контролируют поведение учащихся, оценивают тесты и эссе, распознают ошибки в произношении слов и предлагают варианты исправления.
Также существуют онлайн-курсы по искусственному интеллекту. Например, у образовательного портала GeekBrains.
В бизнесе и торговле
В ближайшие пять лет у ведущих ретейлеров появятся мобильные приложения, которые будут работать с цифровыми помощниками, такими как Siri, чтобы упростить процесс совершения покупок. ИИ позволяет зарабатывать огромные суммы в интернете. Один из примеров — Amazon, который постоянно анализирует потребительское поведение и совершенствует алгоритмы.
Где можно учиться по теме #искусственный интеллект
Курс
Аналитик Big Data с гарантированным трудоустройством
По мере набора
Курс
Специализация «Машинное обучение: углубленный уровень»
По мере набора
Курс
Основы искусственного интеллекта: нейросети
По мере набора
В электроэнергетике
ИИ помогает прогнозировать генерацию и спрос на энергоресурсы, снижать потери, предотвращает кражи ресурсов. В электроэнергетике использование ИИ при анализе статистических данных помогает выбрать наиболее выгодного поставщика или автоматизировать обслуживание клиентов.
В производственной сфере
Согласно опросу McKinsey, проведенному среди 1300 руководителей, 20% предприятий уже применяют ИИ. Недавно внедрила ИИ у себя на производстве в цеху упаковки. Используется способность ИИ к распознаванию изображения. Камера фиксирует все действия работника, сканируя штрих-код, нанесенный на одежду, и отправляет данные в компьютер. Количество совершенных операций напрямую влияет на оплату труда сотрудника.
В пивоварении
Carlsberg использует машинное обучение для отбора дрожжей и расширения ассортимента. Технология реализуется на базе цифровой облачной платформы.
В банковской сфере
Потребность в надежной обработке данных, развитие мобильных технологий, доступность информации и распространение программного обеспечения с открытым исходным кодом делают ИИ востребованной технологией в банковском секторе. Все больше банков привлекают заемные средства с помощью компаний-разработчиков мобильных приложений. Новые технологии улучшают обслуживание клиентов, и, как предсказывают аналитики, уже через пять лет ИИ в банках будет принимать большинство решений самостоятельно.
На транспорте
Развитие технологий ИИ — драйвер транспортной отрасли. Мониторинг состояния дорог, обнаружение пешеходов или объектов в неположенных местах, автономное вождение, облачные сервисы в автомобилестроении — лишь немногие примеры применения ИИ на транспорте.
В логистике
Возможности ИИ позволяют компаниям более эффективно прогнозировать спрос и выстраивать цепи поставок с минимальными затратами. ИИ помогает сократить количество используемых транспортных средств, необходимых для перевозки, оптимизировать время доставки, снизить эксплуатационные расходы транспорта и складских помещений.
На рынке предметов и услуг роскоши
Люксовые бренды также обратились к цифровым технологиям, чтобы анализировать потребности клиентов. Одна из задач, которая ставится перед разработчиками в этом сегменте, — управление эмоциями клиентов и влияние на них. Dior уже адаптирует ИИ для управления взаимодействием клиента и бренда с помощью чат-ботов. Люксовые бренды будут конкурировать в будущем, и решающим будет уровень персонализации, которого они смогут достичь с помощью ИИ.
В госуправлении
Государственные аппараты многих стран пока не готовы к вызовам, которые спрятаны в технологиях ИИ. Согласно прогнозам экспертов, многие из существующих правительственных структур и процессов, которые развивались в течение последних нескольких столетий, вероятно, станут неактуальными в ближайшем будущем.
В криминалистике
Разные подходы ИИ применяются для выявления преступников в общественных местах. В некоторых странах, например в Голландии, полиция использует ИИ для расследования сложных преступлений. Цифровая криминалистика — развивающаяся наука, которая требует интеллектуального анализа огромных объемов очень сложных наборов данных.
В судебной системе
Разработки в области искусственного интеллекта помогут кардинально изменить судебную систему, сделать ее более справедливой и свободной от коррупции. Одними из первых ИИ в судебной системе стал применять Китай. Можно предположить, что роботы-судьи со временем смогут оперировать большими данными из хранилищ государственных служб. Машинный интеллект анализирует огромное количество данных, и он не испытывает эмоции, как судья-человек. ИИ может оказать огромное влияние на обработку информации и сбор статистики, а также прогнозировать возможные правонарушения исходя из анализа данных.
В спорте
Применение ИИ в спорте стало обычным явлением в последние годы. Спортивные команды (бейсбол, футбол и т .д.) анализируют индивидуальные данные о производительности игроков, учитывая разные факторы при подборе. ИИ может предсказать будущий потенциал игроков, анализируя технику игры, физическое состояние и другие данные, а также оценить их рыночную стоимость.
В медицине здравоохранении
Эта сфера применения стремительно развивается. ИИ используется в диагностике заболеваний, клинических исследованиях, при разработке лекарств и при создании медицинских страховок. Кроме того, сейчас наблюдается бум инвестирования в многочисленные медицинские приложения и устройства.
Анализ поведения граждан
Наблюдение за поведением граждан широко применяется в сфере безопасности, в том числе отслеживается поведение на сайтах (в социальных сетях) и в мессенджерах. Например, в 2022 году китайским ученым удалось выявить 20 тысяч потенциальных самоубийц и оказать им психологическую помощь. В марте 2022 года Владимир Путин поручил активизировать действия государственных органов по борьбе с негативным воздействием деструктивных движений в социальных сетях.
В развитии культуры
Алгоритмы ИИ начинают генерировать художественные произведения, которые сложно отличить от созданных человеком. ИИ предлагает людям творческих профессий множество инструментов для воплощения замыслов. Именно сейчас меняется понимание роли художника в широком смысле, так как ИИ дает массу новых методов, но и ставит перед человечеством много новых вопросов.
Живопись
Искусство издавна считалось исключительной сферой человеческого творчества. Но оказалось, что машины могут сделать гораздо больше в творческой сфере, чем люди могут себе представить. В октябре 2018 года Christie’s продал первую картину, созданную ИИ, за 432 500 долларов. Использовался алгоритм генеративной состязательной сети, который анализировал 15 000 портретов, созданных между XV и XX веком.
Музыка
Разработано несколько музыкальных программ, которые используют ИИ для создания музыки. Как и в других областях, ИИ в этом случае также имитирует умственную задачу. Заметной особенностью является способность алгоритма ИИ учиться на основе полученной информации, такой как технология компьютерного сопровождения, которая способна слушать и следовать за человеком-исполнителем. ИИ также управляет так называемой интерактивной композиционной технологией, в которой компьютер сочиняет музыку в ответ на выступление живого музыканта. В начале 2022 года Warner Music заключила первый в истории контракт с исполнителем — алгоритмом Endel. По условиям контракта, в течение года нейросеть Endel выпустит 20 уникальных альбомов.
Фотография
ИИ быстро меняет наше представление о фотографии. Всего через пару лет большинство достижений в этой сфере будут ориентированы на ИИ, а не на оптику или сенсоры, как раньше. Прогресс в технологии фотографии впервые не будет связан с физикой и создаст совершенно новый способ фотомышления. Уже сейчас нейросеть распознает малейшие изменения при моделировании лиц в фоторедакторах.
Видео: замена лиц
В 2015 году Facebook начала тестировать на сайте технологию DeepFace. В 2022 Reddit-юзер DeepFakes придумал алгоритм, позволяющий создавать реалистичные видео с заменой лица, используя нейросети и машинное обучение.
СМИ и литература
В 2016 году ИИ Google, проанализировав 11 тысяч неизданных книг, начал писать свои первые литературные произведения. Исследователи Facebook AI Research в 2022 году придумали систему нейросетей, которая умеет писать стихи на любую тему. В ноябре 2015 года направление подготовки автоматических текстов открыла российская .
Игры го, покер, шахматы
В 2016 году ИИ обыграл человека в го (игра, в которой более 10 100 вариантов). В шахматах суперкомпьютер победил человека-игрока из-за возможности хранения в памяти когда-либо сыгранных людьми ходов и программирования новых на 10 шагов вперед. В покер сейчас играют боты, хотя раньше считалось, что компьютер почти невозможно обучить играть в эту карточную игру. С каждым годом разработчики все более совершенствуют алгоритмы.
Распознавание лиц
Технология распознавания лиц применяется как для фото-, так и видеопотоков. Нейронные сети выстраивают векторный, или «цифровой», шаблон лица, далее происходит сравнение этих шаблонов внутри системы. Она находит опорные точки на лице, которые определяют индивидуальные характеристики. Алгоритм вычисления характеристик различен для каждой из систем и является главным секретом разработчиков.
Для дальнейшего развития и применения ИИ необходимо обучать прежде всего человека
В завершении
Одна опечатка может оказать огромное влияние на имидж вашего бренда. В результате любой контент, который вы создаете, должен быть отшлифован, точен и безошибочен. Программное обеспечение для создания ИИ помогает компаниям и стартапам делать именно это и ускорять маркетинговый процесс.
Если вы ищете подходящее программное обеспечение для создания искусственного интеллекта, выберите его из списка ниже:
- Джарвис: Лучшее программное обеспечение для создания искусственного интеллекта
- Grammarly: Лучше всего подходит для безошибочной вычитки
- Wordtune Лучше всего подходит для перефразирования контента
- ProWritingAid Лучше всего подходит для редактирования академического контента
- Саженец Лучше всего подходит для сообщений о продажах и поддержке
- AI-писатель Лучше всего подходит для автоматического создания контента
- Articoolo Лучше всего подходит для автоматических статей WordPress
Независимо от того, хотите ли вы создавать отличный контент или просто выпускать короткие статьи, вышеперечисленные инструменты могут помочь вам в этом. Вы также можете использовать комбинацию нескольких инструментов для повышения качества контента.
Сергей Ширкин
Декан факультета Искусственного интеллекта GeekUniversity
Технологии искусственного интеллекта в таком виде, в каком они применяются сейчас, существуют около 5–10 лет, но для того, чтобы их применить, как это ни странно, требуется большое количество людей. Соответственно, основные расходы в сфере искусственного интеллекта — это расходы на специалистов. Тем более что почти все базовые технологии искусственного интеллекта (библиотеки, фреймворки, алгоритмы) бесплатны и находятся в открытом доступе. Одно время найти специалистов по машинному обучению было практически невозможным делом. Но сейчас, во многом благодаря развитию MOOC (англ. Massive Open Online Course, массовый открытый онлайн-курс) их становится больше. Высшие образовательные учреждения тоже поставляют специалистов, но и им часто приходится доучиваться на онлайн-курсах.
Сейчас искусственный интеллект вполне может распознать, что человек задумал сменить работу, и может предложить ему соответствующие онлайн-курсы, многие из которых можно проходить, имея в наличии лишь смартфон. А это означает, что заниматься можно даже находясь в пути — например, по дороге на работу. Одним из первых таких проектов был онлайн-ресурс Coursera, но позже появилось много подобных образовательных проектов, каждый из которых занимает определенную нишу в онлайн-образовании.
Нужно понимать, что ИИ, как и любая программа, — это прежде всего код, то есть определенным образом оформленный текст. Этот код нуждается в развитии, обслуживании и совершенствовании. К сожалению, само собой это не происходит, без программиста код не может «ожить». Поэтому все страхи о всемогуществе ИИ не имеют оснований. Программы создаются под строго определенные задачи, они не обладают чувствами и устремлениями подобно человеку, они не совершают действий, которые в них не заложил программист.
Можно сказать, что в наше время ИИ обладает лишь отдельными навыками человека, хотя и может в быстроте их применения опережать среднестатистического человека. Правда, на выработку каждого такого навыка тратятся многочасовые усилия тысяч программистов. Самое большое, на что пока способен ИИ — автоматизировать некоторые физические и умственные операции, освобождая тем самым людей от рутины.
Несет ли применение ИИ какие-то риски? Скорее сейчас существует риск не разглядеть возможность применения технологий искусственного интеллекта. Многие компании осознают это и пытаются развиваться сразу в нескольких направлениях в расчете на то, что какое-то из них может «выстрелить». Показателен пример интернет-магазинов: сейчас на плаву остались только те, кто осознал необходимость применения ИИ, когда это еще не было в тренде, хотя вполне можно было «сэкономить» и не приглашать непонятно зачем нужных математиков-программистов.
Перспектива развития искусственного интеллекта
Компьютеры теперь могут делать многое из того, что раньше могли делать только люди: играть в шахматы, распознавать буквы алфавита, проверять орфографию, грамматику, распознавать лица, диктовать, говорить, выигрывать игровые шоу и многое другое. Но скептики упорствуют. Как только удается автоматизировать очередную человеческую способность, скептики говорят, что это лишь еще одна компьютерная программа, а не пример самообучающегося ИИ. Технологии ИИ только находят широкое применение и имеют огромный потенциал роста во всех сферах. Со временем человечество будет создавать все более мощные компьютеры, которые будут все более совершенствоваться в развитии ИИ.
Является ли целью ИИ поместить человеческий разум в компьютер?
Существует только приблизительное понимание того, как работает человеческий мозг. Пока далеко не все свойства разума возможно имитировать с помощью ИИ.
Сможет ли ИИ достичь человеческого уровня интеллекта?
Ученые стремятся к тому, чтобы ИИ мог решать еще больше разнообразных задач. Но о достижении уровня человеческого интеллекта говорить преждевременно, так как мышление не сводится только к одним алгоритмам.
Когда искусственный интеллект сможет достичь уровня человеческого мышления?
На данном этапе накопления и анализа информации, который сейчас достигнут человечеством, ИИ далек от человеческого мышления. Однако в будущем могут возникнуть прорывные идеи, которые повлияют на резкий скачок в развитии ИИ.
Может ли компьютер стать интеллектуальной машиной?
Часть любой сложной машины — это компьютерная система, и тут возможно говорить только об интеллектуальных компьютерных системах. Сам компьютер не обладает интеллектом.
Есть ли связь между скоростью и развитием интеллекта у компьютеров?
Нет, скорость отвечает только за некоторые свойства интеллекта. Самой по себе скорости обработки и анализа информации недостаточно, чтобы появился интеллект.
Возможно ли создать детскую машину, которая могла бы развиваться с помощью чтения и самообучения?
Это обсуждается исследователями уже почти сто лет. Вероятно, идея когда-нибудь будет реализована. На сегодня программы ИИ не обрабатывают и не используют столько информации, сколько могут делать дети.
Как связаны с ИИ теория вычислимости и вычислительная сложность?
Теория вычислительной сложности фокусируется на классификации вычислительных задач в соответствии с присущей им сложностью и связывании этих классов друг с другом. Вычислительная задача — это задача, решаемая компьютером. Задача вычисления разрешима механическим применением математических шагов, таких как алгоритм.
ИИ должен уметь работать в многозадачном режиме
Еще одной ключевой проблемой, стоящей на пути разработки действительно глубинных моделей машинного обучения, является тот факт, что все наши нынешние системы ИИ, по сути дела, очень глупы. По мнению Райа Хадселл, научной сотрудницы DeepMind компании Google, эти системы на самом деле уже сейчас можно научить выполнять задачи по распознаванию котов, научить играть и при этом сделать их весьма эффективными в выполнении этих задач. Но «на настоящий момент в мире нет ни одной полноценной нейронной сети и методов, которые позволили бы натренировать ее на распознавание изображений, игры в Space Invaders и созерцание музыки». В свою очередь, именно нейронные сети являются ключевой базой для создания систем глубинного обучения машин.
И эта проблема гораздо значимей, чем могла показаться на первый взгляд. Когда в феврале прошлого года DeepMind объявила о том, что создала систему, которая может играть в 49 игр Atari, это действительно можно было рассматривать как большое достижение. Но в конечном итоге оказалось, что после того, как система завершает прохождение одной игры, ее каждый раз необходимо переобучить играть в другую. Хадселл отмечает, что мы не можем научить систему играть во все игры сразу, так как правила каждой будут смешиваться друг с другом и в конечном итоге мешать выполнять поставленную задачу. Каждый раз приходится учить машину заново, и при этом система каждый раз «забывает» то, как играть в предыдущую игру.
«Для того чтобы создать общий искусственный интеллект, нам необходимо что-то, что поможет нам научить машину выполнять сразу несколько задач одновременно. Сейчас же мы даже не можем обучить их играть в игры», — говорит Хадселл.
Решение может скрываться в так называемых прогрессивных нейронных сетях – объединении независимых систем глубинного обучения в единое целое для более эффективной работы с информацией. В опубликованной научной статье, разбирающей этот вопрос, Хадселл и ее команда исследователей рассказали о том, как их прогрессивная нейронная сеть смогла адаптироваться в игре Pong, условия в которой каждый раз в некоторой степени отличались (в одном случае были изменены цвета; в другом – перепутано управление), гораздо быстрее, чем «обычная» нейронная сеть, которой приходилось обучаться каждый раз заново.
Базовый принцип прогрессивной нейронной сети
Метод оказался весьма обещающим и в недавнем случае применялся для настройки роботизированных рук, ускорив процесс их обучения с недели всего до одного дня. К сожалению, и в этом методе есть свои ограничения. Хадселл отмечает, что в случае с прогрессивными нейронными сетями процесс обучения нельзя свести к простому добавлению новых задач в их память. Если продолжать объединять такие системы вместе, то рано или поздно вы придете к «слишком сложной модели, отследить которую будет невозможно». В этом случае речь пойдет уже о другом уровне. Об уровне, при котором различные задачи в основном будут выполняться аналогичным образом. Создать ИИ, способный разрабатывать дизайн стульев, и создать ИИ уровня человеческого интеллекта, способного писать поэмы и решать дифференциальные уравнения, – это совсем не одно и то же.
