Ии по: 12 полезных AI-сервисов, на которые стоит обратить внимание / Программное обеспечение

• 22–23 ноября 2022 г.
  NDSML — Северный саммит по науке о данных и машинному обучению
  Стокгольм, Швеция

•  6–9 февраля 2023 г.
  LEAP 
  Riyadh Front Expo Centre, Саудовская Аравия

В прошлом:

• 23 сентября 2022 г.
  AI for Good, Felix Meritis
  Амстердам, Нидерланды
• 11 октября 2022 г.
  Университет бизнеса Ниенроде, Брекелен, Нидерланды
• Апрель 2022 г.
  Всемирный Каннский фестиваль искусственного интеллекта – WAICF
  Канны, Франция

Свяжитесь с нами!

Мы будем рады услышать от вас.

Контакт

Эта работа находится под лицензией Creative Commons Attribution 4.0 International License.

Что такое искусственный интеллект (ИИ)? Как работает ИИ?

МОДЕЛИРОВАНИЕ МАШИН ЧЕЛОВЕЧЕСКОГО ИНТЕЛЛЕКТА — ФУНДАМЕНТАЛЬНАЯ ЦЕЛЬ ИИ. | Изображение: Shutterstock

Как работает искусственный интеллект?

Что такое ИИ?

Менее чем через десять лет после того, как он помог силам союзников выиграть Вторую мировую войну, взломав нацистскую шифровальную машину Enigma, математик Алан Тьюринг во второй раз изменил историю простым вопросом: «Могут ли машины думать?»

Статья Тьюринга 1950 года «Вычислительные машины и интеллект» и последовавший за ней Тест Тьюринга установили фундаментальную цель и видение ИИ.

По своей сути ИИ — это отрасль информатики, цель которой — утвердительный ответ на вопрос Тьюринга. Это попытка воспроизвести или смоделировать человеческий интеллект в машинах. Экспансивная цель ИИ породила множество вопросов и споров. Настолько, что ни одно единственное определение поля не является общепринятым.

Могут ли машины думать? – Алан Тьюринг, 1950

Определение ИИ

Основное ограничение определения ИИ как простого «создания интеллектуальных машин» заключается в том, что оно на самом деле не объясняет, что такое ИИ и что делает машину разумной. ИИ — это междисциплинарная наука с несколькими подходами, но достижения в области машинного и глубокого обучения приводят к изменению парадигмы практически во всех секторах технологической отрасли.

Однако недавно были предложены различные новые тесты, которые были в основном хорошо приняты, в том числе исследовательская работа 2019 года, озаглавленная «Измерение интеллекта». В статье опытный исследователь глубокого обучения и инженер Google Франсуа Шолле утверждает, что интеллект — это «скорость, с которой учащийся превращает свой опыт и предшествующие знания в новые навыки при выполнении важных задач, связанных с неопределенностью и адаптацией». Другими словами: самые интеллектуальные системы способны использовать лишь небольшое количество опыта и продолжать угадывать, каким будет результат во многих различных ситуациях.

Между тем, в своей книге «Искусственный интеллект: современный подход » авторы Стюарт Рассел и Питер Норвиг подходят к концепции ИИ, объединяя свою работу вокруг темы интеллектуальных агентов в машинах. Имея это в виду, ИИ — это «изучение агентов, которые получают восприятие из окружающей среды и выполняют действия».

Ознакомьтесь с ведущими ИИ-компаниямиПросмотреть все ИИ-компании

Норвиг и Рассел продолжают исследовать четыре различных подхода, которые исторически определили область ИИ:

Определение искусственного интеллекта: четыре типа подходов

• Мыслить по-человечески: имитировать мысли, основанные на человеческом разуме.
• Рациональное мышление: имитация мысли на основе логических рассуждений.
• Поступать по-человечески: действовать таким образом, который имитирует человеческое поведение.
• Действовать рационально: действовать таким образом, чтобы достичь определенной цели.

Первые две идеи касаются мыслительных процессов и рассуждений, а остальные касаются поведения. Норвиг и Рассел уделяют особое внимание рациональным агентам, которые действуют для достижения наилучшего результата, отмечая, что «все навыки, необходимые для теста Тьюринга, также позволяют агенту действовать рационально».

Бывший профессор искусственного интеллекта и компьютерных наук Массачусетского технологического института Патрик Уинстон определил ИИ как «алгоритмы, основанные на ограничениях, демонстрируемые представлениями, которые поддерживают модели, нацеленные на циклы, связывающие мышление, восприятие и действие».

Хотя эти определения могут показаться абстрактными для среднего человека, они помогают сфокусировать область как область компьютерных наук и дают план для наполнения машин и программ машинным обучением и другими подмножествами ИИ.

Будущее ИИ

Если принять во внимание вычислительные затраты и техническую инфраструктуру данных, лежащую в основе искусственного интеллекта, работа с искусственным интеллектом на самом деле является сложным и дорогостоящим делом. К счастью, компьютерные технологии значительно продвинулись вперед, о чем свидетельствует закон Мура, который гласит, что количество транзисторов в микрочипе удваивается примерно каждые два года, а стоимость компьютеров уменьшается вдвое.

Хотя многие эксперты считают, что закон Мура, скорее всего, перестанет действовать где-то в 2020-х годах, он оказал серьезное влияние на современные методы искусственного интеллекта — без него о глубоком обучении не могло быть и речи с финансовой точки зрения. Недавние исследования показали, что инновации в области искусственного интеллекта на самом деле превзошли закон Мура, удваиваясь каждые шесть месяцев или около того, а не два года.

Исходя из этой логики, искусственный интеллект добился значительных успехов в различных отраслях за последние несколько лет. И потенциал для еще большего воздействия в течение следующих нескольких десятилетий кажется почти неизбежным.

Четыре типа искусственного интеллекта

ИИ можно разделить на четыре категории в зависимости от типа и сложности задач, которые может выполнять система. Например, автоматическая фильтрация спама относится к самому базовому классу ИИ, в то время как далекий потенциал машин, способных воспринимать мысли и эмоции людей, является частью совершенно другого подмножества ИИ.

Какие существуют четыре типа искусственного интеллекта?

• Реактивные машины: способны воспринимать окружающий мир и реагировать на него при выполнении ограниченных задач.
• Ограниченная память: возможность хранить прошлые данные и прогнозы, чтобы информировать прогнозы о том, что может произойти дальше.
• Теория разума: способность принимать решения, основываясь на своем восприятии того, что другие чувствуют и принимают решения.
• Самосознание: способность оперировать человеческим сознанием и понимать собственное существование.

Реактивные машины

Реактивная машина следует самым основным принципам искусственного интеллекта и, как следует из ее названия, способна использовать свой интеллект только для восприятия окружающего мира и реагирования на него. Реактивная машина не может хранить память и, следовательно, не может полагаться на прошлый опыт для принятия решений в режиме реального времени.

Непосредственное восприятие мира означает, что реактивные машины предназначены для выполнения лишь ограниченного числа специализированных задач. Однако преднамеренное сужение мировоззрения реактивной машины не является какой-либо мерой по сокращению затрат, а вместо этого означает, что этот тип ИИ будет более надежным и надежным — он будет каждый раз реагировать одинаково на одни и те же стимулы.

Известным примером реактивной машины является Deep Blue, который был разработан IBM в 1990-х годах как суперкомпьютер для игры в шахматы и победил в игре международного гроссмейстера Гэри Каспарова. Deep Blue был способен только идентифицировать фигуры на шахматной доске и знать, как каждая из них движется, основываясь на правилах шахмат, узнавать текущее положение каждой фигуры и определять, какой ход будет наиболее логичным в данный момент. Компьютер не следил за будущими потенциальными ходами противника и не пытался поставить свои фигуры в более выгодное положение. Каждый поворот рассматривался как отдельная реальность, отдельная от любого другого движения, сделанного заранее.

Другой пример игровой реактивной машины — Google AlphaGo. AlphaGo также не способна оценивать будущие ходы, но полагается на свою собственную нейронную сеть для оценки развития текущей игры, что дает ей преимущество перед Deep Blue в более сложной игре. AlphaGo также превзошла конкурентов мирового уровня в игре, победив чемпиона по игре в го Ли Седоля в 2016 году. .

Ограниченная память

Ограниченная память Искусственный интеллект может хранить предыдущие данные и прогнозы при сборе информации и взвешивании потенциальных решений — по сути, заглядывая в прошлое в поисках подсказок о том, что может произойти дальше. ИИ с ограниченной памятью более сложен и предоставляет больше возможностей, чем реактивные машины.

ИИ с ограниченной памятью создается, когда команда постоянно обучает модель тому, как анализировать и использовать новые данные, или создается среда ИИ, позволяющая автоматически обучать и обновлять модели.

При использовании искусственного интеллекта с ограниченной памятью в машинном обучении необходимо выполнить шесть шагов: должны быть созданы обучающие данные, должна быть создана модель машинного обучения, модель должна быть способна делать прогнозы, модель должна иметь возможность получать обратную связь от человека или окружающей среды, эта обратная связь должна храниться в виде данных, и эти шаги должны повторяться в виде цикла.

Существует несколько моделей машинного обучения, в которых используется искусственный интеллект с ограниченной памятью:

• Обучение с подкреплением , которое учится делать более точные прогнозы путем повторяющихся проб и ошибок.
   
• Рекуррентные нейронные сети (RNN) , которые используют последовательные данные для получения информации из предыдущих входов, чтобы повлиять на текущий ввод и вывод. Они обычно используются для порядковых или временных задач, таких как языковой перевод, обработка естественного языка, распознавание речи и субтитры к изображениям. Одно подмножество рекуррентных нейронных сетей известно как долговременная кратковременная память (LSTM), которое использует прошлые данные, чтобы помочь предсказать следующий элемент в последовательности. LTSM рассматривают более свежую информацию как наиболее важную при составлении прогнозов и игнорируют данные из более далекого прошлого, но при этом используют их для формирования выводов.
   
• Эволюционные генеративно-состязательные сети (E-GAN) , которые со временем развиваются, расширяясь, чтобы исследовать слегка измененные пути, основанные на предыдущем опыте, с каждым новым решением. Эта модель постоянно ищет лучший путь и использует симуляции и статистику или случайность для прогнозирования результатов на протяжении всего цикла эволюционных мутаций.
   
• Трансформаторы, , представляющие собой сети узлов, которые учатся выполнять определенную задачу путем обучения на существующих данных. Вместо того, чтобы группировать элементы вместе, преобразователи могут запускать процессы так, чтобы каждый элемент во входных данных обращал внимание на все остальные элементы. Исследователи называют это «самовниманием», имея в виду, что как только он начинает обучение, трансформер может видеть следы всего набора данных.

Теория разума

Теория разума всего лишь теория. Мы еще не достигли технологических и научных возможностей, необходимых для достижения следующего уровня ИИ.

Концепция основана на психологической предпосылке понимания того, что у других живых существ есть мысли и эмоции, которые влияют на поведение человека. С точки зрения машин ИИ это будет означать, что ИИ может понимать, что чувствуют люди, животные и другие машины, и принимать решения посредством самоанализа и решимости, а затем будет использовать эту информацию для принятия собственных решений. По сути, машины должны были бы иметь возможность воспринимать и обрабатывать концепцию «разума», колебания эмоций при принятии решений и множество других психологических концепций в режиме реального времени, создавая двусторонние отношения между людьми и ИИ.

Самосознание

Как только будет создана теория разума, когда-нибудь далеко в будущем ИИ, последним шагом станет самосознание ИИ. Этот тип ИИ обладает сознанием человеческого уровня и понимает свое собственное существование в мире, а также присутствие и эмоциональное состояние других. Он сможет понять, что может понадобиться другим, основываясь не только на том, что они им сообщают, но и на том, как они это сообщают.

Самосознание в ИИ зависит как от людей-исследователей, понимающих предпосылки сознания, так и от того, как научиться воспроизвести это, чтобы его можно было встроить в машины.

Родственные типы искусственного интеллекта: руководство

Как используется ИИ? Примеры искусственного интеллекта

Обращаясь к собравшимся на Japan AI Experience в 2017 году,  генеральный директор DataRobot Джереми Ачин начал свою речь со следующего определения того, как ИИ используется сегодня:

«ИИ — это компьютерная система, способная выполнять задачи, которые обычно требуется человеческий интеллект. .. Многие из этих систем искусственного интеллекта основаны на машинном обучении, некоторые из них основаны на глубоком обучении, а некоторые — на очень скучных вещах, таких как правила».

Статьи по теме20+ Примеры использования ИИ в повседневной жизни

Другие классификации ИИ

Существует три способа классификации искусственного интеллекта в зависимости от его возможностей. Это не типы искусственного интеллекта, а этапы, через которые ИИ может развиваться, и только один из них на самом деле возможен прямо сейчас.

• Узкий ИИ : этот тип ИИ, который иногда называют «слабым ИИ», работает в ограниченном контексте и представляет собой симуляцию человеческого интеллекта. Узкий ИИ часто фокусируется на выполнении одной задачи очень хорошо, и хотя эти машины могут казаться разумными, они работают с гораздо большими ограничениями и ограничениями, чем даже самый простой человеческий интеллект.

• Искусственный общий интеллект (AGI) : AGI, иногда называемый «сильным ИИ», — это тип ИИ, который мы видим в фильмах — например, роботы из Westworld или данные персонажей из Star Trek: Следующее поколение . ОИИ — это машина с общим интеллектом, и, как и человек, он может применить этот интеллект для решения любой проблемы.
   
• Сверхразум : Вероятно, это будет вершина эволюции ИИ. Сверхразумный ИИ сможет не только воспроизвести сложные эмоции и интеллект человека, но и превзойти его во всех отношениях. Это может означать самостоятельные суждения и решения или даже формирование собственной идеологии.

Примеры узкого ИИ

Узкий ИИ, или, как его часто называют, слабый ИИ, окружает нас повсюду и, безусловно, является самой успешной реализацией ИИ на сегодняшний день. Он имеет ограниченные функции, которые могут помочь автоматизировать определенные задачи.

Из-за этой направленности узкий ИИ за последнее десятилетие претерпел многочисленные прорывы, которые принесли «значительные социальные выгоды и способствовали экономической жизнеспособности нации», согласно отчету, опубликованному администрацией Обамы за 2016 год.

Примеры искусственного интеллекта: Узкий AI

• Siri, Alexa и другие интеллектуальные помощники
• Carving Cars
• Google Search
• Рекомендации Netflix
• . Глубокое обучение 

  Большая часть узкоспециализированного ИИ основана на прорывах в машинном обучении и глубоком обучении. Понимание разницы между ИИ, машинным обучением и глубоким обучением может сбивать с толку. Венчурный капиталист Фрэнк Чен дает хороший обзор того, как их различать, отмечая:  

  “ Искусственный интеллект — это набор алгоритмов и интеллекта, которые пытаются имитировать человеческий интеллект. Машинное обучение — одна из них, а глубокое обучение — одна из таких технологий машинного обучения. »  

  Проще говоря, алгоритм машинного обучения получает данные от компьютера и использует статистические методы, чтобы помочь ему «научиться» тому, как постепенно улучшаться в выполнении задачи, не обязательно будучи специально запрограммированным для этой задачи. Вместо этого алгоритмы машинного обучения используют исторические данные в качестве входных данных для прогнозирования новых выходных значений. С этой целью машинное обучение состоит как из обучения с учителем (когда ожидаемый результат для ввода известен благодаря помеченным наборам данных), так и из обучения без учителя (когда ожидаемые результаты неизвестны из-за использования неразмеченных наборов данных).

  Машинное обучение присутствует в повседневной жизни. Карты Google используют данные о местоположении со смартфонов, а также сообщаемые пользователями данные о таких вещах, как строительство и автомобильные аварии, чтобы отслеживать приливы и отливы трафика и оценивать, какой будет самый быстрый маршрут. Персональные помощники, такие как Siri, Alexa и Cortana, могут устанавливать напоминания, искать онлайн-информацию и управлять освещением в домах людей с помощью алгоритмов машинного обучения, которые собирают информацию, изучают предпочтения пользователя и улучшают его опыт на основе предыдущих взаимодействий с пользователями. . Даже фильтры Snapchat используют алгоритмы машинного обучения для отслеживания активности пользователей.

  Между тем, глубокое обучение — это тип машинного обучения, который пропускает входные данные через архитектуру нейронной сети, вдохновленную биологией. Нейронные сети содержат ряд скрытых слоев, через которые обрабатываются данные, что позволяет машине «углубляться» в свое обучение, устанавливать связи и взвешивать входные данные для достижения наилучших результатов.

  Самоуправляемые автомобили являются узнаваемым примером глубокого обучения, поскольку они используют глубокие нейронные сети для обнаружения объектов вокруг себя, определения их расстояния до других автомобилей, распознавания сигналов светофора и многого другого. Носимые датчики и устройства, используемые в сфере здравоохранения, также применяют глубокое обучение для оценки состояния здоровья пациента, включая уровень сахара в крови, артериальное давление и частоту сердечных сокращений. Они также могут выводить закономерности из предыдущих медицинских данных пациента и использовать их для прогнозирования любых будущих состояний здоровья.

   

  Искусственный общий интеллект

  Создание машины с человеческим интеллектом, которая может быть применена к любой задаче, является Святым Граалем для многих исследователей ИИ, но поиски искусственного общего интеллекта были сопряжены с трудностями.

  Поиск «универсального алгоритма обучения и действий в любой среде», как выразились Рассел и Норвиг, не нов. В отличие от слабого ИИ, сильный ИИ представляет собой машину с полным набором когнитивных способностей, но время не уменьшило трудности достижения такого подвига.

  ОИИ долгое время был музой научной фантастики-антиутопии, в которой сверхразумные роботы наводняют человечество, но эксперты соглашаются, что в ближайшее время нам не о чем беспокоиться.

  Хотя на данный момент AGI все еще является фантастикой, уже сейчас есть несколько удивительно сложных систем, которые приближаются к тесту AGI. Одним из них является GPT-3, авторегрессивная языковая модель, разработанная OpenAI, которая использует глубокое обучение для создания текста, похожего на человеческий. GPT-3 не является интеллектуальным, но с его помощью были созданы некоторые необычные вещи, в том числе чат-бот, который позволяет вам общаться с историческими личностями, и поисковая система на основе вопросов. MuZero, компьютерная программа, созданная DeepMind, является еще одним многообещающим лидером в стремлении достичь настоящего ОИИ. Ему удалось освоить игры, в которые его даже не учили играть, включая шахматы и целый набор игр Atari, с помощью грубой силы, играя в игры миллионы раз.

   

  Сверхразум 

  Помимо узкого ИИ и ОИИ, некоторые считают, что существует третья категория, известная как сверхразум. На данный момент это совершенно гипотетическая ситуация, в которой машины полностью самосознательны, даже превосходя человеческий интеллект практически во всех областях, от науки до социальных навыков. Теоретически этого можно было бы достичь с помощью одного компьютера, сети компьютеров или чего-то совершенно другого, если бы он был сознательным и обладал субъективными переживаниями.

  Ник Бостром, профессор-основатель и руководитель Оксфордского института будущего человечества, кажется, придумал этот термин еще в 1998 году и предсказал, что мы достигнем сверхчеловеческого искусственного интеллекта в первой трети 21-го века. Далее он сказал, что вероятность этого, вероятно, будет зависеть от того, насколько быстро нейробиология сможет лучше понять и воспроизвести человеческий мозг.