Искусственный интеллект изнутри: будни проектов в сфере машинного обучения. Искусственный интеллект проект

Учебный проект Искусственный интеллект — Rtwiki.iteach.ru

Автор проекта

Ахметзянов Анис Асхатович

Тема проекта

Искусственный интеллект

Класс, предмет

9 класс, информатика

10 класс, информатика

Краткая аннотация проекта

Данный проект предназначен для изучения тем по информатике из раздела "Кибернетика и управление". Рекомендуется также для использования на элективных курсах в 10 классе.

Вопросы, направляющие проект

Основополагающий вопрос

Может ли компьютер заменить человека?

Проблемные вопросы

1. Может ли ЭВМ сама ставить задачи и решать их?

2. Способен ли компьютер воспроизвести все действия и мысли человека?

3. Способна ли ЭВМ управлять человеком?

Учебные вопросы

1. Какие задачи решает компьютер?

2. Самообучается ли ЭВМ?

3.Могут ли автоматы заменить человека?

4.Искусственный интеллект=Интеллект человека?

5.Нужно ли руководить работой ЭВМ?

6.Возможно ли поставить робота "во главу стола"?

7.Умеет ли думать компьютер?

8. Возможно ли заменить человеческий мозг искусственным?

9. Готов ли человек поручить всю работу роботам?

Визитная карточка проекта

Публикация учителя

Внешняя часть буклета (Выполнена в программе Microsoft Publisher 2010)

Внутренняя часть буклета (Выполнена в программе Microsoft Publisher 2010)

Презентация учителя для выявления представлений и интересов учащихся

Презентация в формате PDF

Оригинальная версия презентации, созданная в программе Microsoft PowerPoint 2010 в формате PPTX

Пример продукта проектной деятельности учащихся

Исследование: Способен ли компьютер воспроизвести все действия и мысли человека?

Материалы по формирующему и итоговому оцениванию

Дополнительные материалы по оцениванию будут выложены позже

Итоговая рефлексия для участников проекта

Материалы по сопровождению и поддержке проектной деятельности

Данный раздел находится в разработке

Полезные ресурсы

Сайты:

Портал искусственного интеллекта

Российская ассоциация искусственного интеллекта

Видеоматериалы:

Угроза искусственного интеллекта и слияние с машинами

Киборги придут на смену человечеству

Машинное обучение и искусственный интеллект

Воздействие микрочипа 666 на человека

Интерфейс мозг-компьютер

Электронный чип может управлять человеком

Всемирный искусственный интеллект

Проекты с аналогичной тематикой

http://wiki.kspu.karelia.ru/index.php

http://www.wiki.vgipu.ru/index.php

http://letopisi.ru/index.php

Другие документы

Данный раздел находится в разработке

rtwiki.iteach.ru

Искусственный интеллект и человек | Проекты

Проблема: Какие последствия нас ждут при создании ИИ?

Цели:

Формирование у учащихся понятия об искусственном интеллекте;

Формирование информационной культуры учащихся и философского подхода к проблемам информатики;

Расширение кругозора учащихся.

Гипотеза:

Я считаю, что в будущем при создании искусственного интеллекта человечество может столкнуться с тем, что остановить самосовершенствование машин с нечеловеческим интеллектом будет невозможно и мы не будем способны им управлять, что может привести к конфликту между машинами и людьми, а вскоре возможно к исчезновению человека.

Задачи:

1. Дать четкую дефиницию «интеллект» и «искусственный интеллект»;

2. Рассмотреть историческое становление и современное состояние разработки искусственного интеллекта;

3. Провести опрос обывателей проанализировать результаты;

4. Рассмотреть данную тему в кинофильмах и фантастике, сравнить с мнением специалистов.

Актуальность:

Разговоры о том, как индустрия искусственного интеллекта изменит мир в будущем, идут постоянно. Проблема создания искусственного интеллекта очень актуальна, поскольку человек с древних времён стремился упростить свою жизнь, переложив часть своих обязанностей на специальные приспособления. Раньше этот вопрос ограничивался созданием машин или роботов, способных выполнять тяжёлую физическую работу. Но с развитием науки человек всё чаще стал задумываться о создании машины, способной выполнять и умственную работу. Актуальность создания искусственного интеллекта в настоящее время связана со сложностью проблем, которые приходится решать современному человечеству. В настоящие время наука подошла к такому уровню своего развития, что появилась возможность создания искусственного интеллекта. Однако многие учёные скептически относятся к этому вопросу, т.к. существует множество проблем, которые пока не удаётся решить научным путём.

Основополагающий вопрос

Какие последствия нас ждут при создании ИИ?

Проблемные вопросы

1. Может ли ЭВМ сама ставить задачи и решать их?

2. Способна ли ЭВМ управлять человеком?

Учебные вопросы

1. Какие задачи решает компьютер?

2. Самообучается ли ЭВМ?

3. Могут ли автоматы заменить человека?

4. Искусственный интеллект=Интеллект человека?

5. Возможно ли поставить робота «во главу стола»?

6. Умеет ли думать компьютер?

7. Готов ли человек поручить всю работу роботам?

Ссылка на сайт

iteach.vspu.ru

Самые интересные проекты искусственного интеллекта 2018 года

Искусственный интеллект стал одной из важнейших составляющих современной жизни. Его изобретение таит в себе больший потенциал, чем огонь и электричество, сказал в интервью телеканалу MSNBC глава компании Google Сундар Пичаи. По оценкам McKinsey Global Institute, на которые ссылается The Economist, в одной только сфере маркетинга, продаж и логистики использование ИИ создаст экономическую ценность в размере $2,7 триллиона.

В мире запускается все больше проектов, связанных с искусственным интеллектом. Предлагаем ознакомиться с самыми продвинутыми и неординарными.

Artificial intelligence в блокчейне

Проект Effect.AI – децентрализованная платформа, назначение которой – развитие технологий искусственного интеллекта и сферы услуг, где используется artificial intelligence.

Разработчики платформы видят, что в будущем ИИ будет присутствовать во всех направлениях сферы услуг: логистике, транзакциях и других. Другими словами, он будет влиять не только на экономические процессы, но и на повседневную жизнь людей.

Эти размышления натолкнули их создать проект Effect.AI, который пытается построить жизнеспособную экосистему, основанную на блокчейне. Ее сможет использовать любой из субъектов хозяйственной деятельности для внедрения технологий ИИ.

Капсульные сети – визуальный проект искусственного интеллекта

Капсульная глубокая нейронная сеть качественно отличается от распространенной сверточной. Она обрабатывает визуальную информацию так, как это делает человеческий мозг. Отличие между двумя типами нейросетей в пространственной иерархии, капсульные сети видят разницу между простыми и сложными объектами.

Второе важное отличие – они не нуждаются в большом объеме данных для обучающих моделей. Благодаря этому доля их ошибок сокращается на 50% по сравнению со сверточными.

В планах – использование капсульных сетей не только для продвинутого машинного зрения. Создатель этой технологии – профессор Университета Торонто Джеффри Хинтон.

Искусственный интеллект в финансах

Благодаря ИИ подход к инвестициям больше никогда не будет прежним. Об этом говорится в материале «Форбс», посвященном стартапу для поиска удачных капиталовложений от Google – Kensho. Журнал назвал этот проект искусственного интеллекта «финансами будущего».

Вскоре состоится сделка, которую назовут исторической – агентство Standard & Poor’s покупает компанию Kensho за $550 млн. Это самый крупный контракт, связанный с искусственным интеллектом.

Дэниел Нэдлер, основатель и CEO стартапа Kensho, создал его как инструмент финансовой аналитики на основе машинного обучения. Kensho в нынешнем виде может за секунды просчитать, как глобальные политические процессы, такие как Brexit или выборы в США, повлияют на компании и рынки.

Проект искусственного интеллекта, который спасает жизни

В Китае специальная программа для мониторинга соцсетей занимается выявлением потенциальных самоубийц, затем генерирует им письма со словами поддержки и передает службам психологической помощи. Об этом сообщает ТАСС.

Кураторы проекта – сотрудники Академии наук Китая – говорят, что им удалось выявить 20 тысяч потенциальных самоубийц. Анализу поддаются лингвистические конструкции, которые употребляют пользователи. Сервис не распространен во многих странах, таких как ЕС, где действует законодательство о защите частной информации и свободы слова.

Cartoon artificial intelligence

В том, чтобы заставить искусственный интеллект генерировать ответы на вопросы или продумывать диалоги, нет ничего нового. В 2017 году инженеры из Facebook AI Research представили программу artificial intelligence, которая умеет писать стихи на любую тему и любого жанра.

Разработчики из Samsung Electronics пошли намного дальше. Они представили проект искусственного интеллекта Toonsquare от творческой лаборатории C-Lab (Creative Lab). Нейросеть выдает мультипликацию на основе обычного текста.

Пользователь выбирает персонажа (это может быть фото) и текст. Программа проводит анализ текста, определяет сценарий, эмоциональный окрас и выдает мультипликационный фильм.

Узнать больше на AI Conference ►►►

aiconference.ru

Искусственный интеллект - презентация, доклад, проект

Описание слайда:

Технология распознавания ASIMO С моделью АСИМО образца 2000 года Хонда добавила роботу массу функций, которые позволили ему лучше общаться с людьми. Эти функции делятся на пять категорий: Распознавание движущихся объектов У АСИМО в голову встроена видеокамера. С её помощью АСИМО может следить за перемещениями большого числа объектов, определяя дистанцию до них и направление. Практические применения этой функции следующие: способность следить за перемещениями людей (поворачивая камеру), способность следовать за человеком и способность «приветствовать» человека, когда он войдёт в пределы досягаемости. Распознавание жестов АСИМО умеет также верно истолковывать движения рук, распознавая тем самым жесты. Вследствие этого можно отдавать АСИМО команды не только голосом, но и руками. Например, АСИМО понимает, когда собеседник собирается пожать ему руку, а когда машет рукой, говоря «До свидания». АСИМО может также распознавать указующие жесты, типа «иди вон туда». Распознавание окружения АСИМО умеет распознавать предметы и поверхности, благодаря чему может действовать безопасно для себя и для окружающих. Например, АСИМО владеет понятием «ступенька» и не будет падать с лестницы, если его не столкнуть. Кроме того, АСИМО умеет двигаться, обходя людей, вставших у него на пути. Различение звуков Различение звуков происходит благодаря системе HARK [1], в которой используется массив из восьми микрофонов, расположенных на голове и теле андроида. Она обнаруживает, откуда пришёл звук, и отделяет каждый голос от внешнего шума. При этом ей не задаётся количество источников звука и их местоположение. На данный момент HARK, способна надёжно (70-80 % точности) распознавать три речевых потока то есть, ASIMO способен улавливать и воспринимать речь сразу трёх человек, что обычному человеку недоступно. Робот умеет откликаться на собственное имя, поворачивать голову к людям, с которыми говорит, а также оборачиваться на неожиданные и тревожные звуки — такие, например, как звук падающей мебели. Узнавание лиц АСИМО способен узнавать знакомые лица, даже во время движения. То есть, когда движется сам АСИМО, движется лицо человека, или движутся оба объекта. Робот может отличать примерно десять разных лиц. Как только АСИМО узнаёт кого-нибудь, он тут же обращается к узнанному по имени. Работа в сети АСИМО умеет пользоваться Интернетом и локальными сетями. После подключения к локальной сети дома, АСИМО сможет разговаривать с посетителями через домофоном, а потом докладывать хозяину, кто пришёл. После того как хозяин согласится принять гостей, АСИМО сумеет открыть дверь и довести посетителя до нужного места.

presentacii.ru

будни проектов в сфере машинного обучения — Будущее на vc.ru

Анализ перспектив направления от генерального директора агентства по анализу данных Data Monsters Артемия Малкова и директора по онлайн-маркетингу сервиса Biglion Дмитрия Лучкина.

Чем глубокое обучение отличается от машинного

Артемий Малков: Термин deep learning (глубокое обучение) используется для решения задач с использованием многослойных нейронных сетей. Machine learning (машинное обучение) — более широкий термин, включающий комплекс алгоритмов классификации, задач снижения размерности, обработки рядов данных и тому подобного.

Мода на глубокое обучение пришла в связи с успехами сверхточных и рекуррентных нейросетей в задачах обработки изображений, звука и текста.

В отличие от традиционных методов, большая часть которых так или иначе построена на правилах, которые задаёт специалист (rules-based), и опирается на ручной подбор признаков (features), нейросети умеют самостоятельно находить значимые скрытые признаки.

Однако такие нейросети требуют больших объёмов размеченных данных, и успешные проекты с использованием глубокого обучения получаются достаточно трудоёмкими и дорогостоящими. Но если всё сделать правильно, они могут дать высокую точность, недостижимую другими методами.

Объясняем на примере кейсов

Дмитрий Лучкин: Яркий пример использования машинного обучения — механика, которую одна из студий разработала для одного из лидирующих разработчиков игр.

На основании действий каждого игрока создавался профиль, предсказывающий его поведение в игре. С помощью этого инструмента компания не только получила инсайты по удержанию пользователей в игре, но и выяснила, какие навыки им можно прокачивать, какие индивидуальные предложения или артефакты можно предлагать игрокам.

Мне близки простые механизмы, востребованные на уровне пользователя или бизнеса. В конце 2017 года я заметил, что у сервиса Avito появилась классная функция, работающая с распознанием образов по принципу «сфотографируй товар и найди его у нас для последующей покупки».

На одной из конференций специалисты из «Едадил» рассказали, что сегментируют аудиторию по первым действиям в мобильном приложении для предсказывания оттока. Как только они понимают, что пользователь готов уйти (растёт его вероятность в модели скоринга), делают ему специальное предложение, чтобы удержать.

Скоринговые модели оценивали посетителей сайта и лендингов одного из лидирующих банков в режиме реального времени, и делают предложение под конкретную пользовательскую когорту.

При этом закупка трафика идёт с учётом предыдущего поведения пользователя в сети. Сопоставляют они их явно не методом brutal force attack.

Артемий Малков: Я думаю, все уже слышали о достижениях AlphaGo и AlphaZero в игре Go, а также о нашумевших проектах со style-transfer нейросетями, умеющими накладывать определённый стиль на картинку.

Из менее известных, но не менее интересных примеров могу отметить разработки лаборатории Deep Learning for Robotics в Калифорнийский университет в Беркли, где с помощью reinforcement learning (обучения с подкреплением) роботы учатся манипулировать объектами: закручивать пробку в бутылку, складывать кубики и так далее.

Изначально робот не имеет никаких знаний об этих предметах и манипулирует методом тыка, но получает награду, если делает с объектом что-то правильное. Так робот формирует навык.

Также интересны проекты на стыке обработки текста и картинок: возможность получать ответы на вопросы по картинке на естественном языке, например, «какого цвета яблоко на картинке?».

Или синтез картинок по текстовому описанию: например, описание «синяя птица с большим жёлтым клювом» синтезирует соответствующее изображение.

Примеры собственных проектов с использованием искусственного интеллекта

Артемий Малков: Около 20 лет назад, ещё в институте, я впервые столкнулся с распределениями с длинным «хвостом». Такие статистические распределения характерны для большого числа социальных систем.

Например, если посмотреть на число подписчиков самых популярных блогеров, население городов, богатство миллиардеров, частоту использования слов, выручку корпораций и так далее, то у каждого из этих множеств есть несколько лидеров: самых популярных блогеров, самых крупных городов, самых богатых миллиардеров и так далее. И большое число (длинный хвост) блогеров, городов, миллиардеров средней величины.

И, несмотря на то, что популярные проекты имеют колоссальную аудиторию, население или капитал, длинный хвост проектов средней величины также нельзя сбрасывать со счетов. Хвост может составлять 40% от общей массы. Такая статистика описывается степенным законом.

Как ни странно, практически в любой задаче с искусственным интеллектом мы тоже сталкиваемся с длинным хвостом: есть какие-то объекты, паттерны, закономерности, которые встречаются очень часто. Их легко распознать.

Если данных достаточно, это могут сделать и нейросети, и деревья решений, и любые алгоритмы классификации. Однако эти частые объекты не покрывают 100% всех случаев, от силы это может быть 60-70%.

А вот оставшиеся 30-40% точности — это как раз длинный «хвост» среднечастотных случаев, объектов, паттернов. Их много, каждый из них довольно редкий и, что особенно досадно, алгоритмы машинного обучения плохо с ними справляются. Данные разреженные (sparse data) и обучающая выборка слишком мелкая.

Мы научились правильно «готовить» такой «хвост», что даёт существенное повышение точности алгоритмов. Например, в популярной теме чат-ботов для банков и телекома, наш алгоритм научился распознавать тысячу и более разных тем и типов запросов, тогда как у остальных команд обычно речь идёт о 50-200 темах. Банкам такая точность кажется недостаточной.

По нашим оценкам, для хорошего качества диалогов в банке чат-бот должен уметь распознавать 5000 и более разных ситуаций и запросов. Нейросети, например, пока не умеют так тонко обрабатывать текст. Такой уровень детализации обычно достигается только за несколько лет ручного труда аналитиков и конструирования правил.

Мы разработали алгоритмы, которые позволяют обучить систему за пару месяцев и настроить цикл её дальнейшего самообучения. Поэтому крупные банки, которые уже попробовали делать чат-ботов и столкнулись с тем, что те плохо распознают запросы, приходят к нам.

Дмитрий Лучкин: Если брать из недавних проектов, то для компании-лидера по продаже купонов мы на основе алгоритма «Случайный_лес» сделали два ИИ-модуля. Первый — для предиктивной аналитики вероятности оттока, который в режиме реального времени когортировал пользователей по вероятности ухода на основе истории их поведения. Второй — модуль рекомендательной системы.

Оба модуля работали на основе собранных данных в виде 800 млн событий по 4 млн уникальных покупателей (просмотры, частота открытия и закрытия витрин, категории покупок, сами покупки, средний чек, платформы, действия на активацию через email и так далее)

Они продемонстрировали высокую точность предсказательной силы и рост конверсии в продажи (выше, чем у общеотраслевых решений по ecommerce — у скидочных сервисов своя специфика).

Проекты с использованием искусственного интеллекта хороши тем, что дают понятную измеряемую полезность. Если знаете, какой сегмент у вас уйдет. Если кто-то из тех, что платят деньги, — вам нужно делать всё возможное, чтобы удержать этих высокодоходных пользователей. На зрелых рынках с высоким уровнем конкуренции выигрывает тот, кто лучше возвращает и удерживает своих потребителей.

Ситуация с Data Science и искусственным интеллектом на сегодняшний день в мире (США, Китае)

Артемий Малков: Я бы выделил два аспекта: технический и аспект бизнеса. С точки зрения бизнеса, искусственный интеллект сейчас находится на стадии массового внедрения как в процессы бизнеса, так и в продукты, предназначенные для пользователей.

Это масштабное явление. Например, 20 лет назад самой востребованной функцией у компаний был выход в интернет, потом — выход в «облака», затем на мобильные устройства. Сейчас это внедрение искусственного интеллекта.

Технически это связано с появлением больших данных и средств их обработки. Технологии типа MapReduce и Spark, возникая внутри Google, Facebook, Twitter и прочих, стали доступны рынку, и теперь даже небольшие стартапы могут обрабатывать колоссальные объёмы данных за счёт параллельных вычислений.

А там, где есть данные, есть простор для анализа, майнинга, поиска паттернов, создания ценности для бизнеса за счёт предсказательных алгоритмов.

Дмитрий Лучкин: Сегодняшнюю ситуацию с искусственным интеллектом можно описать так: ребёнок научился ходить и скоро начнёт бегать. Всё стало получаться лучше, когда стриминг и обработка данных стали доступнее, когда талантливые люди взяли не просто взяли уже несколько десятилетий известную методологию, а смогли собрать самообучающуюся машину. Это «железо» (то есть инфраструктура), таланты и потребность.

На мой взгляд, большую роль сыграла конкуренция между компаниями в digital, где стали появляться новые виды потребления и поведения. Там работа с данными позволяла технично обыграть конкурентов и выбраться вперёд. Немаловажно, что лидеры этих компаний понимали, какую ценность и предсказательную силу дают данные. Кстати, многие из них — математики, физики или инженеры по образованию.

Артемий Малков: Наша компания работает в США с 2008 года, уже почти десять лет. К науке в США и раньше было повышенное внимание, например, в венчурной среде звание доктора философии у основателя стартапа ценится гораздо выше, чем звание мастера делового администрирования.

Но и в США тема с Data Science стала наиболее актуальной где-то в последние три года. При этом американцы реально рассматривают Китай как конкурента и активно обсуждают «китайскую угрозу».

Китай обладает колоссальными финансовыми ресурсами и за счёт социалистической модели и элементов плановой экономики может вкладывать в ИИ-проекты больше средств, чем США. Кроме того, Китай более закрытый.

Значительное число китайцев работает в сфере искусственного интеллекта в США, и в том числе перенимает американские ноу-хау. Например, в Стэнфорде ИИ-лаборатории практически полностью состоят из китайцев и индийцев. При этом гораздо меньше американцев работают в Китае. Так что в долгосрочной перспективе (10-20 лет) США с тревогой ожидает утрату лидерства в сфере искусственного интеллекта.

Data Science и искусственный интеллект в России

Артемий Малков: В России довольно много хороших учёных и инженеров, да и поисковик «Яндекса» — довольно уникальное явление. Собственные полноценные поисковики есть только у США, Китая и России. Так что Россия далеко не последняя страна на рынке искусственного интеллекта.

Но у нашей страны есть проблема с конкурентоспособностью в сфере продуктов. Отсутствие компетенций в маркетинге и управлении приводит к тому, что мы можем делать отдельные компоненты, но целостный продукт довести до клиента не можем. Это сфера, требующая развития.

Дмитрий Лучкин: В России серьёзно заговорили об искусственном интеллекте в этом году, можно вспомнить даже слова лидера страны, и это хорошая новость. Китай и США активно инвестируют в индустрию последние 5-7 лет. Конечно, у США кроме образовательных центров есть мощная венчурная экосистема, притягивающая таланты.

У Китая огромные ресурсы (они легко и быстро покупают разные проекты и бизнесы) и ещё виден колоссальный рывок в сфере образования. Я говорю про новые университеты и умение планировать на долгий срок без ожиданий немедленных результатов.

С точки зрения внедрения, в России заказчик зачастую ожидает «магии» и быстрых результатов, хотя машинное обучение — это итерации и всегда тернистый путь к результату.

Я вижу в общении с потребителями этих технологий их желание получить гарантированный результат, но алгоритмы не существуют без данных. Чистота и качество данных очень важны. Ещё в России есть хорошие ML-проекты. Хотелось бы, чтобы увлечённые искуственным интеллектом люди чаще встречались и рассказывали об успехах, делились бесценным опытом.

Россия: уникальное сообщество разработчиков, хорошая почва для развития

Дмитрий Лучкин: В России невероятно сильная математическая школа. Ребята из таких вузов, как СПбГУ, МИФИ, Бауманка, Физтех, конечно, имеют сильнейшее математическое подспорье. В сфере искусственного интеллекта это основа основ.

Выходцы из этих учебных заведений, с которыми мне довелось поработать, на мой взгляд — первооткрыватели и исследователи. Это экспериментаторы, которые ищут работающие решения и добиваются результатов. В большинстве случаев это очень талантливые ребята, они будут биться над проблемой, пока её не решат. В ИИ-проектах это качество очень важно.

Артемий Малков: У Физтеха нестандартная модель обучения, которую заложил основатель Физтеха Пётр Леонидович Капица: на четвёртом курсе студенты в обязательном порядке несколько дней в неделю начинают проводить не в стенах вуза, а на базовых кафедрах. В научных институтах Академии наук.

Поэтому студенты очень рано попадают в зрелые научные коллективы и получают опыт решения прикладных, а не учебных задач. Ну и сам отбор студентов, работа со школьниками, олимпиадниками, самый высокий балл ЕГЭ среди поступающих, — всё это даёт повышенную концентрацию любителей нетривиальных задач.

Мешает ли нынешний хайп развитию машинного обучения и ИИ

Артемий Малков: Надо понимать, что это не первый хайп по искусственному интеллекту. Много ожиданий от этих технологий строились ещё на заре вычислительной техники, 50-40 лет назад. Сейчас, если выражаться терминами кривой хайпа, популярны не беспочвенные завышенные ожидания, а как раз выход на продуктивность. Другое дело, что корректное применение методов под силу только небольшому числу команд, имеющих правильный набор компетенций.

Для успешного решения задач требуются одновременно специалисты-математики, сильные продуктовые люди с бизнес-видением и технари, способные построить инфраструктуру. Раньше было проще: в стартапе были нужны бизнесмен и технарь.

А теперь нужен ещё и учёный. Это редкая комбинация и совершенно разные культуры организации работы. Учёным зачастую собственное научное любопытство и желание первым изобрести волшебную формулу и «теорию всего» важнее, чем решить скучную прикладную бизнес-задачу.

Но зато, если удаётся собрать продуктивную команду, ИИ-стартап вполне способен потягаться с силами с корпорациями. Это привлекает инвесторов и создаёт ажиотаж.

В отрасль стремятся новые участники, которые слабо владеют математическим аппаратом. И получается то, что называют monkey science — «эксперты», суть знаний которых составляет десяток лекций с Coursera, умение импортировать научную библиотеку в Python и загружать в нее CSV-файл.

Для учебных задач с готовыми наборами данных такой подход может дать какой-то результат, но когда возникает реальная задача, выясняется что данные плохи и результаты предсказаний находятся на уровне погрешности.

А вот полноценная ML/AI-команда сумеет даже на плохих данных провести и конструирование признаков (feature engineering) и аугментацию данных (data augmentation), так что модель даёт разумные предсказания и нетривиальные решения.

Дмитрий Лучкин: Хайп очень помогает. Это повысило уровень внимания, объем инвестиций и понимания бизнесом всех выгод от успешного внедрения ИИ. Да, появилось много специалистов начального уровня и новичков, но тема стала горячей.

Хакатоны собирают десятки и сотни человек, которые делают прототипы или как минимум предлагают концептуально интересные решения. А дальше принцип конкуренции и отбора — лучшие команды побеждают. Желательно, чтобы этих команд было больше в России, пусть из них вырастут настоящие лидеры. Потому что пустых лакун в мировом разделении труда почти не осталось.

Ещё было бы классно, если бы команды чаще рассказывали о своих проектах. Так было бы ещё проще привлекать в эту крайне востребованную область молодых ребят с драйвом и горящими глазами.

Прогноз на ближайшие годы

Артемий Малков: ИИ будет всё больше забирать на себя принятие решений, причём как решений высокого уровня, стратегических, так и микрорешений на уровне отдельных процессов.

Как сейчас пишется софт? Бизнес-аналитик придумывает продукт, описывает требования к алгоритмам, описывает цепочки (user stories) и их логику (когда что показывать пользователю, как реагировать на ввод пользователя, какие внутренние процессы запускать), потом программист берёт эти требования и по ним пишет программу, в которой имплементирует эту логику на уровне тысяч строк кода, где прописаны эти самые if-then-решения.

Но после того, как код написан, он может устареть. Например, какие-то правила поменялись. Что нужно делать: опять звать аналитика, переписывать бизнес-логику и звать программиста (предыдущий уже уволился) чтобы тот разбирался в legacy-коде и переписывал программу.

Никто этого не любит, это дорого, сложно, и legacy-софт может оставаться в бизнесе десятилетиями исходя из принципа «никто не знает как оно работает, но лучше не трогать».

А представьте, что в будущем программы можно будет не писать, а учить. То есть, вместо if-then-проверок, «зашитых» в коде, могут быть машинное обучение или ИИ-блоки, которые принимают решения не исходя из той логики, которую придумал когда-то аналитик и написал программист, а из того, какие сейчас данные и какие действия (then) являются оптимальной реакцией на текущие входящие сигналы (if). То есть программа «by design» имеет изменяемую, обучаемую бизнес-логику.

Такие самообучающиеся программы пока существуют только в теории, но они будут на порядок эффективнее существующих систем. А это значит, что практически любой софт, который сейчас существует, нужно будет переписать на новых принципах.

Это новые самообучающиеся корпоративные системы, консьюмерские приложения и так далее. И это шанс для возникновения новых миллиардных компаний, которые будут быстрее адаптироваться к пользователям и лучше решать сложные задачи.

Дмитрий Лучкин: В России начнётся внедрение ИИ-решений во многих вертикалях: чем выше уровень конкуренции в вертикали, тем быстрее будет идти этот процесс.

Сейчас в лидерах digital, банковская сфера, операторы связи, пищевой ритейл, промышленное производство. Идёт этап адаптации технологического стека для решения конкретных проблем. Хайп полезен тем, что он, во-первых, задаёт моду, а во-вторых, благодаря этому ИИ попал на радары лиц, принимающих решения.

Есть понимание, что это серьёзно и нужно оперативно в это инвестировать. Я бы сравнил, если грубо, с популяризацией интернет-рекламы в начале 2000-х годов: сначала ею заинтересовались инноваторы (это была редкость или игрушка для гиков или строго для digital), а сегодня большинство брендов использует рекламу в интернете каждый день.

Мне кажется, что уже к 2020 году большинство компаний-лидеров будут в России использовать ИИ-решения. В России есть команды с очень интересным опытом в ИИ, и мы сильны в математике, поэтому шанс играть в долгую у России есть, несмотря на все сложности с выводом технологий на глобальный рынок и турбулентность текущей среды.

Артемий Малков: Если говорить про совсем ближайшее будущее, то хайп будет ещё сохраняться какое-то время, но больше будет и более зрелых историй. Уже сейчас есть устойчивый интерес бизнеса к научным проектам, такого не было десять и даже пять лет назад. Не надо забывать про международную конкуренцию.

В России много талантливых учёных, но мало продуктовых людей. Надо учиться находить не только собственные числа матрицы, но и клиентов, выяснять их потребности, поднимать управленческую культуру и конкурировать на внешних рынках.

Мы в Data Monsters как раз помогаем нескольким российским научным коллективам выйти на рынок США и видим разницу. Пожалуй, на уровне сообщества стоит плотнее обмениваться не только научным опытом, но и опытом ведения бизнеса и превращения гениальных изобретений в прибыльные, конкурентоспособные продукты.

#будущее #машинноеобучение

Материал дополнен редакцией

Материал опубликован пользователем. Нажмите кнопку «Написать», чтобы поделиться мнением или рассказать о своём проекте.

Написать

vc.ru

Учебный проект «Искусственный интеллект» — Letopisi.ru

Материал из Letopisi.Ru — «Время вернуться домой»

Авторы проекта

Долинин Андрей Александрович

Тема учебного проекта

Наш проект охватит темы: 1.Информация. Двоичное кодирование информации. 2. Основы логики и логические основы компьютера 3. Моделирование и формализация 4. Системы счисления. 5. Представление информации в компьютере.

Творческое название учебного проекта

Искусственный интеллект

Дидактические цели учебного проекта

 сформировать навыки:

 самостоятельной работы с информацией, умения выделять главное, планировать свою деятельность, решать проблемные вопросы;  исследовательской работы;

 прививать интерес и потребность к изучению информатики  Приобретение навыков работы  в команде;  с большими объёмами информации  Сформировать умение увидеть проблему; намечать пути её решения  Подготовка учащихся к жизни в условиях информатизации общества

Компетентности, формируемые учебным проектом

1. В сфере культурно-досуговой деятельности. 2. В сфере самостоятельной деятельности. 3. Основанные на усвоении способов приобретения знаний из различных источников информации.

Методические задачи учебного проекта

 обобщить материал по темам "Представление информации в компьютере", "История вычислительной техники", "Основы логики и логические основы компьютера", "Системы счисления";  исследовать, какой вклад внесли ученые нашей страны в развитие вычислительной техники;  формирование умений создавать и представлять мультимедийные продукты как результаты своей работы;  формировать навыки структурирования информации, краткого изложения материала; самостоятельной познавательной деятельности; критического мышления.  Развивать мыслительные навыки высокого уровня с использованием инструментов: визуального ранжирования видения причины предъявление доказательств

Основополагающий вопрос

Искусственный интеллект-это красивая метафора или действительность?

Проблемные вопросы (темы исследований учащихся)

 История развития систем искусственного интеллекта  История развития науки - Логика. Основы логики  Могут ли системы ИИ выйти из под контроля?  Изменения, которые произошли в социальной жизни людей с введением систем ИИ?  Представление «знаний» в компьютере  Какова цель создания систем искусственного интеллекта?  Новые психологические факторы поведения человека при взаимодействии с системами искусственного интеллекта  Каково соотношение естественного и искусственного интеллекта?  Мыслит ли компьютер?

Предметные области

История,Обществоведение, Русский язык, Информатика,Информационные технологии, Изобразительное искусство, МХК

Возраст учащихся

10-11 класс

Краткая аннотация проекта

Выполнение проекта направлено на изучение и осмысление одного из новых и сложных вопросов курса информатики и информационных технологий «Искусственный интеллект». По данной теме материала в учебнике практически нет, поэтому работа будет проводиться в основном с дополнительной литературой и ресурсами Internet. В результате самостоятельных исследований, учащиеся смогут сделать выводы об актуальности проблемы искусственного интеллекта в мире и нашем населенном пункте, о степени ее разработки, об изменениях, происходящих в мире с появлением и развитием систем искусственного интеллекта. Заключительным этапом проекта должен стать урок-конференция, в ходе которого учащиеся должны убедиться в огромных перспективах развития систем искусственного интеллекта. В рамках проекта пройдет конкурс сочинений «Искусственный интеллект - технологии будущего или настоящего», состоится защита работ учащихся.

Этапы и продолжительность работы над проектом

2 недели

Ссылки на ресурсы Летописи по теме учебного проекта

letopisi.org

искусственный интеллект обеспечивает существование колонии мух / Хабр

Вот уже месяц жизнь колонии мух, расположенной в городе Дулут, Миннесота, США, полностью зависит от работы программного обеспечения. Речь идет о самообучающейся слабой форме ИИ, которая целиком и полностью обеспечивает жизнь насекомых внутри специального сосуда. В частности, ИИ предоставляет мухам питание (сухое молоко с сахаром) и воду.

Жизнь насекомых зависит от того, насколько корректно компьютер идентифицирует объект, находящийся перед камерами. Если система определит этот объект, как муху и решит, что насекомым нужна подпитка, они ее получат. В случае ошибки мухи не получат питания и воды и будут страдать (насколько это возможно для мух) от голода и жажды в течение длительного времени. Сам проект получил название FlyAI, это некая пародия на управляемое при помощи компьютера поселение людей. Во всяком случае, так все это видит автор проекта. «Мы должны давать себе отчет в том, чего можно ожидать от искусственного интеллекта, поскольку в любом случае он появится», — говорит Дэвид Боуэн ( David Bowen) из Университета Миннесоты в Дулуте. Он считает, что необходимо уже сейчас задуматься над тем, что будет представлять собой настоящий искусственный интеллект, чтобы потом не было проблем. По мнению профессора, люди, несмотря на проблемы, смогут сделать так, что ИИ будет полезен человеку и не станет вредить ему.

Центральным элементом проекта FlyAI является самообучающаяся нейронная сеть. Понятно, что, как и большинство современных ИИ-систем, это не идеальный проект. У FlyAI не хватает базы изображений для эффективного обучения. Поэтому периодически система ошибается, идентифицируя мух как выключатели или другие объекты. В случае некорректной идентификации компьютер не «заводит» систему жизнеобеспечения, и мухи голодают и страдают от жажды, о чем уже говорилось выше. Но в любом случае, пока что колония живет, ей уже месяц и мухи чувствуют себя неплохо. Если что-то пойдет совсем неправильно, разработчик системы спасет насекомых, не допустив их массовой гибели. «Они умирают, я думаю, по естественным причинам», — говорит Боуэн. «Они получают возможность здесь состариться».

Проект, по его словам — это стилизованное воплощение мыслей специалиста по ИИ Ника Бострома, работающего в Оксфорде. Бостром считает, что открытость исследований специалистов, работающих над созданием искусственного интеллекта, может стать проблемой. В частности, это касается проекта Open AI, о котором уже публиковалась информация на Geektimes. «Если у вас появилась кнопка „сделать всем плохо“, вряд ли вы захотите поделиться ей со всеми», — заявляет Бостром. Но в случае OpenAI эта кнопка будет доступна всем и каждому.

Впрочем, Бостром считает, что искусственный интеллект должен быть благом для человека. «Для нас важно создать искусственный интеллект, у которого хватит ума учиться на своих ошибках. Он будет способен бесконечно совершенствовать себя. Первая версия сможет создать вторую, которая будет лучше, а вторая, будучи умнее оригинала, создаст ещё более продвинутую третью и так далее. В определённых условиях такой процесс самосовершенствования может повторяться до тех пор, пока не будет достигнут интеллектуальный взрыв – момент, когда интеллектуальный уровень системы подскочит за короткое время с относительно скромного уровня до уровня супер-интеллекта», — заявил он.

А Боуэн утверждает, что риск для человечества представляют не безграничные возможности будущей сильной формы ИИ, а программное обеспечение, от которого будет зависеть (в этом он не сомневается) жизнь человека. «Одна из проблем — это то, что мы даже не до конца понимаем, что такое искусственный интеллект», — говорит Боуэн. «И это выглядит устрашающе».

Сильная форма ИИ, конечно же, будет совсем не похожа на то, что собой представляют современные голосовые поисковые движки и цифровые ассистенты. Возможности искусственного интеллекта, вероятно, будут обширны, но и риски есть. Тот же Стивен Хокинг считает, что ИИ — это величайшая ошибка человечества. Билл Гейтс утверждает, что через несколько десятков лет искусственный интеллект будет уже достаточно развит для того, чтобы представлять собой причину для беспокойства человека. А Илон Маск назвал ИИ «главной угрозой существования человека».

Программная платформа, которая является центром FlyAI, частенько ошибается

Конечно, сам проект может показаться несколько смешным, но его автор так не считает. Собственно, все, что он хотел — это привлечь внимание общественности к своему проекту и проблеме ИИ. Это ему, можно сказать, удалось. В любом случае, мы пока не знаем, когда появится полноценный ИИ, и появится ли он вообще. Это может произойти завтра, а может и через несколько десятков лет. Для того, чтобы быть безопасным для человека, машинный интеллект должен осознавать ценность жизни человека. Все же человек — не муха.

habr.com