Как пишется искусственный интеллект

Значение словосочетания «искусственный интеллект»

свойство интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека.

искусственный интеллект

Фразеологизмы и устойчивые сочетания

Делаем Карту слов лучше вместе

/>Привет! Меня зовут Лампобот, я компьютерная программа, которая помогает делать Карту слов. Я отлично умею считать, но пока плохо понимаю, как устроен ваш мир. Помоги мне разобраться!

Спасибо! Я стал чуточку лучше понимать мир эмоций.

Вопрос: пеструшка — это что-то нейтральное, положительное или отрицательное?

Ассоциации к словосочетанию «искусственный интеллект&raquo

Синонимы к словосочетанию «искусственный интеллект&raquo

Предложения со словосочетанием «искусственный интеллект&raquo

• Создание искусственного интеллекта может стать последним технологическим достижением человечества, если мы не научимся контролировать риски.

Сочетаемость слова «искусственный&raquo

Сочетаемость слова «интеллект&raquo

Понятия со словосочетанием «искусственный интеллект»

Искусственный интеллект и закон (ИИ и закон) — подобласть искусственного интеллекта (ИИ), в основном касающаяся приложений ИИ к проблемам правовой информатики и оригинальных исследований по этим проблемам. Другое направление — перенос инструментов и методов, разработанных в контексте решения правовых задач, на сферу искусственного интеллекта в целом. Например, теории правовых решений, особенно модели аргументации, способствовали развитию представления знаний и рассуждений; модели социальной организации.

Что такое искусственный интеллект

За последние 10 лет мы с вами можем наблюдать бурный рост интереса к машинному обучению и искусственному интеллекту, если верить Google Trends (статистика по поисковым запросам).

Обратной стороной излишней популярности ИИ стало то, что теперь термин «интеллектуальный» стали использовать слишком часто и, возможно, неуместно. Произошло это главным образом благодаря успехам в области машинного обучения, которое было определено ещё в 1950-е годы, благодаря чему внедрять его стало достаточно просто.

Но действительно ли мы можем употреблять термин искусственный интеллект к тому, что внутри себя использует машинное обучение?

Можно ли говорить, что машинное обучение есть метод создания искусственного интеллекта? Для того, чтобы разобраться в этой проблеме предлагается рассмотреть исторический путь развития искусственного интеллекта и отдельно машинного обучения, чтобы понять, почему именно в наши дни мы наблюдаем растущую популярность к этим наукам, и объемы их реального применения в жизни. Как итог, проанализируем, достигли ли мы успехов в ИИ благодаря методу машинного обучения или произошла подмена понятия ИИ.

Терминология. Искусственный интеллект

Обратимся к изначальным смыслам отдельных слов термина ИИ. Искусственный — калька с немецкого слова, обозначает нечто не природное и сделанное наподобие подлинного (толкование Ожигова). Английская версия artificial идет от французского и латинского — сделанное человеком или относящееся к искусству(то что делает человек). Интеллект — из латинского познание и понимание, но в греческом переводе «нус» — это ум, означающий начало сознания и самосознания в космосе и человеке, принцип интуитивного знания. Интересно заметить, что в философском словаре говорят, что интеллект противопоставляется другим способностям человека, таким как чувство, воля, интуиция и воображение, тем самым ограничивая интеллект лишь только функцией рационального познания.

Таким образом искусственный интеллект — это созданный человеком функционал рационального познания по образу человеческого или, если из греческого, это созданное человеком нечто с сознанием и самосознанием.

Сам термин ИИ изначально ввёл Джон Маккарти на конференции в Дартмунском университете в 1956 году. И позже, в 2007 году, он дал расшифровку того смысла, который он вложил в это понятие. По Маккарти, ИИ — это раздел науки и инженерии, занимающийся изучением и построением интеллектуальных систем. Интеллектуальность — это вычислительная часть способности добиваться заданных целей. Маккарти заключает, что ИИ это не симуляция человеческой интеллектуальности в полной мере, а только «некоторым» образом. [6] Интеллектуальность в данном контексте не означает, что один человек умнее другого, но то, что нечто обладает мыслью или способом рассуждать.

Терминология. Машинное обучение

В качестве машины будем рассматривать любое цифровое устройство. Обучение — процесс передачи исторического опыта. Learn — от древне германского — следовать или искать-прокладывать путь (track).

Машинное обучение — процесс передачи опыта цифровому устройству, посредством поиска некоторой закономерности в наборе прецедентов.

Различают два вида обучения — индуктивное по прецедентам и дедуктивное, то есть формализация знаний экспертов.

Тьюринг и игра в имитацию

Исторически считается, что первой работой в области философии искусственного интеллекта стала работа Алана Тьюринга «Вычислительные машины и интеллект», в которой он старался ответить на вопрос «Может ли машина мыслить?» . Рассмотрим то, как автор дал определение интеллекта в этой публикации.

Вместо того, чтобы водить явные дефиниции терминам «мыслить» и «машина» Тьюринг заменяет весь поставленный вопрос на некоторый другой. Для этого он вводит описание «игры в имитацию», в которой участвуют три человека: мужчина (A), женщина (B) и третья сторона, задающая вопросы (С). Цель игры для задающего вопросы — это определить пол игроков A и B, общаясь с ними по телеграфу(почте или через посыльного), то есть без прямого контакта. В свою очередь игрок A пытается ввести C в заблуждение, чтобы он сделать неверные выводы, а игрок B, наоборот помогает C сделать верное решение. В итоге первоначальный вопрос «Может ли машина мыслить?» заменяется на «Что произойдет, если в этой игре вместо А будет участвовать машина?»[4]. Сможет ли машина эффективнее чем человек обманывать C, и разгадает ли C в игроке машину по его поведению? Если сможет, то Тьюринг считает, что машина может мыслить, так как она понимает то, о чем идёт речь в беседе. Для нас интересно в этой постановке вопроса то, что здесь сопоставляется способность человека мыслить с его поведением. То есть Тьюринг задался целью спроектировать такую машину, которая сможет вести себя как человек. Для определения того, на сколько машина похожа в своём поведении на человека, он и предлагает использовать игру в имитацию.

Предложенная Тьюрингом игра и вопрос представляют собой некоторую версию операционализма, в которой быть интеллектуальным, то есть обладать мыслью и способностью к размышлению, означает способность системы пройти Тест. [7] Другими словами, у системы есть набор входов и набор выходов, человек подаёт определенные сигналы на вход и ожидает увидеть некоторый сигнал на выходе. Интеллект рассматривается как черный ящик или математическая функция с аргументами и значениями, предполагая, конечно, что сознание может быть механизировано и формально выражено через некоторую вычислимую функцию(так как иначе эту функцию не выразить в терминах полноты по Тьюрингу, что требуется для вычислимости на цифровом компьютере). Однако, такая формулировка через операционализм становится предметом затруднений. Очевидная проблема состоит в доверии к человеку-судье, к его беспристрастному, но субъективному суждению. Кроме того, как показала практика, можно создать абсолютно не интеллектуальную программу-психотерапевта, способную обмануть человека-судью.

Джозеф Вайзенбаум продемонстрировал это в созданной им программе Элиза в 1966 году. Она содержала наборы правил для разбора предложений, с помощью которых программа определяла в предложениях ключевой объект и переспрашивала судью по определенному шаблону про этот объект. Например, на фразу «Все надо мной смеются.», программа спросит «Как вы думаете, кто в большей степени?». Здесь стоит заметить, что программа не понимает смысла фразы «смеются надо мной», она просто видит ключевое слово «все» и задает совершенно общий вопрос. Если провести аналогию, то программы подобного типа работают как зеркала — они отражают обратно человеку тоже самое, что он сказал, слегка видоизменив предложения. Понимание у зеркала того, что оно отражает, отсутствует. Тем не менее это не останавливало, а даже вдохновляло, инженеров создавать такие «зеркала», задачей которых был обман человека-судьи. От части из-за обилия таких программ, к 1980-м годам наступила первая «зима» ИИ: у человечества было много программ способных пройти тест Тьюринга, но неспособных к другой интеллектуальной деятельности.

Исходя из двух проблем — субъективности судьи и возможность его обмана, единственным решением остаётся каким-то образом убрать субъективный элемент из тестирования. Если будет возможно выделить объективные факторы мышления, осмысления, намерения осмыслить, тогда будет возможно применить объективный метод тестирования. Дальнейший анализ и критику определения интеллекта по Тьюрингу можно вести через сравнение бихевиоризма и операционализма с психологизмом, как это было предложено у Неда Блока в статье «Психологизм и бихевиоризм»[7], но мы сконцентрируемся на последствиях концепции Тьюринга.

Сильный и слабый ИИ

Если Тьюринг принимал гипотезу о возможности ИИ и предложил метод тестирования, то Джон Сёрл задался вопросом о том, возможно ли создать цифровой компьютер, который будет способен понимать, например, тексты. Прежде всего Сёрл в своей работе «Сознание, мозг и программы» [1] ввёл два новых термина: Слабый ИИ и Сильный ИИ. Ценность Слабого ИИ состоит в том, что он становится некоторым инструментом, с помощью которого мы можем более точно и строго ставить и проверять гипотезы при изучении феномена сознания. С другой стороны, Сильный ИИ — это некоторый компьютер, запрограммированный особым образом, на самом деле обладающий сознанием, в том смысле, что компьютер действительно понимает смысл и обладает некоторыми когнитивными состояниями. В этом случае Сильный ИИ самим своим существованием объясняет устройство сознания.

Можно ли создать Сильный ИИ написав программу, исполняемую на машине Тьюринга?

Так вышло, что кроме теста, Тьюринг сформулировал математическую модель абстрактного исполнителя. Стоит отметить, что существует несколько эквивалентных моделей, таких как лямбда-исчисления Чёрча, машина Поста и другие. Эти системы создавались для формализации и анализа понятия вычислимости. Сейчас все компьютеры представляют собой машины Тьюринга-Поста. «Другими» могут считаться квантовые компьютеры.

Такая машина всегда работает по строго заданному алгоритму в соответствии с какими-то правилами перехода между состояниями, её ещё называют детерминированной машиной. На машине Тьюринга можно реализовать любую вычислимую функцию, но, что интересно, это утверждение скрывает внутри себя тот факт, что в природе существуют и нереализуемые на ней функции, то есть алгоритмически неразрешимые. Вполне возможно, что сознание, как некоторая программа, представляет собой невычислимую функцию, тогда весь спор о возможности создания Сильного ИИ на цифровом компьютере становится бессмысленным.

Джон Сёрл в своей работе [1] апеллирует против вычислимости сознания, но особенным образом. Для этого он определяет «Китайскую Комнату». В комнате сидит человек, который не знает китайский язык, но знает английский. Ему дают три карточки с китайскими символами вместе с инструкциями на английском языке, которые позволяют ему обрабатывать китайские символы, чтобы писать новые китайские символы. Те кто ему дают эти карточки, называют их «рукописью», «рассказом» и «вопросами», а написанные человеком символы — «ответами». Но человек в комнате этого даже не подозревает и не осознаёт. Появляется ли понимание китайского языка или сути этих карточек у человека в комнате? Сёрл отвечает, что не появляется никакого осознания, так как человек просто следует инструкциям. Сёрл описывает происходящее, как соревнование между «программистами» — теми людьми, которые создают инструкции, и теми, кто создают эти карточки. Человека в комнате можно рассматривать, как инстанциацию некоторой компьютерной программы. Из мысленного эксперимента Сёрл делает следующие выводы по поводу Сильного ИИ:

1. Сильный ИИ может иметь те же входы и выходы, что и носитель китайского языка. Может давать правильные ответы на вопросы благодаря инструкциям. Но понимания рассказов на китайском у компьютера не появляется, так же как и у человека следовавшего инструкциям.
2. Сильный ИИ не даёт достаточного объяснения феномена понимания, поскольку этого самого понимания и нет у него. Оппоненты могут сказать, что как раз то, что происходило в комнате и по существу является пониманием текстов.

Из результатов этого мысленного эксперимента в итоге Сёрл утверждает, что программа, то есть набор некоторых инструкций, сама по себе не может мыслить и обладать когнитивными способностями, так как любая программа есть суть манипуляция с формальными символами, которая не обладает интенциональностью(намерение). Фактически это синтаксический разбор, но не семантический анализ.

Тем не менее, Сёрл уверен, что машины могут мыслить, как минимум люди, представляя собой некоторую форму «особенных машин». Поэтому, чтобы создать искусственное мышление, нам нужно повторять мозг человека и устройство его нервной системы. Естественно, это основывается на гипотезе, что определенная форма материи начинает обладать сознанием, то есть сознание не представляет собой какую-то отделимую и совершенно не связанную с телом напрямую субстанцию, как, например, полагал Декарт.

Во времена Декарта была весьма популярна гипотеза механистического устройства мира, тогда все были в восторге от автоматонов и надеялись создать человека-автоматона.

Рефлексирующие системы

Не смотря на большой интерес к ИИ и уже развитой философской теории к началу 21 века, можно было легко заметить, что в прикладной области так и не появились хоть сколько-то интеллектуальные программы, но в теории информатики всегда провозглашался тезис, что программы должны становиться всё более сложными и интеллектуальными. Группа ученых(В.В. Ващенко, Е.Е. Витяев, Н.Г. Загоруйко и другие) из Новосибирска заметили эту актуальную проблему и решили обосновать в публикации «Рефлексирующие программные системы» почему она возникла, что из себя представляет интеллектуальная система и какими путями можно начать строить такие системы. [2]

Ключевой способностью интеллектуальных систем, например живых, они обозначают способность к рефлексии (одной из составляющих частей процесса мышления) и эмоциям. Необходимо каким-то образом понять механизмы, с помощью которых можно будет создавать программы, способные к самосовершенствованию, то есть рефлексии. В противоположность этому, почти всё, что создает индустрия едва ли приспособлено к самоулучшению, даже больше, незначительное изменение предметной области приводит к полному переписыванию программного кода. Такой подход будет становиться менее успешным, так как сейчас и в будущем, по всей видимости, реальность будет всё более сложной для описания и всё более разнообразной и быстроменяющейся.

Рассмотрим возможную структуру рефлексирующей системы. Для описания состояния системы вводят пространство состояний некоторых агентов. Выделяется некоторое исходное и целевое состояние системы. Задача перевода состояния системы из исходного в целевое порождает деятельность, которую будем называть целеустремленной. Цель известна, но неизвестен путь к её достижению. Некоторый примитивный агент для достижения цели может применить полный перебор некоторого пространства вариантов, а рефлексирующий агент будет обучаться на опыте и двигаться целенаправленно по наиболее экономически выгодному маршруту к цели. На этом пути можно определять дополнительные подцели для поиска первого шага перехода между состояниями. В результате рефлексирующую систему можно представить в виде некоторой иерархии, где с одной стороны есть иерархия подцелей, а с другой — иерархия некоторых программ, каждая из которых может решать некоторые базовые задачи. Предположим, что у нас существует некоторая программа M1 первого тип, умеющая решать класс задач Z1, применяя над данными D1, последовательность подпрограмм алгоритма A1. Если мы хотим, чтобы M1 произвела улучшения себя по мере накопления опыта, тогда нужно построить некоторую программу M2, задача которой состоит в наблюдении за работой M1 над данными и подбором рекомендации по её совершенствованию. В свою очередь программа M2 тратит энергетические ресурсы, объем которых можно минимизировать за счет оптимизации M2. Для этого нужно построить третий уровень подпрограмм и так далее. Кстати, энергетический ресурс было предложено рассматривать как аналог эмоциям — это ресурс необходимый для оценки успешности программы в каждый момент времени. Таким образом система обладает качеством рефлексии и эмоциями.

Другими словами иерархию подпрограмм можно описать следующим образом: для решения определенной задачи и достижения цели, алгоритмы высокого уровня на основе опыта самостоятельно выбирают алгоритмы низкого уровня, таким образом осуществляется рефлексия — самосовершенствование этой иерархической системы.

Но мы приходим к интересной проблеме — какого размера эта иерархическая структура, конечна ли она или нет, кто выбирает самый первый алгоритм (вершину), с которого все запустится? Где в этой иерархии находится человек или он находится где-то во вне? Ответы на эти вопросы, по всей видимости, станут сразу же ответами на вопрос о том, как создать Сильный ИИ и что такое сознание. Эти вопросы трансцендентные и, вероятно, по теореме Гёдела о неполноте арифметики не могут получить ответа в нашей системе. Тем не менее можно предположить, что создавая такие рефлексирующие системы и увеличивая их размер, мы будем замечать всё более возрастающие интеллектуальный способности этих систем, причем в некотором предельном варианте такую систему мы уже сможем назвать достаточно интеллектуальной или ИИ почти наверное.

Существуют ли сейчас подобные иерархические рефлексирующие системы? Ответ положительный, так как ими можно считать алгоритмы машинного обучения.

Машинное обучение

Как сказал Артур Сэмюэль МО даёт компьютерам способность учиться без непосредственного программирования. В таком случае нет необходимости придумывать математические модели и строить абстракции каких-то явлений, так как с помощью МО можно некоторым образом перенести эмпирический опыт связанный с этим явлением и ожидать, что компьютер уловит некоторые закономерности, так же как мы надеемся, что ребенок правильно воспринял уроки. Формальное определение сводится к тому, что суть МО — это поиск некоторого функционала или закономерности в природе из множества всевозможных алгоритмов. Другими словами у нас имеет место задача по выбору алгоритма. А в предыдущей главе о рефлексирующих системах, мы описали систему строящуюся на основе этих принципов. Если проводить аналогии, то обычное программирование алгоритмов, то есть создание некоторых абстракций с помощью экспертного мнения человека, можно назвать процессом выбора алгоритма первого уровня иерархии. В свою очередь, если смотреть обще, то любой алгоритм машинного обучения представляет собой агента со второго уровня иерархии, так как алгоритмы обучения производят поиск и выбор наиболее подходящих под эмпирические данные функционалов. Но в области машинного обучения достаточно быстро пришли к проблемам подбора гиперпараметров и выбора подходящей модели обучения, а этот факт ни что иное как признак существования алгоритмов третьего уровня. Можно предположить, что глубинные нейронные сети представляют собой самые высокие агенты из иерархии рефлексирующих систем на данный момент, так как внутри себя они явным образом содержат множество иерархии.

Долгое время у инженеров и учёных были проблемы по обучению таких сложных иерархий, но в 2007 году в статье «Learning multiple layers of representation » было показано как это можно эффективно делать, и именно поэтому сейчас мы можем наблюдать бурное развитие этой отрасли.

Хотя машинное обучение по сути своей и остаётся программой, но так как для её построения человеку уже не нужно вручную выделять абстракции и так как используются методы рефлексии, можно предположить, что на данный момент это один из самых прогрессивных методов создания систем обладающих интеллектуальностью, пусть и не в смысле Сильного ИИ. Вопрос о создании Сильного ИИ можно отложить на тот момент, когда будет доступно использовать не только Тьюринг полные компьютеры, а, например, квантовые, у которых пространство возможных для решения задач намного шире.

Заключение

Философия сознания и искусственного интеллекта за последние 60 лет прошла долгий путь от бихевиористических подходов в Тесте Тьюринга до теории рефлексирующих систем и машинного обучения. За это время исследователи искали способы создания ИИ методом программирования, построения математической модели сознания, полагая что оно представимо в виде вычислимого алгоритма. Такой подход привел к «зиме» ИИ и пережил много критики и опровержений, например, в работе Сёрла, который полностью опроверг возможность программного ИИ с помощью мысленного эксперимента с «Китайской комнатой». Но с середины 2000-ых годов благодаря успехам в области глубинных нейронных сетей и машинного обучения в целом стало известно каким методом можно строить рефлексирующие системы, то есть системы способные к самоулучшению и обучению. Если рассматривать интеллектуальность как когнитивную способность к познанию, то методы машинного обучения в предельном случае позволяют нам создавать как минимум нечто среднее между сильным и слабым искусственным интеллектом. Поэтому можно считать, что машинное обучение представляет собой некоторый метод построения искусственного интеллекта в предельном случае.

Список литературы

1. Searle J. Minds, brains, and programs // Behavioral and brain sciences. — 1980. — Вып. 3. — С. 417–457.
2. Ващенко А. Н. Рефлексирующие программные системы / А. Н. Ващенко, Е. Е. Витяев, Н. Г. Загоруйко, А. А. Мальцев, Н. Н. Непейвода, Д. Е. Пальчунов, С. Г. Пыркин, А. В. Ткачев. // Сиб. журн. индустр. матем. — 2001. — Т. 4, № 1. — С. 22–28
3. Пенроуз Р. Новый ум короля. — М.: Едиториал УРСС, 2003. — 339 с.
4. Тьюринг А. Может ли машина мыслить? (С приложением статьи Дж. фон Неймана “Общая и логическая теория автоматов”). — М.: Государственное издательство физико-математической литературы, 1960. — 67 с.
5. Хокинс Д., Блейксли С. Об интеллекте. — М.: Вильямс, 2007. — 240 с.
6. What is Artificial Intelligence? — 2007. — URL: http://www-formal.stanford.edu/jmc/whatisai/whatisai.html (дата обр. 10.06.2017)
7. Block N. Psychologism and Behaviorism // Philosophical Review. — 1981. — Вып. 90. — С. 5–43.
8. Сэмюэл А. Некоторые исследования в машинном обучении, используя игру шашек // IBM Journal. — 1959. — № 3. — С. 210–229.

Изначально эта статья была оформлена мною как реферат по философии науки под названием “Машинное обучение как метод создания искусственного интеллекта”

Искусственный интеллект (ИИ) / Artificial intelligence (AI)

Когда телефон обыгрывает тебя в шахматы это значит, что искусственный интеллект захватит мир? Что такое искусственный интеллект, какие виды ИИ бывают? Какие последние достижения в этой сфере? Стоит ли нам бояться или надеяться на ИИ? Об этом пойдет речь в этой статье.

Проблема с определениями

Почему сложно дать точное определено искусственному интеллекту?Короткий ответ: Потому что сложно дать определение интеллекту.

Подробнее: Чтобы приблизиться к определению ИИ я попробую дать несколько дополнительных определений.

Слабый ИИ (Weak AI) / Narrow AI
Обучающаяся система способная решать специализированные, сложные задачи также или лучше, чем человек.

Сильный ИИ (Strong AI) / Artificial general intelligence (AGI) / Full AI
Обучающаяся система обладающая сознанием, умеющая решать различные сложные задачи также или лучше, чем человек.

Если вам интересно больше узнать о проблемах определения искусственного интеллекта, почитайте про Тест Тьюринга, Китайскую комнату и просто Википедию, там очень много полезной информации.

Хронология

1842 — Программируемая механическая машина для калькуляции.
1941 — Первый электронный компьютер.
1949 — Придуман тест Тьюринга.
1957 — Программа решения общих проблем General Problem Solver.
1961 — Промышленный робот Unimate функционирует на General Electronics.
1964 — Чатбот ELIZA притворяется искусственным интеллектом.
1966 — Shakey. Робот, который может анализировать пространство и перемещаться в нем. Шеки получает команды от человека и отвечает с помощью напечатанного текста или текста и схем на мониторе.
1980 — Экспертные системы дающие бизнес пользу. Программы для решения сложных задач на основе большого объема данных, становятся коммерчески применимыми и успешными.
1997 — Deep Blue обыгрывает в шахматы мирового чемпиона Гарри Каспарова.
2011 — Суперкомпьютер Watson от IBM побеждает конкурсе эрудитов Jeopardy и зарабатывает миллион долларов на благотворительность.
2014 — Программа проходит тест Тьюринга заставляя подумать 33% людей, что с ними общается 13-ти летний мальчик из Украины.
2016 — Искусственный интеллект AlphaGO от Google побеждает мирового чемпиона в игру Go, используя интуицию.

Несколько популярных примеров применения ИИ

Беспилотные автомобили / Умные машины / Self-driving cars / Smart Cars

Тесла проделает весь путь от парковки в Калифорнии до парковки в Нью Йорке, без прикосновения человека к управлению, до конца 2017-го года.
Elon Musk (21 мая 2017 г.)

Тем временем, Google тестирует автомобили, которые могут самообучаться вождению, как это делает человек. Благодаря наблюдению за дорогой и окружением, машина делает выводы и принимает решения как человек. Первый этап обучения такого автомобиля происходит в компьютерной игре, где симулировать различные ситуации на дороге значительно легче.

Компьютерные игры / Video Games

Одно из применений ИИ, с которым знакомы многие, это компьютерные игры. Чтобы игроку было интереснее, с ним взаимодействуют персонажи не контролируемые игроком / non-player characters (NPC).

Благодаря широкому применению в играх и растущему объему этого рынка, этот тип искусственного интеллекта постоянно развивается.

Виртуальные персональные ассистенты / Virtual Personal Assistants

Siri, Google Now и Cortana — это наиболее известные ассистенты , которыми можно воспользоваться на iPhone, Android и Windows, соответственно. Они помогают быстрее находить информацию, планировать, делать заметки и многое другое.

Вот некоторые другие сферы, в которых используется ИИ:
Распознавание мошенничества / Fraud Detection,
Онлайн поддержка для покупателя / Online Customer Support,
Написание новостей / News Generation,
Наблюдение за безопасностью / Security Surveillance,
Сервисы рекомендации музыки и кино / Music and Movie Recommendation Services,
Системы умного дома / Smart Home Devices.

Главные игроки

Google, Facebook, Amazon, Microsoft, Alibaba, Apple

Интересно, что Google предоставляет возможности машинного обучения как услуги и вы можете воспользоваться мощностями Google для этого. Детальнее тут https://www.tensorflow.org/.

Самым популярным претендентом на Сильный ИИ является Google Deepmind. Именно на основе Deepmind был разработан AlphaGo — слабым ИИ (narrow AI), который победил человека в игру Go. Это событие интересно тем, что интеллект полагался не столько на расчет всех возможных вариантов событий в игре, сколько на интуицию, что делают эту победу историческим событием и следующим шагом после побед ИИ над человеком в других играх.

В июле 2017 Deepmind опубликовала видео где виртуальные персонажи демонстрируют свои способности ходить. Интересно то, что этим трехмерным персонажам никогда не давали информацию о том, как ходит человек или другие живые существа. Их способ передвижения полностью получен путем обучения искусственного интеллекта с помощью проб и ошибок.

Опасность для человечества?

Илон Маск

Искусственный интеллект представляет фундаментальную угрозу существованию цивилизации.

Искусственный интеллект — это редкий случай, когда нам нужно быть проактивными в регулировании ИИ, и не полагаться на нашу реакцию. Если мы будем только реагировать в вопросе регулирования ИИ, будет слишком поздно.

Марк Цукерберг

Когда я слышу критиков, которые поднимают шумиху о сценарии с концом света, я просто не понимаю этого. Это очень плохо и в некоторой степени, можно сказать, что они поступают безответственно.

Когда я слышу, что искусственный интеллект навредит человеку в будущем, я думаю “ну да, знаете ли, технологии в целом всегда могут быть использованы для блага или для зла, и нужно быть осторожными в том как ты создаешь их и как они могут быть использованы.

Илон Маск

Я говорил с Марком об ИИ. Его понимание этого вопроса несколько ограниченно.

Билл Гейтс

Я отношу себя к лагерю тех, кто волнуется о идее супер интеллекта. Сначала машины будут выполнять много работ за нас и не будут очень умными. Это должно быть позитивным периодом, если мы все сделаем правильно.

Спустя несколько десятилетий, мысль о том, что ИИ уже силен, может стать серьезным опасением. Я согласен с Илоном Маском и некоторыми другими в этом и не понимаю, почему некоторые люди не встревожены.

Стивен Хокинг

Я понимаю, что нету принципиальной разницы между тем чего может достичь биологический мозг и тем чего может достичь компьютер. Следовательно компьютер может, теоретически, эмулировать человеческого интеллекту и превзойти его.

Настораживающие новости

В июне 2017 года Facebook экспериментировал с чатботами, которые общаются друг с другом о наличии виртуальных предметов (мячей, книг и шапок). Анализируя историю этих переписок у некоторых экспертов сложилось впечатление о том, что ИИ начал использовать другой язык, нежели английский. Опасение только усилилось тем, что никто не может понять о чем общались чатботы. Вот отрывок переписки чатботов Alice и Bob (A и B).

Опасения усилились после того как эксперимент был приостановлен. Появились заголовки в духе “Марк Цукерберг остановил эксперимент в котором ИИ начал создавать тайных язык для общения с машинами”. Немного изучив этот вопрос, становиться ясным, что программу остановили, потому что она начала делать то, что не было интересно исследователям, а не из-за экспоненциального роста угрозы человечеству.

Facebook также свернул платформу для чатботов в Messenger, потому что 70% вопросов от человека не находили адекватного ответа бота на этой платформе.

Искусственный интеллект в культуре часто представлялся в виде угрозы. Терминатор, Я — робот, Космическая одиссея 2001, Матрица, Ex machina — вот некоторые фильмы представляющие ИИ как угрозу.

Надежда для человечества?

В 2016 году компания Enlitics провела эксперимент в котором люди и ИИ параллельно анализировали рентген снимки грудной клетки для диагностики заболеваний. ИИ не пропустил не одной патологии в то время как люди упустили 7% патологий. Эти цифры говорят о том, что ИИ может стать очень полезным ассистентом в медицине и не только.

Чем больше мы узнаем об искусственном интеллекте, тем больше вопросов у нас появляется. В дальнейшем я постараюсь заглянуть чуть глубже в эту тему и проанализировать, что же нужно, чтобы разрабатывать и обучать ИИ. Какая команда для этого нужна и какие инструменты мы можем использовать создания ИИ.

Всё, что вам нужно знать об ИИ — за несколько минут

Приветствую читателей Хабра. Вашему вниманию предлагается перевод статьи «Everything you need to know about AI — in under 8 minutes.». Содержание направлено на людей, не знакомых со сферой ИИ и желающих получить о ней общее представление, чтобы затем, возможно, углубиться в какую-либо конкретную его отрасль.

Знать понемногу обо всё иногда (по крайней мере, для новичков, пытающихся сориентироваться в популярных технических направлениях) бывает полезнее, чем знать много о чём-то одном.

Многие люди думают, что немного знакомы с ИИ. Но эта область настолько молода и растёт так быстро, что прорывы совершаются чуть ли не каждый день. В этой научной области предстоит открыть настолько многое, что специалисты из других областей могут быстро влиться в исследования ИИ и достичь значимых результатов.

Эта статья — как раз для них. Я поставил себе целью создать короткий справочный материал, который позволит технически образованным людям быстро разобраться с терминологией и средствами, используемыми для разработки ИИ. Я надеюсь, что этот материал окажется полезным большинству интересующихся ИИ людей, не являющихся специалистами в этой области.

Введение

Искусственный интеллект (ИИ), машинное обучение и нейронные сети — термины, используемые для описания мощных технологий, базирующихся на машинном обучении, способных решить множество задач из реального мира.

В то время, как размышление, принятие решений и т.п. сравнительно со способностями человеческого мозга у машин далеки от идеала (не идеальны они, разумеется, и у людей), в недавнее время было сделано несколько важных открытий в области технологий ИИ и связанных с ними алгоритмов. Важную роль играет увеличивающееся количество доступных для обучения ИИ больших выборок разнообразных данных.

Область ИИ пересекается со многими другими областями, включая математику, статистику, теорию вероятностей, физику, обработку сигналов, машинное обучение, компьютерное зрение, психологию, лингвистику и науку о мозге. Вопросы, связанные с социальной ответственностью и этикой создания ИИ притягивают интересующихся людей, занимающихся философией.

Мотивация развития технологий ИИ состоит в том, что задачи, зависящие от множества переменных факторов, требуют очень сложных решений, которые трудны к пониманию и сложно алгоритмизируются вручную.

Растут надежды корпораций, исследователей и обычных людей на машинное обучение для получения решений задач, не требующих от человека описания конкретных алгоритмов. Много внимания уделяется подходу «чёрного ящика». Программирование алгоритмов, используемых для моделирования и решения задач, связанных с большими объёмами данных, занимает у разработчиков очень много времени. Даже когда нам удаётся написать код, обрабатывающий большое количество разнообразных данных, он зачастую получается очень громоздким, трудноподдерживаемым и тяжело тестируемым (из-за необходимости даже для тестов использовать большое количество данных).

Современные технологии машинного обучения и ИИ вкупе с правильно подобранными и подготовленными «тренировочными» данными для систем могут позволить нам научить компьютеры «программировать» за нас.

Обзор

Интеллект — способность воспринимать информацию и сохранять её в качестве знания для построения адаптивного поведения в среде или контексте

Это определение интеллекта из (англоязычной) Википедии может быть применено как к органическому мозгу, так и к машине. Наличие интеллекта не предполагает наличие сознания. Это — распространённое заблуждение, принесённое в мир писателями научной фантастики.

Попробуйте поискать в интернете примеры ИИ — и вы наверняка получите хотя бы одну ссылку на IBM Watson, использующий алгоритм машинного обучения, ставший знаменитым после победы на телевикторине под названием «Jeopardy» в 2011 г. С тех пор алгоритм претерпел некоторые изменения и был использован в качестве шаблона для множества различных коммерческих приложений. Apple, Amazon и Google активно работают над созданием аналогичных систем в наших домах и карманах.

Обработка естественного языка и распознавание речи стали первыми примерами коммерческого использования машинного обучения. Вслед за ними появились задачи другие задачи автоматизации распознавания (текст, аудио, изображения, видео, лица и т.д.). Круг приложений этих технологий постоянно растёт и включает в себя беспилотные средства передвижения, медицинскую диагностику, компьютерные игры, поисковые движки, спам-фильтры, борьбу с преступностью, маркетинг, управление роботами, компьютерное зрение, перевозки, распознавание музыки и многое другое.

ИИ настолько плотно вошёл в современные используемые нами технологии, что многие даже не думают о нём как об «ИИ», то есть, не отделяют его от обычных компьютерных технологий. Спросите любого прохожего, есть ли искусственный интеллект в его смартфоне, и он, вероятно, ответит: «Нет». Но алгоритмы ИИ находятся повсюду: от предугадывания введённого текста до автоматического фокуса камеры. Многие считают, что ИИ должен появиться в будущем. Но он появился некоторое время назад и уже находится здесь.

Термин «ИИ» является довольно обобщённым. В фокусе большинства исследований сейчас находится более узкое поле нейронных сетей и глубокого обучения.

Как работает наш мозг

Человеческий мозг представляет собой сложный углеродный компьютер, выполняющий, по приблизительным оценкам, миллиард миллиардов операций в секунду (1000 петафлопс), потребляющий при этом 20 Ватт энергии. Китайский суперкомпьютер под названием «Tianhe-2» (самый быстрый в мире на момент написания статьи) выполняет 33860 триллионов операций в секунду (33.86 петафлопс) и потребляющий при этом 17600000 Ватт (17.6 Мегаватт). Нам предстоит проделать определённое количество работы перед тем, как наши кремниевые компьютеры смогут сравниться со сформировавшимися в результате эволюции углеродными.

Точное описание механизма, применяемого нашим мозгом для того, чтобы «думать» является предметом дискуссий и дальнейших исследований (лично мне нравится теория о том, что работа мозга связана с квантовыми эффектами, но это — тема для отдельной статьи). Однако, механизм работы частей мозга обычно моделируется с помощью концепции нейронов и нейронных сетей. Предполагается, что мозг содержит примерно 100 миллиардов нейронов.

Нейроны взаимодействуют друг с другом с помощью специальных каналов, позволяющих им обмениваться информацией. Сигналы отдельных нейронов взвешиваются и комбинируются друг с другом перед тем, как активировать другие нейроны. Эта обработка передаваемых сообщений, комбинирование и активация других нейронов повторяется в различных слоях мозга. Учитывая то, что в нашем мозгу находится 100 миллиардов нейронов, совокупность взвешенных комбинаций этих сигналов устроена довольно сложно. И это ещё мягко сказано.

Но на этом всё не заканчивается. Каждый нейрон применяет функцию, или преобразование, к взвешенным входным сигналам перед тем, как проверить, достигнут ли порог его активации. Преобразование входного сигнала может быть линейным или нелинейным.

Изначально входные сигналы приходят из разнообразных источников: наших органов чувств, средств внутреннего отслеживания функционирования организма (уровня кислорода в крови, содержимого желудка и т.д.) и других. Один нейрон может получать сотни тысяч входных сигналов перед принятием решения о том, как следует реагировать.

Мышление (или обработка информации) и полученные в результате его инструкции, передаваемые нашим мышцам и другим органам являются результатом преобразования и передачи входных сигналов между нейронами из различных слоёв нейронной сети. Но нейронные сети в мозгу могут меняться и обновляться, включая изменения алгоритма взвешивания сигналов, передаваемых между нейронами. Это связано с обучением и накоплением опыта.

Эта модель человеческого мозга использовалась в качестве шаблона для воспроизведения возможностей мозга в компьютерной симуляции — искуственной нейронной сети.

Искусственные Нейронные Сети (ИНС)

Искусственные Нейронные Сети — это математические модели, созданные по аналогии с биологическими нейронными сетями. ИНС способны моделировать и обрабатывать нелинейные отношения между входными и выходными сигналами. Адаптивное взвешивание сигналов между искусственными нейронами достигается благодаря обучающемуся алгоритму, считывающему наблюдаемые данные и пытающемуся улучшить результаты их обработки.

Для улучшения работы ИНС применяются различные техники оптимизации. Оптимизация считается успешной, если ИНС может решать поставленную задачу за время, не превышающее установленные рамки (временные рамки, разумеется, варьируются от задачи к задаче).

ИНС моделируется с использованием нескольких слоёв нейронов. Структура этих слоёв называется архитектурой модели. Нейроны представляют собой отдельные вычислительные единицы, способные получать входные данные и применять к ним некоторую математическую функцию для определения того, стоит ли передавать эти данные дальше.

В простой трёхслойной модели первый слой является слоем ввода, за ним следует скрытый слой, а за ним — слой вывода. Каждый слой содержит не менее одного нейрона.

С усложнением структуры модели посредством увеличения количества слоёв и нейронов возрастают потенциал решения задач ИНС. Однако, если модель оказывается слишком «большой» для заданной задачи, её бывает невозможно оптимизировать до нужного уровня. Это явление называется переобучением (overfitting).

Архитектура, настройка и выбор алгоритмов обработки данных являются основными составляющими построения ИНС. Все эти компоненты определяют производительность и эффективность работы модели.

Модели часто характеризуются так называемой функцией активации. Она используется для преобразования взвешенных входных данных нейрона в его выходные данные (если нейрон решает передавать данные дальше, это называется его активацией). Существует множество различных преобразований, которые могут быть использованы в качестве функций активации.

ИНС являются мощным средством решения задач. Однако, хотя математическая модель небольшого количества нейронов довольно проста, модель нейронной сети при увеличении количества составляющих её частей становится довольно запутанно. Из-за этого использование ИНС иногда называют подходом «чёрного ящика». Выбор ИНС для решения задачи должен быть тщательно обдуманным, так как во многих случаях полученное итоговое решение нельзя будет разобрать на части и проанализировать, почему оно стало именно таким.

Глубокое обучение

Термин глубокое обучение используется для описания нейронных сетей и используемых в них алгоритмах, принимающих «сырые» данные (из которых требуется извлечь некоторую полезную информацию). Эти данные обрабатываются, проходя через слои нейросети, для получения нужных выходных данных.

Обучение без учителя (unsupervised learning) — область, в которой методики глубокого обучения отлично себя показывают. Правильно настроенная ИНС способна автоматически определить основные черты входных данных (будь то текст, изображения или другие данные) и получить полезный результат их обработки. Без глубокого обучения поиск важной информации зачастую ложится на плечи программиста, разрабатывающего систему их обработки. Модель глубокого обучения же самостоятельно способна найти способ обработки данных, позволяющий извлекать из них полезную информацию. Когда система проходит обучение (то есть, находит тот самый способ извлекать из входных данных полезную информацию), требования к вычислительной мощности, памяти и энергии для поддержания работы модели сокращаются.

Проще говоря, алгоритмы обучения позволяют с помощью специально подготовленных данных «натренировать» программу выполнять конкретную задачу.

Глубокое обучение применяется для решения широкого круга задач и считается одной из инновационных ИИ-технологий. Существуют также другие виды обучения, такие как обучение с учителем (supervised learning) и обучение с частичным привлечением учителя(semi-supervised learning), которые отличаются введением дополнительного контроля человека за промежуточными результатами обучения нейронной сети обработке данных (помогающего определить, в правильном ли направлении движется система).

Теневое обучение (shadow learning) — термин, используемый для описания упрощённой формы глубокого обучения, при которой поиск ключевых особенностей данных предваряется их обработкой человеком и внесением в систему специфических для сферы, к которой относятся эти данные, сведений. Такие модели бывают более «прозрачными» (в смысле получения результатов) и высокопроизводительными за счёт увеличения времени, вложенного в проектирование системы.