Як працює штучний інтелект

останнім часом ми . Він застосовується практично скрізь: від сфери високих технологій і складних математичних обчислень до медицини, автомобілебудування і навіть при роботі смартфонів. Технології, що лежать в основі роботи ІІ в сучасному уявленні, ми використовуємо щодня і деколи навіть можемо не замислюватися про це. Але що таке штучний інтелект? Як він працює? Та чи є небезпека?

Що таке штучний інтелект

Для початку давайте визначимося з термінологією. Якщо ви уявляєте собі штучний інтелект, як щось, здатне самостійно думати, приймати рішення, і в цілому проявляти ознаки свідомості, то поспішаємо вас розчарувати. Практично всі існуючі на сьогоднішній день системи навіть і близько не «стоять» до такого визначення ІЇ. А ті системи, що виявляють ознаки подібної активності, насправді все-одно діють в межах заздалегідь заданих алгоритмів.

Часом ці алгоритми , але вони залишаються тими «рамками», у межах яких працює ІІ. Жодних «вольностей» і вже тим більше ознак свідомості у машин немає. Це просто дуже продуктивні програми. Але вони «кращі у своїй справі». До того ж системи ШІ продовжують удосконалюватися. Та й влаштовані вони зовсім небанально. Навіть якщо відкинути той факт, що сучасний ІІ далекий від досконалості, він має з нами дуже багато спільного.

Як працює штучний інтелект

В першу чергу ИИ може виконувати свої завдання (про них трохи пізніше) і здобувати нові навички завдяки глибокому машинного навчання. Цей термін ми теж часто чуємо та вживаємо. Але що він означає? На відміну від «класичних» методів, коли всю необхідну інформацію завантажують у систему заздалегідь, алгоритми машинного навчання змушують систему розвиватися самостійно, вивчаючи доступну інформацію. Яку, до того ж, машина в деяких випадках теж може шукати самостійно.

Наприклад, щоб створити програму для виявлення шахрайства, алгоритм машинного навчання працює зі списком банківських транзакцій з їх кінцевим результатом (законним або незаконним). Модель машинного навчання розглядає приклади і розробляє статистичну залежність між законними і шахрайськими трансакціями. Після цього, коли ви надаєте алгоритмом дані нової банківської транзакції, він класифікує її на основі шаблонів, які він дізнався з прикладів заздалегідь.

Як правило, чим більше даних ви надаєте, тим більш точним стає алгоритм машинного навчання при виконанні своїх завдань. особливо корисно при вирішенні завдань, де правила не визначені заздалегідь і не можуть бути інтерпретовані в двійковій системі. Повертаючись до нашого прикладу з банківськими операціями: по-факту на виході у нас двійкова система числення: 0 — законна операція, 1 — незаконна. Але для того, щоб прийти до такого висновку системі потрібно проаналізувати цілу купу параметрів і якщо вносити їх вручну, то на це піде не один рік. Та й передбачити всі варіанти все-одно не вийде. А система, що працює на основі глибокого машинного навчання, зуміє розпізнати що-то, навіть якщо в точності такого випадку їй раніше не зустрічалося.

Глибоке навчання і нейронні мережі

В той час, як класичні алгоритми машинного навчання вирішують багато проблем, в яких присутня маса інформації у вигляді баз даних, вони погано справляються з, так сказати, «візуальними і аудіальними» даними зразок зображень, відео, звукових файлів і так далі.

Наприклад, створення моделі прогнозування раку молочної залози з використанням класичних підходів машинного навчання вимагатиме , програмістів і математиків,- заявляє дослідник у сфері ШІ Джеремі Говард. Учені повинні були б зробити багато більш дрібних алгоритмів для того, щоб машинне навчання справлявся б з потоком інформації. Окрема підсистема для вивчення рентгенівських знімків, окрема — для МРТ, інша — для інтерпретації аналізів крові, і так далі. Для кожного виду аналізу нам потрібна була своя система. Потім всі вони об'єднувались би в одну велику систему… Це дуже важкий і ресурсозатратне процес.

Алгоритми глибокого навчання вирішують ту саму проблему, використовуючи глибокі , тип архітектури програмного забезпечення, натхненний людським мозком (хоча нейронні мережі відрізняються від біологічних нейронів, принцип дії у них майже такий же). Комп'ютерні нейронні мережі — це зв'язки «електронних нейронів», які здатні обробляти та класифікувати інформацію. Вони розташовуються як-б «шарами» і кожен «шар» відповідає за щось своє, в результаті формуючи загальну картину. Наприклад, коли ви тренуєте нейронну мережу на зображеннях різних об'єктів, вона знаходить способи витягання об'єктів з цих зображень. Кожен шар нейронної мережі виявляє певні особливості: форму об'єктів, кольору, вид об'єктів і так далі.

Поверхневі шари нейронних мереж виявляють загальні особливості. Більш глибокі шари вже виявляють фактичні об'єкти. На малюнку схема простий нейромережі. Зеленим кольором позначені вхідні нейрони (поступаюзая інформація), блакитним — приховані нейрони (аналіз даних), жовтим — вихідний нейрон (рішення)

Нейронні мережі — це штучний людськиймозок?

Незважаючи на схожу будову машинної і людської нейромережі, ознаками нашої центральної нервової системи вони не володіють. Комп'ютерні нейронні мережі по-суті все ті ж допоміжні програми. Просто вийшло так, що самої високоорганізованою системою для проведення обчислень виявився наш мозок. Адже ви напевно чули вислів «наш мозок — це комп'ютер»? Вчені просто «повторили» деякі аспекти його будови в «цифровому вигляді». Це дозволило лише прискорити обчислення, але не наділити машини свідомістю.

Це цікаво:

Нейронні мережі існують з 1950-х років (принаймні, у вигляді концепий). Але до недавнього часу вони не отримували особливого розвитку, тому що їхнє створення вимагало величезних обсягів даних і обчислювальних потужностей. В останні кілька років все це стало доступним, тому нейромережі і вийшли на передній план, отримавши свій розвиток. Важливо розуміти, що для їх повноцінного появи не вистачало технологій. Як їх не вистачає і зараз для того, щоб вивести технологію на новий рівень.

Для чого використовується глибоке навчання нейромережі

Є кілька областей, де ці дві технології допомогли досягти помітного прогресу. Більш того, деякі з них ми щоденно використовуємо в нашому житті і навіть не замислюємося, що за ними стоїть.

• — це здатність програмного забезпечення розуміти зміст зображень і відео. Це одна з областей, де глибоке навчання зробило великий прогрес. Наприклад, алгоритми обробки зображень глибокого навчання можуть виявляти різні типи раку, захворювань легень, серця і так далі. І робити це швидше і ефективніше лікарів. Але глибоке навчання також вкоренилося і в багатьох додатках, які ви використовуєте щодня. Apple Face ID і Google Photos використовують глибоке навчання для розпізнавання особи і поліпшення якості знімків. Facebook використовує глибоке навчання, щоб автоматично відзначати людей на завантажуються фотографії і так далі. Комп'ютерне зір також допомагає компаніям автоматично ідентифікувати і блокувати сумнівний контент, такий як насильство і нагота. І, нарешті, глибоке навчання відіграє дуже важливу роль в забезпеченні можливості самостійного водіння автомобілів, щоб вони могли розуміти, що їх оточує.
• Розпізнавання голосу і мови. Коли ви вимовляєте команду для вашого Google Асистента, алгоритми глибокого навчання перетворять ваш . Кілька онлайн-додатків використовують глибоке навчання для транскрибування аудіо - і відеофайлів. Навіть коли ви «шазамите» пісню, в справу вступають алгоритми нейромереж і глибокого машинного навчання.
• Пошук в інтернеті: навіть якщо ви шукайте щось в пошуковику, для того аби ваш запит був оброблений більш чітко і результати видачі були максимально правильними, компанії почали підключати алгоритми нейромереж до своїм пошуковим машинам. Так, продуктивність пошуковика Google зросла в кілька разів після того, як система перейшла на глибоке машинне навчання і нейромережі.

Межі глибокого навчання нейромереж

Незважаючи на всі свої переваги, глибоке навчання нейромережі також мають і деякі недоліки.

• Залежність від даних: в цілому, алгоритми глибокого навчання вимагають величезної кількості навчальних даних для точного виконання своїх завдань. На жаль, для вирішення багатьох проблем недостатньо якісних даних навчання для створення робочих моделей.
• Непередбачуваність: нейронні мережі розвиваються якимось дивним шляхом. Іноді все йде як задумано. А іноді (навіть якщо нейромережа добре справляється зі своїм завданням), навіть творці з усіх сил намагаються зрозуміти, як же алгоритми працюють. Відсутність передбачуваності робить надзвичайно важким усунення та виправлення помилок в алгоритмах роботи нейромереж.
• Алгоритмічне зміщення: алгоритми глибокого навчання так само хороші, як і дані, на яких вони навчаються. Проблема полягає в тому, що навчальні дані часто містять приховані або явні помилки або недоробки, і алгоритми отримують їх «у спадок». Наприклад, алгоритм розпізнавання осіб, навчений в основному на фотографіях білих людей, буде працювати менш точно на людей з іншим кольором шкіри.
• Відсутність узагальнення: алгоритми глибокого навчання гарні для виконання цілеспрямованих завдань, але погано узагальнюють свої знання. На відміну від людей, модель глибокого навчання , не зможе грати в іншу подібну гру: скажімо, в WarCraft. Крім того, глибоке навчання погано справляється з обробкою даних, які відхиляються від його навчальних прикладів.

Майбутнє глибокого навчання нейромереж та ІІ

Ясна річ, що робота над глибоким навчанням і нейронними мережами ще далека від завершення. Різні зусилля додаються для поліпшення алгоритмів глибокого навчання. Глибоке навчання — це передовий метод у створенні штучного інтелекту. Він стає все більш популярним в останні декілька років завдяки великій кількості даних і збільшення обчислювальної потужності. Це основна технологія, що лежить в основі багатьох додатків, які ми використовуємо щодня.

Але народиться чи коли-небудь на базі цієї технології свідомість? Справжня штучне життя? Хто з учених вважає, що в той момент, коли кількість зв'язків між компонентами штучних нейромереж наблизитися до того ж показника, що є в людському мозку між нашими нейронами, що щось подібне може статися. Однак це заявляениедуже сумнівно. Для того, щоб справжній ІІ з'явився, нам потрібно переосмислити підхід до створення систем на основі штучного інтелекту. Все те, що є зараз — це лише прикладні програми для строго обмеженого кола завдань. Як би нам не хотілося вірити в те, що майбутнє вже наступило…

А як вважаєте ви? Створять люди ШІ? Поділіться думкою в нашому