Вокруг Искусственного Интеллекта раздуто слишком много хайпа — да, да, мы смеем это заявлять. Но он все равно невероятно важен для людей.

Сверхмощные алгоритмы вряд ли займут все рабочие места или вытеснят человечество. Но в последнее время программное обеспечение действительно стало значительно умнее. Благодаря ему вы можете поговорить с друзьями как анимированная какаха на iPhone X, используя Animoji от Apple, или попросить вашу умную колонку заказать больше бумажных полотенец.

Крупные инвестиции технологических компаний в ИИ уже меняют нашу жизнь и гаджеты, закладывая основу для более ориентированного на ИИ будущего.

Нынешний бум во всем, что касается ИИ, был катализирован прорывами в области, известной как машинное обучение. Она заключается в «обучении» компьютеров выполнять задачи на основе полученных примеров, а не полагаться на программирование человеком. Техника под названием «глубокое обучение» сделала этот подход гораздо более эффективным. Просто спросите Ли Седоля, обладателя 18 международных титулов в сложной игре Го. Он был побежден программным обеспечением под названием AlphaGo в 2016 году.

Для большинства из нас наиболее очевидные результаты улучшенных возможностей ИИ – это крутые современные гаджеты с новыми возможностями, такими как умные колонки или разблокировка iPhone с помощью сканирования своего лица. Но ИИ начинает менять и другие сферы жизни. Одной из них, например, является здравоохранение. Больницы в Индии тестируют программное обеспечение, которое проверяет изображения сетчатки человеческого глаза на наличие признаков диабетической ретинопатии – состояния, которое часто диагностируется слишком поздно, чтобы предотвратить потерю зрения. Машинное обучение принципиально важно для проектов в области автономного вождения, где оно позволяет транспортному средству «осмыслить» свое окружение.

Есть доказательство, что ИИ может сделать нас счастливее и здоровее. Но есть и причина для беспокойства: инциденты, в которых алгоритмы переняли или усилили социальные предубеждения вокруг расы или пола, показывают, что будущее под знаменем ИИ не обязательно будет светлым.

На заре Искусственного Интеллекта

Искусственный Интеллект, каким мы его знаем сейчас, зародился как летний отпускной проект. Профессор Дартмутского колледжа Джон Маккарти придумал этот термин летом 1956 года, когда он пригласил небольшую группу исследователей провести несколько недель, пытаясь понять, как научить машины выполнять такие задачи, как использование человеческого языка. Он возлагал большие надежды на прорыв в направлении создания машин, которые дотянулись бы до уровня человека. «Мы считаем, что сможем достичь больших успехов,  – заявлял он  вместе со своими коллегами, – если тщательно отобранная группа ученых будет вместе работать над этим вопросом в течение лета».


КЛЮЧЕВЫЕ МОМЕНТЫ СОЗДАНИЯ ИИ

1956
Летний исследовательский проект Дартмутского Колледжа по Искусственному Интеллекту дает название новой области, связанной с созданием программного обеспечения, по уровню интеллекта, приближающегося к человеческому.

1965
Джозеф Вейценбаум в MIT создает Элизу – первую программу-собеседника, которая имитирует поведение психотерапевта.

1975
Meta-Dendral, программа, разработанная в Стэнфорде для расшифровки химических проб, становится первым компьютером, сделавшим открытия, которые публикуют в рецензируемом журнале.

1987
В академическом проекте под руководством инженера Эрнста Дикманнса фургон Mercedes, оснащенный двумя камерами и кучей компьютеров, самостоятельно проехал 20 километров по немецкому шоссе со скоростью более 55 миль в час (90 км/ч).

1997
Компьютер IBM Deep Blue побеждает чемпиона мира по шахматам Гарри Каспарова.

2004
Пентагон организует Darpa Grand Challenge, гонку для автомобилей-роботов в пустыне Мохаве, которая подстегивает развитие автономной автомобильной промышленности.

2012
Исследователи в узкоспециализированной области под названием глубокое обучение стимулируют новый интерес крупных корпораций к ИИ, показывая, что их идеи могут сделать распознавание речи и изображений гораздо более точным.

2016
Программа AlphaGo, созданная DeepMind, подразделением Google, побеждает чемпиона мира по настольной игре Go.


Эти надежды не оправдались, и Маккарти позже признал, что он был чрезмерно оптимистичным. Но это начинание помогло ученым, мечтающим о создании умных машин, объединить усилия в полноценной сфере научной деятельности. Ранние исследования были зачастую сосредоточены на решении довольно абстрактных задач математики и логики. Но вскоре ИИ начал показывать многообещающие результаты в решении более близких человеку задач. В конце 1950-х Артур Самуэль создавал программы, которые учились играть в шашки. В 1962 году одна из таких программ одержала победу над мастером игры. В 1967 году программа Dendral повторила то, как химики интерпретируют масс-спектрометрические данные о составе химических образцов.

По мере развития области ИИ развивались и различные стратегии для создания более умных машин. Некоторые исследователи пытались перевести человеческие знания в код или разработать правила для решения таких задач, как понимание языка. Другие были вдохновлены важностью изучения человеческого и животного интеллекта. Они создавали системы, которые решали бы задачу лучше с течением времени, возможно, путем моделирования эволюции или изучения приведенных в пример данных. Так, от одного пройденного рубежа к другому, компьютеры осваивали все больше и больше задач, ранее доступных для решения только человеку.

Глубокое обучение (ракетное топливо нынешнего бума ИИ) является возрождением одной из старейших идей в области ИИ. Эта техника использует свободную передачу данных через математические сети – известные как искусственные нейронные сети – подобно тому, как работают клетки мозга. Пока сеть обрабатывает обучающие данные, связи между частями сети саморегулируются, создавая возможность дальнейшей обработки последующих данных.

Искусственные нейронные сети стали устоявшейся идеей в ИИ вскоре после Дартмутского проекта. Например, созданный в 1958 году персептрон Mark 1,  занимающий целую комнату, научился различать геометрические формы и был описан в New York Times как «эмбрион компьютера, созданный, чтобы читать и становиться мудрее». Но интерес к нейронным сетям упал после выхода влиятельной книги 1969 года, соавтором которой был Марвин Мински из MIT, предположивший, что сети не могут быть достаточно мощными.

Не все были с этим согласны, и некоторые исследователи продолжали придерживаться этой техники десятилетиями. Их мнение нашло подтверждение в 2012 году, когда серия экспериментов показала, что нейронные сети, обеспеченные большими объемами данных и мощными компьютерными чипами, могут открыть машинам новые границы восприятия.

Одним из значительных прорывов стала победа исследователей из Университета Торонто, которые разнесли своих соперников в ежегодном конкурсе, где программному обеспечению было поручено классифицировать изображения. В другом случае, исследователи из IBM, Microsoft и Google объединились для публикации результатов, показывающих, что глубокое обучение может обеспечить значительный скачок в точности распознавания речи. После этого технологические компании стали приглашать на работу всех экспертов в области глубокого обучения, которых только могли найти.

Будущее Искусственного Интеллекта

Даже если прогресс в создании более умного искусственного интеллекта остановится завтра, не ожидайте, что вы больше не услышите о том, как он меняет мир.

Крупные технологические компании, такие как Google, Microsoft и Amazon, располагают множеством талантливых сотрудников в сфере ИИ и впечатляющими компьютерными ресурсами для расширения их основного бизнеса – таргетинга рекламы и предугадывания ваших покупок.

Они также начали зарабатывать деньги, предлагая другим запускать проекты ИИ в своих сетях, что поможет продвижению в таких областях, как здравоохранение или национальная безопасность. Усовершенствования оборудования ИИ, популяризация учебных курсов по машинному обучению и проекты машинного обучения с открытым исходным кодом тоже ускорят распространение ИИ в других отраслях.


ВАШ КЛЮЧ К РАСШИФРОВКЕ ИИ

Искусственный Интеллект
Разработка компьютеров, способных выполнять задачи, для решения которых обычно требуется человеческий интеллект.

Машинное обучение
Использование данных или опыта в качестве примера для улучшения возможностей компьютеров в прогнозировании или выполнении задач.

Глубокое обучение
Метод машинного обучения, в котором данные фильтруются через самонастраивающиеся нейронные сети подобно тому, как работают нейроны мозга.

Обучение с учителем
Демонстрация программному обеспечению маркированных данных, например, фотографий, с целью обучения компьютера определенным действиям.

Обучение без учителя
Обучение без типовых примеров, только за счет познавания данных и окружения, привычных для человека, но нетипичных для машин. ПОКА нетипичных.

Обучение с подкреплением
Программное обеспечение, которое в процессе обучения экспериментирует с различными действиями, чтобы выяснить, как максимизировать виртуальную награду, например, набирая очки в игре.

Сильный и слабый искусственные интеллекты
Пока еще несуществующее программное обеспечение, которое демонстрирует аналогичную человеческой способность адаптироваться к различным средам и задачам и передавать знания между ними.


Между тем, потребители могут ожидать, что им будет предложено еще больше гаджетов и сервисов, работающих на основе ИИ. Google и Amazon, в частности, делают ставку на то, что усовершенствования машинного обучения сделают их виртуальных помощников и умные колонки еще мощнее. У Amazon, к примеру, есть устройства с камерами, которые способны смотреть на своих владельцев и окружающую обстановку.

Коммерческий потенциал делает наше время идеальным для исследований в области ИИ. Лаборатории, занимающиеся созданием умных машин, стали более многочисленными и финансируемыми, чем когда-либо. И есть над чем работать: несмотря на значительный прогресс в сфере ИИ за последнее время и бурные прогнозы о его ближайшем будущем, есть масса примеров того, чего еще не умеют машины, например, понимать нюансы языка, рассуждать на основе здравого смысла или получить новый навык, основываясь только на одном или двух примерах. Программному обеспечению ИИ придется справиться с такими задачами, если его целью является приближение к многогранному, адаптируемому и творческому интеллекту людей. Один из пионеров глубокого обучения, Джефф Хинтон из Google, утверждает, что для достижения прогресса в решении этой грандиозной задачи придется переосмыслить некоторые основы этой области.

Чем мощнее становятся системы ИИ, тем более тщательного контроля они требуют. Использование программ на правительственном уровне в таких сферах, как уголовное правосудие, зачастую имеет недостатки или скрывается. А корпорации наподобие Facebook уже столкнулись с негативными последствиями своих алгоритмов, влияющих на жизнь людей. Более мощный ИИ может создавать проблемы и посерьезнее, например, увековечивая исторические предубеждения и стереотипы в отношении женщин или чернокожих людей. Инициативные группы граждан и даже сама техническая индустрия в настоящее время определяют правила и руководящие принципы безопасности и этики для ИИ. Чтобы по-настоящему воспользоваться преимуществами развивающихся машин, мы сами должны узнать о машинах больше.

 

Иллюстрации и оригинальная статья:
https://www.wired.com/story/guide-artificial-intelligence/