Напоследък все повече чуваме за изкуствения интелект. Използва се почти навсякъде: от високи технологии и сложни математически изчисления до медицина, автомобилна индустрия и дори смартфони. Технологиите, които стоят в основата на работата на AI в съвременния поглед, ние използваме всеки ден и понякога може дори да не мислим за това. Но какво е изкуствен интелект? Как работи? И опасно ли е?
Какво е изкуствен интелект
Първо, нека да определим терминологията. Ако си представяте изкуствения интелект като нещо способно да мисли независимо, да взема решения и като цяло да показва признаци на съзнание, тогава бързаме да ви разочароваме. Почти всички съществуващи днес системи дори не се доближават до това определение на AI. А онези системи, които показват признаци на такава активност, всъщност все още работят в рамките на предварително определени алгоритми.
Понякога тези алгоритми са много, много усъвършенствани, но те остават "рамката", в която AI работи. Машините нямат „свободи“и още повече признаци на съзнание. Те са просто много мощни програми. Но те са „най-добрите в това, което правят“. Плюс това, AI системите продължават да се подобряват. И изобщо не са тривиални. Дори да оставим настрана факта, че съвременният ИИ далеч не е съвършен, той има много общо с нас.
Как работи изкуственият интелект
На първо място, AI може да изпълнява задачите си (за което малко по-късно) и да придобие нови умения благодарение на дълбокото машинно обучение. Също така често чуваме и използваме този термин. Но какво означава това? За разлика от „класическите“методи, когато цялата необходима информация се зарежда в системата предварително, алгоритмите за машинно обучение принуждават системата да се развива независимо, изучавайки наличната информация. Което, освен това, автомобилът в някои случаи също може да търси себе си.
Промоционално видео:
Например, за да се създаде програма за откриване на измами, алгоритъмът за машинно обучение работи със списък на банкови транзакции и техния краен резултат (легален или незаконен). Моделът на машинно обучение разглежда примери и развива статистическа връзка между законни и измамни транзакции. След това, когато предоставите на алгоритъма подробности за нова банкова транзакция, той го класифицира въз основа на моделите, които е извлякъл от примерите предварително.
Обикновено колкото повече данни предоставяте, толкова по-точен става алгоритъмът за машинно обучение при изпълнение на задачите му. Машинното обучение е особено полезно за решаване на проблеми, при които правилата не са предварително дефинирани и не могат да бъдат интерпретирани в двоичен. Връщайки се към нашия пример с банкови операции: всъщност на изхода имаме двоична система за номериране: 0 - легална операция, 1 - незаконна. Но за да стигнете до такова заключение, системата трябва да анализира цял куп параметри и ако ги въведете ръчно, ще ви отнеме повече от една година. И да прогнозирам всички опции така или иначе няма да работи. И система, базирана на дълбоко машинно обучение, ще бъде в състояние да разпознае нещо, дори ако никога досега не е срещала точно такъв случай.
Дълбоко обучение и невронни мрежи
Докато класическите алгоритми за машинно обучение решават много проблеми, в които има много информация под формата на бази данни, те не се справят добре с, така да се каже, „зрителни и слухови“данни като изображения, видеоклипове, звукови файлове и т.н.
Докато класическите алгоритми за машинно обучение решават много проблеми, в които има много информация под формата на бази данни, те не се справят добре с, така да се каже, „зрителни и слухови“данни като изображения, видеоклипове, звукови файлове и т.н.
Например, изграждането на предсказуем модел за рак на гърдата, използвайки класически подходи за машинно обучение, ще изисква десетки медицински експерти, програмисти и математици, казва изследователят на AI Джеръми Хауърд. Учените би трябвало да направят много по-малки алгоритми за машинно обучение, за да се справят с потока от информация. Отделна подсистема за изследване на рентгенови лъчи, отделна за ЯМР, друга за интерпретация на кръвни тестове и т.н. За всеки тип анализ ще ни е необходима собствена система. Тогава всички те биха били обединени в една голяма система … Това е много труден и трудоемък процес.
Алгоритмите за задълбочено обучение решават същия проблем, използвайки дълбоки невронни мрежи, вид софтуерна архитектура, вдъхновена от човешкия мозък (въпреки че невронните мрежи са различни от биологичните неврони, те работят почти еднакво). Компютърните невронни мрежи са връзки на "електронни неврони", които са способни да обработват и класифицират информация. Те са подредени като в "слоеве" и всеки "слой" е отговорен за нещо свое, в крайна сметка формира обща картина. Например, когато тренирате невронна мрежа върху изображения на различни обекти, тя намира начини да извлече обекти от тези изображения. Всеки слой от невронната мрежа открива определени характеристики: формата на обектите, цветовете, външния вид на обектите и т.н.
Повърхностните слоеве на невронните мрежи показват общи черти. По-дълбоките слоеве вече разкриват действителните обекти. Фигурата показва диаграма на проста невронна мрежа. Входните неврони (входяща информация) са показани в зелено, синьо - скрити неврони (анализ на данни), жълто - изходен неврон (разтвор).
Невронните мрежи изкуствен човешки мозък ли са?
Въпреки сходната структура на машинната и човешката невронна мрежа, те не притежават характеристиките на централната ни нервна система. Компютърните невронни мрежи са по същество все същите спомагателни програми. Просто така се случва мозъкът ни да е най-високо организираната система за изчисляване. Вероятно сте чували израза "мозъкът ни е компютър"? Учените просто „възпроизвеждаха“цифрово някои аспекти от структурата му. Това позволи само да се ускорят изчисленията, но не и да се дарят на машините съзнание.
Невронните мрежи съществуват от 50-те години (поне под формата на концепции). Но доскоро те не получиха много развитие, тъй като създаването им изискваше огромни количества данни и изчислителна мощ. През последните няколко години всичко това стана достъпно, така че невронните мрежи излязоха на преден план, получили своето развитие. Важно е да се разбере, че нямаше достатъчно технологии за пълноценния им вид. Как сега те не са достатъчни, за да изведат технологията на ново ниво.
За какво се използват дълбокото обучение и невронните мрежи?
Има няколко области, в които тези две технологии са помогнали за забележителен напредък. Нещо повече, ние използваме някои от тях всеки ден в живота си и дори не се замисляме какво стои зад тях.
- Компютърното зрение е способността на софтуера да разбира съдържанието на изображения и видеоклипове. Това е една област, в която задълбоченото обучение постигна голям напредък. Например алгоритмите за обработка на изображения с дълбоко обучение могат да открият различни видове рак, белодробни заболявания, сърдечни заболявания и т.н. И да го направи по-бързо и по-ефективно от лекарите. Но задълбоченото обучение е вградено и в много от приложенията, които използвате всеки ден. Apple Face ID и Google Photos използват дълбоко обучение за разпознаване на лица и подобряване на изображението. Facebook използва задълбочено обучение, за да маркира автоматично хората в качените снимки и т.н. Компютърното зрение също помага на компаниите автоматично да идентифицират и блокират съмнително съдържание като насилие и голота. И накраядълбокото обучение играе много важна роля за това автомобилите да се движат самостоятелно, за да могат да разберат заобикалящата ги среда.
- Разпознаване на глас и реч. Когато говорите команда на вашия Google Assistant, алгоритмите за задълбочено обучение превеждат гласа ви в текстови команди. Няколко онлайн приложения използват дълбоко обучение за преписване на аудио и видео файлове. Дори когато шазамът на песен, играят невронни мрежи и дълбоки алгоритми за машинно обучение.
- Търсене в Интернет: дори ако търсите нещо в търсачката, за да може вашата заявка да бъде обработена по-ясно и резултатите от търсенето да бъдат максимално коректни, компаниите започнаха да свързват алгоритмите на невронната мрежа към своите търсачки. По този начин, ефективността на търсачката Google се увеличи няколко пъти, след като системата премина към дълбоко машинно обучение и невронни мрежи.
Границите на дълбокото обучение и невронните мрежи
Въпреки всичките им предимства, дълбокото обучение и невронните мрежи също имат някои недостатъци.
- Зависимост на данните: Като цяло алгоритмите за дълбоко обучение изискват огромни количества данни за обучение, за да изпълняват точно своите задачи. За съжаление, за да се разрешат много проблеми, няма достатъчно висококачествени данни за обучение, за да се създадат работещи модели.
- Непредсказуемост: Невронните мрежи се развиват по някакъв странен начин. Понякога всичко върви по план. И понякога (дори ако невронната мрежа върши добра работа), дори създателите се борят да разберат как работят алгоритмите. Липсата на предсказуемост прави изключително трудно премахването и коригирането на грешки в алгоритмите на невронните мрежи.
- Алгоритмични пристрастия: Алгоритмите за задълбочено обучение са също толкова добри, колкото и данните, по които се обучават. Проблемът е, че данните за обучението често съдържат скрити или очевидни грешки или недостатъци и алгоритмите ги наследяват. Например алгоритъмът за разпознаване на лице, обучен предимно върху снимки на бели хора, ще работи по-малко точно върху хора с различен цвят на кожата.
- Липса на обобщение: Алгоритмите за задълбочено обучение са добри за изпълнение на целеви задачи, но лошо обобщават знанията им. За разлика от хората, модел за задълбочено обучение, обучен да играе StarCraft, няма да може да играе друга подобна игра: да речем, WarCraft. Плюс това, задълбоченото обучение върши лоша работа с обработката на данни, което се отклонява от примери за обучение.
Бъдещето на дълбокото обучение, невронните мрежи и AI
Ясно е, че работата по дълбокото обучение и невронните мрежи далеч не е завършена. Полагат се различни усилия за подобряване на алгоритмите за задълбочено обучение. Дълбокото обучение е авангардна техника в изкуствения интелект. Той става все по-популярен през последните няколко години поради изобилието от данни и увеличаването на мощността на обработка. Това е основната технология зад много приложения, които използваме всеки ден.
Но дали съзнанието някога ще се роди на базата на тази технология? Истински изкуствен живот? Някои от учените смятат, че в момента, когато броят на връзките между компонентите на изкуствените невронни мрежи се доближава до същия показател, който съществува в човешкия мозък между нашите неврони, може да се случи нещо подобно. Това твърдение обаче е силно съмнително. За да се появи истински AI, трябва да преосмислим начина, по който изграждаме AI системи. Всичко, което е сега, са само приложни програми за строго ограничен набор от задачи. Колкото и да ни се иска да вярваме, че бъдещето вече е пристигнало …
Какво мислиш? Ще създадат ли хора ИИ?
