Прорыв последнего десятилетия в ИИ обусловлен не столько появлением новых идей, сколько накоплением критической массы размеченных корпусов данных для обучения, низкой стоимостью хранения колоссальных объемов обучающих выборок и главное — резким снижением стоимости вычислений, включая возможность использования специализированного, относительно дешевого аппаратного обеспечения для моделирования искусственных нейронных сетей.
Сочетание этих факторов позволило осуществить прорыв — сделать возможным обучение и настройку нейросетевых алгоритмов для совершения качественного скачка, а также обеспечить экономически эффективное решение широкого спектра прикладных задач классов распознавания, классификации и предсказания. Наибольшие успехи в этой области демонстрируют системы, основанные на сетях «глубокого обучения», реализующих идею предложенного 60 лет назад «перептрона» Розенблатта. Однако достижения в использовании нейронных сетей также сопровождались обнаружением целого ряда проблем, не решаемых имеющимися нейросетевыми методами. Системы в виде нейросетей в ряде практических приложений сейчас выходят на так называемое плато продуктивности Гартнера.
«Объяснимость» и возможность «обучения через передачу знаний» являются необходимыми требованиями в целом ряде случаев применения технологий ИИ — в вопросах обороны, безопасности, здравоохранения и финансов. Также, по мнению многих ведущих исследователей, именно эти две задачи являются ключом к созданию «общего» или «сильного ИИ».
Антон Колонин объясняет ограничения существующих технологий «слабого ИИ» и рассказывает о перспективных подходах к созданию «общего ИИ».
https://russiancouncil.ru/analytics-and-comments/analytics/sleduyushchie-tseli-v-gonke-ii-obyasnimost-i-obuchaemost/
