В наши дни искусственный интеллект (ИИ) помогает врачам диагностировать больных, пилотам управлять пассажирскими лайнерами, градостроителям предвидеть пробки.
Вне зависимости от того, чем занимаются системы ИИ, их разработчики вряд ли точно знают, как эти программы действуют. Это потому, что искусственный интеллект зачастую самообучается, отрабатывая простой набор инструкций, он создаёт уникальный блок правил и алгоритмов.
Как же именно учится машина?
Существует много способов создать самообучаемую программу.
Но все они основываются на трёх основных типах машинного обучения:
- Обучение без учителя,
- Обучение с учителем
- Обучение с подкреплением.
Чтобы увидеть их в действии, давайте представим, что учёные пытаются добыть информацию из набора медицинских данных, содержащих карты тысяч пациентов.
Обучение без учителя
Этот подход идеально подходит для анализа всех медкарт с целью выявить общие сходства и полезные шаблоны. Возможно, у некоторых пациентов имеются одинаковые проявления болезни или же лечение вызывает определённый набор побочных эффектов.
Этот широкий подход к поиску шаблонов может быть использован для выявления сходств между картами пациентов и зарождающихся закономерностей без какого-либо вмешательства человека.
Обучение с учителем
Но давайте представим, что врачи ищут нечто более специфическое. Эти доктора хотят создать алгоритм для диагностирования определённого заболевания.
Они начинают со сбора двух наборов данных — медицинских снимков и результатов тестов как здоровых пациентов, так и диагностированных с этим заболеванием. Затем они вводят эти данные в программу, созданную для выявления общих симптомов у больных, которые отсутствуют у здоровых пациентов.
Основываясь на частоте обнаружения определённых признаков, программа присваивает значения данным, исходя из их важности для диагностики, что создаёт алгоритм диагностирования для будущих пациентов. Однако, в отличие от обучения без учителя, врачи и программисты принимают активное участие в дальнейших событиях.
Врачи поставят окончательный диагноз и проверят точность прогнозирования по алгоритмам. Затем программисты смогут использовать обновлённые данные, чтобы подправить параметры программы и повысить её точность.
Такой управляемый подход называется обучением с учителем.
Обучение с подкреплением
Теперь предположим, что те же врачи хотят создать другой алгоритм для анализа планов лечения.
Поскольку планы будут реализовываться поэтапно и могут меняться в зависимости от индивидуальной реакции на лечение, врачи решают задействовать обучение с подкреплением. При этом используется итерационный подход для сбора обратной связи о том, какие лекарства, дозировки и методы лечения наиболее эффективны.
Затем система сравнивает эти данные с картой каждого пациента и в каждом конкретном случае создаёт оптимальный план лечения. В ходе лечения и по мере поступления новой обратной связи программа может постоянно обновлять план лечения для каждого пациента.
Комплексные системы ИИ
Ни один из этих подходов не является заведомо «умнее» любого другого. Хотя некоторые из них требуют вмешательства человека, у каждого из них есть свои сильные и слабые стороны, которые являются оптимальными для определённых задач.
Однако, используя их в совокупности, учёные могут разрабатывать комплексные системы ИИ, где отдельные программы руководят и обучают друг друга. Например, когда обучающаяся программа без учителя находит похожие группы пациентов, она может передать данные смежной обучающейся программе с учителем. Та программа может затем включить эту информацию в свой прогноз.
Или, например, десятки обучающих программ с подкреплением способны симулировать потенциальные исходы болезни, что позволит получить обратную связь о различных планах лечения.
Существует много способов создания этих систем машинного обучения и, возможно, самыми перспективными являются модели, которые подражают нейронным связям в головном мозге.
Такие искусственные нейронные сети могут использовать миллионы связей и справляться с такими сложными задачами, как распознавание образов и речи, и даже с переводами с одного языка на другой.
Однако, чем более самоуправляемыми становятся эти модели, тем сложнее программистам определять, как эти самообучающиеся алгоритмы пришли к полученному результату. Учёные уже рассматривают способы сделать машинное обучение более прозрачным.
Но по мере того, как ИИ входит в повседневную жизнь, эти непонятные решения всё больше влияют на нашу работу, здоровье и безопасность и в наших интересах обучится понимать принципы по которым они взаимодействуют и выдвигают свои решения по тем или иным вопросам.
Больше статей в Телеграм
И интересного контента в видео формате на YouTube
Подписывайтесь!
