За последние несколько лет технологии искусственного интеллекта (ИИ) стремительно внедряются в нашу повседневную жизнь, от смартфонов до автономного транспорта. Управление качеством также не осталось в стороне — благодаря внедрению ИИ оно становится более эффективным и точным.
Как ИИ меняет управление качеством?
- Автоматизация рутины
ИИ собирает и анализирует данные быстрее человека, что уменьшает ошибки и освобождает время для более важных задач. Он также может давать советы и предсказывать возможные проблемы ещё до их появления. - Обучение и документация
Благодаря ИИ можно быстро обновлять инструкции, создавать персонализированные руководства и обучать сотрудников — всё автоматически и точно. - Прогнозирование проблем
Машинное обучение помогает выявлять закономерности и предсказывать будущие неисправности. Это значит, что компании могут предотвращать дефекты ещё на ранних этапах, экономя деньги и время. - Мониторинг в реальном времени
Современные системы на базе ИИ собирают данные прямо во время работы оборудования, выявляют аномалии и автоматически запускают исправительные меры. Это особенно важно в фармацевтике, медицине и электронике, где точность критична.
Почему внедрение технологий ИИ сегодня так важно
- Больше точности
Автоматизация снижает ошибки, связанные с человеческим фактором. - Быстрее и надежнее
Процессы проверки и тестирования становятся быстрее и точнее. - Предотвращение проблем
ИИ помогает выявлять потенциальные риски ещё до того, как возникнут дефекты. - Реальное время
Обратная связь и исправления происходят мгновенно. - Меньше рисков
ИИ помогает сделать производство безопаснее и надежнее. - Экономия ресурсов
Автоматизация и прогнозы снижают затраты и отходы.
ИИ становится важной частью современного управления качеством, предоставляя организациям мощные инструменты для повышения точности и скорости процессов.
Внедряя эти технологии, компании могут не только соответствовать высоким стандартам, но и опережать конкурентов, создавая инновационные продукты и услуги.
А в будущем роль ИИ будет только расти, делая производство и сервисы ещё более безопасными и эффективными.
Ученые из Университета Джонса Хопкинса разработали новый искусственный интеллект, способный решать сложные инженерные задачи быстрее суперкомпьютеров.
Созданное ПО позволяет моделировать решения различных инженерных задач: расчет нагрузки возводимого моста, нагрузку на космические корабли или деформацию автомобиля при столкновениях.
Технология получила название DIMON (Diffeomorphic Mapping Operator Learning).
Она решает уравнения в частных производных — математическую основу большинства научных и инженерных исследований.
Эти уравнения описывают, как объекты или среды изменяются во времени и пространстве, и обычно требуют значительных вычислительных ресурсов.
DIMON универсален и может применяться в самых разных задачах: от краш-тестов до моделирования электрических сигналов в человеческом сердце.
С его помощью команда ученых протестировала более 1000 цифровых моделей сердца, смоделировав распространение электрических импульсов. Это позволяет диагностировать сердечные аритмии и подбирать оптимальное лечение.
С помощью DIMON мы можем сократить время анализа сердца пациента с нескольких дней до 30 секунд.
Это делает технологию применимой в повседневной медицинской практике.
Классические методы решения задач требуют деления сложных объектов на мелкие сетки и выполнения расчетов для каждого элемента.
Если форма объекта меняется, например, в результате аварии, весь процесс необходимо повторять, что делает расчеты медленными и дорогостоящими.
DIMON, используя ИИ, учится предсказывать изменения без необходимости пересчетов.
Это значительно ускоряет моделирование тепла, напряжения или движения в инженерных структурах, позволяя инженерам быстрее разрабатывать и оптимизировать конструкции.
DIMON — это шаг вперед для многих отраслей.
Эта технология может применяться в любых задачах, где важна точность и скорость решения уравнений в частных производных.
Она универсальна и масштабируема.Минлан Инь
Технология уже используется для решения медицинских и инженерных задач, но команда планирует сделать ее доступной для более широкого сообщества. Она ускорит разработки в таких областях, как аэрокосмическая инженерия, проектирование транспортных средств и разработка медицинских устройств.
Нет сомнений, что технологии искусственного интеллекта сегодня доминируют в мире. Прогресс движется семимильными шагами, особенно в области больших языковых моделей (LLM), таких как ChatGPT.
Но как они работают? LLM состоят из нейронных сетей, обрабатывающих длинные последовательности токенов.
Каждый токен — это обычно слово или часть слова, представленные списком из сотен или тысяч чисел — ученые называют его «многомерным вектором».
Этот список отражает значение слова и его использование.
Например, слово «кошка» может превратиться в список вида -
[0.15, -0.22, 0.47, …, 0.09],
а «собака» кодируется похожим образом, но с другими числами.
Слова со схожим значением получают похожие списки, поэтому модель понимает, что «кошка» и «собака» ближе друг к другу, чем «кошка» и «банан».
Черный ящик даже для специалистов
Обработка языка как последовательности таких векторов весьма эффективна — но, как ни парадоксально, мы до конца не знаем, почему.
Простые математические модели для длинных последовательностей многомерных токенов все еще толком не изучены.
Это создает пробел в нашем понимании: почему такой подход работает так хорошо и чем он принципиально отличается от старых методов?
Почему лучше подавать данные в нейросети в виде последовательностей многомерных токенов, а не одного длинного списка чисел?
Хотя современный ИИ умеет писать истории или отвечать на вопросы, внутренние механизмы, делающие это возможным, остаются «черным ящиком» — даже для специалистов.
Команда ученых под руководством Ленки Здеборовой из Федеральной политехнической школы Лозанны построила максимально простую математическую модель, которая при этом сохраняет суть обучения на токенах, как в LLM.
Модель, названная билинейной последовательной регрессией (BSR), описана в журнале Physical Review X. Она упрощает реальный ИИ, но сохраняет его ключевую структуру, играя роль «теоретической площадки» для исследования процессов обучения нейросетей.
Как работает BSR
Представьте предложение, где каждое слово можно превратить в список чисел, отражающих его значение — как в LLM.
Эти списки выстраиваются в таблицу, где каждая строка соответствует слову. Таблица сохраняет всю последовательность и детали каждого слова.
Четкий математический ориентир
В отличие от старых моделей ИИ, которые обрабатывали всю информацию сразу, BSR анализирует строки таблицы в одном направлении, а столбцы —
в другом.
Затем эти данные используются для предсказания результата — например, эмоциональной окраски предложения.
Сила BSR в том, что она достаточно проста для полного математического анализа. Это позволяет исследователям точно понять, когда обучение на последовательностях начинает работать и сколько данных нужно модели для надежного распознавания паттернов.
Кроме того, благодаря BSR становится ясно, почему использование последовательностей векторов дает лучшие результаты, чем «разворачивание» всех данных в один большой вектор.
Модель выявила четкие пороги, после которых обучение переходит от бесполезного к эффективному, как только система «увидит» достаточное количество примеров.
Это исследование дает новый взгляд на внутреннюю работу больших языковых моделей. Точное решение BSR дает ясный математический ориентир, приближая нас к теории, которая сможет направлять разработку будущих систем ИИ.
Эти идеи помогут ученым создавать более простые, эффективные — и, возможно, более прозрачные модели.
Пару недель назад лауреат Нобелевской премии Демис Хассабис предсказал, что искусственный интеллект (ИИ) сравняется с человеческим разумом в течение примерно следующих 5 лет.
Это ожидание, разделяемое и другими аналитиками в сфере ИИ, основано на экспоненциальном росте технологий ИИ.
Однако оно упускает из виду один важный фактор.
По мере того как люди передают процесс мышления компьютерам, они сами становятся глупее.
Ситуация похожа на ту, в которой спортсмены теряют мышечную массу из-за отсутствия тренировок.
Внедрение ИИ в рабочую среду освобождает людей от множества интеллектуальных задач.
Режим такой «интеллектуальной отпуска» с большой вероятностью приведёт к снижению когнитивных способностей людей.
В результате точка пересечения между человеческим и машинным интеллектом может наступить быстрее, чем ожидалось, не только потому, что возможности ИИ быстро растут, но и потому, что люди глупеют.
Эти два тренда взаимосвязаны, так как чем лучше становятся ИИ-агенты, тем меньше интеллектуальная нагрузка на человека.
Статья, опубликованная два года назад в журнале Intelligence, показала, что показатели IQ в США снижаются впервые за новейшую историю. Анализ 394 378 результатов тестов на интеллект, проведённых в период с 2006 по 2018 год, показал, что IQ упал в таких категориях, как логика и словарный запас, вычисления и математика, визуальное решение задач и аналогии.
Это обращает вспять так называемый эффект Флинна, ранее описывавший устойчивый рост IQ примерно на три пункта за десятилетие начиная с 1932 года. Наиболее резкое снижение наблюдается в возрастной группе от 18 до 22 лет, которая, наоборот, должна была бы демонстрировать более высокие показатели IQ по сравнению со старшими.
Кроме того, исследование 2023 года показало, что 34% взрослых американцев имеют самые низкие уровни числовой грамотности, не умея уверенно работать с числами.
Другое недавнее исследование выявило тенденцию, начавшуюся примерно в середине 2010-х годов, заключающуюся в том, что всё больше людей испытывают трудности с концентрацией, логическим мышлением и решением задач. У молодых людей наблюдается сокращение способности к удержанию внимания и ослабление критического мышления — как показывают данные по 18-летним американцам и 15-летним подросткам по всему миру. Массовое использование цифровых экранов демонстративно снижает вербальные способности детей и ухудшает способность студентов концентрироваться и обрабатывать информацию.
Психологическое исследование показало, что люди способны значительно лучше запоминать и обрабатывать данные, если их смартфоны находятся в другой комнате. Простого выключения телефона оказалось недостаточно, поскольку даже при этом люди демонстрировали снижение когнитивных способностей, если телефон находился рядом.
Человеческий интеллект расцветает в ответ на вызовы. Когда задач становится меньше, а источников поверхностных развлечений — больше, как это происходит в эпоху социальных сетей и ИИ, потребность в глубоком мышлении и тщательном исследовании снижается.
Конечно, всегда будут статистические «выбросы» на хвосте распределения IQ — люди, которые будут стремиться учиться, анализировать и изобретать без помощи ИИ-агентов.
Учитывая эти тенденции, можно было бы оптимистично задаться вопросом, компенсирует ли экспоненциальный рост ИИ тревожное снижение человеческих когнитивных способностей, так что общий эффект останется положительным. Я так не думаю.
Процветание демократических стран критически зависит от когнитивных способностей их граждан и в меньшей степени — от используемых ими инструментов. Это связано с тем, что люди управляют физическим миром так, как не может ИИ. Нам нужны политики, принимающие взвешенные решения, присяжные, выносящие разумные вердикты, технологи, грамотно инвестирующие, и учёные, открывающие новое знание. Но больше всего нам нужна вовлечённость людей в взаимодействие с другими людьми и в поиск истины, основанный на первоисточниках и проверенных данных. Потребление знаний, обработанных ИИ, — это всё равно что пировать фастфудом. Может показаться приятным в моменте, но в долгосрочной перспективе это вредно для здоровья.
Остаётся надеяться, что мы сможем пересмотреть нашу систему образования, чтобы восстановить рост кривой Флинна и показатели IQ людей в XXI веке. Иначе, когда наши беспилотные автомобили понесут нас в пропасть, мы уже не сможем перехватить руль.