Мы запускаем цикл статей, посвященных искусственному интеллекту — одной из самых быстроразвивающихся и интересных технологий. Подробно расскажем, как появился ИИ, из чего состоит, где применяется действительно успешно и многое другое.
ИИ и его техническая начинка
Понятие искусственного интеллекта включает в себя множество определений — как технических, так и бизнесовых. Последние — постоянно меняются, поскольку ИИ все глубже проникает в рабочую среду и повседневность, поэтому остановимся на техническом определении:
Искусственный интеллект, ИИ (Artificial Intelligence или AI) — это область компьютерных наук, которая занимается созданием машин или программ, способных выполнять различные действия, требующие когнитивных способностей, имитируя тем самым деятельность человеческого интеллекта.
Посмотрите на схему — здесь, как в пироге, есть несколько смешивающихся ингредиентов:
Data Science — наука о сборе, анализе и обработке данных. Искусственный интеллект и Data Science частично пересекаются, так как большая часть функций ИИ связана с данными.
На пересечении этих двух множеств находится машинное обучение. Machine learning или ML — набор методов и принципов для обучения и развития ИИ. ML не может работать в отрыве от данных, потому что для обучения ИИ они ему необходимы. Существует также ИИ без машинного обучения — Rule-based AI — это системы, построенные на заранее заданных алгоритмах.
Внутри машинного обучения есть подраздел, фактически сердцевина искусственного интеллекта — глубокое обучение (Deep Learning). Это ML с использованием многослойных нейронных сетей.
Поначалу схема может казаться очень сложной, мы понимаем, поэтому ниже постарались привести аналогию, понятную большинству людей.
На заметку: Существует искусственный интеллект, который не пересекается ни с Data Science, ни с машинным обучением. Он используется в экспертных системах, которые моделируют логику и опыт человеческих специалистов, принимая решения на основе заранее заданных правил, а не на на основе больших массивов данных или статистических моделей. Например, экспертная система DENDRAL для анализа химических соединений и предсказания их молекулярной структуры: на входе специалист предоставляет несколько показателей исследуемого вещества, на выходе — получает возможные молекулярные структуры.
Учим ребенка говорить: как работает ИИ на примере формирования речи
Чтобы понять, как элементы искусственного интеллекта взаимодействуют между собой, можно сравнить работу ИИ с тем, как ребенок учится говорить:
Шаг 1: информация вокруг (Data Science)
Еще в утробе матери у ребенка формируется слуховой аппарат, он начинает воспринимать речь, которая вокруг него постоянно звучит, музыку и другие звуки. После рождения ему читают сказки, поют песни. Все это накапливается в детской памяти — скажем, откладывается в голове в виде данных; причем уже на этом этапе ребенок начинает отличать музыку от речи — классифицировать услышанное.
Шаг 2: обучение (Machine learning)
Затем ребенок пробует говорить: вначале он ошибается, но взрослые исправляют его и на собственном примере показывают, как правильно. Начинается речь с простых слов, доведя их до совершенства, ребенок пробует более сложные.
Шаг 3: понимание контекста (глубокое обучение)
После того, как ребенок освоил слова, он начинает понимать их связи в предложении и учится заканчивать мысль самостоятельно. Например, завершение фразы «на улице светит…», будет зависеть от времени суток. Ребенок понимает, что днем светит солнце, а ночью — луна, и говорит ответ, исходя из контекста и обстановки. Он видит связи, зависимости и причины — это совершенно другой уровень владения языком.
Что умеет ИИ?
ИИ позволяет системам и устройствам выполнять задачи, которые раньше требовали человеческого интеллекта:
- Распознавать изображения;
- Понимать и воспроизводить речь (Алиса от Яндекса, Маруся от ВК);
- Создавать музыку, изображения, видео;
- Принимать решения — например, классифицировать данные (документы, изображения, заявки и т.д.) и направлять по назначенному пути обработки.
Помощь в принятии решений: обучение VS правило
Искусственный интеллект может работать на основе правил или на основе машинного обучения.
ИИ на основе правил (Rule-based AI):
- Использует заданные человеком алгоритмы и логические правила;
- Работает по принципу «если — то»: есть четкая структура действий;
- Хорошо подходит для структурированных задач, например, в случае создания экспертных систем, Rule-based AI гарантирует предсказуемость результатов и постоянство ответов (на один и тот же запрос дает один и тот же ответ);
- Не обучается и не адаптируется к новым данным: основная проблема таких систем заключается в том, что, в случае появления новых данных, необходимо привлекать разработчиков для обновления модулей. Rule-based AI не может адаптироваться самостоятельно.
ИИ на основе машинного обучения (Machine learning AI):
- Использует алгоритмы машинного обучения и нейросети, которые дают возможность системам обучаться самостоятельно, без привлечения программистов;
- Обучаются на больших массивах данных: такие системы достаточно адаптивны к новой информации, потому что подобную функциональность в них встроили разработчики;
- Находят скрытые закономерности: за счет того, что машина не устает и не может пропустить какую-то информацию просто так, система способна замечать скрытые закономерности, которые может не заметить человек;
- Применяются в сложных задачах.
ВАЖНО: Machine learning AI некорректно сравнивать естественным человеческим интеллектом. Чтобы научить систему отличать кошку от собаки, ей нужно показать тысячи картинок разных котов и собак. Если бы человек учился так же, как и модель, он бы начал отличать животных к 7-10 годам, тогда как дети начинают понимать, кто изображён на картинке, еще до того, как осваивают речь.
***
В следующих статьях мы рассмотрим различные виды ИИ, технологии машинного и глубокого обучения, а также расскажем, с чего началась история ИИ.