Сегодня про искусственный интеллект и машинное обучение говорят в разных сферах: медицине, логистике, транспорте, промышленности. Споры идут не о том, использовать или нет, а о том, как правильно внедрить ИИ в работу. Что скрывается за этими терминами? Давайте вместе разбираться.
AI и ML – одно и то же?
Искусственный интеллект – это, во-первых, способность машины размышлять, выполнять действия и обучаться, а во-вторых – наука на стыке дисциплин, позволяющая человеку обучать компьютеры самостоятельному решению задач. Цель искусственного интеллекта – понять, как устроен интеллект человека и смоделировать его при решении задач.
Машинное обучение – это подраздел ИИ наравне с робототехникой (наука о создании роботов и их применении в разных сферах), наукой о компьютерном зрении (технология, позволяющая компьютеру распознавать и интерпретировать визуальную информацию) и обработкой естественного языка (технология, позволяющая компьютерам понимать, генерировать и анализировать человеческую речь). Машинное обучение нужно для того, чтобы ИИ анализировал данные, делал выводы и прогнозы самостоятельно, без прямого программирования человеком. Для этого машинное обучение использует специальные алгоритмы. Их много (алгоритмы регрессии, классификации, кластеризации, снижения размерности и др.), но самые распространенные – линейная регрессия (линейная зависимость «если …, то …») и байесовские алгоритмы (когда нужно на основе известного факта события выявить вероятность того, что оно было вызвано заданной причиной).
Методов машинного обучения также много (обучение с подкреплением, контролируемое и неконтролируемое обучение, полуконтролируемое обучение и др.), но самый популярный – нейронные сети. Это набор признаков (нейронов) и синапсов (нейронных связей), по которым передаются сигналы. Это метод глубокого контролируемого машинного обучения, в нем алгоритмам не нужен учитель, нужны только заранее подготовленные (размеченные) данные. Нейроны и синапсы организованы в слои, которые выполняют математические функции. Человек ее не задает – нейросеть сама учится выводить результат.
Пример из шахмат для лучшего понимания: при создании искусственного интеллекта создается система, которая может играть в шахматы; для улучшения своей игры она использует как заранее запрограммированные правила, так и машинное обучение – выбор за вами. А при создании машинного обучения создается специальный алгоритм игры в шахматы; чтобы улучшить свою игру, он анализирует десятки тысяч партий в шахматы – для того, чтобы научиться предсказывать лучшие ходы. Этот алгоритм может быть частью Искусственного интеллекта – системы, которая играет в шахматы – но сам алгоритм для улучшения игры использует анализ данных.
Каким бывает Искусственный интеллект?
Итак, машинное обучение – это часть искусственного интеллекта. ИИ разделяют на три вида:
- Слабый ИИ – это искусственный интеллект, который мы уже создали. Он способен решать необходимые задачи и обучаться на основе данных, которые ему предоставил человек. Siri и Алиса, беспилотники, системы рекомендаций – пример такого рода ИИ.
- Сильный ИИ – искусственный интеллект, который может подобно человеку мыслить, чувствовать, осознавать себя и принимать решения. Он учится на основе данных из различных областей и применяет на практике все что узнал, вмешательство человека здесь не требуется. Такой ИИ пока остается на стадии теоретических рассуждений, на практике его пока нет.
- Суперинтеллект – это не просто умные машины, а компьютеры, превосходящие людей во всем. О правилах создания такой технологии человек пока ничего не знает – есть только догадки и предположения.
Сегодня мы наблюдаем активное внедрение во все сферы жизни слабого искусственного интеллекта. Чтобы такой ИИ мог принимать решения, нужны три вещи:
- Алгоритм. Это специальная программа, которая говорит компьютеру, что делать и откуда брать данные.
- Набор данных. Это примеры, на которых машина тренируется (текст, видео, картинки).
- Признаки. Информация о том, на основе чего компьютеру нужно принимать решение.
В зависимости от этих трех пунктов выбирается подходящий метод обучения искусственного интеллекта. Методы обучения ИИ можно разделить на три больших раздела:
- Символическое обучение – подход, основанный на логике. Здесь используются определенные человеком правила, а также законы логики и символических представлений. Упор – на базы знаний и правила решения проблем и принятия решений, которые создал человек.
- Субсимвольное обучение – подход, основанный на данных. Здесь данные анализируются с помощью статических и вычислительных методов изучения. Система накапливает опыт и принимает решения на основе всех имеющихся у нее данных, выбирая наилучший исход.
- Гибридное обучение – сочетание символического и субсимвольного обучения.
Очень важно, чтобы Искусственный интеллект обучался на достоверных и правильных данных. Иначе пользователь сталкнется с проблемой галлюционирования, или – «феноменом иллюзий». Под этими терминами понимается представление результатов, которые звучат правдоподобно, но на самом деле они ложные или вырванные из контекста. Если ИИ начал галлюционировать, почистите обучающие данные с фактической и смысловой точки зрения – обучайте системы ИИ на разнообразных, точных и контекстуально релевантных наборах данных.
Как начать внедрение Искусственного интеллекта?
Внедрять системы на основе ИИ можно только после того, как появится понимание, зачем они вам нужны. Система ради системы результатов никаких не принесет.
Первый шаг – сбор всех инструкций и базы знаний, на основе которой ИИ будет обучаться. Этот этап требует подключения экспертов, которым нужно перевести свой багаж знаний в формальные правила. А для работы более сложных систем Искусственного интеллекта нужны разные методы (вероятностные методы борьбы с неопределенностью, эволюционные алгоритмы оптимизации и адаптации к изменяющимся условиям, нечеткая логика для обработки неточностей и рассуждений с неопределенной информацией и др.), внедрение такого ИИ включает в себя соединение разных технологий и алгоритмов, дополняющих друг друга. Это очень сложный и трудоемкий процесс, требующий высокой квалификации и опыта сотрудников, внедряющих ИИ на предприятие.
Можно внедрять ИИ в компании разными способами, но если у вас нет хороших экспертов в этой области, лучше обратиться к специализированным компаниям, которые внедряют ИИ-помощников «под ключ». На что стоит ориентироваться: опыт на рынке, подтвержденные успешные кейсы, квалификация команды.
При правильном подходе к внедрению ИИ может стать полноценным помощником управленца любого уровня – от рядового менеджера до собственника крупной компании. ИИ сможет не только проводить анализ данных, делать выводы и прогнозы разного развития текущей ситуации в компании, но и на основе своего обучения и своих расчетов давать рекомендации – как сделать так, чтобы ваш бизнес принес вам максимальное количество прибыли, если мы говорим о собственнике. Рядовому менеджеру ИИ может помочь повысить свою компетенцию и принимать правильные и своевременные решения.
Заключение
Искусственный интеллект и машинное обучение дают больше возможностей для роста бизнеса – цифровизацию процессов, виртуальных помощников в принятии стратегических решений, анализ систем и подразделений в едином окне. Осознанное внедрение этих технологий поможет компаниям идти в ногу со временем, делать нашу повседневность удобнее и безопаснее.