Что такое искусственный интеллект?

  19 марта 2022, 17:58      Полезное          Обсудить

Содержание

История развития искусственного интеллекта

Первые работы в области искусственного интеллекта появились в середине прошлого века. Пионером исследований в этом направлении стал Алан Тьюринг, хотя философы и математики начали высказывать определенные идеи еще в Средние века. Стоит заметить, что первое механическое устройство, способное играть в шахматы, появилось уже в начале 20 века. Оно обыграло Гарри Каспарова в несколько ходов.

Робот с искусственным интеллектом

Исследования человеческой природы, того, как мы воспринимаем окружающий мир, способности мыслительных процессов и других областей появились еще до появления работ по искусственному интеллекту. К тому времени появились первые компьютеры и алгоритмы. Другими словами, была заложена основа для рождения новой области исследований.

В 1950 году Алан Тьюринг опубликовал статью, в которой задался вопросом о возможностях будущих машин и о том, смогут ли они превзойти человека по уровню интеллекта. Именно этот ученый разработал процедуру по определению уровня развития ИИ, которая впоследствии стала носить его имя: тест Тьюринга.

После публикации работы британского ученого появились новые исследования в области искусственного интеллекта. Согласно Тьюрингу, машина может считаться интеллектуальной только в том случае, если при общении ее нельзя отличить от человека. Примерно в то же время, когда появилась статья ученого, родилась концепция под названием Baby Machine. Она предусматривала постепенное развитие искусственного интеллекта и создание машин, чьи мыслительные процессы сначала развивались на уровне детей, а затем постепенно совершенствовались.

Термин "искусственный интеллект" родился позже, когда группа ученых, включая Тьюринга, встретилась в Дартмундском университете в США в 1952 году для обсуждения данной темы. После этой встречи началась серьезная разработка машин с возможностями искусственного интеллекта.

Мозг с искусственным интеллектом

Военные учреждения сыграли особую роль в создании новых технологий в области искусственного интеллекта, поскольку они активно финансировали эту область исследований. Впоследствии работы в области искусственного интеллекта стали привлекать крупные компании.

Современная жизнь ставит перед исследователями и разработчиками более сложные задачи. Поэтому развитие искусственного интеллекта происходит в принципиально иной обстановке, если сравнивать ее с ситуацией на момент его зарождения. Процесс глобализации, действия мошенников в цифровой сфере, развитие Интернета и другие вопросы — все это ставит перед учеными сложные задачи, решения которых лежат в области искусственного интеллекта.

Несмотря на определенный прогресс в этой области в последние годы (например, появление автономных технологий), все еще есть скептики, которые не верят в создание настоящего искусственного интеллекта. Некоторые критики опасаются, что активное развитие ИИ вскоре приведет к тому, что машины полностью заменят человека.

Направления исследований ИИ

Философы до сих пор не пришли к единому мнению о природе и статусе человеческого интеллекта. В связи с этим в научных работах, посвященных искусственному интеллекту, существует множество точек зрения, которые говорят о том, какие задачи может решать искусственный интеллект. Также нет единого мнения о том, какую машину можно считать разумной.

Сегодня развитие технологий ИИ имеет два направления:

  1. Нисходящее (семиотическое). Включает разработку новых систем и баз знаний, которые имитируют психические процессы более высокого уровня, такие как речь, эмоциональное выражение и мышление.
  2. Восходящее (биологическое). Этот подход предполагает изучение нейронных сетей, с помощью которых создаются модели разумного поведения с точки зрения биологических процессов. На основе этого направления создаются нейронные компьютеры.

Что такое тест Тьюринга?

Тест Тьюринга определял способность искусственного интеллекта (машины) мыслить как человек.

В 1950 году Тьюринг опубликовал книгу «Вычислительные машины и разум», в которой он обсудил теоретическую возможность мышления машины. Это было не первое исследование на тему искусственного интеллекта и даже не первая работа Тьюринга такого рода, но оно стало отправной точкой для серьезных дебатов.

Начав с определения, Тьюринг прояснил вопрос о том, могут ли машины мыслить — вопрос, который, по его мнению, был слишком расплывчатым. Что за машина имеется в виду? Что на самом деле означает "мышление"? Понятно, что такой вопрос имеет иррациональное обоснование, которое не позволяет ему дать правильный ответ. Результатом размышлений ученого стал тест Тьюринга — эксперимент, в котором человеку ("судье") предлагалось пообщаться с двумя собеседниками: человеком и компьютером. Задача судьи — выяснить, кто есть кто. Если в результате не удается определить, каким собеседником является программа, или если допущена ошибка в оценке, считается, что машина прошла тест.

Искусственный интеллект и человек

Смысл теста Тьюринга не в том, чтобы создать "машину-обманщика", которая сможет притвориться человеком, а убедиться, что конкретная машина или программа сможет обладать интеллектом, неотличимым от человеческого. Такой компьютер Тьюринг назвал "интеллектуальным" - определение, которое существует уже более 60 лет и применимо до сих пор.

Технологические принципы работы искусственного интеллекта

Технологии искусственного интеллекта:

  1. Машинное обучение (ML). Разработка искусственного интеллекта, основанный на самообучающихся алгоритмах. При таком подходе участие человека ограничивается загрузкой информации в "память" машины и постановкой задач. Существует несколько подходов к ИИ. Обучение с учителем — человек ставит конкретную цель, и проверяет гипотезу или подтверждает закономерность. Обучение без учителя — результат интеллектуальной обработки данных неизвестен, компьютер сам находит закономерности и учится думать как человек. Глубокое обучение — это гибридный подход, основными отличиями которого является обработка больших массивов данных и использование нейронных сетей.
  2. Нейронная сеть. Математическая модель, которая имитирует структуру и функции нервных клеток в живом организме. Таким образом, это идеальная система для самообучения. Если перенести этот принцип на технологическую основу, то нейронная сеть — это набор процессоров, выполняющих определенную задачу в рамках большого проекта. Другими словами, суперкомпьютер — это сеть из множества обычных компьютеров.
  3. Глубокое обучение. Классифицируется как отдельный принцип искусственного интеллекта, поскольку оно используется для обнаружения закономерностей в огромных объемах информации. Для работы, которая выходит за рамки человеческих возможностей, компьютеры используют передовые технологии.
  4. Когнитивные вычисления. Направление искусственного интеллекта, которое изучает и реализует естественные процессы взаимодействия человека и компьютера, аналогичные взаимодействию с человеком. Целью технологии искусственного интеллекта является полная имитация человеческой деятельности высшего порядка — речи, образного мышления и аналитического мышления.
  5. Компьютерное зрение. Отрасль искусственного интеллекта по распознаванию снимков и видео. Сегодня машинный интеллект может обрабатывать и анализировать графические данные и интерпретировать информацию в соответствии с окружающей средой.
  6. Синтезированная речь. Компьютеры уже могут понимать, анализировать и воспроизводить человеческую речь. Люди могут управлять программами, компьютерами и гаджетами с помощью голосовых команд. Например, Siri или Google Assistant, Алиса от Яндекса и т.д.

При этом трудно представить себе искусственный интеллект без мощных графических процессоров, которые лежат в основе интерактивной обработки данных. Чтобы интегрировать искусственный интеллект в разные программы и устройства, необходимы API-интерфейсы прикладного программирования. Используя API, человек может легко добавить технологию ИИ в любую компьютерную систему: умные дома, устройства ЧПУ и т.д.

Основные проблемы ИИ

Возможности искусственного интеллекта в наше время не безграничны. Основные проблемы:

  1. Обучение машин возможно только на основе большого количества данных. Это означает, что любые неточности при получении информации могут повлиять на конечный результат.
  2. Интеллектуальные системы ограничены определенным видом деятельности. То есть умная система, созданная для выявления налогового мошенничества, не сможет обнаружить махинации в банковской сфере. Современным программам еще далеко до человеческой многозадачности.
  3. Интеллектуальная машина не является автономной. Для поддержания ее работоспособности необходима команда экспертов, большое количество определенных ресурсов.
Создание искусственного интеллекта

Пределы глубокого обучения и нейросетей

При всех своих преимуществах глубокое обучение и нейронные сети все еще имеют существенные недостатки:

  1. Зависимость от данных. Алгоритмы глубокого обучения требуют большого количества обучающих данных для точного выполнения своих задач. К сожалению, для решения многих проблем не хватает обучающих данных.
  2. Непредсказуемость. Нейронные сети развиваются странным образом. Чаще все идет по плану, но иногда (даже когда нейронная сеть работает хорошо) даже ее создателям трудно понять, как работает алгоритм. Отсутствие предсказуемости делает исправление и коррекцию ошибок в алгоритмах нейронных сетей сложным процессом.
  3. Алгоритмическое смещение. Часто обучающие данные содержат скрытые или явные ошибки, которые наследуются алгоритмами. Например, алгоритм распознавания лиц, обученный в основном на белых фотографиях, менее точен при определении людей с другим цветом кожи.
  4. Отсутствие обобщения. Алгоритмы глубокого обучения хорошо справляются с поставленной задачей, но плохо обобщают знания. В отличие от человека, модель глубокого обучения, обученная играть в StarCraft, не сможет играть в другую похожую игру: например, God of War. Кроме того, глубокое обучение плохо справляется с данными, которые отклоняются от его учебных примеров.

Как работает искусственный интеллект?

Компьютерные системы с искусственным интеллектом делают прогнозы или предпринимают действия на основе закономерностей в имеющихся данных. Также они могут учиться на своих ошибках для повышения точности. Хорошо обученный ИИ обрабатывает новую информацию быстрее и точнее. Это полезно для выполнения сложных задач, например, вождения автомобиля без участия человека, распознавания изображений и т. д.

Связь ИИ с машинным обучением

Машинное обучение считается подмножеством искусственного интеллекта. Машинное обучение сосредоточено на анализе данных и обучении, подобно человеческому мозгу. Это техника, которая помогает разрабатывать системы искусственного интеллекта

Связь ИИ с когнитивными API

API (интерфейсы прикладного программирования) позволяют программам соединяться с другими системами, сервисами или приложениями. При использовании когнитивного API запрашивается доступ к библиотеке интеллектуальных моделей, зависящих от конкретной области.

Интеграция искусственного интеллекта через AP

Связь ИИ с обработкой и анализом данных

В искусственном интеллекте и обработке и анализе данных объединяются, анализируются и собираются большие массивы данных. Однако цель этих процессов различна. Основное внимание в искусственном интеллекте уделяется принятию решений на основе данных. В то время как при обработке и анализе данные используются просто для аналитики.

Связь ИИ с робототехникой

Робот обычно имеет как физическую форму из качественных материалов, так и программное обеспечение для управления им. Андроиды, управляемые программным обеспечением искусственного интеллекта, могут двигаться автономно и не требуют прямого командования человека, но не все роботы управляются ИИ, и не для всех версий ИИ требуется физическая форма.

Базовый принцип интеллекта

Человеческий разум можно сравнить с искусственным интеллектом на основе некоторых общих параметров между мозгом и машиной. Деятельность компьютера, как и мозга, состоит из четырех этапов: кодирование, хранение, анализ данных и выдача результатов.

Различие между мозгом человека и робота

Человеческий мозг и искусственный интеллект могут обучаться самостоятельно на основе данных из окружающей среды. Человеческий мозг и машинный интеллект также используют определенные алгоритмы для решения проблем (или задач).

Сферы использования искусственного интеллекта в бизнесе

Искусственный интеллект получает все большее распространение в различных отраслях бизнеса. Системы компьютерного зрения и распознавания лиц помогают компаниям решать несколько задач одновременно. Например, интеллектуальное видеонаблюдение может обнаружить попытки кражи и снизить потери от магазинных краж.

Технология распознавания голоса позволяет разрабатывать цифровые продукты для маркетологов. Примерами могут служить чат-боты, голосовые помощники, фильтры спама и системы для обработки запросов и отзывов клиентов. Системы распознавания речи экономят время операторов на обработку стандартных запросов и помогают повысить качество обслуживания. Например, технология анализа речи MANGO OFFICE следит за соблюдением скриптов звонков, определяет наиболее частые запросы клиентов и отслеживает упоминания о конкурентах.

Например, компания Dodo Pizza часто перекладывает проблемы контакт-центра на роботов и экономит бюджет. Система, основанная на искусственном интеллекте, определяет цель звонка клиента, направляет нестандартные вопросы оператору и самостоятельно отвечает на типичные вопросы. Компании удалось автоматизировать 250 тысяч звонков и сэкономить 500 тыс. рублей в месяц на оплате труда операторов.

Еще одна область применения искусственного интеллекта в бизнесе — транспорт без водителя. Вскоре могут появиться автономные специальные автомобили для бездорожья или для движения в некоторых закрытых системах (заводы, парки, аэропорты).

Автоматизация с помощью искусственного интеллекта

Искусственный интеллект может быть использован для автоматизации всего, например, задач, требующих предельной трудоемкости, процессов найма персонала.

Существует большое количество приложений на основе искусственного интеллекта, которые можно использовать для автоматизации процесса подбора персонала. Такие инструменты помогают освободить сотрудников от утомительной ручной работы, а также позволяют им сосредоточиться на более сложных задачах, таких как разработка стратегии и принятие решений.

Примером может служить разговорный ИИ рекрутера MUA. Приложение нацелено на автоматизацию утомительных частей процесса подбора персонала, таких как проверка расписания и поиск поставщиков. MUA обучается с помощью передовых алгоритмов и использует обработку естественного языка для захвата деталей, возникающих в процессе разговора. Он также отвечает за создание профилей кандидатов, проведение анализа и составление короткого списка претендентов на должность.

Повышение производительности

Искусственный интеллект стал необходимостью в мире бизнеса. Возможности искусственного интеллекта используются для управления задачами, требующими больших вычислительных затрат и времени.

По статистике, 64% предприятий полагаются на приложения на основе искусственного интеллекта для повышения производительности и роста.

Примером такого приложения является "юридический бот" - “Харви-спектр виртуального мира”. Этот бот использует разные методы — глубокое обучение и обработку естественного языка для понимания и анализа юридических документов, поиска и исправления юридических ошибок, работы со специалистами, разъяснения юридических терминов путем внедрения системы оценок на основе ИИ.

Принятие решений

Одна из важнейших целей искусственного интеллекта — помощь в принятии решении. Например, lesforce Einstein представляет собой комплексный ИИ для управления взаимоотношениями с клиентами устраняет сложности, связанные с искусственным интеллектом, тем самым позволяя организациям предоставлять более интеллектуальные и персонализированные услуги для клиентов.

Используя передовые методы глубокого обучения, обработки естественного языка и предиктивного моделирования, Einstein внедряется в крупных компаниях, впоследствии генерируя полезные сведения для прогнозирования поведения рынка и принятия лучших решений.

Робот помогает человеку

Искусственный интеллект решает сложные задачи

За годы своего существования искусственный интеллект прошел тернистый путь от простых алгоритмов машинного обучения до таких продвинутых концепций, как глубокое обучение. Этот рост искусственного интеллекта помог компаниям решить сложные проблемы. В качестве примеров можно привести выявление мошенничества, выявление заболеваний в медицине, прогнозирование погоды и многое другое.

Благодаря глубокому обучению PayPal теперь может с высокой точностью обнаруживать возможные мошеннические действия. Сервис обработал более 235 миллиардов долларов США платежей по 4 миллиардам транзакций от более чем 170 миллионов своих клиентов.

Алгоритмы машинного и глубокого обучения могут извлекать данные из истории покупок клиента. Кроме того, изучаются возможные схемы мошенничества, хранящиеся в базе данных. Например, они могут определить, является ли транзакция мошеннической или нет.

Искусственный интеллект в диагностике заболеваний

Экономика

По оценкам специалистов, к 2030 году в мировую экономику будет инвестировано более 15 триллионов долларов. Согласно последним данным, достижения в области искусственного интеллекта приведут к росту мирового ВВП на 14% в период до 2030 года. Это соответствует дополнительному вкладу в мировую экономику в размере 15,7 трлн долларов США.

Считается, что Китай и Северная Америка получат огромные экономические выгоды от ИИ. На эти две страны будет приходиться около 70% глобального экономического воздействия. Ожидается, что искусственный интеллект окажет наибольшее влияние на сферы здравоохранения и робототехники.

Примерно 6,6 триллиона долларов США из ожидаемого роста ВВП будет получено за счет увеличения производительности труда. Основным фактором роста является автоматизация рутинных задач и разработка интеллектуальных роботов, способных выполнять задачи на уровне человека.

Большинство технологических гигантов уже активно используют искусственный интеллект. Компании, которые не спешат внедрять эти решения, окажутся в серьезной конкуренции.

Персонализация

Исследование McKinsey показало, что бренды, преуспевшие в персонализации, увеличивают свои продажи более чем на 10% по сравнению с теми, кто этого не делает. Персонализация огромная и трудоемкая задача, но ее можно упростить с помощью искусственного интеллекта. На самом деле, нацеливать клиентов на нужные продукты еще никогда не было так просто.

В качестве примера можно привести британскую модную компанию Thread. Она использует искусственный интеллект, чтобы предоставлять персональные рекомендации по выбору одежды для каждого покупателя.

Большинство клиентов хотели бы иметь личного стилиста, но найти достаточное количество сотрудников для 650 000 людей будет дорого стоить. Британская компания Thread использует искусственный интеллект для предоставления персонализированных рекомендаций по выбору одежды для своих клиентов. В Thread используется алгоритм машинного обучения под названием Thimble. Этот алгоритм обрабатывает данные о клиенте, чтобы понять его предпочтения. Затем он рекомендует одежду в соответствии со вкусами покупателя.

Глобальная оборона

Андроид с искусственным интеллектом, разработанный китайцами, представляет собой вооруженного полицейского робота. Он был создан Национальным университетом обороны страны. Робот развивает максимальную скорость 11 миль в час и предназначен для патрулирования городских районов.

Китайский робот-полицейский

Интеллектуальная машина высотой 1,6 метра способна выявлять людей с криминальным прошлым. Робот помогает повысить уровень безопасности. Он отслеживает любую подозрительную активность, происходящую вокруг, и своевременно оповещает правоохранительные органы.

Предупреждение и ликвидация чрезвычайных ситуаций

Для большинства людей очень важен точный прогноз погоды. Это облегчает планирование отпуска, помогает фермерам принимать важные решения о посадке и сборе урожая. Кроме того, это делает транспортировку грузов более простой и безопасной. И самое главное, его можно использовать для предсказания стихийных бедствий.

После многолетних исследований IBM установила партнерство с компаниями, занимающимися погодой. В результате этого партнерства IBM получает доступ к прогностическим моделям. Метеорологическая компания предоставила данные о погоде в попытке улучшить прогнозирование.

Продуктом слияния стала платформа искусственного интеллекта Deep Thunder от IBM. Система предоставляет настраиваемую информацию для коммерческих клиентов и предлагает гиперлокальные прогнозы с разрешением от 0,2 до 1,2 мили. Эта информация, безусловно, полезна для транспортных компаний, коммунальных служб и розничных торговцев.

Определение погодных условий

Улучшение жизненных условий

В последнее время искусственный интеллект стал неотъемлемой частью нашей жизни. Люди используют виртуальных помощников на основе искусственного интеллекта. Например, Siri, Cortana и Alexa нужны для более комфортного использования телефона Apple, Samsung и т. д.

Amazon следит за историей просмотра веб-страниц разными пользователями. Также отслеживается содержание электронных писем. Когда он видит, что потенциальный покупатель ищет какой-то продукт, он предлагает наиболее подходящие товары. Таким же образом Google решает, какие результаты выдать, основываясь на поисковой активности человека.

Алгоритмы искусственного интеллекта

Каждая категория алгоритмов ИИ выполняет, по сути, одну и ту же задачу — прогнозирование выхода при минимальном количестве информации, но в данном случае данные являются ключевым фактором. Различные алгоритмы искусственного интеллекта могут быть использованы для решения определенных задач.

Алгоритмы классификации

Классификация, как следует из названия, представляет собой акт разделения зависимой переменной (переменной, которую мы пытаемся предсказать) на категории, а затем предсказание категории данного входного сигнала. Он относится к категории контролируемого машинного обучения, где набор данных изначально должен иметь категории.

Наив Бэйес

Алгоритм Naive Bayes следует теореме Байеса, и, в отличие от всех остальных алгоритмов в этом списке, использует вероятностный подход. По сути, это означает, что вместо того, чтобы сразу переходить к данным, алгоритм определяет набор предварительных вероятностей для каждой категории цели.

Сразу после предоставления данные алгоритм обновляет предварительные вероятности для формирования так называемых апостериорных вероятностей.

Это может быть полезно, когда нужно предсказать, принадлежит ли входной сигнал к определенному списку из n категорий. Этого можно достичь с помощью вероятностных методов, главным образом потому, что вероятность броска для всех n категорий будет довольно низкой.

Дерево решений

Дерево решений можно представить в виде древовидной структуры, похожей на блок-схему, где каждый внешний узел представляет собой проверку атрибута, а каждая ветвь — результат этой проверки. Листовые узлы содержат метки фактических предсказаний. Проверка начинается с корня дерева, дальше происходит сравнение значений атрибутов.

Такие классификаторы используются при работе с большими объемами данных и небольших затратах времени на их подготовку. Однако они склонны к перегрузкам и резким изменениям, даже если учебные данные незначительно отличаются.

Случайный лес

Преимущество использования Random Forest заключается в том, что он устраняет проблему чрезмерной подгонки, присутствующую в отдельных деревьях решений, в результате чего получается более надежный и точный классификатор.

Random Forest

Логистическая регрессия

Этот метод предназначен в основном для решения задач бинарной классификации. Термин "логистический" происходит от логистической (сигмоидальной) функции, которая используется для этого метода классификации. Она представляет собой S-образную кривую, которая может принимать любое действительное число и отображаться в диапазоне от 0 до 1, но никогда не попадает точно в эти пределы.

Например, человек хочет поступить в аспирантуру, и кто-то хочет предсказать, поступит ли он в учебное заведение своей мечты. Основываясь на его CGPA и прошлых данных, можно использовать логистическую регрессию для прогнозирования результата.

Логистическая регрессия используется для прогнозирования стоимости дома, жизни для клиентов в страховой индустрии и т.д.

Векторная машина поддержки (SVM)

SVM уникальна тем, что она отсортировывает поля между двумя классами и делит их на максимально возможное число. SVM учитывает только вспомогательные векторы при построении гиперплоскости, тогда как линейная регрессия использует для этого весь набор данных. Это делает SVM очень полезной в случаях, когда объем данных велик.

Сначала строится случайная гиперплоскость, а затем исследуется расстояние между гиперплоскостью и ближайшей точкой данных в каждой категории. Эти точки данных, расположенные ближе всего к гиперплоскости, называются опорными векторами. Отсюда и происходит название машины опорных векторов.

Гиперплоскость строится из опорных векторов, и лучшая гиперплоскость будет иметь максимальное расстояние от каждого опорного вектора. И это расстояние между гиперплоскостью и опорными векторами называется "полем".

Регрессивные Алгоритмы

В задаче регрессии выходная величина является непрерывной. Это означает, что когда целевая переменная является непрерывной, мы можем использовать алгоритмы регрессии искусственного интеллекта. Во-первых, он относится к категории контролируемого машинного обучения, где набор данных должен быть маркирован.

Линейная регрессия

Линейная регрессия — самый простой и эффективный алгоритм регрессии. Он используется для оценки истинного качества (стоимости дома, количества телефонных звонков или проведенных сделок и т.д.), учитывая постоянную переменную(ые). Здесь устанавливается взаимосвязь между коэффициентами свободы и прибытия, путем подгона линии, которая называется линией регрессии и говорит о прямом условии Y = a * X + b.

Например, нужно определить вес неизвестного человека путем простого наблюдения. При отсутствии других величин под рукой это может показаться довольно сложной задачей, но стоит учесть, что в целом, чем выше человек, тем он тяжелее по сравнению с более низким человеком того же роста. В действительности это линейная регрессия.

Линейная регрессия больше подходит для методов с небольшим количеством измерений. Кроме того, не каждая проблема является линейно разделимой.

Некоторые из наиболее популярных применений линейной регрессии — прогнозирование финансовых портфелей, заработной платы, недвижимости и входящего трафика ETA.

Ансамбль Алгоритмы познания

Основная идея кластеризации заключается в отнесении входных данных к двум или более кластерам на основе сходства характеристик. Он относится к категории несамостоятельного машинного обучения, когда алгоритмы изучают закономерности и полезные знания из данных (маркированных наборов данных) без какого-либо руководства.

Например, алгоритмы обучения без надзора, такие как кластеризация K-Means, могут быть использованы для кластеризации зрителей в похожие группы на основе таких факторов, как интерес, возраст, география и т.д.

Ансамбль Алгоритмы познания

Данный алгоритм выходит на первый план, когда имеется большой объем данных и точность предсказания высока.

Ансамбль Алгоритмы познания

Существует два способа использования ансамблевого обучения для повышения точности. Например, дерево решений не справляется с набором входных тестовых значений. Чтобы найти нужное решение, нужно создать новую модель дерева, которая придает больший вес старым входным данным. Это также известно как бустинг, когда исходное дерево можно формально представить как слабое дерево обучения, а ошибки, вызванные этой моделью, использовать для прокладывания пути к более сильной модели.

Алгоритм повышения

Данный подход заключается в том, чтобы просто обучить сразу большое количество деревьев (это можно сделать довольно быстро), а затем взять результаты каждого дерева и усреднить их. Таким образом, если после обучения 10 деревьев, скажем, 6 реагируют положительно на входные данные, а 4 дерева — отрицательно, результат считается положительным. Технически это называется мешковиной.

Чаще используется для уменьшения погрешности и вариаций в методах контролируемого обучения.

Значение алгоритмов искусственного интеллекта

Автоматизация развивалась в заводских процессах на протяжении десятилетий и заключается в передаче повторяющихся ежедневных задач машинам. Искусственный интеллект, с другой стороны, заключается в передаче процесса принятия решений о выполнении определенных задач. Использование ИИ актуально, когда компания располагает достаточным набором данных для применения возможностей алгоритмов ИИ.

Эти алгоритмы применяются к трем основным типам данных.

  1. Параметры и числа, которые не могут проанализированы человеком. Это могут быть как развернутые во времени данные, используемые для анализа маркетинговых стратегий, так и массивы крупных клиентских баз банков. Для обработки таких моделей используются классические модели машинного обучения, связанные с классификацией, кластеризацией, регрессией, восстановлением функций плотности вероятности на наборах данных и т.д. Что касается программирования на Python, то решения библиотеки scikit-learn подходят для широкого круга подобных задач.
  2. Текст. Алгоритмы NLP (Natural Language Processing) используются для обработки речевой информации. Основной библиотекой в Python для реализации примеров алгоритмов обработки естественного языка является Natural Language Toolbox.
  3. Изображения и другие неабстрактные данные реального мира для анализа точечных паттернов, распознавания объектов, лиц, понимания сцен, проверки удаленных банковских устройств и обнаружения активности при видеонаблюдении.

Стандартом для такого типа задач является фреймворк TensorFlow или его высокоуровневые абстракции, самой популярной из которых является Keras.

Люди всегда остаются предвзятыми. Различные эмоциональные настроения, конкурентная борьба и банальная усталость приводят к потерям, связанным с ошибками. Машины действуют в соответствии с запрограммированными алгоритмами и только на основе данных, которые известны или генерируются в процессе работы. Кроме того, многие задачи обходятся дешевле, чем привлечение высококвалифицированного персонала. Однако важно не забывать о конкуренции в среде, где разрабатываются аналогичные решения.

Фильтрация информации и поведенческий анализ

Искусственный интеллект помогает людям работать более эффективно, отбирая и фильтруя ключевую информацию из различных источников. Reuters News Tracker использует алгоритмы машинного обучения для фильтрации твитов и отбора новостей до их появления в сторонних источниках.

Аналогичным образом, компании, занимающиеся маркетингом и рекламой, используют искусственный интеллект для определения быстро меняющихся настроений в отношении бренда из социальных сетей и других текстовых источников данных. Основным наглядным примером является резкое падение акций Facebook.

Анализ настроения аудитории основан на текстовых данных и алгоритмах временных рядов. В финансовом секторе анализ настроений аудитории — это совершенно новое применение алгоритмов искусственного интеллекта, и необходимая информация является совершенно открытой.

Трейдинг

Идея использования вычислительной мощности компьютеров для торговли акциями не нова. Алгоритмическая торговля используется уже более 30 лет и имеет значительную долю рынка, который движется в сторону высокочастотной торговли.

Искусственный интеллект помогает управлять и совершенствовать торговые решения, обрабатывая данные и создавая новые алгоритмы, которые не соответствуют ранее принятым эмпирически обнаруженным закономерностям, а заложены в виде скрытых, неразличимых паттернов. В этом отношении менеджеры хедж-фондов и трейдеры не могут конкурировать с искусственным интеллектом, который может обрабатывать чрезвычайно большие объемы данных временных рядов для уточнения прогнозов на основе предыдущих успехов и ошибок.

Исследование Eurekahedge показало, что хедж-фонды, использующие искусственный интеллект, работают значительно лучше, чем те, которые принимают ключевые решения на основе человеческого опыта.

На возможность разработки таких торговых алгоритмов с помощью ИИ существенно влияет постоянное накопление огромного количества цифровой информации о предыдущих событиях на рынке, которая может быть обработана новыми алгоритмами. Используя соответствующие архивы данных, новые решения могут быть немедленно "протестированы" на последних архивах данных без потери валидности.

Особой областью этого развития является разработка моделей (сценарное моделирование) для определения экономических сценариев рыночных потрясений в периоды высокой волатильности и подавляющего настроения рынка. Создание среды с заранее определенными "настроениями" и изучение поведения таких фиктивных рынков с интегрированными игроками, преследующими различные стратегии, являются важными направлениями.

Инвестирование

В течение многих лет инвестиционные компании применяли торговые алгоритмы, основанные на настроениях и мнениях из социальных сетей и других открытых источников данных. В сфере управления B2C роботы-помощники дополняют управление портфелем, анализируя сам портфель, его толерантность к риску и предыдущие инвестиционные решения.

Интеллектуальная база данных Kensho предоставляет трейдерам информацию о тенденциях рынка по всему миру. ForwardLane предоставляет финансовым консультантам персонализированные инвестиционные рекомендации и возможности количественного моделирования, которые ранее были доступны только чрезвычайно состоятельным клиентам. Робо-консультанты Wealthfront отслеживают данные об активности счета и предоставляют рекомендации, которые финансовые компании могут давать своим клиентам.

Кредитование

Машинное обучение меняет правила кредитной игры, улучшая кредитный скоринг и обеспечивая более точную оценку кредитного риска. Например, компания Underwrite.ai использует достижения искусственного интеллекта в области геномики и физики частиц, чтобы предоставить кредиторам нелинейную динамическую модель кредитного риска, которая принципиально выходит за рамки традиционных методов.

Такие алгоритмы могут быть успешно применены к краткосрочным кредитным историям молодых людей и самозанятых. FICO, например, уже давно использует искусственный интеллект для создания моделей кредитного риска. Это может показаться пугающим, но искусственный интеллект также может генерировать идеи для покрытия непогашенных долгов.

Нейронные сети

Чат-боты помогают банкам более эффективно обслуживать клиентов, даже если они совершенно не способны самостоятельно поддерживать свое финансовое положение. Благодаря алгоритмам обработки естественного языка боты могут повысить эффективность продаж, прослушивая звонки с участием представителей банка, быстро придумывая точные ответы и предлагая лучшие практики.

Нейронные сети помогают агентам отвечать на обычные запросы на обслуживание, классифицируя и маркируя метаданные, генерируя возможные ответы респондентов и определяя вероятность каждого ответа. При таком подходе легче организовать персонализированную поддержку клиентов и сократить время на работу с каждым клиентом.

Банковская индустрия также может использовать предиктивную аналитику для прогнозирования оттока клиентов, доходов и эффективности продаж услуг с использованием клиентской базы компании. Финансовые компании используют искусственный интеллект для выявления клиентов, которые, скорее всего, скоро покинут банк.

Обнаружение мошенничества

Компания Javelin Strategy обнаружила, что ложные срабатывания, связанные с законными транзакциями, которые были ошибочно отклонены из-за подозрений в мошенничестве, привели к ежегодным потерям в розничной торговле в размере 118 миллиардов долларов США. Не говоря уже о потерях клиентов, которые отказываются от услуг эмитентов из-за таких ошибок. Алгоритмы машинного обучения, например, используемые технологией Decision Intelligence от MasterCard, анализируют различные исходные данные для выявления мошеннических транзакций, сводя к минимуму количество ложных срабатываний.

Мошенники в банковском деле

Существует бесконечное количество вариантов применения искусственного интеллекта в сфере финансовых услуг, что, безусловно, преобразит отрасль в ближайшие годы. Использование искусственного интеллекта в самой среде финансовых услуг становится все более важным для правильного применения алгоритмов ИИ в финансовом секторе. Использование автоматизированных средств в биржевой торговле снижает возможность использования неэффективности рынка. Теперь между собой соревнуются не люди, а статистические модели.

Описание искусственного нейрона

Искусственный нейрон — математическая функция, задуманная как модель биологического нейрона, нейронной сети. Искусственный нейрон — базовая единица искусственной нейронной сети. Искусственные нейронные сети создаются как математическая модель человеческого мозга. Для этого ученым Уоррену МакКаллоху и Уолтеру Питтсу пришлось разработать теорию деятельности человеческого мозга.

Отдельные нейроны представляют собой живые клетки со сложной структурой. Каждый нейрон имеет дендриты, то есть отростки, которые могут обмениваться сигналами с другими нейронами через синапсы, и аксон — более крупный отросток, отвечающий за передачу импульсов нейрона. Одни синапсы отвечают за возбуждение нейрона, другие — за торможение. Сигнал, поступающий на "вход" нейрона через синаптическую связь, зависит от импульсов, которые он передает другим нейронам.

Что такое искусственный интеллект?

Искусственные нейроны

Искусственный нейрон не нуждается в физическом носителе. По сути, это математическая функция. Его задача — принимать информацию (например, сигналы от множества других искусственных нейронов), обрабатывать ее определенным образом и затем выдавать результат на "аксон" - выход. В искусственной сети нейроны обычно делятся на три типа:

  1. Вход. Каждый из этих нейронов получает элемент исходной информации (например, одну точку изображения, если сеть может распознавать фотографии).
  2. Промежуточный этап. Происходит обработка информации.
  3. Выход. Нейроны выдают результат (в случае распознавания фотографий результатом может быть идентификатор описываемого объекта).

Сама нейронная сеть создается слоями, как пирог. Один из внешних слоев содержит входные нейроны, другой — выходные нейроны, а между ними может быть один или несколько промежуточных слоев. Каждый нейрон в промежуточной сети соединен с набором нейронов в двух окружающих слоях. Связь между нейронами обеспечивается весами — значениями, вычисляемыми каждым нейроном на основе данных, полученных от предыдущего слоя сети.

При создании искусственных нейронных сетей ученые ориентируются на структуру человеческого мозга. В результате принципы поведения искусственных нейронов ничем не отличаются от поведения настоящих, живых нейронов.

Отличие искусственного интеллекта от человеческого

Интеллект можно определить как общий умственный навык к рассуждению, решению проблем и обучению. В силу своей общей природы интеллект объединяет такие когнитивные функции, как восприятие, внимание, память, язык или планирование.

Вопрос о том, чем искусственный интеллект отличается от естественного, на самом деле находится скорее на философском, чем на научном уровне. Дело даже не в том, что мы не можем представить, каким был бы искусственно созданный разум. Дело в том, что ни один из существующих сегодня искусственных интеллектов не достиг достаточно высокого уровня развития, чтобы на равных конкурировать с человеком.

Философ Джон Серл высказал свою точку зрения еще в 1980-х годах. Он ввел термины "сильный ИИ" и "слабый ИИ". Ученые считают, что сильный ИИ может обладать самосознанием и мыслить как человек. Слабый ИИ не способен на это.

Современные искусственные интеллекты, если следовать классификации Серла, явно слабы, потому что ни один из них еще не развил самосознание. Наши искусственные нейронные сети могут распознавать лица, рисовать странные и невероятные картины, читать почерк. Некоторым под силу даже написать стихи или музыку, но они были созданы специально для этого. Ни одна из этих нейронных сетей не способна передумать и выбрать другую "специализацию". Они делают только то, чему их обучили, в том смысле, что их можно считать запрограммированными на выполнение этих задач. Они не понимают, что стоит за этими вещами. Серл утверждал, что создание мощного искусственного интеллекта невозможно в принципе.

Другой философ, Хьюберт Дрейфус, утверждает, что компьютерные системы никогда нельзя сравнивать с человеком, поскольку человеческий интеллект зависит не только от усвоенных знаний, но и от опыта переживаний. По определению, компьютеры не обладают такой способностью, и поэтому им не суждено развить собственный интеллект.

Но эти самонадеянные утверждения были сделаны в то время, когда нейронные сети только делали свои первые шаги. Сегодня, наблюдая за их успехами в обучении, легко поверить в реальность искусственного интеллекта, который может стать равным человеку или даже превзойти его.

Проблемы развития технологий ИИ

Конечно, нельзя сказать, что потенциал искусственного интеллекта абсолютно безграничен. В конце концов, существует целый ряд проблем:

  1. Машины способны обучаться только на массивах данных, а это значит, что конечный результат будет неверным, если он хоть немного неточен.
  2. Существуют понятные ограничения для конкретных видов деятельности. Системы, распознающие лица на смартфонах, не подходят для выявления банковского мошенничества.
  3. Автономная интеллектуальная машина требует огромных ресурсов и достаточного количества профессионалов в своей области.
Человек с телефоном

Искусственный интеллект захватит мир?

Общественное представление ИИ в значительной степени искажено негативными образами в научной фантастике. Однако в действительности любая современная система ИИ может решить только одну, четко определенную проблему. Эти системы хорошо справляются с логическими задачами, но у них нет интуиции, эмпатии или эмоционального интеллекта. Другими словами, опасения некоторых людей далеки от реальности нынешнего этапа развития ИИ.

Компания Microsoft использует совместный подход к разработке ИИ, руководствуясь, прежде всего, человеческими ценностями. Люди стремятся к ответственному проектированию и считают, что компании, разрабатывающие эту технологию, должны взять на себя моральную ответственность за совместную работу над решением самых сложных проблем. Технология искусственного интеллекта не должна быть достоянием какой-то одной компании или страны. Это должно быть доступно каждому.

В соответствии с этими принципами Microsoft помогла создать Партнерство искусственного интеллекта — некоммерческую организацию. Она нацелена на продвижение использования технологий искусственного интеллекта на благо людей и общества. Недавно был создан Консультативный совет по этике ИИ и инженерно-исследовательской деятельности, чтобы гарантировать, что все системы ИИ отражают наши этические принципы проектирования. Они должны предотвращать искажение данных, обеспечивать подотчетность, прозрачность и интерпретируемость алгоритмов, а также помогать людям без ущерба для конфиденциальности.

Искусственный интеллект и будущие рабочие места

В последнее время активно обсуждается угроза замены человека на рабочем месте искусственным интеллектом, особенно в тех случаях, когда ручной труд может быть автоматизирован. Microsoft считает, что это чрезмерное упрощение. Большинство людей на рабочем месте вынуждены выполнять рутинные задачи, которые снижают производительность труда. Эти задачи может взять на себя ИИ, позволяя людям сосредоточиться на более важных вещах.

Справедливости ради следует отметить, что ИИ может изменить способ выполнения работы и привести к ликвидации некоторых рабочих мест и профессий. Но он также создаст новые, еще не существующие вещи. Это происходило при каждой промышленной революции, начиная с производства ткацкого станка и парового двигателя. Преимущество, которое люди имеют сегодня, заключается в том, что общество можем подготовиться к переменам с гораздо лучшим пониманием происходящего.

Тем не менее, нельзя недооценивать масштабы проблемы и связанное с ней общественное волнение. Исследование, проведенное Институтом будущего человечества Оксфордского университета совместно с экспертами в области машинного обучения, предполагает, что к 2027 году ИИ может оказать значительное влияние на вождение грузовиков, к 2031 году — на розничную торговлю, а к 2053 году — на профессию хирурга, деятеля науки. Однако считается, что пройдут десятилетия, прежде чем ИИ станет достаточно продвинутым, чтобы заменить человека на рабочем месте в больших масштабах. И когда это произойдет, люди столкнутся с этическими вопросами об уместности такой замены.

Когда речь идет об ИИ, лучше смотреть на ситуацию в долгосрочной перспективе и ответственно подходить к решению проблем.

Рынок технологий искусственного интеллекта

Выручка российских компаний, использующих технологии искусственного интеллекта, в 2020 году составила 291 млрд рублей. Это данные 480 организаций, среди которых лидируют Яндекс, Лаборатория Касперского и АО "Инфосистемы Джет". Министерство цифрового развития, связи и массовых коммуникаций прогнозирует, что к 2024 году рынок ИИ в России вырастет в 80 раз.

Вывод

Скорость технологического развития неизбежно окажет влияние на рынок труда. Большое количество повседневных задач возьмут на себя компьютеры, что приведет практически к полному сокращению рабочих мест. С другой стороны, потребуются профессионалы в области ИИ, занимающиеся машинным обучением, системные операторы, архитекторы автоматизации, авторы, которые могут писать тексты для интерфейсов и роботов, а также юристы в области права интеллектуальной собственности.

 

Ваш комментарий

Ваш адрес email не будет опубликован.

Отправляя сообщение, Вы разрешаете сбор и обработку персональных данных. Политика конфиденциальности.