Как обучаются машины

Основу для исследований в области искусственного интеллекта (ИИ), начавшихся в 1950-х, заложила работа британского математика Алана Тьюринга, проделанная во время Второй мировой войны. Однако лишь в последние 10 лет идет быстрое развитие этой области, ставшее возможным благодаря трем основным факторам: повсеместным облачным вычислениям, огромным объемам данных и достижениям в машинном обучении.

Машинное обучение позволяет компьютерам учиться, не будучи явно запрограммированными. Достижения в этой области, особенно в глубоком обучении, привели к бурному развитию ИИ. В процессе машинного обучения компьютерные системы учатся использовать алгоритмы, то есть строки кода, чтобы находить закономерности в данных и действовать, исходя из них.

Распознавание речи и естественного языка, компьютерное зрение, рекомендации во время поиска и фильтрация электронной почты – вот примеры ИИ, использующего машинное обучение. Системы компьютерного перевода также используют алгоритмы машинного обучения, чтобы переводить текст с одного на другой язык.

Машинное обучение на основе маркированных данных называется «обучение с учителем» (supervised learning). Например, данные могут содержать фотографии с указанием того, что они изображают. После обучения алгоритм сможет находить в других наборах данных похожие структуры. Если для обучения использовать набор фотографий, на которых отмечены собаки, машина сможет распознавать аналогичные фотографии собак.

В противоположность этому, при «самообучении» (unsupervised learning) машины ищут закономерности в наборах немаркированных данных, выявляя сходства. Алгоритмы здесь создаются не для определения конкретных типов данных (например, изображений собак), а для поиска структур, которые выглядят одинаково и могут относиться к одной категории.

При «обучении с подкреплением» (reinforcement learning) машина учится путем проб и ошибок, в итоге находя наилучший способ выполнения поставленной задачи. Microsoft использует этот метод в играх, таких как Minecraft, изучая возможности улучшения «программных агентов». Например, управляемый ИИ персонаж может проходить по полю с лавой, не падая в нее.

Глубокое обучение – вид машинного обучения, основанный на принципах работы нейронных сетей, обрабатывающих информацию в человеческом мозге. В таких системах каждый слой нейронной сети преобразует полученные данные в несколько более сложное представление информации.

Это позволяет системе получить очень подробное понимание данных, на основе которого можно принимать решения, похожие на разумные рассуждения. Например, «видя» изображения собаки, машина сначала составляет матрицу пикселей и распознает фигуру, затем определяет границы этой фигуры, затем контуры, затем сам объект и так далее, пока не идентифицирует изображение.

Именно благодаря искусственным нейронным сетям стали возможны недавние достижения в области машинного обучения, давшие компьютерам способность понимать речь, обрабатывать естественный язык и распознавать изображения.

Между тем, восприятие ИИ общественностью во многом искажено негативным изображением в научной фантастике. Излюбленная тема для нагнетания – захват мира искусственным интеллектом.

Однако сегодня любая современная система ИИ способна решать лишь какую-то одну, узкую задачу. Эти системы хорошо справляются с логическими задачами, но у них нет интуиции, эмпатии или эмоционального интеллекта. Другими словами, опасения некоторых людей далеки от того, что на самом деле происходит на нынешнем этапе развития ИИ.

Также в последнее время активно обсуждается угроза того, что ИИ заменит людей на рабочих местах, особенно там, где можно автоматизировать ручную работу. Но такая постановка вопроса слишком упрощена. Большинству людей приходится выполнять рутинные задачи, которые снижают производительность труда. Эти задачи мог бы взять на себя ИИ, позволив людям сосредоточиться на более важных делах.

Скорее всего, ИИ изменит подходы к работе и приведет к упразднению некоторых рабочих мест и профессий. Согласно некоторым исследованиям в обозримой перспективе могут измениться такие профессии, например, как водители грузовиков, продавцы, хирурги. Но тот же ИИ приведет к появлению новых профессий, которые пока даже не существуют. Это происходило во время каждой промышленной революции, начиная с изобретения ткацкого станка и парового двигателя. И на пороге Четвертой промышленной революции мы можем и должны готовиться к этим изменениям загодя. Чтобы рабочие места появлялись, а не исчезали, необходимо выработать соответствующую политику и создавать программы переподготовки.

Эксперты полагают, что пройдет много десятилетий, прежде чем ИИ станет настолько развитым, чтобы массово заменять людей на рабочих местах. А когда это случится, перед людьми встанут этические вопросы о целесообразности такой замены. Поэтому когда речь идет об ИИ, лучше сосредоточиться на долгосрочной перспективе и придерживаться ответственного подхода к решению проблем, с которыми человечество сталкиваемся сегодня.

Оригинал