Секрет искусственного интеллекта поможет вам понять прошлое и настоящее ИИ

Оригинальное название: Демистификация искусственного интеллекта.

Оригинальный автор:Guest Blog

Оригинальная ссылка:Woohoo.analytics vi.com/blog/2016/1…

введение

В наши дни искусственный интеллект стал очень популярным термином. Каждый день в газетах должна быть хотя бы одна статья о революционных успехах в этой области. Однако, похоже, существует некоторая путаница в отношении того, что же такое искусственный интеллект.

Это робот? Станет ли фильм «Терминатор» когда-нибудь реальностью? Или проникнуть в нашу жизнь без нашего ведома?

Эта статья даст вам общее представление о модных словечках, приложениях, карьере, возможностях и будущем, связанных с искусственным интеллектом.

Что такое искусственный интеллект?

ИИ — это просто способность компьютера демонстрировать «интеллект». Этот интеллект может либо имитировать человеческий интеллект, либо наблюдать за реальными проблемами и разумно находить решения.

10 вех в истории искусственного интеллекта

вы знаете?Шеф-повар Ватсон, участник проекта IBM Watson Project, теперь может готовить для вас! Это кулинарное приложение с искусственным интеллектом использует алгоритмы для выбора странного набора ингредиентов (это также может сделать пользователь) и придумывает идеальный рецепт. Итак, приятного аппетита!

Модные словечки, связанные с ИИ

1. Машинное обучение

Машинное обучение — это область науки о данных, в которой машины «учатся» сами по себе, без явного программирования людьми. Анализируя прошлые данные, называемые «данными для обучения», модели машинного обучения формируют шаблоны и используют эти шаблоны для обучения и прогнозирования будущего. Точность прогнозов с использованием моделей машинного обучения повышается с каждым днем.

5 шагов в процессе машинного обучения

технология машинного обучения

Сегодня машинное обучение используется почти во всех областях, хотя некоторые области применения не всегда очевидны. К основным методам машинного обучения относятся:

Классификация: классификация прогнозирует класс, к которому принадлежит новое наблюдение, на основе обучающих данных с наблюдениями известных классов. Например: прогнозирование того, к какому классу относится цена дома — к очень дорогому, дорогому, доступному, дешевому или очень дешевому.
Регрессия: прогнозирование значения из непрерывного набора данных. Например: прогнозирование цены дома на основе различных факторов, таких как местоположение, размер, время покупки и т. д.
Кластеризация: распределение набора наблюдений по подмножествам (или группам) таким образом, чтобы наблюдения в одной и той же группе были в некотором смысле похожи. Например: у Netflix (онлайн-кинокомпании) другая аудитория, люди со схожими привычками просмотра принадлежат к одной группе.
Рекомендательные системы: используйте алгоритмы машинного обучения, чтобы помочь пользователям находить новые продукты/услуги на основе данных о продуктах/услугах пользователя. Например: Netflix рекомендует вам определенные фильмы на основе моделей просмотра людей в вашей группе просмотра, или Amazon рекомендует продукты на основе популярности.
Обнаружение аномалий: выявление наблюдений, которые не соответствуют ожидаемым шаблонам или другим элементам в наборе данных. Пример: выбросы (т. е. аномалии) в транзакциях по кредитным картам могут быть потенциальным банковским мошенничеством.
Уменьшение размерности: процесс уменьшения количества рассматриваемых случайных переменных для получения набора важных переменных.

Типы машинного обучения

2. Глубокое обучение

Что такое глубокое обучение?

Глубокое обучение — это область искусственного интеллекта, которая дает результаты, меняющие жизнь. Глубокое обучение относится к нейронным сетям с большим количеством скрытых слоев. Это попытка воспроизвести работу человеческого мозга. Точно так же, как мы не знаем точной функции человеческого мозга, очень мало известно о точной работе глубокого обучения. Это как черный ящик, т.е. входы и выходы можно увидеть и узнать, но внутренняя работа остается загадкой! Интересно, что специалисты по данным считают, что если мы взломаем работу глубинных сетей, то лучше поймем, как работает человеческий мозг!

Где и как используется глубокое обучение?

Сегодня глубокое обучение используется в обработке естественного языка, распознавании изображений (объяснено в следующих разделах), фильтрации спама, обнаружении мошенничества и многом другом. Это лишь крошечный вклад, который может внести глубокое обучение! Поисковая система Google, функция пометки фотографий в Facebook, распознавание речи Baidu — все они требуют глубокого обучения за кулисами. С этими компаниями, инвестирующими все больше и больше в эту область, прогресс в этой области невообразим!

1. Google: Помимо оптимизации результатов поиска, Google использует глубокое обучение в ряде очень важных, но менее известных областей. Google Brain и Google DeepMind, два новых изобретения Google, прилагают все усилия, чтобы выйти на новый уровень искусственного интеллекта. Google активно изучает практически все аспекты машинного обучения, включая глубокое обучение и более классические алгоритмы. AlphaGo, один из проектов Google DeepMind, вероятно, является одним из самых популярных достижений в области глубокого обучения. Го — это игра, в которой вы пытаетесь защитить фигуры размером с территорию на доске. Это очень сложная игра - в 10 раз сложнее шахмат! Алгоритмы в Alpha-Go сочетают поиск по дереву Монте-Карло с глубокими нейронными сетями и используют методы обучения с подкреплением для улучшения результатов. Как работает AlphaGo: AlphaGo построен с использованием «мозга» двух разных нейронных сетей, которые сотрудничают, чтобы выбрать свои действия. Эти мозги представляют собой многослойные нейронные сети, почти идентичные по структуре сетям, классифицирующим изображения для поисковых систем, таких как Google Image Search. Они начинаются с нескольких слоев 2D-фильтров, которые обрабатывают положения досок Go, как сеть классификации изображений. Грубо говоря, эти фильтры идентифицируют узоры и формы. После этой фильтрации 13 полностью связанных слоев нейронной сети вынесли суждения о том, где они видят. Вообще говоря, эти слои выполняют классификацию или логические рассуждения.

Сеть обучается, многократно проверяя свои результаты и возвращая корректирующие числа, чтобы сеть работала лучше. В этом процессе есть большой случайный элемент, поэтому невозможно точно знать, как сеть «думает», и она улучшится только после дополнительного обучения.

вы знаете?В марте 2016 года AlphaGo победила легендарного игрока в го Ли Седоля со счетом 4-1, что считалось подвигом десятилетием ранее.

2. Facebook: Facebook AI Research (FAIR) (Facebook AI Research) фокусируется на использовании глубокого обучения для улучшения взаимодействия с социальными сетями. Facebook пытается создать более 1,5 миллиарда агентов ИИ, по одному на каждого пользователя Facebook. Гигант социальных сетей сформировал команду прикладного машинного обучения FB Learner Flow. Он сочетает в себе несколько моделей машинного обучения для обработки миллиардов точек данных об активности 1,5 миллиарда пользователей, чтобы прогнозировать поведение пользователей и удерживать их в Facebook в течение нескольких часов!

Например: Алгоритмы, созданные на основе моделей FB Learner Flow, помогают определить ваши рекомендации по новостям, рекламу, которую вы видите, людей, которых вы можете знать, и многое другое!

Таким образом, в войнах ИИ между Facebook и Google нет победителя, потому что исследовательская направленность и приложения очень разные по своей природе.

3. Обработка естественного языка

Обработка естественного языка — это процесс, посредством которого компьютер переводит человеческий язык на язык, понятный компьютеру. Siri, Cortana и Alexa — все это примеры NLP (обработка естественного языка, то же самое ниже), которые мы используем каждый день. Так как же ИИ вписывается в НЛП? Вот и все. Учти это. Вы хотите выучить новый язык. Как вы это делаете? Сначала вы изучаете новые слова в языке и понимаете их использование. Однако вы не поймете, что работает, а что нет, пока не изучите язык и не научитесь его использовать. Именно так НЛП использует глубокое обучение. Компьютеры «обучаются», используя технику, называемую «встраиванием», которая обеспечивается глубоким обучением. В этом методе слова и фразы сопоставляются с реальными векторами. Это отображение выполняется нейронной сетью.

Как Siri использует обработку естественного языка?

НЛП формирует сердце и душу Siri. Когда пользователь спрашивает Siri, последовательность действий следующая. При распознавании речи Siri сначала преобразует ваш голос в цифровые данные, используя алгоритм дискретизации. Далее ваша проблема роется на сервере Apple и на нем прогоняется блок-схема для поиска возможных решений. Этот шаг достаточно прост для простого предложения, например «Какая сегодня погода». Однако задавать такие предложения, как «Ларри будет сегодня на собрании», становится сложно, потому что машинам трудно понять такие сложные мыслительные процессы. Здесь в игру вступает НЛП. НЛП разбивает команды на токены и использует синтаксический анализатор для разбора и понимания предложений. Кроме того, алгоритмы машинного обучения используются для оптимизации результатов и извлечения уроков из прошлых результатов. Наконец, результат выдается пользователю.

вы знаете?Боты теперь могут общаться! Кисмет, эмоционально интеллектуальный робот из Лаборатории искусственного интеллекта Массачусетского технологического института, может взаимодействовать, распознавая язык человеческого тела и интонацию голоса.

4. Распознавание образов

Как следует из названия, распознавание образов — это часть искусственного интеллекта, которая используется для выявления закономерностей в данных. Он используется для контроля качества и технологического процесса. Приложения включают в себя беспилотные автомобили, нейробиологию, терапию рака и физику энергии.

Как беспилотный автомобиль использует распознавание образов?

Многие люди говорят о «самоуправляемых автомобилях», собирающих и анализирующих большие данные с датчиков и карт для распознавания пешеходов, транспортных средств и других объектов на основе формы, размера и узоров. После предсказания того, что все объекты вокруг него могут сделать дальше, он предназначен для безопасного их объезда. Используемые технологии: радар, лидар, GPS, определение дальности и компьютерное зрение.

Как физика энергии использует распознавание образов?

Он используется для корреляции энерговыделения в многокомпонентных немагнитных детекторах частиц высоких энергий. Обнаружение бозона Хиггса — хороший пример распознавания образов в физике элементарных частиц.

вы знаете?Существует множество версий беспилотных автомобилей. Google отказался от руля и педалей и улучшает различные уровни автономии, которые могут быть достигнуты. С другой стороны, Tesla и Baidu добились прогресса в технологии, постепенно добавляя автономные возможности для обеспечения эффективного вождения в различных условиях. Tesla предложила обычный автомобиль с автопилотом (т.е. самостоятельным вождением), который намного безопаснее, чем водитель-человек.

5. Анализ изображения

Анализ изображений включает в себя извлечение значимой информации из изображений. Идея состоит в том, чтобы использовать алгоритмы машинного обучения, такие как нейронные сети, для имитации зрительной коры человека. Распознавание рукописного текста, автоматическое распознавание изображений и классификация топографических признаков (морфологические или поверхностные особенности Земли или другого небесного тела) являются некоторыми популярными формами.

ImageNet Challenge — это соревнование, которое началось в 2010 году. Исследовательские группы представляют программы для классификации и обнаружения объектов и сцен. С тех пор обработка изображений продвинулась очень хорошо. В 2010 году хорошие программы визуального распознавания имели уровень ошибок классификации около 40%. В 2015 году программа глубокой сверточной нейронной сети для распознавания изображений имела уровень ошибок классификации около 3,5%!

Как Facebook использует анализ изображений?

Анализ изображений — неотъемлемая часть функции автоматической пометки Facebook. Программное обеспечение для распознавания лиц используется для определения категорий друзей пользователей, чтобы сопоставлять недавно загруженные изображения с изображениями, помеченными в другом месте. Программное обеспечение использует алгоритмы машинного обучения, такие как нейронные сети. Алгоритму подается большое количество обучающих данных, и машина учится классифицировать и идентифицировать людей на загружаемых изображениях, предлагая вашим друзьям, кто может быть с вами на фотографиях. Таким образом, Facebook вкладывает значительные средства в ИИ. Их недавно приобретенный стартап по анализу лицевых изображений FacioMetrics глубоко погружается в исследования искусственного интеллекта.

Это лишь некоторые из основных преимуществ и областей применения ИИ. Поле огромно и имеет еще много преимуществ и применений!

Карьера и возможности ИИ

Еще несколько лет назад ИИ в основном использовался военными и правительством с помощью нескольких видных специалистов в этой области. Но сейчас все больше и больше людей обучаются и становятся опытными в этой области. Теперь они знают об улучшениях, которые ИИ может внести в бизнес. Сегодня искусственный интеллект используется практически во всех областях. Некоторые возможные карьерные возможности в сфере ИИ включают:

Сильный ИИ: В иерархии эта профессия будет стоять наверху. Такие компании, как DeepMind, развивают эту область. Как правило, отбираются безупречные кандидаты наук с отличным исследовательским опытом.
Data Scientist: Наука о данных, вероятно, является самой популярной отраслью искусственного интеллекта. Преимущество здесь в том, что у него не слишком крутая кривая обучения. Машинное обучение составляет основу науки о данных. Люди, которые хотят присоединиться к этой области, должны изучить статистику, немного программирования и приобрести знания в предметной области.
Интеллектуальный анализ и анализ данных: после Data Scientist, Data Analyst, вероятно, является самой популярной профессией. Подобно специалистам по данным, аналитики уделяют меньше внимания статистике. Таким образом, большинство людей с разным опытом, сильным желанием и способностями к обучению могут претендовать на эти вакансии.
Исследователь машинного обучения: область, не далекая от информатики и электротехники, может справиться. На самом деле, даже ученый-компьютерщик без докторской степени здесь был бы весьма затруднен! Он включает в себя открытие новых областей машинного обучения для решения неизведанных территорий сложных проблем. Эта работа в основном включает в себя большое количество исследований.
Применение машинного обучения: включает эффективное применение машинного обучения в той области, в которой оно уже используется. На эти вакансии могут претендовать выпускники бакалавриата или магистранты.

Хотя существует множество других профессий, связанных с ИИ, в целом они имеют широкое значение. Это прекрасное время для всех, кто хочет начать работать с ИИ. Поле только начинается. Даже если вы новичок, важно каждый день узнавать что-то новое и расширять свои возможности.

Будущее ИИ

Искусственный интеллект, несомненно, меняет мир. Это облегчает жизнь. Однако по мере повышения эффективности ИИ растут опасения, что он слишком сильно изменит мир, и я боюсь, что машинный интеллект превзойдет человеческий. Также растут опасения, что «Терминатор» и «Матрица» (фильмы об ИИ) станут реальностью. Итак, насколько необходимы эти страхи? Есть ли у них правда?

К сожалению, да. Не поймите нас неправильно. Мы не говорим, что в ближайшем будущем произойдет восстание роботов, которое сделает людей устаревшими, низшими видами. Пока что сильный ИИ — это миф. Его не существует. ИИ по-прежнему не хватает когнитивных способностей человека, и, вероятно, не будет в ближайшем будущем. Однако полностью сбрасывать со счетов возможность такой ситуации мы не можем. Это определенно возможно, даже если кажется маловероятным. Может быть, десятилетия спустя, или к концу века, или через столетия. Искусственный интеллект и сверхразум могут стать реальностью.

Сверхразум — это способность машины беспрепятственно и лучше выполнять любую задачу, которую может выполнить человек. Благодаря отличной памяти (компьютеры имеют исключительно четкую память по сравнению с людьми) и способности к многозадачности, они будут более успешны, чем люди, практически во всем. Книга Ника Бострома «Сверхразум: пути, опасности, стратегии» представляет сверхразум как возможную концепцию.

Может ли ИИ заменить вашу автоматизацию?

В последнее время много говорят об искусственном интеллекте, автоматизирующем людей и нарушающем работу миллионов рабочих мест. Пока что машины хорошо справляются с задачами, связанными с большими данными и множеством итераций. У машин нет интуиции, и они не могут сравниться с людьми в способности принимать решения в сложных ситуациях.

Например, машины могут анализировать большие объемы данных более точно и быстро, чем люди, но окончательное решение для специалиста по данным всегда зависит от комбинации данных и интуиции, основанной на опыте.

конечная нота

Вокруг ИИ много споров. С одной стороны, компании (не ограничиваясь технологическими гигантами) вкладывают миллионы в исследования и разработки в области ИИ. С другой стороны, Стивен Хокинг выразил обеспокоенность тем, что ИИ может стать концом человечества. Илон Маск и Билл Гейтс согласились.

Однако в спорах о том, является ли ИИ благом или проклятием, мы считаем, что благо всегда восторжествует. Это не потому, что мы не знаем о катастрофической ситуации, которая развернется, когда сверхразум будет реализован. Это связано с тем, что были предприняты шаги для предотвращения потенциальных опасностей, которые может принести ИИ. Прогресс в области ИИ будет продолжаться только в том случае, если он отвечает интересам всего человечества. Итак, не бойтесь! Идите вперед и наслаждайтесь революцией.

Так к какому лагерю ты принадлежишь? За ИИ или против ИИ? Считаете ли вы, что ИИ будет мешать большему количеству рабочих мест, чем он создает на самом деле? Мы были бы рады получить известия от вас.