Искусственный интеллект, машинное обучение и глубокое обучение кажутся довольно похожими понятиями. Более того, без опыта их применения может показаться, что это все одно и тоже. Многие люди видят в них одну и ту же концепцию, потому что, отчасти, это вроде и так. Как, например, ядерная или теоретическая физика являются разделами физики в целом, машинное обучение и глубокое обучение являются ветвями колоссального дерева — искусственного интеллекта. Думайте о них как о русских матрешках, каждая из которых является частью чего-то большего.
Но, как известно, дьявол кроется в деталях.
Искусственный интеллект
Как сказал Джон Маккарти, крестный отец технологий искусственного интеллекта, «искусственный интеллект — это наука и техника создания интеллектуальных машин». Как видите, само определение довольно широкое. Если бы мы поняли это с технической точки зрения, мы бы на долгие годы застряли в философских баталиях, пытаясь определить, что есть истина, а что нет.
В других определениях ИИ утверждается, что это отрасль компьютерных наук, вращающаяся вокруг способности машины моделировать и имитировать модели поведения, подобные человеческим. Проще говоря, интеллектуальная машина должна имитировать поведение человека. Более того, искусственный интеллект должен выполнять ряд задач, требующих человеческого интеллекта, включая речь, визуальное восприятие и принятие решений.
Имитация интеллекта
Если бы мы взглянули на пример приложения на основе ИИ, такого как, скажем, верификатор электронной почты, мы бы увидели, что оно фильтрует кучу сообщений и выявляет те, которые могут содержать спам или вирусы. При этом программное обеспечение на самом деле не читает и не понимает текст, который оно обрабатывает. Машина фокусируется на поиске закономерностей и сходств ошибочных записей общего доступа. Такая программа способна анализировать данные и выполнять вызовы на основе ряда запрограммированных вручную сценариев if-then. Этот подход к развитию ИИ называется GOFAI (старый добрый искусственный интеллект).
Очевидно, что есть десятки приложений для такой машины. Можно научить его быть бухгалтером, личным помощником или поисковым ботом. Будучи наиболее используемым приложением искусственного интеллекта на рынке, эти типы приложений являются текущими представителями технологии. Они мощные, весьма полезные и невероятно «сильные». Но все эти виды машин запрограммированы людьми, оставляя много места для критики технологии. Машина не победила игрока в шахматы или Го! Программисты сделали это за нее! Есть ли способ избежать этих аргументов?
Машинное обучение
Машинное обучение является одним из наиболее интересных подмножеств искусственного интеллекта. Его принципиальное отличие от всех других приложений заключается в том, что он позволяет машине учиться на собственном опыте.
Машинное обучение (ML) динамично. Это позволяет приложениям изменять себя на основе данных, которые они получают в режиме реального времени. Проще говоря, решение ИИ на основе ML не требует участия или вмешательства людей.
Это добавляет аргумент за то, что компьютер побеждает человека в такой игре, как вышеупомянутые шахматы или Го. Нельзя запрограммировать набор навыков, необходимых для того, чтобы превзойти его собственные способности. Чтобы добиться успеха, компьютер должен адаптироваться самостоятельно.
Обучение
Как машины учатся?
Очевидно, что нет школы или университета, где выпускались бы существа с искусственным интеллектом. Компьютеры должны делать все самостоятельно.
Принципы машинного обучения основаны на двух основных принципах: минимизация ошибок и повышение вероятности предсказаний.
Оба достигаются благодаря четкой цели — целевой функции. Эта функция, по сути, то, что пытается сделать программа.
Как?
Шаг 1: Дайте машине задание.
Шаг 2: Предоставьте правильный ответ.
Шаг 3: Предоставьте данные.
Затем машина будет делать предположения о природе входных данных. Большинство результатов будут неверными. Вот тут-то и начинается обучение. ИИ будет анализировать «неправильные ответы» по сравнению с «правильными», выявляя, где он, скорее всего, сделал ошибку.
Вуаля, вы только что создали программу искусственного интеллекта. Вам все равно придется подавать на вход системы необходимые данные и контролировать выходы, чтобы создать нейронную сеть.
Практическое применение
Кажущаяся упрощенной природа машинного обучения (очевидно, гораздо более сложная, чем кажется) в сочетании с исключительной вычислительной мощью современных процессоров и практически неограниченным доступом к крупнейшему в мире пулу данных — интернету — превращают приложения, основанные на машинном обучении, в самый большой и сладкий кусок ИИ пирога на сегодняшний день:
- Только Netflix сэкономил более 1 миллиарда долларов на своих алгоритмах машинного обучения, которые персонализируют контент для подписчиков.
- Единственная причина, по которой Amazon предлагает однодневную доставку, — это машинное обучение.
- В настоящее время направления ML растет с 1,4 млрд долларов в 2016 году до 59,8 млрд долларов к 2025 году.
На этот раз искусственный интеллект является следующим рациональным шагом в услугах GPS-навигации. Он не только может одновременно анализировать данные геолокации от множества транспортных средств в режиме реального времени, но также может делать прогнозы движения. Это становится чрезвычайно мощным инструментом, когда вы понимаете, что львиная доля автомобилей не оснащена устройством GPS, что делает прогнозы ИИ на основе известных шаблонов данных гораздо более полезными. Проще говоря, искусственному интеллекту не нужно анализировать каждую машину в потоке, чтобы предсказать и помочь избежать пробок.
Более того: искусственный интеллект в первую очередь может предотвратить возникновение пробок на дорогах. Согласно этому исследованию, один автомобиль без водителя увеличивает среднюю скорость 14 других автомобилей на 50%.
10% карт на основе искусственного интеллекта удваивают количество автомобилей, проезжающих по рампе.
Технология прогнозирования может также предсказать стоимость поездки в таких приложениях, как Uber, на основе текущих дорожных ситуаций. На самом деле, Uber использует технологии машинного обучения, чтобы рассчитывать свои ставки в часы пик на основании количества заказов такси.
Видеонаблюдение является еще одним ярким примером алгоритмов ML в действии. Те же самые принципы обработки данных как набор шаблонов — некоторые из которых приводят к желаемому результату, а другие — нет, открывают двери для «прогнозного наблюдения», когда зафиксированное камерой подозрительное поведение может предотвратить правонарушение.
Для сравнения: человек, стоящий на мосту в течение длительного времени, не является «нормальным поведением». Камера, заметившая такого человека, может отправить сообщение в 911 и потенциально спасти жизнь самоубийце или помочь в задержании террориста.
Более того, каждая «ложная тревога» или «правильный прогноз» поможет обучающимся машинам повысить производительность и точность с течением времени.
Гиганты социальных сетей, такие как Facebook, используют технологии прогнозирования для персонализации вашей ленты новостей, показа рекламы, которая вас заинтересует, и скрытия контента, который может быть оскорбительным для вас как личности. Алгоритмы Facebook стали настолько умными, что могут предсказывать ваше поведение лучше, чем ваш хороший друг, основываясь на 300 лайках. 70 лайков сделают медиа-гиганта лучшим в оценке вашей личности, чем друг или сосед по комнате.
Как видите, технологии машинного обучения стали прорывом для искусственного интеллекта. Они сделали программное обеспечение более адаптивным и умным.
