На какие отрасли подразделяется искусственный интеллект ai
Перейти к содержимому

На какие отрасли подразделяется искусственный интеллект ai

  • автор:

Искусственный интеллект

Искусственный интеллект (ИИ, англ. artificial intelligence, AI ) — свойство искусственных вычислительно-интеллектуальных систем выполнять задачи, традиционно считающиеся прерогативой человека, в первую очередь творческого характера, а также наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. Не следует путать искусственный интеллект с искусственным сознанием. Искусственные интеллекты, существующие на настоящий момент — весьма узкоспециализированные и чаще всего некомпетентны за пределами своей основной задачи.

Описание

Искусственный интеллект — это наука и технология создания интеллектуальных машин, в первую очередь интеллектуальных компьютерных программ. Интеллект в данном случае — это вычислительная способность достигать целей в мире, присущая человеку, многим животным и некоторым машинам. При этом до сих пор в научном сообществе нет чёткого понимания, какие вычислительные функции считать интеллектом в силу понимания только части из них; по этой причине точного общепринятого определения интеллекта, не завязанного на интеллект человека, не существует. Также из-за того, что интеллект — это сложное понятие, состоящее из множества свойств и функций, некоторые из которых до сих пор не поддаются вычислительным машинам, невозможно чётко отделить «интеллектуальные» машины от «не интеллектуальных»; многие из вычислительных систем, созданных для выполнения той или иной функции можно назвать «в какой-то мере интеллектуальными» [1] .

Несмотря на то, что в самой идее искусственного интеллекта исследователи ориентируются на интеллект человека, симуляция оного на компьютере — не есть цель большей части проектов. Используемый для оценки человеческого интеллекта коэффициент (IQ) не применим для оценки машинных систем, по причине того, что он завязан на интеллектуальное развитие ребёнка и если на взрослых людей эту шкалу можно экстраполировать, то высокие результаты искусственного интеллекта в тесте на IQ не будут означать высокого интеллекта системы. При этом, некоторые из задач, используемых в этих тестах всё же помогают изучать эффективность конкретного искусственного интеллекта. Также, в то время как интеллект всех людей основывается на примерно одинаковых механизмах и развивается приблизительно по одному пути, в машинном интеллекте дело может обстоять с точностью до наоборот: при наличии превосходящих человеческие возможности вычислительных мощностей он основывается на тех принципах и цепочках, которые заложены в него разработчиком, а потому в каждой системе могут, с одной стороны, присутствовать интеллектуальные функции, развиваемые человеком только с подросткового возраста, а с другой — отсутствовать какие-то механизмы, присущие маленьким детям. Осложняется это тем, что природа человеческого интеллекта до сих пор изучена не до конца [1] [2] .

Конечная цель практически всех исследований в области искусственного интеллекта — получить ИИ уровня, сопоставимого с человеческим интеллектом. В методах достижения этой цели единства у исследователей нет: кто-то считает, что это достижимо в обозримом будущем с применением существующих технологий и подходов путём увеличения вычислительной и запоминающей мощности несущих ИИ-устройств, а кто-то — что сроки загадывать невозможно, так как существующие подходы к созданию искусственного интеллекта требуют переработки или даже полной замены другими [1] .

Признаки ИИ

Главное отличие искусственного интеллекта от других программ в отсутствии чётко заданного алгоритма решении задачи [3] . Согласно одной из распространённых версий, есть необходимый набор свойств для программы, чтобы считаться искусственным интеллектом. Исследователи уточняют, что список может быть неполным, так как какие-то из свойств интеллекта ещё не открыты или достаточно не изучены. Список выглядит так [4] :

  • Логика — программа обычно получает входные данные в виде ситуации, в которой ей необходимо действовать. На основе полученных данных она составляет список действий, необходимых для достижения требуемого конечного результата.
  • Поиск — программа изучает большие массивы данных (например, вероятных ходов в шахматах). Поисковые паттерны постоянно улучшаются.
  • Распознавание образов — сделав какое-либо наблюдение, программа может сравнить результат с имеющимся образом. Например, отыскать на изображении рисунки глаз и носа, чтобы обнаружить лицо. Более сложные варианты — распознание шахматной позиции или текста на естественном языке.
  • Представление — факты о мире всегда представлены в каком-то виде. Чаще всего используется язык математической логики.
  • Вывод — программа может из одних фактов выводить другие. В это входит введённое в 1970-х годах понятие немонотонного рассуждения, то есть рассуждения, вывод которого делается по умолчанию, но может быть отозван, если введено дополнительное условие. Например, если человеку предлагается понятие «птица», то по умолчанию можно сделать вывод, что она может летать. Но если ввести дополнительное условие, что эта птица — пингвин, то вывод о полёте будет отозван.
  • Здравый смысл и обоснование — эта часть интеллекта в ИИ наиболее далека от человеческого уровня, несмотря на активные исследования вопроса с 1950-х годов.
  • Обучение на опыте — эта сфера доступна ИИ, причём имеются два подхода: использование нейросетей и программное обучение путём создания логических цепочек на основе опыта. К сожалению, обучаемость ИИ всё ещё довольно ограничена формальным языком их программ.
  • Планирование — программы могут планировать необходимую последовательность действий на основе логики.
  • Теория познания — программа должна понимать какие отрасли знания необходимы для решения проблемы.
  • Онтология — программа должна знать типы существующих предметов и явлений.
  • Эвристика — программа должна уметь применять различные мыслительные приёмы.
  • Генетическое программирование — навык, позволяющий комбинировать различные программы для достижения необходимого результата.

Исследование ИИ

Исследования в сфере искусственного интеллекта делятся на две категории: теоретические и практические; последние, в свою очередь имеют базовые и прикладные аспекты. Направлений исследования ИИ два. Первое, биологическое, основывается на том, что раз человек обладает интеллектом, искусственные системы должны имитировать его психологию или физиологию. Второе, феноменологическое, изучает само понятие интеллекта, проблемы, стоящие перед миром и способы достижения целей. Оба этих подхода в определённой степени взаимодействуют между собой. Также исследования ИИ тесно взаимодействуют с философией, особенно современной аналитической, так как обе отрасли науки изучают мышление [5] .

История

Принцип Теста Тьюринга

В 1930-х годах британский и австрийский математики Алан Тьюринг и Курт Гёдель, а также другие математики пришли к выводу, что не существует универсального алгоритма для решения любых задач в некоторых важных математических областях. Существуют задачи, которые не решаются путём составления алгоритма, но доступны к решению человеком, так что был сделан вывод, что компьютеры по своей природе не могут делать то, что делают люди [1] .

Первые попытки теоретического проектирования мыслящих машин были предприняты после Второй Мировой войны сразу несколькими исследователями независимо друг от друга. В 1947 году Алан Тьюринг прочитал первую лекцию об искусственном интеллекте, в которой, вероятнее всего, первым постулировал, что построение оного будет с большей вероятностью заключаться в написании компьютерной программы, чем в проектировании вычислительной машины. Тремя годами позже он выпустил статью «Счётные машины и интеллект» (англ. Computing Machinery and Intelligence ), в которой обсудил вопросы оценки интеллектуальности машины и предложил критерий, по которому машина может считаться интеллектуальной, если она может убедительно представиться человеком информированному наблюдателю. Это было названо по имени создателя, «Тестом Тьюринга». При этом, в дальнейшем неоднократно проводились слепые тесты Тьюринга, которые показали, что большинство людей готовы признать человеком довольно глупую программу [1] .

Тогда же, в конце 1940-х годов, была впервые выдвинута идея машинного обучения. Согласно им, необходимо сделать программу, которая обладает базовым набором знаний и возможностью усваивать информацию, что позволит делать только «оболочку», которая будет самостоятельно достраивать себя до полноценного ИИ [1] .

В 1956 году Джон Маккарти впервые в истории ввёл в оборот термин «искусственный интеллект» (англ. artificial intelligence ). Год спустя Аллен Ньюэлл, Герберт Саймон и Клиффорд Шоу разработали первую программу, попавшую в эту категорию. Она предназначалась для игры в шахматы и в отличие от предыдущих основывалась на эвристике, то есть не имела точных теоретических оснований. В 1960 году ими же была разработана программа для решения головоломок, основанная на тех же принципах [3] .

В 1960-х годах Стив Кук, Ричард Карп и другие учёные разработали теорию NP-полных задач, которые в теории решаемы, но время, необходимое на решение таких задач зависит от сложности задачи экспоненциально. При этом люди способны решать подобные задачи зачастую за гораздо меньшее время [1] . К началу 1970-х годов наука об искусственном интеллекте признала приоритет программирования систем над построением их материальной части в деле создания ИИ [6] . Примерно в это же время, начался резкий вал критики в отношении идей создания искусственного интеллекта, вылившийся в сокращение финансирования. В первую очередь это было связано с небольшими вычислительными мощностями существовавших тогда компьютеров, не позволявшими запустить сложную многоуровневую программу, из-за чего все практические образцы ИИ оставались на уровне «игрушек» (наибольшего успеха достигли программы для игры в шахматы).

Применение

Робот Kismet с искусственным интеллектом в музее MIT

Искусственный интеллект может применяться как в качестве партнёра в играх (например, шахматах), так и в более серьёзных задачах. Например, с 1990-х годов ИИ используется для распознания речи, что повышает удобство различных сервисов. Способен искусственный интеллект и распознавать живую речь, для чего недостаточно просто распознавать отдельные слова. Ещё один вариант использования — компьютерное зрение. Мир, в котором мы находимся имеет три измерения, в то время как устройства ввода визуальной информации, что у человека, что у машины, воспринимают только двухмерную картинку. Задача ИИ в данном случае — обработать имеющееся изображение для распознания объектов на нём. Также ИИ используются для так называемых «экспертных систем» — систем анализа данных в определённой сфере знаний или деятельности, действующей эффективнее, чем человек за счёт высокой скорости обработки [3] [7] [8] .

Одна из наиболее осуществимых систем применения ИИ — эвристика, то есть сортировка информации по категориям, используя имеющиеся данные. Пример такой деятельности — анализ контрагентов при банковских операциях [7] . Ещё одна сфера, в которой искусственный интеллект необходим — самоорганизующиеся системы, то есть компьютерные системы, способные изменять себя согласно заданным параметрам, условиям окружающей среды или необходимым к выполнению задачам [9] .

Большие перспективы у применения искусственного интеллекта в робототехнике, так как это позволит в конечном итоге получить не только мыслящую и планирующую действия машину, но и выполняющую их. В конечном итоге это, в числе прочего, может наградить человечество машиной, сопоставимой по всем возможностям с человеком или даже превосходящей его [10] . Исследуются возможности искусственного интеллекта и в военной робототехнике [11] .

Примечания

  1. ↑ 1,01,11,21,31,41,51,6McCarthy J.What is artificial intelligence? // Formal.stanford.edu : интернет-издание. — 2007. — 12 ноября.
  2. ↑Хант, 1978, От редактора перевода, с. 5.
  3. ↑ 3,03,13,2БРЭ, 2008, с. 733.
  4. McCarthy J.What is artificial intelligence? // Formal.stanford.edu : интернет-издание. — 2007. — 12 ноября.
  5. McCarthy J.What is artificial intelligence? // Formal.stanford.edu : интернет-издание. — 2007. — 12 ноября.
  6. ↑Хант, 1978, Часть 1. Глава 2. Программирование, структура программ и вычислимость, с. 33.
  7. ↑ 7,07,1McCarthy J.Applications of AI // Formal.stanford.edu : интернет-издание. — 2007. — 12 ноября.
  8. ↑Хант, 1978, Часть 1. Глава 1. Область искусственного интеллекта, с. 11—28.
  9. ↑Хант, 1978, Часть 1. Глава 1. Область искусственного интеллекта, с. 28—29.
  10. ↑Хант, 1978, Часть 1. Глава 1. Область искусственного интеллекта, с. 30—32.
  11. ↑DARPA tests artificial intelligent dogfighting in two-versus-one simulations(англ.). Flightglobal. Дата обращения: 15 февраля 2023.Архивировано 22 марта 2021 года.

Литература

  • Хант Э.Искусственный интеллект = Artificial intelligence / Под ред. В. Л. Стефанюка. — М. : Мир, 1978. — 558 с. — 17 700 экз.
  • Искусственный интеллект / Г. С. Осипов, Б. М. Величковский // Излучение плазмы — Исламский фронт спасения. — М. : Большая российская энциклопедия, 2008. — С. 733. — (Большая российская энциклопедия : [в 35 т.] / гл. ред. Ю. С. Осипов ; 2004—2017, т. 11). — ISBN 978-5-85270-342-2.

Данная статья имеет статус «готовой». Это не говорит о качестве статьи, однако в ней уже в достаточной степени раскрыта основная тема. Если вы хотите улучшить статью — правьте смело!

  • Наука
  • Все статьи
  • Искусственный интеллект
  • Страницы, использующие волшебные ссылки ISBN

Искусственный интеллект

Искусственный интеллект (ИИ) — технология, позволяющая системе, машине или компьютеру выполнять задачи, требующие разумного мышления, то есть имитировать поведение человека для постепенного обучения с использованием полученной информации и решения конкретных вопросов.

Гипервизор — программное обеспечение для создания, запуска и контроля виртуальных машин. На них могут быть установлены разные операционные системы (ОС). Они изолированы от аппаратных систем и используют ресурсы виртуального компьютера, на котором запущены.

Интеграция ИИ в механизмы и системы позволяет автоматизировать рутинные, трудоемкие или сложные процессы, в том числе повысить их точность и производительность. Поэтому, эта технология — важный бизнес-ресурс.

Примечание: По данным Statista к 2025 году мировой рынок программного обеспечения (ПО) для искусственного интеллекта будет оцениваться в $22.6 млрд.

Преимущества внедрения ИИ

Использование искусственного интеллекта и решений на его базе обеспечивает бизнесу ряд преимуществ.

  1. Исключение человеческого фактора. Использование программируемых, самообучающихся алгоритмов исключает фактор человеческой ошибки и позволяет находить даже неочевидные для человека решения.
  2. Снижение рисков. Машины с ИИ могут применяться в ситуациях, связанных с риском для человека. Например, роботы с ИИ могут заменить человека на отдельных производственных участках или при работе в условиях стихийных бедствий.
  3. Круглосуточная доступность. Интеллектуальные машины можно использовать без перерывов, выходных, они не реагируют на отвлекающие факторы.
  4. Адаптируемость. В рамках установленных условий применение ИИ-решений позволяет находить быстрые решения. Например, ИИ в чат-ботах помогает лучше понимать «живой» язык клиентов, находить ответы на сложно сформулированные вопросы, справляться с большим потоком одновременных обращений и вопросов.
  5. Быстрое принятие решений. Приложения, машины, приборы и другие инструменты на базе ИИ принимают решения быстрее людей, что может использоваться в производственных процессах, в процессе аналитики данных, создании прогностических моделей, расчетах и других задачах.

Проблемы внедрения ИИ

Есть несколько причин, замедляющих внедрение и использование искусственного интеллекта.

  1. Для контролируемого обучения (с учителем) нейросетей нужно размечать (маркировать) наборы данных вручную. На это требуется много времени.
  2. Для обучения моделей нужен большой объем данных, которые нужно предварительно собрать из разных источников, структурировать, очистить от ненужной информации и привести к общему формату. Для такой работы нужна выстроенная система и штат специалистов.
  3. Результат, полученный в результате работы алгоритмов ИИ сложно трактовать и понять с точки зрения логики принятия решений.
  4. Модели ориентированы на решение определенных задач. Например, если алгоритм ИИ используется для обнаружения мошенничества конкретного вида, другие варианты мошенничества он распознавать не будет — для каждой задачи и каждых условий нужна своя модель.
  5. Если исходный набор данных для обучения искажен или недостаточен, результаты работы ИИ могут быть искажены. Например, если в выборке для обучения используются только объекты красного цвета, при появлении синего объекта в процессе самообучения могут возникнуть ошибки или разногласия.
  6. Для работы с ИИ и разработки проектов на его базе важно иметь достаточную компетенцию, позволяющую оценивать риски и принимать решения на каждом этапе внедрения алгоритмов.

Сферы применения искусственного интеллекта

Технологии ИИ используются в разных областях.

  1. В информационных системах связи. Для распознавания голосовых запросов, поиска релевантных ответов и их озвучивания с помощью сгенерированного человеческого голоса.
  2. В транспорте и логистике. Для создания беспилотных автомобилей и дронов для автоматизированной доставки товаров и посылок в удаленные районы.
  3. В финансовом секторе. Для прогнозирования рисков, распознавания мошеннических действий, оценки платежеспособности клиентов, фиксации и блокировки атак злоумышленников. Например, к 2023 году 90% заявок на получение кредитов в Сбербанке будет рассматривать ИИ.
  4. В медицине. Для диагностики заболеваний, обнаружения нарушений на ранних стадиях, долгосрочного прогнозирования состояния пациента.
  5. В военной промышленности. Для разработки новых видов вооружений, средств индивидуальной защиты и приборов для распознавания противников в сложных условиях.
  6. В бизнесе. Для проведения аналитики, сегментации клиентов, разработки персональных предложений, оптимизации рутинных рабочих процессов, выявления рисков и мошенничества. По данным 2019 года 42% российских ритейлеров использовали технологии ИИ, а еще 35% планировали их внедрить для проведения цифровой трансформации в течение пяти лет.

Примечание: Согласно результатам совместного исследования TAdviser, Huawei и «Техносерв», к концу 2020 года 68% российских компаний использовали решения на базе ИИ, а 24% — планировали интегрировать их в бизнес-процессы в течение следующих двух лет.

Выделяют три вида искусственного интеллекта:

  1. Слабый ИИ (Narrow AI). Единственный доступный сейчас тип ИИ, применяемый в голосовых помощниках, системах виртуальной реальности, рекомендательных механизмах и других решениях.
  2. Сильный ИИ (AGI). ИИ с самосознанием и возможностями, приближенными к человеческим. По прогнозам экспертов, сильный ИИ будет окончательно сформирован и доступен для использования не раньше 2075 года.
  3. Супер ИИ (Super AI). ИИ с полным самосознанием и сформированным мышлением, превосходящим человеческое. Предположительно Super AI сможет самостоятельно перепрограммироваться, создавать системы нового направления и алгоритмы без вмешательства человека.

Чтобы ИИ мог выполнять поставленные задачи, он должен быть предварительно обучен на реальных или схожих к ним задачах. Для этого используется два метода:

  • машинное обучение;
  • глубокое обучение.

Машинное обучение — способ обучения системы или машины программирования и строгого контроля.

Машинное обучение делится три типа:

  • контролируемое — обучение на наборах размеченных данных с очевидными закономерностями;
  • неконтролируемое — обучение на наборах неразмеченных данных без явных закономерностей;
  • обучение с подкреплением — последовательное обучение на размеченных и неразмеченных наборах данных.

Для машинного обучения достаточно небольшого объема данных. Процесс обучения разделяется на небольшие этапы, результаты каждого из которых объединяются в блок выходных данных. Признаки должны быть точно определены и созданы пользователем. Выходные данные представляются в виде числа: оценки или классификации.

Глубокое обучение — разновидность машинного обучения с использованием нейронных сетей. Процесс обучения разделен на несколько этапов и имеет структуру с несколькими вводными, скрытыми и выходными слоями.

Модель учится не на исходном наборе данных, а на результатах обучения, полученных на предыдущем этапе — то есть каждый завершенный цикл использует в качестве учителя.

Глубокое обучение отличается от машинного алгоритмом — часть процесса скрыта и не имеет очевидной логики, а пользователь получает результат, который может быть представлен в любом формате: текст, аудио, число.

Для глубокого обучения нужен большой объем размеченных исходных данных и мощное вычислительное оборудование.

Примечание: Cloud.ru предлагает набор сервисов и инструментов для машинного обучения и искусственного интеллекта, в том числе платформу для совместной разработки ML Space, сервис распознавания и синтеза речи SmartSpeech, услугу Data Science as a Service и другие.

  1. Машинное обучение
  2. Data Science
  3. Нейронные сети

Запросите бесплатную консультацию по вашему проекту

Что такое искусственный интеллект (AI)?

Искусственный интеллект – раздел информатики, который занимается решением когнитивных задач, обычно отведенных человеку. К таким задачам относятся обучение, создание и распознавание образов. Современные организации собирают большие объемы данных из различных источников – интеллектуальных датчиков, инструментов мониторинга, системных журналов и контента, созданного человеком. Задача искусственного интеллекта заключается в создании самообучающихся систем, которые извлекают смысл из данных. Затем искусственный интеллект может применять эти знания для решения новых задач подобно человеку. Например, технология искусственного интеллекта может эффективно реагировать на человеческую речь, создавать оригинальные изображения и текст и принимать решения на основе данных, получаемых в реальном времени. Ваша организация может интегрировать возможности искусственного интеллекта в свои приложения, тем самым оптимизируя бизнес-процессы, улучшая качество обслуживания клиентов и ускоряя внедрение инноваций.

Как развивалась технология искусственного интеллекта?

В своей фундаментальной работе 1950 года «Вычислительные машины и разум» Алан Тьюринг рассматривал вероятность того, могут ли машины мыслить. В ней Тьюринг впервые ввел термин искусственный интеллект и представил его как теоретическую и философскую концепцию.

В период с 1957 по 1974 год достижения в области вычислительной техники обеспечили компьютерам возможность хранить больше данных и быстрее их обрабатывать. В течение этого времени ученые продолжали разрабатывать алгоритмы машинного обучения. Прогресс в этой области побудил такие агентства, как Управление перспективных исследовательских проектов Министерства обороны США (DARPA), создать фонд для исследований в области ИИ. Поначалу ученые пытались выяснить, могут ли компьютеры расшифровывать и переводить разговорную речь.

В 1980-е годы благодаря увеличению финансирования и расширению алгоритмического инструментария, используемого в области ИИ, удалось упростить развитие компьютеров. Дэвид Румельхарт и Джон Хопфилд опубликовали свои работы о методах глубокого обучения, в которых показали, что компьютеры могут обучаться на основе накопленного опыта.

В период с 1990 по начало 2000-х годов ученые достигли многих основных целей в сфере ИИ – например, победили действующего чемпиона мира по шахматам. Поскольку вычислительных данных и мощностей сегодня больше, чем в предыдущие десятилетия, исследования в области ИИ стали более распространенными и доступными. Он быстро превращается в общий искусственный интеллект, поэтому программное обеспечение может выполнять сложные задачи – самостоятельно разрабатывать и принимать решения, а также обучаться. Раньше это было по силам только человеку.

Преимущества искусственного интеллекта

Искусственный интеллект может предложить ряд преимуществ в различных отраслях.

Решение сложных проблем

Технология искусственного интеллекта может использовать машинное и глубокое обучение и решать сложные задачи подобно тому, как это делает человек. Искусственный интеллект может обрабатывать большие объемы данных, выявлять закономерности, идентифицировать информацию и давать ответы. Также с его помощью можно решать проблемы в различных областях, например, обнаруживать мошенничество, проводить медицинскую диагностику и бизнес-анализ.

Повышение эффективности бизнеса

В отличие от людей, искусственный интеллект может работать круглосуточно и без снижения производительности. Другими словами, он может выполнять ручные задачи без ошибок. Вы можете поручить ИИ выполнение повторяющихся утомительных задач, чтобы использовать человеческие ресурсы на других направлениях бизнеса, снизить рабочую нагрузку сотрудников и оптимизировать все задачи, связанные с организацией.

Более разумные решения

Искусственный интеллект может использовать машинное обучение, чтобы анализировать большие объемы данных быстрее, чем любой человек. Платформы искусственного интеллекта могут выявлять тенденции, анализировать данные и давать рекомендации, а благодаря прогнозированию данных ИИ помогает выбрать оптимальный вариант дальнейших действий.

Автоматизация бизнес-процессов

С помощью машинного обучения можно обучить искусственный интеллект точному и быстрому выполнению задач, чтобы повысить эффективность бизнеса за счет автоматизации тех его областей, с которыми сотрудникам тяжело или скучно работать. Кроме того, с помощью автоматизации ИИ можно освободить ресурсы сотрудников для выполнения более сложной и творческой работы.

Как искусственный интеллект можно использовать на практике?

Искусственный интеллект применяется в самых разных областях. Ниже приведен перечень примеров, подчеркивающих разнообразие вариантов использования ИИ. Этот список не является исчерпывающим.

Интеллектуальная обработка документов

Интеллектуальная обработка документов (IDP) преобразует неструктурированные форматы документов в полезные данные. Эта технология конвертирует деловые документы, например электронные письма, изображения и PDF-файлы, в структурированную информацию. IDP использует технологии искусственного интеллекта, такие как обработка естественного языка (NLP), глубокое обучение и машинное зрение, для извлечения, классификации и проверки данных.

Например, в Земельном кадастре Ее Величества (HMLR) обрабатываются права собственности на более чем 87 процентов земель Англии и Уэльса. Сотрудники HMLR сравнивают и изучают сложные юридические документы, связанные со сделками с недвижимостью. Организация внедрила приложение с искусственным интеллектом для автоматизации сравнения документов, что позволило сократить время проверки на 50 процентов и ускорить процесс утверждения передачи имущества. Подробнее см. в статье, как HMLR использует Amazon Textract.

Мониторинг производительности приложений (APM)

Мониторинг производительности приложений (APM) – это процесс использования программных инструментов и телеметрических данных для отслеживания производительности критически важных для бизнеса приложений. Инструменты APM на основе искусственного интеллекта используют исторические данные для прогнозирования проблем до того, как они возникнут. Кроме того, они могут помочь разработчикам эффективно решать проблемы в реальном времени. Эта стратегия обеспечивает эффективную работу приложений и устраняет сложности.

Например, компания Atlassian выпускает продукты для оптимизации командной работы и взаимодействия. Atlassian использует инструменты APM на основе ИИ для непрерывного мониторинга приложений, выявления потенциальных проблем и определения степени их серьезности. Благодаря этой функции команды могут быстро реагировать на рекомендации, разработанные с применением машинного обучения, и решать проблемы, связанные со снижением производительности.

Профилактическое обслуживание

Техническое обслуживание по текущему состоянию с помощью ИИ – это процесс использования больших объемов данных для выявления проблем, которые могут привести к простоям операций, систем или сервисов. Техническое обслуживание по текущему состоянию позволяет компаниям устранять потенциальные неполадки до их возникновения, что сокращает время простоев и предотвращает сбои.

Например, компания Baxter задействует 70 производственных площадок по всему миру и работает круглосуточно, обеспечивая поставки медицинского оборудования. Компания Baxter использует техническое обслуживание по текущему состоянию для автоматического выявления аномалий в промышленном оборудовании. Пользователи могут заблаговременно внедрять эффективные решения, чтобы сокращать период простоя оборудования и повышать его эффективность. Чтобы узнать больше, прочитайте, как компания Baxter использует Amazon Monitron.

Медицинские исследования

В медицинских исследованиях ИИ используется для оптимизации процессов, автоматизации повторяющихся задач и обработки огромных объемов данных. Технологии искусственного интеллекта можно использовать в медицинских исследованиях для того, чтобы упростить процесс разработки и создания фармацевтических препаратов, расшифровать медицинские записи и сократить время вывода новых продуктов на рынок.

В качестве примера можно назвать компанию C2i Genomics, которая использует искусственный интеллект для запуска высокомасштабных настраиваемых геномных конвейеров и клинических обследований. Благодаря тому, что вычислительные решения не требуются, исследователи могут сосредоточиться на разработке методов и клинической эффективности. Инженеры также используют ИИ для снижения потребности в ресурсах, сокращения затрат на инженерное обслуживание и невозмещаемых расходов (NRE). Подробнее см. в этой статье.

Бизнес-аналитика

В сфере бизнес-аналитики искусственный интеллект используется для сбора, обработки и анализа сложных наборов данных. Аналитику искусственного интеллекта можно использовать для прогнозирования будущих значений, анализа первопричин данных и сокращения трудоемких процессов.

Например, компания Foxconn использует бизнес-аналитику на основе ИИ для повышения точности прогнозирования. Они добились повышения точности прогнозирования на 8 %, что позволило сэкономить 533 000 USD в год. Компания также использует бизнес-аналитику для сокращения затрат на оплату труда и повышения уровня обслуживания клиентов за счет принятия решений на основе данных.

Каковы основные технологии искусственного интеллекта?

Нейронные сети глубокого обучения – основа технологий искусственного интеллекта. Они повторяют процессы, происходящие в человеческом мозге. В мозге содержатся миллионы нейронов, которые обрабатывают и анализируют информацию. Нейронные сети глубокого обучения состоят из искусственных нейронов, которые обрабатывают информацию. Каждый искусственный нейрон или узел использует математические расчеты для обработки информации и решения сложных задач. Подход глубокого обучения позволяет решать проблемы или автоматизировать задачи, которые обычно требуют человеческого интеллекта.

Вы можете разрабатывать различные технологии искусственного интеллекта, по-разному обучая нейронные сети глубокого обучения. Далее представлены некоторые ключевые технологии на основе нейронных сетей.

Обработка естественного языка

При обработке естественного языка (NLP) используются алгоритмы глубокого обучения для интерпретации, понимания и извлечения смысла из текстовых данных. Технология NLP позволяет обрабатывать тексты, созданные человеком. Она полезна для формирования сводок документов, автоматизации чат-ботов и анализа тональности текстов.

Машинное зрение

Машинное зрение использует методы глубокого обучения для извлечения информации и аналитических данных из видео и изображений. С помощью машинного зрения компьютер может воспринимать изображения, как человек. С помощью машинного зрения можно фильтровать неприемлемый контент в сети, распознавать лица и классифицировать детали изображений. В автомобилях и грузовиках с автопилотом оно необходимо для мониторинга окружающей обстановки и принятия решений за доли секунды.

Генеративный искусственный интеллект

Генеративный ИИ – это системы искусственного интеллекта, способные создавать новый контент и артефакты, такие как изображения, видео, текст и аудио, из простых подсказок. В отличие от прежнего ИИ, который ограничивался анализом данных, генеративный ИИ использует глубокое обучение и обрабатывает большие объемы информации для создания высококачественных творческих решений, похожих на человеческие. Несмотря на то, что технология позволяет создавать интересные творческие приложения, существуют опасения, связанные с предвзятостью, вредоносным контентом и интеллектуальной собственностью. В целом генеративный ИИ имеет более широкие возможности по созданию нового контента и артефактов в стиле, близком к человеческому.

Распознавание речи

Программное обеспечение для распознавания речи использует модели глубокого обучения для интерпретации человеческой речи, идентификации слов и определения смысла. Нейронные сети могут преобразовывать речь в текст и определять тональность голоса. Распознавание речи можно использовать при создании виртуальных помощников и программного обеспечения для колл-центров, чтобы облегчить выполнение поставленных задач и определять смысл сказанного.

Какие проблемы возникают при внедрении ИИ?

Существует ряд проблем, которые усложняют внедрение искусственного интеллекта. Ниже перечислены наиболее распространенные трудности, связанные с внедрением и использованием ИИ.

Управление данными

Политики управления данными должны соответствовать нормативным ограничениям и законам о конфиденциальности. Чтобы внедрить искусственный интеллект, необходимо управлять качеством, конфиденциальностью и безопасностью данных. Вы несете ответственность за данные клиентов и защиту их конфиденциальности. Чтобы управлять безопасностью данных, в вашей организации должны знать, как модели искусственного интеллекта используют эти данные и взаимодействуют с ними на каждом уровне.

Технические трудности

Машинное обучение ИИ требует огромных ресурсов, а для функционирования технологий глубокого обучения необходим высокий порог вычислительной мощности. Необходимо использовать надежную вычислительную инфраструктуру для запуска приложений ИИ и обучения моделей. Вычислительные мощности могут быть дорогостоящими, тем самым ограничивая масштабируемость систем ИИ.

Ограничения данных

Чтобы обучить системы искусственного интеллекта непредвзятому подходу, необходимо ввести огромные объемы данных. Вам потребуется достаточный объем памяти для хранения и обработки обучающих материалов. Кроме того, необходимо внедрить эффективное управление и контроль качества данных, чтобы обеспечить их точность в обучении.

Каковы основные компоненты приложений искусственного интеллекта?

Структура искусственного интеллекта состоит из четырех основных уровней. На каждом из этих уровней каждая отдельная технология выполняет свои задачи. Что же происходит на каждом из уровней?

Уровень 1. Данные

Искусственный интеллект основан на различных технологиях, таких как машинное обучение, обработка естественного языка и распознавание изображений. Центральное место в этих технологиях отводится данным, которые являются основным уровнем ИИ. На этом уровне основное внимание уделяется подготовке данных для приложений искусственного интеллекта. Современные алгоритмы, особенно алгоритмы глубокого обучения, требуют огромных вычислительных ресурсов. Итак, в этот уровень входят аппаратные средства, выполняющие роль подуровня и обеспечивающего необходимую инфраструктуру для обучения моделей ИИ. Вы можете получить доступ к этому уровню как к полностью управляемому сервису от стороннего поставщика облачных услуг.

Уровень 2. Платформы машинного обучения и алгоритмы

Инженеры и специалисты по исследованию данных создают платформы машинного обучения для решения конкретных бизнес-задач. Затем разработчики могут легко создавать и обучать модели, используя готовые функции и классы. Примеры таких платформ – TensorFlow, PyTorch и scikit-learn. Эти платформы являются жизненно важными компонентами архитектуры приложения и предлагают необходимые функции для простого создания и обучения моделей искусственного интеллекта.

Уровень 3. Модели

На уровне моделей разработчик приложения реализует модель искусственного интеллекта и обучает ее, используя данные и алгоритмы предыдущего уровня. От этого уровня зависят возможности искусственного интеллекта по принятию решений.

Ниже приведены некоторые из основных компонентов этого уровня.

Структура модели

Эта структура определяет мощность модели и включает уровни, нейроны и функции активации. В зависимости от проблемы и ресурсов можно выбрать нейронные сети прямого распространения, сверточные нейронные сети (CNN) или другие.

Параметры и функции модели

Для прогнозирования решающее значение имеют полученные в процессе обучения значения, например вес связи нейронов и узлы смещения нейронной сети. Функция потерь оценивает эффективность модели и предназначена для минимизации расхождений между прогнозируемым и реальным результатами.

Оптимизатор

Этот компонент регулирует параметры модели для уменьшения функции потерь. Различные оптимизаторы, такие как градиентный спуск и алгоритм адаптивного градиента (AdaGrad), служат разным целям.

Уровень 4. Прикладной уровень

Четвертый уровень – это прикладной уровень, который представляет собой часть архитектуры ИИ, ориентированную на клиента. Вы можете запрашивать у систем ИИ выполнение определенных задач, генерирование информации, предоставление сведений или принятие решений на основе данных. Благодаря прикладному уровню конечные пользователи могут взаимодействовать с системами искусственного интеллекта.

Как AWS может удовлетворить ваши требования к искусственному интеллекту?

Amazon Web Services (AWS) предоставляет самый полный набор сервисов, инструментов и ресурсов, отвечающих вашим требованиям к технологиям искусственного интеллекта. Благодаря AWS искусственный интеллект становится доступным для организаций любого масштаба и дает возможность разрабатывать инновационные технологии, не заботясь об инфраструктурных ресурсах.

Машинное обучение и искусственный интеллект AWS предлагают сотни сервисов для создания и масштабирования универсальных приложений искусственного интеллекта. Примеры сервисов, которые вы можете использовать, приведены ниже.

  • Инструмент тестирования безопасности Amazon CodeGuru – обнаруживайте, отслеживайте и устраняйте уязвимости безопасности кода.
  • Детектор мошенничества Amazon – улучшайте модели обнаружения мошенничества в Интернете и боритесь с ним на высшем уровне.
  • Amazon Monitron – выявляйте проблемы с инфраструктурой до их возникновения.
  • Amazon Rekogniton – автоматизируйте, оптимизируйте и масштабируйте распознавание изображений и анализ видео.
  • Amazon Textract – извлекайте печатный текст и анализируйте рукописный, а также собирайте данные из любого документа.
  • Amazon Transcribe – преобразовывайте речь в текст, извлекайте ключевую бизнес-информацию из видеофайлов и улучшайте бизнес-результаты.

Начните использовать искусственный интеллект на AWS, создав аккаунт уже сегодня.

Отрасли и направления искусственного интеллекта: взгляд «с высоты птичьего полёта»

Рады вашему интересу к циклу статей «Искусственный интеллект 101»! Вводные лекции позади, а в этой публикации перейдем к практическим задачам: рассмотрим интеллектуальную карту дисциплины с точки зрения подходов и практических приложений, расскажем, какие алгоритмы ИИ будем изучать, и поделимся списком ресурсов (для тех, кто планирует глубже изучать ИИ самостоятельно)

Как мы убедились раньше, искусственный интеллект является междисциплинарной отраслью науки и благодаря этому находит множество применений. Посмотрите на интеллект-карту ИИ по подходу:

Здесь наглядно показано, какие алгоритмы относятся к какому типу ИИ: символическому, субсимволическому и статистическому. Наверняка вы видите много новых терминов. Но обо всём по порядку.

1. Символьные методы — логические, основанные на высокоуровневом «символическом» (человекопонятном) представлении. Когнитивное моделирование, алгоритмы поиска на графах — это всё сюда. Мы подробнее остановимся на таких алгоритмах, как поиск в пространстве состояний (state-space search) и алгоритм А*. Символический ИИ преобладал в исследованиях ИИ с середины 1950-х до конца 1980-х годов. Джон Хогеланд дал название GOFAI («Старый добрый искусственный интеллект») символическому ИИ в своей книге 1985 года «Искусственный интеллект: сама идея», в которой рассматриваются философские последствия исследований искусственного интеллекта. Символический ИИ был предназначен для создания в машине общего интеллекта, тогда как большинство современных исследований направлено на конкретные подзадачи. Подход основан на предположении, что многие аспекты интеллекта могут быть достигнуты посредством манипулирования символами. Пример — экспертные системы. Экспертная система может заменить человека-эксперта, обрабатывая правила, чтобы делать выводы и определять, какая дополнительная информация ей нужна, то есть какие вопросы задавать, с использованием удобочитаемых символов.

К символическому ИИ также относят чат-боты, детерминированные игры с полной информацией (шашки, шахматы и т. д.).

2. Статистические методы в ИИ — это интеллектуальный анализ данных, теория информации, Байесовские методы принятия решений и скрытые модели Маркова.

    • Интеллектуальный анализ данных (Data Mining) – исследование и обнаружение алгоритмами, средствами искусственного интеллекта в сырых данных скрытых знаний, которые ранее не были известны, нетривиальны, практически полезны, доступны для интерпретации. Вот наглядный пример: предположим, вы хотите повысить лояльность своих клиентов. Для этого вам нужно провести качественную сегментацию, то есть не просто разделить своих клиентов на примитивные группы по полу и по возрасту, а использовать адекватные многомерные и желательно самообучающиеся алгоритмы сегментации. Например, это могут быть карты Кохонена, которые позволяют не только производить сегментацию объектов, но и выполнять визуализацию ее результатов. Посмотрите на эти карты — здесь клиенты разбиты на 4 сегмента (кластера) в зависимости от их предпочтений в продуктах питания, алкоголе и табаке и времени совершения покупок.

    • Термин «теория информации» введен в употребление в первой половине двадцатого века с подачи Клода Шеннона. Вам точно понадобится теория вероятности и матстатистика, чтобы разобраться в этой дисциплине. Это прикладная наука, изучающая закономерности, связанные с получением, хранением, обработкой и передачей информации. Теория информации используется для анализа процессов в биологии, психологии, компьютерной и телевизионной технике. Существуют энтропийный — вероятностный (шенноновский) и алгоритмический (колмогоровский) подходы к ТИ. Конечно, невозможно себе представить ИИ без теории информации.
    • Байесовские методы принятия решений используют теорию вероятностей для обработки неопределенности случайного характера и широко применяются в различных областях для анализа, прогноза и поддержки принятия решений. Мы вам расскажем о них на примере наивного байесовского классификатора — простого классификатора, который действует по формуле Байеса, наивно полагая, что наличие какого-либо признака в классе не связано с наличием какого-либо другого признака. Например, если я играю на балалайке, говорю по-русски и люблю Достоевского, то. нувыпонимаете. Каждый признак вносит свой независимый вклад в формирование стереотипа в принятии решения. Это очень удобный алгоритм, который, несмотря на свою «наивность», быстро работает на больших данных, часто лучше сложных алгоритмов классификации.
    • Скрытые модели Маркова. Конечно, как и другие алгоритмы, упомянутые в этой статье, они требуют более детального разговора. Сейчас мы просто создаём интуитивное понимание этих терминов, каждый из которых имеет формальное математическое определение. Теория скрытых марковских моделей не нова. Её основы опубликовал Баум и его коллеги в конце 60-х — начале 70-х годов. СММ может быть рассмотрена как простой пример байесовской сети доверия. Задачей при этом ставится разгадывание неизвестных параметров на основе наблюдаемых. Именно так врач ставит диагноз пациенту, наблюдая ряд симптомов заболевания. В ИИ СММ — это классический метод распознавания речи. Представьте, что у вас есть некое распределение фонем (звуков) на небольшом участке акустического сигнала — фрейме. Какая фонема была произнесена на этом фрейме? На этот вопрос сложно ответить однозначно — многие фонемы чрезвычайно похожи друг на друга. Но если нельзя дать однозначный ответ, то можно рассуждать в терминах «вероятностей»: для данного сигнала одни фонемы более вероятны, другие менее, третьи вообще можно исключить из рассмотрения. Собственно, акустическая модель — это функция, принимающая на вход небольшой участок акустического сигнала (фрейм) и выдающая распределение вероятностей различных фонем на этом фрейме. Таким образом, акустическая модель дает нам возможность по звуку восстановить, что было произнесено, — с той или иной степенью уверенности.

    3. Субсимвольные методы в ИИ — если кратко, для них важны не столько сами элементы, сколько связи между ними.

    В этой категории чаще всего интерес вызывают, конечно, нейронные сети. Нужно понимать, что искусственная нейронная сеть (ИНС) — это не что иное, как математическая модель, которая имитирует принципы работы биологических нейронных сетей. Помните наш исторический экскурс о первых нейросетях? Перцептро́н (англ. perceptron от лат. perceptio — восприятие) — математическая или компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Фрэнком Розенблаттом в 1957 году и впервые реализованная в виде электронной машины «Марк-1» в 1960 году. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» — первым в мире нейрокомпьютером. С точки зрения математики обучение нейронных сетей — это задача нелинейной оптимизации со множеством параметров. С точки зрения машинного обучения нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, кластеризации и т. д. ИНС состоит из искусственных нейронов, каждый из которых, как и живая нервная клетка, принимает сигнал, обрабатывает его и передает результат на другие. Существует несколько разновидностей нейронных сетей, пока достаточно будет упомянуть однослойные и многослойные — у первых сигналы от входного слоя сразу подаются на выходной слой, который преобразует сигнал и выдает ответ, а у вторых еще имеется один или несколько скрытых слоев. Уникальность нейронных сетей в том, что они не программируются в привычном смысле, а обучаются и способны обобщать информацию, делать верное заключение на данных, которых не было в обучающей выборке (training set), а также на данных, содержащих неточности, «шум» и т. д. Обучение нейронных сетей одним предложением — это поиск коэффициентов связей между нейронами.

    Посмотрим еще раз на интеллект-карту. ИНС — это подмножество машинного обучения (machine learning), которое, в свою очередь, относится к мягким вычислениям (soft computing). К машинному обучению также относится метод опорных векторов (используется в задачах классификации — помню, как нам всем пришлось просить преподавателя объяснить ещё раз его математическую часть). Давайте разбираться по порядку, что есть что, пока глядя лишь с высоты «птичьего полёта».

    Итак, машинное обучение — это метод искусственного интеллекта, который наделяет систему способностью автоматически обучаться на собственном «опыте», не будучи напрямую запрограммированной на все возможные решения проблемы. Процесс обучения заключается в поиске в данных закономерностей (patterns) и принятии всё лучших и лучших решений на основе имеющейся информации. Как говорят у нас, людей, «на ошибках учатся». Можно сказать, что конечной целью машинного обучения является автономное обучение системы (без помощи человека) с дальнейшей адекватной корректировкой действий. Существует много алгоритмов машинного обучения, и мастерство программиста заключается уже не в том, чтобы их запрограммировать, а в том, чтобы творчески подобрать или даже придумать для них подходящее приложение, что превращает работу в невероятно волнующий и интересный процесс. Очень популярны сейчас алгоритмы глубокого обучения — это своего рода машинное обучение следующего поколения, когда глубокой нейросети уже вообще ничего не надо объяснять — она сама в состоянии обучаться на неструктурированных данных (технически за счет большего количества скрытых слоев).

    Поднимаемся на уровень выше… машинное обучение относится к так называемым мягким вычислениям — это понятие (1994) за авторством Лотфи Заде объединяет в общий класс неточные, приближённые методы решения задач, зачастую не имеющие решения за полиномиальное время. Сюда относится также нечеткая логика, вероятностные методы, эволюционное моделирование (особенно интересны алгоритмы swarm intelligence — роевые алгоритмы, которые мы подсмотрели в живой природе — у муравьев и т. д.), генетические алгоритмы и теория хаоса. Все их в рамках данного цикла рассмотреть не представляется возможным, но о генетическом алгоритме расскажем обязательно.

    Конечно же, рассказ об алгоритмах ИИ может стать основой для целой книги — но для первого знакомства вы уже очень много знаете! Надеемся, что теперь вы приобрели структурированное представление о том, что же изучает ИИ и какие основные направления исследований сейчас актуальны — какое вам показалось особенно интересным?

    Другие материалы цикла:

    • Искусственный интеллект. Генетический алгоритм и его применения
    • Искусственный интеллект: алгоритмы поиска
    • Хочу изучать искусственный интеллект!
    • Искусственный интеллект и сознание: imitation game
    • Знакомство с искусственным интеллектом

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *