какие задачи уже решает искусственный интеллект выберите несколько вариантов ответа

Технологии искусственного интеллекта и машинного обучения

Виды и технологии искусственного интеллекта

На сегодняшний день существует четыре основных вида ИИ:

При создании ИИ чаще всего используются технологии:

Также в ИИ применяются технологии компьютерного зрения (для нахождения, распознавания и классификации объектов, извлечения данных из изображений, аналитики полученной информации) и анализа данных для выявления в них закономерностей и прогнозирования событий по его результатам.

Технологии машинного обучения

Машинное обучение базируется на трех основных понятиях:

Машинное обучение используется для решения задач по категориям:

В зависимости от того, по какому принципу осуществляется ML, оно делится на:

обучение с учителем, которое предполагает использование полного набора снабженных признаками данных (размеченного датасета) для тренировки системы ИИ на всех стадиях ее создания;

обучение без учителя, при котором машина самостоятельно выявляет закономерности, определяет признаки и классифицирует полученные данные;

Сегодня чаще всего для создания программ машинного обучения используются языки R, Python, Scala и Julia. Они поддерживаются многими интегрированными средами разработки, в частности, R-Studio, R-Brain, Visual Studio, Eclipse, PyCharm, Spyder, IntelliJ IDEA, Jupyter Notebooks, Juno.

Источник

Всё, что вам нужно знать об ИИ — за несколько минут

Приветствую читателей Хабра. Вашему вниманию предлагается перевод статьи «Everything you need to know about AI — in under 8 minutes.». Содержание направлено на людей, не знакомых со сферой ИИ и желающих получить о ней общее представление, чтобы затем, возможно, углубиться в какую-либо конкретную его отрасль.

Знать понемногу обо всё иногда (по крайней мере, для новичков, пытающихся сориентироваться в популярных технических направлениях) бывает полезнее, чем знать много о чём-то одном.

Многие люди думают, что немного знакомы с ИИ. Но эта область настолько молода и растёт так быстро, что прорывы совершаются чуть ли не каждый день. В этой научной области предстоит открыть настолько многое, что специалисты из других областей могут быстро влиться в исследования ИИ и достичь значимых результатов.

Эта статья — как раз для них. Я поставил себе целью создать короткий справочный материал, который позволит технически образованным людям быстро разобраться с терминологией и средствами, используемыми для разработки ИИ. Я надеюсь, что этот материал окажется полезным большинству интересующихся ИИ людей, не являющихся специалистами в этой области.

Введение

Искусственный интеллект (ИИ), машинное обучение и нейронные сети — термины, используемые для описания мощных технологий, базирующихся на машинном обучении, способных решить множество задач из реального мира.

В то время, как размышление, принятие решений и т.п. сравнительно со способностями человеческого мозга у машин далеки от идеала (не идеальны они, разумеется, и у людей), в недавнее время было сделано несколько важных открытий в области технологий ИИ и связанных с ними алгоритмов. Важную роль играет увеличивающееся количество доступных для обучения ИИ больших выборок разнообразных данных.

Область ИИ пересекается со многими другими областями, включая математику, статистику, теорию вероятностей, физику, обработку сигналов, машинное обучение, компьютерное зрение, психологию, лингвистику и науку о мозге. Вопросы, связанные с социальной ответственностью и этикой создания ИИ притягивают интересующихся людей, занимающихся философией.

Мотивация развития технологий ИИ состоит в том, что задачи, зависящие от множества переменных факторов, требуют очень сложных решений, которые трудны к пониманию и сложно алгоритмизируются вручную.

Растут надежды корпораций, исследователей и обычных людей на машинное обучение для получения решений задач, не требующих от человека описания конкретных алгоритмов. Много внимания уделяется подходу «чёрного ящика». Программирование алгоритмов, используемых для моделирования и решения задач, связанных с большими объёмами данных, занимает у разработчиков очень много времени. Даже когда нам удаётся написать код, обрабатывающий большое количество разнообразных данных, он зачастую получается очень громоздким, трудноподдерживаемым и тяжело тестируемым (из-за необходимости даже для тестов использовать большое количество данных).

Современные технологии машинного обучения и ИИ вкупе с правильно подобранными и подготовленными «тренировочными» данными для систем могут позволить нам научить компьютеры «программировать» за нас.

Обзор

Интеллект — способность воспринимать информацию и сохранять её в качестве знания для построения адаптивного поведения в среде или контексте

Это определение интеллекта из (англоязычной) Википедии может быть применено как к органическому мозгу, так и к машине. Наличие интеллекта не предполагает наличие сознания. Это — распространённое заблуждение, принесённое в мир писателями научной фантастики.

Попробуйте поискать в интернете примеры ИИ — и вы наверняка получите хотя бы одну ссылку на IBM Watson, использующий алгоритм машинного обучения, ставший знаменитым после победы на телевикторине под названием «Jeopardy» в 2011 г. С тех пор алгоритм претерпел некоторые изменения и был использован в качестве шаблона для множества различных коммерческих приложений. Apple, Amazon и Google активно работают над созданием аналогичных систем в наших домах и карманах.

Обработка естественного языка и распознавание речи стали первыми примерами коммерческого использования машинного обучения. Вслед за ними появились задачи другие задачи автоматизации распознавания (текст, аудио, изображения, видео, лица и т.д.). Круг приложений этих технологий постоянно растёт и включает в себя беспилотные средства передвижения, медицинскую диагностику, компьютерные игры, поисковые движки, спам-фильтры, борьбу с преступностью, маркетинг, управление роботами, компьютерное зрение, перевозки, распознавание музыки и многое другое.

ИИ настолько плотно вошёл в современные используемые нами технологии, что многие даже не думают о нём как об «ИИ», то есть, не отделяют его от обычных компьютерных технологий. Спросите любого прохожего, есть ли искусственный интеллект в его смартфоне, и он, вероятно, ответит: «Нет». Но алгоритмы ИИ находятся повсюду: от предугадывания введённого текста до автоматического фокуса камеры. Многие считают, что ИИ должен появиться в будущем. Но он появился некоторое время назад и уже находится здесь.

Термин «ИИ» является довольно обобщённым. В фокусе большинства исследований сейчас находится более узкое поле нейронных сетей и глубокого обучения.

Как работает наш мозг

Человеческий мозг представляет собой сложный углеродный компьютер, выполняющий, по приблизительным оценкам, миллиард миллиардов операций в секунду (1000 петафлопс), потребляющий при этом 20 Ватт энергии. Китайский суперкомпьютер под названием «Tianhe-2» (самый быстрый в мире на момент написания статьи) выполняет 33860 триллионов операций в секунду (33.86 петафлопс) и потребляющий при этом 17600000 Ватт (17.6 Мегаватт). Нам предстоит проделать определённое количество работы перед тем, как наши кремниевые компьютеры смогут сравниться со сформировавшимися в результате эволюции углеродными.

Точное описание механизма, применяемого нашим мозгом для того, чтобы «думать» является предметом дискуссий и дальнейших исследований (лично мне нравится теория о том, что работа мозга связана с квантовыми эффектами, но это — тема для отдельной статьи). Однако, механизм работы частей мозга обычно моделируется с помощью концепции нейронов и нейронных сетей. Предполагается, что мозг содержит примерно 100 миллиардов нейронов.

Нейроны взаимодействуют друг с другом с помощью специальных каналов, позволяющих им обмениваться информацией. Сигналы отдельных нейронов взвешиваются и комбинируются друг с другом перед тем, как активировать другие нейроны. Эта обработка передаваемых сообщений, комбинирование и активация других нейронов повторяется в различных слоях мозга. Учитывая то, что в нашем мозгу находится 100 миллиардов нейронов, совокупность взвешенных комбинаций этих сигналов устроена довольно сложно. И это ещё мягко сказано.

Но на этом всё не заканчивается. Каждый нейрон применяет функцию, или преобразование, к взвешенным входным сигналам перед тем, как проверить, достигнут ли порог его активации. Преобразование входного сигнала может быть линейным или нелинейным.

Изначально входные сигналы приходят из разнообразных источников: наших органов чувств, средств внутреннего отслеживания функционирования организма (уровня кислорода в крови, содержимого желудка и т.д.) и других. Один нейрон может получать сотни тысяч входных сигналов перед принятием решения о том, как следует реагировать.

Мышление (или обработка информации) и полученные в результате его инструкции, передаваемые нашим мышцам и другим органам являются результатом преобразования и передачи входных сигналов между нейронами из различных слоёв нейронной сети. Но нейронные сети в мозгу могут меняться и обновляться, включая изменения алгоритма взвешивания сигналов, передаваемых между нейронами. Это связано с обучением и накоплением опыта.

Эта модель человеческого мозга использовалась в качестве шаблона для воспроизведения возможностей мозга в компьютерной симуляции — искуственной нейронной сети.

Искусственные Нейронные Сети (ИНС)

Искусственные Нейронные Сети — это математические модели, созданные по аналогии с биологическими нейронными сетями. ИНС способны моделировать и обрабатывать нелинейные отношения между входными и выходными сигналами. Адаптивное взвешивание сигналов между искусственными нейронами достигается благодаря обучающемуся алгоритму, считывающему наблюдаемые данные и пытающемуся улучшить результаты их обработки.

Для улучшения работы ИНС применяются различные техники оптимизации. Оптимизация считается успешной, если ИНС может решать поставленную задачу за время, не превышающее установленные рамки (временные рамки, разумеется, варьируются от задачи к задаче).

ИНС моделируется с использованием нескольких слоёв нейронов. Структура этих слоёв называется архитектурой модели. Нейроны представляют собой отдельные вычислительные единицы, способные получать входные данные и применять к ним некоторую математическую функцию для определения того, стоит ли передавать эти данные дальше.

В простой трёхслойной модели первый слой является слоем ввода, за ним следует скрытый слой, а за ним — слой вывода. Каждый слой содержит не менее одного нейрона.

С усложнением структуры модели посредством увеличения количества слоёв и нейронов возрастают потенциал решения задач ИНС. Однако, если модель оказывается слишком «большой» для заданной задачи, её бывает невозможно оптимизировать до нужного уровня. Это явление называется переобучением (overfitting).

Архитектура, настройка и выбор алгоритмов обработки данных являются основными составляющими построения ИНС. Все эти компоненты определяют производительность и эффективность работы модели.

Модели часто характеризуются так называемой функцией активации. Она используется для преобразования взвешенных входных данных нейрона в его выходные данные (если нейрон решает передавать данные дальше, это называется его активацией). Существует множество различных преобразований, которые могут быть использованы в качестве функций активации.

ИНС являются мощным средством решения задач. Однако, хотя математическая модель небольшого количества нейронов довольно проста, модель нейронной сети при увеличении количества составляющих её частей становится довольно запутанно. Из-за этого использование ИНС иногда называют подходом «чёрного ящика». Выбор ИНС для решения задачи должен быть тщательно обдуманным, так как во многих случаях полученное итоговое решение нельзя будет разобрать на части и проанализировать, почему оно стало именно таким.

Глубокое обучение

Термин глубокое обучение используется для описания нейронных сетей и используемых в них алгоритмах, принимающих «сырые» данные (из которых требуется извлечь некоторую полезную информацию). Эти данные обрабатываются, проходя через слои нейросети, для получения нужных выходных данных.

Обучение без учителя (unsupervised learning) — область, в которой методики глубокого обучения отлично себя показывают. Правильно настроенная ИНС способна автоматически определить основные черты входных данных (будь то текст, изображения или другие данные) и получить полезный результат их обработки. Без глубокого обучения поиск важной информации зачастую ложится на плечи программиста, разрабатывающего систему их обработки. Модель глубокого обучения же самостоятельно способна найти способ обработки данных, позволяющий извлекать из них полезную информацию. Когда система проходит обучение (то есть, находит тот самый способ извлекать из входных данных полезную информацию), требования к вычислительной мощности, памяти и энергии для поддержания работы модели сокращаются.

Проще говоря, алгоритмы обучения позволяют с помощью специально подготовленных данных «натренировать» программу выполнять конкретную задачу.

Глубокое обучение применяется для решения широкого круга задач и считается одной из инновационных ИИ-технологий. Существуют также другие виды обучения, такие как обучение с учителем (supervised learning) и обучение с частичным привлечением учителя(semi-supervised learning), которые отличаются введением дополнительного контроля человека за промежуточными результатами обучения нейронной сети обработке данных (помогающего определить, в правильном ли направлении движется система).

Теневое обучение (shadow learning) — термин, используемый для описания упрощённой формы глубокого обучения, при которой поиск ключевых особенностей данных предваряется их обработкой человеком и внесением в систему специфических для сферы, к которой относятся эти данные, сведений. Такие модели бывают более «прозрачными» (в смысле получения результатов) и высокопроизводительными за счёт увеличения времени, вложенного в проектирование системы.

Источник

Восемь вопросов к искусственному интеллекту

Грозит ли нам восстание машин под предводительством ИИ?

Это одно из самых больших и вредных заблуждений. Технологии ИИ предназначены для решения конкретных интеллектуальных задач. Для каждой задачи используется отдельная модель. Стратегическая цель — создание так называемого сильного ИИ: универсальной обучаемой системы, способной постоянно учиться решать все новые и новые разнообразные типы задач, но не забывающей, как решать старые задачи.

Такая система будет в состоянии пройти тест Тьюринга, то есть при общении с ней человек не сможет отличить, говорит он с компьютером или с человеком. (Пока это за пределами технологических возможностей.) Можно предположить, что с внедрением квантовых компьютеров удастся подступиться к созданию сильного ИИ. Но даже когда он будет создан, это будет всего лишь помощник (или, если угодно, раб) человека, не способный к самостоятельному целеполаганию. Для последнего необходим не искусственный интеллект, а искусственное сознание, когда система осознает себя как мыслящее существо и у нее могут появиться стремления к самосохранению и самовоспроизводству. Ничего даже близко похожего на искусственное сознание мы не наблюдаем, и вряд ли нам это грозит в обозримой перспективе. Чтобы понять, почему это так, необходимо разобраться, что же на самом деле происходит при обучении компьютера.

Что такое технологии ИИ?

С момента появления первых компьютеров они рассматривались как программируемые вычислительные устройства, способные выполнять миллиарды простых арифметических и логических операций по заранее заданному алгоритму. Это позволило решить большое количество важных задач, в первую очередь связанных с расчетами в сложных математических моделях различных процессов, которые описывались дифференциальными уравнениями.

По сути, компьютер использовался для задач, алгоритм решения которых был известен человеку. И только в последние годы человечество стало осознавать, что компьютер способен на много большее — он может находить способ решать задачи, для которых алгоритма решения нет или он не известен человеку. Это стало возможным благодаря развитию технологий машинного обучения, которые сейчас все чаще называют искусственным интеллектом

Несколько упрощая, процесс обучения выглядит следующим образом. Имеется большое число однотипных задач, в которых известно условие и известен правильный ответ или один из возможных ответов. Примером может быть задача машинного перевода, в которой условием является фраза на одном языке, а ответом — ее перевод на другой язык. Модель машинного обучения, например глубинная нейронная сеть, работает по принципу черного ящика, который принимает на вход условие задачи и выдает сигнал в пространстве ответов. Применительно к машинному переводу это будет произвольный текст на втором языке. У черного ящика есть дополнительные параметры. Их значения определяют, как входной сигнал будет преобразовываться в выходной. Процесс обучения черного ящика заключается в поиске таких значений параметров, при котором для заданных входов он выдает сигнал, близкий к желаемым выходам. Настроив параметры так, что для всех задач с известным ответом черный ящик выдает желаемые ответы или близкие к ним, можно рассчитывать, что и для новых задач того же типа черный ящик будет выдавать разумные ответы. Разумеется, в общем случае гарантировать этого нельзя, но для многих популярных моделей машинного обучения действительно удается настроить модель так, что она успешно справляется с решением новых задач того же типа, ответов на которые модель не видела в ходе своего обучения. Из этого примера становится понятно, что существует несколько принципиальных ограничений для технологии машинного обучения. Во-первых, черный ящик должен быть достаточно гибким, что напрямую зависит от числа настраиваемых в ходе обучения параметров. Современные модели включают в себя десятки миллионов параметров, сложным образом определяющих, как входы преобразуются в выходы. Во-вторых, итоговое качество напрямую зависит от числа задач, которые демонстрировались модели в ходе обучения. Поэтому наилучшие результаты ИИ демонстрирует в тех областях, в которых удается накопить огромные объемы данных с миллиардами однотипных задач. В-третьих, ответы задачи должны объективно зависеть от условий. Методы машинного обучения бессмысленно применять, если между входами и выходами нет никакой семантической связи.

В каких сферах ИИ применяется уже сейчас?

Одним из удивительных результатов последних лет стало осознание того, что модели ИИ можно использовать для очень широкого спектра задач, для которых еще 20 лет назад считалось, что они не могут быть решены с помощью компьютера и способность к их решению является атрибутом высшей нервной деятельности. Например, ИИ способен рисовать картины, поддерживать беседу, управлять автомобилем и многое другое. Уже сейчас ИИ активно применяется в системах распознавания печатных и рукописных текстов, распознавании и синтезе речи, интернет-поиске, рекомендательных системах. Из последних достижений можно отметить решение задачи прогноза третичной структуры белков, которая являлась одной из сложнейших и важнейших задач в биологии и которая была решена специалистами компании DeepMind осенью 2020 г.

Не начнется ли деградация людей, если мы научим компьютер думать за нас?

Людям всегда будет, о чем задуматься.

Технологии ИИ — это всего лишь инструменты, заточенные под решение конкретных (пусть и весьма сложных) задач

Подобно тому, как люди физически не ослабли после появления станков и машин, способных заменить человека в физическом труде, появление технологий, способных решить за нас часть когнитивных задач, не приведет к тому, что люди станут меньше работать головой. Просто они начнут делать это для удовольствия, а не для того, что прокормить себя. Наконец, вопросы этики и морали, смысла жизни точно останутся прерогативой человека.

Каковы социальные последствия массового внедрения технологий ИИ?

Не будет преувеличением сказать, что повсеместное внедрение технологий ИИ приведет к серьезным изменениям в стиле и уровне жизни людей. Такие же драматические изменения происходили при повсеместном внедрении паровой машины, развитии электроэнергетики, распространении автомобилей. Человечество перейдет от массового производства одинаковых товаров и услуг к персонифицированным сервисам, многие отрасли народного хозяйства, которые невозможно сейчас представить без людей, будут полностью или частично автоматизированы. В течение пары десятилетий уйдут в прошлое профессии оператора колл-центра, водителя, синхронного переводчика, пилота самолета и др. У большинства людей появятся виртуальные или роботизированные персональные помощники, которые будут помогать в домашнем хозяйстве, следить за состоянием здоровья, планировать досуг. Конечно, часть нынешних профессий отомрет, но бояться этого не надо. Человечество многократно проходило через эпохи технологических трансформаций. На смену отмирающим профессиям придут другие, в которых люди смогут лучше себя реализовать, например киберспорт, стриминг, видеоблогерство и др.

Источник

5 применений ИИ, в которых он конкурирует с человеком

С момента появления искусственного интеллекта прошло почти 70 лет. За эти годы он превратился в доступный рабочий инструмент, которым могут воспользоваться для своих целей даже школьники. Мы сталкиваемся с ИИ буквально на каждом шагу, произнося «окей, гугл» или «слушай, Алиса!», общаясь с чат-ботами банков и получая «письма счастья» со штрафами за нарушение ПДД. И всё чаще раздаются голоса, говорящие, что в скором времени более быстрый и сообразительный, чем человек, ИИ заменит людей, которые останутся без работы и без средств к существованию. Не заменит. Но вот пять сфер, в которых ИИ может серьёзно потеснить людей, — разберёмся, стоит ли нам опасаться конкуренции с «бездушной железякой».

Работа с изображениями

Распознавание образов было одной из самых популярных задач, которую пытались решить с помощью ИИ. Создание компьютерного зрения, как и систем распознавания речи и понимания смысла текстов являются ключевыми направлениями, в которых развиваются связанные с ИИ.

Современные генеративно-состязательные нейросети научились не только распознавать человека на фото. Они вполне успешно делают это на видеороликах, причём даже если человек замотал лицо шарфом или надел медицинскую маску.

Изображения, на которых тренировалась нейросеть DFI. Источник: A. Singh, D. Patil, G Meghana Reddy, SN Omkar (2017). Face Identification (DFI) with Facial Key Points using Spatial Fusion Convolutional Network / arXiv.org

Однако работа над узнаванием людей по фрагментам их лиц началась значительно раньше, чем пандемия. Например, опубликованная в 2017 году работа Disguised Face Identification (DFI) with Facial KeyPoints using Spatial Fusion Convolutional Network («Идентификация маскированных лиц по ключевым точкам с использованием пространственной свёрточной сети») рассказывает о результатах работы нейросети, натренированной на распознавание лиц, скрытых очками, шарфом, накладными усами или бородой.

Для распознавания лиц нейросеть DFI использовала всего 14 ключевых точек на лице, поэтому точность «узнавания» замаскированных лиц была невелика. Современные коммерческие нейросети используют несколько сотен ключевых точек на лице человека, поэтому могут обнаружить соответствие, используя лишь те части лица, которые присутствуют на изображении.

Например, китайская компания SenseTime считывает 240 ключевых точек, расположенных вокруг носа, глаз, рта. Это обеспечивает распознавание частично скрытых лиц с точностью до 90%.

Minvision, ещё один китайский разработчик систем распознавания лиц, с началом пандемии срочно дообучил свою нейросеть на распознавание людей в масках. Источником ключевых точек для опознания были глаза и области вокруг них.

Современные ИИ успешно справляются не только с работой «Большого Брата», но и выступают в роли творцов, создавая, например, фотографии несуществующих людей, котиков, аниме-персонажей или абстрактную живопись.

Изображения, сгенерированные нейросетью StyleGAN. Источник: thispersondoesnotexist.com, thiscatdoesnotexist.com, thiswaifudoesnotexist.net, thisartworkdoesnotexist.com

Свежий известный пример коммерческого использования ИИ в дизайне — нейросеть Николай Иронов, которая создавала фирменный стиль и логотипы по программе «Экспресс-дизайн» в Cтудии Артемия Лебедева.

Логотипы, разработанные нейросетью студии Артемия Лебедева. Источник: https://www.artlebedev.ru/express-design

Несмотря на фантастические возможности, которые демонстрируют нейросети, живым дизайнерам нечего опасаться: ИИ может создать бесконечное количество вариантов логотипа или картины, но выбрать среди них удачные и наиболее соответствующие поставленной задаче может только человек. Да и взаимодействовать заказчики всё-таки предпочитают с живым человеком. Более того, ИИ может повысить продуктивность дизайнера, ведь тому уже не придётся перебирать варианты вручную.

Что касается задач, связанных с распознаванием образов на видео и фото, тут с нейросетями тягаться сложно, да и вряд ли имеет смысл. Эта работа относится к разряду той, которую с радостью перепоручат роботам.

Работа с текстами

Работа с текстами — ещё одна область, в которой ИИ уверенно занимают сильные позиции. Разработанный некоммерческой компанией OpenAI алгоритм генерации текста GPT (Generative Pretrained Transformer) позволяет научить нейросети продолжать начатые человеком фразы, а также писать самостоятельные тексты.

Для обучения первой версии алгоритма использовали 117 млн параметров. Вторую версию алгоритма — GPT-2 —обучали уже на 1,5 млрд параметров, а GPT-3, самая современная версия, обучена на 175 млрд параметров. Это огромный массив данных, содержащий книги, новостные сайты, рецепты, технические руководства, религиозную литературу, путеводители и всю англоязычную Википедию. Не обошлось без довольно спорных материалов, посвящённых НЛО, пришельцам и теориям заговоров.

В результате GPT-3 умеет значительно больше, чем её ранние версии. Например, с её помощью можно пообщаться с историческими личностями или попросить её сочинить диалог между Ньютоном и Эйнштейном, стилизованный под Властелина Колец. GPT-3 также может сделать макет сайта по его описанию.

Успехи GPT в основном связаны с английским языком, однако имеются адаптации нейросети для русского, например, сайт «Порфирьевич», построенный на базе обученной на русской художественной литературе GPT-2, довольно успешно продолжает фразы, написанные человеком.

Результат работы нейросети «Порфирьевич»

Свою нейросеть для генерации заголовков новостей представила компания «ВКонтакте». Чтобы создать нейросеть, разработчики использовали архитектуру Universal Transformer и технику компрессии данных BPE (Byte Pair Encoding). Такой подход обычно применяется в машинном переводе и позволяет ограничиться небольшим словарём для генерации заголовков. Сотрудники «ВКонтакт»е стали первыми, кто использовал BPE для модели суммаризации текста, а также первые, кто обучил такую модель на русскоязычных новостных материалах.

Заголовок новостей, сгенерированный нейросетью «ВКонтакте»

Любопытный эксперимент компании «Яндекс» сочиняет стихи, используя заголовки из «Яндекс.Новостей». Сервис, получивший название «Яндекс.Автопоэт» автоматически определяет стихотворный размер по чередованию ударных и безударных слогов, а затем составляет рифмованные строчки.

Результат работы поэтической нейросети Яндекса

Нейросети на базе GPT-3 научились вести довольно осмысленный диалог на разные темы, но с генерацией полноценного текста дела пока обстоят не лучшим образом. И хотя лучшие образцы всё ещё выглядят довольно странно, но не менее странно выглядят SEO-тексты, написанные копирайтерами-массовиками.

Поэтому редакторам и авторам уже сейчас стоит задуматься над тем, как и для кого они пишут, развиваться профессионально, переходя от написания слов и предложений к решению задач заказчиков, управлению вниманием читателей и донесением пользы. А нейросети помогут не тратить время на бессмысленный улучшайзинг.

Персональные ассистенты

Ещё одна область, в которой применение ИИ обеспечило успех — это персональные ассистенты. Сири, Кортана, Алиса, Алекса, а также голосовой помощник Google стали привычными и уже не вызывают удивления. Они могут проверить почту, заказать такси, прочитать новости, назначить встречу и сделать много другое. И самое приятное: не нужно нажимать кнопки, достаточно обратиться к ним голосом.

Благодаря системе распознавания речи на базе нейросети помощники «понимают» обращённую к ним просьбу и выполняют её. Конечно, на сегодняшний день взаимопонимание далеко от идеала, но прогресс неумолим. Совсем недавно китайские специалисты разработали технологию, с помощью которой ИИ будет распознавать в человеческой речи сарказм — одну из самых нетривиальных форм проявления особенностей характера.

Способность распознавать сарказм считается одним из показателей уровня ИИ. Считается даже, что именно эта функция отражает движение по пути к развитию самостоятельности мышления.

Цифровые персональные ассистенты быстро развиваются. Они уже обзавелись множеством функций, которые раньше выполняли секретари и личные помощники. Учитывая тенденцию, вполне закономерным предположением будет полное вытеснение людей в массовом сегменте и замена их на нейросетевые аналоги. Однако есть вероятность, что, как и в случае с текстами и графикой, цифровизация профессии секретаря приведёт к тому, что процессами по-прежнему будет управлять живой человек, в то время как рутина останется на долю ИИ.

Безопасность

Практически безграничные аналитические возможности ИИ просто не могли не задействовать в сфере обеспечения кибербезопасности. Поручить нейросети разбираться с уведомлениями SIEM-систем, предварительно обучив её распознавать кибератаки — мечта практически любого SOC-аналитика.

Разработчики систем защиты также используют машинное обучение. Они собирают озёра данных об инцидентах и обучают на них нейросети. Благодаря глобальной системе сбора информации такие решения постепенно учатся обнаруживать и блокировать не только старые, но и новые угрозы, выявляя совокупности признаков, которые с большой вероятностью остались бы незамеченными. Нейросети могут даже распознавать атаки, традиционно остающиеся за пределами внимания антивирусных сенсоров — мошеннические письма с элементами социальной инженерии, не содержащие никаких вредоносных компонентов.

Уже сейчас очевидно, что даже лучшие SOC-аналитики не могут напрямую конкурировать с нейросетями, однако это и не требуется. Вместо изучения бесконечных журналов и уведомлений о сработавших алёртах ИБ-эксперты могут сосредоточиться на глубоком обучении нейросетей и формировании стратегии выявления инцидентов безопасности.

Медицина

Ещё одна сфера, в которой обрабатываются гигантские массивы данных — медицина. Анализы крови, МРТ, рентгеновские снимки, наследственные заболевания, мониторинг артериального давления, пульса и множества других параметров, с одной стороны, позволяют достаточно точно производить диагностику, а с другой стороны, порождают врачебные ошибки. Обработка большого количества информации силами одного человеческого мозга создаёт ненулевой риск упустить что-то важное.

Есть и ещё один важный момент: люди редко обращаются к врачам, если у них не случится что-то серьёзное. А ведь многие заболевания проще предупредить на ранних стадиях, чем лечить, когда они уже проявляют себя.

Понимая это, в компании Toshiba решили создать ИИ, который позволил бы врачам анализировать данные медицинских осмотров сотрудников компаний, назначения лекарств и всю сопутствующую информацию. Обработка этой информации с помощью обученной нейросети позволяет выдавать предупреждения до момента, когда у людей начинают развиваться заболевания, связанные с образом жизни.

Для прогнозирования риска заболеваний, связанных с образом жизни, ИИ считывает базовые характеристики пациента — артериальное давление, состав крови, окружность живота, частота употребления алкоголя и многое другое. Используя эти сведения, он выдаёт прогноз, через сколько лет состояние здоровья человека достигнет опасного порога, и он получит в качестве диагноза одно из шести заболеваний: диабет, болезни почек, печени, гипертонию, гиперлипидемию или метаболический синдром.

Схема работы медицинского ИИ Toshiba. Источник: Toshiba

Вместе с прогнозом развития заболеваний пациенты получают рекомендации по изменению образа жизни, например, по ежедневному выполнению физических упражнений или снижению количества алкоголя. В рекомендации также указано, как изменения в поведении отразятся на риске развития опасных заболеваний.

В настоящее время точность прогнозов медицинского ИИ, разработанного Toshiba, составляет 96%. Добавление в анализ большего количества данных, таких как информация о ДНК пациента и семейная история болезни, позволит ещё больше повысит точность прогнозирования. Использование информации о ДНК и учёт семейного анамнеза позволяют всерьёз говорить об индивидуальном медицинском обслуживании.

Медицина — ещё одна отрасль, в которой применение ИИ даёт огромные преимущества. Однако, как и в других сферах, «роботы» не отнимут работу у человека, а будут делать то, что у них получается значительно лучше — анализировать и сопоставлять данные, выдавая варианты живому врачу предупреждения о возможности заболевания на самых ранних стадиях, варианты диагноза и стандартные рекомендации по лечению в соответствии с протоколами. А врач, которому уже не нужно вручную вести журнал приёма и выписывать рекомендации, может сосредоточиться на пациенте, чтобы удостовериться, что ИИ-коллега не ошибся.

Оправданы ли опасения

Успех ИИ во многих сферах человеческой деятельности вызывает опасения, связанные с тем, что машины заменят людей, но в действительности бояться нечего. Несмотря на все преимущества искусственного интеллекта нельзя забывать, что это всё ещё компьютерная программа, которая может ошибаться по разным причинам от ошибок в коде до некорректных данных, использованных для обучения. Ценой такой ошибки может стать человеческая жизнь, как едва не произошло при использовании ИИ-решения на базе суперкомпьютера IBM Watson Health в онкологическом центре Memorial Sloan Kettering: лечение, которое назначала нейросеть, было, по словам врачей, смертельно опасно для некоторых больных.

Таким образом, несмотря на все опасения, внедрении любой новой технологии скорее меняет характер работы людей, а не вытесняет их из профессии. Взяв на себя рутину, ИИ обеспечит людям условия для профессионального роста и развития.

Источник