Информатика / Computer science

Что такое искусственный интеллект?

Если внимательно посмотреть на окружающую нас действительность, то можно понять, что нейросети и искусственный интеллект (ИИ) гораздо ближе к людям, чем думают многие. В глобальном общечеловеческом смысле искусственный интеллект присутствует в вещах, к которым мы давно привыкли. Например, голосовые помощники, готовые ответить на любой вопрос, беспилотные автомобили на улицах, системы безопасности, безошибочно распознающие лица людей.

Искусственный интеллект (или ИИ) - это способность компьютера выполнять такие задачи, как рассуждение и обучение, на которые способен человеческий интеллект.

Основными характеристиками систем искусственного интеллекта являются:

• Способность казаться умными: системы ИИ созданы для того, чтобы казаться умными, имитируя реакции и поведение, подобные человеческим, даже если они не обладают истинным сознанием или пониманием.
• Способность копировать интеллектуальное поведение человека: системы ИИ могут копировать и имитировать человеческое поведение и когнитивные процессы, такие как распознавание речи, языковой перевод и распознавание изображений.
• Способность к обучению: системы искусственного интеллекта могут приобретать знания и улучшать свою производительность с течением времени за счет накопления данных и опыта. Машинное обучение и методы глубокого обучения обеспечивают эту возможность.
• Способность принимать решения: системы ИИ могут принимать решения на основе данных, алгоритмов и предопределенных правил. Они могут оценить различные варианты и выбрать наиболее подходящий курс действий.
• Адаптация к обстоятельствам: системы ИИ могут адаптироваться к изменяющимся ситуациям и окружающей среде, корректируя свое поведение или процессы принятия решений в ответ на новую информацию или условия.
• Четко определенные цели: системы ИИ работают с четкими целями, которые часто программируются или определяются их создателями-людьми.
• Навыки решения проблем: системы ИИ преуспевают в решении конкретных типов задач, от математических вычислений до сложных проблем реального мира, используя алгоритмы и данные.
• Способность рассуждать: системы ИИ могут выполнять логические рассуждения и выводить закономерности из данных, что позволяет им делать выводы и прогнозы.
• Автономность: некоторые системы ИИ могут работать независимо, принимая решения и предпринимая действия без постоянного вмешательства человека. Эта автономность варьируется в зависимости от сложности ИИ и его применения.
• Гибкость: системы ИИ могут адаптироваться к различным задачам и областям при условии, что они соответствующим образом запрограммированы или обучены. Они могут проявлять гибкость при выполнении целого ряда функций и доменов.

Типы искусственного интеллекта

• Слабый искусственный интеллект (Weak artificial intelligence), - это машинный интеллект, который ограничен определенной областью. Слабый искусственный интеллект (ИИ) имитирует человеческое познание и приносит пользу человечеству, автоматизируя трудоемкие задачи и анализируя данные способами, которые иногда недоступны людям. Примерами могут служить лента новостей Facebook, предлагаемые покупки Amazon и Siri от Apple, технология iPhone, которая отвечает на устные вопросы пользователей. Спам-фильтры электронной почты - еще один пример слабого искусственного интеллекта, когда компьютер использует алгоритм для определения того, какие сообщения, скорее всего, являются спамом, а затем перенаправляет их из папки "Входящие" в папку "Спам". При слабом искусственном интеллекте машины не могут делать это самостоятельно и в значительной степени полагаются на вмешательство человека.
  

• Сильный искусственный интеллект (Strong artificial intelligence) - это теоретическая форма машинного интеллекта, равная человеческому интеллекту. Ключевые характеристики сильного искусственного интеллекта включают способность рассуждать, решать головоломки, выносить суждения, планировать, учиться и общаться. У него также должно быть сознание, объективные мысли, самосознание, чувствительность и разумность. Например, машина может услышать “доброе утро” и начать ассоциировать это с включением кофеварки. Если у компьютера есть такая возможность, он теоретически мог бы услышать “доброе утро” и решить включить кофеварку. Сильный ИИ обладает сложным алгоритмом, который помогает ему действовать в различных ситуациях, принимать независимые решения.

Искусственный интеллект состоит из множества направлений, использующих различные методы, такие как:

• Нейронные сети – например, моделирование мозга, прогнозирование временных рядов, классификация

Нейронная сеть - математическая модель, устроенная по принципу работы биологических нейронных сетей. Особенностью нейронных сетей является наличие архитектур, подходящих практически под любой формат данных: сверточные нейросети для анализа картинок, рекуррентные нейросети для анализа текстов и последовательностей, автоэнкодеры для сжатия данных, генеративные нейросети для создания новых объектов и т. д.  В то же время практически все нейросети обладают существенным ограничением — для их обучения нужно большое количество данных (на порядки большее, чем число связей между нейронами в этой сети). Благодаря тому, что в последнее время объемы готовых для анализа данных значительно выросли, растет и сфера применения. С помощью нейросетей сегодня, например, решаются задачи распознавания изображений, такие как определение по видео возраста и пола человека, или наличие каски на рабочем.

• Эволюционные вычисления – например, генетические алгоритмы, генетическое программирование
• Зрение – например, распознавание объектов, понимание изображений
• Робототехника – например, интеллектуальное управление, автономное исследование
• Экспертные системы – например, системы поддержки принятия решений, обучающие системы
• Обработка речи – например, распознавание и воспроизведение речи
• Обработка естественного языка – например, машинный перевод, ChatGPT
• Планирование – например, составление расписания, проведение игр
• Машинное обучение – например, изучение дерева решений, изучение пространства версий

Рассмотрим работу ML на примере задачи банковской системы оценки заемщика. Банк располагает данными о существующих клиентах. Ему известно, есть ли у кого-то просроченные платежи по кредитам. Задача — определить, будет ли новый потенциальный клиент вовремя вносить платежи. По каждому клиенту банк обладает совокупностью определенных признаков: пол, возраст, ежемесячный доход, профессия, место проживания, образование и прочее. В числе характеристик могут быть и слабоструктурированные параметры, такие как данные из социальных сетей или история покупок. Кроме того, данные можно обогатить информацией из внешних источников: курсы валют, данные кредитных бюро и многое другое.  Машина видит любого клиента как совокупность признаков: X1, X2..., Xn. Где, например, X1 — возраст, X2 — доход, а X3 — количество дорогих покупок в месяц. Каждому клиенту соответствует еще одна переменная — Y с двумя возможными исходами: 1 (есть просроченные платежи) или 0 (нет просроченных платежей). Совокупность всех данных X и Y — есть набор данных (Data Set). Используя эти данные, аналитик данных (Data Scientist) создает модель F, подбирая и дорабатывая алгоритм машинного обучения. В этом случае модель анализа выглядит так: F(X1, X2..., Xn) = Y.

Также с помощью алгоритмов машинного обучения решаются такие задачи, как моделирование общения специалиста поддержки или создание художественных произведений, неотличимых от сотворенных человеком (например, нейросети рисуют картины).  Для построения моделей машинного обучения требуются в разных случаях числовые, текстовые, фото, видео, аудио и иные данные. Для того чтобы эту информацию хранить и анализировать существует целая область технологий — Big Data.

Машинное обучение стоит на трех китах

• Получение данных. Могут быть использованы данные из смежных систем: график работ, план продаж. Данные могут быть также обогащены внешними источниками: курсы валют, погода, календарь праздников и т. д. Необходимо разработать методику работы с каждым типом данных и продумать конвейер их преобразования в формат модели машинного обучения (набор чисел).
• Построение признаков. Проводится вместе с экспертами из необходимой области. Это помогает вычислить данные, которые хорошо подходят для прогнозирования целей: статистика и изменение количества продаж за последний месяц для прогноза рынка.
• Модель машинного обучения. Метод решения поставленной бизнес-задачи выбирает data scientist самостоятельно на основании своего опыта и возможностей различных моделей. Под каждую конкретную задачу необходимо подобрать отдельный алгоритм. От выбранного метода напрямую зависят скорость и точность результата обработки исходных данных.

Применение искусственного интеллекта (печатная версия)

• Применение искусственного интеллекта в медицине. Способность собирать, анализировать информацию и делать заключения для постановки диагноза, регистрации данных, выполнения функции ассистента врача. Определение предрасположенности пациента к развитию патологий, прогнозирование течения заболеваний, раннее выявление болезни. Вместе с тем роботы проводят операции.
• Применение искусственного интеллекта в сфере образования. Развитие адаптивного обучения, автоматизация по подбору учебного материала и способу преподавания, подходящих ученику, чтобы облегчить процесс усвоения материала всем категориям учащихся. Кроме того, распознавание и контроль поведения учащихся во время экзаменов.  Искусственный интеллект пишет дипломные работы для студентов.
• Применение искусственного интеллекта в промышленной сфере. Возможность автоматизировать рабочие процессы выполняемые на конвейере, автоматизация работы склада, перемещение объектов с использованием технологии следования по линии, распознавание меток для выполнения роботами различных рутинных задач.
• Искусственный интеллект в сельском хозяйстве и бытовой сфере. "Умные" дома. Обнаружение и удаления на полях сорняков, выявления заболеваний культур, распознавания вредных насекомых, распределение на площадях пестицидов и удобрений в необходимых количествах. Кроме того, системы отслеживают изменения параметров окружающей среды – температуры воздуха, влажности воздуха.
• Применение ИИ в сфере дорожного движения. Отслеживание погодных условий, плотности автомобильного потока, отслеживание и распознавание нарушений правил дорожного движения. Регулирование движения в городе. Автономное вождение автомобилей. Роботизированные парковки.

Экспертные системы

Экспертная система - это компьютер, который мыслит и ведет себя как человек-эксперт в определенной области; истемы, которые можно использовать для имитации работы эксперта-человека; искусственный интеллект для принятия решений, основанных на ответах на вопросы

Компоненты экспертной системы:

• База знаний (Knowledge Base) – набор знаний о какой-либо конкретной области/предмете.
• Механизм логического вывода (Inference Engine)  – набор правил, на которых основаны решения, принимаемые системой.
• Пользовательский интерфейс (User interface) – способ взаимодействия экспертной системы с пользователем

Преимущества и недостатки экспертных систем

Преимущества

• Малое время на обучение – обучение специалистов-людей занимает много времени.
• Больше опыта, чем у одного эксперта – системы, основанные на опыте многих экспертов
• Всегда задает вопросы, которые эксперт-человек может забыть задать

Недостатки

• Системам не хватает здравого смысла – они не могут распознать нелепую ситуацию
• Системам не хватает чувств – например, может потребоваться наблюдение за пациентом
• Система полагается на правильность правил – человек, создающий экспертную систему, возможно, допустил ошибки

Применение экспертных систем

• Медицина

1. Позволяет врачу поставить точный диагноз
2. Помощь в принятии решений, позволяющие пациенту без промедления пройти правильное лечение.

• Строительство.
  

1. Расчет, планирование и моделирование домов и сооружений с учетом внешних факторов.
   
2. Расчет и планирование расположения комнат.
   

• Геология.

1. Извлечение геологической информации из карт для создания базы знаний.
2. Разведка полезных ископаемых/нефти.

• Бухгалтерия.
  

1. Минимизация налогов, которые платят частные лица и организации.
   
2. Экспертные системы задают ряд вопросов, чтобы прийти к экспертному решению.

Список ресурсов для применения ИИ на практике:

Разработка чат-ботов и интеграция в приложения и сайты https://dialogflow.cloud.google.com

Чат-бот ChatGPT для получения ответов на любые вопросы https://openai.com

База знаний и набор вычислительных алгоритмов https://www.wolframalpha.com

Инструменты для разработки приложений с использованием машинного обучения https://huggingface.co

Эксперименты с Google. https://experiments.withgoogle.com

Обучение нейронной сети распознаванию объектов.https://teachablemachine.withgoogle.com