Accenture Research: ИИ не нужно много данных, ему нужен здравый смысл

Исключительная роль больших данных уходит в прошлое. Будущее ИИ — это вероятностные модели и обучение на опыте. Исследователи заявляют, что в ближайшие 5 лет компьютеры станут менее «искусственными» и более «интеллектуальными». Они будут меньше полагаться на big data и больше на логические выводы, подобно тому, как человек подходит к проблемам и задачам.

Ограничения больших данных

Сегодня искусственный интеллект развивается при помощи глубокого обучения, используя огромное количество обучающих данных. Например, беспилотные автомобили обучаются на как можно большем количестве данных о разных дорожных ситуациях. Однако есть непредвиденные случаи, которые обучение не может охватить. Автомобиль может хорошо распознавать пешеходов, дорожные знаки, полосы движения, но не справится с детьми в костюмах для Хэллоуина, переходящими дорогу в сумерках.

Функция распознавания лиц iPhone X не работает сразу после утреннего пробуждения, когда лицо опухшее, а взгляд не слишком четкий.

Алгоритмы научились побеждать в шахматы и даже в древние японские го и сеги. Однако стоит повернуть изображение или слегка изменить его, нейросеть запутается и выдаст неправильный ответ.

Информационные системы сталкиваются с деловыми и этическими ограничениями. Не каждая компания имеет необходимый объем данных для создания продуктов с использованием нейронных сетей. Использование огромного количества данных граждан поднимает вопросы конфиденциальности. Работу нейросетей сравнивают с черным ящиком — неясно, как они используют входные данные и как принимают решения. Это также делает их открытыми для манипуляций.

Меньше данных, больше логики

Эксперты полагают, что в будущем нейронные сети станут использовать меньше данных, а мышление компьютера будет более гибким и естественным, как у человека. Компании и стартапы уже работают в этом направлении.

Стартап Vicarious работает над созданием искусственного интеллекта, который сможет обобщать на основе нескольких примеров. Среди инвесторов стартапа — Марк Цукерберг, Джефф Безос и Марк Бениофф. В прошлом году компания разработала алгоритм, который взламывает капчу с точностью 67%, обучившись всего на 5 примерах, в отличие от 200 тысяч, которые требуются современной state-of-the-art модели.

Моделирование того, что человек будет делать в условиях неопределенности и небольшого количества данных, позволило Siemens использовать ИИ для управления сложным процессом горения в газовых турбинах, например, поступления воздуха и газа, контроль температуры внутри и снаружи турбины. Для сбора необходимого количества данных для обучения понадобилось бы больше 100 лет работы турбины.

Люди могут оценить вероятность события, основываясь даже на небольшом опыте. Ученые моделируют подобные рассуждения для компьютеров, используя Гауссовские методы — вероятностные модели, которые могут работать с неопределенностью, основываясь на небольшом количестве данных. Так компания Alphabet запустила проект Loop. Он предоставляет интернет-соединение через гигантские воздушные шары, парящие в стратосфере. Их навигационные системы используют Гауссовские процессы, чтобы передвигаться в воздушных потоках.

Разработчики пытаются научить ИИ «здравому смыслу»: естественному общению, реакции на непредвиденные ситуации и способности обучаться на опыте. DARPA инвестирует $2 миллиарда в программу Machine Common Sense, а Microsoft разрабатывает алгоритмы, которые могут понимать неоднозначность слов в задачах NLP.

Использование небольшого количества данных для обучения — не новая идея. Такими разработками занимались ученые еще в 1950 годах. Они были отложены в сторону после успеха больших данных. Сегодня появляется все больше возможностей и исследований, которые показывают, что это перспективное направление для развития ИИ.