Что такое Искусственный Интеллект? Чем Машинное обучение отличается от Глубокого обучения?

Искусственный Интеллект (ИИ, от англ. artificial intelligence, AI) - это обширная отрасль компьютерных наук, которая сосредоточена на создании умных машин, способных выполнять интеллектуальные задачи. Такие системы могут работать на основе алгоритмов машинного обучения, глубокого обучения или на очень скучных вещах, например, правилах.

ИИ не следует путать с Искусственным Сознанием, когда в компьютере реализованы высшие когнитивные функции человека, такие как целеполагание, рефлексия, планирование поведения, переживание эмоций и другие.

Общее для человека и машины понятие Интеллект можно сформулировать как способность системы в ходе самообучения создать программы для решения определённых задач и в итоге решать эти задачи.

Примером ИИ может стать система AlphaGo от компании Google, которая обыграла профессионального игрока в настольной игре Го со счетом 5 из 5 игр. Еще задолго до этого ученые установили, что вариаций ходов в этой игре больше нескольких миллиардов. Ни одна компьютерная программа не могла бы просчитать все варианты развития партии. Однако алгоритм AlphaGo справился с этой задачей. Алгоритм не просчитывал все ходы наперед, а обучился играть сам на примере партий профессионалов и даже играя сам с собой.

В коммерческом применении ИИ обычно используют для:

· Обработки естественного языка и распознавания речи

· Автоматизации распознавания текста, аудио, изображений, видео, лица

· Управления беспилотными средствами передвижения

· Аналитики больших данных

· Компьютерного зрения и многого другого

ИИ настолько плотно вошёл в нашу жизнь, что многие люди не думают о нём как об ИИ и не отделяют его от обычных компьютерных технологий. Спросите любого прохожего, есть ли ИИ в его смартфоне, и он, скорее всего, ответит, что нет. Но алгоритмы ИИ находятся повсюду: от предугадывания введённого текста до автоматического фокуса камеры.

Термин ИИ является довольно обобщённым, в СМИ под ИИ могут подразумевать как всю систему целиком, так и его отдельный алгоритм или узкие области ИИ, такие как нейронные сети и глубокое обучение.

В России есть национальный стандарт по ИИ: ГОСТ Р 59277-2020 Системы искусственного интеллекта. Классификация систем искусственного интеллекта. Согласно пункту 3.18:

Искусственный Интеллект (artificial intelligence) - это комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение, поиск решений без заранее заданного алгоритма и достижение инсайта) и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека. Примечание — Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе, в котором используются методы машинного обучения), процессы и сервисы по обработке данных, анализу и синтезу решений.

Сильный и слабый искусственные интеллекты

ИИ можно разделить на 2 категории: сильный и слабый ИИ.

Слабый ИИ (Weak AI) или узкий ИИ (Narrow AI) - это вид искусственного интеллекта, который работает в ограниченном контексте и является имитацией человеческого интеллекта. Слабый ИИ обычно ориентирован на выполнение одной задачи, например, поиск Google, распознавание текста или синтезирование голоса.

Сильный ИИ (Strong AI) или Общий искусственный интеллект (Artificial general intelligence, AGI) - это вид искусственного интеллекта, который способен мыслить и действовать как человек, а также выполнять комплексные задачи. Например, Сильный ИИ мы можем увидеть в фантастических фильмах про роботов: Мир Дикого Запада, Бегущий по лезвию или Терминатор.

Как работает ИИ?

Сильный ИИ пока не изобрели, поэтому рассмотрим работу слабого ИИ.

Чтобы заставить компьютер имитировать человеческий интеллект и научить выполнять какую-то задачу, нужно его обучить. Просто написать один раз программу, которая будет учитывать все возможные проблемы и содержать все возможные решения не получится. Вместо этого в компьютер закладывают алгоритм самостоятельного нахождения решений на основе статистических данных. Так появились алгоритмы Машинного обучения, которые затем дополнили различными методами Нейронных сетей и Глубокого обучения.

Машинное обучение

Машинное обучение – это подход, когда компьютерный алгоритм сам учится решать задачу. Чтобы запустить процесс машинного обучения, в компьютер необходимо загрузить некоторое количество исходных данных или датасет с некоторыми свойствами или признаками. Затем нужно выбрать алгоритм, который будет учиться обрабатывать запросы и выдавать наиболее точный ответ. Алгоритмы могут быть любыми, начиная от линейной регрессии до нейронных сетей.

Например, в ИИ загружают фотографии собак и котов с метками, обозначающие к кому они относятся. После процесса обучения, ИИ уже сам сможет с некоторой вероятностью распознать собак и котов на новых изображениях без меток. Процесс обучения продолжится и после выданных прогнозов, чем больше данных будет проанализировано программой, тем более точно она распознает нужные изображения.

Основные методы машинного обучения

Обучение с учителем используют тогда, когда у разработчиков имеется размеченный набор данных и они знают какие именно признаки должен искать алгоритм. Такие модели используют в спам-фильтрах, распознавании языков и рукописного текста, выявлении мошеннических операций, расчете финансовых показателей, спроса на товар или постановки медицинских диагнозов.

Обучение без учителя используют тогда, когда есть неразмеченные или сыре данные и компьютеру необходимо самостоятельно найти признаки и закономерности. Часто такой подход используют для кластеризации данных, уменьшения их размерности и поиска ассоциаций. Например, для определения на фото улыбки, сжатия изображений или создания рекомендательной системы.

Обучение с подкреплением – это обучение агента ИИ выживать в среде, в которой он существует. Средой может быть все что угодно: от видеоигры до реального мира. Обучение с подкреплением предусматривает награду для агента за правильное действие и наказание за ошибки. Алгоритму не обязательно запоминать весь свой предыдущий опыт и просчитывать все возможные варианты развития событий. Он должен научится действовать по ситуации. Например, обучение с подкреплением инженеры используют для беспилотников, роботов-пылесосов и управления ресурсами компании.

Ансамбли – это группы алгоритмов, которые используют сразу несколько методов машинного обучения и исправляют ошибки друг друга. Ансамбли применяют в поисковых системах, компьютерном зрении и распознавании лиц.

Глубокое обучение – это подраздел машинного обучения, при котором компьютер использует в качестве алгоритма работы нейронные сети со множеством скрытых слоев нейронов.

Нейронные Сети

Нейронные Сети – это попытка смоделировать работу человеческого мозга на компьютере. Точное описание механизма работы нашего мозга еще не создали, но обычно его работу моделируют с помощью концепции нейронов и нейронных сетей. Предположительно мозг содержит примерно 100 миллиардов нейронов.

Упрощенно искусственный нейрон можно представить в виде сумматора, который имеет несколько входов и выходов. Каждый вход имеет свою степень веса. Информация от входа с большим весом будет преобладающей. Нейрон получает информацию со всех входов (сумму всех данных перемноженную на соответствующие коэффициенты весов), обрабатывает ее в соответствии с какой-нибудь функцией (функция активации может быть линейной, вида гиперболический тангенс или сигмоид) и затем нейрон отправляет результат на выход. Выход может быть соединен со входами других нейронов.

Нейроны группируют в слои и соединяют различными способами. Информация в нейронной сети может передаваться не только в одном направлении, но и иметь обратную связь (рекуррентные сети).

Тренировка нейронной сети сводится к выбору весов входов по всей нейросети. Набор данных или датасет прогоняют по нейросети в несколько итераций до тех пор, пока не получат нужную точность работы нейросети. Тренировка нейронной сети очень затратный процесс как по времени, так и по вычислительным ресурсам. Зато после обучения нейросети ответ будет получен намного быстрее.

Для ускорения работы нейросетей на компьютерах применяют специальные процессоры, например, один из известных процессоров машинного зрения от компании Intel - Movidius Myriad X с производительностью 1 Терафлопс и энергопотреблением не более 1 Вт. Такие ускорители позволяют встраивать ИИ практически в любой компактный ПК или видеокамеру.

Виды нейросетей и их применение

На сегодняшний день самыми популярными сетями являются сверточные нейросети (CNN) и рекуррентные нейросети (RNN). CNN часто используется для распознавания лиц, поиска объектов на фотографиях и видео, улучшения качества изображений и прочих задач. Рекуррентным сетям нашли применение в машинном переводе текста и синтезе речи. Например, с 2016 года Google Translate работает на основе RNN-архитектуры.

Также популярность нашли генеративно-состязательные сети (GAN). В ее основе лежат две нейросети, одна из которых генерирует данные, например — изображение, а вторая пытается отличить правильные образцы от неправильных. Так как две сети соревнуются между собой, между ними возникает антагонистическая игра. GAN часто используется для создания фотореалистичных фотографий. Например, репозиторий изображений This Person Does Not Exist состоит из портретных фото «людей», созданных генеративной нейросетью.

ИИ в промышленности

Конечно же ИИ стали активно внедрять в промышленность. Вот несколько примеров.

Компания Datana запустила ИИ на Ашинском металлургическом заводе в электросталеплавильном цеху. Самыми дорогостоящими материалами при выплавке стали являются ферросплавы, цена которых может варьироваться от 60 тыс. руб. до 3 млн. руб. за тонну. Оптимизация расхода ферросплавов дает заметное сокращение затрат. Сотрудники Datana обучили ИИ, который может сделать прогноз химического состава стали и дать рекомендацию по внесению нужного количества ферросплавов. Расчет только для одной марки стали показал, что применение ИИ в рамках опытно-промышленной эксплуатации принесло экономию расхода ферросплавов порядка 8%.

Компания Cognitive Pilot роботизировала кормоуборочные комбайны. ИИ на основе нейросети позволяет внедрить в комбайн систему автономного управления с возможностью обнаружения препятствий и людей.

Компания Газпром нефть внедрила проект Когнитивный геолог, который позволяет выбрать оптимальные сценарии создания геологических моделей, автоматизировать рутинные операции на этапе геологоразведки и повысить эффективность инвестиционных решений.

На одном из филиалов Уралхима внедрили систему интеллектуального управления процессом сушки и гранулирования - Советчик оператора барабана гранулятора-сушилки (БГС). Система позволила повысить стабильность работы и снизить влияние человеческого фактора при управлении процессом, благодаря чему выпуск продукции увеличился на 2-6% при сохранении качества.

Подведём итоги

Искусственный интеллект — это одновременно и наука, которая позволяет создавать умные машины, и способность компьютера самостоятельно обучаться и принимать решения.

Машинное обучение — это одна из областей искусственного интеллекта, которая позволяет компьютеру научиться новому, не будучи явно запрограммированным на это.

Глубокое обучение — это один из методов машинного обучения, при котором компьютер использует в качестве алгоритма работы нейронные сети со множеством скрытых слоев нейронов.

Конечно сегодняшний уровень развития ИИ недотягивает до уровня человеческого мозга, но он уже может решать прикладные задачи. В ближайшие несколько лет мы увидим значительный рост в области развития ИИ, а также новые способы его применения.

Источник: m.vk.com

Комментарии: