Искусственный интеллект: машины, которые думают.

Этот отрывок из мультфильма "Ну, погоди!" прекрасно показывает отношение большинства людей к роботам (война, роботы захватят мир — все в лучших традициях голливудских фильмов ). А может волк погорячился и не нужно было сразу молотком всмятку? Может стоило попытаться перепрограммировать эту железяку и тогда уже вместе ловить зайца? Давайте разбираться.

Зачем обучать машины?

Разберём на Борисах. (Борисы, читающие статью, примите наши извинения)

Предположим, Борис хочет купить автомобиль и считает сколько денег ему нужно для этого накопить. Он пересмотрел десяток объявлений в интернете и увидел, что новые автомобили стоят около $20 000, годовалые — примерно $19 000, двухлетние — $18 000 и так далее.

В уме Борис-аналитик выводит формулу: адекватная цена автомобиля начинается от $20 000 и падает на $1000 каждый год, пока не упрётся в $10 000.

Борис сделал то, что в машинном обучении называют регрессией — предсказал цену по известным данным. Люди делают это постоянно, когда считают почём продать старый айфон или сколько «сока» купить на праздничный стол.

Да, было бы удобно иметь формулу под каждую проблему на свете. Но взять те же цены на автомобили: кроме пробега есть десятки комплектаций, разное техническое состояние, сезонность спроса и еще столько неочевидных факторов, которые Борис, даже при всём желании, не учел бы в голове.

Люди ленивы — значит надо заставить вкалывать роботов. Пусть машина посмотрит на наши данные, найдёт в них закономерности и научится предсказывать для нас ответ. Самое интересное, что в итоге она стала находить даже такие закономерности, о которых люди не догадывались.

Так родилось машинное обучение.

Постоянно появляются новости о том, что ИИ научился генерировать лица людей, рисовать пейзажи или играть в приставку лучше, чем люди. Из-за этого и создаётся впечатление, что крутые роботы скоро займут наши рабочие места. Но это в какой-то мере ошибка выжившего: все громкие новости — уникальные проекты. Большая же часть «разработчиков искусственного интеллекта» решают куда более приземлённые задачи.

Оптимизация поисковой выдачи

Когда вы набираете какую-нибудь фразу в поисковике, именно алгоритмы машинного обучения подсказывают вам её продолжение. А другие решают в каком порядке выдавать вам сайты, лучше подходящие под ваш запрос. Всё для того, чтобы вы воскликнули "Именно то, что мне нужно!"

Рекомендации и рекламы

Похожие алгоритмы пытаются предсказать вам видео, которое вы с большей вероятностью посмотрите и рекламу, на которую вам захочется кликнуть. Была даже грустная шутка о том, что лучшие умы человечества сегодня заняты тем, что думают, как заставить человека кликнуть на баннер.

Кредиты

Когда вы хотите взять кредит, банк должен быть уверен, что вы его выплатите. Вы заполняете анкету и на основе предыдущих случаев выплаты/невыплаты кредита людей с похожими на вас данными, банк выставляет вам определённый «балл», который повлияет на решение.

Классическое обучение

Первые алгоритмы пришли к нам из статистики еще в 1950-х. Они решали формальные задачи — искали закономерности в циферках, оценивали близость точек в пространстве и вычисляли направления.

Сегодня на классических алгоритмах держится половина интернета. Когда вы встречаете блок «Рекомендованные статьи» на сайте, или банк блокирует все ваши деньги на карточке после первой же покупки кофе за границей — это почти всегда дело рук одного из этих алгоритмов.

Классическое обучение любят делить на две категории — с учителем и без. Часто можно встретить их английские наименования — Supervised и Unsupervised Learning.

В первом случае у машины есть некий учитель, который говорит ей как правильно. Рассказывает, что на этой картинке кошка, а на этой собака. То есть учитель уже заранее разделил (разметил) все данные на кошек и собак, а машина учится на конкретных примерах.

В обучении без учителя, машине просто вываливают кучу фотографий животных на стол и говорят «разберись, кто здесь на кого похож». Данные не размечены, у машины нет учителя, и она пытается сама найти любые закономерности.

Очевидно, что с учителем машина обучится быстрее и точнее, потому в боевых задачах его используют намного чаще.

Обучение с подкреплением

Сегодня используют для:

• Самоуправляемых автомобилей
• Роботов пылесосов
• Игр
• Автоматической торговли

Обучение с подкреплением используют там, где задачей стоит не анализ данных, а выживание в реальной среде.

Средой может быть реальный мир или даже видеоигра. Как пример — автопилот Теслы, который учится не сбивать пешеходов, или роботы-пылесосы, главная задача которых — напугать вашего кота до усрачки с максимальной эффективностью.

Знания об окружающем мире такому роботу могут быть полезны, но чисто для справки. Не важно сколько данных он соберёт, у него всё равно не получится предусмотреть все ситуации. Потому его цель — минимизировать ошибки, а не рассчитать все ходы. Робот учится выживать в пространстве с максимальной выгодой: собранными монетками в Марио, временем поездки в Тесле или количеством убитых котов.

Выживание в среде и есть идея обучения с подкреплением. Давайте бросим бедного робота в реальную жизнь, будем штрафовать его за ошибки и награждать за правильные поступки. На людях работает, почему бы на и роботах не попробовать.

Умные модели роботов-пылесосов и самоуправляемые автомобили обучаются именно так: им создают виртуальный город (часто на основе карт настоящих городов), населяют случайными пешеходами и отправляют учиться никого там не убивать. Когда робот начинает хорошо себя чувствовать в искусственном GTA, его выпускают тестировать на реальные улицы.

Нейросети и глубокое обучение

Сегодня используют для:

• Всего вышеперечисленного
• Определение объектов на фото и видео
• Распознавание и синтез речи, перевод
• Обработка изображений, перенос стиля

Если вам хоть раз не пытались объяснить нейросеть на примере якобы работы мозга, расскажите, как вам удалось спрятаться? Любая нейросеть — это набор нейронов и связей между ними. Нейрон лучше всего представлять просто как функцию с кучей входов и одним выходом. Задача нейрона — взять числа со своих входов, выполнить над ними функцию и отдать результат на выход. Простой пример полезного нейрона: просуммировать все цифры со входов, и если их сумма больше N — выдать на выход единицу, иначе — ноль.

Связи — это каналы, через которые нейроны шлют друг другу циферки. У каждой связи есть свой вес — её единственный параметр, который можно условно представить как прочность связи. Когда через связь с весом 0.5 проходит число 10, оно превращается в 5. Сам нейрон не разбирается, что к нему пришло и суммирует всё подряд — вот веса и нужны, чтобы управлять на какие входы нейрон должен реагировать, а на какие нет.

Чтобы сеть не превратилась в анархию, нейроны решили связывать не как захочется, а по слоям. Внутри одного слоя нейроны никак не связаны, но соединены с нейронами следующего и предыдущего слоя. Данные в такой сети идут строго в одном направлении — от входов первого слоя к выходам последнего.

Если сделать достаточное количество слоёв и правильно расставить веса в такой сети, получается следующее — подав на вход, скажем, изображение написанной от руки цифры 4, чёрные пиксели активируют связанные с ними нейроны, те активируют следующие слои, и так далее и далее, пока в итоге не загорится самый выход, отвечающий за четвёрку. Результат достигнут.

В реальном программировании, естественно, никаких нейронов и связей не пишут, всё представляют матрицами и считают матричными произведениями, потому что нужна скорость.

Более подробно об нейронных сетях и машинном обучении можно посмотреть в видео здесь и здесь.

Когда на войну с машинами?

Искусственный интеллект уже умеет многое, с его работой мы сталкиваемся ежедневно. Чат-боты широко используются на сайтах для продажи товаров и услуг. Многие с удовольствием пользуются голосовыми помощниками: Siri от Apple, ОК Google, «Алиса» от «Яндекса». Пока это трудно назвать полноценным общением — впрочем, эти системы быстро совершенствуются. Причем делают это уже сами: учатся в процессе общения с людьми.

Сегодня в связи с таким быстрым прогрессом все чаще задаются вопросом «когда машины станут умнее нас и всех поработят?» По мнению Стивена Хокинга, одного из самых известных ученых и популяризаторов науки, создание искусственного интеллекта, который превзойдет своего создателя и начнет самосовершенствоваться со все возрастающей скоростью, может представлять для человечества угрозу. О вероятности того, что искусственный интеллект в какой-то момент выйдет из-под контроля и решит, что человек ему больше не нужен, говорят и другие исследователи. Впрочем, пока люди используют ограниченный ИИ, который развивается и решает задачи лишь в узкой области и под контролем человека, а значит и бояться его не стоит.

Источник: m.vk.com

Комментарии: