В последние несколько лет тема искусственного интеллекта активно обсуждается, так как один из подходов к ее изучению активно набирает обороты среди крупных корпораций. Этот подход – нейросети. Еще недавно, около года назад, это слово можно было услышать отовсюду. Сегодня рассмотрим историю изучения искусственного интеллекта человечеством (оказывается, ему уже около 2000 лет) и сегодняшние реалии.
Авторы этой статьи — ребята из Jedium. Передаю им слово.
И действительно, благодаря росту вычислительных мощностей обычных компьютеров, заниматься AI на программном уровне стало удобно. Вплоть до того, что на популярных IT-источниках выкладывались статьи о том, как “написать” свою нейросеть с минимальными знаниями программирования. Однако, прежде чем углубляться в изучения нашей компании в этой сфере, мы бы хотели рассказать небольшую предысторию.
Бурное развитие этой отрасли началось несколько лет назад, однако до этого человечество занималось изучением искусственного интеллекта уже пару тысяч лет. Начиная от Аристотеля и Декарта и заканчивая небезызвестным Джоном фон Нейманом. Последний сделал огромный вклад в разработку логики современного компьютера. Ученых, изучавших данное направление, очень и очень много. На полноценное описание истории AI уйдет не одна серия статей с длинными расшифровками и пояснениями. Цель предыстории науки об AI – передать несколько тезисов, которые будут важны для понимания того, чем занимается Jedium.
В 30-е годы прошлого столетия был бурный подъем интереса к изучению искусственного интеллекта. Ученые с разными подходами к исследованию AI добивались отличных результатов, оспаривали теории друг друга и доказывали новые. Так, например, в это время был изобретен тест Тьюринга, предполагающий, что если в разговоре с двумя собеседниками человек не может отличить AI от другого человека (разговор предполагается вести с помощью компьютерного терминала, чтобы исключить влияние голоса, внешнего вида и тому подобных дискредитирующих качеств), то перед нами полноценный AI. Самое интересное, что однажды тест был пройден. В итоге работы Тьюринга стали фундаментальной базой знаний о вычислительных системах, которые на основе вводных данных создают свои аксиомы (суждения, не требующие доказательств). Благодаря аксиомам, системы могут делать выводы по конкретным запросам от пользователя или строить предсказания с очень впечатляющей точностью. В наше время именно эти системы и стали называть нейронными сетями.
Подходов к изучению AI несколько, но стоит выделить как минимум два – с определенной семантикой и без нее. Либо мы пишем логику, либо мы пишем высоконагруженную вычислительную программу, то есть нейросеть. Однако после конца 40-х годов прошлого столетия и по настоящее время в сфере AI не наблюдалось больших прорывов. Была “зима” – спад интереса к изучению искусственного интеллекта. Это было связано с нехваткой вычислительных мощностей для построения мощных нейросетей, а подход с логической стороны оказался непосильно сложным и показывал неутешительные результаты.
Несколько лет назад вычислительных мощностей стало хватать на конструирование очень мощных нейросетей. Однако интерес к ним у обычных людей приобретает негативный тренд, тогда как у специалистов наоборот — обучение продолжается. Даже стоит сделать оговорку – нейросети все больше и больше начинают приобретать свойство обыденной и повседневной вещи. Голосовые помощники в ваших гаджетах, машинное зрение, которое вы в очередной раз используете для сканирования документов своим смартфоном, редактор фотографий и многие другие примеры. Люди к этому привыкают и “вау-эффект” вызвать все сложнее и сложнее. Поэтому есть тезис, что развитие нейросетей не будет двигаться столь же быстро в течение недалекого будущего, иными словами, наступит новая “зима”.
Но хоть работы по изучению AI в корпорациях не прекращаются, у индустрии есть серьезные проблемы, которые мешают продуктивному исследованию в этой сфере. Например, нехватка данных для обучения нейросетей. Изучая этот вывод и задавшись вопросом “откуда мы можем взять данные?”, мы обнаружили интересный подход, который может стать решением проблемы.
Ребята из Jedium занимаются созданием платформы, стандартизирующей и упрощающей разработку VR/AR приложений, а также созданием систем обучения. Работая в этой сфере, они обнаружили интересные исследования о так называемых “скрытых знаниях”. Скрытые знания – это навыки, которые есть у одного человека, но отсутствующие у другого. Человек со скрытыми знаниями может ими делиться. Только вся проблема кроется в названии – эти навыки скрытые, и пока человеку о них не скажут, он не знает, что они у него есть.
Скрытые знания – основа социального обучения. Если есть знания, которые один ученик может дать другим ученикам, то нагрузка на преподавателя снижается. Этот тезис практически никто пока не проверял на практике – нет специализированных программных систем. Компания двигается в этом направлении. Есть виртуальная среда, в которой можно воссоздать условия для записи скрытых знаний, и далее с помощью нее передавать их другим ученикам.
Но чтобы воспользоваться скрытыми знаниями, да и просто для создания эффективной среды обучения, нужны достаточно сильные элементы искусственного интеллекта. Например, для построения по-настоящему индивидуального обучения (Tailored Learning), основанного на пробелах в знаниях и предпочтениях каждого из них. А для этого требуются эффективные алгоритмы анализа данных, в современных реалиях – обученные нейросети.
Создавая современную систему онлайн-обучения, стоит также учесть современные тренды, а их несколько, и зачастую бывает трудно различить границу между ними:
Создавая нашу платформу, мы искали подходы к решению части этих проблем, при этом пытаясь найти решение не в теории, а во вполне конкретном программном продукте с определенными возможностями. Мы считаем, что отчасти это удалось, но также видим, что огромная часть этих проблем требует дальнейшего развития платформы и анализа ее работы. Мы бы хотели рассказать об этом подробнее в дальнейших статьях.
Наша миссия – расширить границы интеллектуального развития, обогатив социальные знания людей технологическими достижениями.
Теория обучения людей долго развивалась в отрыве от технологического прогресса. Наша цель – стереть этот барьер, добившись синергии совместной работы человеческого и машинного интеллекта.
И понять в процессе, что же происходит на самом деле.
Компания Jedium — партнерская компания Microsoft, работающая в сфере виртуальной, дополненной реальности и искусственного интеллекта. Jedium разработала фреймворк для упрощения разработки комплексных проектов на Unity, часть которого находится в открытом доступе на GitHub. Jedium планирует пополнять репозиторий новыми модулями фреймворка, а также интеграционными решениями с Microsoft Azure.
Виталий Чащин — Разработчик программного обеспечения с более чем 10 годами опыта в дизайне и реализации трехмерных клиент-серверных приложений – от концепции до полной реализации и интеграции приложений и решений в области виртуальной реальности. Системный архитектор Jedium LLC, MSc in IT.
Алексей Сарафанов
менеджер по маркетингу в Jedium LLC.
Сергей Кудрявцев
CEO and founder of Jedium LLC.
Авторы этой статьи — ребята из Jedium. Передаю им слово.
Введение
И действительно, благодаря росту вычислительных мощностей обычных компьютеров, заниматься AI на программном уровне стало удобно. Вплоть до того, что на популярных IT-источниках выкладывались статьи о том, как “написать” свою нейросеть с минимальными знаниями программирования. Однако, прежде чем углубляться в изучения нашей компании в этой сфере, мы бы хотели рассказать небольшую предысторию.
AI – это открытие не XXI века
Бурное развитие этой отрасли началось несколько лет назад, однако до этого человечество занималось изучением искусственного интеллекта уже пару тысяч лет. Начиная от Аристотеля и Декарта и заканчивая небезызвестным Джоном фон Нейманом. Последний сделал огромный вклад в разработку логики современного компьютера. Ученых, изучавших данное направление, очень и очень много. На полноценное описание истории AI уйдет не одна серия статей с длинными расшифровками и пояснениями. Цель предыстории науки об AI – передать несколько тезисов, которые будут важны для понимания того, чем занимается Jedium.
В 30-е годы прошлого столетия был бурный подъем интереса к изучению искусственного интеллекта. Ученые с разными подходами к исследованию AI добивались отличных результатов, оспаривали теории друг друга и доказывали новые. Так, например, в это время был изобретен тест Тьюринга, предполагающий, что если в разговоре с двумя собеседниками человек не может отличить AI от другого человека (разговор предполагается вести с помощью компьютерного терминала, чтобы исключить влияние голоса, внешнего вида и тому подобных дискредитирующих качеств), то перед нами полноценный AI. Самое интересное, что однажды тест был пройден. В итоге работы Тьюринга стали фундаментальной базой знаний о вычислительных системах, которые на основе вводных данных создают свои аксиомы (суждения, не требующие доказательств). Благодаря аксиомам, системы могут делать выводы по конкретным запросам от пользователя или строить предсказания с очень впечатляющей точностью. В наше время именно эти системы и стали называть нейронными сетями.
Подходов к изучению AI несколько, но стоит выделить как минимум два – с определенной семантикой и без нее. Либо мы пишем логику, либо мы пишем высоконагруженную вычислительную программу, то есть нейросеть. Однако после конца 40-х годов прошлого столетия и по настоящее время в сфере AI не наблюдалось больших прорывов. Была “зима” – спад интереса к изучению искусственного интеллекта. Это было связано с нехваткой вычислительных мощностей для построения мощных нейросетей, а подход с логической стороны оказался непосильно сложным и показывал неутешительные результаты.
Несколько лет назад вычислительных мощностей стало хватать на конструирование очень мощных нейросетей. Однако интерес к ним у обычных людей приобретает негативный тренд, тогда как у специалистов наоборот — обучение продолжается. Даже стоит сделать оговорку – нейросети все больше и больше начинают приобретать свойство обыденной и повседневной вещи. Голосовые помощники в ваших гаджетах, машинное зрение, которое вы в очередной раз используете для сканирования документов своим смартфоном, редактор фотографий и многие другие примеры. Люди к этому привыкают и “вау-эффект” вызвать все сложнее и сложнее. Поэтому есть тезис, что развитие нейросетей не будет двигаться столь же быстро в течение недалекого будущего, иными словами, наступит новая “зима”.
Но хоть работы по изучению AI в корпорациях не прекращаются, у индустрии есть серьезные проблемы, которые мешают продуктивному исследованию в этой сфере. Например, нехватка данных для обучения нейросетей. Изучая этот вывод и задавшись вопросом “откуда мы можем взять данные?”, мы обнаружили интересный подход, который может стать решением проблемы.
Живой пример
Ребята из Jedium занимаются созданием платформы, стандартизирующей и упрощающей разработку VR/AR приложений, а также созданием систем обучения. Работая в этой сфере, они обнаружили интересные исследования о так называемых “скрытых знаниях”. Скрытые знания – это навыки, которые есть у одного человека, но отсутствующие у другого. Человек со скрытыми знаниями может ими делиться. Только вся проблема кроется в названии – эти навыки скрытые, и пока человеку о них не скажут, он не знает, что они у него есть.
Скрытые знания – основа социального обучения. Если есть знания, которые один ученик может дать другим ученикам, то нагрузка на преподавателя снижается. Этот тезис практически никто пока не проверял на практике – нет специализированных программных систем. Компания двигается в этом направлении. Есть виртуальная среда, в которой можно воссоздать условия для записи скрытых знаний, и далее с помощью нее передавать их другим ученикам.
Но чтобы воспользоваться скрытыми знаниями, да и просто для создания эффективной среды обучения, нужны достаточно сильные элементы искусственного интеллекта. Например, для построения по-настоящему индивидуального обучения (Tailored Learning), основанного на пробелах в знаниях и предпочтениях каждого из них. А для этого требуются эффективные алгоритмы анализа данных, в современных реалиях – обученные нейросети.
Современный e-learning
Создавая современную систему онлайн-обучения, стоит также учесть современные тренды, а их несколько, и зачастую бывает трудно различить границу между ними:
- Переход от обучения “с учителем в центре” к обучению “с учеником в центре”. Достаточно долго в системах онлайн-обучения рассматривалась исключительно классическая парадигма — “учитель что-то рассказывает ученикам”. При этом не очень важно, какие конкретно технические средства использовались, будь то современные LMS и инструменты создания учебного контента или просто презентации, рассылаемые ученикам. Сейчас существует общее мнение, что фокусом системы обучения должен быть не преподаватель, а ученик, получающий знания из самых различных источников и формирующий свою собственную картину мира;
- Асинхронное/синхронное общение. Это несколько меньшая проблема в техническом смысле, так как сейчас нет недостатка в средствах для живого удаленного общения. Значительно большей проблемой нам кажется правильное использование подобных средств, особенно в контексте планирования обучения в целом. Несмотря на то, что концепция blended learning (смешанного обучения) уже совсем не нова, мы довольно часто сталкивались с ситуациями, когда живое общение и сам учебный курс шли отдельно друг от друга, не объединяясь в единую систему. Если же говорить о методиках социального обучения, то они вообще достаточно долго развивались “вне мейнстрима”, что, конечно, создало ряд достаточно интересных продуктов типа Knowledge Forum, но оставило открытым вопрос о том, как такие подходы объединить с общепринятыми.
- Конструктивистская и коннекционистская парадигмы. Опять-таки, и та и другая выглядят весьма интересно в сочетании со всем перечисленным, но мы считаем, что какие-либо общие паттерны их применения и воплощения в программном продукте еще не найдены (при том, что для традиционных LMS/LCMS все это уже давно существует).
- Симуляции, серьезные игры, ролевые игры. Во многих областях такие виды тренингов считаются наилучшими. Но при этом достаточно долго они были несколько в стороне от систем обучения в целом — этому не способствовали ни стандарты, ни практики применения. Сейчас, с переходом от AICC/SCORM к xAPI, возникла достаточно ясно видимая возможность интегрировать их в обучение, но, опять же, нет каких-либо паттернов или best practices.
Создавая нашу платформу, мы искали подходы к решению части этих проблем, при этом пытаясь найти решение не в теории, а во вполне конкретном программном продукте с определенными возможностями. Мы считаем, что отчасти это удалось, но также видим, что огромная часть этих проблем требует дальнейшего развития платформы и анализа ее работы. Мы бы хотели рассказать об этом подробнее в дальнейших статьях.
Расширяя границы интеллекта
Наша миссия – расширить границы интеллектуального развития, обогатив социальные знания людей технологическими достижениями.
Теория обучения людей долго развивалась в отрыве от технологического прогресса. Наша цель – стереть этот барьер, добившись синергии совместной работы человеческого и машинного интеллекта.
И понять в процессе, что же происходит на самом деле.
Авторы
Компания Jedium — партнерская компания Microsoft, работающая в сфере виртуальной, дополненной реальности и искусственного интеллекта. Jedium разработала фреймворк для упрощения разработки комплексных проектов на Unity, часть которого находится в открытом доступе на GitHub. Jedium планирует пополнять репозиторий новыми модулями фреймворка, а также интеграционными решениями с Microsoft Azure.
Виталий Чащин — Разработчик программного обеспечения с более чем 10 годами опыта в дизайне и реализации трехмерных клиент-серверных приложений – от концепции до полной реализации и интеграции приложений и решений в области виртуальной реальности. Системный архитектор Jedium LLC, MSc in IT.
Алексей Сарафанов менеджер по маркетингу в Jedium LLC.
Сергей Кудрявцев CEO and founder of Jedium LLC.
