![](https://habrastorage.org/files/225/9a0/170/2259a0170ddb4e6f898365be37a9119e.jpg)
/ фото KamiPhuc CC
Обычно в нашем блоге мы рассказываем об облачных сервисах, хостинге и соответствующих технологиях. Сегодня мы поговорим о сложностях развития технологий в целом, искусственном интеллекте, больших данных и Майкле Джордане (не баскетболисте).
Майкл Джордан, почетный профессор университета Калифорнии в Беркли и участник IEEE. Джордан – один из самых уважаемых и авторитетных людей, мировой эксперт по теме машинного обучения. Он уверен, что чрезмерное использование больших данных, не даст ожидаемый эффект и приведет к катастрофам вроде массового обрушения мостов.
Попробуем разобраться в этой теме получше. Посмотрим на определение термина «искусственный интеллект» за авторством создателя языка Лисп Джона Маккарти. В статье с одноименным названием («Что такое искусственный интеллект?») он подчеркнул, что ИИ связан с задачей использования компьютеров для понимания работы человеческого интеллекта, но не ограничивается использованием методов, наблюдаемых в биологии.
Конечно, такая трактовка явно далека от наших представлений о футуристичном образе ИИ. Журналист Гомез и Джордан в своей беседе подтверждают эту мысль и подчеркивают наличие своего рода дезинформации, которая выгодна различным медиа, работающим на волне роста популярности данной темы.
Майкл взывает к опыту исследования нейронных сетей, о которых говорили на каждом углу с 1980-х годов, повторая при этом то, что было известно еще в 1960е годы. Сегодня главной идеей является сверточная нейронная сеть, но речь идет совсем не о неврологии. Людей убеждают в необходимости понимания того, как человеческий мозг обрабатывает информацию, учится и принимает решения, но на самом деле наука развивается в несколько ином направлении.
Джордан говорит, что нейробиологии потребуются десятки и даже сотни лет, чтобы понять глубинные принципы работы мозга. Сегодня мы только приблизились к началу изучения принципов представления, хранения и обработки информации нейронами. У нас практически нет понимания того, как на самом деле происходит обучение в нашем мозгу. Хотя и для подобных аналогий свое место. Так, люди начали поиск метафор, связанных с параллельной работой мозга, что оказалось полезным для разработки алгоритмов, но практически не ушло дальше уровня поиска свежих решений и идей.
Если продолжить рассмотрение терминов, то мы увидим, что «нейроны», задействованные в глубинном обучении – это метафора (или, выражаясь языком Джордана, вообще «карикатура» на работу мозга), которая применяется только для краткости и удобства. В действительности же работа механизмов того же глубинного обучения гораздо ближе к процедуре построения статистической модели логистической регрессии, чем к работе настоящих нейронов.
Джон Маккарти, в свою очередь, подчеркивал: проблема не только в том, чтобы создать систему по образу и подобию человеческого интеллекта, а в том, что сами ученые не придерживаются единого мнения по поводу того, что он (интеллект) из себя представляет и за какие конкретно процессы отвечает. Говорить о том, что мы можем «в точности воссоздать» эту архитектуру и заставить ее работать, в ближайшем будущем крайне маловероятно.
Большие данные могут оказаться очередной уловкой медиа, на которую клюнули тысячи исследователей по всему миру. Современная одержимость большими данными может привести к неконтролируемому использованию выводов, сделанных на основе данных, обладающих спорной статистической прочностью.
Для любой отдельно взятой базы данных можно найти комбинацию столбцов, которая совершенно случайно, но точно ответит на любую гипотезу, которую нужно рассмотреть для решения той или иной задачи. С учетом наличия миллионов атрибутов для определенного объекта и практически бесконечного числа комбинаций этих атрибутов все это начинает напоминать шутку про Шекспира, печатную машинку и миллион обезьян.
Конечно, существует множество идей для контроля исследований, позволяющих узнать, с какой частотой возникали ошибки в подобных гипотезах. Но применение математических и технических средств занимает длительное время, а мы все еще учимся тому, как обращаться с большими данными.
В науке и новых областях знаний границы и рамки для исследования являются одним из необходимых для прогресса элементов. Это утверждение подкрепляет как история с первыми системами технического зрения (распознавания лиц), так и пример с речевыми технологиями ( распознавание отдельных слов).
P.S. Мы стараемся делиться не только собственным опытом работы над сервисом по предоставлению виртуальной инфраструктуры 1cloud, но и рассказывать о различных исследованиях и исследователях, которые занимаются смежными областями знаний.
Не забывайте подписываться на наш блог на Хабре, друзья!