ИИ в 2019 году: текущее положение вещей

https://www.theverge.com/2019/1/28/18194816/ai-artificial-intelligence-issue
  • Перевод


Этот перевод — часть статьи The Real-World AI issue.

Общеизвестный факт — если вы станете повторять любое слово много раз, то в итоге оно потеряет всякое значение, превратится в фонетическое ничто. Это причина того, почему для многих из нас термин «искусственный интеллект» уже давно перестал что-то означать. ИИ сейчас практически везде, от вашего ТВ до зубной щеки, но никогда еще этот термин не значил так мало.

Что-то пошло не так.

Несмотря на то, что термин «искусственный интеллект», вне всякого сомнения, применяется неверно, технология, связанная с ним, все же развиваются очень активно — и это одновременно хорошо и плохо. Технология проникает в здравоохранение и военное дело, она помогает людям сочинять музыку и писать книги, она проверяет ваше резюме и судит о вашей кредитоспособности, а также улучшает фотографии, сделанные на мобильный телефон. Если кратко, то технология изменяет вашу жизнь, хотите вы этого или нет.

В то же время достаточно сложно понять, что за ИИ обсуждается технологическими компаниями и маркетологами. Возьмем, к примеру, зубную щетку Oral-B Genius X, которая среди многих прочих устройств с «добавлением ИИ» была представлена на CES. Если внимательно изучить пресс-релиз компании, становится ясно, что эта щетка просто помогает определить правильную длительность процедуры чистки зубов, обрабатывая именно там, где нужно. Да, в щетке есть несколько «умных» сенсоров, которые и обеспечивают функциональность устройства, но называть это искусственным интеллектом просто глупо.

Даже в том случае, когда нет излишней шумихи, есть непонимание сути термина. К примеру, освещение определенного события в прессе сопровождается иллюстрацией с Терминатором, причем это случается весьма часто. Иногда авторы путаются в том, что собственно такое искусственный интеллект. Все это сложно для того, кто не является экспертом, поэтому большинство людей определяют ИИ как компьютер с сознанием, который во много раз умнее человека. Эксперты же называют такой гипотетический искусственный разум сильной формой ИИ, но его создание — дело далекого будущего. Пока же не стоит преувеличивать.


Что же такое ИИ? По часовой стрелке, начиная сверху: персонаж из фильма Metropolis, зубная щетка Oral-B, автономный робот-курьер.

Намного лучше называть то, что у нас есть «машинным обучением», а не ИИ. Эта технология оказывает очень сильное влияние на мир (вместе с глубоким обучением). У этих терминов нет ничего мистического, как у «искусственного интеллект» и они гораздо лучше описывают то, что представляет собой технология.

Как работает машинное обучение? За последние несколько лет я прочитал и просмотрел множество объяснений. И одно из наиболее полезных следующее: машинное обучение позволяет компьютерам самостоятельно учиться. Но что это значит? Еще один большой вопрос.

Давайте начнем с проблемы. Скажем, вы хотите создать программу, которая распознает котиков (всегда котики по какой-то причине). Вы можете попробовать реализовать это «дедовским» методом, задавая машине правила вроде «котики пушистые». Но что сделает программа, если вы покажете ей фотографию тигра? Разработка каждого правила вручную — долгий процесс, причем вы должны будете описать все нюансы, какие только могут прийти на ум. Лучше всего дать машине возможность обучаться самой. Так, вы даете ей огромную коллекцию фотографий котиков, а машина уже определяет паттерны, причем самостоятельно. Сначала это примитивный процесс, который затем усложняется.

Собственно, это и так ясно. Фактически, ранее вы, вероятно, уже читали похожие объяснения, и прошу меня простить за это. Но то, что важно — понять, как это работает. Какие могут быть последствия при обучении такой системы?

Главное это то, что вам не требуется программировать ее. Да, конечно, здесь много всего нужно настраивать, оптимизировать, необходимо улучшать эффективность обработки данных и все такое, но вы не говорите машине, что делать. И машина реально работает, выделяя паттерны, которые человек пропускает. Ну а поскольку машина работает лишь с единицами и нулями, есть множество сфер, где можно применить такую технологию, поскольку современный мир полон данных. С молотом машинного обучения в руке, вы сможете справиться с решением многих проблем, которые нужно решить незамедлительно.



Но здесь есть и недостатки, подумайте о них. Если вы не сможете обучить машину, то каким образом вы узнаете, как она принимает решения? Машинные системы не умеют объяснять свой ход решения определенной задачи. Так что вполне может оказаться, что алгоритм действует неверно. У машины нет осознания того, что она делает — то, чего мы ждем от человека. Вы можете сделать лучшую машину по распознаванию фоток котиков в мире, но машина не объяснит вам, что котята не умеют ездить на мотоциклах, или что котика с большой вероятностью назовут Васькой, а не «Мегалорт бессмертный».

Научить компьютер обучаться самостоятельно — это отлично. Но в ИИ системах нет разумности. Это вообще не разум, не органический разум, и играть по правилам людей машины не будут. Вы можете задать вопрос «Насколько умна книга? Что может сделать умного жареный хлеб?».

Так на каком этапе искусственного интеллекта мы находимся? После всех этих лет с передовицами, где говорилось о «скором большом прорыве» эксперты считают, что мы вышли на плато.

Тем не менее, прогрессу это не помеха. Что касается исследований в ИИ сфере, то есть огромное количество возможностей для изучения, сейчас мы находимся лишь на самой вершине алгоритмического айсберга.

Кай-Фу Ли — венчурный капиталист и эксперт по искусственному интеллекту, описывает текущий момент как «возраст реализации» — когда технологии начинают выбираться из лабораторий во внешний мир. Бенедикт Эванс сравнивает машинное обучение с технологией реляционных баз данных — типом корпоративного ПО, которое произвелол революцию в целых отраслях. Но сейчас это обыденность. Скорее всего так произойдет и с машинным обучением — оно будет везде, и никто по этому поводу не будет переживать. Но все это — далекое будущее.


Madrobots
364,00
Приближаем сингулярность за ваши деньги
Поделиться публикацией

Комментарии 12

    +3
    Вот нить рассуждения понятна, но очень уязвима.
    то каким образом вы узнаете, как она принимает решения?
    мы уже несколько тысяч лет пытаемся понять как люди принимают решения, а некоторые даже сами не могут понять почему так сделали.
    Машинные системы не умеют объяснять свой ход решения определенной задачи.
    Человек тоже многое не может объяснить как сделал, а иногда он заблуждается объясняя ход своих решений. Например «Ты почему не пошел к врачу, времени не было»
    назовут Васькой, а не «Мегалорт бессмертный»
    В группе моего сына, в садике самые простые имена Василина и Кирилл, а есть Амарант и Малипина.

    А если серьезно, что есть человеческий разум, по сути обученная на примерах система. Очень уязвимая ко всяким обманам. Основное наше преимущество пока в встроенном генераторе энергии и возможности саморепликации.
      0
      По-мимо того, что «как» принимается решение не так уж важно, хочется заметить, что само утверждение ложно. Сейчас как раз развивается направление [self]-attention, которое направлено на генерацию интерпретируемых сетей (хотя это скорее всего нужно из практических побуждений, а не для ответа на философские вопросы).
        0

        На самом деле, то что мы называем человеческим интеллектом и искусственным отличается сильно в том смысле, что люди способны абстрактно мыслить, и создавать новое, порождать новые смыслы. И, кстати, о детях. Меня очень впечатлило, когда ребенок осознал понятия вроде сейчас, потом, много, нравится и тому подобное, которые для продукта машинного обучения на данный момент абсолютно недоступны. Текущий ии — инженерное приложение.

        +1
        Если из статьи отжать всю воду и добавить своей, то все претензии к текущим ИИ-системам в том, что они — не универсальны. Вместо того, чтобы получить псевдоразум, программисты пошли тем же путём, что и создатели роботов — вместо универсальных человекоподобных роботов создают узкоспециализированные, но ЭФФЕКТИВНЫЕ решения. Если псевдоИИ не знает, что котиков чаще называют «слышь ты, брысь» а не «Бонапартий Цезарь сто сорок восьмой», то это всего лишь означает, что ему не ставили задачу на обучение «релевантность имен котиков».
        Второе — думать, что сектор ИИ «вышел на плато» ошибочно, если не понять, как это будет развиваться дальше. А развиваться дальше оно будет не вверх, а вширь, а именно — либо объединение двух различных ИИ, обученных разным штукам для того, чтобы получить универсала сразу в двух отраслях, либо сразу создание универсального ИИ в смежных отраслях, когда ИИ, например, будет не только разбираться в котиках, но и в фотографиях остальных домашних животных.
          +4
          думать, что сектор ИИ «вышел на плато» ошибочно, если не понять, как это будет развиваться дальше. А развиваться дальше оно будет не вверх, а вширь

          Так это и есть понятие «плато», когда вы поднялись на какойто уровень и дальше не вверх продолжаете, а «вширь».
          +1
          Машинное обучение — это просто Программирование 2.0, где вместо разработки логики и написания алгоритмов, программист готовит обучающие данные, подбирает модель, «обучает» ее, а потом проверяет на тестовых данных. Просто программирует, но иначе.
            +3

            Машинное обучения — это не программирование, а аппроксимация некоторой функции. То есть, это просто ещё один подход к моделированию систем (статических или динамических). И, несмотря на то, что НС — идеальный аппроксиматор (ИА), существуют ещё и другие ИА, например fuzzy системы, которые пережили взлет и падение и теперь применяются там, где наиболее подходит. То, что происходит с НС — очень похоже и, скорее всего, конкретно этот инструмент найдёт свою нишу и будет жить в рамках нее (обработка изображений, распознавание речи и прочие обработки данных очень большой размерности и аппроксимация сложных неизвестных функций).


            П.С. НС — достаточно хороший инструмент, но то как их обычно применяют (end-to-end) — боль.
            П.П.С. я знаю о работах по снижению размерности (математически), но они не учитывают наличие знаний об объекте моделирования (да и тут вопрос не сколько в НС, сколько в том, что (точнее сколько от объекта) принять за "черный ящик".
            В качестве примера: значительное увеличение качества распознавания сигналов (НС) при добавлении частотной и кепстральной области для анализа.

              0
              В машинном обучении нет нейронных сетей как модели, их очень много разных. Вы, скорее всего, имеете ввиду многослойный перцептрон (MLP). К сожалению, Вы не поняли, что именно я сказал. )))
              Но не верите мне, прочитайте, что сказал по этому поводу руководитель ИИ Теслы
              dev.by/news/programmnoe-obespechenie-2-0
                0
                Судя по ссылке, я все таки правильно вас понял.
                «Программисты 2.0» из статьи — обезъянки за компьютером, которых принято называть «Оператор ПК», никакого отношения к разработке и реализации алгоритмов деятельность по обработке датасета не имеет.

                Просто программирует, но иначе.


                «Автоматический» поиск алгоритма в корне ничем не отличается от аппроксимации динамической системы, коей он по сути и является.

                Разумеется любой подход имеет право на жизнь, но приведу простой пример: нужно построить модель маятника (физического, предположим на столе стоит оригинал). Есть два пути: первый построить модель на основе законов физики и динамики, второй сделать гору экспериментов и обучить НС. Замечу, что в обоих случаях будет присутствовать этап оценки (в первом случае подстройки) параметров, однако спеиалист по НС не может называться «физиком» просто потому, что он понятия не имеет как и почему маятник движется именно по таким законам.

                И да, использование моделей машинного обучения (в том числе НС), как части модели — на мой взгляд вполне оправданный шаг в силу того, что Всегда в модели физического объекта есть некоторые нелинейности, которые невозможно(или сложно) описать математически или сложно выполнить оптимизацию аналитическим путем. Я категорически не понимаю желание (подход то я понимаю) строить модели машинного обучения, которые аппроксимируют давно известные аналитически функции, а не только неизвестные/сложные «части» системы.

                И последнее: тратить время «программиста 2.0» на обработку датасета — очень дорогое удовольствие, ибо объем теоретических знаний для полноценного знания методов машинного обучения подразумевает зарпату несколько исключающую возможность использвоания такого работника в низкоквалифицированном труде.
                  0
                  Вижу, что Вы даже с помощью Андрей Карпаты не разобрались… :)
            0
            Как ни странно, причины терминологических недоразумений и, соответственно ложных предсказаний имеют вполне религиозные корни. Развитые религии (включая авраамические) не видят общности между людьми и прочими живыми существами. Потому не видна и общность разума и поведения животных.
            На самом деле вполне просматривается цепочка развития: безусловный (врождённый) рефлекс, условный рефлекс (самообучение), разумные эпизоды (есть у всех млекопитающих и по крайней мере у многих птиц) и потом уже разум. Очевиднейшим образом ИИ соответствует на этой линейке условному рефлексу, не более (самообучение в конкретной предметной области). Так что даже до землеройки ещё неблизкий путь и все завывания про разумные машины слегка преждевременны.
            Другая сторона вопроса, впрочем, тоже есть: и на этом, достигнутом, уровне ИИ коренным образом перевернёт всю жизнь человеков.
              0
              Не стоит определять состояние развития ИИ, его положение в мире по маркетинговым ходам торгашей. ИИ вполне себе развивается. Нам доступна лишь доступная нам информация об истинном положении.

              Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.

              Самое читаемое