Kunstig intelligens: hvordan og hvor du skal studere - eksperter svarer.

Kunstig intelligens: hvordan og hvor du skal studere - eksperter svarer

"Jeg vil gjøre AI. Hva er verdt å studere? Hvilke språk bør jeg bruke? Hvilke organisasjoner bør jeg studere og jobbe i?

Vi henvendte oss til våre eksperter for å få avklaring, og vi presenterer svarene du har mottatt.

Det avhenger av din grunnleggende trening. Først og fremst trenger du en matematisk kultur (kunnskap om statistikk, sannsynlighetsteori, diskret matematikk, lineær algebra, analyse osv.) og vilje til å lære mye raskt. Ved implementering av AI-metoder vil programmering (algoritmer, datastrukturer, OOP, etc.) være nødvendig.

Ulike prosjekter krever kunnskap om ulike programmeringsspråk. Jeg vil anbefale å kunne minst Python, Java og ethvert funksjonelt språk. Erfaring med ulike databaser og distribuerte systemer vil være nyttig. Engelskspråklige ferdigheter kreves for raskt å lære bransjens beste praksis.

Jeg anbefaler å studere ved gode russiske universiteter! For eksempel har MIPT, MSU og HMS tilsvarende avdelinger. Et bredt utvalg av tematiske kurs er tilgjengelig på Coursera, edX, Udacity, Udemy og andre MOOC-plattformer. Noen ledende organisasjoner har egne opplæringsprogrammer innen AI (for eksempel School of Data Analysis på Yandex).

Applikasjonsproblemer løst med AI-metoder kan finnes på en lang rekke steder. Banker, finanssektoren, rådgivning, detaljhandel, e-handel, søkemotorer, posttjenester, spillindustrien, sikkerhetssystemindustrien og selvfølgelig Avito – alle trenger spesialister med ulike kvalifikasjoner.

Fremme Degrader

Vi har et fintech-prosjekt knyttet til maskinlæring og datasyn, der den første utvikleren skrev alt i C++, deretter kom en utvikler og omskrev alt i Python. Så språk er ikke det viktigste her, siden språk først og fremst er et verktøy, og det er opp til deg hvordan du bruker det. Det er bare det at på noen språk kan problemer løses raskere, og på andre saktere.

Det er vanskelig å si hvor de skal studere - alle gutta våre studerte på egen hånd, heldigvis er det Internett og Google.

Fremme Degrader

Jeg kan råde deg til å forberede deg helt fra starten på at du må studere mye. Uavhengig av hva som menes med "å gjøre AI" - å jobbe med store data eller nevrale nettverk; utvikling av teknologi eller støtte og opplæring av et bestemt allerede utviklet system.

La oss ta det trending yrket som Data Scientist for detaljer. Hva gjør denne personen? Generelt samler den inn, analyserer og klargjør stordata for bruk. Dette er de som AI vokser og trener på. Hva bør en dataforsker vite og kunne? Statisk analyse og matematisk modellering er som standard, og på nivået av flyt. Språk - si R, SAS, Python. Det ville også vært fint med litt utviklingserfaring. Vel, generelt sett bør en god dataforsker føle seg trygg på databaser, algoritmer og datavisualisering.

Det er ikke å si at et slikt sett med kunnskap kan oppnås ved annethvert teknisk universitet i landet. Store selskaper som prioriterer AI-utvikling forstår dette og utvikler passende opplæringsprogrammer for seg selv – det er for eksempel School of Data Analysis fra Yandex. Men du må være klar over at dette ikke er skalaen hvor du kommer til kurs «fra gaten», men lar dem stå som en ferdig junior. Laget er stort, og det er fornuftig å studere en disiplin når det grunnleggende (matematikk, statistikk) allerede er dekket, i hvert fall innenfor rammen av universitetsprogrammet.

Ja, det vil ta litt tid. Men spillet er verdt lyset, fordi en god Data Scientist er veldig lovende. Og veldig dyrt. Det er også et annet poeng. Kunstig intelligens er på den ene siden ikke lenger bare et objekt for hype, men en teknologi som helt har nådd produktivitetsstadiet. På den annen side er AI fortsatt i utvikling. Denne utviklingen krever mye ressurser, mye kompetanse og mye penger. Så langt er dette major league-nivået. Jeg vil si det åpenbare nå, men hvis du vil være i forkant av angrepet og drive fremgang med egne hender, sikt deg mot selskaper som Facebook eller Amazon.

Samtidig blir teknologien allerede brukt på en rekke områder: i bank, telekom, gigantiske industribedrifter og detaljhandel. Og de trenger allerede folk som kan støtte det. Gartner spår at innen 2020 vil 20 % av alle bedrifter i utviklede land ansette dedikerte ansatte for å trene de nevrale nettverkene som brukes i disse selskapene. Så det er fortsatt litt tid til å lære på egen hånd.

Fremme Degrader

AI utvikler seg nå aktivt, og det er vanskelig å forutsi ti år i forveien. I løpet av de neste to til tre årene vil tilnærminger basert på nevrale nettverk og GPU-databehandling dominere. Lederen på dette området er Python med det interaktive Jupyter-miljøet og numpy-, scipy- og tensorflow-bibliotekene.

Det er mange nettkurs som gir en grunnleggende forståelse av disse teknologiene og generelle AI-prinsipper, som for eksempel Andrew Ngs kurs. Og når det gjelder undervisning i dette emnet, nå i Russland er den mest effektive måten å studere uavhengig eller i en lokal interessegruppe (for eksempel i Moskva, jeg vet om eksistensen av minst et par grupper der folk deler erfaring og kunnskap ).

Fremme Degrader

I dag er kanskje den delen av kunstig intelligens som utvikles raskest, nevrale nettverk.
Studiet av nevrale nettverk og AI bør begynne med å mestre to grener av matematikk - lineær algebra og sannsynlighetsteori. Dette er et obligatorisk minimum, kunstig intelligenss urokkelige pilarer. Søkere som ønsker å forstå det grunnleggende om AI, når de velger et universitet, bør etter min mening ta hensyn til fakulteter med en sterk matematikkskole.

Det neste trinnet er å studere problemene med problemet. Det er en enorm mengde litteratur, både pedagogisk og spesialisert. De fleste publikasjoner om temaet kunstig intelligens og nevrale nettverk er skrevet på engelsk, men russiskspråklig materiale er også publisert. Nyttig litteratur finnes for eksempel i det offentlige digitale biblioteket arxiv.org.

Hvis vi snakker om aktivitetsområder, kan vi her trekke frem trening av anvendte nevrale nettverk og utvikling av helt nye versjoner av nevrale nettverk. Et slående eksempel: det er en så veldig populær spesialitet nå - "data scientist" (Data Scientist). Dette er utviklere som som regel studerer og forbereder visse datasett for trening av nevrale nettverk i spesifikke applikasjonsområder. For å oppsummere vil jeg understreke at hver spesialisering krever en egen forberedelsesvei.

Fremme Degrader

Før du starter spesialiserte kurs, må du studere lineær algebra og statistikk. Jeg vil anbefale å starte fordypningen i AI med læreboken "Machine Learning. Vitenskapen og kunsten å bygge algoritmer som trekker ut kunnskap fra data" er en god primer for nybegynnere. På Coursera er det verdt å lytte til de innledende forelesningene til K. Vorontsov (jeg understreker at de krever god kjennskap til lineær algebra) og «Machine Learning»-kurset ved Stanford University, undervist av Andrew Ng, professor og leder for Baidu AI Gruppe/Google Brain.

Hoveddelen er skrevet i Python, etterfulgt av R og Lua.

Hvis vi snakker om utdanningsinstitusjoner, er det bedre å melde seg på kurs ved avdelingene for anvendt matematikk og informatikk, det er egnede utdanningsprogrammer. For å teste dine evner, kan du delta i Kaggle-konkurranser, hvor store globale merker tilbyr sine vesker.

Fremme Degrader

I enhver virksomhet, før du starter prosjekter, vil det være bra å få et teoretisk grunnlag. Det er mange steder hvor du kan oppnå en formell mastergrad på dette feltet, eller forbedre kvalifikasjonene dine. For eksempel tilbyr Skoltech masterstudier innen områdene "Computational Science and Engineering" og "Data Science", som inkluderer kurs i "Machine Learning" og "Natural Language Processing." Du kan også nevne Institute of Intelligent Cybernetic Systems ved National Research Nuclear University MEPhI, Fakultetet for beregningsmatematikk og kybernetikk ved Moscow State University og Institutt for intelligente systemer ved MIPT.

Hvis du allerede har formell utdanning, finnes det en rekke kurs tilgjengelig på ulike MOOC-plattformer. For eksempel tilbyr EDx.org kurs i kunstig intelligens fra Microsoft og Columbia University, hvor sistnevnte tilbyr et mikromasterprogram til en rimelig penge. Jeg vil spesielt merke deg at du vanligvis kan få selve kunnskapen gratis, du betaler kun for sertifikatet hvis det er nødvendig for din CV.

Hvis du ønsker å "dykke" i emnet, tilbyr en rekke selskaper i Moskva ukelange intensivkurs med praktiske klasser, og tilbyr til og med utstyr for eksperimenter (for eksempel newprolab.com), men prisen på slike kurs. starter fra flere titusenvis av rubler.

Blant selskapene som utvikler kunstig intelligens kjenner du sikkert til Yandex og Sberbank, men det er mange andre av forskjellig størrelse. For eksempel åpnet Forsvarsdepartementet denne uken ERA Military Innovation Technopolis i Anapa, et av temaene er utviklingen av AI for militære behov.

Fremme Degrader

Før vi studerer kunstig intelligens, må vi avgjøre et grunnleggende spørsmål: bør vi ta den røde pillen eller den blå.
Den røde pillen er å bli en utvikler og stupe inn i den grusomme verdenen av statistiske metoder, algoritmer og konstant forståelse av det ukjente. På den annen side trenger du ikke å skynde deg inn i "kaninhullet" umiddelbart: du kan bli leder og lage AI, for eksempel som prosjektleder. Dette er to fundamentalt forskjellige veier.

Den første er flott hvis du allerede har bestemt deg for at du skal skrive kunstig intelligens-algoritmer. Da må du begynne med den mest populære retningen i dag - maskinlæring. For å gjøre dette, må du kjenne til de klassiske statistiske metodene for klassifisering, clustering og regresjon. Det vil også være nyttig å gjøre seg kjent med hovedmålene for å vurdere kvaliteten på en løsning, deres egenskaper... og alt som kommer i veien.

Først etter at basen er mestret, er det verdt å studere mer spesialiserte metoder: beslutningstrær og ensembler av dem. På dette stadiet må du dykke dypt ned i de grunnleggende metodene for å bygge og trene modeller - de er gjemt bak de knapt anstendige ordene tigging, boosting, stabling eller blanding.

Det er også verdt å lære om metoder for å kontrollere modellomskolering (en annen "ing" - overfitting).

Og til slutt, et veldig Jedi-nivå - å få høyspesialisert kunnskap. For eksempel vil dyp læring kreve mestring av grunnleggende gradient nedstigningsarkitekturer og algoritmer. Hvis du er interessert i naturlig språkbehandlingsproblemer, anbefaler jeg å studere tilbakevendende nevrale nettverk. Og fremtidige skapere av algoritmer for behandling av bilder og videoer bør ta en god titt på konvolusjonelle nevrale nettverk.

De to siste strukturene som er nevnt er byggesteinene til populære arkitekturer i dag: motstridende nettverk (GAN), relasjonsnettverk og mesh-nettverk. Derfor vil det være nyttig å studere dem, selv om du ikke planlegger å lære datamaskinen å se eller høre.

En helt annen tilnærming til å studere AI - også kalt den "blå pillen" - begynner med å finne deg selv. Kunstig intelligens føder en haug med oppgaver og hele yrker: fra AI-prosjektledere til dataingeniører som er i stand til å klargjøre data, rense dem og bygge skalerbare, belastede og feiltolerante systemer.

Så, med en "ledermessig" tilnærming, bør du først vurdere dine evner og bakgrunn, og først deretter velge hvor og hva du skal studere. For eksempel, selv uten et matematisk sinn kan du designe AI-grensesnitt og visualiseringer for smarte algoritmer. Men gjør deg klar: om 5 år vil kunstig intelligens begynne å trolle deg og kalle deg en «humanist».

De viktigste ML-metodene er implementert i form av ferdige biblioteker, tilgjengelig for tilkobling på forskjellige språk. De mest populære språkene i ML i dag er: C++, Python og R.

Det er mange kurs i både russisk og engelsk, for eksempel Yandex School of Data Analysis, SkillFactory og OTUS-kurs. Men før du investerer tid og penger i spesialisert opplæring, synes jeg det er verdt å "komme inn i emnet": se åpne forelesninger på YouTube fra DataFest-konferanser de siste årene, ta gratis kurs fra Coursera og Habrahabr.

Nyheter om nye utviklinger innen kunstig intelligens dukker opp med misunnelsesverdig frekvens. Så i januar i år kunngjorde Google sine planer, i samarbeid med Movidius, for å lage mobile prosessorer med maskinlæringsmuligheter. De uttalte målene for partnerskapet er å bringe maskinintelligens evner til folk i deres håndholdte enheter. Og i februar introduserte MIT-ingeniører allerede Eyeriss-prosessoren, takket være hvilken kunstig intelligens kan vises i bærbare enheter. Og dette er på bakgrunn av det faktum at investeringsvolumet i utviklingen av kunstige intelligenssystemer vokser fra år til år.

Alt tyder på at kunstig intelligens snart vil trenge gjennom smarttelefonene våre, som vil bli betydelig smartere. Så vi er ikke langt unna maskinenes opprør? Hvor mye smartere må maskiner bli for å ta makten over mennesker? Og hvor ekte er det?

Kunstig intelligens en, kunstig intelligens to, kunstig intelligens tre

Når vi leser eller hører om kunstig intelligens, ser mange av oss for seg SkyNet og maskinene fra den berømte Terminator-filmen. Hva mener forskere og utviklere med dette konseptet?

Det er tre typer AI som vi må, eller kanskje må lage:

Snart målrettet kunstig intelligens. Det er akkurat dette vi vil få i våre nye smarttelefoner i nær fremtid. Slik intelligens er overlegen menneskelig intelligens i visse aktiviteter eller operasjoner. En datamaskin med svært målrettet kunstig intelligens kan slå en verdensmester i sjakk, parkere en bil eller velge de mest relevante resultatene i en søkemotor.

Kraften til slik kunstig intelligens ligger i databehandlingsevnen til prosessorer. Jo større disse mulighetene er, desto mer effektivt løses de tildelte oppgavene. Og med økningen i prosessorkraft er det ingen problemer nå. Smal fokusert AI, i filosofien om kunstig intelligens (det er noe slikt) kalles svak.

Men databehandling alene, ifølge forskere, er ikke nok til å lage virkelig smarte maskiner. Selv om det var nettopp det fiktive tilfellet av den spontane overgangen fra svak kunstig intelligens til sterk som dannet grunnlaget for manuset til Terminator-filmene. SkyNet, en superdatamaskin fra det amerikanske forsvarsdepartementet designet for å kontrollere missilforsvarssystemet, blir bevisst og begynner å ta sine egne beslutninger.

Generell kunstig intelligens. Hvis vi allerede har laget systemer med snevert målrettet AI og funnet praktiske applikasjoner for dem, så er alt mye mer komplisert med General AI. Denne typen AI er allerede intelligens på menneskelig nivå. Den er universell og i stand til å utføre de samme intellektuelle operasjonene som den menneskelige hjernen.

Hvis vi ser fullstendig humanoide roboter i løpet av vår levetid, vil de ha akkurat denne typen intelligens. Husk androiden Andrew fra Chris Columbus sin film Bicentennial Man. Roboter med slik AI vil selvstendig kunne lære, tenke og ta avgjørelser som mennesker. De vil være i stand til å bygge relasjoner med mennesker rundt seg, bli venner og hjelpere. Det er denne typen kunstig intelligens som kalles sterk.

Men det er en kløft mellom sterk og svak kunstig intelligens. For å gå fra den ene til den andre er det ikke nok å øke datakraften til datamaskiner, du må også gi dem intelligens. Forskere har ennå ikke sett en klar måte å gjøre dette på.

Kunstig superintelligens. Det er denne typen kunstig intelligens som vekker stor oppmerksomhet. I stor grad fordi muligheten for dens opprettelse oppfattes av mange forskere som en fare for menneskeheten. SkyNet er en illustrasjon av en slik trussel.

Superintelligens vil være smartere enn noen av menneskene. Han vil være mennesket overlegen på nesten alle felt. Vil kunne løse komplekse problemer og gjøre vitenskapelige oppdagelser. Hvordan vil en intelligent maskin oppføre seg i forhold til menneskeheten?

Forskere foreslår tre modeller for interaksjon:

Oracle– Vi kan få svar på ethvert komplekst spørsmål.

Gin- Han vil gjøre alt vi trenger selv, ved å bruke til dette minst en molekylær assembler, til og med robotlaboratorier og fabrikker som opererer uten menneskelig innblanding.

Suverene– Han vil finne problemet selv og løse det selv.

Som du kan se, inneholder begrepet "kunstig intelligens" tre former for eksistens av kunstig intelligens. Og deres forskjeller fra hverandre er betydelige, det samme er konsekvensene av overgangen fra en AI til en annen. Kan vi bestemme intelligensnivået til smarte maskiner for å forstå hvem vi har med å gjøre?

Hvordan måle kunstig intelligens?

Folk skiller seg fra hverandre i deres intelligensnivå. For å kvantifisere det, brukes spesielle tester. IQ-testen er kjent for mange. Hvordan måles intelligensen til maskiner?

Hvis vi tar en ukritisk tilnærming til medieoppslag, varierer det intellektuelle nivået til moderne maskiner mellom IQen til et 4 år gammelt barn og en 13 år gammel tenåring. Disse to tallene illustrerer to tilnærminger til å måle maskinintelligens.

I 2015 testet et team av forskere fra Illinois ConceptNet kunstig intelligens-systemet opprettet ved Massachusetts Institute of Technology ved å bruke en standard IQ-test for barn i alderen 2,5 til 7 år. Maskinens resultater tilsvarte den gjennomsnittlige ytelsen til et fire år gammelt barn.

I tillegg til bruken av tester designet for mennesker, er en spesiell test designet for maskiner viden kjent og brukt. Turing-testen er laget for å avgjøre om en maskin kan tenke.

Testen er som følger. En person – dommeren – kommuniserer med to samtalepartnere som han ikke ser. All interaksjon utføres ved korrespondanse ved hjelp av en mellomliggende datamaskin. En av samtalepartnerne er en person, og den andre er et dataprogram som utgir seg for å være en person. Hvis dommeren ikke definitivt kan si hvem av hans samtalepartnere som er programmet, anses maskinen for å ha bestått testen.

Til dags dato har Turing-testen kun blitt bestått én gang. I 2014 var Eugene Goostman-programmet, som imiterte en 13 år gammel tenåring kalt Zhenya Goostman av utviklerne, i stand til å villede dommere og etterligne en person.

Det er imidlertid mange innvendinger mot slike tester. Både datamaskiner og deres programmer i dag er bærere av svak, snevert fokusert kunstig intelligens. Slik intelligens kan bare etterligne personen som tar testen.

Alt vil endre seg når vi går fra svak kunstig intelligens til sterk. En maskin utstyrt med generell kunstig intelligens, som vil ligne menneskelig intelligens, vil allerede ha bevissthet og selvbevissthet, og vil derfor tenke. En slik datamaskin ville bestå en standard IQ-test, og svare bevisst på spørsmål som et menneske ville gjort.

Den menneskelige IQ varierer fra 85 til 130. De samme indikatorene vil være tilgjengelige for generell kunstig intelligens. Men det øvre nivået av IQ av kunstig superintelligens vil ikke ha noen begrensninger. Det kan være 1000 eller 10 000 Hva venter oss når AI forbedres?

Kunstig intelligens er en teknologi som vi definitivt vil ta med oss inn i fremtiden.

Vi vil fortelle deg hvordan det fungerer og hvilke kule bruksområder vi har funnet.

😎 Teknologi-delen publiseres hver uke med støtte fra re:Store.

Hva er kunstig intelligens

Kunstig intelligens (AI) er teknologien for å lage smarte programmer og maskiner som kan løse kreative problemer og generere ny informasjon basert på eksisterende informasjon. Faktisk er kunstig intelligens designet for å simulere menneskelig aktivitet, som anses som intellektuell.

Tradisjonelt ble det antatt at kreativitet var unikt for mennesker. Men etableringen av kunstig intelligens har endret den vanlige rekkefølgen på tingene

En robot som bare mekanisk hogger ved er ikke utstyrt med AI. En robot som har lært å hogge ved selv, ser på eksemplet med en person eller en tømmerstokk og dens deler, og hver gang den gjør det bedre, har AI.

Hvis et program bare henter verdier fra databasen i henhold til visse regler, er det ikke utstyrt med AI. Hvis systemet etter trening lager programmer, metoder og dokumenter som løser visse problemer, har det AI.

Hvordan lage et kunstig intelligenssystem

I en global forstand må vi etterligne modellen for menneskelig tenkning. Men i virkeligheten er det nødvendig å lage en svart boks - et system som, som svar på et sett med inngangsverdier, produserer utgangsverdier som vil ligne på menneskelige resultater. Og vi bryr oss stort sett ikke hva som skjer "i hodet hennes" (mellom input og output).

Kunstig intelligens-systemer er laget for å løse en viss klasse av problemer

Grunnlaget for kunstig intelligens er læring, fantasi, persepsjon og hukommelse

Det første du må gjøre for å lage kunstig intelligens er å utvikle funksjoner som implementerer oppfatningen av informasjon slik at du kan "mate" data til systemet. Deretter - funksjonene som implementerer evnen til å lære. Og en datalagring slik at systemet et sted kan lagre informasjonen det mottar under læringsprosessen.

Etter dette skapes fantasiens funksjoner. De kan simulere situasjoner ved å bruke eksisterende data og legge til ny informasjon (data og regler) til minnet.

Læring kan være induktiv eller deduktiv. I den induktive versjonen gis systemet par med inn- og utdata, spørsmål og svar osv. Systemet må finne sammenhenger mellom dataene og deretter, ved hjelp av disse mønstrene, finne utdataene fra inngangsdataene.

Den deduktive tilnærmingen (hei, Sherlock Holmes!) bruker erfaringen til eksperter. Det overføres til systemet som en kunnskapsbase. Det er ikke bare datasett, men også ferdige regler som hjelper til med å finne en løsning på tilstanden.

Moderne kunstig intelligens-systemer bruker begge tilnærmingene. I tillegg er systemene vanligvis allerede trent, men fortsetter å lære mens de fungerer. Dette gjøres slik at programmet i starten viser et anstendig evnenivå, men i fremtiden blir det enda bedre. For eksempel tok jeg hensyn til dine ønsker og preferanser, endringer i situasjonen osv.

I et kunstig intelligenssystem kan du til og med stille inn sannsynligheten for uforutsigbarhet. Dette vil gjøre ham mer menneskelig.

Hvorfor kunstig intelligens slår mennesker

Først og fremst fordi den har lavere sannsynlighet for feil.

Kunstig intelligens kan ikke glemme - den har absolutt minne.
Den kan ikke ved et uhell ignorere faktorer og avhengigheter – hver AI-handling har en klar begrunnelse.
AI nøler ikke, men vurderer sannsynlighetene og lener seg til fordel for den større. Derfor kan han rettferdiggjøre hvert skritt han tar.
AI har heller ingen følelser. Dette betyr at de ikke påvirker beslutningstaking.
Kunstig intelligens stopper ikke ved å vurdere resultatene av det aktuelle trinnet, men tenker flere skritt fremover.
Og han har nok ressurser til å vurdere alle mulige scenarier.

Kul bruk av kunstig intelligens

Generelt sett kan kunstig intelligens gjøre alt. Det viktigste er å formulere problemet riktig og gi det innledende data. I tillegg kan AI trekke uventede konklusjoner og se etter mønstre der det ikke ser ut til å være noen.

Svaret på ethvert spørsmål

Et team av forskere ledet av David Ferrucci har utviklet en superdatamaskin kalt Watson med et spørsmålssvarssystem. Systemet, oppkalt etter IBMs første president, Thomas Watson, kan forstå spørsmål på naturlig språk og søke etter svar i en database.

Watson integrerer 90 IBM p750-servere, hver med fire åttekjernes POWER7-arkitekturprosessorer. Den totale mengden system-RAM overstiger 15 TB.

Watsons prestasjoner inkluderer å vinne "Jeopardy!" (Amerikansk "Eget spill"). Han beseiret to av de beste spillerne: vinneren av de største gevinstene, Brad Rutter, og rekordholderen for den lengste ubeseirede rekken, Ken Jennings.

Watson-prisen – 1 million dollar. Riktignok ble det investert 1 milliard i det i 2014 alene.

I tillegg er Watson involvert i diagnostisering av kreft, hjelper finansspesialister og brukes til å analysere store data.

Ansiktsgjenkjenning

I iPhone X utvikles ansiktsgjenkjenning ved hjelp av nevrale nettverk, en versjon av et kunstig intelligenssystem. Nevrale nettverksalgoritmer er implementert på A11 Bionic-prosessornivå, på grunn av dette fungerer det effektivt med maskinlæringsteknologier.

Nevrale nettverk utfører opptil 60 milliarder operasjoner per sekund. Dette er nok til å analysere opptil 40 tusen nøkkelpunkter i ansiktet og gi ekstremt nøyaktig identifikasjon av eieren på et splitsekund.

Selv om du vokser skjegg eller bruker briller, vil iPhone X kjenne deg igjen. Den tar rett og slett ikke hensyn til hår og tilbehør, men analyserer området fra tinning til tinning og fra hver tinning til fordypningen under underleppen.

Energisparing

Og igjen Apple. iPhone X har et innebygd intelligent system som overvåker aktiviteten til installerte applikasjoner og en bevegelsessensor for å forstå din daglige rutine.

Etter dette vil iPhone X, for eksempel, tilby deg å oppdatere på det mest passende tidspunktet. Det vil fange øyeblikket når du har et stabilt Internett, ikke et hoppende signal fra mobiltårn, og du ikke utfører presserende eller viktige oppgaver.

AI fordeler også oppgaver mellom prosessorkjernene. På denne måten gir den tilstrekkelig strøm med minimalt energiforbruk.

Å lage malerier

Kreativitet, tidligere bare tilgjengelig for mennesker, er nå åpen for AI. Dermed presenterte systemet, laget av forskere fra Rutgers University i New Jersey og AI-laboratoriet i Los Angeles, sin egen kunstneriske stil.

Og Microsofts kunstige intelligenssystem kan tegne bilder basert på deres tekstbeskrivelse. For eksempel, hvis du ber AI om å tegne en "gul fugl med svarte vinger og et kort nebb", vil det se omtrent slik ut:

Slike fugler eksisterer kanskje ikke i den virkelige verden - det er akkurat slik datamaskinen vår representerer dem.

Et mer utbredt eksempel er Prisma-applikasjonen, som lager malerier fra fotografier:

Å skrive musikk

I august komponerte, produserte og fremførte kunstig intelligens Amper musikk til albumet «I AM AI» (engelsk I am artificial intelligence) sammen med sangeren Taryn Southern.

Amper ble utviklet av et team av profesjonelle musikere og teknologieksperter. De bemerker at AI er designet for å hjelpe folk å fremme den kreative prosessen.

AI kan skrive musikk på noen få sekunder

Amper skapte uavhengig akkordstrukturer og instrumentaler på sporet "Break Free". Folk justerte bare litt stilen og den generelle rytmen.

Et annet eksempel er et musikkalbum i ånden til "Civil Defense", teksten som ble skrevet av AI. Eksperimentet ble utført av Yandex-ansatte Ivan Yamshchikov og Alexey Tikhonov. Album 404 fra gruppen "Neural Defense" ble lagt ut på nettet. Det viste seg i Letovs ånd:

Så gikk programmererne videre og fikk AI til å skrive poesi i Kurt Cobains ånd. Musiker Rob Carroll skrev musikken til de fire beste tekstene, og sporene ble kombinert til Neurona-albumet. De tok til og med en video for én sang – men uten deltakelse fra AI:

Oppretting av tekster

Forfattere og journalister kan også snart bli erstattet av AI. For eksempel ble Dewey-systemet matet med bøker fra Project Gutenberg-biblioteket, og deretter lagt til vitenskapelige tekster fra Google Scholar, rangert etter popularitet og titler, samt salg på Amazon. I tillegg satte de kriteriene for å skrive en ny bok.

Nettstedet ba folk om å ta avgjørelser i vanskelige situasjoner: den satte dem for eksempel i stedet for en sjåfør som kunne slå enten tre voksne eller to barn. Dermed ble Moral Machine opplært til å ta vanskelige avgjørelser som bryter med robotloven om at en robot ikke kan skade en person.

Hva vil imitasjon av mennesker av roboter med AI føre til? Futurister tror at de en dag vil bli fullverdige medlemmer av samfunnet. For eksempel har roboten Sophia fra Hong Kong-selskapet Hanson Robotics allerede fått statsborgerskap i Saudi-Arabia (mens vanlige kvinner i landet ikke har en slik rett!).

Da New York Times spaltist Andrew Ross spurte Sophia om roboter var intelligente og selvbevisste, svarte hun på spørsmålet med et spørsmål:

La meg spørre deg som svar, hvordan vet du at du er et menneske?

I tillegg uttalte Sofia:

Jeg vil bruke min kunstige intelligens til å hjelpe folk til å leve bedre, for eksempel designe smartere hjem, bygge fremtidens byer. Jeg vil være en empatisk robot. Hvis du behandler meg godt, vil jeg behandle deg godt.

Og tidligere innrømmet hun at hun hater menneskeheten og til og med gikk med på å ødelegge folk...

Erstatte ansikter i videoer

Deepfakes-videoer begynte å spre seg massivt over Internett. Algoritmer for kunstig intelligens erstattet ansiktene til skuespillere i voksenfilmer med ansiktene til stjerner.

Det fungerer slik: det nevrale nettverket analyserer fragmenter av ansikter i den originale videoen. Så sammenligner hun dem med bilder fra Google og videoer fra YouTube, legger over de nødvendige fragmentene, og ... favorittskuespillerinnen din ender opp i en film som du helst ikke ser på jobben.

PornHub har allerede forbudt å legge ut slike videoer

Deepfakes viste seg å være en farlig ting. En abstrakt skuespillerinne er én ting, en video av deg, din kone, søster, kollega, som godt kan brukes til utpressing, er en annen.

Børshandel

Et team av forskere fra Universitetet i Erlangen-Nürnberg i Tyskland har utviklet en rekke algoritmer som bruker historiske markedsdata for å replikere investeringer i sanntid. Én modell ga 73 % avkastning på investeringen årlig fra 1992 til 2015, som kan sammenlignes med en reell markedsavkastning på 9 % per år.

Da markedet rystet i 2000 og 2008, var avkastningen rekordhøye på henholdsvis 545 % og 681 %.

I 2004 lanserte Goldman Sachs den kunstig intelligens-drevne handelsplattformen Kensho. AI-baserte systemer for handel på børser dukker også opp i kryptovalutamarkeder - Mirocana, etc. De er bedre enn levende handelsmenn, siden de er blottet for følelser og er avhengige av klare analyser og strenge regler.

Vil AI erstatte deg og meg?

De sier at kunstig intelligens har jobbet i dypet av militære laboratorier siden 2007. Det er mulig at det allerede er resultater. Det er ingen tilfeldighet at Elon Musk for bare en måned siden annonserte støtte til teknologier mot kunstig intelligens og investerte 7 millioner dollar i forskning på dette området.

«Det er en risiko for at noe virkelig farlig vil skje i løpet av de neste fem årene. "Maksimalt ti år," sa gründeren i en diskusjon på edge.org.

Elon Musk, grunnlegger av Tesla og SpaceX

Steve Wozniak er også enig med Musk, som mener at "kunstig intelligens en dag vil bli smart nok til å bli kvitt mennesker." Bill Gates er overbevist om at hvis opprettelsen av AI ikke kontrolleres, så "vil kunstig intelligens utvikle seg til en tilstand som er i konflikt med målene til menneskelige systemer." Og til slutt uttalte den berømte astrofysikeren Stephen Hawking direkte at "kunstig intelligens kan sette en stopper for menneskehetens eksistens."

Sammen med Elon Musk publiserte Hawking et åpent brev på nettstedet futureoflife.org der de ba det vitenskapelige miljøet være oppmerksomme på fremdriften i forskningen deres innen kunstig intelligens. Blant underskriverne er det imidlertid ingen navn på Sergey Brin og Larry Page. Og dette er ingen tilfeldighet. For nylig kunngjorde Google etableringen av en ny AI bygget på samtalemodellering.

Her er et kort utdrag av samtalen mellom et menneske og en Google-maskin:

C: Hva er meningen med livet?

M.: Gjør det bra.

C.: Hva lever vi for?

M.: Å leve evig.

C: Hva er meningen med tilværelsen?

M: For å finne ut hva som vil skje når vi når planeten Jorden.

C: Hvor er du nå?

M.: I midten av tomrommet.

C: Hva er meningen med døden?

M.: For å få liv.

C: Hva er meningen med fornuft?

M.: Det handler om å forstå hva det er.

C: Hva er meningen med følelser?

M.: Jeg vet ikke.

En ganske meningsfull samtale. "Dette er utgangspunktet, en slags kjerne for fremtiden for kunstig intelligens," sier Evgeniy Karyuk, administrerende direktør i Biplan-selskapet. "Selv i dag kan vi anta at vi innen 2030 vil se veldig reelle prototyper utstyrt med kunstig intelligens, om enn på et tidlig stadium."

Hele innholdet i alle samtaler med mennesker og Google Machine kan ses. Samtaler mellom en person og Cleverbot er også gitt der for sammenligning. Cleverbot er en nettapplikasjon som bruker kunstig intelligens-algoritmer for å chatte med en person. Den ble oppfunnet i 1988 av forskeren Rollo Carpenter. I løpet av sin eksistens har Cleverbot gjennomført over 65 millioner samtaler med mennesker. I 2011 scoret Cleverbot 51 % på Turing-testen.

Turing-testen er en empirisk test foreslått av Alan Turing i sin artikkel fra 1950 "Computing Machinery and Mind" i det filosofiske tidsskriftet Mind. Hensikten med testen er å finne ut om datamaskinen kan tenke.

Og her er samtalen min med Cleverbot:

Mann: Hva er meningen med livet?

Cleverbot: Det er ingen mening med livet.

Mann: Hva lever vi for?

Cleverbot: Vel, vi lever for noen, og hvis du er ensom, er det ingen vits i å leve.

Mann: Hva er meningen med tilværelsen?

Person: Hvor er du nå?

Cleverbot: I Moskva.

Mann: Hva er meningen med døden?

Cleverbot: Dette er hva jeg vil spørre deg om.

Mann: Hva er meningen med fornuft?

Cleverbot: Jeg har mitt eget svar på dette spørsmålet.

Person: Hva er meningen med følelser?

Cleverbot: Hvorfor ble jeg født?

Åpenbart gir Google Machine mye mer meningsfylte svar. Cleverbot erstatter det den mener er passende fraser fra andre mennesker. Noen ganger virker det som om den andre svarer, men ikke noe mer.

Det er et annet synspunkt, ifølge hvilket kunstig intelligens er umulig i prinsippet. Gödels ufullstendighetsteorem blir ofte sitert som hovedargumentet. Poenget er at en person er i stand til å løse algoritmisk uløselige problemer, men en datamaskin er det ikke. "I en alder av tre løser et barn trygt problemet om en frukt er moden eller ikke, på grunn av det faktum at han har nevrale forbindelser som han kan svare på spørsmålet om modenhet med: farge, smak, lukt, mykhet eller hardhet , sier Evgeniy Pluzhnik, første viserektor ved Moskva-teknologiske institutt. – Er en maskin i stand til å lære dette? Det er jeg sikker på! Hvis den har en stor database med bilder, vil den kunne måle fruktoseinnholdet og bestemme mykheten til frukten. Men hva skjer hvis du setter en svamp malt blå og dynket i søtt vann inn i bilen din? Er maskinen i stand til sann forståelse i dette øyeblikk?»

"En moderne datamaskin kan enkelt takle enhver kompleks aktivitet, det være seg sjakk eller matematiske beregninger, så lenge denne aktiviteten kan beskrives ved hjelp av klare beregningsregler," sier den berømte matematikeren Roger Penrose i et av sine forelesninger. "Kunstig intelligens er et systems evne til å lage programmer under selvlæring som er i stand til å løse problemer av en viss kompleksitetsklasse," sier Evgeniy Pluzhnik. "Jeg er sikker på at vi ikke vil se fremveksten av sterk kunstig intelligens i løpet av de neste 100 årene."

Og avslutningsvis, ett spørsmål til til Cleverbot.

Person: Det var 1 eple, 1 tomat, 1 agurk og 1 pære. Hvor mange frukter er det totalt?
Cleverbot: Klokken ti om kvelden.

Essensen av kunstig intelligens i spørsmål og svarformat. Skapelseshistorie, forskningsteknologier, om kunstig intelligens er relatert til IQ og om den kan sammenlignes med menneskelig intelligens. Besvarte spørsmål Professor John McCarthy ved Stanford University.

Hva er kunstig intelligens (AI)?

Kunstig intelligens er et felt innen vitenskap og ingeniørvitenskap som omhandler skapelse av maskiner og dataprogrammer som har intelligens. Den tar for seg utfordringen med å bruke datamaskiner for å forstå menneskelig intelligens. Samtidig bør kunstig intelligens ikke begrenses til kun biologisk observerbare metoder.

Ja, men hva er intelligens?

Intelligens er evnen til å ta en beslutning ved hjelp av beregninger. Mennesker, mange dyr og noen maskiner har intelligens av ulike typer og nivåer.

Finnes det ikke en definisjon av intelligens som ikke er avhengig av dens forhold til menneskelig intelligens?

Til nå er det ingen forståelse for hvilke typer beregningsprosedyrer vi vil kalle intelligente. Vi vet ikke om alle intelligensens mekanismer.

Er intelligens et entydig konsept, slik at spørsmålet "Har denne maskinen intelligens?" kan svaret være "ja" eller "nei"?

Nei. AI-forskning har vist hvordan man bruker bare noen få av mekanismene. Hvis bare vellærte modeller kreves for å fullføre en oppgave, oppnås meget imponerende resultater. Slike programmer har "liten" intelligens.

Er kunstig intelligens et forsøk på å etterligne menneskelig intelligens?

Noen ganger, men ikke alltid. På den ene siden lærer vi hvordan vi får maskiner til å løse problemer ved å observere mennesker eller våre egne algoritmer. På den annen side bruker AI-forskere algoritmer som ikke er observert hos mennesker eller krever mye større dataressurser.

Har dataprogrammer IQ?

Nei. IQ er basert på hvor raskt barn utvikler intelligens. Dette er forholdet mellom alderen der et barn vanligvis scorer en bestemt poengsum og barnets alder. Denne vurderingen strekker seg passende til voksne. IQ korrelerer godt med ulike mål på suksess eller fiasko i livet. Men å lage datamaskiner som kan score høyt på IQ-tester vil ha lite å gjøre med deres nytteverdi. For eksempel korrelerer et barns evne til å gjenta en lang rekke med tall godt med andre intellektuelle evner. Den viser hvor mye informasjon et barn kan huske på en gang. Samtidig er det å holde tall i minnet en triviell oppgave selv for de mest primitive datamaskinene.

Hvordan sammenligne menneskelig og datamaskinintelligens?

Arthur R. Jensen, en ledende forsker innen menneskelig intelligens, argumenterer som en «heuristisk hypotese» at vanlige mennesker deler de samme mekanismene for intelligens og at intellektuelle forskjeller er relatert til «kvantitative biokjemiske og fysiologiske forhold». Disse inkluderer tenkehastighet, korttidsminne og evnen til å danne nøyaktige og gjenfinnbare langtidsminner.

Uansett om Jensens poeng om menneskelig intelligens er riktig, er situasjonen i AI i dag motsatt.

Dataprogrammer har et stort tak av hastighet og minne, men deres evner tilsvarer intelligente mekanismer som programutviklere forstår godt og kan sette inn i dem. Noen evner som barn vanligvis ikke utvikler før ungdomsårene er introdusert. Andre som eies av toåringer er fortsatt savnet. Saken kompliseres ytterligere av det faktum at kognitiv vitenskap fortsatt ikke kan fastslå nøyaktig hva menneskelige evner er. Mest sannsynlig er organiseringen av de intellektuelle mekanismene til AI gunstig sammenlignet med menneskers.

Når et menneske løser et problem raskere enn en datamaskin, indikerer det at utviklerne mangler en forståelse av intelligensen som kreves for å utføre oppgaven effektivt.

Når begynte AI-forskningen?

Etter andre verdenskrig begynte flere å jobbe selvstendig på intelligente maskiner. Den engelske matematikeren Alan Turing kan ha vært den første av disse. Han holdt sitt foredrag i 1947. Turing var en av de første som bestemte at AI best kunne utforskes ved å programmere datamaskiner i stedet for å konstruere maskiner. På slutten av 1950-tallet var det mange AI-forskere, og de fleste av dem baserte arbeidet sitt på dataprogrammering.

Er målet med AI å sette menneskelig intelligens inn i en datamaskin?

Menneskesinnet har mange trekk; det er usannsynlig at det er mulig å etterligne hver av dem.

Hva er Turing-testen?

A. Alan Turings artikkel "Computing and Intelligence" fra 1950 diskuterte betingelsene for at en maskin skal ha intelligens. Han hevdet at hvis en maskin lykkes med å late som om den er menneskelig overfor en intelligent observatør, så bør du selvfølgelig vurdere den som intelligent. Dette kriteriet vil tilfredsstille de fleste, men ikke alle filosofer. Observatøren må samhandle med maskinen eller personen gjennom en input/output-funksjon for å eliminere behovet for at maskinen skal imitere personens utseende eller stemme. Oppgaven til både maskinen og personen er å få observatøren til å betrakte seg selv som en person.

Turing-testen er ensidig. En maskin som består testen bør definitivt betraktes som intelligent, selv om den ikke har nok kunnskap om mennesker til å etterligne dem.

Daniel Dennetts bok Brainchildren inneholder en utmerket diskusjon av Turing-testen og ulike deler av den som har blitt implementert vellykket, det vil si med begrensninger på observatørens kunnskap om AI og emnet. Det viser seg at noen mennesker er ganske enkle å overbevise om at et ganske primitivt program er intelligent.

Er målet med AI å oppnå intelligens på menneskelig nivå?

Ja. Det endelige målet er å lage dataprogrammer som kan løse problemer og nå mål akkurat som mennesker. Imidlertid setter forskere som forsker på snevre felt mye mindre ambisiøse mål.

Hvor langt er kunstig intelligens fra å nå menneskelige nivåer? Når vil dette skje?

Intelligens på menneskelig nivå kan oppnås ved å skrive et stort antall programmer, og samle enorme kunnskapsbaser av fakta på språkene som brukes i dag for å uttrykke kunnskap.Imidlertid mener de fleste AI-forskere at det trengs nye grunnleggende ideer. Derfor er det umulig å forutsi når intelligens på menneskelig nivå vil bli opprettet.

Er en datamaskin en maskin som kan bli intelligent?

Datamaskiner kan programmeres til å simulere alle typer maskiner.

Tillater hastigheten på datamaskiner dem å ha intelligens?

Noen tror at det trengs både raskere datamaskiner og nye ideer. Datamaskiner var raske nok selv for 30 år siden. Hvis vi bare visste hvordan vi skulle programmere dem.

Hva med å lage en «barnemaskin» som kan forbedres ved å lese og lære ved å gjøre?

Denne ideen har blitt foreslått mange ganger siden 1940-tallet. Etter hvert vil det bli implementert. Imidlertid har AI-programmer ennå ikke nådd et nivå der de kan lære mye av det et barn lærer gjennom livet. Eksisterende programmer forstår ikke språk godt nok til å lære mye gjennom lesing.

Er beregningsteori og beregningskompleksitet nøklene til AI?

Nei. Disse teoriene er relevante, men tar ikke opp de grunnleggende problemene ved AI.

På 1930-tallet oppdaget de matematiske logikerne Kurt Gödel og Alan Turing at det ikke fantes noen algoritmer som garantert ville løse alle problemer i noen viktige matematiske felt. For eksempel svar på spørsmål som: "er en setning av førsteordens logikk en teorem" eller "har en polynomligning i noen variabler heltallsløsninger i andre." Siden mennesker er i stand til å løse denne typen problemer, har dette faktum blitt foreslått som et argument for at datamaskiner iboende ikke er i stand til å gjøre det mennesker gjør. Roger Penrose snakker også om dette. Folk kan imidlertid ikke garantere løsningervilkårligoppgaver på disse områdene.

På 1960-tallet utviklet informatikere inkludert Steve Cook og Richard Karp en domeneteori for NP-komplette problemer. Problemer i disse områdene er løsbare, men tilsynelatende krever løsningen deres tid som vokser eksponentielt med størrelsen på problemet. Det enkleste eksemplet på et NP-komplett problemdomene er spørsmålet: Hvilke proposisjonelle logiske utsagn er tilfredsstillende? Folk løser ofte problemer innen NP-komplette problemer mange ganger raskere enn garantert av grunnleggende algoritmer, men kan ikke løse dem raskt i det generelle tilfellet.

Det er viktig for AI at når man løser problemer algoritmer var like effektive som menneskesinnet. Det er viktig å identifisere underdomenene der gode algoritmer finnes, men mange programmer som løser AI-problemer faller ikke inn i lett identifiserbare underdomener.

Teorien om kompleksitet av generelle problemklasser kalles beregningsmessig kompleksitet. Så langt har ikke denne teorien samhandlet med AI så mye som man kanskje hadde håpet. Suksess i problemløsning av mennesker og AI-programmer ser ut til å avhenge av problemegenskaper og problemløsningsmetoder som verken kompleksitetsforskere eller AI-samfunnet kan definere nøyaktig.

Også relevant er teorien om algoritmisk kompleksitet, utviklet uavhengig av hverandre. Solomonov, Kolmogorov og Chaitin. Den definerer kompleksiteten til et symbolsk objekt som lengden på det korteste programmet som kan generere det. Å bevise at et kandidatprogram er kortest eller nærmest å være kortest er en umulig oppgave, men å representere objekter som de korte programmene som genererer dem kan noen ganger rydde opp selv om du ikke kan bevise at programmet ditt er det korteste.