Что же это такое искусственный интеллект? Несомненно, многие слышали о автомобилях, способных управлять своим движением без помощи человека, устройствах распознавания речи, таких как Apple’s Siri, Amazon’s Alexa, Google’s Assistant и Microsoft’s Cortana. Но это далеко не все возможности искусственного интеллекта (ИИ).

ИИ был впервые «открыт» в 1950-х годах. На протяжении многих лет его ожидали взлеты и падения, но на современном этапе развития человечества искусственный интеллект рассматривается как ключевая технология будущего. Благодаря развитию электроники и появлению более быстрых процессоров все большее количество приложений начинает использовать ИИ. Искусственный интеллект – это необычная программная технология, с которой должен ознакомиться каждый инженер. В данной статье мы постараемся кратно описать данную технологию.

Искусственный интеллект определен

ИИ — это подполе компьютерной науки, которая включает в себя более разумное использование компьютеров и электронных компонентов, имитируя человеческий мозг. Интеллект — это способность приобретать знания и опыт и применять их для решения задач. ИИ особенно полезен при анализе и интерпретации массивов данных и извлечении из него реально полезной информации. Из информации приходит понимание, которое может быть применено для принятия решений или какого-либо рода действия.

Области исследования

Искусственный интеллект – это широкая технология с множеством возможных применений. Обычно его разделяют на подветви. Сделаем небольшой обзор каждой из них:

• Решение общих задач – не имеющих конкретного алгоритмического решения. Задачи с неопределенностью и двусмысленностью.
• Экспертные системы – программное обеспечение, которое содержит базу знаний правил, фактов и данных, полученных от нескольких отдельных экспертов. База данных может быть запрошена для решения проблем, диагностики заболеваний или предоставления консультаций.
• Обработка естественного языка (NLP) – используется для анализа текстов. Распознавание голоса также является частью (NLP).
• Компьютерное зрение — анализ и понимание визуальной информации (фотографии, видео и так далее). Примером могут служить машинное зрение и распознавание лиц. Используется в «автономных» автомобилях и производственных линиях.
• Робототехника – создание более умных, адаптивных и «самостоятельных» роботов.
• Игры: ИИ отлично играет в игры. Компьютеры уже запрограммированы на игру и выигрыш в шахматах, покере и в Го.
• Машинное обучение — процедуры, позволяющие компьютеру учиться на основе входных данных и осмысливать результаты. Нейронные сети составляют основу машинного обучения.

Как работает искусственный интеллект

Обычные компьютеры используют алгоритмы для решения задач. Последовательность инструкций приводит к пошаговому выполнению действий для получения результатов. Традиционные формы искусственного интеллекта основываются на базах знаний и механизмах логического вывода, которые используют различные механизмы для работы с базой знаний через пользовательский интерфейс. Полезные результаты получены некоторыми из перечисленных ниже методов:

• Поиск: алгоритмы поиска используют базу данных информации, собранной в графы или деревья. Поиск — это основной метод искусственного интеллекта.
• Логика: дедуктивное и индуктивное рассуждение используется для определения истинности или ложности утверждений. Это включает как логику высказываний, так и логику предикатов.
• Правила: правила — это серия инструкций «если», которые можно найти для определения результата. Системы, основанные на правилах, называются экспертными системами.
• Вероятность и статистика: некоторые задачи могут быть решены, и решения находятся, благодаря применению стандартной математической теории вероятности и статистики.
• Списки: некоторые типы информации могут быть сохранены в списки, которые становятся доступными для поиска.
• Другими формами знаний являются схемы, фреймы и сценарии, которые представляют собой структуры, инкапсулирующие различные типы знаний. Методы поиска ищут ответы по соответствующим запросам.

Традиционные или унаследованные методы ИИ, такие как поиск, логика, вероятность и правила, считаются первой волной искусственного интеллекта. Эти методы все еще используются и хорошо воспринимают знание и рассуждения, особенно для узкого круга задач. В первой волне ИИ отсутствуют человеческие черты обучения и абстрагирования решений. Эти качества теперь доступны во второй волне искусственного интеллекта, благодаря нейронным сетям и машинному обучению.

Нейронные сети

Сегодня большинство исследований и разработок ИИ основаны на использовании нейронных сетей или искусственных нейронных сетей (ИНС). Эти сети состоят из искусственных нейронов, имитирующих нейроны в человеческом мозге, которые отвечают за наше мышление и обучение. Каждый нейрон является узлом сложной взаимосвязи, которая связывает многие нейроны с другими посредством синапсов. ИНС имитирует эту сеть.

Каждый узел имеет несколько взвешенных входов, а также выход и установку порога (рисунок выше). Такие узлы обычно реализуются в программном обеспечении, хотя аппаратная эмуляция также возможна. Типичная схема состоит из трех слоев — входной слой, скрытый (обрабатывающий или обучающий слой) и выходной слой:

Некоторые механизмы используют обратное распространение для обеспечения обратной связи, которая изменяет веса ввода некоторых узлов по мере получения новой информации.

Машинное обучение и глубокое обучение

Машинное обучение — это метод обучения компьютера распознаванию образов. Компьютер или устройство «обучается» с примером, а затем запускаются специальные программы для сравнения ввода с обученным значением. Как правило, для обучения программного обеспечения требуются огромные объемы данных. Программы машинного обучения предназначены для автоматического изучения, поскольку они получают больше знаний и опыта благодаря новым материалам.

Нейронные сети обычно используются для машинного обучения, однако могут использоваться и другие алгоритмы. Затем программное обеспечение может изменить себя, улучшив распознаваемость на основе новых входных данных. Теперь некоторые системы машинного обучения могут самостоятельно распознавать образы без обучения, а затем модифицировать себя для дальнейшего совершенствования.

Глубокое обучение — это расширенный случай машинного обучения. Он также использует нейронные сети, называемые глубокими нейронными сетями (ГНС). Они включают в себя дополнительные скрытые уровни вычислений для дальнейшего совершенствования своих возможностей. Требуется массовое обучение. Программисты могут повысить производительность, играя с весами межсоединений. ГНС также требуют матричной обработки. Однако следует отметить, что ГНС используют статистические веса, поэтому результаты, скажем, в видимом распознавании, могут быть не 100%. Кроме того, отладка таких систем – очень кропотливая работа.

Машинное обучения и глубокое обучения широко используются для анализа больших массивов данных, а также в компьютерном зрении и распознавании речи. Также они могут применяться и в других областях, таких как медицина, юриспруденция и финансы.

Программное обеспечение искусственного интеллекта

Для программирования ИИ может использоваться почти любой язык программирования, но некоторые языки имеют определенные преимущества. Профильные языки, разработанные специально для ИИ, включают LISP и Prolog. LISP, один из старейших языков более высокого уровня, обрабатывает списки. Prolog основан на логике. Сегодня популярны C ++ и Python. Также существует специальное программное обеспечение для разработки экспертных систем.

Несколько крупных пользователей ИИ предоставляют платформы для разработки, в том числе Amazon, Baidu (Китай), Google, IBM и Microsoft. Эти компании предлагают предварительно обученные системы в качестве стартовой точки для некоторых распространенных приложений, таких как распознавание голоса. Поставщики процессоров, такие как Nvidia и AMD, также предлагают определенную поддержку.

Аппаратное обеспечение для искусственного интеллекта

Запуск программного обеспечения искусственного интеллекта на компьютере обычно требует высокой скорости и большого объема памяти. Однако некоторые простые приложения могут работать на 8-битном процессоре. Некоторые из современных процессоров более чем подходят, а несколько параллельных процессоров могут быть идеальным решением для определенных приложений. Кроме того, для некоторых применений были разработаны специальные процессоры.

Графические процессоры (GPU) представляют собой пример фокусировки архитектуры и набора инструкций на заданное использование для оптимизации производительности. Например, специальные процессоры Nvidia для самостоятельного вождения автомобилей и графические процессоры AMD. Google разработал собственные процессоры для оптимизации своих поисковых систем. Intel и Knupath также предлагают программную поддержку для своих передовых процессоров. В некоторых случаях специальная логика в ASIC или FPGA может реализовать определенное приложение.

Активность и текущий статус

Искусственный интеллект когда-то считался экзотическим программным обеспечением, предназначенным для особых нужд. Требование высокоскоростных компьютеров с большим количеством памяти ограничивало его использование. Сегодня, благодаря супер быстрым процессорам, многоядерным процессорам и дешевой памяти, ИИ стал более популярным. Поисковые системы Google, которые мы все используем ежедневно, основаны на искусственном интеллекте.

На сегодняшний день акцент, несомненно, сделан на нейронные сети и глубокое машинное обучение. В то время как распознавание голоса и самоходные автомобили по-прежнему в центре внимания, появляются другие ключевые приложения, такие как распознавание лиц, беспилотная навигация, робототехника, медицинская диагностика и финансы. В разработке также находятся и передовые военные приложения (например, автономное оружие).

Будущее ИИ выглядит многообещающим. По данным Orbis Research, к 2022 году ожидается рост глобального рынка искусственного интеллекта с совокупным ежегодным темпом роста более 35%. The International Data Corporation (IDC) также позитивно настроена, заявив, что расходы на искусственный интеллект, как ожидается, увеличатся до 47 миллиардов долларов в 2020 году, по сравнению с 8 миллиардами в 2016 году.

У многих возникает логический вопрос – заменит ли искусственный интеллект людей некоторых профессий, и что это будут за профессии? Ответ звучит следующим образом – «возможно и только некоторые». Скорее всего, компьютеры на основе искусственного интеллекта помогут повысить производительность некоторых профессий, повысив производительность, эффективность и скорость принятия решений. Однако, некоторые рабочие места в промышленности все же будут утеряны, так как большое развитие получает робототехника, но замена человека машинами приведет к созданию новых рабочих мест, связанных с обслуживанием этих машин.

Другой вопрос, задаваемый многими людьми, может ли быть искусственный интеллект опасен для человечества? ИИ умен, но не настолько умен. Его основным назначением будет анализ данных, решение задач и принятие решений на основе имеющейся информации и дистиллированных знаний. Люди по прежнему доминируют, особенно когда речь заходит о инновациях и творчестве. Однако трудно предсказать будущее. По крайней мере, на данном этапе развития сверх умных роботов нет, пока нет…

Искусственный интеллект (ИИ, artificial intelligence, AI) - это наука создания интеллектуальных технологий и компьютерных программ.

Искусственный интеллект тесно связан с задачей понять человеческий интеллект с помощью компьютерных технологий. На данный момент нельзя точно сказать, какие вычислительные методы можно называть интеллектуальными. Одни механизмы интеллекта открыты для понимания, остальные нет. На данный момент в программах используются методы, не встречающиеся у людей.

Искусственный интеллект имеет научное направление, которое изучает решение задач интеллектуальной деятельности человека. Искусственный интеллект направлен на выполнение творческих задач в области, знания о которой хранится в интеллектуальной системе программы - базе знаний .

С этими знаниями работает механизм программы - решатель задач . Затем человек получает представление о результате работы программы через интеллектуальный интерфейс. Результатом программы искусственного интеллекта, является воссоздание интеллектуального рассуждения или разумного действия.

Одним из главных свойств искусственного интеллекта является способность самообучаться. В первую очередь, это эвристическое обучение - непрерывное обучение программы, формирование процесса обучения и собственных целей, анализ и осознание своего обучения.

Научное направление изучающее искусственный интеллект начало зарождаться еще давно:

• философы думали о познании внутреннего мира человека
• психологи изучали мышление человека
• математики занимались расчетами

Вскоре, были созданы первые компьютеры, которые позволили выполнять вычисления обгоняя по скорости человека. Тогда ученые стали задавать вопрос: где граница возможностей компьютеров и могут они достигнуть уровня человека?

Алан Тьюринг - английский ученый, пионер вычислительной техники, написал статью «Может ли машина мыслить?», где описал метод, который поможет определить, в какой момент компьютер можно сравнить с человеком. Этот метод получил названием - тест Тьюринга .

Суть метода заключается в том, чтобы человек сначала отвечал на вопросы компьютера, затем на вопросы другого человека и при этом не зная, кто именно задал ему вопросы. Если при ответе на вопросы компьютера, человек не заподозрил, что это машина, то прохождение теста Тьюринга можно считать успешным, как и то, что компьютер является искусственным интеллектом.

Таким образом, если компьютер проявляет схожее с человеческим поведение в любых естественных ситуациях и способен поддержать диалог с человеком, то можно сказать, что это искусственный интеллект. Еще один предполагаемый метод определения является ли машина интеллектуальной, это ее способность к творчеству и возможность чувствовать.

Существует множество разных подходов к изучению и пониманию искусственного интеллекта.

Символьный подход

Символьный подход стал первым в цифровую эпоху машин. После создания языка символьных вычислений Лисп, его авторы приступили к реализации интеллекта. Символьный подход используйте слабоформализованные представления. Пока что интеллектуальную работу и связанные с творчеством задачи способен выполнять только человек. Работа компьютеров в этом направлении является предвзятой и по сути не может выполняться без участия человека.

Символьные вычисления помогли создать правила для решения задач в процессе выполнения компьютерной программы. Однако стало возможно решать только самые простые задачи, а при появлении любой сложной задачи необходимо снова подключаться человеку. Таким образом, такие системы не позволяют называть их интеллектуальными, так как их возможности не позволяют решать возникающие трудности и совершенствовать уже знающие способы решения задач для решения новых.

Логический подход

Логический подход основан на моделировании рассуждений и применением языка логического программирования. Например, язык программирования Пролог основан на наборе правил логического вывода без жестких последовательных действий для достижения результата.

Агентно-ориентированный подход

Агентно-ориентированный подход основан на методах помогающих интеллекту выживать в окружающей среде для достижения определенных результатов. Компьютер воспринимает свое окружение и воздействует на него с помощью поставленных методов.

Гибридный подход

Гибридный подход включает в себя экспертные правила, которые могут создаваться нейронными сетями, а порождающие правила с помощью статистического обучения.

Моделирование рассуждений

Существует такое направление в изучении искусственного интеллекта, как моделирование рассуждений. Данное направление включает в себя создания символьных систем, для постановки задач и их решения. Поставленная задача должна быть переведена в математическую форму. При этом у нее еще нет алгоритма для решения из-за сложности. Поэтому моделирование рассуждений содержит доказательство теорем, принятие решений, планирование, прогнозирование и т.п.

Обработка естественного языка

Еще одним важным направлением искусственного интеллекта является обработка естественного языка , на котором делается анализ и обработка текстов на понятном для человека языке. Цель этого направления - обработка естественного языка для самостоятельного приобретения знаний. Источником информации может быть текст введенный в программу или полученный из интернета.

Представление и использование знаний

Инженерия знаний - это направление получения знаний из информации, их систематизация и дальнейшее использование для решения различных задач. С помощью специальных баз знаний экспертные системы получают данные для процесса нахождения решений поставленных задач.

Машинное обучение

Одним из основных требований к искусственному интеллекту является возможность машины к самостоятельному обучению без вмешательства учителя. К машинному обучению относятся задачи по распознаванию образов: распознавание символов, текста и речи. Сюда же относится и компьютерное зрение, связанное с робототехникой.

Биологическое моделирование ИИ

Существует такое направление, как квазибиологическая парадигма , которое иначе называется Биокомпьютинг . Данное направление в искусственном интеллекте изучает разработку компьютеров и технологий с использованием живых организмов и биологических компонентов - биокомпьютеров.

Робототехника

Область робототехники тесно связана с искусственным интеллектом. Свойства искусственного интеллекта также необходимы роботам для выполнения множества различных задач. Например, для навигации и определения своего местоположения, изучения предметов и планирование своего перемещения.

Области применения искусственного интеллекта

Искусственный интеллект создается с целью решать задачи из различных областей:

• Интеллектуальные системы для образования и отдыха.
• Синтез и распознавание текста и человеческой речи используется в системах обслуживания клиентов.
• Системы распознавания образов используются используют в системах безопасности, при оптическом и акустическом распознавании, медицинской диагностике, системах определения целей.
• В компьютерных играх применяются системы ИИ для расчета игровой стратегии, имитации поведений персонажей, нахождения пути в пространстве.
• Системы алгоритмической торговли и принятия решений.
• Финансовые системы для консультации и управления финансами.
• Роботы используемые в промышленности для решения сложных рутинных задач: роботы для ухода за больными, роботы консультанты, а также занимающиеся деятельностью опасной для жизни человека: роботы спасатели, роботы минеры.
• Управление человеческими ресурсами и рекрутинг, просмотр и ранжирование кандидатов, прогнозирование успеха сотрудников.
• Системы распознавания и фильтрации спама в электронной почте.

Это далеко не все области, где можно применить искусственный интеллект.

Сейчас создание искусственного интеллекта является одной из важных задач человека. Однако пока нет единой точки зрения на то, что можно считать интеллектом, а что нельзя. Многие вопросы вызывают споры и сомнения. Возможно ли создание интеллектуального разума, который будет понимать и решать проблемы людей? Разум, не лишенный эмоций и со способностями присущими живому организму. Пока не настало время, когда мы это увидим.

В этом году компания «Яндекс» запустила голосового помощника «Алиса». Новый сервис позволяет пользователю прослушивать новости и погоду, получать ответы на вопросы и просто общаться с ботом. «Алиса» иногда дерзит , порой кажется почти разумной и по-человечески саркастичной , но часто не может разобраться, о чём её спрашивают, и садится в лужу.

Всё это породило не только волну шуток, но и новый виток дискуссий о развитии искусственного интеллекта. Новости о том, чего добились умные алгоритмы, сегодня приходят чуть ли не каждый день, а машинное обучение называют одним из самых перспективных направлений, которому можно себя посвятить.

Чтобы прояснить главные вопросы об искусственном интеллекте, мы побеседовали с Сергеем Марковым, специалистом по искусственному интеллекту и методам машинного обучения, автором одной из самых сильных отечественных шахматных программ SmarThink и создателем проекта «XXII век» .

Сергей Марков,

специалист по искусственному интеллекту

Развенчивая мифы об ИИ

так что же такое «искусственный интеллект»?

Понятию «искусственный интеллект» в какой-то мере не повезло. Возникшее изначально в научной среде, оно со временем проникло в фантастическую литературу, а через неё - в поп-культуру, где претерпело целый ряд изменений, обросло множеством интерпретаций и в конце-концов было совершенно мистифицировано.

Именно поэтому мы часто слышим от неспециалистов примерно такие заявления: «ИИ не существует», «ИИ невозможно создать». Непонимание сути исследований, ведущихся в сфере ИИ, легко приводит людей и к другим крайностям - например, современным системам ИИ приписывают наличие сознания, свободной воли и секретных мотивов.

Давайте попробуем отделить мух от котлет.

В науке искусственным интеллектом называют системы, предназначенные для решения интеллектуальных задач.

В свою очередь, интеллектуальная задача - это задача, которую люди решают при помощи собственного интеллекта. Заметим, что в данном случае специалисты сознательно уходят от определения понятия «интеллект», поскольку до появления систем ИИ единственным примером интеллекта был интеллект человеческий, и определить понятие интеллекта на основе единственного примера - то же самое, что пытаться провести прямую через единственную точку. Таких прямых может оказаться сколько угодно много, а значит, спор о понятии интеллекта можно было бы вести столетиями.

«сильный» и «слабый» искусственный интеллект

Системы ИИ делятся на две большие группы.

Прикладной искусственный интеллект (также используют термин «слабый ИИ» или «узкий ИИ», в английской традиции - weak/applied/narrow AI) - это ИИ, предназначенный для решения какой-либо одной интеллектуальной задачи или их небольшого множества. К этому классу относятся системы для игры в шахматы, го, распознавания образов, речи, принятия решения о выдаче или невыдаче банковского кредита и так далее.

В противоположность прикладному ИИ вводят понятие универсального искусственного интеллекта (также «сильный ИИ», по-английски - strong AI/Artificial General Intelligence) - то есть, гипотетического (пока что) ИИ, способного решать любые интеллектуальные задачи.

Часто люди, не зная терминологии, отождествляют ИИ с сильным ИИ, из-за этого и возникают суждения в духе «ИИ не существует».

Сильного ИИ действительно пока не существует. Практически все успехи, которые мы наблюдаем в последнее десятилетие в области ИИ, - это успехи прикладных систем. Эти успехи нельзя недооценивать, так как прикладные системы в ряде случаев способны решать интеллектуальные задачи лучше, чем это делает универсальный человеческий интеллект.

Я думаю, вы заметили, что понятие ИИ - довольно широкое. Скажем, устный счёт - это тоже интеллектуальная задача, и это значит, что любая счётная машина будет считаться системой ИИ. А как насчёт счётов? Абака ? Антикитерского механизма ? Действительно, всё это формально хотя и примитивные, но системы ИИ. Однако обычно, называя какую-то систему системой ИИ, мы тем самым подчёркиваем сложность решаемой этой системой задачи.

Совершенно очевидно, что разделение интеллектуальных задач на простые и сложные - весьма искусственное, и наши представления о сложности тех или иных задач постепенно меняются. Механическая счётная машина была чудом техники в XVII веке, но сегодня людей, с детства сталкивающихся с куда более сложными механизмами, она уже не способна впечатлить. Когда игра машин в го или автомобильные автопилоты уже перестанут удивлять публику, наверняка найдутся люди, которые будут морщиться из-за того, что кто-то будет относить такие системы к ИИ.

«Роботы-отличники»: о способностях ИИ к обучению

Ещё одно забавное заблуждение - всенепременное наличие у систем ИИ способности к самообучению. С одной стороны, это совсем не обязательное свойство систем ИИ: есть множество удивительных систем, не способных самообучаться, но, тем не менее, решающих многие задачи лучше человеческого мозга. С другой стороны, некоторые люди просто не знают того, что самообучение - свойство, которые многие системы ИИ обрели ещё более полусотни лет назад.

Когда в 1999 году я писал свою первую шахматную программу, самообучение уже было совершенно общим местом в этой области - программы умели запоминать опасные позиции, подстраивать под себя дебютные варианты, регулировать стиль игры, подстраиваясь под соперника. Конечно, тем программам было ещё очень далеко до Alpha Zero . Тем не менее, даже системы, обучающиеся поведению на основе взаимодействия с другими системами в ходе экспериментов по так называемому «обучению с подкреплением», уже существовали. Однако по необъяснимой причине некоторые люди до сих пор думают, что способность к самообучению - это прерогатива человеческого интеллекта.

Машинное обучение, целая научная дисциплина, занимается процессами обучения машин решению тех или иных задач.

Существует два больших полюса машинного обучения - обучение с учителем и обучение без учителя.

При обучении с учителем у машины уже есть некоторое количество условно правильных решений для некоторого набора случаев. Задача обучения в таком случае заключается в том, чтобы научить машину на основе имеющихся примеров принимать правильные решения в других, неизвестных ситуациях.

Другая крайность - обучение без учителя . То есть машину ставят в ситуацию, когда правильные решения неизвестны, имеются только данные в сыром, неразмеченном виде. Оказывается, и в таких случаях можно добиться некоторого успеха. Например, можно научить машину выявлению семантических отношений между словами языка на основе анализа очень большого набора текстов.

Одна из разновидностей обучения с учителем - это обучение с подкреплением (reinforcement learning). Идея заключается в том, что система ИИ выступает в роли агента, помещённого в некоторую модельную среду, в которой она может взаимодействовать с другими агентами, например, с собственными копиями, и получать от среды некоторую обратную связь через функцию вознаграждения. Например, шахматная программа, которая играет сама с собой, постепенно подстраивая свои параметры и тем самым постепенно усиливая собственную игру.

Обучение с подкреплением - довольно широкая область, в ней применяют множество интересных методов, начиная от эволюционных алгоритмов и заканчивая байесовской оптимизацией . Последние достижения в области ИИ для игр как раз связаны с усилением ИИ в ходе обучения с подкреплением.

Риски развития технологий: стоит ли бояться «Судного дня»?

Я не отношусь к числу ИИ-алармистов, и в этом смысле я отнюдь не одинок. Например, создатель стэнфордского курса по машинному обучению Эндрю Ын сравнивает проблему опасности ИИ с проблемой перенаселения Марса.

Действительно, в будущем вполне вероятно, что люди колонизируют Марс. Также вероятно, что рано или поздно на Марсе может возникнуть проблема перенаселения, но не совсем понятно, почему мы должны заниматься этой проблемой уже сейчас? Согласны с Ыном и Ян ЛеКун - создатель свёрточных нейронный сетей, и его шеф Марк Цукерберг, и Йошуа Беньо - человек, во многом благодаря исследованиям которого современные нейронные сети способны решать сложные задачи в области обработки текстов.

Чтобы изложить мои взгляды на эту проблему, потребуется, вероятно, несколько часов, поэтому остановлюсь только на основных тезисах.

1. НЕЛЬЗЯ ОГРАНИЧИВАТЬ РАЗВИТИЕ ИИ

Алармисты рассматривают риски, связанные с потенциальным разрушительным воздействием ИИ, при этом игнорируя риски, связанные с попыткой ограничить или даже остановить прогресс в этой области. Технологическое могущество человечества возрастает чрезвычайно быстрыми темпами, что приводит к эффекту, который я называю «удешевлением апокалипсиса».

150 лет назад при всём желании человечество не могло нанести невосполнимого урона ни биосфере, ни себе как виду. Для реализации катастрофического сценария 50 лет назад необходимо было бы сконцентрировать всю технологическую мощь ядерных держав. Завтра для воплощения в жизнь глобальной техногенной катастрофы может хватить и небольшой горстки фанатиков.

Наша технологическая мощь растёт куда быстрее, чем способность человеческого интеллекта эту мощь контролировать.

Если на смену человеческому интеллекту с его предрассудками, агрессией, заблуждениями и ограниченностью не придёт система, способная принимать более взвешенные решения (будь то ИИ или, что я считаю более вероятным, технологически улучшенный и объединённый с машинами в единую систему человеческий интеллект), нас может ждать глобальная катастрофа.

2. создание сверхинтеллекта принципиально невозможно

Существует идея о том, что ИИ будущего всенепременно будет сверхинтеллектом, превосходящим людей даже сильнее, чем люди превосходят муравьёв. Боюсь в данном случае разочаровать и технологических оптимистов - наша Вселенная содержит целый ряд фундаментальных физических ограничений, которые, по всей видимости, сделают создание сверхинтеллекта невозможным.

Например, скорость передачи сигнала ограничена скоростью света, а на планковских масштабах появляется неопределённость Гейзенберга. Отсюда вытекает первый фундаментальный предел - предел Бремерманна, вводящий ограничения на максимальную скорость вычислений для автономной системы заданной массы m.

Другой предел связан с принципом Ландауэра , в соответствии с которым существует минимальное количество теплоты, выделяемое при обработке 1 бита информации. Слишком быстрые вычисления вызовут недопустимый разогрев и разрушение системы. В действительности, современные процессоры от лимита Ландауэра отделяет менее чем тысячекратное отставание. Казалось бы, 1000 - это довольно много, однако ещё одна проблема заключается в том, что многие интеллектуальные задачи относятся к классу сложности EXPTIME. Это означает, что время, необходимое для их решения, является экспоненциальной функцией от размерности задачи. Ускорение системы в несколько раз даёт лишь константный прирост «интеллекта».

В общем, есть очень серьёзные основания полагать, что сверхинтеллектуального сильного ИИ не получится, хотя, конечно, уровень человеческого интеллекта вполне может быть превзойдён. Насколько это опасно? Скорее всего, не очень.

Представьте себе, что вы внезапно начали думать в 100 раз быстрее остальных людей. Значит ли это, что вы легко будете способны уговорить любого прохожего отдать вам свой кошелёк?

3. мы беспокоимся совсем не о том

К сожалению, в результате спекуляций алармистов на страхах публики, воспитанной на «Терминаторе» и знаменитом HAL 9000 Кларка и Кубрика, происходит смещение акцентов в сфере безопасности ИИ в сторону анализа маловероятных, но эффектных сценариев. При этом реальные опасности ускользают из виду.

Любая достаточно сложная технология, претендующая на то, чтобы занять важное место в нашем технологическом ландшафте, безусловно приносит с собой специфические риски. Множество жизней было погублено паровыми машинами - на производстве, на транспорте и так далее - прежде чем были выработаны эффективные правила и меры по обеспечению безопасности.

Если говорить о прогрессе в области прикладного ИИ, можно обратить внимание на связанную с ним проблему так называемого «Цифрового тайного суда» . Всё больше и больше прикладных систем ИИ принимает решения по вопросам, затрагивающим жизнь и здоровье людей. Сюда относятся и медицинские диагностические системы, и, например, системы, принимающие в банках решения о выдаче или невыдаче кредита клиенту.

В то же время структура используемых моделей, наборы используемых факторов и другие детали процедуры принятия решения скрыты коммерческой тайной от человека, чья судьба находится на кону.

Используемые модели могут основывать свои решения на мнениях учителей-экспертов, допускавших систематические ошибки или имевших те или иные предрассудки - расовые, гендерные.

ИИ, обученный на решениях таких экспертов, будет добросовестно воспроизводить эти предрассудки в своих решениях. В конце концов эти модели могут содержать в себе специфические дефекты.

Этими проблемами сейчас мало кто занимается, поскольку, конечно, SkyNet, развязывающий ядерную войну, это, безусловно, куда более зрелищно.

Нейросети как «горячий тренд»

С одной стороны, нейронные сети - это одна из самых старинных моделей, применяющихся для создания систем ИИ. Появившиеся изначально в результате применения бионического подхода , они довольно быстро убежали от своих биологических прототипов. Исключением тут являются только импульсные нейронные сети (впрочем, пока не нашедшие широкого применения в индустрии).

Прогресс последних десятилетий связан с развитием технологий глубокого обучения - подхода, при котором нейронные сети собирают из большого количество слоёв, каждый из которых построен на основе определённых регулярных паттернов.

Помимо создания новых нейросетевых моделей важный прогресс был также достигнут в области технологий обучения. Сегодня нейронные сети учат уже не при помощи центральных процессоров компьютеров, а с использованием специализированных процессоров, способных быстро производить матричные и тензорные вычисления. Наиболее распространённый на сегодняшний день вид таких устройств - видеокарты. Впрочем, активно ведётся разработка ещё более специализированных устройств для обучения нейросетей.

В целом, безусловно, нейронные сети на сегодняшний день, - это одна из основных технологий в области машинного обучения, которой мы обязаны решению многих задач, ранее решавшихся неудовлетворительно. С другой стороны, конечно, нужно понимать, что нейронные сети не являются панацеей. Для некоторых задач они - далеко не самый эффективный инструмент.

Так насколько умны нынешние роботы на самом деле?

Всё познаётся в сравнении. На фоне технологий 2000-го года нынешние достижения выглядят настоящим чудом. Всегда найдутся люди, любящие побрюзжать. 5 лет назад они вовсю трындели о том, что машины никогда не выиграют у людей в го (ну или, по крайней мере, выиграют очень нескоро). Говорили о том, что машина никогда не сможет нарисовать с нуля картину, в то время как сегодня люди практически неспособны отличать картины, созданные машинами, от картин неизвестных им художников. В конце прошлого года машины научились синтезировать речь, практически неотличимую от человеческой, а в последние годы от музыки, создаваемой машинами, не вянут уши.

Посмотрим, что будет завтра. Я смотрю на эти области применения ИИ с большим оптимизмом.

Перспективные направления: где начать погружение в сферу ИИ?

Я бы посоветовал постараться на хорошем уровне освоить один из популярных нейросетевых фреймворков и один из популярных в области машинного обучения языков программирования (наиболее популярна на сегодняшний день связка TensorFlow + Python).

Овладев этими инструментами и имея в идеале крепкую базу в области математической статистики и теории вероятностей, следует направить свои усилия в ту сферу, которая будет наиболее интересна лично вам.

Интерес к предмету работы - один из самых важных ваших помощников.

Потребность в специалистах по машинному обучению существует в самых разных областях - в медицине, в банковском деле, в науке, на производстве, поэтому сегодня хорошему специалисту предоставлен как никогда широкий выбор. Потенциальные преимущества любой из этих отраслей мне представляются несущественными по сравнению с тем, что работа будет приносить вам удовольствие.

Суть искусственного интеллекта в формате вопросов и ответов. История создания, технологии исследования, связан ли искусственный интеллект с IQ и можно ли его сравнить с человеческим. На вопросы отвечал профессор Стэнфордского университета Джон Маккарти .

Что такое искусственный интеллект (ИИ)?

Искусственный интеллект — это область науки и инжиниринга, занимающаяся созданием машин и компьютерных программ, обладающих интеллектом. Она связана с задачей использования компьютеров для понимания человеческого интеллекта. При этом искусственный интеллект не должен ограничиваться только биологически наблюдаемыми методами.

Да, но что такое интеллект?

Интеллект – способность приходить к решению при помощи вычислений. Интеллект разного вида и уровня есть у людей, многих животных и некоторых машин.

Разве нет определения интеллекта, которое не зависит от соотнесения его с человеческим интеллектом?

До настоящего времени нет понимания, какие виды вычислительных процедур мы хотим назвать интеллектуальными. Мы знаем далеко не обо всех механизмах интеллекта.

Является ли интеллект однозначным понятием, чтобы на вопрос «Обладает ли данная машина интеллектом?» можно было ответить «да» или «нет»?

Нет. Исследования ИИ показали, как использовать лишь некоторые из механизмов. Если для выполнения задачи требуются только хорошо изученные модели, получаются очень впечатляющие результаты. Такие программы обладают «небольшим» интеллектом.

Является ли искусственный интеллект попыткой имитировать человеческий интеллект?

Иногда, но далеко не всегда. С одной стороны, мы узнаем, как заставить машины решать задачи, наблюдая за людьми или за работой наших собственных алгоритмов. С другой стороны, исследователи ИИ используют алгоритмы, которые не наблюдаются у людей или требуют гораздо больших вычислительных ресурсов.

У компьютерных программ есть IQ?

Нет. IQ основан на темпах развития интеллекта у детей. Это отношение возраста, в котором ребенок обычно набирает определенный результат, к возрасту ребенка. Данная оценка подходящим образом распространяется и на взрослых людей. IQ хорошо коррелирует с различными показателями успеха или неудачи в жизни. Но создание компьютеров, которые могут набрать высокий балл в тестах IQ, будет слабо связано с их полезностью. Например, способность ребенка повторять длинную последовательность цифр хорошо коррелирует с другими интеллектуальными способностями. Она показывает, какое количество информации ребенок может запомнить за один раз. При этом удержание в памяти цифр является тривиальной задачей даже для самых примитивных компьютеров.

Как сравнить человеческий и компьютерный интеллекты?

Артур Р. Дженсен, ведущий исследователь в области человеческого интеллекта, в качестве «эвристической гипотезы» утверждает, что обычные люди имеют одни и те же механизмы интеллекта и интеллектуальные различия связаны с «количественными биохимическими и физиологическими условиями». К ним относятся скорость мышления, краткосрочную память и способность формировать точные и извлекаемые долгосрочные воспоминания.

Независимо от того, правильна ли точка зрения Дженсена в отношении человеческого интеллекта, ситуация в ИИ на сегодняшний день является противоположной.

Компьютерные программы имеют большой запас скорости и памяти, но их способности соответствуют интеллектуальным механизмам, которые разработчики программ хорошо понимают и могут вложить в них . Некоторые способности, которые дети обычно не развивают до подросткового возраста, внедряются. Другие, которыми владеют двухлетние дети, все еще отсутствуют. Дело еще более усугубляется тем фактом, что когнитивные науки до сих пор не могут точно определить, каковы человеческие способности. Скорее всего, организация интеллектуальных механизмов ИИ выгодно отличается от таковой у людей.

Когда человеку удается решить задачу быстрее, чем компьютеру, это говорит о том, что разработчикам не хватает понимания механизмов интеллекта, необходимых для эффективного выполнения данной задачи.

Когда началось исследование ИИ?

После Второй мировой войны несколько человек начали независимо работать над интеллектуальными машинами. Английский математик Алан Тьюринг, возможно, был первым из них. Он прочитал свою лекцию в 1947 году. Тьюринг одним из первых решил, что ИИ лучше всего исследовать путем программирования компьютеров, а не конструирования машин . К концу 1950-х годов было много исследователей ИИ, и большинство из них основывали свою работу на программировании компьютеров.

Является ли целью ИИ поместить человеческий разум в компьютер?

У человеческого разума есть много особенностей, вряд ли реально имитировать каждую из них.

Что такое тест Тьюринга?

В статье А. Алана Тьюринга 1950 года «Вычислительная техника и разум» обсуждались условия обладания машиной интеллектом. Он утверждал, что если машина может успешно притворяться человеком перед разумным наблюдателем, то вы, конечно же, должны считать ее разумной. Этот критерий удовлетворит большинство людей, но не всех философов. Наблюдатель должен взаимодействовать с машиной или человеком через средство ввода-вывода для исключения необходимости имитации машиной внешнего вида или голоса человека. Задача как машины, так и человека состоит в том, чтобы заставить наблюдателя считать себя человеком.

Тест Тьюринга является односторонним. Машина, успешно проходящая тест, определенно должна считаться разумной, даже если она не обладает знаниями о людях, достаточными, чтобы их имитировать.

Книга Дэниела Деннета «Brainchildren» содержит прекрасное обсуждение теста Тьюринга и его различные части, которые были реализованы успешно, т. е. с ограничениями на знание наблюдателем об ИИ и предмете обсуждения. Оказывается, некоторых людей довольно легко убедить в том, что достаточно примитивная программа является разумной.

Является ли целью ИИ достижение человеческого уровня интеллекта?

Да. Конечной целью является создание компьютерных программ, которые могут решать проблемы и достигать целей так же, так и человек. Однако ученые, проводящие исследования в узких областях, ставят гораздо менее амбициозные цели.

Насколько далек искусственный интеллект от достижения человеческого уровня? Когда это произойдет?

Интеллект человеческого уровня может быть достигнут путем написания большого количества программ, и сбора обширных баз знаний о фактах на языках, которые сегодня используются для выражения знаний. Тем не менее, большинство исследователей ИИ считает, что необходимы новые фундаментальные идеи. Поэтому невозможно предсказать, когда будет создан интеллект человеческого уровня.

Является ли компьютер машиной, которая может стать интеллектуальной?

Компьютеры могут быть запрограммированы для имитации любого типа машины.

Скорость компьютеров позволяет им обладать интеллектом?

Некоторые люди думают, что требуются как более быстрые компьютеры, так и новые идеи. Компьютеры и 30 лет назад были достаточно быстрыми. Если бы мы только знали, как их программировать.

Что насчет создания «детской машины», которая могла бы улучшиться путем чтения и обучения на собственном опыте?

Эта идея неоднократно предлагалась с 1940-х годов. В конце концов, она будет реализована. Тем не менее, программы ИИ еще не достигли уровня, позволяющего узнать многое из того, чему ребенок учится в ходе жизнедеятельности. Существующие программы недостаточно хорошо понимают язык, чтобы многому научиться посредством чтения.

Являются ли теория вычислимости и вычислительная сложность ключами к ИИ?

Нет. Эти теории актуальны, но не затрагивают фундаментальные проблемы ИИ.

В 1930-х годах математические логики Курт Гёдель и Алан Тьюринг установили, что не существует алгоритмов, которые гарантировали бы решение всех задач в некоторых важных математических областях. Например, ответы на вопросы в духе: «является ли предложение логики первого порядка теоремой» или «имеет ли полиномиальное уравнение в одних переменных целочисленные решения в других». Так как люди способны решать задачи такого рода, данный факт было предложен в качестве аргумента в пользу того, что компьютеры по своей сути неспособны делать то, что делают люди. Об этом говорит и Роджер Пенроуз. Однако люди не могут гарантировать решения произвольных задач в этих областях.

В 1960-х годах ученые-программисты, в числе которых были Стив Кук и Ричард Карп, разработали теорию областей NP-полных задач. Задачи в данных областях разрешимы, но, по-видимому, их решение требует времени, растущего экспоненциально с размерностью задачи. Простейшим примером области NP-полной задачи служит вопрос: какие утверждения логики высказываний являются выполнимыми? Люди часто решают проблемы в области NP-полных задач в разы быстрее, чем это гарантируется основными алгоритмами, но не могут решать их быстро в общем случае.

Для ИИ важно, чтобы при решении задач алгоритмы были такими же эффективными, как и человеческий разум . Определение подобластей, в которых существуют хорошие алгоритмы, является важным, но многие программы, решающие задачи ИИ, не имеют отношения к легко идентифицируемым подобластям.

Теория сложности общих классов задач называется вычислительной сложностью. До сих пор эта теория не взаимодействовала с ИИ настолько, насколько можно было надеяться. Успех в решении проблем людьми и программами ИИ, по-видимому, зависит от свойств задач и методов решения задач, которые ни исследователи сложности, ни сообщество ИИ не могут определить точно.

Также актуальной является теория алгоритмической сложности, разработанная независимо друг от друга Соломоновым, Колмогоровым и Чайтиным . Она определяет сложность символьного объекта как длину наиболее короткой программы, которая сможет его сгенерировать. Доказательство того, что программа-кандидат является самой короткой или близкой к таковой, является неразрешимой задачей, но представление объектов генерирующими их короткими программами иногда может прояснять ситуацию, даже если вы не можете доказать, что ваша программа является самой короткой.

«Хочу заниматься ИИ. Что стоит изучить? Какие языки использовать? В каких организациях учиться и работать?»

Мы обратились за разъяснением к нашим экспертам, а полученные ответы представляем вашему вниманию.

Это зависит от Вашей базовой подготовки. Прежде всего, необходима математическая культура (знание статистики, теории вероятностей, дискретной математики, линейной алгебры, анализа и др.) и готовность многому быстро учиться. При реализации методов ИИ потребуется программирование (алгоритмы, структуры данных, ООП и др.).

Разные проекты требуют владения разными языками программирования. Я бы рекомендовал знать как минимум Python, Java и любой функциональный язык. Нелишним будет опыт работы с различными базами данных и распределёнными системами. Чтобы быстро изучать лучшие подходы, применяемые в индустрии, требуется знание английского языка.

Учиться рекомендую в хороших российских вузах! Например, в МФТИ, МГУ, ВШЭ есть соответствующие кафедры. Большое разнообразие тематических курсов доступно на Coursera, edX, Udacity, Udemy и других MOOC площадках. Некоторые ведущие организации имеют собственные программы подготовки в области ИИ (например, Школа анализа данных у Яндекса).

Прикладные задачи, решаемые методами ИИ, можно найти в самых разнообразных местах. Банки, финансовый сектор, консалтинг, ритейл, e-commerce, поисковые системы, почтовые сервисы, игровая индустрия, индустрия систем безопасности и, конечно, Avito – все нуждаются в специалистах различной квалификации.

Повысить Понизить

У нас есть проект по финтеху, связанный с машинным обучением и компьютерным зрением, в котором первый его разработчик писал все на C++, далее пришел разработчик, который все переписал на Python. Так что язык тут не самое главное, так как язык - это прежде всего инструмент, и от вас зависит, как его использовать. Просто на каких-то языках задачи решать быстрее, а на других более медленно.

Где учиться, сказать сложно – все наши ребята учились сами, благо есть интернет и Google.

Повысить Понизить

Могу посоветовать с самого начала готовить себя к тому, что учиться придётся много. Вне зависимости от того, что подразумевается под «заниматься ИИ» – работа с большими данными либо нейросети; развитие технологии или поддержка и обучение некой определённой уже разработанной системы.

Давайте ради конкретики возьмём трендовую профессию Data Scientist. Что делает этот человек? В общем и целом – собирает, анализирует и готовит к употреблению большие данные. Именно те, на которых растёт и тренируется ИИ. А что должен знать и уметь Data Scientist? Статический анализ и математическое моделирование – по умолчанию, причём на уровне свободного владения. Языки – скажем, R, SAS, Python. Также хорошо бы иметь какой-никакой опыт разработки. Ну и, вообще говоря, хороший дата-сайнтист должен уверенно себя чувствовать в БД, алгоритмике, визуализации данных.

Не сказать, чтобы такой набор знаний можно было получить в каждом втором техническом вузе страны. Крупные компании, у которых в приоритете разработка ИИ, это понимают и разрабатывают под себя соответствующие учебные программы – существует, например, Школа анализа данных от Яндекса. Но вы должны отдавать себе отчёт, что это не тот масштаб, где ты приходишь на курсы «с улицы», а выходишь с них готовым джуниором. Пласт большой, и идти учиться по дисциплине имеет смысл тогда, когда уже охвачена база (математика, статистика) хотя бы в рамках вузовской программы.

Да, времени уйдёт порядочно. Но игра стоит свеч, потому что хороший Data Scientist – это очень перспективно. И очень дорого. Есть ещё и другой момент. Искусственный интеллект – это, с одной стороны, уже не просто объект ажиотажа, а вполне себе вышедшая на виток продуктивности технология. С другой стороны, ИИ всё ещё только развивается. Для этого развития требуется много ресурсов, много навыков и много денег. Пока это уровень высшей лиги. Я сейчас скажу очевидную вещь, но, если вы хотите оказаться на острие атаки и своими руками двигать прогресс, цельтесь в компании уровня Facebook или Amazon.

В то же время в ряде областей технологию уже применяют: в банковской сфере, в телекоме, на промышленных предприятиях-гигантах, в ритейле. И там уже нужны люди, способные её поддерживать. Gartner прогнозирует, что к 2020 году 20% всех предприятий в развитых странах будут нанимать специальных сотрудников для тренировки нейронных сетей, используемых в этих компаниях. Так что пока ещё есть немного времени, чтобы подучиться самому.

Повысить Понизить

ИИ сейчас активно развивается, и предсказывать на десять лет вперед сложно. На ближайшие два-три года будут доминировать подходы на базе нейросетей и вычислений на основе GPU. Лидером в этой области является Python с интерактивной средой Jupyter и библиотеками numpy, scipy, tensorflow.

Есть много онлайн-курсов, которые дают базовое представление об этих технологиях и общих принципах ИИ, например курс Andrew Ng. И в плане обучения этой теме сейчас в России эффективнее всего самостоятельное обучение или в локальной группе по интересам (например, в Москве я знаю о существовании как минимум пары групп, где люди делятся опытом и знаниями).

Повысить Понизить

Повысить Понизить

На сегодняшний день самая быстро прогрессирующая часть искусственного интеллекта - это, пожалуй, нейронные сети.
Изучение нейросетей и ИИ стоит начать с освоения двух разделов математики - линейной алгебры и теории вероятности. Это обязательный минимум, незыблемые столпы искусственного интеллекта. Абитуриентам, желающим постичь основы ИИ, при выборе вуза, на мой взгляд, стоит обратить внимание на факультеты с сильной математической школой.

Следующий шаг - изучение проблематики вопроса. Существует огромное количество литературы, как учебной, так и специальной. Большинство публикаций по теме искусственного интеллекта и нейросетей написаны на английском языке, однако русскоязычные материалы тоже публикуются. Полезную литературу можно найти, например, в общедоступной цифровой библиотеке arxiv.org .

Если говорить о направлениях деятельности, то здесь можно выделить обучение прикладных нейронных сетей и разработку совершенно новых вариантов нейросетей. Яркий пример: существует такая очень востребованная сейчас специальность - «дата-сайентист» (Data Scientist). Это разработчики, которые, как правило, занимаются изучением и подготовкой неких наборов данных для обучения нейросетей в конкретных, прикладных областях. Резюмируя, подчеркну, что каждая специализация требует отдельного пути подготовки.

Повысить Понизить

Прежде чем приступать к узкопрофильным курсам, нужно изучить линейную алгебру и статистику. Погружение в ИИ я бы посоветовал начать с учебника «Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных», это неплохое пособие для начинающих. На Coursera стоит послушать вводные лекции К. Воронцова (подчеркну, что они требуют хорошего знания линейной алгебры) и курс «Machine Learning» Стэнфордского университета, который читает Andrew Ng, профессор и глава Baidu AI Group/Google Brain.

Основная масса пишется на Python, потом идут R, Lua.

Если говорить об учебных заведениях, лучше поступить на курсы при кафедрах прикладной математики и информатики, подходящие образовательные программы есть. Для проверки своих способностей можно принять участие в соревнованиях Kaggle, где предлагают свои кейсы крупные мировые бренды.

Повысить Понизить

В любом деле, прежде чем приступать к проектам, хорошо бы получить теоретический базис. Есть много мест, где можно получить формальную степень магистра по этому направлению, либо повысить свою квалификацию. Так, например, Сколтех предлагает магистерские программы по направлениям «Computational Science and Engineering» и «Data Science», куда входит курсы «Machine Learning» и «Natural Language Processing». Можно также упомянуть Институт Интеллектуальных Кибернетических систем НИЯУ МИФИ, Факультет вычислительной математики и кибернетики МГУ и Кафедру «Интеллектуальные системы» МФТИ.

Если же формальное образование уже имеется, есть ряд курсов на различных платформах MOOC. Так, например, EDx.org предлагает курсы по искусственному интеллекту от Microsoft и Колумбийского университета, последний из которых предлагает микро-магистерскую программу за умеренные деньги. Хотелось бы особо отметить, что обычно сами знания вы можете получить и бесплатно, оплата идет только за сертификат, если он нужен для вашего резюме.

Если же вы хотите «глубоко погрузиться» в тему, ряд компаний в Москве предлагает недельные интенсивы с практическими занятиями, и даже предлагают оборудование для экспериментов (например, newprolab.com), правда, цена таких курсов от нескольких десятков тысяч рублей.

Из компаний, которые занимаются разработкой Искусственного Интеллекта, вы наверняка знаете Яндекс и Сбербанк, но есть и многие другие разных размеров. Например, на этой неделе Минобороны открыло в Анапе Военный инновационный технополис ЭРА, одной из тем которого является разработка ИИ для военных нужд.

Повысить Понизить

Прежде чем изучать искусственный интеллект, надо решить принципиальный вопрос: красную таблетку взять или синюю.
Красная таблетка - стать разработчиком и окунуться в жестокий мир статистических методов, алгоритмов и постоянного постижения непознанного. С другой стороны, не обязательно сразу кидаться в «кроличью нору»: можно стать управленцем и создавать ИИ, например, как менеджер проекта. Это два принципиально разных пути.

Первый отлично подходит, если вы уже решили, что будете писать алгоритмы искусственного интеллекта. Тогда вам надо начать с самого популярного направления на сегодняшний день – машинного обучения. Для этого нужно знать классические статистические методы классификации, кластеризации и регрессии. Полезно будет также познакомиться с основными мерами оценки качества решения, их свойствами… и всем, что попадется вам по пути.

Только после того, как база освоена, стоит проштудировать более специальные методы: деревья принятия решений и ансамбли из них. На этом этапе нужно глубоко погрузиться в основные способы построения и обучения моделей - они скрываются за едва приличными словами беггинг, бустинг, стекинг или блендинг.

Тут же стоит познать методы контроля переобучения моделей (еще один «инг» - overfitting).

И, наконец, совсем уж джедайский уровень - получение узкоспециальных знаний. Например, для глубокого обучения потребуется овладеть основными архитектурами и алгоритмами градиентного спуска. Если интересны задачи обработки естественного языка, то рекомендую изучить рекуррентные нейронные сети. А будущим создателям алгоритмов для обработки картинок и видео стоит хорошенько углубиться в свёрточные нейронные сети.

Две последние упомянутые структуры - кирпичики популярных сегодня архитектур: состязательных сетей (GAN), реляционных сетей, комбинированных сетей. Поэтому изучить их будет нелишним, даже если вы не планируете учить компьютер видеть или слышать.

Совсем другой подход к изучению ИИ - он же «синяя таблетка» - начинается с поиска себя. Искусственный интеллект рождает кучу задач и целых профессий: от руководителей ИИ-проектов до дата-инженеров, способных готовить данные, чистить их и строить масштабируемые, нагруженные и отказоустойчивые системы.

Так что при «менеджерском» подходе сначала стоит оценить свои способности и бэкграунд, а уже потом выбирать, где и чему учиться. Например, даже без математического склада ума можно заниматься дизайном ИИ-интерфейсов и визуализациями для умных алгоритмов. Но приготовьтесь: уже через 5 лет искусственный интеллект начнет вас троллить и называть «гуманитарием».

Основные методы ML реализованы в виде готовых библиотек, доступных к подключению на разных языках. Наиболее популярными языками в ML сегодня являются: C++, Python и R.

Есть множество курсов как на русском, так и английском языках, таких как Школа анализа данных Яндекса, курсы SkillFactory и OTUS. Но прежде чем инвестировать время и деньги в специализированное обучение, думаю, стоит «проникнуться темой»: посмотреть открытые лекции на YouTube с конференций DataFest за прошлые годы, пройти бесплатные курсы от Coursera и «Хабрахабра».