Как думает искусственный интеллект?

Дек 21, 2020
Как думает искусственный интеллект?

   Искусственный интеллект — это термин, который в последнее время довольно часто встречается в нашей жизни. В IT-индустрии он часто упоминается в контексте больших данных, машинного обучения и автоматизации. Им хвастаются крупнейшие гиганты, такие как Google, Amazon и Microsoft, а стартапы используют его для привлечения инвесторов. В связи с этим возникает вопрос: что такое ИИ?

   В искусственном интеллекте, в смысле концепции, нет ничего особенно нового, первые серьезные работы по его созданию начались еще в 1950-х годах. В то время предполагалось, что будет создана машина, которая воссоздаст все когнитивные функции человеческого мозга. До сегодняшнего дня еще никому не удалось реализовать все исходные предположения, но некоторые важные прорывы в этой области все же произошли.

ИИ — как он работает?

   Существует много источников, которые сравнивают искусственный интеллект с человеческим, а точнее само моделирование интеллектуального поведения и способности создавать действия/решения, основанные на прошлом опыте и саморефлексии. Конечно, не всем нравится такое сравнение, но на самом деле каждый элемент человеческого поведения можно описать математически. В случае с ИИ дела обстоят также. Элементарная задача, которая стоит перед ним — создать что-то, что будет анализировать, делать выводы и принимать решения за нас. Каким бы сложным это ни показалось, но математика позволяет творить такие чудеса, и все, что остается сделать — это перевести ее на компьютерный язык, и, вуаля, она все сделает сама.

   Как в природе, так и в технике — все устроено очень сложно, поскольку базовый уровень состоит из бесчисленного количества простых элементов. То же верно и для ИИ, его самым маленьким и простейшим теоретическим элементом является персептрон, или искусственный нейрон. Не вдаваясь в его математическое происхождение и структуру, персептрон можно описать как совокупность связанных функций (или алгоритмов), которые, действуя вместе, анализируют предоставляемые им данные и «вырабатывают» другие данные — логический результат задачи.

   Объединение большого количества таких нейронов дает большие возможности, и чем больше мы их добавляем, тем больше усложняем входные данные. В современных решениях, относящихся к категории ИИ, используются гораздо более сложные (аналогичные) формы, чем персептрон.

У нас есть сеть нейронов — что дальше?

   Чтобы иметь возможность использовать весь потенциал ИИ, необходимо наполнить ранее упомянутую сеть данными, называемыми данными обучения, которые можно описать как репрезентативные примеры. Чем больше данных предоставить, тем «точнее» будет работать искусственный мозг.

   Например, если мы хотим, чтобы ИИ проанализировал фотографии животных и нашел на них всех собак, то будет недостаточно просто показать ему миллион фотографий с собаками. Да, изображения разных пород наших четвероногих друзей позволит ИИ точно определить, что на них присутствует собака. Но для того, чтобы искусственный мозг имел сложную логику, необходимо рассмотреть ситуацию, когда на фотографии есть что-то еще, например, кошка или другое животное. Вопреки человеческому мышлению, ИИ может классифицировать лошадь как собаку, если данных для обучения было недостаточно.

   На данном этапе стоит упомянуть о машинном обучении и глубоком обучении, которые являются неотъемлемыми строительными блоками ИИ. Все их очарование заключается в способности «делать выводы» из предоставленных данных. Проще говоря, машинное обучение — это построение опыта в автоматическом режиме.

Deep learning

   Глубокое обучение — это подраздел машинного обучения, а точнее аналог машинного обучения, но в более продвинутой многоуровневой области. Оно обучает самым простым вещам с помощью анализирования большого объема информации (многослойной в том числе), как в примере с изображениями собак. Слои могут представлять собой, например, цвета на фотографиях, форматы файлов или характерные особенности объектов на фотографиях; размер ушей, рта, глаз, длина волос и многие другие особенности. Их можно умножать бесконечно, и чем больше мы их предоставим, тем более точные выводы сделает ИИ.

   Но это слишком упрощенное объяснение. Фактически, ИИ выполняет последовательные действия: он анализирует цвета пикселей и выявляет их различия, на основе чего создает модели контуров и углов, чтобы затем классифицировать эти данные в разных объектах. Так, правильно распознанные элементы — глаза, уши, шерсть — позволяют ему определить объект и сделать вывод, что это собака, а не лошадь. Вы сами видите, как много всего происходит внутри ИИ.

 

   Интересно отметить, что сотрудники Microsoft, разрабатывающие программное обеспечение, не знают, что происходит внутри их собственного алгоритма, основанного на глубоком обучении. Это связано с тем, что ИИ создал очень сложные и относительно альтернативные методы анализа входных данных, которые трудно усвоить и проанализировать человеку.

На главную страницу                                                                    Все статьи сайта