Искусственный интеллект и машинное обучение (а также глубокое обучение) уже сегодня используются во многих организациях. Иногда эти понятия применяются в качестве синонимов. Развитие искусственного интеллекта идёт семимильными шагами. Уже есть беспилотные транспортные средства, компьютер обыгрывает людей в шахматы, покер, другие игры, разработаны системы автоматизированного обслуживания клиентов. Искусственный интеллект сегодня является ведущей технологией, которая, вероятно, вызовет качественный скачок в развитии промышленности. Иногда понятия искусственный интеллект, машинное обучение и глубокое обучение применяются без всякой системы как аналоги, но конечно это не одно и то же.
Искусственный интеллект
Искусственный интеллект является обширным термином, который входит в сферу интеллекта машинного. Впервые определение искусственному интеллекту было дано ещё в 1956 году на семинаре в Дартмутском колледже (США). Суть определения сводилась к тому, что если точно описать параметры интеллекта человека, то возможна его имитация машиной.
Область применения искусственного интеллекта очень многопланова, от программного обеспечения шахматного компьютера до устройств речевого анализа, ярким примером которого может служить управляемое голосом устройство Amazon Alexa, имеющее возможность понимать речевые команды и давать ответы на поставленные задачи.
В общем понимании, можно выделить следующие типы интеллектуальных устройств:
- Искусственный интеллект с ограниченными возможностями.
- Искусственный интеллект среднего уровня.
- Искусственный интеллект со сверхъестественным разумом (сверхразумный).
Фирма IBM создала программу Deep Blue и эта программа ещё в 1996 году победила чемпиона мира по шахматам Гарри Каспарова. Другая программа AlphaGo фирмы Google DeepMind уже в 2016 году победила чемпиона мира по Го, Ли Седоля. Эти программы могут быть отнесены к первому типу искусственного интеллекта, так как решают только одну единственную задачу. А этот признак отличает его от среднего искусственного интеллекта, который примерно соответствует интеллекту человека и является многозадачной системой.
Уровень искусственного интеллекта сверхъестественного разума находится выше, чем уровень интеллекта человека. Ник Бостром даёт ему такое определение: «интеллект, превышающий разум лучшего мозга человека, абсолютно в любой сфере, включая научное творчество». То есть в этом случае машины будут существенно умнее людей.
Машинное обучение
Машинное обучение – это одна из ветвей искусственного интеллекта. Главный его алгоритм работы состоит в обучении на базе полученных исходных данных. Сегодня машинное обучение считается самым лучшим инструментарием бизнесменов, основой которого является искусственный интеллект. Такие системы могут очень быстро использовать знания, накопленные при обучении на огромных массивах информационных данных, что делает их незаменимыми в распознавании образов, речи, различных объектов и тому подобных.
Обычные стандартные программы содержат заранее заданные алгоритмы и инструкции решения поставленных задач, а машинное обучение даёт возможность системе самой обучиться распознанию шаблонов и составлению прогнозов. Программы Deep Blue и DeepMind могут служить образцами применения искусственного интеллекта. Но Deep Blue выполнена на ранее найденном и включённом в информационную базу фиксированном комплекте правил и условий, и она не использовала машинное обучение. А вот в DeepMind уже было применено машинное обучение. Программа прошла обучение, используя базу данных набора ходов самых опытных игроков в Го.
Ведущие компании мира, такие как Amazon, Baidu, Google, IBM, Microsoft и другие, уже предоставляют системы машинного обучения, предназначенные для применения различными организациями бизнеса.
Глубокое обучение
Фактически, глубокое обучение есть разновидность машинного обучения. Оно применяет отдельные способы машинного обучения, которые позволяют решать конкретные проблемы. Кроме этого в нем используются нейронные сети, которые работают аналогично выработке решения человеком.
Для глубокого обучения необходимы очень большие базы информационных данных и поэтому стоимость его достаточно высока. Это связано с тем, что согласно алгоритму обучения, требуется подстроить очень много различных параметров, что позволяет исключить неверные выводы. К примеру, получено задание для глубокого обучения, изучить образ кошки. Чтобы выполнить такое обучение, нужно обработать много фотоизображений, что позволит отличать самые мелкие детали и не спутать кошку с другими, похожими на неё, животными.
Выше мы писали о победе программы AlphaGo DeepMind, которая применяла глубокое обучение, над чемпионом мира по игре в Го Ли Седолем (программа победила в четырёх из пяти игр). В Google пояснили, что при глубоком обучении использовалась комбинация метода Монте-Карло поиска в дереве и глубоких нейронных сетей, прошедших обучение с наставником на играх профессионалов и с поддержкой на игре с собой.
Глубокое обучение может использоваться и в бизнесе, ведь возможно найти большие массивы информационных данных (например, несколько миллионов картинок), и использовать их для обнаружения необходимых характеристик. Сложный поиск в текстах, выявление действий мошенников, просто спама, перевод рукописей в текстовый файл, и многие другие сложные задачи можно решить при помощи глубокого обучения.
Но необходимо заметить, что бывают случаи «предвзятого» глубокого обучения. К примеру, первые испытания системы распознавания лиц Google обнаружили, что система определяла чернокожих людей как горилл. Это ошибка была вызвана тем, что при формировании базы данных, не все человеческие расы были учтены. Естественно, после этого случая, таких промашек специалисты больше не допускали.
