Всі говорять про штучний інтелект. Простими словами пояснимо, що це

«Хочу займатися ІІ. Що варто вивчити? Які мови використовувати? У яких організаціях вчитися і працювати? »

Ми звернулися за роз'ясненням до наших експертів, а отримані відповіді представляємо вашій увазі.

Це залежить від Вашої базової підготовки. Перш за все, необхідна математична культура (знання статистики, теорії ймовірностей, дискретної математики, лінійної алгебри, аналізу та ін.) І готовність багато чому швидко вчитися. При реалізації методів ІІ буде потрібно програмування (алгоритми, структури даних, ООП і ін.).

Різні проекти вимагають володіння різними мовами програмування. Я б рекомендував знати як мінімум Python, Java і будь-який функціональний мову. Незайвим буде досвід роботи з різними базами даних і розподіленими системами. Щоб швидко вивчати кращі підходи, що застосовуються в індустрії, потрібне знання англійської мови.

Вчитися рекомендую в хороших російських вузах! Наприклад, в МФТІ, МДУ, ВШЕ є відповідні кафедри. Велика розмаїтість тематичних курсів є на Coursera, edX, Udacity, Udemy і інших MOOC майданчиках. Деякі провідні організації мають власні програми підготовки в області ІІ (наприклад, Школа аналізу даних у Яндекса).

Прикладні завдання, які вирішуються методами ІІ, можна знайти в найрізноманітніших місцях. Банки, фінансовий сектор, консалтинг, ритейл, e-commerce, пошукові системи, поштові сервіси, ігрова індустрія, індустрія систем безпеки і, звичайно, Avito - все потребують фахівців різної кваліфікації.

підвищити Знизити

У нас є проект по Фінтех, пов'язаний з машинним навчанням і комп'ютерним зором, в якому перший його розробник писав все на C ++, далі прийшов розробник, який все переписав на Python. Так що мова тут не найголовніше, тому що мова - це перш за все інструмент, і від вас залежить, як його використовувати. Просто на якихось мовах завдання вирішувати швидше, а на інших більш повільно.

Де вчитися, сказати складно - всі наші хлопці вчилися самі, благо є інтернет і Google.

підвищити Знизити

Можу порадити з самого початку готувати себе до того, що вчитися доведеться багато. Незалежно від того, що мається на увазі під «займатися ІІ» - робота з великими даними або нейромережі; розвиток технології або підтримка і навчання якоїсь певної вже розробленої системи.

Давайте заради конкретики візьмемо трендовую професію Data Scientist. Що робить ця людина? У загальному і цілому - збирає, аналізує і готує до вживання великі дані. Саме ті, на яких росте і тренується ІІ. А що повинен знати і вміти Data Scientist? Статичний аналіз і математичне моделювання - за замовчуванням, причому на рівні вільного володіння. Мови - скажімо, R, SAS, Python. Також добре б мати такий-сякий досвід розробки. Ну і, взагалі кажучи, хороший дата-сайнтіст повинен впевнено себе почувати в БД, алгоритміки, візуалізації даних.

Не сказати, щоб такий набір знань можна було отримати в кожному другому технічному вузі країни. Великі компанії, у яких в пріоритеті розробка ІІ, це розуміють і розробляють під себе відповідні навчальні програми - існує, наприклад, Школа аналізу даних від Яндекса. Але ви повинні віддавати собі звіт, що це не той масштаб, де ти приходиш на курси «з вулиці», а виходиш з них готовим Джуніором. Пласт великий, і йти вчитися з дисципліни має сенс тоді, коли вже охоплена база (математика, статистика) хоча б в рамках вузівської програми.

Так, часу піде порядно. Але це того варте, тому що хороший Data Scientist - це дуже перспективно. І дуже дорого. Є ще й інший момент. Штучний інтелект - це, з одного боку, вже не просто об'єкт ажіотажу, а цілком собі вийшла на виток продуктивності технологія. З іншого боку, ІІ все ще тільки розвивається. Для цього розвитку потрібно багато ресурсів, багато навичок і багато грошей. Поки це рівень вищої ліги. Я зараз скажу очевидну річ, але, якщо ви хочете опинитися на вістрі атаки і своїми руками рухати прогрес, цільтеся в компанії рівня Facebook або Amazon.

У той же час в ряді областей технологію вже застосовують: в банківській сфері, в телекомі, на промислових підприємствах-гігантах, в ритейлі. І там уже потрібні люди, здатні її підтримувати. Gartner прогнозує, що до 2020 року 20% усіх підприємств в розвинених країнах будуть наймати спеціальних співробітників для тренування нейронних мереж, що використовуються в цих компаніях. Так що поки ще є трохи часу, щоб підучитися самому.

підвищити Знизити

ІІ зараз активно розвивається, і пророкувати на десять років вперед складно. На найближчі два-три роки будуть домінувати підходи на базі нейромереж і обчислень на основі GPU. Лідером в цій області є Python з інтерактивним середовищем Jupyter і бібліотеками numpy, scipy, tensorflow.

Є багато онлайн-курсів, які дають базове уявлення про ці технології і загальні принципи ІІ, наприклад курс Andrew Ng. І в плані навчання цій темі зараз в Росії найефективніше самостійне навчання або в локальній групі за інтересами (наприклад, в Москві я знаю про існування як мінімум пари груп, де люди діляться досвідом і знаннями).

підвищити Знизити

підвищити Знизити

На сьогоднішній день найбільш швидко прогресуюча частина штучного інтелекту - це, мабуть, нейронні мережі.
Вивчення нейромереж і ШІ варто почати з освоєння двох розділів математики - лінійної алгебри та теорії ймовірності. Це обов'язковий мінімум, непорушні стовпи штучного інтелекту. Абітурієнтам, які бажають осягнути основи ІІ, при виборі вузу, на мій погляд, варто звернути увагу на факультети з сильною математичної школою.

Наступний крок - вивчення проблематики питання. Існує величезна кількість літератури, як навчальної, так і спеціальної. Більшість публікацій по темі штучного інтелекту і нейромереж написані англійською мовою, проте російськомовні матеріали теж публікуються. Корисну літературу можна знайти, наприклад, в загальнодоступній цифровій бібліотеці arxiv.org.

Якщо говорити про напрямки діяльності, то тут можна виділити навчання прикладних нейронних мереж і розробку абсолютно нових варіантів нейромереж. Яскравий приклад: існує така дуже затребувана зараз спеціальність - «дата-сайентіст» (Data Scientist). Це розробники, які, як правило, займаються вивченням і підготовкою деяких наборів даних для навчання нейромереж в конкретних, прикладних областях. Резюмуючи, підкреслю, що кожна спеціалізація вимагає окремого шляху підготовки.

підвищити Знизити

Перш ніж приступати до вузькопрофільних курсам, потрібно вивчити лінійну алгебру і статистику. Занурення в ІІ я б порадив почати з підручника «Машинне навчання. Наука і мистецтво побудови алгоритмів, які витягують знання з даних », це непоганий посібник для початківців. На Coursera варто послухати вступні лекції К. Воронцова (підкреслю, що вони вимагають доброго знання лінійної алгебри) і курс «Machine Learning» Стенфордського університету, який читає Andrew Ng, професор і голова Baidu AI Group / Google Brain.

Основна маса пишеться на Python, потім йдуть R, Lua.

Якщо говорити про навчальні заклади, краще вчинити на курси при кафедрах прикладної математики та інформатики, які підходять освітні програми є. Для перевірки своїх здібностей можна взяти участь в змаганнях Kaggle, де пропонують свої кейси великі світові бренди.

підвищити Знизити

У будь-якій справі, перш ніж приступати до проектів, добре б отримати теоретичний базис. Є багато місць, де можна отримати формальну ступінь магістра за цим напрямком, або підвищити свою кваліфікацію. Так, наприклад, Сколтех пропонує магістерські програми за напрямами «Computational Science and Engineering» і «Data Science», куди входить курси «Machine Learning» і «Natural Language Processing». Можна також згадати Інститут Інтелектуальних кібернетичних систем НІЯУ МІФІ, Факультет обчислювальної математики і кібернетики МГУ і Кафедру «Інтелектуальні системи» МФТІ.

Якщо ж формальну освіту вже є, є ряд курсів на різних платформах MOOC. Так, наприклад, EDx.org пропонує курси по штучному інтелекту від Microsoft і Колумбійського університету, останній з яких пропонує мікро-магістерську програму за помірні гроші. Хотілося б особливо відзначити, що зазвичай самі знання ви можете отримати безкоштовно, оплата йде тільки за сертифікат, якщо він потрібен для вашого резюме.

Якщо ж ви хочете «глибоко зануритися» в тему, ряд компаній в Москві пропонує тижневі інтенсивні курси з практичними заняттями, і навіть пропонують обладнання для експериментів (наприклад, newprolab.com), правда, ціна таких курсів від декількох десятків тисяч рублів.

З компаній, які займаються розробкою Штучного Інтелекту, ви напевно знаєте Яндекс і Ощадбанк, але є і багато інших різних розмірів. Наприклад, на цьому тижні Міноборони відкрило в Анапі Військовий інноваційний технополіс ЕРА, однією з тем якого є розробка ІІ для військових потреб.

підвищити Знизити

Перш ніж вивчати штучний інтелект, треба вирішити принципове питання: червону таблетку взяти або синю.
Червона таблетка - стати розробником і зануритися в жорстокий світ статистичних методів, алгоритмів і постійного осягнення непізнаного. З іншого боку, не обов'язково відразу кидатися в «кролячу нору»: можна стати управлінцем і створювати ІІ, наприклад, як менеджер проекту. Це два принципово різних шляхи.

Перший відмінно підходить, якщо ви вже вирішили, що будете писати алгоритми штучного інтелекту. Тоді вам треба почати з самого популярного спрямування на сьогоднішній день - машинного навчання. Для цього потрібно знати класичні статистичні методи класифікації, кластеризації та регресії. Корисно буде також познайомитися з основними заходами оцінки якості рішення, їх властивостями ... і всім, що попадеться вам по дорозі.

Тільки після того, як база освоєна, варто простудіювати більш спеціальні методи: дерева прийняття рішень і ансамблі з них. На цьому етапі потрібно глибоко зануритися в основні способи побудови і навчання моделей - вони ховаються за ледь пристойними словами Беггинген, бустінг, стекінг або Блендінг.

Тут же варто пізнати методи контролю перенавчання моделей (ще один «инг» - overfitting).

І, нарешті, зовсім вже джедайский рівень - отримання вузькоспеціальних знань. Наприклад, для глибокого навчання потрібно оволодіти основними архітектурами і алгоритмами градієнтного спуску. Якщо цікаві завдання обробки природної мови, то рекомендую вивчити рекурентні нейронні мережі. А майбутнім творцям алгоритмів для обробки картинок і відео варто гарненько заглибитися в свёрточние нейронні мережі.

Дві останні згадані структури - цеглинки популярних сьогодні архітектур: змагальних мереж (GAN), реляційних мереж, комбінованих мереж. Тому вивчити їх буде незайвим, навіть якщо ви не плануєте вчити комп'ютер бачити або чути.

Зовсім інший підхід до вивчення ІІ - він же «синя таблетка» - починається з пошуку себе. Штучний інтелект породжує купу завдань і цілих професій: від керівників ІІ-проектів до дата-інженерів, здатних готувати дані, чистити їх і будувати масштабовані, навантажені і відмовостійкі системи.

Так що при «менеджерський» підході спочатку варто оцінити свої здібності і бекграунд, а вже потім вибирати, де і чому вчитися. Наприклад, навіть без математичного складу розуму можна займатися дизайном ІІ-інтерфейсів і візуалізаціями для розумних алгоритмів. Але приготуйтеся: вже через 5 років штучний інтелект почне вас тролі і називати «гуманітарієм».

Основні методи ML реалізовані у вигляді готових бібліотек, доступних до підключення на різних мовах. Найбільш популярними мовами в ML сьогодні є: C ++, Python і R.

Є безліч курсів як російською, так і англійською мовами, таких як Школа аналізу даних Яндекса, курси SkillFactory і OTUS. Але перш ніж інвестувати час і гроші в спеціалізоване навчання, думаю, варто «перейнятися темою»: подивитися відкриті лекції на YouTube з конференцій DataFest за минулі роки, пройти безкоштовні курси від Coursera і «Хабрахабр».

Штучний інтелект (ІІ, artificial intelligence, AI) - це наука створення інтелектуальних технологій і комп'ютерних програм.

Штучний інтелект тісно пов'язаний із завданням зрозуміти людський інтелект за допомогою комп'ютерних технологій. На даний момент не можна точно сказати, які обчислювальні методи можна називати інтелектуальними. Одні механізми інтелекту відкриті для розуміння, інші ні. На даний момент в програмах використовуються методи, що не зустрічаються у людей.

Штучний інтелект має науковий напрям, який вивчає рішення задач інтелектуальної діяльності людини. Штучний інтелект спрямований на виконання творчих завдань в області, знання про яку зберігається в інтелектуальній системі програми - базі знань.

З цими знаннями працює механізм програми - вирішувач завдань. Потім людина отримує уявлення про результат роботи програми через інтелектуальний інтерфейс. Результатом програми штучного інтелекту, є відтворення інтелектуального міркування або розумного дії.

Одним з головних властивостей штучного інтелекту є здатність до самонавчання. В першу чергу, це евристичне навчання - безперервне навчання програми, формування процесу навчання і власних цілей, аналіз і усвідомлення свого навчання.

Науковий напрямок вивчає штучний інтелект почало зароджуватися ще давно:

• філософи думали про пізнання внутрішнього світу людини
• психологи вивчали мислення людини
• математики займалися розрахунками

Незабаром, були створені перші комп'ютери, які дозволили виконувати обчислення обганяючи по швидкості людини. Тоді вчені стали задавати питання: де межа можливостей комп'ютерів і можуть вони досягти рівня людини?

Алан Тьюринг - англійський вчений, піонер обчислювальної техніки, написав статтю «Чи може машина мислити?», Де описав метод, який допоможе визначити, в який момент комп'ютер можна порівняти з людиною. Цей метод отримав назвою - тест Тьюринга.

Суть методу полягає в тому, щоб людина спочатку відповідав на питання комп'ютера, потім на питання іншої людини і при цьому не знаючи, хто саме поставив йому питання. Якщо при відповіді на питання комп'ютера, людина не запідозрив, що це машина, то проходження тесту Тьюринга можна вважати успішним, як і те, що комп'ютер є штучним інтелектом.

Таким чином, якщо комп'ютер виявляє схоже з людським поведінку в будь-яких природних ситуаціях і здатний підтримати діалог з людиною, то можна сказати, що це штучний інтелект. Ще один передбачуваний метод визначення чи є машина інтелектуальної, це її здатність до творчості і можливість відчувати.

Існує безліч різних підходів до вивчення і розуміння штучного інтелекту.

символьний підхід

Символьний підхід став першим в цифрову епоху машин. Після створення мови символьних обчислень Лисп, його автори приступили до реалізації інтелекту. Символьний підхід використовуйте слабоформалізованних уявлення. Поки що інтелектуальну роботу і пов'язані з творчістю завдання здатний виконувати тільки людина. Робота комп'ютерів в цьому напрямку є упередженою і по суті не може виконуватися без участі людини.

Символьні обчислення допомогли створити правила для вирішення завдань в процесі виконання комп'ютерної програми. Однак стало можливо вирішувати тільки найпростіші завдання, а при появі будь-якої складної задачі необхідно знову підключатися людині. Таким чином, такі системи не дозволяють називати їх інтелектуальними, так як їх можливості не дозволяють вирішувати виникаючі труднощі і вдосконалювати вже знають шляхи вирішення завдань для вирішення нових.

логічний підхід

Логічний підхід заснований на моделюванні міркувань і застосуванням мови логічного програмування. Наприклад, мова програмування Пролог заснований на наборі правил логічного висновку без жорстких послідовних дій для досягнення результату.

Агентно-орієнтований підхід

Агентно-орієнтований підхід заснований на методах допомагають інтелекту виживати в навколишньому середовищі для досягнення певних результатів. Комп'ютер сприймає своє оточення і впливає на нього за допомогою поставлених методів.

гібридний підхід

Гібридний підхід включає в себе експертні правила, які можуть створюватися нейронними мережами, а породжують правила за допомогою статистичного навчання.

моделювання міркувань

Існує такий напрямок у вивченні штучного інтелекту, як моделювання міркувань. Даний напрямок включає в себе створення символьних систем, для постановки завдань і їх рішення. Поставлена \u200b\u200bзадача повинна бути переведена в математичну форму. При цьому у неї ще немає алгоритму для вирішення через складність. Тому моделювання міркувань містить доведення теорем, прийняття рішень, планування, прогнозування і т.п.

Обробка природної мови

Ще одним важливим напрямком штучного інтелекту є обробка природної мови, На якому робиться аналіз і обробка текстів зрозумілою для людини мовою. Мета цього напрямку - обробка природної мови для самостійного придбання знань. Джерелом інформації може бути текст введений в програму або отриманий з інтернету.

Представлення і використання знань

Інженерія знань - це напрямок отримання знань з інформації, їх систематизація і подальше використання для вирішення різних завдань. За допомогою спеціальних баз знань експертні системи отримують дані для процесу знаходження рішень поставлених завдань.

машинне навчання

Одним з основних вимог до штучного інтелекту є можливість машини до самостійного навчання без втручання вчителя. До машинному навчанню відносяться завдання з розпізнавання образів: розпізнавання символів, тексту і мови. Сюди ж відноситься і комп'ютерний зір, пов'язане з робототехнікою.

Біологічне моделювання ІІ

Існує такий напрямок, як квазібіологіческая парадигма, Яке інакше називається Біокомпьютінг. Даний напрямок в штучному інтелекті вивчає розробку комп'ютерів і технологій з використанням живих організмів і біологічних компонентів - біокомп'ютерів.

робототехніка

Область робототехніки тісно пов'язана з штучним інтелектом. Властивості штучного інтелекту також необхідні роботам для виконання безлічі різних завдань. Наприклад, для навігації та визначення свого місця розташування, вивчення предметів і планування свого переміщення.

Області застосування штучного інтелекту

Штучний інтелект створюється з метою вирішувати завдання з різних областей:

• Інтелектуальні системи для освіти і відпочинку.
• Синтез і розпізнавання тексту і людської мови використовується в системах обслуговування клієнтів.
• Системи розпізнавання образів використовуються використовують в системах безпеки, при оптичному і акустичному розпізнаванні, медичній діагностиці, системах визначення цілей.
• У комп'ютерних іграх застосовуються системи ШІ для розрахунку ігрової стратегії, імітації поводжень персонажів, знаходження шляху в просторі.
• Системи алгоритмічної торгівлі та прийняття рішень.
• Фінансові системи для консультації та управління фінансами.
• Роботи використовуються в промисловості для вирішення складних рутинних завдань: роботи для догляду за хворими, роботи консультанти, а також займаються діяльністю небезпечної для життя людини: роботи рятувальники, роботи мінери.
• Управління людськими ресурсами та рекрутинг, перегляд і ранжування кандидатів, прогнозування успіху співробітників.
• Системи розпізнавання і фільтрації спаму в електронній пошті.

Це далеко не всі області, де можна застосувати штучний інтелект.

Зараз створення штучного інтелекту є однією з важливих задач людини. Однак поки немає єдиної точки зору на те, що можна вважати інтелектом, а що не можна. Багато питань викликають суперечки і сумніви. Чи можливе створення інтелектуального розуму, який буде розуміти і вирішувати проблеми людей? Розум, не позбавлений емоцій і зі здібностями властивими живому організму. Ще не настав час, коли ми це побачимо.

Що ж це таке штучний інтелект? Безсумнівно, багато хто чув про автомобілях, здатних управляти своїм рухом без допомоги людини, пристроях розпізнавання мови, таких як Apple's Siri, Amazon's Alexa, Google's Assistant і Microsoft's Cortana. Але це далеко не всі можливості штучного інтелекту (ІІ).

ІІ був вперше «відкритий» в 1950-х роках. Протягом багатьох років його очікували злети і падіння, але на сучасному етапі розвитку людства штучний інтелект розглядається як ключова технологія майбутнього. Завдяки розвитку електроніки і появи більш швидких процесорів все більшу кількість додатків починає використовувати ІІ. Штучний інтелект - це незвичайна програмна технологія, з якою повинен ознайомитися кожен інженер. У даній статті ми постараємося кратно описати дану технологію.

Штучний інтелект визначено

ІІ - це підполе комп'ютерної науки, яка включає в себе більш розумне використання комп'ютерів і електронних компонентів, імітуючи людський мозок. Інтелект - це здатність набувати знання і досвід і застосовувати їх для вирішення завдань. ІІ особливо корисний при аналізі та інтерпретації масивів даних і вилученні з нього реально корисної інформації. З інформації приходить розуміння, яке може бути застосоване для прийняття рішень або будь-якого роду дії.

області дослідження

Штучний інтелект - це широка технологія з безліччю можливих застосувань. Зазвичай його поділяють на подветви. Зробимо невеликий огляд кожної з них:

• Рішення загальних завдань - не мають конкретного алгоритмічного рішення. Завдання з невизначеністю і двозначністю.
• Експертні системи - програмне забезпечення, яке містить базу знань правил, фактів і даних, отриманих від декількох окремих експертів. База даних може бути запрошена для вирішення проблем, діагностики захворювань або надання консультацій.
• Обробка природної мови (NLP) - використовується для аналізу текстів. Розпізнавання голосу також є частиною (NLP).
• Комп'ютерне зір - аналіз і розуміння візуальної інформації (фотографії, відео і так далі). Прикладом можуть служити машинне зір і розпізнавання осіб. Використовується в «автономних» автомобілях і виробничих лініях.
• Робототехніка - створення розумніших, адаптивних і «самостійних» роботів.
• Ігри: ІІ відмінно грає в ігри. Комп'ютери вже запрограмовані на гру і виграш в шахах, покері і в Го.
• Машинне навчання - процедури, що дозволяють комп'ютеру вчитися на основі вхідних даних і осмислювати результати. Нейронні мережі складають основу машинного навчання.

Як працює штучний інтелект

Звичайні комп'ютери використовують алгоритми для вирішення задач. Послідовність інструкцій призводить до покрокового виконання дій для отримання результатів. Традиційні форми штучного інтелекту ґрунтуються на базах знань і механізмах логічного висновку, які використовують різні механізми для роботи з базою знань через призначений для користувача інтерфейс. Корисні результати отримані деякими з перерахованих нижче методів:

• Пошук: алгоритми пошуку використовують базу даних інформації, зібраної в графи або дерева. Пошук - це основний метод штучного інтелекту.
• Логіка: дедуктивний і індуктивний міркування використовується для визначення істинності чи хибності тверджень. Це включає як логіку висловлювань, так і логіку предикатів.
• Правила: правила - це серія інструкцій «якщо», які можна знайти для визначення результату. Системи, засновані на правилах, називаються експертними системами.
• Імовірність і статистика: деякі завдання можуть бути вирішені, і рішення знаходяться, завдяки застосуванню стандартної математичної теорії ймовірності та статистики.
• Списки: деякі типи інформації можуть бути збережені в списки, які стають доступними для пошуку.
• Іншими формами знань є схеми, фрейми і сценарії, які представляють собою структури, инкапсулирующие різні типи знань. Методи пошуку шукають відповіді по відповідних запитах.

Традиційні або успадковані методи ІІ, такі як пошук, логіка, ймовірність і правила, вважаються першою хвилею штучного інтелекту. Ці методи все ще використовуються і добре сприймають знання і міркування, особливо для вузького кола завдань. У першій хвилі ІІ відсутні людські риси навчання і абстрагування рішень. Ці якості тепер доступні в другій хвилі штучного інтелекту, завдяки нейронних мереж і машинного навчання.

Нейронні сіті

Сьогодні більшість досліджень і розробок ІІ засновані на використанні нейронних мереж або штучних нейронних мереж (ІНС). Ці мережі складаються з штучних нейронів, що імітують нейрони в людському мозку, які відповідають за наше мислення і навчання. Кожен нейрон є вузлом складному взаємозв'язку, яка пов'язує багато нейрони з іншими за допомогою синапсів. ІНС імітує цю мережу.

Кожен вузол має кілька зважених входів, а також вихід і установку порога (малюнок вище). Такі вузли зазвичай реалізуються в програмному забезпеченні, хоча апаратна емуляція також можлива. Типова схема складається з трьох шарів - вхідний шар, прихований (обробляє або навчальний шар) і вихідний шар:

Деякі механізми використовують зворотне поширення для забезпечення зворотного зв'язку, яка змінює ваги введення деяких вузлів у міру отримання нової інформації.

Машинне навчання і глибоке навчання

Машинне навчання - це метод навчання комп'ютера розпізнаванню образів. Комп'ютер або пристрій «навчається» з прикладом, а потім запускаються спеціальні програми для порівняння введення з навченим значенням. Як правило, для навчання програмного забезпечення потрібні величезні обсяги даних. Програми машинного навчання призначені для автоматичного вивчення, оскільки вони отримують більше знань і досвіду завдяки новим матеріалам.

Нейронні мережі зазвичай використовуються для машинного навчання, однак можуть використовуватися і інші алгоритми. Потім програмне забезпечення може змінити себе, поліпшивши распознаваемость на основі нових вхідних даних. Тепер деякі системи машинного навчання можуть самостійно розпізнавати образи без навчання, а потім модифікувати себе для подальшого вдосконалення.

Глибоке навчання - це розширений випадок машинного навчання. Він також використовує нейронні мережі, звані глибокими нейронними мережами (ДПС). Вони включають в себе додаткові приховані рівні обчислень для подальшого вдосконалення своїх можливостей. Потрібно масове навчання. Програмісти можуть підвищити продуктивність, граючи з вагами межсоединений. ДПС також вимагають матричної обробки. Однак слід зазначити, що ДПС використовують статистичні ваги, тому результати, скажімо, у видимому розпізнаванні, можуть бути не 100%. Крім того, налагодження таких систем - дуже копітка робота.

Машинне навчання і глибоке навчання широко використовуються для аналізу великих масивів даних, а також в комп'ютерному зорі і розпізнаванні мови. Також вони можуть застосовуватися і в інших областях, таких як медицина, юриспруденція та фінанси.

Програмне забезпечення штучного інтелекту

Для програмування ІІ можна підключати до більшості будь-яку мову програмування, але деякі мови мають певні переваги. Профільні мови, розроблені спеціально для ІІ, включають LISP і Prolog. LISP, один з найстаріших мов більш високого рівня, обробляє списки. Prolog заснований на логіці. Сьогодні популярні C ++ і Python. Також існує спеціальне програмне забезпечення для розробки експертних систем.

Кілька великих користувачів ІІ надають платформи для розробки, в тому числі Amazon, Baidu (Китай), Google, IBM і Microsoft. Ці компанії пропонують попередньо навчені системи в якості стартової точки для деяких поширених додатків, таких як розпізнавання голосу. Постачальники процесорів, такі як Nvidia і AMD, також пропонують певну підтримку.

Апаратне забезпечення для штучного інтелекту

Запуск програмного забезпечення штучного інтелекту на комп'ютері зазвичай вимагає високої швидкості і великого обсягу пам'яті. Однак деякі прості додатки можуть працювати на 8-бітному процесорі. Деякі з сучасних процесорів більш ніж підходять, а кілька паралельних процесорів можуть бути ідеальним рішенням для певних програм. Крім того, для деяких застосувань були розроблені спеціальні процесори.

Графічні процесори (GPU) представляють собою приклад фокусування архітектури і набору інструкцій на заданий використання для оптимізації продуктивності. Наприклад, спеціальні процесори Nvidia для самостійного водіння автомобілів і графічні процесори AMD. Google розробив власні процесори для оптимізації своїх пошукових систем. Intel і Knupath також пропонують програмну підтримку для своїх передових процесорів. У деяких випадках спеціальна логіка в ASIC або FPGA може реалізувати певний додаток.

Активність і поточний статус

Штучний інтелект колись вважався екзотичним програмним забезпеченням, призначеним для особливих потреб. Вимога високошвидкісних комп'ютерів з великою кількістю пам'яті обмежувало його використання. Сьогодні, завдяки супер швидким процесорам, багатоядерним процесорам і дешевої пам'яті, ІІ став більш популярним. Пошукові системи Google, які ми всі використовуємо щодня, засновані на штучному інтелекті.

На сьогоднішній день акцент, безсумнівно, зроблений на нейронні мережі і глибоке машинне навчання. У той час як розпізнавання голосу і самохідні автомобілі як і раніше в центрі уваги, з'являються інші ключові програми, такі як розпізнавання осіб, безпілотна навігація, робототехніка, медична діагностика і фінанси. У розробці також знаходяться і передові військові додатки (наприклад, автономне зброю).

Майбутнє ІІ виглядає багатообіцяючим. За даними Orbis Research, до 2022 року очікується зростання глобального ринку штучного інтелекту з сукупним щорічним темпом зростання понад 35%. The International Data Corporation (IDC) також позитивно налаштована, заявивши, що витрати на штучний інтелект, як очікується, збільшаться до 47 мільярдів доларів в 2020 році, в порівнянні з 8 мільярдами в 2016 році.

У багатьох виникає логічне запитання - чи замінить штучний інтелект людей деяких професій, і що це будуть за професією? Відповідь звучить наступним чином - «можливо і тільки деякі». Швидше за все, комп'ютери на основі штучного інтелекту допоможуть підвищити продуктивність деяких професій, підвищивши продуктивність, ефективність і швидкість прийняття рішень. Однак, деякі робочі місця в промисловості все ж будуть загублені, так як великий розвиток отримує робототехніка, але заміна людини машинами призведе до створення нових робочих місць, пов'язаних з обслуговуванням цих машин.

Інше питання, що задається багатьма людьми, чи може бути штучний інтелект небезпечний для людства? ІІ розумний, але не настільки розумний. Його основним призначенням буде аналіз даних, рішення задач і прийняття рішень на основі наявної інформації та дистильованих знань. Люди як і раніше домінують, особливо коли мова заходить про інновації та творчості. Однак важко передбачити майбутнє. По крайней мере, на даному етапі розвитку понад розумних роботів немає, поки немає ...

Поняття штучний інтелект (ШІ або AI) об'єднує в собі не тільки технології, що дозволяють створювати інтелектуальні машини (включаючи комп'ютерні програми). ІІ - це також один із напрямів наукової думки.

Штучний інтелект - визначення

інтелект - це психічна складова людини, яка володіє такими здібностями:

• пристосовницька;
• здатність до навчання за допомогою накопичення досвіду і знань;
• здатність застосовувати знання та навички для управління навколишнім середовищем.

Інтелект об'єднує в собі всі здібності людини до пізнання дійсності. За допомогою нього людина мислить, запам'ятовує нову інформацію, сприймає навколишнє середовище і так далі.

Під штучним інтелектом розуміється один з напрямків інформаційних технологій, яке займається вивченням і розробкою систем (машин), наділених можливостями людського інтелекту: здатність до навчання, логічного міркування і так далі.

На даний момент робота над штучним інтелектом проводиться шляхом створення нових програм і алгоритмів, що вирішують завдання так само, як це робить людина.

У зв'язку з тим, що визначення ІІ еволюціонує в міру розвитку цього напрямку, необхідно згадати AI Effect. Під ним розуміється ефект, який створює штучний інтелект, що досягли деякого прогресу. Наприклад, якщо ІІ навчився виконувати будь-які дії, то відразу підключаються критики, які доводять, що ці успіхи не свідчать про наявність мислення у машини.

Сьогодні розвиток штучного інтелекту йде по двох незалежних напрямках:

• нейрокібернетика;
• логічний підхід.

Перший напрямок передбачає дослідження нейронних мереж і еволюційних обчислень з точки зору біології. Логічний підхід має на увазі розробку систем, які імітують інтелектуальні процеси високого рівня: мислення, мова і так далі.

Перші роботи в області ІІ почали вести в середині минулого століття. Піонером досліджень в цьому напрямку став Алан Тьюринг, Хоча певні ідеї почали висловлювати філософи і математики в середні віки. Зокрема, ще на початку 20-го століття була представлена \u200b\u200bмеханічний пристрій, здатне вирішувати шахові задачі.

Але по-справжньому цей напрям сформувалося до середини минулого століття. Поява робіт з ШІ передували дослідження про природу людини, способи пізнання навколишнього світу, можливості розумового процесу та інших сферах. На той час з'явилися перші комп'ютери і алгоритми. Тобто, був створений фундамент, на якому зародився новий напрямок досліджень.

У 1950 році Алан Тьюринг опублікував статтю, в якій ставилося питаннями про можливості майбутніх машин, а також про те, чи здатні вони обійти людини в плані розумності. Саме цей вчений розробив процедуру, названу потім в його честь: тест Тьюринга.

Після опублікування робіт англійського вченого з'явилися нові дослідження в галузі ШІ. На думку Тьюринга, мислячої може бути визнана лише та машина, яку неможливо при спілкуванні відрізнити від людини. Приблизно в той же час, коли з'явилася статися вченого, зародилася концепція, що отримала назву Baby Machine. Вона передбачала поступальний розвиток ІІ і створення машин, розумові процеси яких спочатку формуються на рівні дитини, а потім поступово поліпшуються.

Термін «штучний інтелект» зародився пізніше. У 1952 році група вчених, включаючи Тьюринга, зібралася в американському університеті Дартмунда, щоб обговорити питання, пов'язані з іноземними інвестиціями. Після тієї зустрічі почався активний розвиток машин з можливостями штучного інтелекту.

Особливу роль у створенні нових технологій в галузі ШІ зіграли військові відомства, які активно фінансували цей напрям досліджень. Згодом роботи в галузі штучного інтелекту почали залучати великі компанії.

Сучасне життя ставить складніші завдання перед дослідниками. Тому розвиток ІІ ведеться в принципово інших умовах, якщо порівнювати їх з тим, що відбувалося в період зародження штучного інтелекту. Процеси глобалізації, дії зловмисників в цифровій сфері, розвиток Інтернету та інші проблеми - все це ставить перед вченими складні завдання, вирішення яких лежить в області ІІ.

Незважаючи на успіхи, досягнуті в цій сфері в останні роки (наприклад, поява автономної техніки), до сих пір не вщухають голоси скептиків, які не вірять в створення дійсно штучного інтелекту, а не дуже здібною програми. Ряд критиків побоюється, що активний розвиток ІІ незабаром призведе до ситуації, коли машини повністю замінять людей.

напрями досліджень

Філософи поки не прийшли до єдиної думки про те, яка природа людського інтелекту, і який його статус. У зв'язку з цим в наукових роботах, присвячених ІІ, зустрічається безліч ідей, які розповідають, які завдання вирішує штучний інтелект. Також відсутнє єдине розуміння питання, яку машину можна вважати розумною.

Сьогодні розвиток технологій штучного інтелекту йде за двома напрямками:

1. Спадний (семиотическое). Воно передбачає розробку нових систем і баз знань, які імітують високорівневі психічні процеси типу мовлення, вираження емоцій і мислення.
2. Висхідний (біологічне). Даний підхід передбачає проведення досліджень в області нейронних мереж, за допомогою яких створюються моделі інтелектуального поведінки з точки зору біологічних процесів. На базі цього напрямку створюються нейрокомп'ютери.

Визначає здатність штучного інтелекту (машини) мислити так само, як людина. У загальному розумінні цей підхід передбачає створення ІІ, поведінка якого не відрізняється від людських дій в однакових, нормальних ситуаціях. По суті, тест Тьюринга передбачає, що машина буде розумною лише в тому випадку, якщо при спілкуванні з нею неможливо зрозуміти, хто говорить: механізм або жива людина.

Книги в жанрі фантастика пропонують інший метод оцінки можливостей ІІ. Справжнім штучний інтелект стане в тому випадку, якщо він буде відчувати і зможе творити. Однак цей підхід до визначення не витримує практичного застосування. Вже зараз, наприклад, створюються машини, які мають здатність реагувати на зміни навколишнього середовища (холод, тепло і так далі). При цьому вони не можуть відчувати так, як це робить людина.

символьний підхід

Успіх у вирішенні завдань багато в чому визначається здатністю гнучко підходити до ситуації. Машини, на відміну від людей, інтерпретують отримані дані єдиним чином. Тому в рішенні задач бере участь тільки людина. Машина проводить операції на підставі написаних алгоритмів, які виключають застосування декількох моделей абстрагування. Домогтися гнучкості від програм вдається шляхом збільшення ресурсів, задіяних в ході вирішення завдань.

Зазначені вище недоліки характерні для символьного підходу, що застосовується при розробці ІІ. Однак даний напрямок розвитку штучного інтелекту дозволяє створювати нові правила в процесі обчислення. А проблеми, що виникають у символьного підходу, здатні вирішити логічні методи.

логічний підхід

Цей підхід передбачає створення моделей, що імітують процес міркування. В його основі закладено принципи логіки.

Даний підхід не передбачає застосування жорстких алгоритмів, які призводять до певного результату.

Агентно-орієнтований підхід

Він задіє інтелектуальних агентів. Цей підхід передбачає наступне: інтелект являє собою обчислювальну частина, за допомогою якої досягаються поставлені цілі. Машина грає роль інтелектуального агента. Вона пізнає навколишнє середовище за допомогою спеціальних датчиків, а взаємодіє з нею за допомогою механічних частин.

Агентно-орієнтований підхід приділяє основну увагу розробці алгоритмів і методів, які дозволяють машинам зберігати працездатність в різних ситуаціях.

гібридний підхід

Цей підхід передбачає об'єднання нейронних і символьних моделей, за рахунок чого досягається вирішення всіх завдань, пов'язаних з процесами мислення і обчислень. Наприклад, нейронні мережі можуть генерувати напрямок, в якому рухається робота машини. А статичну навчання надає той базис, за допомогою якого вирішуються завдання.

Згідно з прогнозами експертів компанії Gartner, На початок 2020-х років практично всі випущені програмні продукти будуть використовувати технології штучного інтелекту. Також фахівці припускають, що близько 30% інвестицій в цифрову сферу будуть припадати на ІІ.

На думку аналітиків Gartner, штучний інтелект відкриває нові можливості для кооперації людей і машин. При цьому процес витіснення людини ІІ неможливо зупинити і в майбутньому він буде прискорюватися.

В компанії PwC вважають, що до 2030 року обсяг світового валового внутрішнього продукту зросте приблизно на 14% за рахунок швидкого впровадження нових технологій. Причому приблизно 50% приросту забезпечить підвищення ефективності виробничих процесів. Другу половину показника складе додатковий прибуток, отриманий за рахунок впровадження ІІ в продукти.

Спочатку ефект від використання штучного інтелекту отримає США, так як в цій країні створені найкращі умови для експлуатації машин на ІІ. Надалі їх випередить Китай, який витягне максимальний прибуток, впроваджуючи подібні технології в продукцію і її виробництво.

експерти компанії Saleforce заявляють, що ІІ дозволить збільшити прибутковість малого бізнесу приблизно на 1,1 трильйона доларів. Причому відбудеться це до 2021 року. Частково домогтися зазначеного показника вдасться за рахунок реалізації рішень, пропонованих ІІ, в системи, що відповідають за комунікацію з клієнтами. Одночасно з цим буде улучаться ефективність виробничих процесів завдяки їх автоматизації.

Впровадження нових технологій також дозволить створити додаткові 800 тисяч робочих місць. Експерти відзначають, що зазначений показник нівелює втрати вакансій, що відбулися через автоматизацію процесів. За прогнозом аналітиків, заснованих на результатах опитування серед компаній, їх витрати на автоматизацію виробничих процесів на початок 2020-х років зростуть приблизно до 46 мільярдів доларів.

У Росії також ведуться роботи в області ІІ. Протягом 10 років держава профінансувала більше 1,3 тисячі проектів в даній сфері. Причому більша частина інвестицій пішло на розвиток програм, не пов'язаних з веденням комерційної діяльності. Це показує, що російське бізнес-співтовариство поки не зацікавлене у впровадженні технологій штучного інтелекту.

В цілому на вказані цілі в Росії інвестували близько 23 мільярдів рублів. Розмір державних субсидій поступається тих обсягів фінансування сфери ІІ, які демонструють інші країни. У США на ці цілі щороку виділяють близько 200 мільйонів доларів.

В основному в Росії з держбюджету виділяють кошти на розвиток технологій ІІ, які потім застосовуються в транспортній сфері, оборонної промисловості і в проектах, пов'язаних із забезпеченням безпеки. Ця обставина вказує на те, що в нашій країні частіше інвестують в напрямку, які дозволяють швидко домогтися певного ефекту від вкладених коштів.

Наведене вище дослідження також показало, що в Росії зараз накопичено високий потенціал для підготовки фахівців, які можуть бути задіяні в розробці технологій ІІ. За 5 останніх років навчання за напрямами, пов'язаними з іноземними інвестиціями, пройшли приблизно 200 тисяч чоловік.

Технології ІІ розвиваються в наступних напрямках:

• рішення задач, що дозволяють наблизити можливості ІІ до людських і знайти способи їх інтеграції в повсякденність;
• розробка повноцінного розуму, за допомогою якого будуть вирішуватися завдання, що стоять перед людством.

На даний момент дослідники зосереджені на розробці технологій, які вирішують практичні завдання. Поки вчені не наблизилися до створення повноцінного штучного розуму.

Розробкою технологіями в галузі ШІ займаються багато компаній. «Яндекс» не один рік застосовує їх у роботі пошукача. З 2016 року російська IT-компанія займається дослідженнями в області нейронних мереж. Останні змінюють характер роботи пошукових систем. Зокрема, нейронні мережі зіставляють самі ввели запит з певним векторних числом, який найбільш повно відображає зміст поставленого завдання. Іншими словами, пошук ведеться не по слову, а саме по суті інформації, запитуваної людиною.

У 2016 році «Яндекс» запустив сервіс «Дзен», Який аналізує переваги користувачів.

У компанії Abbyy недавно з'явилася система Compreno. За допомогою неї вдається зрозуміти природною мовою написаний текст. На ринок також порівняно недавно вийшли і інші системи, засновані на технологіях штучного інтелекту:

1. Findo. Система здатна розпізнавати людську мову і займається пошуком інформації в різних документах і файлах, використовуючи при цьому складні запити.
2. Gamalon. Ця компанія представила систему зі здатністю до самонавчання.
3. Watson. Комп'ютер компанії IBM, що використовує в процесі пошуку інформації велика кількість алгоритмів.
4. ViaVoice. Система розпізнавання людської мови.

Великі комерційні компанії не обходять стороною досягнення в області штучного інтелекту. Банки активно впроваджують подібні технології в свою діяльність. За допомогою систем, заснованих на ІІ, вони проводять операції на біржах, ведуть управління власністю та виконують інші операції.

Оборонна промисловість, медицина та інші сфери впроваджують технології розпізнавання об'єктів. А компанії, що займають розробкою комп'ютерних ігор, застосовують ІІ для створення чергового продукту.

Протягом декількох останніх років група американських вчених веде роботу над проектом NEIL, В рамках якого дослідники пропонують комп'ютера розпізнати, що зображено на фотографії. Фахівці припускають, що таким чином вони зможуть створити систему, здатну до самонавчання без зовнішнього втручання.

компанія VisionLab представила власну платформу LUNA, Яка може в режимі реального часу розпізнавати обличчя, вибираючи їх з величезної кластера зображень і відеороликів. Дану технологію сьогодні застосовують великі банки і мережеві ритейлери. За допомогою LUNA можна зіставляти переваги людей і пропонувати їм відповідні товари та послуги.

Над подібними технологіями працює російська компанія N-Tech Lab. При цьому її фахівці харчуються створити систему розпізнавання осіб, засновану на нейронних мережах. За останніми даними, російська розробка краще справляється з поставленими завданнями, ніж людина.

На думку Стівена Хокінга, розвиток технологій штучного інтелекту в майбутньому призведе до загибелі людства. Вчений зазначив, що люди через впровадження ІІ почнуть поступово деградувати. А в умовах природної еволюції, коли людині для виживання необхідно постійно боротися, цей процес неминуче призведе до його загибелі.

У Росії позитивно розглядають питання впровадження ІІ. Олексій Кудрін одного разу заявив про те, що використання таких технологій дозволить приблизно на 0,3% від ВПП зменшити витрати на забезпечення роботи державного апарату. Дмитро Медведєв пророкує зникнення ряду професій через впровадження ІІ. Однак чиновник підкреслив, що використання таких технологій призведе до бурхливого розвитку інших галузей.

За даними експертів Всесвітнього економічного форуму, на початок 2020-х років в світі через автоматизацію виробництва робочих місць позбавлятися близько 7 мільйонів чоловік. Впровадження ІІ з високою часткою ймовірності викличе трансформацію економіки і зникнення ряду професій, пов'язаних з обробкою даних.

експерти McKinsey заявляють, що активніше процес автоматизації виробництва буде проходити в Росії, Китаї та Індії. У цих країнах найближчим часом до 50% робочих втратять свої місцях через впровадження ІІ. Їх місце займуть комп'ютеризовані системи і роботи.

За даними McKinsey, штучний інтелект замінить собою професії, що передбачають фізичну працю і обробку інформації: роздрібна торгівля, готельний персонал і так далі.

До середини нинішнього століття, як вважають експерти американської компанії, число робочих місць в усьому світі скоротиться приблизно на 50%. Місця людей займуть машини, здатні проводити аналогічні операції з тієї ж або більш високою ефективністю. При цьому експерти не виключають варіанту, при якому даний прогноз буде реалізований раніше зазначеного терміну.

Інші аналітики відзначають шкоду, яку можуть нанести роботи. Наприклад, експерти McKinsey звертають увагу на те, що роботи, на відміну від людей, не платять податки. В результаті через зниження обсягів надходжень до бюджету держава не зможе підтримувати інфраструктуру на колишньому рівні. Тому Білл Гейтс запропонував ввести новий податок на роботизовану техніку.

Технології ІІ підвищують ефективність роботи компаній за рахунок зниження кількості скоєних помилок. Крім того, вони дозволяють підвищити швидкість виконання операцій до того рівня, який не може досягти людина.

Суть штучного інтелекту в форматі питань та відповідей. Історія створення, технології дослідження, чи пов'язаний штучний інтелект з IQ і чи можна його порівняти з людським. На запитання відповідав професор Стенфордського університету Джон Маккарті.

Що таке штучний інтелект (ШІ)?

Штучний інтелект - це область науки і інжинірингу, що займається створенням машин і комп'ютерних програм, що володіють інтелектом. Вона пов'язана із завданням використання комп'ютерів для розуміння людського інтелекту. При цьому штучний інтелект не повинен обмежуватися тільки біологічно спостерігаються методами.

Так, але що таке інтелект?

Інтелект - здатність приходити до вирішення за допомогою обчислень. Інтелект різного виду та рівня є у людей, багатьох тварин і деяких машин.

Хіба немає визначення інтелекту, яке не залежить від співвіднесення його з людським інтелектом?

До теперішнього часу немає розуміння, які види обчислювальних процедур ми хочемо назвати інтелектуальними. Ми знаємо далеко не про всі механізми інтелекту.

Чи є інтелект однозначним поняттям, щоб на питання «Чи має дана машина інтелектом?» можна було відповісти «так» або «ні»?

Ні. Дослідження ІІ показали, як використовувати лише деякі з механізмів. Якщо для виконання завдання потрібні тільки добре вивчені моделі, виходять дуже вражаючі результати. Такі програми мають «невеликим» інтелектом.

Чи є штучний інтелект спробою імітувати людський інтелект?

Іноді, але далеко не завжди. З одного боку, ми дізнаємося, як змусити машини вирішувати завдання, спостерігаючи за людьми або за роботою наших власних алгоритмів. З іншого боку, дослідники ІІ використовують алгоритми, що не спостерігаються у людей або вимагають набагато більших обчислювальних ресурсів.

У комп'ютерних програм є IQ?

Ні. IQ заснований на темпах розвитку інтелекту у дітей. Це відношення віку, в якому дитина зазвичай набирає певний результат, до віку дитини. Дана оцінка відповідним чином поширюється і на дорослих людей. IQ добре корелює з різними показниками успіху або невдачі в житті. Але створення комп'ютерів, які можуть набрати високий бал в тестах IQ, буде слабо пов'язане з їх корисністю. Наприклад, здатність дитини повторювати довгу послідовність цифр добре корелює з іншими інтелектуальними здібностями. Вона показує, яка кількість інформації дитина може запам'ятати за один раз. При цьому утримання в пам'яті цифр є тривіальним завданням навіть для самих примітивних комп'ютерів.

Як порівняти людський і комп'ютерний інтелекти?

Артур Р. Дженсен, провідний дослідник в області людського інтелекту, як «евристичної гіпотези» стверджує, що звичайні люди мають одні і ті ж механізми інтелекту і інтелектуальні відмінності пов'язані з «кількісними біохімічними і фізіологічними умовами». До них відносяться швидкість мислення, короткострокову пам'ять і здатність формувати точні і видобувні довгострокові спогади.

Незалежно від того, чи правильна точка зору Дженсена щодо людського інтелекту, ситуація в ІІ на сьогоднішній день є протилежною.

Комп'ютерні програми мають великий запас швидкості і пам'яті, але їх здатності відповідають інтелектуальним механізмам, які розробники програм добре розуміють і можуть вкласти в них. Деякі здібності, які діти зазвичай не розвивають до підліткового віку, впроваджуються. Інші, якими володіють дворічні діти, все ще відсутні. Справа ще більш ускладнюється тим фактом, що когнітивні науки досі не можуть точно визначити, які людські здібності. Швидше за все, організація інтелектуальних механізмів ІІ вигідно відрізняється від такої у людей.

Коли людині вдається вирішити задачу швидше, ніж комп'ютеру, це говорить про те, що розробникам не вистачає розуміння механізмів інтелекту, необхідних для ефективного виконання даного завдання.

Коли почалося дослідження ІІ?

Після Другої світової війни кілька людей почали незалежно працювати над інтелектуальними машинами. Англійський математик Алан Тьюринг, можливо, був першим з них. Він прочитав свою лекцію в 1947 році. Тьюринг одним з перших вирішив, що ІІ найкраще досліджувати шляхом програмування комп'ютерів, а не конструювання машин. До кінця 1950-х років було багато дослідників ШІ, і більшість з них засновували свою роботу на програмуванні комп'ютерів.

Чи є метою ІІ помістити людський розум в комп'ютер?

У людського розуму є багато особливостей, навряд чи реально імітувати кожну з них.

Що таке тест Тьюринга?

У статті А. Алана Тьюринга 1950 року «Обчислювальна техніка і розум» обговорювалися умови володіння машиною інтелектом. Він стверджував, що якщо машина може успішно прикидатися людиною перед розумним спостерігачем, то ви, звичайно ж, повинні вважати її розумною. Цей критерій задовольнить більшість людей, але не всіх філософів. Спостерігач повинен взаємодіяти з машиною або людиною через засіб введення-виведення для виключення необхідності імітації машиною зовнішнього вигляду або голосу людини. Завдання як машини, так і людини полягає в тому, щоб змусити спостерігача вважати себе людиною.

Тест Тьюринга є одностороннім. Машина, успішно проходить тест, безумовно повинна вважатися розумною, навіть якщо вона не володіє знаннями про людей, достатніми, щоб їх імітувати.

Книга Деніела Деннета «Brainchildren» містить прекрасне обговорення тесту Тьюринга і його різні частини, які були реалізовані успішно, т. Е. З обмеженнями на знання спостерігачем про ІІ і предмет обговорення. Виявляється, деяких людей досить легко переконати в тому, що досить примітивна програма є розумною.

Чи є метою ІІ досягнення людського рівня інтелекту?

Так. Кінцевою метою є створення комп'ютерних програм, які можуть вирішувати проблеми і досягати цілей так само, так і людина. Однак вчені, які проводять дослідження в вузьких областях, ставлять набагато менш амбіційні цілі.

Наскільки далекий штучний інтелект від досягнення людського рівня? Коли це відбудеться?

Інтелект людського рівня може бути досягнуто шляхом написання великої кількості програм, і збору великих баз знань про факти на мовах, які сьогодні використовуються для вираження знань.Проте, більшість дослідників ІІ вважає, що необхідні нові фундаментальні ідеї. Тому неможливо передбачити, коли буде створений інтелект людського рівня.

Чи є комп'ютер машиною, яка може стати інтелектуальною?

Комп'ютери можуть бути запрограмовані для імітації будь-якого типу машини.

Швидкість комп'ютерів дозволяє їм володіти інтелектом?

Деякі люди думають, що потрібні як більш швидкі комп'ютери, так і нові ідеї. Комп'ютери та 30 років тому були досить швидкими. Якби ми тільки знали, як їх програмувати.

Що щодо створення «дитячої машини», яка могла б покращитися шляхом читання і навчання на власному досвіді?

Ця ідея неодноразово пропонувалася з 1940-х років. Зрештою, вона буде реалізована. Проте, програми ІІ ще не досягли рівня, що дозволяє дізнатися багато чого з того, чого дитина вчиться в ході життєдіяльності. Існуючі програми недостатньо добре розуміють мову, щоб багато чому навчитися за допомогою читання.

Чи є теорія обчислюваності і обчислювальна складність ключами до ІІ?

Ні. Ці теорії актуальні, але не зачіпають фундаментальні проблеми ІІ.

У 1930-х роках математичні логіки Курт Гедель і Алан Тьюринг встановили, що не існує алгоритмів, які гарантували б виконання завдань в деяких важливих математичних областях. Наприклад, відповіді на питання в дусі: «чи є пропозиція логіки першого порядку теоремою» або «чи має поліноміальний рівняння в одних змінних цілочисельні рішення в інших». Так як люди здатні вирішувати завдання такого роду, даний факт було запропоновано в якості аргументу на користь того, що комп'ютери за своєю суттю не здатні робити те, що роблять люди. Про це говорить і Роджер Пенроуз. Однак люди не можуть гарантувати вирішеннядовільних задач в цих областях.

У 1960-х роках вчені-програмісти, в числі яких були Стів Кук і Річард Короп, розробили теорію областей NP-повних задач. Завдання в даних областях можна розв'язати, але, мабуть, їх рішення вимагає часу, зростаючого експоненціально з розмірністю завдання. Найпростішим прикладом області NP-повної задачі служить питання: які твердження логіки висловлювань є здійсненними? Люди часто вирішують проблеми в області NP-повних задач в рази швидше, ніж це гарантується основними алгоритмами, але не можуть вирішувати їх швидко в загальному випадку.

Для ІІ важливо, щоб при вирішенні задач алгоритми були такими ж ефективними, як і людський розум. Визначення подобластей, в яких існують хороші алгоритми, є важливим, але багато програм, які вирішують завдання ІІ, не мають відношення до легко ідентифікованим підобласті.

Теорія складності загальних класів задач називається обчислювальною складністю. До сих пір ця теорія не взаємодіяла з ІІ настільки, наскільки можна було сподіватися. Успіх у вирішенні проблем людьми і програмами ІІ, мабуть, залежить від властивостей задач і методів вирішення завдань, які ні дослідники складності, ні спільнота ІІ не можуть визначити точно.

Також актуальною є теорія алгоритмічної складності, розроблена незалежно один від одного Соломоновим, Колмогоровим і Чайтіним. Вона визначає складність символьного об'єкта як довжину найбільш короткої програми, яка зможе його згенерувати. Доказ того, що програма-кандидат є найкоротшою або близькою до такої, є нерозв'язним завданням, але уявлення об'єктів генеруючими їх короткими програмами іноді може прояснювати ситуацію, навіть якщо ви не можете довести, що ваша програма є найкоротшою.