ИИ, как и многие другие новые технологии, породил слишком много нереалистичных ожиданий. Слишком много организаций сегодня обильно разбрасывают на своих сайтах ссылки на нейронные сети, машинное обучение и другие формы технологий, почти не ссылаясь на их реальные возможности. Простое обозначение сайта «на базе искусственного интеллекта», помимо помощи в сборе средств, не делает его более эффективным.
Искусственный интеллект существует дольше, чем мы думаем. От наших предков, которые мечтали о механических людях, призванных помогать им в их труде, до первых компьютеров, задуманных как логические машины, мы уже прошли долгий путь. Инженеры всегда пытались создать механический мозг, отдавая на аутсорсинг работу мозга, воспроизводя такие способности, как базовая арифметика и память. Но настоящая перемена происходит тогда, когда вместо того, чтобы обучать компьютеры всему, что им нужно знать для выполнения задач, мы пытаемся научить их учиться самостоятельно. Сегодня, с появлением Интернета и огромным увеличением количества цифровых данных, которые хранятся, генерируются и становятся доступными для анализа, гораздо эффективнее кодировать машины, чтобы они думали как люди, а затем подключили их к Интернету, чтобы дать им доступ к все данные в мире.
Какое место занимает машинное обучение, нейронные сети и НЛП?
Системы искусственного интеллекта обычно делятся на прикладные или общие. Гораздо более распространенным является прикладной ИИ. Эти системы предназначены для интеллектуального маневрирования автономным транспортным средством или торговли акциями, акциями и т. Д. Гораздо реже встречаются обобщенные приложения ИИ, которые теоретически могут выполнять любую работу, но именно здесь происходит множество интересных достижений. Это также область, которая сыграла важную роль в развитии машинного обучения.
Приложения машинного обучения могут слушать музыку, решать, может ли она сделать определенного пользователя счастливым или грустным, и находить другую музыку, чтобы проникнуться тем же настроением. Эти приложения могут читать текст и определять, жалуется ли человек, написавший его, или поздравляет. В некоторых случаях они могут даже сочинять музыку самостоятельно на те же темы или определять песни того же типа, которые понравятся поклонникам оригинальной песни. Это все возможности, которые предлагают системы на основе машинного обучения и нейронных сетей.
Главный прогресс в обучении компьютеров распознавать мир, как мы, при сохранении присущих им преимуществ перед нами, таких как скорость, точность и отсутствие предвзятости, стал возможен благодаря развитию нейронных сетей. Нейронные сети работают так же, как человеческий мозг, классифицируя информацию. Например, его можно научить распознавать изображения и классифицировать их на основе содержащихся в них элементов. Он в первую очередь функционирует на основе системы вероятностей, основанной на вводимых в него данных. Он может принимать решения и делать прогнозы с определенной степенью уверенности. Добавив в процесс цикл обратной связи, мы помогаем ему «учиться». Он меняет подход, которого придерживается в будущем, каждый раз, когда ему говорят, верны его решения или нет. Чтобы иметь возможность взаимодействовать и общаться с устройствами так же естественно, как и с другими людьми, нам нужна обработка естественного языка (NLP). В последние годы эта область превратилась в источник огромных новаторских инноваций, и в том, что в значительной степени зависит от машинного обучения.
Что может А. делать сегодня?
Начнем с того, что уже делает ИИ. Самыми большими достижениями стали познание и восприятие. В области восприятия речь - это то место, где были достигнуты некоторые из наиболее практических успехов. Распознавание голоса далеко от совершенства, но многие люди сейчас его используют, например, Alexa, Siri и Google Assistant. Распознавание речи теперь в среднем в три раза быстрее, чем набор текста на мобильном телефоне. Это существенное улучшение произошло с лета 2016 года, а не за последние десять лет.
Распознавание изображений также значительно улучшилось. Такие приложения, как Facebook, теперь распознают лица многих ваших друзей на опубликованных фотографиях и предлагают отметить их именами. Приложение, запущенное на вашем смартфоне, может распознать практически любую птицу в дикой природе. Распознавание изображений заменяет идентификационные карты в штаб-квартире. В свое время системы технического зрения, подобные тем, которые используются в беспилотных автомобилях, ошибочно опознавали пешехода один раз в 30 кадрах, камеры записывали 30 кадров в секунду. Сегодня они ошибаются менее одного раза в 30 миллионах кадров. Распознавание голоса даже в шумной обстановке теперь почти сравнялось с человеческими способностями.
В области познания и решения проблем машины превзошли лучших игроков в го и покер. Эксперты прогнозировали, что на эти достижения потребуется как минимум еще десятилетие. Но мы уже там. Интеллектуальные агенты используются для обнаружения вредоносных программ и предотвращения отмывания денег. Страховая компания в Сингапуре использует технологию IBM для автоматизации процесса урегулирования убытков, а компания, занимающаяся платформой для анализа данных, использует систему от Lumidatum для своевременного предоставления рекомендаций по улучшению поддержки клиентов. Значительное количество предприятий используют системы машинного обучения, чтобы определить, какие сделки они будут совершать на Уолл-стрит, и с их помощью принимается все больше и больше кредитных решений. Чтобы лучше рекомендовать продукты пользователям и оптимизировать инвентарь, Amazon использует машинное обучение.
Во многих задачах, которые когда-то лучше всего выполнялись людьми, теперь системы машинного обучения превосходят их. Хотя эти системы далеки от совершенства, их количество ошибок лучше, чем производительность на уровне человека. Это открыло огромные новые возможности для преобразования экономики и рабочих мест. Каждый раз, когда система на основе искусственного интеллекта превосходит человеческую производительность при выполнении данной задачи, они распространяются быстрее.
Первоначально опубликовано в блоге Product Insights от CognitiveClouds: вверху Компания по разработке Ruby on Rails
