101 факт об искусственном интеллекте. Как подготовиться к жизни в новой реальности - [4]
это позволяет улучшить уход за пациентами.
• Профилактическое обслуживание на основе предсказаний: еще один инструмент, широко применяющийся в различных отраслях.
• Определение объектов и их классификация: эта технология может применяться в области производства самоуправляемых автомобилей, но имеет потенциал развития и в других отраслях.
• Распространение контента в социальных сетях: это в первую очередь маркетинговый инструмент, использующийся в социальных сетях, но он также может применяться и для поднятия уровня осведомленности некоммерческих организаций или в качестве «гражданского» сервиса для быстрого распространения информации.
• Защита от угроз кибербезопасности: это важный инструмент для банков и систем, отправляющих и получающих онлайн-платежи[4].
Поскольку некоторые из приведенных выше примеров являются более техническими, становится понятно, что искусственный интеллект даст нам возможность лучше видеть, слышать и понимать окружающий нас мир. Благодаря тому, что когда-то эти характеристики были присущи лишь человеку, искусственный интеллект откроет для нас мир абсолютно новых возможностей.
Рис. 1.3. Искусственный интеллект, машинное обучение и глубокое обучение
ИИ сможет сделать нашу жизнь проще, предложив прогнозы, относящиеся к важным вопросам нашей жизни, к важным ее сферам, таким как здоровье, благосостояние, образование, работа и то, как мы коммуницируем с окружающими нас людьми.
Он также изменит способы ведения бизнеса, предложив конкурентные преимущества компаниям, которые хотят быстро понять и эффективно применить данные инструменты.
Иногда термин «искусственный интеллект» может пугать людей. Один из лучших экспертов в области развития искусственного интеллекта, Себастьян Трун, полагает, что лучше заменять его термином «анализ и обработка данных», который является менее пугающим, что, возможно, поможет процессу принятия данного явления обществом[5].
Машинное обучение – это один из основных подходов к созданию искусственного интеллекта. Если коротко, то машинное обучение – это аспект компьютерной науки, в котором компьютеры или машины имеют способность обучаться, не имея точной программы. Обычным результатом будут предположения или прогнозы в определенной ситуации[6].
Вспомните первые персональные компьютеры, которые стали доступны простым пользователям в 1980-е годы. Эти машины были точно запрограммированы на выполнение определенных операций. В отличие от них, благодаря машинному обучению, многие технические устройства будущего будут собирать опыт и информацию из стиля их использования, что сделает опыт использования одного и того же устройства персональным для каждого конкретного пользователя. Уже сейчас существуют простые примеры такой персонализации: в социальных сетях, например в Facebook, или в результатах поиска Google.
Машинное обучение использует алгоритмы, чтобы обучаться на паттернах данных. Например, спам-фильтры электронной почты используют машинное обучение для определения того, какие письма являются спамом, и последующего отделения их от допустимых писем. Это простой пример того, каким образом могут использоваться алгоритмы обучения по паттернам данных, а приобретенные знания могут использоваться для принятия решений.
На рисунке 1.4 ниже изображены три разновидности машинного обучения: обучение с учителем, обучение без учителя и обучение с подкреплением.
При обучении с учителем алгоритмы используют данные, которые уже были размечены или каким-то образом организованы. При использовании данного метода воздействие со стороны человека необходимо для получения обратной связи.
Рис. 1.4. Типы машинного обучения
Обучение без учителя применяет алгоритмы, в которых данные не были заранее размечены или организованы. Напротив, паттерны определяются без вмешательства человека в процесс[7].
И наконец, при обучении с подкреплением алгоритмы учатся на опыте. Им не ставят никаких четких целей, кроме получения какой-либо награды[8].
Глубокое обучение является одной из наиболее быстроразвивающихся сфер применения искусственного интеллекта и составной частью машинного обучения. Оно используется для решения проблем, которые ранее считались слишком сложными, и обычно задействует огромные массивы данных.
Глубокое обучение происходит с использованием нейросетей, которые разделены на уровни таким образом, чтобы распознавать сложные связи и паттерны данных. Применение глубокого обучения требует для работы наличия огромного массива данных и внушительных вычислительных мощностей. На данный момент глубокое обучение используется для распознавания речи, обработки естественных языков, компьютерного зрения, а также идентификации автомобилей в качестве помощи водителю[9].
Одним из примеров этому может служить перевод текстов, реализованный в Facebook. В 2017 году в Facebook открыли для себя, что благодаря глубокому обучению они могут делать около 4,5 миллиарда переводов в день[10]. Как правило, это короткие переводы для таких вещей, как обновления статусов, которые люди выкладывают у себя на страничке. Инструменты искусственного интеллекта Facebook делают возможным автоматический перевод таких сообщений на различные языки. Без применения глубокого обучения предложение такого функционала стоило бы огромных денег и требовало бы наличия гигантской команды людей.
