Как совершенствуется искусственный интеллект
- главные тенденции и препятствия

Развитие технологий сбора и обработки больших объемов информации наряду с успешными исследованиями в области алгоритмов машинного обучения дало поразительный рост технологий, которые принято отождествлять с ИИ. Достижения сверхточных нейронных сетей в решении задачи классификации и распознавания образов на основе базы данных ImageNet в 2012 году, победа AlphaGo в марте 2016 года над человеком в игре Го, достижение компаниями Microsoft и IBM точности распознавания телефонной речи сопоставимой с человеком в 2017 году – все это вызвало всплеск интереса к искусственному интеллекту.

На искусственный интеллект возлагаются большие надежды

Количество участников последних конференций NIPS, посвященных машинному обучению, превысило 5 000 человек и почти сравнялось с количеством участников конференции AAAI (Association for the Advancement of Artificial Intelligence) до второй "зимы" ИИ. Интерес к алгоритмам и системам ИИ вышел за пределы академических конференций и повлек инвестиционную активность в отрасли. Оптимистически настроенные визионеры считают, что ИИ способен решить все самые критические проблемы человечества. Более осторожные исследователи анализируют технические проблемы воспроизведения "работы мозга" в ближайшие десятилетия и рассуждают о морально-этической стороне внедрения решений на основе ИИ.

Для кого-то ИИ стал синонимом роботов, для кого-то - нейронных сетей и глубокого обучения, кто-то склонен отождествлять его с растением. Одни эксперты демонизируют искусственный интеллект, прогнозируя создание через несколько десятков лет такого ИИ, который превзойдет интеллектуальный уровень человека не имея при этом морально-этических норм; другие исследователи возлагают на ИИ надежды на решение всех проблем человечества, включая старение, смерть и стихийные бедствия.

Алгоритмы

Современные системы искусственного интеллекта могут обыграть гроссмейстера по шахматам, но еще не создана интеллектуальная система, которая могла бы "обыграть" ребенка в "развивающих" играх.

Интеллектуальные системы, которые стали неотъемлемой частью современной реальности, - это не "настоящий" ИИ. Современные системы распознавания образов, речи, естественного языка и прогнозирования основаны на распознавании паттернов в больших массивах данных. Многочисленные системы ИИ от самых мощных, таких как DeepBlue или Watson, до простейших алгоритмов кредитного скоринга и фильтрации спама или мошеннических финансовых операций способны эффективно решать только набор однотипных задач и не обладают гибкостью и многообразием функций интеллекта даже двухлетнего ребенка. Эти системы не могут объяснять и понимать окружающий мир, у них нет воображения, они слабы в вопросах стратегического планирования и не могут создавать новые модели окружающей действительности. Основа всех современных интеллектуальных систем - обучение на больших объемах данных, которое не похоже на обучение человека чему-то новому, основанное на понимании. Дмитрий Бородачев, DатаРу Облако: Наше преимущество — мультивендорная модель предоставления облачных услуг

Изучением и моделированием вычислительных основ процесса обучения и умозаключений занимаются лаборатории Computational Cognitive Science Стэнфордского университета, Массачусетского технологического института (MIT), Калифорнийского университета в Беркли и многих других крупнейших университетов мира. Данное направление является одним из развивающихся и наиболее востребованных, например, в области беспилотных автомобилей.

Вместе с тем, к уже существующим подходам машинного обучения в решении ряда задач ставятся новые вызовы. Зачастую для эффективного применения результатов машинного обучения на практике от модели требуется интерпретируемость результатов. Например, в результате анализа рентгеновского снимка модель должна не просто указать вероятность того или иного диагноза, но и уметь указать, на основании какого участка на снимке был сделан вывод.

Актуальным остается вопрос подготовки качественных наборов данных для обучения моделей машинного обучения. Перспективными являются исследования применения в различных областях обучения с подкреплением (Reinforcement learning), как машинное обучение в динамически меняющейся среде. Поскольку большая часть накопленных данных не размечена для алгоритмов машинного обучения, актуальными остаются алгоритмы с частичным привлечением учителя (Semi-supervised learning), а также алгоритмы обучения без учителя. Выявление причинно-следственных связей в больших массивах данных также является актуальным вопросом для многих исследователей.

Инвестиции

Важной составляющей развития ИИ является то, насколько быстро и эффективно могут окупаться инвестиции в ИИ, сделанные на волне возросшего интереса к отрасли. Специалисты по управлению капиталом Morgan Stanley отмечают, что при текущих темпах роста отрасль может вырасти до $1 трлн к 2050 году. При этом различные решения ИИ могут быть направлены как на получение прибыли, так и на дополнительную оптимизацию бизнеса.

По данным исследования, проведенного MIT совместно с BCG, на данном этапе развития ИИ пионеры отрасли выбирают внедрение тех решений, которые направлены на увеличение прибыли и создание новых бизнес-моделей. Внутренних процессов решения ИИ, как правило, касаются в последнюю очередь, поскольку потеря внешнего рынка и прибыли в условиях конкуренции всегда более критична для бизнеса, чем внутренние издержки несовершенства бизнес-процессов. Компании, которые не следуют этому принципу, рискуют в эпоху стремительного развития бизнес-моделей на основе ИИ, так как на рынке всегда есть более молодые конкуренты, у которых нет массивных устоявшихся бизнес-процессов, требующих оптимизации. В оценке результативности от внедрения той или иной технологии ИИ лежит успешность развития и дальнейшее инвестирование в ИИ. Вместе с тем спектр задач, связанных с оптимизацией, будет актуален для крупного бизнеса в ближайшем будущем.

На российском рынке также наблюдается активный рост инвестиций в системы ИИ со стороны крупных промышленных холдингов, инвестиционных фондов и государства. Задачи, которые зачастую решаются промышленными гигантами российского рынка, по большей части являются оптимизационными, однако они позволяют предприятиям оптимизировать производство таким образом, чтобы охватить все большие рынки сбыта, что дает надежду на будущие инвестиции в решение задач, связанных с созданием новых бизнес-моделей. Однако серьезным препятствием в ближайшем будущем для создания новых бизнес-моделей для крупных предприятий может стать слабая интегрированность источников данных. Внедрение единых хранилищ данных и активный взаимовыгодный обмен данными внутри корпораций может служить созданию новых продуктов, рынков сбыта и бизнес-моделей. Таким образом, внедрение технологии больших данных является ключевым моментом для успешности внедрения современных систем ИИ на уровне крупных промышленных холдингов и государства.

Тенденции развития

Системы ИИ вряд ли смогут в ближайшее время уберечь человечество от экологических катастроф и изменения климата, но они помогут избежать техногенных катастроф и уменьшить ущерб от них. Вряд ли системы ИИ избавят человечество от финансовых кризисов, но они могут улучшить выявление мошеннических операций и скрытых факторы, влияющие на поведение финансовых рынков. Вряд ли системы ИИ смогут предотвращать массовые социальные беспорядки, но они уже сейчас помогают снизить уровень преступности и оптимизировать деятельность правоохранительных служб.

Основными тенденциями в отрасли ИИ являются:

• Усовершенствование и придание нюансов уже существующим решениям на рынке системы машинного обучения и ИИ, реализующееся под воздействием конкуренции и инвестиционных циклов.
• Развитие адаптационных функций ИИ, включая коммуникативные навыки и восприятие человеческих эмоций. Для эффективного дополнения деятельности человека вычислительной мощью систем ИИ востребованы дальнейшие исследования в области развития интерактивных функций взаимодействия систем ИИ с человеком, повышение объясняющей роли алгоритмов машинного обучения, а также изучение влияния ИИ на социум.
• Дальнейшие исследования в области алгоритмов обучения без учителя и алгоритмов с частичным привлечением учителя для поиска новых решений в условиях ограниченных наборов данных.
• Продолжение исследований в области Computational Cognitive Science, которые в будущем помогут приблизиться к созданию более гибких и многофункциональных систем ИИ и позволят совершенствовать современных роботов.

Насколько динамично будут реализованы данные тенденции в ближайшем будущем зависит от многих внешних факторов. Ждет ли ИИ еще одна "зима" или мы станем свидетелями создания первых самообучающихся систем, которым не нужна будет тренировка на огромных объемах информации для выполнения одной или нескольких функций, зависит от многих внешних факторов, в частности от политической и экономической стабильности, а также от готовности как людей, так и технологий взаимодействовать и решать задачи совместно. Однако предсказать, насколько быстро это произойдет, пока не в силах даже самая совершенная система машинного обучения.

Автор: Татьяна Зобнина

См. также

• Искусственный интеллект (мировой рынок)
• Искусственный интеллект (рынок России)

Робототехника