Введение в ИИ

Введение в ИИ

Скетчноут Томоми Имуры

Тест перед лекцией

Искусственный интеллект: это увлекательная научная дисциплина, которая изучает, как научить компьютеры демонстрировать интеллектуальное поведение, то есть выполнять те задачи, в которых преуспевают люди.

Изначально компьютеры были изобретены Чарльзом Бэббиджем для выполнения операций с числами по строго определённой процедуре, алгоритму. Современные компьютеры, хотя и значительно более продвинуты, чем оригинальная модель, предложенная в XIX веке, по-прежнему следуют той же идее управляемых вычислений. Таким образом, можно запрограммировать компьютер на выполнение задачи, если известна точная последовательность шагов, необходимых для достижения цели.

Фото Викки Сошниковой

✅ Определение возраста человека по его фотографии: это задача, которую невозможно явно запрограммировать, поскольку мы не знаем, как именно в нашей голове формируется число, когда мы это делаем.

Однако существуют задачи, которые мы не знаем, как решить явно. Например, определение возраста человека по его фотографии. Мы каким-то образом учимся это делать, потому что видели много примеров людей разного возраста, но не можем ни явно объяснить, как мы это делаем, ни запрограммировать компьютер на выполнение этой задачи. Именно такие задачи представляют интерес для искусственного интеллекта (сокращённо ИИ).

✅ Подумайте о задачах, которые вы могли бы поручить компьютеру и которые выиграли бы от применения ИИ. Рассмотрите области финансов, медицины и искусства: как эти области сегодня получают выгоду от ИИ?

Слабый ИИ против сильного ИИ

Для получения дополнительной информации обратитесь к статье Искусственный общий интеллект (AGI).

Определение интеллекта и тест Тьюринга

Одна из проблем при работе с термином интеллект заключается в отсутствии чёткого определения. Можно утверждать, что интеллект связан с абстрактным мышлением или самосознанием, но мы не можем дать ему точного определения.

Фото Эмбер Кипп с Unsplash

Чтобы увидеть неоднозначность термина интеллект, попробуйте ответить на вопрос: «Является ли кошка разумной?». Разные люди склонны давать разные ответы на этот вопрос, поскольку не существует общепринятого теста, чтобы доказать истинность или ложность этого утверждения. А если вы думаете, что такой тест есть, попробуйте провести IQ-тест для своей кошки...

✅ Подумайте минуту о том, как вы определяете интеллект. Является ли ворона, которая может пройти лабиринт и добраться до еды, разумной? Является ли ребёнок разумным?

Когда мы говорим об AGI, нам нужен способ определить, создали ли мы действительно интеллектуальную систему. Алан Тьюринг предложил способ, названный тестом Тьюринга, который также служит определением интеллекта. Тест сравнивает данную систему с чем-то изначально интеллектуальным, с реальным человеком. Поскольку любое автоматическое сравнение может быть обойдено компьютерной программой, мы используем человека-интеррогатора. Таким образом, если человек не может отличить реального человека от компьютерной системы в текстовом диалоге, система считается интеллектуальной.

Чат-бот под названием Eugene Goostman, разработанный в Санкт-Петербурге, приблизился к прохождению теста Тьюринга в 2014 году, используя хитрый трюк с личностью. Он сразу заявил, что является 13-летним украинским мальчиком, что объясняло недостаток знаний и некоторые несоответствия в тексте. Бот убедил 30% судей, что он человек, после 5-минутного диалога, это показатель, который, по мнению Тьюринга, машина сможет преодолеть к 2000 году. Однако следует понимать, что это не означает, что мы создали интеллектуальную систему или что компьютерная система обманула человека-интеррогатора, людей обманули создатели бота, а не сама система!

✅ Вас когда-нибудь обманывал чат-бот, заставляя думать, что вы разговариваете с человеком? Как он вас убедил?

Различные подходы к ИИ

Если мы хотим, чтобы компьютер вёл себя как человек, нам нужно каким-то образом смоделировать в нём наш образ мышления. Следовательно, необходимо попытаться понять, что делает человека интеллектуальным.

Чтобы запрограммировать интеллект в машине, нам нужно понять, как работают наши собственные процессы принятия решений. Если вы немного поразмышляете, то поймёте, что некоторые процессы происходят подсознательно, например, мы можем отличить кошку от собаки, не задумываясь об этом, в то время как другие включают рассуждения.

Существует два возможных подхода к этой проблеме:

Существуют также другие возможные подходы к интеллекту:

• Эмерджентный, синергетический или многоагентный подход основан на том, что сложное интеллектуальное поведение может быть получено благодаря взаимодействию большого количества простых агентов. Согласно эволюционной кибернетике, интеллект может возникнуть из более простого, реактивного поведения в процессе метасистемного перехода.

• Эволюционный подход, или генетический алгоритм, представляет собой процесс оптимизации, основанный на принципах эволюции.

Мы рассмотрим эти подходы позже в курсе, но сейчас сосредоточимся на двух основных направлениях: сверху вниз и снизу вверх.

Подход сверху вниз

В подходе сверху вниз мы пытаемся моделировать наше рассуждение. Поскольку мы можем следить за своими мыслями, когда рассуждаем, мы можем попытаться формализовать этот процесс и запрограммировать его внутри компьютера. Это называется символическим рассуждением.

Люди склонны иметь в голове определённые правила, которые направляют их процессы принятия решений. Например, когда врач ставит диагноз пациенту, он или она может понять, что у человека высокая температура, а значит, возможно, в организме происходит воспаление. Применяя большой набор правил к конкретной проблеме, врач может прийти к окончательному диагнозу.

Этот подход сильно зависит от представления знаний и рассуждений. Извлечение знаний от человеческого эксперта может быть самой сложной частью, потому что врач во многих случаях не знает точно, почему он или она приходит к определённому диагнозу. Иногда решение просто приходит в голову без явного размышления. Некоторые задачи, такие как определение возраста человека по фотографии, вообще не могут быть сведены к манипуляции знаниями.

Подход снизу вверх

Альтернативно, мы можем попытаться смоделировать самые простые элементы внутри нашего мозга, нейрон. Мы можем построить так называемую искусственную нейронную сеть внутри компьютера, а затем попытаться научить её решать задачи, предоставляя ей примеры. Этот процесс похож на то, как новорождённый ребёнок узнаёт о своём окружении, делая наблюдения.

✅ Проведите небольшое исследование о том, как дети учатся. Какие основные элементы мозга ребёнка?

А как насчёт ML?
Часть искусственного интеллекта, основанная на обучении компьютера решать задачу на основе данных, называется машинным обучением. Мы не будем рассматривать классическое машинное обучение в этом курсе, мы рекомендуем вам отдельный учебный курс Машинное обучение для начинающих.

Краткая история ИИ

Искусственный интеллект как область начал развиваться в середине двадцатого века. Изначально символическое рассуждение было преобладающим подходом и привело к ряду важных успехов, таких как экспертные системы, компьютерные программы, способные действовать как эксперт в некоторых ограниченных предметных областях. Однако вскоре стало ясно, что такой подход плохо масштабируется. Извлечение знаний от эксперта, представление их в компьютере и поддержание базы знаний в актуальном состоянии оказалось очень сложной задачей и слишком дорогой для практического применения во многих случаях. Это привело к так называемой зиме ИИ в 1970-х годах.

Изображение: Дмитрий Сошников

Со временем вычислительные ресурсы стали дешевле, и появилось больше данных, поэтому подходы с нейронными сетями начали демонстрировать отличные результаты в конкуренции с людьми во многих областях, таких как компьютерное зрение или распознавание речи. В последнее десятилетие термин «искусственный интеллект» в основном используется как синоним нейронных сетей, потому что большинство успехов ИИ, о которых мы слышим, основаны на них.

Мы можем наблюдать, как подходы менялись, например, при создании компьютерной программы для игры в шахматы:

• Ранние шахматные программы основывались на поиске: программа явно пыталась оценить возможные ходы противника на заданное количество следующих ходов и выбирала оптимальный ход на основе оптимальной позиции, которую можно достичь за несколько ходов. Это привело к разработке так называемого алгоритма поиска альфа-бета отсечения.
• Стратегии поиска хорошо работают ближе к концу игры, где пространство поиска ограничено небольшим количеством возможных ходов. Однако в начале игры пространство поиска огромное, и алгоритм можно улучшить, обучаясь на существующих матчах между человеческими игроками. Последующие эксперименты использовали так называемое рассуждение на основе случаев, где программа искала случаи в базе знаний, очень похожие на текущую позицию в игре.
• Современные программы, которые выигрывают у человеческих игроков, основаны на нейронных сетях и обучении с подкреплением, где программы учатся играть, играя долгое время против самих себя и обучаясь на своих ошибках, так же, как люди учатся играть в шахматы. Однако компьютерная программа может сыграть гораздо больше игр за гораздо меньшее время, и, следовательно, может учиться гораздо быстрее.

✅ Проведите небольшое исследование о других играх, в которые играли ИИ.

Аналогично, мы можем увидеть, как изменился подход к созданию «говорящих программ» (которые могут пройти тест Тьюринга):

• Ранние программы такого рода, такие как Eliza, основывались на очень простых грамматических правилах и переформулировке входного предложения в вопрос.
• Современные помощники, такие как Cortana, Siri или Google Assistant, являются гибридными системами, которые используют нейронные сети для преобразования речи в текст и распознавания нашего намерения, а затем применяют некоторые рассуждения или явные алгоритмы для выполнения необходимых действий.
• В будущем мы можем ожидать полной нейронной модели, способной самостоятельно вести диалог. Недавние нейронные сети семейства GPT и Turing-NLG демонстрируют большие успехи в этом.

Изображение: Дмитрий Сошников, фото: Марина Абросимова, Unsplash

Последние исследования в области ИИ

Значительный рост исследований нейронных сетей начался примерно в 2010 году, когда стали доступны крупные публичные наборы данных. Огромная коллекция изображений под названием ImageNet, содержащая около 14 миллионов аннотированных изображений, дала начало конкурсу ImageNet Large Scale Visual Recognition Challenge.

Изображение: Дмитрий Сошников

В 2012 году свёрточные нейронные сети впервые были применены в классификации изображений, что привело к значительному снижению ошибок классификации (с почти 30% до 16,4%). В 2015 году архитектура ResNet от Microsoft Research достигла точности на уровне человека.

С тех пор нейронные сети продемонстрировали очень успешное применение во многих задачах:

За последние несколько лет мы стали свидетелями огромных успехов больших языковых моделей, таких как BERT и GPT-3. Это произошло в основном благодаря большому объёму доступных общих текстовых данных, которые позволяют обучать модели для улавливания структуры и смысла текстов, предварительно обучать их на общих текстовых коллекциях, а затем специализировать эти модели для более конкретных задач. Подробнее об обработке естественного языка мы узнаем позже в этом курсе.

🚀 Задание

Изучите интернет, чтобы определить, где, по вашему мнению, ИИ используется наиболее эффективно. Это может быть приложение для карт, сервис преобразования речи в текст или видеоигра. Исследуйте, как была построена эта система.

Викторина после лекции

Обзор и самостоятельное изучение

Изучите историю ИИ и машинного обучения, прочитав этот урок. Выберите элемент из скетчноута в начале этого урока или текущего и исследуйте его более подробно, чтобы понять культурный контекст, повлиявший на его развитие.

Задание: Game Jam

Источник: урок курса Microsoft «AI for Beginners», © Microsoft Corporation, лицензия MIT. Перевод и адаптация на русский: AI University. Мы не являемся официальным партнёром или представителем Microsoft.