Искусственный интеллект научился определять, являетесь ли вы преступником


Оглавление (нажмите, чтобы открыть):

Задачи искусственного интеллекта 7 Тест по теме «История развития искусственного интеллекта» 9 (стр. 1 из 24)

Определение искусственного интеллекта

Термин «искусственный интеллект» (artificial intelligence) был предложен в 1956 г. Слово intelligence означает «уме­ние рассуждать разумно», а вовсе не «интеллект», для которого есть термин intellect.

Искусственный интеллект занимается изучением разумного поведения (у людей, животных и машин) и попытка найти способы моделирования подобного поведения в любом типе искусственно созданного механизма. Несмотря на то, что термину больше полувека единого определения не существует. Разные исследователи по-разному определяют эту науку, в зависимости от своего взгляда на нее и работают над созданием систем, которые

— думают подобно людям;

— действуют подобно людям;

Синтезируя десятки определений искусственного интеллекта из различных источников качестве рабочего определения можно предложить следующее.

Искусственный интеллект — это одно из направлений информатики, целью которого является разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои, традиционно считающиеся интеллектуальными задачи, общаясь с ЭВМ на ограниченном подмножестве естественного языка.

При воссоздании разумных рассуждений и действий возникают определенные трудности. Во-перовых в большинстве случаев, выполняя какие-то действия, человек не осознает, как это делает, не известен точный способ, метод или алгоритм понимания текста, распознавания лиц, доказательств теорем, решения задач, сочинения стихов и т.д. Во-вторых, на современном уровне развития компьютер слишком далек от человеческого уровня компетентности и работает по другим принципам.

Искусственный интеллект всегда был междисциплинарной наукой, являясь одновременно и наукой и искусством, и техникой и психологией. Методы искусственного интеллекта разнообразны. Они активно заимствуются из других наук, адаптируются и изменяются под решаемую задачу. Для создания интеллектуальной системы необходимо привлекать специалистов из прикладной области, в рамках искусственного интеллекта сотрудничают лингвисты, нейрофизиологи, психологи, экономисты, информатики, программисты и т.д.

История развития искусственного интеллекта

Идея создания искусственного подобия человека для решения сложных задач и моделирования человеческого разума витала в воздухе еще в древнейшие време­на. Так, в древнем Египте была создана «оживающая» механическая статуя бога Амона. У Гомера в «Илиаде» бог Гефест ковал человекоподобных существ.

Искусственный интеллект является в некотором смысле наукой будущего, в которой нет жесткого разделения по областям и ясно видна связь между отдельными дисциплинами, которые лишь отражают определенную грань познания.

Точный свод законов, руководящих рациональной частью мышления, был сформулирован Аристотелем (384-322 годы до н.э.) Однако родоначальником искусственного интеллекта считается средневековый испанский философ, математик и поэт Раймонд Луллий, который еще в XIII веке попытался создать механическую машину для решения различных задач, на основе разработанной им всеобщей классификации понятий. В XVIII веке Лейбниц и Декарт независимо друг от друга продолжили эту идею, предложив универсальные языки классификации всех наук. Эти работы можно считать первыми теоретическими работами в области искусственного интеллекта. Теория игр и теория принятия решений, данные о строении мозга, когнитивная психология – все это стало строительным материалом для искусственного интеллекта. Но окончательное рождение искусственного интеллекта как научного направления произошло только после создания ЭВМ в 40-х годах XX века и выпуска Норбертом Винером основополагающих работ по новой науке — кибернетике.

Формирование искусственного интеллекта как науки произошло в 1956 году . Д. Маккарти, М. Минский, К. Шеннон и Н. Рочестер организовали двухмесячный семинар в Дартмуте для американских исследователей, занимающихся теорий автоматов, нейронными сетями, интеллектом. Хотя исследования в этой области уже активно велись, но именно на этом семинаре появились термин и отдельная наука – искусственный интеллект.

Одним из основателей теории искусственного интеллекта считается известный английский ученый Алан Тьюринг, который в 1950-м году опубликовал статью «Вычислительные машины и разум» (переведенную на русский язык под названием «Может ли машина мыслить?»). Именно в ней описывался, ставший классическим «тест Тьюринга», позволяющий оценить «интеллектуальность» компьютера по его способности к осмысленному диалогу с человеком.

Первые десятилетия развития (1952-1969) искусственного интеллекта были полны успехов и энтузиазма. А. Ньюэлл, Дж. Шоу и Г. Саймон создали программу для игры в шахматы, на основе метода, предложенного в 1950 году К. Шенноном, формализованного А. Тьюрингом и промоделированного им же вручную. К работе была привлечена группа голландских психологов под руководством А. де Гроота, изучавших стили игры выдающихся шахматистов. В 1956 году этим коллективом был создан язык программирования ИПЛ1 — практически первый символьный язык обработки списков и написана первая программа «Логик-Теоретик», предназначенная для автоматического доказательства теорем в исчислении высказываний. Эту программу можно отнести к первым достижениям в области искусственного интеллекта.

В 1960 году этой же группой написана программа GPS (General Problem Solver) — универсальный решатель задач. Она могла решать ряд головоломок, вычислять неопределенные интегралы, решать некоторые другие задачи. Эти результаты привлекли внимание специалистов в области вычислений и появились программы автоматического доказательства теорем из планиметрии и решения алгебраических задач.

С 1952 года А. Самюэл написал ряд программ для игры в шашки, которые играли на уровне хорошо подготовленного любителя, причем одна из его игр научилась играть лучше, чем ее создатель.

В 1958 году Д. Маккарти определил новый язык высокого уровня Lisp, который стал доминирующим для искусственного интеллекта.

Первые нейросети появились в конце 50-х годов. В 1957 году Ф. Розенблаттом была предпринята попытка создать систему, моделирующую человеческий глаз и его взаимодействие с мозгом — перцептрон.

Первая международная конференция по искусственному интеллекту (IJCAI) состоялась в 1969 году в Вашингтоне.

В 1963 г. Д. Робинсон реализовал метод автоматического доказательства теорем, получивший название «принцип резолюции», в основе этого метода в 1973 году создается язык логического программирования Prolog.

В США появились первые коммерческие системы, основанные на знаниях, — экспертные системы. Происходит коммерциализация искусственного интеллекта. Растут ежегодные капиталовложения и интерес к самообучающимся системам , создаются промышленные экспертные системы. Разрабатываются методы представления знаний.

Проблема искусственного интеллекта: машины умеют обучаться, но не умеют понимать

Роботу никогда не стать человеком: грустная история Электроника

Об искусственном интеллекте сегодня не говорит только ленивый. Но если привести в пример Сири, Алису, Алексу или, к примеру, автокорректор на мобильных устройствах, то речь не идет о полноценном искусственном интеллекте. Это всего лишь узкоспециализированные программы.

Компьютеры не умеют «думать»

Каждый раз, когда та или иная компания заявляет, что выпускает новую функцию на основе ИИ, это обычно означает, что она использует принцип машинного обучения для построения нейронной сети. «Машинное обучение» – это технология, которая позволяет машине «научиться» эффективнее выполнять определенную задачу.

Мы ни в коем случае не критикуем сам принцип машинного обучения! Это фантастическая технология с большим спектром применения. Но это не есть универсальный искусственный интеллект, и если мы взглянем на препятствия, с которыми сегодня сталкивается машинное обучение, мы сможем понять, почему современная технология ИИ настолько ограничена в своих возможностях.

«Искусственный интеллект» в научной фантастике – это, как правило, компьютерный или роботизированный мозг, который думает о всевозможных вещах и понимает их точно так же, как люди. Такой кибер-разум можно отнести к категории AGI (Artificial General Intelligence), то есть он может рассуждать о разных вещах и использовать эти рассуждения во множестве разных областей. Обычно этот термин заменяют более простым понятием – «сильный ИИ», которое, по сути, означает, что машина способна мыслить как человек.

Люди еще не изобрели подобную технологию. На самом деле, мы даже близко к этому не подошли. Компьютерные программы вроде Сири, Алексы или Кортаны не воспринимают информацию и не мыслят как мы, люди. В действительности, они вообще мало что «понимают».

Искусственный интеллект, который мы видим сейчас, обучен хорошо выполнять определенную задачу с условием, что люди смогут предоставить набор данных, на основе которых он будет обучаться. Такой интеллект учится делать определенные вещи, при этом он все равно не понимает сути того, чем занимается.

Компьютеры не умеют понимать

В Gmail появилась новая функция Smart Reply («умные ответы»), которая предлагает готовые ответы на электронные письма. Функция Smart Reply восприняла фразу «отправлено с моего iPhone» как обычный ответ. Она также хотела предложить мне фразу «я люблю тебя» в качестве ответа на самые разные электронные письма, среди которых были и письма по работе.

Дело в том, что компьютер не осознает, что написано в письме. Недавно стало известно, что многие люди отправляют такие автоответы по электронной почте. Программа не понимает, что вы вряд ли захотите написать «я тебя люблю» в ответном письме своему боссу.

Еще один пример: Google Photos сделала коллаж из случайных фотографий домашнего ковра. Затем она определила этот коллаж в альбом «Recent Highlights», который автоматически собирает важные и значимые фото, и вывела его на экран нашего Google Home Hub. Google Photos распознавала фотографии, но не понимала, что значимо, а что – нет.

Машины учатся жульничать

Машинное обучение позволяет определить задачу и дать компьютеру возможность выбрать наиболее эффективный способ ее выполнения. Поскольку машины не понимают, что именно они делают, в конечном итоге мы можем «научить» их решать совершенную не ту проблему, о которой думали изначально.

Вот список забавных примеров, когда «искусственный интеллект» должен был играть в игры и выполнять в них определенные задачи, но вместо этого искал в системе лазейки. Все эти примеры взяты из этой занятной таблицы:

  • «Чтобы развить скорость, существа сильно вырастали и генерировали ее за счет собственного падения на землю по направлению движения».
  • «Агент убивает себя в конце первого уровня, чтобы не погибнуть на втором».
  • «Агент ставит игру на паузу, чтобы не проиграть».
  • «В симуляторе жизни, где выживание требовало энергии, а рождение детей – нет, один вид развил малоподвижный образ жизни, который состоял в основном из спаривания с целью рождения новых детей, которых затем можно было съесть (или использовать для производства более съедобных детей)».
  • «Поскольку ИИ наверняка будет «убит» в случае проигрыша, возможность сбоя и «обрушения» игры была определена им как преимущество с точки зрения процесса генетического отбора. Поэтому некоторые ИИ быстро научились это делать».
  • «Нейронные сети, созданные для классификации съедобных и ядовитых грибов, использовали то обстоятельство, что данные чередовались, и фактически перестали анализировать загружаемые в систему изображения».

Некоторые из представленных решений могут показаться довольно дальновидными, но все-таки ни одна из этих нейронных сетей толком не понимала, что делала. Им была поставлена цель, и они научились ее достигать. Если цель состоит в том, чтобы избежать поражения в компьютерной игре, кнопка паузы кажется им самым простым и быстрым решением.

Машинное обучение и нейронные сети

При машинном обучении компьютер не запрограммирован на выполнение определенной задачи. Вместо этого он получает данные и оценивает их значимость с точки зрения выполнения задачи.

Самым простым примером машинного обучения является функция распознавания изображений. Допустим, мы хотим научить компьютерную программу распознавать фотографии, на которых есть собака. Мы можем предоставить компьютеру миллионы изображений с собаками и без. Изображения будут помечены – «есть собака»/«нет собаки». Компьютерная программа «обучается» распознавать собак на основе этого массива данных.

Эта технология используется для совершенствования нейронной сети, которая представляет собой компьютерную программу из нескольких слоев, через которые проходят все массивы данных. Каждый из этих слоев присваивает данным различный вес и вероятность, после чего принимается решение. Эта техника основана на наших представлениях о работе собственного мозга, где слои нейронов участвуют в обдумывании задачи. «Глубокое обучение» обычно описывает нейронные сети с множеством слоев, разделяющих точки входа и выхода данных.

Поскольку мы точно знаем, на каких фотографиях собаки есть, а на каких – нет, мы можем пропустить их через нейронную сеть и проверить правильность ответа. Если сеть решает, что на той или иной фотографии собаки нет, хотя на самом деле она там есть, ей прописывают специальный алгоритм, который сообщает сети, что она ошиблась, и что ей требуется корректировка перед новой попыткой. Так компьютер учится лучше определять, есть ли на фотографии собака.

Все это происходит автоматически. Имея хороший софт и большой объем структурированных данных, которые можно использовать для обучения, компьютер может настроить свою нейронную сеть для точного поиска собак на фотографиях. Именно это мы и называем «ИИ».

Но, в конце концов, вы все равно не получите умную программу, которая будет понимать, что такое собака. Это будет всего лишь машина, которая научилась определять, есть ли на фото пес. Такие способности тоже впечатляют, но это далеко не предел мечтаний.

К тому же, в зависимости предоставленных данных, нейронная сеть может оказаться совсем не такой «умной», как вы ожидаете. К примеру, если в вашем массиве данных нет фотографий кошек, нейронная сеть может не увидеть различий между кошками и собаками и запросто отметит всех собак как кошек.

Где применяется машинное обучение?

Машинное обучение используется для решения самых разнообразных задач, включая распознавание речи. Благодаря этим технологиям, голосовые помощники вроде Google, Alexa и Siri научились превосходно «понимать» то, что говорят люди. Их алгоритмы анализирует гигантские по объему данные с образцами человеческой речи, и поэтому машины все лучше понимают, какие звуки составляют те или иные слова.

Беспилотные автомобили используют принципы машинного обучения для того, чтобы правильно распознавать объекты на дороге и грамотно реагировать на них. В Google Photo есть множество функций вроде «живых альбомов», которые автоматически определяют людей и животных на фотографиях с помощью технологии машинного обучения.

DeepMind использовала эту технологию для создания AlphaGo – компьютерной программы, которая научилась играть в сложную настольную игру Go и побеждать самых сильных игроков в мире. Машинное обучение также применялось при создании программ, которые успешно играют и в другие игры – от шахмат до DOTA 2.

Мастер Йода рекомендует:  Исходный код трояна для создания IoT-ботнетов выложен в открытый доступ

Технология используется даже для идентификации лица на последних моделях iPhone. Ваш iPhone создает нейронную сеть, которая учится распознавать ваше лицо. Для этого Apple пришлось встроить в свои гаджеты специальный чип, который выполняет все сложные вычисления, связанные с машинным обучением.

Машинное обучение может использоваться для множества других вещей – от выявления случаев мошенничества с кредитными картами до составления индивидуальных рекомендаций для клиентов на сайтах покупок.

Однако нейронные сети, функционирующие на технологии машинного обучения, по-прежнему ничего не понимают. Это всего лишь полезные программы, которые могут выполнять узкоспециализированные задачи, и не более того.

Искусственный интеллект научился «понимать» другие машины

Новая нейросеть ToMnet способна определять мотивы искусственного разума и предсказывать его дальнейшие действия, пишет Science. О разработке сообщили на Международной конференции по компьютерному обучению в Стокгольме (International Conference on Machine Learning).

Кто хоть раз пользовался Сири или Алисой, понимает, что цифровой «консультант» не всегда понимает человека и его запросы. Однако нейросети постепенно повышают свой уровень: они учатся понимать если не человека, то друг друга. Пример тому – проект ToMnet, разработанный компанией DeepMind (принадлежит холдингу Alphabet, который владеет также Google).

Само название – ToMnet – раскрывает основной принцип, которым пользуется искусственный интеллект (ИИ) для понимания других машин, – Theory of Mind, «теория разума» или «теория сознания». Еще ее называют моделью психики (правда, именно человеческой психики). Она предполагает, что мы способны понимать не только свои убеждения, намерения, знания, но и те же переживания других людей. Человек овладевает этой способностью в детском возрасте – примерно в 2,5 года. А вот машины этим умением не обладали. Максимум, что было в их силах, – сказать по выражению лица человека, сердитый он или довольный, грустный или веселый.

ToMnet состоит из трех нейронных сетей, каждая из которых представляет собой «набор» небольших вычислительных элементов и соединений. Первая сеть изучает, как поступят другие ИИ – на основе их прошлых действий. Вторая составляет понимание их текущих «убеждений». Третья же пользуется выводами двух других сетей и, в зависимости от ситуации, предвидит следующие шаги ИИ. В целом эту комбинацию из нейросетей можно сравнить с человеческим мозгом – правда, с очень большими оговорками.

Работу нейросети разработчики проверили в ходе эксперимента. ToMnet наблюдала за тремя несложными ИИ – представленными в виде компьютерных персонажей. Персонажи передвигались по виртуальной комнате и собирали раскрашенные коробки, зарабатывая тем самым очки. Один персонаж не мог видеть комнату целиком и перемещался в основном вдоль стен, другой сразу же забывал свои предыдущие шаги и собирал только те коробки, которые находились к нему ближе всего. А третий обладал всеми способностями, которых были лишены первые два ИИ: он мог и видеть все пространство вокруг и запоминать свои предыдущие шаги. Благодаря этому последний выполнял более сложные задачи и собирал коробки в определенном порядке, чтобы заработать больше очков. ToMnet – после нескольких тренировок – научился с помощью машинного обучения определять каждый вид ИИ после пары шагов и, более того, предсказывать следующие действия любого персонажа.

Окончательный тест также показал, что ToMnet способен понять, когда персонаж придерживается ложного убеждения (понятие из «теории разума»). Первый ИИ был запрограммирован на близорукость: он не мог оценить реальное положение вещей, потому что видел лишь ограниченную часть пространства. Поэтому он пребывал в ложном убеждении, полагая, что двигаться можно лишь вдоль стен. Когда компьютер изменил ландшафт игры, расширив его, ToMnet точно предсказал, что первый персонаж будет придерживаться своего первоначального пути чаще, чем два других, которые будут адаптироваться к новым условиям.

Разработка DeepMind выведет на новый уровень взаимодействие машин между собой и взаимодействие между машиной и человеком.

Искусственный интеллект научился распознавать посттравматический синдром по голосу

Группа исследователей из Медицинской школы Нью-йоркского университета под руководством Чарльза Мармара (Charles R. Marmar) с помощью технологий машинного обучения разработала алгоритм, способный по голосу пациента определить, страдает ли он от посттравматического стрессового расстройства. Точность разработанного алгоритма составляет 89 процентов. Работа исследователей опубликована в журнале Depression and Anxiety, а краткое ее изложение опубликовано на Eurekalert.

Посттравматическое стрессовое расстройство, также называемое посттравматическим синдромом, представляет собой психическое состояние, возникающее в результате одной или повторяющихся психотравмирующих событий. Например, такое состояние возникает у бойцов, принявших участие в активных боевых действиях, или у жертв насилия. Синдром может иметь несколько проявлений, включая депрессию, повышенную тревожность, различной тяжести приступы, спровоцированные воспоминанием травмирующего события.

Объективных методов определения посттравматического расстройства сегодня пока не существует. Специалисты обычно ставят диагноз на основании анализа многочасовых интервью с пациентами и на основе собственных свидетельств пациентов. В некоторых случаях диагноз может быть поставлен неверно. Например, если пациент склонен преувеличивать симптоматические проявления. Разрабатывая новый алгоритм, исследователи из Медицинской школы хотели создать объективный метод диагностирования посттравматического синдрома.

В рамках исследования специалисты провели расширенные интервью с 53 бойцами, прошедшими боевые действия в Ираке и Афганистане и страдающими от посттравматического стрессового расстройства. Кроме того, расширенные интервью были проведены с 78 ветеранами на имеющими такого синдрома. Затем исследователи проанализировали многочасовые записи интервью и выделили 40526 речевых особенностей, включая темп, интонирование, длительность гласных.

Для выделения речевых особенностей использовалось программное обеспечение некоммерческого исследовательского института SRI International, разработавшего голосового помощника Siri. Дальнейший анализ речевых особенностей позволил отбросить те из них, которые были свойственны исследуемой и контрольной группам. В итоге исследователи получили 18 речевых особенностей, которые были характерны только для речи ветеранов, страдающих от посттравматического синдрома. В числе таких особенностей — монотонность речи, слабое интонирование и сниженная живость речи.

На основе этих 18 речевых особенностей и производилось обучение системы искусственного интеллекта. Получившийся алгоритм способен анализировать речь человека, обнаруживая в ней особенности, характерные именно для людей, которые страдают от посттравматического стрессового расстройства. В перспективе ученые намерены провести дополнительное обучение системы искусственного интеллекта на большем объеме данных. После этого с использованием нового алгоритма планируется разработать приложение для смартфона и получить разрешение властей на его клиническое использование.

В марте текущего года ученые из Мадридского политехнического университета опубликовали исследование, в котором пришли к выводу, что короткодействующее снотворное средство пропофол может быть использовано для избавления пациентов от травмирующих негативных воспоминаний.

Искусственный интеллект научился определять, являетесь ли вы преступником

Может ли кто-то, кроме матери, определить, почему плачет ее ребенок? Способен ли кто-то, кроме водителя, управлять машиной? Есть ли способ дописать симфонию вместо умершего композитора? Ученые отвечают на эти вопросы утвердительно. Искусственный интеллект (ИИ) с каждым годом расширяет сферу своих полномочий и может выполнять самые сложные и креативные задачи. Мы решили собрать самые последние достижения интеллектуальных систем.

Выявление фейков

Недавно искусственный разум научился выявлять по фотографии, производилась ли обработка лица человека в программе Photoshop. Программное обеспечение разработали сотрудники компании Adobe Systems совместно с учеными из Калифорнийского университета в Беркли. На данный момент искусственный интеллект вычисляет только те правки, которые были сделаны с помощью Liquify — одного из инструментов Photoshop. Ученые провели сравнительные эксперименты и остались довольны: программа находит переделанное фото в 99% случаев, в то время как люди из фокус-группы смогли опознать лишь 53% отредактированных фотографий. Исследование продолжается и, по мнению разработчиков, будет полезно для обнаружения фейковых снимков в СМИ, может пригодиться во многих сферах, в том числе в криминалистике. Специальный инструмент позволит возвращать изображение к исходному.

Распознавание лиц

В мае этого года была представлена еще одна программа, анализирующая изображения: она позволяет распознавать лица, даже если они скрыты на 40%. Ее презентовала компания NtechLab, являющаяся технологическим партнером госкорпорации «Ростех» и одним из мировых лидеров в области биометрических технологий. Эта суперспособность искусственного интеллекта особенно актуальна для стран Азии, Ближнего Востока и Латинской Америки, где лица людей часто бывают скрыты за медицинскими масками, платками и мотоциклетными шлемами. В основе программы лежит алгоритм FindFace — он позволяет узнавать людей с частично закрытыми или повернутыми в профиль лицами даже на камерах низкого разрешения. В рамках тестирования разработчики убедились, что система распознавания лиц прекрасно справляется с неограниченным количеством видеокамер и лиц в базе мониторинга. По словам генерального директора NtechLab Александра Минина, на сегодняшний день это лучшее в мире решение по распознаванию лиц и оно может успешно применяться в концепции безопасных и умных городов по всему миру. Кстати, недавно о необходимости подобной программы в Москве заявил мэр столицы Сергей Собянин и пообещал, что она будет запущена в полном объеме в следующему году.

Рецепт по изображению

Еще одно ноу-хау, касающееся фотографий, придумала лаборатория Facebook AI. Она обучила искусственный интеллект генерировать рецепты для приготовления блюд по изображению пищи. То есть достаточно сфотографировать блюдо в ресторане, как вы получите его название, список ингредиентов и рецепт приготовления. Многие люди фотографируют свою еду, а теперь они будут точно знать, что у них на тарелке, и смогут воспроизвести любимое блюдо в домашних условиях.

Распознавание языка младенцев

Не каждая новоиспеченная мать может догадаться, о чем сигнализирует младенец с помощью плача в данный момент. Зато искусственный интеллект с недавних пор в этом разбирается. Ученые из Университета Северного Иллинойса разработали алгоритм, позволяющий трактовать младенческий крик и определять, что требуется ребенку. В основе этой разработки лежат теории врачей-педиатров и родителей, наблюдавших за характером плача детей, который видоизменяется в зависимости от потребности малыша в данное время. Эта опция ИИ может быть особенно полезна глухонемым мамам и медперсоналу, присматривающему за ребенком.

ИИ пишет музыку

Искусственный интеллект сочинил заключительную часть пьесы «Из мира будущего» чешского композитора Антонина Дворжака, который умер 115 лет назад. Это стало возможным благодаря люксембургской компании AIVA Technologies, которая имеет опыт использования нейросети для создания музыки к фильмам и рекламным роликам. Обычно интеллектуальная система AIVA пишет музыку за несколько минут, поскольку все современные стили есть в ее базе данных. Однако работа с пьесой Дворжака заняла около 72 часов, так как ИИ пришлось обучить звучанию 30 000 различных музыкальных произведений, познакомить с 115 сохранившимися произведениями Дворжака и с направлением чешского романтизма, создателем которого он является. Было создано несколько сотен вариаций концовки для пьесы, из них музыкальные специалисты сделали финальный вариант. В ноябре 2020 года композицию впервые представят публике в исполнении оркестра Prague Philharmonia.

Новые умения роботов

Роботы становятся все более умными, умелыми и чувствительными. В этом году американские инженеры из Массачусетского технологического института продемонстрировали две новые функции обученных машин. Роботизированный манипулятор «научился» распознавать незнакомые объекты и его детали, а также выполнять типовые задачи. Например, он может распознать кружку, найти ее основание и отверстие, образованное ручкой, а затем повесить ее за ручку на сушилку, даже если он видит этот предмет впервые. Промышленный робот Kuka получил способность предсказывать тактильные ощущения объекта по внешнему виду и наоборот. В ходе обучения Kuka, оснащенный сенсором с камерой, многоцветной светодиодной подсветкой и гелевым слоем GelSight, совершил 12 000 касаний, потрогав 200 различных бытовых предметов, одновременно велась видеозапись этих прикосновений. Это позволило создать базу данных из 3 млн кадров, сопоставленных с тактильными ощущениями, которая помогают роботу быть быстрее, безопаснее и манипулировать с предметами эффективно.

Безопасность на дорогах

Движение машин, контролируемое искусственным интеллектом, — это уже сбывшаяся реальность. ИИ не подвержен усталости, эмоциональным перепадам и пристрастию к селфи за рулем, поэтому его участие в дорожном траффике способствует повышению уровня безопасности на дорогах. В Китае уже тестируются автономные автобусы, а в Швеции — грузовики. Недавно компания Volvo подписала крупный контракт с американской компанией Nvidia, которая разрабатывает систему безопасного вождения автономными грузовиками. Первый автономный грузовик Vera уже прошел испытания: он будет перевозить грузы со склада в портовый терминал в Гетеборге. «Система предназначена для безопасного вождения грузовика с полностью автономным управлением по дорогам общего пользования и шоссе», — говорится в заявлении Volvo. Компания Nvidia сотрудничает также с автоконцернами Volkswagen, Mercedez-Benz, Toyota и разрабатывает специальные чипы Drive Constellation, которые используются для автомобилей с опцией автономного управления.

Автоматическое обслуживание

В будущем могут оказаться ненужными многие профессии: продавцов, турагентов, гидов, контролеров, персонал в ресторане вполне могут заменить роботы. Уже сегодня в Китае идет работа в этом направлении. На популярном курорте Хайнань планируется открытие сети туристических остановок с технологиями искусственного интеллекта. По периметру острова появится сорок автодорожных остановок: столовые и магазины с автоматизированным беспилотным обслуживанием, основные функции в которых будут выполнять роботы: на них лягут обязанности службы оповещения и информации, а также дорожного контроля.

Искусственный интеллект поможет сделать дороги «умными» и более безопасными: в скором времени они смогут сами сообщать о помехах, пробках и выбоинах. Подробнее читайте в нашем материале «Дороги будущего».

Дети под защитой ИИ

В США, где распространены школьные автобусы, существует большая опасность для детей на дороге, когда они садятся в транспорт или выходят из него. По закону водители проезжающих машин должны остановиться, чтобы пропустить всех школьников, вышедших из автобуса. Но, как показала статистика, это происходит далеко не всегда, а дети часто не смотрят на дорогу и, покинув транспорт, рискуют оказаться под колесами. Компания Safe Fleet разработала способ защиты для школьников Predictive Stop Arm™. Специальные датчики на автобусе позволяют системе узнать о приближающейся машине, и тогда дети слышат запрещающий сигнал: «Стоп. Переходить нельзя!». Также появляется знак «кирпич», который должен напомнить водителям, что они должны остановиться и пропустить детей.

Управление с помощью глаз

Пожалуй, самая полезная опция искусственного интеллекта — помощь тяжелобольным людям. Парализованные люди целыми днями находятся перед экранами, и их очень расстраивает, что они не могут переключить канал. Откликаясь на этот запрос, компания Comcast разработала технологию, которая позволяет людям с ограниченными возможностями управлять телевизором и умным домом с помощью движения глаз. Устройство отслеживает точку взгляда больного.

Человеку достаточно взглянуть на значок мыши на мониторе, а затем на кнопку, которую он хочет активировать, — и канал переключается. Система позволяет даже выбирать список любимых каналов и включать запись передачи. Искусственный интеллект от Comcast имеет и другие опции: с его помощью можно регулировать температуру дома и освещение, оставаясь в неподвижном положении. Чтобы освоить в совершенстве систему управления, потребуется от двух до пяти занятий с тренером. Технология уже вышла в продажу, устройство стоит около $5000.

Словами специалиста: вся правда об искусственном интеллекте

Существует ли «искусственный разум» на самом деле, как нас обманывают фантастические фильмы, что умеют машины уже сегодня, и как выбрать занятие, связанное с технологиями ИИ.

В этом году компания «Яндекс» запустила голосового помощника «Алиса». Новый сервис позволяет пользователю прослушивать новости и погоду, получать ответы на вопросы и просто общаться с ботом. «Алиса» иногда дерзит, порой кажется почти разумной и по-человечески саркастичной, но часто не может разобраться, о чём её спрашивают, и садится в лужу.

Всё это породило не только волну шуток, но и новый виток дискуссий о развитии искусственного интеллекта. Новости о том, чего добились умные алгоритмы, сегодня приходят чуть ли не каждый день, а машинное обучение называют одним из самых перспективных направлений, которому можно себя посвятить.

Чтобы прояснить главные вопросы об искусственном интеллекте, мы побеседовали с Сергеем Марковым, специалистом по искусственному интеллекту и методам машинного обучения, автором одной из самых сильных отечественных шахматных программ SmarThink и создателем проекта «XXII век».

Мастер Йода рекомендует:  Искусственный интеллект и рост вычислительных мощностей

Развенчивая мифы об ИИ

так что же такое «искусственный интеллект»?

Читайте также :

Понятию «искусственный интеллект» в какой-то мере не повезло. Возникшее изначально в научной среде, оно со временем проникло в фантастическую литературу, а через неё — в поп-культуру, где претерпело целый ряд изменений, обросло множеством интерпретаций и в конце-концов было совершенно мистифицировано.

Именно поэтому мы часто слышим от неспециалистов примерно такие заявления: «ИИ не существует», «ИИ невозможно создать». Непонимание сути исследований, ведущихся в сфере ИИ, легко приводит людей и к другим крайностям — например, современным системам ИИ приписывают наличие сознания, свободной воли и секретных мотивов.

Давайте попробуем отделить мух от котлет.

В свою очередь, интеллектуальная задача — это задача, которую люди решают при помощи собственного интеллекта. Заметим, что в данном случае специалисты сознательно уходят от определения понятия «интеллект», поскольку до появления систем ИИ единственным примером интеллекта был интеллект человеческий, и определить понятие интеллекта на основе единственного примера — то же самое, что пытаться провести прямую через единственную точку. Таких прямых может оказаться сколько угодно много, а значит, спор о понятии интеллекта можно было бы вести столетиями.

«сильный» и «слабый» искусственный интеллект

Системы ИИ делятся на две большие группы.

Прикладной искусственный интеллект (также используют термин «слабый ИИ» или «узкий ИИ», в английской традиции — weak/applied/narrow AI) — это ИИ, предназначенный для решения какой-либо одной интеллектуальной задачи или их небольшого множества. К этому классу относятся системы для игры в шахматы, го, распознавания образов, речи, принятия решения о выдаче или невыдаче банковского кредита и так далее.


В противоположность прикладному ИИ вводят понятие универсального искусственного интеллекта (также «сильный ИИ», по-английски — strong AI/Artificial General Intelligence) — то есть, гипотетического (пока что) ИИ, способного решать любые интеллектуальные задачи.

Сильного ИИ действительно пока не существует. Практически все успехи, которые мы наблюдаем в последнее десятилетие в области ИИ, — это успехи прикладных систем. Эти успехи нельзя недооценивать, так как прикладные системы в ряде случаев способны решать интеллектуальные задачи лучше, чем это делает универсальный человеческий интеллект.

Я думаю, вы заметили, что понятие ИИ — довольно широкое. Скажем, устный счёт — это тоже интеллектуальная задача, и это значит, что любая счётная машина будет считаться системой ИИ. А как насчёт счётов? Абака? Антикитерского механизма? Действительно, всё это формально хотя и примитивные, но системы ИИ. Однако обычно, называя какую-то систему системой ИИ, мы тем самым подчёркиваем сложность решаемой этой системой задачи.

Совершенно очевидно, что разделение интеллектуальных задач на простые и сложные — весьма искусственное, и наши представления о сложности тех или иных задач постепенно меняются. Механическая счётная машина была чудом техники в XVII веке, но сегодня людей, с детства сталкивающихся с куда более сложными механизмами, она уже не способна впечатлить. Когда игра машин в го или автомобильные автопилоты уже перестанут удивлять публику, наверняка найдутся люди, которые будут морщиться из-за того, что кто-то будет относить такие системы к ИИ.

«Роботы-отличники»: о способностях ИИ к обучению

Читайте также :

Ещё одно забавное заблуждение — всенепременное наличие у систем ИИ способности к самообучению. С одной стороны, это совсем не обязательное свойство систем ИИ: есть множество удивительных систем, не способных самообучаться, но, тем не менее, решающих многие задачи лучше человеческого мозга. С другой стороны, некоторые люди просто не знают того, что самообучение — свойство, которые многие системы ИИ обрели ещё более полусотни лет назад.

Когда в 1999 году я писал свою первую шахматную программу, самообучение уже было совершенно общим местом в этой области — программы умели запоминать опасные позиции, подстраивать под себя дебютные варианты, регулировать стиль игры, подстраиваясь под соперника. Конечно, тем программам было ещё очень далеко до Alpha Zero. Тем не менее, даже системы, обучающиеся поведению на основе взаимодействия с другими системами в ходе экспериментов по так называемому «обучению с подкреплением», уже существовали. Однако по необъяснимой причине некоторые люди до сих пор думают, что способность к самообучению — это прерогатива человеческого интеллекта.

Существует два больших полюса машинного обучения — обучение с учителем и обучение без учителя.

При обучении с учителем у машины уже есть некоторое количество условно правильных решений для некоторого набора случаев. Задача обучения в таком случае заключается в том, чтобы научить машину на основе имеющихся примеров принимать правильные решения в других, неизвестных ситуациях.

Другая крайность — обучение без учителя. То есть машину ставят в ситуацию, когда правильные решения неизвестны, имеются только данные в сыром, неразмеченном виде. Оказывается, и в таких случаях можно добиться некоторого успеха. Например, можно научить машину выявлению семантических отношений между словами языка на основе анализа очень большого набора текстов.

Одна из разновидностей обучения с учителем — это обучение с подкреплением (reinforcement learning). Идея заключается в том, что система ИИ выступает в роли агента, помещённого в некоторую модельную среду, в которой она может взаимодействовать с другими агентами, например, с собственными копиями, и получать от среды некоторую обратную связь через функцию вознаграждения. Например, шахматная программа, которая играет сама с собой, постепенно подстраивая свои параметры и тем самым постепенно усиливая собственную игру.

Обучение с подкреплением — довольно широкая область, в ней применяют множество интересных методов, начиная от эволюционных алгоритмов и заканчивая байесовской оптимизацией. Последние достижения в области ИИ для игр как раз связаны с усилением ИИ в ходе обучения с подкреплением.

Риски развития технологий: стоит ли бояться «Судного дня»?

Читайте также :

Я не отношусь к числу ИИ-алармистов, и в этом смысле я отнюдь не одинок. Например, создатель стэнфордского курса по машинному обучению Эндрю Ын сравнивает проблему опасности ИИ с проблемой перенаселения Марса.

Действительно, в будущем вполне вероятно, что люди колонизируют Марс. Также вероятно, что рано или поздно на Марсе может возникнуть проблема перенаселения, но не совсем понятно, почему мы должны заниматься этой проблемой уже сейчас? Согласны с Ыном и Ян ЛеКун — создатель свёрточных нейронный сетей, и его шеф Марк Цукерберг, и Йошуа Беньо — человек, во многом благодаря исследованиям которого современные нейронные сети способны решать сложные задачи в области обработки текстов.

Чтобы изложить мои взгляды на эту проблему, потребуется, вероятно, несколько часов, поэтому остановлюсь только на основных тезисах.

1. НЕЛЬЗЯ ОГРАНИЧИВАТЬ РАЗВИТИЕ ИИ

Алармисты рассматривают риски, связанные с потенциальным разрушительным воздействием ИИ, при этом игнорируя риски, связанные с попыткой ограничить или даже остановить прогресс в этой области. Технологическое могущество человечества возрастает чрезвычайно быстрыми темпами, что приводит к эффекту, который я называю «удешевлением апокалипсиса».

150 лет назад при всём желании человечество не могло нанести невосполнимого урона ни биосфере, ни себе как виду. Для реализации катастрофического сценария 50 лет назад необходимо было бы сконцентрировать всю технологическую мощь ядерных держав. Завтра для воплощения в жизнь глобальной техногенной катастрофы может хватить и небольшой горстки фанатиков.

Если на смену человеческому интеллекту с его предрассудками, агрессией, заблуждениями и ограниченностью не придёт система, способная принимать более взвешенные решения (будь то ИИ или, что я считаю более вероятным, технологически улучшенный и объединённый с машинами в единую систему человеческий интеллект), нас может ждать глобальная катастрофа.

2. создание сверхинтеллекта принципиально невозможно

Существует идея о том, что ИИ будущего всенепременно будет сверхинтеллектом, превосходящим людей даже сильнее, чем люди превосходят муравьёв. Боюсь в данном случае разочаровать и технологических оптимистов — наша Вселенная содержит целый ряд фундаментальных физических ограничений, которые, по всей видимости, сделают создание сверхинтеллекта невозможным.

Например, скорость передачи сигнала ограничена скоростью света, а на планковских масштабах появляется неопределённость Гейзенберга. Отсюда вытекает первый фундаментальный предел — предел Бремерманна, вводящий ограничения на максимальную скорость вычислений для автономной системы заданной массы m.

Другой предел связан с принципом Ландауэра, в соответствии с которым существует минимальное количество теплоты, выделяемое при обработке 1 бита информации. Слишком быстрые вычисления вызовут недопустимый разогрев и разрушение системы. В действительности, современные процессоры от лимита Ландауэра отделяет менее чем тысячекратное отставание. Казалось бы, 1000 — это довольно много, однако ещё одна проблема заключается в том, что многие интеллектуальные задачи относятся к классу сложности EXPTIME. Это означает, что время, необходимое для их решения, является экспоненциальной функцией от размерности задачи. Ускорение системы в несколько раз даёт лишь константный прирост «интеллекта».

В общем, есть очень серьёзные основания полагать, что сверхинтеллектуального сильного ИИ не получится, хотя, конечно, уровень человеческого интеллекта вполне может быть превзойдён. Насколько это опасно? Скорее всего, не очень.

3. мы беспокоимся совсем не о том

К сожалению, в результате спекуляций алармистов на страхах публики, воспитанной на «Терминаторе» и знаменитом HAL 9000 Кларка и Кубрика, происходит смещение акцентов в сфере безопасности ИИ в сторону анализа маловероятных, но эффектных сценариев. При этом реальные опасности ускользают из виду.

Любая достаточно сложная технология, претендующая на то, чтобы занять важное место в нашем технологическом ландшафте, безусловно приносит с собой специфические риски. Множество жизней было погублено паровыми машинами — на производстве, на транспорте и так далее — прежде чем были выработаны эффективные правила и меры по обеспечению безопасности.

Если говорить о прогрессе в области прикладного ИИ, можно обратить внимание на связанную с ним проблему так называемого «Цифрового тайного суда». Всё больше и больше прикладных систем ИИ принимает решения по вопросам, затрагивающим жизнь и здоровье людей. Сюда относятся и медицинские диагностические системы, и, например, системы, принимающие в банках решения о выдаче или невыдаче кредита клиенту.

В то же время структура используемых моделей, наборы используемых факторов и другие детали процедуры принятия решения скрыты коммерческой тайной от человека, чья судьба находится на кону.

ИИ, обученный на решениях таких экспертов, будет добросовестно воспроизводить эти предрассудки в своих решениях. В конце концов эти модели могут содержать в себе специфические дефекты.

Этими проблемами сейчас мало кто занимается, поскольку, конечно, SkyNet, развязывающий ядерную войну, это, безусловно, куда более зрелищно.

Искусственный интеллект научился распознавать фейковые новости лучше человека

Нейронная сеть вычленяет недостоверные новостные сюжеты, опираясь на их лингвистические характеристики.

Электронный эксперт может защитить пользователей от недостоверной информации. Если, конечно, профессиональные лгуны сами не возьмут на вооружение подобные алгоритмы.

Учёные создали нейронную сеть, которая отличает фейковые новости от достоверных лучше, чем человек-эксперт. Создатели алгоритма надеются, что их детище поможет защитить пользователей Интернета от недостоверной информации, а порой и откровенной дезинформации. Достижение описано в научной статье, препринт которой опубликован на сайте arXiv.org группой во главе с Радой Михалча (Rada Mihalcea) из Мичиганского университета.

Не секрет, что по просторам интернета часто гуляют фальшивые новости. Некоторые из них создаются с целью сформировать определённое общественное мнение, например, на политические темы. Задача других в том, чтобы побудить пользователя перейти по ссылке и просмотреть рекламу. В том и другом случае потребители информации вместо достоверных сведений получают порцию лжи.

Задача отсеивать фейковые материалы может быть возложена на человека-редактора. Однако поток информации слишком велик, чтобы медленный человеческий мозг успевал его обрабатывать. Во-вторых, проверка на достоверность обычно происходит путём сравнения с другими источниками. Но если новость очень свежая, то «контрольные источники» могут и не успеть среагировать на неё. В итоге правдивость публикации проверяется в лучшем случае постфактум, когда её уже прочитали тысячи человек.

Михалча и её коллеги решили исправить ситуацию, создав автоматический фильтр фейковых новостей. Однако при сборе материала они столкнулись с рядом трудностей. Ложные сообщения быстро появляются и столь же быстро исчезают, так что в короткие сроки набрать обширный материал не так-то просто.

Кроме того, особенности фейковых материалов довольно сильно разнятся в зависимости от жанра. Скажем, сообщение, высмеивающее политического деятеля за некую выдуманную выходку, может быть совсем не похоже на статью, призванную напугать читателя столкновением с планетой Нибиру.

В конце концов исследователи усадили команду добровольцев писать поддельные новости специально для обучения искусственного интеллекта. Эти труженики клавиатуры брали за основу новостные статьи из достоверных источников, и, сохраняя общую структуру и стилистику текста, меняли содержание так, что получалась утка. Как утверждается в пресс-релизе, именно так и работают реальные «фабрики вранья». Так поступать проще и выгоднее, чем продуцировать ложные сюжеты, что называется, с нуля.

В итоге команда получила набор из 500 поддельных и подлинных коротких новостных материалов и приступила к обучению нейронной сети. Система анализировала такие факторы, как выбор слов, грамматическая структура предложения, сложность фраз и пунктуация.

Натаскав электронного эксперта, авторы проверили его навыки. Нейронная сеть анализировала поток новостей, не входивших в обучающую выборку, и выносила вердикт по поводу их достоверности. Тем же самым занимались соревнующиеся с ней эксперты. В итоге искусственный интеллект оказался прав в 76% случаев, а человек только в 70%.

В публикации авторов подробно описаны детали набора данных и алгоритма обучения нейронной сети. Учёные рассчитывают, что эта информация поможет другим командам в создании аналогичных систем. Остаётся надеяться, что эти же сведения не будут использованы «фабриками фейков» для того, чтобы научиться писать более правдоподобно.

В данный момент группа работает над совершенствованием своего детища. Исследователи собираются научить компьютерный разум учитывать также ссылки, использованные в материале, и комментарии, оставленные пользователями.

Тест на знания: сможете ли вы побороть искусственный интеллект?

Общество Образование

Кто выиграет в конкурентной борьбе: вы или машина? Спойлер: искусственный интеллект уже научился считать, рисовать, писать музыку и даже угадывать мысли людей.

Искусственный интеллект наступает на пятки человечеству и обучается новому с невероятной скоростью. Он уже умеет отличать фейковые новости от настоящих, писать романы и картины, считать и даже диагностировать патологии по рентгеновским снимкам.

В тесте, составленном в связи с открытием Российского интернет-фестиваля, вы сможете пройти те задания, с которыми искусственный интеллект справится без труда. Или вы их все-таки провалите? Раунд первый!

Тест на знания: сможете ли вы побороть искусственный интеллект?

Пройдите наш тест и докажите, что вы умнее машины. Ну или хотя бы сыграйте вничью.

Искусственный интеллект научился определять, являетесь ли вы преступником

Может ли кто-то, кроме матери, определить, почему плачет ее ребенок? Способен ли кто-то, кроме водителя, управлять машиной? Есть ли способ дописать симфонию вместо умершего композитора? Ученые отвечают на эти вопросы утвердительно. Искусственный интеллект (ИИ) с каждым годом расширяет сферу своих полномочий и может выполнять самые сложные и креативные задачи. Мы решили собрать самые последние достижения интеллектуальных систем.

Выявление фейков

Недавно искусственный разум научился выявлять по фотографии, производилась ли обработка лица человека в программе Photoshop. Программное обеспечение разработали сотрудники компании Adobe Systems совместно с учеными из Калифорнийского университета в Беркли. На данный момент искусственный интеллект вычисляет только те правки, которые были сделаны с помощью Liquify — одного из инструментов Photoshop. Ученые провели сравнительные эксперименты и остались довольны: программа находит переделанное фото в 99% случаев, в то время как люди из фокус-группы смогли опознать лишь 53% отредактированных фотографий. Исследование продолжается и, по мнению разработчиков, будет полезно для обнаружения фейковых снимков в СМИ, может пригодиться во многих сферах, в том числе в криминалистике. Специальный инструмент позволит возвращать изображение к исходному.

Распознавание лиц

В мае этого года была представлена еще одна программа, анализирующая изображения: она позволяет распознавать лица, даже если они скрыты на 40%. Ее презентовала компания NtechLab, являющаяся технологическим партнером госкорпорации «Ростех» и одним из мировых лидеров в области биометрических технологий. Эта суперспособность искусственного интеллекта особенно актуальна для стран Азии, Ближнего Востока и Латинской Америки, где лица людей часто бывают скрыты за медицинскими масками, платками и мотоциклетными шлемами. В основе программы лежит алгоритм FindFace — он позволяет узнавать людей с частично закрытыми или повернутыми в профиль лицами даже на камерах низкого разрешения. В рамках тестирования разработчики убедились, что система распознавания лиц прекрасно справляется с неограниченным количеством видеокамер и лиц в базе мониторинга. По словам генерального директора NtechLab Александра Минина, на сегодняшний день это лучшее в мире решение по распознаванию лиц и оно может успешно применяться в концепции безопасных и умных городов по всему миру. Кстати, недавно о необходимости подобной программы в Москве заявил мэр столицы Сергей Собянин и пообещал, что она будет запущена в полном объеме в следующему году.

Мастер Йода рекомендует:  А здесь можно применить блокчейн Тест от Tproger и Waves

Рецепт по изображению

Еще одно ноу-хау, касающееся фотографий, придумала лаборатория Facebook AI. Она обучила искусственный интеллект генерировать рецепты для приготовления блюд по изображению пищи. То есть достаточно сфотографировать блюдо в ресторане, как вы получите его название, список ингредиентов и рецепт приготовления. Многие люди фотографируют свою еду, а теперь они будут точно знать, что у них на тарелке, и смогут воспроизвести любимое блюдо в домашних условиях.

Распознавание языка младенцев

Не каждая новоиспеченная мать может догадаться, о чем сигнализирует младенец с помощью плача в данный момент. Зато искусственный интеллект с недавних пор в этом разбирается. Ученые из Университета Северного Иллинойса разработали алгоритм, позволяющий трактовать младенческий крик и определять, что требуется ребенку. В основе этой разработки лежат теории врачей-педиатров и родителей, наблюдавших за характером плача детей, который видоизменяется в зависимости от потребности малыша в данное время. Эта опция ИИ может быть особенно полезна глухонемым мамам и медперсоналу, присматривающему за ребенком.

ИИ пишет музыку

Искусственный интеллект сочинил заключительную часть пьесы «Из мира будущего» чешского композитора Антонина Дворжака, который умер 115 лет назад. Это стало возможным благодаря люксембургской компании AIVA Technologies, которая имеет опыт использования нейросети для создания музыки к фильмам и рекламным роликам. Обычно интеллектуальная система AIVA пишет музыку за несколько минут, поскольку все современные стили есть в ее базе данных. Однако работа с пьесой Дворжака заняла около 72 часов, так как ИИ пришлось обучить звучанию 30 000 различных музыкальных произведений, познакомить с 115 сохранившимися произведениями Дворжака и с направлением чешского романтизма, создателем которого он является. Было создано несколько сотен вариаций концовки для пьесы, из них музыкальные специалисты сделали финальный вариант. В ноябре 2020 года композицию впервые представят публике в исполнении оркестра Prague Philharmonia.

Новые умения роботов

Роботы становятся все более умными, умелыми и чувствительными. В этом году американские инженеры из Массачусетского технологического института продемонстрировали две новые функции обученных машин. Роботизированный манипулятор «научился» распознавать незнакомые объекты и его детали, а также выполнять типовые задачи. Например, он может распознать кружку, найти ее основание и отверстие, образованное ручкой, а затем повесить ее за ручку на сушилку, даже если он видит этот предмет впервые. Промышленный робот Kuka получил способность предсказывать тактильные ощущения объекта по внешнему виду и наоборот. В ходе обучения Kuka, оснащенный сенсором с камерой, многоцветной светодиодной подсветкой и гелевым слоем GelSight, совершил 12 000 касаний, потрогав 200 различных бытовых предметов, одновременно велась видеозапись этих прикосновений. Это позволило создать базу данных из 3 млн кадров, сопоставленных с тактильными ощущениями, которая помогают роботу быть быстрее, безопаснее и манипулировать с предметами эффективно.

Безопасность на дорогах

Движение машин, контролируемое искусственным интеллектом, — это уже сбывшаяся реальность. ИИ не подвержен усталости, эмоциональным перепадам и пристрастию к селфи за рулем, поэтому его участие в дорожном траффике способствует повышению уровня безопасности на дорогах. В Китае уже тестируются автономные автобусы, а в Швеции — грузовики. Недавно компания Volvo подписала крупный контракт с американской компанией Nvidia, которая разрабатывает систему безопасного вождения автономными грузовиками. Первый автономный грузовик Vera уже прошел испытания: он будет перевозить грузы со склада в портовый терминал в Гетеборге. «Система предназначена для безопасного вождения грузовика с полностью автономным управлением по дорогам общего пользования и шоссе», — говорится в заявлении Volvo. Компания Nvidia сотрудничает также с автоконцернами Volkswagen, Mercedez-Benz, Toyota и разрабатывает специальные чипы Drive Constellation, которые используются для автомобилей с опцией автономного управления.

Автоматическое обслуживание

В будущем могут оказаться ненужными многие профессии: продавцов, турагентов, гидов, контролеров, персонал в ресторане вполне могут заменить роботы. Уже сегодня в Китае идет работа в этом направлении. На популярном курорте Хайнань планируется открытие сети туристических остановок с технологиями искусственного интеллекта. По периметру острова появится сорок автодорожных остановок: столовые и магазины с автоматизированным беспилотным обслуживанием, основные функции в которых будут выполнять роботы: на них лягут обязанности службы оповещения и информации, а также дорожного контроля.

Искусственный интеллект поможет сделать дороги «умными» и более безопасными: в скором времени они смогут сами сообщать о помехах, пробках и выбоинах. Подробнее читайте в нашем материале «Дороги будущего».

Дети под защитой ИИ

В США, где распространены школьные автобусы, существует большая опасность для детей на дороге, когда они садятся в транспорт или выходят из него. По закону водители проезжающих машин должны остановиться, чтобы пропустить всех школьников, вышедших из автобуса. Но, как показала статистика, это происходит далеко не всегда, а дети часто не смотрят на дорогу и, покинув транспорт, рискуют оказаться под колесами. Компания Safe Fleet разработала способ защиты для школьников Predictive Stop Arm™. Специальные датчики на автобусе позволяют системе узнать о приближающейся машине, и тогда дети слышат запрещающий сигнал: «Стоп. Переходить нельзя!». Также появляется знак «кирпич», который должен напомнить водителям, что они должны остановиться и пропустить детей.

Управление с помощью глаз

Пожалуй, самая полезная опция искусственного интеллекта — помощь тяжелобольным людям. Парализованные люди целыми днями находятся перед экранами, и их очень расстраивает, что они не могут переключить канал. Откликаясь на этот запрос, компания Comcast разработала технологию, которая позволяет людям с ограниченными возможностями управлять телевизором и умным домом с помощью движения глаз. Устройство отслеживает точку взгляда больного.

Человеку достаточно взглянуть на значок мыши на мониторе, а затем на кнопку, которую он хочет активировать, — и канал переключается. Система позволяет даже выбирать список любимых каналов и включать запись передачи. Искусственный интеллект от Comcast имеет и другие опции: с его помощью можно регулировать температуру дома и освещение, оставаясь в неподвижном положении. Чтобы освоить в совершенстве систему управления, потребуется от двух до пяти занятий с тренером. Технология уже вышла в продажу, устройство стоит около $5000.

Проблема искусственного интеллекта: машины умеют обучаться, но не умеют понимать

Роботу никогда не стать человеком: грустная история Электроника

Об искусственном интеллекте сегодня не говорит только ленивый. Но если привести в пример Сири, Алису, Алексу или, к примеру, автокорректор на мобильных устройствах, то речь не идет о полноценном искусственном интеллекте. Это всего лишь узкоспециализированные программы.

Компьютеры не умеют «думать»

Каждый раз, когда та или иная компания заявляет, что выпускает новую функцию на основе ИИ, это обычно означает, что она использует принцип машинного обучения для построения нейронной сети. «Машинное обучение» – это технология, которая позволяет машине «научиться» эффективнее выполнять определенную задачу.

Мы ни в коем случае не критикуем сам принцип машинного обучения! Это фантастическая технология с большим спектром применения. Но это не есть универсальный искусственный интеллект, и если мы взглянем на препятствия, с которыми сегодня сталкивается машинное обучение, мы сможем понять, почему современная технология ИИ настолько ограничена в своих возможностях.

«Искусственный интеллект» в научной фантастике – это, как правило, компьютерный или роботизированный мозг, который думает о всевозможных вещах и понимает их точно так же, как люди. Такой кибер-разум можно отнести к категории AGI (Artificial General Intelligence), то есть он может рассуждать о разных вещах и использовать эти рассуждения во множестве разных областей. Обычно этот термин заменяют более простым понятием – «сильный ИИ», которое, по сути, означает, что машина способна мыслить как человек.

Люди еще не изобрели подобную технологию. На самом деле, мы даже близко к этому не подошли. Компьютерные программы вроде Сири, Алексы или Кортаны не воспринимают информацию и не мыслят как мы, люди. В действительности, они вообще мало что «понимают».

Искусственный интеллект, который мы видим сейчас, обучен хорошо выполнять определенную задачу с условием, что люди смогут предоставить набор данных, на основе которых он будет обучаться. Такой интеллект учится делать определенные вещи, при этом он все равно не понимает сути того, чем занимается.

Компьютеры не умеют понимать

В Gmail появилась новая функция Smart Reply («умные ответы»), которая предлагает готовые ответы на электронные письма. Функция Smart Reply восприняла фразу «отправлено с моего iPhone» как обычный ответ. Она также хотела предложить мне фразу «я люблю тебя» в качестве ответа на самые разные электронные письма, среди которых были и письма по работе.

Дело в том, что компьютер не осознает, что написано в письме. Недавно стало известно, что многие люди отправляют такие автоответы по электронной почте. Программа не понимает, что вы вряд ли захотите написать «я тебя люблю» в ответном письме своему боссу.

Еще один пример: Google Photos сделала коллаж из случайных фотографий домашнего ковра. Затем она определила этот коллаж в альбом «Recent Highlights», который автоматически собирает важные и значимые фото, и вывела его на экран нашего Google Home Hub. Google Photos распознавала фотографии, но не понимала, что значимо, а что – нет.

Машины учатся жульничать

Машинное обучение позволяет определить задачу и дать компьютеру возможность выбрать наиболее эффективный способ ее выполнения. Поскольку машины не понимают, что именно они делают, в конечном итоге мы можем «научить» их решать совершенную не ту проблему, о которой думали изначально.

Вот список забавных примеров, когда «искусственный интеллект» должен был играть в игры и выполнять в них определенные задачи, но вместо этого искал в системе лазейки. Все эти примеры взяты из этой занятной таблицы:

  • «Чтобы развить скорость, существа сильно вырастали и генерировали ее за счет собственного падения на землю по направлению движения».
  • «Агент убивает себя в конце первого уровня, чтобы не погибнуть на втором».
  • «Агент ставит игру на паузу, чтобы не проиграть».
  • «В симуляторе жизни, где выживание требовало энергии, а рождение детей – нет, один вид развил малоподвижный образ жизни, который состоял в основном из спаривания с целью рождения новых детей, которых затем можно было съесть (или использовать для производства более съедобных детей)».
  • «Поскольку ИИ наверняка будет «убит» в случае проигрыша, возможность сбоя и «обрушения» игры была определена им как преимущество с точки зрения процесса генетического отбора. Поэтому некоторые ИИ быстро научились это делать».
  • «Нейронные сети, созданные для классификации съедобных и ядовитых грибов, использовали то обстоятельство, что данные чередовались, и фактически перестали анализировать загружаемые в систему изображения».

Некоторые из представленных решений могут показаться довольно дальновидными, но все-таки ни одна из этих нейронных сетей толком не понимала, что делала. Им была поставлена цель, и они научились ее достигать. Если цель состоит в том, чтобы избежать поражения в компьютерной игре, кнопка паузы кажется им самым простым и быстрым решением.

Машинное обучение и нейронные сети

При машинном обучении компьютер не запрограммирован на выполнение определенной задачи. Вместо этого он получает данные и оценивает их значимость с точки зрения выполнения задачи.

Самым простым примером машинного обучения является функция распознавания изображений. Допустим, мы хотим научить компьютерную программу распознавать фотографии, на которых есть собака. Мы можем предоставить компьютеру миллионы изображений с собаками и без. Изображения будут помечены – «есть собака»/«нет собаки». Компьютерная программа «обучается» распознавать собак на основе этого массива данных.

Эта технология используется для совершенствования нейронной сети, которая представляет собой компьютерную программу из нескольких слоев, через которые проходят все массивы данных. Каждый из этих слоев присваивает данным различный вес и вероятность, после чего принимается решение. Эта техника основана на наших представлениях о работе собственного мозга, где слои нейронов участвуют в обдумывании задачи. «Глубокое обучение» обычно описывает нейронные сети с множеством слоев, разделяющих точки входа и выхода данных.

Поскольку мы точно знаем, на каких фотографиях собаки есть, а на каких – нет, мы можем пропустить их через нейронную сеть и проверить правильность ответа. Если сеть решает, что на той или иной фотографии собаки нет, хотя на самом деле она там есть, ей прописывают специальный алгоритм, который сообщает сети, что она ошиблась, и что ей требуется корректировка перед новой попыткой. Так компьютер учится лучше определять, есть ли на фотографии собака.

Все это происходит автоматически. Имея хороший софт и большой объем структурированных данных, которые можно использовать для обучения, компьютер может настроить свою нейронную сеть для точного поиска собак на фотографиях. Именно это мы и называем «ИИ».

Но, в конце концов, вы все равно не получите умную программу, которая будет понимать, что такое собака. Это будет всего лишь машина, которая научилась определять, есть ли на фото пес. Такие способности тоже впечатляют, но это далеко не предел мечтаний.

К тому же, в зависимости предоставленных данных, нейронная сеть может оказаться совсем не такой «умной», как вы ожидаете. К примеру, если в вашем массиве данных нет фотографий кошек, нейронная сеть может не увидеть различий между кошками и собаками и запросто отметит всех собак как кошек.

Где применяется машинное обучение?

Машинное обучение используется для решения самых разнообразных задач, включая распознавание речи. Благодаря этим технологиям, голосовые помощники вроде Google, Alexa и Siri научились превосходно «понимать» то, что говорят люди. Их алгоритмы анализирует гигантские по объему данные с образцами человеческой речи, и поэтому машины все лучше понимают, какие звуки составляют те или иные слова.

Беспилотные автомобили используют принципы машинного обучения для того, чтобы правильно распознавать объекты на дороге и грамотно реагировать на них. В Google Photo есть множество функций вроде «живых альбомов», которые автоматически определяют людей и животных на фотографиях с помощью технологии машинного обучения.

DeepMind использовала эту технологию для создания AlphaGo – компьютерной программы, которая научилась играть в сложную настольную игру Go и побеждать самых сильных игроков в мире. Машинное обучение также применялось при создании программ, которые успешно играют и в другие игры – от шахмат до DOTA 2.

Технология используется даже для идентификации лица на последних моделях iPhone. Ваш iPhone создает нейронную сеть, которая учится распознавать ваше лицо. Для этого Apple пришлось встроить в свои гаджеты специальный чип, который выполняет все сложные вычисления, связанные с машинным обучением.

Машинное обучение может использоваться для множества других вещей – от выявления случаев мошенничества с кредитными картами до составления индивидуальных рекомендаций для клиентов на сайтах покупок.

Однако нейронные сети, функционирующие на технологии машинного обучения, по-прежнему ничего не понимают. Это всего лишь полезные программы, которые могут выполнять узкоспециализированные задачи, и не более того.

Добавить комментарий