РЭШ
483 subscribers

Каковы на самом деле возможности искусственного интеллекта на данный момент?

<100 full reads
Каковы на самом деле возможности искусственного интеллекта на данный момент?

Рассказывает приглашенный профессор Совместного бакалавриата РЭШ и ВШЭ Илья Щуров

Возможности искусственного интеллекта ограничены

То и дело мы видим поражающие воображение заголовки статей в СМИ: искусственный интеллект нарисовал картину, сочинил стихи или даже записал целый музыкальный альбом. На самом деле, журналисты часто приукрашивают подобные истории, – набор задач, которые способен решить искусственный интеллект, весьма ограничен. Поэтому в ближайшие годы или даже десятилетия можно не бояться «восстания машин» и глобальной роботизации труда.

Чтобы убедиться в этом, достаточно взглянуть, как современная нейросеть распознает объекты на картинке:

Источник: Amir Rosenfeld, Richard Zemel, John K. Tsotsos. [1808.03305] The Elephant in the Room (arXiv)
Источник: Amir Rosenfeld, Richard Zemel, John K. Tsotsos. [1808.03305] The Elephant in the Room (arXiv)

В первом случае компьютер успешно опознал изображенные объекты, однако, стоило слегка изменить снимок, и результат оказался совершенно иным:

Каковы на самом деле возможности искусственного интеллекта на данный момент?

Компьютер перестал узнавать ранее опознанные объекты, зато начал «придумывать» другие. Этот пример наглядно демонстрирует, что искусственный интеллект, в отличие от человека, не способен решать даже самые простые задачи, если их условия становятся чуть-чуть нестандартными. Дело в том, что современный этап развития искусственного интеллекта связан в первую очередь с достижениями в области машинного обучения (machine learning). Придумать явные правила, следуя которым компьютер мог бы распознавать объекты на картинке, практически невозможно — вместо этого используется обучающийся алгоритм, который сначала анализирует сотни тысяч примеров – разнообразных изображений, на которых объекты отмечены и подписаны людьми. В ходе такого «обучения» он автоматически находит статистические закономерности, позволяющие ему идентифицировать похожие объекты на других картинках. Однако, если новая картинка существенно отличается от тех, которые были в обучающей выборке, качество работы алгоритма резко падает. Аналогичные проблемы есть и у других методов машинного обучения.

Несмотря на эти ограничения, использование методов искусственного интеллекта открывает много возможностей как в индустрии, так и в науке – включая экономику.

Как экономисты используют нейросети в своей работе?

В экономических исследованиях искусственный интеллект позволяет использовать данные, которые ранее были недоступны – например, основанные на нетривиальном анализе изображений или текстов.

В статье журнала Science 2016 года (Neal Jean, Marshall Burke, Michael Xie, W. Matthew Davis, David B. Lobell, Stefano Ermon. Combining satellite imagery and machine learning to predict poverty. // Science, 19 Aug 2016: Vol. 353, Issue 6301, pp. 790-794) был описан опыт использования свёрточных нейросетей (главной функцией которых является распознавание образов) для определения уровня дохода в разных регионах Африки. Отметим, что статистики по доходам в африканских регионах крайне мало и получение новых данных позволяет существенно улучшить качество экономических исследований.

В качестве входных данных использовались спутниковые снимки, сделанные в ночное и дневное время, а также немногочисленная доступная информация о доходах, собранная традиционным образом. Обучение было разделено на два этапа. Сначала нейросеть должна была научиться предсказывать ночную освещенность некоторой области по ее дневному спутниковому снимку. Поскольку освещенность связана с экономическим развитием, для решения этой задачи нейросети пришлось научиться идентифицировать объекты, имеющие значение для экономики – например, дороги, городскую застройку и т.д. После того, как эта нейросеть научилась извлекать релевантную информацию из изображений, результаты ее работы подавались на вход другому алгоритму – линейной регрессии — задачей которого было непосредственное предсказание дохода людей, живущих на этой территории. Она обучалась на части данных о тех регионах, где информация о доходах была доступна.

Оказалось, что получившаяся в результате система хорошо предсказывала доход и для тех регионов, которых не было в её обучающей выборке, то есть была пригодна для практического использования.

Похожим образом с помощью технологии компьютерного зрения Streetscore проводилось исследование по определению степени безопасности городской среды. (Nikhil Naik, Ramesh Raskar, César A. Hidalgo. Cities Are Physical Too: Using Computer Vision to Measure the Quality and Impact of Urban Appearance // American Economic Review, 106 (5): 128-32.) Очевидно, что внешний вид улиц связан с экономическим развитием. Например, если район выглядит небезопасно, в нем не будет развиваться малый бизнес (кафе, магазины), а если таких районов много – это отразится и на экономике города. Однако, для получения аккуратных количественных оценок нужно собрать информацию о том, насколько безопасным кажется то или иное место жителям, и сопоставить ее с экономическими показателями. Поскольку ощущение безопасности – это субъективная характеристика, единственный способ ее получить — это опросить самих жителей, а это долго и дорого.

Тут на помощь приходит искусственный интеллект. В компьютер загружается обучающая выборка – серия снимков улиц и оценка их безопасности живыми людьми, после чего алгоритм уже сам может анализировать изображения и давать свою оценку: безопасно выглядит это место или нет. 

Помимо изображений, искусственный интеллект помогает анализировать и другие «сложные» типы данных – в частности, тексты. Этим занимается отдельное направление искусственного интеллекта – обработка естественного языка (Natural Language Processing, NLP).  Пример – проведенное экономистами в 2019 году исследование (Sascha O. Becker, Luigi Pascali. Religion, Division of Labor, and Conflict: Anti-semitism in Germany over 600 Years // American Economic Review, 109 (5): 1764-1804),  для которого  требовалось проанализировать, какая доля литературы, изданной в Германии за последние 600 лет, имела антисемитский характер. Эту работу научили выполнять NLP, также с помощью обучающей выборки – массива текстов и их оценки людьми.

Кроме того, по мере развития методов искусственного интеллекта, основанного на обработке данных, и их внедрения в реальную жизнь, эти методы сами становятся объектом изучения экономистов. Спектр вопросов здесь очень широк – влияние новых возможностей компьютеров на рынок труда, справедливость решений, принимаемых искусственным интеллектом, стратегии людей, которые взаимодействуют с автоматическими системами – все это входит в сферу интересов экономической науки. «Отвечая на вопрос “когда нейросети начнут писать статьи” могу сказать, что никогда, но методы искусственного интеллекта всё чаще будут становиться незаменимым инструментом в руках экономистов, а экономические и социальные последствия внедрения соответствующих технологий – интересным объектом для изучения», – в заключение сказал Илья Щуров.

Илья Щуров прочитал 27 февраля лекцию  «Искусственный интеллект: хайп и реальность. Когда нейросети начнут писать научные статьи?» в рамках цикла лекций Совместного бакалавриата РЭШ и ВШЭ «Больше, чем экономика».

Видеозапись лекции здесь.

Ссылка на материалы к лекции тут