Искусственный интеллект. Противоречие десятилетия или шаг вперед

7 June

В рамках проекта «Первые 10» мы изучили развитие искусственного интеллекта — явления, значительно изменившего нашу обыденность за последние 10 лет.

За предшествующие 10 лет произошел значительное продвижение в сфере машинного обучения и искусственного интеллекта (ИИ).

Наталья Сумцова, менеджер Технологического центра Accenture в Ростове-на-Дону, выделила следующие вехи трансформации технологий ИИ:

— Понимание того, что люди и технологии лучше работают вместе и этот фактор имеет важнейшую роль в переосмыслении бизнес-процессов. Переосмысление заключается в принятии новых методов обработки информации, и искусственный интеллект должен служить не для улучшения небольших задач, а для полной автоматизации. При этом персонал не заменяется ИИ, а получает новые и дополнительные возможности для анализа данных.

— ИИ позволяет избавиться от рутинных задач персоналу и сконцентрироваться на тех задачах, которые требует человеческой проработки и креатива.

— Изменения больше не имеют эпизодический характер, когда часть процессов отдают только людям, а часть технологиям. Теперь это интеграция и адаптивный процесс, когда в режиме реального времени люди пользуются наработанными решениями для улучшения эффективности бизнеса.

— Осознанное понимание того, что искусственный интеллект может принести большую пользу, дополняя наблюдательность человека при обнаружении скрытых закономерностей в имеющихся данных.

— Появились четкие критерии оценки бизнес-эффективности внедрения технологий ИИ

— Подавляющее большинство достижений сферы ИИ основаны на технологиях «глубокого обучения» или нейронных сетей.

В течение последних 20 лет технологии нейросетей развивались стремительно за счет экспоненциального роста вычислительных мощностей и увеличения объема доступных данных.

«Это позволило „глубокому обучению“ стать общедоступным. Над развитием ИИ работают не отдельные группы ученных, а большое количество компаний, которые готовы делиться своими наработками в этой сфере. Большинство крупных технологических компаний инвестировали огромные суммы в новую технологию, чтобы использовать ее в своем бизнесе. Разработчики микропроцессорных и графических чипов (GPU) переорганизовали бизнес под создание оборудования, оптимизированного для нейронных сетей. Именно „глубокое обучение“ сегодня раскрывает сферу ИИ», — комментирует Наталья Сумцова.

Технологии авангарда

По мнению Эмиля Богомолова, инженера-исследователя научной группы ADASE Сколковского института науки и технологий, в ряду самых ярких технологий, основанные на ИИ, с которыми за это время мы стали сосуществовать:

— чат-боты;

— работа с изображениями;

— AlphaFold.

Чат-боты

Решения сфере обработки естественного языка сейчас работают во многих российских банках. Задавая вопрос оператору в личном кабинете банка, мы зачастую видим ответ бота на интересующую нас тему. Такую возможность значительно приблизило изобретение в 2017 м году нейронных сетей по типу transformer.

«В 2010-20 годах наблюдалось значительное повышение качества работы чат-ботов, уже в 2014 году исследователям удалось достичь перформанса на уровне прохождения Теста Тьюринга, это когда в ходе сессии случайной переписки с незнакомцами, человеку нужно понять общается ли с ним роботом или человек», — комментирует Эмиль Богомолов, подчеркивая, что, нельзя оставить без внимания и достижения в сфере обработки звука. Генерация голоса, которая есть в Алисе Яндекса или Марусе от MailRU, за последние 10 лет основательно обосновалась на умных девайсах, в квартирах и автомобилях россиян.

Работа с изображениями

Огромное влияние на развитие компьютерного зрения оказала архитектура нейронных сетей AlexNet. Еще 10 лет назад точность распознавание компьютером объектов на изображении не опускалась ниже 25%, а с приходом AlexNet и глубоких нейронных сетей это показатель стремительно начал падать и сегодня близок к 2%.

«С того времени произошел стремительный подъем в области работы с изображениями в целом: детектирование объектов и распознавание (например распознавание по лицу, распознавание автомобильных номеров), сегментация на изображениях (на эту технологию значительно опираются известный маски в Instagram), генерация изображений (пресловутые deep fake и обработка фотографий с переносом стилей)», — дополняет инженер-исследователь научной группы ADASE Сколковского института.

По убеждению ученых, подъём связан в том числе и с развитием вычислительной техники, а именно с развитием графических процессоров (GPU) и программных библиотек для них.

AlphaFold

В области биологии произошел значительный прорыв в конце 2020 года, когда была создана система AlphaFold, способная с высокой точностью определять 3D конфигурацию белка по его составу.

«Представителям института CASP приняли результаты этой модели как решение „задачи по сворачивание белка“, по мнению исследователей, это должно значительно помочь медицине в сфере разработки лекарств и человечеству в целом в сфере устойчивости окружающей среды», — резюмирует г-н Богомолов.

Deep Learning

Влад Артемьев, инженер по глубокому обучению компаний Oxagile (Минск) и TargetAI (Нур-Султан) отмечает, что за период с 2010 по 2020 год появилось огромное направление, связанное с понятием искусственного интеллекта — это Deep Learning. Направление включает в себя глубокие искусственные нейронные сети, которые значительно улучшили результаты в задачах, связанных с компьютерным зрением, распознаванием текста, а также в аудио- и других направлениях

«С точки зрения Компьютерного Зрения, благодаря открытиям, совершенным за данный период времени, появилась реальная возможность автоматизировать огромное количество процессов, — рассказывает Влад Артемьев. — Например, благодаря системам распознавания лиц, которые существовали ранее, но их точность в период с 2010 по 2020 увеличилась существенным образом, мы имеем возможность проходить в здание без использования дополнительных ключей, т. к. ключ — это ваше лицо. Или благодаря существенному улучшению точности в задаче детектировании объектов появилась реальная возможность в использовании беспилотных автомобилей (как отдельный кейс распознавать объекты вокруг машины). В медицине появились алгоритмы, которые показывают точность больше, чем у специально обученного человека например в задачах определения пневмонии, рака кожи по изображениям».

Также, благодаря Deep Learning:

— Существенно увеличилась точность распознавания текста с изображения. Благодаря этому огромное количество напечатанных документов может быть оцифровано с минимальным количеством ошибок.

— Существенно увеличилась точность алгоритмов обработки текста. Благодаря этому алгоритмы таких поисковых систем, как Google, Yandex, поиск в youtube, стали наиболее эффективными и стали выдавать благоприятный для пользователя результат.

— С точки зрения обработки аудио появилась возможность с гораздо более высокой точностью распознавать речь человека, а также генерировать речь любого человека без существенных дефектов.

Доверяй, но проверяй

Сергей Назаренко, руководитель центра компетенций Big Data компании «Рексофт», полагает, что искусственному интеллекту пока нельзя полностью доверять.

«ИИ нельзя доверять по простой причине — он еще не появился. Сейчас искусственным интеллектом мы называем алгоритмы машинного обучения. Если же рассматривать вопросы доверия к алгоритмам машинного обучения, то ответ сильно зависит от совершенства технологий в конкретной отрасли и последствий возможной ошибки. Мы достаточно легко доверяем ИИ в вопросах обработки фото для Instagram или интеллектуальным фильтрам в Photoshop, передвигаемся на машинах с АБС и ESP, и они нам чаще всего помогают справляться с трудными ситуациями на дороге (в них редко используется ИИ, но задействованы достаточно сложные алгоритмы обработки сигналов с датчиков); первичное решение о выдаче кредита и его условия также довольно часто принимает ИИ и т. д. Но мы еще не до конца готовы к тому, что ИИ начнет ставить нам медицинский диагноз, управлять атомной электростанцией или нашим автомобилем. Хотя многие владельцы Tesla не согласятся с моим последним утверждением», — считает Сергей Назаренко, подчеркивая, что ИИ уже влияет на мир людей, и мы ничего не можем с этим сделать: наша планета заселена неравномерно, доходы и деловая активность также распределены неравномерно.

«У ребенка в Северной Африке шансы дожить до совершеннолетия гораздо ниже, чем у его ровесника в Северной Америке. Все эти факторы несомненно влияют на людей: их образ жизни, предпочтения и привычки, — продолжает г-н Назаренко. — ИИ приходится учитывать много различного рода объективных различий окружающей действительности в своей работе, но гиперперсонализация несет за собой риски формирования локальных „пузырей“ вокруг индивида, его отрыва от социума и искажение окружающей действительности. Например, все ваши новые друзья в facebook 100% разделяют ваши взгляды, а в рекомендациях товаров появляется только то, что вам действительно нужно, нравится и вы можете себе это позволить. Другая часть реальности становится для вас, как темная стороны Луны, которую вы не можете увидеть без существенных».

Предвзятый ИИ

Рекламная система google adsense, которая не перестает вам рекомендовать товары из категории, которую вы искали недавно и уже купили — это пример предвзятого ИИ. Так считает руководитель центра компетенций Big Data компании «Рексофт», подчеркивая, что индустрия продолжает искать виновных в ошибках ИИ.

«Так кто же несет ответственность за ошибки ИИ? Правильный ответ на этот вопрос сейчас ищет вся индустрия: конечному потребителю всегда хочется, чтобы на 100% о нем позаботился производитель продукта или поставщик услуги, но они чаще всего не готовы снять всю полноту ответственности с потребителя. Не всегда можно уберечь пользователя от того, чтобы он не выстрелил себе в ногу. Но в будущем мне хочется, чтобы за это несли ответственность страховые компании», — резюмирует г-н Назаренко.

Смещенные данные

Смещения в данных могут быть вызваны объективной неравномерностью происходящих процессов, ошибками измерений и регистрации событий, ошибками при обработке и хранении данных. Для борьбы с необъективными смещениями, по мнению Сергея Назаренко, необходимо по возможности получить максимальный и разносторонний объем данных о происходящем явлении.

«Объективно, тщательно и всесторонне изучить их, кропотливо обработать, ответственно и профессионально отнестись к вопросу разделения данных на тестовую и обучающую выборку, провести множество итераций тестирования и проверки результата», — дополняет эксперт.

Доступность и наличие данных

Сергей Спиридонов, эксперт NGR Softlab, уверен, что рост вычислительных мощностей и одновременное удешевление носителей информации является одним из наиболее сильных стимулов для развития ИИ.

Другим фактором роста популярности ИИ он называет доступность ПО — наличие проектов с открытым исходным кодом. «Самым главным драйвером развития ИИ можно назвать наличие конкретной подтвержденной пользы для бизнеса и человека в целом. С другой стороны, тормозом является как общее недоверие к „бездушному алгоритму“ из-за особенностей восприятия проблематики человеком и контролирующих органов, так и опасность размытия такого понятия как приватность и подобные проблемы этического плана. Парадоксальным моментом развития ИИ являются доступность и наличие данных — это стимул для развития и одновременно его тормоз», — резюмирует эксперт NGR Softlab.