Сейчас уже Апокалипсис?
Илон Маск заявил, что искусственный интеллект может развязать Третью мировую войну. Если так говорит производитель автомобиля с самым передовым и переменчивым искусственным интеллектом на планете, значит, есть основания. До недавнего времени мало кто заботился о последствиях технологических инноваций, делавших бешеный шаг. И мы были только в начале, мы еще ничего не видели.
Затем случилось так, что дискурс о последствиях технологий начал просачиваться во все слои общества, за исключением технологов, которые убеждены, что они «на миссии для Бога». Искусственный интеллект — главный обвиняемый в этом изменении общественного восприятия.
Когда дело доходит до искусственного интеллекта, большая часть общественных разговоров, как правило, сосредоточена не только на потере рабочих мест или на победе Китая. Но также и прежде всего из-за страха, что разумные машины однажды завоюют мир, сделав человека простым звеном в пищевой цепи. Это не то, что происходит в Война миров от Хаксли?
Неявное предположение состоит в том, что люди и машины соревнуются. Соревнование, в котором победит машина. Со временем интеллектуальные системы с их превосходной скоростью, вычислительной мощностью и устойчивостью к износу заменят нас сначала в профессиях, затем в организациях и, наконец, в решениях.
Существует эконометрическое исследование 2015 года, проведенное Национальным бюро экономических исследований, исследовательским центром, который с достаточной точностью предсказывает экономические тенденции. Это исследование сделало такой вывод из исследования развития искусственного интеллекта:
«В отсутствие адекватной фискальной политики, которая перераспределяет деньги от победителей к проигравшим, умные автомобили в долгосрочной перспективе приведут к еще большей бедности для всех».
Два условия, которые на данный момент кажутся далекими от наступления, если даже не задумывались. Но происходит одно: значительная часть населения в развитых странах, по сути, бедствует. И мы знаем, что обнищание может иметь еще более жестокие последствия, чем искусственный интеллект.
Аддитивный интеллект
Попробуем посмотреть на дело с другой точки зрения. Давайте спросим себя. Что, если бы человеко-машинное действие силы было не вычитающим, а аддитивным? Это точка зрения, предложенная Полом Догерти и Джеймсом Уилсоном в их книге, наконец переведенной на итальянский язык. человек + машина. Переосмысление работы в эпоху искусственного интеллекта, Герини, 2019, с. 215 (также доступна в виде электронной книги в совместном издании с goWare).
Работа Догерти и Уилсона не является теоретической или повествовательной, а основывается на полевом опыте, приобретенном двумя авторами. На самом деле оба несут основную ответственность в Accenture. Догерти — директор по технологиям и инновациям, курирующий проекты в области искусственного интеллекта и НИОКР по всему миру. Уилсон возглавляет отдел информационных технологий и бизнес-исследований.
Accenture — крупнейшая консалтинговая компания в мире. Он дышит тем же воздухом, что и компании, особенно крупные, на которые он работает плечом к плечу. Трудно иметь обсерваторию с лучшим обзором области, где происходят инновации и изменения.
Догерти и Уилсон провели наблюдательный анализ и тематические исследования 450 организаций в выборке из 1500 и выявили ряд соответствующих явлений, которые количественные исследования упустили из виду. Одним из них является концепция «навыков слияния»: люди и машины вместе формируют новые виды работы и профессиональный опыт.
Именно этот сплав знаний и умений и есть «призрачное пространство». Призрак в том смысле, что он отсутствует в противоречивых дебатах о работе, в которых люди противостоят машинам. И именно в этом центральном фантомном пространстве передовые компании заново изобретали свои рабочие процессы, добиваясь необычайного улучшения производительности.
л переквалификацию
В своем предисловии к книге Паоло Траверсо, директор Центра FBK ICT Fondazione Bruno Kessler, очень хорошо резюмирует тезис двух авторов. Пишет:
Смысл работы заявлен в названии: будущее не за машинами как таковыми, какими бы интеллектуальными они ни были, оно не за чистой промышленной автоматизацией, даже если ее довести до максимума, чтобы заменить высокий процент самой рутинной работы. и малотворческие компоненты каждой профессии. Будущее общества, а также рынка и бизнеса, на самом деле, там, где машины и люди работают вместе, где профессия, а также бизнес-модели будут существенно обновлены. Искусственный интеллект не должен заменять людей, их навыки, их креативность, но он должен улучшать их, он должен их увеличивать.
Фундаментальный рычаг для этого лежит в том, что авторы называют переквалификацию, то есть в подготовке миллионов людей всех возрастов для работы с новыми технологиями. Титаническое, но неизбежное предприятие.
Даже такой раскаявшийся технолог, как Арианна Хаффингтон, которая теперь выступает за разъединение, высоко оценила работу двух авторов, которая в конечном итоге направлена на поглощение технологий человеческими условиями, пока они не станут их неотъемлемой частью. Вот как Хаффингтон говорит о книге:
«В книге «Человек + машина» Догерти и Уилсон представляют модель будущего, в которой искусственный интеллект усиливает нашу человеческую сторону. Книга, наполненная примерами, инструкциями и вдохновением, представляет собой практическое руководство по пониманию искусственного интеллекта — его значения для нашей жизни и того, как мы можем максимально использовать его».
Ниже мы приводим два кратких отрывка из книги Догерти и Уилсона. Первая посвящена краткой истории искусственного интеллекта. История всегда служит для понимания. Второй, однако, подходит к сути вопроса, обсуждая набор технологических созвездий, которые сегодня составляют искусственный интеллект. По сути, искусственный интеллект на данном этапе развития — это в основном глубокое обучение. Мы все еще можем это контролировать.
Приятного чтения
. . .
Краткая история искусственного интеллекта
1956
Движущей силой нынешней эры адаптивных процессов является искусственный интеллект, который развился за последние два десятилетия. Вкратце его история предоставит нам контекст, в котором можно описать его самые передовые характеристики и потенциал.
Область искусственного интеллекта официально зародилась в 1956 году, когда небольшая группа компьютерных ученых и исследователей во главе с Джоном Маккарти, в которую входили Клод Шеннон, Марвин Мински и другие, встретились в Дартмутском колледже на первой конференции, посвященной возможности того, что машина интеллект может имитировать человеческий интеллект.
Конференция, по сути, продолжительный сеанс мозгового штурма, была основана на предположении, что каждый аспект обучения и творчества можно описать настолько точно, что он может стать математической моделью, а значит, воспроизведенной машинами. Цели были амбициозными, начиная с проектного предложения: «Будет предпринята любая попытка выяснить, как сделать машину, способную использовать язык, форму, абстракции и концепции, решать типы проблем, которые в настоящее время ограничены человеческими существами, и улучшать себя ". . Конечно, это было только начало.
На конференции сразу же удалось сузить область и объединить многие математические идеи, вращающиеся вокруг концепции искусственного интеллекта.
Пионеры
И в последующие десятилетия она вдохновила на совершенно новые направления исследований. Например, Мински вместе с Сеймуром Пейпертом написали то, что считается основополагающей книгой о пределах и возможностях нейронных сетей, типа искусственного интеллекта, использующего биологические нейроны в качестве модели. Другие идеи, такие как экспертные системы, в которых компьютер оснащен глубокими запасами «знаний», связанных с конкретными областями, такими как архитектура или медицинская диагностика, или обработка естественного языка, компьютерное зрение и портативная робототехника, также можно проследить на этом мероприятии.
Среди участников конференции был Артур Сэмюэл, инженер IBM, который создавал компьютерную программу для игры в шашки. Его программа оценивала состояние доски и вычисляла шансы того, что данная позиция может привести к победе.
В 1959 году Сэмюэл ввел термин машинное обучение, «автоматическое обучение», то есть тот сектор исследований, который приписывает компьютерам способность учиться без явного программирования. В 1961 году его программа машинного обучения была использована для победы над четвертым по величине игроком в шашки в США.
Но поскольку Сэмюэл был частным лицом и не занимался политикой саморекламы, только после его ухода из IBM в 1966 году важность его работы по машинному обучению стала достоянием общественности.
Машинное обучение
В последующие десятилетия после конференции машинное обучение оставалось малоизвестным, поскольку внимание было обращено на другие модели ИИ. В частности, исследования, проведенные в XNUMX-х и XNUMX-х годах, были сосредоточены на концепции интеллекта, основанной на физических символах и управляемой логическими правилами. Эти символические системы, однако, не снискали успеха на практике, и их провал привел к периоду, известному как «зима искусственного интеллекта».
Однако в 1990-х годах машинное обучение снова начало процветать, и его сторонники использовали в своем подходе интегрированную статистику и теорию вероятностей. В то же время началась революция персональных компьютеров. В течение следующего десятилетия цифровые системы, датчики, Интернет и сотовые телефоны станут обычным явлением, предоставляя всевозможные данные экспертам по машинному обучению при разработке своих адаптивных систем.
Сегодня мы думаем о программе машинного обучения как о построителе моделей на основе набора данных, который инженеры и специалисты используют для обучения системы. Это разительный контраст с традиционным компьютерным программированием. Стандартные алгоритмы следовали заранее определенным путям, приводимым в действие статическими инструкциями или программным кодом. С другой стороны, система машинного обучения может обучаться во время работы. С каждым новым набором данных он обновляет свои модели и то, как он «видит» мир. В эпоху, когда машины могут учиться и меняться благодаря опыту и информации, программисты все меньше и меньше становятся законодателями и диктаторами и все больше походят на учителей и тренеров.
Сегодня как сегодня
Сегодня системы искусственного интеллекта, использующие машинное обучение, есть повсюду. Банки используют их, чтобы защитить себя от мошенничества; сайты знакомств используют их, чтобы предлагать потенциальные пары; маркетологи используют их, чтобы предсказать, кто положительно отреагирует на рекламу; и сайты обмена фотографиями используют их для автоматического распознавания лиц. Со времени первой игры в шашки прошел долгий путь. В 2016 году Google AlphaGo значительно продвинулся в этой области. Впервые компьютер обыграл чемпиона по го, гораздо более сложной игре, чем шашки или шахматы. Как знамение времени, AlphaGo произвела настолько неожиданные ходы, что некоторые наблюдатели назвали их креативными и даже «красивыми».
Рост искусственного интеллекта и машинного обучения был прерывистым на протяжении многих лет, но то, как они недавно проникли в продукты и бизнес-операции, показывает, что они более чем готовы к главной роли. По словам Дэнни Ланге, бывшего руководителя отдела машинного обучения в Uber, технология наконец-то покинула стены исследовательских лабораторий и быстро становится «краеугольным камнем этой бурной новой промышленной трансформации».
Умные технологии и приложения: как они могут сосуществовать?
Вот глоссарий созвездия технологий искусственного интеллекта, о которых вам нужно знать сегодня. Эти технологии соответствуют возможностям машинного обучения, искусственного интеллекта и уровням приложений, как показано на рисунке ниже.
Компоненты машинного обучения
— Машинное обучение (МО). Область компьютерных наук, которая имеет дело с алгоритмами, которые учатся на данных и на основе данных делают прогнозы без необходимости явного программирования. Эта область уходит своими корнями в исследования Артура Сэмюэля из IBM, который ввел этот термин в 1959 году и использовал принципы машинного обучения в своей работе над компьютерными играми. Благодаря огромному количеству данных, доступных для обучения алгоритмов, машинное обучение в настоящее время используется в таких разнообразных областях, как исследования компьютерного зрения, расследование мошенничества, прогнозирование цен, обработка естественного языка и многое другое.
— контролируемое обучение. Тип машинного обучения, при котором предварительно классифицированные и отобранные данные, состоящие из типовых входных данных и желаемых выходных данных, представляются алгоритму. Цель алгоритма — изучить общие правила, связывающие входные данные с выходными, и использовать эти правила для прогнозирования будущих событий только на основе входных данных.
- Неконтролируемое обучение. Алгоритм не снабжается метками, и ему остается только находить структуры и входные модели. Неконтролируемое обучение может быть самоцелью (с точки зрения обнаружения скрытых паттернов в данных) или направлено на что-то конкретное (например, извлечение соответствующих признаков из данных). Обучение без учителя в меньшей степени ориентировано на результат, чем обучение с учителем, и больше сосредоточено на изучении входных данных и выводе скрытых структур и немаркированных данных.
- Полуконтролируемое обучение. Используйте тегированные и нетегированные данные — обычно плюс секунды. Многие исследователи обнаружили, что комбинация двух наборов данных значительно повышает точность процесса обучения.
— Обучение с подкреплением. Это тип обучения, при котором перед алгоритмом ставится конкретная цель, например, управление механической рукой или игра в го.Каждое действие, которое делает алгоритм, вознаграждается или наказывается. Обратная связь позволяет алгоритму построить наиболее эффективный путь к цели.
- Нейронная сеть. Тип машинного обучения, при котором алгоритм, обучающийся на основе данных наблюдений, обрабатывает информацию так же, как нервная система человека. В 1957 году Фрэнк Розенблатт из Корнельского университета изобрел первую нейронную сеть с простой одноуровневой архитектурой (известную как поверхностная сеть).
- Глубокое обучение и подмножества: глубокие нейронные сети (DNN), рекуррентные нейронные сети (rnn) и нейронные сети с прямой связью (FNN). Набор методик для обучения многоуровневой нейронной сети. В dnn «воспринимаемые» данные обрабатываются на разных уровнях; каждый уровень использует выходные данные предыдущего уровня в качестве входных данных. rnn позволяет данным перемещаться между уровнями взад и вперед, в отличие от fnn, где данные являются односторонними.
Компоненты интеллектуальных навыков
— Предиктивная система. Система, которая находит отношения между переменными в исторических наборах данных со связанными результатами. Отношения используются для разработки моделей, которые, в свою очередь, используются для прогнозирования будущих сценариев.
— Локальный поиск (оптимизация). Математический подход к решению задач, использующий большой набор возможных решений. Алгоритм ищет оптимальное решение, начиная с точки ряда, и итеративно и систематически перемещаясь к соседним решениям, пока не найдет оптимальное.
— Представление знаний. Область искусственного интеллекта, предназначенная для представления информации о мире в форме, которую компьютер может использовать для выполнения задач, таких как постановка медицинского диагноза или ведение беседы с человеком.
— Экспертные системы (логический вывод). Система, использующая отраслевые знания (медицина, химия, юриспруденция) в сочетании с механизмом, основанным на правилах, который решает, как применять эти знания. Система улучшается по мере добавления новой информации или обновления или расширения правил.
- Компьютерное зрение. Область, посвященная обучению компьютеров идентифицировать, классифицировать и понимать содержание изображений и видео, имитируя и реализуя человеческое зрение.
— Обработка звуковых сигналов. Машинное обучение, которое можно использовать для анализа аудио и других цифровых сигналов, особенно в средах с высокой насыщенностью звука. Приложения включают вычислительную речь и аудио- и аудиовизуальную обработку.
Речь в текст. Нейронные сети, преобразующие аудиосигналы в текстовые сигналы на различных естественных языках. Приложения включают в себя перевод, голосовые команды и управление, транскрипцию аудио и многое другое.
- Обработка естественного языка (НЛП, обработка естественного языка). Домен, в котором компьютеры обрабатывают человеческие (естественные) языки. Приложения включают распознавание речи, машинный перевод, анализ настроений.
Компоненты приложения ИИ
— Интеллектуальные агенты. Агенты, взаимодействующие с людьми посредством естественного языка. Их можно использовать для реализации человеческого труда в сфере обслуживания клиентов, управления персоналом, стажировок и других областей бизнеса, где обрабатываются запросы шаблонов часто задаваемых вопросов.
— Коллаборативная робототехника (коботы). Роботы, которые работают на более низких скоростях и оснащены датчиками, позволяющими безопасно взаимодействовать с коллегами-людьми.
— Биометрия, распознавание лиц и жестов. Идентифицируйте людей, жесты или тенденции в биометрических измерениях (стресс, активность и т. д.) для взаимодействия человека с машиной или в целях идентификации и проверки.
— Интеллектуальная автоматизация. Он передает некоторые задачи от человека к машине, чтобы радикально изменить традиционную операцию. Благодаря потенциалу и способностям машин (скорость, амплитуда, способность обходить сложности) эти инструменты дополняют человеческую работу и расширяют ее там, где это возможно.
— Рекомендательные системы. Они предоставляют рекомендации, основанные на тонких закономерностях, выявленных с течением времени алгоритмами. Они могут быть нацелены на клиентов, чтобы предлагать новые продукты, или использоваться внутри для стратегических предложений.
— Умные продукты. Интеллект встроен в дизайн, поэтому они могут постоянно развиваться, чтобы удовлетворять и предвосхищать потребности и предпочтения клиентов.
— Персонализация. Анализируйте тенденции и закономерности для клиентов и сотрудников, чтобы оптимизировать инструменты и продукты для отдельных пользователей или клиентов.
— Распознавание текста, речи, изображения и видео. Он интерпретирует данные из текста, речи, изображений и видео и создает ассоциации, которые можно использовать для расширения аналитических действий и включения расширенных приложений для взаимодействия и визуализации.
- Дополненная реальность. Объедините мощь искусственного интеллекта с технологиями виртуальной, дополненной и смешанной реальности, чтобы повысить интеллектуальность обучения, технического обслуживания и других задач.
