Эта статья предназначена для тех, кто за последние пару лет пассивно изучал прессу об искусственном интеллекте, машинном обучении, глубоких нейронных сетях и т.п., пытаясь отследить меняющуюся топологию такого обширного и сложного ландшафта. Таким образом, вместо того, чтобы сосредоточиться на конкретной части ИИ, такой как наука о данных или робототехника, эта статья намерена построить карту вокруг событий, технологий и возможностей, которые продолжают формировать это извилистое повествование.
В области искусственного интеллекта слишком много нюансов для точной даты рождения, но одно событие в конце 18 века - хорошее начало. Пытаясь произвести впечатление на императрицу Марию Терезию, венгерский изобретатель Вольфганг фон Кемпелен в 1769 году построил шахматный автомат под названием Турок. интеллектуальная машина человеческого уровня для победы в шахматах. К сожалению, секрет механического турка заключался в том, что он спрятал человека внутри устройства. Это был розыгрыш, но на короткое время популяризировалась идея мыслящей машины. Несмотря на то, что Турок является позором фон Кемпелена, он также был законным изобретателем. Он провел 20 лет своей жизни, работая над аппаратом искусственной речи и внося весомый вклад в наше понимание голосового тракта человека.
Перенесемся в 1950 год, когда Алан Тьюринг, взломщик кодов Второй мировой войны и основатель современной информатики, написал статью для журнала Mind под названием Computing Machinery and Intelligence. В этой основополагающей работе была представлена концепция, которую он назвал Игра в имитацию, которая в последующих статьях упоминалась просто как Тест Тьюринга. Он построил утилитарное представление о том, что интеллект человеческого уровня достигается, когда компьютеры успешно убеждают нас в том, что они думают. Пока люди не видят разницы, не имеет значения, действительно ли машина имеет человеческие мысли (что бы это ни значило); важно то, что машина может быть полезна так же, как и думающий человек.
На протяжении десятилетий компьютерные ученые утверждали, что мы находимся на грани искусственного интеллекта (ИИ), каждый раз заканчиваясь разочарованием для тех, кто жаждал всех преимуществ ИИ, подобного человеку. В 1957 году был изобретен перцептрон, вдохновленный активацией биологических нейронов. В то время как пресса стремилась поддержать обещание искусственного интеллекта, из этого раннего исследования мало что дало. Были опубликованы доказательства, показывающие фундаментальные недостатки этой формы перцептрона, и прогресс в этой области скатился до «зимы искусственного интеллекта», которая продолжалась до конца 1980-х годов. Продолжались и другие формы исследований искусственного интеллекта, основанные на экспертных системах по разведению символической логики, или генетических алгоритмах, основанных на эволюции, или статистике, основанной на математике нечеткой логики. Иногда то, что считалось ИИ, было комбинацией методов, но достижения никогда не соответствовали шумихе. Было слишком много вещей, которые ИИ не мог делать, а люди.
Потом что-то изменилось. В 1997 году компания IBM Deep Blue обыграла великого чемпиона Гарри Каспарова по шахматам. Это было мимолетное мероприятие, которое было быстро отклонено как «не ИИ», поскольку насколько вообще полезна машина, специализирующаяся на игре в шахматы? В следующие несколько лет были некоторые победы над людьми во все более сложных играх, но все же ни один не смог пройти тест Тьюринга. То есть до 17 июня 2014 года.
С тех пор, как Алан Тьюринг впервые предложил свою имитационную игру, компьютерные ученые сражались в структурированной среде, пытаясь убедить судейскую коллегию в том, что они разговаривают с другим человеком, а не с машиной. В том году программа под названием Eugene Goostman убедила 33% судей Королевского общества в Лондоне, что это был 13-летний украинский мальчик. За 64 года это был первый случай, когда машина прошла испытание. И тем не менее, это также было отклонено как «не ИИ».
Выигрыш в шахматы может быть отвергнут как умный математический трюк с большим компьютерным оборудованием из-за относительно ограниченного количества ходов, необходимых для того, чтобы выиграть игру. Но есть игры настолько сложные, что выигрышные ходы невозможно подсчитать. Одна из таких игр - древняя игра го. Обманчиво простая игра, Го, играется на доске размером 19x19 с черными и белыми камнями. Сложность расчета одного оптимального хода может занять эоны с современной вычислительной инфраструктурой, но человеческий мозг может делать экспертные шаги за секунды. В марте 2016 года программа под названием AlphaGo опередила величайшего из ныне живущих профессиональных игроков в го в мире Ли Седола. Обобщение технологии позволило исследователям превзойти людей во многих других играх на улучшенной машине под названием AlphaZero. Это не была еще одна история Deep Blue. Критики не поспешили отвергнуть это как «не ИИ». На этот раз все было иначе.
В мае 2018 года Google анонсировал проект под названием Duplex. Хотя разговорные боты, такие как Amazon Alexa и Apple Siri, становились лучше, они все еще были далеки от естественного разговора. На ежегодной конференции Google, GoogleIO, руководитель проекта показал изумленной публике пару аудиоклипов. Первым был человеческий компьютерный голос, который звонил в салон, чтобы записаться на прическу к человеку на другом конце линии. Зазвонил телефон, женщина сняла трубку, и компьютер успешно записал на прием. Второй звонок был тем же самым компьютерным ботом, который звонил, чтобы забронировать столик в ресторане у кого-то еще. Опять же, с небольшими усилиями, бронирование было забронировано. Что еще более поразительно, так это то, что в обоих случаях было ясно, что люди на другом конце этих вызовов не подозревали, что они разговаривают с машиной.
Итак, в настоящее время у нас есть машины общего назначения, которые могут побеждать людей в любом количестве игр с фиксированными правилами, а также участвовать в открытых разговорах, синтезируя человеческую речь, в то время как человек на другом конце линии не знает, что они разговаривают. с машиной. Машины сейчас выполняют множество задач, которые, как мы исторически считали, могут выполнять только люди, от когнитивной автоматизации в работе белых воротничков до управления дальнобойными грузовыми автомобилями и эксплуатации целых складов. Сможем ли мы когда-нибудь признать, что создали искусственный интеллект, и перестанем менять определение? Или мы поймем, что нам нужно более точное определение интеллекта, которое больше не ориентируется на людей? Мы должны понимать, что есть определенные задачи, с которыми компьютеры справляются лучше, и что в будущем будет больше мыслительной работы, которая исторически полагалась на людей, которые в прошлом выполнялись машинами.
Как использовать новый мозг
Есть несколько областей, на которые искусственный интеллект не повлияет в ближайшие десятилетия. Сотри, давай будем смелее. Теперь, когда открывается ящик ИИ Пандоры, мы никогда не перестанем искать новые способы добавить интеллекта к глупым процессам или неодушевленным объектам. Вас ждет мир деталей самолетов, которые могут обнаруживать стресс и предупреждать инженеров о необходимости их замены, виртуальных врачей, которые диагностируют пациентов с помощью научно-фантастического трикодера, таких уловок, как умные кофейные кружки и помощников AI, которые автоматически заказывают ваш обед на основе ваши предпочтения, бюджет, местоположение и история. В отличие от других развивающихся технологий, дешевый искусственный мозг может стать умнее, координировать друг друга со скоростью света и бесплатно клонировать. Искусственный интеллект - это самая разрушительная технология века, меняющая отрасль, как старую, так и новую.
В качестве примера того, как простое приложение ИИ может легко уничтожить отрасль, рассмотрим случай умных гаражей. Этот относительно недавний рынок помогает водителям узнать, насколько занята парковка, с помощью зеленого или красного светофора над каждым местом. Возможно, вы видели их в гаражах аэропорта. Каждый из этих огней на самом деле представляет собой автономное вычислительное устройство с датчиком, который определяет присутствие транспортного средства, небольшим компьютером, который управляет системой и делится своим текущим состоянием с центральной сетью для обеспечения точного подсчета, который отображается на Светодиодные экраны на каждом этаже. Если в вашем умном гараже две тысячи парковочных мест, это две тысячи датчиков, которые необходимо покупать и обслуживать. В качестве эксперимента британская исследовательская компания использовала существующий канал камеры видеонаблюдения на своей парковке, чтобы обучить ИИ определять, когда автомобиль находится в пространстве, а затем отправлять эту информацию через облачный сервис любому, у кого есть мобильное приложение. Хотя это может показаться сложным, после обучения модели создание такой системы станет возможным для любого студента, изучающего информатику. Поскольку у достаточного количества драйверов уже есть смартфоны, эта система обеспечивает те же базовые возможности без вложений в оборудование. На самом деле она также более гибкая, поскольку модель со временем может стать умнее, возможно, даже предсказывая, когда откроются пространства, на основе привычек определенных водителей.
Задачи, а не работа
В то время как революция искусственного интеллекта ускоряет когнитивную и ручную работу людей, следует помнить, что маловероятно, что искусственный интеллект полностью автоматизирует работу целиком. Вместо этого различные задачи автоматизируются совместно с людьми. Хотя автономное транспортное средство, безусловно, может водить людей, которые вызывают машину из отеля в конференц-центр, эти автомобили все равно нужно будет обслуживать: заправленные газом (или электрически заряженные), замена масла и фильтров, шины, заполненные воздухом, исправлены и повернуты. Каждая из этих задач со временем может стать жертвой автоматизации, но не сразу. Тем временем задачи, оставленные людям, упадут или изменятся.
Поскольку все больше задач автоматизировано, нас ждет странный разрушительный период, когда те, у кого есть работа, будут выполнять странные комбинации балканизированных задач. Мы это уже видим. По мере того как системы бронирования и управления поездками становятся проще, рынок туристических агентств сокращается. Если вы путешествуете как белые воротнички, вы, скорее всего, несете ответственность за бронирование собственных авиабилетов, автомобилей и отелей. Возможно, вы оба «директор по маркетингу + личный турагент, работающий неполный рабочий день». Это не обязательно плохо. «В то время как некоторые будут драматизировать негативное влияние ИИ, когнитивных вычислений и робототехники, - говорится в отчете Deloitte Future of Work, - эти мощные инструменты также помогут создать новые рабочие места, повысить производительность и позволят работникам сосредоточиться на человеческих аспектах работы. . »
Трудно точно определить, сколько задач в мире существует для выполнения ИИ. Но один из способов справиться с происходящими сейчас изменениями - сосредоточиться на том, где ИИ автоматизирует рабочие нагрузки по секторам, которые составляют огромную часть экономики и рабочей силы.
сельское хозяйство
Исторически крупнейшая отрасль - сельское хозяйство - долгое время находилась под прицелом инновационных технологий. От лемехов до хлопкоочистительных машин, промышленных предприятий и ГМО - каждая инновация, кажется, увеличивает урожайность и сокращает количество людей, необходимых для работы в этом изнурительном секторе. В 1870 году более 50% американцев были заняты в сельском хозяйстве. Сегодня этот показатель составляет менее 2%. Ожидается, что искусственный интеллект и роботы, на которых он работает, сохранят эту тенденцию «от меньшего количества сотрудников к большей урожайности».
Многолетние эпидемии сельскохозяйственных угодий всегда представляли собой комбинацию инвазивных растений (сорняков), нежелательных диких животных (от насекомых до кроликов), непредсказуемой погоды (засухи и наводнения) и крупномасштабного мониторинга (почвы и сельскохозяйственных культур). Мы находимся в разгаре золотой лихорадки решений этих проблем на основе искусственного интеллекта.
Более 250 видов стали устойчивыми к химическим гербицидам, не говоря уже о воздействии на окружающую среду избыточного химического стока в нашу систему водоснабжения. John Deere объявил о приобретении компании, которая использует системы машинного обучения для автоматического распыления средства от сорняков непосредственно на растения, что снижает количество гербицидов на 90%. Несколько других компаний, такие как ecoRobotix, создают механических роботов для удаления сорняков, не содержащих химикатов. Многие из этих роботов также способны целенаправленно использовать инсектицид, помогая предотвратить многие непредвиденные последствия чрезмерного распыления, такие как разрушение пчелиных семей. Кстати, о пчелах. Теперь есть робот-опылитель под названием BrambleBee. Что касается прогнозов погоды, это задача, специально разработанная для больших данных и машинного обучения. Почти 90% потерь урожая происходит из-за погодных явлений. Национальное управление океанических и атмосферных исследований США (NOAA) добилось успехов в обеспечении все более точного прогнозирования града, что позволяет фермерам лучше планировать посадку и сбор урожая. HydroBio - это компания, которая использует гиперлокальные данные и прогнозы искусственного интеллекта, чтобы помочь фермерам узнать, когда им следует поливать. Несколько других долгосрочных климатических систем могут помочь агробизнесу решить, в каких частях мира безопасно сажать растения в ближайшие десятилетия.
Наблюдение за всеми деталями сельскохозяйственных угодий площадью в миллион гектаров - непростая работа для людей, но при этом она создана специально для машин. С помощью спутниковых систем глубокого обучения эрозии почвы и отслеживания питательных веществ, таких как Plantix, компьютеры могут без устали обнаруживать проблемы с почвой в любом масштабе. Для более детального просмотра в реальном времени компания SkySquirrel объединяет машинное обучение с армией дронов для обнаружения инвазивных растений и даже плесени в любом масштабе.
В детстве я помогал деду и дяде собирать сено в сельской Индиане, а также собирал клубнику вместе с сезонными рабочими-мигрантами. Это была тяжелая работа для долговязого ребенка, который предпочитал рисовать комиксы в помещении. Младший я прыгал от радости, чтобы найти бесконечное множество машин, от визуальных систем, определяющих, когда урожай идеален для сбора урожая, до автоматических желонок и роботов-сборщиков клубники. Так что, может быть, мои дети получат шанс быть больше Тони Старком, чем Джорджем Мильтоном.
Производство
Уолтер Ройтер, влиятельный лидер профсоюза автомобильных рабочих, и Генри Форд II, глава Ford Motor Company, посетили новый завод, заполненный линией автоматических роботов, строящих автомобили. После короткого молчания Форд спросил: «Уолтер, как вы собираетесь заставить этих роботов платить ваши профсоюзные взносы?» На что Ройтер ответил: «Генри, как вы собираетесь заставить их покупать ваши машины?»
Об этом апокрифическом обмене впервые рассказали в начале 1950-х годов. Даже тогда автоматизация была заменой производственных задач и свидетельствует о постоянном страхе перед автоматизацией, который присутствует у нас с тех пор, как луддиты в 1811 году впервые разрушили высокотехнологичные хлопчатобумажные фабрики. Относительно мало рабочих мест в странах первого мира сегодня связано с производством, поскольку экономика уступает место сектору услуг. Тем не менее, более 8% американцев зарабатывают себе на жизнь в обрабатывающей промышленности - более 11% ВВП США. В настоящее время существует большая часть технологий, необходимых для автоматизации некоторых из этих работ: роботизированные манипуляторы, логистическое оборудование, системы контроля качества и тому подобное. Что меняет ИИ, так это превращение дорогих специализированных роботов в коботов общего назначения. Вместо огромных неуклюжих сварочных роботов, слепых к миру и запрограммированных для узкого круга задач, коботов можно обучить множеству различных задач, автоматически переоснащая себя. Коботы также знают свое окружение и могут работать бок о бок с людьми над сложными задачами. Это позволяет коботам медленно продвигаться в рабочее пространство, беря на себя больше работы, ограничиваемой только экспоненциально растущим интеллектом. Самый известный кобот на рынке - Baxster, его цена составляет около 50 000 долларов США. Возможно, он не справится со всеми задачами, но его хватит, чтобы согнуть эти 8% задач на несколько пунктов.
За пределами фабрики ИИ значительно продвинулся в сфере логистики. Возможность точного отслеживания и отслеживания поставок позволила сократить количество отходов и повысить мобильность продуктов, уменьшив запасы на складе. Многие склады близки к пику автоматизации, будь то Amazon в США или JD в Китае. Следующим шагом является автономная доставка, над которой работают Waymo и Uber. Сокращение отходов, снижение затрат и накладных расходов, а также более быстрое время вывода продукта на рынок пойдет на пользу компаниям и потребителям. Будем надеяться, что найдутся люди, которые смогут купить эти товары. Мы живем в интересные времена.
Военный
Песня сирены о совершенном знании мировых событий от правительств до полей сражений в сочетании с роботами, которые сводят потери вашей стороны к нулю, слишком привлекательна для военных, чтобы ее игнорировать. ИИ может поддерживать более совершенные войска, улучшая системы обучения, создавая новые учебные программы для военных игр. Умное оружие и улучшенный интеллект, а также больше преимуществ промышленности, таких как оптимизация логистических задач в самых сложных ситуациях в мире или помощь войскам в выполнении задач по техническому обслуживанию. Обработка естественного языка (NLP) может взять на себя множество ролей, которые сегодня выполняют переводчики, а NLP в масштабе может просеивать огромные объемы аудионаблюдения в режиме реального времени. Более того, сложные ассоциации между не связанными друг с другом наборами данных будут объединять единое повествование. Представьте себе отслеживание передвижения подозреваемого в терроризме с помощью различных видеопотоков с использованием распознавания лиц, звонков по сотовым телефонам с распознаванием голоса и перекрестной проверки проездных документов по известным псевдонимам.
Автономное оружие все чаще дополняется искусственным интеллектом, например тактические ракеты, управляемые умной камерой. Даже если контроль в конечном итоге останется в руках людей, множество сложностей, на освоение которых у людей уйдут годы, можно частично автоматизировать, чтобы они могли работать в менее специализированных руках, например, с летающими атакующими дронами. Более того, способность правильно обнаруживать цели может резко снизить сопутствующий ущерб и невинные смерти.
Это всего лишь несколько простых примеров, которые могут даже не коснуться многих применений ИИ в вооруженных силах. По крайней мере, усиление автоматизации может позволить странам сократить свои военные бюджеты в пользу увеличения гражданских расходов.
Услуги
Агробизнес, промышленность и вооруженные силы важны для функционирования общества, но большинство стран первого мира работают в основном в секторе услуг. В 2018 году на услуги приходится 82% ВВП США, и в них занято большинство работающих взрослых. Это также сегмент, на который больше всего влияет ИИ. Почему? Потому что, вопреки здравому смыслу, когнитивный труд - самый простой вид работы для ИИ. Хотя ручные роботы по-прежнему напоминают ошеломляюще точных пьяниц, автоматизировать процесс обновления серии электронных таблиц относительно легко. В то время как Robot Process Automation лишь слегка автоматизировал угловые области офисной среды, ее кузен ИИ, Cognitive Automation, способен нарушить многие задачи, которые требуют ежедневного сидения перед компьютером. Это варьируется от офисной работы белых воротничков до медицины, финансов и даже творческой работы, такой как письмо и музыка.
Работа в офисе
Офисная работа - это здорово. Вы можете находиться в помещении, сидеть в удобном кресле, и график, как правило, довольно последовательный и надежный. Возможно, я слишком много рассказываю о своей личности, но погода хорошая, а физические нагрузки, как правило, минимальны. И, несмотря на широкий спектр специальностей, офисная работа имеет много общего, независимо от вашего звания или опыта. Скорее всего, вы будете работать с компьютером или другим устройством, например с телефоном; составлять и отвечать на электронные письма, текстовые сообщения или мгновенные сообщения; составлять, заполнять или придерживаться расписания; перетасовывать информацию из одного места в другое, даже если это просто ответы на вопросы коллег.
Организация встреч - это утомительная работа. Это первоначальный запрос, согласование календарей и местоположения, изменение расписания и механическая работа по заполнению значимого приглашения, контролю посещаемости и отведению минут. Одним из первых помощников по ИИ, которых я попробовал, был X.ai, и я сразу был увлечен. Вся координация, часто выполняемая административными помощниками, была автоматизирована с помощью чат-бота на основе электронной почты, который может понимать нюансы человеческой речи, ясно и вежливо разговаривать с людьми, участвующими в составлении расписания, знающими ваш календарь, время в пути и время отключения (например, обед из с полудня до 13:00). Если вы менеджер, есть ИИ под названием Workloud, который отслеживает фактическую посещаемость этих собраний с точки зрения расписания, AI Sense преобразует устные разговоры на собрании в текст с возможностью поиска. и Распределить, который отслеживает расписания на основе любой реальной проделанной работы, избавляя вашу команду от самостоятельной отчетности.
Надеюсь, ваша повседневная работа - это больше, чем просто встречи. Когда вы выполняете фактическую работу, которая взаимодействует с компьютером, от приема и ввода заказов, устранения проблем на основе запросов потребителей или другой работы по вводу данных, роботизированная автоматизация процессов (например, Pega), а теперь и когнитивная автоматизация (например, Corseer), можно обучить автоматически выполнять широкий спектр задач. Конечно, это предполагает, что вы действительно знаете, каков ваш процесс. Что ж, для этого есть ИИ. Celonis может подключаться к вашим цифровым коммуникациям и процессам и отображать то, что, по вашему мнению, представляет собой ваш процесс, чем он является на самом деле и насколько ваша реальность соответствует ожиданиям. Когда процесс находится под контролем, обнаружение и передача знаний часто выполняется службой поддержки («Мой ноутбук уже подготовлен?») Или представителями службы поддержки клиентов («Какую скидку я могу получить на свой заказ?»). Большая часть офисной работы сводится к ответам на вопросы, детали которых находятся либо в какой-то системе, либо в голове сотрудника. Возможность каталогизировать и сделать эту информацию доступной для тех, кто спрашивает естественным образом, от электронных писем до телефонных звонков, находится в пределах возможностей нескольких систем знаний искусственного интеллекта, называемых чат-ботами, от Spoke до GrowthBot.
Искусственный интеллект - это прекрасно, но в обозримом будущем нам по-прежнему будут нужны люди. Конечно, только люди могут найти других хороших людей, не так ли? Что ж, ИИ придет и для отдела кадров, приятель. От написания должностных инструкций (Textio) до поиска талантов (Koru), отбора резюме (Идеально) до адаптации и обучения ( Припев), все больше и больше задач, относящихся к сфере управления персоналом, выполняется дешевле, быстрее и лучше с помощью хорошо размещенных машин.
Немецкий интернет-магазин Otto в настоящее время использует искусственный интеллект, чтобы с 90% точностью предсказать, купит ли клиент товар, и начать процесс доставки до размещения заказа. Это не только сокращает время ожидания, что делает клиентов более счастливыми, но и позволяет компании ежегодно экономить миллионы на избыточных запасах.
Мы могли бы продолжить и разорвать каждую офисную функцию. Существует множество решений для продаж (Salesforce Einstein), маркетинга (Albert.ai), связей с общественностью (Signal AI), юридических ( iManage), финансы (Squirro), технологические операции (Moogsoft), риски (Exabeam), безопасность ( DeepArmor) и так далее. Важно помнить, что каждое из этих специализированных решений будет продолжать улучшаться, обобщать и брать на себя все более сложные задачи, потому что компьютеры продолжают экспоненциально совершенствоваться, в отличие от нашего медленного, мягкого человеческого мозга.
Медицина, право и финансы
На протяжении нескольких поколений родители надеялись, что их дети станут врачами, юристами или банкирами. Это была надежная, хорошо оплачиваемая работа, требующая ума и образования. Но оказывается, что даже эта профессиональная карьера не застрахована от медленного натиска революции искусственного интеллекта, подпитываемой легким доступом к машинному обучению.
Во всем мире от 10% до 15% ВВП страны тратится на здравоохранение. В США 30 центов из каждого доллара, потраченного на здравоохранение, тратятся впустую и тратятся на административные расходы. Если бы в каждом учреждении здравоохранения была внедрена даже стандартная автоматизация делопроизводства, некоторый процент этих накладных расходов снизился бы, что существенно снизило бы общие расходы на здравоохранение. Но многие отходы относятся к сфере медицины, от избыточных лабораторных услуг до упущенных возможностей профилактики. Хотя маловероятно, что врачи или медсестры уедут в ближайшее время, многие из специализированных задач, требующих особого образования, становятся жертвами ИИ. Хотя компания IBM Watson начала свою жизнь как величайший чемпион мира Jeopardy в истории, она сменила карьеру на врача-диагноста мирового класса. Недавно лучшие китайские специалисты по раку мозга проиграли в соревновании по диагностике искусственного интеллекта. Что касается документации, то оценка страховых рисков, а также задачи выставления счетов и кодирования (H2O.ai) автоматизируются. Наши перегруженные работой врачи и медсестры будут нуждаться в помощи с наступлением эпохи бума. Что касается качества, то НИОКР улучшаются, поскольку ИИ может оставаться в курсе событий, опережая бесконечную лавину появляющихся публикаций. Вся эта автоматизация приводит к меньшему количеству ошибок, меньшим затратам и высвобождению средств для более персонализированной медицины.
Несмотря на то, во что нас убеждают полицейские шоу, адвокаты очень мало работают в зале суда. Будь то окружной прокурор, ведущий дело с доказательствами полиции, или корпоративная юридическая фирма, копающаяся в записях клиентов, большая часть юридической работы представляет собой процесс, называемый раскрытием. Discovery идеально подходит для компьютеров в целом и AI в частности. Компьютеры никогда не устают и никогда не отвлекаются, и могут создавать кропотливые соединения с большими массивами данных, которые выходят далеко за рамки человеческих возможностей. «Если бы я был родителем студента юридического факультета, я бы немного обеспокоился», - говорит Тодд Соломон, партнер чикагской юридической фирмы McDermott Will & Emery. «У молодых юристов меньше возможностей пройти обучение, и это уже происходит за пределами ИИ. Но если вы добавите к этому ИИ, есть способы продвижения, и есть способы, которыми он вредит нам ».
Наконец, банковское дело. AI проникал в мир финансов на протяжении многих лет. Высокочастотная торговля (HFT) и оценка рисков выполнялись алгоритмами на протяжении десятилетий, и все чаще эти алгоритмы оттачиваются с помощью ИИ. Cognitive Automation выполняла работу по сбору заказов, до недавнего времени это была относительно высокооплачиваемая и уважаемая работа из-за ее сложности. Банковские отделения в основном являются налоговыми убежищами, связанными с недвижимостью, поскольку любой, у кого есть смартфон, может обналичить чек, просто сфотографировав его, что подтверждено AI (Chase, BofA ).
Как и в любом другом секторе экономики, профессиональные рабочие места меняются с помощью ИИ. Оказывается, рабочие места, требующие максимальной подготовки и знаний, так же подвержены автоматизации, как офисная или ручная работа. И, может быть, даже больше, учитывая стимулы для правильной работы и высокую стоимость найма людей в этих областях.
Креативность
Вы творческий человек sui generis, создающий художественные произведения, которые не может выполнить ни один компьютер? У меня плохие новости. Творческие работы все чаще становятся областью исследований и разработок в области искусственного интеллекта, а также все чаще встречаются на практике. К началу 2019 года более 30% статей Bloomberg были написаны AI. К 2025 году, по оценкам, будет размещено 90% основных газетных статей, написанных AI или при его поддержке. Все началось с программы под названием Quill, генератора спортивных статей, которая теперь сообщает о финансах и мировых событиях для большинства крупных СМИ без ведома большинства читателей. Хотя всегда найдется место для размышлений в атлантическом стиле, большинство новостей, которые мы потребляем, гораздо более приземленны и просто передают информацию, например, повторяя обращение о состоянии Союза, с редкими шутками, не требующими вмешательства человека.
Но мы уже убедились, что ИИ действительно хорош в работе с текстом. А как насчет других искусств? Кембриджские консультанты создали Генеративную состязательную сеть (GAN) под названием Винсент, которая позволяет любому рисовать картинку, и она будет генерировать картину на основе того, что пользователь пытается передать. Существуют приложения, которые даже превращают речь («Я люблю полосатых кошек») в визуальное искусство (кот, украшенный сердечками). Это не заменяет человеческое творчество, а расширяет его и делает художественное выражение доступным для каждого человека, независимо от технических навыков. И хотя создание музыки с помощью ИИ существует с тех пор, как Рэй Курцвейл попробовал это в 1965 году, музыка, сочиненная с помощью ИИ, недавно стала популярной благодаря выпуску компьютерно-сгенерированного альбома певца Тайерна Саузерна под названием Я AI. Создание произведений искусства и музыки стало для исследователей настолько обычным делом, что Google фактически создал арт-платформу с открытым исходным кодом под названием Magenta, позволяющую неспециалистам экспериментировать с генеративным искусством.
AI берет на себя сельское хозяйство, промышленность, армию, службу, профессиональные и творческие задачи. Вас могут простить за то, что вы заняли позицию Илона Маска или Стивена Хокинга и поверили, что до восстания, подпитываемого автоматизацией, осталось несколько лет. Прежде чем волноваться и приветствовать наших новых повелителей роботов, давайте сделаем вдох и посмотрим, как на самом деле работает этот искусственный интеллект. Может быть, тогда мы сможем вернуться к очевидным слабостям в системе и найти утешение в том факте, что в обозримом будущем есть еще много работ, которые мы, люди, способны выполнять.
Что теперь изменилось
Подпитанный бумом в области ИИ, называемой машинным обучением (ML), ИИ возник из академического любопытства к изменению мира на практике. Как мы тут оказались? Горстка сдвигов в технологическом ландшафте способствовала возрождению ИИ за последнее десятилетие, и эти основные вложения призваны продолжать привносить новые познавательные способности во все более широкий спектр товаров и услуг. Эти улучшения стали результатом трех одинаковых изменений: более совершенного оборудования, демократизации алгоритмов и данных и увеличения инвестиций в сферу машинного обучения как со стороны промышленности, так и со стороны академических кругов. Изменения в отрасли симбиотичны. В марте 2017 года генеральный директор Google объявил, что теперь компания «ИИ прежде всего», но они инвестировали в исследования машинного обучения более десяти лет. Внутренние инвестиции, академические партнерства и приобретения создают основу для возрождения современного ИИ. Одновременно они вложились в открытый набор инструментов машинного обучения под названием TensorFlow, пытаясь привлечь лучшие таланты и контролировать повествование в новых приложениях. Это совпало с созданием специального оборудования, специализированного для выполнения тензорных вычислений, под названием TPU (Tensor Processing Units). Не пострадали и крупнейшие в мире данные.
Лучшее оборудование
Хотя существует множество способов реализации искусственного интеллекта, текущий рост основан на машинном обучении в значительной степени потому, что машинное оборудование стало намного лучше по сравнению с другими искусственными средствами, такими как синтетические биологические исследования. Хотя закон Мура может быть мертв (плотность транзисторов удваивается каждые 18 месяцев), специализированное оборудование, необходимое для выполнения современных методов машинного обучения, продолжает расти в геометрической прогрессии, во многом благодаря двум не связанным тенденциям: энтузиастам видеоигр и облачным архитектурам.
Тип оборудования, необходимого для выполнения систем машинного обучения, аналогичен оборудованию, оптимизированному для рендеринга графики видеоигр, которое называется графическими процессорами (GPU). Это похоже на центральный процессор (ЦП), который десятилетиями доминировал на рынке вычислений, но оптимизирован для математических операций, необходимых для обоих вариантов использования. С распространением дешевых и легкодоступных графических процессоров новая жизнь вдохнула в застойную область исследований в области машинного обучения. Игра Google в этой области повысила ставки, поскольку к 2015 году они быстро создали прототипы, построили и развернули свое первое поколение производственных TPU. Началась гонка за создание специализированного оборудования для машинного обучения, называемого ускорителями искусственного интеллекта. NVidia, ведущий мировой производитель графических процессоров, предприняла согласованные усилия, чтобы выйти на более крупный рынок искусственного интеллекта за пределами экосистемы Google.
Пока бушует война за оборудование искусственного интеллекта, облако является основным полем битвы, а именно Google Cloud, Amazon Web Services и Microsoft Azure. Облако позволяет любому получить доступ к передовому оборудованию.
Демократизация
Хотя это правда, что Google был одним из первых в области машинного обучения, большинство концепций и инструментов, которые они отстаивали, были разработаны в других местах и, во многих случаях, даже лучше. Что следует ценить Google, так это то, что он заставляет другие технологические компании открывать свои IP. Библиотеке машинного обучения с открытым исходным кодом под названием Torch, выпущенной в 2002 году, помогли Facebook, IBM и другие, которые внесли свой вклад в основной проект, но не раскрыли информацию о том, как были сделаны их конкретные сосиски. Но Google выпустил еще больше, не только TensorFlow в 2015 году, но и массу документации, обучающих видео, сообщений в блогах и алгоритмов с открытым исходным кодом, которые работали в производственных средах. Быстрая популярность TensorFlow положила начало эпохе открытых, совместно используемых машин, основанных на общем языке.
Эта открытость программного обеспечения в сочетании с новым доступным мощным оборудованием демократизировала экосистему машинного обучения. Внезапно любой умный ребенок с крутой идеей получит доступ к передовым исследованиям машинного обучения, с исходным кодом и средой для его выполнения. Еще одним движущим фактором демократизации машинного обучения является поток простых в использовании фреймворков, таких как point -и щелкните Orange или SageMaker в сочетании с удобными возможностями обучения, такими как Udemy или Edx. Машинное обучение больше не будет предназначаться для тех, кто обладает «причудливым умением манипулировать абстрактными символами» (через Пейдж Бейли из Microsoft, перефразируя Брета Виктора из Apple). Но открытые алгоритмы ИИ - это только половина дела. Машинному обучению требуются данные, с которыми можно тренироваться и работать с ними, а данные все чаще встречаются повсюду.
Распространение открытых данных, от общедоступных данных о погоде до данных университетских психологических исследований, государственных переписей и экономических данных (data.gov), дало многим профессиональным и подающим надежды инженерам ИИ набор данных, на основе которых можно строить свои собственные модели машинного обучения. Часто эти модели сами имеют открытый исходный код, что позволяет другим развивать свою работу, побуждая организации открывать еще больше наборов данных. Этот эффективный цикл преобразования данных в информацию привел к новому пониманию в ранее непрозрачных отраслях, что приводит к появлению еще большего количества открытых данных, что еще больше демократизирует машинное обучение. Существует постоянная конкуренция за создание лучшего ИИ для определенного набора данных, размещенного на сайте Kaggle. Они предоставляют данные и условия конкурса, а разрозненное сообщество специалистов по анализу данных соревнуются, чтобы извлечь максимальную пользу из данных. Эти конкурсы часто имеют денежные призы для победителей и варьируются от «Прогнозирования доходов клиентов» до «Использование новостей для прогнозирования движения акций» и «Классификация атласа изображений белков человека», и все они проводились на одной неделе.
Аппаратное обеспечение как услуга, машинное обучение lingua franca, алгоритмы с открытым кодом, открытые наборы данных и легкодоступное образование - все это играет роль в демократизации машинного обучения. Это здорово, что эта инфраструктура открывается, но зачем компаниям вроде Google все раздавать? Откуда берутся деньги на призы Kaggle? Кто за все это платит?
Инвестиции
Те из нас, кто участвовал в революции больших данных, быстро заметили изъян в нашей операционной модели. В то время как развивающаяся индустрия больших данных упростила быстрый сбор огромных объемов разнообразных данных (например, за счет использования хранилищ данных NoSQL), разобраться в данных было непросто. Общая философия на протяжении большей части десятилетия, начиная примерно с 2009 года, заключалась в следующем: «Соберите все данные, мы выясним, что с ними делать позже». Превратить данные в информацию - сложная задача. Превратить информацию в понимание в масштабе для людей практически невозможно. Повсюду начал появляться новый, неопределенно определенный вид работы: специалист по анализу данных. Нанять статистиков уже было недостаточно, эти единороги также должны были быть экспертами в области управления крупномасштабными данными, чтобы добывать горы неструктурированных данных для… чего-то. Компания вложила средства во все эти данные, просто найдите что-нибудь хорошее.
Все чувствовали ценность данных, но не было четкой дорожной карты, что с ними делать. Это было похоже на шутку из мультсериала «Южный парк», где гномы тайно украли трусы, не имея четкого плана: первый шаг собирает трусы, затем второй шаг, третий шаг - прибыль. Второго шага никогда не было, но они очень твердо чувствовали, что он приведет к прибыли. Нам нравится верить, что у группы болванов, бросающих реальные деньги, есть четкие цели, но иногда стоит попробовать. Маловероятно, что данные будут бесполезными, и появление ML как все более популярной дисциплины науки о данных в конечном итоге стало недостающим «вторым шагом», необходимым для осмысления всех этих данных, которые в основном бездействуют в корпоративных центрах обработки данных. Быстрый рост промышленных и государственных расходов на ограниченные ресурсы ИИ имеет смысл через эту призму, наряду со стандартными опасениями по поводу того, что их могут оставить позади.
Симбиотический характер академических и отраслевых исследований важен для новых технологий, таких как машинное обучение. Ученые проводят передовые исследования по множеству тем, и некоторый процент этих исследований, как мы надеемся, представляют интерес для корпораций и правительств всего мира. Они, в свою очередь, вкладывают больше средств в исследования, которые, по их мнению, принесут лучшие результаты. Прямо сейчас существует золотая жила инвестиций, которая только растет. Корпоративные инвестиции в ИИ в ближайшее десятилетие вырастут примерно на 50% в год. Общая направленность новых исследований ИИ перерастает от машин, которые лучше описывают данные, к предсказанию того, что будет дальше, к святому Граалю ИИ, предписывающему более эффективные способы действий.
Типы машинного обучения
ИИ продолжает развиваться от атавистической статистики, которая просто описывает мир, к составлению сложных прогнозов, а затем предписыванию способов действий для людей и, в конечном итоге, к самим действиям. Инструменты, необходимые для развития этих способностей, становятся все более похожими на человеческие в том, как они понимают мир. В то время как перцептрон был недостаточен для всего, что было связано с технологиями 1950-х годов, искусственные нейроны - это дизайн большей части современного искусственного интеллекта посредством машинного обучения в форме глубоких нейронных сетей. За короткое время ИИ перешел от простых структур данных и символьных алгоритмов к сложной искусственной неврологии, построенной на растущих структурах доступных данных и оборудования.
Обычная старая наука о данных
В самом общем виде статистика - это создание модели, которая оценивает неизвестные параметры. Вывод, вероятность, частота, наука о данных, машинное обучение, искусственный интеллект, человеческий интеллект… Галерея мошеннических подходов к решению основной проблемы: совершенное знание невозможно, так как же нам заполнить пробелы, когда мы сталкиваемся с чем-то новым?
Статистика стара, как первые люди, делающие предположения, основанные на наблюдениях. Греческий историк Фукидид описал частотный метод, использовавшийся в V веке до нашей эры. Одна из первых современных статистических моделей отслеживала смертность с помощью выборки, сигнализирующей о бубонной чуме (Graunt). Примерно в то же время исследование случайности использовалось для вычисления вероятностей в азартных играх (Паскаль). Статистические работы по демографии и теории вероятностей начали сближаться (Лаплас) на протяжении веков, в конечном итоге превратив враждующие философии, такие как частотные и байесовские, в общий набор методов.
С появлением компьютеров и революцией в области больших данных возникла новая область науки о данных, которые в основном являются статистиками, которые знают, как обрабатывать большие объемы данных и могут немного программировать компьютеры. Как и другие ученые, они проверяют гипотезы на больших наборах данных, используя свои собственные инструменты, а именно такие программные пакеты, как R или Python scikit.
Хорошим примером полезной статистики для экстраполяции сигналов от неполных знаний является одна из самых простых и старых, называемая линейной регрессией. Представьте, что вы сравнили рост людей с размером обуви. В то время как каждая точка на двухмерной диаграмме представляет одного человека, в группе людей вырисовывается закономерность. Как правило, чем выше человек, тем крупнее будут его ступни. Теперь давайте проведем линию через то, что кажется средним для каждого значения. Эта строка - наш прогноз. Скажем, средний человек ростом 60 дюймов носит обувь 8-го размера, а человек 70 дюймов - 11-й размер.
Но насколько хороша наша линия прогнозов? Чтобы выяснить это, мы можем измерить расстояние от каждой точки до линии. Это расстояние называется ошибкой, потому что наша оценка неверна по сравнению с реальным наблюдаемым значением. Затем мы возводим ошибки в квадрат (чтобы дальние точки выступали еще больше) и складываем их все. Эта сумма называется суммой квадратов ошибок (SSE). Что мы хотим сделать, так это нарисовать линию прогноза, которая наилучшим образом соответствует имеющимся у нас точкам данных, и это имеет самый низкий SSE, поскольку это означает, что в целом наша линия находится ближе всего к большему количеству точек. Линейная регрессия - это метод расчета наилучшей линии прогноза для набора данных.
Хотя у нас никогда не будет линии, которая точно предсказывает каждое новое измерение, нам нужна только одна, достаточно близкая, чтобы быть полезной. Вот в чем суть науки о данных. Мы ищем не идеальное, а полезное. Также нет закона, который гласит, что вы должны группировать точки данных, используя прямые линии. Мы также можем попробовать изогнутые линии, также известные как нелинейная регрессия, например, в случае измерения среднего роста по возрасту. После того, как люди достигают 18 лет, корреляция между ростом и возрастом имеет тенденцию к сглаживанию, а чуть позже в жизни даже сокращается.
Иногда мы хотим проанализировать кластеры данных (K-средства) или уменьшить размеры или функции в игре (многостороннее обучение) или преобразовать один тип данных в другой (автоматическое кодирование). Более того, не все данные являются числовыми. Иногда мы хотим классифицировать вещи, например, это изображение кошки или собаки? Инструменты для достижения этой цели разнообразны, включая логистическую регрессию, K-ближайших соседей, машину опорных векторов (SVM), деревья решений, случайные леса и так далее. Как специалист по данным может узнать, какие алгоритмы использовать, не говоря уже о том, как согласовать выбранную модель с набором данных?
Ответ таков: мы позволяем машинам делать работу за нас. Мы обучаем модель с помощью обучающего набора данных и стремимся уменьшить количество ошибок по сравнению с набором данных проверки. Затем проверьте, насколько в целом полезна эта модель, с помощью набора данных test. Другими словами, мы обучаем машину тому, как учиться, подгоняя кривую прогнозирования к общему шаблону обучения, проверки и тестирования.
Глубокие нейронные сети ∩ Машинное обучение = Глубокое обучение
«Совершенство - это искусство, завоеванное обучением и привыканием… мы повторяем это неоднократно». - Аристотель через Уилла Дюранта
Искусственные нейронные сети (ИНС) во многом вдохновлены биологическими нейронными кластерами неокортекса. Глубокие нейронные сети (DNN) - это ИНС, в которых между входом и выходом есть много слоев нейронов, другими словами, сеть является глубокой. Глубокое обучение - это, по сути, обучение DNN с большим количеством данных до тех пор, пока сеть не начнет «формироваться» общностями в этом наборе данных. Допустим, вы тренируете DNN с множеством изображений кошек. При наличии достаточного количества изображений DNN начнет распознавать общие атрибуты, составляющие кошку. Когда вы дадите ему изображение, которого он раньше не видел, он с некоторой степенью уверенности может определить, есть ли на нем кошка. Машинное обучение - это не волшебство, это просто подгонка многомерной кривой.
Рассмотрим звуковую волну. Поскольку звук - это просто колебания в воздухе, давно было обнаружено, что уникальные звуки могут быть сведены в одну уникальную волну. Допустим, у нас есть серия сигналов, в которых разные люди произносят слово «привет». Что-то в волнах достаточно похоже, чтобы любой человек, способный их услышать, мог разобрать слово «привет» (даже если они не говорят по-английски). Хотя волны могут выглядеть не совсем одинаково, есть некоторая общность, которую можно извлечь с помощью хитроумного алгоритма.
Отправьте множество отсчетов звуковой волны для «приветствия» DNN, и она может, посредством серии весов и корректировок своей внутренней структуры, начать распознавать образец в любой форме волны. Затем, когда вы транслируете серию сигналов, скажем, разговора, он может выделить определенный сегмент волны как слово «привет». Это смутно имитирует наши человеческие нейроны, распознающие друга, кричащего «привет» через переполненную комнату.
Оказывается, способность распознавать закономерности в наборе зашумленных данных одинакова, говорите ли вы об аудио, изображениях, видео, электрических импульсах, финансовых данных или многих других сигналах. Математическое представление этих данных называется тензором (представьте себе многомерную матрицу). Пока данные можно преобразовать в тензор, они подходят для глубокого обучения, и оказывается, почти все, с чем взаимодействуют люди, является.
DNN и глубокое обучение открывают мир методов машинного обучения для различных целей. Приведенный выше пример «привет» был способом классификации наблюдения и становится довольно популярной техникой в области машинного обучения. Оказывается, при правильных стимулах можно научить машины не только наблюдать, но и действовать.
Под наблюдением, без присмотра и с подкреплением
Примеры, которые мы рассмотрели, обычно попадают в категорию под названием контролируемое машинное обучение (SL). Слово «контролируемый» здесь означает, что наши обучающие данные имеют значение (зависимую переменную), которое представляет то, что мы обучаем ИИ предсказывать. Если мы хотим обучить сверточную нейронную сеть (CNN) распознавать изображения, на которых изображены кошки, мы должны тренировать ее на множестве других изображений кошек, которые люди уже назвали кошками. Если вы когда-либо сталкивались с современным тестом Google CAPTCHA (безопасность), вам, возможно, предоставили серию изображений и сказали что-то вроде: «выберите изображения, содержащие знак остановки». Это Google использует вас для маркировки своих изображений, чтобы позже он мог обучить DNN автоматически распознавать знаки остановки. Ты, дорогой человек, надзираешь за машиной.
Возникает вопрос, существует ли машинное обучение без учителя (UL)? Если у вас много данных и вы хотите выявить закономерности, но еще не совсем уверены, что это за закономерности, вы не можете пометить их. Представьте, что у вас есть несколько складов, на которых сканируются входящие товары и отслеживается их геолокация. Предоставляя только эти местоположения, определенные алгоритмы (изоляционный лес, кластеризация k-средних, автокодировщики переменных и т. Д.) Узнают, где, как ожидается, будут находиться ваши продукты. Если сканирование где-то неожиданно, например в Антарктиде, может вызвать предупреждение о том, что сигнал является аномалией. Неконтролируемое машинное обучение обычно используется при обнаружении многих аномалий, от логистики до банковского мошенничества, профилирования потребителей и систем рекомендаций ... в любое время, когда вы ищете хорошую репрезентативную форму на основе данных.
В последнее время специалисты по машинному обучению играют с объединением компонентов SL с UL в тип ML, который называется генеративными состязательными сетями (GAN). Мы могли бы назвать GAN полууправляемыми моделями, потому что они обучаются путем включения неконтролируемой модели для обучения (и генерации) известной контролируемой модели (противник). Детали более глубокие, чем нам нужно здесь, но сети GAN обладают интересной мощью для сбора массивов известных работ и генерации результатов, которые достаточно похожи, чтобы быть полезными. Например, предоставить корпус классической музыки и попросить GAN создать бесконечный запас новой музыки, которая в некоторой степени звучит как исходная. Хорошо обученные GAN отлично подходят для создания новых творческих начинаний, таких как бесконечный выбор нестандартных кроссовок. В начале 2019 года было заявлено, что GAN OpenAI настолько хорош в создании убедительных фейковых новостных статей, что было сочтено слишком опасным для публики.
В истории психологического бихевиоризма Собака Павлова обычно является экспериментом, о котором большинство из нас кричало бы в мелочах. Но за много лет до того, как Иван Павлов позвонил в свой кормовой звонок, Эдвард Торндайк открыл закон эффекта, который гласит, что удовлетворительные последствия имеют тенденцию повторяться, что привело к исследованию под названием Operant Conditioning. В этом суть третьего типа машинного обучения, называемого обучением с подкреплением (RL). В отличие от машинного обучения с учителем или без учителя, обучение с подкреплением выходит за рамки данных как таковых и вместо этого фокусируется на обучении агентов действовать в заданной среде. Мы обучаем этих агентов так же, как мы обычно обучаем других людей, награждая желаемое поведение и наказывая нежелательное для достижения некоторой цели . Компьютерное обучение с подкреплением существует уже несколько десятилетий назад. Однако RL переживает ренессанс благодаря появлению глубоких нейронных сетей, в первую очередь Deep Q-Networks (DQN). RL, как правило, является современным инструментом, который выбирают для тренировочных машин, чтобы делать то, что недавно делали люди, например, тренировочные машины, чтобы побеждать чемпионов мира в го (AlphaGo) с целью победы, или обучать компьютеры торговать акциями. автономно лучше и быстрее, чем любой человек, с целью получения более высокой прибыли. Из всех инструментов в наборе робототехники обучение с подкреплением может стать самым разрушительным.
Когда вы свяжете вместе RL, SL и UL, вы получите представление о следующих нескольких десятилетиях исследований ИИ. Рассмотрим беспилотные автомобили. Вы можете использовать камеры и модели CNN (SL), чтобы видеть и обнаруживать объекты, использовать изолирующий лес (UL), чтобы судить, имеют ли все вместе общий смысл - например, снеговик на пальме - и DQN (RL) - автомобиль для реагирования на основе на лучших доступных знаниях с целью ехать по дороге, не задев живое существо или не будучи задетым. В то время как передовые исследователи продолжают создавать все более изощренные модели машинного обучения, мы, смертные, можем складывать их вместе, как кусочки пазла, новыми и интересными способами.
Кобаяси Мару
Несмотря на обещание искусственного интеллекта, основанного на машинном обучении, и быстрые успехи последнего десятилетия, отрасль должна решить несколько проблем, прежде чем мы сможем безопасно сосуществовать с нашими личными домработницами-роботами Рози. Искусственный интеллект не только сложен в реализации, но, в отличие от кода, нелегко проверить изнутри и увидеть, что происходит, что заставляет нервничать многие отрасли с жестким контролем качества. Отказ от ИИ усугубляется той же институциональной инерцией, которая тормозит любую новую идею: «У нас все хорошо в течение многих лет», «кто вы такие, чтобы что-то менять», «ваши шибболеты ошибочны, ботаник» и т. Д. Скопируйте известные предвзятости в данных, а также экономические и философские проблемы, а также экзистенциальные угрозы искусственного интеллекта в целом, и нам предстоит много работы, прежде чем выпустить эту кошку из мешка.
Сложность
«Есть истины, которые нужно открывать, но истины сложны и многогранны». - Гарри Клор
Известно, что глубокие нейронные сети трудно распутать. Нелегко спросить компьютер, как он пришел к тому или иному решению. Кевин Славин, научный сотрудник Media Lab Массачусетского технологического института, сказал: «Сейчас мы пишем алгоритмы, которые не можем прочитать. Это делает этот момент уникальным в истории, поскольку мы подвержены идеям, действиям и усилиям совокупности физиков, которые имеют человеческое происхождение без человеческого понимания ». Помимо сложности разработки моделей машинного обучения, их использование может быть не менее неприятным. Есть много случаев, когда классификаторы глубоких изображений могут быть обмануты небольшим шумом на фотографии, невидимой для человека, но могут обмануть ИИ, чтобы он, например, поверил, что изображение автобуса на самом деле является страусом.
Но по мере того, как исследования машинного обучения продолжаются, эти атаки учитываются и превращаются во все более надежные модели. Оказывается, атака, которая может генерировать шум, также может быть использована для его смягчения. Вроде как прививка ИИ от известных вирусов. В будущем нам придется разработать своего рода иммунную систему, которая распознавала бы уловки все более изощренными и применяла прививки от них.
Тонкая, но важная проблема - это назревающий «кризис воспроизводимости». Хотя методы искусственного интеллекта помогают ученым открывать новые горизонты в таких сложных областях, как сворачивание белков (искусственный интеллект DeepMind забрал домой золото в международном соревновании между ведущими учеными мира в 2019 году), многие победы носят пирровый характер. Краеугольным камнем науки является способность воспроизводить результаты, но без конкретного набора шагов, которые ИИ предпринял для достижения своих результатов (какими бы правильными они ни казались), ставит границы науки на шаткую почву. Пока мы не сможем заглянуть в мозг ИИ и понять, как он пришел к своим выводам, нам придется действовать осторожно.
Предвзятость
В начале 2018 года исследование лучших ИИ по распознаванию пола от Microsoft, IBM и Megvii правильно определяло пол человека в 99% случаев - если вы белый. И наоборот, темнокожих женщин точно идентифицировали только в 35% случаев. Причина расхождения связана с изображениями, выбранными для обучения моделей машинного обучения. Несмотря на то, что у специалистов по обработке данных мало оснований полагать, что у них есть расовые намерения, бессознательная предвзятость набора данных, который они выбрали для использования, проявилась в модели. Риск здесь заключается в использовании этих предвзятых моделей для профилирования людей в производственных условиях, что может привести к ложной идентификации, арестам и наказанию. Все основано на показаниях машины, которая, как мы склонны полагать, не может иметь предрассудков. Это лишь один из многих примеров одичания ИИ из лучших побуждений.
Хорошая новость заключается в том, что в настоящее время академические круги и промышленность предпринимают согласованные усилия по выявлению и учету предубеждений в моделях машинного обучения и данных обучения. MIT-IBM Watson AI Lab - одна из групп, работающих над улучшением технической стороны, в то время как группы поддержки, такие как AI Now в Нью-Йорке, предупреждают должностных лиц об опасности принимать результаты ИИ за чистую монету, особенно когда утверждения сильно расходятся с нашей человеческой интуицией.
Экономическая
«Эти новые машины обладают огромной способностью разрушить нынешнюю основу промышленности и снизить экономическую ценность обычного заводского служащего до такой степени, что его не стоит нанимать любой ценой ... нас ждет промышленный революция безупречной жестокости ». - Норберт Винер, математик и один из первых компьютерных пионеров, 1949 г.
Многие антиутопические истории о безумном искусственном интеллекте происходят в мирах злобных машинных суперинтеллектов, от Матрицы до Терминатора. Хотя технологическая сингулярность возможна, существуют более тонкие экономические проблемы, которые не зависят от мрачного краха цивилизации. Если мы не будем осторожны, мы уже с головой окунемся в технократию с горсткой элиты, обладающей ноу-хау и долей собственности в машинах, ответственных за наибольший прирост производительности. Большинство новых миллиардеров за последние два десятилетия выросли из рядов технологического сектора, за ними следуют новые миллионеры и профессионалы в области высоких технологий.
В то время как производительность неуклонно растет, средняя заработная плата сотрудников остается неизменной для большинства, кроме тех, кто находится наверху, кто владеет новыми технологиями и меняющейся экономикой или глубоко разбирается в них. Поскольку потребность в физическом труде в сельском хозяйстве стала автоматизированной, численность сельского хозяйства сократилась. Поскольку повторяющееся, но техническое ноу-хау производства продолжает автоматизировать, количество людей, необходимых для выполнения этой работы, также сокращается. И нет оснований полагать, что эта тенденция не сохранится, поскольку автоматизация ИИ для когнитивной, профессиональной и творческой работы все больше автоматизируется. Какой сектор экономики останется для людей? Хотя некоторые надеются, что образование для новых рабочих мест станет для нас спасительной благодатью, стоит отметить, что образовательная «лестница» на самом деле представляет собой «пирамиду». Существует предел тому, сколько специалистов по данным или руководителей требуется миру, и это намного меньше, чем в настоящее время спрос на водителей грузовиков. Если даже половина из 4 миллионов транспортных рабочих мест в США полностью автоматизирована, у них не останется 2 миллионов других рабочих мест.
Мы должны учитывать возможность того, что рабочих мест просто не хватит. Экономисты и политики предложили несколько вариантов - от распределения богатства до универсального базового дохода, основанного на налогообложении любого прироста производительности, полученного с помощью ИИ. Каждая возможность вызывает множество вопросов. То, как мы справляемся с этой возможностью, выходит за рамки наших возможностей, но наше общество, похоже, совершенно не готово к этому обсуждению.
Философский
В творчестве «Звездного пути» «Кобаяши Мару» - это проверка того, как офицеры Звездного Флота действуют в безвыигрышном сценарии. Люди редко сталкиваются с реальными ситуациями, в которых отсутствуют какие-либо жизнеспособные варианты, а концепция казалась настолько далекой и философской, что публика аплодировала, когда капитан Кирк нашел способ победить ее. Но мы приближаемся к точке, когда в мире, который позволяет компьютерам принимать решения, людям придется заранее программировать то, что компьютер должен делать. Кого должен принести беспилотный автомобиль в жертву на обледенелой дороге, когда пешеход стоит посередине и не надеется вовремя остановиться? Должна ли машина убить пешехода или сбить машину с моста в ледяную бездну, убив пассажира? Что делать, если пешеход - ребенок? Что делать, если в машине четыре пассажира? Нам, людям, которые долго томятся на уроках философии первокурсников, нелегко ответить на эти ответы. Но поскольку мы сталкиваемся с миром, в котором будут встречаться эти сценарии, мы должны заранее сообщить нашим машинам, как реагировать. Несмотря на всю кажущуюся магию ИИ, ему все еще не хватает элементарного здравого смысла и сострадания, и поэтому мы должны научить его тому, что правильно.
Более того, по мере роста когнитивных способностей машин они достигнут стадии, когда наш собственный моральный кодекс должен быть поставлен под сомнение. Заслуживает ли вообще андроид, который выглядит, разговаривает и действует как человек, каких-либо прав? Этот темный вопрос был решен в фильме AI. Хотя в конечном итоге именно Стивен Спилберг направил его в золотое дно научной фантастики и спецэффектов, рассказы, на которых был основан фильм, изначально были приобретены автором Стэнли Кубриком. Это история о ребенке-андроиде, запрограммированном на любовь (или, по крайней мере, убедительно смоделированном), и о том, как он и мир взаимодействуют друг с другом. Некоторые относились к андроиду как к человеку, проецируя на него свои ценности человеческих детей, в то время как другие считали, что искусственное означает полное отсутствие прав, несмотря на протесты машины.
Если эта история кажется фантастической, вспомните проект Массачусетского технологического института Квест. Он строит все более сложные нейронные сети, как моделирование человеческого ребенка, который со временем учится. Другие проекты раскрывают, как мозг превращает необработанные сигналы в чувства, восприятия, концепции и, возможно, само сознание. Каковы этические соображения относительно полностью смоделированного человеческого мозга, который действует полностью как человек во всех отношениях?
Хотя такого рода философские и литературные ситуации озадачивали человечество на протяжении поколений, мы - поколение, которое должно начать находить на них реальные ответы. И эти решения будут иметь реальные последствия для будущих поколений.
Лето AI
В отличие от некоторых других развивающихся технологий, таких как блокчейн, вопрос о том, внедряют ли компании ИИ, на самом деле не является вопросом. ИИ неизбежен, потому что экономические стимулы искусственного разума слишком сильны, чтобы их остановить. Но хорошая новость заключается в том, что мы можем выбирать, как реагировать, уже достаточно рано.
Хотя недостатки ИИ могут показаться мрачными, есть много положительных моментов, которые нельзя упускать из виду. Если мы сможем выяснить социальные факторы, мы сможем реализовать мечту о промышленной революции: больше свободного времени для всех нас, чтобы преследовать личные интересы. Кому вообще нужна 40-часовая рабочая неделя? Я бы хотел проводить больше времени с семьей, позволяя своей роботизированной газонокосилке стричь газон или отвечать на электронные письма моему помощнику с искусственным интеллектом. Мы могли бы полностью автоматизировать сельское хозяйство, снизив при этом зависимость от химикатов, упростить вооруженные силы, одновременно сократив человеческие жертвы, автоматизировать производство продукции на суше, одновременно сократив транспортные расходы и, следовательно, выбросы углерода; Будем надеяться, что при распределении прибыли результат, генерируемый сетью машин, требующей минимального вмешательства человека, наконец вытащит человека из Турка. Мечта об обществе пост-дефицита возможна впервые в истории.
Что мы будем делать со всем этим свободным временем ... как насчет хорошей партии в шахматы?
