Термин искусственный интеллект был придуман в 1956 году ученым-компьютерщиком и профессором математики Джоном Маккарти из Дартмутского колледжа. Многие ученые до сих пор вносят свой вклад в эту область, но почему бум ИИ произошел сейчас, а не в середине 20-го века или несколько десятилетий назад? Какое возможное влияние ИИ может оказать на наше общество? Какие типы рабочих мест будут ликвидированы/созданы, отметьте От промышленной революции к революции ИИ.
По сути, слияние трех движущих сил вызвало бум ИИ.
Вычислительная мощность
Для создания высокофункциональных систем необходимо иметь подходящее оборудование и инфраструктуру. Ранние персональные компьютеры не имели достаточной мощности. Суперкомпьютеры были очень дорогими и были недоступны даже малым и средним организациям. Теперь кластер графических процессоров Nvidia (стоимостью в несколько сотен тысяч долларов) может сравниться по возможностям с суперкомпьютером. Кроме того, существуют облачные сервисы графических процессоров, которые легко доступны каждому. Реализация алгоритмов машинного обучения на графическом процессоре может ускорить процесс обучения в 10–100 раз.
Google выпустил TPU (Tensor Processing Units), который, как утверждается, в 15 раз быстрее, чем GPU (графические процессоры), и разработан специально для машинного обучения. IBM работает над созданием системы квантовых вычислений для своего суперкомпьютера Watson.
Доступность данных
Сегодня мы генерируем больше данных, чем когда-либо прежде. Социальные платформы, такие как Google, Facebook и все крупные организации, имеют все основные личные данные о вас. Uber знает все ваши местоположения. Один современный автомобиль имеет 100 или более датчиков, которые контролируют такие функции, как уровень топлива и давление в шинах. Чтобы обратить внимание на быстрый рост данных, 4 года назад IBM сообщила, что 90% данных в современном мире были созданы только за последние два года.
Разработка лучших алгоритмов благодаря доступности данных
Раньше просто не было достаточно доступных данных для обучения машины, не говоря уже о построении алгоритмов, позволяющих машинам обучаться самостоятельно. Чем больше у нас данных, тем лучше работают алгоритмы. Алгоритмы искусственной нейронной сети были разработаны в 80-х годах. Но данных и вычислительной мощности не было. Этот взрыв данных и вычислительной мощности позволил усовершенствовать алгоритмы и разработать более обширные наборы данных, которые алгоритмы могут использовать для машинного обучения. Например, распознавание речи является ярким примером этого: прогресс в распознавании речи тесно связан с размером наборов данных, доступных для обучения — для обучения требуется несколько сотен тысяч часов речи. За последнее десятилетие или два стали доступны большие наборы данных. Стало возможным обучать алгоритмы, используя каждое изображение на Flickr, видео на Youtube и т. д. Два десятилетия назад это было невозможно. Глубокое обучение было довольно успешным в течение последних 7 лет. Были изобретены новые алгоритмы, которые придали скорости и точности DNN — автоэнкодеры, стохастический градиентный спуск с мини-пакетами, функции активации ReLU, отсев для регуляризации, сверточные структуры нейронных сетей и многое другое.
По словам Эндрю Нг, Искусственный интеллект — это новое электричество. Как электричество внесло изменения в каждый сектор, так и искусственный интеллект (ИИ). Данные становятся новой нефтью. Машинное обучение становится новым двигателем внутреннего сгорания.
Насколько далеко продвинулся искусственный интеллект и какое возможное влияние он окажет на наше общество и рабочие места в будущем, смотрите в разделе От промышленной революции к революции ИИ.
Первоначально опубликовано на сайте blog.wecognize.com 11 апреля 2018 г.
