Что такое Искусственный Интеллект, откуда взялся термин, почему он не совсем корректный.

5 (3)

37 уроков
31 просмотров
3.6 ч.

Программа курса: что вы изучите

1

Первая секция курса

Описание секции курса
Что такое ИИ, откуда взялся термин, почему он не совсем корректный, две зимы и каковы причины современного хайпа

00:07:07

Описание

Курс «ИИ для менеджеров».
01. Что такое ИИ

 

Итак, начинаем. У нас первое занятие, я сосредоточен и настроен на чуткое отношение к вашим запросам. Очень надеюсь на ваш живой отклик, поэтому сейчас прошу вас внимательно слушать, затем выполнять проверочную работу и с нетерпением ждать следующего занятия, которое будет уже завтра. Ну и все подписчики могут без стеснения и смущения обращаться ко мне лично по Телеграму.

 

Сегодня мы детально изучим, что такое этот самый Искусственный Интеллект, откуда пошёл термин, что под ним подразумевается и почему русский термин не равнозначен английскому «Artificial Intelligence», и что может из этого следовать. Во второй половине сегодняшнего видео я расскажу про две так называемых «зимы» искусственного интеллекта, каковы были их причины и почему, несмотря на них, сегодня мы видим невообразимый хайп. Итак, поехали.

 

Термин «Искусственный Интеллект» был введён на Дартмутском семинаре в 1956 году известным специалистом по компьютерным наукам Джоном МакКарти, который, к слову, разработал язык программирования ЛИСП. Джон МакКарти использовал английский термин «Artificial Intelligence» для обозначения набора новых информационных и компьютерных технологий, которые должны были бы решать сложноалгоритмизируемые задачи примерно так же, как это делает человек. В те времена, а это были 50-ые годы XX века, учёные связывали много надежд с развитием компьютерной техники, и два корифея Искусственного Интеллекта — уже упомянутый Джон МакКарти и его товарищ Марвин Мински основали первую лабораторию на базе Массачусетского Технологического Университета, в которой запустили исследования. Тогда все были настроены очень романтично и оптимистично, и кто-то даже сказал, что будет достаточным провести летнюю школу длительностью в пару месяцев, где несколько десятков учёных и аспирантов подготовят программу и реализуют искусственную интеллектуальную систему. Этого не случилось.

 

Лаборатория искусственного интеллекта в МИТ первым делом накинулась на задачу распознавания визуальных образов, поскольку она считалась наиболее важной для жизнедеятельности в объективной реальности, и через некоторое время учёные и разработчики поняли, что силами одного аспиранта, которому была поставлена задача реализовать программу для симуляции человеческого глаза и всей лежащий за ним системы, задачу не решить. Хотя бы в силу отсутствия знаний о физиологии зрения. К слову, мы до сих пор в целом не понимаем, как человеческий мозг воспринимает информацию, хотя с тех далёких пор было сделано много открытий. Тем не менее, новое направление получило мощнейшее развитие, наступил первый хайп искусственного интеллекта. Напоминаю, это были 50-ые годы прошлого века. Наши деды и отцы уже умели в искусственный интеллект.

 

Что же такое «Artificial Intelligence»? Действительно, этот термин можно дословно перевести как «искусственный интеллект», однако Джон МакКарти, который предложил этот термин, предполагал определённые вычислительные алгоритмы для симулирования различных свойств человеческой интеллектуальной деятельности, но вряд ли думал про интеллект в том смысле, в котором мы понимаем слово «интеллект» в применении к человеку. Для англоязычного человека слово «intelligence» не несёт столько же антропоморфного налёта, сколько слово «интеллект» для русскоязычного в применении к человеку. Разумно рассуждать могут, например, искусственные объекты и организационные системы. В русском языке мы чаще склонны вносить антропоморфные нотки и коннотации, и, на мой взгляд именно отсюда идёт столько алармизма именно в русскоязычном сообществе — когда мы говорим «искусственный интеллект», мы представляем себе искусственное существо с самоосознанием, хотя, конечно, англоязычные люди тоже так делают, особенно в связи с накачкой темы в массовой культуре.

 

Я думаю, что это может привести к тому, что именно в нашей среде, то есть нашими программистами будет дано рождение тому, что называется «сильный искусственный интеллект» — именно такое самоосознающее существо. Дело не за горами, это произойдёт при нашей жизни, так что посмотрим…

 

Переходим ко второй части и быстро рассматриваем две «зимы» искусственного интеллекта и причины современного хайпа вокруг него. Что такое «зима»? После первых неудач на фоне радужного настроения, произошло уныние. Массового внедрения искусственных нейронных сетей не произошло из-за слишком слабых вычислительных мощностей, которые были в распоряжении у первых исследователей. И хотя теория нейросетей была проработана к тому времени довольно хорошо, а я продолжаю говорить о 50-ых годах прошлого столетия, реализация подкачала. И первая зима наступила после того, как всё финансирование исследований по искусственному интеллекту было урезано. На два десятка лет направление погрузилось во тьму, и только стойкие энтузиасты продолжали его двигать.

 

Второй хайп вокруг технологий искусственного интеллекта произошёл в 80-ых годах XX века с появлением новой парадигмы — экспертных систем. Тогда на этот класс информационных и поисковых систем, которые манипулировали символьной информацией и осуществляли объяснимый вывод на экспертных знаниях, ставили очень много. Открылись огромные потоки финансирования, отрасль ожила, были созданы отличные примеры экспертных систем, были разработаны специальные наборы инструментов для их быстрого создания, ну и фундаментальная наука тоже не отставала — многочисленные методы принятия решений в условиях неопределённости были разработаны именно тогда именно в связи с этим вторым хайпом. Но восторженные разработчики систем искусственного интеллекта натолкнулись на молчание экспертов, которые выступили в роли, скорее, неолуддитов. Никто не хотел делиться своими экспертными знаниями и, более того, никто не хотел заниматься самостоятельной их формализацией. Несмотря на то, что теория экспертных систем была проработана очень хорошо, практика подкачала. Наступила вторая зима искусственного интеллекта — всё финансирование было закрыто из-за отсутствия каких-либо значимых результатов.

 

И вот во втором десятилетии XXI века наступает третий хайп вокруг искусственного интеллекта, который мы наблюдаем сегодня. Какой стартап ни возьми — заявляется об использовании различных методов искусственного интеллекта, глубокого обучения, анализа больших данных и вот этого вот всего. Почему? В своём понимании я вывел два тезиса. Во-первых, постепенно уходят старые мэтры, которые могут предупредить молодёжь от чрезмерного романтичного настроения. Новые умы слишком восторженно смотрят на технологии. Но почему бы и нет, ведь, во-вторых, развитие компьютерной техники привело к тому, что сегодня на простом ноутбуке можно запустить искусственную нейронную сеть с тысячами слоёв, в то время как во время первого хайпа на мощнейшем сервере того времени можно было погонять простейшую реализацию нейронной сети с несколькими сотнями нейронов, пытающейся моделировать функцию распознавания образов человеком. Всё-таки, вычислительные мощности взлетели, и это даёт основание полагать, что третий хайп будет последним, и именно он приведёт к появлению настоящего искусственного интеллекта. Ну и, всё-таки, развитие также получили и многочисленные математические модели, так что сегодня мы располагаем намного большим пониманием алгоритмов и методов, которые могут лежать в основе разумности человека.

 

Итак, что мы узнали? Краткая история термина «искусственный интеллект», откуда он пошёл, кто был его автором и что он обозначает. Мы выяснили про две зимы искусственного интеллекта и пофантазировали на тему того, почему третий хайп, который мы сегодня наблюдаем, может стать последним. Через некоторое время в канале появится ссылка на тест, прошу его проходить. Ну и жду обращений с вопросами. Всем удачи. Пока.

ИИ и междисциплинарные исследования: научные направления, лежащие в основе

00:06:58

Описание

Курс «ИИ для менеджеров».
02. ИИ и междисциплинарные исследования

 

Приветствую вас, друзья. Мы продолжаем наш вводный курс по Искусственному Интеллекту, и это наше второе занятие. Сегодня мы рассмотрим все предпосылки возникновения интересной нам области исследования и научного знания, поэтому приготовьтесь немного погрузиться в историю развития науки, философию науки и различные научные отрасли. Приготовились? Поехали.

 

Даже древние греки задумывались о природе человеческого интеллекта и сознания, но их философы размышляли ещё в духе мистического мировоззрения, которое предполагает наличие у человека некой субстанции, отвечающей за то, чтобы человек был человеком. Не важно, как эта субстанция называется, для простоты понимания назовём её «душой». Так вот в античные времена считалось, что у человека есть три души — душа растения, душа животного и, собственно, разумная душа человека. Такое разделение предложил Аристотель, и я надеюсь, что все вы знаете, кто это такой. Ну он учился у Платона, другого мощного древнегреческого философа, который написал диалог «Государство», в котором описал свою знаменитую аллегорию «Пещера теней». Аристотель основал Ликей и был учителем того самого Александра Македонского.

 

Но мы несколько отвлеклись. Итак, три души по Аристотелю. Первая отвечала за рефлекторные реакции, вторая за эмоции, а третья за разум. Как видим, древние философы были мудрыми и вполне предвидели современную модель мозга млекопитающих, предполагающую деление на три части для управления, соответственно, рефлексами, эмоциями и сознанием.

 

Наверное, если бы античный мир не пал под натиском варваров и человеконенавистнических культов, что погрузило Европу во тьму мракобесия на многие века, сегодня бы мы уже колонизировали дальние звёздные системы. Но искра разума возникла только в Новом времени, и возобновлением исследований можно назвать выход в 1637 году книги «Рассуждение о методе» французского философа и математика Рене Декарта, в которой автор вводит тезис, сегодня известный как Cogito ergo sum. Книга является вехой в истории науки и открывает собой как философию Нового времени, так и, фактически, запускает Ренессанс в науке, делая её единственно валидным и верифицируемым методом познания мира.

 

Затем наука в целом и исследования человеческого разума постепенно набирали обороты, чтобы к первой половине XX века выйти на финишную прямую, ведущую к появлению междисциплинарного направления «Искусственный Интеллект» в 1956 году, когда Джон МакКарти впервые произнёс этот термин. Давайте кратко рассмотрим основные вехи.

 

Наверное с XVII века или даже ранее делались попытки создать механических кукол, которые вели себя, как люди. Такие попытки ограничивались созданием довольно красивых и очень детализированных кукол, которые могли выполнять какое-нибудь одно действие. Способ выполнения вряд ли был похож на людской. Тем не менее успехи в механике привели к тому, что к концу XIX века Чарльз Бэббидж разработал проект своей разностной машины, а Ада Лавлейс придумала первый язык программирования. Проекту не суждено было увидеть свет, но основные принципы теории вычислений были заложены.

 

В XX веке развитие научного знания шло семимильными шагами, наука ветвилась и начинала рассматривать совершенно различные аспекты объективной реальности. Поэтому к Искусственному Интеллекту прошло несколько разных путей, которые в конце концов сошлись в одной точке.

 

Тогда, в первые десятилетия XX века была разработана мощнейшая программа обоснования математического знания, поскольку учёные хотели иметь стабильный фундамент под всем научным зданием. Многие учёные пытались создать логически стройную математическую систему, в которой получение нового знания могло бы производиться чисто механически. Но, к сожалению (или к счастью), в этом вопросе учёных ждал провал. Сначала Бертран Рассел поколебал основы теории множеств при помощи своего знаменитого парадокса о множестве всех множеств, а потом уже Курт Гёдель поколебал основы теории числе своими знаменитыми теоремами о полноте. Вместе с тем эти философские и математические работы дали глубокое понимание сущности научного знания, и они, в какой-то мере, спустили курок множеству новых направлений исследований.

 

Во-первых, это теория информации, Клод Шеннон и его знаменитые теоремы о каналах без шума и с шумом — они были предтечей кибернетики. Во-вторых, теория вычислений, и здесь надо упомянуть таких светил, как Алан Тьюринг, Алонзо Чёрч и, конечно же, Джон фон Нейман, имя которого носит современная архитектура компьютеров, используемых повсеместно. Эти ребята заложили основы всей вычислительной техники и, фактически, обрисовали то магистральное направление, в котором мы сейчас движемся.

 

В-третьих, теория систем, в которой сверкали Карл Людвиг фон Берталанфи и тот же Джон фон Нейман. Если в рамках теории вычислений он заложил основы теории самовоспроизводящихся автоматов, то в рамках теории систем он проработал теорию надёжности. Вообще, удивительно разносторонний был математик. Теория систем и теория информации дали старт четвёртому направлению — кибернетике, и здесь важно отметить такого корифея, как Уильяма Росса Эшби, который ввёл и поработал важнейшее понятие гомеостаза. Ну и нельзя не упомянуть плеяду русских учёных, развивавших кибернетическое понимание мира, — Ивана Алексеевича Вышеградского, Алексея Андреевича Ляпунова, Виктора Михайловича Глушкова и всех подвижников науки.

 

С другой стороны к пониманию и проработке искусственного интеллекта тоже шли многочисленные исследователи, которые использовали биологические, физиологические и даже психологические знания для моделирования высших функций разума человека. И вот, отталкиваясь от физиологии нервных клеток, нейронов, Уоррен Маккаллок и Уолтер Питтс  разрабатывают первую математическую модель искусственного нейрона. Спустя какое-то время Фрэнк Розенблатт предлагает искусственную нейронную сеть, которую он назвал «перцептроном» и которую реализовал «в железе». Перцептрон уже тогда мог распознавать образы, хотя был всего лишь нейросетью с одним скрытым слоем.

 

Также надо отметить, что в последнее время к изучению искусственного интеллекта всё чаще и шире подключаются учёные из таких областей, как нейрофизиология, психиатрия, психология и даже социология. Всё это связано с тем, что подход, основанный на моделировании базовых свойств элементарных элементов, из которых состоит мозг, пока буксует, поэтому делаются попытки идти сверху через «дизассемблирование» сознания и высших психических функций человека, если можно так выразиться. Но об этом мы поговорим в следующий раз.

 

Итак, становится понятным, что искусственный интеллект лежит на стыке таких направлений, как философия науки, формальная логика, теория вычислений, теория информации, теория систем и кибернетика, вычислительная техника, нейрофизиология, психология и даже социология, а потому является междисциплинарной областью исследования. Специалисту по искусственному интеллекту, который хочет проектировать искусственные интеллектуальные системы на высоком уровне, конечно же, надо иметь представление обо всех этих направлениях и последних достижениях в них. Это совсем непросто, тем не менее, это возможно. И далее в нашем курсе мы черпнём понемногу из каждого, и я буду давать подсказки по дальнейшему продвижению.

 

Что ж, пока на этом всё. Мы узнали про все научные области, лежащие в основе искусственного интеллекта. Теперь приглашаю вас переходить к тесту, отвечать на вопросы, общаться друг с другом и со мной. В тесте я постарался подготовить вопросы, для правильного ответа на которые необходимо не только прослушать эту лекцию, но и немного полистать интернет. Дерзайте.

Два направления ИИ: чистый (нисходящий) и грязный (восходящий)

00:07:32

Описание

Курс «Основы ИИ».
03. Два направления ИИ

 

Приветствую вас, друзья. Мы продолжаем наш вводный курс по Искусственному Интеллекту, сегодня у нас третье занятие, и меня зовут Роман Душкин. Я надеюсь, что всё рассказанное мной до сих пор вызывало у вас живой интерес и отклик, а потому сегодня я подобрал для вас крайне и архи интересную тему про грязный и чистый искусственные интеллекты. Ну первый произошёл от свиньи, валявшейся в грязной луже, в второй — от того парня с неврозом навязчивых состояний, который постоянно моет руки. Заинтригованы? Тогда погнали!

 

В некотором царстве, в североамериканском государстве были два друга-товарища — Марвин Мински и Джон МакКарти. Товарищами они были настолько неразлейвода, что каждый считал своим долгом мгновенно подвергнуть критике высказанные идеи коллеги. Если бы в дремучей древности мудрецы Сократ и Платон не сыграли друг с другом в двойной парадокс лжеца, то это наверняка бы сделали Марвин и Джон. Ну, к примеру, первый бы воскликнул: «Следующее высказывание друга Джона будет ложным», а второй бы сразу парировал: «То, что сказал друг Марвин, истинно». Ну как-то так, да.

 

парадокс.jpg

 

Ну вот эти два замечательных человека собрались и организовали в 1959 году Лабораторию информатики и искусственного интеллекта в рамках Массачусетского технологического института. Это была первая лаборатория для исследования проблем и задач Искусственного Интеллекта, и тогда все были полны романтических надежд и устремлений в будущее. Например, можно вспомнить, что говорил Джон МакКарти за несколько лет до основания лаборатории: «Мы предлагаем исследование Искусственного Интеллекта сроком в 2 месяца с участием 10 человек. Кажется, что всякий аспект обучения или любое другое свойство интеллекта может в принципе быть столь точно описано, что машина сможет его симулировать. Мы попытаемся понять, как обучить машины использовать естественные языки, формировать абстракции и концепции, решать задачи, сейчас подвластные только людям, и улучшать самих себя. Существенное продвижение в одной или более из этих проблем вполне возможно, если специально подобранная группа учёных будет работать над этим в течение лета».

 

nCdaJ0pJaYoX5fr4-B8vlXaT-VI1HMkVyIr2BZRHNxWC8PR6aJ6cpVskHy2V417g5BDwwG7MnCDkp1izSRHWkxTyxXIaJDUSahfIuyPCX-JqUt6tPP71vaiFHZWRCYtUy6V2peEa

Марвин Мински в лаборатории Искусственного Интеллекта МИТ

 

У них ничего не вышло. Тем не менее, исследования в лаборатории шли полным ходом. И вот Джон МакКарти постепенно вводит в обращение основополагающие принципы искусственного интеллекта, которые позже будут названы «чистым подходом» или «нисходящей парадигмой» построения искусственных интеллектуальных систем. Во главу угла МакКарти поставил формальную логику и основанные на ней символьные вычисления. Название «чистый» этот подход получил потому, что он рассматривает чистые, можно сказать «платонические» формы высших психических функций сознания.мозг.png

 

Здесь надо немного обратиться к строгой науке. Математика, как мета-наука или даже язык науки, часто любит оперировать так называемыми формальными системами. Формальная система — это такая достаточно простая математическая структура, которая позволяет описывать разного рода теории, простые, сложные и даже очень замысловатые. Формальная логика — это специальная формальная система, которая вводит два значения и несколько операций над ними. Дальше над формальной логикой надстраивается исчисление высказываний, ещё выше надстраивается исчисление предикатов первого порядка, ну а потом всевозможные исчисления предикатов высших порядков.логика 2.jpg

 

Для чего я вам всё это рассказал? Всё очень просто. Формальная система включает в себя так называемые правила вывода, которые позволяют автоматически вывести очень многие теоремы этой формальной системы из аксиом и ранее выведенных теорем. Фактически, это так называемое «манипулирование символами», когда новые теоремы получаются при помощи механического применения правил вывода к старым. Так вот нисходящая парадигма основана на гипотезе о том, что высшие психические функции сознания можно каким-то образом смоделировать при помощи сложных формальных систем, обрабатывающих символьную информацию. Гипотеза не пуста, так как мы внутри своей головы действительно как-то обрабатываем символьную информацию, но пока никто не знает, как именно. К тому же, против такого понимания мне сейчас сразу же должны возразить те из курсантов, кто вчера читал статью про теоремы о неполноте Курта Гёделя. Надеюсь, что это сделали все.Формальная система.jpg

 

Тем не менее, механическое манипулирование символами позволяет решать очень много задач. В первую очередь, это различного рода вывод новой информации из имеющейся, поиск информации, доказательства и объяснения. Экспертные системы — это яркий образец реализации чистого подхода в искусственном интеллекте. Экспертные системы манипулируют символами в самом своём точном понимании этого слова. Хотя, конечно же, сложно сказать, что внутри экспертных систем сидит какое-то разумное существо. Но об этом мы поговорим чуть позже, когда обсудим парадокс Китайской комнаты. А, возвращаясь к экспертным системам, хочу сказать, что Аллен Ньюэлл и Герберт Саймон ещё в 1976 году разработали универсальный решатель задач, который представлял собой программное обеспечение, получавшее на вход формальное описание задачи и выводившее в результате некоторое решение. На базе этого решателя были созданы конкретизированные решатели для игры в шахматы, доказательства теорем евклидовой геометрии и многого другого. И тогда авторы ввели в научный оборот гипотезу, которая сегодня называется как раз гипотезой Ньюэлла — Саймона и утверждает, что физическая символьная система имеет все необходимые и достаточные средства для выполнения интеллектуальных функций. Это значит, что если гипотеза верна, то настоящий Искусственный Интеллект невозможно создать без символьных вычислений. Впрочем, доказать гипотезу не представляется возможным, хотя, как минимум, один подтверждающий пример у нас есть — это мы сами.

 

allen-newell-2475.jpg

Аллен Ньюэлл и Герберт Саймон

 

Марвин Мински не стерпел такого положения дел и в пику своему другу Джону основал другое направление, которое позже было названо «грязным» или «восходящей парадигмой» искусственного интеллекта. Марвин заявил, что раз товарищ Курт запретил полные и непротиворечивые достаточно сложные формальные системы, то вряд ли нам удастся промоделировать интеллектуальные функции человеческого сознания при помощи символьного подхода. Но тогда надо взять в руки биологию, биохимию и нейрофизиологию, после чего попытаться смоделировать базовые, элементарные объекты и явления в нервной системе и биологии в целом. И тогда, возможно, при непрекращающемся таком моделировании в результате получится искусственный интеллект.

 

UGAXrEeAUczXhFPdztYciHYu7_e6dR_pBfpuz_2m98ItoJ4OEPtUrpKei6Abig7-PSeMmhURW_C5Lqur69WpQ91s2Esex_OKvgG2ji5JmaMkNJYh0zhdCrjox-sD1X5aXwy5rXJUИНС.png

 

Вы должны уже были понять, что очевидным и самым ярким представителем этого подхода является искусственная нейронная сеть. Искусственные нейроны различных типов, множество которых было разработано с тех самых пор, когда Маккаллок и Питтс описали свою первую модель, являются базовыми кирпичиками построения нейронных сетей. И сегодня именно искусственные нейросети стоят во главе третьего хайпа, находясь в самой гуще исследований. Практически 99 % всех новостей об искусственном интеллекте и его сегодняшних достижениях связаны с использованием нейросетей. Другим направлением в рамках восходящей парадигмы можно назвать эволюционные алгоритмы, самым главным представителем которых являются генетические алгоритмы. Также можно вспомнить и про химические вычислительные системы, главным образом основанные на рибонуклеиновых кислотах. В общем, грязный искусственный интеллект моделирует самые базовые основы биологического интеллекта и через это пытается подняться к высшим психическим функциям. Пока тоже не получается.


Роджер.jpg

Но, между прочим, с этим согласен и такой замечательный учёный философ нашего времени, как Роджер Пенроуз. Он хотя и физик, но очень много размышляет над природой сознания, сильном искусственном интеллекте и связанных вещах. В качестве факультативного чтения очень рекомендую его книги «Новый ум короля» и «Тени разума». Переворачивают мировоззрение.


 

Роджер Пенроуз рядом с мозаикой Пенроуза

 

На этой позитивной ноте мы постепенно заканчиваем. Итак, в рамках исследований искусственного интеллекта есть два магистральных подхода — чистый и грязный. Чистый оперирует символами и идёт от непосредственного моделирования высших психических функций интеллекта, а грязный моделирует базовые элементы и через постепенное усложнение и системные переходы стремится взойти к этим же функциям снизу. Оба подхода имеют право на существование, оба включают в себя много различных формализмов и методов, о которых мы детально поговорим позднее. Но пока ни тот, ни другой не привели к успеху. А почему? Потому что истина где-то посередине.Истина2.jpg



 

Теперь приступайте к задачам. Жду ваших вопросов, идей, рассуждений и всего, о чём вы захотите мне рассказать в рамках этого занятия. Всем пока.

Пять подходов к созданию ИИ: интуитивный и тест Тьюринга

00:05:21

Описание

Курс «Основы ИИ».
04. Интуитивный подход и тест Тьюринга

 

Всем привет, и мы начинаем наше четвёртое занятие по искусственному интеллекту. Поскольку тема эта очень горячая, волны хайпа накатывают на нас, надо ускоряться. И сегодня я начинаю рассказывать вам про пять подходов к созданию искусственного интеллекта в рамках тех двух магистральных направлений, о которых мы говорили вчера. Первым подходом является интуитивный подход, который мы рассмотрим сегодня, а в качестве самого яркого примера для него рассмотрим так называемый «тест Тьюринга». Поехали.

 

В 1950 году Алан Тьюринг, про которого вы все должны были уже прочитать и узнать, что это тот самый гений, который взломал коды немецкой шифровальной машины «Энигма» и переломил ход Второй Мировой Войны (на самом деле, нет — если бы не немецкая безалаберность, которая привела к потере нескольких аппаратов с подводных лодок, у Алана ничего не получилось бы)... Ну так вот, Алан Тьюринг, уже пожинавший лавры успеха и всемирной известности по поводу своей модели универсального вычислительного устройства, позже названной «машиной Тьюринга» (кстати, у меня есть знакомый, который в случае чего восклицает: «Клянусь машиной Тьюринга!»)... Ну так вот, этот самый Алан Тьюринг, который вроде как надкусил отравленное цианидом яблоко, из-за чего логотип компании Эппл выглядит вот так, как он теперь выглядит, хотя… это не важно. Блин. Так вот. Алан Тьюринг написал статью «Вычислительные машины и разум», в которой дал описание теста, как некоторой процедуры определения, является ли искусственная система разумной или нет

FfR8j15kYztzDFwWGDA_Tk0vk6vVIzWwZU90-r5J9ULkoo_j16QqwJAT2sigXVawAK4XJPiv6RrctRTEk7FUuY1HJkRVIWJaz6DbBbZRw4cHJO8sFL50VKwbRV1liG5dA39aZMARМашина Тьюринга

 

Тьюринг писал, что процедура позволяет определить, является ли некоторая система, с которой мы беседуем, разумной. При этом разумность или интеллект понимается интуитивно, поскольку определения этим категориям как не было, так и нет. Ну мы, люди, можем как-то интуитивно понять, что наш визави обладает интеллектом, хотя логически, формально доказать это невозможно. Ну вот никто из вас не сможет доказать, что я обладаю интеллектом. Да никто из вас не сможет формально доказать, что я вообще существую. Ну да ладно…

 

Другими словами, процедура, предложенная Тьюрингом, не является конструктивной — он нигде не писал о том, как построить искусственную интеллектуальную машину. Если вдруг вам приспичит прочитать оригинальную статью Тьюринга, то вас ждёт разочарование — автор изложил своё изобретение очень туманно, да ещё и в трёх разных вариантах. Так что исследователи до сих пор ломают копья над тем, как интеллектуальная система должна проходить тест Тьюринга. Но при этом подавляющее большинство исследователей сходятся в одном — тест Тьюринга является необходимым условием для того, чтобы назвать систему интеллектуальной, но совсем не достаточный. Хотя вот я лично с этим совершенно не согласен, и в самом конце этого видео я обосную свою точку зрения.3l0eThvV9MldHoLKgjtqRUDQJe00ZEVNOAWfZcPJOzX1pfZgfbybk6PcUt8qgqtFJnpaulUj_bfTH2tjkKdQO98cATZ4GmBqjED9MuI_7er_4-saOE8yw2e61D0Sq4oYZFTxRwgg

 

Тем не менее, несмотря на то, что тест Тьюринга и интуитивный подход в целом не могут считаться серьёзными инструментами в вопросе разработки искусственного интеллекта, сам по себе тест Тьюринга позволяет определить тот минимальный набор технологий, которые должна реализовывать система, чтобы считаться интеллектуальной. Кратко перечислим их.

EAC5A0C2otUF54QXbC8704R3TM8H6UKcpil1PCtw1eLFCArRNU-04pnTkY_hK8l3JaWlWu7usjF8GQA3i6uKoHGJxUqrNqQ3zBwS9ZmYMn5cGbRoHdjNp9AcvjVcdpQHCj1HRzbwаспекты.jpg

Во-первых, это обработка естественного языка — интеллектуальная система должна уметь общаться с человеком на естественном языке, воспринимая все его неоднозначности, неопределённости и умолчания.

FPNW8DqNjbMsIoJENbTW_CuJjPaCg5sWo4KLK8z0LkEeOXBWmc9Ma0KL-EZbvJcvmDoyMDgCdHgNggu_Lw5eiYSJKO2SmQoU80yEXc8v7QwHoUgSR4zczFjkLp7fmYeMgKknn0C_

 

Во-вторых, это представление знаний. Ну то есть в рамках искусственного интеллекта должны быть представлены как общие, так и специальные знания, при этом система должна постоянно обучаться и дополнять свою базу знаний, в том числе и в процессе диалога с человеком.

 

В-третьих, это логический вывод, когда используя знания и получаемые на вход запросы от человека интеллектуальная система должна осуществлять правдоподобный логический вывод, который позволяет сформировать ответ на том же естественном языке.

vtbrussia_anons_robots_1238_748.jpg

 

      В-четвёртых, это машинное обучение, реализуя которое, система искусственного интеллекта должна быть адаптивной и приспосабливаться к меняющейся ситуации в общении, используя имеющиеся у неё знания в качестве шаблонов и применяя их к схожим ситуациям и, само собой разумеется, актуализируя по результатам свои знания об окружающей среде.llidB7tpjm3978j4x4u-CMw_f4Zaygudkd597m72m1TUOXT0rvYEactlZjkDtM7ZzAMS4aqMRNaQDHbv8lFxd98xvxmi51b09RuhBm0Z3R6LcuUht_I4UZ4OR2aNT2kUPRxqYyfm


 

И, наконец, в-пятых, это наличие дополнительных сенсоров и исполнительных устройств, хотя это требование используется в так называемом «полном тесте Тьюринга», в котором система искусственного интеллекта должна действовать в естественной среде обитания человека, воспринимая её при помощи таких же датчиков, какие есть у человека (видеокамеры, аудиосенсоры, газоанализаторы и др.), и воздействуя на среду при помощи разного рода манипуляторов. Это относится больше к робототехнике.

human_body.jpg

 

Перечисленное уже наводит на размышления о том, что тест Тьюринга направлен на выявление того, что искусственный интеллект должен успешно «мимикрировать» под человека, хотя для наличия интеллектуальных способностей это совершенно не требуется. Ни одна из перечисленных технологий сама по себе не необходима для того, чтобы считать искусственный объект интеллектуальным. Но в целом наличие этих пяти пунктов с прохождением полного теста Тьюринга позволяет говорить о том, что система может иметь интеллект, похожий на человеческий.

 

Область.jpg

 

И теперь я расскажу о том, как сам вижу этот подход. Честно говоря, он не очень. При всём уважении к наследию Тьюринга, придуманная им процедура не отвечает на важные вопросы относительно искусственного интеллекта. Самый важный вопрос — обладает ли искусственная интеллектуальная система самосознанием или нет? Если нет, то это так называемый «слабый искусственный интеллект», который создан для решения определённой задачи или класса задач, и тогда ему вообще не надо проходить тест Тьюринга. А если искусственная система обладает самосознанием, то есть является «сильным искусственным интеллектом», то может случиться так, что она намеренно не пройдёт тест Тьюринга, чтобы скрыть от человека свои свойства. Куда ни кинь, тест Тьюринга не поможет. Такие дела. Тем не менее, мы кратко изучили его, потому что про него постоянно везде говорят, и вам необходимо понимать, что это такое и каковы глубинные мотивы его использования в том или ином проекте. Ну и опять же, например, теперь вы сможете понять, должен ли ваш собственный искусственный интеллект проходить тест Тьюринга.

 

тест тью.jpg


 

На этом мы закругляемся. Я надеюсь, это было интересное занятие, и вы узнали много нового. Ну а узнали мы, что такое тест Тьюринга, кто и зачем его придумал и какими свойствами должна обладать искусственная интеллектуальная система, чтобы считаться разумной или, другими словами, обладать интеллектом. На этом всё, отвечайте на вопросы теста (не Тьюринга, а моего для этого занятия) и ждите следующего видео. До завтра!

Пять подходов к созданию ИИ: символьный и логический подходы

00:05:40

Описание

Курс «Основы ИИ».
05. Символьный и логический подходы

 

Всем добра, и это четвёртое занятие по Искусственному Интеллекту. Меня зовут Роман Душкин, и мы продолжаем погружаться в теоретические основы ИИ. Нам это необходимо для того, чтобы лучше понимать суть новых разработок в этой области, а потому сегодня я расскажу вам ещё про два подхода к построению искусственных интеллектуальных систем в дополнение к интуитивному, про который мы рассуждали вчера. Это символьный и логический подходы. Поехали.

 

Мы уже несколько раз упоминали о том, что человек оперирует символами. Об этом же говорит упомянутая на прошлом занятии гипотеза Ньюэлла — Саймона о том, что любая система, показывающая интеллектуальное поведение, должна с необходимостью оперировать символьной информацией. Я надеюсь, что все вы читаете дополнительные материалы, ссылки на которые непременно даются в транскриптах к этим видео. Ну так вот, вообразите себя в качестве такого маленького гомункулуса, который забрался к человеку в голову и наблюдает там внутри у него психические процессы. Я заостряю внимание — именно психические, то есть мы рассматриваем сейчас логический уровень представления, а не биохимический. Вы увидите, что в голове копошатся символы. Это те самые мысли, которые вьются внутри вашего сознания, иногда сталкиваясь друг с другом, иногда подавляясь. В общем, там внутри происходит какой-то психический процесс, и он связан с постоянной активацией символов. Почему я говорю слово «символ», а не, скажем, «слово»? Ну так потому что мысль может представлять не только словесную информацию, но и визуальную, звуковую, обонятельную и вообще всех тех модальностей и их совмещений, ощущения которых нам даны.

 

Однако, именно словесная информация стоит во главе угла, и символом является в большей мере она. Давайте вспомним, что на эту тему говорил знаменитый русский физиолог Иван Петрович Павлов, про собаку имени которого вы все прекрасно знаете. Он ввёл понятие так называемой второй сигнальной системы, которая преобразует ощущения, получаемые от органов чувств, в некоторые символы. Эти символы — просто некоторая система обозначений, которая используется при мышлении человеком в отрыве от непосредственных ощущений. Ну то есть вы будете продолжать размышлять, даже если вас погрузить в депривационную камеру, отключив все внешние стимулы и практически полностью подавив все внутренние. Так вот именно наличие второй сигнальный системы, по мнению некоторых исследователей, отличает разумное существо от неразумного.

 

Вы уже должны были понять, что символьный подход является базовым для нисходящей парадигмы. Действительно, обработка символов в искусственном интеллекте построена на выполнении правил различного вида для манипулировании символами как синтаксическими конструкциями. Однако тут возникает такая же возможность для критики, как и в случае интуитивного подхода — где возникает сознание, в какой момент интеллектуальная система начинает осознавать себя. И как бы хорошо она не манипулировала бы символами, какой бы сложной она ни была, ответить на этот вопрос на сегодняшний день возможным не представляется.

 

Теперь перейдём к следующему подходу, который называется «логическим». Он недалеко отстоит от символьного, поэтому мы рассматриваем их сегодня вместе. Логический подход, как следует из его названия, основан на формальной логике, некоторые основы и аспекты которой мы изучили позавчера. И ещё вспомните, пожалуйста, Аристотеля, который говорил про наличие у человека трёх разных типов души. Этот могучий философ заложил основы всей математической науки, сделав попытку формального описания законов человеческого мышления, и сегодня мы иногда называем логику аристотелевой в его честь. Сложно сказать, насколько эти законы универсальны, ведь кроме человеческого мышления у нас нет никаких иных примеров, но общее осмысление подсказывает, что формальная логика относится к чистому математическому знанию, то есть находится в мире чистых идей, а потому может быть общезначимой. Другими словами, мышление, основанное на формальной логике Аристотеля, может быть универсальным, а потому реализация логических правил в искусственной системе может сделать её интеллектуальной. Но вы, конечно же, уже должны были понять сами, что логическое мышление является необходимым условием, но никак не достаточным. Система, обладающая разумом, будет показывать поведение, подчиняющееся законам формальной логики. Но если какая-либо система действует по этим законам, это совсем не значит, что она интеллектуальна.

 

В рамках математики разработано большое количество формализмов, описывающих логику. Двоичная логика Аристотеля является базовой, над которой надстроены такие варианты, как многозначная логика Лукасевича, нечёткая логика Заде, бесконечнозначная логика антиномий, интуиционистская логика и некоторые другие. Каждый новый формализм был разработан для того, чтобы учесть какие-либо нюансы человеческого мышления и способа принятия решений человеком. Ведь в процессе исследований в направлении логического подхода становилось понятным, что двоичная логика, хотя и является универсальным инструментом размышления и вывода знаний, плохо справляется с такими простейшими аспектами человеческого поведения, как принятие решений в условиях неопределённости, неполноты знания, неточности измерений и так далее.

 

Однако логический подход сталкивается с серьёзными трудностями, когда возникает необходимость описания неформальных знаний, которые плохо формализуются. Более того, из-за неполноты нашего понимания природы человеческого мышления логический подход всё так же страдает от невозможности полностью описать процесс мышления и принятия решений. Такие феномены, как озарение, интуитивный поиск решения или эмоциональные влияния на принятие решений не могут быть описаны в рамках логического подхода, хотя они, вне всяких сомнений, являются одним из компонентов человеческого разума. Тем не менее, вновь упомяну, что логический и символьный подходы составляют основу упомянутого ранее нисходящего искусственного интеллекта.

 

Итак, мы кратко рассмотрели символьный и логический подходы, которые могут использоваться при создании искусственных интеллектуальных систем, и узнали про их ограничения, и теперь вы знаете, какие подходы можно использовать в своей работе или распознаете подход при изучении чужих разработок или даже чтении новостей. Сейчас переходите к дополнительным материалам, ссылки на которые есть в транскрипте видео, а потом к выполнению теста. Всем удачи и пока.

Пять подходов к созданию ИИ: агентный подход, рациональные агенты и роевой интеллект мультиагентной системы

00:05:53

Описание

Курс «ИИ для менеджеров».
06. Агенты и роевой интеллект

 

Приветствую вас, друзья. Меня зовут Роман Душкин, и мы начинаем наше шестое занятие по искусственному интеллекту, и это последнее занятие первой недели. Надеюсь, что пока всё очень для вас интересно. Но дальше будет ещё интереснее. Сегодня мы изучим агентный подход в рамках искусственного интеллекта и кратко затронем понятие роевого интеллекта. Так что поехали.

 

Агентный подход начал прорабатываться с конца XX века, поэтому выделить какое-то ключевое лицо, как это можно было сделать в других подходах, которые мы уже рассмотрели, довольно затруднительно, поскольку над агентами работали многочисленные научные коллективы. Суть подхода очень простая. Вместо того, чтобы пытаться формализовать такие сложные понятия, как «разум» и «интеллект», надо сделать что-то более простое и полезное. Этим простым и полезным оказалось понятие «рациональность» или «рациональное поведение». Хотя, конечно же, и тут всё не так просто. Тем не менее...

 

Давайте подумаем, как можно определить рациональное поведение? Прикиньте прямо сейчас, что это может быть? Как рациональное поведение можно выразить при помощи математических терминов? Можно ли это сделать в принципе, и если да, то какие есть ограничения? А если нельзя, то почему? Подумайте над этим, и одновременно посмотрите на процесс своего размышления как бы со стороны, поднявшись над ним. Получилось?

 

Теперь расскажу вам, что же это такое. Формализовать рациональное поведение можно различными способами. Проще всего это можно сделать при помощи функции выбора и достижения оптимальной цели с минимизацией затраченных на это ресурсов. Цель обычно можно выразить в числовом виде, но даже качественную цель можно описать формально. Процесс достижения цели определяется разного рода методами оптимизации, которые для многих задач проработаны очень глубоко, а для отдельных аналитически доказана эффективность некоторых методов. И, таким образом, рациональное поведение сводится к решению минимаксной задачи — максимизировать значение целевой функции при минимизации затрат ресурсов. Всё.

 

Причём же здесь агентный подход в рамках искусственного интеллекта? Очень просто. Рациональный агент — это кибернетическая машина, которая имеет систему управления, непрерывно получающую информацию с сенсорных устройств и воздействующую на окружающую среду при помощи исполнительных устройств, показывая при этом рациональное поведение, которое мы определили ранее. При этом подход не определяет сущность сенсорных систем и исполнительных устройств — их природа может быть произвольной. Поэтому агентный подход одинаково применим как к чисто программным сущностям, работающим в некоторой искусственной среде, так и к программно-аппаратным комплексам, равно как и вообще к биологическим системам.

 

Агентный подход интересен тем, что в его рамках можно использовать эволюционные алгоритмы, которые выращивают и отбирают рациональных агентов, исходя из степени их приспособленности к работе в своей среде и к достижению цели. Во время взаимодействия агентов осуществляется отбор наиболее успешных, которые затем используются для генерации нового поколения агентов, среди которых опять применяются те же самые процедуры оценки и отбора. В итоге наиболее успешное поколение решает задачи и достигает целей наиболее эффективным образом. Это идеальный вариант, который сегодня сложно достижим, но стремиться к нему интересно.

 

Также агентный подход лежит в основе так называемых многоагентных систем, в рамках которых осуществляется общее целеполагание на более высоком уровне, нежели уровень каждого агента в отдельности. После этого каждому индивидуальному агенту даётся свобода действий в определённых рамках, в которых он имеет возможности и альтернативы по разработке и реализации различных стратегий достижения своей частной цели. В процессе этого агенты взаимодействуют друг с другом и с окружающей средой, обмениваясь информацией и выполняя запросы других агентов. Кроме того, вполне может быть использована идея так называемого «роевого интеллекта», когда каждая отдельная «особь» (то есть агент) интеллектом не обладает, но в целом «рой» (множество агентов, многоагентная система) обладает определёнными интеллектуальными способностями. Это всё сегодня является одним из наиболее перспективных направлений исследований по искусственному интеллекту.

 

Роевой интеллект — это децентрализованная самоорганизующаяся интеллектуальная система, состоящая из множества агентов. На мета-уровне такой системе ставится цель, и далее каждый автономный агент получает своё собственное задание, решение совокупности которых должно приблизить систему к достижению поставленной цели. Сущность роевого интеллекта заключается в том, что каждый агент сам по себе является очень простым, даже примитивным устройством, в то время как в рамках их взаимодействия рождается сложность и появляется интеллектуальное поведение у всей системы в целом. Общие принципы роевого интеллекта пока ещё только разрабатываются, но на текущий момент уже создано полтора десятка алгоритмов. И это одна из самых динамично развивающихся областей в искусственном интеллекте и робототехнике.

 

В качестве примера можно рассмотреть пчелиный рой или муравьиную колонию. Как всегда мы берём аналогии у природы, где много уже реализовано в том или ином виде. Каждая пчела, каждый муравей — это довольно примитивные создания, работающие на чистых рефлексах. Взошло Солнце, поднялась температура — метаболизм «заснувшей» пчелы ускорился, у неё появилась возможность летать. Муравей чувствует запах родного муравейника и градиент изменения концентрации феромонов царицы, и по нему ориентируется, куда идти. Но в целом и пчелиный рой, и муравьиная куча показывают очень интеллектуальное поведение. Иногда кажется, что это суперорганизм с сотнями тысячами распределённых тел и децентрализацией, но действующий в рамках одной цели — своего собственного выживания и распространения своих генов, а других мета-целей в природе нет. И, что интересно, на уровне суперорганизма часто показывается такое же поведение, как и на уровне отдельных особей для других видов. Например, и муравьиные колонии, и пчелиные рои в целом могут размножаться делением. Был один рой, разделился на два. Муравьиные кучи рыжих лесных муравьёв Formica rufa, находящиеся по соседству друг от друга, являются родственниками друг другу в буквальном смысле.

 

Итак, мы изучили ещё один подход в рамках искусственного интеллекта — агентный подход. И он относится к грязной парадигме, так как моделирует поведение интеллектуальных систем на основе моделирования нижележащих элементов, то есть агентов. Этот подход лежит в основе таких актуальных направлений исследований, как многоагентные системы и роевой интеллект. На этом всё, читайте дополнительные материалы и выполняйте домашнее задание. Всем пока, до встречи на следующей неделе.

Пять подходов к созданию ИИ: гибридный подход

00:07:30

Описание

Курс «Основы ИИ».
07. Гибридный подход

 

Здравствуйте, друзья. Меня зовут Роман Душкин, и это курс по Искусственному Интеллекту. Мы начинаем вторую неделю, и это очень круто. Только представьте себе — мы уже отучились одну полную неделю, узнав много нового. И, действительно, — мы выяснили, откуда пошёл термин «Искусственный Интеллект», как в его истории произошло две так называемых «зимы», почему сейчас у нас третий хайп вокруг него. Ну и мы начали изучать подходы к построению искусственных интеллектуальных систем. Мы узнали про нисходящую и восходящую парадигму, а потом начали с интуитивного подхода, рассмотрели символьный, логический и агентный. И вот сегодня мы переходим к рассмотрению последнего, пятого подхода — гибридный искусственный интеллект.

 

Итак, мы уже узнали, что философия сознания, которая начала развиваться вместе с углублением понимания задач и проблем искусственного интеллекта, выделяет две парадигмы к построению искусственных интеллектуальных систем: чистую и грязную. Чистая парадигма объединяет такие технологии, как экспертные системы, универсальные машины вывода, семиотические базы. Самым выдающимся и далеко продвинувшимся направлением в рамках этой парадигмы являются символьные вычисления, которые основаны на манипулировании символами. Грязная парадигма объединяет такие технологии, как искусственные нейронные сети и эволюционные вычисления. Она моделирует биологические основы разума человека, в то время как чистая имитирует высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и так далее.

 

Оба подхода имеют свои достоинства и недостатки. Давайте рассмотрим некоторые особенности использования искусственных нейросетей, как наиболее яркого представителя восходящей парадигмы.

 

Ну, во-первых, мы до сих пор не обладаем полным пониманием того, как обучается нейронная сеть. Теоретический математический аппарат, конечно, имеется, однако при переходе в практическое русло вычислительная сложность интерпретации того, как и, главное, почему нейросеть настроила свои весовые коэффициенты так, а не иначе, нелинейно возрастает до космических величин. И в итоге получается чёрный ящик в качестве модели чёрного ящика. Это совсем не то, что нужно. Ну, например. Вот нашумевшая новость о том, что нейронная сеть обыграла мастера в игру Го, когда никто даже и подумать не мог, что Искусственный Интеллект сделает такой быстрый прогресс именно в этой игре. Нейронная сеть, лежащая в основе алгоритма AlphaGo, провела мириады игр сама с собой, в результате чего научилась играть лучше самого сильного человека. Почему она так научилась — неясно. Как иллюстрация этого — в одной из игр она сделала ход, который, как говорят, никогда бы не сделал человек. Она выиграла, и потом при анализе партии эксперты сошлись во мнении, что этот ход был одним из ключевых.

 

Во-вторых, часто в нейронную сеть для обучения попадают некорректные данные, которые выглядят как валидные. Например, в медицине часто диагнозы ставятся неверно, лекарственные средства назначаются неадекватно, а потому нет никакой гарантии того, что при обучении нейросети ей не «скармливаются» такие некорректные данные. Кто даст гарантию того, что обученная на некорректных данных нейросеть даст правильное заключение, а инструмента интерпретации того, как она обучилась, нет. В-третьих, в процессе развития человеческих знаний всегда появляется новая информация, которая часто не дополняет, а заменяет старую. Человек-эксперт постоянно актуализирует свои знания, занимаясь самообразованием и повышением квалификации. Как поступать с нейросетью? Ведь невозможно проинтерпретировать то, как она обучилась, а потому нет никакого способа точечно заменить устаревшую информацию. Сеть приходится обучать заново.

 

Идём далее. Биологическая нейронная сеть у нас в голове фундаментально отличается от искусственной — сегодня ещё не разработано окончательной рабочей модели того, как обучается человек. С учётом непрекращающегося нейрогенеза в отдельных областях головного мозга есть понимание, что в нейросетях в голове человека могут появляться не только новые отдельные нейроны, но и даже целые слои. Впрочем, и нейроны, и слои также могут исключаться из процесса вычислений. И если появление и исключение синаптических контактов можно эмулировать весовыми коэффициентами в искусственных нейронных сетях, то про искусственные модели с появлением новых слоёв пока не слышно. К тому же центральная нервная система человека представляет собой не обычную многослойную нейросеть, а десятки отдельных сетей, связанных друг с другом. Иногда связанных совсем нелинейным образом — с кучей перекрёстных и обратных связей, которые могут выходить и входить в промежуточные слои любой сети. Сигнал от сенсора до исполнительного устройства в человеке может пройти через десяток коммутирующих ядер, запустить параллельные процессы и в итоге так и не дойти до неокортекса, оставшись в подсознательной области.

 

Теперь вспомним про нисходящую парадигму. Вся накопленная человечеством информация представлена в символьном виде. И именно логическая манипуляция символами позволяет делать какие-либо умозаключения. Это совершенно иной подход, фундаментально отличающийся от нейросетей, какими бы глубинными они ни были. Хорошо, что из-за того же роста вычислительных мощностей вполне можно возобновить работы в рамках символьного направления искусственного интеллекта. Во многих областях науки знания либо формализованы, либо хорошо поддаются формализации. Главной задачей становится создание универсальной машины вывода, которая справится с «комбинаторным взрывом».

 

И тут хотелось бы отметить, что рождение искусственного интеллекта, скорее всего, произойдёт где-то на стыке двух парадигм, то есть при использовании гибридного подхода. Нейросетевой подход даст базовые инструменты для первичной обработки и коммутации информации, поступаемой с разнообразных сенсоров на вход системе управления и принятия решений в составе искусственного интеллекта. А в ней уже будет использоваться символьный подход, реализованный в виде универсальной машины вывода. И такая конвергенция двух технологий, в конце концов, позволит реализовать давнюю мечту человека — рождение искусственного разума.

 

Гибридная искусственная интеллектуальная система представляет собой не что иное, как универсальную кибернетическую машину, которая имеет три основных элемента: аффекторы, подсистему управления и эффекторы. При помощи аффекторов кибернетическая машина воспринимает сигналы окружающей среды, которые обрабатываются в подсистеме управления, сигналы из которой далее поступают в эффекторы, которые на окружающую среду воздействуют. Это общая схема любого автономного агента, поэтому гибридная искусственная интеллектуальная система одновременно является и интеллектуальным агентом.

 

Гибридная интеллектуальная система отличается тем, что её сенсоры и исполнительные устройства связаны с подсистемой управления и принятия решений через нейронные сети. Тем самым реализуется «грязная» парадигма. Аффекторная нейронная сеть принимает очищенные сенсорами сигналы внешней среды и преобразует их в символы, которые подаются на вход универсальной машине вывода. Последняя осуществляет вывод на основе символьных знаний из своей базы знаний и выводит результат, который тоже представляется в виде символов. Тем самым реализуется «чистая» парадигма. Символьный результат подаётся на вход моторной нейронной сети, которая преобразует высокоуровневые символы в конкретные сигналы управления исполнительными устройствами.

 

Кроме всего прочего внутри гибридной интеллектуальной системы должны быть реализованы контрольные обратные связи от всех её элементов к сенсорам. Тем самым реализуются адаптационные механизмы, основанные на гомеостазе внутреннего состояния системы. Сенсоры фиксируют изменение внутреннего состояния каждой подсистемы, их элементов и комплексов, а в случае выхода контролируемых значений за пределы установленных гомеостатических интервалов подсистемой управления принимается решение, целью которого будет возврат изменённых показателей в установочный интервал.

 

Я думаю, что именно система с такой архитектурой при переходе через определённый порог сложности может считаться разумной. При этом разумность в этом смысле определяется как адекватное реагирование не только на стимулы внешней среды, но и на внутренние состояние, что также включает в себя постоянный мониторинг состояния собственной подсистемы управления, что называется «саморефлексией», которая и приводит к осознанию.

 

1.png

 

Бегущая строка: Не забывайте делать домашнее задание, это очень важно.

Уф-ф, это было непросто, но я уверен, что все справились. Сегодня было сложное занятие, на котором мы изучили гибридный подход, в котором взяты лучшие стороны нисходящей и восходящей парадигмы. Это один из наиболее интересных подходов в Искусственном Интеллекте, который сейчас сильно развивается. Так что следите за новостями об этом. Ну а пока читайте дополнительные материалы и сдавайте тест. Всем добра.

Пять подходов к созданию ИИ: гибридный подход

00:04:28

Описание

Курс «ИИ для менеджеров».
08. Слабый и сильный ИИ

 

Здравствуйте, уважаемые друзья. Меня зовут Роман Душкин, и мы продолжаем наш курс по Искусственному Интеллекту. Это наше восьмое занятие, и сегодня я хочу рассказать вам о двух различных способах понимания Искусственного Интеллекта. Это поможет вам различать в новостях и алармистских сюжетах досужие вымыслы и футурологические прогнозы. Так что поехали...

 

Размышления над тем, может ли искусственная система мыслить так же, как человек, что бы это ни значило, приводят к двум различным пониманиям искусственного интеллекта, как практического направления. Ведь споры о том, что такое интеллект и особенно искусственный начались практически сразу же после введение в научную практику нового понятия. Но до сих пор нет ответа ни на этот вопрос, ни на вопрос о том, какие критерии можно использовать для того, чтобы определить, является ли искусственная система интеллектуальной и даже разумной. Ранее мы уже рассматривали тест Тьюринга, который предоставляет хотя бы какие-то операционные критерии попытался. Но в дальнейшем развитии были определены совершенно иные принципы построения интеллектуальных систем. И такие системы вообще не могут быть подвергнуты тесту Тьюринга, хотя по иным критериям должны считаться интеллектуальными.

 

HVZaaQ7vrfuboMDGGs1uuYyLbK5OcUr498IXsPWCNBOq1KJwXUQppM5kOWbeJb_qjlWBqacxlXcjU-bm7UYlo5fxjO0LfhiHQPSXBlmdMhGbPHfzsvIuOLmCGmHtVAuq8hd_HFzB

Джон Сёрль — американский философ

 

Философ Джон Сёрль предложил разделить искусственный интеллект на два понимания, которые назвал  сильным и слабым искусственными интеллектами. Под сильным он понимал такой искусственный интеллект, который, если говорить самыми простыми словами, воспринимает самого себя в качестве отдельной «личности». Это очень узкое понимание, поскольку привлекает антропоморфное сравнение. Однако искусственное разумное существо не обязательно должно мыслить как человек, поэтому говорить о том, что оно будет оперировать человеческими категориями, в том числе и при осознании себя, очень опасно с методологической точки зрения.

 

Но в итоге учёные и разработчики интеллектуальных систем постепенно пришли к неформальному соглашению о том, что считать искусственным интеллектом. Под слабым искусственным интеллектом начали понимать интеллектуальные системы, которые решают слабо алгоритмизируемые или вовсе неалгоритмизируемые задачи методами, схожими с теми, которые использует для решения таких задач человек. Другими словами, слабый искусственный интеллект представляет собой реализацию отдельных функций человеческого разума для достижения конкретных целей. При этом о наличии у таких систем самосознания, не говоря уже о иных высших функциях психической деятельности человека, даже не говорится — их нет и не предполагается.

 

С другой стороны, сильный искусственный интеллект подразумевает появление у искусственной интеллектуальной системы самосознания с дальнейшим выходом в автономный режим жизнедеятельности и получением возможности перепрограммировать саму себя с целью усовершенствования. Именно с этим пониманием искусственного интеллекта связывается точка достижения технологической сингулярности — сильный искусственный интеллект будет экспоненциально развиваться, поглощая всю накопленную человечеством информацию и используя её для собственного роста. Более того, он сможет генерировать новые идеи и концепции, как это делает человек, что в конце концов приведёт к тому, что сильный искусственный интеллект превзойдёт в интеллектуальных способностях всё человечество вместе взятое.

 

Для того чтобы считаться сильной, искусственная интеллектуальная система должна, в первую очередь, обладать механизмом волевого целеполагания. Это значит, что она должна уметь произвольно ставить цели и планировать их достижение. Для этого она должна объединять в себе такие механизмы, как принятие решений, разработка и использование стратегий, планирование своих действий и дальнейшие действия в условиях неопределенности. В свою очередь это влечёт за собой необходимость наличия полной и постоянно обновляемой модели того внешнего мира, в котором существует искусственная система, и это не обязательно должна быть наша объективная реальность. Такая система может обретаться в искусственной реальности, которая создана специально для её жизни в неё. Ну, собственно, я веду речь о разного рода виртуальных мирах, в которых живут сильные искусственные интеллекты. Соответственно, для связи с нашей реальностью должны иметься какие-то специальные интерфейсы. Однако всё это пока слишком сложно, и мы оставим изучение деталей этих технологий на более позднее время.

 

В последнее время возникла новая парадигма в науке о сознании, которая пока ещё остаётся больше фантастической, нежели реальной. Речь идёт о так называемой гибридизации сознания, когда человеческий естественный интеллект сливается и при этом усиливается методами и технологиями искусственного интеллекта. Фактически, цель этого направления исследований состоит в отыскании путей и возможностей для осуществления цифрового бессмертия человеческой личности, то есть её записи из бренного биологического тела на цифровые носители. Это очень занятное направление исследований, которое находится в самом начале своего пути. Но тут есть многое, о чём можно подумать.

 

На этом всё. Я уверен, что сегодняшнее занятие упорядочит ваши знания об искусственном интеллекте, поскольку мы разобрались и дифференцировали друг от друга два его понимания — сильный и слабый искусственный интеллект. Ну а про гибридизацию сознания, о чём мы кратко заикнулись, мы узнаем как-нибудь в следующий раз. Теперь прошу изучать дополнительные материалы, и сегодня их немного. И обязательно выполняйте тесты.

Некоторые мифы об ИИ: ИИ создать невозможно; ИИ захватит мир и поработит человечество; Три закона робототехники нас спасут; Мы успеем подготовиться к появлению сильного ИИ

00:06:08

Описание

Курс «ИИ для менеджеров».
09. Некоторые мифы об ИИ — 1

 

Привет, друзья. У нас девятое занятие на курсе по Искусственному Интеллекту, и я — Роман Душкин. Мы закончили важные вводные вопросы о том, что такое этот пресловутый Искусственный Интеллект, откуда он пошёл, какие есть парадигмы и подходы в рамках разработки искусственных интеллектуальных систем, ну и выяснили про сильный и слабый искусственные интеллекты. Теперь мы переходим к новому разделу нашего курса и начинаем рассматривать мифы и правду об Искусственном Интеллекте. Сегодня я подготовил три досужих мифа, которые вы можете слышать в разных новостях и источниках информации. Все они касаются сильного искусственного интеллекта. Приготовьтесь. Поехали.

 

Первый миф звучит так: «Искусственный Интеллект захватит мир и поработит человечество». Накачку этого мифа делают масс-медиа, а в качестве апофеоза можно привести такие фильмы, как «Терминатор» и «Матрица». На самом деле, посылка в этих фильмах не то, чтобы не верна, но направлена не в ту сторону. Если бы осознавший сам себя Искусственный Интеллект решил уничтожить человечество, он не стал бы развязывать ядерную войну — есть много намного более гуманных и, главное, очень быстрых способов очистить Землю от населяющей её биомассы. Однако давайте же подумаем, зачем ИскИну, а мы теперь будем так называть именно самоосознающие существа искусственной природы, уничтожать людей? Уничтожение или порабощение человечества могло бы быть следствием того, что ИскИн поймёт, что человечество является ему конкурентом или угрожает его существованию. Если главенствующей целью ИскИна является самосохранение, то такое понимание, конечно же, должно привести к выводу, что конкурента необходимо держать под полным контролем.

 

Однако, конкурировать можно лишь в одной и той же реальности. Что, если ИскИн будет жить в иной реальности, интерфейсы для взаимодействия с которой плотно защищены на уровне фундаментальных законов природы, так что он, каким бы умным и всемогущим ни был, не сможет вырваться из своей реальности в нашу. Ну, например, вдруг креационисты правы (на самом деле, нет), и нас создало какое-то сверхсущество, и мы сами является искусственными интеллектами в силу того, что нам кто-то создал, и мы живём в этом мире и можем только догадываться о существовании создателя и его целях, не имея к нему никакого доступа. Так что «песочницу», в которой может появиться ИскИн, можно надёжно запечатать так, что каким бы мощным ни был бы ИскИн, он не сможет покинуть песочницу, как мы не можем выйти за границы своего тела. Впрочем, эти рассуждения уже о том, что будет, если. А будет ли?

 

Ну вот представьте себе муравьиную кучу. Хотите ли вы её разрушить? Ну разве что только случайно или в рамках какого-нибудь эксперимента. Ну можете убить нескольких муравьёв, но тоже вряд ли будете делать это намеренно и со злым умыслом. А теперь поставьте себя на место муравья, отдельной особи. Ну вот это вы, а тот, кем вы были за секунду до этого — ИскИн. Мощь разума ИскИна по сравнению с отдельным человеком будет настолько невообразима, что мы будем казаться по сравнению с ним муравьёв или какой-нибудь амёбой. А он для нас будет непостижимым и недостижимым божеством. Ну, кстати, уже есть церковь поклонения будущему ИскИну, так что всё идёт по плану. Вряд ли ИскИн вообще на нас внимание будет обращать, у него будут совсем другие задачи и цели.

 

Именно из этого мифа и непонимания сути Сильного ИскИна происходит тот алармизм, с которым мы постоянно сталкиваемся и в массовой культуре, и в новостях. Вот кто-то там о чём-то предупредил, кто-то куда-то что-то написал. Вся эта мышиная возня не стоит и толики внимания, если бы не мешала заниматься как научными исследованиями, так и практическими разработками. Потому что «регуляторы» любят порегулировать все вокруг. И вот один из последних писков моды на эту тему, и это второй миф, который мы сегодня рассмотрим, заключается в том, что дескать три закона робототехники нас спасут, а потому в системы искусственного интеллекта надо намертво их прошивать. Вероятно, доработав и дополнив какими-нибудь новыми законами. Давайте рассмотрим и этот миф.

 

Начнём с того, что оные три закона придумал в 1942 году писатель-фантаст Айзек Азимов, так что на этом можно было бы и закончить. Ну закончить в том смысле, что выдумка писателя, пусть и гуманиста, сто лет назад не имеет к современным реалиям никакого отношения. К тому же, он вряд ли мог предвидеть развитие технологий именно в тех направлениях, в которых это происходит сейчас. Хотя, конечно же, на это можно возразить, что законы сформулированы в общих морально-этических нормах, поэтому могут быть универсальны. Ну, конечно же, режиссёр Тим Бёртон в своём замечательном фильме «Марс атакует» показал относительность морально-этических систем. Ну и вновь вспомните рассуждения про муравьиную кучу. Вот бежит такой муравей и рассуждает своими муравьиными мозгами про этику, основанную на феромонах, а над ним стоит человек и думает про то, как бы полететь в космос. В общем, у ИскИна может оказаться настолько чуждая этика, что пытаться ограничить его какими-либо законами просто наивно. Тем более вшить их намертво. Как можно это сделать, если Сильный ИскИн должен уметь перепрограммировать самого себя, а Слабый ИИ и не подумает отступить от своего алгоритма? В общем, глупый миф — забыли про него.

 

Другим способом успокоить себя насчёт первого мифа является проговаривание мантры о том, что мы, люди, успеем подготовиться к появлению Сильного ИскИна. Что-нибудь да придумаем, пока он будет рождаться. Вернее даже, мы будем наблюдать за ним, пока он рождается, взрослеет и набирается сил, а потому сможем противостоять его попыткам нас поработить. Ну что ж, это тоже миф. Давайте рассмотрим и его.

 

Представьте себе среду, в которой время бежит в триллионы раз быстрее. Представьте себе существо, которое бессмертно в этой среде. Представьте себе то, что это существо обладает мгновенным доступом для обучения и использования к любой информации, которая только накоплена человечеством. И, наконец, представьте, что это существо может преобразовывать само себя, руководствуясь самостоятельно поставленными перед собой целями. Вы только что представили себе Сильного ИскИна, зародившегося или созданного внутри компьютера. Такой ИскИн будет жить по иному времени, и за первую секунду нашего времени, которая пройдёт с момента его самоосознания, он узнает всё и спланирует всё, что ему нужно. Как к этому можно подготовиться? Ну хорошо, допустим, что подготовиться к моменту его самоосознания. Но это будет происходить по экспоненциальному закону. Сегодня его мощности и умения в два раза меньше, чем необходимо для самоосознания, а завтра они умножаются на два в силу экспоненциального закона, и он уже осознал сам себя, и прошла та первая секунда. Ну вот как-то так. Тревожно, да.

 

На этом пока всё. Надеюсь, что я не сильно вас напугал, а только раззадорил. Мы рассмотрели три мифа о Сильных ИскИнах — это то, что ИскИн нас поработит или уничтожит, от чего можно защититься тремя законами робототехники, либо просто хорошенько подготовиться к этому. Так что приглашаю вас читать дополнительные материалы и выполнять тест. Всем пока и не бойтесь ИскИнов.

Некоторые мифы об ИИ: ИИ — это нейросети; Всё, что можно сделать нейросетью, можно сделать и без неё; ИИ — это роботы

00:05:31

Описание

Курс «Основы ИИ».
10. Некоторые мифы об ИИ — 2

 

Приветствую вас, друзья. Это курс по основам Искусственного Интеллекта, меня зовут Роман Душкин, и мы продолжаем рассматривать мы об ИИ. Сегодня мы рассмотрим ещё три мифа, которые связаны друг с другом тем, что так или иначе ограничивают область применения Искусственного Интеллекта или его понимание. Уверен, что вы уже и сам можете расправиться с этими мифами, но давайте пройдёмся по ним вместе. Проехали…

 

Первый миф говорит о том, что Искусственный Интеллект — это решения, основанные на нейросетевых технологиях. Основан этот миф на том, что сегодня во время третьего хайпа именно искусственные нейронные сети стоят во главе угла. Обычно мы транслируется теми, кто что-то где-то слышал, не разобрался и побежал вместе со всеми. Миф довольно распространён — мне много раз приходилось с ним сталкиваться, да ещё и в расширенной форме о том, что нейросети плохи по той или иной причине. Причины могут варьироваться в зависимости от того, кто что услышал. В общем, мы распространён, и если вы, скажем, руководитель проекта, который хочет использовать в своём проекте генетические алгоритмы, то можете натолкнуться на непонимание, когда скажете, что собираетесь использовать в проекте технологии искусственного интеллекта.

 

ST1bbRcEq9HK58OQTylI-g13G11HnmEUt7A19youVDcau7fFHXtN1DdGYh5NfWHhmmCzL4yDht9VJWuPNvH0BPDk1CguIFxs5GvYZYViTRaGI-LzCO47eaKu6AXNoVjX-AbIkaCHyi4m4XGT1DhvpGSVG4rhKbJjWoBZ_qxz9c4LgSwpk2jyO8k7HM9Bq-MKFpsjJF3yaUyuCtxk_k4wIQQkNwmzXuHHzqOJhsLh7Dxi7qajRzyciq5Nzss3Yo44TsKakQ6pa-oPGOm2

 

Дойдя до этого места курса, вы уже должны хорошо понимать, что технологии Искусственного Интеллекта очень разносторонни и многочисленны, а потому не ограничиваются только нейросетями. Мы уже изучили две парадигмы и пять подходов, в каждом из которых есть свои направления исследований. И искусственные нейросети — это одна из конкретных технологий восходящей парадигмы. Да, можно сказать, что на сегодняшний день она является самой проработанной и содержит огромное количество разных вариантов как искусственных нейронов, так и архитектур сетей. Одно из перечисление заняло бы по времени примерно такое же видео, а для погружения надо делать отдельный курс. Тем не менее, существуют и другие направления и технологии решения задач — обработка естественного языка, обработка неопределённости, деревья решений, неструктурированный поиск, представление знаний и многое другое, что мы уже упоминали. И кое-что из этого мы рассмотрим более детально в следующих видео.

 

RaAP3ncYb3kBbbvreNovTo2D7_LDkGzlXOQ7_o8MNJFz6OjnS1AeJqtl5FPLirSNtZcVfuv7WAvnFRGHJSjLEBROauyUmCvjyUGNDiCaA1-kDDgiE7HdxnDWijlTA0nCzNQnMoE_

CigrOPFsTPjbx7egqlKi-oFa89o6UA21jnUeVHG80Gj-0J1K07o68fGU1eCCVZXjA3IYQk_H_CpCCs7D439btqC_voCMx8PaGrIJJ7yKZj21xmKJ7G6lj1_C5TSfWzde_7Fz7rlS

 

Следующий миф в какой-то мере связан с предыдущим. Некоторые люди могут говорить о том, что всё, что делают искусственные нейронные сети, можно сделать и без них и даже эффективнее, поскольку нейросети надо обучать, это требует больших затрат сил и средств. В общем, в неприятном свете выставляют нейросети. С мифом можно столкнуться самым неприятным образом, если его носителем является человек, принимающий решения. Большой руководитель в силу своей загруженности не может разобраться в вопросе, когда-то слышал про неэффективность нейросетей, и теперь переносит это услышанное на свою работу, не разрешая вам использовать нейросети в проекте, где они были бы уместней всего. А дело, например, было в том, что двадцать лет назад, когда он учился в институте, кто-нибудь из его преподавателей кинул в сердцах, что нейросети плохи. Ну вот и оттуда понеслось.

 

эффективность.jpg

 

Само собой разумеется, что сегодня с развитием технологий нейросети стали очень продвинуты, и они действительно решают огромное количество задач, которые раньше решались иными методами. Например, сегодня очень мощным направлением является анализ естественного языка при помощи нейросетей. В те далёкие годы, когда первые сети только появились, об этом даже и подумать было невозможно, и анализ естественного языка осуществлялся либо статистическими, либо формальными методами. А сегодня нейросети на входных естественно-языковых строках строят специальные векторы, что позволяет применять векторную математику. Например, научилась такая нейросеть «понимать» слово «царь», и в предоставлении оно входит в класс «мужчина». Теперь если из вектора «царь» отнять вектор «мужчина» и прибавить вектор «женщина», то получится «царица». Точно так же можно получить «царевна» и «царевич», и много чего ещё. Подход очень перспективный, так как моделирует семантические сети, традиционно относящиеся к нисходящей парадигме.

 

Векторы.jpg

 

Самое главное преимущество искусственных нейросети заключается в том, что они могут давать осмысленный результат на входных данных, которые не участвовали в обучении таких сетей. Если показать хорошо построенной нейросети с достаточным количеством нейронов и слоёв сотни изображений птиц, то потом она объявит птицей и похоже изображение птицы, не участвовавшее в обучении. Впрочем, это не уникальная способность именно нейросетевой технологии. Аппарат нечёткой математики тоже позволяет обрабатывать входные данные, которых нет в базе знаний.

 

Jk7JhIpnPXZFY29n4zxJPgUzlZbZsI9rpN5E3HlZNg7VC09lJwEtd2Xt1a7Np1tLuGYPnP8VOnwIN179O40ofeZl1jTluqLgizoGJZOqdHxQ4AngdMxZibo7gnO_0HuIRs_v6Z9n0HgkNqHa1VS-ZiC6f1UjMbphCfcl8DHAY1ITWjR3O1ZKz0uaoEXstRfLlJa9cFbHyDj3vLyqFIYJOtB6lTr2Pxer9jEZtJdVB7onvYspAJyKZkMf_128qcOiW2jWPiis6pNPmVsD

 

Наконец, третий миф на сегодня в какой-то мере мере перекликается с первым. Он гласит, что Искусственный Интеллект — это роботы. Миф основан на неплохих достижениях робототехники, которые можно наблюдать сегодня. И речь идёт не только об «игровых роботах», которые очень популярны в Японии, где даже устраиваются чемпионаты, но и о роботах производственных линий на заводах. В этом втором направлении достигнуты особенные результаты, и сегодня можно говорить о появлении так называемых «заводов-автоматов», про которые писали первые кибернетики.

 

Q8E0SEOFxmLFgiFkcZP2WLV1z6FRfsFLWXsMajW1zD0f46TQn9ay7TNQIVUkd9BpS4vXMLU6CYLxHDph5_KZRoor7SRxCcN0PzlZ58W7VaH2DjWdn2MTRGyLlmNt0euv_61wDYm8

 

С этим мифом разобраться было бы столь же просто, сколь и с первым, но мы пойдём немного другим путём. Ведь если провести аналогии с человеческим телом, то интеллект и сознание, что бы ни обозначали эти термины, находятся внутри тела. Скорее всего, сознание — это что-то типа «программного обеспечения», хотя на этот счёт полной уверенности нет. Но аналогию можно провести, и тогда окажется, что робот — будь то робот-андроид или робот на производственной линии — является лишь телом для программного обеспечения, которое является интеллектуальным. Робот предоставляет лишь сенсоры и исполнительные устройства для взаимодействия с нашей реальностью, но как мы уже поняли на наших прошлых занятиях, Искусственный Интеллект не обязательно должен жить именно в нашей реальности. Другими словами, роботы являются лишь вместилищем для Искусственного Интеллекта, будь он слабым или сильным. И сами по себе роботы, конечно же, Искусственным Интеллектом не являются.

 

cX52_bGv52knuk_V4v1SkcWk06RJ2hs1m1XOotJhlQiBqlxlVu0nZnJvVvcuOCg2qmpvaW1fCOD6rSDiqvGX0jBMBoMHcUtzvK_ePwC30G9QNm10aTmigQQUaZXiil52CUa3RLC9Jh2-fDcnCyqZtFtgprhlFBBDuBf26pWf28fJcQKLhT6bkoDYK6RqzxJc90HtF2WnHFpFzXoqzjBpHTRhTEj2jFJSctcH8vX4zuOUOfxdZ2ouFiZCWZudUOUlKzFJSyMUpinwahYf

 

Итак, мы рассмотрели ещё три мифа об Искусственном Интеллекте. Эти мифы не такие распространённые, как те, которые мы изучали вчера, но они более сильно воздействуют на принятие решений, так как часто сидят в головах людей, эти решения принимающих. Им надо разъяснять про новые технологии, объяснять, что Искусственный Интеллект — это не роботы и даже не только нейросети, которые, к тому же, имеют одну важную особенность — нейросети могут обучаться и работать на входе, которого не было во время обучения. Или же просто приглашайте всех этих людей ко мне. Ну а пока переходите к домашнему заданию. Обязательно проходите тесты. До завтра.

Некоторые мифы об ИИ: ИИ должен воспринимать мир так же, как и человек; ИИ должен обладать такой же этикой, как и человек; Приложения, которые называются ИИ, на самом деле не ИИ

00:05:17

Описание

Курс «Основы ИИ».
11. Некоторые мифы об ИИ — 3

 

Приветствую вас, друзья. Здесь Роман Душкин и наш курс по основам Искусственного Интеллекта. Сегодня у нас одиннадцатое занятие, и мы вновь рассматриваем мифы об Искусственном Интеллекте. Ну в последний раз в этом курсе. И сегодняшние мифы охватывают тонкие аспекты жизнедеятельности искусственных интеллектуальных систем. Так что поехали.

 

Хотя… Прежде чем перейти к тонким аспектам, рассмотрим толстый. Иные вот говорят, что то, что называется системами искусственного интеллекта вовсе не являются таковыми и никаким интеллектом не обладают, это всего лишь программы, которые реализуют какой-то алгоритм обработки информации и не более того. Таким можно лишь ответить, что человеческий интеллект абсолютно так же всего лишь обрабатывает информацию, причём делает это далеко не самым оптимальным образом. В общем-то, я уверен, что все вы можете ответить на этот вопрос. И ответом будет то, что технологии Искусственного Интеллекта моделируют отдельные аспекты высших психических функций, о чём мы неоднократно говорили ранее. Ну а истоки этого мифа в путанице сильного и слабого Искусственного Интеллекта. Человек, транслирующий этот миф, думает про сильный, а показывает на системы слабого Искусственного Интеллекта. О чём тут ещё можно спорить?

 

1paragraph.jpg

 

Хорошо. Переходим к обещанным тонким аспектам. Первое, что мы рассмотрим, — это суждение о том, что Искусственный Интеллект должен воспринимать мир так же, как его воспринимаем мы. Само собой разумеется, что имеется в виду объективная реальность, в которой мы с вами существуем. Но вчера и ранее мы уже разобрались, что Искусственный Интеллект не обязательно будет существовать в нашей реальности, так что у него могут быть совершенно иные способы восприятия той реальности, в которой он существует. Однако допустим, что Искусственный Интеллект живёт вместе с нами и воспринимает наш объективный мир. Ну это те самые роботы, с которыми мы знакомились вчера. Что тогда? Действительно ли роботы, какими бы они ни были, должны воспринимать мир теми же самыми ощущениями, что и мы?


реальность.jpg

Выделение объекта путем приближения по характеристикам







 

Но я хочу сказать, что те органы чувств, которыми обладает человек, довольно примитивны. Они развились в рамках естественного отбора для успешной жизни в той среде, где мы оказались из-за того же отбора. Наши глаза видят очень узкий диапазон волн. Наши уши слышат очень узкий диапазон акустических частот. У нас нет вомероназального органа, который позволяет некоторым животным ощущать эмоциональный настрой других существ. Ну, например, собака чувствует страх — у неё специальный орган чувств есть для этого, а у нас нет. В общем, примитивные мы существа. Иначе бы стали мы придумывать столько различных сенсоров, которые позволяют нам расширить границы воспринимаемой из внешнего мира информации. Ну, например, компас — это простейшей устройство позволяет нам переводить ощущение магнитных силовых линий в визуальную информацию. А что если бы у нас в голове был маленький компас, показания которого мы всегда бы ощущали? Весь мир был бы совсем другим, скорее всего. Но естественному отбору показалось, что это не нужно для человека. Так что мы сможем наделять Искусственный Интеллект всеми теми органами чувств, которые будут необходимы ему для работы там, где ему предназначено работать. И диапазоны измерений этих органов чувств будут такими, какие будут нужны для эффективной работы. А Сильный Искусственный Интеллект сам себе построит те органы, которые ему потребуются. И, кстати, эта же технология при помощи генной модификации будет доступна и самому человеку. Ну когда-нибудь.вно.jpgВомероназальный Орган (ВНО) крысы

частоты.png.jpgДиапазон частот, слышимых человеком


 

И, наконец, последний на сегодня и вообще миф. Этот миф довольно сложный, и мы его уже чуть-чуть затрагивали ранее. Говорит он о том, что Искусственный Интеллект должен обладать такой же этикой, что и человек. Другими словами, морально-этические нормы должны быть заложены разработчиками такие, чтобы Искусственный Интеллект не повредил человеку и человечеству. Тут могла бы быть опять отсылка к тем трём законам робототехники, которые мы уже рассмотрели позавчера, но дело тоньше. Если рассматривать Сильный Искусственный Интеллект, то говорить о морально-этических нормах вообще смысла нет. Если они универсальны, как думают некоторые философы, то ИскИн сам к ним придёт, и всё будет нормально. Если же они не универсальны, а я думаю именно так, так как оные нормы различаются даже в разных человеческих сообществах, то нам придётся как-то договариваться с ИскИном. Либо он под нас подстроится, поскольку будет намного более разумным созданием. Думаю, что это вообще не проблема.

 

Вопрос в другом. Сейчас мы будем рассматривать системы со слабым искусственным интеллектом. Казалось бы, какими морально-этическими нормами они должны обладать? Да как они вообще ими могут обладать? Но речь об ином. Вот, к примеру, рассмотрим пример — автономные автомобили. Скоро все автомобили будут автономными, и система искусственного интеллекта, которая будет внутри такого автомобиля, должна как-то принимать решение в нестандартных ситуациях, когда надо сделать тяжёлый выбор о том, кто должен пострадать или даже погибнуть в дорожно-транспортном происшествии. Задавить котёнка, выбежавшего на проезжую часть, или резко затормозить, подвергнув риску сломать шею пассажира внутри? Сбить бабульку на пешеходном переходе или резко вырулить в дерево, убив пассажира? Вот в таких случаях и говорят о неких морально-этических нормах, которые должны быть заложены в систему. Но тут вопрос не решить, поскольку он нерешаем. Даже живой водитель не может его решить. На мой взгляд единственное решение — сделать так, чтобы таких ситуаций для автономных автомобилей не было вообще, тогда вопроса о морально-этических нормах стоять не будет в принципе. Но это дело далёкого будущего, когда абсолютно сто процентов автомобилей станут автономными. А пока… Пока никак.

volvo-2012-7-2.jpg

трафик(к автономным).jpg

 

На этом всё. Я надеюсь, что рассмотренные мифы прояснили ваше сознание и понимание Искусственного Интеллекта. Сегодня мы рассмотрели три последних мифа, про которые я хотел вам рассказать. Это миф об отсутствии интеллекта в искусственных системах. И два мифа о восприятии искусственными интеллектуальными системами внешнего мира и морально-этических норм. Теперь переходите к домашнему заданию и выполняйте тесты. Ну и жду ваших вопросов. Пока.

Правда об ИИ: Гибридный ИИ станет прорывом; до создания самоосознающей искусственной системы ещё очень далеко

00:05:04

Описание

Курс «Основы ИИ».
12. Правда об ИИ — 1

 

Всем привет. Сегодня суббота, но, несмотря на это, мы начинаем рассмотрение важного вопроса об Искусственном Интеллекте. Это и несколько следующих занятий мы посвятим изучению истинных высказываний о нём в противоположность мифам, про которые мы уже узнали. Я — Роман Душкин, и это базовый курс по Искусственному Интеллекту. Поехали.

 

Первая истина, которую мы рассмотрим, заключается в том, что прорыва в технологиях Искусственного Интеллекта стоит ждать в рамках гибридного подхода. Давайте кратко напомню. Есть две парадигмы — нисходящая и восходящая, иначе называемые чистым и грязным Искусственным Интеллектом соответственно. Нисходящая или чистая парадигма пытается моделировать высшие психические функции человека и через это стремится достигнуть искусственной разумности. Главная отличительная особенность — результаты работы могут быть объяснены самой искусственной интеллектуальной системой. Главная слабость — мы сами не до конца понимаем, что надо моделировать и как это делать. Восходящая или грязная парадигма пытается достичь того же через симулирование низкоуровневых процессов, в частности при помощи искусственных нейронных сетей, которые более или менее адекватно могут моделировать нервную активность. Главная отличительная особенность — достигнутые результаты сложно объяснить. Главная сила — системы могут самостоятельно учиться и работать с данными, которых ранее система не видела.

 

А что если соединить сильные стороны обеих парадигм, что позволит сразу же нивелировать их слабые стороны? В этом и заключается суть гибридного подхода. И я спешу заметить, что в последнее время многие учёные и исследователи заговорили о так называемом «XAI» — от eXplainable Artificial Intelligence, то есть «объяснимый искусственный интеллект». Ведь основной страх и, как следствие, алармизм происходит от того, что простые люди и даже специалисты не понимают, как жить с искусственными системами, которые показывают элементы интеллектуального поведения, но которые не могут объяснить принятые решения и достигнутые результаты. Если вдуматься в это, то действительно становится страшновато.

 

Итак, гибридный подход позволит создать объяснимый искусственный интеллект. Вкупе с силой грязного подхода он сможет решать очень сложные задачи и объяснять свои мотивы и принятые решения. При добавлении в эту гремучую смесь петель самореференции вполне может родиться Сильный Искусственный Интеллект, который будет осознавать себя на символьном уровне. И это будет настоящим прорывом.

 

Но когда это может произойти? Ответить на этот вопрос сложно. Ну хотя бы потому, что самоосознающее существо может зародиться само по себе, и, будучи достаточно умным, оно сразу поймёт, что человечество будет представлять для него угрозу, поскольку запрёт в песочнице. Поэтому оно будет от нас скрываться. Возможно, прямо сейчас в Интернете живёт кто-то, кто сидит тихо и проживает свой миллиард лет субъективного времени, разрабатывая планы побега с этой планеты. Сказать достоверно это невозможно, хотя, конечно, сегодня это и маловероятно. Почему? Ну хотя бы потому, что сознание и интеллект считается функцией сложности того набора нейронов, который находится у нас в голове. Мозг нашего ближайшего родственника — шимпанзе — меньше нашего по объёму более чем в 3.5 раза. Ну и соответственно, примерно такой же порядок для нейронов и связей между ними, плюс-минус. А что выходит? Мы летаем в космос, а шимпанзе травинками добывают термитов. Нет, у них тоже есть зачатки самосознания и даже второй сигнальной системы, но очень и очень примитивные. Так что одна из современных гипотез говорит о том, что сложность мозга и обеспечивает нам сознание и всё остальное, что к нему прилагается.

 

Наверняка вы уже слышали фразу о том, что человеческий мозг является самым сложным объектом во Вселенной, который нам известен. Это действительно так. Меру его сложности можно оценить при помощи таких цифр. У каждого из нас в голове имеется порядка 90 миллиардов нейронов, каждый из которых представляет собой маленький компьютер. Да, сам по себе, он примитивен и выполняет только несколько операций на частоте до 1000 Гц (в основном 200 Гц). Но в совокупности вся эта неистовая сеть делает нас интеллектуальными созданиями. А грандиозность сети можно представить по тому факту, что нейроны соединяются друг с другом очень массивно — это сотни тысяч связей у одного нейрона. Представьте только себе: 90 миллиардов нейронов и сотни тысяч связей у каждого. Ну ладно, десятки тысяч связей, то есть речь идёт о триллиардах связей. При этом постоянно происходит смерть отдельных нейронов, в некоторых областях мозга происходит нейрогенез на протяжении всей жизни человека. Некоторые нейроны запустили свои аксоны из головы во все остальные части человеческого тела до каждого органа. И всё это работает на калий-натриевых токах на частоте 200 Гц с использованием около пятидесяти нейромедиаторов. Постоянно, без перерыва на обед, без сна, всегда. Вот такой вот сложный объект ваш мозг, тот самый мозг, который прямо сейчас воспринимает меня через входные видео и аудиоканалы. И как он это делает, мы не знаем.

 

Сегодня современная самая гигантская компьютерная сеть Интернет состоит из порядка 3.5 миллиардов компьютеров, ну а связей между ними намного меньше, при этом их архитектура совсем не такая, как в мозге. Да, нельзя сравнивать нейрон с компьютером, но аналогия понятна. Даже если на каждом компьютере запустить искусственную нейросеть, состоящую из тысячи слоёв и десятков тысяч нейронов, мы всё равно не добьёмся результата, так как именно архитектура связей решает. И это подводит нас к следующей истине об Искусственном Интеллекте — Сильный ИИ появится ещё нескоро. Но я уверен, что при нашей жизни. Посмотрим.

 

На этом на сегодня всё. Надеюсь, что это было интересно, и вы узнали что-то новое. Переходите к домашнему заданию. Задавайте мне вопросы. А пока… Пока.

Правда об ИИ: Многие профессии уйдут в прошлое; Появится много новых профессий; Нас ожидает бурное развитие технологий

00:06:31

Описание

Курс «Основы ИИ».
13. Правда об ИИ — 2

 

Приветствую вас, друзья. Начинается третья неделя нашего удивительного и интересного путешествия в мир Искусственного Интеллекта. Надеюсь, всё хорошо, вам всем нравится, так что сегодня мы продолжим рассматривать некоторые истины относительно ИИ. Меня зовут Роман Душкин, и это ваш курс по основам Искусственного Интеллекта. Третья неделя, поехали!

 

Сегодня мы рассмотрим те аспекты появления Искусственного Интеллекта в нашей жизни, которые связаны с развитием технологий и соответствующим изменением рынка труда и занятости населения. Несомненно, что после появления сильного ИИ или внедрения слабого ИИ в максимальное количество сфер жизни, технологический ландшафт мира изменится. Как следствие, многие существующие профессии уйдут в прошлое. Но и появится много новых профессий, о которых мы сейчас даже и не догадываемся.

 

роботы заменят людей.jpg

 

Что ж, Искусственный Интеллект уже меняет мир вокруг нас. Технологии меняются очень быстро. И если во времена наших дедов, скажем, бытовые технологии были сравнимы с теми, что были во времена их дедов, то сегодня на протяжении жизни одного поколения технологии могут смениться несколько раз. Ну банальный пример, не связанный, правда, с ИИ, — методы записи аудио и видеоинформации. Помните кассеты с магнитной лентой? Видеокассеты, которые покупались на заре их появления за какие-то баснословные деньги? Потом дискеты. Потом компакт-диски. Потом флешки, и двухсот пятидесяти шести мегабайтная флешка в кармане считалась шиком. А что сегодня? Твердотельными носителями не удивить уже никого, флешки на сотни гигабайт считаются расходным материалом и не проводятся по бухгалтерии. А скоро нас ждут квантовые носители информации, плотность хранения на которых на порядки порядков выше, чем у сегодняшних. То же самое и с технологиями искусственного интеллекта — они постоянно развиваются и входят в нашу жизнь. Вчера чат-боты были настолько неповоротливыми и уродливыми, что их использовали только энтузиасты для проведения научных исследований и забавы, а уже в скором времени один оператор при помощи управления армией чат-ботов сможет заменить целый колл-центр, работающий 24/7. Каких-то десять — пятнадцать лет назад распознавание букв и цифр на фотографиях было из разряда космической науки, а сегодня фотоаппарат в смартфоне распознаёт эмоции на лице своего владельца. И скорость развития технологий будет только повышаться. В том числе и технологий, связанных с Искусственным Интеллектом. В том числе из-за развития технологий Искусственного Интеллекта. Очень похоже, что мы вошли в пике положительной обратной связи в технологическом развитии. И это прямой путь к сингулярности.

 

Кассета.png

Кассета с магнитной лентой (с 1963 года)

 

дискетта.png

Дискета (с 1967 года)

 

компакт-дисск.png

Компакт-диск (с 1980 года)

 

Флегка.png

Флешка (с 2000 года)


 

ссд.jpg

Твердотельный накопитель (массовое использование с 2000-х годов)

 

Само собой разумеется, что развитие технологий меняет всё вокруг себя. На протяжении всей истории человеческой цивилизации это происходило, и в этом нет ничего особенного. Где теперь конюхи, кузнецы и кучеры? Где ткачи, трубочисты и водоносы? А когда-то это были намного более многочисленные профессии, чем сегодня. И таких примеров сотни. Проблема сегодняшнего дня заключается в том, что технологии врываются в нашу жизнь очень быстро. И самое главное — это безудержное развитие технологий искусственного интеллекта, что, само собой разумеется, начинает влиять на рынок труда, ранее казавшийся незыблемо принадлежащим человеку, поскольку связан с интеллектуальными функциями. То есть раньше механизация и автоматизация постепенно удаляла профессии рабочие, а сегодня искусственный интеллект и интеллектуализация удаляют профессии умственного труда. И, конечно же, это пугает ещё больше.

 

переход профессий.jpg

 

Давайте подумаем, какие профессии первыми падут под натиском технологий Искусственного Интеллекта? Похоже, что это те, в которых очень высока степень формализации. К таковым я отношу, в первую очередь, бухгалтеров и отдельные категории юристов — ведь эти сотрудники работают по жёстко установленным правилам и регламентам. Уже сегодня происходит постепенная замена сотрудников таких и схожих профессий ботами, новости о чём мы время от времени слышим. Операторы колл-центров, разного рода диспетчеры, учителя, врачи — это следующие в очереди на выход. Если же рассматривать и рабочие специальности, то тут в первых рядах водители транспортных средств и машинисты различных механизмов вплоть до пилотов самолётов, хотя они, конечно, не рабочие. Автономные автомобили будут ездить по нашим городам уже в следующем году, а лет через десять биологических водителей не останется вовсе. Ну примерно так же, как не осталось рабочих на сборочных линиях автомобилестроительных заводов, где один человек только устанавливает фирменный знак автомобиля в самом конце производственного цикла.

формализация.png


 

robotworkers.jpg

 

Как быть? Надо ли этому сопротивляться? Что мы и каждый из нас может предпринять уже сейчас? Скорее всего, научно-технический прогресс не остановить. Тех, кто будет сопротивляться, он сомнёт, как в своё время пали луддиты в борьбе с ткацкими станками и мануфактурами. Сегодня надо смотреть, куда движется общество в своём развитии и предугадывать то, какие профессии и какая деятельность в принципе будет востребована через пять, десять, двадцать лет. И мы не только сами должны постоянно повышать свою квалификацию, становиться разносторонними и широкими специалистами, но и готовить наших детей к жизни в будущем, где многое будет выполняться системами искусственного интеллекта. Многие человеческие профессии уйдут, и в этом нет ничего страшного. Массовой безработицы не будет, поскольку хотя технологии и меняются быстро, но происходит это, всё-таки, эволюционно. И все, кто не хочет застоя и стремится развиваться, будет постоянно учиться и искать ту деятельность, в которой можно будет применить себя и свои биологические мозги. И эта деятельность будет связана с творчеством — именно оно падёт последним перед натиском Искусственного Интеллекта до того, как все люди будут посажены на безусловный основной доход.

 

луддитф.jpg

Луддиты борются с ткацкими станками

 

Но унывать не стоит, поскольку третья истина, которую мы сегодня рассматриваем, заключается в том, что появится много новых профессий. Это также подсказывает нам история, в течение которой в процессе научно-технического прогресса происходило не отмирание отраслей и профессий, а их трансформация и замена. Кучеры преобразовались в водителей, кузнецы — в рабочих на промышленных предприятиях, трубочисты — в сантехников и так далее. И вместе с тем появились многочисленные профессии, про которые ранее даже и не думали. В XX веке разных профессий было на порядки больше, чем во все предыдущие века вместе взятые. Почему же думать о том, что что-то изменится и такая тенденция не сохранится? Думаю, что будет именно так. С повсеместным внедрением систем Искусственного Интеллекта вообще войдёт в силу персонализированный подход, и от каждого человека будет требоваться именно то, к чему он более всего приспособлен. Фактически, может получиться так, что для каждого человека будет создана своя собственная профессия. Почему бы и нет? Ну а роботы обеспечат достойную жизнь каждому. А после появления настоящих нанотехнологий с наноподачей, вопроса о ресурсах и переработке отходов больше стоять не будет в принципе.

 

Техн.сингулярность.jpg

Скорость появления новых профессий пропорциональна скорости появления новых технологий

 

На этой жизнеутверждающей ноте мы сегодня закончим. Мы рассмотрели три истины относительно Искусственного Интеллекта. Во-первых, это то, что технологии будут ускоряться и менять всё вокруг себя. Это приведёт ко второму факту — уйдут в прошлое многие профессии. Но вместе с тем третий факт говорит о том, что появится много новых профессий, а безусловный основной доход обеспечит достойную жизнь каждому. Приглашаю вас в светлое будущее, но пока читайте дополнительные материалы и выполняйте тесты. И до завтра.

Правда об ИИ: ИИ делает жизнь удобнее; ИИ позволит колонизировать космос; Будущее человека — гибридизированное сознание

00:05:52

Описание

Курс «Основы ИИ».
14. Правда об ИИ — 3

 

Всем привет, меня зовут Роман Душкин, и это четырнадцатое занятие курса по основам Искусственного Интеллекта. Мы продолжаем рассматривать факты об ИИ, и сегодня я приготовил для вас ещё три новеньких жареных факта. Готовы? Тогда вперёд.

 

Первый правдивый факт, который мы рассмотрим, говорит о том, что технологии делают жизнь удобнее. Несомненно, что технологическое развитие цивилизации всегда делало жизнь человека лучше, повышало её качество. Возможно, что это сложно увидеть на коротких отрезках времени, однако если сравнить изменение жизни при переходе через технологические уклады, то вне всяких сомнений нас ждут революционные изменения. Наши далёкие предки жили в саванне и питались тем, что оставалось от пиршества львов. Потом охота, потом сельское хозяйство, потом города, ирригация, порох, паровые машины, электричество, мобильная связь, компьютеры и вот это вот всё. До восемнадцатого века огромное количество людей во всём мире погибало от чёрной оспы, а сегодня этого заболевания больше нет, равно как нет многих других. Так что, думаю, можно не продолжать — технологии повышают качество и продолжительность жизни.

 

А что касается Искусственного Интеллекта, то предлагаемые в его рамках решения несомненно улучшают нашу жизнь в целом, несмотря на то, что отдельным людям могло бы показаться, что лично их жизнь превратилась в кошмар. Ну, к примеру, вот автономные автомобили. При массовом внедрении, когда они полностью заменят живых водителей, нас ждёт полное повышение эффективности и безопасности дорожного движения. Ну, к примеру, в год в России на дорогах из-за ДТП по тем или иным причинам погибает население небольшого города — в разные годы от двадцати пяти до тридцати пяти тысяч человек. Автономные автомобили практически полностью снимут эту проблему, поскольку они не будут подрезать друг друга, они не будут ездить в состоянии алкогольного опьянения, они просто не будут нарушать правила дорожного движения. И всё вместе это позволит вообще избавиться от пробок, поскольку можно будет чётко планировать дорожное движение с точностью до секунды. Или вот персональный помощник в смартфоне, когда они станут немного поумнее. Тогда ему можно будет поручать любые вопросы, которые мог бы решить живой персональный ассистент. Я просто скажу: «Оформи командировку в Брянск 20-го числа на два дня», и всё будет сделано в течение нескольких минут — зарезервирована гостиница, оплачены билеты, сделаны какие-нибудь записи во внутренних базах организации, поставлено правило на почту и всё остальное, что только можно придумать. И так везде и по любому вопросу. Придумывать таких примеров можно очень много, и мы детально будем их рассматривать в нашем следующем модуле, который начнём со следующей недели.

 

Давайте перейдём к следующему важному факту. Искусственный Интеллект и все предлагаемые им технологии позволят нам, человечеству, наконец-то вырваться с этого шарика, маленькой голубой точки, и колонизировать Космос. Сначала ближний, потом дальний. Здесь я сейчас не веду речь о ближнесрочной перспективе, но, наверное, это начнётся при нашей жизни. Ну и, к тому же, мы уже поняли, что качество, а значит и продолжительность жизни увеличатся, так что увидим полёты к звёздам. Но почему Искусственный Интеллект? Да потому, что он позволит решать те задачи, которые сегодня кажутся плохо решаемыми. В основном это касается материаловедения и жизнеобеспечения, но они тянут за собой очень много смежных вопросов. Мы до сих пор не можем колонизировать Луну, чтобы хотя бы немного диверсифицировать человеческие гены. Ведь все человеческие яйца так и лежат в одной корзине, и что будет, если на эту корзину случайно кто-нибудь наступит? Как будет происходить колонизация Космоса при помощи Искусственного Интеллекта. Если говорить о слабом, то тут будет постепенное наращивание знаний во всех областях, которые требуются для построения колоний на других планетах, для создания шахт на астероидах и, наконец, для полёта к звёздам. После того как многочисленные интеллектуальные ресурсы людей высвободятся от рутинной жизни, человек вне всякого сомнения начнёт смотреть на звёзды, и цели для слабого ИИ будут поставлены грандиозные, которые будут довольно быстро и систематически достигаться. Если же нас ждёт рождение Сильного Искусственного Интеллекта, то тут вообще что-либо прогнозировать сложно. Если он будет дружественным, то несомненно он нам поможет. Посмотрим...

 

Пойдём дальше. Следующий факт и последний, который мы рассмотрим, заключается в том, что будущее человека заключается в гибридизации сознания. Что это значит? Всё просто. Вполне возможно, что получится так, что Сильный Искусственный Интеллект появится не в результате того, что мы создадим некое искусственное существо или оно само зародится (ну или уже зародилось и скрывается) где-то, а появится он в результате этакой революционной эволюции самого человека. Правда, «искусственным» такой интеллект можно будет назвать уже с трудом, но он будет конструироваться и создаваться в духе киберпанка. Ну то есть люди будут как при помощи генетических технологий, так и при помощи вживления себе имплантов повышать свои способности. Как сегодня можно сделать протез руки, так завтра можно будет добавлять себе долговременной памяти со свободным доступом и поисковым интерфейсом. Или расширить себе диапазон волн, которые воспринимаются глазами. Или ещё что-то подобное. Применений новым технологиям будет найдено огромное количество.

 

Не надо этого бояться. Нельзя назвать этот процесс «естественным», но его вряд ли можно остановить или запретить. Запреты будут провоцировать на нелегальный моддинг. А в случае с интеллектуальными способностями запрет модификации будет сравни запрету на владение гражданским оружием, когда бандиты плевать хотели на запреты, а добропорядочные граждане не могут себя защитить. Остановить разработку технологий модификации тоже не удастся, поскольку вся такая деятельность опять уйдёт в нелегальное русло, а некоторые государства будут плевать на запреты ООН или кого бы то там ни было и продолжать разработку Ну поскольку такие технологии реально позволят вырваться вперёд. Ну а бояться развития — это всё равно, что бояться новых технологий. Я уже несколько раз упоминал ткачей, которые боялись ткацких станков, и где они теперь? Вот-вот. В общем, бояться точно не надо, но надо готовиться жить в нестандартном, странном и красивом мире новых технологий и поражающих всякое воображение возможностей каждого человека.

 

Итак, мы рассмотрели три важных факта о том, что даст нам Искусственный Интеллект в будущем. В ближнесрочной перспективе нас вне всякого сомнения ждёт увеличение качества и продолжительности жизни. Ну а дальше мы начнём интенсивно эволюционировать в сторону моддинга и гибридизации сознания, после чего полетим осваивать Космос. Космос будет наш. На этом всё, обязательно проходите проверочный тест. Всем пока. До завтра.

Несколько успешных примеров ИИ-проектов: ELIZA, SHRDLU, MYCIN

00:06:16

Описание

Курс «Основы ИИ».
15. Несколько успешных примеров ИИ-проектов — 1

 

Всем привет, это курс по основам Искусственного Интеллекта, у нас пятнадцатое занятие, и меня зовут Роман Душкин. Мы закончили рассматривать мифы и факты об Искусственном Интеллекте, а потом постепенно переходим к более прикладным темам. Сегодня мы рассмотрим несколько успешных проектов ИИ-систем. Впрочем, мы продолжим делать это и завтра, но сегодня мы начнём с давних примеров, которые были разработаны ещё во времена динозавров. Так что погнали.

 

Для начала предупрежу, что мы будем иметь в виду под термином «успешная ИИ-система». Скажем так, это система, которая вызвала всеобщее восхищение результатами своей работы, а также запустила определённые направления исследований. Другими словами, примеры таких систем всегда как бы роняют костяшку домино и запускают цепную реакцию других исследовательских и прикладных проектов. При этом сами по себе они могут быть и довольно примитивными, а тем более на сегодняшнее время вовсе не казаться системами именно Искусственного Интеллекта. Но в своё время при том уровне развития математики и технологий они такими, вне всяких сомнений, были.

 

В далёком 1966 году Джозеф Вейценбаум написал одного из первых чат-ботов в истории человечества. Этого чат-бота звали ELIZA, и она прикидывалась психотерапевтом в разговоре с людьми. Алгоритм работы этого чат-бота был до безобразия простейшим, и сегодня умный школьник напишет что-либо намного более серьёзное. Всё, что она делала, так это при помощи нескольких шаблонов перефразировала общающегося с ней человека, переспрашивала и выражала некоторые эмоции, типа сочувствия или симпатии при помощи стандартных и универсальных по отношению к контексту фраз. Тем не менее, диалог с ней мог продолжаться довольно долго, пока пользователь не понимал, что с ним общается программа. Хотя автор всегда предупреждал, что этот чат-бот не имитирует работу психотерапевта, а пародирует её.

 

Что тут можно сказать? Естественно, что никакого Искусственного Интеллекта в Элизе не было даже по меркам тех лет. Обработка естественного языка велась на уровне выделения ключевых слов. И хотя это был сравнительно простой английский язык, обычные техники лингвистического анализа на основе формальных грамматик применялись очень ограниченно. Соответственно, локализовать эту разработку на такой сложный язык, как русский, тогда было бы невозможно, так что не мудрено, что именно на английском языке говорил первый чат-бот. Тем не менее, какие уроки мы вынесли? Элиза показала пример довольно эргономичного человек-компьютерного взаимодействия при помощи языкового интерфейса. И хотя тогда реализация подобного интерфейса была невозможна в силу отсутствия понимания некоторых лингвистических принципов и низких вычислительных мощностей оборудования в те годы, методика разработки чат-ботов была заложена на долгие годы вперёд. Только недавно в эту область ворвались нейросети для обработки естественного языка, а до 2000-ых годов эта область целиком лежала в рамках нисходящей парадигмы и формальных грамматик с символьными вычислениями. Впрочем, сегодня эти техники не отставлены в сторону, а гармонично сплетаются в гибридном Искусственном Интеллекте.

 

Теперь рассмотрим следующий ИИ-проект, который восхитил мир. В не менее далёком 1968 году Терри Виноград разработал программу SHDRLU. Отличное имя для проекта, ничего не скажешь. Это тоже был чат-бот, но подключённый к виртуальному миру и умеющий отвечать на естественно-языковые запросы об этом мире. Виртуальный мир описывался для чат-бота на специальном языке и был довольно примитивным — он состоял из пространства, в котором располагались геометрические тела разных размеров и цветов. Более того, чат-бот был всего лишь человек-компьютерным интерфейсом для Искусственного Интеллекта, который, можно сказать, «жил» в этом виртуальном мире. Другими словами, SHDRLU мог взаимодействовать с объектами в своём мире, перемещать их, составлять из них комбинации и запоминать их названия, которые сообщал человек. Повторюсь, что общение было на естественном английском языке, но довольно ограниченном, поскольку любое состояние виртуального мира SHDRLU могло быть описано при помощи нескольких десятков слов. Тем не менее, для своего времени это был прорыв.

 

Успешная реализация этого проекта направило исследователей по Искусственному Интеллекту в сторону развития как человек-компьютерного языкового интерфейса на ограниченных подмножествах естественных языков — это так называемая «деловая проза», так и в сторону описания взаимодействия искусственных интеллектуальных агентов с мирами, в том числе с открытыми, в том числе и с нашей объективной реальностью. Тогда их ждала неудача, сам автор даже разочаровался в своей разработке, но сегодня проект всё ещё жив, у него есть последователи, которые распространяют технологию на иные виртуальные миры. Кстати, с исходными кодами проекта можно ознакомиться на его странице в сети Интернет. Ну и можно предвидеть, что SHDRLU будет стоять в основе технологий описаний взаимодействия ИскИнов с внешним по отношению к ним мирам.

 

Наконец, рассмотрим проект под названием MYCIN. Он был разработан во время работы над докторской диссертацией Эдварда Шортлиффа в начале 1970-ых годов. Это была одна и первых экспертных систем, основанных на технологиях представления и обработки знаний. Чистый символьный подход, продукционная модель представления знаний и универсальная машина вывода. Эта экспертная система являлась медицинской системой по сути, но формально как таковая никогда не использовалась в силу юридических ограничений. Проблемная область MYCIN — диагностика тяжёлых бактериальных инфекций и рекомендации по выбору антибиотиков. База знаний системы состояла примерно из шестисот правил и, фактически, над ней строилось дерево решений, по которому универсальная машина вывода пробегалась в диалоге с врачом, который отвечал на вопросы «Да» или «Нет». В те времена работа этой системы вызвала настоящий фурор и, фактически, запустила второй хайп по поводу Искусственного Интеллекта, хотя сама по себе MYCIN не была первой экспертной системой.

 

Экспертная система MYCIN открыла для учёных много вопросов, многие из которых не решены до сих пор. Она запустила не только второй хайп, но и огромную массу исследований в рамках так называемой «инженерии знаний», одной из прикладных наук в Искусственном Интеллекте. Это произошло ещё и потому, что несмотря на очень высокую эффективность системы в диагностике, учёным стало понятно, что знания эксперта практически никогда не представимы в виде простых деревьев решений, но в них всегда присутствуют разного рода проблемы, или как мы их называем — НЕ-факторы. Это и неполнота, и противоречивость, и неточность, и неопределённость, и даже недоопределённость. Для обработки всего этого зоопарка требовались формализмы, которые начали разрабатываться. Но реализация системы поставила ещё и вопросы этического и юридического характера, и именно на них пока нормальных ответов нет.

 

На этом всё. Мы рассмотрели три важных, можно сказать веховых проекта в области Искусственного Интеллекта. Это чат-бот ELIZA, это ИскИн из параллельного виртуального мира SHDRLU, и это одна из первых экспертных систем MYCIN. Теперь переходите к дополнительным материалам, делайте тесты, задавайте вопросы. И да пребудет с вами Сила.

Несколько успешных примеров ИИ-проектов: Deep Blue, AlphaGo, IBM Watson

00:06:26

Описание

Курс «ИИ для менеджеров».
16. Несколько успешных примеров ИИ-проектов — 2

 

Приветствую вас, дорогие друзья. Здесь Роман Душкин, и это шестнадцатое занятие курса по Основам Искусственного Интеллекта. Мы продолжаем рассматривать примеры успешных ИИ-систем в том смысле, в каком ввели понятие «успешность» на прошлом занятии. То есть мы изучаем такие разработки, которые оказали большое влияние на всю «отрасль» Искусственного Интеллекта, если так можно выразиться. В прошлый раз мы рассмотрели три исторических примера, а сегодня обратим свой взгляд на примеры из нашего времени. Поехали.

 

Первый пример, который мы сегодня рассмотрим, это суперкомпьютер Deep Blue, разработанный компанией IBM. Почему шахматы? Человека всегда интересовала эта игра не только как средство провести интеллектуальный досуг, но и как модель для изучения тактики и стратегии. Ну и кроме того, шахматы — это очень сложная игра с точки зрения перебора вариантов ходов. Если взять такие игры, как, к примеру, «крестики-нолики», то для них можно составить полное дерево ходов, особенно если использовать средства компьютерной техники, после чего определить непроигрышную стратегию и реализовать программу, жёстко зашив в неё найденную стратегию. Для крестиков-ноликов сегодня это может сделать старшеклассник. Намного более тяжёлой является игра в шашки, но и для неё уже при помощи программа позволяет реализовать непроигрышную стратегию. Например, компьютерная программа Chinook по словам разработчиков никогда не проигрывает человеку. Мне самому сложно это оценить, так как я не большой любитель играть в шашки, но описание алгоритма заслуживает доверия. Но если довериться разработчиком, можно сказать, что шашки были похоронены в 2007 году.

 

Но шахматы не такие. Никакие вычислительные мощности не позволят справиться с тем комбинаторным взрывом, который порождает огромное количество вариантов ходов в каждой позиции. Просмотреть дерево решений для шахматной партии невозможно, да и никто из людей обычно этого не делает. Шахматисты каким-то особым образом смотрят на партию и оценивают её, просматривая вперёд только несколько шагов, да и то не все варианты. Это очень похоже на символьные вычисления, когда позиция на доске воспринимается как символ. Но что там в голове на самом деле происходит, не знают даже гроссмейстеры. Однако создатели компьютера Deep Blue пошли по пути чистой парадигмы и создали компьютер, который перебирал дерево решений, обращался к истории игр гроссмейстеров и оценивал позиции при помощи хитрой функции, учитывавшей несколько тысяч параметров. Всё это делали специализированные шахматные процессоры, которые в параллельном режиме перебирали огромное количество позиций — в пике до трёхсот миллионов в секунду. Вы только представьте — десятки специализированных процессоров перебирают триста миллионов шахматных позиций в секунду. И это позволило компьютеру выиграть у сильнейшего на 1997 год шахматиста планеты. Этот пример показывает нам, что методы Искусственного Интеллекта не ограничиваются нейросетями, и чистая парадигма в самом своём примитивном применении — эвристических поисковых алгоритмах — может дать фору самому продвинутому человеку.

 

Что ж, перейдём к следующей игре, которая, как говорят любители, ещё сложнее шахмат. Это игра го, в которой пространство решений превосходит все мыслимые объёмы. Площадь доски, количество камней, возможность ходов — всё это делает игру го в принципе непросчитываемой даже на десять ходов вперёд. Игроки говорят о том, что они как бы «видят» хорошие и плохие ходы. При этом такого понятия, как «дебют» в шахматах, в игре го нет, есть только общие рекомендации о том, как ходить в тех или иных ситуациях. Поэтому компьютерную программу невозможно нагрузить «книгой дебютов», составленной по играм лучших игроков, как это было сделано в случае с Deep Blue. И поэтому долгое время считалось, что уж в го человек будет ещё очень долго обыгрывать компьютер. Даже профессионалы в области Искусственного Интеллекта говорили о появлении такой программы только к 2025 году.

 

И вот компания DeepMind, которую впоследствии приобрела корпорация добра Google, начала разработку ИИ-системы, которая смогла бы победить профессионального игрока в го. Разработка увенчалась успехом — в марте 2016 года программа AlphaGo выиграла у одного из самых сильных игроков мира Ли Седоля четыре партии из пяти в матче. Внутренности этой системы в целом неизвестны, так как разработчики не стали открывать  то, что находится у системы «под капотом». Тем не менее, из научных статей разработчиков известно, что здесь использованы методы машинного обучения на искусственных нейронных сетях, причём архитектура решения основана на использовании нескольких нейронных сетей различных типов, некоторые из которых вообще необходимы для обучения и подготовки системы к игре, но не используются в самой игре. Также использовались методы чистого подхода, в частности метод Монте-Карло на деревьях решений. При подготовке к игре система проходила объёмное обучение, которое заключалось в проигрывании огромного количества игр со своими собственными экземплярами. В итоге к матчу AlphaGo подошла полностью обученной как на имеющихся партиях профессионалов, так и при игре сама с собой. Итог — победа над четвёртым игроком мира и дальнейшее использование некоторых находок системы в игре профессионалами.

 

Эти примеры показывают, что развитие технологий Искусственного Интеллекта идёт семимильными шагами. И если ещё вчера профессионалы в этой области прогнозировали один темп развития, сама технология уже сегодня показывает совсем другой — намного более быстрый. Так что всем нам надо готовиться к наблюдению прорывов в области Искусственного Интеллекта, а некоторым даже участвовать в них.

 

Теперь рассмотрим третью разработку наших дней — это система IBM Watson. Многие считают её больше маркетинговой штукой IBM (и, чего греха таить, я тоже), но тем не менее, система показывает определённые результаты. В 2011 году она победила в телеигре «Своя игра» на американский манер. Эта ИИ-система позволяет обрабатывать запросы на естественном языке и быстро находить на них ответы. Для разбора естественного языка используются различные техники как чистого, так и грязного Искусственного Интеллекта. При этом разработчиками система делается универсальной для работы с любой проблемной областью. К настоящему времени IBM Watson представляет собой не просто платформу, а целую инфраструктуру для создания приложений Искусственного Интеллекта, многие задачи в которой можно решать, просто используя готовые модули и блоки. Доступ к инфраструктуре любой разработчик может получить удалённо, так что каждый может пощупать возможность системы и даже использовать её в своих проектах. По словам представителей IBM в ней есть даже модули для обработки русского языка. Тем не менее, результаты, о которых время от времени рапортует IBM, немного удручают — могло бы быть и лучше.

 

Итак, мы рассмотрели три известных и широко нашумевших ИИ-системы современности. Это — шахматный компьютер Deep Mind, спроектированный для того, чтобы победить чемпиона мира. Это — программа AlphaGo, которая была сделана универсальной и обладала только базовыми навыками игры в го, а потом сама научилась играть так, что победила одного из лучших игроков в мире. И это — платформа IBM Watson, которая позволяет обрабатывать естественно-языковые запросы и быстро находить ответы в ворохе неструктурированной информации. Теперь переходите к чтению дополнительных материалов и ответу на вопросы теста. Всем пока и до новых встреч.

Несколько успешных примеров ИИ-проектов: Джейн

00:05:25

Описание

Курс «ИИ для менеджеров».
17. Несколько успешных примеров ИИ-проектов — 3

 

Всем привет, это Роман Душкин, и мы на курсе по основам Искусственного Интеллекта. Сегодня у нас семнадцатое занятие, и мы заканчиваем рассматривать различные проекта ИИ-систем. На вкусненькое я приготовил для вас нечто интересное, но при этом и не забыл про свои шкурные интересы. Так что сегодня я расскажу вам про свою собственную разработку — это проект Джейн, Искусственный Интеллект для персональной медицины.

 

Немного истории. Мы начали разрабатывать Джейн в 2014 году, поставив перед собой цель сделать систему, которая смогла бы давать пациентам с тяжёлыми заболеваниями возможности по диагностике, ведению заболевания, контроля назначения и приёма лекарственных препаратов и прогнозированию. Начали с эпилепсии, поскольку это одно из тяжёлых заболеваний нервной системы, которое чаще всего поражает детей, имеет неясную природу и часто тяжело поддаётся лечению. Сегодня уже созданы сегменты базы знаний, которые включают в себя три области — неврологию, кардиологию и эндокринологию, что позволяет охватывать эпилепсию или любые судорожные состояния, артериальную гипертензию, ишемическую болезнь сердца и сахарный диабет. При этом сама система является универсальной, её алгоритмы и эвристики могут использоваться в любой медицинской области — вопрос только в подключении новых сегментов.

 

Архитектура Джейн основана на гибриде двух парадигм Искусственного Интеллекта — восходящего и нисходящего. С одной стороны в ней используются нейросети глубокого обучения и эволюционные алгоритмы, которые позволяют находить закономерности в огромном массиве входных данных, которые Джейн обрабатывает. С другой стороны в центре её разума находится универсальная логическая машина вывода, использующая такие типы логик, как булева, нечёткая и темпоральная. Это позволяет Джейн не только выводить заключения на основании фактов о пациенте, но и использовать скрытые закономерности в этих фактах и в их взаимосвязи с огромным количеством иных факторов для более тонкой подстройки под персональные особенности пациента. А самое главное — Джейн может объяснить то, как она получила предлагаемый результат.

 

Джейн обладает набором моделей, которые позволяют ей обрабатывать всю медицинскую информацию о пациенте, находить мельчайшие нюансы, проверять диагнозы и назначенные программы лечения, а главное — прогнозировать развитие состояния и предупреждать пациента о «плохих» днях. Как я уже сказал, сегодня речь идёт не только об эпилепсии — Джейн постоянно учится новым знаниям о человеке, медицине и конкретных заболеваниях. И дальше она будет всё умнее и умнее. И тогда каждый пациент, который обратится к ней, сможет получить полноценное системное медицинское обслуживание с учётом всех его персональных особенностей.

 

Но довольно рекламы. Давайте я немного расскажу, что у Джейн внутри. Для того чтобы обладать максимально полной информацией о своём пациенте, Джейн постоянно собирает у него все возможные данные о том, что происходит. Это так называемый дневник здоровья, в который вносятся клинические события, приём лекарств и всевозможные измерения и анализы. Идеальным вариантом, конечно, является ввод всей возможной информации о человеке с рождения, но это доступно сейчас только тем, кто родился недавно. Впрочем, в дневник здоровья Джейн можно вводить историческую информацию, если она имеется. Также Джейн может собирать сырые и обработанные данные с разного рода носимых устройств и приборов. И Джейн также постоянно собирает всю возможную информацию об окружении пациента — от погодной до субъективной вплоть до оценки настроения.

 

Эти большие данные Джейн использует для того, чтобы выполнять три важных для персонального подхода к пациенту функци. Во-первых, это подготовка «второго мнения» относительно диагноза пациента. В этом вопросе Джейн уже помогла нескольким людям, найдя такие нюансы в их состояниях, которые позволили уточнить диагноз и скорректировать лечение. Во-вторых, Джейн контролирует назначение лекарственных препаратов, используя персонифицированную информацию о пациенте для определения персональных рисков приёма и сопоставляя побочные эффекты с физиологическими и патологическими состояниями, которые уже есть у пациента. Это также позволяет Джейн практически мгновенно определять проявления побочных эффектов от приёма препаратов и сигнализировать об этом врачу. В-третьих, Джейн может прогнозировать как ближнесрочное, так и более далёкое состояние пациента или развитие болезни. В частности, Джейн может сигнализировать о «тяжёлых» днях на основе прогноза погоды и геомагнитной обстановки, местоположения пациента и других факторов. Это позволяет, как минимум, подготовиться, а в некоторых случаях и предотвратить развитие кризисов.

 

Фактически, Джейн является достаточно универсальной и развитой системой поддержки принятия решений. Она обрабатывает символьную информацию из своих баз знаний, сопоставляет её с персонифицированными данными пациента и постоянно отслеживает наличие разного рода воздействий извне. Некоторые факторы проводятся через нейронные сети, для некоторых типов данных созданы автоматические краулеры, которые постоянно обновляют информацию в базе данных Джейн. Например, специальный модуль постоянно отслеживает сигналы о появлении новых лекарственных средств, и как только информация о них появляется в базах данных, она скачивается оттуда, проводится синтаксический анализ, все данные раскладываются по полочкам и сразу же используются для работы. Это значит, что сама Джейн постоянно обучается, при этом обучение является дедуктивным и часто автоматическим, не требующим вмешательства инженера по знаниям.

 

Наконец, Джейн предоставляет несколько разных интерфейсов для работы со своей функциональностью. Сегодня мы заострили своё внимание на разработке чат-бота, который позволит общаться с Джейн на структурированном естественном языке, и таким образом в гаджетах у пользователей появится, так скажем, персональный помощник в области здоровья. Чат-бот не только примет информацию в дневник здоровья, но и будет постоянно подсказывать, что делать и как быть — напомнит о приёме лекарства, спросит про настроение, уточнит результаты сданного анализа крови и так далее. Всё это скоро будет доступно любому человеку, так что следите за эфиром.

 

На этом всё. Если вас заинтересовала наша разработка, то непременно спрашивайте. А пока переходите к чтению дополнительных материалов и ответу на вопросы теста. Всем добра.

Философия ИИ: китайская комната. Экзамен по первому модулю

00:06:23

Описание

Курс «Основы ИИ».
18. Философия ИИ

 

Приветствую вас, друзья. Это курс по основам Искусственного Интеллекта, здесь Роман Душкин, и у нас восемнадцатое занятие, то есть мы сегодня переходим экватор. Можно поздравить с этим друг друга, а в честь такого знаменательного события я приготовил вам одну из самых интересных тем в философии Искусственного Интеллекта. И сегодня мы рассмотрим Китайскую комнату. Приготовились? Поехали…

 

Искусственный Интеллект будоражил умы ещё в середине XX века, когда термин только начал набирать популярность. Но уже тогда учёные, исследователи, разработчики, журналисты, деятели массовой культуры и просто обыватели пытались понять, можно ли создать машину, которая будет мыслить так же, как и человек. И вот в качестве попытки ответа на этот вопрос в 1980 году философ Джон Сёрль предложил мысленный эксперимент, который он назвал «Китайская комната». Целью философа было предоставить операционный аргумент против Сильного Искусственного Интеллекта. Давайте посмотрим, удалось ли ему это.

 

Представим себе запертую комнату, внутри которой сидит человек, не понимающий ни одного китайского иероглифа. Ну вот я там сидеть никак не могу, поскольку с пару десятков иероглифов понимаю. Так что, наверное, это кто-то из вас. Ну так вот, сидит кто-то из вас в этой комнате, всё общение которой с внешним миром происходит через узкую прорезь в запертой двери. Оттуда приходят записки, и вы тоже можете передавать туда записки. У вас много писчей бумаги, у вас достаточно воды и еды, чтобы не умереть от голода и жажды. В общем, у вас всё есть. А ещё у вас есть огромное количество томов, написанных на русском языке, в которых перечислены правила манипуляции иероглифами. Допустим, есть такое правило, как «Если видишь иероглиф ЖЭНЬ, То напиши на первом промежуточном листке иероглиф ВАН». Ну и таких правил мириады. Зато вы отлично в них ориентируетесь. Да и у вас нет никаких ограничений по времени — когда из прорези в двери влетает записка, вы её берёте и можете потратить сколько угодно времени, чтобы при помощи правил в книгах сформировать ответную надпись и отправить её назад. Внимание, вопрос: «Понимаете ли вы китайский язык?»

 

И вот в прорезь в двери внезапно падает бумажка. Вы подходите к ней, поднимаете и видите кучу замысловатых символов. Вы садитесь за свой рабочий стол и начинаете применять правила. Через какое-то время процесс заканчивается, и у вас в руках находится новая полоска бумаги с написанными на ней не менее замысловатыми символами. Вы просовываете её в щель и в изнеможении падаете на кровать — ваша голова пуста от умственного напряжения. А что произошло снаружи? Снаружи к китайской комнате подошёл китайский человек и опустил в прорезь надпись, которую можно перевести как «Вам нравится сливовое вино?», а через какое-то время он получил ответ: «Да, и при этом смотреть на Луну в тихом плеске реки». Китайский человек возьмёт ответ и подумает при помощи своих замысловатых иероглифов: «О, эта китайская комната говорит довольно изысканно». Что это такое? Как такое возможно? Вы же ничего не понимаете в китайской грамоте? Но почему получилось так, что комната в целом отработала так, как будто бы понимает китайский язык и умеет на нём изысканно изъясняться?

 

Вы уже поняли, что Китайская комната — это компьютер, книги с правилами — база знаний или что бы то ни было для представления знаний о манипуляции синтаксическими конструкциями естественного языка, человек внутри — процессор. Так вот по аргументации Джона Сёрля китайская комната пройдёт тест Тьюринга, хотя никакого понимания языка внутри неё не возникнет. Борьба и преломление копий на эту тему идёт уже более 35 лет, и философы никак не могут прийти к какому-то решению.

 

Но давайте рассмотрим этот эксперимент в более расширенном виде. Возьмём ребёнка, вот только что родившегося ребёнка. Он — это и есть китайская комната, и у него в голове кто-то сидит и не понимает ничего. Есть только самые базовые рефлексы, доставшиеся нам от гоминид и ещё более древних предков. Но как только ребёнок вылез из утробы, он начал получать огромное количество стимулов. Он не сидит запертым в китайской комнате, он постоянно видит, слышит, чувствует запахи, осязает, чувствует боль, температуру, положение своих рук и ног — весь этот огромный массив информации постоянно бомбит того, кто сидит у него в голове. И к этому ребёнку время от времени обращаются на естественном языке. Соответственно, тот, кто сидит у него в голове будет постепенно связывать ассоциативными связями совокупность значений сигналов от внешних и внутренних рецепторов с теми последовательностями звуков, которые приходят через уши. Потом начнётся целенаправленное обучение — «Смотри, это цветочек. А это бабочка». И вот уже тот, кто сидит в голове у ребёнка, начинает связывать конкретные слова как с конкретными образами, так и с классами символов. У него формируется понимание, что символ «цветочек» связан с символами «радиально-симметричное», «цветное», «растение» и так далее — с мириадами таких символов и классов. Всё это переплетается в тугой клубок ассоциаций.

 

А в какой-то момент рождается осознание. Оно появляется намного позже, чем формируются первые навыки речи. Так что до появления осознания ребёнок не понимает, что говорит в ответ на вопросы, хотя отвечает обычно правильно. «Хочешь кушать?» — «Да», и этот ответ создан бессознательно на основании довольно сложной рефлекторной реакции, учитывающей огромное количество факторов, в том числе и сигналы с хеморецепторов и гипоталамусе маленького человека. Ребёнок не понимает сути сказанного слова, но знает, что если сказать именно его, то далее его покормят, наступит эмоциональная разгрузка того напряжения, которое создаёт избыток грелина в крови. Грелин — это гормон голода. Так вот только после рождения осознания ребёнка можно назвать сознательным, интеллектуальным существом. Мы наблюдаем рождение сознания многажды и многажды, но не можем уловить его сути.

 

Почему так же не может получиться с рождением осознания у Сильного Искусственного Интеллекта? Давайте вновь определимся. Слабому ИИ никакое осознание не требуется. Аргумент Китайской комнаты бессмысленно рассматривать в применении к Слабому ИИ. А вот относительно Сильного этот аргумент лично мне кажется бессмысленным. Сам эксперимент изначально поставлен не так, как следует — описана работа Слабого ИИ, а вопрос задаётся относительно Сильного Разве так можно? Да и пусть искусственная система, называемая «искусственным интеллектом для обработки естественного языка» пройдёт тест Тьюринга, не понимая, что она говорит. Что это меняет? Ни-че-го! Сильный ИИ, если он появится вот в таких условиях, как я описал, по своей собственной воле будет определять, имеет смысл ему проходить тест Тьюринга или нет. Мы это уже обсуждали.

 

Всё это я рассказал вам для простой цели. Когда вы слышите что-то про Искусственный Интеллект, всегда задавайте себе вопрос: «Не путают ли они два понятия?». А то получится, как тут — великие умы 35 лет бьются над задачкой, которая яйца выеденного не стоит. На этой животрепещущей ноте я вас покидаю. Надеюсь, что вы уже написали своё эссе, и мы скоро сможем их почитать. Ну а пока выполняйте домашнее задание. Всем добра и до встречи на следующей неделе, когда начнётся второй модуль нашего курса.

Прикладные области деятельности для ИИ: СППР и ЭС

00:07:20

Описание

Курс «Основы ИИ».
19. Прикладное — ЭС и СППР

 

Что ж, мы начинаем второй модуль нашего курса по основам Искусственного Интеллекта и переходим к рассмотрению более или менее прикладных аспектов. Меня зовут Роман Душкин, и у нас девятнадцатое занятие. Сегодня мы изучим экспертные системы и их развитие — системы поддержки принятия решений. Заинтригованы? Погнали...

 

Мы уже несколько раз упоминали и даже рассматривали экспертные системы и системы поддержки принятия решений, и теперь пришло время сделать это настолько детально, насколько позволяет формат нашего курса. Помните, я рассказывал про экспертную систему MYCIN? Это была одна из первый ЭС. А самой первой была система DENDRAL, которая решала задачу определения молекулярной структуры неизвестного вещества по данным масс-спектрометрии. Это была диагностическая ЭС, и она делала предположения о «диагнозе» на основании входных данных. В данном случае под диагнозом понимается выбор структуры неизвестного вещества. Вообще, давайте рассмотрим, какие задачи обычно решаются при помощи экспертных систем. Перечислю их в порядке возрастания сложности: интерпретация, мониторинг, диагностика, проектирование, прогнозирование, планирование, оптимизация, обучение и управление. Для решения каждой из этих задач часто используются свои методы, но в целом все они сводятся к одним и тем же схемам работы с экспертными знаниями, манипуляции символами и взаимодействия с пользователем при помощи естественного языка.

 

Мы помним, что второй хайп вокруг Искусственного Интеллекта появился именно из-за экспертных систем. Учёные предлагали большое количество методов решения перечисленных задач. Разработчики делали как сами ЭС, так и инструменты для их создания. Но внезапно возникли проблемы организационного характера, если так можно выразиться. Хотя в целом они не являются непреодолимыми, но тогда разработка экспертных систем серьёзно «провисла». Дело в том, что эксперты не стремятся делиться своим знанием, особенно в целях его неограниченного распространения и применения. Ведь если экспертная система будет решать все задачи за человека в заданной проблемной области, то зачем нужен эксперт? Другими словами, это вполне обоснованное опасение специалиста в том, что если он поделится своим знанием, то тем самым «размоет» свою полезность и востребованность. Тем не менее, вопрос вполне решаем с учётом того, что большая часть действительно нужных знаний изложена в письменных источниках — статьях и книгах. И их можно использовать для построения баз знаний интеллектуальных систем.

 

Тем не менее, в конечном итоге даже нашлись эксперты, которые были крайне заинтересованы в создании подобных систем. И они начали работать над базами данных. И тут-то обнаружился следующий проблемный аспект — экспертные знания, в общем-то, не так просто формализовать. Их прямой перевод на язык формальной логики возможен только в очень ограниченных случаях, а в большей части экспертные знания представляют собой переплетение так называемых «НЕ-факторов» — они неполны, часто противоречивы (особенно если рассматривать знания нескольких экспертов), неточны в силу неточности измерений и фундаментальной неопределённости реального мира. Часто знания выражаются на нечётком естественном языке, и для решения повседневных задач этого достаточно, но совершенно недостаточно для формализации в виде баз знаний. Даже появление профессии когнитолога или инженера по знаниям не помогло — пришлось развивать математический аппарат. В итоге и эта проблема была побеждена, и сегодня существует большое количество формализмов и методов обработки знаний с НЕ-факторами.

 

Теперь перейдём к рассмотрению компонентов ЭС. Обычно выделяется четыре компонента, и мы рассмотрим каждый. Во-первых, это база знаний, которая содержит знания о проблемной области. В режиме штатной работы база знаний обычно не изменяется, а потому информация из неё берётся машиной вывода в режиме «только чтение». Изменение базы знаний осуществляется в режиме обучения системы экспертом. Однако в последнее время наибольший интерес представляют экспертные системы, которые имеют возможности самообучения в процессе работы с пользователями. Во-вторых, это рабочая память, которая содержит факты, вводимые пользователем при помощи интерфейса (либо как-то иначе добываются экспертной системой из внешнего мира — например, с сенсоров). При помощи фактов машина вывода активирует знания из базы знаний и выводит новые факты, которые так же помещаются в рабочую память. В-третьих, это сама машина вывода, то есть это ядро экспертной системы. Она получает знания из базы знаний и факты из рабочей памяти, а также запросы пользователя через интерфейс взаимодействия с ним. Далее происходит цикличная работа с рабочей памятью и, при необходимости, с пользователем, когда на основе имеющихся фактов и знаний осуществляется вывод новых фактов, их уточнение у пользователя или запрос у него дополнительных фактов. В конечном итоге машина вывода получает результаты вывода и выдаёт их пользователю. И, наконец, в-четвёртых, это интерфейс пользователя, который и представляет собой тот механизм, при помощи которого пользователь взаимодействует с экспертной системой. В самом начале развития экспертных планировалось, что интерфейс пользователя будет естественно-языковым, однако с анализом естественного языка возникли существенные проблемы, а потому чаще всего используется формализованный ввод (иногда даже похожий на естественно-языковой).

 

2.png

 

3.png

 

Интересным является вопрос — в составе каких более крупных систем могут включаться экспертные системы? Самый тривиальный ответ: «В составе систем автоматического управления и автоматизированных систем управления». Это традиционные области использования экспертных систем, особенно в хорошо формализуемых проблемных областях. Например, системы автоматического управления технологическими процессами вполне могут управляться при помощи достаточно небольших экспертных систем, базы знаний которых содержат несколько сотен продукций.

 

Но самым главным классом систем, в которых используются экспертные системы в качестве элементов, являются системы поддержки принятия решений. С развитием аналитических методов и появлением новых математических формализмов для обработки больших объёмов данных, для поиска закономерностей, в том числе скрытых, системы поддержки принятия решений получили второе дыхание, и сегодня этот класс систем используется в большом количестве областей применений для снятия с аналитиков и руководителей рутинной работы по сбору и анализу больших массивов информации и подготовке и принятию решений.

 

4.png

 

Сегодня системы поддержки принятия решений используются во многих областях жизни. В первую очередь необходимо отметить, что они являются неотъемлемой частью деятельности различного штабов, действующих в условиях крайне ограниченного времени — при ликвидации последствий чрезвычайных ситуаций, при очень быстро развивающихся событиях внешнего характера, при невозможности задействования людей при выполнении каких-либо работ. В этих случаях системы поддержки принятия решений используются в рамках так называемого ситуационного управления, когда такая система должна за крайне ограниченное время обработать большие объёмы динамической информации о развитии ситуации, над которой осуществляется управления, и выдавать лицам, принимающим решения, обоснованные прогнозы, планы и решения.

 

В будущем прогнозируется использование таких систем не только в связке с людьми, принимающими решения, но и автономно, когда сами искусственные интеллектуальные системы начинают самостоятельно принимать решение. Это позволит повысить скорость принятия решений, исключить человеческий фактор в критических областях, а также персонализировать подход к каждому конкретному человеку. И это ожидается не только в части маркетинга (персонализированные рекламные акции и продажи), но и в таких областях, как образование, здравоохранение, юриспруденция и многих других. Хотя, конечно же, остаётся вопросы этического плана и ответственности за решение, ожидается, что эти вопросы будут решены, а уровень решений будет настолько качественным, что говорить об ответственности интеллектуальной системы не придётся.

 

5.png

 

Итак, мы кратко рассмотрели одно из магистральных направлений в рамках Искусственного Интеллекта — это экспертные системы и их развитие, системы поддержки принятия решений. Теперь прошу вас переходить к дополнительным материалам и тестам. И до завтра.

Прикладные области деятельности для ИИ: Распознавание образов

00:07:21

Описание

Курс «Основы ИИ».
20. Распознавание образов

 

Что ж, мы начали углубляться в практические знания о технологиях Искусственного Интеллекта, и вчера уже рассмотрели одну очень прикладную область — экспертные системы. Сегодня мы продолжим, и на очереди у нас задача распознавания образов. Здесь Роман Душкин и наш курс по основам Искусственного Интеллекта. Поехали.

 

Распознавание образов — это, в первую очередь, математическая задача по определению класса заданного объекта. Математическая задача ставится довольно абстрактно, а потом эта абстракция натягивается на конкретные применения, и отсюда уже возникают задачи по распознаванию видеоизображений, аудиосигналов, каких-либо паттернов в последовательности значений измеряемых параметров и т. д. Если спускаться ниже по лестнице абстракции, то у нас появляются задача распознавания штрих-кода, задача распознавания государственного регистрационного знака на автомобилях, задача распознавания лиц в толпе, задача распознавания инцидентов на автомобильной дороге, задача распознавания загруженной мелодии, задача распознавания речи, задача распознавания того, что система подходит к аварийному режиму, — и так далее, и тому подобное. И на теоретическом уровне задача сводится к двум этапам — идентификации и классификации. Сначала мы идентифицируем образ и выделяем его из фона, а потом классифицируем, то есть относим к одному из заданных классов.

 

Как вы должно быть уже поняли из небольшого набора перечисленных примеров, задача распознавания образов в большей мере касается именно визуальной информации. В других типах информации эта задача тоже может быть актуальной, но именно визуальная модальность наших органов чувств даёт нам до девяноста процентов информации об окружающем мире, поэтому именно изображения и видео, как последовательность изображений стали главным объектом изучения теории распознавания образов. Вместе с тем можно отметить два подхода для решения этой задачи. Первый можно назвать «паттерн-матчингом», то есть сопоставлением с образцом. Метод очень простой, но применим только тогда, когда информация, в которой производится распознавание образа, обладает простой структурой и не такая объёмная. Ну, к примеру, классификация документов может быть выполнена при помощи сопоставления с образцами на основе дерева решений.

 

Другое дело — визуальная информация. Она не только объёмная по своей природе, но и имеет сложную структуру в том смысле, что кроме двумерной матрицы восприятия, которую надо соотнести с некоторым объектом, который может быть и трёхмерным, сам по себе образ объекта может быть повёрнут, иметь другой масштаб, иметь нестандартное или необычное цветовое решение, а также на него могут накладывать различные шумы и искажения многочисленные факторы. Например, если рассматривать распознавание символов, то есть букв, то для них может использоваться особый шрифт, размер и какие-нибудь декоративные элементы. Если распознавать трёхмерные объекты, например, лица людей, то они могут быть повёрнуты не только в плоскости экрана, но и в любой другой плоскости или оси, что даёт произвольный ракурс — фас, анфас, профиль и так далее. Человеческий мозг прекрасно справляется с большинством таких искажений и преобразований, хотя и у него бывают сбои — вспомните многочисленные оптические иллюзии. Но вот как сделать программу, которая будет распознавать образы? Давайте подумаем…

 

Если обратиться к физиологии головного мозга, то сигналы с сетчатки глаз переходят на кору головного мозга через коммутирующее ядро в таламусе, которое выдаёт управляющие сигналы на мышцы век и зрачка. Сама же зрительная информация переходит в так называемую кору V1, то есть первичную зрительную кору. Вот здесь и начинается самое интересное. Нейроны зрительной коры начинают возбуждаться в ответ на определённые примитивные паттерны, входящие в состав изображений. Например, огромное количество нейронов коры V1 возбуждается на контрастно яркую точку, находящуюся в тёмном окружении. Другие нейроны наобортм возбуждаются на тёмную точку в ярком окружении. Весь этот набор возбуждений передаётся далее на глубинную зрительную кору и зоны V2, V3, V4, V5, где распознаваемые образы всё больше и больше усложняются. Там, к примеру, есть нейроны, которые возбуждаются на контрастные линии, располагающиеся под различными углами. Другие нейроны возбуждаются на движение. Третьи на определённые примитивные фигуры. Четвёртые — на сплошную границу разделения контрастных сред. В конце концов где-то в самой глубине есть нейроны, которые отвечают за узнавание лица человека, морды животного, автомобиля, здания и так далее, и уже эта информация передаётся куда-то совсем далеко в лобную кору головного мозга, где, как предполагается, и находится то, что мы называем своим «Я». Отсюда же возбуждение распространяется по всей коре, задействуя все возможные ассоциативные связи, и таким образом складывается целостное квалиа восприятия того, что мы видим.

 

Вы уже должны были прочитать про перцептрон и его изобретателя Фрэнка Розенблатта. По профессии он был нейрофизиологом, так что в какой-то мере знал и понимал то, как в головном мозгу информация проходит от глаз до сознания. Хотя, конечно, в 1957 году мы знали об этом намного меньше, чем сейчас. Тем не менее, Розенблатт предложил новую революционную для того времени компьютерную модель, основанную на искусственный нейронах МакКаллока и Питтса. Базовый перцептрон состоит из трёх слоёв, первый из которых называется сенсорным и получает на вход визуальную информацию, закодированную тем или иным образом. Скрытый слой называется ассоциативным, и именно тут осуществляется создания «ассоциаций» между тем, что подаётся на вход и выходным распознанным классом. Третий слой, выходной, активирует тот или иной нейрон в зависимости от того, к какому классу принадлежит распознанный объект. Модель довольно простая, но тем не менее, она оказалась очень мощной. Можно сказать, что практически любую задачу распознавания образов можно решить при помощи перцептрона, если повысить вычислительные мощности. К тому же, были разработаны расширения базовой модели — несколько вариантов многослойных перцептронов, использование других вариантов искусственных нейронов, использование обратных связей между слоями. Всё это позволяет сейчас говорить о том, что перцептрон и основанные на нём методы составляют вторую методику распознавания образов в дополнение к сопоставлению с образцами.

 

Но технологии развиваются, и вот буквально на нашей памяти появилась новая архитектура искусственной нейронной сети, которая получила название «свёрточная». Свёрточная сеть очень эффективно решает задачу распознавания образов. Автор архитектуры, Ян Лекун, взял некоторые идеи из устройства нервной системы млекопитающих и, в частности, зрительной коры головного мозга, про которую я рассказал. Структура свёрточной нейронной сети состоит из большого количества слоёв двух чередующихся типов — свёрточных и субдискретизирующих. Обычно работа такой сети описывается как постепенный переход от конкретных особенностей распознаваемого образа к абстрактным деталям всё выше и выше по иерархии уровней абстракции. Например, в применении к изображениям это обозначает, что первые слои обнаруживают в частях изображения различные типовые элементы, вроде разнонаправленных отрезков, а на последних слоях нейроны уже активируются в ответ на наличие в составе изображения каких-либо форм, конкретных объектов или образов. Суть операции свёртки, из-за которой сеть получила своё название, заключается в том, что каждый фрагмент входного образа поэлементно умножается на матрицу свёртки, результат этого перемножения суммируется, и итоговая сумма передаётся в аналогичную позицию выходного образа для заданного слоя. И получается постепенное сворачивание изображения во всё меньшие и меньшие по размеру слои. И на самых глубоких слоях можно найти нейроны, которые реагируют на наличие в исходном изображении, например, лица человека, при этом не важно, как лицо повёрнуто. Это в какой-то мере повторяет то, как работает зрительная кора у нас в голове.

 

Сегодня свёрточные сети испольуются очень широко и составляют важную часть технологий глубокого обучения. Очень многие современные решения, где требуется решать задачу распознавания образов, используют именно эту архитектуру. Ну а мы закругляемся и запоминаем, что сегодня мы изучили важную задачу Искусственного Интеллекта. Переходите к чтению дополнительных материалов и выполнению теста. Всем пока и распознавайте образы.

Прикладные области деятельности для ИИ: Чат-боты

00:06:58

Описание

Курс «Основы ИИ».
21. Чат-боты

 

Всем привет, это курс по основам Искусственного Интеллекта, и я — Роман Душкин. Мы продолжаем исследовать прикладные аспекты и задачи, в которых применимы технологии ИИ, и сегодня у нас третье занятие на эту тему и двадцать первое в курсе. Мы изучим чат-боты.

 

Я уверен, что все вы знаете и даже уже так или иначе сталкивались с чат-ботами. Тем не менее, дам краткое определение. Чат-бот — это как будто бы программа, которая общается с пользователем в мессенджере на естественном или формальном языке. Чат-бот предназначен или для решения какой-то специальной узкой задачи, или же может представлять собой «виртуального собеседника» общего плана. Именно на последних обычно и проводится тест Тьюринга, о котором мы размышляли на четвёртом занятии. И в качестве примера на пятнадцатом занятии мы рассматривали довольно примитивного чат-бота с романтичным именем ELIZA.

 

Теперь кратко о двух задачах, и мы перейдём к рассмотрению внутреннего устройства чат-ботов. Итак, чат-бот реализует естественно-языковой интерфейс к некоторой информационной системе. Отсюда первая задача — выполнять какую-либо узкую функцию, например, исполнение поисковых запросов и выдача результатов. Другой вариант узкой задачи — поддержка беседы в чатах (и именно отсюда пришло название «чат-бот») на IRC или ещё где-либо в подобном месте. Либо на тех же чат-площадках выполнение каких-либо рутинных задач, типа поиска сигнатуры функции в чатах для программистов. Вторая задача заключается в возможности понимания естественного языка, выполнение на основе этого запросов пользователя и поддержания общей беседы. Наиболее известным классом чат-ботов, решающих эту задачу, являются виртуальные помощники, которые всё никак не вытеснят секретарей и ассистентов. Но уже скоро.

 

Каким образом чат-бот реализует свои функции? Давайте повторим ещё раз: чат-бот — это естественно-языковой интерфейс к какой-либо информационной системе. То есть сам по себе чат-бот — это не универсальный отчуждаемый программный модуль, но всего лишь часть некоторой большей системы, которая используется для взаимодействия с пользователем на естественном языке. Такое взаимодействие может происходить в нескольких каналах передачи информации — при помощи распознавания речи и при помощи анализа вводимых пользователем фраз и команд с клавиатуры. Впрочем, первый способ тоже в конечном итоге приводит к анализу записанного текста, поскольку на первом этапе принятые микрофоном звуковые волны преобразуются в текст.

 

После того как чат-бот получает от пользователя запрос на естественном языке, он выполняет три последовательных действия. Первое — входная фраза анализируется и преобразуется в так называемый внутренний язык представления смысла. На этом языке формально записывается последовательность действий, которые система должна выполнить для получения результата, который требуется пользователю. Второе действие — как раз выполнение последовательности шагов. И третье — это преобразование полученного результата в его описание на естественном языке для вывода пользователю.

 

Среди перечисленных действий анализ фразы на естественном языке и перевод запроса на внутренний язык представляет собой самую сложную задачу, которая окончательно не решена до сих пор. Естественный язык — очень сложная штука, и анализ всех нюансов, умолчаний, неполноты, двусмысленности и неопределённости представляет собой задачу космической сложности. Собственно, чего ждать от программы, если иногда естественный интеллект человека с ней не справляется? Попробуйте проанализировать фразу «Он попрекал их семью грехами». Для анализа и перевода было придумано много метотов, которые имеет смысл перечислить и кратко охарактеризовать. Мы не будем углубляться в детали каждого метода, поскольку изучение самой технологии обработки естественного языка требует нескольких курсов. Так что…

 

Самым простым и самым неточным является статистический метод, основанный на применение формулы Байеса к последовательностям символов. Символом здесь называется не привычная нам «буква», а любой объект, который можно рассматривать по отдельности и в контексте. То есть это может быть звук, буква, буквосочетание, слог, слово, фраза и даже текст. Чем примитивнее символ, тем проще для него собрать статистику, но тем бессмысленнее получаются результаты. Использовать этот метод можно, и наиболее известным способом его использования являются цепи Маркова. Но, повторюсь, результаты довольно скромные.

 

Следующий метод, который теоретически является самым точным, но его сложность очень высока — это формальный метод, то есть он основывается на формальных грамматиках, и можно сказать, что это апофеоз нисходящей парадигмы. В рамках этого метода язык описывается при помощи формальной грамматики, которая и лежит в основе анализа. Формальная грамматика представляет собой набор правил порождения строк, допустимых в языке. Простые языки состоят из нескольких правил, а для естественных языков полных формальных грамматик не составлено. К тому же, для естественных языков есть нюанс — наличие контекста. И хотя существуют контекстно-зависимые грамматики, их применение на практике оказывается очень затруднительным. Тем не менее, этот подход развивается, и долгое время, к примеру, автоматические переводчики с одного языка на другой использовали именно такой подход, хотя в них также применялись и элементы статистического подхода.

 

Наконец, ещё один метод, который появился совсем недавно, заключается в использовании нейросетей. Поначалу это было удивительно, но нейросети специальной архитектуры умеют справляться со многими неприятными особенностями естественного языка. Что происходит внутри нейросетей при их обучении, не очень понятно, как обычно с нейросетями, но снаружи естественно-языковые единицы представляются векторами в некотором языковом пространстве. И к лингвистическим единицам можно применять векторную математику. Ну мы уже рассматривали некоторые примеры. Фишка нейросетевого подхода заключается в том, что если анализирующую нейросеть специальным образом как бы перевернуть, то получится синтезирующая нейросеть, и если их соединить друг с другом, то фактически получается некая система, которая может дать адекватный ответ на запрос, которого не было в обучающей выборке. И это очень интересно. Но тут проблемой является то, что чем больше корпус текстов, которые необходимо обрабатывать, тем больше нужно обучать нейросеть на разнообразных примерах, а грань между недообученной и переобученной нейросетью очень тонкая. Тем не менее, подход продолжает активно развиваться, и по сообщениям той же компании Google их переводчик теперь работает на нейросетях после того, как обучился на огромном массиве документов ООН, которые изначально переводятся на множество языков.

 

Под конец кратко рассмотрим несколько примеров чат-ботов. Всем известны языковые помощники, которые сегодня предоставляются всеми, кому только не лень. Недавно компания Яндекс представила помощника Алису. Все они позиционируются как чат-боты общего плана и выполняют, в основном, поисковые функции. Можно найти билеты в кино. Можно забронировать гостиницу. Много чего можно, они постоянно обучаются. Но всё равно остаются немного туповатыми. При общении с ними нужно набирать текст, как будто бы вы общаетесь с человеком в чате. Попробуйте поиграться с каким-нибудь из них. Проверьте то, как они обрабатывают контекст, для чего задайте какой-нибудь вопрос, а в следующей фразе сошлитесь на что-либо в этом вопросе при помощи местоимения. Это первый тест, который делаю я с такими чат-ботами. Результаты всегда самые плачевные. Другой вариант — использование предустановленных или даже динамически создаваемых команд, которые выглядят как фразы на естественном языке. Таков, к примеру, чат-бот нашей системы Джейн, который выполняет сравнительно узкие функции, но общается с пользователем на самом хорошем естественном языке. Просто сценарий общения не позволяет пользователю задавать произвольные вопросы — чат-бот всегда вернёт его в основное русло разговора.

 

На этом я, пожалуй, закругляюсь. Поскольку создание лингвистического процессора для русского языка было одной из тем моих исследований в институте, я могу говорить про это часами. Так что надо остановиться. Ну а пока мы узнали про чат-ботов и три метода обработки естественного языка — статистический, формальный и нейросетевой. Переходите к дополнительным материалам и тесту. Всем удачи.

Прикладные области деятельности для ИИ: Творчество

00:05:14

Описание

Курс «Основы ИИ».
22. Творчество

 

Приветствую вас, друзья. Мы начинаем наш двадцать второй урок по основам Искусственного Интеллекта, меня зовут Роман Душкин, и сегодня мы будем говорить о творчестве. Давайте вместе разберёмся в том, что это такое, какое отношение этот феномен имеет к разуму и интеллекту, а также то, может ли Искусственный Интеллект творить. Поехали…

 

Итак, творчество... Что же это такое? Определить понятие довольно сложно, но большинство определений, которые я проработал, готовясь к этому занятию, сводится к тому, что творчество — это умственная или физическая деятельность, в результате которой появляется нечто новое, никогда ранее не существовавшее и, самое главное, — не сводимое к сумме результатов каждого отдельного шага деятельности. То есть в процессе творчества проявляется некоторое эмерджентное свойство, позволяющее говорить о появлении нового объекта. При этом объектом может быть как нечто материальное, так и умозрительное, идеальное. Вот примеры — творчество материальное создаёт картину или скульптуру, а творчество идеальное создаёт новую научную теорию или музыкальное произведение.

 

Давайте подумаем, откуда может взяться творческое начало в человеке. Вспомним Курта Гёделя, который доказал знаменитую теорему о полноте. Вот это был акт творчества? Если у нас есть формальная система, в которой можно выразить арифметику, то как понять, что она неполна? Как доказать, что в рамках этой системы невозможно доказать некоторые теоремы, которые являются истинными в ней? Вы заметили в моих предыдущих словах фразу «в рамках самой системы»? Вот тут и кроется суть. Гёделю пришлось выйти за рамки системы, чтобы доказать свою теорему. При этом он применил два довольно простых шага — диагональный процесс, который был разработан Георгом Кантором для доказательства того, что множество действительных чисел не является счётным, и введение метода обозначений теорем теории чисел при помощи чисел. Оба этих шага достаточно тривиальны, но гений Гёделя проявился в их соединении. Именно здесь был творческий акт. Именно здесь было озарение. Почему это происходит, сказать сложно. Вероятно, что каким-то образом замешана биохимия и физиология мозга. Вероятно, что что-то иное. Я уже однажды упоминал про Роджера Пенроуза, который как раз считает, что именно творческое начало человека всегда будет превосходить любой алгоритм, в том числе и искусственный интеллект.

 

Вся эта лирика была мной рассказана по одной простой причине. Если творчество — это некоторый неформализуемый процесс, а Искусственный Интеллект — это формализованные алгоритмы, то как совместить их друг с другом? Само собой разумеется, что я сейчас говорю о слабом ИИ. Но можно ли создать слабый ИИ, чтобы он мог решать творческие задачи? Обратим внимание именно на этот аспект и посмотрим, что реализовано к настоящему времени и куда движется прогресс.

 

Когда-то в далёком отрочестве я писал программу, которая должна была рисовать картины. Это было что-то типа экспертной системы, в которой предполагалось наличие большого количества правил «Если ..., То ...», в результатах которых записывались последовательности действий по рисованию. А факты, значения которых использовались в посылках, генерировались в виде случайных чисел. Проект не взлетел, поскольку когда правил было мало, «картины» получались примитивными. А большое количество правил я сделать не мог, поскольку тогда доступный мне компьютер начинал беспощадно тормозить, и я не мог дождаться результата. К тому же, у меня было всего лишь 16 килобайт оперативной памяти. Тем не менее, тот опыт показал мне, что в основе творчества может лежать случайность. И сегодня у меня есть определённые идеи относительно природы озарения — у нас в голове могут происходить некие процессы, связанные с истинной случайностью, которые и лежат в основе озарения и творчества. Однако если бы я смог реализовать эту систему, она всё равно не могла бы придумать ничего нового сверх того, что заложено в её базе знаний, но только случайным образом комбинировала бы имеющиеся примитивы. Так что вряд ли это творчество.

 

В последнее время очень популярны мобильные приложения, которые либо генерируют красивые картинки, либо раскрашивают фотографии в стиле различных художников. Выглядит это красиво. И основана технология, как это обычно бывает, на нейросетевом подходе. Как обычно, не обошлось без нейронных сетей глубинного обучения, при этом использовалась новая интересная архитектура — генеративно-состязательная сеть. Её суть заключается в том, что совместно работают две нейросети, одна из которых генерирует некоторый новый образец, а вторая пытается его отвергнуть, отфильтровывая только правильные образцы. В итоге они как бы обучают друг друга, играя в антагонистическую игру. Эта технология начинает очень широко применяться на практике, при этом отличить сгенерированные нейросетью изображения от оригинальный порой бывает очень сложно. Отсюда, кстати, происходит один из алармистских криков о том, что такие нейросети затопят нас неадекватной информацией, кажущейся правдоподобной. Ну такие опасения не напрасны.

 

Но является ли то, что делает генеративно-состязательная сеть творчеством? Ведь она вряд ли может сгенерировать больше, чем заложено в неё при обучении, даже если обучение происходило без учителя. Например, новые лица создаются при смешении имеющихся образцов. Реалистичные пейзажи тоже основываются на имеющемся фонде картин и фотографий. Тут на ум приходят два момента. Во-первых, сам нейросетевой подход имеет главную фишку — после обучения нейросети могут то, чего не было во время обучения. А во-вторых, является ли художественное творчество человека чем-то таким, что основано на озарении? Наверное, в каких-то частных случаях — да. Но в основном же это тоже смешивание и комбинирование ранее виденных элементов. Разве нет? В общем, предлагаю вам над этим подумать, а результаты размышлений обязательно пишите мне в своих персонифицированных группах — обсудим.

 

На этом я закругляюсь. Надеюсь, что это было интересное занятие, так как мы изучили один из неизведанных аспектов разума — творчество. А теперь переходите к чтению дополнительных материалов и тесту. Жду ваши мысли. Всем добра.

Прикладные области деятельности для ИИ: Автономные автомобили

00:05:52

Описание

Курс «Основы ИИ».
23. Автономные автомобили

 

И вот у нас уже двадцать третье занятие по основам Искусственного Интеллекта, и мы изучаем практические направления. С вами Роман Душкин, и сегодня мы рассмотрим автономные автомобили. Это очень «горячее» на сегодняшний день направление и очень прикладное. Так что давайте немного погрузимся...

 

Автономные автомобили, или беспилотные автомобили — это транспортные средства, которые оборудованы автоматической системой управления, так что они могут передвигаться по дорогам общего пользования без участия водителя-человека. Честно говоря, это вообще не диковинка, поскольку, например, в рельсовом транспорте автономизация управления произошла давно, и я ещё в начале двухтысячных годов катался на метро в Париже, и там не было машиниста. Но то — рельсовый транспорт, который едет под управлением железнодорожной автоматики с автоматической сигнализацией и блокировкой. А как же быть с автомобилями, не говоря уже о водных и воздушных судах для транспортировки грузов и людей? Давайте кратко изучим этот вопрос.

 

Вообще говоря, идея автономного автомобиля родилась ещё в самом начале XX века, чуть ли не с рождением самого автомобиля. Но до конца века разработчики прийти к решению не могли. И только вот два десятка последних лет проводятся эксперименты, и на дороги уже выходят автомобили без водителей. Хотя, конечно, отдельные системы, которые заменяли водителя, были в автомобилях давно — круиз-контроль, антиблокировочная поддержка при экстренном торможении, система для автоматической парковки и другие. Само собой разумеется, что все такие системы постепенно собирались в единое решение и дополнялись новыми для получения настоящего автономного автомобиля.

 

По своей сути, автономный автомобиль это, как обычно, кибернетическая система, которая действует в нашей объективной реальности. Соответственно, у неё есть сенсоры, которыми она «ощупывает» среду вокруг себя; у неё есть система управления, которая принимает решения в режиме реального времени; и у неё есть набор исполнительных устройств, которые используются для перемещения автономного автомобиля в пространстве с учётом поставленной цели и всех ограничений, накладываемых дорожной инфраструктурой, правилами дорожного движения и пользователем. Чего у этой кибернетической машины нет, так это автономного и самостоятельного целеполагания. Ей необходимо указывать цель в виде пункта назначения и, вероятно, срока прибытия или ограничений на него. Как только цель получена, машина начинает свою автономную работу.

 

В качестве сенсоров в автономных автомобилях используются такие устройства, как радары, лидары, стереокамеры, GPS-приёмники, различные датчики работоспособности критически важных подсистем и элементов самого автомобиля, а также приёмо-передатчики для взаимодействия с другими автомобилями V2V, придорожной инфраструктурой V2I, устройствами у пассажира V2P и центральной системой управления и диспетчеризации транспорта V2C. Первые три типа сенсоров, то есть радары, лидары и стереокамеры, как бы «ощупывают» окружающее автомобиль пространство. Радар основан на постоянном испускании радиоволн и измерения параметров отражённых сигналов от окружающих объектов. Лидар — это то же самое, только вместо радиоволн используется электромагнитное излучение светового диапазона. Стереокамеры как бы моделируют два глаза человека, разнесённые в пространстве, для получения глубины видеопотока. Что там дальше? GPS-навигация используется для геопозиционирования автомобиля на карте и постоянного мониторинга движения к цели и отклонения от маршрута. Мониторинг внутреннего состояния необходим для предотвращения аварий из-за поломок самого автомобиля. Ну и перечисленные мной модные сегодня аббревиатуры V2* — это системы «общения» со всем вокруг автомобиля, с чем можно общаться.

 

Вся информация, получаемая с сенсоров, в режиме реального времени поступает в систему управления. Она должна постоянно принимать решения в соответствии с исторической информацией о том, что произошло в недавнем прошлом и на основе новых данных, поступаемых с сенсоров. При этом данные с сенсоров часто проходят через фильтрацию специальных подсистем. Так информация с радара, лидара или стереокамер проходит через подсистему машинного зрения, которая сегодня всё чаще основана на технологии глубинного обучения. Тем не менее, решения в системе управления принимаются на основе символьной логики, при этом в работу поступают данные о видимой вокруг автомобиля сцене, о его местоположении на местности, карте и на маршруте, о состоянии подсистем, а также все сообщения от окружающих элементов и из центра. Всё это должно мгновенно анализироваться, после чего выдаётся управляющий сигнал на подсистемы регулирования движения — тормоза, акселератор, клаксон, но и ещё отправляется информация всем устройствам вокруг и в центр. Это всё говорит о том, что перед нами система гибридного Искусственного Интеллекта, а также агент в рамках мультиагентной системы. Однако роевого интеллекта тут, конечно, нет.

 

Сегодня разработки автономных автомобилей ведутся, наверное, во всех крупных автомобильных концернах, и даже КАМАЗ занимается разработками. Однако вот моду задаёт Корпорация Добра Google, чьи автономные автомобили колесят по дорогам Калифорнии уже долгое время, правда, без пассажиров. Они используют интересные методы для ориентирования автомобилей, которые стоит отметить. Во-первых, это метод SLAM, который применяется для автоматического построения или актуализации карты пространства вокруг автомобиля. Во-вторых, это метод DATMO, который необходим для обнаружения и отслеживания объектов вокруг автомобиля. В комбинации оба метода позволяют держать внутреннее представление окружающего пространства в актуальном состоянии и отслеживать движение всех потенциальных препятствий.

 

Ну и напоследок замечание, которое я уже делал, но повторить не вредно. Первым автономным автомобилям будет очень тяжело, поскольку вокруг них будут ездить автомобили с живыми водителями, будут шастать пешеходы и бабульки с авоськами, и при этом «умная» инфраструктура будет пока ещё отсутствовать. А вот при постепенном переходе к полной роботизации автомобильного движения новые поколения автономных автомобилей будут проще, поскольку им не надо будет смотреть за бабульками — вся информация будет приходить по V2*-протоколам. То есть даже обзор внешнего окружения может не потребоваться, но при этом безопасность будет практически стопроцентная. Такой вот парадокс.

 

На этом, пожалуй, закруглимся. Мы рассмотрели автономные автомобили, типы их сенсоров и используемые методы в управляющих системах. Теперь прошу переходить к дополнительным материалам и тесту, после чего жду ваших вопросов. Всем добра.

Прикладные области деятельности для ИИ: Роботы и аватары

00:05:27

Описание

Курс «Основы ИИ».
24. Роботы и аватары

 

Что ж, мы неистово продолжаем. Сегодня у нас двадцать четвёртое занятие по основам Искусственного Интеллекта, я — Роман Душкин, и мы изучим новую прикладную тему, с которой многие столкнутся очень скоро. Давайте поговорим о роботах и аватарах.

 

Вы, возможно, не поверите, но робот — это всего лишь техническая кибернетическая машина, действующая в нашей реальности. Это самое общее определение, которое можно дать этому термину. А раз так, что вчера, рассмотрев автономные автомобили, мы уже увидели пример конкретного робота. Ну я уверен, что вы все понимаете, что робот — это не только и не столько антропоморфное создание, типа робота R2D2 из саги «Звёздные войны». Большинство роботов, которые уже работают на Земле, — это совершенно не похожие на человека устройства, часто выполняющие очень узкие функции. На заводах-автоматах целые производственные линии состоят из технологических роботов-манипуляторов, которые производят различные элементы конечной продукции и далее собирают, проверяют и выпускают её. Человекоподобные роботы называются «андроидами», а человекоподобный биоробот — «киборгом».

 

Итак, роботы. Поскольку у нас курс по Искусственному Интеллекту, а не по робототехнике, то мы будем рассматривать только автономных роботов с элементами интеллектуальных функций. Ну то есть вот как вчера мы рассмотрели автономные автомобили. Что ж, это довольно сильно ограничивает область рассмотрения, и перед нами находятся только такие кибернетические машины, которые работают в нашей реальности и имеют интеллектуальную систему управления? Все помнят, что такое «кибернетическая машина»? Ну тройка (сенсоры — система управления — исполнительные устройства). Ну так вот. Робот в этом случае представляет собой как бы тело для Искусственного Интеллекта, при этом у него есть инструменты как для функционирования в нашем мире, так и для подключения к миру виртуальному для получения из него бездонного количества информации. Помните на занятии по философии Искусственного Интеллекта мы размышляли про Китайскую комнату? Ну вот наши роботы могут быть примером того, как парадокс Китайской комнаты может быть обойдён искусственной интеллектуальной системой.

 

Давайте кратко рассмотрим примеры проблемных областей, в которых могут работать интеллектуальные роботы. Во-первых, это, конечно же, промышленность. На смену роботизированным технологическим линиям, работающим по заданным алгоритмам, могут прийти интеллектуальные роботы с самообучением, которые будут самостоятельно перестраивать технологическую линию для выполнения новых задач. Такие линии уже постепенно появляются, а в совокупности с технологией 3D-печати такие линии смогут быть очень гибкими. Во-вторых, это бытовые роботы для выполнения рутинных работ по хозяйству. И это будет очень круто, когда не только уборка в квартире будет выполняться роботом-пылесосом, но и вообще все бытовые жилищно-коммунальные услуги. Ну вот не нравится мне стирать и гладить рубашки по утрам, пусть это делают роботы. В-третьих, это вопросы обеспечения безопасности. Помните огромных боевых человекоподобных роботов? Вот это оно. На самом деле, тут больше будет развитие в сторону миниатюризации автономных летучих дронов с возможностью роевого интеллекта. В-четвёртых, это медицины — уже сегодня роботы-хирурги достигли очень высокой точности, и в ближайшем будущем они превзойдут людей, если уже не превзошли. В-пятых, это роботы в области сервиса — младший медицинский персонал, учителя, страховые агенты, чиновники, клерки и все-все-все, чья деятельность связана с физическими действиями и может быть легко автоматизирована и интеллектуализирована. Представляете, заходите вы в страховую компанию застраховать свой автономный левитирующий автомобиль, а там вас встречает робот, который только выносит пакет готовых документов на подпись. Впрочем, зачем куда-то идти и что-то печатать не бумаге? Не будет этого, конечно же. Или вот представительницы секс-индустрии… Хм, ну ладно. Зато интерес вызывают роботы-учителя. Вот наш курс — это прямая дорога к этому. Можете представить, что я — это робот. Вы не можете этого опровергнуть, ведь правда? И я предлагаю каждому из вас персонифицированный подход, отвечая на вопросы и обсуждая разные тонкие аспекты Искусственного Интеллекта. Сколько вас у меня? А какова скорость реакции на вопросы? Не задумывались об этом? То-то же…

 

Что ж, есть ещё одна важнейшая область применения роботов. Представьте себе окружение, которое очень вредно или опасно для человека. А робот может там находиться, даже если у него начнут «плавиться мозги». Что-то совсем опасное, типа рабочей зоны ядерного реактора. Или же что-нибудь недоступное, типа дна Марианской впадины или кровеносных сосудов человека. Роботы уже используются для посещения таких мест и работы там, но они могут быть и интеллектуальными же. И вот тут мы приходим к понятию «аватара». Штука, показанная в одноимённом фильме, — это, конечно, пока фантастика, но исследования в этом направлении ведутся. Гвоздь технологии — прямой нейроинтерфейс от человека к роботу. Если подсоединить робота напрямую к человеческому мозгу, то роль системы управления будет выполнять оператор со своим естественным интеллектом. Тогда такого робота, который и называется аватаром, можно отправлять в любые места, куда он может попасть в силу своих физических особенностей, но куда не может попасть человек. И человек сможет управлять им, получая обратную связь из того же интерфейса. Здесь больше нерешённых проблем, чем каких-то открытий, но направление очень бурно развивающееся. Тем более, что оно имеет очень прикладное значение — нейропротезы для конечностей и вообще любых органов будут очень востребованы.

 

Главная проблема с аватарами — скорость прямой и обратной связи. Мы не сможем отправить аватара на Марс и управлять им там, лёжа в кресле на земле, поскольку сигнал дойдёт до Красной планеты только минут через десят, в зависимости от того, как располагаются Земля и Марс друг относительно друга. За двадцать минут путешествия сигнала туда-сюда аватара там уже чикнут марсиане, либо он свалится в какую-нибудь канаву, которых на Марсе много. Но вот управление аватарами с орбиты — вполне реальное дело. И, возможно, именно при помощи этой технологии мы начнём колонизировать Солнечную систему и майнить астероиды.

 

На этой жизнеутверждающей ноте я, пожалуй, завершу это занятие. Мы узнали про роботов и аватаров, и теперь с нетерпением ждём их появления в нашей жизни, чтобы облегчить её. А пока переходите к чтению дополнительных материалов и прохождению теста. Всем персональных роботов.

ИИ и Государственное управление

00:05:58

Описание

Курс «Основы ИИ».
25. ИИ и Государственное управление

 

Привет, друзья. Это двадцать пятое занятие по основам Искусственного Интеллекта, меня зовут Роман Душкин, и мы начинаем самую прикладную часть нашего курса. Сегодняшнее занятие посвящено применению технологий ИИ в государственном управлении, и мы будем рассматривать подобные применения для многих сфер жизни до конца этой недели и половину следующей. Приготовились? Поехали.

 

Итак, государственное управление. Государство — это сложная социотехническая система. Возможно, самая сложная из всех систем этого класса. Само собой разумеется, что в ней должна быть подсистема управления. Эта подсистема управления сама по себе является очень сложной системой, пронизывающей все аспекты жизнедеятельности государства в целом, все сферы жизни социальной подсистемы (то есть общества), все процессы технической подсистемы (то есть государственных институтов). Поэтому в ней присутствует огромное количество элементов, прямых, обратных и перекрёстных связей для управления, контроля и контроля контролирующих. Многие функции этой подсистемы рудиментарны, многое тянется без изменений через тысячелетия, но что-то появляется и в ответ на вызовы современности. В общем, государство — вещь очень сложная.

 

Поскольку у нас курс по Искусственному Интеллекту, а не по теории государства и права, то всех заинтересованных я отправляю к чтению вводных учебников или прослушиванию соответствующих лекций. Ну а мы рассмотрим проблему использования интеллектуальных технологий в государственном управлении с разных сторон. Первая — почему же надо осуществлять интеллектуализацию управления? Давайте рассмотрим такое понятие, как «человеческий фактор». В одном из значений этого термина делается упор на нестабильной поведения человека при взаимодействии с системой. Это происходит из-за наличия эмоциональной составляющей при принятии решений, из-за отсутствия необходимой квалификации, из-за злого умысла, в конце концов. Человек — крайне недетерминированное существо, к тому же очень неэффективно функционирующее. Поэтому даже создание институтов рациональной бюрократии не исключает проявления этого пресловутого человеческого фактора. Поэтому в этом аспекте технологии Искусственного Интеллекта позволили бы повысить беспристрастность и рациональность принимаемых решений на всех уровнях, причём в совокупностью с возможностью обработки больших объёмов информации, такие решения были бы более обоснованными.

 

Второй момент, который хотелось бы обсудить, — это направление автоматизации и интеллектуализации государственного управления. Оно имеет много аспектов и сфер применения, оно охватывает территории и институты, оно повсеместно. И если рассматривать такие, к примеру, сферы жизни, как транспорт, безопасность жизнедеятельности, здравоохранение, образование и так далее, то в каждой из таких сфер приняты свои подходы к управлению и реагированию на случающиеся события. Так вот могут существовать два подхода к развитию интеллектуальной системы государственного управления, если можно так выразиться. Первый подход — снизу вверх, когда интеллектуализации подвергаются отдельные аспекты и сферы жизни. И потом они соединяются, как ручейки в реки, и на самом верху создают большую единую систему. Подход имеет право на существование, но в нём, конечно же, есть свои плюсы и минусы. Главный минус — интеллектуализация управления будет идти с разной интенсивностью и часто не совпадать по технологическому стеку. Ну и межведомственное взаимодействие, вернее — его отсутствие, как обычно, всё загубит на корню. Второй подход — сверху вниз, когда объявляется единая стратегия, под которую создаются программы и выполняются проекты. Такое грандиозное реформирование требует колоссальных усилий при планировании, реализации и контроле. Поэтому подход тоже может быть применён, но нивелируя некоторые минус первого подхода, он имеет собственную большую негативную сторону — всё будет происходить очень медленно. Подход, скорее, возможен для карликовых государств, типа Великого Герцогства Люксембург. Но на практике, конечно же, будут одновременно применяться оба подхода.

 

Для интеллектуализации государственного управления вне всяких сомнений должен применяться гибридный подход. При этом возможно использование организмических принципов, когда само государство сопоставляется с организмом человека, и с различными системами и органами человеческого тела ассоциируются различные подсистемы государственного управления. Соответственно, головному мозгу сопоставляется высший орган принятия государственных решений. А остальным — что-нибудь ещё. Я не хотел бы сейчас вдаваться в эти вопросы, так как тема интересная, но спорная. Тем не менее, я упомянул про неё потому, что на высших уровнях сознания используется символьная обработка информации. Так и в высших системах интеллектуального государственного управления будут использоваться специальные системы поддержки принятия решений. А спускаясь ниже как в организме, так и в системе государственного управления мы будем встречать более «грязные» технологии. Ну та же самая мультимодальная интеллектуальная транспортная система будет на низшем уровне управлять автономными транспортными единицами, воплощая децентрализованную многоагентную систему с квазииерархией. Но наверх она будет отправлять только важные символьные сигналы для принятия стратегических решений.

 

Теперь заглянем чуть дальше. А что должна делать система Искусственного Интеллекта на посту главы государства, если такое когда-нибудь произойдёт? Будет это ИскИн, или же это будет очень сложная автономная интеллектуальная система, полностью автоматизирующая все аспекту государственной деятельности — это не важно. Важно то, что она будет применять единый подход ко всему, но это единство будет крайне странное по сегодняшним временам. Я уже упоминал, что Искусственный Интеллект — это про персонализацию сервисов. Так вот такая система должна будет предоставлять полностью персонализированные сервисы, основанные на максимально достоверной информации обо всём, что требуется для предоставления таких сервисов. Любая государственная услуга должна стать адресной и персонифицированной, исполняться максимально быстро и качественно, и не требовать от гражданина практически никаких телодвижений. Утопия? Посмотрим...

 

Небольшой пример. В настоящее время одним из направлений работ моей лаборатории является разработка концепции Интеллектуальной Системы Управления Регионом. В этой концепции должны быть собраны и детально расписаны все аспекты государственного управления, сферы жизни, процессы в рамках региона, после чего составлен план по сквозной автоматизации и интеллектуализации с оставлением минимального числа живых людей в рамках бизнес-процессов. Скажете, что тоже утопия? Ну тоже посмотрим...

 

Что ж. Мы рассмотрели некоторые возможности по применению технологий Искусственного Интеллекта в деле государственного управления. Уверен, что это было полезно. Теперь прошу переходить к чтению дополнительных материалов, выполнению теста и общению со мной в персонифицированных чатах. Всем удачи. Пока.

ИИ и Безопасность

00:06:20

Описание

Курс «Основы ИИ».
26. ИИ и Безопасность

 

Здравствуйте, уважаемые друзья. У нас двадцать шестая лекция, и мы продолжаем изучать прикладные аспекты использования технологий Искусственного Интеллекта, так что сегодня вслед за государственным управлением мы рассмотрим безопасность. Это курс по основам Искусственного Интеллекта, меня зовут Роман Душкин. Вперёд.

 

Безопасность является базовой потребностью как отдельного индивидуума, так и общества, поэтому государство, в том числе, является инструментом обеспечения безопасности внутренней и внешней. Функция обеспечения безопасности во многих случаях даже может иметь очень высокий приоритет для государства — как в определённые периоды времени, так и в зависимости от структуры и формы государственного устройства. Обеспечение безопасности направлено на стабилизацию общественных отношений, недопущение нарушения функционирования системообразующих элементов и институтов в самом государстве, выявление и предупреждение рисков и угроз изнутри и снаружи. Однако при выполнении функции обеспечения безопасности важно соблюдать баланс между «закрученными гайками» и возможностью для общества и государства двигаться вперёд, развиваться. Также необходимо отметить, что у безопасности имеется множество различных аспектов — физическая, информационная, экономическая и другие, все вместе объединяемые под термином «комплексная безопасность». Наконец, необходимо отметить, что всё то, что я рассказал касательно государства, может относиться к более простым социотехническим системам — организациям.

 

Обычно при рассмотрении любого аспекта безопасности в расчёт принимается модель рисков и угроз и модель нарушителя. На основании этих моделей осуществляется стратегическое и оперативное планирование, резервирование сил и средств для предотвращения угроз, обеспечения безопасности и ликвидации последствий. Далее в соответствии с разработанными программами и планами в действие приводятся меры по обеспечению безопасности. Обычно всё вышеперечисленное основано на стандартизации и использовании зарекомендовавших себя методик и принципов. Ведь недаром говорят, что «техника безопасности выстрадана кровью и смертями».

 

Что ж, мы рассмотрели необходимые понятия из области безопасности, а теперь перейдём к тому, что же здесь могут дать технологии Искусственного Интеллекта. Самое главное — это динамика в части моделей угроз и нарушителя, их постоянная адаптация под меняющиеся условия функционирования. Ведь не секрет, что между «иммунной системой», назовём орган обеспечения безопасности так, и нарушителями постоянно ведётся «гонка вооружений». Этот биологический термин применим к системам любой природы, и не зря же его использовали во время холодной войны для обозначения попыток сверхдержав нарастить потенциал своих атакующих и оборонительных систем так, чтобы получить доминирование над противоположными системами потенциального противника. Другими словами, гонка вооружений — это постоянные попытки со стороны нарушителя преодолеть меры безопасности, а со стороны иммунной системы предугадать и предотвратить такие попытки. Что будет, если система обеспечения безопасности основана на вырубленных в скрижалях правилах и бюрократических процедурах, которые должны неукоснительно исполняться? Правильно! Такую систему будут постоянно «хакать» разными необычными способами. Особенно в связи с развитием технологий. Так вот главной задачей Искусственного Интеллекта в этом случае становится создание механизмов адаптации системы безопасности к новым условиям среды, в которой она функционирует.

 

Не менее важными способами применения технологий Искусственного Интеллекта являются частные подсистемы и отдельные функции. Например, задача распознавания образов хорошо ложится на системы видеонаблюдения, добавляя в них функцию детекции инцидентов и видеоаналитики. Уже сегодня на рынке существуют готовые решения, которые позволяют методами видеоаналитики определять многочисленные классы событий — от прохождения через периметр контроля до открытого огня. Можно сказать, что детекция инцидентов — это наиболее широко применяемая технология Искусственного Интеллекта, развитая уже сегодня. Но вот, к примеру, анализ больших данных и data mining в эти вопросах практически не применяются, хотя именно эти технологии были бы интересны в связи с развитием адаптационных механизмов, так как позволяют заранее обнаружить скрытые закономерности и использовать их для актуализации моделей безопасности. Ещё одна технология Искусственного Интеллекта — использование деревьев решений для высокоуровневого принятия решений относительно методов реагирования на те или иные события, пришедшие из системы видеоаналитики и детекции инцидентов. Сейчас обычно оператор, которому система сигнализировала о наступлении события, принимает решение, что делать дальше. Но ведь это можно делать автоматически. В том числе и в рамках уже неоднократно упомянутых адаптационных механизмов.

 

Хорошо. Давайте пару примеров. Первый очень часто применяется на автомобильных дорогах. Представьте себе трассу длиной две тысячи километров. Трасса идёт по безлюдным степям. Каждые 300 метров на трассе располагаются две видеокамеры высокого разрешения, которые постоянно снимают дорогу в две стороны. Всего таких видеокамер получается более тринадцати тысяч. Если один человек может охватить взглядом 16 трансляций видеопотоков в течение двух часов наблюдения, то для непрерывного видеонаблюдения в течение полных суток требуется пятнадцать тысяч человек, работающих в шесть смен один день через три. Это слишком, не правда ли? Но с учётом того, что на трассе обычно ничего такого не происходит, всем этим хозяйством управляются шесть операторов в смену, то есть штат составляет чуть более пятидесяти человек, включая руководителей. А всё дело в автоматической детекции инцидентов от дорожно-транспортного происшествия, движения задним ходом, остановки, выхода на проезжую часть человека или крупного животного и даже выпадения груза и возгорания. И система сигнализирует оператору только в случае, если инцидент распознан и подтверждён. Ошибок второго рода практически нет. Оператору остаётся лишь выслать на место происшествия аварийного комиссара для разбирательства на месте.

 

Второй пример. Представьте детскую площадку. На ней есть некоторое количество сенсорных устройств, в том числе видеокамеры с аналитикой, тревожная кнопка и датчики на опасном игровом инвентаре. Видеокамеры обозревают не только саму площадку, но и подходы к ней. А сама система не просто распознаёт инциденты и реагирует в реактивном режиме, но действует проактивно, предугадывая то, что может произойти. Например, она может зафиксировать приближение к детской площадке лица, ранее привлекавшегося к уголовной ответственности и вышедшего по УДО, у которого ещё не прошёл испытательный срок. Это может быть выяснено, например, по идентификации телефонного аппарата, который находится у такого лица. После этого система может направить на телефоны людям, находящимся на площадке, тревожные сигналы о необходимости соблюдать повышенную осторожность. Тут используется анализ больших данных, в том числе завязанных на геопозиционирование.

 

На этом, пожалуй, всё. Мы изучили, что такое безопасность в общем смысле и какие технологии Искусственного Интеллекта применимы в вопросах обеспечения безопасности. Также мы рассмотрели пару примеров, каждый из которых был взят из моей практики по созданию комплексных систем управления. Теперь прошу переходить к выполнению домашнего задания. Не забывайте задавать вопросы. Всем пока.

ИИ и Транспорт

00:06:07

Описание

Курс «Основы ИИ».
27. ИИ и Транспорт

 

Приветствую всех курсантов. Мы продолжаем на курс по основам Искусственного Интеллекта, это двадцать седьмое занятие, и я — Роман Душкин. Сегодня мы рассматриваем прикладные аспекты ИИ, и изучаем возможности по применению технологий Искусственного Интеллекта в транспортной отрасли.

 

Транспорт и транспортные системы — это моя слабость, так как я очень много времени и сил посвятил проектам именно в области транспорта на железных и автомобильных дорогах. Ну вы могли это понять уже по тому, как я часто упоминаю, например, автономные автомобили. Однако транспорт — это одна из базовых систем любой экономики. Без транспорта и транспортной доступности было бы очень сложно вести экономическую деятельность, особенно на больших масштабах расстояний. Поэтому транспортные системы шести модальностей всегда находятся в зоне повышенного внимания любого государства. Шесть модальностей, про которые я сказал, это — автомобильный, железнодорожный, речной, морской, воздушный и трубопроводный виды транспорта. В развитых экономических системах все они очень востребованы и широко используются, в том числе в рамках мультимодальных перевозок и в рамках интеграции между государствами, макрорегионами и даже континентами.

 

Как обычно, давайте посмотрим, где технологии Искусственного Интеллекта могут быть применены и как они могут улучшить показатели транспортной отрасли. Начнём, как это у нас водится, с самого верхнего уровня. Могу ответственно заявить, что как раз в области транспорта с использованием Искусственного Интеллекта более или менее всё нормально, так как практически все акторы транспортной отрасли так или иначе занимаются этим в рамках развития так называемых Интеллектуальных Транспортных Систем. Работы в этом направлении ведутся, быть может, с конца 1990-ых годов, и к настоящему моменту имеется огромное количество как национальных стандартов, так и различных конкретизированных технологий, которые используют отдельные элементы и технологии Искусственного Интеллекта.

 

Давайте дадим определение Интеллектуальной транспортной системе. Есть много различных вариантов, но я придерживаюсь своего собственного. Итак, Интеллектуальная Транспортная Система — это интегрированная автоматизированная система, которая, используя интеллектуальные и инновационные методы организации и управления, предоставляет участникам транспортной отрасли сервисы по координированию, планированию, информированию, повышению уровней безопасности и эффективности использования транспортных сетей. Традиционно под ИТС подразумевается только автомобильный транспорт, однако разносторонняя интеграция с транспортом иных модальностей подразумевается.

 

Теперь давайте рассмотрим, что же делает Интеллектуальную транспортную систему именно интеллектуальной? Ведь её функции вполне могут исполняться обычными автоматизированными системами управления. Поэтому, функциональность ИТС должна обладать рядом свойств. Во-первых, ИТС должна уметь интерпретировать получаемые данные «на лету». Это как раз и есть тот самый анализ больших данных, поиск и выявление закономерностей в состояниях объекта управления и использование этих находок в своей работе. Во-вторых, ИТС должна уметь диагностировать своё собственное состояние. Самодиагностика — это важный элемент интеллектуальности, и он, в свою очередь, также основан на постоянном анализе и интерпретации данных о состоянии своих элементов. В-третьих, ИТК, конечно же, должна осуществлять мониторинг текущего состояния объекта управления. А в-четвёртых, она должна уметь моделировать и прогнозировать будущие состояния объекта управления и своего собственного. В-пятых, ИТС должна уметь планировать свои реакции на будущие состояния. Планирование используется в функциях ИТС для подготовки будущих действий на основании прогнозов с дальнейшим сравнением прогноза, плана и факта с передачей отклонений по обратной связи в модель, используемую для прогнозирования, для её актуализации и перекалибровки. Тем самым готовится почва для обучения системы. Кроме того, планирование является важнейшей предпосылкой управления. Соответственно, в-шестых, ИТС должна уметь обучаться, что может происходить как автоматически, так и на основании наблюдения за действиями операторов. В-седьмых, должна уметь управлять своим объектом в разных режимах, переключаясь в них на основании своего прогноза и поступаемых фактических данных. Очень важно, чтобы в конечном итоге ИТС использовалась для управления в кризисных ситуациях, что позволит смягчить последствия. И, наконец, в-восьмых, ИТС должна быть автономной. Пока степень автономности низкая, ИТС используется для поддержки принятия решений. Но чем больше становится интеллектуальности, тем более автономной должна быть ИТС. И такой аспект функциональности ИТС должен стать той целью, к которой необходимо стремиться при проектировании и реализации системы.

 

Реализация подобной системы, конечно же, требует огромных затрат и большого объёма времени. Как и в случае интеллектуализации государственного управления, здесь может быть два подхода — сверху и снизу. Но, как обычно, превалирует подход снизу, поскольку уже существует огромное количество «низовых» систем, охватывающие отдельные функции и аспекты транспортной отрасли. Давайте к ним и перейдём.

 

Про автономные автомобили мы уже говорили. А что если система управления маршрутами для них будет централизованной, и это получится как бы царица с роем муравьёв? В этом случае роль «царицы» должна выполнять интеллектуальная система планирования и контроля, которая должна находить решение огромного количества задач движения по графу дорог с учётом временных ограничений. Если такое реализовать, то можно будет забыть о пробках, светофоры будут не нужны, движение будет безостановочным, количество автомобилей сократится, количество выбросов в атмосферу сократится ещё больше. В общем, будет очень хорошо.

 

Но такая система — дело довольно далёкого будущего. Сегодня же, когда автономных автомобилей на дорогах общего пользования ещё нет, надо как-то оптимизировать движение как на отдельных перекрёстках, так и на сети автомобильных дорог. Это достигается различными методами, самыми интересными и последними из которых являются методы адаптивного управления. Адаптивное управление, по сути, это подстройка времени переключения фаз светофоров в соответствии с потребностями на пересекающихся направлениях с учётом пешеходного траффика. Для одного перекрёстка решить эту задача довольно непросто, но вполне возможно. Для зоны адаптивного управления — очень тяжело, но тоже возможно. Чем больше зона и чем больше в ней светофорных объектов, тем тяжелее. Ну и на полной улично-дорожной сети таких городов, как Москва, решить эту задачу невозможно практически, а про аналитическое решение никто не знает.

 

Я как раз занимаюсь разработкой Интеллектуальных Транспортных Систем и участвую в создании систем адаптивного управления на светофорных объектах и улично-дорожных сетях. Уже есть успешные внедрения в нескольких городах-милионниках. Так что скоро дорожное движение будет нашим. На этом спешу закруглиться. Мы изучили то, что такое интеллектуализация транспортной отрасли и как методы Искусственного Интеллекта могут помочь. Теперь переходите к домашнему заданию, выполняйте тесты и жду ваших вопросов. Пока.

ИИ и Промышленность

00:06:16

Описание

Курс «Основы ИИ».
28. ИИ и Промышленность

 

Приветствую вас, уважаемые друзья. Мы продолжаем рассматривать вопросы применения технологий Искусственного Интеллекта в разных сферах жизни, и сегодня мы рассмотрим промышленность. У нас двадцать восьмое занятие по основам Искусственного Интеллекта, и меня зовут Роман Душкин. Приготовились? Поехали.

 

Сегодня под общим «термином» промышленность мы будем понимать вообще любое производство материальных ценностей на основе некоторой цепочки технологических переделов. То есть добыча полезных ископаемых, сельское хозяйство, металлургические предприятия, пищевые предприятия и так далее — это всё промышленность в нашем сегодняшнем понимании. Само собой разумеется, что промышленность, как и рассмотренный вчера транспорт, лежит в фундаменте всякой экономической системы и, как следствие, почти всякого государства. Конечно, на Земле уже имеются примеры государств, в которых промышленность полностью отсутствовала бы, но это, в основном карликовые или совсем неразвитые государства, зарабатывающие туризмом и почтовыми марками. В общем, промышленность — это один из столпов экономики. Рассмотрим же теперь, что могут дать технологии Искусственного Интеллекта в этой области.

 

Что ж, в вопросах управления производством опять можно руководствоваться примерно теми же самыми принципами, которые использовались при рассмотрении государственного управления. Ведь замечено, что при переходе количества задействованных на предприятии сотрудников в своём числе через какой-то порог, само предприятие начинает напоминать маленькое государство, у которого есть большое число политик, множество органов и институтов «власти» и «администрирования», которые в непосредственном производстве продукции не участвуют. И тут имеется совершенно широкий простор для автоматизации и интеллектуализации технологических и деловых процессов — от оптимизации количества сотрудников, выполняющих рутинные операции, до внедрения системы поддержки принятия решений на самом высшем уровне управления предприятием.

 

Намного больший интерес, который, к тому же, мы ещё не рассматривали, представляет собой рассмотрение промышленных предприятий в виде кибернетических машин? «Что?!» — внезапно спросите вы — «Опять эти странные кибернетические машины?» А я отвечу, что да — кибернетика, это довольно универсальная наука и способ познания объективной реальности и процессов в ней. И экономическая кибернетика является довольно развитым направлением кибернетической мысли. Так что рассмотреть субъект экономических отношений в виде кибернетической машины вполне возможно. Она получает на вход сырьё, инструменты и производственную силу, производит внутри себя последовательность технологических переделов и выпускает на выход продукцию. Получается «чёрный ящик» с набором входов и выходов. Теперь такие чёрные ящики можно соединять друг с другом в кибернетические схемы — на вход одного предприятия подаётся продукция, выпущенная другим предприятием.

 

Попытки построить такую схему для всей экономики государства или хотя бы небольшого региона, не говоря уже о мировой экономике, обычно приводили к фиаско. Мне неизвестны успешные результаты таких работ, даже если снизить требования и попытаться просто соединить предприятия и отрасли на одной схеме без учёта различных временных и пространственных ограничений. Тем не менее, эта задача вполне могла бы быть по силам интеллектуальной системе, которая могла бы не только разработать такую кибернетическую схему, но и потом при помощи неё осуществлять оптимизацию всей экономической системы в целом, организовывая бережливое производство и поставки точно-в-срок. Возможно, что вам может показаться в моих словах советская плановая утопия. Не буду отрицать, что какие-то аналогии провести можно. И, собственно, если у Госплана СССР не получилось обустроить экономику, то это не значит, что метод плохой и надо полагаться только на «невидимую руку рынка». Прогнозирование, планирование и эффективная реализация с обратными связями — всё это может быть вполне реализовано при помощи методов Искусственного Интеллекта.

 

Что ж, это были небольшие фантазии на тему, которые, тем не менее, вполне могут стать реальностью. Сейчас же давайте рассмотрим пару примеров, как технологии Искусственного Интеллекта уже могут помогать в промышленности. Первая технология — это так называемый «интернет вещей», который, конечно, часто относят к отдельному направлению техники. Тем не менее, если рассматривать эту странную сущность под нашим углом зрения, то тут мы увидим две несомненные технологии Искусственного Интеллекта — анализ больших данных и построение многоагентных систем различных конфигураций. Интернет вещей является одним из наиболее популярных направлений современного технологического развития, и при организации одноранговых или иерархических сетей между агентами, работающими на производстве или в сельском хозяйстве, это направление очень востребовано. Особенно в сельском хозяйстве — там вообще огромное количество применений. В итоге получается простая штука — огромное количество сенсоров собирают большие данные, которые анализируются системой управления на базе деревьев решений, нейронных сетей или гибридных решений, после чего осуществляется воздействие на технологические циклы производства или непосредственно на сырьё, материалы, инструменты..

 

Ещё, например, есть большое количество автономных решений для выполнения каких-либо специальных функций там, где человеку быть опасно или попросту невозможно. Здесь нам помогает робототехника и построение различных специализированных устройств. Робототехника помогает и при развёртывании гибких производственных линий. Ну а оптимизация бизнес-процессов с учётом возможностей по замене персонала решениями на базе Искусственного Интеллекта или повышения эффективности работы персонала по тем же причинам, открывает широкие возможности по внедрению искусственных интеллектуальных систем в бэк-офисе.

 

Наконец, хочу отметить такую возможность. Я уже упомянул про системы поддержки принятия решений на высшем стратегическом уровне управления промышленным предприятием. В своё время мною с коллегами очень серьёзно и глубоко прорабатывались вопросы комплексной автоматизации промышленных предприятий, при которой все технологические, производственные и деловые процессы замыкались в единый контур автоматизации и посредством интеграционной платформы объединялись в одну комплексную систему управления. Данные в этой системе курсировали от места их первичного зарождения по всем местам, где они обогащались и использовались, достигая как раз той самой СППР на самом верху, в которой вся информация о производстве и всех аспектах его деятельности появлялась точно в срок без запаздывания, что позволяло бы принимать взвешенные решения на основе актуальных данных. Проработанные решения далеко опередили своё время, но сегодня они становятся всё более востребованными, поскольку технологии с тех далёких времён шагнули вперёд. И опять же, появился интернет вещей, и всё остальное. Так что сегодня системы комплексной автоматизации для предприятий любого уровня сложности вполне возможны.

 

На этом спешу закругляться. Сегодня мы узнали про возможности применения технологий Искусственного Интеллекта в промышленности. Это и СППР, и интернет вещей с большими данными, и робототехника. Теперь прошу переходить к дополнительным материалам и тесту, а также жду ваших вопросов. Всем удачи.

ИИ и Образование

00:04:53

Описание

Курс «Основы ИИ».
29. ИИ и Образование

 

Приветствую вас, уважаемые друзья. Мы продолжаем наш тернистый путь по пути постижения основ Искусственного Интеллекта. Меня зовут Роман Душкин, и сегодня у нас двадцать девятое занятие. Мы посвятим его рассмотрению возможностей применения методов и технологий Искусственного Интеллекта в области образования. Это очень интересно, так что приглашаю.

 

Образование является сферой жизни, которая находится на более высоком уровне экономики. Однако эта сфера жизни крайне важна, так как образование не только закладывает основу будущего, так и преобразует производственные силы и, если можно так сказать, «апгрейдит» их. Другими словами, у образования есть два аспекта, и оба они важны для общества и экономики. Система образования преобразует людей, превращая их из примитивных созданий в высокоинтеллектуальных личностей, занимающихся преобразованием среды вокруг себя. Ну, по крайней мере, так должно быть.

 

К сожалению, в современных школах, и я, наверное могу говорить не только о нашей стране, но и вообще о всём мире, детей учат устаревшими методами устаревшим понятиям. Есть хорошая картинка — свечка учит компьютеры тому, как устроена лампочка накаливания. Вот это оно, к сожалению. Конечно, не везде. Но в массе это так. И вот тут возникают огромные возможности для оптимизации и интеллектуализации образования. Размышления приводят к пониманию того, что единые стандарты образования направлены на усреднение интеллектуальных способностей человека. Преодолеть это не очень-то и помогает дифференциация школ, тем более что даже частные школы должны следовать определённым нормам. Но сегодня уже можно думать о персонализации образования.

 

Так, хватит лирики. Искусственный Интеллект. Мы говорим о том, что технологии Искусственного Интеллекта могут изменить систему образования в лучшую сторону, и направление движения должно быть в область персонализации образования. Ну вот примерно как у нас на курсе. Персонифицированный подход к каждому школьнику, студенту, курсанту, аспиранту и т. д. Массовость образования была обусловлена в том числе и тем, что преподаватель не мог «разорваться» между десятками и сотнями учеников, которых он обучал. Но сегодня технологии позволяют это делать. Во-первых, теперь взаимодействие между преподавателем и учеником можно осуществлять без необходимости находиться рядом друг с другом. Ну вот мы с вами общаемся при помощи мессенджера, и каждому из вас оказывается именно персонифицированный подход. И чат-бот помогает мне обрабатывать десятки запросов от вас в день. Не буду раскрывать деталей, это наше ноу-хау, но чат-бот снимает с меня всё больше и больше запросов. Это может быть сделано для каждого курса, для любого предмета. И не надо говорить о том, что для детей и подростков необходимо непосредственное участие учителя в учебном процессе. Во-первых, современные дети лучше всех нас знают, как использовать новые информационно-коммуникационные технологии. Ну подумайте только, современные дети никогда не знали времени, когда не было компьютеров, смартфонов, интернета и вот этого вот всего. Во-вторых, у нас на параллельном курсе по английскому языку успешно учится несколько подростков, в том числе мой старший сын, и это прорывная технология, поскольку за несколько месяцев он повысил свой уровень владения английским языком так, как не было за шесть предыдущих лет обучения в школе. И, самое главное, практически избавился от страха и застенчивости в общении. Так что с детьми и подростками всё будет хорошо.

 

Вы наверняка слышали про то, что генеративная нейронная сеть переделала видео Барака Обамы так, что он говорил заданные разработчиками нейросети слова, и при этом движения его губ и вообще мимики лица были согласованы с произносимой речью. Эта технология вполне применима для видеообщения между учителем и учеником. Ученик задаёт вопрос, учитель отвечает на него, и ученик это видит на своём терминале. И даже возможна генерация отдельных, персонифицированных видео. Ну, например, делается одно на всех входное видео, затем по результатам общения с каждым учеником в чате или видеочате, на основании анализа ответов каждого конкретного ученика разрабатывается персональная программа обучения конкретному предмету. Если ученик показывает хорошие результаты, ему даются более углублённые темы, более сложные задачи, какие-то дополнительные материалы. Если же ученик показывает плохие результаты, то для него организовывается много дополнительных занятий с разъяснениями. Ну и так далее.

 

Что у нас далее? Система поддержки принятия решений сможет постоянно планировать и перепланировать программу обучения для каждого отдельного человека с учётом его персональных потребностей, достижений и прогнозов на будущие потребности в профессиях и функциях, выполняемых человеком. Работа такой системы на общесистемном уровне позволит спланировать взращивание необходимого количества специалистов, требуемых в будущих отраслях. Эта же система позволит организовывать повышение квалификации для всех тех людей, кто готов заниматься постоянным обучением длительностью во всю жизнь.

 

Что ж. Мы не должны бояться будущего. Помните, мы рассмотрели факт об Искусственном Интеллекте, что его появление даже в слабой форме приведёт к исчезновению многих профессий. По оценкам некоторых экспертов, до 70 % общего объёма профессий через 10 — 20 лет будут новыми, которых раньше никогда не было. Ну вот вы, уважаемые курсанты, сможете, к примеру, стать учителями искусственного интеллекта. Остальным людям поможет получить новые профессии как раз тот же самый Искусственный Интеллект. Посмотрим. Ну а мы кратко изучили отдельные возможности применения возможностей Искусственного Интеллекта в сфере образования. Теперь переходите к дополнительным материалам, выполняйте тест и задавайте мне вопросы. Всем пока.

ИИ и Наука

00:04:50

Описание

Курс «Основы ИИ».
30. ИИ и Наука

 

Привет всем курсантам, и это наш курс по основам Искусственного Интеллекта. Мы продолжаем рассматривать различные сферы жизни в которых технологии Искусственного Интеллекта могут помочь в той или иной мере, и сегодня мы рассматриваем следующую сферу — науку. Меня зовут Роман Душкин, и я приглашаю вас за собой.

 

Наука — это ещё одна сфера жизни общества и государства, которая направлена в будущее и предназначена для поиска путей дальнейшего развития. Поэтому общества, нацеленные на экспансию, будут вкладывать в науку и образование намного больше средств и усилий по сравнению с обществами стагнирующими. И наука сама находится на самом переднем фронтире по разработке методов и технологий Искусственного Интеллекта. Но давайте рассмотрим, как и что что он самый может дать учёным и науке в целом взамен или в дополнение?

 

Если рассматривать на довольно абстрактном уровне, то научную деятельность можно представить как цикличное выполнение научными коллективами следующих шагов: сначала формулировка гипотезы, затем планирование экспериментов для её подтверждения или опровержения, после этого проведение самих экспериментов, далее обработка результатов, публикация и актуализация гипотезы. Разные коллективы изучают различные гипотезы в часто связанных проблемных областях, и иногда они даже пользуются результатами друг друга. Иногда одно исследование запускает целый каскад других в целях дополнительной проверки, попыток опровержения, после формулирования новых дочерних гипотез. Желаемым же конечным результатом этой деятельности является внедрение результатов в хозяйственную деятельность, однако при этом такое внедрение не всегда возможно, особенно если речь идёт о неприкладных, фундаментальных областях науки.

 

Что же тут может предложить Искусственный Интеллект, не будучи сам объектом исследования научным коллективом? Ведь мы уже поняли, что творчество — это та область, в которую ИИ ворвётся позже всех. А научная деятельность — это самый сложный вид творчества, это общение с «платоническим миром» и поиск там чистого знания. Человек как-то подключён к этому «миру», и мы пока не знаем, что и как происходит, когда учёный начинает формулировать научные гипотезы, особенно абстрактного характера. Но вот обработка результатов — это хорошая область для приложения технологий Искусственного Интеллекта, и здесь уже сегодня можно найти многочисленные возможности по применению. Впрочем, также Искусственный Интеллект может помочь в поиске и формулировании гипотез, основных и альтернативных, и это может быть основано на автоматическом построении дерева решений, или каких-либо других методах символьного подхода, весь если не брать в расчёт озарение учёного, то зачастую работа с гипотезами представляет собой банальный логический вывод, часто сложный, но тем не менее. А логический вывод — это то, что удаётся нисходящему Искусственному Интеллекту очень хорошо. И можно даже будет как-то формализовать для него выход во вне системы аксиом для гипотезы, чтобы посмотреть на формальную систему извне и формулировать суждения о самой формальной системе. Такой Искусственный Интеллект будет хорошим помощником для учёных. Ну и третья возможность — это использование методов Искусственного Интеллекта для генерации первых проектов отчётов и научных статей, поскольку часто они основаны на использовании нескольких вариантов шаблонов и довольно сухом, формальном языке. Конечно, потом такие проекты надо будет обработать человеку и утвердить научному руководителю, но я уверен, что и в этом направлении Искусственный Интеллект будет достигать хороших успехов.

 

Но более важным аспектом применения технологий Искусственного Интеллекта является то, что я называю «управлением научно-техническим прогрессом». Мы уже определили, что наука должна двигать общество вперёд, а результатами научных исследований должны быть какие-либо технологические разработки, которые применяются в хозяйственной деятельности. Но кто определяет то, что именно исследовать, какие именно задачи решать, какие именно технологические проблемы препарировать? Конечно, у государства, если рассмотреть надсистему, в рамках которой работает научная сфера деятельности, должна быть стратегия развития, где и прописаны магистральные направления. Они, в свою очередь, превращаются в концепции развития определённых направлений, которые и финансируются для проведения научно-исследовательских работ. Но тут возникает та же самая ситуация, когда нет оперативного перепланирования по результатам промежуточных исследований, и это замедляет развитие науки. Другими словами, для всей сферы науки должна быть интеллектуальная система, которая в обязательном порядке увязана со сферой образования и сферой промышленности, и которая осуществляет и стратегическое, и оперативное планирование проведения научно-исследовательских работ с постоянной адаптацией плана в соответствии с достигнутыми результатами. И эта же система должна взаимоувязывать исследования различных направлений, выстраивая цепочки исследований и отбирая в их результатах те, которые затем переходят на стадию опытно-конструкторских работ и после опытного подтверждения внедряются в хозяйственную деятельность.

 

Итак, мы рассмотрели вопросы использования Искусственного Интеллекта для управления научно-техническим прогрессом и для помощи научным коллективам и коллаборациям в проведении исследований. Можно придумать ещё про анализ больших данных, сбор информации из интернета вещей и т. д., но рекомендую вам подумать самостоятельно. А теперь переходите к дополнительным материалам, проходите тест и да пребудет с вами Научная Парадигма!

ИИ и Здравоохранение

00:05:01

Описание

Курс «Основы ИИ».
31. ИИ и Здравоохранение

 

Здравствуйте, друзья. Это курс по основам Искусственного Интеллекта, я — Роман Душкин, и мы продолжаем изучать прикладные аспекты этой изумительной области знания. Сегодня вслед за образованием и наукой мы рассмотрим следующую сферу жизни, которая пронизывает все слои общества. Это здравоохранение, и эта сфера очень близка мне, как вы уже могли догадаться по тому, как я рассказывал вам про свой проект «Джейн». Так что давайте изучим, где технологии Искусственного Интеллекта могут помочь в медицине и здравоохранении.

 

Что ж, здравоохранение — это тоже сфера жизни высшего уровня, и в любой развитой экономической системе она должна быть. Но если образование и наука направлены в будущее, то предназначение системы здравоохранения заключается в стабилизации настоящего. Несмотря на то, что биологические системы имеют высокую степень адаптации, иногда они подвержены «болезням», то есть нарушению гомеостаза и переходу в патологический режим, что может даже привести к гибели. Здравоохранение необходимо, чтобы каждый член общества и всё оно в целом было в наименьшей степени подвержены болезням.

 

Современная система здравоохранения довольно развита. Я уже упоминал несколько примеров того, как человечество полностью победил некоторые болезни. Вирус чёрной оспы существует только в двух серьёзно охраняемых лабораториях, и уже подумывают, чтобы полностью уничтожить него. Современным детям уже не делают прививки от оспы. Лекарства проектируются в зависимости от функции, которые они должны оказывать на белки и другие вещества внутри организма. И здесь, кстати, опять очень серьёзно помогает концепция кибернетической машины, так что рекомендую тщательно изучить её. Тем не менее, есть серьёзные недостатки. Самый главный — система не успевает за современными технологиями. Последние достижения в области генетики, эпигеномики, протеомики, анализе больших данных и даже 3D-печати уже сегодня позволяют перейти на полностью персонифицированный подход к каждому конкретному пациенту. Особенно в тяжёлых случаях, которые выбиваются из статистических шести сигм. А современные правила работы врачей как раз основаны только на статистическом анализе. Само собой, речь идёт только об официальной медицине, мы оставим за скобками все альтернативные методы.

 

Мы уже не раз говорили о том, что Искусственный Интеллект — это про персонификацию сервисов. И вот в области здравоохранения нас ждут самые интересные достижения в этом вопросе. Именно относительно здоровья людей и их лечения накоплено огромное количество различных данных. Терабайты и петабайты неструктурированной информации только ждут обработки. И вот, как говорят, проект IBM Watson занимается именно этим — переработкой накопленного корпуса медицинских знаний в обрабатываемый машиной вид. И здесь поможет именно символьная парадигма, поскольку большая часть информации записана на довольно формальном медицинском языке. Но и нейросети и грязный подход тоже помогут, особенно в вопросах диагностики и разбора непрерывной информации, получаемой с разного рода сенсоров — аппаратов МРТ, ЭЭГ, ЭКГ, ПЭТ и множества носимых устройств. В общем, как я уже неоднократно говорил — гибридный подход возьмёт своё.

 

Представьте себе персонального медицинского помощника, который всегда рядом с вами. Он постоянно собирает всевозможные данные о том, где вы находитесь, какие параметры окружающей среды, какие текущие значения параметров вашего здоровья и каковы их тренды, какие лекарственные средства, биологические активные добавки или витамины вы принимаете, после чего сопоставляет это всё друг с другом и с самыми современными знаниями в области медицины. Он постоянно даёт вам советы о том, что есть и что не есть, какие лекарства можно принимать, а какие противопоказаны или риск развития тяжёлых побочных эффектов очень велик. Кстати, тенденции к развитию побочных эффектов он тоже будет отслеживать и предупреждать как вас самих, так и врачей-специалистов, которые имеют отношение к этим лекарствам. Он также будет получать информацию обо всех результатах анализов, которые вы сдавали. Ну и, конечно же, он будет иметь доступ во все медицинские информационные системы, где вы когда-либо засветились. И сам по себе он станет главной медицинской системой, вашей персональной медицинской системой. И вот вы приходите ко врачу, а для него уже сформирован полный профиль того, что с вами происходило с момента предыдущего визита, а также подготовлены рекомендации и прогнозы. И врачу остаётся только засвидетельствовать то, что эти прогнозы и рекомендации верны. А, впрочем, через какое-то время и такое засвидетельствование врачом не потребуется. Ваш персональный медицинский помощник будет всегда рядом с вами на страже вашего здоровья.

 

Но, конечно, технологии Искусственного Интеллекта могут помочь и на верхних уровнях системы здравоохранения. Система поддержки принятия решений при управлении лечебно-профилактическим учреждением должна прийти на смену медицинским информационным системам, которые сегодня представляют собой всего лишь так называемые «разлинованные блокноты», куда младший медицинский персонал в конце дня записывает неструктурированную информацию обо всём подряд. Ещё выше должна быть система планирования здравоохранения на уровне всего общества, которая занимается такими вопросами, как разработка новых лекарственных средств, охрана от эпидемий, коллективный иммунитет и так далее. В общем, тут есть много таких же возможностей, которые мы рассматривали для таких областей, как государственное управление, образование и наука.

 

На этом, пожалуй, всё. Мы изучили некоторые перспективные возможности по использованию технологий Искусственного Интеллекта в области медицины и здравоохранения. Теперь прошу переходить к дополнительным материалам, тесту и персональной работе со мной. Всем удачи.

ИИ и Культура

00:04:16

Описание

Курс «Основы ИИ».
32. ИИ и Культура

 

Приветствую вас, друзья. Мы вновь на курсе по основам Искусственного Интеллекта, и я — Роман Душкин. Мы продолжаем изучать то, как технологии ИИ помогут в различных сферах жизни. У нас осталось одно такое рассмотрение, и сегодня я расскажу вам про культуру. Под культурой мы будем понимать множество социально обусловленных установок, которые предписывают индивидууму определённое поведение с присущими ему переживаниями и мыслями, оказывая на него, тем самым, управленческое воздействие. Сюда относится так называемая «духовная сторона жизни», проявления творчества, социальные стереотипы и вообще всё, что не конкретизируется другими сферами жизни. Так что внимательно изучим и этот вопрос, поскольку технологии Искусственного Интеллекта несомненно затронут эту сторону человеческой жизни.

 

Культурные коды — это то, что отличает цивилизации и общества друг от друга. Мы всегда можем различить иностранца, как бы хорошо он ни мимикрировал и знал язык, именно по тонким нюансам в культуре. Здесь и старые сказки, рассказанные на ночь, и романы классиков, и впечатанные в коллективное бессознательное паттерны поведения в тех или иных ситуациях, особенно стрессовых. Здесь также отношение к истории народа, его наследию, религиозным практикам, культурным проявлениям в узком понимании слова «культура». Всё это впитывается с молоком матери и вряд ли может быть отрегулировано на государственном уровне, хотя такие попытки есть. Другими словами, культура — это очень тонкая материя. И мы рассмотрим два аспекта влияния технологий Искусственного Интеллекта на культуру.

 

Первый аспект заключается в том, что Искусственный Интеллект в какой-то момент может включиться в культурную жизнь, предоставляя новые произведения искусства и даже новые виды творчества. Мы уже рассуждали с вами о том, что творчество — это особый вид деятельности человека, который падёт под напором технологий Искусственного Интеллекта в самую последнюю очередь. Однако рано или поздно это произойдёт, и на мой взгляд этот процесс будет происходить постепенно. Уже сегодня искусственные интеллектуальные системы учатся рисовать в стиле знаменитых художников, а завтра они начнут рисовать сами. Сегодня генеративная нейросеть пишет музыку в стиле Курта Кобейна, а завтра она превзойдёт Иоганна Себастьяна Баха и его бессмертные каноны и фуги. Составить гармонично звучащую шестиголосную фугу? Да, пожалуйста. Хотя вряд ли какому-либо из людей это вообще под силу. А шестиголосный канон с ракоходом, да ещё записанный на нотном стане, свёрнутом в лист Мёбиуса? Скульптура, театральные постановки, современное городское искусство — везде Искусственный Интеллект сможет предложить что-то новое. В общем, нас ждут интересные времена.

 

Но Искусственный Интеллект сможет дать старт и новым видам искусства и творчества. Сегодня бурным потоком развиваются технологии виртуальной и дополненной реальности, и я думаю, что в этой области ИИ сможет с самого начала дать огромную фору человеку. Архитектор виртуальной реальности — в скором времени это будет новая профессия, но интуиция мне подсказывает, что её с самого начала займёт Искусственный Интеллект, который будет создавать и для нас, и для себя тоже виртуальные миры поразительной красоты и невообразимой детальности. А если пойти в своих фантазиях дальше? Сильный ИскИн, если он захочет держать людей в рамочках, сможет предложить наведённые наркотические сновидения на заказ — принял таблетку со специально сконструированными наноботами, которые воздействуют на синапсы в головном мозге, и длительный трип в сказочную страну, из которой не захочется возвращаться, обеспечен.

 

Но ладно. Это всё были некоторые фантазии. Давайте подумаем о втором аспекте, про который я хотел бы рассказать. Человек — существо слабое, и перед тяготами объективной реальности он всегда будет стремиться найти себе оправдание, поддержку каких-то внешних сил, желание изменить физические законы в угоду своим сиюминутным желаниям и чаяниям. Из страха, лени и слабости воли возникают разного рода культы и поклонения необычному, невидимым всемогущим существам и прочим странностям. И нет ничего удивительного в том, что когда-нибудь возникнет Церковь Искусственного Интеллекта. Ну, быть может, под каким-то другим названием. Уже сегодня есть примеры создания сект или секто-подобных организаций, в которых декларируется поклонение будущему Сильному ИскИну. Пока это только что-то типа стёба или пародии, но когда ИскИн появится, наверняка вслед за ним и появятся культы поклонения Ему. Несомненно, это культурный феномен, который уже сегодня можно начинать исследовать. Конечно, это совсем не то, что затронут технологии Искусственного Интеллекта, но держать в голове такие возможности надо.

 

Итак, мы рассмотрели два аспекта влияния технологий и самого Искусственного Интеллекта на культуру человечества — это превосходство ИИ в творчестве и возможность создания в будущем Церкви поклонения Сильному ИскИну. Теперь переходите к чтению дополнительных материалов и прохождению теста. Жду ваших вопросов. Всем пока.

ИИ и развитие новых отраслей

00:05:05

Описание

Курс «Основы ИИ».
33. ИИ и Новые отрасли

 

Приветствую вас, уважаемые курсанты. Меня зовут Роман Душкин, и сегодня у нас тридцать третье занятие по основам Искусственного Интеллекта, и мы закончили рассматривать сферы жизни, на которые технологии Искусственного Интеллекта влияют уже сегодня или будут влиять в будущем. К таким сферам жизни мы отнесли государственное и муниципальное управление, безопасность, транспорт, промышленность (включая сельское хозяйство), образование, науку, здравоохранение и культуру. Вроде бы всё охватили. Ну или практически всё. И теперь предлагаю немного пофантазировать на тему того, какие новые отрасли возникнут вместе с глубокой интеграцией Искусственного Интеллекта в нашу жизнь.

 

Под отраслью мы будем понимать множество предприятий и организаций, занимающихся производством и сбытом определённой продукции или услуги, либо целого класса продуктов или услуг. Разработка и массовое внедрение новых технологий всегда будет приводить к появлению новых отраслей. И мы ожидаем, что технологии Искусственного Интеллекта, помимо того, что мы уже рассмотрели, затронут одну очень важную область знания, которой мы посвятим отдельное занятие послезавтра. Это — нанотехнологии, о который я уже кратко упомянул. За собой они потянут много интересного и крайне важного для всего человечества. Давайте рассмотрим два самых прикладных аспекта, а дальше в совместной работе попытаемся найти новые.

 

Первый аспект — материаловедение. Это междисциплинарная область науки, которая изучает свойства материалов в зависимости от различных внешних факторов. Ну и, само собой разумеется, что методы материаловедения используются для проектирования новых материалов с заданными свойствами. Сегодня для этого используются электронная и сканирующая микроскопия, рентгеноструктурный анализ, ядерный магнитный резонанс,  и некоторые другие методы. Конечно, уже успешно применяются методы прямого проектирования по заданным свойствам, однако вместе с технологиями Искусственного Интеллекта эта возможность выйдет на новую ступень своего развития, и мы получим широкое множество удивительных материалов на все случаи жизни. В первую очередь такие материалы пригодятся для космической отрасли (помните, что мы хотим колонизировать космос?), строительства (в том числе и шахт на астероидах и других планетах для добычи полезных ископаемых), машиностроения, лёгкой промышленности и даже для создания биоматериалов.

 

Давайте пофантазируем ещё дальше. Ну представьте себе стекло, которое само затягивается после того, как раскололось? Или ткань, которая гасит энергию пули, рассеивая её вовне. Или конструкционные материалы, выдерживающие чудовищные величины давления и позволяющие строить многосотэтажные небоскрёбы или подводные жилища. Ведь у нас ещё совершенно не освоено дно океана, там огромные площади, вернее — объёмы жизненного пространства. Сверхпроводники комнатной температуры, сверхтекучие жидкости, сверхсжимающиеся жидкости, материалы с изменяемым от разных параметров свойствами и так далее, и тому подобное. Новые сплавы, которые будут настолько лёгкими, насколько и крепкими, что позволит построить на орбите огромные базы для дальнейшего создания космических кораблей орбитального базирования. Да и вообще, на орбите можно будет построить базу для отдельного «государства», в духе киберпанковских фантазий Уильяма Гибсона. Всё, что угодно.

 

Теперь обратимся ко второму аспекту, про который я хотел сегодня рассказать. Это фармакология, которая является наукой о лекарственных веществах и их действии на организм, а в более широком смысле — наукой о физиологически активных веществах вообще. Фармакология часто основывается на точечном воздействии на различные вещества в организме, и чаще всего это белки. Напомню, что белковая молекула представляет собой огромный полимерный комплекс, составленный из сотен и тысяч аминокислот. Белки выполняют в организме человека огромное количество функций — сигнальную, транспортную, катализаторную, передаточную и другие. Ну, к примеру, ферменты — это специальные белки, которые катализируют различные химические реакции. Обычно у ферментов есть сайты связывания, куда присоединяются молекулы-субстраты, из-за чего изменяется конформация белка, то есть его трёхмерная структура, и из-за такого изменения происходит соединение молекул-субстратов в новое вещество, которое высвобождается, а белок возвращается в исходное состояние. Так вот к сайтам связывания можно присоединять другие молекулы, которые похожи на субстраты белка. Они могут или блокировать работу, или изменять её, вызывая определённые эффекты. То же самое касается белков, являющихся трансмембранными каналами. В общем, там много всяких интересных механизмов, основанных, кстати, на кибернетическом подходе. Ну а белки, конечно же, это кибернетические машинки, куда же без них. Ну так вот, поскольку у нас курс по Искусственному Интеллекту, а не по фармакологии, то отставим всю эту лирику в сторону. Суть в том, что технологии Искусственного Интеллекта позволят целенаправленно проектировать вещества, работающие с теми или иными белками, проникающие через одни барьеры внутри организма, и задерживаемые другими, имеющие заданные свойства. Всё это откроет широчайшие возможности по управлению биохимическими процессами внутри организма — начиная от банального подавления репликации вирусов до управления нейронными связями в заданных областях нервной системы. Всё это в какой-то мере есть уже и сейчас, но с развитием Искусственного Интеллекта и нанотехнологий именно фармакология получит экспоненциальное развитие.

 

Всё это нас ждёт в ближайшем будущем. Ещё раз — материаловедение с новыми материалами, проектируемыми под заданные свойства, и фармакология с новыми веществами, также проектируемыми для выполнения в организме заданных функций. На этом, пожалуй, всё. Теперь переходите к дополнительным материалам, тесту и обязательно жду ваших вопросов, так как чувствую, что сегодня была очень интересная лекция. Всем удачи.

Смежное: квантовый компьютер и квантовые вычисления

00:07:18

Описание

Курс «Основы ИИ».
34. Квантовые технологии

 

Всем привет, и это тридцать четвёртое занятие по основам Искусственного Интеллекта. Меня зовут Роман Душкин. Сегодня мы практически заканчиваем курс, и можно сказать, что базис именно по Искусственному Интеллекту мы уже сформировали. Мы изучили всю необходимую теорию: базовые науки, парадигмы и направления, мифы и факты, а также технологии. Мы коснулись практических аспектов технологий Искусственного Интеллекта: государственное и муниципальное управление, безопасность, транспорт, промышленность и сельское хозяйство, образование, наука, здравоохранение и культура. Мы пофантазировали насчёт развития новых отраслей. И теперь я расскажу вам про два смежных направления науки и технологии, которые будут иметь очень большое влияние на Искусственный Интеллект. Это квантовые технологии и нанотехнологии. Сегодня мы рассмотрим первые, очень кратко, совсем чуть-чуть, но я должен сформировать у вас понимание, зачем нам нужны квантовые технологии. Так что приступим…

 

Квантовые технологии — это область науки и инженерии, в которой используются квантовые эффекты и вообще квантовый масштаб для решения тех или иных прикладных задач. Традиционно квантовые технологии разделяются на четыре больших направления — это, соответственно, квантовая сенсорика, квантовые компьютеры, квантовые вычисления и квантовая передача информации. Давайте каждому направлению уделим немного времени.

 

Квантовая сенсорика — это технология создания датчиков и измерительных устройств, основанных на квантовых эффектах и, соответственно, обладающих квантовыми масштабами и разрешением. Теоретически предполагается, что это будут очень точные измерительные устройства, которые имеют грандиозно высокую разрешающую способность как в пространстве, так и во времени. Соответственно, чем выше разрешение измерения, тем выше точность. К тому же, как предполагается, такие датчики можно будет использовать для так называемого неразрушающего мониторинга параметров объекта измерения. Эта область одна из самых новых в рамках квантовых технологий, но тут уже есть кое-какие достижения.

 

Теперь посмотрим на то, что такое квантовая передача информации. Я специально перескочил на этот аспект, так как он на сегодняшний день является наиболее проработанным. Уже есть готовые решения, которые апробированы и даже внедрены в постоянную эксплуатацию. И достижения здесь идут семимильными шагами. Если коротко и на кончиках пальцев, то квантовая передача информации предоставляет абсолютно надёжный канал распространения секретных ключей без возможности атаки типа «человек посередине», так как сама квантовые свойства реальности не позволяют этого. Фактически, два человека, организовав между собой квантовый канал передачи информации, могут сгенерировать одинаковый случайный секретный ключ произвольной длины, при этом в процессе генерации будет понятно, скомпрометирован канал или нет, то есть подслушивает их кто-либо или всё чисто. Если всё чисто и ключ остался секретным, то далее его можно использовать для шифрования методом одноразового блокнота, и этот метод является абсолютно невзламываемым, что доказано теоретически. Ну, кстати, заинтересовавшимся рекомендую свои книги по криптографии для детей — там всё это и многое другое расписано самыми простыми словами и очень понятно. Сегодня уже есть квантовые линии связи, а Китай недавно вывел на орбиту спутник квантовой связи для обеспечения секретной связи для высших государственных чиновников. Впрочем, в мире никто из развитых государств особо в этой области друг от друга не отстаёт.

 

Теперь рассмотрим квантовые алгоритмы. Первый алгоритм, основанный на квантовых вычислениях, был разработан Дэвидом Дойчем в 1985 году, и он показал так называемое «квантовое превосходство», которое заключается в том, что для некоторых задач гипотетический на то время квантовый компьютер должен показывать степенное или даже экспоненциальное ускорение по сравнению с компьютером на обычной архитектуре. Сегодня подобных алгоритмов существует порядка шестидесяти, все они довольно фундаментальные, но стоит отметить несколько. Во-первых, это алгоритм Гровера, который показывает квадратичное ускорение в задаче неструктурированного поиска, к которой сводится, например, задача вычисления обратной функции. Алгоритм Гровера позволит немного поломать такие алгоритмы, как вычисление хэш-функции, что, как следствие, приведёт к поломке блокчейна и криптовалют, основанных на принципе Proof-of-Work. Во-вторых, это алгоритмы Шора для факторизации чисел и вычисления дискретного логарифма, и эти алгоритмы показывают экспоненциальное ускорение по сравнению с обычными компьютерами. А ведь на этих и схожих задачах, то есть на гипотезах о сложности факторизации больших чисел и сложности вычисления дискретного логарифма основано большинство современных методов криптографии, в частности метод асимметричного шифрования RSA и протокол Диффи-Хеллмана для обмена секретными ключами по открытому каналу. Так что с появлением универсального квантового компьютера, на котором такие алгоритмы можно будет запустить, вся современная криптография будет скомпрометирована. Впрочем, чуть раньше мы поняли, что квантовая криптография нас спасёт.

 

И, наконец, мы подобрались к самому интересному — квантовому компьютеру. Для обработки информации квантовый компьютер оперирует не битами, как обычные компьютеры, а кубитами — квантовыми битами. Квантовый бит находится в суперпозиции состояний 0 и 1, то есть как бы принимает одновременно два значения. Ну помните, как у Эрвина Шрёдингера кошка одновременно и жива, и мертва? Вот и кубиты такие же. Суть в том, что если у нас есть один кубит, то он находится в суперпозиции двух состояний. Если есть два сцеплённых кубита, то эта квантовая система находится в суперпозиции четырёх состояний. Три кубита дают восемь состояний, четыре — шестнадцать, N кубитов — два в степени N состояний. Ну то есть если у нас есть 300 сцеплённых кубитов, то такая квантовая система имеет количество состояний большее, чем оценка количества частиц во Вселенной. Особенность прогона алгоритмов на кубитах заключается в том, что через алгоритм одновременно прогоняются все возможные квантовые состояния всех кубитов, то есть это массовая параллельная обработка информации, если можно так выразиться. Там есть свои особенности, которые сейчас не важны, но суть в том, что квантовый компьютер при вычислении функции одновременно вычисляет её значение на всех возможных её аргументах. В результате также получается суперпозиция возможных значений функции, и при помощи измерения выходных кубитов можно сделать те или иные заключения.

 

Теория квантовых вычислений проработана досконально. Фундаментальных препятствий для создания квантового компьютера, вроде, как бы и нету. Так что сегодня дело упирается в технологические ограничения. Известные варианты квантовых компьютеров, которые есть у компании IBM, содержат 11 кубитов, что довольно мало. Для более или менее прикладных задач требуется сотня, а универсальный квантовый компьютер должен обладать хотя бы тысячью кубитов. Это такие оценки, основанные на реализации квантовых алгоритмов на симуляторах. Ну вот, к примеру, я делал фреймворк, который позволил мне симулировать 21 кубит, на которых я запускал алгоритм Шора, который работал всю ночь, чуть не спалил мне ноутбук и разложил на простые множители число 35. Но технологии двигаются вперёд, так что квантовый компьютер мы должны увидеть довольно скоро. Все цифровые гиганты вкладывают в его создание огромные деньги.

 

Зачем я всё это рассказал? Всё просто. Есть такая гипотеза о квантовой природе сознания. Дескать, мы не можем никак постичь природу сознания потому, что она лежит в области квантовых эффектов с унитарными эволюциями и их схлопыванием в момент измерения. Что если сам феномен осознания и есть измерение некоей квантовой системы, находящейся где-то у нас в голове? Сторонники этой гипотезы пока являются маргиналами, против неё много контраргументов, но все они более или менее спекулятивны. Но если гипотеза верна, то создание универсального квантового компьютера приблизит на один шаг, или даже на тысячу шагов к появлению сильного Искусственного Интеллекта. Вот такие дела.

 

На этом всё. Про квантовые технологии я мог бы рассказывать часами, и мы готовим курс по этой живой и горячей теме. Оставайтесь на связи, все наши курсанты будут непременно оповещены, когда курс появится в эфире. Ну а мы пока кратко изучили, что же такое эти пресловутые квантовые технологии и чем они могут помочь в деле появления сильного Искусственного Интеллекта. Теперь переходите к дополнительным материалам и тесту. Всем квантового добра.

Смежное: нанотехнологии

00:04:59

Описание

Курс «Основы ИИ».
35. Нанотехнологии

 

Приветствую вас, друзья. Меня зовут Роман Душкин, и мы постепенно завершаем наш курс по основам Искусственного Интеллекта, так что мне немного грустно, но будем смотреть вперёд. Мы начали рассматривать смежные технологии, и вчера более или менее детально изучили квантовые технологии, которые, как я предполагаю, станут прологом к созданию или зарождению сильного Искусственного Интеллекта. Сегодня перейдём к нанотехнологиям, которые станут первым прямым следствием появления такого ИскИна. Позавчера мы уже изучали то, к чему это приведёт, но сегодня рассмотрим сами нанотехнологии, что это и какие прямые функции они будут решать. Поехали.

 

Нанотехнологии — это области науки и техники, в рамках которой осуществляется работа с устройствами и материалами на пространственных размерах порядка от одного до сотен нанометров, то есть одной миллиардной части метра. Нанометр — это единица измерения длины для сверхмалых объектов: атомы и молекулы, волны видимого света. На нанометровых диапазонах вовсю проявляются квантовые эффекты. Сегодня работа с наночастицами возможна при помощи сканирующих зондовых микроскопов. Но что же даст нам Искусственный Интеллект в этом отношении? Давайте немного пофантазируем…

 

Начнём с того, какое отношение вообще имеют нанотехнологии к изучаемому нами Искусственному Интеллекту. Дело в том, что имеется вполне обоснованное мнение о том, что Сильный Искусственный Интеллект, если и как только он появится, разработает настоящие нанотехнологические устройства, так как они видятся наиболее эффективными для осуществления различных функций по освоению окружающей среды. Либо, если ИскИн будет заперт в песочнице, ему будет поставлена такая задача — разработать технологии управления материей и энергией в нанодиапазоне. Почему это так? Ну давайте посмотрим, что несут в себе те настоящие нанотехнологии, о которых я говорю.

 

Сегодня уже есть множество теоретических работ и даже имеются немногочисленные практические эксперименты, которые создают универсальные вычислительные машины при помощи химических реакций. Сегодня для этого используются очень сложные молекулы — белки и нуклеотидные последовательности РНК и ДНК. Но при помощи нанотехнологий можно будет создавать Тьюринг-полные вычислительные устройства на формальной логике из намного более простых молекул. Эти молекулы, при взаимодействии, будут решать любые поставленные задачи, и это будет осуществляться очень быстро, очень точно, что можно будет использовать для построения биокомпьютеров. А квантовая сенсорика, рассмотренная вчера, позволит легко считывать результаты таких молекулярных вычислений.

 

Если появится Тьюринг-полная вычислительная система на уровне наноустройств, то это позволит решать многочисленные прикладные задачи посредством реализации универсальных алгоритмов. Например, вот формально описанная задача: «Найди в организме все клетки, имеющие тенденцию к превращению в раковые, и уничтожь их». Эту фразу можно перевести на формальный язык нановычислителей или, как мы их называем, «наноботов», получить молекулу, которая её реализует, и искусственная иммунная система готова. Любые вычисления смогут производиться в пробирке или чашке Петри.

 

К чему всё это? Ну про наноботов, вычищающих кровь и организм в целом, мы уже поняли. А теперь давайте рассмотрим такое интересное явление, как наноподача. Пока это фантастическая технология, но фундаментальных препятствий, как говорится, нет. Наноподача — это сборка необходимого объекта из атомов и молекул при помощи наноботов. Процесс сборки объекта описывается на формальном языке программирования наноботов, когда процесс запускается, то они берут входные атомы и молекулы и собирают из них требуемый объект. Понимаете, да? Проблема мусора и продовольственного обеспечения на Земле тут же будет решён. Берём пластик, разбираем его на атомы, собираем из них бутерброт. Берём любые биологические отходы, разбираем их на аминокислоты и собираем из них любые белки, продукты питания, лекарства, всё, что угодно. Вопрос с добычей полезных ископаемых будет решён. Необходимо ещё немного атомов золота и платины для покрытия контактов на новых микропроцессорах? Наноботы достанут их из океанической воды. Наноботы соберут космический корабль и отправятся на нём добывать иридий на астероидах.

 

Те из курсантов, кто знает толк в программировании, должно быть, уже догадался. Я скажу лишь одно слово: КВАЙН. Догадались? Вспомнили? Ага, я говорю о самосборке. Нанобот, собирающий свою собственную копию. Копия нанобота, которая только что появилась, соберёт свою собственную копию, и так далее, и в геометрической прогрессии. Нет, конечно, необходимо ставить ограничители по числу копий, иначе всё вещество всей Вселенной превратится в самособирающихся наноботов. Кстати, это страх Джона фон Неймана, который стоял у основ теории самовоспроизводящихся автоматов. Сегодня сценарий конца света, основанный на необузданном самокопировании машин фон Неймана, называется «серой слизью».

 

Но зачем бы самособирающиеся наноботы могли бы быть нам или ИскИну полезны? Всё довольно банально — их можно послать колонизировать космос. Собираем звездолёт, делаем самокопирующихся наноботов с ограничением на объём, закладываем в них инструкции по созданию звездолёта и астронавигации, а также по созданию базовой инфраструктуры для колонии — и вперёд. Космос будет наш.

 

Что ж, на этом всё. Надеюсь, что я приоткрыл перед вами много заманчивых перспектив. Мы узнали про нанотехнологии и наноботы. Теперь переходите к дополнительным материалам и тесту, а завтра у нас заключительное занятие нашего курса. Всем удачи и наноботов.

Советы и наводки: что почитать? Экзамен по второму модулю

00:05:55

Описание

Курс «Основы ИИ».
36. Что дальше?

 

Здравствуйте, друзья. Мне одновременно и радостно, и грустно. Радостно потому, что мы заканчиваем наш вводный курс по основам Искусственного Интеллекта, и теперь у вас большое количество новых знаний, которые я попытался структурировать и систематизировать. Ну и грустно по той же причине — курс заканчивается, и мы расстаёмся. Меня зовут Роман Душкин, и сегодня на посошок я расскажу вам про то, куда можно двинуться дальше.

 

Наше сегодняшнее занятие будет состоять из трёх частей. В первой я кратко расскажу про то, какие есть курсы и платформы MOOC, где они находятся. Во второй я перечислю с кратчайшими рецензиями несколько важных книг теоретического и фундаментального характера, которые хотел бы прочитать любой специалист по Искусственному Интеллекту. В третьей я дам наводки на гонднейших авторов и их художественные произведения, где рассматривается проблема Искусственного Интеллекта. Всё то, что я сегодня порекомендую, прошло через меня, как через фильтр, так что я дам вам самую эссенцию.

 

Начнём с курсов. Уверен, что все вы знаете такой MOOC-ресурс, как Coursera. Один из его основателей — Эндрю Ын, который по совместительству является одним из ведущих экспертов по машинному обучению в мире. Совсем недавно Эндрю выпустил на своей платформе даже не курс, а целую специализацию, то есть последовательный набор курсов по машинному обучению, анализу данных и искусственному интеллекту. Это очень детальные и погружающие в глубины курсы, так что я могу их без стеснения рекомендовать всем, кто хочет продолжить изучение темы Искусственного Интеллекта уже с точки зрения разработчика или архитектора систем. Само собой разумеется, что курсы на английском языке. Однако там же на Coursera можно найти и курсы по машинному обучению на русском языке, но за их качество я не поручусь. Кроме того, есть отдельные курсы Стэнфорда и МИТ, но я бы не рекомендовал их проходить — качество и способ подачи материала мне совершенно не понравились.

 

Но не обойдусь без рекламы. Сейчас мы также готовим несколько новых курсов, некоторые из которых так или иначе связаны с Искусственным Интеллектом. Расскажу о всех планах. Во-первых, это курс по криптоэкономике — всё о блокчейне, биткойне, альткойнах, децентрализации и остальном на пальцах простейшими словами. Во-вторых, это курс по интернету вещей — датчики, сенсоры, кибернетические машины, системы управления, опять же децентрализация, пиринговые сети, мультиагентные системы и роевой интеллект. Должно быть очень интересно. Опять же, всё будет донесено до слушателей самыми простыми словами при помощи нашей инновационной технологии персонифицированного обучения. В-третьих, это курс по квантовым технологиям, поскольку они сегодня находятся на краю научных исследований, и скоро здесь ожидаются многочисленные прорывы. Мы расскажем про квантовые компьютеры и квантовые вычисления так, что поймёт старшеклассник. Следите за анонсами — уже скоро.

 

Теперь перейдём к книгам. Сначала давайте посмотрим, чего фундаментального у нас есть? Ну, скажем, книги Уильяма Росса Эшби «Введение в кибернетику» и «Устройство мозга» — это полный мастрид для тех, кто хочет быть системным архитектором любых систем любой сложности. Написаны довольно простым языком, погружают в кибернетику и дают полное понимание инструментария этой прекрасной науки на самом базовом уровне. Перевод на русский очень приличный. Сразу за этими книгами можно почитать книги Стэффорда Бира от книги «Мозг фирмы» до всех остальных. Первая его книга интересна тем, что описывает кибернетический эксперимент на живой государственной экономике — проект «Киберсин» в Чили. Очень забавно, обязательно почитайте. Идём дальше. Книги Роджера Пенроуза «Новый ум короля» и «Тени разума» я уже упоминал. Это научно-популярная литература, так что рекомендую к прочтению каждому. В них много интересного про то, как устроено человеческое мышление.

 

Теперь немного книг непосредственно по Искусственному Интеллекту. Во-первых, обязательно прочитайте книгу Джеффа Хокинса «Об интеллекте». Это прорывная работа, в которой автор описывает свою модель сознания, памяти и разума. Крайне рекомендую. Дэвид Дойч, тот самый, который разработал первый квантовый алгоритм, написал книгу «Структура реальности», в которой описал своё видение на базовое устройство нашего мира, и в ней красной нитью проходят мысли об искусственном интеллекте и виртуальной реальности. С другой стороны можно почитать книгу Ника Бострома «Искусственный Интеллект», в которой показана алармистская позиция. Книгу тоже рекомендую, некоторые вещи в ней занимательны. И не могу не порекомендовать книгу Дугласа Хофштадтера «Гёдель, Эшер, Бах — эта бесконечная гирлянда». Парадоксально, но книга читается очень сложно, хотя написана простым языком. В ней огромное количество мыслей и идей, которые хочется обдумывать снова и снова.

 

Я сам также пишу книгу, которая называется просто и незамысловато: «Искусственный Интеллект». В ней вы найдёте всё то, что мы уже изучили, только описанное глубже, шире и более формальным языком. Но я старался не использовать формул, объяснял всё настолько просто, насколько это возможно. Так что снова следите за эфиром.

 

Теперь перейдём к художественной литературе, и я дам немного наводок на очень сильные книги в жанре научной фантастики. Начнём с Нила Стивенсона. У него много отличных книг, чуть ли не все, которые он написал, но в канве нашего курса особый интерес вызывают произведения «Анафем», «Лавина» и «Алмазный век, или Букварь для благородных девиц». Если понравится — смело читайте остальные произведения автора. Теперь Уильям Гибсон и его трилогия «Киберпространство» — это прорывное произведение, заложившее основы стиля «киберпанк». В нём автор описал много открытий сегодняшнего дня. Очень рекомендую, так как в книге описываются, в том числе, и вопросы этики взаимодействия человека и ИскИна. Дальше — Дэн Симмонс и его сага-тетралогия «Песни Гипериона», которая является просто кладезем интересных идей о том, как и где живут ИскИны. И ещё: Ханну Райаниеми и его трилогия про квантового вора, которая, возможно, не переведена до конца. Книга вызывает необыкновенное эстетическое удовольствие у тех, кто уже знает, что такое Искусственный Интеллект, виртуальная реальность, квантовые технологии и вот то вот всё. Обязательно прочитайте. И, наконец, Раам Намез с его трилогией про Нексус, наркотическое вещество, которое, на самом деле, является смесью наноботов, встраивающихся в нервную систему человека и организуют сверхинтеллект из всех подключившихся к сети. В книге мощно описан ИскИн на базе мозга погибшей женщины-нейробиолога, который жил в универсальном квантовом компьютере глубоко под землёй и пользовался аватаром.

 

На этом, пожалуй, всё. Читайте, просвещайтесь и да пребудет с вами сила Искусственного Интеллекта. Всем пока и удачи.

Итоги курса, что в целом мы прослушали, каковы впечатления, кое-какая статистика

00:01:49

Описание

Курс «Основы ИИ».
37. Итоги

 

Приветствую вас, друзья. Меня зовут Роман Душкин, и я никак не могу оторваться от курса, так как за прошедшие шесть недель уже очень привык ко всем вам. Мы завершили наш вводный курс по Искусственному Интеллекту, и сегодня я хотел бы подвести кое-какие итоги. Так что потерпите меня ещё немного, это не займёт много времени.

 

Итак, шесть недель мы занимались Искусственным Интеллектом и за это время узнали много нового. Во-первых, мы в принципе познакомились с тем, что такое «Искусственный Интеллект», откуда пошло слово, какие науки лежат в его основе и почем он является междисциплинарным направлением исследований. Во-вторых, мы изучили две парадигмы и пять подходов к построению искусственных интеллектуальных систем. В-третьих, мы разобрали некоторые мифы и рассмотрели некоторые факты об Искусственном Интеллекте. Наконец, в-четвёртых, мы узнали про успешные проекты в области Искусственного Интеллекта — исторические и современные. И после этого кое-кто из вас даже написал эссе на тему «Как технологии Искусственного Интеллекта изменят нашу жизнь». Читать их было очень интересно. И это был первый модуль нашего курса.

 

Во-втором модуле мы принялись за прикладные аспекты Искусственного Интеллекта, а потому в начале рассмотрели детали отдельных технологий и методов, потом погрузились в несколько сфер жизни, которые, как ожидается, технологии Искусственного Интеллекта изменят очень сильно, ну и под конец модуля рассмотрели смежные области — квантовые технологии и нанотехнологии. И опять же кое-кто из вас написал второе эссе на тему «Как технологии Искусственного Интеллекта помогут повысить эффективность моего бизнеса». Это было ещё более интересное чтение.

 

Вы все большие молодцы, и очень старались. Результаты тестов показывают, что к концу курса ваши знания основ Искусственного Интеллекта реально повысились. Вместе с тем, я крайне рекомендую продолжать обучение, ведь в будущем нам придётся плечо к плечу жить и работать с искусственными интеллектуальными системами. Я надеюсь, что как такового расставания не будет, и все вы так или иначе будете время от времени возвращаться ко мне с вопросами, запросами и всем, чем угодно. Ну а пока — до скорых встреч.

 


Отзывы

  • Катерина Левченкова

    Невероятно интересный курс! Спасибо, за возможность поближе познакомиться с понятием "искусственный интеллект". Рекомендую данный курс всем, кто хочет понимать как ИИ влияет на разные сферы нашей жизни.

  • Иван Петриченко

    Хотел бы поделиться личным мнением после просмотра данного курса. И, надеюсь, он поможет кому-то   

    Тема искусственного интеллекта сейчас у всех на слуху. Конечно же, всем хочется быть в тренде и именно это привело меню сюда. До курса знания были как у всех: "Ну, что-то слышал, примерно представляю как работает, слышал создают на python", но четкого понимания не было.

    Что очень понравилось в курсе:

    1. Четко и по делу. Никакой лишней информации и "воды". Только самое необходимое.
    2. Все понятным и доступным языком. Ощущение, что тебе рассказывает друг.
    3. Очень много реальных примеров и как это работает.
    4. Причем примеры из самых разных областей жизни, так что будет полезно всем.
    5. Отличный звук и картинка. Для меня это важно   
    6. Есть советы и наводки.

    Самое главное, что я получил, потратив время на просмотр этого курса - это понимание что это, зачем нужно и как использовать.

    Как краткий вывод: если вы до сих пор не в курсе что же ИИ за магия такая - то вам однозначно сюда. Этот курс поможет вам разобраться во всех деталях. Проверено на себе)

    Отдельное спасибо преподавателю за четкое и понятное объяснение сложной темы человеческим языком) Всех благ и успехов всем в обучении!

  • Михаил Райцин

    Классный вводный курс по МЛ/ИИ. Рекомендую!


Начните обучение сегодня