Когда мы говорим об Искусственном Интеллекте (далее, ИИ — прим. ред), чаще всего мы представляем научно-фантастические фильмы. Но ИИ — уже реальность, причем довольно разнообразная. ИИ — это и калькулятор, и самоуправляемые автомобили, и многое другое.
Революцию ИИ вызвало сразу несколько факторов. Прежде всего, это развитие машинного обучения при поддержке облачных вычислительных ресурсов и веб-сбора данных. Машинное обучение продвинулось резко вперед за счет “глубинного обучения” — одной из форм адаптивных искусственных нейронных сетей, обученных методом “обратного распространения ошибки”. Методом обратного распространения ошибки называют общий метод обучения искусственных нейронных сетей, используемый вместе с методом оптимизации.
Этот скачок в производительности алгоритмов обработки информации сопровождался значительным прогрессом в аппаратной технологии для основных операций, таких как зондирование, восприятие и распознавание объектов. Новые платформы и рынки для продуктов, управляемых данными, а также экономические стимулы, способствовали к появлению технологий с ИИ.
Ниже представлены области исследования ИИ, которые в последнее время получили наибольшее внимание.
Крупномасштабное машинное обучение
Многие из основных проблем в машинном обучении (например, контролируемое и неконтролируемое обучения) хорошо изучены. Основное внимание в настоящее время уделяют тому, чтобы масштабировать существующие алгоритмы для работы с очень большими наборами данных. Например, в то время как традиционные методы могут позволить себе сделать несколько проходов по набору данных, некоторые современные методы позволяют сделать то же за один подход.
Глубинное обучение
Способность успешно обучать сверхточные нейронные сети наиболее востребована в области компьютерного зрения. Глубинное обучение применяют в распознавании объектов, маркировке видео, распознавании активности и т.д.. Глубокое изучение также вносит значительный вклад в других областях восприятия, таких как аудио, речь и обработка естественного языка.
Обучение с подкреплением
В то время как традиционное машинное обучение в основном сосредоточено на поиске паттерна, модели, обучение с подкреплением смещает акцент на принятие решений. Эта технология поможет ИИ глубже продвинуться в область изучения и выполнения действий в реальном мире. Она существует уже в течение нескольких десятилетий в качестве основы для опытов по последовательному принятию решений. Однако, этот метод не получил большого успеха на практике. Недавний успех программы AlphaGo, компьютерной программы, разработанной Google Deepmind, которая обыграла чемпиона го (стратегическая игра на доске 19х19 с черными и белыми камнями) в матче из пять игр, был обусловлен по большей части обучением с подкреплением. При разработке AlphaGo авторы использовали только самую элементарную теорию игры в го, программа достигла высокого уровня, обучаясь сама на партиях профессионалов, впоследствии была доработана, играя большое количество игр против себя и применяя обучение с подкреплением.
Робототехника
Проблема роботизированной навигации, по крайней мере, в статических условиях, в значительной степени уже решена. В настоящее время идет работа над тем, как обучить робота взаимодействовать с окружающим миром в обобщенных и предсказуемых условиях. Еще одна интересная на данный момент тема — манипулирование в интерактивных средах.
Революция глубокого обучения только начинает взаимодействовать с робототехникой. Достижения в области машинного восприятия (компьютерное зрение, тактильное восприятие) будут напрямую зависеть от успехов в машинном обучении.
Компьютерное зрение
Компьютерное зрение в настоящее время является наиболее заметной формой машинного восприятия. Эта подобласть ИИ очень изменилась с развитием машинного обучения. Еще несколько лет назад метод опорных векторов решал большинство визуальных задач по классификации. Но наличие больших массивов данных и уточнений алгоритмов нейронных сетей привело к резкому повышению производительности компьютерного зрения на тестовых задачах. Впервые компьютеры способны выполнять некоторые (узко определенные) визуальные задачи классификации лучше, чем люди.
Обработка естественного языка
Часто в сочетании с автоматическим распознаванием речи, обработка естественного языка является еще одной активно развивающейся областью машинного восприятия. Google объявила о том, что 20% текущих мобильных запросов выполняются голосом и недавние демонстрации доказали возможность перевода в режиме реального времени. В настоящее время исследования смещаются в направлении разработки систем, способных взаимодействовать с людьми через диалог, а не просто реагировать на стилизованные запросы.
Совместные системы
Исследования совместных систем изучают модели и алгоритмы, чтобы помочь в разработке автономных систем, которые могут работать совместно с другими системами и с людьми. Эти исследования основывается на разработке формальных моделей сотрудничества и эффективного партнерства. Растет интерес к разработкам, которые смогут увеличить человеческие способности — используя сильные стороны людей и машин.
Краудсорсинг
Некоторую работу до сих пор человек выполняет лучше, чем машина. Исследования по краудсорсингу и человеческим вычислениям работают над расширением возможностей компьютерных систем за счет использования человеческого интеллекта. Наиболее известный пример краудсорсинга — Википедия. Это хранилище знаний, которое поддерживается и обновляется пользователями Интернета и намного превосходит скомпилированные источники информации (энциклопедии и словари) по масштабам, качеству и глубине. Краудсорсинг фокусируется на разработке инновационных способов, которые бы позволили использовать человеческий интеллект. Так, научные платформы набирают добровольцев для решения научных проблем, а платные краудсорсинговые платформ, вроде Amazon Mechanical Turk обеспечивают автоматизированный доступ к человеческому интеллекту по требованию. В настоящее время усилия исследователей направлены на изучение идеального разделения задач между людьми и машинами.
Интернет вещей (IoT)
Все большее число исследований посвящено идее того, что широкий спектр устройств могут быть соединены между собой для сбора и обмена информацией. Такие устройства могут включать в себя приборы, транспортные средства, здания, камеры и другое. ИИ может обрабатывать и использовать полученные огромные объемы данных для интеллектуальных и полезных целей. Проблема развития Интернета вещей сейчас в том, что каждая все эти вещи используют огромное множество несовместимых протоколов связи. ИИ в будущем сможет помочь найти универсальный способ связи между устройствами и укротить эту Вавилонскую башню.
Материал подготовлен на основе исследования Стэнфордского университета