Эта статья в блоге взята и адаптирована из The Ultimate Data and AI Guide, написанного мной в соавторстве с Alexander Thamm и Dr. Александр Борек.

Один из вопросов, который мне чаще всего задают: «Когда здесь появится ИИ»? Ответ уже здесь. На самом деле, это было в течение длительного времени. Дело как раз в том, что из-за шумихи вокруг ИИ в СМИ у общественности сложилось искаженное представление о том, что такое ИИ на самом деле.

В этой статье я хочу поделиться 13 впечатляющими (но иногда и пугающими) системами искусственного интеллекта, которые уже были разработаны и призваны помочь вам отделить вымысел от реальности. Они предназначены для того, чтобы показать вам, на что сегодня уже способны системы искусственного интеллекта, а что все еще находится за пределами нашей досягаемости.

Примечание. Этот список является субъективным и явно далеко не полным. Я попытался включить варианты использования ИИ из разных вертикалей. Если у вас есть системы искусственного интеллекта, которые следует добавить в список, я с нетерпением жду ваших мыслей в разделе комментариев.

Что такое искусственный интеллект?

Но сначала давайте поговорим о том, что такое искусственный интеллект (ИИ). Вместо того, чтобы погружаться в академическую дискуссию о том, как можно определить ИИ, давайте будем проще:

"ИИ – это компьютерные системы или машины, демонстрирующие интеллектуальное, похожее на человека поведение и возможности, которые позволяют им выполнять задачи, для которых обычно требуется человеческий интеллект".

Слабый против сильного ИИ

Поскольку понятие интеллекта сложное, оно помогает отличать слабыйсильныйИИна непрерывной шкале. Слабый (или узкий) ИИ относится к системам, способным выполнять узкую и конкретную задачу, например. классифицировать электронное письмо как спам, или более сложной системой искусственного интеллекта может быть чат-бот, способный понимать человеческий язык и реагировать на него. Это может показаться нам тривиальным, но на самом деле для их выполнения требуется много интеллекта. Такие слабые системы ИИ существуют уже много лет (а некоторые даже десятилетия). Отсюда и ответ «ИИ уже здесь».

Дело в том, что когда люди слышат ИИ, то обычно думают о футуристических человекоподобных андроидах вроде Терминатора, R2D2 или Сонни из «Я, робот». Это какое-то заблуждение. Это все равно, что спросить кого-то в 1920 году, как он представляет себе автомобиль, и он даст вам описание новейшей модели Mercedes Benz S 2020 года, а не то, как автомобили выглядели в 1920 году. То, о чем люди думают, когда слышат ИИ, мы называем сильный (или общий) ИИ. Сильный (или общий) ИИ относится к системам, способным выполнять весь спектр задач, требующих человеческого интеллекта, включая визуальное восприятие, вербальное общение, эмоциональные интерпретации и эмпатию.

Что в настоящее время возможно с ИИ? Эти 13 систем искусственного интеллекта дадут вам представление

Так что, если системы ИИ следует оценивать по шкале силы, а не рассматривать как одну футуристическую вещь — тогда мы находимся на том же уровне? В масштабе от очень слабой системы ИИ (например, классификация электронной почты) до сильной системы ИИ (Терминатор), на что в настоящее время способна система ИИ?

Следующие 13 систем ИИ должны дать вам представление о том, что в настоящее время (не) возможно.

1. Определение психического здоровья по изображениям в Instagram

Область: медицинские/психологические исследования.

Случай использования. Используйте изображения из аккаунтов людей в Instagram, чтобы определить, находятся ли они (склонны ли) к депрессии. Релевантными характеристиками для модели ML были, среди прочего, цвета на фотографиях (серые, синие и более темные изображения с большей вероятностью публиковали люди с депрессией) и количество людей на фотографии (у здоровых людей, как правило, было больше людей на фотографиях). Обученная модель смогла выявить пациентов, у которых была депрессия, в 70% случаев. Обзор исследований показал, что соответствующее количество врачей, выявляющих людей с депрессией, составляет 42%.[i]

Используемые данные: 43 950 фотографий Instagram 166 человек.

2. Сочинение музыки

Сфера: творчество/искусство/музыка

Пример использования. Люксембургский стартап AIVA создал нейронную сеть, способную самостоятельно сочинять рок-песни или симфонии. AIVA обучила модель, используя произведения Баха, Бетховена и других композиторов (в машиночитаемом формате MIDI), находить общие закономерности и предсказывать следующий тон или аккорд в песне. Симфонии и песни, созданные алгоритмом, имеют сверхчеловеческое качество, и вы не сможете сказать, что они были написаны машиной.[ii]

Используемые данные: произведения и песни ряда композиторов и исполнителей, таких как Моцарт, Бах и Бетховен, сохраненные в формате MIDI.

3. Распознавание лиц шимпанзе

Сфера деятельности: исследования дикой природы.

Пример использования. Ученые из Оксфордского университета создали глубокую нейронную сеть, способную распознавать и отслеживать лица шимпанзе в дикой природе. Это может значительно сократить время, которое исследователи дикой природы тратят на анализ видеозаписей.[iii]

Используемые данные: десять миллионов изображений диких шимпанзе.

4. Диагностика рака молочной железы

Сфера деятельности: медицинские исследования.

Случай использования. Некоторые результаты биопсии молочной железы чрезвычайно сложно интерпретировать для проверки возможного рака (иногда врачи даже не соглашаются со своим предыдущим диагнозом, когда им снова показывают одно и то же изображение).

Исследователи из Калифорнийского университета в Лос-Анджелесе разработали алгоритм для анализа и выявления рака молочной железы с помощью биопсии, который обещает быть более точным, чем диагнозы врачей. [iv]

Используемые данные: 240 изображений биопсии молочной железы.

5. Обнаружение болезней и вредителей бананов

Область: сельское хозяйство

Случай использования. Приложение Tumaini может использовать изображение банана для обнаружения болезней и вредителей бананов. Приложение было разработано для использования фермерами для обнаружения потенциальных угроз их банановым плантациям.[v]

Используемые данные: 20 000 изображений бананов с видимыми признаками болезней или вредителей.

6. Выявление посттравматического стрессового расстройства на основе голосовых записей

Область: медицинские/психологические исследования.

Случай использования. Исследователи из Медицинской школы Нью-Йоркского университета создали алгоритм, способный определять, страдает ли человек посттравматическим стрессовым расстройством (ПТСР), на основе записи его голоса. С точностью 89 % можно отличить людей с посттравматическим стрессовым расстройством от людей без него. [vi]

Используемые данные: часовые интервью со 131 ветераном войны в Ираке и Афганистане (53 человека страдали посттравматическим стрессовым расстройством, 78 — нет).

7. Ранняя диагностика болезни Альцгеймера

Область: медицинские/психологические исследования.

Случай использования. Исследовательская группа создала алгоритм, способный диагностировать болезнь Альцгеймера раньше, чем это было возможно ранее. Алгоритм обнаруживает изменения в метаболизме пациента, которые трудно распознать человеку. Симптомы являются ранними признаками болезни Альцгеймера. [vii]

Используемые данные: 2100 томографических изображений мозга 1002 пациентов.

8. Нарисуйте изображения Флинтстоунов на основе сценариев и описаний

Поле: Искусство

Случай использования. Группа исследователей создала алгоритм, способный создавать изображения Флинтстоунов Флинтстоунов на основе сценариев и описаний. Так, например, он может нарисовать сцену Флинстоунов из описания Фред в красной шапке идет по гостиной. [viii]

Используемые данные: 25 000 видеороликов The Flintstones с описаниями.

9. Определить сексуальную ориентацию по изображению вашего лица

Область: медицинские/психологические исследования.

Случай использования. Исследователи из Стэнфордского университета создали алгоритм, который точнее, чем люди, определяет сексуальную ориентацию человека по изображениям его лица. Основываясь на одной картинке лица, он смог определить, был ли человек геем или гетеросексуалом в 81% случаев для мужчин и 74% для женщин. Это сопоставимо с человеческим суждением с гораздо меньшей точностью: 61% для мужчин и 54% для женщин. [икс]

Используемые данные: 35 326 изображений лиц с сайтов онлайн-знакомств.

10. Распознавание настроения в предложении

Поле: обработка естественного языка.

Случай использования. Специалисты по глубокому обучению из OpenAI создали алгоритм, способный определять тональность слова, фразы или даже предложения. [x] Так, например, он будет классифицировать предложение. Это удивительное развитие как положительное настроение.

Используемые данные: 82 миллиона отзывов на Amazon.

11. Читать мысли

Область: медицинские/психологические исследования.

Случай использования. Исследователи из Колумбийского университета создали алгоритм, способный читать мысли. Изучая сигналы мозга, измеренные с помощью электродов, помещенных непосредственно в мозг пациентов, они смогли создать алгоритм, который переводит эти сигналы в слова. Однако этот эксперимент все еще находится в зачаточном состоянии, и расшифровать удалось только однозначные числа. [xi]

Используемые данные: пять пациентов перенесли открытую операцию на головном мозге.

12. Победа над людьми в (компьютерных) играх

Поле: (компьютерные) игры

Случай использования. Алгоритмы машинного обучения были обучены играть в различные игры и побеждали людей во все более и более сложных играх. Сегодня алгоритмы играют на сверхчеловеческом уровне в следующих настольных/видеоиграх:

- Го (настольная игра) [xii]

- Quake III Арена [xiii]

- Star Craft II[xiv]

- Дота [xv]

Вполне вероятно, что в ближайшем будущем мы увидим гораздо больше ботов с искусственным интеллектом, работающих на сверхчеловеческом уровне в других играх.

Используемые данные: 2100 томографических изображений мозга 1002 пациентов.

13. Показать роботов для выполнения задачи

Область: робототехника

Применение. Исследователи из NVIDIA разработали систему на основе глубокого обучения, которая позволяет роботу выполнять задачу, просто наблюдая за тем, как это делает человек. В конечном итоге это можно использовать для обучения роботов выполнять задачу вместе с людьми, например. в производственном цеху.[xvi]

Используемые данные: 2100 томографических изображений мозга 1002 пациентов.

Машинное обучение как двигатель для создания таких систем ИИ

Что общего у всех следующих вариантов использования, так это то, что они были созданы с использованием методов машинного обучения. Если вы хотите создать систему искусственного интеллекта с машинным обучением, вам нужны данные. В идеале много, чем больше, тем лучше. Чем больше (качественных) данных у нас будет, тем больше и лучше систем ИИ мы сможем создать. Угадайте, что: количество доступных данных растет экспоненциально. Таким образом, мы можем ожидать, что скорость, с которой мы движемся вправо по шкале слабого против сильного, будет выше, чем вы думаете.

Как машинное обучение используется для создания систем ИИ? Почему рост доступных данных происходит экспоненциально? И самое главное: когда здесь будет общий ИИ? Это все вопросы для другой статьи в блоге. Если вам нужны ответы прямо сейчас, ознакомьтесь с The Ultimate Data and AI Guide, где есть ответы на все эти вопросы.

Есть ли у вас другие интересные варианты использования машинного обучения/продукты данных/системы искусственного интеллекта, которые следует добавить в этот список? Я с нетерпением жду ваших мыслей и комментариев в разделе комментариев ниже :)!

Также ознакомьтесь с моим сайтом и другими статьями в блоге здесь https://www.michael-gramlich.com

[i] Рис, А. Г., и Данфорт, К. М. (2017). Фотографии в Instagram показывают прогностические маркеры депрессии. Наука данных EPJ, 6(1), 15.

[ii] АЙВА. (н.д.). Н.т. Получено 01 января 2020 г. с https://www.aiva.ai/i]

[iii] Шофилд, Д., Награни, А., Зиссерман, А., Хаяши, М., Мацузава, Т., Биро, Д., и Карвалью, С. (2019). Распознавание лиц шимпанзе из видео в дикой природе с использованием глубокого обучения. Science Advances, 5(9), eaaw0736.

[iv] Меркан, Э., Мехта, С., Бартлетт, Дж., Шапиро, Л.Г., Уивер, Д.Л., и Элмор, Дж.Г. (2019). Оценка машинного обучения структур патологии молочной железы для автоматизированной дифференциации рака молочной железы и пролиферативных поражений высокого риска. Сеть JAMA открыта, 2(8), e198777–e198777.

[v] Сельварадж, М. Г., Вергара, А., Руис, Х., Сафари, Н., Элаябалан, С., Очимати, В., и Бломм, Г. (2019). Болезни бананов и обнаружение вредителей с помощью ИИ. Методы растений, 15(1), 92

[vi] NYU Langone Health / Медицинская школа Нью-Йоркского университета. (2019, 22 апреля). Искусственный интеллект может диагностировать посттравматическое стрессовое расстройство, анализируя голоса: исследование проверяет потенциальный подход к телемедицине. Научная газета. Получено 15 декабря 2019 г. с сайта www.sciencedaily.com/releases/2019/04/190422082232.htm.

[vii] Радиологическое общество Северной Америки. (2018, 6 ноября). Искусственный интеллект предсказывает болезнь Альцгеймера за годы до постановки диагноза. Научная газета. Получено 15 декабря 2019 г. с сайта www.sciencedaily.com/releases/2018/11/181106104249.htm.

[viii] Гупта, Т., Швенк, Д., Фархади, А., Хойем, Д., и Кембхави, А. (2018). Представьте себе это! сценарии к композициям к видеороликам. В Материалы Европейской конференции по компьютерному зрению (ECCV) (стр. 598–613).

[ix] Ван Ю. и Косински М. (2018). Глубокие нейронные сети точнее людей определяют сексуальную ориентацию по изображениям лица. Журнал личности и социальной психологии, 114(2), 246.

[x] Рэдфорд, А., Йозефович, Р., и Суцкевер, И. (2017). Учимся создавать обзоры и обнаруживать настроения. препринт arXiv arXiv:1704.01444.

[xi] Квач, К. (30 января 2019 г.). Чего-чего?! Система искусственного интеллекта может декодировать сигналы мозга в речь. Регистрhttps://www.theregister.co.uk/2019/01/30/ai_brain_reader/

[xii] Байфорд, С. (2017 г., 25 мая). AlphaGo снова обыграла Кэ Цзе и завершила матч из трех частей. The Verge. Получено 01 января 2020 г. с сайта https://www.theverge.com/2017/5/25/15689462/alphago-ke-jie-game-2-result-google- Deepmind-Китай»

[xiii] Тиммер, Дж. (30 мая 2019 г.). Quake III Arena — последняя игра, в которой ИИ стал лучшим среди людей. ARS Technica. Получено 01 января 2020 г. с сайта https://arstechnica.com/science/2019/05/googles-ai-group-moves-on-from-go-tackles-quake- III-арена/»

[xiv] Команда AlphaStar. (2019, 24 января). AlphaStar: Освоение стратегической игры в реальном времени StarCraft II. Получено 01 января 2020 г. с https://deepmind.com/blog/article/alphastar-mastering-real-time-strategy-game. -старкрафт-ii»

[xv] Винсент, Дж. (25 июня 2018 г.). Боты с искусственным интеллектом тренировались 180 лет в день, чтобы побеждать людей в Dota 2. The Verge. Получено 01.01.2020 с сайта https://www.theverge.com/2018/6/25/17492918/openai-dota-2-bot-ai-five-5v5-matches.

[xvi] Нет данных (2018, 20 мая). Новая технология искусственного интеллекта помогает роботам работать вместе с людьми. Получено 01 января 2020 г. с https://news.developer.nvidia.com/new-ai-technique-helps-robots-work-alongside- люди/