Прошло больше полугода с тех пор, как я опубликовал статью Разрушители легенд: 7 распространенных мифов об ИИ. В своем стремлении демистифицировать ИИ я провел много семинаров и бесед, на которых я столкнулся с большим энтузиазмом по поводу этой темы, но также с многочисленными заблуждениями. В этом посте я собрал и развенчал семь наиболее часто встречающихся мифов.

Миф # 8: ИИ предназначен только для технической элиты

Читая об искусственном интеллекте и о том, почему он еще не получил широкого распространения среди мейнстрима, авторы упоминают об отсутствии высококачественных данных, подходящей инфраструктуры и талантов. Распространено мнение, что лишь горстка экспертов по всему миру участвует в современных исследованиях и внедрении ИИ, поэтому ваши шансы нанять одного из этих немногих невелики.

Тот, кто позволяет этому заявлению обескуражить их, недооценивает текущую динамику поля. Как уже говорилось в одном из наших бывших Разрушителей легенд, открытый исходный код играет центральную роль в ИИ: авторы часто публикуют кодовую основу своих передовых исследований на GitHub, прежде чем представить актуальная статья на конференции. Это позволяет любому, кому комфортно копаться в коде, пользоваться и развиваться после месяцев интенсивных исследований. Но также существует решающее различие между прикладным ИИ и исследовательскими усилиями, в которых последнее сосредоточено на том, чтобы выжать последние проценты производительности, например, на общественной задаче (например, уменьшении ошибки классификации с 3,6 до 3,1%), при этом мало заботится о масштабируемости или реальном влиянии. Принимая во внимание практичность и энтузиазм в реализации, вы можете интегрировать последние изобретения в области ИИ в приложение, используя коммерческие API-интерфейсы, предлагаемые различными компаниями. Чтобы еще больше отточить свои навыки, существует множество онлайн-курсов, которые помогают демократизировать сферу ИИ. Fast.ai, например, предлагает оболочку более высокого уровня, которая проста в использовании для любого разработчика и уже интегрирует текущие передовые практики глубокого обучения.

Урок здесь: ИИ предназначен не только для технической элиты! Вам не обязательно иметь докторскую степень. создавать ценность с помощью ИИ, поскольку вы можете использовать все доступные материалы с открытым исходным кодом.

Миф no 9: искусственный интеллект делает людей устаревшими

Одним из распространенных негативных настроений по отношению к ИИ является идея о том, что машины превращаются в индивидуальную замену людей, что делает нас устаревшими. Этот страх подразумевает, что искусственный интеллект очень скоро станет похож на человеческий. Однако, помимо очевидных биологических различий, искусственный и человеческий интеллект принципиально различаются по своим масштабам и возможностям.

Сегодняшние системы искусственного интеллекта очень хороши в масштабировании своего текущего интеллекта за пределы границ отдельного подразделения, что никогда не может сделать ни один человек, но они изо всех сил пытаются рассуждать о неизвестном или при выполнении задачи по передаче знаний. Эта ситуация заставляет нас думать, что революция искусственного интеллекта в конечном итоге окажет такое же положительное влияние, как и промышленная революция: тогда мы переходили от физической работы к познавательной, а теперь человеческий труд перейдет от повторяющихся к сложным когнитивным задачам. Мы не можем избежать того факта, что изменится большинство профессий, и это напрямую повлияет на людей. Однако я искренне верю, что в долгосрочной перспективе ИИ будет использоваться для увеличения, а не для замены человеческого интеллекта. Мы считаем, что в краткосрочной перспективе директивным органам необходимо будет поддержать уволенные рабочие места и структурно подготовить нас к новой эпохе искусственного интеллекта.

Хорошая новость: приобретение новых навыков никогда не было таким простым благодаря появлению массовых открытых онлайн-курсов (МООК), дальнейшему демократизации обучения. Не стесняйтесь проверить наши прошлые сообщения в блоге о том, как ИИ станет вашим лучшим другом в будущем и как ИИ может сформировать будущее образования.

Миф № 10: ИИ не может быть творческим

Креативность часто рассматривается как исключительно человеческая привилегия, которой машина никогда не может претендовать на себя.

В ИИ это справедливо для многих систем контролируемого обучения, где модель используется для прогнозирования результата на основе входных данных, например, для классификации изображения. Мы также знаем, что современные системы искусственного интеллекта черпают свои знания из данных обучения и / или опыта работы с окружающей средой - так как же это может быть творческим?

Не распространяя это на более философский вопрос, можно утверждать, что, как люди, мы черпаем свои творческие идеи из сочетания различных источников вдохновения. Некоторые генеративные модели сегодня следуют схожей логике даже при выполнении определенной задачи.

Например, исследователи создали такие системы, как DeepBach, создающие новые композиции в стиле Баха, или движки типа AIVA, которые создают оригинальные эмоциональные саундтреки. Такие методы, как Генеративные состязательные сети (GAN), используются для представления гиперреалистичных лиц или создания новых изображений уличных сцен для автономного вождения. Alpha Go шокировала мир го своим 37-м ходом, включающим в себя стратегию, которой раньше не придерживался ни один человек. И, наконец, Deep Dream от Google способствовал развитию рынка искусства, созданного с помощью алгоритмов. Deep Dream Generator предлагает инструменты для игры и создания собственных произведений искусства.

Итак, когда мы применяем определение творчества как «феномен, в котором формируется что-то новое и ценное», даже наши нынешние формы ИИ начинают вносить свой вклад.

Миф 11: модели ИИ предвзяты

Во-первых, мы должны помнить о различии между ИИ и машинным обучением из наших предыдущих постов. Если мы посмотрим на систему искусственного интеллекта без машинного обучения или экспертную систему, она создана человеком, который пытается научить программу действовать на основе правил. Если не контролировать качество, эти субъективные правила потенциально могут быть предвзяты в сторону мышления создателя.

При переходе на ОД в СМИ было много случаев предвзятых систем, например, предпочтение белых людей при условно-досрочном освобождении или демонстрация общих гендерных стереотипов в переводе. Однако мы должны понимать, что смещение вносит не модель или ее архитектура, а данные, на которых она была обучена. Современные модели предназначены для усвоения открываемых ими концепций, включая все их недостатки. После обучения и оценки на несовершенных данных, созданных предвзятыми людьми, у них появляется стимул копировать эти предубеждения.

К счастью, есть много усилий, чтобы изменить это, от исключения личных данных в первую очередь до выявления предубеждений и противодействия им. В декабре 2018 года Google представил перевод с учетом гендерной специфики, и мы очень рады, что в будущем появятся новые.

Миф № 12: модели искусственного интеллекта знают причинно-следственную связь

Из статистики мы знаем, что корреляция, то есть два события, происходящие вместе, не подразумевает причинной связи. Байесовские сети, впервые предложенные Жемчужиной Иудеи в 1985 году, определяют существенную основу для рассмотрения причинно-следственных связей и были введены в качестве альтернативы общепринятой в то время экспертной системе. Причинные диаграммы составляют основу таких сетей, кодируя влияния различных событий друг на друга как условные вероятности. Это позволяет нам понять, что произойдет, если мы выполним вмешательство (например, установим продажную цену), то есть построим модель, которая фактически описывает причинно-следственные связи в данных.

Та же Жемчужина Иудеи описала текущие достижения в области глубокого обучения как просто подгонку кривой, подчеркнув их недостатки в незнании причинно-следственной связи. Фактически, простое контролируемое обучение, как мы его используем сегодня, заключается в поиске сложных закономерностей или корреляций, подборе функции, которая наилучшим образом представляет данные. Хотя этот подход подходит для многих задач, он достигает своих ограничений при разработке моделей, основанных на взаимодействии, например для динамического ценообразования. Здесь причинный вывод служит основой для структурирования и понимания проблемы. В рамках этой структуры мы снова можем полагаться на глубокое обучение как на мощный инструмент построения кривой, приближающий всю систему к моделированию причинно-следственной связи. Если вы хотите глубже погрузиться в математику, я очень рекомендую этот пост Ференца Хусара.

Миф 13: искусственный интеллект для промышленности похож на академию

Для многих компаний ответ на превращение своего бизнеса в организацию, в большей степени ориентированную на искусственный интеллект, очевиден: просто наймите потрясающих людей, которые занимаются исследованиями. Однако требования к исследованиям часто сильно отличаются от требований, необходимых для выпуска успешного приложения ИИ. Пытаясь включить результаты научных исследований в промышленность, мы сталкиваемся с новыми коммерческими проблемами и дополнительными техническими проблемами. В этом сегменте я хочу сосредоточиться на разительных различиях в рабочих процессах восприимчивого машинного обучения.

В академических кругах часто начинают с фиксированного набора данных и настраивают модель для достижения еще большей производительности по согласованной метрике (например, выдвигая топ-5 точности в ImageNet, известном наборе данных изображений). В промышленности это работает наоборот: в большинстве случаев вы знаете критерии производительности, которые необходимо выполнить, чтобы запустить приложение в производство, которые более разнообразны, чем в академических кругах (например, включая скорость и объяснимость). Модель вариативна, но рекомендуется начать с проекта с открытым исходным кодом, подходящего для вашей проблемы. Однако самый большой рычаг, который у вас есть, - это данные обучения. Анализ того, где ваша модель все еще допускает ошибки, и сбор дополнительных данных в этой области - центральный компонент вашей работы.

Я очень рекомендую доклад Андрея Карпати о стеке программного обеспечения 2.0 и сообщение в блоге Расмуса Роте о коммерциализации исследований машинного обучения.

Миф # 14: приложения AI - это все о коде машинного обучения

Многие недавние успехи, связанные с машинным обучением, еще больше усилили ажиотаж вокруг ИИ, однако мощные быстрые результаты, которых можно достичь с помощью набора инструментов машинного обучения, часто зависят от многих других рабочих компонентов.

Сам код машинного обучения часто представляет собой крошечный кусочек головоломки приложения, встроенный в окружающую инфраструктуру и программное обеспечение. Перед тем, как перейти к модели машинного обучения, входные данные должны быть измерены или обнаружены, агрегированы и предварительно обработаны. Выходы модели необходимо контролировать, комбинировать с другими сигналами и, наконец, принимать меры. Параллельно мы должны гарантировать правильное выполнение процессов, включая оптимальное использование доступного оборудования.

Огромные текущие расходы на обслуживание реальных систем машинного обучения очень хорошо описаны в статье Google об их скрытом техническом долге. Это включает в себя отсутствующую модульность обученных моделей машинного обучения, сильную зависимость от обучающих данных, потребность в циклах обратной связи и мониторинге и, наконец, проблему постоянно меняющегося внешнего мира. В недавнем сообщении в блоге мы показали, насколько разнообразен набор инструментов для глубокого обучения, и что архитектура модели - это всего лишь один шаг в жизненном цикле.

Заключение

Поскольку ИИ становится все более публичной темой, я уверен, что заблуждения, подобные приведенным выше, будут продолжать появляться, сохраняя искаженное представление об этой технологии. Я надеюсь, что этот пост помог вам получить дополнительное представление об этой области и прояснил, что ИИ - это не магия, а прикладная математика с четкими ограничениями. Мы не должны ни парализовать себя страхом, что ИИ захватит мир в целом, ни разочаровываться в ограничениях современных современных систем.

Мой бывший профессор из Стэнфорда Эндрю Нг придумал фразу ИИ - это новое электричество, предполагая, что ИИ окажет такое же преобразующее влияние на все стороны нашей жизни, как когда-то электричество. Эта идея оставляет только один разумный образ действий: мы должны изучить ИИ и понять, как мы можем использовать его для решения наших проблем, если мы не хотим отставать.