Почему нужно ценить человеческий мозг
Введение в искусственный интеллект и машинное обучение — часть I
Что вы делали сегодня утром?
Вы можете сказать, что решили, что съесть на завтрак, почистили зубы, написали сообщение своему другу и так далее.
Я хочу, чтобы вы подумали обо всех этих действиях и о том, насколько сложными они могли бы быть, если бы мы не были наделены нашими когнитивными способностями.
Возьмем, к примеру, выбор завтрака. При этом вы впервые смогли рассмотреть множество вариантов, которые у вас были. Например, вы, возможно, рассматривали блины, яйца и бекон, французские тосты или что-то еще. Затем вы рассмотрели плюсы и минусы каждого варианта. Затем, возможно, вы определили приоритеты того, что хотели на завтрак, и пришли к выводу.
Конечно, мы на самом деле не думаем о наших схемах принятия решений изо дня в день, и поэтому сложность того, что мы можем делать так легко, никогда не поражает нас.
Пока мы все еще удивляемся тому, как легко наш мозг обрабатывает сложные вещи, взгляните на это изображение:
Вы, вероятно, прочитали это как 5, 7 и 8.
Однако для компьютера приведенное выше изображение в основном представляет собой просто набор черных и белых пикселей. Он никак не может понять, что это рукописная форма цифр 5, 7 и 8.
В то же время есть вещи, в которых компьютеры справляются лучше нас. Примером этого является его способность анализировать большие объемы данных. Мы могли бы передать ему данные, анализ которых занял бы у нас несколько дней, но он мог бы довольно легко пройти через них.
Здесь мы беремся за руки.
Да, верно. Поздоровайтесь с искусственным интеллектом.
Искусственный интеллект (или ИИ) чаще всего используется в сочетании с другой технической чепухой, такой как «глубокое обучение», «алгоритмы» и, конечно же, машинное обучение.
Из-за всей путаницы, которая его окружает, как никогда важно правильно понять, что такое ИИ, а что нет.
ИИ — чертовски сложная тема, охватывающая так много разных тем. Он также появляется во многих различных областях, таких как маркетинг, здравоохранение и т. д. (как вы увидите ниже), и уже сегодня добился больших успехов в различных отраслях.
Мы генерируем больше данных, чем когда-либо, и нам нужно не отставать. Нам нужен эффективный метод анализа всех этих данных, чтобы лучше понять мир вокруг нас. ИИ может разрабатывать методы и алгоритмы для этого.
И это только начало…
Человеческая цивилизация стоит на пороге перемен. С экспоненциальным ростом таких технологий, как ИИ, мы станем свидетелями революции. Красочное будущее у нас действительно впереди.
В двух словах, ИИ — это совокупность концепций, задач, методов и алгоритмов их решения. По сути, ИИ — это метод заставить системы работать и вести себя так, как это сделал бы человек.
Чтобы упростить ситуацию, мы можем сказать, что компьютер питается от ИИ, когда он выполняет задачи, требующие человеческого интеллекта. Это может включать распознавание изображений, распознавание речи, принятие решений и многие другие задачи.
Благодаря научно-фантастическим фильмам, когда мы слышим термин ИИ, большинство из нас представляет себе бесчувственных гуманоидов и массивных металлических роботов. Однако роботы и гуманоиды НЕ являются ИИ; роботы и гуманоиды — всего лишь контейнер для ИИ. По сути, это как тело для мозга.
Часто, когда мы говорим об ИИ, мы ищем две вещи: автономность и адаптивность.
Автономность — это способность компьютера выполнять задачи в сложных средах без необходимости постоянного руководства со стороны пользователя. Это особенно привлекательный аспект ИИ. Подумайте об этом — автоматизация может помочь в разработке беспилотных автомобилей и т. д. Она также может избавить людей от необходимости выполнять утомительные, повторяющиеся задачи.
Адаптивность лучше всего понять на примере.
Вспомните, как вы впервые пытались научиться кататься на велосипеде.
После того, как вас проинструктировали, как правильно нажимать на педали и следить за неровностями, вы бы начали с ошибок. С большей практикой вы сделали бы меньше ошибок. В конце концов, вам будет достаточно комфортно, чтобы с уверенностью сказать, что вы умеете ездить на велосипеде.
Здесь вы переходите от падения на каждом повороте к уверенной гонке по улицам своего города. Это улучшение происходило по мере того, как вы приобретали больше опыта вождения на велосипеде.
Точно так же способность компьютера повышать производительность за счет обучения на собственном опыте, как показано выше, называется адаптивностью.
Автономность и адаптивность — характерные черты ИИ, которые позволяют ему потенциально изменить мир.
Типы ИИ
С точки зрения его развития и масштаба мы можем разделить ИИ на три этапа:
- Искусственный узкий интеллект (ANI). Обычно называемый слабым ИИ, ANI – это ИИ, который специализируется в одной области. Алгоритм обучения разработан специально для выполнения одной задачи; знания, полученные при этом, не могут быть применены ни в чем другом. Вы не можете ожидать, что ИИ-чемпион по шахматам проанализирует вашу активность на слух и даст вам музыкальные рекомендации, потому что это не то, для чего он был обучен.
- Общий искусственный интеллект (AGI). Широко известный как Strong AI, AGI имеет более широкое применение и обладает возможностями когнитивных вычислений человека. Возьмем, к примеру, машину, которую попросили обработать миллион документов. С его высокой вычислительной мощностью он, вероятно, мог бы сделать это за считанные секунды или минуты. Однако, если бы мы попросили ту же машину пойти на кухню и принести нам еду, она, вероятно, смотрела бы на вас безучастно. ИИ сегодня слаб — сильный ИИ способен выполнять задачи и способности человеческого уровня, чего достичь гораздо сложнее. Прямо сейчас это не существует вне научной фантастики, и это в значительной степени цель.
- Искусственный суперинтеллект (ИСИ). Эта стадия ИИ пугает людей больше всего. Все те посты, которые вы видите, основанные на «Поглощении ИИ» и «Апокалипсисе ИИ», описывают этот этап ИИ. Именно тогда ИИ достигает сверхразума — интеллекта, который значительно превосходит когнитивные способности человека практически во всех областях, представляющих интерес (Ник Бостром, «Суперинтеллект»). На этом этапе машины обретают самосознание и превосходят человеческие возможности. Научная фантастика-антиутопия определенно любит эту идею.
Прочитав о различных этапах ИИ, у вас может возникнуть соблазн узнать больше о текущих приложениях.
Как упоминалось выше, мы на самом деле не преодолели слабый ИИ из-за сложности идеи машины, имитирующей человеческое поведение. Однако мы уже так много делаем с ANI — просто взгляните на несколько примеров ниже:
Пример №1: Системы рекомендаций
Каждый день мы потребляем контент в Интернете, будь то социальные сети, такие как Instagram и Facebook, музыкальные приложения, такие как Spotify, и потоковые сервисы, такие как Netflix и HBO.
Вы, возможно, заметили, что контент, представленный вам в этих системах, кажется персонализированным для вас. Например, вы можете заметить, что получаете больше рекомендаций в отношении хип-хопа, чем больше слушаете такую музыку.
Это основано на информации, собранной в результате вашей активности в приложении.
Первая страница онлайн-версии New York Times и China Daily различается для каждого пользователя в зависимости от его читательской активности. Это волшебство алгоритмов на основе ИИ, которые определяют, какой контент попадет на вашу главную страницу.
Это также включает в себя Predictive Search Engine от Google.
Пример №2: обработка изображений и видео
Всякий раз, когда я открываю приложение «Фотографии», я замечаю, что есть профили людей и автоматически созданные видео, созданные для конкретных людей. Хотя это невероятно полезный способ напомнить мне о моих близких, довольно интересно, как он упорядочивает мои фотографии в соответствии с людьми и автоматически помечает их.
Это еще одно применение ИИ — распознавание изображений и обработка видео.
Распознавание лиц уже все больше используется во многих клиентских, коммерческих и государственных приложениях.
Еще одним интересным применением ИИ является перенос искусства и стиля на основе ИИ (в котором вы можете адаптировать свои личные фотографии к определенному стилю). ИИ можно использовать для создания и изменения визуального контента. Это становится особенно популярным, поскольку люди больше изучают визуальное искусство, созданное искусственным интеллектом.
Пример №3: Персональные голосовые помощники
Alexa, Siri, Cortana, Google Assistant… Этот список можно продолжать, не так ли?
У нас есть виртуальные помощники буквально на кончиках наших пальцев. Они могут помочь нам во многих вещах, от определения погоды до поиска ближайшего игрового автомата, и все это без необходимости набирать ни единого слова.
Они делают это с помощью распознавания голоса и обработки естественного языка. Это позволяет им понимать «естественный язык», используемый людьми.
Пример № 4: Беспилотные автомобили
Алгоритмы машинного обучения используются в беспилотных автомобилях. Это позволяет ему обнаруживать объекты и дает ему возможность принимать решения в зависимости от среды, в которой он находится.
Распространенным модным словечком, которое любят использовать СМИ, является машинное обучение. Было замечено, что машинное обучение часто взаимозаменяемо с ИИ.
Итак, спойлер: ML != AI
Машинное обучение — это подмножество ИИ → оно направлено на то, чтобы передать машине как можно больше данных, чтобы заставить ее учиться. Хотя все машинное обучение относится к сфере ИИ, этого нельзя сказать об обратном. Искусственный интеллект связан с гораздо большим количеством других областей, таких как глубокое обучение, НЛП и т. д.…
По мере увеличения объема генерируемых данных возрастает потребность в разработке более совершенных методов извлечения из них смысла. Такие идеи могут помочь определить тенденции и выявить шаблоны для решения сложных проблем.
Машинное обучение дает машинам возможность автоматически учиться и совершенствоваться на основе опыта без явного программирования для этого.
Так как же заставить машину учиться?
Одно дело хранить много данных на компьютере, а другое — извлекать из них полезную информацию.
Есть три способа сделать это:
Контролируемое обучение
При обучении с учителем мы передаем машине МАРКИРОВОЧНЫЕ данные.
Допустим, мы хотим обучить модель правильно идентифицировать и различать панд и коал. Точно так же, как малыш учит названия предметов по книжке с картинками, мы скармливаем машине множество изображений панд и коал. Имейте в виду, что машина не была обучена, поэтому она выдаст случайное предположение.
Догадка машины проверяется или опровергается, глядя на этикетки. Основная цель машины, очевидно, состоит в том, чтобы правильно ее угадать, и поэтому она немного меняет свою модель принятия решений. Когда машина просматривает тысячи изображений, ее модель принятия решений уточняется и основывается на закономерностях, которые она видит между коалами и пандами.
После того, как машина «обучена», она готова принять вызовы реального мира; Скормите ему фотографии панд, которых вы видели во время вашей последней китайской экспедиции, и с удовлетворением наблюдайте, как машина угадывает это правильно.
За исключением того, что машина, сортирующая изображения коал и панд, имеет очень мало отношения к реальному миру. Я имею в виду, конечно, забавно наблюдать, как машина проходит через них, но какие проблемы может реально решить контролируемое обучение?
Обучение под наблюдением решает проблемы регрессии и классификации.
В регрессии основная цель состоит в том, чтобы прогнозировать или прогнозировать. Устанавливая взаимосвязь между переменными, он вписывается в ваши данные и пытается предсказать результат.
Выход здесь обычно представляет собой непрерывную величину, т. е. может принимать любое значение. Он не ограничен определенными категориями.
Это используется для прогнозирования цены дома с учетом его характеристик, прогнозирования курса золота, прогнозирования погоды и т. д.
С другой стороны, классификация больше сосредоточена на вычислении категории данных. Результатом здесь будет более категоричная величина — как это было видно в примере выше.
Например, предположим, вы хотите узнать свои шансы на поступление в колледж своей мечты на основе результатов SAT и вашего класса. Для этого вы можете составить график, который связывает баллы SAT и ранги класса с принятием.
Вы можете заметить границу между принятием и отклонением на основе этих двух переменных.
Исходя из этого, вы можете классифицировать себя на основе ранга в классе и баллов SAT, которые вы получили, как принятых или отклоненных.
Однако, если бы задача заключалась в том, чтобы заполнить пробелы в данных или предсказать влияние результатов SAT на общие показатели приемки, проблема была бы проблемой регрессии.
Алгоритмы — это последовательность шагов или набор правил, используемых для выявления шаблонов на основе данных. По сути, он определяет логику модели ML, отображая решения, которые должна принимать модель.
Существует много типов алгоритмов, и они используются в различном контексте в зависимости от необходимости.
Некоторые распространенные алгоритмы, используемые в обучении с учителем, включают линейную регрессию, случайный лес, дерево решений и т. д.
Неконтролируемое обучение
Неконтролируемое обучение — это то, что происходит, когда есть данные, но нет меток. Машина находит базовые закономерности и находит структуру в данных.
В этом случае машина не совсем понимает данные, которые она просматривает; все, что он делает, это находит закономерности и отношения. Он классифицирует данные на основе этого. Это похоже на то, как люди вычисляли созвездия до того, как узнали о звездах.
Распространенным примером обучения без учителя являются разделы новостей. Новости Google классифицируют статьи об одной и той же истории из разных источников. Новости не были помечены как определенный тип, но алгоритм находит различные закономерности и группирует их вместе.
Неконтролируемое обучение решает проблемы кластеризации. Кластеризация — это, по сути, классификация, но с неразмеченными данными.
Как вы могли догадаться, основная цель кластеризации — найти шаблоны для формирования «кластеров» или групп похожих элементов. Например, ваше устройство может сортировать изображения людей, несмотря на то, что вы не назвали каждого из них.
Некоторые алгоритмы, используемые в неконтролируемом обучении, включают кластеризацию K-средних, анализ основных и независимых компонентов и т. д.
Обучение с подкреплением
Обучение с подкреплением меняет ситуацию — агент учится не на заранее определенных данных, как это было в двух приведенных выше примерах, а на опыте, который он получает от взаимодействия с окружающей средой.
Это буквально то, как люди учатся. Возьмем, к примеру, малыша, увлеченного огнем. Его треск, яркие угли и то, как он танцует и качается на ветру, заманивают их в свои теплые объятия. Когда они протягивают свою неопытную руку, чтобы коснуться его… Ой! Это больно! Прикосновение к огню не так хорошо, как они предполагали; лучше избегать этого в следующий раз, решают они.
Точно так же агент получает как положительную, так и отрицательную обратную связь от своих взаимодействий. Основная цель агента — максимизировать вознаграждение и минимизировать наказание. При этом он использует метод проб и ошибок.
Решения в обучении с подкреплением принимаются последовательно. Это означает, что выход зависит от состояния текущего входа. Если бы он совершил желаемое действие, он получил бы положительную обратную связь и имел бы положительную корреляцию с тем же. При этом агент наказывается, если это было нежелательно. Это, в свою очередь, определяет их следующий шаг.
Самый большой пример обучения с подкреплением — это автоматизированные транспортные средства. Кроме того, обучение с подкреплением также использовалось для достижения сверхчеловеческой производительности во многих играх, таких как го и шахматы.
Фактически, AlphaGo, разработанная Google DeepMind, смогла победить в игре чемпиона мира по го Ли Соделя.
Некоторые популярные алгоритмы, используемые в обучении с подкреплением, включают Q-Learning, SARSA и т. д.…
Захватывающей областью машинного обучения является глубокое обучение. Глубокое обучение использует «нейронные сети». По сути, они моделируют мозг и используют его структуру как источник вдохновения.
Меня всегда восхищала работа нейронных сетей, и я начал свое путешествие в области ИИ с создания очень простой нейронной сети, которая классифицировала написанные от руки цифры в числа, которые они представляют.
Мы углубимся в нейронные сети (+ как вы можете создать свои собственные) в следующих двух статьях. А пока есть пища для размышлений:
«Все, что может привести к развитию более умного, чем человеческий интеллект, — в форме искусственного интеллекта, интерфейсов мозг-компьютер или улучшения человеческого интеллекта на основе нейронауки — бесспорно выигрывает, поскольку делает больше всего для изменения мира. Ничто другое не находится даже в той же лиге». — Элиэзер Юдковски
Привет 👋, я Рания, 16-летняя активистка Общества знаний. Я будущий исследователь продуктов питания, который занимается бесклеточным сельским хозяйством. В настоящее время я помешан на использовании искусственного интеллекта в образовании. Я всегда готов учиться, расти и вдохновлять. Я хотел бы подключиться; свяжитесь со мной в любой из моих социальных сетей и давайте дружить!
