Вводная часть - характеристика ИИ
Машинное обучение
Пионер искусственного интеллекта Артур Самуэль популяризировал идею машинного обучения в 1959 году, объяснив, как компьютеры могут учиться без программирования.
Это означало бы разработку алгоритма, который когда-нибудь сможет извлекать закономерности из наборов данных и использовать их для автоматического прогнозирования и принятия решений в реальном масштабе времени. Потребовалось много лет для воплощения идеи Самуэля, и сегодня машинное обучение является основной движущей силой развития ИИ.
Машинное обучение использует данные для прогнозирования и выработки рекомендации по достижению поставленных целей. Типы машинного обучения:
- обучение с учителем (supervised learning),
- обучение без учителя (unsupervised learning),
- обучение с подкреплением (reinforcement learning).
При обучении с учителем люди контролируют, настраивают и корректируют системы во время их обучение на данных и во время работы. Контролируемое обучение используется, когда команда обучения знает, как классифицировать входные данные, знает что должен предсказывать алгоритм.
При обучении без учителя данные предоставляются алгоритму без определенных выходных параметров. Например, если исследователь не совсем понимает, что делать с большим набором данных, алгоритм может определять закономерности, классифицировать данные и давать рекомендации без участия человека-руководителя.
При обучении с подкреплением алгоритм учится выполнять задачу, многократно выполняя вычисления, пытаясь достичь поставленной цели.
Глубокое обучение (Deep Learning)
Глубокое обучение - относительно новая ветвь машинного обучения. Программисты используют специальные алгоритмы глубокого обучения вместе с огромным массивом данных - обычно это много терабайт текста, изображений, видео, речи и тому подобного. Часто эти системы обучаются самостоятельно, они могут сортировать неструктурированные данные, будь то текст, аудио или видео. С практической точки зрения появление глубокого обучения означает, что все больше и больше человеческих процессов будет автоматизировано, включая программирование.
Существуют разные типы моделей глубокого обучения. Наиболее распространенные типы включают сверточные нейронные сети, рекуррентные или рекурсивные нейронные сети, нейронные сети-трансформеры, генеративные состязательные сети (GAN).
В бизнесе сверточная нейронная сеть (CNN) обычно используются для распознавания: аномалий в медицинской визуализации, дефектных продуктов на производственной линии, заражения сельскохозяйственных культур.
Рекуррентные нейронные сети (RNN) - это многослойные нейронные сети, которые обычно используются для прогнозов. В бизнесе они используются, когда последовательность данных имеет значение, например, для распознавания речи и языкового перевода. RNN используются в цифровых помощниках для создания подписей к изображениям и создания повествовательных отчетов с использованием структурированных данных.
Генеративные состязательные сети (GAN) - это системы глубокого обучения, состоящие из двух конкурирующих нейронных сетей - генератора и дискриминатора, которые обучаются на одних и тех же данных. Сети конкурируют друг с другом за выполнение задачи, что приводит к оптимизации общей производительности. Сети GAN полезны, когда у исследователей недостаточно данных для обучения алгоритмической модели. Они также используются для создания новых синтетических данных. В частности, они используются дл создания дипфейков (deepfakes), которые могут генерировать неотличимые от реальных источников изображения или видео. Они могут генерировать и изменять голоса, лица и даже жесты.
Трансформер - нейронная сеть, которая изучает, что означают слова, когда они появляются в определенном контексте. Используя «механизм внимания», трансформер смотрит на входную последовательность и на каждом шаге определяет, какие части последовательности важны. На сегодняшний день трансформеры в основном используются при обработке естественного языка или генерации текстов.
Слабый и сильный ИИ (Weak and Strong AI)
Есть два вида ИИ: слабый (или «узкий») и сильный (или «общий»). Слабые системы ИИ принимают решения в рамках решения специализированных и узких задач. Такие ситемы уже используются: антиблокировочная система тормозов автомобиля, фильтрация спама, функции автозаполнения в электронной почте, функции обнаружения мошенничества для операций по кредитной карте.
Общий (сильный) искусственный интеллект (AGI) описывает системы, способные принимать решения за пределами узких специальностей.
Не существует единого стандарта, который проводил бы различие между слабым и сильным ИИ. Это проблема и для исследователей, занимающихся разработкой ИИ, и для менеджеров, которые должны принимать решения в сфере ИИ. В качестве реальных примеров функционирования общего искусственного интеллекта можно упомянуть заявления от том, что ИИ сам научился играть в шахматы, сёги (японская версия шахмат) и го (настольная игра с абстрактной стратегией) - и все это без вмешательства человека.
Корпоративные тенденции (2021)
Расцвет MLOps
По мере развития машинного обучения и появления новых прикладных бизнес-решений разработчики смещают акцент с создания моделей на их эксплуатацию. В программном обеспечении набор передовых практик, известный как DevOps, основан на инструментах автоматизации и снижения сложности рабочих процессах создания и сопровождения приложения, позволяя разработчикам сосредоточиться на функциях, решаемых приложениями. Подобный подход стал использоваться в машинном обучении. В 2020 году одними из самых быстрорастущих проектов GitHub были MLOps, или проекты, связанные с инструментами, инфраструктурой и операциями машинного обучения. В дальнейшем MLOps будет описывать набор передовых практик, сочетающих машинное обучение, традиционный DevOps и инженерию данных.
Машинное обучение без кодирования или с небольшим уровнем кодирования
Машинное обучение находится в процессе перехода. Благодаря тому, что новые платформы позволяют предприятиям использовать создавать мощные системы ИИ не используя навыки и умения программирования, расширяются и сфера применения ИИ, и темпы создания ИИ в различных областях.
Компании могут превратить свои неуправляемые наборы данных в структурированные наборы, на которых они могут обучать ИИ, создавать и развертывать модели, обладая минимальными навыками в программировании.
Примеры.
- Create ML, инструмент Apple, позволяющий пользователям создавать собственные модели, такие как механизмы выработки рекомендаций, системы естественной обработки текста, классификаторы текста.
- AutoML от Google включает в себя классификацию изображений, обнаружение объектов, перевод и всевозможные инструменты распознавания образов.
- MakeML позволяет создать приложение для обнаружения объектов. В частности, приложение имеет функцию слежения за теннисными мячами во время матчей или автоматическое изменение цвета объектов (например, цвета платьев) на изображениях.
- В 2020 году Amazon запустила конструктор мобильных и веб-приложений без кодирования для Amazon Web Services (AWS).
- Microsoft Power Apps - среда разработки приложений с низким уровнем кодирования в Azure.
Анализ содержимого в масштабах веба
Благодаря алгоритмам расширенного обработки естественного языка, и на этой базе сбору и классификации данных стал намного проще интеллектуальный анализ больших неструктурированных наборов.
Специальные алгоритмы, обученные распознавать ключевые слова, могут быстро сортировать, классифицировать и маркировать информацию для обнаружения заданных шаблонов. Например, модель, обученная поиску враждебных высказываний, может обнаруживать злоумышленников в социальных сетях. Другие модели могут использоваться для классификации финансовых преступлений и мошенничества.
Имитация эмпатии и эмоций
ИИ может измерять биомаркеры, которые указывают на эмоциональное состояние человека, например, на возбуждение, грусть или головокружение.
Точно определить человеческие эмоции сложно, но компании с достаточно большим набором данных разрабатывают все более точные модели.
API Amazon Rekognition позволяет определять эмоции с помощью распознавания лиц и внешнего вида.
Replika использует ИИ для оценки голоса и текста и со временем позволяет охарактеризовать пользователя.
AI Affectiva Human Perception анализирует сложные состояния человека с помощью речевой аналитики, компьютерного зрения и глубокого обучения.
Например, автомобилестроение использует технологию Affectiva для определения эмоционального состояния водителя, в частности, сонливость или злость, что в режиме реального времени позволяет вносить предложения по улучшению практики его вождения.
Искусственный эмоциональный интеллект
Исследовательские группы Loving AI и Hansen Technologies обучают машины безусловной любви, активному слушанию и сочувствию. В будущем машины будут убедительно демонстрировать человеческие эмоции, такие как любовь, счастье, страх и печаль.
Возникает вопрос: что такое настоящая эмоция?
Модель психики человека ("теория разума") говорит о способности воспринимать как свои собственные переживания, так и переживания других людей. Долгое время это считалось уникальной чертой человека и некоторых приматов.
Исследователи искусственного интеллекта работают над обучением машин для построения собственных теоретических моделей разума. Эта технология может улучшить существующие приложения ИИ для терапии, такие как WoeBot, чат-бот для клинической терапии.
Создавая машины, способные реагировать с сочувствием и заботой, цифровые помощники, такие как Алекса, будут все больше и больше становиться частью семьи. Эта технология может в конечном итоге применяться в больницах, школах и тюрьмах, обеспечивая роботами эмоциональной поддержки для пациентов, студентов и заключенных. По данным организации здравоохранения Cigna, уровень одиночества в США за последние 50 лет удвоился. Два года назад бывший премьер-министр Великобритании Тереза Мэй создала новую должность в кабинете министров, став первым в мире министром одиночества. В нашем все более взаимосвязанном мире люди жалуются, что чувствуют себя все более изолированными.
Правительства, столкнувшиеся с серьезным кризисом в области психического здоровья, могут обратиться к роботам эмоциональной поддержки для масштабного решения подобных проблем.
Бессерверные вычисления
AWS, Alibaba Cloud, Microsoft Azure, Google Cloud и Baidu Cloud развертывают новые предложения и пакеты для разработчиков и стартапов с целью упростить и сделать более доступным вывод идей на рынок в в области искусственного интеллекта. AWS Lambda позволяет запускать приложения или серверные службы без выделения ресурсов сервера и без необходимости администрирования и управления серверами. Архитектура функций Azure поддерживает множество языков программирования, масштабируется по запросу и взимает плату только за активное время вычислений. Хотя некоторые инженеры опасаются, что такие бессерверные системы в итоге потребуют большого контроля.
ИИ в облаке
Поставщики ИИ, размещаемого в облаке, организуют экосистемы вокруг искусственного интеллекта и конкурируют за облачные ресурсы с тем чтобы стать надежным поставщиком ИИ, размещенного на удаленных серверах.
Корпоративные клиенты, уже развернувшие ИИ с помощью некоторого выбранного ими поставщика, будут по прежнему придерживаться решений этого поставщика. К тому, чем больше данных накапливают системы машинного обучения, тем лучше они становятся. Все это усиливает конкуренцию на рынке решении ИИ.
На Западе лидируют Amazon, Microsoft и Google, за ними следуют такие компании, как Apple, IBM, Salesforce, SAP и Oracle. На азиатских рынках Alibaba и Baidu доминируют в сфере облачных решений искусственного интеллекта. Туда же стремится и производитель телекоммуникационного оборудования и смартфонов Huawei. Это быстрорастущая отрасль с оборотом 250 миллиардов долларов по состоянию на 2020 год.
ИИ на "кромке"
Обработка и принятие решений на основе ИИ, которые размещается не в облаке, а как можно ближе к источнику генерации данных - это метод, известный как «периферийные вычисления».
Интернет вещей и его миллиарды устройств в сочетании с сетями 5G плюс возросшая вычислительная мощность сделали возможным крупномасштабный ИИ, размещаемых на переднем крае.
Обработка данных непосредственно в устройствах-датчиках будет важна для приложений здравоохранения, автомобилестроения и производства, поскольку это делает решения потенциально более быстрыми, а решения более безопасными. Apple потратила 200 миллионов долларов на приобретение Xnor.ai, стартапа в области искусственного интеллекта из Сиэтла, специализирующегося на программном и аппаратном обеспечении для машинного обучения с низким энергопотреблением. Microsoft предлагает комплексный набор инструментов под названием Azure IoT Edge, который позволяет перемещать рабочие нагрузки ИИ на периферию.
Расширенные наборы микросхем ИИ
Современные нейронные сети уже давно требуют огромных вычислительных мощностей, требуют много времени на обучение и полагаются на центры обработки данных и компьютеры, потребляющие сотни киловатт энергии.
Все начинает меняться. Введите в поисковой системе "SoC" или «система на кристалле». Крупные технологические компании, включая Huawei, Apple, Microsoft, Facebook, Alphabet, IBM, Nvidia, Intel и Qualcomm, а также стартапы Graphcore, Mythic, Wave Computing, SambaNova Systems и Cerebras Systems, все работают над новой системной архитектурой и предлагающие электронные схемы, выполняющие функции целого устройства и размещенные на одной электронной схемой. Некоторые из "систем на кристалле" проходят предварительную подготовку.
Короче говоря, это означает, что чипы смогут работать над проектами AI, а это обещает более быструю и безопасную обработку данных. То есть, проекты, которые в противном случае могли бы занять недели, могли быть выполнены за считанные часы.
Cerebras построила микросхему AI с 1,2 триллионом транзисторов, 400000 процессорных ядер, 18 гигабайтами SRAM и межсоединениями (крошечными узлами подключения), которые могут перемещать 100 квадриллионов бит в секунду. Это поразительное количество компонентов и мощности. По состоянию на ноябрь 2020 года собственный AI-чип Amazon AWS Inferentia теперь поддерживает внутренние сервисы Alexa, а не чипы, разработанные Nvidia.
По данным исследовательской компании Tractica, рынок микросхем искусственного интеллекта увеличится в четыре раза до 6,7 млрд долларов в 2022 году с 1,66 млрд долларов в 2018 году. Маркетинг предварительно обученных чипов ускорит коммерциализацию, дальнейшие исследования и разработки.
Но если все производители устройств начнут создавать уникальные протоколы, разработчики могут столкнуться со слишком большим количеством различных фреймворков. Ожидается возможная консолидация, в которой всего несколько компаний - с их системами SoC и языками - будут противостоять друг другу.
Цифровые близнецы
Цифровые двойники - это виртуальные представления реальных сред, продуктов или активов. Могут создаваться для различных целей.
Производители используют цифровых двойников для управления производительностью и эффективностью машин и заводов, в то время как градостроители используют их для моделирования воздействия новых разработок и дорог. Siemens MindSphere поддерживает создание цифровых двойников в ряде отраслей.
Поскольку системы с низким уровнем кодирования или без кодирования становятся все более распространенными, компании будут иметь возможность создавать и развертывать цифровых двойников для моделирования широкого спектра процессов.
Обнаружение фейков
Продемонстрировано, как ИИ можно использовать для составления текста, настолько качественного, что люди не могут сказать, что он написан машиной.
Команда OpenAI представила множество резонов, которые демонстрирует проблематичность идентификации человеком тестов, созданных машиной для разного рода текстов: от массового создания непристойных постов в социальных сетях и фальшивых обзоров до подделки документов мировыми лидерами.
Оказывается, ИИ также можно использовать для определения того, был ли текст сгенерирован машиной, даже если мы, люди, не можем обнаружить подделку. Это связано с тем, что эссе, написанное ИИ, обычно основывается на статистических закономерностях в тексте и не имеет особых языковых вариаций.
Исследователи из лаборатории искусственного интеллекта MIT-IBM Watson и Гарвардского университета разработали программу Giant Language Model Test Room (GLTR), которая ищет слова, которые могут появляться в определенном порядке. Эта технология может использоваться для обнаружения подделок, преднамеренной фальсификации записей, фишинговых кампаний по электронной почте и корпоративного шпионажа.
Обработка естественного языка для критериев ESG (environmental, social, and governance) устойчивого развития
Компании переходят к новым критериям устойчивого развития - экологическим, социальным и корпоративным критериям (ESG). ESG - набор стандартов, которые все чаще используются инвесторами для оценки своих инвестиций с точки зрения долгосрочных перспектив развития корпораций.
Стандарты ESG должны быть строго описаны и количественно определены, но измерение производительности может быть затруднено, поскольку в их формировании задействован ряд нематериальных активов или абстрактных концепций. Обработка естественного языка используется для идентификации, маркировки и сортировки документации из различных источников с целью верификации репутации компании в области ESG.
Интеллектуальное распознавание символов
Постоянной проблемой является обучение машин распознаванию различных способов письменного самовыражения.
Оптическое распознавание символов (OCR) работает в фиксированных, распознаваемых форматах, таких как дорожные знаки и текст из книги. Но часто OCR недостаточно умен, чтобы распознавать разные шрифты, уникальные обозначения или сложные таблицы, например, используемые всего лишь одной компанией.
Исследователи обучают системы ИИ распознавать закономерности, даже если они появляются в необычных местах. Например, система AWS Textract теперь распознает как текст, так и контекст, характерный для той или иной компании или того или иного бизнес-подразделения.
Роботизированная автоматизация процессов
Роботизированная автоматизация процессов (RPA) может автоматизировать определенные задачи и процессы в офисах и позволить сотрудникам тратить время на более важную работу. Это наиболее распространенная технология искусственного интеллекта, применяемая корпоративными компаниями.
Duplex от Google - хороший тому пример; это бот, предназначенный для обычных телефонных звонков. Amazon использует RPA для анализа резюме и определения лучших кандидатов. В банковском деле Blue Prism и Automation Anywhere помогают сотрудникам выполнять повторяющиеся рабочие функции.
В конечном итоге RPA будет применяться все шире и повысит производительность труда.
Массовые системы перевода
В 2020 году Facebook запустил новую языковую модель ИИ с открытым исходным кодом под названием M2M-100, которая может переводить 100 языков.
Лаборатория искусственного интеллекта Facebook обучила модель с использованием 7,5 миллиардов пар предложений, автоматически собранных из Интернета. (Удивительно, но Facebook не использовал свои собственные данные для этого проекта.) Языковая модель FastText идентифицировала язык, а модель обучения без учителя сопоставляла предложения по их значению. Целью - улучшить синхронный языковой перевод.
Прогнозирование сбоев систем и сайтов
Компьютерное зрение может предвидеть и идентифицировать сбои физических объектов. Высокотехнологичные предприятия, производители авиакомпаний и строительные площадки используют системы распознавания изображений для отслеживания проектов и автоматического предупреждения о проблемах. Это достигается путем сравнения данных из реального мира с данными цифрового двойника.
Страхование ответственности выводов ИИ
Кто виноват, когда машины плохо себя ведут?
Когда система машинного обучения в беспилотном автомобиле Uber вышла из строя и убила пешехода в Аризоне, компания, вероятно, не была застрахована в рамках традиционной киберстраховки.
Поскольку компании спешат создавать и внедрять продукты и процессы ИИ, они должны заранее планировать возникающие риски. Например, что произойдет, если машинное обучение сделает компанию уязвимой для злоумышленников, которые вводят в систему поддельные данные обучения? Что, если ИИ медицинской компании неверно интерпретирует данные и не выявляет рак у определенных пациентов?
Проблемы такого рода могут поставить компанию под угрозу судебных исков. Новые модели страхования помогут решить эти проблемы. Андеррайтеры начинают включать ИИ в планы киберстрахования. Специализированные страховые компании, такие как LaPlaya Insurance, теперь предлагают страхование приложений искусственного интеллекта.
Манипулирование системами ИИ для получения конкурентных преимуществ
Amazon, Google и Facebook за последние несколько лет подверглись критике за манипулирование своими поисковыми системами с целью определения приоритета вывода результатов, которые являются более прибыльными для их компаний. Например, Google обвиняли в понижении рейтинга веб-сайтов и продвижении новостей от предпочтительных партнеров. В конце 2019 года исследователи обнаружили, что Amazon оптимизировала свой алгоритм поиска, чтобы повысить узнаваемость собственных брендов Amazon.
Изменения алгоритмов поиска существенно влияют на то, что видят интернет-пользователи, будь то новости, продукты или реклама. Это привело к продолжающимся антимонопольным искам против компаний.
Глобальное стремление финансировать ИИ
Существует глобальная гонка за финансированием исследований ИИ и приобретением стартапов в области ИИ. По данным Национальной ассоциации венчурного капитала, в первом квартале 2020 года 285 американских стартапов в области ИИ привлекли 6,9 миллиарда долларов.
Инвестиции пошли на убыль, поскольку Covid превратился в глобальную пандемию, но технологические гиганты, включая Apple, Google и Microsoft, по-прежнему приобретают компании ИИ, в то время как нетехнические компании поглощают стартапы ИИ: McDonald's приобрела платформу персонализации Dynamic Yield, а Nike - компанию по управлению запасами Celect и управляемая платформа для покупок Invertex.
Торговые площадки алгоритмов
В 2010-х годах крупные технологические компании, стартапы и сообщества разработчиков использовали торговые площадки алгоритмов, чтобы делиться своими работами и продавать их.
В 2018 году Microsoft заплатила 7,5 млрд долларов за покупку популярной платформы разработки GitHub, позволяющей любому размещать и проверять код, сотрудничать с другими разработчиками и создавать всевозможные проекты. У AWS есть собственная торговая площадка, предлагающая модели и алгоритмы для компьютерного зрения, распознавания речи и текста, а в ее базу продавцов входят Intel, CloudSight и многие другие. (Думайте о AWS Marketplace как об Amazon для алгоритмов и моделей.)
Существуют торговые площадки для универсалов, такие как GenesisAI и Algorithmia, где разработчики могут загружать свои приложения и получать оплату за доступ к этип приложениям.
Существуют специализированные торговые площадки для конкретных случаев использования программного кода: Nuance AI Marketplace разработала единый API для подключения своих алгоритмов к радиологам в 6500 медицинских учреждениях. Quantiacs позволяет разработчикам создавать алгоритмические торговые системы, и это сопоставляет их алгоритмы с капиталом институциональных инвесторов. Bonseyes - это европейская торговая площадка для покупки и продажи инструментов искусственного интеллекта.
100-летнее программное обеспечение
Традиционное программное обеспечение имеет короткий и непредсказуемый срок годности по сравнению с другими инструментами разработки. Это приводит к головной боли и дорогостоящим обновлениям, часто вызывающие простои. В результате компании и правительственные учреждения вынуждены поддерживать свои устаревающие системы одновременно пытаясь идти в ногу с развитием технологий.
Библиотеки, форматы данных и протоколы могут быстро устареть, создавая уязвимости в критически важных системах.
С 2015 года Агентство перспективных оборонных исследовательских проектов (DARPA) финансирует исследования, чтобы сделать программное обеспечение жизнеспособным на протяжении более 100 лет. Эти системы будут использовать ИИ для динамической адаптации к изменениям в окружающей среде и ресурсах. Они требуют нового подхода к проектированию с использованием ИИ для обнаружения и визуализации операций приложения, одновременно взаимодействуя с другими системами.
Источник: https://futuretodayinstitute.com/trends/
Комментариев нет:
Отправить комментарий