"Наука угасает, когда люди перестают интересоваться ею бескорыстно, ради нее самой, ради основных принципов культуры".
Ортега-и-Гассет Хосе. Восстание масс.
Начало 2018 года показало (в области ИТ), что искусственный интеллект (AI) выдвинулся на передний край инноваций. Будут ли оправданы надежды? Что ж, посмотрим...
AI посвящен целый ряд статей McKensey.
В частности
Artificial intelligence: The time to act is now
Рождение АI может быть отнесено к 1950 году, в котором Алан Тьюринг предложил тест определения человекоподобного поведения машины. Данный тест предназначался для определения способности машины имитировать человеческие когнитивные функции, включая восприятие, рассуждение, обучение и решение проблем.
Дальнейшее развитие компьютерных наук сузило понятие AI, разграничив сферы применения AI. Тем самым началась формироваться "специализация" AI.
Компьютерные науки - это прежде всего науки, а практика требует результатов, подлежащих монетазиии.
В числе монетизируемых результатов AI вначале выделилось ML (Machine Learning - Машинное Обучение), а затем (примерно с 2010 года) - DL (Deep Learning - глубинное обучение).
Машинное обучение (англ. machine learning, ML)
Класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.Различают два типа обучения:
- Обучение по прецедентам, или индуктивное обучение, основано на выявлении эмпирических закономерностей в данных.
- Дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний.
Дедуктивное обучение принято относить к области экспертных систем, поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами.
Глубокое обучение (глубинное обучение; англ. Deep learning)
DL - эта технология реляционных комплексных нейронных сетей, которые обрабатывают информацию с использованием различных архитектур, состоящих из слоев и узлов, которые аппроксимируют функции нейронов в мозге.Конечно, получение результата (решение задачи вывода) требует намного меньше ресурсов, но тем не менее требует затрат мощностей, пропорциональных глубине и сложности нейронной сети. И иногда задержки неприемлемы, например, для автономных автомобилей, для которых решения о наличии препятствий должно приниматься мгновенно.
Наиболее же затратным явления обучение нейронной сети, в связ с чем рассматриваоют возможности самообучения систем AI и возможность передачи результатов обучения от одного AI другому AI.
Сейчас нагрузки нейронных сетей в облачных приложения распределяются следующим образом:
- 95% на тренинг AI.
- 5% на вывод (то есть это уже есть использование, возможно и коммерческое обученной нейронной сети)
В будущем, по мнению экспертов McKensey нагрузки изменяться. Во-первых, нагрузки существенно возрастут в абсолютных значениях, во-вторых, структурно может иметь следующее распределение нагрузок:
- 70-60% на обучение (тренинг AI).
- 30-40% на вывод (использование AI).
Инфографика
Представляю, без изменение, инфографику статьи, характеризующую область AI в различных аспектах и срезах.Технологические стеки
Рыночные доли
Попытка представить на плоскости наиболее прибыльные сегменты с точки зрения коммерческой эксплуатации AI
И, наконец, наиболее неожиданный результат - наибольшая стоимость аккумулируется в двух областях - предоставления услуг AI и поставки вычислительных ресурсов, на которых развертывается AI. Но это все пока...
А также пример с вложениями в AI фирмы Nvidia
Распределение по отраслям решений AI