Семь столпов, на которых стоит искусственный интеллект: секс, наркотики и бигдата

Сейчас все носятся с ИИ, как кот с дохлой крысой, считая его чем-то новым и прорывным. Но важно понимать, что это изобретение далеко не хипстеров из Кремниевой долины. Набору технологий, называемых "искусственным интеллектом" уже под 70 лет.

Сегодня мы заглянем под юбку AI и разберемся в его технологических корнях: основных разделах и направлениях.

1. Машинное обучение (МО): от алгоритмов к обучению на данных (1950-е годы)

Машинное обучение – это раздел ИИ, занимающийся разработкой алгоритмов, позволяющих компьютерам обучаться на данных без явного программирования каждого шага.

Вместо того чтобы писать детальные инструкции для каждой ситуации, мы даём машине данные и алгоритм, с помощью которого она сама выявляет закономерности и строит модель, способную делать прогнозы или принимать решения.

Принципы работы:

Сбор данных: Создание набора данных, содержащего примеры входных данных и соответствующих им выходных данных (меток). Например, для задачи распознавания спама входными данными будут тексты писем, а метками – информация о том, является ли письмо спамом.
Выбор модели: Выбор алгоритма МО, который будет анализировать данные и строить модель. Существует множество алгоритмов, каждый со своими сильными и слабыми сторонами. Выбор зависит от задачи, типа данных и других факторов.
Обучение модели: Процесс настройки параметров модели на основе обучающих данных. Цель – найти такие значения параметров, при которых модель будет давать наиболее точные прогнозы на новых данных.
Оценка модели: После обучения модель тестируется на данных, которые не использовались для обучения. Это позволяет оценить, насколько хорошо модель обобщает знания и насколько точно будет работать на практике.

Пример: система МО, прогнозирующая цены на недвижимость. Она обучается на данных о продажах домов (площадь, количество комнат, район, цена). После обучения система может предсказывать цену нового дома на основе его характеристик.

Первые программы:

Программа для игры в шашки Артура Самуэля (1952): Эта программа обучалась играть в шашки, анализируя собственные партии и совершенствуя свою стратегию. Она стала одним из первых примеров самообучающейся программы.
Перцептрон (1957): Помимо распознавания образов, перцептрон стал важным шагом в развитии МО, продемонстрировав способность машин обучаться на данных.

2. Обработка естественного языка (NLP): учим машины понимать и говорить (1950-е годы)

Обработка естественного языка – это область ИИ, занимающаяся разработкой алгоритмов и методов, позволяющих компьютерам понимать, интерпретировать и генерировать человеческий язык.

Принципы работы:

Анализ текста: Разбиение текста на слова и предложения (токенизация), определение грамматических структур (синтаксический анализ), выделение ключевых слов и фраз. Ранние системы NLP опирались на правила грамматики и словари, но с развитием МО стали использоваться статистические методы и нейронные сети.
Извлечение смысла: Определение смысла слов и предложений (семантический анализ), выявление отношений между ними, понимание контекста. Это одна из самых сложных задач NLP, так как человеческий язык многозначен и зависит от контекста.
Генерация текста: Создание текста на естественном языке на основе извлечённого смысла. Это может быть перевод текста, написание резюме, генерация ответов на вопросы и т.д.

Пример: система машинного перевода. Она анализирует текст на одном языке, извлекает его смысл и генерирует текст на другом языке, сохраняя смысл оригинала.

Первые программы:

Georgetown-IBM experiment (1954): Эксперимент, в ходе которого был осуществлён автоматический перевод более 60 русских предложений на английский язык. Это был важный шаг в развитии машинного перевода.
STUDENT (1964): Разработанная Даниэлом Боброу, программа STUDENT решала текстовые задачи по алгебре для школьников. Она демонстрировала способность машин понимать и обрабатывать естественный язык в контексте решения задач.
ELIZA (1966): Созданная Джозефом Вайзенбаумом, ELIZA стала одним из первых чат-ботов, способных вести диалог с человеком на естественном языке. Хотя ELIZA имитировала понимание, используя простые шаблоны, она показала потенциал NLP для создания диалоговых систем.

3. Экспертные системы: знания экспертов в цифровой оболочке (1960-е годы)

Экспертные системы – это компьютерные системы, имитирующие процесс принятия решений экспертом в конкретной области, используя базу знаний и механизм вывода.

Экспертные системы – это попытка формализовать знания экспертов в виде правил "если-то" и сохранить их в базе знаний. ИИ "рассуждает", применяя эти правила к входным данным, имитируя процесс принятия решений экспертом.

Принципы работы:

База знаний: Содержит факты и правила, представленные в символьной форме. Например, в медицинской экспертной системе база знаний может содержать информацию о симптомах, болезнях и методах лечения.
Механизм вывода: Анализирует входные данные (например, симптомы пациента) и использует правила из базы знаний для получения новых выводов (например, диагноза). Механизм вывода может использовать разные методы логического вывода, например, дедукцию, индукцию или абдукцию.
Интерфейс пользователя: Позволяет пользователю вводить данные и получать результаты работы системы. Интерфейс может быть текстовым или графическим.

Пример: Экспертная система для диагностики автомобилей. В базе знаний хранятся правила типа "Если двигатель не заводится и аккумулятор разряжен, то проблема в аккумуляторе". Пользователь вводит симптомы ("двигатель не заводится", "фары не горят"), а система, применяя правила, выдаёт диагноз ("разряжен аккумулятор").

Первые программы:

Dendral (1965): Разработанная Эдвардом Фейгенбаумом и Джошуа Ледербергом в Стэнфордском университете, Dendral анализировала данные масс-спектрометрии для определения молекулярной структуры органических соединений. Она стала одной из первых успешных экспертных систем, используемых в научных исследованиях.
MYCIN (1970-е): Разработанная в Стэнфорде, MYCIN предназначалась для диагностики бактериальных инфекций крови и рекомендации антибиотиков. Она демонстрировала способность экспертных систем работать с неопределённостью и неполной информацией.

4. Компьютерное зрение: учим машины видеть (1960-е годы)

Компьютерное зрение – это область ИИ, занимающаяся разработкой алгоритмов и методов, позволяющих компьютерам "видеть" и интерпретировать изображения и видео.

Цель компьютерного зрения – научить машины "видеть" мир так, как его видим мы, извлекая информацию из изображений и видео.

Принципы работы:

Обработка изображения: Преобразование изображения в цифровой формат, улучшение качества изображения (например, устранение шумов, повышение контрастности), выделение важных элементов (например, краёв, углов, текстур).
Распознавание объектов: Идентификация объектов на изображении (например, людей, автомобилей, зданий). Для этого используются разные методы, например, сопоставление с шаблонами, анализ геометрических признаков, использование нейронных сетей.
Анализ сцены: Понимание содержания изображения (например, что происходит на изображении, где находятся объекты, как они взаимодействуют). Это самый сложный этап компьютерного зрения, который требует интеграции информации от разных модулей системы.

Пример: Система распознавания лиц. Она анализирует изображение, выделяет лица и сравнивает их с базой данных известных лиц для идентификации.

Первые программы:

Программа Ларри Робертса для распознавания трёхмерных объектов (1963): Эта программа анализировала изображения и строила трёхмерные модели объектов. Она стала важным шагом в развитии трёхмерного компьютерного зрения.
Программа для игры в пинг-понг (1968): Разработанная в MIT, эта программа управляла роботом, который играл в пинг-понг с человеком. Она демонстрировала способность компьютеров воспринимать движущиеся объекты и реагировать на них в режиме реального времени.

5. Эволюционные алгоритмы: естественный отбор в мире алгоритмов (1960-е годы)

Эволюционные алгоритмы – это класс алгоритмов оптимизации и поиска решений, вдохновлённых принципами естественного отбора и эволюции.

Эволюционные алгоритмы имитируют процесс естественного отбора в мире алгоритмов. "Особи" – это возможные решения задачи, а "приспособленность" – насколько хорошо они решают эту задачу. Алгоритм "отбирает" лучшие решения и "скрещивает" их, чтобы получить ещё лучшие.

Принципы работы:

Создание популяции: Генерируется начальная популяция "особей" (возможных решений) со случайными параметрами. Например, для задачи проектирования антенны каждая "особь" может представлять собой набор параметров, описывающих форму и размеры антенны.
Оценка приспособленности: Каждая "особь" оценивается по тому, насколько хорошо она решает задачу. Например, для антенны приспособленность может оцениваться по силе принимаемого сигнала.
Селекция: "Особи" с лучшей приспособленностью выбираются для "размножения". Существуют разные методы селекции, например, турнирная селекция, рулеточная селекция и т.д.
Кроссовер и мутация: Новые "особи" создаются путём комбинирования "генов" (параметров) родителей (кроссовер) и случайного изменения некоторых "генов" (мутация). Кроссовер позволяет объединять удачные решения от разных "особей", а мутация – исследовать новые области пространства решений.
Повторение цикла: Процесс повторяется до тех пор, пока не будет найдено удовлетворительное решение или не будет достигнуто заданное число итераций.

Пример: Эволюционный алгоритм, проектирующий антенну. Каждая "особь" представляет собой вариант конструкции антенны. Приспособленность оценивается по тому, насколько хорошо антенна улавливает сигнал. В процессе эволюции алгоритм создаёт всё более эффективные конструкции антенн.

Первые программы:

Эволюционные стратегии Инго Рехенберга (1960-е): Использовались для оптимизации формы крыльев самолётов. Это был один из первых примеров применения эволюционных алгоритмов для решения практических задач.
Генетические алгоритмы Джона Холланда (1970-е): Моделировали процесс естественного отбора для решения оптимизационных задач. Они стали одним из самых популярных типов эволюционных алгоритмов.

6. Робототехника: от механических рук к разумным машинам (1950-е годы)

Робототехника – это область ИИ, занимающаяся разработкой и созданием роботов – физических машин, способных воспринимать окружающую среду, планировать действия и взаимодействовать с миром.

Принципы работы:

Сенсоры: Роботы используют сенсоры (камеры, датчики прикосновения, датчики расстояния, и т.д.) для получения информации об окружающей среде. Сенсоры преобразуют физические величины (свет, звук, давление, и т.д.) в электрические сигналы, которые могут быть обработаны ИИ.
Планирование: ИИ планирует действия робота на основе данных от сенсоров и заданной цели. Планирование может быть локальным (например, избегание препятствий) или глобальным (например, построение маршрута до цели).
Управление: ИИ управляет двигателями и другими исполнительными механизмами робота для выполнения запланированных действий. Управление может быть прямым (например, задание скорости вращения колёс) или косвенным (например, задание траектории движения).

Пример: Робот-пылесос. Он использует сенсоры для обнаружения препятствий и границ помещения. ИИ планирует маршрут уборки, избегая столкновений. Робот перемещается по помещению, собирая пыль и мусор.

Первые программы:

"Черепашки" Уолтера Грея (1950): Простые роботы, демонстрирующие фототаксис и другие формы поведения. Они стали одними из первых роботов, управляемых электроникой.
Unimate (1961): Первый промышленный робот, использованный на заводе General Motors. Он выполнял простые повторяющиеся действия, такие как сварка и покраска.
Shakey (конец 1960-х): Разработанный в Стэнфордском исследовательском институте, Shakey был мобильным роботом, способным воспринимать окружающую среду, планировать действия и выполнять простые задания. Он стал важной вехой в развитии робототехники.

7. Искусственные нейронные сети (ИНС): от имитации мозга к распознаванию образов (1940-е годы)

Искусственные нейронные сети – это вычислительные системы, архитектура которых вдохновлена структурой и принципами работы биологического мозга. Они состоят из множества взаимосвязанных простых вычислительных элементов, называемых нейронами.

Сейчас это просто пресловутые "нейросети". Принципы их работы настолько сложны, что тут не просто без бутылки - без ящика не разберешь. Поэтому подписывайтесь на телеграм-канал!

В следующих выпусках мы выясним, как эти "допотопные" технологии уделали всех в гонке прогресса и почему сейчас в мире ИИ творится такая жесть, что даже кошка создателя первой нейросети, стала бы задавать экзистенциальные вопросы.