exam18 5 2021
Реферат к лекции 18 "Аналитические и экспертные системы" ✋
Термин «искусственный интеллект» представляет множество дисциплин в области программного обеспечения, логики, вычислений и философии, цель которых — создание компьютеров, способных выполнять функции, ранее свойственные только человеку. В качестве примера таких функций можно назвать восприятие значения написанного или произнесенного, обучение, распознавание мимики и так далее. Направление развития искусственного интеллекта имеет долгую историю. Такие ранние технологические прорывы, как оптическое распознавание символов, теперь являются обыденным явлением.
Термин «искусственный интеллект» появился в 1956 году, но настоящей популярности технология ИИ достигла лишь сегодня на фоне увеличения объемов данных, усовершенствования алгоритмов, оптимизации вычислительных мощностей и средств хранения данных. Первые исследования в области ИИ, стартовавшие в 50-х годах прошлого века, были направлены на решение проблем и разработку систем символьных вычислений. В 60-х годах это направление привлекло интерес Министерства обороны США: американские военные начали обучать компьютеры имитировать мыслительную деятельность человека. Например, Управление перспективных исследовательских проектов Министерства обороны США (DARPA) выполнило в 70-х годах ряд проектов по созданию виртуальных уличных карт. И специалистам DARPA удалось создать интеллектуальных личных помощников в 2003 году, задолго до того, как появились Siri, Alexa и Cortana
Искусственный интеллект вызывает к себе живой интерес со стороны многих представителей бизнеса, науки и правительства. Обладание машинами, успешно выполняющими задачи, предназначенные для человеческого разума, весьма привлекательно с экономической точки зрения. Эффективная система с искусственным интеллектом способна "думать" быстрее и обрабатывать больше информации, чем любой человеческий мозг. Искусственный интеллект также намного расширяет возможности человека в недоступных местах, например в космическом пространстве или в удаленных уголках мира, в ситуациях, где требуется человеческий опыт.
- ИИ позволяет автоматизировать повторяющиеся процессы обучения и поиска за счет использования данных. Однако ИИ отличается от роботизации, в основе которой лежит применение аппаратных средств. Цель ИИ — не автоматизация ручного труда, а надежное и непрерывное выполнение многочисленных крупномасштабных компьютеризированных задач. Такая автоматизация требует участия человека для первоначальной настройки системы и правильной постановки вопросов.
- ИИ делает существующие продукты интеллектуальными. Как правило, технология ИИ не реализуется как отдельное приложение. Функционал ИИ интегрируется в имеющиеся продукты, позволяя усовершенствовать их, точно так же, как технология Siri была добавлена в устройства Apple нового поколения. Автоматизация, платформы для общения, боты и «умные» компьютеры в сочетании с большими объемами данных могут улучшить различные технологии, которые используются дома и в офисах: от систем анализа данных о безопасности до инструментов инвестиционного анализа.
- ИИ адаптируется благодаря алгоритмам прогрессивного обучения, чтобы дальнейшее программирование осуществлялось на основе данных. ИИ обнаруживает в данных структуры и закономерности, которые позволяют алгоритму освоить определенный навык: алгоритм становится классификатором или предикатором. Таким образом, по тому же принципу, по которому алгоритм осваивает игру в шахматы, он может научиться предлагать подходящие продукты онлайн. При этом модели адаптируются по мере поступления новых данных. Обратное распространение — это метод, который обеспечивает корректировку модели посредством обучения на базе новых данных, если первоначальный ответ оказывается неверным.
- ИИ осуществляет более глубокий анализ больших объемов данных с помощью нейросетей со множеством скрытых уровней. Несколько лет назад создание системы обнаружения мошенничества с пятью скрытыми уровнями было практически невозможным. Все изменилось с колоссальным ростом вычислительных мощностей и появлением «больших данных». Для моделей глубокого обучения необходимо огромное количество данных, так как именно на их основе они и обучаются. Поэтому чем больше данных, тем точнее модели.
- Глубинные нейросети позволяют ИИ достичь беспрецедентного уровня точности. К примеру, работа с Alexa, поисковой системой Google Search и сервисом Google Photos осуществляется на базе глубокого обучения, и чем чаще мы используем эти инструменты, тем эффективнее они становятся. В области здравоохранения диагностика раковых опухолей на снимках МРТ с помощью технологий ИИ (глубокое обучение, классификация изображений, распознавание объектов) по точности не уступает заключениям высококвалифицированных рентгенологов.
- ИИ позволяет извлечь максимальную пользу из данных. С появлением самообучающихся алгоритмов сами данные становятся объектом интеллектуальной собственности. Данные содержат в себе нужные ответы — нужно лишь найти их при помощи технологий ИИ. Поскольку сейчас данные играют гораздо более важную роль, чем когда-либо ранее, они могут обеспечить конкурентное преимущество. При использовании одинаковых технологий в конкурентной среде выиграет тот, у кого наиболее точные данные.
Машинное обучение — это один из способов применения искусственного интеллекта в компьютерных технологиях при работе с различными данными. Благодаря машинному обучению, программные приложения могут точнее прогнозировать результаты и анализировать данные. Основная цель и идея машинного обучения — позволить компьютерам обучаться самим, автоматически и без вмешательства человека. По прогнозам специалистов, машинное обучение — это будущее. По мере того, как люди становятся все более зависимыми от машин и гаджетов, грядет мировая технологическая революция, благодаря которой появятся новые профессии и исчезнут старые. Машинное обучение (МО) является ветвью искусственного интеллекта. Более детальнее – это методика анализа данных, которые позволяют машине/роботу/аналитической системе самостоятельного обучаться посредством решения массива сходных задач
В 1959 году Артур Самуэль, исследователь искусственного интеллекта, ввел термин «машинное обучение». Он изобрел первую самообучающуюся компьютерную программу по игре в шашки. Самуэль определил машинное обучение как процесс, в результате которого компьютеры способны показать такое поведение, которое в них не было запрограммировано изначально.
- Технологии получают приставку «инновационные», а значит, к ним имеют доступ только крупные корпорации и правительственные структуры. Например, Google и Amazon, IBM и Apple первыми стали внедрять искусственный интеллект. Собственно любая система, которая пытается предсказать покупательский спрос на основе массива данных, связана с технологией машинного обучения.
- Технологиями пользуются люди с определенным багажом знаний в IT сфере, которые имеют доступ к современным разработкам, гаджетам. Появление новых сервисов, основанных на технологии искусственного интеллекта. Яркий пример – аналитические машины Гугла и Яндекса в контекстной рекламе.
- Технологии доступны даже школьнику, людям «лампового» поколения, которые вполне серьезно опасаются «Восстания машин» по аналогии с блокбастером «Терминатор».
-
Образование. Благодаря внедрению искусственного интеллекта, разработчики создали обучающие системы, симулирующие поведение учителя. Они могут выявлять уровень знаний учащихся, анализировать их ответы, ставить оценки и даже определять персональный план обучения. К примеру, AutoTutor, обучает студентов компьютерной грамотности, физике и критическому мышлению. Knewton учитывает характеристику обучения каждого студента и разрабатывает для него уникальную учебную программу. ВВС США используют систему SHERLOCK, чтобы обучить пилотов находить технические неисправности в самолетах.
-
Поисковики. Поисковые системы используют машинное обучение, чтобы улучшить свои функции. Например, Google внедрила машинное обучение в распознавание голоса и поиск изображений. В 2019 году Google представила Teachable Machine 2.0 — самообучающуюся нейросеть, способную распознавать звуки речи, интонации и позы. С помощью веб-камеры и микрофона пользователь обучает нейронные сети без написания кода и экспортирует их в сторонние приложения, носители или на веб-сайты.
-
Digital-маркетинг. Машинное обучение в данной сфере обеспечивает глубокую персонализацию клиента. Таким образом, компании могут взаимодействовать с клиентом на личном уровне, становясь к нему ближе. Благодаря алгоритмам сложной сегментации, машина фокусируется на “нужном клиенте в нужное время”, чтобы эффективно продавать продукты. Кроме того, благодаря правильным данным о клиентах, компании располагают информацией, которую можно использовать для изучения их поведения и реакций. Например, Nova использует машинное обучение для написания электронной рассылки клиентам, делая письма при этом персонализированными. Машина знает, у каких электронных писем ранее была высокая конверсия, и, соответственно, предлагает изменения в рассылках для лучших продаж.
-
Здравоохранение. У IBM есть разработка Watson. Это суперкомпьютер для медицинских исследований, основанный на машинном обучении. Технология Watson for Oncology обрабатывает большой объем медицинских данных, в том числе изображения, на которых можно точно диагностировать рак. Watson for Oncology сейчас используется в больницах Нью-Йорка, Бангкока и Индии. В июле 2016 года IBM стала сотрудничать с 16 медицинскими центрами и технологическими стартапами, чтобы ускорить развитие программ для точной диагностики.
Будущее технологий за машинным обучением. В ближайшее десятилетие машинное обучение будет конкурентным преимуществом не только у топовых компаний, но и у перспективных стартапов. То, что сегодня делается вручную, завтра будут делать машины. Следует добавить, что алгоритмы машинного обучения не только будут использованы в бизнесе и экономике, но и прочно войдут в повседневность (распознавание голосовых команд для умного дома).
В данный момент исследователи искусственного интеллекта хотят протестировать, смогут ли компьютеры учиться на полученных данных. Интерактивный аспект машинного обучения важен, поскольку машины способны постоянно учиться и самостоятельно адаптироваться. Компьютеры учатся на предыдущих вычислениях и показателях, чтобы получить надежные и успешные решения и результаты для создания лучшего будущего.