Искусственный интеллект: помощник или игрушка?
Обновлено: 22 часа назад
2023 год можно назвать годом ИИ, особенно с учетом хайпа вокруг ChatGPT. Но действительно ли ИИ — панацея? Сможет ли он лишить работы людей? Давайте разберемся в этом вопросе.
Друзья, если Вы не любите читать, то ниже прикреплено видеозапись нашего вебинара и презентация к нему.
Искуственный интеллект
.pdf
Download PDF • 1.78MB
Содержание
Что такое искусственный интеллект?
И так, что такое ИИ?
Искусственный интеллект – это любой математический метод, позволяющий имитировать человеческий интеллект. Первые проекты начинаются с 1950-х годов.
Тут есть 3 ключевых направления.
Нейросети - математические модели, созданные по подобию нейросетей мозга живых существ. Наиболее популярный подход к созданию ИИ сейчас.
Машинное обучение (ML) - статистические методы, позволяющие компьютерам улучшить качество выполняемой задачи с накоплением опыта и дообучения. То есть речь идёт как раз о том, как работают нейронные сети живых организмов. Это направление известно с 1980-х годов.
И глубокое обучение (DL) - это не только обучение машины с помощью человека, который говорит, что верно, а что нет, но и самообучение систем. Это одновременное использование различных методик обучения и анализа данных. Данное направление развивается с 2010-х годов.
Слабый, сильный и суперсильный ИИ
Теперь про 3 понятия - слабый, сильный и суперсильный ИИ
Все что мы с Вами знаем сейчас - слабый ИИ. Слабый ИИ (ANI, Narrow AI), может решать узкоспециализированные задачи, для которых он изначально проектировался. Например, он может отличать собаку от кошки, играть в шахматы, анализировать видео, улучшать качество видео и т.д. Но, например, самый сильный ИИ для игры в шахмат абсолютно бесполезен для игры в шашки
Сильный (AGI) – это ИИ, который может ориентироваться в меняющихся условиях, моделировать и прогнозировать развитие ситуации. А если ситуация выходит за стандартные алгоритмы, то самостоятельно найти ее решение. Например, решить задачу «поступить в университет». Или изучить правила игры в шашки, и вместо шахмат начать играть в шашки.
Какими качествами должен обладать ИИ?
Мышление - использование таких методов как дедукция, индукция, ассоциация и т.д., которые направлены на выделение фактов из информации, их представление (сохранение). Это позволит точнее решать задачи в условиях неопределённости.
Память - использование различных типов памяти (кратковременная, долговременная). Может быть использовано для решения задач опираясь на предыдущий опыт. Даже если Вы попробуете пообщаться с самой новой версией ChatGPT 4, то увидите, что алгоритм обладает небольшой краткосрочной памятью, и через 10-15 сообщений забывает первой, с чего все начиналось
Планирование - тактическое и стратегическое. Да, уже есть исследования, которые утверждают, что ИИ может планировать свои действия и даже обманывать человека для достижения своих целей. Но сейчас это все равно только в стадии зарождения.
Обучение - имитация действий другого объекта и обучение через проведение экспериментов. Сейчас ИИ учится на больших массивах данных, но он сам не моделирует и не проводит экспериментов. Хотя, мы не до конца понимаем, как работает тот же Chat GPT. И это одна из главных проблем
И сейчас мы на стадии перехода от слабого ИИ к сильному. Да, ChatGPT от OpenAI, LaMDAот Google умеют генерировать текст через анализ запроса и обработку больших данных. Но они лишь транслируют то, чему обучили их создатели.
И до настоящего сильного ИИ еще 5-10 лет.
Также, различные исследователи выделяют уровень ИИ – суперсильный ИИ (ASI). Это ИИ, который может не только решать сложные задачи, но и делать это практически моментально. Если слабых ИИ сотни, под каждую задачу, сильных ИИ будут десятки (скорее всего будет разделение по направлениям), то суперсильный ИИ будет 1 на государство.
Где сейчас можно применять ИИ с машинным обучением
Наиболее релевантными направлениями для применения ИИ с машинным обучением можно обозначить
прогнозирование и принятие решений
анализ сложных данных без чётких взаимосвязей, в том числе для прогнозирования
оптимизация процессов
распознавание образов, в том числе изображений и голосовых записей
генерация контента
И ключевое направление, которое сейчас на пике популярности - распознавание образов, в том числе изображений и голосовых записей и генерация контента. Именно сюда идет большинство разработчиков ИИ.
Примеры таких сервисов:
видео - supercreator.ai, tavus, windsor
изображения - stockimg.ai, midjourney, dreamer
текст - chatGPT, notionAI, jasper
исследования - bearly, scholarcy
дизайн - looka, galileo AI, uizard
презентации - slidesAI, murf AI
аудио - whisper memos, soundful, steno, podcast.adobe
При этом особое внимание заслуживает связка ИИ + IoT
ИИ получает чистые большие данные, в которых нет ошибок человеческого фактора для обучения и поиска взаимосвязей
Эффективность IoT повышается, так как становится возможным создание предиктивной (предсказательной) аналитики и раннего выявления отклонений
Как обучаются ИИ модели
Большая часть ИИ моделей обучаются так же, как обучаются дети: им дают на вход информацию, нейросеть дает ответ, и ей говорят - верно она ответила или нет. И так раз за разом. Такое обучение называется "обучение с учителем".
При этом, существует и обучение без учителя, при котором система спонтанно обучается без обратной связи со стороны человека.
Недостатки текущих решений на основе ИИ
Объем данных для обучения
Нейросети требовательны к качеству и количеству исходных данных. Но эта проблема решается, но тем не менее им всё равно нужно много размеченных и структурированных данных
Зависимость от качества данных
Любые неточности в исходных данных сильно сказываются на конечном результате
Этическая составляющая
Кого сбить автопилоту в безвыходной ситуации: взрослого, ребёнка или пенсионера? Подобных споров бесчисленное множество. Для искусственного интеллекта нет этики, добра и зла. Также для ИИ нет понятия «здравый смысл».
Так, например, во время испытательной миссии беспилотнику под управление ИИ поставили задачу уничтожить системы ПВО противника. В случае успеха ИИ получил бы очки за прохождение испытания. Финальное решение, будет ли цель уничтожена, должен был принимать оператор БПЛА. После этого во время одной из тренировочных миссий он приказал беспилотнику не уничтожать цель. В итоге ИИ принял решение убить оператора, потому что этот человек мешал ему выполнить свою задачу.
После инцидента ИИ обучили, что убивать оператора неправильно и за такие действия будут сниматься очки. После этого ИИ начал разрушать башню связи, которая используется для связи с дроном, чтобы оператор не мог ему помешать.
Подробнее на РБК.
Нейросети не могут оценить данные на реальность и логичность
Нейросети просто собирают данные и не анализируют факты, их связанность
Качество «учителей»
Нейросети обучают люди. И здесь много ограничений: кто и чему учит, на каких данных, для чего
Готовность людей
Нужно ожидать огромного сопротивления людей, чью работу заберут нейросети
Страх перед неизвестным
Рано или поздно нейросети станут умнее нас. И люди боятся этого, а значит, будут тормозить развитие и накладывать многочисленные ограничения
Непредсказуемость
Иногда все идет как задумано, а иногда (даже если нейросеть хорошо справляется со своей задачей) даже создатели изо всех сил пытаются понять, как же алгоритмы работают. Отсутствие предсказуемости делает чрезвычайно трудным устранение и исправление ошибок в алгоритмах работы нейросетей
Ограничение по виду деятельности
Алгоритмы ИИ хороши для выполнения целенаправленных задач, но плохо обобщают свои знания. В отличие от людей, ИИ, обученный играть в шахматы, не сможет играть в другую похожую игру, например, шашки. Кроме того, даже глубокое обучение плохо справляется с обработкой данных, которые отклоняются от его учебных примеров. Чтобы эффективно использовать тот же ChatGPT, необходимо изначально быть экспертом в отрасли и формулировать осознанный и четкий запрос
Затраты на создание и эксплуатацию
Для создания нейросетей требуется много денег. Согласно отчёту Guosheng Securities, стоимость обучения модели обработки естественного языка GPT-3 составляет около 1,4 миллиона долларов. Для обучения более масштабной модели может потребоваться и вовсе от 2 миллионов долларов.
Если взять для примера именно ChatGPT, то только обработки всех запросов от пользователей нео