Модные понятия XXI века «искусственный интеллект» (ИИ), «машинное обучение» и «нейронные сети». Что они означают на самом деле?
Могут ли они действительно помочь усовершенствовать приложения для перевода?
Как мы знаем, нейронные сети не программируются в обычном смысле этого слова, они обучаются.
Совсем недавно Google и Microsoft включили нейронные сети в свои приложения для перевода. Компания Google сообщила, что использует машинное обучение для подбора плейлистов. Приложение Todoist заявляет, что использует ИИ для того, чтобы подсказать, когда примерно вы выполните задачу, а Any.do уверяет, что его ИИ-бот может сделать часть задач за вас. И все это – новинки прошлой недели. Часть из перечисленного – маркетинговый трюк для впечатлительных клиентов, но порой изменения несут существенную пользу. Все эти понятия – «искусственный интеллект», «машинное обучение», «нейронные сети» – описывают пути сделать компьютеры способными выполнять более сложные задачи и обучаться в пределах собственной среды. Хотя разработчики приложений используют эти термины как взаимозаменяемые, на практике они могут существенно различаться.
Нейронные сети анализируют комплексные данные благодаря имитации работы человеческого мозга
Искусственные нейронные сети (ИНС или для краткости просто «нейронные сети»), обращаются к определенному типу модели обучения, которая имитирует способ работы синапсов в человеческом мозге. Традиционное вычисление задействует ряд логических высказываний для выполнения задания. Нейронные сети же используют для обработки данных сеть узлов (имитирующих работу нейронов, связанных синапсисом). Входящая информация проходит через систему и генерирует серию выходных сигналов.
Затем результат сравнивается с известными данными. Например, вы задались целью обучить компьютер распознавать на изображении собаку. Вы пропускаете миллионы изображений собак через сеть, чтобы узнать, на каких из них она разглядит собаку. После просмотра человек подтверждает, на каких картинках действительно была изображена собака. Затем система задействует нейронную сеть и выбирает действия, которые привели к правильному ответу. Через некоторое время эти действия повторяются миллионы раз, и в итоге сеть добивается более точных результатов.
Взглянуть на процесс работы ИНС можно при помощи экспериментального сервиса Google’s Quick, Draw! В данном случае, цель Google – научить сеть распознавать зарисовки от руки. Ваши зарисовки сравниваются с образцами, нарисованными другими людьми. Сеть пытается разгадать, что изображено на рисунке и, таким образом, учится распознавать новые рисунки на основе уже знакомых. Даже если вы не совсем талантливый художник, сеть все равно достаточно хорошо распознает простейшие очертания – подводные лодки, комнатные растения, уток.
Нейронные сети – это не универсальное решение, однако они успешно справляются с работой над комплексными данными. При помощи нейронных сетей Google и Microsoft совершенствуют свои приложения для перевода. Несомненно, это впечатляет, поскольку переводить сложно. Все мы сталкивались с «кривым» переводом, но обучение нейронной сети сможет позволить системе учиться правильным переводам и постепенно совершенствоваться. Мы уже видели, как нечто подобное происходило с записью с голоса. После подключения обучающей нейронной сети в Google Voice, ошибки в записях сократились примерно наполовину. Это может быть неочевидным и несовершенным, однако такой тип обучения действительно улучшает анализ комплексных данных, что позволяет сделать рабочие процессы в ваших приложениях более естественными.
Машинное обучение совершенствует компьютеры по мере выполнения задач
Машинное обучение – это широкий термин, который включает в себя все случаи обучения машины самостоятельно повышать качество выполнения задач. Если быть точнее, оно относится к любой системе, где производительность машины в выполнении задачи растет только благодаря опыту, получаемому во время выполнения этой задачи. Нейронные сети – это пример машинного обучения, но не единственная его разновидность.
Например, один из альтернативных методов машинного обучения – это подкрепляющее обучение. Согласно этому методу, компьютер выполняет задачу и затем дает оценку результату работы. В качестве примера можно привести игру в шахматы с искусственным интеллектом. Компьютер играет полную партию, в результате которой либо одерживает победу, либо проигрывает. В случае победы он определяет последовательность ходов, использованных во время этой игры. Отыграв миллионы партий, система накапливает полученные результаты и уже по ним может определять, какие ходы, вероятнее всего, приведут к выигрышу.
В то время как нейронные сети хорошо подходят для задач по распознаванию изображений, другие виды машинного обучения могут быть более полезны для других целей, например, подбора вашей любимой музыки. Google утверждает, что его музыкальное приложение по первому запросу найдет для вас понравившуюся музыку. Оно подбирает для вас плейлисты, основываясь на вашей истории воспроизведения.
В подобных случаях преимущества машинного обучения полностью раскрываются только при частом использовании этой функции. Когда вы впервые запускаете приложение Google Music, ваши рекомендации, скорее всего, не оправдают ожиданий. Но чем чаще вы будете его использовать, тем удачнее будут подборки. По крайней мере, теоретически. Машинное обучение – не лекарство от всех болезней, так что от неудачных попыток никуда не деться. Конечно, эти неудачи будут повторяться, если вы будете пользоваться приложением Music раз в полгода. Без регулярной практики, помогающей обучению, предложения от программы машинного обучения будут не многим лучше обычных «умных» подборок. Модное понятие «машинного обучения» более расплывчато, чем нейронные сети, но оно все равно предполагает, что для самосовершенствования используемая программа будет опираться на ваши отзывы.
Искусственный интеллект – это просто обозначение для всего «умного»
Если считать, что нейронные сети являются одной из форм машинного обучения, то машинное обучение – это форма искусственного интеллекта. Однако, в целом, понятие «искусственного интеллекта» настолько слабо развито, что практически лишено смысла. И пусть воображение рисует картину из футуристической научной фантастики, в действительности, мы уже достигли рубежей, которые ранее считались сферой будущего ИИ. Например, зрительное распознавание символов когда-то считалось слишком сложным для машины, а сегодня приложение на вашем телефоне может просканировать документы и преобразовать их в текст. Подобные простейшие задачи, выполняемые ИИ, звучат круче, чем это есть на самом деле.
Причина того, что выполнение самых простых задач, которые под силу телефону, может считаться признаком ИИ, кроется в том, что существуют две принципиально разные категории искусственного интеллекта. Слабый или узконаправленный ИИ – это любая система, разработанная для выполнения определенной задачи или набора задач. Например, помощники Google и Siri, несмотря на свою мощность, предназначены для выполнения очень узкого круга действий. А именно, восприятия определенных голосовых команд, ответов на них и запуска приложений. Исследования в области искусственного интеллекта совершенствуют их функции, но, тем не менее, эти приложения до сих пор считаются «слабыми».
Противоположный этому, сильный ИИ – иначе известный как общий искусственный интеллект или «настоящий ИИ» — это система, которая может выполнить любые человеческие задачи. Но такой системы не существует. Если вы надеялись, что ваш электронный ежедневник превратится в милого робота с голосом Алана Тудика, то вам придется еще подождать. Поскольку практически любой ИИ, который вы используете сейчас, – слабый, словосочетание «искусственный интеллект» в описании приложений на самом деле означает просто «удобное приложение». Вы получите несколько «навороченных» функций, но не ждите, что приложение сможет конкурировать с человеческим интеллектом.
В то время как смысл понятия «искусственный интеллект» может быть расплывчатым, практические исследования в области ИИ несут ощутимую пользу. Наверняка вы уже не сможете представить повседневную жизнь без ИИ. Каждый раз, когда ваш телефон автоматически запоминает, где вы припарковались, распознает лица на фотографиях, получает поисковые предложения или автоматически собирает все ваши фотографии из отпуска в одну группу, вы прямо или косвенно извлекаете пользу из исследований ИИ.
Стоит также отметить, что не все нейронные сети и машинное обучение, были разработаны равными по возможностям. Сказать, что приложение использует машинное обучение для того, чтобы улучшить что-то, это все равно как предположить, что цифровая камера лучше просто потому, что она «цифровая». Да, возможности цифровых камер шире, чем у пленочных фотоаппаратов, но это не значит, что любая цифровая фотография будет лучше напечатанных с пленки. Все зависит от того, как их использовать. Некоторые компании смогут разработать мощные нейронные сети, которые выполняют действительно сложные задачи, делая вашу жизнь лучше. Другие будут лепить ярлык «машинное обучение» на уже существующую опцию, и вы не заметите никакой разницы.
Машинное обучение и нейронные сети и сами по себе чрезвычайно интересны. Тем не менее, если вы встретите эти фразы в описании предложения, то просто воспринимайте их как более умную функцию и продолжайте делать то же, что и всегда: оценивать приложения с точки зрения их пользы для вас.
По материалам зарубежных интернет-сайтов.
