Что такое ИИ? Комплексное руководство по искусственному интеллекту

Несмотря на всю недавнюю шумиху, в искусственном интеллекте (ИИ) нет ничего нового. Фактически, он появился на десятилетия раньше Всемирной паутины. Хотя внезапное и быстрое появление генеративного ИИ привлекло все внимание (и, вероятно, именно поэтому вы читаете эту статью), вы наверняка сталкивались с ИИ прямо или косвенно на протяжении многих лет.

Этот общий обзор ИИ раскроет различные способы его работы, что он может и не может делать, а также его последствия для настоящего и будущего бизнеса и общества. Мы также укажем, как это связано с Grammarly — мы уже более десяти лет помогаем людям писать.

Оглавление

• ИИ объяснил
• Как работает ИИ
• История ИИ
• Приложения ИИ
• Преимущества ИИ
• Ограничения ИИ
• Заключение

Объяснение искусственного интеллекта

Искусственный интеллект — это технология, которая имитирует то, как человеческий разум учится и работает.

ИИ отличается от стандартных компьютерных программ тем, что он может решать проблемы, используя алгоритмы или логические рассуждения. Кроме того, в большинстве современных приложений он может обучаться и адаптироваться без вмешательства человека. Основные аспекты области ИИ включают машинное обучение (ML), обработку естественного языка (NLP) и нейронные сети.

Как работает искусственный интеллект

Модель — это конкретный экземпляр ИИ. Например, ChatGPT 3.5 и ChatGPT 4 — это две модели искусственного интеллекта. Чтобы понять основные строительные блоки ИИ, мы сосредоточимся на различных концептуальных подходах к созданию модели.

ИИ, основанный на правилах, или экспертные системы

Более простая структура — это так называемая экспертная система, основанная на правилах: люди записывают конкретные инструкции в форме логики, которую может понять алгоритм. Типичное дерево телефонов службы поддержки клиентов работает следующим образом: ему предлагается дать определенный ответ на ввод, соответствующий определенным параметрам. Еще одним примером, но гораздо более сложным, является основополагающий алгоритм Google PageRank.

Машинное обучение

Сегодня большая часть искусственного интеллекта использует подход, называемый машинным обучением. Вместо того, чтобы получать набор жестко запрограммированных инструкций, модель сама изучает правила из большого (или огромного) ассортимента контента — шаблонов, отношений и других динамик. Этот процесс часто называют обучением модели. Также возможно комбинировать правила и машинное обучение, и мы обсудим относительные преимущества каждого из них позже.

Существует четыре основные категории МО: контролируемое, неконтролируемое, полуконтролируемое и самоконтролируемое обучение.

1 Обучение с учителем использует аннотированные или структурированные данные, чтобы сообщить машине, что ей нужно изучить. Этот подход основан на помеченных наборах данных, где желаемый результат уже известен, что позволяет модели изучить взаимосвязь между входными и выходными данными.

2 Обучение без учителя не требует явных инструкций, поэтому машине предоставляется возможность самостоятельно разобраться в том, что она видит, а затем сделать прогнозы. Этот тип обучения используется для поиска скрытых закономерностей или внутренних структур во входных данных.

3 Полуконтролируемое обучение — это гибридный подход, при котором модель обучается на небольшом объеме размеченных данных, дополненных большим объемом неразмеченных данных. Этот метод использует преимущества как контролируемого, так и неконтролируемого обучения, повышая эффективность и точность обучения, когда размеченных данных недостаточно.

4 Самостоятельное обучение — это подход, при котором модель генерирует собственные метки на основе входных данных. Это особенно полезно в сценариях, где помеченные данные ограничены или недоступны. Модель использует часть входных данных для прогнозирования других частей, эффективно создавая собственные контролируемые сигналы.

Обучение не обязательно должно ограничиваться начальной подготовкой. Благодаря обучению с подкреплением модель постоянно совершенствуется на основе отзывов о качестве ее результатов. Эту оценку могут выполнять люди, но существует также множество методов и алгоритмов для автоматического обучения с подкреплением.

После обучения модели она готова к использованию. Входные данные проходят через модель и дают выходные данные, будь то ответ на вопрос, классификация изображения, рисование графики и т. д. Некоторые модели ИИ (особенно модели, основанные на правилах) являются детерминированными, что означает, что заданные входные данные всегда приводят к определенному результату. Однако большинство современных моделей являются вероятностными и вносят некоторую степень случайности, что объясняет, почему, если вы дважды введете один и тот же вопрос в ChatGPT, вы вряд ли получите один и тот же ответ.

Нейронные сети и глубокое обучение

Хорошо, но как на самом делеработаетИИ? Здесь все очень быстро становится очень техническим. Мы сосредоточимся на подходе, лежащем в основе многих сегодняшних ярких инноваций в области искусственного интеллекта — нейронных сетях.

Эти упрощенные представления нейронов мозга начинаются со случайных предположений, сравнения этих предположений с правильными ответами и внесения небольших корректировок снова и снова для постоянного повышения их точности.

Нейронные сети состоят из слоев. «Внизу» находится вход, вверху — выход, а между ними — так называемые скрытые слои. Снизу вверх возможности становятся все более абстрактными. Например, в системе распознавания изображений нижние уровни могут распознавать цвета или края, а более высокие — воспринимать конкретные объекты.

Когда нейронные сети имеют несколько скрытых слоев, это называется глубоким обучением. Современные глубокие нейронные сети обычно состоят из множества слоев и часто имеют подуровни с конкретными функциями. Улучшение вычислительной мощности привело к взрыву инноваций.

Обработка естественного языка

Когда компьютеры стремятся понять, как люди пишут и говорят, это обработка естественного языка. В то время как базовая проверка орфографии просто выделяет слова, которые не соответствуют словарю, Grammarly использует НЛП, чтобы понять ваше письмо и сделать предложения, соответствующие контексту.

За последнее десятилетие или около того НЛП пережило революцию, которую вы наверняка испытали, работая в области машинного перевода, генерации текста и автоматической транскрипции. Такие методы, как повышение внимания (сколько модель может «иметь в виду» в данный момент, а не просто обрабатывать слово за словом) и предварительно обученные модели (чтобы им не приходилось заново изучать, как работает человеческий язык с самого начала). Scratch) позволили машинам понимать и говорить как люди во многих контекстах.

Генеративный ИИ

Генеративный ИИ — это разновидность искусственного интеллекта, которая может создавать новый контент, такой как текст, изображения, музыку и даже код, на основе своих обучающих данных.

В отличие от традиционных систем искусственного интеллекта, которые предназначены для решения конкретных задач или анализа данных, генеративные модели искусственного интеллекта способны генерировать оригинальные результаты, которые часто имитируют работу, созданную человеком. Эти модели, основанные на глубоких нейронных сетях, интуитивно улавливают шаблоны, стили или логику на основе обширных наборов данных. Затем они используют эти знания для создания нового уникального контента, которого раньше не существовало.

Использование генеративного искусственного интеллекта охватывает различные области, включая развлечения, искусство, литературу и разработку программного обеспечения. Это демонстрирует универсальность ИИ и его растущие возможности.

Для обзора: ИИ может быть основан на правилах или машинном обучении. Машинное обучение может быть контролируемым или неконтролируемым, и со временем оно становится лучше благодаря обучению с подкреплением. Многие из сегодняшних моделей ИИ представляют собой нейронные сети, которые используют глубокое обучение на многих уровнях. Обработка естественного языка — блестящая история успеха глубоких нейронных сетей, а модели, создающие текст, изображения, код и многое другое, называются генеративным ИИ.

История ИИ

Здесь мы предоставим краткий обзор истории искусственного интеллекта. В целях краткости и чтобы сосредоточиться исключительно на сроках разработки, мы не будем упоминать людей, стоящих за этими нововведениями.

1950–1980-е: весна ГОФАИ, затем зима.

Термин«искусственный интеллект»был придуман в 1956 году. В том же году первая работающая программа искусственного интеллекта успешно доказала различные математические теоремы, одна из которых была «более элегантной», чем доказательство, предложенное первоначальным автором.

Первая нейронная сеть была построена в 1967 году, но большая часть исследований ИИ примерно в это время проводилась с использованием символического представления и логики для моделирования рационального разума. (Вы можете встретить ироничную аббревиатуру GOFAI, означающуюстарый добрый ИИ.) Однако сочетание несбывшихся ожиданий и ограниченных вычислительных мощностей привело к так называемойзиме ИИ, когда финансирование и исследования замедлились. 1970-е годы и далее.

В 80-х годах экспертные системы — модели искусственного интеллекта, основанные на правилах, о которых мы узнали ранее, — стали популярными и оказали практическое влияние на многие компании. Параллельно исследователи вернулись к нейронным сетям и разработали методы их самообучения.

1990–2000-е годы: широко распространены, но недооценены

Благодаря увеличению вычислительной мощности и увеличению объемов данных в 1990-е годы машинное обучение стало практичным в прикладном масштабе, а ИИ достиг многих успехов. За пределами кино первый широко известный успех искусственного интеллекта, вероятно, произошел, когда Deep Blue обыграла Гарри Каспарова в шахматы еще в 1997 году. Вскоре после этого для Windows стала доступна первая потребительская программа распознавания речи Dragon.

Несмотря на этот прогресс, еще в первом десятилетии этого столетия многие исследователи и компании маскировали свои продукты и проекты в области ИИ под другими терминами, поскольку они все еще несли в себе оттенок чрезмерной шумихи. Ирония в том, что именно эти системы, питающие все — от спам-фильтров до Roombas, на самом деле привнесли практическую ценность прикладного ИИ в повседневную жизнь.

2010-е годы – сегодня: ИИ становится мейнстримом

В 2010-х годах в сфере искусственного интеллекта начался подъем, который продолжается и по сей день. Вместо одного прорыва произошло совпадение ряда факторов:

• Графические процессоры: несмотря на свое название«графический процессор»,эти чипы оказываются очень эффективными для обучения глубоких нейронных сетей. Переход к использованию графических процессоров ускорил как скорость, так и практические возможности создания новых моделей.
• Достижения в области исследований: новые формы и применения нейронных сетей привели к большому скачку в способности компьютеров понимать и отображать текст и изображения.
• Большие данные. К этому моменту Интернет существовал достаточно долго, чтобы миллиарды его пользователей могли генерировать непостижимые объемы контента, на котором модели могли учиться.
• Облачные вычисления. Платформы по требованию от Amazon, Google, Microsoft и других компаний значительно упростили получение вычислительной мощности, необходимой для разработки моделей ИИ.

Инновации, которые были либо недавно созданы, либо радикально переработаны за это время, включают Google Translate, виртуальных помощников, таких как Siri, и системы рекомендаций по таким сервисам, как Netflix и Spotify, не говоря уже о многих важных, но менее заметных последствиях для таких секторов, как здравоохранение, производство и даже оборона. .

Так почему же безумие вокруг ИИ поднялось на несколько ступеней, когда на сцену вышел генеративный ИИ? Большая разница заключается в том, что такие модели, как ChatGPT и DALL-E, могут интерпретировать и реагировать практически на любой ввод, а не ограничиваться определенным доменом. Это означает, что любой, у кого есть подключение к Интернету, может напрямую взаимодействовать с моделью ИИ без какой-либо специальной подготовки и что ИИ можно использовать для конкретных целей гораздо быстрее, чем создавать новую модель с нуля.

Будущее: AGI и ASI

Несмотря на все свои возможности, то, что мы видим сегодня, известно какузкийилислабый ИИ.Это означает, что технология охватывает часть, но не весь спектр человеческого интеллекта. Машину, которая по возможностям равна нашему мозгу, можно было бы назватьсильным ИИ илиобщим искусственным интеллектом (AGI). Когда ИИ превзойдет человеческий интеллект, это станет известно как искусственный сверхинтеллект (ИСИ).

Как далеко мы от AGI? Это чье-то предположение. Даже те, кто глубоко вовлечен в эту область, снова и снова сильно недооценивали темпы инноваций.

Приложения и примеры ИИ

Это лишь некоторые из многих способов применения ИИ в реальных приложениях сегодня.

Помогать людям делать вещи лучше.Мы считаем, что Grammarly является отличным примером: у вас есть идеи, ощущение того, что вы пытаетесь сказать, и знание аудитории. Мы предлагаем способы сделать ваше сообщение более понятным и повысить вероятность того, что оно будет хорошо воспринято. Узнайте больше о том, как Grammarly использует генеративный искусственный интеллект для улучшения общения.

Помощь людям с ограниченными возможностями.Такие технологии, как преобразование речи в текст и преобразование текста в речь, меняют правила игры для людей с сенсорными нарушениями, такими как слух или зрение. Они позволяют им воспринимать ранее недоступный живой и записанный контент, поэтому они могут гораздо больше взаимодействовать с богатством мира, не полагаясь на то, что кто-то будет выступать в роли их глаз или ушей.

Автономные системы.ИИ может сочетать восприятие с прогнозированием, чтобы делать многие вещи более эффективно и даже безопасно: от беспилотных автомобилей до спринклерных систем, которые не срабатывают, когда приближается дождь. Waymo, компания по производству беспилотных автомобилей, основанная Google, сообщает примерно на 85 процентов меньше аварий с травмами, чем если бы люди проехали такое же расстояние.

Рекомендации.Модели искусственного интеллекта анализируют поведение пользователей и демографические данные, чтобы делать обоснованные предположения о таких вещах, как следующее телешоу или тип газированной воды, которую вы, возможно, захотите попробовать.

Аудиовизуальная обработка.Примеры включают распознавание голоса с помощью виртуального помощника, автоматический сбор платы за проезд на основе обработки изображений номерных знаков и фильтрацию визуального и звукового шума из записи или потока.

Краевой ИИ.Это позволяет использовать возможности искусственного интеллекта непосредственно в устройствах в реальном мире, а не в центрах обработки данных. Они, как правило, ориентированы на конкретную задачу с помощью лазера для быстрой и низкоэнергетической обработки. Примеры включают Face ID на iPhone и интеллектуальные термостаты.

Преимущества и преимущества ИИ

Обработка в масштабе.Представьте себе, если бы реальному человеку пришлось проверять каждую транзакцию по кредитной карте на предмет мошенничества или вводить каждую цифру из каждой налоговой формы, отправленной по почте в IRS. ИИ может судить или классифицировать гораздо быстрее и зачастую лучше, чем люди.

Обнаружение и прогнозирование закономерностей.ИИ начинает превосходить людей в своей способности обнаруживать рак; в одном случае он обогнал профессионалов на 13%. Он также очень полезен для определения отклонений от установленного шаблона, например для обнаружения ошибок в базах данных. Эта способность находить закономерности делает ИИ особенно полезным для прогнозирования — от прогнозов погоды до движений фондового рынка.

Новые идеи.С самой первой модели ИИ предлагал ответы и подходы ко всем видам проблем, которые никогда не делал ни один человек. Современные примеры простираются от дизайна обуви до нового закона физики.

Ускоряющая медицина.От вакцин против COVID-19 до обнаружения болезни Альцгеймера — ИИ помогает исследователям быстрее разрабатывать диагнозы и методы лечения.

Бдительность.ИИ никогда не устает. Если он правильно спроектирован и имеет достаточно электроэнергии и вычислительной мощности, он может постоянно отслеживать большие объемы данных. Это является основным фактором снижения аварийности автономных транспортных средств.

Недостатки и ограничения ИИ

Галлюцинации.Генеративный ИИ может что-то придумать. Поскольку многое из того, что говорят эти модели, правдоподобно, многие люди не думают перепроверять это. Один из недавних примеров этой проблемы произошел, когда Майкл Коэн, бывший юрист, отправил своему адвокату цитаты о судебных делах, которые были полностью сфабрикованы генеративным искусственным интеллектом Google, тогда известным как Бард (ныне Близнецы).

Дипфейки.Галлюцинации случайны, а дипфейки преднамеренны. Злоумышленники (или, что более невинно, шутники) могут использовать генеративный искусственный интеллект для создания изображений, видео, аудио или текста, которые кажутся настолько близкими к реальности, что многие люди не могут отличить их.

Конкуренция с человеческими рабочими местами.Многие люди, занимающиеся такими должностями, как писательство и обслуживание клиентов, видят в генеративном ИИ реальную угрозу. Fortune сообщает о тысячах рабочих мест, потерянных из-за искусственного интеллекта, что, по его словам, «определенно занижено».

Трудно понять, почему он пришел к определенному выводу.При использовании нейронных сетей вы не можете точно знать, почему и как они выдают тот или иной результат — например, его нельзя напрямую отследить до определенной части обучающего корпуса. В жестко регулируемых отраслях, таких как здравоохранение или финансы, некоторые ИИ частично или полностью создаются с использованием алгоритмов, основанных на правилах, которые люди могут оценить.

Потребление энергии.Это трудно измерить напрямую, но по оценкам одного исследования, создание одного изображения, например, с помощью DALL-E, требует почти такого же количества энергии, что и цикл зарядки смартфона, который со временем может значительно увеличиться.

Заключение

ИИ одновременно стар и совсем недавний. Хотя эта область существует уже почти 70 лет, только в последнее десятилетие, и особенно в последние несколько лет, многие из нас стали остро осознавать ее силу и потенциал. Благодаря таким инновациям, как нейронные сети, глубокое обучение, обработка естественного языка и генеративный искусственный интеллект, инструменты, которые еще недавно звучали как научная фантастика, теперь легко доступны и имеют большое значение в мире. Хотите попробовать что-нибудь на практике прямо сейчас? Зарегистрируйтесь в Grammarly и узнайте, как искусственный интеллект может работать на вас.