XII. Точка невозврата. Они (часть 2)
…. год 2197
Прокопавшись в Tesla Superman почти час, Путник так и не смог включить ее без биоданных владельца. Машины рассчитанные на апокалипсис, оказалось совсем для него не пригодны. А Илона Маск так этим гордился, когда в далеком, кажется, 2012 презентовала новую модель. Правда, говорил он про зомби-апокалипсис, а оказалось намного и намного хуже. Но, даже спустя почти все 200 лет, это не работает как должно. Так же как и его Open AI не смог взять под контроль создателей ИИ. Этот чертов совет директоров Google. И о чем они только думали, когда запускали свой проект Revolution.
Красное солнце уже скатывалась за горизонт, поэтому Путник решил провести ночь в автомобиле, уж для этого ее точно можно использовать.
…. год 2017
Почему искусственный интеллект важен для нас?
Как только искусственный интеллект научился идентифицировать яблоко в изображении или транскрибировать (передавать речевую информацию в письменной форме) фрагмент речи из аудиоклипа, эти данные можно будет использовать для принятия решений, которые когда-то требовали участие человека. Их можно использовать для идентификации и пометки друзей на фотографиях в Facebook, что нам приходилось делать вручную. Он может идентифицировать другой автомобиль или уличный знак, работая в беспилотном автомобиле. Его можно использовать для поиска сорняков на поле или плохо орошаемых сегментов и во множестве других задач в разных сферах нашей жизни.
Эти задачи, основанные только на распознавании изображений, обычно выполняются либо пользователем, либо кем-то из сотрудников компании, предоставляющей программное обеспечение. Если решение AI каких-то задач экономит время пользователя, это функционально и удобно, если он экономит корпоративное время или полностью выполняет человеческую работу, это сокращает затраты компании.
Есть несколько приложений для применения этой технологии, таких как анализ миллионов единиц входных данных за считанные минуты для аналитики в сфере продаж, которые невозможно было бы обработать без помощи машин. Это открывает значительный потенциал для использования больших объемов новой информации в коммерческих целях. Такие задачи теперь могут выполняться быстро и дешево машинами в любое время и в любом месте. Решение вопросов, когда-то лежавших на плечах людей, представляет собой неоспоримую экономическую выгоду.
Хотя AI может выполнять человеческие задачи, он также способен сделать доступными для выполнения и новые виды деятельности.
Хотя автомобили и были изначально прямой заменой функции лошадей, но в среднесрочной и долгосрочной перспективе привели к многим другим видам их использования, таким как полуприцепы для крупногабаритных перевозок, движущиеся фургоны, мини-фургоны, кабриолеты и проч. Аналогичным образом, системы искусственного интеллекта в краткосрочной перспективе станут прямой заменой для решения рутинных человеческих задач, но в среднесрочной и долгосрочной перспективе мы можем увидеть значительное расширение поля их деятельности.
Почему AI совершает большой прорыв именно сейчас, а не 30 или 60 лет назад?
Многим идеям о том, как AI должен обучаться, на самом деле более 60 лет. Исследователи в 1950-х годах, изучали представления биологов о работе нейронов в человеческом мозге и пытались описывать эти процессы при помощи математических формул.
Мысль ученых заключалась в том, что одно из основных математических уравнений не решит каждую проблему, но, что, если использовать многие связанные между собой уравнения, примерно, как это делает человеческий мозг? Первоначальные примеры были простыми: проанализировав наборы единиц и нулей, поступающих через цифровую телефонную линию, можно делать прогнозы о дальнейших событиях. (Это исследование по-прежнему используется для уменьшения эха в телефонных соединениях сегодня).
На протяжении десятилетий многие ученые в области информатики думали, что такая идея никогда не будет работать с более сложными проблемами - сегодня она лежит в основе большинства достижений AI в крупных компаниях — от Google и Amazon до Facebook и Microsoft. Сегодня исследователи понимают, что компьютеры еще не достаточно сложны, чтобы моделировать миллиарды нейронов по аналогии с человеческим мозгом, и что для обучения этих нейронных сетей необходимы огромные объемы данных.
Эти два фактора: вычислительная мощность и большие данные, были реализованы только за последние 10 лет.
В середине 2000-х годов компания по разработке графических чипов Nvidia сделала вывод, что их чипы хорошо подходят для работы нейронных сетей, что упростило запуск AI на их оборудовании. Исследователи обнаружили, что способность работать с более быстрыми и сложными нейронными сетями приводит к значительному улучшению точности системы.
Затем, в 2009 году компьютерный исследователь в области искусственного интеллекта Фей-Фей Ли опубликовала базу данных под названием ImageNet, в которой содержалось более 3 миллионов структурированных изображений с подписями того, что было внутри. Она полагала, что если бы у AI алгоритмов было больше шаблонов для поиска взаимосвязей между предметами, это помогло бы им, в конечном счете, прийти к пониманию более сложных идей.
Она начала развитие ImageNet в 2010 году, а к 2012 году исследователь Джефф Хинтон использовал эти миллионы изображений для обучения своей нейронной сети, что позволило ему превзойти все другие имеющиеся приложения с огромным запасом точности. Как и предсказывала Ли, данные были ключевым фактором. Хинтон укладывал нейронные сети одну поверх другой: одна сеть находила фигуры, другая находила текстуры и т.д. Эти системы называются глубокими нейронными сетями а процесс их обучения - глубоким обучением (Deep learning), и сегодня эта технология лежит в основе большинства достижений, о которых мы слышим в новостях про AI.
Как только технологическая индустрия осознала потрясающие перспективы внедрения этих технологий, начался бум AI. Исследователи, которые десятилетиями работали над глубоким обучением в относительной тишине своих лабораторий, стали новыми технологическими "рок-звездами". К 2015 году только у компании Google было уже более 1000 проектов, которые использовали определенный вид машинного обучения.
На этом пока остановлюсь, чтобы не утомлять читателей, хотя тема развития технологии искусственного интеллекта и смежных с ней направлений безгранична. Следующая часть через пару часов.
Продолжение следует…
В голове у Путника возник вопрос: Кто, где и когда впервые обозначил понятие робота и сформулировал три закона робототехники?
И помните, первый правильно ответивший в чате Scintillam будет щедро вознагражден (10 золотых). А комментарий, понравившийся Путнику больше всего, не останется незамеченным. Автор этого комментария получит 10 золотых. Также напоминаем, что три лучших автора, кто напишет в тег chaos-legion, получат по 50 золотых.
Контакты
Чат Легиона Хаоса в телеграм: Scintillam
Почтовый ящик для желающих стать авторами: vpchaoslegion@gmail.com
Личка в телеграм: varwar и mamasetta
Тег: chaos-legion