Человек + машина. Новые принципы работы в эпоху искусственного интеллекта

Машинное обучение

Машинное обучение. Область компьютерных наук, занимающаяся алгоритмами, которые самостоятельно обучаются и прогнозируют ситуацию на основе имеющихся данных, не требуя вмешательства программиста. Родоначальником этих исследований является Артур Сэмюэл из IBM, предложивший в 1959 году этот термин и использовавший принципы машинного обучения в исследованиях компьютерных игр. Благодаря резкому росту объема доступных данных, необходимых этим алгоритмам для обучения, сегодня МО применяется в таких разных областях, как исследования на основе компьютерного зрения, выявление мошенничества, прогнозирование цен, обработка естественного языка и пр.

Обучение с учителем. Это тип машинного обучения, где алгоритму даются заранее классифицированные и отсортированные данные (их называют «размеченными»), состоящие из примеров вводимых данных и желаемых результатов их обработки. Цель алгоритма — усвоить общие правила, связывающие вводимые данные и получаемые результаты, и на основе этих правил прогнозировать события, имея в распоряжении только входные данные.

Обучение без учителя. Обучающий алгоритм не включает никаких классификаций и меток, машина сама определяет структуру и взаимосвязи входных данных. Само по себе обучение без учителя может быть как целью (обнаружение скрытых закономерностей), так и средством (извлечение признаков из массива данных). Обучение без учителя менее сфокусировано на результатах, нежели обучение с учителем, зато в большей степени ориентировано на исследование входных данных и распознавание структуры неразмеченных данных.

Частично контролируемое обучение: здесь используются как размеченные, так и неразмеченные данные — обычно неразмеченных больше. Многие исследователи машинного обучения обнаружили, что при комбинации двух этих типов данных эффективность обучения значительно возрастает.

Обучение с подкреплением — это тип обучения, при котором алгоритм имеет конкретную цель (например, управлять роботизированным манипулятором или играть в го). Каждый шаг на пути к цели отмечается вознаграждением либо штрафом. Учитывая такую обратную связь, алгоритм может выработать наиболее эффективный способ достичь цели.

Нейронная сеть — это тип машинного обучения, при котором алгоритм обрабатывает полученные данные примерно по тому же принципу, что и биологическая нервная система. Фрэнк Розенблатт из Корнеллского университета в 1957 году изобрел первую нейронную сеть с простой однослойной архитектурой, также именуемую «неглубокой сетью».

Глубокое обучение и его разновидности: глубокие нейронные сети, рекуррентные нейронные сети, нейронные сети прямого распространения — это совокупность приемов для обучения многослойной нейронной сети. В глубоких нейронных сетях «усвоенные» данные пропускаются через несколько слоев; на каждом следующем слое результат предыдущего слоя используется в качестве вводной информации. В рекуррентных нейронных сетях данные могут распространяться между слоями вперед и назад, а в нейронных сетях с прямым распространением — только вперед.

Сегмент возможностей искусственного интеллекта

Прогностические системы — это системы, которые на основе данных за прошедшие периоды устанавливают взаимосвязи между входными переменными и полученными результатами. На основе этих взаимосвязей разрабатываются модели, которые, в свою очередь, применяются для прогнозирования новых результатов.

Локальный поиск (оптимизация) — это математический подход к решению задач, где используется матрица возможных решений. Алгоритм ищет оптимальное решение, начиная с одного конца матрицы, а затем систематически, итерация за итерацией, двигается к смежным решениям, пока не найдет наилучшее.

Представление знаний — это область искусственного интеллекта, занимающаяся представлением информации о мире в такой форме, чтобы компьютерная система могла использовать ее для решения сложных задач — например, диагностики заболевания или беседы с человеком.

Экспертные системы (логические умозаключения) — это системы, использующие отраслевые знания (из медицины, химии, права) в сочетании со сводом правил их применения. Системы совершенствуются по мере добавления новых знаний либо обновления или совершенствования правил.

Компьютерное зрение — это дисциплина, в рамках которой компьютеры обучаются идентифицировать, распределять по категориям и понимать информацию, содержащуюся в изображениях и видео. Такие системы имитируют человеческое зрение и расширяют его возможности.

Обработка аудио и сигналов — это машинное обучение, которое может использоваться для анализа аудио и других сигналов, особенно в средах с высоким уровнем шума. Такие технологии применяются, в частности, для компьютерного синтеза речи, обработки аудио- и аудиовизуальной информации.

Преобразование речи в текст — нейронные сети, преобразующие аудиосигналы в текст на множестве языков. Возможности применения: машинный перевод, голосовое управление, расшифровка аудио и пр.

Обработка естественного языка (NLP) — это область исследований, где компьютер обрабатывает человеческий (естественный) язык. Возможности применения: распознавание речи, машинный перевод и анализ интонации.

Сегмент прикладного искусственного интеллекта

Интеллектуальные агенты — это программы, общающиеся с человеком на естественном языке. Они могут помогать менеджерам по работе с клиентами, HR-службе, сотрудникам, занятым обучением и другими бизнес-задачами, связанными с обработкой запросов типа FAQ.

Коллаборативные роботы (коботы) — роботы, работающие сравнительно медленно и укомплектованные датчиками, обеспечивающими безопасное взаимодействие с работниками-людьми.

Биометрия, распознавание лиц и жесты: технология идентифицирует людей, их жесты или состояния по биометрическим показателям (стресс, активность и т. д.) для обеспечения взаимодействия человека и машины или идентификации личности и ее подтверждения.

Интеллектуальная автоматизация

: позволяет делегировать некоторые задачи от человека к машине, принципиально меняя традиционные рабочие процессы. У машин есть свои сильные стороны (скорость, возможность масштабирования, способность ориентироваться в условиях многозадачности), дополняющие человеческий труд, максимально расширяя границы возможного.

Рекомендательные системы: формулируют рекомендации на основе неявных закономерностей, обнаруживаемых алгоритмами на основе искусственного интеллекта с течением времени. Они могут быть нацелены на взаимодействие с клиентом (предлагать новые продукты) либо использоваться внутри компании (подсказывать стратегические решения).

Интеллектуальные продукты: искусственный интеллект внедряют в продукт уже на этапе проектирования, чтобы продукт мог развиваться, соответствуя меняющимся потребностям клиентов, а также предвосхищать их потребности и предпочтения.

Персонализация: анализируются тренды и закономерности поведения сотрудников и клиентов с целью настроить программные средства и продукты под конкретных пользователей или потребителей.

Распознавание текста, речи, изображений и видео: распознавание текста, изображений, речи, видеозаписей для извлечения данных и связей, которые могут быть применены для большого спектра аналитических задач и использоваться для создания более высокоуровневых систем, предназначенных для взаимодействия с людьми.

Расширенная реальность: возможности искусственного интеллекта комбинируются с технологиями виртуальной, дополненной и смешанной реальности. Так искусственный интеллект создает дополнительные возможности для обучения, технической поддержки и других видов деятельности.