Колонки

Когда «умных» машин будет больше, чем «умных» людей?

Колонки
Андрей Черногоров
Андрей Черногоров

Основатель российской «Ассоциации директоров по закупкам», системы закупок Bidzaar

Андрей Черногоров

Чему можно научить машину и когда нам будут помогать личные роботы-ассистенты? Андрей Черногоров, генеральный директор компании Cognitive Technologies, рассказывает о вариантах развития искусственного интеллекта.

Когда «умных» машин будет больше, чем «умных» людей?

Роботы и люди

В середине октября исследовательская компания в сфере ИТ-индустрии Gartner опубликовала ежегодный технологический прогноз до 2020 года, который содержит 10 пунктов наиболее вероятных изменений в сферах информационных и коммуникационных технологий.

Среди особо интересных пунктов – прогноз, что к 2018 году в 50% быстрорастущих компаний по всему миру «умных» сотрудников будет меньше, чем «умных» машин.

Подобных машин будет много, потому что их легко клонировать и они не требуют времени на рабочую адаптацию. Интеллектуальные системы, по прогнозам аналитиков Gartner, будут анализировать рабочие процессы на заводах и в сервисных компаниях или узнавать, справляется ли рабочий со своей задачей в заданный интервал времени, проверять, насколько он эффективен. 

В этой связи вопрос адекватного восприятия роботами той работы, которую рядом с ними делают люди, становится особенно острым. Можно ли научить компьютер мыслить?

Положительный ответ на этот вопрос, поставленный еще в 1950-м году британским кибернетиком Аланом Тьюрингом, в самое ближайшее время будет дан однозначно. Так, в октябре этого года группа исследователей из Google DeepMind – лондонской компании, занимающейся разработками в области искусственного интеллекта – сообщила в релизе своего доклада arXiv, что они научили компьютеры читать по-английски и при этом правильно понимать около 60 процентов «прочитанного». По сообщению британцев, они закачали в базу программы-чтеца почти 330 тысяч онлайн-статей с сайтов телеканала CNN и газеты The Daily Mail. Почти во всех публикациях были выделены основные мысли, которые компьютер может использовать как своего рода подсказку, «мостик» к полному тексту. На данный момент компьютер, которому задают вопросы по содержанию «прочитанного» им текста, дает 60% правильных ответов. В то же время, отмечают ученые, у машин еще есть проблемы с «пониманием» сложных предложений.

Кстати, мы в Cognitive Technologies добились от аналогичной машины стопроцентного понимания загруженной в нее информации дорабатывая программные ИТ-решения в сфере электронных закупок и роботизированные алгоритмы обработки информации. Разница оказалась лишь в объеме предлагаемых компьютеру данных.



По теме: Как современные российские ИТ-разработки меняют мир



Невыполнимый тест Тьюринга

Не стоит переоценивать современные научные разработки в сфере искусственного интеллекта, но следует во всех деталях и здраво оценивать то место, которое они занимает в эпохе шестого технологического уклада. Дело в том, что пресловутый тест Тьюринга, чтобы ни говорили ученые по всему миру, не прошел еще ни один робот с искусственным интеллектом. Ни одному компьютеру не удалось полноценно обвести эксперта вокруг пальца, внушив, что тот разговаривает с человеком. До всеобъемлющего понимания компьютером того, что он читает или слышит, еще далеко. Настоящее, полноценное понимание машиной изученной информации – это не только вопрос вовремя подобранного правильного ответа из базы данных проанализированного текста. Это, прежде всего, умение машины оперировать этими данными на уровне человека, то есть, составлять синтетические суждения в ответ на сложные, общие или абстрактные вопросы, для которых нужен не конкретный однозначный ответ по категориям из серии «это холодное, а вот это горячее», а использование всего контекст изученной информации.

Искусственный интеллект пока еще только приближается к освоению метанавыков работы с информацией, когда ответ на некий запрос дается не на основе однозначно указанной единицы информации (слова или фразы), а на основе всей совокупности данных. 

Конечно, по «мостикам», упомянутым в работе британских коллег из проекта DeepMind, можно установить примерный смысл того, о чем говорится в статье, которую дают роботу. В России тоже есть роботы, позволяющие, к примеру, в романах наших классиков определять фрагменты, относящиеся к теме любви, войны, погоды и так далее. Но все это пока именно «техническое» понимание текста, а не интеллектуальное.

В нашей работе мы постарались пойти дальше и приблизить программу искусственного интеллекта к практическому, интеллектуальному использованию своих знаний. А не к простому энциклопедическому подбору и сопоставлению данных из вопроса с информацией, которая потенциально содержит ответ.

Приведу пример использования искусственного интеллекта в разработанном нами программном комплексе по управлению закупками крупной продовольственной сети.



По теме: Какие технологии используются в ритейле?



Чтобы автоматизировать бухгалтерскую отчетность, нам необходимо было научить компьютер понимать, что, к примеру, слова «булка» и «батон» относятся к общему понятию «хлеб», а «помидоры» и «огурцы» – к «овощам». И так по всем видам товаров. То есть, компьютер должен был не просто ранжировать имеющиеся вербальные единицы по предустановленным категориям, но и считывать различные оттенки, синонимы этих слов. Фактически перед нами стояла задача внедрить в программу искусственного интеллекта элементы образного мышления.

В «словарный запас» нашей машины было закачано более 500 тысяч слов.

Результат программы искусственного интеллекта будет тем лучше, чем больше в его базе будет информации.

То есть, с точки зрения гносеологии мы пока еще имеем дело с механическими принципами обучения искусственного интеллекта: чем больше книжек прочитал робот, тем умнее он будет. В нашей, человеческой, жизни это не совсем так. Уровень знаний измеряется в первую очередь не объемом изученного материала, а метанавыками, умением оперировать данными для формирования собственных идей, решений, образов. Справедливости ради стоит отметить, что в свое время искусственный интеллект привлек человечество именно с точки зрения безграничных перспектив по обработке массивов информации. Во взаимоотношениях человека и робота механические возможности последнего как раз и ставились во главу угла.

В то же время нужно понимать, что обрабатывающие возможности машины, скорее всего, не перевесят те уникальные и по-настоящему неповторимые принципы работы с информацией, которые есть у человеческого мозга.

Наша память организована иначе, чем у компьютера — она структурирована семантически. Смоделировать подобный принцип работы крайне сложно.

Например, информация о кошке вовсе не лежит в нашем мозге в том месте, где собрана наша память о животных. Если сегодня кошка опрокинула вашу любимую цветочную вазу, та разбилась, вам пришлось ее склеивать… То в будущем взгляд на эту вазу и ее трещины будет давать вам прочную ассоциацию с кошкой.

Робота подобная ассоциативная тропинка может завести в тупик. По правилам работы искусственного интеллекта, кошка должна находиться среди других кошек, а ваза — рядом с другими предметами на столе. Робот не оценит ассоциативные лабиринты памяти, описанные в книгах у Пруста. А вот по правилам человека воспоминания в мозгу лежат, где хотят, образуя сеть из миллиардов уникальных тропинок, связей, ассоциаций. 

Например, для поиска файлов на компьютере вы указываете путь до точки назначения.

Мозгу тоже нужен «адрес», но он указывается совсем другим способом – и этот путь почти невозможно прописать в программных алгоритмах.

Искусственный интеллект пока еще не в состоянии оперировать своими данными подобным «импровизированным» образом. В прошлом году университет Рединга в Англии сообщал, что полноценный тест Тьюринга все-таки был пройден с помощью программы «Евгений Густман», разработанной в Санкт-Петербурге. Компьютер, выдававший себя за одесского подростка, вводил экспертов в заблуждение путем переписки в течение 33% отведенного для теста времени, перекрыв 30-процентный рубеж.

Но профессионалы все равно не считают это достижение полноценным. Причина в том, что серьезные результаты системы искусственного интеллекта сегодня можно демонстрировать на узких задачах, ограниченных конкретной темой. Задача для «Евгения Густмана» была жестко ограничена его возрастом, что не давало возможность задавать «любые» вопросы. Эта программа была доступна в интернете, и было отмечено множество случаев, когда она давала некорректные ответы на самые элементарные вопросы. Здесь, думаю, нужно задать вопросы организаторам конкурса, которые допускали подобные упрощения. В этом смысле среди профессионалов более ценится участие в премии Лёбнера, присуждаемой победителю ежегодного конкурса «AI Loebner», в котором программы соревнуются в прохождении теста Тьюринга. Конкурс проводится с 1990 года.

Соревнование проходит в формате стандартного текстового теста Тьюринга. Судьи должны были вести разговор, не видя собеседников, а затем огласить свое мнение: кто из них является чат-ботом, а кто — человеком, а также проставить оценки каждой программе. В отличие от других аналогичных конкурсов, жюри премии Лёбнера оценивает конкурсантов более жестко, не допуская чисто технической победы программы при достижении ей некоего минимального порога реалистичности, как в случае с конкурсом, где участвовала программа «Густман». Программа, претендующая на победу в премии, должна пройти тест с использованием текстового, визуального и звукового подтверждения.


Как заставить робота учиться

Сегодня многие задаются вопросом: когда уровень распознавания образов нейросетью искусственного интеллекта достигнет качества и скорости человеческого распознавания? Но вопрос нужно ставить шире – что произойдет после? Ведь искусственный интеллект не остановится и на этом – его алгоритм постоянного экспоненциального развития не будет остановлен, и он не ограничен скоростью биологической эволюции, как и не ограничены другие функции и способности роботов с искусственным интеллектом. Уже очень скоро после создания они смогут оптимизировать все свои возможности распознавания и обработки данных, таких как звуковые волны, световые волны всех диапазонов и так далее. Пока же следует помогать искусственному интеллекту обучаться в той манере, как это делает человек.

Мы поставили перед собой задачу планомерно обучить разработанную нами роботизированную системы навыкам анализа «пространства вариантов».  То есть, приблизить интеллект машины хотя бы к минимальному пониманию того, для чего и как можно альтернативно и нестандартно использовать информацию из ее бездонных баз данных.

Для поддержки национальной программы импортозамещения и всех отечественных и западных компаний, примкнувших к ней, мы используем нашу собственную платформу электронного документооборота и автоматизации бизнес-процессов «Е-1 Евфрат». С ее помощью все процессы полностью оцифрованы. И здесь роботизированные алгоритмы играют первую скрипку.



По теме: Импортозамещение в IT – опыт SkyparkCDN



В работе программы применяется так называемый динамический кейс-менеджмент, когда можно с помощью электронной системы управлять не только заданными заранее структурированными процессами, но и выполнением задач, которые формируются по ходу проекта. Подобный принцип в глобальном плане напоминает то, как происходит в нашей голове процесс познания: на основе одних материалов мы более хорошо понимаем другие и параллельно открываем для себя множество новых решений и прочих «инсайтов». Мы поняли, что динамический кейс-менеджмент – та среда, в которой искусственный интеллект может эволюционировать особенно быстро.

Уже сейчас мы можем сказать, что 15% решений система принимает автоматизированным образом. Искусственный интеллект пока не принимает финансовых решений, а только выполняет диспетчеризацию информационных потоков. По сути, это ассистент. Но не только руководителя – а любого сотрудника, причем максимально интеллектуальный, учитывающий самые разные показатели, включая ранг сотрудника, уровень его полномочий и режим доступа к корпоративной информации.

Не исключено, что следующий аналитический отчет Gartner начнется с предсказания того, что уже к 2025 году в спектр регулярных видов человеческих профессий войдет методист или инструктор для роботов.

Нам нужно со всей ответственностью подойти к формированию культурной и образовательной базы для роботизированных машин, чтобы наше будущее не превратилось в оживший сюжет постапокалиптического фильма. Иначе вышедшие из-под контроля хулиганы из проводов и стали всегда смогут сказать в свое оправдание, что в детстве до них никому не было дела и они не получили того образования, на которое так рассчитывали…



По теме: Компьютеры научились распознавать эмоции лучше человека



Фото на обложке: Shutterstock.

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

Материалы по теме

  1. 1 Два кейса: как заставить науку работать на рынок
  2. 2 Этот художник многому научил наших айтишников
  3. 3 Как мы пытались примирить молодых менеджеров и докторов наук РАН
  4. 4 6 AI-ботов, которые помогут найти и сохранить любовь
  5. 5 Типичные ошибки при запуске голосового робота и как их избежать
AgroCode Hub
Последние новости, актуальные события и нетворкинг в AgroTech-комьюнити — AgroCode Hub
Присоединяйся!