Что такое искусственный интеллект (ИИ)?

Искусственный интеллект (ИИ) — это набор технологий, которые позволяют компьютерам выполнять множество расширенных функций, включая способность видеть, понимать и переводить устную и письменную речь, анализировать данные, давать рекомендации и многое другое.

ИИ является основой инноваций в современных вычислениях, раскрывая ценность для частных лиц и предприятий, помогая автоматизировать процессы и предоставляя информацию о больших наборах данных. Появляется широкий спектр вариантов использования ИИ: от роботов, которые могут самостоятельно перемещаться по складу, до систем кибербезопасности, которые постоянно анализируют и совершенствуют себя, и виртуальных помощников, которые могут понимать, что говорят люди, и действовать на основе этой информации. Машинное обучение (МО) — это особенно важное подмножество ИИ, в котором машины создают модели на основе обучающих данных, как правило, для получения более точных прогнозов.

Чтобы узнать больше о машинном обучении, прочтите о продуктах искусственного интеллекта Google Cloud, включая Vertex AI, унифицированную платформу Google для обучения, развертывания и управления моделями машинного обучения; API-интерфейсы, такие как преобразование речи в текст; CCAI для автоматизации колл-центра и виртуальных агентов; и отраслевые решения для здравоохранения, кредитования и других вертикалей.

Google — лидер Forrester Wave™: инфраструктура искусственного интеллекта, четвертый квартал 2021 г.
Получить отчет

Определение искусственного интеллекта

Искусственный интеллект — это область науки, связанная с созданием компьютеров и машин, которые могут рассуждать, обучаться и действовать таким образом, который обычно требует человеческого интеллекта или включает данные, масштаб которых превышает возможности человеческого анализа.

ИИ — это широкая область, охватывающая множество различных дисциплин, включая информатику, анализ данных и статистику, разработку аппаратного и программного обеспечения, лингвистику, неврологию и даже философию и психологию.

На операционном уровне для использования в бизнесе ИИ представляет собой набор технологий, основанных в первую очередь на машинном и глубоком обучении, которые используются для анализа данных, прогнозирования и прогнозирования, категоризации объектов, обработки естественного языка, рекомендаций, интеллектуального поиска данных и многого другого.

Типы искусственного интеллекта

Искусственный интеллект может быть организован несколькими способами в зависимости от этапов разработки или выполняемых действий.

Например, общепризнанно выделяют четыре этапа развития ИИ.

1. Реактивные машины: Ограниченный ИИ, который реагирует только на различные виды стимулов на основе заранее запрограммированных правил. Не использует память и поэтому не может учиться на новых данных. Deep Blue от IBM, победивший чемпиона мира по шахматам Гарри Каспарова в 1997 году, был примером реактивной машины.
2. Ограниченная память: Считается, что большинство современных ИИ имеют ограниченную память. Он может использовать память для улучшения с течением времени, обучаясь на новых данных, как правило, с помощью искусственной нейронной сети или другой модели обучения. Глубокое обучение, подмножество машинного обучения, считается искусственным интеллектом с ограниченной памятью.
3. Теория разума: Теории искусственного интеллекта в настоящее время не существует, но исследования ее возможностей продолжаются. В нем описывается ИИ, который может эмулировать человеческий разум и обладает способностями к принятию решений, равными человеческим, включая распознавание и запоминание эмоций и реакцию в социальных ситуациях, как человек.
4. Самосознание: На шаг выше теории разума ИИ, самосознательный ИИ описывает мифическую машину, которая осознает свое существование и обладает интеллектуальными и эмоциональными способностями человека. Как и теория искусственного интеллекта, самоосознающего ИИ в настоящее время не существует.

Более полезный способ классифицировать типы искусственного интеллекта в широком смысле — это то, что машина может делать. Все то, что мы в настоящее время называем искусственным интеллектом, считается искусственным «узким» интеллектом, поскольку он может выполнять только узкие наборы действий, основанные на его программировании и обучении. Например, алгоритм ИИ, используемый для классификации объектов, не сможет выполнять обработку естественного языка. Google Search — это форма узкого ИИ, как и прогнозная аналитика или виртуальные помощники.

Общий искусственный интеллект (AGI) — это способность машины «чувствовать, думать и действовать» точно так же, как человек. АГИ в настоящее время не существует. Следующим уровнем будет искусственный сверхинтеллект (ИСИ), в котором машина сможет функционировать во всех отношениях лучше, чем человек.

Учебные модели искусственного интеллекта

Когда компании говорят об ИИ, они часто говорят о «обучающих данных». Но что это значит? Помните, что искусственный интеллект с ограниченной памятью — это ИИ, который со временем улучшается, обучаясь на новых данных. Машинное обучение — это разновидность искусственного интеллекта, которая использует алгоритмы для обучения данных для получения результатов.

В общих чертах, в машинном обучении часто используются три типа моделей обучения:

контролируемое обучение — это модель машинного обучения, которая сопоставляет определенные входные данные с выходными, используя помеченные обучающие данные (структурированные данные). Проще говоря, чтобы научить алгоритм распознавать изображения кошек, скармливайте ему изображения, помеченные как кошки.

Неконтролируемое обучение — это модель машинного обучения, которая изучает закономерности на основе неразмеченных данных (неструктурированных данных). В отличие от обучения с учителем, конечный результат не известен заранее. Скорее, алгоритм учится. из данные, классифицируя их по группам на основе атрибутов. Например, неконтролируемое обучение хорошо подходит для сопоставления с образцом и описательного моделирования.

В дополнение к контролируемому и неконтролируемому обучению часто используется смешанный подход, называемый обучением с полуучителем, при котором помечаются только некоторые данные. При полуконтролируемом обучении конечный результат известен, но алгоритм должен выяснить, как организовать и структурировать данные для достижения желаемых результатов.

Обучение с подкреплением — это модель машинного обучения, которую можно в общих чертах описать как «обучение на практике». «Агент» учится выполнять определенную задачу методом проб и ошибок (цикл обратной связи), пока его производительность не окажется в желаемом диапазоне. Агент получает положительное подкрепление, когда выполняет задачу хорошо, и отрицательное подкрепление, когда выполняет ее плохо. Примером обучения с подкреплением может быть обучение роботизированной руки поднимать мяч.

Распространенные типы искусственных нейронных сетей

Распространенным типом обучающей модели в ИИ является искусственная нейронная сеть, модель, в общих чертах основанная на человеческом мозге.

Нейронная сеть — это система искусственных нейронов, иногда называемых персептронами, которые представляют собой вычислительные узлы, используемые для классификации и анализа данных. Данные передаются на первый уровень нейронной сети, где каждый персептрон принимает решение, а затем передает эту информацию на несколько узлов следующего уровня. Модели обучения с более чем тремя слоями называются «глубокими нейронными сетями» или «глубоким обучением». Некоторые современные нейронные сети имеют сотни или тысячи слоев. Выходные данные конечных персептронов выполняют задачу, поставленную перед нейронной сетью, например, классифицируют объект или находят закономерности в данных.

Некоторые из наиболее распространенных типов искусственных нейронных сетей, с которыми вы можете столкнуться, включают:

Нейронные сети с прямой связью (FF) являются одной из старейших форм нейронных сетей, в которой данные проходят в одном направлении через слои искусственных нейронов, пока не будет достигнут результат.В настоящее время большинство нейронных сетей с прямой связью считаются «глубокой прямой связью» с несколькими слоями (и более чем одним «скрытым» слоем). Нейронные сети с прямой связью обычно сочетаются с алгоритмом исправления ошибок, называемым «обратным распространением», который, говоря простым языком, начинается с результата нейронной сети и возвращается к началу, находя ошибки для повышения точности нейронной сети. Многие простые, но мощные нейронные сети имеют глубокую прямую связь.

Рекуррентные нейронные сети (RNN) отличаются от нейронных сетей с прямой связью тем, что они обычно используют данные временных рядов или данные, включающие последовательности. В отличие от нейронных сетей с прямой связью, которые используют веса в каждом узле сети, рекуррентные нейронные сети имеют «память» о том, что произошло на предыдущем уровне, в зависимости от выходных данных текущего слоя. Например, при обработке естественного языка RNN могут «помнить» другие слова, используемые в предложении. RNN часто используются для распознавания речи, перевода и подписи к изображениям.

Долго/кратковременная память (LSTM) являются расширенной формой RNN, которая может использовать память, чтобы «запомнить» то, что произошло на предыдущих уровнях. Разница между RNN и LTSM заключается в том, что LTSM может помнить, что произошло несколько слоев назад, с помощью «ячеек памяти». LSTM часто используется для распознавания речи и прогнозирования.

Сверточные нейронные сети (CNN) включают некоторые из наиболее распространенных нейронных сетей в современном искусственном интеллекте. Чаще всего используемые в распознавании изображений, CNN используют несколько отдельных слоев (сверточный слой, затем слой пула), которые фильтруют различные части изображения, прежде чем собрать его обратно (в полностью связанном слое). Более ранние сверточные слои могут искать простые функции изображения, такие как цвета и края, прежде чем искать более сложные функции в дополнительных слоях.

Генеративно-состязательные сети (GAN) включают две нейронные сети, конкурирующие друг с другом в игре, которая в конечном итоге повышает точность вывода. Одна сеть (генератор) создает примеры, которые другая сеть (дискриминатор) пытается доказать истинность или ложность. GAN использовались для создания реалистичных изображений и даже для создания произведений искусства.