В ближайшие пять лет искусственный интеллект, “умные” машины и мобильные приложения могут стать менее “искусственными” и более “интеллектуальными”. С философской точки зрения “мышление” роботов сближается с человеческим - перспективные системы опираются на “нисходящие” рассуждения, а не на голый big data. Подобные перемены сулят широкие возможности для тех бизнесов, которым ранний ИИ был не по карману.

Устройство большинства систем, основанных на искусственном интеллекте, сводится к “скармливанию” крупных массивов данных алгоритмам машинного и глубокого обучения. Так, например, в рамках “обучения” беспилотных автомобилей процессу вождения, разработчики загружали в системы широчайшие подборки подвергнутых детальному анализу дорожных ситуаций. В ситуациях, когда реальное положение дел не совпадало ни с одним из разобранных в архиве кейсов, автоматика умывала руки.

Робомобили успешно справляются с типовыми ситуациями, распознают пешеходов, дорожные переходы и транспортные средства, однако впадают в замешательство при виде ребенка, одетого в экзотический костюм для Хэллоуина.

Некоторые пользователи iPhone X обратили внимание на то, что смартфон не всегда опознает их под утро. Системы распознавания визуальных образов впадают в ступор, стоит разработчикам перевернуть и слегка изменить изменить “известную” алгоритму картинку. И, напротив, автоматика зачастую ошибочно выявляет сходства с известным объектом на абсолютно незнакомых изображениях.

Проблема иного рода связана с этическими ограничениями: компаниям-интеграторам ИИ не всегда удается получить необходимую информацию, чтобы задействовать исчерпывающие возможности нейросетей. Законодательство ряда стран жестко ограничивает возможности по использованию персональных данных граждан, а устройство систем по принципу “черного ящика” оставляет широкий простор для всевозможных манипуляций.

Будущее принадлежит умным системам. Образ “интеллектуальных” ботов включает в себя по меньшей мере четыре тренда:

• Формирование эффективной способности “рассуждать”. Придание машинам набора концептуальных представлений о мире позволит тренировать их, используя минимум данных. Разработки в этом направлении ведет, например, калифорнийский стартап Vicarious, в число инвесторов которого уже вошли Джефф Безос, Марк Цукерберг и Марк Бениофф. Компания стремится наделить роботов “general intelligence”: способностью обобщать информацию и делать выводы по малым наборам примеров. Бот Vicarious преодолевает капчи с результатом порядка 67%. Для расшифровки одного символа ему требуется всего 5 тренировочных примеров, тогда как традиционные нейросети достигают худших результатов, опираясь на умопомрачительные (в 50 тыс. раз большие, чем в случае с Vicarious) объемы данных.
• Моделирование реакции, выводов и действий человека-эксперта в ситуации неопределенности и нехватки данных. Исследователи Siemens Волар Стеринг и Штеффен Удлуфт разработали ИИ, управляющий сложными процессами горения в газовых турбинах, температура которых достигает 1.6 тысяч градусов Цельсия. Бот регулирует объемы выбросов, оптимальный износ и длительность работы турбины, учитывает качество подаваемых газов, баланс температур и целый ряд других показателей. Работа системы напоминает не выверенные сравнения конкретных кейсов, а отточенные действия профессионального концертного звукорежиссера.
• Целый ряд компаний и организаций стремятся обеспечить машины основами “здравого смысла” и элементарным восприятием повседневных объектов, действий, коммуникаций, ситуаций и опыта. Главной проблемой описания и воспроизведения “здравого смысла” остается невозможность его измерения.
  AI2 работают над определением понятия “здравого смысла” применительно к ИИ и разрабатывают наборы соответствующих вопросов. Агентство DARPA вложило в эти разработки порядка $2 млрд. Исследователям Microsoft и Университета Макгилла удалось снять отдельные неопределенности в вопросах расшифровки естественного языка, а создатели Siri из SRI International заявили о намерении “научить” ИИ имитации людской памяти.
• Искусственный интеллект “учится” делать ставки и выигрывать. Что это значит? Люди часто опираются на “автоматический” перебор сценариев и вероятностей и действуют в соответствии с наиболее вероятным исходом. Метод приобретает особую актуальность в условиях отсутствия у систем обширного опыта. Разработками в данной области занимается, в том числе, корпорация Alphabet. Ее инициатива Project Loon призвана обеспечить ряд регионов интернет-покрытием, раздаваемым с размещенных в стратосфере воздушных шаров. Интеллектуальная навигационная система опирается на гауссовские процессы и предсказывает оптимальные для каждого шара координаты, учитывая слоистость атмосферы и изменчивость ветра. Автоматика размещает шары на требуемых высотах, позволяя ветру доставить их в нужное место. Подход избавляет системы от “черных ящиков” нейросетей и позволяет разработчикам исправлять ошибки буквально “на лету”.

История развития современного ИИ восходит к идеям 1950-х. В те годы исследователи обратились к “умному” “нисходящему” подходу, однако, столкнувшись с массой проблем и застоев, перешли к простому и перспективному машинному обучению “снизу-вверх”. Современные исследователи завершают исторический цикл и вновь обращаются к разработкам настоящего интеллекта. Получится ли у них? Время покажет.

По материалам: hbr.org; изображение в заголовке - Pixabay.com

За новостями робототехники, ИИ, а также за трендами удобно следить в телеграм-канале prorobots