Файл: Цифровая экономика. Искусственный интеллект..pdf

Принцип обратной связи, заключается в использовании информации, поступающей из окружающего ми­ра, для изменения поведения машины. В дальнейшем Винер разработал на принципе обратной связи теории как машинного, так и человеческого разума. Именно благодаря обратной связи, все живое приспосабливается к окружающей сре­де и добивается своих целей. К этому времени и другие ученые стали понимать, что создателям вычислительных машин есть чему поучиться у биологии. Это дало начало нейронному подходу. Основоположником этого подхода, стал нейрофизиолог Уоррен Маккалох. В 1942 г.  Макка­лох, участвуя в научной конференции в Нью-Йорке, услышал доклад одного из сотрудников Винера о механизмах обратной связи в биологии.  Выска­занные в докладе идеи перекликались с собственными идеями Маккалоха относительно работы головного мозга. Позже, Маккалох разработал теорию деятельности головного мозга. Эта теория и являлась той основой, на которой сформировалось широко расп­ространенное мнение, что функции компьютера и мозга в значительной ме­ре сходны. Исходя из предшествующих исследований нейронов (основных активных клеток, составляющих нервную систему животных), проведенных Маккаллохом, он вместе с математиком Питтсом, выдвинул гипотезу, что нейроны можно упро­щенно рассматривать как устройства, оперирующие двоичными числами. Двоичные числа, состоящие из цифр, единица и нуль, - рабочий инструмент одной из систем математической логики.

Английский математик XIX в. Джордж Буль, предложивший эту остроумную систему, показал, что логи­ческие утверждения можно закодировать в виде единиц и нулей, где еди­ница соответствует истинному высказыванию, а нуль - ложному, после че­го этим можно оперировать как обычными числами. В 30-е годы XX в., американский ученый Клод Шеннон, по­нял, что двоичные единица и нуль вполне соответствуют двум состояниям электрической цепи (включено-выключено), поэтому двоичная система идеально подходит для электронно-вычислительных устройств. Маккалох и Питтс предложили конструкцию сети из электронных "нейронов" и показа­ли, что подобная сеть может выполнять практически любые вообразимые числовые или логические операции.  Далее они предположили, что такая сеть в состоянии также обучаться, распознавать образы, обобщать, т.е. она обладает всеми чертами интеллекта. Из этого кибернетического, или нейронного, подхода к машин­ному разуму скоро сформировался так называемый "восходящий метод" ­движение от простых аналогов нервной системы примитивных существ, об­ладающих малым числом нейронов, к сложнейшей нервной системе человека и даже выше. Конечная цель виделась в создании "адаптивной сети", "са­моорганизующейся  системы" или "обучающейся машины" - все эти названия разные исследователи использовали для обозначения устройств, способных следить  за окружающей обстановкой и с помощью обратной связи изменять свое поведение в полном соответствии с живыми организмами и способностью вести себя так же как они. Однако, не во всех случаях возможна аналогия с живыми организмами. И дело здесь не только во времени. Основной трудностью, с кото­рой столкнулся "восходящий метод" на заре своего существования, была высокая стоимость электронных элементов. Даже самые совершенные кибернетические модели содержали лишь несколько сотен нейронов.  Столь ограниченные возможности, обескуражили многих исследователей того периода. В середине 1958 г. Фрэнком Розенб­латом, была предложена модель электронного устройства, названного им перцептроном, которое должно было бы имити­ровать процессы человеческого мышления и вывести искусственный интеллект на новый уровень.

Два года спустя была проде­монстрирована первая действующая машина "Марк-1", которая могла нау­чится распознавать некоторые из букв, написанных на карточках, которые подносили к его "глазам", напоминающие кинокамеры. Перцептрон Розенб­лата, оказался наивысшим достижением "восходящего", или нейронного метода создания искусственного интеллекта.  Чтобы научить перцептрон способности строить догадки на основе исходных предпосылок, в нем пре­дусматривалась некая элементарная разновидность автономной работы или "самопрограммирования". При распознании той или иной буквы одни ее элементы или группы элементов оказываются гораздо более существенными, чем другие. Перцептрон мог научаться выделять такие характерные осо­бенности буквы полуавтоматически, своего рода методом проб и ошибок, напоминающим процесс обучения. Однако возможности перцептрона были ог­раниченными: машина не могла надежно распознавать частично закрытые буквы, а также буквы иного размера или рисунка, нежели те, которые ис­пользовались на этапе ее обучения. Ведущие представители так называемого "нисходящего метода" специ­ализировались, в отличие от представителей "восходящего метода", на составлении для цифровых компьютеров общего назначения, программ реше­ния задач, требующих от людей значительного интеллекта, например для игры в шахматы или поиска математических доказательств. К числу защит­ников "нисходящего метода" относился Марвин Минский, однако в 1951 г., он создал обучающуюся сеть на вакуумных электронных лампах и был сторонником "восходящего метода". Позже, он написал книгу "Перцептро­ны", где математически доказывалось, что перцептроны, не в состоянии выполнять многие из тех функций, которые предсказывал им Розенблат. Нельзя сказать, что появившаяся в 1969 г. эта критическая работа покончила с кибернетикой. Она лишь переместила интерес аспирантов и субсидии правительственных организаций США, традиционно финансирующих исследования по ИИ, на другое направление исследований - "нисходящий метод". Интерес к кибернетике в последнее время возродился, так как сто­ронники "нисходящего метода" столкнулись со столь же неодолимыми труд­ностями. Сам Минский признал, что для реального прорыва вперед в создании разум­ных машин потребуется устройство, во многом похожее на перцептрон. Но в основном ИИ, стал синонимом нисходящего подхода, который выражался в составлении все более сложных программ для компьютеров, моделирующих сложную деятельность человеческого мозга.

1.3. Специфика работы искусственного интеллекта в настоящее время

Специфика работы искусственного интеллекта на сегодняшний день, осуществляется по следующим направлениям:

• Представление знаний;
• Доказательство теорем;
• Компьютерное зрение;
• Машинное обучение (Робототехника);
• Обработка естественных языков;
• Многоагентные системы;
• Инструментальные средства ИИ.

Большое количество научных работ по ИИ посвящено компьютерному зрению. Это направление ИИ связано с развитием глубинного обучения. Впервые компьютеры стали способны выполнять некоторые визуальные задачи классификации лучше, чем люди. Например, заявленная точность назначения оптимального лечения раковых заболеваний легких у компьютера IBM Watson составляет 90%, что превышает на 40% качество диагностики, проводимой врачами-онкологами. Важным понятием в ИИ является «машинное обучение» (его называют также статистическим обучением). Основу данной технологии в 1959 г. заложил Артур Самюэль, когда предложил работать над обучением компьютеров, не используя определенно запрограммированные алгоритмы. Проще говоря, программа обучается, когда в ней происходит изменение, позволяющее во второй раз выполнить определенное задание лучше. Машинное обучение - технология, в рамках которой создается база обучающих примеров, по которой компьютер или нейросеть, настраивается (обучается) и затем может правильно распознавать и классифицировать поступающие новые данные, т.е. это совокупность алгоритмов и методов, позволяющих научить компьютеры делать выводы на основании имеющихся данных.

Добавление обучающих примеров позволяет улучшить результаты распознавания. Таким образом происходит самообучение программы. По этой технологии, в большой базе фотографий компьютер научили распознавать лица, причем он делает это точнее, чем человек. Настоящий прорыв в обучении машин произошел в начале 2016 г., когда программа Google AlphaGo сумела обыграть в игру Go, ее абсолютного чемпиона Ли Седоля. Эта игра, является наиболее интеллектуально сложной игрой в мире, в которой для победы необходимо не просто перебирать всевозможные ходы. Добиться победы в Go над ее чемпионом позволила технология «глубинного машинного обучения» (deep learning, DL), которая сейчас является самым трендовым направлением развития искусственного интеллекта. Этот термин применяемся к искусственным нейронным сетям (ИНС), где используется больше одного скрытого слоя, поэтому формально «глубинный» указывает еще и на более многослойную архитектуру нейронной сети. Уникальным для глубинного обучения является то, что машина сама находит признаки (ключевые черты чего-либо, по которым легче всего отделить один класс объектов от другого) и структурирует их иерархично: из более простых складываются более сложные. У термина «глубинное обучение» нет формального определения, поскольку он объединяет целую группу различных технологий.^[4] Таким образом, компьютер учится на примерах и своем собственном опыте. Программа AlphaGo сначала проанализировала 29,4 млн ходов в 160 тыс. партий профессиональных игроков, а затем две копии программы начали играть одна с другой, добавляя новые партии в обучающую выборку. Сыграв миллионы партий, программа научилась оценивать наиболее выгодное положение камней на доске для достижения победы.^[5] Технология глубинного обучения сейчас является неотъемлемой частью исследований в области распознавания речи, изображений, при создании систем управления беспилотными автомобилями, диагностике заболеваний и решении других сложных задач.

Развитием технологии глубинного обучения стала реализованная IBM летом 2017 г. технология распределенного глубинного обучения (DDL), позволяющая на порядок сократить время обучения искусственной нейронной сети. Массовое распространение смартфонов породило широкое использование речевых помощников, в которых реализуются элементы ИИ. Такие приложения помогают пользователю в его повседневной жизни. Среди них такие известные приложения, как Siri (компании Apple), Cortana (Microsoft), Google Now (Google), Echo (Amazon), «Алиса» (Яндекс) и прочие, которыми уже пользуются десятки миллионов людей. Данные приложения реализуются также на планшетах, ноутбуках и персональных компьютерах. Со временем эти программы станут все интеллектуальнее и незаменимее. Важным направлением работ по ИИ является выявление структуры мозга человека. Такие проекты весьма дорогостоящие, и потому их реализацию могут позволить себе немногие страны. Анализ структуры мозга - обратное проектирование, которое предполагает, что сначала нужно разобраться в тонкостях человеческого мозга, а затем представить то, что мозг делает, в виде аппаратного и программного обеспечения. В итоге ученые надеются создать компьютер, обладающий ИИ человеческого уровня. Моделированию человеческого мозга посвящен международный проект Human Brain Project (HBP), который ведет команда из Швейцарской Федеральной политехнической школы в Лозанне под руководством профессора Генри Маркрама. Цель проекта - синтезировать все знания, полученные людьми о мозге, в единую полноценную модель мозга внутри суперкомпьютера. Завершение проекта предполагается в 2023 г.

Американский проект Brain Activity Map Project («Карта активности мозга», 2013 г.) рассчитан на то, что за 10 лет американским ученым удастся зафиксировать и картографировать активность каждого нейрона в человеческом мозге. Проект SyNAPSE, финансируемый DARPA и корпорацией IBM, ставит задачу создания физической копии мозга, воплощенной в виде специальных микросхем с искусственными нейронами. Это направление получило название нейроморфная электроника.^[6] Аналогичные проекты развивает Китай. В настоящий момент исчерпывающее моделирование мозга невозможно в силу ограниченных возможностей современных суперкомпьютеров. Из других глобальных проектов, в которых используются методы ИИ и системную аналитику, следует отметить проект «Геном человека», в котором планируется определить ДНК-последовательности всех живых существ планеты. Например, Amazon Third Way разрабатывает проект под названием «Банк кодов Земли».^[7]

Глава 2. Искусственный интеллект в цифровой экономике России

2.1. Внедрение искусственного интеллекта в экономику России

Искусственный интеллект является одним из трендовых направлений, которым охвачены все развитые государства мира. Под искусственным интеллектом в России, понимается комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека. В целях развития искусственного интеллекта в России, указом Президента Российской Федерации от 10 октября 2019 г. № 490 утверждена Национальная стратегия развития искусственного интеллекта до 2030 года.^[8]

Стратегией определены задачи развития искусственного интеллекта в России, к которым относятся:

• Поддержка научных исследований в целях обеспечения опережающего развития искусственного интеллекта;
• Разработка и развитие программного обеспечения, в котором используются технологии искусственного интеллекта;
• Повышение доступности и качества данных, необходимых для развития технологий искусственного интеллекта;
• Повышение доступности аппаратного обеспечения, необходимого для решения задач в области искусственного интеллекта;
• Повышение уровня обеспечения российского рынка технологий искусственного интеллекта квалифицированными кадрами и уровня информированности населения о возможных сферах использования таких технологий;
• Создание комплексной системы регулирования общественных отношений, возникающих в связи с развитием и использованием технологий искусственного интеллекта.

Также к развитию ИИ в России привлекаются крупные государственные и частные компании. Между Правительством Российской Федерации и ПАО Сбербанк, уже подписано Соглашение о намерениях, предусматривающее подготовку компанией и утверждение Правительством Российской Федерации «дорожной карты» развития высокотехнологичной области «Искусственный интеллект». Кроме того, отдельно подписано Соглашение между Правительством Российской Федерации и АО «УК «РФПИ», предусматривающее содействие в привлечении инвестиций в российские компании в области искусственного интеллекта совместно с международными партнерами. Указанные соглашения являются основой для разработки «дорожной карты» развития высокотехнологичной области «Искусственный интеллект», которая включает в себя результаты федерального проекта «Искусственный интеллект», а также мероприятия ПАО Сбербанк и АО «УК «РФПИ» по развитию искусственного интеллекта. Минэкономразвития России является федеральным органом исполнительной власти, координирующим реализацию «дорожной карты».