Что такое ИИ?

Искусственный интеллект, или ИИ, — это технология, которая позволяет компьютерам и машинам имитировать человеческий интеллект и возможности решения проблем.
Сам по себе или в сочетании с другими технологиями (например, датчиками, геолокацией, робототехникой) ИИ может выполнять задачи, которые в противном случае потребовали бы человеческого интеллекта или вмешательства. Цифровые помощники, GPS-наведение, автономные транспортные средства и генеративные инструменты искусственного интеллекта (например, Chat GPT от Open AI) — это лишь несколько примеров использования искусственного интеллекта в ежедневных новостях и нашей повседневной жизни.
Как область информатики искусственный интеллект включает в себя машинное обучение и глубокое обучение (и часто упоминается вместе с ними). Эти дисциплины включают разработку алгоритмов искусственного интеллекта, смоделированных по образцу процессов принятия решений в человеческом мозге, которые могут «обучаться» на доступных данных и с течением времени делать все более точные классификации или прогнозы.
Искусственный интеллект пережил множество циклов ажиотажа, но даже скептикам выпуск ChatGPT кажется поворотным моментом. В последний раз, когда генеративный искусственный интеллект выглядел столь масштабно, прорывы были связаны с компьютерным зрением, но теперь скачок вперед произошел в области обработки естественного языка (НЛП). Сегодня генеративный ИИ может изучать и синтезировать не только человеческий язык, но и другие типы данных, включая изображения, видео, программный код и даже молекулярные структуры.
Приложения для искусственного интеллекта растут с каждым днем. Но по мере того, как шумиха вокруг использования инструментов ИИ в бизнесе набирает обороты, разговоры об этике ИИ и ответственном подходе к ИИ становятся критически важными. Дополнительную информацию о позиции IBM по этим вопросам можно найти в статье Укрепление доверия к искусственному интеллекту.
Типы искусственного интеллекта: слабый ИИ против сильного ИИ
Слабый ИИ, также известный как узкий ИИ или искусственный узкий интеллект (ANI), — это ИИ, обученный и ориентированный на выполнение конкретных задач. Слабый ИИ управляет большей частью ИИ, который окружает нас сегодня. «Узкий» может быть более подходящим описанием для этого типа ИИ, поскольку он совсем не слабый: он позволяет использовать некоторые очень надежные приложения, такие как Siri от Apple, Alexa от Amazon, IBM watsonx™ и беспилотные транспортные средства.
Сильный ИИ состоит из общего искусственного интеллекта (AGI) и искусственного сверхинтеллекта (ASI). AGI, или общий ИИ, — это теоретическая форма ИИ, при которой машина будет иметь интеллект, равный человеческому; оно будет обладать самосознанием и сознанием, способным решать проблемы, учиться и планировать будущее. ИСИ, также известный как сверхинтеллект, превзойдет интеллект и способности человеческого мозга. Хотя сильный ИИ все еще остается чисто теоретическим и практических примеров на сегодняшний день не используется, это не означает, что исследователи ИИ также не изучают его развитие. Между тем, лучшие примеры ИСИ могут быть из научной фантастики, например, HAL, сверхчеловека и мошенника-компьютерного помощника из «Космической одиссеи 2001 года».
Глубокое обучение против машинного обучения
Машинное обучение и глубокое обучение — это субдисциплины искусственного интеллекта, а глубокое обучение — это субдисциплина машинного обучения.
Алгоритмы машинного обучения и глубокого обучения используют нейронные сети для «обучения» на огромных объемах данных. Эти нейронные сети представляют собой программные структуры, смоделированные по образцу процессов принятия решений в человеческом мозге. Они состоят из слоев взаимосвязанных узлов, которые извлекают функции из данных и делают прогнозы о том, что представляют собой данные.
Машинное обучение и глубокое обучение различаются типами используемых нейронных сетей и объемом вмешательства человека. Классические алгоритмы машинного обучения используют нейронные сети с входным слоем, одним или двумя «скрытыми» слоями и выходным слоем. Как правило, эти алгоритмы ограничиваются контролируемым обучением: данные должны быть структурированы или помечены экспертами, чтобы алгоритм мог извлекать функции из данных.
Алгоритмы глубокого обучения используют глубокие нейронные сети — сети, состоящие из входного слоя, трех или более (но обычно сотен) скрытых слоев и выходного макета. Эти несколько уровней позволяют обучать без учителя: они автоматизируют извлечение функций из больших, немаркированных и неструктурированных наборов данных. Поскольку глубокое обучение не требует вмешательства человека, оно, по сути, обеспечивает машинное обучение в больших масштабах.
Распространение генеративных моделей
Генеративный ИИ относится к моделям глубокого обучения, которые могут брать необработанные данные — скажем, всю Википедию или собрание сочинений Рембрандта — и «учиться» генерировать статистически вероятные результаты при появлении соответствующего запроса. На высоком уровне генеративные модели кодируют упрощенное представление своих обучающих данных и используют его для создания новой работы, которая похожа, но не идентична исходным данным.

Генеративные модели уже много лет используются в статистике для анализа числовых данных. Однако развитие глубокого обучения позволило распространить его на изображения, речь и другие сложные типы данных. Среди первых классов моделей ИИ, добившихся такого перекрестного успеха, были вариационные автоэнкодеры, или VAE, представленные в 2013 году. VAE были первыми моделями глубокого обучения, которые широко использовались для создания реалистичных данных.

маги и речь.
«VAE открыли шлюзы для глубокого генеративного моделирования, упростив масштабирование моделей», — сказал Акаш Шривастава, эксперт по генеративному ИИ в Лаборатории искусственного интеллекта Watson MIT-IBM. «Многое из того, что мы сегодня называем генеративным ИИ, зародилось здесь».
Ранние примеры моделей, включая GPT-3, BERT или DALL-E 2, показали, что возможно. В будущем модели будут обучаться на широком наборе немаркированных данных, которые можно будет использовать для различных задач с минимальной тонкой настройкой. Системы, выполняющие конкретные задачи в одном домене, уступают место более широким системам искусственного интеллекта, которые обучаются более широко и работают в разных областях и задачах. Базовые модели, обученные на больших неразмеченных наборах данных и точно настроенные для множества приложений, способствуют этому сдвигу.
Что касается будущего ИИ, то, когда дело доходит до генеративного ИИ, прогнозируется, что базовые модели значительно ускорят внедрение ИИ на предприятиях. Снижение требований к маркировке значительно облегчит бизнесу погружение в работу, а высокоточная и эффективная автоматизация на основе искусственного интеллекта, которую они обеспечивают, будет означать, что гораздо больше компаний смогут использовать искусственный интеллект в более широком диапазоне критически важных ситуаций. IBM надеется, что вычислительные мощности базовых моделей в конечном итоге смогут быть доступны каждому предприятию в удобной гибридной облачной среде.
Изучите модели фундаментов в watsonx.ai
Приложения искусственного интеллекта
Сегодня существует множество реальных приложений для систем искусственного интеллекта. Ниже приведены некоторые из наиболее распространенных случаев использования:
Распознавание речи
Распознавание речи, также известное как автоматическое распознавание речи (ASR), компьютерное распознавание речи или преобразование речи в текст, использует НЛП для обработки человеческой речи в письменный формат. Многие мобильные устройства включают в свои системы распознавание речи для выполнения голосового поиска (например, Siri) или обеспечения большей доступности текстовых сообщений на английском или многих широко используемых языках. Посмотрите, как Дон Джонстон использовал IBM Watson Text to Speech для улучшения доступности в классе, из нашего тематического исследования.
Обслуживание клиентов
Виртуальные онлайн-агенты и чат-боты заменяют людей на пути клиента. Они отвечают на часто задаваемые вопросы (FAQ) по таким темам, как доставка, или предоставляют персональные советы, перекрестные продажи продуктов или предложения размеров для пользователей, меняя наше представление о взаимодействии с клиентами на веб-сайтах и платформах социальных сетей. Примеры включают ботов для обмена сообщениями на сайтах электронной коммерции с виртуальными агентами, приложения для обмена сообщениями, такие как Slack и Facebook Messenger, а также задачи, которые обычно выполняются виртуальными помощниками и голосовыми помощниками. Узнайте, как компания Autodesk Inc. использовала IBM watsonx Assistant для ускорения времени реагирования клиентов на 99 %, используя наш практический пример.
Компьютерное зрение
Эта технология искусственного интеллекта позволяет компьютерам и системам извлекать значимую информацию из цифровых изображений, видео и других визуальных данных и на основе этих данных принимать меры. Эта способность давать рекомендации отличает ее от задач по распознаванию изображений. Компьютерное зрение, основанное на сверточных нейронных сетях, находит применение в маркировке фотографий в социальных сетях, рентгенологической визуализации в здравоохранении и беспилотных автомобилях в автомобильной промышленности. Узнайте, как компания ProMare использовала IBM Maximo, чтобы задать новый курс в исследованиях океана, из нашего тематического исследования.
Цепочка поставок
Адаптивная робототехника использует информацию об устройствах Интернета вещей (IoT), а также структурированные и неструктурированные данные для принятия автономных решений. Инструменты НЛП могут понимать человеческую речь и реагировать на то, что им говорят. Прогнозная аналитика применяется для реагирования на спрос, оптимизации запасов и сети, профилактического обслуживания и цифрового производства. Алгоритмы поиска и распознавания образов, которые уже не являются просто прогнозирующими, а иерархическими, анализируют данные в реальном времени, помогая цепочкам поставок реагировать на машинно-генерируемый расширенный интеллект, обеспечивая при этом мгновенную видимость и прозрачность. Узнайте, как Хендриксон использовал IBM Sterling для поддержки транзакций в реальном времени, из нашего тематического исследования.
Прогноз погоды
Модели погоды, на которые полагаются радиовещательные компании для составления точных прогнозов, состоят из сложных алгоритмов, выполняемых на суперкомпьютерах. Методы машинного обучения улучшают эти модели, делая их более применимыми и точными. Узнайте, как Emnotion использовала IBM Cloud, чтобы предоставить предприятиям, чувствительным к погодным условиям, возможность принимать более проактивные решения на основе данных, из нашего тематического исследования.
Обнаружение аномалий
Модели ИИ могут прочесывать большие объемы данных и обнаруживать нетипичные точки данных в наборе данных. Эти аномалии могут повысить осведомленность о неисправном оборудовании, человеческих ошибках или нарушениях безопасности. Узнайте, как компания Netox использовала IBM QRadar для защиты цифрового бизнеса от киберугроз, из нашего тематического исследования.
История искусственного интеллекта: ключевые даты и имена

Идея «машины, которая думает» восходит к Древней Греции. Но с момента появления электронных вычислений (и по отношению к некоторым темам, обсуждаемым в этой статье) произошли важные события и вехи в эволюции искусственного интеллекта.

включить следующее:
1950: Алан Тьюринг публикует «Вычислительные машины и интеллект» (ссылка находится за пределами ibm.com). В этой статье Тьюринг, известный тем, что взломал немецкий код ЭНИГМА во время Второй мировой войны и которого часто называют «отцом информатики», задает следующий вопрос: «Могут ли машины думать?» После этого он предлагает тест, ныне известный как «Тест Тьюринга», в котором человек-допрашивающий пытается отличить компьютерный ответ от человеческого текстового ответа. Хотя этот тест подвергся тщательному изучению с момента его публикации, он остается важной частью истории ИИ, а также постоянной концепцией в философии, поскольку использует идеи лингвистики.
1956: Джон Маккарти вводит термин «искусственный интеллект» на первой в истории конференции по искусственному интеллекту в Дартмутском колледже. (Маккарти впоследствии изобрел язык Лисп.) Позже в том же году Аллен Ньюэлл, Дж. К. Шоу и Герберт Саймон создают Logic Theorist, первую в истории программу для искусственного интеллекта.
1967: Фрэнк Розенблатт создает персептрон Mark 1, первый компьютер на основе нейронной сети, которая «обучалась» методом проб и ошибок. Всего год спустя Марвин Мински и Сеймур Пейперт публикуют книгу под названием «Персептроны», которая становится одновременно знаковой работой по нейронным сетям и, по крайней мере на какое-то время, аргументом против будущих исследовательских проектов нейронных сетей.
1980-е годы: Нейронные сети, использующие алгоритм обратного распространения ошибки для самообучения, стали широко использоваться в приложениях искусственного интеллекта.
1995: Стюарт Рассел и Питер Норвиг публикуют Искусственный интеллект: современный подход (ссылка находится за пределами сайта ibm.com), который становится одним из ведущих учебников по изучению ИИ. В нем они углубляются в четыре потенциальных цели или определения ИИ, который отличает компьютерные системы на основе рациональности и мышления от действий.
1997: IBM Deep Blue побеждает тогдашнего чемпиона мира по шахматам Гарри Каспарова в шахматном матче (и матче-реванше).
2004: Джон Маккарти пишет статью «Что такое искусственный интеллект?» (ссылка находится за пределами сайта ibm.com) и предлагает часто цитируемое определение ИИ.
2011: IBM Watson побеждает чемпионов Кена Дженнингса и Брэда Раттера в Jeopardy!
2015: Суперкомпьютер Minwa компании Baidu использует особый вид глубокой нейронной сети, называемый сверточной нейронной сетью, для идентификации и классификации изображений с более высокой точностью, чем средний человек.
2016: Программа AlphaGo компании DeepMind, основанная на глубокой нейронной сети, побеждает Ли Содола, чемпиона мира по игре в го, в матче из пяти игр. Победа значительна, учитывая огромное количество возможных ходов по ходу игры (более 14,5 триллионов всего за четыре хода!). Позже Google приобрела DeepMind за 400 миллионов долларов США.
2023: Рост числа крупных языковых моделей или LLM, таких как ChatGPT, создает
огромные изменения в производительности ИИ и его потенциале повышения стоимости предприятия. Благодаря этим новым практикам генеративного искусственного интеллекта модели глубокого обучения могут быть предварительно обучены на огромных объемах необработанных, неразмеченных данных.
Связанные решения
Решения искусственного интеллекта (ИИ)
Используйте ИИ в своем бизнесе, воспользовавшись передовым опытом и портфелем решений IBM в области ИИ.
Изучите решения искусственного интеллекта
ИИ-сервисы
Изобретите заново критически важные рабочие процессы и операции, добавив искусственный интеллект, чтобы максимально повысить качество обслуживания, принятие решений в реальном времени и повысить ценность бизнеса.
Изучите услуги искусственного интеллекта
ИИ для кибербезопасности
Искусственный интеллект меняет правила игры в области кибербезопасности, анализируя огромные объемы данных о рисках, чтобы ускорить время реагирования и расширить операции по обеспечению безопасности с ограниченными ресурсами.
Изучите искусственный интеллект для кибербезопасности
Ресурсы
Электронная книгаКак выбрать правильную модель фундамента ИИ
Узнайте, как использовать структуру выбора модели для выбора базовой модели, соответствующей потребностям вашего бизнеса.
ОбучениеСэкономьте до 70% с нашей подпиской на цифровое обучение
Получите доступ к нашему полному каталогу из более чем 100 онлайн-курсов, купив индивидуальную или многопользовательскую подписку на цифровое обучение сегодня, что позволит вам расширить свои навыки по широкому спектру наших продуктов по одной низкой цене.
Исследование рынка2023 Gartner Peer Insights Выбор клиентов
IBM watsonx Assistant признан выбором клиентов в отчете Gartner Peer Insights Voice of the Customer за 2023 год для корпоративных платформ диалогового искусственного интеллекта
СтатьяСтратегия закупок с использованием искусственного интеллекта
Узнайте, как машинное обучение может прогнозировать спрос и сокращать расходы.