Искусственный интеллект (ИИ) — это технология, которая позволяет компьютерам и машинам имитировать человеческий интеллект и возможности решения проблем.
Самостоятельно 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-навигация, автономные транспортные средства и инструменты генеративного ИИ (такие как Chat GPT от Open AI) — это лишь несколько примеров ИИ в ежедневных новостях и нашей повседневной жизни.
Как область компьютерных наук искусственный интеллект охватывает машинное обучение и глубокое обучение (и часто упоминается вместе с ними). Эти дисциплины включают в себя разработку алгоритмов ИИ, смоделированных по образцу процессов принятия решений человеческого мозга, которые могут «обучаться» на основе доступных данных и со временем делать все более точные классификации или прогнозы.
Искусственный интеллект прошел через множество циклов шумихи, но даже для скептиков выпуск ChatGPT знаменует собой поворотный момент. В прошлый раз, когда генеративный ИИ привлекал столько внимания, прорывы происходили в области компьютерного зрения, но теперь качественный скачок произошел в обработке естественного языка (NLP). Сегодня генеративный ИИ может обучаться и синтезировать не только человеческий язык, но и другие типы данных, включая изображения, видео, программный код и даже молекулярные структуры.
Сферы применения ИИ растут с каждым днем. Но по мере того как нарастает шумиха вокруг использования инструментов ИИ в бизнесе, дискуссии об этике ИИ и ответственном ИИ приобретают критически важное значение. Подробнее о позиции IBM по этим вопросам читайте в разделе Формирование доверия к ИИ .
Слабый ИИ, также известный как узкий ИИ или искусственный узкий интеллект (ANI), — это ИИ, обученный и ориентированный на выполнение конкретных задач. Слабый ИИ лежит в основе большинства систем ИИ, окружающих нас сегодня. «Узкий» может быть более точным определением для этого типа ИИ, так как он вовсе не слаб: он обеспечивает работу очень надежных приложений, таких как Siri от Apple, Alexa от Amazon, IBM watsonx™ и самоуправляемые автомобили.
Сильный ИИ состоит из искусственного общего интеллекта (AGI) и искусственного суперинтеллекта (ASI). AGI, или общий ИИ, — это теоретическая форма ИИ, при которой машина обладает интеллектом, равным человеческому; она обладает самосознанием и способностью решать проблемы, обучаться и строить планы на будущее. ASI, также известный как суперинтеллект, превзойдет интеллект и возможности человеческого мозга. Хотя сильный ИИ все еще остается полностью теоретическим без практических примеров использования на сегодняшний день, это не значит, что исследователи ИИ не изучают возможности его разработки. Между тем, лучшими примерами ASI могут быть персонажи из научно-фантастических произведений, такие как HAL, сверхчеловеческий и вышедший из-под контроля компьютерный помощник в фильме «Космическая одиссея 2001 года».
Машинное обучение и глубокое обучение являются субдисциплинами ИИ, а глубокое обучение является субдисциплиной машинного обучения.
И алгоритмы машинного обучения, и алгоритмы глубокого обучения используют нейронные сети для «обучения» на огромных объемах данных. Эти нейронные сети представляют собой программные структуры, смоделированные по образцу процессов принятия решений человеческого мозга. Они состоят из слоев взаимосвязанных узлов, которые извлекают признаки из данных и делают прогнозы относительно того, что эти данные представляют.
Машинное обучение и глубокое обучение различаются типами используемых нейронных сетей и объемом необходимого 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 обучением с учителем: данные должны быть структурированы или размечены экспертами-людьми, чтобы алгоритм мог извлекать из них признаки.
Алгоритмы глубокого обучения используют глубокие нейронные сети — сети, состоящие из входного слоя, трех или более (но обычно сотен) скрытых слоев и выходного слоя. Эти многочисленные слои обеспечивают обучение без учителя: они автоматизируют извлечение признаков из больших неразмеченных и неструктурированных наборов данных. Поскольку для этого не требуется вмешательство человека, глубокое обучение по сути обеспечивает масштабное машинное обучение.
Генеративный ИИ относится к моделям глубокого обучения, которые могут брать необработанные данные (например, всю Википедию или собрание сочинений Рембрандта) и «обучаться» генерировать статистически вероятные результаты по запросу. На высоком уровне генеративные модели кодируют упрощенное представление своих обучающих данных и опираются на него для создания новой работы, которая похожа на исходные данные, но не идентична им.
Генеративные модели годами использовались в статистике для анализа числовых данных. Однако развитие глубокого обучения позволило распространить их на изображения, речь и другие сложные типы данных. Среди первого класса моделей ИИ, добившихся такого прорыва, были вариационные автоэнкодеры (VAE), представленные в 2013 году. VAE стали первыми моделями глубокого обучения, широко применявшимися для генерации реалистичных изображений и речи.
«VAE открыли шлюзы для глубокого генеративного моделирования, упростив масштабирование моделей», — сказал Акаш Шривастава , эксперт по генеративному ИИ в лаборатории искусственного интеллекта MIT-IBM Watson. «Многое из того, что мы сегодня называем генеративным ИИ, началось здесь».
Ранние примеры моделей, включая GPT-3, BERT или DALL-E 2, продемонстрировали имеющиеся возможности. В будущем модели будут обучаться на широком наборе неразмеченных данных, которые можно использовать для различных задач с минимальной доработкой. Системы, выполняющие конкретные задачи в рамках одного домена, уступают место широким системам ИИ, которые обучаются более универсально и работают в разных доменах и с разными проблемами. Эту тенденцию подстегивают базовые модели, обученные на больших неразмеченных наборах данных и доработанные для множества приложений.
Что касается будущего ИИ, то в области генеративного ИИ прогнозируется, что базовые модели резко ускорят внедрение ИИ на предприятиях. Снижение требований к разметке значительно упростит интеграцию для бизнеса, а обеспечиваемая ими высокоточная и эффективная автоматизация на базе ИИ приведет к тому, что гораздо большее число компаний сможет развертывать ИИ в самых разных критически важных ситуациях. В IBM надеются, что вычислительная мощность базовых моделей в конечном итоге станет доступна каждому предприятию в бесшовной среде гибридного облака.
Сегодня существует множество реальных сценариев применения систем ИИ. Ниже приведены наиболее распространенные варианты использования:
Также известное как автоматическое распознавание речи (ASR), компьютерное распознавание речи или преобразование речи в текст, распознавание речи использует NLP для обработки человеческой речи в письменный формат. Многие мобильные устройства используют распознавание речи в своих системах для голосового поиска (например, Siri) или для повышения удобства набора текста на английском и многих других распространенных языках. Посмотрите в нашем тематическом исследовании, как Дон Джонстон использовал IBM Watson Text to Speech для повышения доступности обучения в классе .
Онлайн-виртуальные агенты и чат-боты заменяют живых агентов на протяжении всего пути клиента. Они отвечают на часто задаваемые вопросы (FAQ) по таким темам, как доставка, или предоставляют персонализированные советы, осуществляют перекрестные продажи продуктов или предлагают пользователям размеры, меняя наше представление о взаимодействии с клиентами на веб-сайтах и в социальных сетях. 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, обычно выполняемые виртуальными и голосовыми помощниками . Посмотрите в нашем тематическом исследовании, как Autodesk Inc. использовала IBM watsonx Assistant для ускорения времени ответа клиентам на 99% .
Эта технология ИИ позволяет компьютерам и системам извлекать значимую информацию из цифровых изображений, видео и других визуальных данных, а также предпринимать действия на их основе. Эта способность предоставлять рекомендации отличает ее от задач распознавания изображений. Созданное на основе сверточных нейронных сетей компьютерное зрение находит применение в тегировании фотографий в социальных сетях, радиологической визуализации в здравоохранении и самоуправляемых автомобилях в автомобильной промышленности. Посмотрите в нашем тематическом исследовании, как ProMare использовала IBM Maximo для прокладывания нового курса в океанологических исследованиях .
Адаптивная робототехника использует информацию с устройств Интернета вещей (IoT), а также структурированные и неструктурированные данные для принятия автономных решений. Инструменты NLP могут понимать человеческую речь и реагировать на то, что им говорят. Предиктивная аналитика применяется для реагирования на спрос, оптимизации запасов и сетей, профилактического обслуживания и цифрового производства. Алгоритмы поиска и распознавания образов, которые стали не просто предиктивными, а иерархическими, анализируют данные в реальном времени, помогая цепочкам поставок реагировать на созданный машинами дополненный интеллект, одновременно обеспечивая мгновенную прозрачность и видимость. Посмотрите в нашем тематическом исследовании, как Hendrickson использовала IBM Sterling для проведения транзакций в реальном времени .
Метеорологические модели, на которые опираются синоптики для составления точных прогнозов, состоят из сложных алгоритмов, выполняемых на суперкомпьютерах. Методы машинного обучения улучшают эти модели, делая их более применимыми и точными. Посмотрите в нашем тематическом исследовании, как Emnotion использовала IBM Cloud, чтобы помочь предприятиям, зависящим от погодных условий, принимать более проактивные решения на основе данных .
Модели ИИ могут просматривать огромные объемы данных и обнаруживать нетипичные точки данных в наборе. Эти аномалии могут сигнализировать о неисправности оборудования, человеческой ошибке или нарушениях безопасности. Посмотрите в нашем тематическом исследовании, как Netox использовала IBM QRadar для защиты цифрового бизнеса от киберугроз .
Идея «мыслящей машины» восходит к Древней Греции. Но с появлением электронных вычислений (и в связи с некоторыми темами, обсуждаемыми в этой статье) важные события и вехи в эволюции искусственного интеллекта включают в себя следующее:
1950: Алан Тьюринг публикует работу «Вычислительные машины и разум» (ссылка ведет на внешний сайт ibm.com) . В этой статье Тьюринг, прославившийся взломом немецкого кода ENIGMA во время Второй мировой войны и часто называемый «отцом компьютерных наук», задает следующий вопрос: «Могут ли машины мыслить?» Далее он предлагает тест, ныне известный как «тест Тьюринга», в ходе которого человек-интервьюер должен попытаться отличить компьютер от текстового ответа человека. Хотя этот тест подвергался серьезной критике с момента 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 ИИ в Дартмутском колледже. (Позже Маккарти изобретет язык Lisp.) Позднее в том же году Аллен Ньюэлл, Дж. К. Шоу и Герберт Саймон создают Logic Theorist — первую в истории работающую программу программного обеспечения для ИИ.
1967: Фрэнк Розенблатт создает Mark 1 Perceptron — первый компьютер на базе нейронной сети, который «учился» методом проб и ошибок. Всего год спустя Марвин Минский и Сеймур Пейперт публикуют книгу под названием Perceptrons , которая становится как эпохальной работой по нейронным сетям, так и, по крайней мере на какое-то время, аргументом против будущих исследовательских проектов в области нейронных сетей.
1980-е годы: Нейронные сети, использующие алгоритм обратного распространения ошибки для самообучения, получают широкое распространение в приложениях ИИ.
1995: Стюарт Рассел и Питер Норвиг публикуют книгу «Искусственный интеллект: современный подход» (ссылка ведет на внешний сайт ibm.com), которая становится одним из ведущих учебников по изучению ИИ. В ней они углубляются в четыре потенциальные цели или определения ИИ, которые различают компьютерные системы по принципу рациональности и мышления против действия.
1997: Deep Blue от IBM обыгрывает действующего чемпиона мира по шахматам Гарри Каспарова в шахматном матче (и матче-реванше).
2004: Джон Маккарти пишет статью «Что такое искусственный интеллект?» (ссылка ведет на внешний сайт ibm.com) и предлагает часто цитируемое определение ИИ.
2015: Суперкомпьютер Minwa от 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 от DeepMind, работающая на базе глубокой нейронной сети, побеждает Ли Седоля, чемпиона мира по игре го, в матче из пяти игр. Эта победа имеет большое значение, учитывая огромное количество возможных ходов по мере развития игры (более 14,5 триллионов всего после четырех ходов!). Позже Google приобрела DeepMind за сумму, оцениваемую в 400 миллионов долларов США.
2023: Рост числа больших языковых моделей (LLM), таких как ChatGPT, приводит к колоссальным изменениям в производительности ИИ и его потенциале для повышения ценности бизнеса. Благодаря этим новым методам генеративного ИИ модели глубокого обучения могут быть предварительно обучены на огромных объемах необработанных неразмеченных данных.
Заставьте ИИ работать на ваш бизнес с помощью ведущей в отрасли экспертизы в области ИИ и портфеля решений IBM.
Переосмыслите критически важные рабочие процессы и операции, добавив ИИ для максимизации клиентского опыта, принятия решений в реальном времени и ценности для бизнеса.
ИИ меняет правила игры в сфере кибербезопасности, анализируя огромные объемы данных о рисках для ускорения времени реагирования и усиления операций по безопасности при нехватке ресурсов.
Узнайте, как использовать фреймворк выбора моделей для подбора базовой модели под нужды вашего бизнеса.
Получите доступ к нашему полному каталогу, содержащему более 100 онлайн-курсов, приобретя индивидуальную или многопользовательскую подписку на цифровое обучение сегодня, что позволит вам расширить свои навыки в работе с нашими продуктами по выгодной цене.
IBM watsonx Assistant признан выбором клиентов в отчете Gartner Peer Insights Voice of the Customer за 2023 год для платформ корпоративного разговорного ИИ
Связанная услуга: Маркетинговое агентство с ИИ