Искусственный интеллект, или ИИ, уже используется в поисковых системах, переводчиках, рекомендациях, обработке фотографий, распознавании речи и генерации текста. За одним названием скрывается множество разных технологий, но у многих современных систем есть общий принцип: они обрабатывают данные, находят в них закономерности и используют их для решения новых задач. Разберёмся простыми словами, что называют искусственным интеллектом, как он обучается, чем отличается от обычных программ и почему иногда ошибается.
Терминология.
Как появился термин «искусственный интеллект»?
Выражение «искусственный интеллект» происходит от английского artificial intelligence, поэтому в англоязычных материалах часто используется сокращение AI. Термин появился в предложении о проведении Дартмутского летнего исследовательского проекта, подготовленном в 1955 году. Одним из авторов документа был американский учёный Джон Маккарти, а сама встреча исследователей состоялась летом 1956 года и стала важным событием для развития этой области.
Что такое искусственный интеллект?
Искусственный интеллект — это область компьютерных технологий, в которой создают системы, способные обрабатывать информацию, находить закономерности, распознавать объекты и речь, строить прогнозы, выбирать подходящие действия или создавать новый контент.
Определение получается широким, потому что ИИ применяют для очень разных задач. Система распознавания лиц, программа для поиска подозрительных банковских операций, рекомендательный сервис и генератор текста выполняют разные функции, но во всех этих случаях компьютерная система получает данные, обрабатывает их и выдаёт результат.
С темой искусственного интеллекта тесно связано машинное обучение. Так называют методы, при которых программа учится находить полезные закономерности на основе большого количества примеров. Именно машинное обучение лежит в основе многих современных систем ИИ.
Что такое искусственный интеллект простыми словами?
Искусственный интеллект простыми словами — это компьютерная система, которая анализирует данные и на основе найденных закономерностей выдаёт результат. Этим результатом может быть ответ на вопрос, перевод, прогноз, рекомендация, распознанный объект, созданный текст или изображение.
Главная особенность многих современных систем ИИ состоит в том, что разработчику не приходится заранее вручную описывать каждое правило для каждого возможного случая. Часть нужных закономерностей система находит во время обучения на данных.
Как работает искусственный интеллект?
Разные системы ИИ устроены по-разному, поэтому одного точного описания для всех случаев нет. Однако работу многих современных систем на основе машинного обучения можно представить в виде простой последовательности: данные → обучение → готовая модель → новые данные → результат.
Сначала разработчики определяют задачу. Например, система должна отличать нежелательные письма от обычных, распознавать человеческую речь, определять объекты на фотографии или прогнозировать спрос на товар.
Затем для обучения подбирают данные и выбирают способ, с помощью которого программа будет искать в них закономерности. После обучения получается модель, которую можно применять к новым данным.
Как ИИ обучается?
Во время обучения модель получает множество примеров. Их вид зависит от задачи. Для распознавания изображений это могут быть фотографии с указанием того, что на них находится. Для работы с текстом используются большие наборы текстов. А для прогноза спроса могут понадобиться данные о прошлых продажах, ценах, датах и других условиях.
Представим систему, задача которой — определять, есть ли на фотографии кошка. Во время обучения ей показывают большое количество изображений. Для многих из них заранее известно, есть кошка на снимке или нет. Модель обрабатывает изображение, выдаёт свой ответ, после чего алгоритм сравнивает его с правильным ответом.
Если модель ошибается, её внутренние параметры изменяются так, чтобы в дальнейшем вероятность правильного ответа стала выше. Этот процесс повторяется снова и снова на большом количестве примеров.
В результате модель постепенно находит признаки и сочетания признаков, которые помогают решать поставленную задачу. Разработчику при этом не требуется вручную записывать полный список всех возможных вариантов.
Качество обучения зависит от данных. Большое количество примеров само по себе не гарантирует хороший результат. Данные должны быть достаточно точными и подходить для той задачи, которую будет решать модель. Если в них много ошибок или они плохо отражают реальные условия, качество работы системы тоже может снизиться.
Существуют разные способы машинного обучения. В одних случаях модели дают примеры с заранее известными правильными ответами. В других она ищет структуру в данных без готовых подписей. Есть методы, при которых система выполняет действия и получает оценку результата. Для общего понимания достаточно основного принципа: во время обучения модель находит закономерности в данных, а затем использует их при работе с новой информацией.
Что такое модель ИИ?
Модель ИИ — это система, параметры которой были настроены в процессе обучения для решения определённых задач. После обучения именно модель обрабатывает новые данные и выдаёт результат.
Например, обученной модели для распознавания изображений можно показать фотографию, которой не было в обучающих данных. Система обработает её и определит, какие объекты, по её оценке, находятся на снимке.
Использование уже обученной модели часто называют инференсом, или выводом. Обучение крупной модели может занимать много времени и требовать больших вычислительных ресурсов. Работа готовой модели с отдельным новым запросом обычно требует значительно меньше вычислений.
Как работают нейросети?
Нейронная сеть — это один из видов моделей машинного обучения. Она состоит из нескольких связанных уровней вычислений. На каждом уровне входные данные обрабатываются с помощью большого количества настроенных параметров, а полученный результат передаётся дальше.
Во время обучения значения этих параметров постепенно меняются. Цель состоит в том, чтобы модель всё лучше выполняла поставленную задачу: точнее распознавала изображение, правильнее определяла слова в аудиозаписи, лучше переводила текст или успешнее решала другую задачу.
Нейросети особенно полезны там, где нужно находить сложные закономерности в большом количестве данных. Поэтому их применяют для распознавания изображений и речи, обработки текста, перевода и генерации контента.
Большие языковые модели, или LLM, тоже основаны на нейросетях. Во время обучения такая модель обрабатывает огромные объёмы текста и учится определять, какие элементы текста с большей вероятностью следуют друг за другом с учётом контекста. Получив запрос пользователя, модель последовательно формирует продолжение текста и таким способом создаёт ответ.
Чем искусственный интеллект отличается от обычной программы?
В традиционной программе основные правила работы заранее задаёт разработчик. Он описывает условия, при которых программа должна выполнить определённое действие. Такой подход хорошо работает для задач, где необходимые правила известны и их можно достаточно точно записать.
В машинном обучении подход другой. Разработчик задаёт цель, выбирает способ обучения и предоставляет данные, а модель во время обучения сама настраивает свои параметры на основе примеров.
Простой фильтр электронной почты можно настроить по строгому правилу: если в теме письма встречается определённая фраза, сообщение отправляется в отдельную папку. Программа просто выполняет заранее указанное условие.
Система машинного обучения для определения спама может учитывать множество признаков: слова и выражения в письме, особенности отправителя, ссылки, структуру сообщения и другие данные. Она учится на большом количестве писем, для которых уже известно, какие из них относятся к спаму. После обучения модель может оценивать новые сообщения, которые раньше никогда не встречала.
Такой подход особенно полезен для задач, где невозможно заранее перечислить все варианты. Например, человеческая речь сильно различается: люди говорят с разной скоростью, произносят слова по-разному, делают паузы, а вокруг может быть фоновый шум. Записать отдельные правила для каждого возможного варианта крайне сложно. Модель машинного обучения может научиться обрабатывать такие различия по большому количеству примеров.
При этом современные приложения часто сочетают оба подхода. Одна часть программы может работать по обычным заранее заданным правилам, а другая — использовать обученную модель ИИ. Поэтому наличие искусственного интеллекта не означает, что вся программа целиком работает на основе машинного обучения.
Где используется искусственный интеллект и что он умеет?
Искусственный интеллект применялся в цифровых сервисах задолго до появления популярных генераторов текста и изображений. Многие функции, которыми люди пользуются каждый день, уже много лет работают с помощью машинного обучения.
Распространённые примеры применения искусственного интеллекта:
- Рекомендации. Сервисы анализируют действия пользователей и свойства контента, чтобы подбирать фильмы, музыку, товары, публикации и другие материалы.
- Распознавание речи. Модели обрабатывают звуковой сигнал, определяют произнесённые слова и преобразуют речь в текст.
- Перевод. Системы машинного перевода анализируют исходный текст и создают его версию на другом языке с учётом контекста.
- Работа с изображениями. ИИ применяется для распознавания объектов, поиска изображений, обработки фотографий и анализа снимков.
- Защита от спама и мошенничества. Модели анализируют большое количество признаков и помогают находить подозрительные сообщения или операции.
- Прогнозирование. Машинное обучение используют для оценки спроса, времени прибытия транспорта, вероятности поломки оборудования и других показателей.
- Генерация контента. Генеративные модели могут создавать текст, изображения, звук, видео и программный код по запросу пользователя.
Поэтому искусственный интеллект не сводится к чат-ботам. Часть систем ИИ вообще не общается с человеком напрямую. Модель может незаметно работать внутри поисковой системы, интернет-магазина, почтового сервиса, камеры смартфона или банковской программы.
Что ИИ делает хорошо?
Многие системы ИИ хорошо справляются с обработкой больших объёмов данных и поиском повторяющихся закономерностей. Если задача точно определена, для неё есть подходящие данные, а качество результата можно проверить, модель способна быстро обрабатывать большое количество новых случаев.
Одни модели создаются для одной конкретной задачи. Например, система может определять дефекты на фотографиях деталей или прогнозировать вероятность поломки оборудования.
Другие модели способны выполнять сразу несколько видов задач. Современная языковая модель может создавать и сокращать тексты, переводить их, классифицировать сообщения, извлекать нужные сведения и отвечать на вопросы. Мультимодальные модели умеют работать сразу с несколькими видами данных, например с текстом и изображениями.
Почему искусственный интеллект ошибается?
ИИ выдаёт результат на основе модели, которая была обучена на определённых данных. Поэтому качество ответа зависит от качества обучения, особенностей самой модели и информации, которую она получает при выполнении конкретной задачи.
Ошибки могут возникать по разным причинам. В обучающих данных могут содержаться неточности. Новая ситуация может сильно отличаться от примеров, которые встречались во время обучения. Запрос пользователя может быть неполным или двусмысленным. Наконец, у самой модели могут быть ограничения, из-за которых она неправильно обрабатывает отдельные случаи.
У генеративного ИИ есть ещё одна характерная проблема. Система может создать связный, убедительный и грамотно написанный текст, в котором содержатся неверные или полностью вымышленные сведения. Такие ошибки обычно называют галлюцинациями ИИ.
Причина связана с самим принципом работы генеративной модели. Её задача состоит в формировании подходящего результата на основе запроса и найденных при обучении закономерностей. Убедительная формулировка сама по себе не означает, что информация является достоверной.
Важна и актуальность данных. Если модель не получает свежую информацию из внешних источников, она может не знать о недавних событиях или изменениях. Некоторые современные системы умеют обращаться к поиску, базам данных и другим источникам, однако найденную информацию всё равно необходимо правильно обработать.
Поэтому результат работы ИИ нужно проверять там, где ошибка имеет серьёзные последствия. Особенно это важно в медицине, праве, финансах, безопасности и других областях, где неверное решение может причинить реальный вред.
Заключение.
Искусственный интеллект — это большая область компьютерных технологий, в которой создают системы для анализа данных, распознавания, прогнозирования, выбора действий и генерации контента. Многие современные системы ИИ используют машинное обучение: модель получает данные, настраивает свои параметры в процессе обучения, а затем применяет найденные закономерности к новой информации.
Нейросети являются одним из важных видов таких моделей. На их основе работают многие современные системы распознавания речи и изображений, переводчики, генераторы текста и другие инструменты.
ИИ способен решать сложные задачи, но его результат зависит от данных, обучения, устройства модели и условий её применения. Поэтому возможности искусственного интеллекта полезно оценивать по конкретной системе и конкретной задаче, а важную информацию, полученную от ИИ, необходимо проверять.
Источники.
- «Наша история: где родился искусственный интеллект» — Dartmouth College. https://ai.dartmouth.edu/our-story
- «Язык надёжного искусственного интеллекта: подробный словарь терминов» — Национальный институт стандартов и технологий США (NIST). https://www.nist.gov/publications/language-trustworthy-ai-depth-glossary-terms
- «Что такое искусственный интеллект?» — IBM. https://www.ibm.com/think/topics/artificial-intelligence
- «Что такое машинное обучение?» — IBM. https://www.ibm.com/think/topics/machine-learning
- «Нейронные сети» — курс Machine Learning Crash Course, Google for Developers. https://developers.google.com/machine-learning/crash-course/neural-networks
- «Искусственный интеллект: современный подход» — Стюарт Рассел, Питер Норвиг.