Интересно, что в большинстве случаев люди даже не осознают, что на самом деле имеют дело с искусственным интеллектом. Некоторые области его сегодняшнего применения (такие как планирование маршрута в навигаторе или перевод фразы в интернет-браузере) настолько повсеместны, что мы часто упускаем из виду по-настоящему «умные» технологии, стоящие за всем этим. Вот почему кое-кто всерьез считает, что искусственный интеллект появится только лет через двадцать, а кто-то – что он должен выглядеть, как в антиутопии про владычество роботов. Но эта книга – о реалиях и практическом использовании современной версии искусственного интеллекта, и поэтому нам требуется для начала дать определение самому явлению.
Самое полезное определение ИИ, которое я нашел (кстати, в Оксфордском словаре, что совершенно неудивительно), гласит, что искусственный интеллект – это «теория и практическая разработка компьютерных систем, способных выполнять задачи, обычно требующие человеческого интеллекта». Это определение, признаем, является несколько замкнутым само на себя, поскольку определяет один вид интеллекта через другой и не отвечает на вопрос, что такое интеллект вообще. Однако давайте не будем здесь вдаваться в дебаты по этому вопросу.
Другое весьма полезное определение искусственного интеллекта дал Эндрю Ын, который был главой отдела по развитию интеллектуальных технологий в китайской компании Baidu и считается чуть ли не гуру в мире искусственного интеллекта. Он полагает, что любой когнитивный процесс, который занимает у человека менее одной секунды, является хорошим кандидатом на реализацию через искусственный интеллект. По мере совершенствования компьютерных технологий секунду, возможно, придется заменить более длинным промежутком времени, но сейчас определение Эндрю Ына дает нам неплохую оценку возможностей искусственного интеллекта.
Еще один способ взглянуть на искусственный интеллект восходит к самым истокам этой технологии и ее фундаментальному вопросу: должны ли «умные» компьютеры выполнять всю работу, которую выполняет человеческий мозг, или только дополнять ее? История сохранила характерный диалог двух «отцов-основателей» технологии искусственного интеллекта из Массачусетского технологического института – Марвина Мински и Дугласа Энгельбарта. Мински заявил: «Мы собираемся сделать машины интеллектуальными. Мы собираемся сделать их сознательными». На что Энгельбарт ответил: «Вы собираетесь делать все это ради самих машин? А что вы тогда собираетесь делать для людей?» Дебаты на эту тему бушуют до сих пор, и именно их отголоски отражаются в упомянутых мною выше газетных заголовках о «роботах, которые собираются захватить мир».
Всем понятно, что искусственный интеллект как часть более широкого движения технологий к максимальной автоматизации окажет серьезное влияние на рабочие места, занимаемые сейчас людьми. Уже существуют приложения для искусственного интеллекта (так называемые «чат-боты»), которые вполне могут заменять сотрудников кол-центров. Способность считывать тысячи документов за считанные секунды и извлекать из них всю значимую информацию лишит значительной части работы бухгалтеров и младших юристов. Но в равной степени искусственный интеллект может и дополнить труд этих работников. В кол-центре системы искусственного когнитивного мышления в состоянии обеспечить мгновенный и интуитивно понятный доступ каждому сотруднику ко всем данным, которые ему требуются для выполнения работы, даже если это его первый рабочий день. Благодаря этому сотрудник может сосредоточиться на работе с клиентом на эмоциональном уровне, в то время как искусственный интеллект предоставляет ему всю требующуюся информацию. У бухгалтеров и младших юристов появится время, чтобы должным образом анализировать данные, которые предоставил искусственный интеллект, вместо того чтобы собирать и исследовать их часами.
Вопрос о том, будет ли в конечном счете влияние искусственного интеллекта на занятость людей положительным или отрицательным, создаст ли он больше рабочих мест, чем разрушит, – вопрос открытый. Когда мы оглядываемся назад, на «компьютерную революцию» конца XX столетия, которая должна была ознаменовать резкое увеличение производительности и связанное с этим сокращение рабочих мест, мы видим, что рост производительности оказался не столь значительным, как ожидалось (персональные компьютеры в реальности сложнее использовать, чем это казалось сначала), да и сами компьютеры создали целые новые отрасли – от компьютерных игр до потоковой передачи фильмов, – в которых задействовано сейчас множество людей. И, подобно современным роботам, компьютеры все еще должны кем-то проектироваться, производиться, продаваться, обслуживаться, регулироваться, чиниться, обновляться и утилизироваться.
Главный вопрос, конечно, заключается в том, что перевесит в итоге. Выгода от процессов, сопутствующих автоматизации, плюс создание новых видов деятельности и занятости? Или же потеря тех или иных рабочих мест? В глубине души я оптимист и считаю, что мы вполне сможем адаптироваться к новой действительности, пусть даже пережив болезненный переходный период (в котором весьма полезным решением может стать введение универсального базового дохода для всех членов общества). Ключевым фактором здесь является темп изменений, причем все признаки сегодняшнего дня указывают на то, что в ближайшие годы этот показатель будет расти и расти. Понятно, что автоматизация в целом и искусственный интеллект в частности окажут огромное воздействие на все аспекты нашей жизни – в основном, надеюсь, положительное, – но появятся и вещи, которые бросят вызов нашей морали и этике. Я вернусь к этим вопросам более подробно в самом конце книги, а пока что основное внимание мы уделим преимуществам и задачам внедрения искусственного интеллекта в сегодняшнюю жизнь.
Технологии, стоящие за искусственным интеллектом, чертовски умны. В их основе лежат алгоритмы – последовательность инструкций или набор правил для выполнения задачи. Алгоритмом можно считать даже железнодорожное расписание и рецепт приготовления блюда или аптечного лекарства. Искусственным интеллектом, естественно, управляют гораздо более продвинутые алгоритмы; по сути, они являются очень сложными статистическими моделями, использующими принципы теории вероятности, чтобы найти регулярные связи в определенном наборе входящих данных, часто с учетом определенной цели («если клиент посмотрел эти фильмы, то какие другие фильмы он захочет посмотреть с наибольшей вероятностью»). Эта книга, разумеется, не претендует на подробное объяснение базовых технологий искусственного интеллекта; более того, она намеренно лишена технической лексики. Однако некоторые принципы, лежащие в основе ИИ-технологии, знать все-таки необходимо.
Один из способов классификации технологий искусственного интеллекта – разделить их на так называемое «контролируемое» и «неконтролируемое» обучение. Контролируемое обучение является более распространенным и относится к ситуациям, когда система искусственного интеллекта обучается путем анализа больших объемов данных. Например, если вы хотите иметь ИИ-приложение, способное идентифицировать изображения собак, то вы должны показать алгоритму тысячи изображений, где собаки есть, и столь же большое количество картинок, где они отсутствуют. На первом этапе вы помечаете все картинки по принципу «есть собака» и «нет собаки». Используя машинное обучение (один из методов, применяемых при разработке искусственного интеллекта, – о нем я расскажу позже) и введенные данные, система изучает, как выглядит собака на изображении (что общего есть между любыми собаками, присутствующими на картинках). Затем систему следует проверить на другом наборе таких же (но не идентичных) данных, где изображения тоже помечены, но на этот раз об этом знаете только вы, а системе ничего не известно. Если система сможет идентифицировать наличие или отсутствие собак на фотографиях, значит, она обучена достаточно хорошо. Вы можете проверять это снова и снова. Если после этого люди будут использовать созданное вами приложение (назовем его условно «Найди собаку на картинке») с подключенной обратной связью, то есть оценивая правильность ответов системы, то ИИ будет продолжать свое обучение прямо по ходу работы. Контролируемое обучение обычно используется там, где входные данные неструктурированы или структурированы лишь частично: изображения, звуки, рукописный текст. Сюда относятся функции распознавания изображений, речи и поиска в соответствии с предложенной мною моделью структуризации искусственного интеллекта.
При неконтролируемом обучении системе предлагается очень большой набор данных, которые в начале процесса для нее ничего не «значат». Однако по ходу анализа искусственный интеллект может определить в этих данных схожие характеристики (так называемые кластеры сходства). Следует отчетливо понимать, что искусственный интеллект не вкладывает в эти сходства и различия никакого «смысла» в человеческом понимании; он просто ищет повторение шаблонов среди океана информации. Но самое замечательное в таком подходе то, что и сам пользователь может ничего не понимать в этих данных. Да ему зачастую и не нужно знать, что он ищет: всю эту работу выполняет искусственный интеллект. Что бы мы ни исследовали, после того как ИИ определит кластеры сходства, он сможет создавать прогнозы для новых входящих данных.
Например, мы хотим определить стоимость дома в определенном районе. Цена дома зависит от многих переменных, таких как местоположение, количество жилых и ванных комнат, года постройки, площади участка земли и т. д. Такое обилие входящей информации затрудняет прогнозирование стоимости. Однако между всеми этими переменными, безусловно, должна быть какая-то скрытая связь, вопрос лишь в том, как ее найти. Именно это и делает за нас искусственный интеллект. Если в его распоряжении есть достаточное количество базовых данных, содержащих все эти переменные вместе с фактической ценой недвижимости, он использует статистический анализ, чтобы найти все доступные связи. Причем некоторые переменные могут очень сильно влиять на цену, а другие, как выясняется, вообще не оказывают на нее воздействия. Подготовив таким образом статистическую модель, мы вводим те же характеристики для дома, цена которого еще неизвестна, и модель сможет предсказать это значение. Входные и выходные данные на этот раз структурированы, но зато сама модель является для нас «черным ящиком» или «вещью в себе». Отсутствие прозрачности в принятии решений и создании прогнозов – одно из самых слабых мест искусственного интеллекта, но все-таки прозрачностью работы моделей можно управлять – об этом я расскажу позже.
Помимо названий двух упомянутых выше видов обучения существуют и некоторые другие термины, связанные с разработкой и применением искусственного интеллекта. Я расскажу о них вкратце, но помните, что тем людям, которые заняты в основном бизнесом, вполне достаточно поверхностного понимания этой терминологии. Итак: существует понятие «нейронные сети» – это термин, используемый для описания процесса, в котором искусственный интеллект имитирует способ обработки информации человеческим мозгом. Множество «нейронов» (в случае человека – это нервные клетки, которых у нас в мозгу около 100 млрд) связаны друг с другом с различной прочностью, причем прочность связи может меняться в процессе обучения как человека, так и машины.
О проекте
О подписке