Nyheter om nya utvecklingar inom artificiell intelligens dyker upp med avundsvärd frekvens. Så i januari i år tillkännagav Google sina planer, i samarbete med Movidius, för att skapa mobila processorer med maskininlärningsmöjligheter. De uttalade målen för partnerskapet är att ge maskinintelligensfunktioner till människor i sina handhållna enheter. Och i februari introducerade MIT-ingenjörer redan Eyeriss-processorn, tack vare vilken artificiell intelligens kan dyka upp i bärbara enheter. Och detta mot bakgrund av det faktum att investeringsvolymen i utvecklingen av artificiell intelligens ökar från år till år.

Allt tyder på att artificiell intelligens snart kommer att penetrera våra smartphones, som kommer att bli betydligt smartare. Så vi är inte långt från maskinernas uppror? Hur mycket smartare behöver maskiner bli för att ta makten över människor? Och hur verkligt är det?

Artificiell intelligens ett, artificiell intelligens två, artificiell intelligens tre

När vi läser eller hör om artificiell intelligens föreställer många av oss SkyNet och maskinerna från den berömda Terminator-filmen. Vad menar forskare och utvecklare med detta koncept?

Det finns tre typer av AI som vi har, eller kanske måste skapa:

Snävt riktad artificiell intelligens. Det är precis vad vi kommer att få i våra nya smartphones inom en snar framtid. Sådan intelligens är överlägsen mänsklig intelligens i vissa aktiviteter eller operationer. En dator med mycket riktad artificiell intelligens kan slå en världsmästare i schack, parkera en bil eller välja de mest relevanta resultaten i en sökmotor.

Kraften hos sådan artificiell intelligens ligger i processorernas beräkningsmöjligheter. Ju större dessa möjligheter är, desto mer effektivt löses de tilldelade uppgifterna. Och med den ökade processorkraften är det inga problem nu. Snävt fokuserad AI, i filosofin om artificiell intelligens (det finns en sådan sak) kallas svag.

Men enbart datorkapacitet, enligt forskare, är inte tillräckligt för att skapa verkligt smarta maskiner. Även om det var just det fiktiva fallet med den spontana övergången av svag artificiell intelligens till stark som låg till grund för manuset till Terminator-filmerna. SkyNet, en superdator för USA:s försvarsdepartement designad för att kontrollera missilförsvarssystemet, får medvetande och börjar fatta sina egna beslut.

Allmän artificiell intelligens. Om vi ​​redan har skapat system med snävt riktad AI och hittat praktiska tillämpningar för dem, så är allt mycket mer komplicerat med General AI. Denna typ av AI är redan intelligens på mänsklig nivå. Den är universell och kan utföra samma intellektuella operationer som den mänskliga hjärnan.

Om vi ​​ser helt humanoida robotar under vår livstid kommer de att ha exakt den här typen av intelligens. Kom ihåg androiden Andrew från Chris Columbus film Bicentennial Man. Robotar med sådan AI kommer att självständigt kunna lära sig, tänka och fatta beslut som människor. De kommer att kunna bygga relationer med människor omkring dem, bli vänner och hjälpare. Det är den här typen av artificiell intelligens som kallas stark.

Men det finns en klyfta mellan stark och svag artificiell intelligens. För att gå från den ena till den andra räcker det inte med att öka datorernas beräkningskraft, du måste också ge dem intelligens. Forskare har ännu inte sett ett tydligt sätt att göra detta.

Artificiell superintelligens. Det är denna typ av artificiell intelligens som väcker stor uppmärksamhet. Till stor del för att möjligheten till dess skapelse av många forskare uppfattas som en fara för mänskligheten. SkyNet är en illustration av ett sådant hot.

Superintelligens kommer att vara smartare än någon av människorna. Han kommer att vara överlägsen människan på nästan alla områden. Kommer att kunna lösa komplexa problem och göra vetenskapliga upptäckter. Hur kommer en intelligent maskin att bete sig i förhållande till mänskligheten?

Forskare föreslår tre modeller för interaktion:

Orakel– Vi kan få svar på alla komplexa frågor.

Gin- han kommer att göra allt vi behöver själv, för detta använda åtminstone en molekylär assembler, till och med robotlaboratorier och fabriker som fungerar utan mänsklig inblandning.

Suverän– Han ska hitta problemet själv och lösa det själv.

Som du kan se innehåller termen "artificiell intelligens" tre former av existens av artificiell intelligens. Och deras skillnader från varandra är betydande, liksom konsekvenserna av övergången från en AI till en annan. Kan vi bestämma intelligensnivån för smarta maskiner för att förstå vem vi har att göra med?

Hur mäter man artificiell intelligens?

Människor skiljer sig från varandra i sin intelligensnivå. För att kvantifiera det används speciella tester. IQ-testet är känt för många. Hur mäts intelligensen hos maskiner?

Om vi ​​tar ett okritiskt förhållningssätt till mediarapporter, så varierar den intellektuella nivån hos moderna maskiner mellan IQ för ett 4-årigt barn och en 13-årig tonåring. Dessa två siffror illustrerar två metoder för att mäta maskinintelligens.

2015 testade ett team av forskare från Illinois ConceptNet artificiell intelligens som skapats vid Massachusetts Institute of Technology med ett standard IQ-test för barn i åldrarna 2,5 till 7 år. Maskinens resultat motsvarade medelprestandan för ett fyraårigt barn.

Utöver användningen av tester designade för människor är ett speciellt test designat för maskiner allmänt känt och används. Turing-testet är utformat för att avgöra om en maskin kan tänka.

Testet är som följer. En person – domaren – kommunicerar med två samtalspartner som han inte ser. All interaktion sker genom korrespondens med hjälp av en mellanliggande dator. En av samtalspartnerna är en person och den andra är ett datorprogram som utger sig för att vara en person. Om domaren inte definitivt kan säga vilken av hans samtalspartner som är programmet, anses maskinen ha klarat provet.

Hittills har Turingtestet bara godkänts en gång. 2014 kunde Eugene Goostman-programmet, som imiterade en 13-årig tonåring som av utvecklarna namngavs som Zhenya Goostman, vilseleda domare och efterlikna en person.

Det finns dock många invändningar mot sådana tester. Både datorer och deras program är idag bärare av svag, snävt fokuserad artificiell intelligens. Sådan intelligens kan bara imitera personen som gör testet.

Allt kommer att förändras när man går från svag artificiell intelligens till stark. En maskin utrustad med allmän artificiell intelligens, som kommer att likna mänsklig intelligens, kommer redan att ha medvetenhet och självmedvetenhet och kommer därför att tänka. En sådan dator skulle klara ett standard IQ-test, svara på frågor medvetet som en människa skulle göra.

Det mänskliga IQ-talet sträcker sig från 85 till 130. Samma indikatorer kommer att vara tillgängliga för allmän AI. Men den övre nivån av IQ av artificiell superintelligens kommer inte att ha några begränsningar. Det kan vara 1 000 eller 10 000 Vad väntar oss när AI förbättras?

Sedan datorernas uppfinning har deras förmåga att utföra olika uppgifter fortsatt att växa exponentiellt. Människor utvecklar kraften i datorsystem genom att öka uppgifterna och minska storleken på datorer. Huvudmålet för forskare inom artificiell intelligens är att skapa datorer eller maskiner lika intelligenta som människor.

Upphovsmannen till termen "artificiell intelligens" är John McCarthy, uppfinnare av språket Lisp, grundare av funktionell programmering och vinnare av Turing Award för sina enorma bidrag till forskningen om artificiell intelligens.

Artificiell intelligens är ett sätt att göra en dator, datorstyrd robot eller program kapabel att tänka intelligent som en människa.

Forskning inom området AI utförs genom att studera mänskliga mentala förmågor, och sedan används resultaten av denna forskning som grund för utvecklingen av intelligenta program och system.

AI-filosofi

Medan de körde kraftfulla datorsystem ställde alla frågan: "Kan en maskin tänka och bete sig på samma sätt som en människa?" "

Således började utvecklingen av AI med avsikten att skapa liknande intelligens i maskiner, liknande mänsklig intelligens.

Huvudmålen för AI

• Skapande av expertsystem - system som visar intelligent beteende: lär, visa, förklara och ge råd;
• Implementeringen av mänsklig intelligens i maskiner är skapandet av en maskin som kan förstå, tänka, undervisa och bete sig som en person.

Vad driver utvecklingen av AI?

Artificiell intelligens är en vetenskap och teknik baserad på discipliner som datavetenskap, biologi, psykologi, lingvistik, matematik och maskinteknik. Ett av huvudområdena för artificiell intelligens är utvecklingen av datorfunktioner relaterade till mänsklig intelligens, såsom resonemang, inlärning och problemlösning.

Program med och utan AI

Program med och utan AI skiljer sig åt i följande egenskaper:

AI-applikationer

AI har blivit dominerande inom olika områden som:

Spel – AI spelar en avgörande roll i spel relaterade till strategi som schack, poker, tic-tac-toe etc, där datorn kan beräkna ett stort antal olika beslut utifrån heuristisk kunskap.

Naturlig språkbehandling är förmågan att kommunicera med en dator som förstår det naturliga språket som talas av människor.

Taligenkänning - vissa intelligenta system kan höra och förstå det språk som en person kommunicerar med dem på. De kan hantera olika accenter, slangs etc.

Handskriftsigenkänning - programvaran läser text skriven på papper med en penna eller på skärmen med en penna. Den kan känna igen bokstavsformer och konvertera den till redigerbar text.

Smarta robotar är robotar som kan utföra uppgifter som tilldelats av människor. De har sensorer för att upptäcka fysisk data från den verkliga världen, såsom ljus, värme, rörelse, ljud, stötar och tryck. De har högpresterande processorer, flera sensorer och enormt minne. Dessutom kan de lära sig av sina egna misstag och anpassa sig till en ny miljö.

Historik om AI-utveckling

Här är historien om AI-utveckling under 1900-talet

I år lanserade Yandex röstassistenten Alice. Den nya tjänsten låter användaren lyssna på nyheter och väder, få svar på frågor och enkelt kommunicera med boten. "Alice" ibland blir han kaxig, verkar ibland nästan rimlig och mänskligt sarkastisk, men kan ofta inte förstå vad hon tillfrågas om och hamnar i en pöl.

Allt detta gav inte bara upphov till en våg av skämt, utan också till en ny omgång diskussioner om utvecklingen av artificiell intelligens. Nyheter om vad smarta algoritmer har uppnått kommer nästan varje dag idag, och maskininlärning kallas ett av de mest lovande områdena som du kan ägna dig åt.

För att klargöra huvudfrågorna om artificiell intelligens pratade vi med Sergei Markov, en specialist på artificiell intelligens och maskininlärningsmetoder, författare till ett av de mest kraftfulla inhemska schackprogrammen SmarThink och skaparen av XXII Century-projektet.

Sergey Markov,

specialist på artificiell intelligens

Avslöjar myter om AI

så vad är "artificiell intelligens"?

Begreppet "artificiell intelligens" har haft otur till viss del. Ursprungligen ursprungligen i det vetenskapliga samfundet, trängde den så småningom in i fantastisk litteratur och genom den in i popkulturen, där den genomgick ett antal förändringar, fick många tolkningar och till slut blev helt mystifierad.

Det är därför vi ofta hör sådana här uttalanden från icke-specialister: "AI existerar inte", "AI kan inte skapas." Missförstånd av arten av AI-forskning leder lätt människor till andra ytterligheter – till exempel tillskrivs moderna AI-system närvaron av medvetande, fri vilja och hemliga motiv.

Låt oss försöka skilja flugorna från kotletterna.

Inom vetenskapen hänvisar artificiell intelligens till system utformade för att lösa intellektuella problem.

I sin tur är en intellektuell uppgift en uppgift som människor löser med sin egen intelligens. Observera att i det här fallet undviker experter medvetet att definiera begreppet "intelligens", eftersom före tillkomsten av AI-system var det enda exemplet på intelligens mänsklig intelligens, och att definiera begreppet intelligens baserat på ett enda exempel är detsamma som att försöka att dra en rät linje genom en enda punkt. Det kan finnas hur många sådana rader som helst, vilket innebär att debatten om begreppet intelligens kan pågå i århundraden.

"stark" och "svag" artificiell intelligens

AI-system är indelade i två stora grupper.

Tillämpad artificiell intelligens(termen "svag AI" eller "smal AI" används också, i den engelska traditionen - weak/applied/narrow AI) är AI designad för att lösa vilket som helst intellektuellt problem eller en liten uppsättning av dem. Denna klass inkluderar system för att spela schack, Go, bildigenkänning, tal, fatta beslut om att utfärda eller inte utfärda ett banklån, och så vidare.

I motsats till tillämpad AI introduceras konceptet universell artificiell intelligens(även "stark AI", på engelska - stark AI/Artificial General Intelligence) - det vill säga hypotetisk (för nu) AI som kan lösa alla intellektuella problem.

Ofta likställer människor, utan att känna till terminologin, AI med stark AI, vilket är anledningen till att bedömningar uppstår i andan av "AI existerar inte."

Stark AI finns verkligen inte ännu. Nästan alla framsteg vi har sett under det senaste decenniet inom AI är framsteg inom applikationssystem. Dessa framgångar bör inte underskattas, eftersom tillämpade system i vissa fall är kapabla att lösa intellektuella problem bättre än universell mänsklig intelligens.

Jag tror att du märkte att begreppet AI är ganska brett. Låt oss säga att mental beräkning också är en intellektuell uppgift, och det betyder att vilken räknemaskin som helst kommer att betraktas som ett AI-system. Hur är det med räkningar? Kulram? Antikythera-mekanismen? Alla dessa är faktiskt formellt, om än primitiva, AI-system. Men vanligtvis, genom att kalla ett system för ett AI-system, betonar vi därmed komplexiteten i problemet som löses av detta system.

Det är ganska uppenbart att uppdelningen av intellektuella uppgifter i enkla och komplexa är mycket artificiell, och våra idéer om komplexiteten i vissa uppgifter förändras gradvis. Den mekaniska räknemaskinen var ett teknikmirakel på 1600-talet, men idag kan människor, som har varit utsatta för mycket mer komplexa mekanismer sedan barnsben, inte längre imponeras av den. När bilar som spelar Go eller självkörande bilar slutar att förvåna allmänheten, kommer det förmodligen att finnas människor som kommer att rycka till för att någon kommer att klassificera sådana system som AI.

"Excellent Robots": om AI:s inlärningsförmåga

En annan rolig missuppfattning är att AI-system måste ha förmågan att lära sig själv. Å ena sidan är detta inte en nödvändig egenskap hos AI-system: det finns många fantastiska system som inte kan lära sig själv, men som ändå löser många problem bättre än den mänskliga hjärnan. Å andra sidan vet vissa människor helt enkelt inte att självlärande är en egenskap som många AI-system förvärvade för mer än femtio år sedan.

När jag skrev mitt första schackprogram 1999 var självlärande redan en helt vanlig plats inom detta område – program kunde komma ihåg farliga positioner, anpassa öppningsvarianter så att de passade dem själva och reglera spelstilen, anpassa sig efter motståndaren. Naturligtvis var dessa program fortfarande väldigt långt ifrån Alpha Zero. Men även system som lärt sig beteende baserat på interaktioner med andra system genom experiment i så kallad ”förstärkningsinlärning” existerade redan. Men av någon oförklarlig anledning tror vissa fortfarande att förmågan att lära sig själv är den mänskliga intelligensens privilegium.

Maskininlärning, en hel vetenskaplig disciplin, handlar om processerna för att lära maskiner för att lösa vissa problem.

Det finns två stora poler för maskininlärning - övervakad inlärning och oövervakad inlärning.

På utbildning med en lärare maskinen har redan ett visst antal villkorligt korrekta lösningar för en viss uppsättning fall. Uppgiften att träna i detta fall är att lära maskinen, utifrån tillgängliga exempel, att fatta korrekta beslut i andra, okända situationer.

Den andra ytterligheten är lärande utan lärare. Det vill säga att maskinen är placerad i en situation där de korrekta besluten är okända, endast data finns tillgänglig i rå, omärkt form. Det visar sig att du i sådana fall kan nå viss framgång. Till exempel kan du lära en maskin att identifiera semantiska samband mellan ord på ett språk baserat på analys av en mycket stor uppsättning texter.

En typ av övervakat lärande är förstärkningsinlärning. Tanken är att AI-systemet fungerar som en agent placerad i någon simulerad miljö där det kan interagera med andra agenter, till exempel med kopior av sig själv, och få lite feedback från omgivningen genom en belöningsfunktion. Till exempel ett schackprogram som spelar med sig själv, gradvis anpassar sina parametrar och därigenom gradvis stärker sitt eget spel.

Förstärkningsinlärning är ett ganska brett område, med många intressanta tekniker som används, allt från evolutionära algoritmer till Bayesiansk optimering. De senaste framstegen inom AI för spel handlar om att förbättra AI genom förstärkningsinlärning.

Risker med teknikutveckling: ska vi vara rädda för "Domeday"?

Jag är inte en av AI-larmisterna, och i denna mening är jag inte ensam. Till exempel, skaparen av Stanford-kursen om maskininlärning, Andrew Ng, jämför problemet med faran med AI med problemet med överbefolkning av Mars.

Det är faktiskt troligt att människor kommer att kolonisera Mars i framtiden. Det är också troligt att det förr eller senare kan finnas ett överbefolkningsproblem på Mars, men det är inte helt klart varför vi ska ta itu med detta problem nu? Yann LeCun, skaparen av konvolutionella neurala nätverk, och hans chef Mark Zuckerberg, och Yoshua Benyo, en man till stor del tack vare vars forskning, moderna neurala nätverk kan lösa komplexa problem inom textbehandlingsområdet, håller med Ng.

Det kommer förmodligen att ta flera timmar att presentera mina synpunkter på detta problem, så jag kommer bara att fokusera på huvudpunkterna.

1. DU KAN INTE BEGRÄNSA UTVECKLING AV AI

Alarmister överväger riskerna förknippade med den potentiella destruktiva effekten av AI, samtidigt som de ignorerar riskerna med att försöka begränsa eller till och med stoppa framsteg på detta område. Mänsklighetens teknologiska kraft ökar i extremt snabb takt, vilket leder till en effekt som jag kallar för att "billiga apokalypsen".

För 150 år sedan, med all lust, kunde mänskligheten inte orsaka irreparabel skada varken på biosfären eller på sig själv som art. För att genomföra katastrofscenariot för 50 år sedan hade det varit nödvändigt att koncentrera kärnkrafternas all tekniska kraft. I morgon kan det räcka med en liten handfull fanatiker för att åstadkomma en global katastrof.

Vår tekniska kraft växer mycket snabbare än den mänskliga intelligensens förmåga att kontrollera denna kraft.

Såvida inte mänsklig intelligens, med dess fördomar, aggression, vanföreställningar och begränsningar, ersätts av ett system som kan fatta bättre beslut (oavsett om AI eller, vad jag tror är mer troligt, mänsklig intelligens, tekniskt förbättrad och kombinerad med maskiner till ett enda system) , vi kan vänta på en global katastrof.

2. att skapa superintelligens är i grunden omöjligt

Det finns en idé om att framtidens AI säkert kommer att vara superintelligens, överlägsen människor till och med mer än människor är överlägsna myror. I det här fallet är jag rädd att också göra tekniska optimister besvikna - vårt universum innehåller ett antal grundläggande fysiska begränsningar som uppenbarligen kommer att göra skapandet av superintelligens omöjligt.

Till exempel begränsas signalöverföringens hastighet av ljusets hastighet, och på Planck-skalan uppträder Heisenberg-osäkerheten. Detta leder till den första grundläggande gränsen - Bremermann-gränsen, som inför begränsningar för den maximala hastigheten för beräkningar för ett autonomt system med en given massa m.

En annan gräns är förknippad med Landauer-principen, enligt vilken det finns en minsta mängd värme som genereras vid bearbetning av 1 bit information. För snabba beräkningar kommer att orsaka oacceptabel uppvärmning och förstörelse av systemet. Faktum är att moderna processorer ligger mindre än tusen gånger efter Landauer-gränsen. Det verkar som att 1000 är ganska mycket, men ett annat problem är att många intellektuella uppgifter tillhör svårighetsklassen EXPTIME. Det betyder att tiden som krävs för att lösa dem är en exponentiell funktion av problemets storlek. Att accelerera systemet flera gånger ger bara en konstant ökning av "intelligens".

I allmänhet finns det mycket allvarliga skäl att tro att superintelligent stark AI inte kommer att fungera, även om nivån på mänsklig intelligens mycket väl kan överträffas. Hur farligt är detta? Troligtvis inte särskilt mycket.

Föreställ dig att du plötsligt började tänka 100 gånger snabbare än andra människor. Betyder detta att du lätt kommer att kunna övertala alla förbipasserande att ge dig sin plånbok?

3. vi är oroliga för fel saker

Tyvärr, som ett resultat av alarmisters spekulationer om allmänhetens rädslor, som tagits upp om "The Terminator" och den berömda HAL 9000 av Clark och Kubrick, har det skett en förändring i tyngdpunkten inom området AI-säkerhet mot analys av osannolikt , men effektiva scenarier. Samtidigt tappas verkliga faror ur sikte.

All tillräckligt komplex teknik som strävar efter att inta en viktig plats i vårt tekniska landskap medför säkerligen specifika risker. Många liv förstördes av ångmaskiner - vid tillverkning, transporter och så vidare - innan effektiva bestämmelser och säkerhetsåtgärder utvecklades.

Om vi ​​talar om framsteg inom området för tillämpad AI, kan vi uppmärksamma det relaterade problemet med den så kallade "Digital Secret Court". Fler och fler AI-applikationer fattar beslut i frågor som påverkar människors liv och hälsa. Detta inkluderar medicinska diagnossystem och till exempel system som fattar beslut i banker om att ge ut eller inte ge ut ett lån till en kund.

Samtidigt döljs strukturen på de använda modellerna, de uppsättningar av faktorer som används och andra detaljer i beslutsförfarandet som affärshemligheter för den person vars öde står på spel.

De använda modellerna kan basera sina beslut på åsikter från expertlärare som gjort systematiska fel eller haft vissa fördomar - ras, kön.

AI som utbildats i beslut av sådana experter kommer troget att återge dessa fördomar i sina beslut. När allt kommer omkring kan dessa modeller innehålla specifika defekter.

Få människor hanterar dessa problem nu, eftersom, naturligtvis, att SkyNet starta ett kärnvapenkrig är mycket mer spektakulärt.

Neurala nätverk som en "het trend"

Å ena sidan är neurala nätverk en av de äldsta modellerna som används för att skapa AI-system. De uppträdde initialt som ett resultat av det bioniska tillvägagångssättet och flydde snabbt från sina biologiska prototyper. Det enda undantaget här är impulsneurala nätverk (dock har de ännu inte hittat någon bred tillämpning i branschen).

De senaste decenniernas framsteg är förknippade med utvecklingen av djupinlärningsteknologier - ett tillvägagångssätt där neurala nätverk är sammansatta av ett stort antal lager, som vart och ett är byggt på grundval av vissa regelbundna mönster.

Förutom skapandet av nya neurala nätverksmodeller har viktiga framsteg också gjorts inom området för inlärningsteknologi. Idag lärs neurala nätverk inte längre ut med hjälp av centrala datorprocessorer, utan med hjälp av specialiserade processorer som snabbt kan utföra matris- och tensorberäkningar. Den vanligaste typen av sådana enheter idag är grafikkort. Utvecklingen av ännu mer specialiserade enheter för att träna neurala nätverk pågår dock aktivt.

Generellt sett är förstås neurala nätverk idag en av huvudteknologierna inom maskininlärning, som vi är skyldiga lösningen på många problem som tidigare löstes på ett otillfredsställande sätt. Å andra sidan måste du förstås förstå att neurala nätverk inte är ett universalmedel. För vissa uppgifter är de långt ifrån det mest effektiva verktyget.

Så hur smarta är dagens robotar egentligen?

Allt är relativt. Jämfört med tekniken från 2000 ser nuvarande prestationer ut som ett riktigt mirakel. Det kommer alltid att finnas människor som älskar att knorra. För 5 år sedan pratade de med all kraft om hur maskiner aldrig skulle vinna mot människor på Go (eller, åtminstone, de skulle inte vinna mycket snart). De sa att en maskin aldrig skulle kunna rita en bild från grunden, medan människor i dag praktiskt taget inte kan skilja målningar skapade av maskiner från målningar av konstnärer okända för dem. I slutet av förra året lärde sig maskiner att syntetisera tal som praktiskt taget inte går att skilja från mänskligt tal, och på senare år har musiken som skapats av maskiner inte vissnat bort öronen.

Låt oss se vad som händer imorgon. Jag är mycket optimistisk om dessa tillämpningar av AI.

Lovande vägbeskrivningar: var ska man börja dyka in i AI-området?

Jag skulle råda dig att prova bra nivå behärska ett av de populära neurala nätverksramverken och ett av de mest populära programmeringsspråken inom maskininlärning (den mest populära kombinationen idag är TensorFlow + Python).

Efter att ha behärskat dessa verktyg och helst ha en stark grund inom området matematisk statistik och sannolikhetsteori, bör du rikta dina ansträngningar till det område som kommer att vara mest intressant för dig personligen.

Intresset för ämnet för ditt arbete är en av dina viktigaste medhjälpare.

Behovet av maskininlärningsspecialister finns som mest olika områden- inom medicin, inom bank, inom vetenskap, inom produktion, så idag får en bra specialist ett större urval än någonsin tidigare. De potentiella fördelarna med någon av dessa branscher förefaller mig vara obetydliga jämfört med det faktum att du kommer att trivas med arbetet.

"Vi står på tröskeln till de största förändringarna jämförbara med mänsklig evolution" - Science fiction-författaren Vernor Stefan Vinge

Hur skulle du känna om du visste att du var på gränsen till en enorm förändring som den lilla mannen i grafen nedan?

Den vertikala axeln är mänsklighetens utveckling, den horisontella axeln är tiden

Spännande, eller hur?

Men om du döljer en del av grafen så ser allt mycket mer prosaiskt ut.

En avlägsen framtid är precis runt hörnet

Föreställ dig att du befinner dig i 1750. På den tiden hade folk ännu inte hört talas om elektricitet, kommunikation på avstånd genomfördes med hjälp av facklor, och det enda transportmedlet behövde matas med hö innan resan. Och så bestämmer du dig för att ta "personen från det förflutna" med dig och visa honom livet 2016. Det är omöjligt att ens föreställa sig vad han skulle ha känt om han befann sig på breda, jämna gator längs vilka bilar rusade. Din gäst skulle bli oerhört förvånad över att moderna människor kan kommunicera även om de befinner sig på olika sidor av jordklotet, följa sportevenemang i andra länder, se konserter från 50 år sedan och även spara vilken tid som helst i ett foto eller en video. Och om du berättade för den här mannen från 1750 om Internet, den internationella rymdstationen, Large Hadron Collider och relativitetsteorin, skulle hans syn på världen förmodligen kollapsa. Han kunde till och med dö av ett överflöd av intryck.

Men här är det som är intressant: om din gäst återvände till sitt "hemska" århundrade och bestämde sig för att utföra ett liknande experiment, ta en person från 1500 för en tur i en tidsmaskin, så även om en besökare från det förflutna också kan bli överraskad av många hans erfarenhet skulle inte vara lika imponerande – skillnaden mellan 1500 och 1750 är inte lika märkbar som mellan 1750 och 2016.

Om en person från 1700-talet vill imponera på en gäst från det förflutna, då måste han bjuda in någon som levde år 12 000 f.Kr., före den stora agrarevolutionen. Han kunde verkligen ha blivit "blåst" av teknikens utveckling. När han såg kyrkornas höga klocktorn, fartyg som plöjer haven, städer med tusentals invånare, skulle han svimma av de böljande känslorna.

Teknikens och samhällets utvecklingstakt ökar ständigt. Den berömde amerikanske uppfinnaren och futuristen Raymond Kurzweil kallar detta för termen "The Law of Acceleration of History." Detta beror på att införandet av ny teknik gör att samhället kan utvecklas i en allt snabbare takt. Till exempel hade människor som levde på 1800-talet mer avancerad teknik än de på 1400-talet. Därför är det inte förvånande att 1800-talet gav mänskligheten fler landvinningar än 1400-talet.

Men om tekniken utvecklas snabbare och snabbare borde vi förvänta oss många största uppfinningar i framtiden, eller hur? Om Kurzweil och hans likasinnade har rätt, så kommer vi år 2030 att uppleva samma känslor som en person som kom från 1750 till vår. Och år 2050 kommer världen att ha förändrats så mycket att vi knappast kommer att kunna urskilja egenskaperna från tidigare decennier.

Allt ovanstående är inte science fiction - det är vetenskapligt bekräftat och ganska logiskt. Men många är fortfarande skeptiska till sådana påståenden. Detta händer av ett antal anledningar:

1. Många tror att samhällsutvecklingen sker jämnt och rakt på sak. När vi tänker på hur världen kommer att se ut om 30 år, minns vi vad som hände under de senaste 30 åren. Vid det här laget gör vi samma misstag som personen från exemplet ovan, som levde 1750 och bjöd in en gäst från 1500. För att korrekt föreställa dig framstegen framåt måste du föreställa dig att utvecklingen sker i en mycket snabbare takt än i det avlägsna förflutna.

2. Vi uppfattar felaktigt det moderna samhällets utvecklingsbana. Om vi ​​till exempel tittar på ett litet segment av en exponentiell kurva, kan det för oss verka som en rät linje (precis som om vi tittade på en del av en cirkel). Den exponentiella tillväxten är dock inte jämn och jämn. Kurzweil förklarar att framsteg följer en s-formad kurva, som visas i grafen nedan:

Varje "runda" av utveckling börjar med ett plötsligt hopp, som sedan ersätts av en stadig och gradvis tillväxt.

Så varje ny "runda" av utveckling är uppdelad i flera stadier:

1. Långsam tillväxt (tidig utvecklingsfas);
2. Snabb tillväxt (den andra, "explosiva" utvecklingsfrasen);
3. "Alignment" när ny teknologi förs till perfektion.

Om vi ​​tittar på de senaste händelserna kan vi komma till slutsatsen att vi inte är helt medvetna om hur snabbt tekniken går framåt. Till exempel, mellan 1995 och 2007 kunde vi se uppkomsten av Internet, Microsoft, Google och Facebook, sociala nätverk, mobiltelefoner och sedan smartphones. Men perioden mellan 2008 och 2016 var inte så rik på upptäckter, åtminstone inom högteknologiområdet. Därmed är vi nu i steg 3 av den s-formade utvecklingslinjen.

3. Många människor är gisslan av sina egna livserfarenheter, vilket förvränger deras syn på framtiden. När vi hör någon förutsägelse om framtiden som motsäger vår åsikt baserat på tidigare erfarenheter, anser vi denna bedömning vara naiv. Till exempel, om de säger till dig idag att människor i framtiden kommer att leva 150-250 år eller , kommer du troligen att svara: "Detta är dumt, för det är välkänt att alla är dödliga." Alla människor som någonsin har levt i det förflutna har faktiskt dött och fortsätter att dö idag. Men det är värt att notera att ingen flög flygplan heller förrän de slutligen uppfanns.

Faktum är att mycket kommer att förändras under de närmaste decennierna, och förändringarna kommer att vara så betydande att det är svårt att ens föreställa sig det nu. Efter att ha läst den här artikeln till slutet kan du lära dig mer om vad som händer nu i vetenskapens och högteknologins värld.

Vad är artificiell intelligens (AI)?

1. Vi associerar AI med filmer som "Star Wars", "Terminator" och så vidare. I detta avseende behandlar vi det som fiktion.

2. AI är ett ganska brett begrepp. Det gäller både fickräknare och självkörande bilar. Sådan mångfald är förvirrande.

3. Vi använder artificiell intelligens i våra dagliga liv, men vi inser det inte. Vi uppfattar AI som något mytiskt från framtidens värld, så det är svårt för oss att inse att det redan finns omkring oss.

I detta avseende är det nödvändigt att förstå flera saker en gång för alla. För det första är artificiell intelligens inte en robot. En robot är ett slags AI-skal som ibland har konturerna av en människokropp. Men artificiell intelligens är en dator inuti en robot. Det kan jämföras med hjärnan inuti människokroppen. Till exempel är den kvinnliga rösten som vi hör bara en personifiering.

För det andra har du förmodligen redan stött på begreppet "singularitet" eller "teknologisk singularitet". Denna term användes för att beskriva en situation där de vanliga lagarna och reglerna inte gäller. Det här konceptet används i fysiken för att beskriva svarta hål eller ögonblicket för universums kompression före Big Bang. 1993 publicerade Vernor Vinge sin berömda essä där han använde singulariteten för att identifiera en punkt i framtiden då artificiell intelligens skulle överträffa vår egen. Enligt hans åsikt, när detta ögonblick kommer, kommer världen med alla dess regler och lagar att upphöra att existera som tidigare.

Slutligen finns det flera typer av artificiell intelligens, bland vilka tre huvudkategorier kan särskiljas:

1. Begränsad artificiell intelligens (ANI, Artificial Narrow Intelligence). Det är en AI som är specialiserad på ett specifikt område. Han kan till exempel slå världsmästaren i schack i ett schackspel, men det är allt han kan göra.

2. Allmän artificiell intelligens (AGI, Artificial General Intelligence). Sådan AI är en dator vars intelligens liknar en människas, det vill säga den kan utföra samma uppgifter som en person. Professor Linda Gottfredson beskriver detta fenomen på följande sätt: "Allmän AI förkroppsligar generaliserade tankeförmåga, som också inkluderar förmågan att resonera, planera, lösa problem, tänka abstrakt, jämföra komplexa idéer, lära sig snabbt och använda ackumulerad erfarenhet."

3. Artificiell Superintelligence (ASI, Artificiell Superintelligence). Den svenske filosofen och professorn vid Oxford University Nick Bostrom definierar superintelligens som "en intelligens som är överlägsen människors på praktiskt taget alla områden, inklusive vetenskaplig uppfinning, allmän kunskap och sociala färdigheter."

För närvarande använder mänskligheten redan framgångsrikt begränsad AI. Vi är på väg att bemästra AGI. Följande avsnitt av artikeln kommer att diskutera var och en av dessa kategorier i detalj.

En värld styrd av begränsad artificiell intelligens

Begränsad artificiell intelligens är maskinell intelligens som är lika med eller överlägsen mänsklig intelligens för att lösa smala problem. Nedan följer några exempel:

• en självkörande bil från Google som känner igen och reagerar på olika hinder i sin väg;
• är en "tillflyktsort" olika former begränsad AI. När du rör dig i staden med hjälp av navigeringstips, får musikrekommendationer från Pandora, kollar väderprognosen, pratar med Siri, du använder ANI;
• skräppostfilter i din e-post - först lär de sig känna igen skräppost, och sedan, genom att analysera sina tidigare erfarenheter och dina preferenser, flyttar de brev till en speciell mapp;
• Google Translate-översättaren är ett klassiskt exempel på begränsad AI som klarar sin snäva uppgift tillräckligt bra;
• i det ögonblick som planet landar bestämmer ett speciellt AI-baserat system genom vilken grind passagerare ska gå ut.

Begränsade artificiella intelligenssystem utgör inget hot mot människor. I värsta fall kan ett fel i ett sådant system orsaka en lokal katastrof som t.ex. en överspänning eller en liten kollaps på finansmarknaden.

Varje ny uppfinning inom området begränsad AI tar oss ett steg närmare skapandet av allmän artificiell intelligens.

Varför är detta så svårt?

Om du försökte skapa en dator med samma intelligens som en människa, skulle du verkligen börja uppskatta din förmåga att tänka. Att designa skyskrapor, skjuta upp raketer i rymden, studera Big Bang-teorin - allt detta är mycket lättare att åstadkomma än att studera den mänskliga hjärnan. För närvarande är vårt sinne det mest komplexa objektet i det observerbara universum.

Det mest intressanta är att svårigheterna med att skapa allmän AI uppstår i de mest till synes enkla saker. Det är till exempel inte svårt att skapa en enhet som kan multiplicera tiosiffriga tal på en bråkdel av en sekund. Samtidigt är det otroligt svårt att skriva ett program som kan känna igen vem som står framför monitorn: en katt eller en hund. Skapa en dator som kan slå en människa i schack? Lätt! Få en maskin att läsa och förstå vad som står i en barnbok? Google spenderar miljarder dollar för att lösa detta problem. Saker som matematiska beräkningar, skapa finansiella strategier, översätta från ett språk till ett annat har redan lösts med hjälp av AI. Men syn, perception, gester och rörelse i rymden förblir fortfarande olösta problem för datorer.

Dessa färdigheter verkar enkla för människor eftersom de har utvecklats under miljontals år av evolution. När du sträcker ut handen för att plocka upp ett föremål utför dina muskler, ligament och ben en serie operationer som stämmer överens med vad dina ögon ser.

Å andra sidan är att multiplicera stora siffror och spela schack helt nya handlingar för biologiska varelser. Det är därför det är väldigt lätt för en dator att slå oss i detta. Fundera på vilket program du hellre skulle skapa: ett som snabbt skulle kunna multiplicera stora siffror eller helt enkelt känna igen bokstaven B från tusentals andra skrivna i olika typsnitt?

Ett annat roligt exempel: genom att titta på bilden nedan kan både du och datorn omisskännligt känna igen att den representerar en rektangel som består av kvadrater med två olika nyanser:

Men så snart vi tar bort den svarta bakgrunden kommer den fullständiga, tidigare dolda bilden att öppnas framför oss:

Det kommer inte att vara svårt för en person att namnge och beskriva alla figurer som han ser på den här bilden. Datorn kommer dock inte att klara av denna uppgift. Och efter att ha analyserat bilden nedan kommer han att dra slutsatsen att framför honom finns en kombination av många tvådimensionella objekt av vita, svarta och gråa färger. I det här fallet kan en person enkelt säga att bilden visar en svart sten:

Allt som nämndes ovan gällde endast uppfattningen och bearbetningen av statisk information. För att matcha intelligensnivån hos en människa måste en dator lära sig att känna igen ansiktsuttryck, gester och så vidare. Men hur ska man uppnå allt detta?

Det första steget mot att skapa allmän AI är att öka datorkraften

Självklart, om vi ska skapa "smarta" datorer måste de ha samma tankeförmåga som människor. Ett sätt att uppnå detta är att öka antalet operationer per sekund. För att göra detta är det nödvändigt att beräkna hur många operationer per sekund varje mänsklig hjärnstruktur utför.

Ray Kurzweil gjorde några beräkningar och lyckades komma fram till ett antal av 10 000 000 000 000 000 operationer per sekund. Den mänskliga hjärnan har ungefär samma produktivitet.

För närvarande är den mest kraftfulla superdatorn den kinesiska Tianhe-2, vars prestanda är 34 kvadrilljoner operationer per sekund. Storleken på denna superdator är dock imponerande - den täcker ett område på 720 kvadratmeter och kostar 390 000 000 $.

Så om man ser från den tekniska sidan har vi redan en dator som är jämförbar i prestanda med den mänskliga hjärnan. Det är inte tillgängligt för masskonsumenten, men inom tio år kommer det att bli så. Prestanda är dock inte det enda som kan ge en dator intelligens som en människa. Nästa fråga är: hur gör man en kraftfull dator intelligent?

Det andra steget mot att skapa allmän AI är att förse maskinen med intelligens

Detta är den svåraste delen av processen, eftersom ingen riktigt vet hur man gör en dator smart. Det pågår fortfarande debatt om hur man gör det möjligt för en maskin att skilja katter från hundar eller känna igen bokstaven B. Det finns dock flera strategier, av vilka några beskrivs kortfattat nedan:

1. Kopiera en mänsklig hjärna

För närvarande arbetar forskare med den så kallade reverse engineering av den mänskliga hjärnan. Enligt optimistiska prognoser kommer detta arbete att vara klart till 2030. När projektet väl har skapats kommer vi att kunna lära oss alla hemligheter i vår hjärna och dra nya idéer från den. Ett exempel på ett sådant system är ett artificiellt neuralt nätverk.

En annan mer extrem idé är att helt imitera den mänskliga hjärnans funktioner. Under detta experiment är det planerat att skära hjärnan i många tunna lager och skanna vart och ett av dem. Sedan, med hjälp av ett speciellt program, måste du skapa en 3D-modell och sedan implementera den i en kraftfull dator. Efter detta kommer vi att få en enhet som officiellt kommer att ha alla funktioner i den mänskliga hjärnan – allt som återstår är att den samlar in information och lär sig.

Hur länge måste vi vänta tills forskarna kan skapa en exakt kopia av den mänskliga hjärnan? Ganska lång tid, för hittills har specialister inte kunnat kopiera ens ett 1 mm lager av hjärnan, bestående av 302 neuroner (vår hjärna består av 100 000 000 000 neuroner).

2. Rekapitulera utvecklingen av den mänskliga hjärnan

Att skapa en smart dator är teoretiskt möjligt, och utvecklingen av våra egna hjärnor är ett bevis på detta. Om vi ​​inte kan skapa en exakt kopia av hjärnan kan vi försöka imitera dess utveckling. Faktum är att det till exempel är omöjligt att bygga ett flygplan bara genom att kopiera vingarna på en fågel. För att skapa ett flygplan av hög kvalitet är det bättre att använda något annat tillvägagångssätt.

Hur kan vi simulera den evolutionära processen för att skapa allmän AI? Denna metod kallas genetisk algoritm. Kärnan i detta tillvägagångssätt är att optimerings- och modelleringsproblem löses med hjälp av mekanismer som liknar naturligt urval i naturen. Flera datorer kommer att utföra olika uppgifter, och de som är mest effektiva kommer att "korsas" med varandra. Maskiner som inte klarar av uppgiften kommer att exkluderas. Således, efter många upprepningar av detta experiment, kommer den naturliga urvalsalgoritmen att skapa en allt bättre dator. Svårigheten här ligger i att automatisera evolutionsprocessen och "korsning", eftersom den evolutionära processen måste fortsätta av sig själv.

Nackdelen med den beskrivna metoden är att det i evolutionens natur tar miljontals år, men vi behöver resultat inom ett par decennier.

3. Överför alla uppgifter till datorn

När forskare blir desperata försöker de skapa ett program som testar sig själv. Detta kan vara den mest lovande metoden för att skapa allmän AI.

Tanken är att skapa en dator vars huvudfunktioner kommer att vara AI-forskning och kodningsförändringar. En sådan dator kommer inte bara att lära sig självständigt, utan också ändra sin egen arkitektur. Forskare planerar att lära en dator att vara en forskare vars huvuduppgift blir att utveckla sin egen intelligens.

Allt detta kan hända mycket snart

Kontinuerlig förbättring av datorer och innovativa experiment med ny programvara sker parallellt. Artificiell allmän intelligens kan dyka upp snabbt och oväntat av två huvudorsaker:

1. Den exponentiella tillväxttakten verkar mycket långsam, men den kan snabba upp när som helst.

2. När det kommer till mjukvara verkar framstegen gå väldigt långsamt, men en enda upptäckt kan ta oss till nästa nivå på ett ögonblick. ny nivå utveckling. Till exempel vet vi alla att människor tidigare trodde att jorden var i universums centrum. I detta avseende uppstod många svårigheter i studiet av rymden. Men sedan ändrades världssystemet oväntat till heliocentriskt. När idéerna ändrades dramatiskt blev ny forskning möjlig.

På vägen från begränsad AI till artificiell superintelligens

Någon gång i utvecklingen av begränsad AI kommer datorer att börja överträffa oss. Faktum är att artificiell intelligens, identisk med den mänskliga hjärnan, kommer att ha flera fördelar jämfört med människor, bland vilka följande kan särskiljas:

Fart. Våra hjärnneuroner arbetar med en maximal frekvens på 200Hz, medan moderna mikroprocessorer arbetar med 2GHz, eller 10 miljoner gånger snabbare.

Mått. Den mänskliga hjärnan begränsas av skallens storlek och kan därför inte växa sig större. Datorn kan vara vilken storlek som helst, vilket ger mer utrymme för lagring av filer.

Tillförlitlighet och hållbarhet. Datortransistorer fungerar med större precision än hjärnneuroner. Dessutom kan de enkelt repareras eller bytas ut. Den mänskliga hjärnan tenderar att tröttna, medan en dator kan arbeta med full kapacitet dygnet runt.

Artificiell intelligens, programmerad för ständig självförbättring, kommer inte att begränsa sig till några gränser. Det betyder att när en maskin väl når nivån av mänsklig intelligens, kommer den inte att stanna där.

Naturligtvis, när en dator blir "smartare" än oss, kommer det att vara en chock för hela mänskligheten. Faktum är att de flesta av oss har en förvrängd syn på intelligens som ser ut så här:

Vår förvrängda syn på intelligens.

Den horisontella axeln är tid, den vertikala axeln är intelligens.

Nivåer av intelligens går från botten till toppen: myra, fågel, schimpans, dum person, Einstein. Mellan den dumme mannen och Einstein finns en man som säger: ”Ha ha! Dessa roliga robotar beter sig som apor!”

Utvecklingen av artificiell intelligens indikeras i rött.

Så utvecklingskurvan för artificiell intelligens på grafen tenderar att nå den mänskliga nivån. Vi ser hur maskinen gradvis blir smartare än djuret. Men när AI:n når nivån av "närsinnad man" eller, som Nick Bostrom uttrycker det, "byidiot", kommer det att betyda att artificiell allmän intelligens har skapats. I det här fallet kommer det inte att vara svårt för en dator att nå Einsteins nivå. Denna snabba utveckling visas i figuren nedan:

Men vad händer sedan?

Intellektuell explosion

Här skulle det vara användbart att komma ihåg att allt som skrivits i den här artikeln är en beskrivning av verkliga vetenskapliga prognoser sammanställda av respekterade forskare.

I alla fall inkluderar de flesta modeller av begränsad artificiell intelligens funktionen av självförbättring. Men även om du skapar en AI som initialt inte ger en sådan funktion, kommer datorn, efter att ha nått nivån av mänsklig intelligens, att förvärva förmågan att lära sig självständigt efter behag. Som ett resultat av detta kommer maskinintelligens gradvis att utvecklas och bli en superintelligens som kommer att vara många gånger överlägsen det mänskliga sinnet.

Det pågår för närvarande debatt om när AI kommer att nå nivån av mänsklig intelligens. Hundratals forskare är överens om att detta kommer att hända runt 2040. Inte för lång tid, eller hur?

Så det kommer att ta decennier för artificiell intelligens att nå nivån av mänsklig intelligens, men så småningom kommer det att hända. Datorer kommer att lära sig att förstå omvärlden på samma sätt som ett 4-årigt barn förstår. Plötsligt, efter att ha absorberat denna information, kommer systemet att bemästra teoretisk fysik, kvantmekanik och relativitetsteorin. Om en och en halv timme kommer AI att förvandlas till artificiell superintelligens, 170 tusen gånger större än den mänskliga hjärnans kapacitet.

Superintelligens är ett fenomen som vi inte ens delvis kan förstå. Enligt vår åsikt smart man har en IQ på 130, och dum har mindre än 85. Men vilket ord kan man välja för en varelse med en IQ på 12952?

Intelligens är synonymt med makt, vilket är anledningen till att människan för tillfället befinner sig på evolutionens höjdpunkt och underkuvar alla andra levande varelser. Detta betyder att med tillkomsten av artificiell superintelligens kommer vi att sluta vara "naturens krona". Vi kommer att bli föremål för översinnet.

Om våra begränsade hjärnor kunde skapa Wi-Fi, föreställ dig vilket sinne som är hundratals, tusentals, till och med miljoner gånger större än oss. Denna intelligens kommer att kunna kontrollera platsen för varje atom på planeten. Allt som vi nu betraktar som magi eller Guds kraft kommer att bli superintelligensens dagliga uppgift. Supermind kommer att kunna besegra ålderdom, läka sjukdomar, förstöra hunger och till och med döden. Den kommer till och med att kunna programmera om vädret för att skydda livet på jorden. Men superintelligens kan förstöra livet på planeten på ett ögonblick. I vår nuvarande förståelse av verkligheten kommer Gud att bosätta sig bredvid oss ​​i rollen som superintelligens. Den enda frågan vi behöver ställa oss är: kommer detta att vara en god Gud?

Artificiell intelligens: hur och var man studerar - experter svarar

"Jag vill göra AI. Vad är värt att studera? Vilka språk ska jag använda? Vilka organisationer ska jag studera och arbeta i?

Vi vände oss till våra experter för förtydligande och vi presenterar svaren som erhållits för er uppmärksamhet.

Det beror på din grundutbildning. Först och främst behöver du en matematisk kultur (kunskaper i statistik, sannolikhetsteori, diskret matematik, linjär algebra, analys etc.) och en vilja att lära dig mycket snabbt. Vid implementering av AI-metoder kommer programmering (algoritmer, datastrukturer, OOP, etc.) att krävas.

Olika projekt kräver kunskaper i olika programmeringsspråk. Jag skulle rekommendera att du kan åtminstone Python, Java och alla funktionella språk. Erfarenhet av att arbeta med olika databaser och distribuerade system skulle vara till hjälp. Engelska språkkunskaper krävs för att snabbt lära sig branschens bästa praxis.

Jag rekommenderar att du studerar vid bra ryska universitet! Till exempel har MIPT, MSU och HSE motsvarande avdelningar. Ett brett utbud av tematiska kurser finns tillgängliga på Coursera, edX, Udacity, Udemy och andra MOOC-plattformar. Vissa ledande organisationer har sina egna utbildningsprogram inom området AI (till exempel School of Data Analysis på Yandex).

Applikationsproblem lösta med AI-metoder kan hittas på en mängd olika platser. Banker, finanssektorn, konsultverksamhet, detaljhandel, e-handel, sökmotorer, posttjänster, spelbranschen, säkerhetssystembranschen och naturligtvis Avito – alla behöver specialister med olika kvalifikationer.

Främja nedflyttning

Vi har ett fintech-projekt relaterat till maskininlärning och datorseende, där dess första utvecklare skrev allt i C++, sedan kom en utvecklare och skrev om allt i Python. Så språket är inte det viktigaste här, eftersom språket först och främst är ett verktyg, och det är upp till dig hur du använder det. Det är bara det att på vissa språk kan problem lösas snabbare och på andra långsammare.

Det är svårt att säga var man ska studera - alla våra killar studerade på egen hand, lyckligtvis finns det internet och Google.

Främja nedflyttning

Jag kan råda dig att förbereda dig redan från början på att du kommer att behöva plugga mycket. Oavsett vad som menas med "att göra AI" - att arbeta med big data eller neurala nätverk; utveckling av teknik eller stöd och utbildning av ett visst redan utvecklat system.

Låt oss ta det trendiga yrket Data Scientist för detaljernas skull. Vad gör den här personen? I allmänhet samlar den in, analyserar och förbereder stordata för användning. Det är dessa som AI växer och tränar på. Vad ska en datavetare veta och kunna? Statisk analys och matematisk modellering är som standard och på nivån av flyt. Språk - säg R, SAS, Python. Det skulle också vara bra med lite utvecklingserfarenhet. Tja, generellt sett bör en bra dataforskare känna sig säker på databaser, algoritmer och datavisualisering.

Det är inte sagt att en sådan uppsättning kunskaper skulle kunna erhållas vid vartannat tekniskt universitet i landet. Stora företag som prioriterar AI-utveckling förstår detta och utvecklar lämpliga utbildningsprogram för sig själva – det finns till exempel School of Data Analysis från Yandex. Men du måste vara medveten om att det inte är skalan där du kommer till kurser "från gatan", utan lämnar dem som färdig junior. Lagret är stort och det är vettigt att studera en disciplin när grunderna (matematik, statistik) redan är täckta, åtminstone inom ramen för universitetsprogrammet.

Ja, det kommer att ta ganska lång tid. Men spelet är värt ljuset, eftersom en bra dataforskare är mycket lovande. Och väldigt dyrt. Det finns också en annan punkt. Artificiell intelligens är å ena sidan inte längre bara ett objekt för hype, utan en teknik som helt har nått produktivitetsstadiet. Å andra sidan utvecklas AI fortfarande. Denna utveckling kräver mycket resurser, mycket kompetens och mycket pengar. Hittills är detta den högsta nivån. Jag säger det uppenbara nu, men om du vill ligga i framkant av attacken och driva framsteg med dina egna händer, sikta på företag som Facebook eller Amazon.

Samtidigt används tekniken redan inom ett antal områden: inom bank, telekom, gigantiska industriföretag och detaljhandel. Och de behöver redan människor som kan stödja det. Gartner förutspår att år 2020 kommer 20 % av alla företag i utvecklade länder att anställa engagerade medarbetare för att träna de neurala nätverk som används i dessa företag. Så det finns fortfarande lite tid att lära sig på egen hand.

Främja nedflyttning

AI utvecklas nu aktivt och det är svårt att förutse tio år i förväg. Under de kommande två till tre åren kommer tillvägagångssätt baserade på neurala nätverk och GPU-beräkningar att dominera. Ledaren på det här området är Python med den interaktiva Jupyter-miljön och biblioteken numpy, scipy och tensorflow.

Det finns många onlinekurser som ger en grundläggande förståelse för dessa tekniker och generella principer AI, till exempel Andrew Ngs kurs. Och när det gäller undervisning i detta ämne är Ryssland nu det mest effektiva självutbildning eller i en lokal intressegrupp (till exempel i Moskva känner jag till att det finns åtminstone ett par grupper där människor delar erfarenhet och kunskap).

Främja nedflyttning

Främja nedflyttning

Idag är den mest snabba utvecklingen av artificiell intelligens kanske neurala nätverk.
Studiet av neurala nätverk och AI bör börja med att bemästra två grenar av matematiken - linjär algebra och sannolikhetsteori. Detta är ett obligatoriskt minimum, den artificiella intelligensens orubbliga pelare. Sökande som vill förstå grunderna i AI, när de väljer ett universitet, bör enligt min mening vara uppmärksamma på fakulteter med en stark matematikskola.

Nästa steg är att studera problemen i frågan. Det finns en enorm mängd litteratur, både pedagogisk och specialiserad. De flesta publikationer på ämnet artificiell intelligens och neurala nätverk är skrivna på engelska, men ryskspråkigt material publiceras också. Användbar litteratur finns till exempel i det offentliga digitala biblioteket arxiv.org.

Om vi ​​pratar om verksamhetsområden kan vi här lyfta fram träningen av tillämpade neurala nätverk och utvecklingen av helt nya versioner av neurala nätverk. Ett slående exempel: det finns en så mycket populär specialitet nu - "data scientist" (Data Scientist). Dessa är utvecklare som i regel studerar och förbereder vissa datamängder för att träna neurala nätverk inom specifika applikationsområden. För att sammanfatta vill jag betona att varje specialisering kräver en separat förberedelseväg.

Främja nedflyttning

Innan du börjar specialiserade kurser måste du studera linjär algebra och statistik. Jag skulle rekommendera att börja din fördjupning i AI med läroboken "Machine Learning. Vetenskapen och konsten att bygga algoritmer som extraherar kunskap från data" är en bra primer för nybörjare. På Coursera är det värt att lyssna på de inledande föreläsningarna av K. Vorontsov (jag betonar att de kräver goda kunskaper i linjär algebra) och kursen "Machine Learning" vid Stanford University, undervisad av Andrew Ng, professor och chef för Baidu AI Grupp/Google Brain.

Huvuddelen är skriven i Python, följt av R och Lua.

Om vi ​​pratar om utbildningsinstitutioner är det bättre att anmäla sig till kurser vid institutionerna för tillämpad matematik och datavetenskap, det finns lämpliga utbildningsprogram. För att testa dina förmågor kan du delta i Kaggle-tävlingar, där stora globala varumärken erbjuder sina fodral.

Främja nedflyttning

I alla företag, innan du startar projekt, skulle det vara bra att få en teoretisk grund. Det finns många platser där du kan få en formell magisterexamen inom detta område, eller förbättra dina kvalifikationer. Skoltech erbjuder till exempel masterprogram inom områdena "Computational Science and Engineering" och "Data Science", som inkluderar kurser i "Machine Learning" och "Natural Language Processing." Du kan också nämna Institutet för intelligenta cybernetiska system vid National Research Nuclear University MEPhI, fakulteten för beräkningsmatematik och cybernetik vid Moscow State University och Institutionen för intelligenta system vid MIPT.

Om du redan har formell utbildning finns det ett antal kurser tillgängliga på olika MOOC-plattformar. Till exempel erbjuder EDx.org kurser i artificiell intelligens från Microsoft och Columbia University, varav den senare erbjuder ett mikromasterprogram till en rimlig kostnad. Jag vill särskilt notera att du vanligtvis kan få själva kunskapen gratis du betalar bara för certifikatet om det behövs för ditt CV.

Om du vill "djupdyka" i ämnet erbjuder ett antal företag i Moskva veckolånga intensivkurser med praktiska övningar, och till och med erbjuda utrustning för experiment (till exempel newprolab.com), men priset för sådana kurser börjar från flera tiotusentals rubel.

Bland företagen som utvecklar artificiell intelligens känner du säkert till Yandex och Sberbank, men det finns många andra i olika storlekar. Till exempel, den här veckan öppnade försvarsministeriet ERA Military Innovation Technopolis i Anapa, ett av ämnena är utvecklingen av AI för militära behov.

Främja nedflyttning

Innan vi studerar artificiell intelligens måste vi avgöra en grundläggande fråga: ska vi ta det röda pillret eller det blåa.
Det röda pillret är att bli en utvecklare och kasta sig in i den grymma världen av statistiska metoder, algoritmer och ständig förståelse av det okända. Å andra sidan behöver du inte genast rusa in i "kaninhålet": du kan bli chef och skapa AI, till exempel som projektledare. Det är två fundamentalt olika vägar.

Den första är bra om du redan har bestämt dig för att skriva algoritmer för artificiell intelligens. Då måste du börja med den mest populära riktningen idag - maskininlärning. För att göra detta måste du känna till de klassiska statistiska metoderna för klassificering, klustring och regression. Det kommer också att vara användbart att bekanta sig med de viktigaste åtgärderna för att bedöma kvaliteten på en lösning, deras egenskaper... och allt som kommer i din väg.

Först efter att basen har bemästrats är det värt att studera mer specialiserade metoder: beslutsträd och ensembler av dem. I det här skedet behöver du dyka djupt in i de grundläggande metoderna för att bygga och träna modeller - de är gömda bakom de knappt anständiga orden tiggeri, boostar, stapling eller blandning.

Det är också värt att lära sig om metoder för att kontrollera modellomskolning (en annan "ing" - överanpassning).

Och slutligen, en mycket Jedi-nivå - att få högt specialiserad kunskap. Till exempel kommer djupinlärning att kräva behärskning av grundläggande gradientdescent-arkitekturer och algoritmer. Om du är intresserad av problem med naturlig språkbehandling rekommenderar jag att du studerar återkommande neurala nätverk. Och framtida skapare av algoritmer för att bearbeta bilder och videor bör ta en ordentlig titt på konvolutionella neurala nätverk.

De två sistnämnda strukturerna är byggstenarna i populära arkitekturer idag: motstridiga nätverk (GAN), relationsnätverk och meshnätverk. Därför kommer det att vara användbart att studera dem, även om du inte planerar att lära datorn att se eller höra.

Ett helt annat tillvägagångssätt för att studera AI - aka "det blåa pillret" - börjar med att hitta dig själv. Artificiell intelligens ger upphov till ett gäng uppgifter och hela yrken: från AI-projektledare till dataingenjörer som kan förbereda data, rengöra dem och bygga skalbara, laddade och feltoleranta system.

Så, med ett "ledningsmässigt" tillvägagångssätt, bör du först bedöma dina förmågor och bakgrund och först därefter välja var och vad du ska studera. Till exempel, även utan ett matematiskt sinne kan du designa AI-gränssnitt och visualiseringar för smarta algoritmer. Men gör dig redo: om 5 år kommer artificiell intelligens att börja trolla dig och kalla dig en "humanist".

De huvudsakliga ML-metoderna implementeras i form av färdiga bibliotek tillgängliga för anslutning till olika språk. De mest populära språken i ML idag är: C++, Python och R.

Det finns många kurser på både ryska och engelska, till exempel Yandex School of Data Analysis, SkillFactory och OTUS-kurser. Men innan du investerar tid och pengar i specialiserad utbildning tycker jag att det är värt att "sätta sig in i ämnet": titta på öppna föreläsningar på YouTube från DataFest-konferenser under de senaste åren, ta gratiskurser från Coursera och Habrahabr.