web 2.0

Какие технологии искусственного интеллекта окажутся популярными в ближайшие 10 лет

Выводы исследователей Массачусетского технологического института, которые изучили 16 625 научных работ по теме.

Практически все алгоритмы ИИ, о которых говорят в последнее время, относятся к направлению Deep Learning (глубокое обучение). Технологии из этой категории обрабатывают большие объёмы данных и ищут в них закономерности.

Как отмечают исследователи Массачусетского института, алгоритмы глубокого обучения показывают очень хорошие результаты в задачах, связанных с имитацией человеческих навыков: например, зрения, слуха или мыслительного процесса. Их применяет Google — для формирования поисковой выдачи, Facebook — в новостной ленте, Netflix — в рекомендательной системе.

«Но хотя глубокое обучение и заставило человечество обратить внимание на технологии ИИ, это направление — лишь малая часть огромного поля исследований, в которых человечество пытается воспроизвести собственный разум», — замечают авторы.

Вся история изучения ИИ состоит из периодов, в которые на передний план выходят различные технологии. Некоторое время они борются за внимание сообщества, потом одна одерживает верх — и перетягивает фокус на себя. В 2011 году никто и не подозревал, что в этом десятилетии на передний план выйдет глубокое обучение.

Издание MIT Technology Review проанализировало 16 625 материалов на крупнейшей открытой платформе научных публикаций arXiv и выяснило, какие технологии упоминаются в них чаще всего.

При этом, замечают авторы исследования, раздел об искусственном интеллекте появился в arXiv только в 1993 году (сама платформа запущена в 1991 году), но термин «искусственный интеллект» впервые использовали в 1950-х годах, так что анализ покрывает только часть истории направления. Кроме того, на arXiv публикуется информация только о части разработок учёных.

Машинное обучение

«Самый важный сдвиг, который мы обнаружили, заключается в переходе в начале 2000-х годов от систем, основанных на знаниях (knowledge-based systems), к парадигме машинного обучения. Учёные отказались от идеи, что для описания всех человеческих знаний можно использовать заранее заданные правила, и обратились к большому классу алгоритмов — машинному обучению, которое включает в том числе глубокое обучение».

С этим переходом в работах резко снизилось количество слов «логика», «ограничения», «правила», «программа» («запрограммировать»), а количество слов «данные», «обучение», «сеть» и «производительность» — наоборот, выросло.

В 1980-х годах идея о воссоздании в машине человеческий разум набрала большую популярность, но быстро выяснилось: чтобы алгоритм мог сделать что-то полезное, исследователям пришлось бы описать слишком много правил. Разработка была дорогой и длительной, а машинное обучение предполагает, что компьютер сам извлечёт правила из большого количества данных.

Бум нейронных сетей

Нейронные сети — основной механизм глубокого обучения, замечает MIT Technology Review, но они не сразу завоевали популярность. Учёные протестировали множество других методов и моделей: байесовские сети, метод опорных векторов, эволюционные алгоритмы.

Все эти методы боролись за популярность, пока в 2012 году исследователи из Университета Торонто под руководством Джеффри Хинтона не показали алгоритм, основанный на глубоком обучении, который распознавал изображения лучше, чем все изобретённые до этого методы.

Обучение с подкреплением

Последняя веха, которую обнаружили исследователи из Массачусетского института, связана с ростом интереса к методам обучения с подкреплением.

Идея обучения машины при помощи условных наград и наказаний, как животное, не нова, но воплотить её долго не получалось. Но в 2015 году команда DeepMind показала алгоритм AlphaGo, который был обучен при помощи метода подкрепления, и смог победить чемпиона по игре Го. Это возымело эффект.

Что дальше

«Главное, что показывает наше исследование, — это непостоянство учёных в их стремлении воспроизвести разум. Пока никто не знает, как на самом деле можно решить эту задачу», — пишет MIT Technology Review.

Популярные технологии меняются каждые десять лет, и следующее десятилетие, считают авторы, не станет исключением: это значит, что эра глубокого обучения подходит к концу. Правда, пока не ясно, какие алгоритмы займут их место — совершенно новые или те, которые уже изучили.

#искусственныйинтеллект #машинноеобучение #алгоритмы

Добавить комментарий