Искусственный интеллект (ИИ): что это такое и как работает AI

Искусственный интеллект (Artificial Intelligence, AI, ИИ) — область компьютерных наук, посвященная созданию систем, которые способны выполнять задачи, требующие человеческого интеллекта. Например:

• распознавать объекты на видео и фото;

• понимать естественный язык;

• отвечать на вопросы и принимать решения.

При разработке таких систем ученые и программисты опираются на когнитивные процессы в человеческом мозге. Они пытаются сделать так, чтобы компьютеры частично их имитировали. Думать, как люди, компьютеры пока не умеют, но научились решать задачи разной сложности в рамках заданных алгоритмов.

Типы искусственного интеллекта

Глобально можно выделить два типа:

• Слабый (узкий) ИИ. Это то, с чем мы сталкиваемся ежедневно. Такие системы работают в своей узкой области. Например, распознают лица на фото, прогнозируют, общаются с пользователями. В другой отрасли они не способны применить знания.

• Сильный (общий) ИИ. Это искусственный интеллект, сопоставимый с человеческим. Такие системы могут постоянно учиться, адаптироваться под разные условия и демонстрировать когнитивные способности.

Пока есть только слабый ИИ. Технологии еще не позволяют сделать  машины самостоятельно мыслящими. Чтобы это получилось, нужно смоделировать человеческий мозг в рабочем состоянии и наделить компьютеры сознанием. Вряд ли это возможно, но ученые не оставляют попыток.

Ранние концепции AI появились в 1940-х годах, когда ученые начали задаваться вопросом, могут ли машины думать. В 1950 году был предложен тест Тьюринга для оценки разумности компьютеров. Параллельно разрабатывалась модель искусственного нейрона.

В 1956 году прошла конференция в Дартмутском колледже. Там был впервые предложен термин «искусственный интеллект». Тогда ученые начали разрабатывать программы, способные вместо человека доказывать теоремы и решать алгебраические задачи.

В 1970-х была разработана первая модель нейросети, способная классифицировать данные и обучаться. Примерно в это же время появились узкоспециализированные программы, которые могли давать советы специалистам в разных отраслях.

До 1980 годов наблюдался спад в развитии искусственного интеллекта — ученым не хватало финансирования. Однако развитие экспертных систем ИИ продолжалось. Тогда впервые заговорили об обучении многослойных нейронных сетей.

В 1990-е годы появилось машинное обучение. Искусственный интеллект обучали не только на основе логических правил, но и на выборках данных. Этот метод актуален до сих пор, только теперь он называется глубоким обучением. Современные нейросети способны обучаться на больших объемах данных и решать сложные задачи.

Многие путаются в направлениях искусственного интеллекта, алгоритмах и принципах работы. Давайте попробуем разобраться.

Принципы и алгоритмы

Работа современного ИИ базируется на комбинации формальных заданных человеком правил и машинного обучения (ML), которое позволяет системам самостоятельно выявлять закономерности.

Системы, основанные на правилах (Rule-Based AI)

Это старейшая форма ИИ или так называемые экспертные системы. Они работают на основе строгих логических конструкций «Если [условие], то [действие]».

Человек-эксперт формализует знания в виде набора правил, а искусственный интеллект их использует. Например, система диагностики в медицине может на основании лихорадки и кашля у пациента поставить диагноз «грипп». Она не учитывает другие симптомы, поскольку не умеет адаптироваться к ситуациям, которые не описаны в правилах.

Машинное обучение (Machine Learning, ML)

ML — набор алгоритмов, который позволяет компьютеру учиться на выборке данных и обходиться без строгих правил. Принцип такой — машина получает информацию, анализирует и самостоятельно ищет решение. 

В основе ML следующие алгоритмы:

• Классификация (Classification). Компьютер определяет, к какому классу относится предложенный объект.

• Регрессия (Regression). Машина прогнозирует числовые значения, например, цены на что-то.

• Кластеризация (Clustering). Группировка объектов с общими признаками, например, сегментация клиентов.

Нейронные сети (Neural Networks) и глубокое обучение (Deep Learning)

Нейронные сети — алгоритмы, вдохновленные структурой человеческого мозга. Они состоят из слоев искусственных нейронов, которые обрабатывают входящую информацию. Связи между нейронами имеют числовые значения — веса (Weights). Они назначаются каждому входному сигналу, чтобы определить его вклад в работу конкретного нейрона. Также есть понятие смещений (Biases). Это дополнительные параметры, которые регулируют выходные данные нейрона.

Если для анализа данных и принятия решений используются многослойные нейронные сети, то речь идет о глубоком обучении — подмножестве машинного. Если машинное ориентировано на работу со структурированными точными данными, то глубокое — с неструктурированными. Оно использует нейросети, которые автоматически извлекают из данных определенные признаки. Например, могут определять лицо на фото или силуэт на видео, различать голоса, считывать атрибуты и эмоции.

Чем больше слоев, тем легче нейросеть адаптируется под условия и точнее выполняет свои задачи. Именно глубокое обучение является основой большинства генеративных моделей ИИ.

Обучение и адаптация

Обучение — процесс, в ходе которого ИИ-система корректирует внутренние параметры, чтобы минимизировать ошибки при выполнении задач.

Обучение нейронной сети происходит итеративно. Чаще всего в четыре этапа:

1. Прямое распространение. Входные данные проходят через сеть, на выходе получается прогноз.

2. Вычисление ошибки. Полученный прогноз сравнивается с правильным ответом (фактическим значением), и таким образом вычисляются проблемные места.

3. Обратное распространение ошибки. Ошибка через сеть распространяется в обратном направлении. Это позволяет определить, из-за каких нейронов она случилась.

4. Корректировка весов. Веса сети корректируются таким образом, чтобы при следующей итерации ошибок было меньше.

После развертывания ИИ-системы непрерывное обучение продолжается. Этот этап называется адаптацией. Адаптивный искусственный интеллект работает в режиме обратной связи: собирает новую информацию и использует ее для корректировки своих алгоритмов и моделей.

Эта классификация описывает существующие и теоретические этапы развития искусственного интеллекта.

Реактивные системы (Reactive Machines)

Это базовые и примитивные системы, которые ничего не запоминают и не учатся — они просто выбирают подходящий ответ на основе набора данных. Прошлый опыт такие системы не используют. Для них существует только «здесь и сейчас». Для задач, где нужна вариативность, они не подходят.

Пример реактивной системы — шахматный суперкомпьютер Deep Blue, победивший Гарри Каспарова. Он анализировал положение фигур на доске и выбирал оптимальный ход из возможных в текущей ситуации.

Ограниченная память (Limited Memory)

К этой категории относится большинство современных систем ИИ. Такой тип искусственного интеллекта может временно хранить и использовать недавние данные для принятия решений. После выполнения определенного пула задач системы отбрасывают «отработанную» информацию и заменяют ее на актуальную.

Примеры ИИ с ограниченной памятью:

• Беспилотные автомобили. Они постоянно отслеживают скорость и расстояние других транспортных средств, положение объектов и дорожные условия вокруг себя. Эти недавние наблюдения сохраняются в течение нескольких секунд или минут, чтобы автомобиль мог безопасно тормозить, ускоряться или менять полосу движения. Когда действия будут выполнены, данные удалятся.

• Чат-боты и виртуальные помощники. Такие системы, как Siri или Alexa, используют ограниченную память, чтобы помнить контекст в рамках текущего диалога. Это позволяет ботам давать персонализированные и контекстно-релевантные ответы. По завершении сеансов с конкретными пользователями информация «стирается» из памяти.

• Системы обнаружения мошенничества. В финансовом секторе они могут анализировать недавнее поведение клиента, например, необычные траты или изменение местоположения. Это позволяет предположить несанкционированные действия с деньгами. Сведения о поведении клиента удаляются, как только мошенничество опровергается или подтверждается.

Теория разума (Theory of Mind)

Это уровень развития, на который искусственный интеллект пока не вышел. Системы будущего будут понимать человеческие мысли и эмоции. Это позволит искусственному интеллекту прогнозировать поведение людей и строить социальные взаимодействия.

Пример системы будущего — голосовой помощник, который по тону и выбору слов будет понимать, что собеседник спешит. В ответ бот выдаст подробные и лаконичные ответы.

Самосознание (Self-Awareness)

Пока это только гипотетический этап развития искусственного интеллекта. Системы должны не только понимать сознание других, но и обладать собственным. По сути, это роботы, идентичные людям. Они могут думать, чувствовать, осознавать себя как отдельную единицу.

Пример — фантастический персонаж Дейта из «Звездного пути». Ученые пока не придумали, как воплотить что-то подобное.

Выше мы уже рассказывали о нейронных сетях, поэтому не будем расшифровывать понятие. Многие путают нейронки с самим ИИ. На самом деле любые нейросети — это искусственный интеллект. Но не весь искусственный интеллект — это нейросети.

Нейронные сети — ключевая технология ИИ и двигатель развития. Благодаря им появились:

• компьютерное зрение, которое позволило с точностью распознавать лица и объекты;

• обработка естественного языка, машинный перевод, чат-боты;

• генеративные модели, которые могут писать тексты, создавать музыку и изображения.

И, наконец, нейросети позволили компьютерам обрабатывать неструктурированные данные, с чем не справлялись традиционные алгоритмы.

AI используется повсеместно. Разберем примеры применения для пяти отраслей:

• Медицина и здравоохранение. ИИ анализирует медицинские изображения и помогает ставить диагнозы пациентам, подбирать персонализированное лечение. Также он полезен в разработке лекарств — ищет новые молекулы и предсказывает их эффективность, ускоряет клинические испытания.

• Финансы и банковское дело. Нейронные сети помогают обнаруживать фрод: подмену личности, несанкционированные транзакции, фальшивые заявки на кредиты. В банках искусственный интеллект помогает проводить кредитный скоринг — оценку кредитоспособности заемщиков. На глобальном финансовом рынке AI наряду с аналитиками прогнозирует волатильность и изучает риски.

• Транспорт и логистика. Нейросети помогают контролировать ситуацию на дорогах, планировать маршруты с учетом пробок и погодных условий.

• Развлечения и медиа. Генеративные модели ИИ создают контент: фото, видео, ролики и тексты. Виртуальные помощники вместо живых консультантов общаются с пользователями, дают рекомендации, помогают с навигацией по веб-ресурсам.

• Безопасность. С помощью систем компьютерного зрения можно распознавать объекты по фото и видео, искать пропавших людей и преступников. В цифровом пространстве искусственный интеллект помогает анализировать события ИБ и обнаруживать признаки инцидентов.

Каким образом внедрение ИИ играет на руку экономике:

• Повышается производительность труда. Искусственный интеллект автоматизирует рутинные и сложные задачи в таких отраслях, как промышленность, транспорт и логистика, финансы. Это может увеличить глобальный ВВП.

• Появляются новые отрасли, связанные с разработкой и обслуживанием систем ИИ. Это дает новые рабочие места людям и возможности для карьерного роста бизнеса.

• Расширяется поле научных открытий. ИИ ускоряет исследования в физике, химии, материаловедении и других областях. С его помощью быстрее проверяются гипотезы.

Однако с развитием искусственного интеллекта связаны и вызовы:

• Смещение спроса на рабочую силу. ИИ автоматизирует рутинные задачи, которые выполняют специалисты низкого ранга. Соответственно, потребность в таких сотрудниках снижается. Зато растет спрос на экспертов по работе с ИИ, аналитиков данных.

• Нарушение конфиденциальности данных. Для обучения ИИ требуются большие объемы данных, что ведет к беспрецедентному сбору личной информации. Из-за этого растут риски утечек несанкционированного использования конфиденциальных сведений.

• Угрозы использования ИИ в преступных целях. Например, нейросети помогают создавать дипфейки (Deepfake) — цифровую подмену личности. Мошенники используют их для обхода систем идентификации, подделки контента, фишинга и др.

Искусственный интеллект — глобальная технологическая отрасль, плоды которой востребованы во всех направлениях рынка. Машинное и глубокое обучение позволяют бизнесу автоматизировать рутинные процессы, снизить операционные издержки, высвободить трудовые ресурсы и ускорить обработку больших объемов данных.

Хотите внедрить и развернуть собственные решения? Поможет сервис Evolution ML Inference от Cloud.ru. Он предоставляет возможность запускать собственные модели 2 способами:

• В Model RUN модели запускаются в облачных контейнерах, без использования Docker-образов и необходимости написания кода инференса. В этом случае доступен Shared GPU – использование такого количества мощностей видеоускорителя, которое необходимо для запуска модели. Это позволяет не переплачивать за полную мощность карточки, если достаточно использовать только её часть.

• В Docker RUN поддерживается запуск пользовательских моделей в контейнере, содержащем пользовательский Docker-образ.

В качестве источников моделей используются популярные библиотеки Transformers, Ollama, Diffusers и Hugging Face, среды исполнения vLLM и TGI.