Давным-давно, в мире, исцеляющемся от последствий войны (1939–1945), некоторые люди были очарованы темами патриотизма, героизма и самопожертвования, в то время как другие были поражены блеском и гламуром Золотого века Голливуда с участием актеров. как Хамфри Богарт, Кэтрин Хепберн и Мэрилин Монро. Среди всего этого были и те, кто был заинтригован идеей обучения машин обучению и измерению их интеллекта.

В этом мире жил блестящий британский математик и ученый по имени Алан Тьюринг. В 1950 году Тьюринг опубликовал новаторскую статью под названием «Вычислительные машины и интеллект», в которой он пытался ответить на извечный вопрос: могут ли машины мыслить? Чтобы ответить на этот вопрос, Тьюринг разработал тест, чтобы определить, может ли машина убедительно имитировать человеческое мышление, и представил «игру в имитацию», вдохновленную простой игрой для трех игроков.

Представьте себе эту игру с тремя игроками: A, B и C. Задача игрока C — определить пол игроков A и B, не видя их, общаясь только посредством письменных заметок. Роль игрока A состоит в том, чтобы обманом заставить игрока C принять неверное решение относительно своего пола и пола B, а цель игрока B — помочь игроку C принять правильное решение. Эта игра на самом деле звучит довольно весело, если бы не тот факт, что она укрепляет гендерные нормы.

Тьюринг предложил вариант этой игры, в котором машина берет на себя роль игрока А, пытаясь обмануть игрока С. Теперь цель состоит не в том, чтобы определить пол игроков А и В, а скорее в том, чтобы определить, кто из игроков является человеком, а кто — машина. Цель Тьюринга состояла в том, чтобы оценить, одинакова ли вероятность того, что игрок С примет неправильное решение, когда игрок А — машина, и когда игрок А — человек. Важно отметить, что тест не дает однозначного ответа, а скорее служит эталоном для оценки интеллекта машины.

Однако только на конференции Дартмутского колледжа в Нью-Гемпшире в 1956 году Джон Маккарти ввел термин «искусственный интеллект» для описания области исследований, посвященных созданию машин, способных выполнять задачи, которые обычно требуют человеческого интеллекта.

Подобно самому горячему комедийному дуэту 1950-х, Дину Мартину и Джерри Льюису, искусственный интеллект (ИИ) также состоит из двух типов: узкий (или слабый) ИИ и общий (или сильный) ИИ. Если вас впечатлили возможности таких систем, как ChatGPT, беспилотные автомобили, программное обеспечение для распознавания изображений, голосовые помощники, такие как Alexa от Amazon и Siri от Apple, или системы рекомендаций от Netflix или Spotify, то вы оцените таланты Narrow AI, сродни роли Дина Мартина.

Узкий ИИ специализируется на совершенствовании в одной конкретной области, как плавное напевание Мартина. Например, ChatGPT является экспертом в области языковой обработки, от понимания текстового контекста до создания ответов, которые могли бы соперничать со сценаристами для Twilight Zone. Однако так же, как Мартин не стал бы играть комедийную роль, как Льюис, ChatGPT не может переключаться между ролями для выполнения таких задач, как распознавание изображений или видео. Так же, как система распознавания образов, обученная распознавать изображения музыкальных автоматов, может с трудом распознавать написанное слово «музыкальный автомат». Несмотря на свои впечатляющие навыки в назначенных им задачах, эти типы ИИ не могут применять полученные знания для решения других задач.

Напротив, общий ИИ, Джерри Льюис от ИИ, теоретически может справиться с любой интеллектуальной задачей, с которой может справиться человек в различных областях. Подобно тому, как Льюис использовал свои разносторонние таланты в комедии, актерском мастерстве и режиссуре, предполагается, что General AI будет использовать свой обширный запас знаний и опыта, чтобы адаптироваться к новым ситуациям, как это делают люди при навигации по незнакомым территориям. Однако концепция общего ИИ пока во многом гипотетическая и относится к научно-фантастическим фильмам.

Итак, какие инструменты есть в нашем распоряжении для создания машин, способных подражать человеческому интеллекту? Вот где на сцену выходит машинное обучение (ML). Машинное обучение — один из самых эффективных инструментов для продвижения к цели ИИ. Термин «машинное обучение» был придуман Артуром Сэмюэлем в 1959 году для описания алгоритмов, которые могли бы обучать компьютеры учиться без явных инструкций. Во время работы в IBM Сэмюэл разработал программу для игры в шашки, которая могла «учиться» на каждой игре и улучшать свои стратегии, как человек-противник.

Существует четыре основных типа машинного обучения:

1) Контролируемое обучение

2) Неконтролируемое обучение

3) Полуконтролируемое обучение

4) Обучение с подкреплением

Обучение под наблюдением. В фильме присяжные из двенадцати человек обсуждают судьбу 18-летнего подсудимого, обвиняемого в убийстве своего отца. Им представлены различные доказательства — их можно рассматривать как «входные данные». Интерпретации этих доказательств как обвинением, так и защитой сродни «ярлыкам». Задача присяжных состоит в том, чтобы понять эти «входы» в свете предоставленных «ярлыков», чтобы вынести вердикт. Это похоже на процесс контролируемого обучения, когда алгоритм обучается на размеченных данных. Алгоритм наблюдал взаимосвязи между необработанными данными (входными данными) и их метками, а затем применял это понимание для прогнозирования невидимых данных.

Обучение без учителя. Теперь рассмотрим сюжет фильма 1954 года «Окно во двор» как аналогию обучения без учителя. Профессиональный фотограф Л.Б. «Джефф» Джеффрис, у которого сломана нога и который пока прикован к инвалидной коляске, проводит время, наблюдая за своими соседями через заднее окно. Без каких-либо предварительных знаний или контекста об этих людях Джефф пытается понять смысл сцен, разыгрывающихся перед его глазами. Точно так же, как неконтролируемый алгоритм обучения просеивает огромное количество данных, Джефф наблюдает и анализирует распорядок дня, поведение и взаимодействие своих соседей. Он начинает выявлять закономерности в их действиях и распределяет их по различным категориям на основе обнаруживаемых закономерностей и сходств. Например, Джефф прозвал одну из своих соседок «Мисс Подруга» из-за ее кажущегося одиночества и безуспешных попыток завязать дружеские отношения. Еще одну пару он идентифицирует как пару молодоженов из-за их восторженного и, казалось бы, бесконечного медового месяца. Одинокий музыкант становится «Пианистом», а хорошенькую танцовщицу — «Мисс Торс». Точно так же, как Джефф создает эти категории на основе наблюдаемых закономерностей, алгоритмы обучения без учителя группируют данные на основе обнаруженных сходств и различий.

Полууправляемое обучение. Подходящая аналогия полууправляемого обучения проиллюстрирована в классическом научно-фантастическом фильме 1951 года «День, когда Земля остановилась». В фильме рассказывается об инопланетянине по имени Клаату и его роботе Горте, которые приземляются на Землю с мирной миссией предупредить мировых лидеров об опасениях инопланетян по поводу агрессивного поведения Земли. Если Земле не удастся обуздать свои разрушительные тенденции, ей может грозить уничтожение. Приземлившись на Земле в Вашингтоне, округ Колумбия, Клаату воспринимается как угроза и преследуется американскими военными, что вынуждает его принять человеческую идентичность и скрыть свою инопланетную природу. Учитывая его шаткое положение, Клаату может открыто взаимодействовать лишь с горсткой людей («помеченные данные»). Тем не менее, он проводит большую часть своего времени, наблюдая за большинством людей на расстоянии («немаркированные данные»), чтобы понять человеческое поведение и причину их подозрений. Этот сюжет похож на то, как работает полуконтролируемое обучение. Алгоритмы моделей обучения с полуучителем обучаются на данных, которые в основном не размечены, но содержат некоторую размеченную информацию. Система использует помеченные данные для управления исследованием неразмеченных данных. Затем он использует это понимание шаблонов и взаимосвязей как помеченных, так и неразмеченных данных, чтобы делать прогнозы на невидимых данных.

Обучение с подкреплением. Рассмотрим сюжет фильма 1953 года «Как выйти замуж за миллионера» как аналогию обучения с подкреплением. История вращается вокруг трех очаровательных женщин — Шатце, Локо и Пола, которые решают объединить свои ресурсы и арендовать стильный пентхаус в Нью-Йорке в надежде привлечь и выйти замуж за миллионеров. Прокладывая свой путь через сложности социальной элиты, они отправляются на различные свидания с потенциальными партнерами. В этом приключении проб и ошибок после каждого свидания они пересматривают свои стратегии, основываясь на результатах своих взаимодействий. Если свидание проходит хорошо и мужчина кажется многообещающим кандидатом, это подкрепляет их решение продолжать преследовать его. И наоборот, если свидание проходит неудачно, мужчина оказывается не таким богатым, как они надеялись, или, что еще хуже, он уже женат, это заставляет их скорректировать свой подход или перейти к новой цели. Этот метод корректировки стратегий на основе результатов похож на то, как работает обучение с подкреплением. При обучении с подкреплением агент (например, алгоритм, робот) учится вести себя в окружающей среде, выполняя определенные действия, наблюдая за результатами или обратной связью от этих действий, которые преобразуются в вознаграждения или штрафы, и корректируя свое поведение, чтобы максимизировать кумулятивный эффект. вознаграждайте так же, как Шатце, Локо и Пола корректируют свою стратегию в зависимости от исхода каждого свидания. Эта концепция лежит в основе программы Артура Сэмюэля для игры в шашки, одного из первых успешных примеров машинного обучения.

В заключение, по мере того, как мы движемся вперед через быстрое развитие машинного обучения и искусственного интеллекта сегодня, чувствуя себя пойманными в вихре перемен, важно помнить, что мы начали этот путь еще в 1950-х годах, с Алана Тьюринга. Игра в имитацию» и программа Артура Сэмюэля для игры в шашки. Коллективные амбиции и любопытство научить машины думать и имитировать человеческий интеллект были такими же захватывающими и напряженными в 1950-х годах, как и коричные повествования и перформансы того времени. По мере того, как мы продолжаем осознавать потенциал машинного обучения и искусственного интеллекта, давайте делать это с пониманием и оценкой основ, заложенных много лет назад, без страха, но с сильным чувством исследования и открытия.