УДК 004.8

Искусственный интеллект и его влияние на жизнь человека

Евстраткин Кирилл Сергеевич – студент Российского государственного социального университета.

Кобилянский Станислав – студент Российского государственного социального университета.

Аннотация: Статья посвящена понятию искусственного интеллекта и созданию новых технологий.

Ключевые слова: машинное обучение, искусственный интеллект, нейронные сети, глубокое обучение.

Понятие «интеллект» впервые появилось в психологии. Психологи утверждают, что интеллект – это черта личности, выражающаяся в способности глубоко и точно отражать в сознании объекты и явления объективной реальности в их существенных связях и закономерностях, а также в творческом преобразовании опыта.

Искусственный интеллект является одной из самых передовых областей исследований учёных. Системы, разработанные с его частичным использованием: распознавание текста, бытовые роботы для искусственного замещения возможности творческой работы человека. Эта область возникла на стыке различных дисциплин: информатики, философии, кибернетики, математики, психологии, физики, химии и др [6].

Целью создания полноценного искусственного интеллекта является улучшение жизни человека и повышение уровня автоматизации производства. Людям оставалось бы заниматься высокоразвитой творческой работой, которая доставляла бы удовольствие.

Разработка интеллектуальных информационных систем или систем, основанных на знаниях. Это одно из основных направлений искусственного интеллекта. Основной целью создания таких систем является выявление, исследование и применение знаний высококвалифицированных специалистов для решения сложных задач, возникающих на практике. При построении систем, основанных на знаниях, используются знания, накопленные экспертами в виде конкретных правил для решения определённых задач. Это направление направлено на имитацию человеческого искусства анализа неструктурированных и плохо структурированных проблем. В этой области исследований разрабатываются модели представления, извлечения и структурирования знаний, а также изучаются проблемы создания баз знаний, составляющих ядро систем, основанных на знаниях [1].

ИИ, машинное обучение, нейронные сети

Машинное обучение – это специализированный способ обучения компьютерам, не прибегая к программированию.

В компьютер встроен алгоритм независимого поиска решений за счёт комплексного использования статистических данных, на основе которых выводятся закономерности и на основе которых делаются прогнозы.

Задачи машинного обучения:

  1. Задача регрессии представляет собой прогноз, основанный на выборке объектов с различными характеристиками.
  2. Задача классификации состоит в получении категорического ответа, основанном на наборе признаков.
  3. Задачей кластеризации является распределение данных по группам: разделение всех клиентов мобильного оператора по уровню платёжеспособности, отнесение космических объектов к определённой категории.
  4. Задача уменьшения размерности состоит в том, чтобы уменьшить большое количество объектов до меньшего для удобства их последующей визуализации.
  5. Задача обнаружения аномалий состоит в том, чтобы отделить аномалии от стандартных случаев.

Искусственный интеллект (ИИ) – обширная отрасль информатики, фокусирующаяся на создании интеллектуальных машин, способных выполнять интеллектуальные задачи.

Область искусственного интеллекта пересекается со многими другими областями, включая математику, статистику, теорию вероятностей, физику, обработку сигналов, машинное обучение, компьютерное зрение, психологию, лингвистику и науку о мозге.

Мотивация для развития технологий искусственного интеллекта заключается в том, что задачи, зависящие от множества переменных факторов, требуют очень сложных решений, которые трудно понять и трудно алгоритмизировать вручную. Программирование алгоритмов отнимает у разработчиков много времени [2].

Основные проблемы ИИ

  1. Машинное обучение возможно только на основе массива данных. Это означает, что любые неточности в информации сильно влияют на конечный результат.
  2. Интеллектуальные системы ограничены определённым видом деятельности. То есть интеллектуальная система, настроенная на выявление мошенничества в сфере налогообложения, не сможет обнаружить мошенничество в банковском секторе. Мы имеем дело с узкоспециализированными программами, которые все ещё далеки от человеческой многозадачности.
  3. Интеллектуальные машины не являются автономными. Для обеспечения их "жизнедеятельности" необходима целая команда специалистов и большие ресурсы.

Приложения искусственного интеллекта

  1. Распознавание речи: технология, которая использует обработку естественного языка для записи человеческой речи в виде текста.
  2. Обслуживание клиентов: почти везде человеческие операторы заменяются онлайн-чат-ботами. Они могут ответить на частые вопросы по определённой теме.
  3. Компьютерное зрение: данная технология позволяет компьютерам и системам извлекать значимую информацию из цифровых изображений, видеоматериалов и других визуальных данных и в дальнейшем принимать решения на основе этой информации.
  4. Модули рекомендаций: алгоритмы искусственного интеллекта могут анализировать данные о поведении клиентов в прошлом и выявлять тенденции, которые помогут повысить эффективность стратегий перекрёстных продаж. Благодаря этому клиенты получают дополнительные рекомендации при оформлении заказов в интернет-магазине.
  5. Автоматизация биржевой торговли: высокочастотные торговые платформы на основе искусственного интеллекта не только оптимизируют портфели акций, но и совершают тысячи и даже миллионы сделок без малейшего вмешательства человека.

Искусственные нейронные сети

Нейронная сеть - одно из направлений искусственного интеллекта, целью которого является моделирование аналитических механизмов, осуществляемых человеческим мозгом. Задачи, которые решает типичная нейронная сеть - классификация, прогнозирование и распознавание.

Нейронные сети используются для решения сложных задач, требующих аналитических вычислений, аналогичных тем, что делает человеческий мозг. Наиболее распространёнными областями применения нейронных сетей являются [3]:

  1. Классификация – распределение данных по параметрам. Например, на входе даётся набор людей, и вам нужно решить, кому из них давать кредит, а кому нет. Эта работа может быть выполнена с помощью нейронной сети, анализирующей такую информацию, как: возраст, платёжеспособность, кредитная история и т.д.
  2. Прогнозирование – способность предсказать следующий шаг. Например, рост или падение акций, в зависимости от ситуации на фондовом рынке.
  3. Распознавание в настоящее время является наиболее распространённым применением нейронных сетей. Он используется в Google при поиске фотографий или в камерах телефонов, когда он определяет положение вашего лица и выделяет его, и многое другое.

Искусственные нейронные сети – математические модели, созданные по аналогии с биологическими нейронными сетями. INS способны моделировать и обрабатывать нелинейные взаимосвязи между входными и выходными сигналами. Адаптивное взвешивание сигналов между искусственными нейронами достигается благодаря алгоритму обучения.

Для повышения производительности INS используются различные методы оптимизации. Оптимизация считается успешной, если INS может решить проблему за время, не превышающее установленные временные рамки.

INS моделируется с использованием нескольких слоёв нейронов. Структура этих слоёв называется архитектурой модели. Нейроны - отдельные вычислительные блоки, способные принимать входные данные и применять к ним некоторую математическую функцию, чтобы определить, стоит ли передавать эти данные дальше.

В простой трёхслойной модели первым слоем является входной слой, за которым следует скрытый слой, а затем выходной слой. Каждый слой содержит по крайней мере один нейрон. С усложнением структуры модели из-за увеличения количества слоёв и нейронов возрастает потенциал для решения задач INS. Если модель окажется слишком «большой» для этой задачи, оптимизировать ее до желаемого уровня может оказаться невозможным [4].

Модели часто характеризуются функцией активации. Он используется для преобразования взвешенных входных данных нейрона в его выходные данные. Существует множество различных преобразований, которые можно использовать в качестве функций активации.

INS – мощный инструмент для решения проблем. Однако, хотя математическая модель небольшого числа нейронов довольно проста, модель нейронной сети становится довольно запутанной по мере увеличения числа ее компонентов. Выбор INS для решения проблемы должен быть тщательно продуман, так как во многих случаях полученное окончательное решение невозможно разобрать на части и проанализировать, почему оно стало таким.

Глубокое обучение

Глубокое обучение используется для описания нейронных сетей и используемых в них алгоритмов, которые принимают "необработанные" данные. Эти данные обрабатываются прохождением через слои нейронной сети для получения выходных данных.

Неконтролируемое обучение – область, где работают методы глубокого обучения. Правильно настроенный INS может определять характеристики входных данных и получать результат обработки. Модель глубокого обучения способна находить способ обработки данных. В то время, когда система обучается, требования к вычислительной мощности, памяти и энергии для поддержания работы модели снижаются.

Глубокое обучение используется для решения задач и считается одной из инновационных технологий искусственного интеллекта. Существуют и другие виды обучения: контролируемое обучение и контролируемое обучение, которые отличаются введением дополнительного контроля человека над промежуточными результатами обучения нейронной сети обработке данных.

Теневое обучение – данный термин, используется для описания упрощённой формы глубокого обучения, при которой поиску ключевых характеристик данных предшествует обработка человеком и ввод в систему информации, специфичной для области, к которой относятся эти данные.

Подводя итог данной работы, можно сказать, что искусственный интеллект - одновременно наука, помогающая создавать «умные» машины, и способность компьютера учиться и принимать решения.

Искусственный интеллект превосходит традиционные алгоритмы, созданные программистами, потому что он обрабатывает данные и предоставляет решения намного быстрее, но если люди могут расширить свое внимание, запоминание с помощью мнемоники и других тренировок мозга, то это работает по-другому [5].

Искусственный интеллект – мощный инструмент обработки данных и может находить решения сложных проблем быстрее, чем традиционные алгоритмы, написанные программистами. Методы INS и глубокого обучения могут помочь решить ряд различных проблем.

Машинное обучение - одна из областей искусственного интеллекта. МОД использует алгоритмы для анализа данных и вывода выводов.

Глубокое обучение - один из методов машинного обучения, при котором компьютер обучается без учителя, неявно используя данные.

К 2022 году прогнозируемый объем рынка искусственного интеллекта достигнет 52 миллиарда долларов.

Рынок искусственного интеллекта демонстрирует беспрецедентно высокие темпы роста – по некоторым оценкам, он увеличивается примерно на 30% ежегодно.

Список литературы

  1. Корбут, А. М. Спектр искусственных интеллектов: от сильного ИИ к социальному ИИ / А. М. Корбут // История науки и техники. Музейное дело. периодическая таблица технологий: человеческий фактор : Материалы XIII Международной научно-практической конференции, Москва, 03–05 декабря 2019 года. – Москва: Федеральное государственное бюджетное учреждение культуры «Политехнический музей», 2020. – С. 520-521. – EDN SIEMVF.
  2. Искусственный интеллект для науки и наука для искусственного интеллекта / К. В. Анохин, К. С. Новоселов, С. К. Смирнов [и др.] // Вопросы философии. – 2022. – № 3. – С. 93-105. – DOI 10.21146/0042-8744-2022-3-93-105. – EDN NBENRC.
  3. Окунева, Н. В. Мировой рынок искусственного интеллекта его влияние искусственного интеллекта на облик рынка труда / Н. В. Окунева, Е. С. Туманова, И. А. Шипулина // Современный специалист-профессионал: теория и практика : Материалы 10-ой международной научной конференции студентов и магистрантов, посвящённой 100-летию Финуниверситета в рамках IX Международного научного студенческого конгресса "Цифровая экономика: новая парадигма развития", Барнаул, 22–23 марта 2018 года / Под общей редакцией Т.Е. Фасенко, Д.В. Коханенко. – Барнаул: Типография "Графикс", 2018. – С. 13-16. – EDN YTBFQL.
  4. Рязанов, С. И. Искусственный интеллект как множество - классификация искусственных интеллектов / С. И. Рязанов // Вузовская наука в современных условиях : сборник материалов 54-й научно-технической конференции : в 3 ч., Ульяновск, 27 января – 01 2020 года. – Ульяновск: Ульяновский государственный технический университет, 2020. – С. 72-75. – EDN GKDKDG.
  5. Применение случайных чисел при проектировании информационных систем / М. К. Каторгин, Д. Ю. Селютин, А. И. Воробьева [и др.] // Современные информационные технологии в образовании, науке и промышленности : XХ Международная конференция, XVIII Международный конкурс научных и научно-методических работ, Международный конкурс «Нейросетевой рисунок»: сборник трудов, Москва, 11–12 ноября 2021 года. – Москва: Общество с ограниченной ответственностью "Издательство "Экон-Информ", 2021. – С. 31-34. – EDN RJYVED.
  6. Искусственный интеллект в технологии Интернета-вещей / Р. В. Жуков, В. С. Васильева, А. Г. Корысткина [и др.] // Современные информационные технологии в образовании, науке и промышленности : Сборник трудов конференций: XХII Международная конференция «Современные информационные технологии в образовании, науке и промышленности». XХ Международный конкурс научных и научно-методических работ. VIII Международный конкурс «Научное школьное сообщество», Москва, 28–29 апреля 2022 года. – Москва: Общество с ограниченной ответственностью "Издательство "Экон-Информ", 2022. – С. 32-39. – EDN QERJUP.

Интересная статья? Поделись ей с другими: