Мифы об искусственном интеллекте

Первых Дарья Александровна

Северо-Кавказский федеральный университет

Мифы об искусственном интеллекте

Аннотация: статья посвящена разбору основных мифов об искусственном интеллекте. Анализ мифов об искусственном интеллекте позволил обосновать какие из них являются выдумкой и вводят в заблуждение.

Ключевые слова: искусственный интеллект, мифы, заблуждения, мифы об искусственном интеллекте, машинное обучение, нейронные сети.

Искусственный интеллект (ИИ) – это словосочетание всё чаще можно услышать по телевидению или радио и увидеть в журналах, книгах и интернете. Мы слышим об этом в школах, университетах и на дополнительных секциях. Многие люди, считают профессию специалиста по анализу данных одной из самых востребованных сейчас и в ближайшем будущем. Искусственный интеллект сейчас в моде – от беспилотных автомобилей и личных помощников Siri до чат-ботов и помощников по планированию, которые избавляют людей от рутинных задач. 

В 1950 году Алан Тьюринг разработал одноименный тест Тьюринга, чтобы решить вопрос о том, могут ли машины мыслить. В этом тесте человек задает вопросы «когнитивной» машине и человеку через письменный текст. Чтобы машина прошла тест, человек должен быть не в состоянии различить, какие ответы были получены от машины, а какие от человека-респондента.

Такие приложения, как интеллектуальные помощники, начинают имитировать эту возможность, но они зависят от тщательной разработки источников информации, которые позволяют им правильно и точно интерпретировать и отвечать на вопросы. Механизм, с помощью которого работает этот процесс, загадочен для многих руководителей бизнеса и технологий, исследующих потенциал нейронных сетей. 

Популярные мифы об искусственном интеллекте легко могут ввести в заблуждение. Ниже приведены некоторые из мифов об искусственном интеллекте, о которых следует знать.

Первый миф заключается в том, что люди думают – алгоритмы искусственного интеллекта могут волшебным образом разобраться во всех беспорядочных данных. 

Однако в реальности, искусственный интеллект – это не «загружай и работай», и качество данных важнее алгоритма.

Самым важным исходным материалом для искусственного интеллекта являются данные – не просто любые данные, а правильные данные.  Многие в индустрии ошибочно утверждают, что решение ИИ может быть просто направлено на любые данные и правильный ответ будет получен с помощью мощных алгоритмов машинного обучения. 

Проблема в таком подходе заключается в обширном диапазоне явных и систематизированных знаний. ИИ не может понять слишком общие данные или данные, которые не были обработаны таким образом, чтобы они были усвоены системой. 

Вместо того, чтобы поглощать все подряд, системе ИИ нужна тщательно отобранная и качественная информация. Плохие данные дают плохие результаты независимо от системы. Алгоритм – это программа, а программам нужны хорошие данные. Когда система использует «машинное обучение», программа приходит к ответу с помощью непрерывных приближений и изучает лучший способ получить этот ответ, внося коррективы в то, как она обрабатывает эти данные. Правильные данные важнее алгоритма. 

Второй миф – нужны специалисты по данным, специалисты по машинному обучению и огромный бюджет для использования ИИ.

Но в реальности – многие инструменты становятся все более доступными для обычных пользователей и не требуют вложений в размере Google.

Некоторые типы приложений искусственного интеллекта требуют серьезной работы со стороны докторов философии и компьютерных лингвистов; однако все большее количество программных инструментов, использующих ИИ, становятся все более доступными.

Обучение ИИ – это несколько загадочная концепция, которая часто окутана техническим языком и считается задачей только для специалистов по данным. Тем не менее, для некоторых приложений (таких как чат-боты для поддержки обслуживания клиентов) информация, используемая для обучения систем искусственного интеллекта, часто является той же информацией, которая необходима сотрудникам центра обработки вызовов для выполнения своей работы. Роль технического персонала заключается в соединении модулей ИИ и интеграции с существующими корпоративными системами. 

Третий миф – машинное обучение с использованием нейронных сетей означает, что компьютеры могут учиться так же, как учатся люди. 

Хоть в реальности нейронные сети и очень мощные, но всё же, они далеки от того, чтобы достичь сложности человеческого мозга или имитировать человеческие возможности.  

Один из самых захватывающих подходов к развитию ИИ – это использование глубокого обучения, основанного на так называемых «искусственных нейронных сетях». Такая конструкция позволяет компьютерным чипам имитировать способ, которым биологические нейроны учатся распознавать закономерности. Этот подход используется для решения ряда проблем, от улучшения языкового перевода до распознавания речи, выявления мошенничества, распознавания изображений и беспилотных автомобилей.  

Хотя нейронные сети могут решать многие типы проблем, они не способны обеспечить творческий синтез разнообразных концепций и источников информации, характерных для человеческого мышления. 

Человеческий мозг содержит более 200 миллиардов нейронов, каждый из которых соединяется с 10 000 другими нейронами через синапсы. Однако синапс не похож на выключатель. Он может содержать до 1000 молекулярных переключателей. Добавьте к этому тот факт, что существует около 100 нейротрансмиттеров, которые регулируют взаимодействие нейронов, и уровень сложности поразителен. По некоторым оценкам, человеческий мозг имеет больше переключателей, чем все компьютеры, маршрутизаторы и интернет-соединения на Земле. Поэтому неудивительно, что доступные сейчас технологии не могут дублировать человеческое мышление. 

Четвертый миф – искусственный интеллект вытеснит людей и сделает ненужными рабочие места в контакт-центрах.

Однако в реальности – ИИ ничем не отличается от других технологических достижений в том, что он помогает людям стать более эффективными, а процессы – более результативными.

Технологии угрожали рабочим местам и вытесняли рабочие места на протяжении всей истории. Технология телефонной коммутации заменила людей-операторов. Директора по автоматическому вызову заменили администраторов. Обработка текста и голосовая почта заменили секретарей, электронная почта заменила внутренних курьеров. Технологические инновации колл-центра повысили эффективность и действенность на различных этапах постоянного обслуживания клиентов – от набора новых представителей с помощью машинного обучения до просмотра резюме, выбора правильной программы обучения на основе определенных стилей обучения и маршрутизации вызовов на основе настроений клиентов. В каждом из этих процессов развитие технологий расширило возможности людей. Были ли заменены какие-то рабочие места? Возможно, но рабочих мест было больше,  

Использование чат-ботов и виртуальных помощников, управляемых ИИ, – еще одна интерпретация этого продолжающегося развития. Это следует рассматривать как расширение, а не как полную автоматизацию и замену. Люди участвуют, машины упрощают. 

Хоть мы не должны верить мифам, мы должны верить в технологии искусственного интеллекта. Это часть неизбежной эволюции того, как люди используют технологии.  Поскольку искусственный интеллект является частью нашей повседневной жизни, мы, как лица, принимающие бизнес-решения, политики, активисты или потребители, должны больше узнавать об этом – лежащих в его основе технологиях и проблемах, чтобы принимать обоснованные решения по этому поводу, а не верить в мифы, которые появляются из-за недостатка знаний в этой сфере.

Литература

1. Бранскомб, М. 9 мифов о машинном обучении / М. Бранскомб // Директор информационной службы. – 2019. - № 2. – С. 38. – URL: https://www.osp.ru/cio/2018/02/13054065/ (дата обращения 15.05.2021). –Текст: электронный

2.  Бутрин Д. Искусственный интеллект требует естественного. AI всех интересует, многих беспокоит и мало кому приносит прибыль / Д. Бутрин // Коммерсантъ. – 2019. - №197. – С. 2. – URL: https://www.kommersant.ru/doc/4140739?utm_source=newspaper&utm_medium=email&utm_campaign= newsletter (дата обращения 17.05.2021). –Текст: электронный

3. Зуев В. Н. Модифицированный алгоритм обучения нейронных сетей / В. Н. Зуев, В. К. Кемайкин // Программные продукты и системы. – 2019. - № 2. – С. 258-262. – URL: http://www.swsys.ru/index.php?page=article&id=459 0&lang= (дата обращения 16.05.2021). – Текст: электронный

4. Использование методов машинного обучения для установления авторства программы / С. Горшков, М. Нед, Е. Ильюшин, Д. Намиот // International Journal of Open Information Technologies. – 2019. - Vol. 7, No.1. – P. 115-119. - URL: http://injoit.org/index.php/j1/article/view/665(дата обращения 15.05.2021). – Текст: электронный.

5. Калиновская И. Н. Тенденции развития искусственного интеллекта и применение интеллектуальных диалоговых систем, построенных на принципах машинного обучения / И. Н. Калиновская // Материалы докладов 52-й Международной научно-технической конференции преподавателей и студентов (Витебск, 24 апреля 2019 г. ). – Витебск, 2019. - С. 217-220. – URL: https://elibrary.ru/item.asp?id=39549470(дата обращения 15.05.2021). – Текст: электронный.