Глава 23

Развитие искусственного интеллекта и машинного обучения

Десятилетие 2010-2020 гг. характеризовалось необычайным ускорением развития в области искусственного интеллекта (ИИ) и машинного обучения (МО) . Благодаря сочетанию технологических и методологических факторов эти дисциплины добились значительного прогресса, перейдя от будущих обещаний к конкретным реалиям с приложениями в различных отраслях.

23.1 Определение и ключевые понятия:
Обучение машин обучению

Искусственный интеллект (ИИ) — это область информатики, которая занимается проектированием и разработкой систем, способных имитировать человеческий интеллект, например, способность учиться, рассуждать, решать проблемы и воспринимать окружающую среду. машинное обучение (МО) — это подмножество ИИ, которое фокусируется на разработке алгоритмов, которые позволяют компьютерам учиться на данных без явного программирования.

Некоторые ключевые концепции машинного обучения включают:

• Алгоритмы: Это наборы правил или инструкций, которым компьютер следует, чтобы решить проблему или выполнить задачу. Алгоритмы машинного обучения предназначены для выявления закономерностей и связей в данных.
• Данные: Они являются исходным материалом для машинного обучения. Большие объемы данных (часто называемые «большими данными») используются для «обучения» моделей машинного обучения.
• Обучение: Это процесс, посредством которого алгоритм МО анализирует данные и учится делать прогнозы или принимать решения.
• Вывод: Это этап, на котором обученная модель используется для прогнозирования или принятия решений на основе новых данных, которые она не видела во время обучения.

Существуют разные типы машинного обучения:

• Обучение с учителем: Алгоритм учится на помеченных данных, то есть данных, в которых правильный ответ уже известен. Цель состоит в том, чтобы алгоритм научился сопоставлять входные данные с правильными выходными данными.
• Обучение без учителя: Алгоритм учится на немаркированных данных, ища скрытые закономерности и структуры в данных.
• Обучение с подкреплением: Алгоритм учится, взаимодействуя с окружающей средой и получая «награды» или «наказания» в зависимости от своих действий. Цель состоит в том, чтобы алгоритм научился принимать решения, которые со временем максимизируют вознаграждение.

23.2 Ключевые факторы подъема:
Идеальный технологический шторм

Несколько факторов способствовали быстрому росту ИИ и ОД в десятилетии 2010-2020 гг.:

• Увеличение вычислительной мощности (GPU): Достижения в области аппаратного обеспечения, особенно в разработке все более мощных и эффективных графических процессоров (графических процессоров) , обеспечили вычислительную мощность, необходимую для обучения сложных моделей искусственного интеллекта, таких как глубокие нейронные сети. Графические процессоры, изначально разработанные для графики видеоигр, оказались хорошо подходящими для параллельных вычислительных операций, необходимых для обучения этих моделей.

• Доступность больших данных: Взрывной рост объема данных, генерируемых Интернетом, социальными сетями, датчиками, мобильными устройствами и другими источниками, обеспечил большой объем данных, необходимых для обучения эффективных моделей машинного обучения. Без достаточного количества данных даже самые сложные алгоритмы с трудом изучают значимые закономерности.
• Достижения в алгоритмах: Параллельно с увеличением вычислительной мощности и доступности данных произошли важные достижения в разработке алгоритмов искусственного интеллекта и машинного обучения, особенно в области глубокого обучения и нейронных сетей .

23.3 Ключевые разработки и прорывы:
Вехи развития современного ИИ

Десятилетие 2010–2020 гг. было наполнено ключевыми событиями и открытиями, которые продвинули вперед область ИИ:

• Глубокое обучение и нейронные сети: глубокое обучение — это отрасль машинного обучения, которая использует нейронные сети с несколькими уровнями (отсюда и термин «глубокий») для анализа данных. Эти сети способны изучать сложные представления данных, что делает их особенно эффективными для таких задач, как распознавание изображений, обработка естественного языка и распознавание речи.
• Распознавание изображений: Возможности распознавания изображений достигли огромного прогресса благодаря глубокому обучению. Системы искусственного интеллекта стали способны идентифицировать объекты, людей и сцены на изображениях с точностью, зачастую превосходящей человеческую. Это привело к появлению таких приложений, как распознавание лиц , обнаружение объектов в видео и технологиях для автономного вождения .
• Обработка естественного языка (NLP): Обработка естественного языка (NLP) добилась больших успехов, позволяя машинам понимать, интерпретировать и генерировать человеческую речь. Это привело к значительным улучшениям в машинных переводчиках , чат-ботах и виртуальных помощниках .
• ​​ Распознавание голоса: Точность систем распознавания голоса значительно улучшилась, что сделало голосовое взаимодействие с цифровыми устройствами более плавным и надежным. Это имело фундаментальное значение для успеха виртуальных помощников и систем голосового управления.
• Обучение с подкреплением: Обучение с подкреплением продемонстрировало свой потенциал в таких областях, как игры (например, программа DeepMind AlphaGo победила лучших людей, играющих в го) и робототехника, где агенты ИИ научились выполнять оптимальные действия в окружающей среде посредством испытаний. и ошибок и получения обратной связи в виде вознаграждений.