Онлайн книга «Удивительные истории об искусственном интеллекте»
|
То есть теперь правила и алгоритмы пишутся только для оболочки программы, а сама программа обучается на гигантском количестве данных за счет так называемого машинного обучения. Чем больше дата-сетов обработает ИИ, тем лучше он соображает и больше задач решает. Момент, когда к программам начали применять машинное обучение, – и есть момент появления искусственного интеллекта в современном его понимании. В 2000-х годах стартовало массовое применение искусственного интеллекта для потребителей – Netflix использовал его для создания алгоритма рекомендаций просмотра, Rebellion Research использовала машинное обучение для прогнозирования финансового кризиса 2008 года. Прошло всего лишь пятьдесят лет: первые попытки создания «интеллектуальных» программ были предприняты (и успешно!) еще в середине двадцатого века. Сотни тысяч жизней в серверной стойке Решение сложных задач с машинным обучением требует гигантских ресурсов. Те нейросети, которые появляются сегодня, десять лет назад были невозможны – потому что технологии, которые для них необходимы, находились в зачаточном состоянии. Плюс к тому, для обучения современного искусственного интеллекта требуется количество данных, во много раз превышающее объем работ, которые мог бы создать один гений или даже целая академия наук за все время своего существования. К примеру, выборка данных, на которых обучается большая языковая модель, включает в себя статьи, книги, диалоги, комментарии и многое другое, разделенное по категориям и описанное для того, чтобы ребенок-нейросеть научился ориентироваться в контексте. «Смотри, это – яблоко!» Вместе с подобной фразой нейросеть получает сотни, тысячи описаний яблок. «А это – нож!» – и вот вам, пожалуйста, множество статей и описаний ножей. БУДУЩЕЕ НАСТАЛО ВЧЕРА: ЖИЗНЬ С ИИ За счет особых технологий обучаемая программа учится понимать, какие слова с большей вероятностью могут быть использованы вместе, а какие – с меньшей. В обязательном порядке прорабатываются и инструменты самопроверки, когда ИИ делает несколько самозапросов, а потом сравнивает их между собой – и выдает в виде ответа тот, который выглядит наиболее корректным и вероятным. Сам процесс обучения может занимать часы и дни, задействовать множество ресурсов – гигантские суперкомпьютеры с рядами мощнейших видеокарт, – а результат при этом может оказаться совершенно неудовлетворительным. После чего ученые почешут в затылке и переделают все дата-сеты и алгоритмы обучения. Боги или демоны? Создавая помощника на основе четко заданных правил, мы получаем предсказуемые и однозначные результаты. Если же в создании участвует машинное обучение с гигантскими выборками данных и возможностью самостоятельно выбирать ответ из нескольких вариантов – помощник может выдавать творческие ответы, для предсказания которых нужен скорее шаман, чем инженер. Такие ответы – заведомо неправильные – называются «галлюцинациями». Вот вам не очень корректный, но очень наглядный пример: представьте, что вы спрашиваете модель, сколько будет два плюс два, а она отвечает – «три». Это забавно – но только до тех пор, пока ценой ошибки не становится сбой на опасном производстве, погрешность расчета топлива для самолета или дозировки сильнодействующего препарата. |