BTC/USD 10732.95 -1.33%
ETH/USD 354.83 -0.91%
LTC/USD 45.59 -1.54%
BRENT/USD 42.53 -0.79%
GOLD/USD 1880.77 -0.13%
RUB/USD 78.67 2.41%
Tokyo
Moscow
New-York

Недостатки существующих систем искусственного интеллекта

0
Автор материала: Дмитрий Токарев

Искусственный интеллект

На протяжении нескольких последних лет наблюдается значительный прирост производительности систем искусственного интеллекта. Это привело к тому, что каждая вторая компания теперь заявляет о применении ИИ в своей деятельности. Несмотря на стремительное развитие данной технологии, ей все еще присущи серьезные недостатки, которые рассмотрены в материале.

Компьютер работает по алгоритмам

Сейчас изучение и применение искусственного интеллекта в большинстве случаев сводится к созданию нейросети, алгоритмы работы которой появляются в результате машинного обучения. Проблема заключается в том, что цель обучения сводится к выводу самого эффективного алгоритма работы для конкретной задачи. Это не совсем подходит для понятия искусственный интеллект. ИИ подразумевает роботизированный мозг, который думает так же, как человек ‒ обо всем. Более точное название такого механизма ‒ AGI (искусственный общий интеллект). Он думает о решении разных задач. Машины, способной эмулировать человеческое сознание полностью, еще не существует и даже София не близка к этой цели. Siri, Alexa также обучаются, но понимать суть своей работы они не могут.

На основе статистики ответов почтовых писем Gmail ИИ предложил отвечать на однотипные письма «Я люблю тебя». Эта фраза подошла по статистике, но ИИ не смог понять, что подобный ответ начальнику может привести к увольнению. Так произошло из-за того, что суть фразы вообще не учитывалась или алгоритм обучения оказался неверным. На пути к приобретению сознания недостатки систем искусственного интеллекта часто проявлялись в забавных случаях вроде сексизма AI Amazon или опасным рекомендациям больным раком от IBM Watson. Минусы ИИ также успели проявиться в играх:

  • Поставить игру на паузу или вообще свернуть ее, чтобы не проиграть.
  • Есть своих детей, чтобы не тратить энергию на другие вещи.

Еще более забавным оказался эксперимент, в котором машине дали полную свободу и освободили от любых целей на день. Предполагалось, что AI будет совершенствоваться, но компьютер целый день смотрел телевизор, разбавляя это занятие играми в Super Mario Bros и классику от Atari 2600.

Работа по алгоритмам

Кошки или собаки

Наглядный пример работы нейросети ‒ распознавание изображений. Если поставить задачу определения наличия собаки на картинке, то нейросеть с каждой фотографией будет учиться этому. Во время обучения все изображения помечены (есть собака или нет). Каждой фотографии нейросеть сама присваивает свой коэффициент вероятности наличия силуэта собаки. Процесс машинного обучения состоит в исправлении ошибок. Когда собаки нет на фото, а ИИ находит ее, выдается ошибка. Затем происходят необходимые исправления и повторные тесты. Все эти действия происходят без участия человека. В результате определенного количества итераций нейросеть обучена с высокой вероятностью правильного определения собаки на картинке.

Проблема в том, что собак и котов она совершенно не различает ‒ это уже другая параллельная задача. Решать ее необходимо вводом новых структур данных для котов и проведением нового этапа обучения. Любое другое животное также потребует у нейросети повторения этих действий.

Недостатки глубинного обучения

Этот вид обучения нейросети делится на 4 подвида:

  • С подкреплением (RL).
  • Без учителя.
  • С учителем.
  • С частичным привлечением учителя.

Первый метод принято считать самым близким к идеальному искусственному интеллекту, так как в роли учителя для нейросети выступает среда тестирования или даже другая нейросеть. Самый успешный пример глубинного обучения с подкреплением ‒ шахматная нейросеть AlphaZero.

Если взглянуть на  обучение паркуру, результаты окажутся уже не такими воодушевляющими. В роли обучающей среды выступают все предметы, с которыми трейсер сталкивается на пути. Обучение с подкреплением максимально похоже на реальный интеллект, способный обрабатывать данные даже о незнакомой среде. Обратная сторона этого универсального метода ‒ большое количество затраченного процессорного времени. У компании DeepMind на обучение трейсера паркуру с помощью deep learning ушло целых 6400 часов, в то время как разработчики Boston Dynamics смогли воплотить все необходимые алгоритмы в реальном роботе совершенно без глубокого обучения. Результаты впечатляют.

Вывод ‒ глубинное обучение в ИИ иногда можно успешно заменять давно проверенными классическими методами и алгоритмами. Пока не создан универсальный общий искусственный интеллект, некоторые задачи могут успешно решаться без него.

Недостатки машинного обучения

Недостатки AI в электронной коммерции

Руководители различных проектов и стартапов стремятся использовать новомодную технологию везде, иногда просто для поддержания видимости конкуренции. Наиболее популярное применение ИИ ‒ удержание клиентов в собственных интернет-магазинах. Естественно, существуют как недостатки, так и преимущества искусственного интеллекта, но использование его в интернет-магазине со стандартным функционалом в большинстве случаев успешно заменяется обычными SQL-запросами. SQL ‒ язык для обработки баз данных.

Составить список лучших клиентов недели, определить пользователей, которые уже давно не совершали покупки, обращаться к клиентам по имени, увеличить индекс потребительской лояльности ‒ все это могут обычные SQL-запросы, написать и внедрить которые не так дорого. С искусственным интеллектом эта работа обойдется гораздо дороже хотя бы по причине более высокой зарплаты программистам.

Сразу возникает логичный вопрос: «В чем тогда преимущества использования искусственного интеллекта в интернет-магазинах?». Приведем простой пример.

Человек купил кроссовки для бега. Для таргетированной рекламы по SQL-запросам необходимо создавать дополнительную базу данных для товаров, которые теперь могут пригодиться этому покупателю (футболки, шорты, носки для бега и т.д.). Учитывайте, что товары разные и связей между ними очень много. Кроме того, некоторые товары относятся к категории быстро портящихся (носки), другие можно не менять годами (футболки). Это значит, что одни купленные вещи можно предлагать снова, другие ‒ нет. Даже сами связи могут быть как прямыми, так и косвенными. Именно в обработке таких данных с разными связями между вещами лучшие результаты показывает ML/AI. Рекомендательные товары, сгенерированные в рекламе от ИИ, попадают в десятку гораздо чаще, чем товары из рекламы с помощью SQL-запросов.

Подводя итоги, необходимо отметить, что AI еще очень далек от приобретения сознания. Возможно, это никогда не случится, но большинство существующих минусов искусственного интеллекта уже через несколько лет будут устранены так же, как в свое время удалось найти собаку на картинке.

Автор материала:
Изучаю информацию и делаю обзоры по практическому внедрению технологий в различных сферах экономической деятельности.