Что такое ИИ?

ИИ появляется повсюду — в вашем телефоне, в вашей электронной почте, корректирует карты, составляет письма, которые вы, кажется, собирались написать. Но что такое ИИ ? Коротко говоря: это набор технологий, позволяющих компьютерам выполнять задачи, которые мы связываем с человеческим интеллектом, например, распознавать закономерности, делать прогнозы и генерировать текст или изображения. Это не маркетинг, основанный на манёврах. Это устоявшаяся область с математикой, данными и множеством проб и ошибок. Авторитетные источники характеризуют ИИ как системы, способные учиться, рассуждать и действовать для достижения целей способами, которые мы считаем разумными. [1]

Статьи, которые вам может быть интересно прочитать после этой:

🔗 Что такое ИИ с открытым исходным кодом?
Изучите открытый исходный код ИИ, его преимущества, модели лицензирования и сотрудничество с сообществом.

🔗 Что такое нейронная сеть в ИИ?
Изучите основы нейронных сетей, типы архитектуры, обучение и распространенные варианты использования.

🔗 Что такое компьютерное зрение в ИИ?
Посмотрите, как машины интерпретируют изображения, ключевые задачи, наборы данных и приложения.

🔗 Что такое символический ИИ?
Исследуйте символическое мышление, графы знаний, правила и гибридные нейросимволические системы.

Что такое ИИ: краткий обзор 🧠➡️💻

ИИ — это набор методов, позволяющих программному обеспечению аппроксимировать интеллектуальное поведение. Вместо того, чтобы программировать каждое правило, мы часто обучаем модели на примерах, чтобы их можно было обобщать на новые ситуации: распознавание изображений, преобразование речи в текст, планирование маршрутов, программирование помощников, предсказание структуры белков и так далее. Если вам нравится лаконичное определение для заметок: представьте себе компьютерные системы, выполняющие задачи, связанные с интеллектуальными процессами человека, такими как рассуждение, поиск смысла и обучение на основе данных. [1]

Полезная ментальная модель из этой области заключается в том, чтобы рассматривать ИИ как целеустремленные системы , которые воспринимают окружающую среду и выбирают действия. Это полезно, когда вы начинаете думать о циклах оценки и управления. [1]

Что делает ИИ действительно полезным✅

Зачем использовать ИИ вместо традиционных правил?

• Сила закономерностей — модели выявляют тонкие корреляции в огромных наборах данных, которые люди до обеда могли бы пропустить.

• Адаптация — при наличии большего количества данных производительность может повыситься без необходимости переписывать весь код.

• Скорость и масштабируемость — после обучения модели работают быстро и стабильно даже при стрессовых объемах.

• Генеративность — современные системы могут создавать текст, изображения, код и даже молекулы-кандидаты, а не только классифицировать вещи.

• Вероятностное мышление — оно справляется с неопределенностью более изящно, чем хрупкие леса if-else.

• Инструменты с использованием инструментов — вы можете подключать модели к калькуляторам, базам данных или поиску для повышения надежности.

• Когда всё плохо — предвзятость, галлюцинации, устаревшие данные обучения, риски нарушения конфиденциальности. Мы разберёмся с этим.

Давайте будем честны: иногда ИИ ощущается как велосипед для разума, а иногда — как одноколесный велосипед на гравии. И то, и другое может быть правдой.

Как работает ИИ со скоростью человека 🔧

Большинство современных систем ИИ объединяют в себе:

1. Данные - примеры языка, изображений, кликов, показаний датчиков.

2. Цели — функция потерь, которая показывает, как выглядит «хорошо».

3. Алгоритмы — процедура обучения, которая заставляет модель минимизировать эти потери.

4. Оценка — тестовые наборы, метрики, проверки работоспособности.

5. Развертывание — обслуживание модели с мониторингом, безопасностью и ограждениями.

Две основные традиции:

• Символьный или логический ИИ — явные правила, графы знаний, поиск. Отлично подходит для формальных рассуждений и ограничений.

• Статистический или обучающийся ИИ — модели, обучающиеся на основе данных. Именно здесь живёт глубокое обучение, и именно отсюда происходит большая часть недавних новостей; широко цитируемый обзор описывает область применения — от многоуровневых представлений до оптимизации и обобщения. [2]

В сфере обучения искусственного интеллекта важны несколько столпов:

• Контролируемое обучение — обучение на маркированных примерах.

• Неконтролируемый и самоконтролируемый — изучение структуры немаркированных данных.

• Обучение с подкреплением — обучение методом проб и ошибок и обратной связи.

• Генеративное моделирование — научитесь создавать новые образцы, которые выглядят реалистично.

Две генеративные семьи, о которых вы будете слышать ежедневно:

• Трансформеры — архитектура, лежащая в основе большинства крупных языковых моделей. Она использует внимание для связывания каждого токена с другими, обеспечивая параллельное обучение и удивительно плавные результаты. Если вы слышали о «внутреннем внимании», то это и есть основной трюк. [3]

• Модели диффузии – они учатся обращать вспять процесс зашумления, переходя от случайного шума к чёткому изображению или звуку. Это похоже на перетасовку колоды – медленно и осторожно, но с расчётами; основополагающие исследования показали, как эффективно обучать и сэмплировать. [5]

Если метафоры кажутся натянутыми, это справедливо: ИИ — это движущаяся цель. Мы все учимся танцу, пока музыка меняется прямо во время песни.

Где вы уже встречаете ИИ каждый день 📱🗺️📧

• Поиск и рекомендации — результаты рейтинга, каналы, видео.

• Электронная почта и документы — автозаполнение, реферирование, проверка качества.

• Камера и аудио — шумоподавление, HDR, транскрипция.

• Навигация - прогнозирование дорожного движения, планирование маршрутов.

• Поддержка и обслуживание — агенты чата, которые сортируют обращения и составляют ответы.

• Кодирование - предложения, рефакторинг, тесты.

• Здравоохранение и наука — сортировка, визуализация, прогнозирование структуры. (Относитесь к клиническим ситуациям как к критически важным для безопасности; используйте человеческий контроль и документированные ограничения.) [2]

Короткий анекдот: команда разработчиков продукта может провести A/B-тестирование этапа поиска перед языковой моделью; уровень ошибок часто снижается, поскольку модель рассуждает на основе более свежего, специфичного для задачи контекста, а не угадывает. (Метод: заранее определить метрики, сохранить контрольный набор и сравнивать аналогичные подсказки.)

Сильные стороны, ограничения и лёгкий хаос между ними ⚖️

Сильные стороны

• Изящно обрабатывает большие и сложные наборы данных.

• Масштабируется для решения различных задач с использованием одного и того же основного оборудования.

• Изучает скрытую структуру, которую мы не создавали вручную. [2]

Пределы

• Галлюцинации — модели могут давать правдоподобные, но неверные результаты.

• Предвзятость — обучающие данные могут кодировать социальные предвзятости, которые затем воспроизводятся системами.

• Надежность — пограничные случаи, враждебные входные данные и сдвиг распределения могут все сломать.

• Конфиденциальность и безопасность — конфиденциальные данные могут подвергнуться утечке, если вы не будете осторожны.

• Объясняемость — почему так написано? Иногда неясно, что затрудняет аудит.

Управление рисками существует для того, чтобы вы не создавали хаос при поставке: структура управления рисками ИИ NIST предоставляет практическое, добровольное руководство по повышению надежности на этапах проектирования, разработки и развертывания — подумайте о сопоставлении рисков, их измерении и управлении использованием от начала до конца. [4]

Правила дорожного движения: безопасность, управление и ответственность 🛡️

Регулирование и руководство догоняют практику:

• Подходы, основанные на оценке риска : к приложениям с более высоким уровнем риска предъявляются более строгие требования; документирование, управление данными и обработка инцидентов имеют важное значение. В государственных структурах особое внимание уделяется прозрачности, человеческому контролю и постоянному мониторингу. [4]

• Отраслевые нюансы : области, критически важные для безопасности (например, здравоохранение), требуют участия человека и тщательной оценки; инструменты общего назначения по-прежнему выигрывают от наличия четких документов о предполагаемом использовании и ограничениях. [2]

Речь идет не о подавлении инноваций, а о том, чтобы не превращать свой продукт в машину для приготовления попкорна в библиотеке... что звучит заманчиво, пока не перестает быть таковым.

Типы ИИ на практике с примерами 🧰

• Восприятие — зрение, речь, слияние сенсоров.

• Язык - чат, перевод, реферирование, извлечение.

• Прогнозирование — прогнозирование спроса, оценка рисков, обнаружение аномалий.

• Планирование и контроль - робототехника, логистика.

• Генерация - изображений, аудио, видео, кода, структурированных данных.

Под капотом математика опирается на линейную алгебру, теорию вероятности, оптимизацию и вычислительные стеки, которые обеспечивают бесперебойную работу системы. Более подробное описание основ глубокого обучения см. в каноническом обзоре. [2]

Сравнительная таблица: обзор популярных инструментов ИИ 🧪

(Немного несовершенен намеренно. Цены меняются. Ваш пробег может отличаться.)

Как оценить систему искусственного интеллекта как профессионал 🧪🔍

1. Определите задачу — формулировка задачи в одном предложении.

2. Выберите метрики — точность, задержка, стоимость, триггеры безопасности.

3. Создайте тестовый набор — репрезентативный, разнообразный, выдержанный.

4. Проверьте виды отказов — входные данные, которые система должна отклонить или передать на более высокий уровень.

5. Проверьте на предвзятость — демографические срезы и чувствительные атрибуты, где это применимо.

6. Участие человека — укажите, когда человек должен проверять.

7. Регистрация и мониторинг — обнаружение отклонений, реагирование на инциденты, откаты.

8. Документ — источники данных, ограничения, предполагаемое использование, тревожные сигналы. Формат NIST AI RMF предоставляет общий язык и процессы для этого. [4]

Распространенные заблуждения, которые я слышу постоянно 🙃

• «Это просто копирование». Обучение усваивает статистическую структуру; генерация формирует новые результаты, соответствующие этой структуре. Это может быть изобретательным — или ошибочным — но это не копирование и вставка. [2]

• «ИИ понимает, как человек». Он моделирует закономерности. Иногда это похоже на понимание, иногда — на уверенную расплывчатость. [2]

• «Больше всегда лучше». Масштаб помогает, но качество данных, их согласованность и доступность часто имеют большее значение. [2][3]

• «Один ИИ, чтобы править всеми». Реальные стеки многомодельны: поиск фактов, генерация текста, небольшие быстрые модели на устройстве, а также классический поиск.

Немного подробнее: Трансформеры и диффузия за одну минуту ⏱️

• Трансформеры вычисляют оценки внимания между токенами, чтобы определить, на чём сосредоточиться. Наложение слоёв фиксирует долгосрочные зависимости без явного повторения, обеспечивая высокий параллелизм и высокую производительность при выполнении языковых задач. Эта архитектура лежит в основе большинства современных языковых систем. [3]

• Модели диффузии учатся устранять шум шаг за шагом, словно полируют запотевшее зеркало, пока не появится лицо. Идеи базового обучения и сэмплирования открыли путь к созданию изображений и теперь распространяются на аудио и видео. [5]

Микро-глоссарий, который вы можете сохранить 📚

• Модель — параметризованная функция, которую мы обучаем сопоставлять входные данные с выходными.

• Обучение — оптимизация параметров для минимизации потерь на примерах.

• Переобучение — отлично справляется с тренировочными данными, в остальном — так себе.

• Галлюцинация — беглый, но фактически неверный вывод.

• RAG — генерация дополненной поисковой информации, которая обращается к новым источникам.

• Согласование — формирование поведения, соответствующего инструкциям и нормам.

• Безопасность — предотвращение вредных последствий и управление рисками на протяжении всего жизненного цикла.

• Вывод — использование обученной модели для составления прогнозов.

• Задержка — время от ввода до ответа.

• Защитные ограждения — политики, фильтры и элементы управления вокруг модели.

Слишком длинно, не читал — заключительные замечания 🌯

Что такое ИИ? Набор методов, позволяющих компьютерам обучаться на основе данных и действовать разумно для достижения целей. Современная волна опирается на глубокое обучение, особенно на преобразователи языка и диффузию в медиа. При разумном использовании ИИ масштабирует распознавание образов, ускоряет творческую и аналитическую работу и открывает новые научные горизонты. При неосторожном использовании он может вводить в заблуждение, исключать или подрывать доверие. Удачный путь сочетает в себе мощные инженерные решения с управлением, измерениями и толикой скромности. Этот баланс не просто возможен — он поддаётся обучению, тестированию и поддержке при соблюдении правильных фреймворков и правил. [2][3][4][5]

Ссылки

[1] Encyclopedia Britannica — Искусственный интеллект (ИИ) : подробнее
[2] Nature — «Глубокое обучение» (LeCun, Bengio, Hinton) : подробнее
[3] arXiv — «Внимание — это всё, что вам нужно» (Vaswani et al.) : подробнее
[4] NIST — Структура управления рисками ИИ : подробнее
[5] arXiv — «Устранение шума в вероятностных моделях диффузии» (Ho et al.) : подробнее

Найдите новейший ИИ в официальном магазине AI Assistant

О нас