Алгоритмы искусственного интеллекта: Все, что вам нужно знать

Ваш телефон знает, что вы собираетесь напечатать, раньше, чем вы это сделаете. Netflix знает, на что вы пойдете в следующий раз. Банки знать, сможете ли вы выплатить кредит. Spotify знает, какие песни вы будете играть на повторе.

Но как? Кто тайно следит за всеми нами?

Голуби-экстрасенсы? Тайное общество людей, читающих мысли? Или ваша мама - потому что она почему-то всегда знает?

Нет. Это алгоритмы искусственного интеллекта.

Эти системы делают жутко точные предсказания считывая тонны данных и анализируя закономерности.

Но что такое алгоритм искусственного интеллекта? Как он работает?

Каковы его разновидности и как он используется в реальных приложениях? Обо всем этом и многом другом - в сегодняшнем блоге. 

Давайте начнем с самого начала.

Что такое алгоритмы искусственного интеллекта?

Алгоритмы искусственного интеллекта используются в повседневной жизни технология - Поиск Google, Siri, рекомендации Netflix - но они также используются для обнаружения мошенничества, в самоуправляемых автомобилях и медицинской диагностике. 

Корни ИИ уходят в 1940-е годы, когда Алан Тьюринг задал вопрос, "Могут ли машины думать?" 

В 1950-х годах он придумал машину Тьюринга, которая впоследствии была протестирована на Тест Тьюринга. Он показал, как машины могут следовать логическим шагам для решения проблем. 

Еще в 1950-60-х годах некоторые программы (Logic Theorist) могли доказывать математические теоремы. 

Но была одна проблема - они не могли обучаться. Каждое правило нужно было программировать вручную.

По своей сути ИИ - это просто набор инструкций-алгоритм, который помогает машинам принимать решения.

Некоторые из них просты, например, фильтрация спама в электронной почте. Другие - более сложные, например, прогнозирование рисков заболеваний на основе медицинских карт.

Но давайте проясним ситуацию - искусственный интеллект не думает сам за себя. Он зависит от программирование человека и последовательное обучение чтобы стать лучше в своем деле.

Давайте разберемся в этом на примере пример, 

ИИ помогает в принятии важных решений. Возьмем, к примеру, банк, утверждающий кредит. Он может использовать Дерево решений (простая модель искусственного интеллекта, которая работает как блок-схема):

• Есть ли у заявителя стабильный доход? Нет → Откажите в выдаче кредита. Да → Проверьте кредитную историю. 
• Хорошая кредитная история? Нет → Пересмотрите. Да → Проверьте существующие кредиты.
• Слишком много кредитов? Высокий риск. Мало кредитов? Низкий риск. 

В конце процесса ИИ либо одобряет, либо отказывает в выдаче кредита на основе структурированной логики.

Теперь наступает следующая часть... 

Как алгоритмы искусственного интеллекта обеспечивают машинное обучение и автоматизацию

Подумайте об этом так. 

Представьте, что вы учите ребенка распознавать собак.

Учитель показывал им картинки, указывал на ключевые особенности, и со временем у них получалось лучше определять их в реальной жизни. 

Алгоритмы искусственного интеллекта учатся одинаково. Обучение на основе огромных объемов данных для прогнозирования и автоматизации задач.

1 - Предсказание

Алгоритм регрессии изучает прошлую информацию, чтобы делать автоматические прогнозы в режиме реального времени. 

Например, Netflix рекомендует вам сериалы на основе прогнозов. Если вам понравился Stranger Things, можно предположить. Темнота, или Академия Амбрелла потому что другие, кому нравилось Незнакомые вещи тоже смотрел.

2 - Машинное обучение

Но ИИ не просто предсказывает - он адаптируется. 

Машинное обучение позволяет компьютерам учиться и совершенствоваться на основе опыта, не будучи явно запрограммированными. 

Например, Что, если вы любите "Stranger Things" только за его научно-фантастические элементы, но ненавидите ужасы? Что, если вы предпочитаете короткие, быстро развивающиеся сериалы медленным драмам? Алгоритм Netflix проанализирует ваши действия на глубоком уровне и скорректирует рекомендации. 

3 - Автоматизация

А еще есть автоматизация. 

Автоматизация - это процесс использования технологий для выполнения задач с минимальным вмешательством человека. 

Например, Самоуправляемые автомобили делают нечто подобное, используя компьютерное зрение, чтобы "видеть" дорогу, распознавать знаки остановки и учиться на каждой пройденной миле. 

Чем больше данных они обрабатывают, тем умнее становятся.

Как работают алгоритмы искусственного интеллекта (шаг за шагом)

Подобно человеку, осваивающему новый навык, ИИ также осваивает все шаг за шагом.

Давайте разберемся в этом, используя функцию распознавания изображений в поисковой системе Google.

Шаг # 1 - Сбор данных

Все начинается с данных. ИИ нужны сотни тысяч примеров для обучения. В распознавании изображений это включает в себя:

• Миллионы помеченных изображений (например, фотографии кошек с надписью "кошка", фотографии собак с надписью "собака").

• Разница в освещении, ракурсах и качестве.

• Разные размеры, цвета и формы одного и того же предмета. 

• Краевые случаи (размытые изображения, частично скрытые объекты, низкий контраст).

Шаг # 2 - предварительная обработка

Необработанные изображения содержат много ненужной информации: размытые или некачественные изображения, несвязанные объекты, загроможденные изображения и т. д.

Перед обучением ИИ данные необходимо очистить и стандартизировать. Это включает в себя: 

• Приведение изображений к единому размеру для их последовательной обработки.

• Нормализация оттенков серого или цвета, чтобы яркость и контрастность не вводили ИИ в заблуждение. 

• Удаление шумов - ненужных фоновых элементов, которые не способствуют идентификации объекта.

Шаг # 3 - обучение

ИИ не "видеть" изображения так, как это делают люди. Он воспринимает их как числа - тысячи пикселей, каждый из которых имеет значение, отражающее яркость и цвет. 

Чтобы разобраться в этом, ИИ использует конволюционную нейронную сеть (CNN) - особый тип модели глубокого обучения, созданный для распознавания изображений.

Вот как CNN разбивает изображение на части:

• Слои свертки: ИИ сканирует изображение по частям, сначала определяя простые формы (линии, кривые), а затем распознавая сложные черты (глаза, уши, усы).
  
• Слои пула: Они уменьшают изображение, сохраняя важные детали и отбрасывая ненужные пиксели.
  
• Полностью соединенные слои: ИИ связывает обнаруженные признаки, чтобы сделать окончательный прогноз - если он видит заостренные уши и усы, то определяет кошку.

Этот процесс включает в себя эпохи. 

Представьте, что вы учитесь различать разные виды птиц. Впервые увидев воробья и голубя, вы можете перепутать их. 

Но после просмотра фотографий, изучения их особенностей и получения отзывов вы становитесь лучше.

ИИ учится точно так же. 

Эпоха - это один полный цикл, в течение которого ИИ просматривает все обучающие данные, делает прогнозы, проверяет ошибки и вносит коррективы. 

Он делает это снова и снова - точно так же, как вы тренируетесь несколько раз, чтобы лучше овладеть каким-то навыком.

Шаг # 4 - тестирование

Прежде чем ИИ будет готов к использованию в реальном мире, его необходимо протестировать. Это включает в себя:

• Кормите его образами, которых он никогда раньше не видел.
  
• Измерьте его точность - правильно ли он обозначает кошку как кошку?
  
• Проверка на избыточную подгонку, когда ИИ запоминает учебные данные, но с трудом справляется с новыми изображениями.
  

Если ИИ слишком часто терпит неудачу, он возвращается к тренировкам, пока не сможет надежно определять изображения, с которыми никогда не сталкивался.

Шаг # 5 - развертывание

После обучения и тестирования модель искусственного интеллекта запускается в работу. Когда мы подаем ей изображение. Она: 

1. Разбейте его на пиксельные значения
2. Проведите его через все изученные слои.
3. Сгенерируйте оценку вероятности для каждой возможной метки
4. Выберите наиболее вероятную классификацию

Типичный результат может выглядеть следующим образом:

• Cat: 99.7% вероятность
• Собака: 0.2% вероятность
• Прочее: Вероятность 0,1%

Типы алгоритмов искусственного интеллекта и их применение

Подобно тому, как люди по-разному учатся - кто-то читая, кто-то делая, - у ИИ есть разные типы алгоритмов, каждый из которых подходит для решения конкретных задач.

1 - Контролируемое обучение

Представьте, что ребенок учится различать яблоки и апельсины. Учитель помечает картинки как:

"Это яблоко".

"Это апельсин".

Со временем они учатся различать их. Это и есть контролируемое обучение - ИИ обучается на помеченных данных и учится делать прогнозы.

Например,

Алгоритм искусственного интеллекта спам-фильтры сканирует тысячи писем, помеченных как "спам" или "не спам", и выявляет закономерности. 

• Содержит ли письмо определенные ключевые слова? 
• Это письмо от подозрительного отправителя? 

Со временем он станет лучше отлавливать спам до того, как он попадет в ваш почтовый ящик.

Супервизорное обучение включает в себя регрессионные модели, которые предсказывают такие вещи, как цены на жилье, и классификационные модели, которые решают, относится ли письмо к спаму или к вашему основному почтовому ящику.

2 - Неконтролируемое обучение

А теперь представьте, что вы даете тому же ребенку корзину фруктов, но не говорите, какие из них яблоки, а какие апельсины. 

Вместо этого они группируют их по сходству - цвету, форме, текстуре.

Это неконтролируемое обучение - искусственный интеллект находит закономерности в данных без ярлыков.

Например,

Банки не всегда могут мгновенно определить, является ли операция мошеннической, но ИИ может помочь в предотвращении мошенничества.

Он сканирует миллионы покупок, изучая, что для каждого покупателя является "нормальным", а что - нет.

Допустим, вы каждую неделю покупаете продукты и бензин. И вдруг вам захотелось купить роскошный автомобиль стоимостью $5 000 в другой стране. 

ИИ отметит его как подозрительный и может заморозить вашу карту или отправить вам быстрое сообщение. "Это вы?" сообщение.

3 - Обучение с подкреплением

Допустим, вы даете ребенку задание: каждый раз, когда он правильно выбирает яблоко, он получает конфету. Если они выберут неправильный фрукт, то потеряют одну конфету. 

Со временем они узнают, как лучше всего получить наибольшее количество конфет.  Это обучение с подкреплением. 

ИИ делает то же самое - тестирует различные действия, учится на ошибках и корректирует их на основе вознаграждений и наказаний.

Например,

Самоуправляемые автомобили не умеют водить машину. 

Но после анализа данных о миллионах миль дорог они стали лучше тормозить, вливаться в поток машин и объезжать препятствия. 

Каждая ошибка - это урок. Каждый успех делает их умнее.

4 - Нейронные сети и глубокое обучение

Некоторые проблемы слишком сложны для простых правил. Вот тут-то и приходят на помощь нейронные сети. 

Они созданы для того, чтобы работать подобно человеческому мозгу, распознавая закономерности и принимая решения, не нуждаясь в каждом мелком указании.

Например,

A традиционный компьютер может не справиться с различными ракурсами, освещением или выражением лица. 

Но модель глубокого обучения (нейронная сеть с несколькими слоями) может научиться распознавать лица независимо от условий.

Подобно тому, как люди по-разному учатся - кто-то читая, кто-то делая, - у ИИ есть разные типы алгоритмов, каждый из которых подходит для решения конкретных задач.

Алгоритмы искусственного интеллекта в реальных приложениях

Как AI Image Detector использует алгоритмы для обнаружения изображений, созданных искусственным интеллектом

Изображения, созданные искусственным интеллектом, стали настолько реалистичными, что люди едва могут отличить их от настоящих фотографий. 

Но детекторы изображений с искусственным интеллектом обучены видеть не только поверхность.

Техника # 1 - Обнаружение аномалий

Процесс начинается с обнаружения аномалий, в ходе которого выявляется все, что не соответствует действительности.

Если изображение имеет неестественную текстуру, непостоянное освещение или размытые края. Детектор изображений AI поднимает тревогу.

Техника # 2 - Генеративные адверсарные сети

Один из способов обнаружения изображений, созданных искусственным интеллектом, заключается в изучении скрытых узоров, оставленных технологией, которая их создает.

Эти шаблоны получены с помощью генеративных адверсарных сетей (GAN), на которых основано большинство изображений ИИ.

Как у каждого художника есть свой уникальный стиль, так и GAN создают узоры, которых нет на реальных фотографиях.

Детектор изображений AI обучен распознавать эти паттерны, что позволяет определить, было ли изображение сгенерировано искусственным интеллектом.

Техника # 3 - Метаданные

Помимо простого просмотра пикселей, в Детектор изображений AI также изучает метаданные, которые действуют как цифровой отпечаток пальца изображения.

Эти данные включают в себя такие сведения, как время и место съемки, а также устройство, с которого была сделана фотография. 

Если изображение утверждает, что оно относится к 2010 году, но на самом деле было создано инструментом искусственного интеллекта на прошлой неделе, Детектор изображений AI отметит его как подозрительный. 

Предвзятость алгоритмов искусственного интеллекта и способы ее уменьшения

Предполагается, что искусственный интеллект должен быть справедливым, но иногда это не так. Предвзятость ИИ может проявляться двумя способами:

• Предвзятость данных - это происходит, когда определенные группы недостаточно представлены в обучающих данных.
  
• Модельная предвзятость - возникает, когда ИИ делает больше ошибок для одной группы, чем для другой, усиливая несправедливые результаты.
  

Предвзятый инструмент Amazon для найма персонала

В 2014 г, Amazon пришлось отказаться от инструмента искусственного интеллекта для найма персонала потому что он был предвзято настроен против женщин. 

Система изучила данные о прошлом приеме на работу, где на технические должности нанимали больше мужчин, поэтому она стала отдавать предпочтение кандидатам-мужчинам и наказывать резюме, в которых присутствовали слова типа "женский" (как в "женском шахматном клубе"). 

ИИ не пытался быть несправедливым, но он учился на предвзятых данных и переносил эти предвзятости в будущее.

Проблемы конфиденциальности при сборе данных искусственного интеллекта

Каждый раз, когда вы используете приложение, просматриваете веб-страницы или совершаете покупку, происходит сбор данных. 

Некоторые из них очевидны - например, ваше имя, электронная почта или платежные реквизиты. 

Но есть и скрытые данные, такие как местоположение GPS, история покупок, поведение при вводе текста и привычки просмотра веб-страниц. 

Компании используют эту информацию, чтобы персонализировать опыт, рекомендовать продукты и улучшать услуги. 

При таком количестве данных риски неизбежны: 

• Утечки данных - Хакеры могут украсть информацию о пользователе.

• Повторная идентификация - Даже анонимизированные данные могут быть привязаны к конкретным людям. 

• Несанкционированное использование - Компании могут использовать данные не по назначению в целях получения прибыли или влияния.
  

Даже когда компании заявляют об анонимности данных, исследования показали, что при наличии достаточной информации шаблоны могут раскрыть личность пользователя. 

Чтобы защитить конфиденциальность пользователей, компании используют:

• Анонимизация - Удаляет личные данные из наборов данных.

• Федеративное обучение - Модели искусственного интеллекта обучаются на вашем устройстве без отправки исходных данных на центральный сервер. (например, Gboard от Google).

• Дифференциальная конфиденциальность - Добавляет случайный шум в данные перед сбором, чтобы предотвратить отслеживание (например, система iOS от Apple).

Могут ли алгоритмы ИИ быть полностью нейтральными?

ИИ не создается в вакууме. 

Он создан людьми, обучен на человеческих данных и используется в человеческом обществе. Так может ли она быть по-настоящему нейтральной?

Короткий ответ: Нет. По крайней мере, пока нет.

ИИ учится на реальных данных, а эти данные содержат все предубеждения, предположения и недостатки людей, которые их создали. 

Пройдите тест на рецидивизм COMPAS, например. 

Он был разработан для того, чтобы предсказать, какие преступники с наибольшей вероятностью совершат рецидив. 

Звучит просто, верно? 

Однако исследования показали, что алгоритм непропорционально часто относил чернокожих обвиняемых к группе повышенного риска по сравнению с белыми обвиняемыми. 

Она необъективна не потому, что кто-то запрограммировал ее на это, а потому, что унаследовала модели несовершенной системы уголовного правосудия.

Так можно ли сделать ИИ справедливым? 

Некоторые эксперты считают именно так. 

Исследователи разработали ограничения справедливости - математические методы, призванные заставить модели ИИ относиться к разным группам более одинаково. 

Проверка на предвзятость и разнообразные наборы учебных данных также помогают уменьшить перекосы в результатах.

Но даже при наличии всех этих гарантий истинный нейтралитет очень непрост. 

И даже если бы мы смогли сделать ИИ полностью "нейтральный". стоит ли?

ИИ не принимает решения в "пузыре". Он влияет на реальных людей реальными способами. 

Реальность такова, что ИИ отражает мир, который мы в него вводим. 

Если мы хотим получить беспристрастный ИИ, нам нужно сначала разобраться с предубеждениями в наших системах. 

В противном случае мы просто научим машины отражать наши недостатки - только быстрее и масштабнее.

Часто задаваемые вопросы об алгоритмах искусственного интеллекта

Улучшите свой опыт, попробовав наш детектор искусственного интеллекта и гуманизатор в виджете ниже!

Заключительные размышления: Будущее алгоритмов искусственного интеллекта

Что же все это значит для нас?

ИИ ежедневно влияет на наши решения. Он решает, что мы смотрим, что покупаем и даже насколько безопасен наш банковский счет.

Но вот в чем вопрос...

Если ИИ учится у нас, то чему мы его учим?

Следим ли мы за тем, чтобы он был честным, беспристрастным и полезным? Или мы позволяем ему повторять ошибки, которые совершают люди?

И если ИИ продолжает становиться все умнее, что будет дальше? Будет ли он всегда оставаться инструментом, который мы контролируем, или однажды он начнет делать выбор, который мы не совсем понимаем?

Возможно, главный вопрос заключается не в том, что может сделать ИИ, а в том, что мы должны ему позволить.

Что вы думаете?