Прогнозами заниматься дело неблагодарное, тем более что прогресс в области современных методов машинного обучения обгоняет самые смелые ожидания в последние годы. Но некоторые направления в области обучения глубинных нейронных сетей, в которых можно ждать существенных продвижений в ближайшее время, я рискну назвать.

Во-первых, это развитие идей нейросетевого обучения с подкреплением, которое позволит разработать новые самообучающиеся алгоритмы для агентов, взаимодействующих с окружающей средой. Это могут быть как роботы, так и программы, действующие в виртуальном пространстве, например, играющие в интеллектуальные игры типа Го (уже сделано) или Starcraft (в процессе). Главной целью тут, конечно, станет создание алгоритма, умеющего «на ходу» приспосабливаться к новой сложной игре или окружению.

Во-вторых, это разработка новых методов обучения «на лету» и мета-обучения. Первое позволяет компьютеру схватывать новые понятия и смыслы по нескольким примерам, подобно тому, как это делает человек, и в отличие от современных нейронных сетей, которые выучивают новое понятие после демонстрации тысяч и десятков тысяч примеров.

Второе позволяет нейронной сети самой подбирать параметры своего метода обучения. Сейчас качество и скорость обучения нейронных сетей существенно зависит от выставления ряда параметров (обычно называемых гипер-параметрами, чтобы отличать их от весов сети, которые, собственно, и настраиваются в ходе обучения), а также от архитектуры самой сети. Сейчас они определяются человеком или полуавтоматичексим процедурами, далекими от оптимальных. Из-за этого нейросети учатся дольше и хуже, чем могли бы.

Появившиеся в 2016 году работы показывают, что эту работу в принципе можно передоверить вспомогательной нейронной сети. Как все мы помним со средней школы, признаком завершения промышленной революции является момент, когда «машины начинают производить машины». Возможно, в будущем такой же важной вехой станет момент, когда нейросети начнут обучать нейросети и есть основания полагать, что это случится уже в 2017 году.

В-третьих, нейронные сети научатся говорить с человеком (как в смысле генерации текстов реплик, так и в смысле синтеза речи, неотличимой от человеческой), генерировать фотореалистичные картинки и видеоряды по текстовому описанию, писать большие осмысленные тексты. Это станет нашим ближайшим будущим благодаря стремительному прогрессу в области т.н. генеративных моделей глубинного обучения. Конечно, это приведет к созданию новых бизнесов, появлению новых видов товаров и услуг, а также к росту производительности труда в традиционных отраслях экономики, типа мобильных операторов или банков, которым можно будет отказаться от дорогостоящих и неэффективных колл-центров.

Решение всех этих задач станет важным шагом на пути к Святому Граалю машинного обучения - созданию искусственного интеллекта. В следующем году ИИ, конечно, не появится, но через 5–10 лет он, несомненно, будет разработан. Тем более что уже имеющиеся элементы искусственного интеллекта будут помогать ученым в создании полноценного ИИ и, тем самым, позволят ускорить работу в этом направлении. Создание ИИ станет важнейшим достижением человечества и обеспечит ему мощный цивилизационный рывок вперед.

Важно отметить, что стремительный прогресс в области ИИ стал возможен во многом благодаря тому, что эти разработки ведутся открыто и любой человек, имеющий минимальную необходимую подготовку (например, выпускник факультета компьютерных наук НИУ ВШЭ), может принять в них участие: даже у крупных IT-корпораций – лидеров в области глубинного обучения нет никаких секретов (кроме ближнесрочных коммерческих), программные реализации большинства методов доступны, так же как и математическое описание алгоритмов, оказывающихся на удивление не такими сложными, с учетом глобальности решаемых с их помощью задач. Это выгодно отличает машинное обучение, скажем, от космической или ядерной программ середины XX века.

Дополнительные материалы

Лекция Дмитрия Ветрова о машинном обучении (для того, чтобы понять, что это вообще такое)

Обозреватель сайт изучила основные мировые тенденции в робототехнике, которые скорее всего получат развитие в 2017 году.

За два последних года мало какая глобальная компания, имеющая хоть какое-то отношение к информационным технологиям, не объявила о намерении инвестировать в искусственный интеллект, робототехнику, беспилотные машины или в другое «умное» подключенное оборудование.

Особенно отличился Китай. То, что там происходит, уже назвали великой китайской робототехнической революцией. Другие страны несколько отстают по активности, но обещают догнать Поднебесную. В этом материале - то, что сегодня занимает умы робототехников мира.

Роботы и VR

Аналитические агентства назвали 2016-й годом технологий виртуальной реальности. Тренд затронул и робототехнику. Всё активнее обсуждается возможность управления сложными машинами через VR-шлемы и экраны, демонстрирующие дополненную реальность. На MWC в Барселоне в этом году всем посетителям стенда Ericsson предлагалось попробовать себя в роли экскаваторщика, управляющего реальной техникой через шлем Oculus Rift.

Это один из основных сценариев применения VR в промышленности и бизнесе, который будет всё чаще проигрываться в самых разных ситуациях: при управлении грузовой беспилотной техникой (трейлеры, дроны, складские погрузчики), проведении хирургических операций, изучении и освоении недоступных для людей мест (океаническое дно, шахты, вечная мерзлота). Впрочем, тренд последних десяти лет - повышение автоматизации, то есть стремление вовсе отказаться от участия людей в подобных процессах.

Неизбежная беспилотность

На недавней встрече с инвестиционным консультантом, специализирующимся на M&A-сделках в области высоких технологий, я выяснила, что «китайцы сметают всё, что связано с connected car», в том числе и в России. Пока мы обсуждали эту историю, сидя в ресторане, в новостях на ТВ прошла информация о том, что Apple подтвердила намерение разработать свой «беспилотный» автомобиль.

Тема обжигающе горячая, и через полгода уже будет поздно начинать ею заниматься, поляна будет поделена. Но пока в этой сфере ещё много чего можно дорабатывать и изобретать. Научно-исследовательские лаборатории по всему миру всё ещё работают над тем, чтобы построить машины, которые смогут передвигаться по сложным неровным и наклонным поверхностям, не роняя себя, грузы и оборудование.

Беспилотность - это не только про пассажирский и грузовой транспорт, передвигающийся по земле. Это еще и про летающие машины. Бум массовой популярности дронов нарастает. В 2014 году их продажи в мире утроились, в прошлом - удвоились, и пика на этом рынке пока не видно. Дроны уже начали использоваться для доставки пиццы - так работает компания Domino в Новой Зеландии.

Полицейские беспилотники, наблюдающие за потоками транспорта и прогнозирующие возможные преступления, уже никого не удивляют своим гудением. Они стали обыденностью в нескольких штатах Северной Америки. Они действительно помогают понизить уровень преступности. Если скрестить дроны с методами анализа больших данных, то они смогут предсказывать преступления в реальном времени.

Кстати, система такого рода используется полицией Лос-Анджелеса, хотя пока без дронов. Предиктивность - способность предсказывать вероятность возникновения событий - это одна из способностей, которую роботы могут приобрести благодаря методам машинного обучения.

Механическая зубрёжка

Прорыв в технологиях искусственного интеллекта и старт их активного применения на практике - тренд последних двух-трех лет. Если раньше на создание системы качественного машинного перевода требовалось десятилетие, то сейчас стартапы, которые только-только запустились, уже спустя год могу предложить потребителям вполне сносный конкурентоспособный продукт в этой сфере.

Машинное обучение - новый подход к работе с информацией, он очень быстро превращает машины в интеллектуальные устройства. Во многом бум разработки программ на базе машинного обучения связан с тем, что почти всё необходимое для этого можно найти среди свободно распространяемого ПО. Достаточно скачать среду разработки, несколько библиотек, прочитать мануал и вперед. За неделю-другую можно написать, к примеру, программу распознавания винных этикеток или даже лиц.

Возможности ИИ открыли такую вселенную, которую человечество будет осваивать даже не десятилетиями, а веками. Это означает, что роботы становятся умнее и учатся самостоятельно. Они даже способны передавать свои знания друг другу. Для этого, конечно, необходима инфраструктура связи. С ее помощью та программа, которая изобрела недавно новый универсальный язык, могла бы обучить ему другие машины.

Кстати, люди не ставили искусственному интеллекту задачу по созданию нового языка, это был побочный продукт его обучения переводам с разных языков. Программа сама научилась делать сносные переводы между парами языков, о которых ее не просили. Отсюда исследователи пришли к выводу, что компьютер пользуется системой общения мета-уровня, этаким новым эсперанто, универсальным языком.

Заоблачные мечты

Сложность алгоритмов машинного обучения и систем автоматического управления роботами такова, что для их функционирования требуется либо оснащать машины мощным вычислительным «железом», либо подключать их к облачной инфраструктуре. Похоже, человечество определилось с тем, что развитие робототехники пойдет по второму пути - на электронном механизме будет устанавливаться модуль связи и компьютер небольшой вычислительной мощности.

Управление устройствами, накопление знаний, обновление «мозга», взаимодействие с другими машинами будет происходить через «облако». Таким образом, купив простенькую машинку, со временем человек сможет обновить ее до супермозга, доплатив за более интеллектуальную прошивку.

К примеру, домашний робот с универсальным набором сенсоров и манипуляторов сможет на время превратиться в шеф-повара французского мишленовского ресторана. На время, потому что тут работает тренд передачи программы в пользование на ограниченный период по модели SaaS. Сейчас мы пользуемся облачными фоторедакторами и файлообменниками, а вскоре будем подписываться на специальные программные сервисы для своих роботов, чтобы, например, заставить их станцевать вальс или изобразить драку, когда нам станет скучно. Обучение роботов коллективному поведению - это ещё один тренд в индустрии.

Вместе мы - сила

Уже долгое время инженеры работают над тем, чтобы научить машины слаженно действовать вместе. Например, летать одной группой, демонстрировать фигуры высшего пилотажа, синхронно танцевать и вообще передвигаться. Зачем это нужно? Во-первых, это красиво. На самом деле, конечно, такое умение роботов будет жизненно необходимо нам, то есть людям, в будущем.

К примеру, слаженное движение самодвижущегося транспорта по интеллектуальным дорогам невозможно наладить без организации взаимодействия «умной» инфраструктуры с движущимися подключенными автомобилями и их общения друг с другом. В будущем дроны-почтальоны, обладая способностью коммуницировать с себе подобными, будут договариваться с полицейскими квадрокоптерами о том, чтобы не мешать их работе.

Роботы-погрузчики в портах смогут подготовить контейнеры для размещения на барже, получив сигнал задолго до ее приближения. Умный дом включит прогрев автомобиля и начнет варить кофе в тот момент, когда вы возьмете зубную щетку в руки. Кстати, такое взаимодействие машин очень нужно на промышленных объектах. Автоматизация на производствах с каждым годом повышается, и все идет к тому, чтобы заменить людей роботами на всех операциях, оставив несколько человек для контроля порядка и на случай экстренных ситуаций.

Робототехнические производства

Китай перестал быть источником дешевой рабочей силы для развитых стран. Крупные промышленные компании стремятся переносить производственные мощности поближе к штаб-квартирам - в Европу и США. Электрокары Tesla выпускаются на заводах, расположенных в Калифорнии. Роботы - это идеальная рабочая сила. С падением стоимости компонентов, сенсоров, систем компьютерного зрения они стали обходиться на порядок дешевле живых сотрудников.

К тому же они не ходят в отпуск и не берут больничный, не подставят подножку, используя профсоюз, их не нужно дополнительно мотивировать и водить на корпоративы. Они быстрее, чем люди, точнее и производительнее. Промышленные роботы, конечно, совсем не новая история. Они используются на производствах разного типа уже несколько десятилетий, выполняя самую грязную, опасную, тяжелую и рутинную работу за людей. Но в последнее время, благодаря развитию технологий машинного зрения, распространению мобильных сетей связи, автоматизации роботы стали использоваться гораздо шире.

Они работают в логистике, на службе у государства, в сельском хозяйстве, строительстве, исследованиях, медицине. Oxford Martin School предсказывает, что в ближайшие 15-20 лет 40% рабочих мест в США займут боты. Причем они станут выполнять в том числе сезонные работы. Распространяется практика привлечения «железных помощников» на время сбора урожая или для посева семян, опрыскивания растений для борьбы с вредителями, для проведения токсичных покрасочных работ на строящихся объектах. Маркетологи уже придумали название такой услуге - RaaS (Robotics-as-a-Service: роботы как сервис).

Я сверху вижу всё, ты так и знай

Если говорить о развитии технологий беспилотных автомобилей, то нельзя оставить без внимания технологии машинного зрения, которые усовершенствовались в последние годы. На YouTube в конце октября появился ролик с автомобилем Tesla, движущимся самостоятельно по дорогам Калифорнии.

Эта картина заставила понервничать опытных водителей, которые отождествились с безвольно сидящим за рулём пассажиром. Но беспокоиться им было не о чем, по крайней мере этот ролик заканчивается хорошо - все остались целы и добрались до пункта назначения. В видео производитель демонстрирует, как машина считывает и интерпретирует информацию с трёх камер, расположенных на корпусе. На идеальных дорогах Кремниевой Долины этого вполне достаточно.

Но ученые пока еще не добились того, чтобы искусственные глаза роботов могли распознавать предметы, лежащие на дороге, и помогать автомобилю двигаться в сложных погодных условиях. Впрочем, даже в вечно солнечной Калифорнии беспилотные машины проявили себя не на сто процентов безопасными. Не так давно произошла первая трагедия с участием автомобиля Tesla, который двигался под управлением электронного интеллекта. Машина протаранила тягач с прицепом, водитель не успел взять управление на себя. Этот случай заставил людей задуматься о многом.

Зловещая долина

Автомобиль, убивший своего владельца, - сюжет, достойный фильма ужасов и ночной кошмар создателя Tesla Элона Маска - реальностью. Всё чаще и громче звучат тревожные прогнозы умнейших людей мира о том, что искусственный интеллект может стать последним изобретением человечества и уничтожить своих создателей. Маск тоже беспокоится об этом, считая, что ИИ может оказаться страшнее ядерного оружия.

Предприниматель стал одним из инициаторов Open AI - проекта по свободному распространению технологий искусственного интеллекта. Его идея в том, чтобы самые передовые разработки в этой области не оказались в руках нескольких крупнейших компаний с неясными намерениями.

Понятный ход, но есть и побочные последствия. Если код для «мозга» роботов создаёт множество людей с разным уровнем профессионализма, это может ещё больше всё запутать. Кто виноват в гибели сорокалетнего Джошуа Брауна, первой жертвы искусственного интеллекта автомобиля Tesla?

В законодательстве пока такие случаи вообще не рассматриваются. Хотя регулирование в области робототехники уже активизировалось. Каждый американский штат выбрал свою позицию относительно дронов и функций автопилота в автомобилях. Но вопросов в этой сфере так много, что это похоже на ящик Пандоры: стоит его открыть, и на человечество посыпятся проблемы.

Этические, моральные и философские вопросы, связанные с использованием роботов, нам ещё предстоит поднять и обсудить. Мы только-только начинаем задумываться о них. Стоит ли доверять роботам больше, чем своей интуиции? Этично ли помещать воспоминания и «виртуальный слепок» личности умершего в машину? Можно ли «убить» робота и необходимо ли наказывать за это его владельца? Кто должен ответить, если робот навредил человеку? Как насчёт секса с роботами?

Последний вопрос, похоже, один из самых животрепещущих. В Лондоне в декабре 2016 года пройдёт первый международный конгресс под названием «Любовь и секс с роботами». Там же покажут машины, похожие на людей. Остаётся непонятной причина, по которой роботы, чья внешность слишком близка к человеческой, вызывают иррациональный ужас. Этот эффект падения уровня симпатии при приближении к человеческой внешности прозвали «зловещей долиной».

Есть версия, что машина, чрезмерно похожая на своих создателей, перестаёт восприниматься как нечто искусственное, и мозг считает, что это ненормальный, а значит, опасный человек, этакий «живой труп». Что ж, ещё неизвестно, кто из нас живее на этой планете: роботы или люди. Возможно, наши машины переживут нас.

Тема Искусственного Интеллекта (ИИ) доминировала в медийной новостной ленте на протяжении всего завершающегося года. Тон задают основные ньюсмейкеры - Илон Маск и Марк Цукерберг, обсуждая опасности и преимущества использования Искусственного Интеллекта в жизни человека. Россия и Китай заявили о развитии ИИ как о приоритетном направлении в сфере цифровой экономики. 2018 год станет годом развития и дальнейшего изучения возможностей применения ИИ, особенно метода глубокого обучения (deep learning), как наиболее перспективной ветви Искусственного Интеллекта. Расскажу подробнее об этом тренде в области высоких технологий на примере использования ИИ в сфере маркетинга.

Суть действия Искусственного Интеллекта состоит в создании настолько умных машин, что они будут превосходить мыслительные и аналитические способности человека. Машинное обучение (machine learning), базовый метод ИИ, обладает такими возможностями и уже широко используется во многих отраслях экономики и сферах жизни человека. Однако, стремительно развиваются и другие, более совершенные технологии.

Особенно это заметно по темпам развития глубокого обучения, почти полностью повторяющего принцип работы человеческого мозга в обработке данных и моделирования принятия решений. В 2017 году глубокое обучение стало неотъемлемой частью технологических процессов в здравоохранении и автомобилестроении. Маркетинг, как наиболее динамичная составляющая каждого бизнеса, тоже не остался в стороне от использования передовых технологий. Метод глубокого обучения оказал революционное влияние на всю рекламную отрасль.

Работа технологии, используемой в методе глубокого обучения, основана на принципах взаимодействия биологических нейронов. С помощью самообучающихся алгоритмов маркетологи теперь получают описания покупательского потенциала клиента без помощи человека. Например, RTB House недавно провел анализ огромного массива данных, наглядно продемонстрировавший: применение Искусственного Интеллекта вместо рекомендаций опытных маркетологов в ретаргетинговых кампаниях может улучшить результаты конверсии на 35%. И это еще не все. С помощью метода глубокого обучения рекламодатели получают прогноз действий пользователя, основанный на анализе его поведенческих особенностей и желаний. Это в разы упрощает работу маркетолога, предлагая оптимальные варианты целевых рекламных сообщений, где размещаются товары, о которых пользователь даже не догадывался или еще не видел.

Многие крупные бренды уже заметили выгоду от внедрения решений на основе метода глубокого обучения в свои продукты или инструменты маркетинга. В 2018 году мы ожидаем повсеместное использование метода глубокого обучения и увеличение инвестиций в развитие его потенциала.

От «контролируемого обучения» к новым горизонтам

В 2017 году произошел уход от так называемого «контролируемого обучения», типичного для процесса машинного обучения, в сторону более сложной системы «передачи обучения». Эта технология основана на передаче человеческих инструкций компьютеру: анализировать уже существующие модели принятия решений, примеры, наборы данных и их последующий анализ.

Принцип работы «передачи обучения» заключается в способности компьютера обрабатывать данные из симуляций, а не из реальности. Этот процесс намного проще и дешевле, а также быстрее, что очень важно при анализе огромного объема данных. Используя этот метод, машина учится принимать решения сама по себе: с логическими выводами, аналогией или же дедуктивным методом.

Например, при использовании старой модели машинного обучения, машина-автопилот может провезти человека на миллионы километров, пока записываются данные. Эти данные передаются автомобилю, которая понимает как управлять автомобилем на основе решений водителя. Благодаря «передаче обучения» уже отпадает необходимость в реальном водителе. Вместо этого могут быть взяты данные из различных симуляций вождения. Моделируя миллионы часов езды, машина сама понимает куда ей нужно двигаться, и уже она транслирует знания в реальный мир.

Второй подход называется «усиленным обучением». Его цель заключается в обучении компьютера принимать наилучшие решения, основываясь на обратной связи от окружающей среды и действиях, происходящих в ней. Например, как это происходит при участии в торгах за покупку рекламных мест. Аукционные системы очень сложны. Даже у специалистов часто возникают проблемы с определением оптимальной ставки, которая позволит им достичь желаемых результатов с минимальными затратами. Автомобиль столкнется с такими же препятствиями в начале своего движения. Однако, в отличие от человека, автомобиль может функционировать 24 часа в сутки в симуляционной среде. И также может научиться набору действий, причем намного быстрее человека. Возвращаясь к нашему примеру с покупкой рекламных мест, компьютер учится на моделировании аукционов, получая данные о том как действовать наиболее эффективно и, таким образом, выиграть аукцион.

Новые рабочие места и новые задачи

Действительно, принцип работы алгоритмов глубокого обучения абсолютно идентичен работе человеческого мозга. Но, в отличие от людей, компьютеры учатся намного быстрее и умеют анализировать огромнейшие объемы данных. Компьютеры не засыпают и не совершают множество ошибок. Именно здесь играет ведущую роль супер-производительность. Очень простым путем ИИ будет стремиться превзойти человеческие способности во многих областях. В настоящее время самообучающиеся алгоритмы способны намного точнее людей распознавать действия и образы.

Означает ли это, что существует опасность полностью заместить людей роботами? Не совсем. Согласно данным Всемирного экономического форума, 65% детей, поступающих в начальную школу сегодня, получат работу, которой в настоящее время не существует. Текущий уровень развития ИИ позволяет компаниям искать больше ИТ-специалистов, аналитиков данных, программистов. В следующем году у нас, вероятно, появится бум новых предложений о работе для ученых, работающих с данными. Хотя сейчас такое предложение еще не популярно.

Инновации 2017 года получат мощный импульс к развитию в 2018 году

Целями, которые преследует внедрение метода глубокого обучения, являются упрощение нашей жизни и повышение эффективности человеческой деятельности. Именно поэтому использование ИИ уже не стандарт, а необходимость для компаний, которые хотят быть конкурентоспособными на мировом рынке. Речь идет не о возможности персонализации или улучшения возможностей конечного продукта, а также о ряде других непрямых видов деятельности, таких как сбор и анализ данных. Уже сейчас у компаний есть такой большой объем данных к анализу, что они не справляются с их обработкой.

Такая ситуация напрямую влияет на решения, принятые их сотрудниками, и, следовательно, на финансовые результаты. Компании, чей бизнес специализируется на сборе и анализе данных для различных предприятий, будут все более востребованы. Предприятия с более крупными бюджетами будут использовать ИИ для классификации: что предлагать клиентам, какие рекомендовать условия для предоставления поставщикам, как инструктировать сотрудников, что говорить и делать в режиме реального времени. Следует также предположить, что в скором времени возникнет много новых стартапов, предлагающих решения на основе самообучающихся алгоритмов, поскольку эта технология будет широко распространяться.

Искусственный интеллект в 2017 году стал частью нашей повседневной жизни и публичных дискуссий. В ближайшие годы основное внимание будет уделено разработке различных технологий на основе ИИ, которые заменят людей во многих сложных отраслях, что в конечном итоге сделает нашу жизнь намного проще. Но для этого придется еще много трудиться.

В 2016 году мы увидели огромные инновации, много инвестиций в сферу искусственного интеллекта со стороны крупных компаний и стартапов, большой интерес публики. А что принесёт 2017 год?

1. Демократизация инструментов даст доступ к искусственному интеллекту большему количеству компаний

Недавнее исследование Forrester среди организаций и профессионалов в сфере технологий показало, что 58% из них исследуют возможности искусственного интеллекта (ИИ), но используют системы ИИ только 12%. Отчасти так происходит потому, что только теперь начинают находиться варианты применения ИИ, а также потому, что пока технологии находятся на начальном этапе развития и применять их непросто. Для работы с ними требуется набор определённых навыков и настрой.

Фреймворки вроде Facebook Wit.ai и Howdy Slack стараются превратиться в своего рода Visual Basic искусственного интеллекта, обещая простую разработку интеллектуальных разговорных интерфейсов при не самой высокой степени подготовки разработчиков. Инструменты вроде Bonsai, Keras и TensorFlow упрощают внедрение моделей глубокого обучения. Облачные платформы, такие как интерфейсы Google и Microsoft Azure, позволяют создавать интеллектуальные приложения без необходимости беспокоиться о настройках и поддержке соответствующей инфраструктуры.

2. Мы увидим больше целенаправленных систем ИИ

Мы пока не ожидаем появления больших систем ИИ общего назначения. Однако можно рассчитывать на появление целенаправленных систем, таких как:

• Роботизация: персонал, промышленность и розничная торговля
• Автономные средства передвижения (автомобили, дроны и т.д.)
• Боты: системы управления информацией о клиентах, потребительские (вроде Amazon Echo) и персональные ассистенты
• Специфичные для определённых отраслей промышленности системы ИИ: финансы, здравоохранение, безопасность и розничная торговля

3. Экономическое влияние возросшей автоматизации станет предметом обсуждения

В 2017 году есть надежда меньше слышать о том, как злобный искусственный интеллект собирается захватить мир, и больше об экономическом влиянии ИИ. Давно не ново беспокойство относительно потерь рабочих мест из-за ИИ, но теперь стоит ждать более глубоких и подробных разговоров об экономическом влиянии подобного развития событий.

4. Предотвращающие избыток информации системы станут более сложными

В сегменте ИИ ведутся интересные разработки, которые помогут анализировать информацию и предотвращать её избыток, особенно в таких сферах, как:

• Понимание натурального языка
• Структурированное извлечение данных
• Картографирование информации
• Автоматическое резюмирование (текст, видео и аудио)

5. Исследователи ИИ будут изучать и иногда решать фундаментальные проблемы

В 1967 году, один из основателей лаборатории искусственного интеллекта Массачусетского Технологического Института Марвин Мински сказал, что в пределах жизни одного поколения проблема создания искусственного интеллекта будет решена. Был он провидцем или ошибался? Пока сказать невозможно, однако ещё предстоит решать фундаментальные проблемы. Впрочем, прогресс не стоит на месте, вот несколько примеров:

• Ведутся исследования формирующих блоков, включающих распознавание натурального языка, зрение, речь, улучшенное обучение извлечения информации и оптимизация аппаратных систем (включая себестоимость) для потоков ИИ.
• Системы с улучшенным вниманием и памятью будут способны решать больше одной проблемы за раз или более сложные проблемы, такие как предположения и рассуждения. Например, недавно в компании DeepMind был достигнут прогресс в сфере дифференцируемых нейронных компьютеров.
• Алгоритмы будут требовать всё меньше помеченных данных; развивается бесконтрольное или полуконтролируемое обучение.
• Вдохновляемые ключевыми аспектами человеческого мозга системы, включая интуитивную физику и психологию, быстрое построение моделей и причинно-следственную связь.
• Системы ИИ для построения надёжного программного обеспечения. Об этом подробно рассказал Питер Норвиг на конференции O’Reilly AI Conference.

6. Взаимодействие людей и машин станет более насыщенным

В машинном разуме есть многообразие, которое варьируется от чистого машинного интеллекта до дополнения возможностей человека. Разработки в сфере эмоционального интеллекта и обнаружения, и в решениях с участием человека откроют более богатое взаимодействие между людьми и машинным интеллектом.

7. Ожидайте повышенное внимание к проблемам этики и конфиденциальности

Большинство систем ИИ можно описать как чёрный ящик и они чрезвычайно сложные. Связанные с ИИ риски этики и конфиденциальности реальны и требуют тщательного осмысления. Эти проблемы не будут решены в 2017, но можно надеяться хотя бы на прогресс в этой области.

Посвящённый технологиям машинного обучения проект WILDML опубликовал краткий обзор важнейших достижений в области искусственного интеллекта за последний год..

Технологии машинного обучения превосходят возможности человека

Пожалуй, самым громким публичным успехом года стало появление новой версии AlphaGo — программы, которая благодаря обучению с подкреплением разгромила чемпионов мира по игре в Го. Из-за огромного количества возможных ходов считалось, что победить в этой игре искусственному интеллекту не удастся ещё как минимум пару лет.

Изначально нейронные сети AlphaGo обучались на человеческих ходах, после чего начинали играть сами с собой, опираясь на метод под названием Monte Carlo Tree Search. Новая модель AlphaZero научилась играть лучше предыдущих версий, не имея никаких обучающих данных. К концу года вышел ещё более усовершенствованный алгоритм AlphaZero, который в добавок к Го играет ещё и в шахматы и сёги. Способности программы поражают даже самых продвинутых игроков, они сами готовы учиться у неё и заимствовать ловкие комбинации. В помощь им DeepMind выпустил специальное обучающее ПО AlphaGo Teach.

Однако Го — не единственная игра, которую освоил компьютер. Программе Libratus , разработанной в Университете Карнеги-Меллон, удалось стать на один уровень с топовыми игроками в покер на 20-дневном чемпионате по техасскому холдему. Чуть ранее покерный бот DeepStack впервые обыграл профессионалов. Его созданли учёные из Карлова университета (Чехия), Чешского технического университета и Университета Альберты (Канада). В обоих случаях игра была «один на один», где генерировать решения значительно проще, чем в игре за полным столом.

Таким образом, следующей вершиной, которую покорят технологии обучения с подкреплением, должны стать более сложные игры с большим числом участников. DeepMind активно работает над превращением среды Starcraft 2 в тестовую площадку для искусственного интеллекта, а бот OpenAI, который один на один победил сильнейших игроков в Dota 2, в недалёком будущем сможет сражаться с профи в игре пять на пять.

Возвращение эволюционных алгоритмов

В контролируемом обучении нейросетей успешно использют метод обратного распространения ошибки, и замену ему найдут нескоро. А в обучении с подкреплением, похоже, снова становятся актуальными эволюционные методы, основанные на других принципах, чем градиентные алгоритмы. Так нейронные сети можно тренировать параллельно и с очень большой скоростью, на тысячах компьютеров. При этом не нужны дорогостоящие графические чипы — можно использовать большое количество (от сотен до тысяч) относительно дешёвых центральных процессоров.

В начале 2017 года исследователи из OpenAI также показали , что эволюционные стратегии могут достичь не худших результатов, чем обычные алгоритмы обучения с подкреплением, например, Q-обучение. К концу года команда Uber в своём блоге привела ряд научных статей, демонстрирующих потенциал генетических алгоритмов и дальнейших исследований. Используя простой генетический алгоритм без каких-либо градиентов, их нейросеть учится играть в сложные игры от Atari, и показывает результаты в десять раз лучшие, чем DQN, AC3 или другие эволюционные стратегии.

Новые модели генерации речи, нейросети, распознающие изображения, и механизмы внимания

Помимо общих фреймворков глубокого обучения, появилось множество фреймворков для обучения с подкреплением:

Сделать глубокое обучение более доступным призваны фреймворки, работающие прямо в браузере, например, deeplearn.js от Google и WebDNN от MIL. По крайней мере один достаточно популярный фреймворк не пережил этот год — Theano . Разработчики библиотеки сообщили, что версия 1.0 станет последней.

Образовательные ресурсы

Со взлётом популярности глубокого обучения и обучения с подкреплением в 2017 стало появляться всё больше онлайн-курсов, лекций и мероприятий. Вот самые качественные из них по мнению wildml:

• Лекции по основам обучения с подкреплением и передовые исследования Deep RL Bootcamp, предоставляемые совместно OpenAI и Калифорнийским университетом в Беркли;
• Весенний курс Стэнфорда по применению свёрточных нейросетей к компьютерному зрению. Стоит заглянуть и на официальный сайт курса;
• Зимний курс Стэнфорда по глубокому обучению в обработке естественного языка. И страница курса;
• Курс по теориям глубокого обучения от Стэнфорда;
• Новая DL-специализация на Coursera ;
• Материалы Летней школы по DL и RL в Монреале;
• Осенний курс Калифорнийского университета в Беркли, посвящённый машинному обучению ;
• Конференция для разработчиков Tensorflow Dev Summit и выступления об основах глубокого обучения и изменениях в API;
• Материалы со многих научных конференций сейчас стали выкладывают в сеть. Узнать всё о передовых исследованиях можно из записей с NIPS 2017 , ICLR 2017 и EMNLP 2017 ;

На ресурсе arXiv исследователи также размещают бесплатные учебные материалы и научные статьи. Вот несколько занимательных примеров:

• Deep Reinforcement Learning: An Overview — обзор последних достижений в RL;
• A Brief Introduction to Machine Learning for Engineers — краткое введение в машинное обучение для разработчиков;
• Neural Machine Translation — про нейронный машинный перевод;
• Neural Machine Translation and Sequence-to-sequence Models: A Tutorial — гайд по нейронному машинному переводу и модели обучения sequence-to-sequence.

ИИ в медицине

В 2017 году прозвучало много смелых заявлений о том, что технологии глубинного обучения в медицине превзойдут способности человека. Но несмотря на ажиотаж, оценить значимость открытий человеку, далёкому от медицины, совсем не просто. Достаточно исчерпывающе о них рассказывает в своём блоге The End of Human Doctors Люк Оукден-Райнер . Вот выжимка наиболее важных моментов.

Одной из самых громких новостей стало создание исследователями Стэндфордского университета алгоритма глубинного обучения, который диагностирует рак кожи не хуже квалифицированных дерматологов. Об этом можно почитать на сайте Nature . Ещё одна команда из Стэнфорда разработала модель машинного обучения, способную эффективнее врачей выявлять признаки аритмии по ЭКГ.

Не обошлось в в 2017-м и без проколов. Много вопросов возникло по поводу сделки DeepMind и Национальной службы здравоохранения Великобритании , которая открыла доступ к данным пациентов. Национальный институт здоровья США предоставил научному сообществу более 100 тысяч рентгеновских снимков грудной клетки, однако позже оказалось, что они бесполезны для обучения нейросетей.

ИИ в искусстве

Всё интенсивнее применяется генеративное моделирование для порождения изображений, скетчей, музыки и видео. На конференции NIPS 2017 впервые был проведёт мастер-класс на тему ML в творчестве и дизайне.

Настоящий прорыв в 2017 году совершили генеративно-состязательные сети (GAN). Впечатляющие результаты показали модели CycleGAN , DiscoGAN и StarGAN , которые умеют, например, рисовать лица. Обычно GAN-ам тяжело давались реалистичные изображения высокого разрешения, но pix2pixHD может исправить это уже в скором времени.

ИИ для беспилотных автомобилей

Крупнейшие разработчики самоуправляемых авто — сервисы по заказу такси Uber и Lyft, Waymo (дочка Alphabet) и Tesla. Uber начала год не совсем удачно: в Сан-Франциско их беспилотник несколько раз проехал на красный — из-за сбоя программы, а не по вине водителя, как сообщалось ранее. Uber также поделилась некоторыми деталями о своей платформе для визуализации данных. К декабрю машины Uber преодолели в автономном режиме более 3,2 млн км.

Между тем, в апреле первых клиентов прокатили беспилотные авто Waymo, а в Финиксе компания полностью отказалась от «живых» водителей в тестировании. Компания также о том, как обучает в режиме симуляций и тестирует свои авто.

Lyft объявила о работе над собственными процессорами и соответствующим ПО и уже тестирует его в Бостоне. Автопилот Tesla значительно не изменился, но зато у него появился новый конкурент — Apple. Тим Кук подтвердил, что его компания разрабатывает ПО для самоуправляемых авто, некоторые работы исследователей уже можно найти на arXiv.

Исследовательские проекты

В 2017 года вышло огромное количество впечатляющих проектов и демо, упомянуть все в одном обзоре невозможно. Вот лишь некоторые разработки:

• Нейросети, умеющие самостоятельно менять фон изображений ;
• Модель для создания