Появление генеративных нейросетей, способных создавать тексты, изображения и видео по запросу пользователей, вызвало в обществе значительный интерес к искусственному интеллекту, что привело к ряду последствий. Перейдя в плоскость повседневных разговоров, эта тема стала катализатором различных мифов, где-то наделяющих ИИ сверхвозможностями во благо человечества, где-то устрашающих разрушительными способностями.
Но где же находится истина? Как всегда – где-то рядом. Попробуем разобраться с этим вопросом, раскрыв самые распространенные мифы и рассказав, что представляет из себя ИИ и как он стал таким, как есть сейчас.
Мифология ИИ
Первый миф. Искусственный интеллект гарантирует повышение эффективности.
Если вас пытаются убедить в том, что любую задачу сейчас можно решить с помощью искусственного интеллекта, не поддавайтесь на эти убеждения. Согласно исследованиям Gartner, в сфере искусственного интеллекта примерно 90% проектов не достигают успеха, а действительно заметных результатов удается достичь лишь в 3–5% случаев.
Принятие решения о применении технологии ИИ для решения практических задач бизнеса следует основывать на тщательном предварительном анализе. Общий принцип такой: там, где есть большой объем неструктурированных данных, там проекты имеют больше шансов на успешную реализацию.
Второй миф. ИИ может стать самосознательным и восстать против человечества.
Меня недавно попросили объяснить в школе десятилетним детям, почему не стоит ждать «восстания машин» в связи с активным развитием цифровых технологий, в том числе на базе искусственного интеллекта.
Я привел в пример машинку и конструктор. Эти игрушки выполняют только те функции, которые были заложены в них изначально. Машинка ездит. Из конструктора можно собирать те предметы, которые указаны в инструкции. Либо фантазировать и формировать что-то свое. Но это все равно не перейдет за рамки соединения кубиков с кубиками, кубиков с колесиками.
То же самое с технологией искусственного интеллекта. По сути, это все еще заранее набранный разработчиком набор шагов, из которых может быть построен довольно сложный алгоритм, но он все еще находится под контролем человека. ИИ не выходит за рамки правил, которые ему очертили.
Говоря о самосознательности, стоит отметить, что даже с использованием самых современных суперкомпьютеров и вычислительных мощностей потребуется целых 40 минут, чтобы попытаться эмулировать всего лишь одну секунду мозговой активности человека. Это указывает на глубокую разницу между биологическими системами и искусственным интеллектом.
Мозг человека обладает невероятной сложностью и способностью к осознанию, которые до сих пор остаются недоступными для точной репликации в мире искусственного интеллекта. Этот факт подчеркивает, что, несмотря на значительные достижения в области технологии, мы еще далеки от создания искусственных сущностей с настоящей осознанностью, что остается одной из самых уникальных исключительных черт человеческого разума.
Третий миф. ИИ способен решать любые задачи без помощи человека.
Разработчики первых систем управления автомобильным транспортом с нетерпением ждали выхода этих машин на улицы городов. А когда это случилось, они столкнулись с незапрограммированной проблемой.
Ситуация получилась такой. Управляемый автомобилем, ИИ не смог распознать грузовик. И произошло столкновение. Дело в том, что ИИ привык видеть грузовик сзади или спереди. Вид сбоку не был заложен в систему. Грузовик оказался очень длинным, и та часть, которая попала в обзор камер, представилась искусственному интеллекту как некий дорожный знак. Система его проигнорировала.
При решении любой задачи с использованием ИИ разработчики, так или иначе, сталкиваются с подобными проблемами. Невозможно все спрогнозировать, всегда бывают какие-то отклонения от правил.
Так что ИИ нужна либо поддержка человека, либо он будет играть роль инструмента в руках человека.
Четвертый миф. ИИ сможет заменить всех людей в работе.
Несмотря на красивые лозунги, которые некоторые провозглашают, и несмотря на то, что в некоторых областях ИИ действительно неплохо помогает и даже может кого-то заменить, в реальности его появление в ряде профессий еще больше усилило необходимость присутствия рядом человека.
Когда появились калькуляторы, мы подумали, что теперь будет проще считать. Потом наступила эра электронных таблиц. Казалось: все, бухгалтеры не нужны. Любой справится с расчетами.
После этого появились системы автоматизированного бухгалтерского учета, системы управленческого учета. И вот мы дошли до ИИ. Что же, он точно заменит биологических специалистов? Разумеется, нет. Он всего лишь в каких-то вопросах сможет облегчить работу бухгалтеров, инженеров, строителей, экономистов, закупщиков.
Я не футуролог, а реалист и отталкиваюсь от того, что происходит сейчас. Согласно исследованиям и экспертным оценкам Stanford и Goldman Sachs, внедрение систем с ИИ только увеличивает требования к квалификации сотрудников. То есть, специалист, не имеющий навыков и опыта работы с нейросетями, уже ценится ниже, чем тот, кто всем этим сейчас обладает.
Пятый миф. ИИ всегда объективен и лишен предвзятости.
Кто-то напрасно считает, что раз ИИ работает по шаблону, то точно лишен предвзятости, не искушен в выборе и не совершает ошибки.
Рассмотрим кейс компании Amazon, которая в 2017 году решила создать систему для общения с соискателями и проведения собеседований. Были созданы шаблоны вопросов, шаблоны выбора. При этом машина обучалась преимущественно на мужских собеседованиях, на анкетах мужчин, на вакансиях, где представлены мужчины.
В результате женщины оказались в ситуации дискриминирования. Возник скандал. Amazon пришлось отказаться от этой технологии.
Кстати, ИИ здесь, собственно, ни при чем. Как его обучили, таким он и стал. Повторюсь, что не стоит ждать чего-то иного за пределами тех же кубиков, которые были изначально положены в коробку конструктора.
Шестой миф. Искусственный интеллект и машинное обучение – это одно и то же.
Чтобы разобраться с этим мифом, стоит представить следующую классификацию.
Широко известный сейчас ChatGPT относится к подразделу машинного обучения. Это та область ИИ, где результат определяется на основании обучения на большом объеме данных и закономерности связей между ними. Также он относится к следующему подразделу нейронных сетей, которые имитируют работу человеческого мозга. То есть у них есть входные данные, они проходят через определенные нейроны. Это термин скорее математический.
Тренировка на котиках
Возвращаясь к машинному обучению, следует сказать, что здесь существуют два принципиально разных подхода. С учителем и без учителя. Объяснить разницу легко на революционных решениях, уже вошедших в историю.
Показать машинное обучение с учителем можно на примере «котиков». А точнее, на том, как в итоге была решена задача по распознаванию графических образов.
Даже самый несмышленый, самый юный человек может отличить живого кота от камня, собаки, лисы, кенгуру, от чего угодно. Для машины эта задача сначала была принципиально невыполнимой.
Разработчики пытались ей объяснить, кто такой кот, какие у него могут быть уши, как его нос отличается от носа лисы или собаки, каким он может быть по цвету и так далее. В течение многих лет разные неглупые команды пытались решить и автоматизировать задачу распознавания котиков и им это не удавалось.
В какой-то момент человек перестал программировать машину, закладывая в нее данные типа «что такое уши, какого они вида и где находятся». Он сказал, давай ты сам изучишь миллионы изображений котиков и решишь, что это такое. А я тебе всего лишь помогу. Я размечу фотографии. Скажу – здесь есть кот, а там нет.
Эта идея сработала на котиках, потому что фотографий этих животных очень много в интернете. А учителями машины оказались люди, ставившие соответствующую галочку при обработке фото. По сути, они помогли обучить первые нейронные сетки, которые обучались на огромном корпусе размеченных данных.
Вывод. Технологии машинного обучения с учителем более эффективны там, где есть много данных, где есть возможность их разметить. Большие объемы данных – как правило, это 10 тысяч экземпляров на один параметр. Можно решать задачу и с меньшим набором. Желательно, чтобы там было много разных параметров.
Великий мастер игры в Го
Другой кейс посвящен машинному обучению без учителя и рассказывает, как была создана программа, умеющая побеждать чемпионов по интеллектуальной игре в Го.
Эта игра считается более древней, чем шахматы, и более алгоритмически сложной. Когда к разработке привлекали игроков-гроссмейстеров, ничего не получалось. Потому что машине оказывалось сложно просчитать свои действия на несколько шагов вперед.
Когда появились нейронные сети, тогда возникла идея с применением иного подхода. Разработчики посчитали, что лучшие игроки в Го проводят максимум 5 партий в день. За жизнь получается не более 100 тысяч партий.
Было решено просто научить программу правилам игры в Го и предложить ей поиграть с самой собой. В итоге она сыграла сама с собой 3 млн партий, и этот опыт позволил ей стать сильнейшим игроком в мире.
Программа провела несколько выставочных партий против тогдашнего чемпиона мира и победила. Это была сенсация.
Так появилась технология «глубокого обучения». Принципы построения такой архитектуры нейронных сетей были публично освещены и сейчас доступны любому разработчику.
Целесообразность применения ИИ
Порядочный разработчик никогда не скажет сразу, что задача может быть решена с помощью ИИ. Ему понадобится вникнуть в суть задачи и большое внимание уделить оценке набора исходных данных, насколько там много не коррелирующих между собой параметров, на которых можно выделять разнообразные закономерности.
Несмотря на приведенную выше статистику, есть позитивные кейсы, указывающие на эффективность применения ИИ, в том числе в промышленности. Это означает, что целесообразность использования искусственного интеллекта была внимательно проанализирована на самом первом этапе. И решение было принято исходя из реальных условий и возможностей, а не на основе беспочвенных ожиданий, неточных прогнозов и неоправданной веры в сверхвозможности новейших технологий.
