Какие технологии искусственного интеллекта окажутся популярными в ближайшие 10 лет Статьи редакции

Выводы исследователей Массачусетского технологического института, которые изучили 16 625 научных работ по теме.

Практически все алгоритмы ИИ, о которых говорят в последнее время, относятся к направлению Deep Learning (глубокое обучение). Технологии из этой категории обрабатывают большие объёмы данных и ищут в них закономерности.

Как отмечают исследователи Массачусетского института, алгоритмы глубокого обучения показывают очень хорошие результаты в задачах, связанных с имитацией человеческих навыков: например, зрения, слуха или мыслительного процесса. Их применяет Google — для формирования поисковой выдачи, Facebook — в новостной ленте, Netflix — в рекомендательной системе.

«Но хотя глубокое обучение и заставило человечество обратить внимание на технологии ИИ, это направление — лишь малая часть огромного поля исследований, в которых человечество пытается воспроизвести собственный разум», — замечают авторы.

Вся история изучения ИИ состоит из периодов, в которые на передний план выходят различные технологии. Некоторое время они борются за внимание сообщества, потом одна одерживает верх — и перетягивает фокус на себя. В 2011 году никто и не подозревал, что в этом десятилетии на передний план выйдет глубокое обучение.

Издание MIT Technology Review проанализировало 16 625 материалов на крупнейшей открытой платформе научных публикаций arXiv и выяснило, какие технологии упоминаются в них чаще всего.

При этом, замечают авторы исследования, раздел об искусственном интеллекте появился в arXiv только в 1993 году (сама платформа запущена в 1991 году), но термин «искусственный интеллект» впервые использовали в 1950-х годах, так что анализ покрывает только часть истории направления. Кроме того, на arXiv публикуется информация только о части разработок учёных.

«Самый важный сдвиг, который мы обнаружили, заключается в переходе в начале 2000-х годов от систем, основанных на знаниях (knowledge-based systems), к парадигме машинного обучения. Учёные отказались от идеи, что для описания всех человеческих знаний можно использовать заранее заданные правила, и обратились к большому классу алгоритмов — машинному обучению, которое включает в том числе глубокое обучение».

С этим переходом в работах резко снизилось количество слов «логика», «ограничения», «правила», «программа» («запрограммировать»), а количество слов «данные», «обучение», «сеть» и «производительность» — наоборот, выросло.

В 1980-х годах идея о воссоздании в машине человеческий разум набрала большую популярность, но быстро выяснилось: чтобы алгоритм мог сделать что-то полезное, исследователям пришлось бы описать слишком много правил. Разработка была дорогой и длительной, а машинное обучение предполагает, что компьютер сам извлечёт правила из большого количества данных.

Нейронные сети — основной механизм глубокого обучения, замечает MIT Technology Review, но они не сразу завоевали популярность. Учёные протестировали множество других методов и моделей: байесовские сети, метод опорных векторов, эволюционные алгоритмы.

Все эти методы боролись за популярность, пока в 2012 году исследователи из Университета Торонто под руководством Джеффри Хинтона не показали алгоритм, основанный на глубоком обучении, который распознавал изображения лучше, чем все изобретённые до этого методы.

Последняя веха, которую обнаружили исследователи из Массачусетского института, связана с ростом интереса к методам обучения с подкреплением.

Идея обучения машины при помощи условных наград и наказаний, как животное, не нова, но воплотить её долго не получалось. Но в 2015 году команда DeepMind показала алгоритм AlphaGo, который был обучен при помощи метода подкрепления, и смог победить чемпиона по игре Го. Это возымело эффект.

«Главное, что показывает наше исследование, — это непостоянство учёных в их стремлении воспроизвести разум. Пока никто не знает, как на самом деле можно решить эту задачу», — пишет MIT Technology Review.

Популярные технологии меняются каждые десять лет, и следующее десятилетие, считают авторы, не станет исключением: это значит, что эра глубокого обучения подходит к концу. Правда, пока не ясно, какие алгоритмы займут их место — совершенно новые или те, которые уже изучили.

#искусственныйинтеллект #машинноеобучение #алгоритмы