Технологические тренды и виды ИИ сегодня и завтра

Здравствуйте! Кто нибудь может кратко сказать что такое «искусственный интеллект»?

В настоящее время, когда используется термин «искусственный интеллект», не всегда понятно, какой именно смысл вкладывает говорящий в этот термин. Широкое использование этого сочетания слов в различных контекстах размыло его исходное значение. Изначально под ИИ понималась система, обладающая возможностью симулировать любое свойство интеллекта, использовать естественные языки, формировать абстракции и концепции, решать задачи, сейчас подвластные только людям, и улучшать саму себя. А бывает, что сейчас термин ИИ используют для систем с простейшей обратной связью. Всё это вызывает путаницу.

Давайте рассмотрим виды ИИ расположенные по возрастанию интеллектуальных способностей.

Все существующие системы ИИ относятся к группе Narrow AI (узкий или слабый ИИ). Такие системы строятся на одном из методов ИИ: чаще всего это нейронные сети глубокого обучения, но могут быть и экспертные системы, генетические алгоритмы, нечеткие системы и др. Они решают какую-то одну определенную задачу в строго заданных граничных условиях. И уже во многих случаях, лучше и быстрее, чем человек.

Следующая ступень, к которой сейчас продвигаются многие исследователи искусственного интеллекта, — Wide AI. Главная задача таких систем — преодолеть узость применимости. Эта цель в последнее время всё ближе и ближе. Мультимодальность и технологии подобные большим языковым моделям позволят создать решения такого класса ИИ.

Следующий этап развития ИИ — общий искусственный интеллект (AGI). AGI – это способность системы решать любые задачи в сложных средах с ограниченными ресурсами. Если сказать понятно, то всё, что умеет делать человек, может сделать и общий ИИ.

И, наконец, сильный ИИ. Часто этот термин употребляют в значении AGI. Но правильнее будет охарактеризовать такой интеллект как многократно превосходящий по уровню развития человеческий. Наиболее широко распространена идея, что если ИИ достигнет уровня человеческого, то он на этом не остановится, а будет циклически развивать себя, увеличивая свои возможности на каждой итерации. И здесь встаёт экзистенциальная проблема существования человечества и сильного ИИ.

Рассмотрев виды ИИ, перейдем к рассмотрению наиболее важных технологических трендов ближайшего времени и их влияние на экономику и ритэйл в частности, как одну из отраслей где технологии ИИ применяются одними из первых.

Долгое время системы ИИ использовали один канал для работы, например текст или изображения. Мультимодальность означает использование исходных данных в различных сочетаниях. Например, можно по изображению задавать вопросы. Причем ИИ может описывать происходящее на изображение с учетом контекста текстового вопроса. Мультимодальность это как важный шаг к созданию Wide AI, так и к расширению пользовательского опыта и возможностей. Сделав фотографию в приложении можно сразу задавать вопросы о том как использовать товар.

Low-code AI — набор инструментов, позволяющем применять алгоритмы ИИ и машинного обучения без написания технического кода, просто используя готовые решения, как в конструкторе. С одной стороны это уменьшает требования к профессиональным знаниям программистов, с другой стороны повышает требования к знаниям и опыту создания и применения методов машинного обучения. Это приводит к более качественному решению задач прогноза, кластеризации, принятия решений.

Данные системы вообще не требуют навыков разработки. Они позволяют максимально быстро создавать новые модели ИИ и приложений. В них уже встроены все основные блоки и требуется только их настроить. Это сильно снижает порог вхождения в решение задач ИИ, позволяя решать задачи специалистам в своей сфере деятельности без отвлечение на технические детали. А еще это позволяет компаниям быстрее адаптироваться к изменениям на рынке.

Это подход для быстрого определения, проверки и автоматизации как можно большего количества бизнес-процессов. ИИ является важным инструментом в этом подходе. Для того, чтобы компания могла использовать данный подход, требуется большое количество хороших данных, интеграций, налаженных процессов. При гиперавтоматизации меняется роль сотрудников — от выполнения задач до управления и мониторинга автоматизированных систем. Во фронт офисе где клиенты все чаще используют автоматизированные каналы для решения своих задач, нагрузка на сотрудников службы поддержки снижается, и сотрудники, работающие на „передовой“, получают возможность сосредоточиться на сложных запросах, где очень важен человеческий контакт.

Сейчас нет точных юридически закрепленных правил использования данных для обучения генеративных моделей ИИ. Сейчас наблюдается всё больший разрыв среди специалистов по этому поводу. Одни утверждают о безусловном нарушении авторских прав, другие, что авторские права не нарушаются. Открыты судебные дела. Но окончательное решение данного вопроса может растянуться на несколько лет. Совершенствование юридических норм не успевает за развитием технологий.

Здесь законы уже появились и совершенствуются. Так в России недавно вступили в силу подзаконные нормативные акты, обеспечивающие реформу 152-ФЗ. Следует опасаться утечек таких данных при машинном обучении. Для того, чтобы этого избежать всё больше используют синтетические данные. Синтетические данные искусственно генерируется с помощью алгоритмов или компьютерного моделирования, которые статистически или математически отражают данные реального мира. Самый продвинутый подход смешение анонимизированных и синтетических данных.

Здесь всё зависит от решаемой задачи. В любом случае обучение основываются на исходных данных в которые часто изначально искажены. И если созданная система принимает какие-либо решения на основе этих данных, то включается положительная обратная связь, которая усиливает неверные ошибочные суждения. Один из примеров — дискриминация женщин при приеме на работу системой, обученной на резюме соискателей.

Генеративные языковые модели могут отвечать на любые вопросы. Многим это не нравится, т. к. люди любят задавать неприятные вопросы, а ответы становятся инфоповодом. Для этого большие языковые модели цензурируют. Большой штат специалистов отслеживает темы разговоров закрывая возможность системы ответа на них. Меняя веса, добиваются приоритета высказывания одних мнений перед другими. Модели становятся предвзятыми и отображают точку зрения создателей, но затрудняют его использование в качестве универсального инструмента.

Одним из конкретных примеров использования, который считается ключевым в рамках гиперавтоматизации, являются чат-боты. Они уже давно применяются предприятиями для обслуживания клиентов на веб-сайтах, но гиперавтоматизация позволит этим приложениям развиваться дальше и стать более интуитивно понятными, чтобы более эффективно обслуживать потребности клиентов. Новое дыхание ботам придало развитие больших языковых моделей, наиболее известная из которых GPT.

Это удобный инструмент для решения многих задач, но есть подводные камни. Для бизнеса лучше использовать модель установленную локально с дополнительными фильтрами и интерфейсами к ней.