Минаха двайсет години, откакто изкуственият интелект на суперкомпютъра Deep Blue на IBM победи световния шампион по шахмат Гари Каспаров. И това, което беше футуристична концепция преди 20 години, днес е част от ежедневието. Оттогава учените правят големи стъпки в разработването на компютърна система, наподобяваща невронната мрежа в човешкия мозък. И резултатът е, че днес суперкомпютрите са достатъчно умни, че да побеждават шампиони в по-сложни игри.
Въпросът обаче е как? Как AlphaGo на Google DeepMind се справи в съревнование с Гранд Мастър по древната китайска игра „Го"? И как софтуерният робот Libratus спечели $1,5 милиона в игра срещу четирима от най-добрите покер играчи в света? Изкуственият интелект не само изгражда способност за стратегическо мислене, но и способността да предвижда ходове и дори да разпознава блъф.
Машинното самообучение имитира човешкото мислене. След което го надминава.
Целта на изкуствения интелект е да направи компютрите умни колкото хората, като им дава операционна система, наподобяваща начина, по който човешкият мозък обработва информацията и създава мисловни модели. И има много начини това да се случи.
Преди няколко години, Deep Blue е обучавана с ръчно написани функции, които копират знанията и мъдростта на най-добрите шахматисти. С добавянето на изкуствен интелект суперкомпютърът на IBM е способен да идентифицира неща, които вече е виждал и да предвижда всички възможни действия и човешки реакции и така да избере най-добрия ход. Това не би било възможно без да е „научен" да анализира големи бази данни и да ползва алгоритми за изпълнението на задачи без човешка намеса. Този процес в момента се нарича „машинно учене".
Но нещата не свършват с него. Нужни са значително по-интелигентни системи, за да бъде победен един състезател в по-сложни игри, защото при тях трябва не само да се предвидят множеството възможни опции – изискват се „чувство" и интуиция. И тук в играта влиза дълбокото учене – високо иновативно подразделение на машинното учене, което имитира начина, по който човешкият мозък обработва информацията и взима решение.
За разлика от Deep Blue, който използва машинно учене, AlphaGo и Libratus учат не само от исторически игри, използвайки бази данни от близо 30 млн. хода, но и играят сами срещу себе си в търсене на оптимално решение за най-добро време. Процесът е същият като при хората. Ние учим от собствената си практика, изпробвайки множество възможности, преди да вземем окончателно решение. Затова и няма нужда от постоянна човешка намеса, която да обяснява правилата и обстоятелствата.
Дълбокото учене прави компютрите ултра прецизни
Дълбокото учене е една от най-обещаващите подобласти в научноизследователската работа по отношение на изкуствения интелект, доближаваща се до футуристичните концепции, в които роботите са способни на самостоятелни съждения и решения. Днес дълбокото учене се използва в компютърната индустрия, като същевременно намира широко приложение и във всяка друга индустрия, разчитаща на технологиите. Алгоритмите водят до прогрес навсякъде - от здравеопазване и разпознаване на образи от дигитални устройства, до безпилотни автомобили и виртуални лични асистенти. Те спомагат диагностицирането на различни състояния - от травми на гръбначния стълб или сърдечни заболявания до рак. Не на последно място, алгоритмите играят роля и във визуалното изкуство, като правят възможно оцветяване на черно-бели фотографии.
Ултра прецизността на дълбокото учене се използва също и в рекламната индустрия. Научният екип на RTB House разработва иновативен алгоритъм, ползващ дълбоко учене, който постига изключително точни продуктови предложения, измерва индивидуалния потенциал за покупка на всеки потребител и прави възвръщаемостта на инвестицията в реклами с до 50% по-голяма. Технологията ползва масивни бази данни и ги обработва без специфични инструкции или правила. Алгоритмите всъщност могат да бъдат прилагани не само от компании, занимаващи се с онлайн търговия, за да убедят клиентите си да купят допълнителни продукти, а и от други онлайн компании с цел предлагане на музика, събития или дори профили за запознанства.
Алгоритмите с дълбоко учене могат да надминат човешките възможности. Например те могат да се възползват от нетипично потребителско поведение, подобно на търсене на подарък за рожден ден. Невъзможно е маркетинг специалистите да различават всяка малка промяна в поведението на всеки потребител. Но роботите могат и то – моментално. Те виждат не само върховете на продажба, но и сложнопредвидими модели на поведение. И моментално адаптират стратегията към ситуацията. Системата на RTB House вече отчита, че напредналите алгоритми следят и анализират милиони действия в секунда – нещо непосилно за хората.
Какво се очаква в бъдеще?
Означава ли всичко това, че човешкото познание няма да бъде нужно повече? Поне засега - не. Машинното учене се изпълнява, когато хората генерират информация. Получените резултати могат да се използват, за да бъде разбран светът по-добре.
От виртуални лични асистенти като Siri и Cortana, до безпилотните автомобили на Google и Tesla, дълбокото учене става част от всекидневието. Разпознаването на речта в смартфоните работи все по-добре, а разпознаването на образите се развива отвъд най-смелите очаквания. Целта на дълбокото учене е да направи живота на хората по-лесен, а работата – по-ефективна.
Следващата стъпка може да бъде повече използване на изкуствения интелект в нови сфери, особено в медицината. Благодарение на бързото развитие на изкуствения интелект, вероятно ще има роботи, които действат като доктори и умеят да диагностицират много по-надеждно и точно.
Научнофантастичният елемент на образно разпознаване, представен в много епизоди на сериала „От местопрестъплението", вече също е реалност. То стана възможно с въвеждането на нов изкуствен интелект от Google, способен да „увеличава" осем пикселово квадратно изображение, повишавайки резолюцията шестнадесеткратно, както и успешно да възстановява изгубена информация. Любопитен факт е бързото развитие на друга технология в областта – изкуственият интелект Generative adversarial networks (GANs), за който се твърди, че скоро ще направи възможно извличането на ново изображение по зададеното търсене, базирано на други видени изображения от алгоритъма.
Съществуват още много приложения на изкуствения интелект както в науката, така и в ежедневието. Защото когато софтуерът е задвижен от правилните данни, възможностите са безкрайни.
Каталин Емилиан