Компьютерам потребовалось менее 80 лет, чтобы перейти от простых расчетов к распознаванию рака.

Когда дело доходит до машинного обучения и искусственного интеллекта, мнения разделились. Некоторые считают, что люди неизбежно смогут программировать компьютеры так, чтобы они с легкостью выполняли те же задачи, что и люди. Другие считают, что компьютеры никогда не смогут даже приблизиться к людям по интеллекту, принятию решений и восприятию.

Каким бы ни было будущее для этой области, машинное обучение — это не волшебство. На самом деле, он неуклонно и существенно меняет нашу жизнь на протяжении последних 80 лет. И прогресс довольно увлекательный.

1959: Компьютеры и шашки

Мы можем проследить корни первой концептуальной нейронной сети до 1943 года и работы Уоррена МакКаллоха и Уолтера Питтса. Однако первое реальное применение принципов машинного обучения произошло в 1959 году, когда Артур Сэмюэл создал первую программу для игры в шашки.

В то время большинство людей подошли к созданию игры в шашки на компьютере с помощью грубой силы. Алгоритм проходил по доске, делая ходы в последовательности и просматривая каждый возможный путь, пока игра не приходила к завершению. Единственная проблема заключается в том, что компьютеру потребуется около тринадцати лет, чтобы переборщить проверку. На самом деле это не годится для стремления превзойти людей.

Вместо поиска каждого пути Сэмюэл решил написать функцию, которая оценивала бы ситуацию на доске в любой момент времени. Функция учитывала, сколько фигур стало «королями», насколько близко другие были к достижению этой стадии и сколько всего фигур осталось с каждой стороны. Затем программа пыталась сделать ход, который бы оптимизировал значение функции и увеличил вероятность выигрыша.

Позже Сэмюэл также разработал механизмы, которые позволяли компьютеру запоминать позиции, в которых он уже был, а также то, насколько «полезными» оказались эти позиции.

1997: Машина побеждает Каспарова в шахматы

В 1997 году это стало реальностью. Компьютер обыграл человека-лидера в игре человеческого развития, задав темп годам работы А.И. исследования впереди. Машина называлась Deep Blue и была одним из величайших творений IBM.

Перед решающим матчем 1997 года Гарри Каспаров встретился с ChipTest, ранним прототипом Deep Blue, в 1989 году и победил его. Исследователям потребовалось еще почти десятилетие, чтобы улучшить систему. Когда Deep Blue победил гроссмейстера, Каспаров обвинил создателей машины в жульничестве, заявив, что в решениях Deep Blue есть человеческий фактор.

Однако гораздо позже, в своем TedTalk 2017 года, Каспаров поделился своими положительными взглядами на развивающиеся технологии и отметил, что машины дополняют людей, а не конкурируют с ними.

2009: Статистическая обезьяна и спортивная журналистика

Вычислять ходы в шахматах довольно круто. Классификация уже сгенерированных изображений несколько впечатляет. Однако компьютер, который может создавать оригинальные творческие работы, — это взрыв.

Stats Monkey, проект нескольких студентов Северо-Западного университета, может написать рассказ о любом бейсбольном матче примерно за две секунды. Система использует статистику, чтобы выяснить исход игры, ключевых игроков и динамику. Установив, о чем должна быть история, Stats Monkey использует библиотеку определенных выражений и собирает воедино повествование, которое на самом деле не кажется роботизированным.

2015: DeepMind играет в видеоигры

DeepMind — это система, которая может научиться играть в компьютерные игры — и делать это лучше людей. Приобретенный Google в 2014 году, DeepMind стал первым успешным приложением машинного обучения, которое позволило компьютеру постепенно улучшаться в 49 различных консольных играх Atari.

Новизна заключалась в алгоритме. Хотя было легко запрограммировать DeepMind на определенные игры, создатели стремились к более элегантному и универсально применимому подходу. Им нужна была модель, которая могла бы учиться с нуля.

Доктор Демис Хассабис, соучредитель и генеральный директор DeepMind, прокомментировал: Единственной информацией, которую мы дали системе, были необработанные пиксели на экране и идея, что она должна получить высокий балл.

В окончательной версии системы использовалось глубокое обучение, и ей удалось понять механику игры после нескольких часов игры. Успех DeepMind был не только впечатляющим, но и продемонстрировал, что можно запрограммировать компьютер так, чтобы он учился на больших объемах данных и применял эти знания без вмешательства человека.

2018: А.И. Распознает рак кожи

Раннее выявление различных видов рака кожи невероятно важно для выживаемости. В 2018 году врачам удалось обнаружить меланому примерно в 86,6% случаев. Это означает, что из 59 782 смертей в год от меланомы в мире примерно 8 011 смертей потенциально могут произойти из-за этой ошибки.

В 2018 году исследователи из Германии, Франции и США создали систему искусственного интеллекта, которая могла правильно распознавать злокачественные меланомы в 95% случаев. Модель также сделала меньше ошибочных суждений относительно доброкачественных родинок на коже. Точность, вероятно, возрастет с увеличением количества тренировок.

Машинное обучение, как инструмент, дает огромные возможности. Пять разработок, описанных в этой статье, составляют лишь малую часть миллионов феноменальных решений, использующих эту технологию. При более глубоком рассмотрении вы понимаете, что А.И. сейчас везде — от распознавания лиц и медицины до бизнес-аналитики, игр и алгоритма рекомендаций YouTube.

Это идеальное время, чтобы не только расширить наш опыт в области ИИ. но приспособьте его именно к решению самых больших проблем нашего времени.