Все говорят об ИИ, машинном обучении и т. д. Но как мы пришли к тому, что имеем сегодня, и что будет завтра? Я хотел поделиться своим мнением для тех, кто хочет понять основы истории.

  1. Все началось с базовых требований типа «как мы можем присвоить почтовым письмам почтовые индексы и регионы, чтобы люди не тормозили систему доставки почты». Для этого требовался способ распознавания рукописного ввода и распознавания символов. Алгоритмы были там, потому что был необходимый человеческий интеллект, но не хватало двух частей:
    а. Цифровые данные для обучения алгоритмов
    b. Аппаратная мощность достаточна для запуска алгоритмов с полезной скоростью
    Решения первой проблемы продвигались вперед, но из-за этих двух проблем они так и не завершили свою миссию полностью. Таким образом, исследовательское сообщество ИИ разделилось на 2. Во-первых, оптимистично настроенные, которые хотели продолжать инвестировать в этот подход глубокого обучения, и во-вторых, прагматичная группа, которая хотела найти решение немедленно. Благодаря группе прагматиков мы позволили компьютерам решать узко определенные проблемы, такие как оптимизация логистики. Но проблема заключалась в том, что он не обладал способностью к обучению и плохо работал в случаях неопределенности из-за отсутствия абстракции и обучения.
  2. Поэтому мы инвестировали в способы сбора данных повсюду (фотографии Google, Facebook M и т. д.), чтобы обучать алгоритмы глубокого обучения. Параллельно начали развиваться компьютеры с оптимизированным GPU (Graphical Processing Unit). Это помогло нам решить 1.a и 1.b. проблемы, поэтому мы начинаем решать проблемы, используя статистическое обучение. Это привело к появлению таких решений, как системы распознавания лиц и распознавания голоса. Вот где мы находимся сегодня. Все пытаются проецировать машинное обучение на свои повседневные проблемы. Но они не видят ограничений этих методов и разрыва по сравнению с их человеческим мозгом. Пробелы в основном связаны с абстрагированием и рассуждениями.
  3. Вот почему третья волна AI = XAI (объясняемый искусственный интеллект) стала областью исследований DARPA, которая также использовала такие вещи, как Siri Assistant, которую приобрела Apple. Идея XAI состоит в том, чтобы решать такие вопросы, как почему это привело к этому, как это было найдено, получая контекстную информацию для процесса обучения. В идеале этот новый подход создаст контекстуальную модель, которая будет воспринимать вещи и учиться на них. Наконец, мы сможем построить абстракцию и рассуждения поверх этой модели, которую DARPA называет контекстуальной адаптацией.

Основная причина, по которой руководители предприятий не удовлетворены окупаемостью машинного обучения и искусственного интеллекта, заключается в том, что текущий статус, который относится к волне 2, недостаточен для решения бизнес-задач. Пока волна 3 не будет готова, интеграция данных + человеческий мозг по-прежнему будет лучшим вариантом, если вы хотите получить четкую рентабельность инвестиций.