Co-Intelligence: Living and Working with AI

Последний бум ИИ начался в 2010-х годах с обещания использовать методы машинного обучения для анализа данных и прогнозирования. Многие из этих приложений использовали технику, называемую контролируемым обучением, что означает, что этим формам ИИ нужны маркированные данные для обучения. Маркированные данные - это данные, которые были аннотированы с правильными ответами или выводами для определенной задачи. Например, если вы хотите обучить систему искусственного интеллекта распознавать лица, вам нужно предоставить ей изображения лиц, на которых указаны имена или личности людей, изображенных на них. Этот этап развития ИИ был уделом крупных организаций, располагавших огромными объемами данных. Они использовали эти инструменты как мощные системы прогнозирования, оптимизируя логистику доставки или угадывая, какой контент показать вам на основе вашей истории просмотров. Вы, возможно, слышали, как в таких случаях используются слова "большие данные" или "алгоритмическое принятие решений". Потребители в основном видели преимущества машинного обучения, когда эти методы были интегрированы в такие инструменты, как системы распознавания голоса или приложения для перевода. ИИ был плохим (хотя и удобным для маркетинга) ярлыком для такого рода программ, поскольку в этих системах было очень мало того, что казалось бы умным или сообразительным, по крайней мере в том смысле, в каком люди умны и сообразительны.

Чтобы увидеть один из примеров того, как работает такой ИИ, представьте себе отель, пытающийся спрогнозировать свой спрос на предстоящий год, вооруженный лишь существующими данными и простой таблицей Excel. До появления предиктивного ИИ владельцам отелей часто приходилось играть в угадайку, пытаясь предсказать спрос и борясь с неэффективностью и напрасной тратой ресурсов. С помощью этой формы ИИ они могли вводить множество данных - погодные условия, местные события и цены конкурентов - и получать гораздо более точные прогнозы. Результатом стала более эффективная работа и, в конечном счете, более прибыльный бизнес. До того как машинное обучение и обработка естественного языка стали мейнстримом, организации ориентировались на среднюю точность - довольно примитивный подход по сегодняшним меркам. С появлением алгоритмов ИИ акцент сместился на статистический анализ и минимизацию отклонений. Вместо того чтобы быть правильными в среднем, они могли быть правильными для каждого конкретного случая, что привело к более точным прогнозам, которые произвели революцию во многих бэк-офисных функциях, от управления обслуживанием клиентов до помощи в управлении цепочками поставок.

Возможно, эти технологии предиктивного ИИ нашли свое высшее воплощение в гиганте розничной торговли Amazon, который глубоко внедрил эту форму ИИ в 2010-х годах. В основе логистического мастерства Amazon лежат алгоритмы ИИ, безмолвно управляющие каждым этапом цепочки поставок. Amazon интегрировала ИИ в прогнозирование спроса, оптимизацию расположения складов и доставку товаров. Он также организует и переставляет полки на основе данных о спросе в режиме реального времени, обеспечивая быстрый доступ к популярным товарам для их быстрой доставки. ИИ также используется в роботах Amazon Kiva, которые транспортируют полки с товарами к работникам склада, делая процесс упаковки и отгрузки более эффективным. Сами роботы опираются на другие достижения ИИ, в том числе в области компьютерного зрения и автоматизированного вождения.

Однако эти типы систем искусственного интеллекта не были лишены ограничений. Например, им было сложно предсказывать "неизвестные неизвестные", то есть ситуации, которые люди понимают интуитивно, а машины - нет. Кроме того, им было сложно работать с данными, с которыми они еще не сталкивались в процессе контролируемого обучения, что создавало проблемы с их адаптивностью. И, что особенно важно, большинство моделей ИИ были ограничены в своей способности понимать и генерировать текст в связном виде с учетом контекста. Таким образом, хотя эти области применения ИИ важны и сегодня, большинство людей не видели и не замечали их в своей повседневной жизни.

Но среди множества работ, посвященных различным формам ИИ, которые публикуют промышленные и академические эксперты, выделяется одна - работа с броским названием "Внимание - это все, что вам нужно". Опубликованная исследователями Google в 2017 году, эта работа внесла значительные изменения в мир ИИ, в частности в то, как компьютеры понимают и обрабатывают человеческий язык. В работе была предложена новая архитектура, названная Transformer, которая может быть использована для того, чтобы помочь компьютеру лучше обрабатывать человеческую речь. До появления трансформера для обучения компьютеров пониманию языка использовались другие методы, но они имели ограничения, которые сильно ограничивали их полезность. Трансформер решил эти проблемы, используя "механизм внимания". Эта техника позволяет ИИ концентрироваться на наиболее важных частях текста, что облегчает понимание и работу с языком, делая его более человечным.