Шанс есть! Наука удачи, случайности и вероятности

«Неонатологов очень воодушевило появление PhysiScore», – отмечает Пенн. Как врач, она особенно довольна способностью систем ИИ одновременно работать с сотнями или даже с тысячами переменных в ходе принятия решения. Возможно, это позволит им даже превзойти своих конкурентов-людей. Пенн не скрывает своего восхищения: «Эти приборы умеют осмысливать сигналы, которые мы, врачи и медсестры, даже не можем увидеть».

Вот почему Домингос так склонен доверять автоматизированной медицинской диагностике. Одна из самых известных систем подобного рода – Quick Medical Reference, Decision Theoretic, (QMR-DT, Теоретическая система быстрого принятия обоснованных медицинских решений), байесианская сеть, умеющая строить модели для сотен наиболее серьезных болезней и тысяч связанных с ними симптомов. Цель создателей системы – научить ее выдавать вероятностное распределение для недугов, основываясь на реальных симптомах, наблюдаемых в том или ином случае. Разработчики провели тонкую подстройку алгоритмов вывода QMR-DT под определенные заболевания и обучили систему использовать историю болезни пациентов. «Проводили сравнение работы этих систем с работой врачей-людей. Системы обычно работают лучше, – говорит Домингос. – У людей очень непоследовательные суждения, даже когда они ставят диагнозы. Такие системы не применяются шире лишь из-за того, что медики не хотят расставаться с интересными элементами своей работы».

Подобные технологии ИИ позволили добиться успехов и в других сферах. Один из наиболее впечатляющих примеров – компьютерное распознавание речи, процесс, который прошел путь от смешных устройств, вечно делающих ошибки, до систем, работающих с поразительной точностью. Сегодня врач может диктовать сведения о пациенте компьютеру, который при помощи программы распознавания речи преобразует эти звуки в электронные документы, там самым уменьшив необходимость записывать информацию от руки. Машинные переводы с одного языка на другой тоже постепенно начинают повторять успехи новейших систем распознавания речи.

Однако по-прежнему существуют области, где такая работа сопряжена с большими трудностями. Пример – научить робота понимать, что видит его камера. Решение этой проблемы позволит сделать огромный шаг на пути к созданию робота, свободно и самостоятельно ориентирующегося в пространстве.

Помимо разработки гибких и быстрых алгоритмов вывода, разработчики должны также усовершенствовать способность систем ИИ к обучению как на основе уже известных сведений, так и при изучении реального мира с помощью сенсоров. В наши дни машинное обучение, как правило, осуществляется посредством алгоритмов, специально приспособленных под конкретные задачи, и тщательно выстроенных наборов данных, предназначенных именно для того, чтобы научить систему делать что-то конкретное. «Нам хотелось бы иметь гораздо более гибкие и подвижные системы, которые можно было бы поместить в реальный мир, где они обучались бы на основе широкого диапазона поступающей информации», – говорит Коллер.

Конечная цель создателей ИИ (как и всех подобных конструкторов) – сделать машины, которые воссоздадут человеческий разум, но так, чтобы мы полностью понимали, каким образом они это делают. «Пока это, скорее всего, дело далекого будущего. Но потенциально это не менее опасно, чем отыскание внеземной жизни, – предупреждает Тененбаум. – Человекоподобный ИИ – широкий термин, он включает в себя и грядущий идеал. Сейчас у нас вполне скромные амбиции. Мы будем счастливы, если сумеем создать зрительную систему, которая сможет бросить единственный взгляд на происходящее перед ней и рассказать нам, что она видит, подобно тому, как это проделывает человек».

Сила единицы

Время от времени мир загорается той или иной идеей. Закон Бенфорда – одна из них. Нужно лишь подсчитать количество разных цифр в наборе чисел, чтобы узнать, насколько случайно они распределены. Как показывает Роберт Мэтьюз, эта простенькая идея не раз отправляла людей за решетку. Если вы хотите нарушить закон, пусть даже и Бенфорда, имейте в виду: вас ждут большие неприятности.

Когда Алекс попросил своего зятя помочь ему с курсовой, он и понятия не имел, какую мрачную тайну ему предстоит открыть. Изучая бухгалтерское дело в Университете Святой Марии в Галифаксе (Новая Шотландия), Алекс столкнулся с необходимостью проанализировать какие-нибудь реальные коммерческие цифры. И магазин бытовой техники, принадлежащий зятю, показался ему вполне очевидным источником таких данных.