The Question. Будущее

Если посмотреть на этот вопрос в историческом аспекте, мы увидим, как в процессе эволюции менялись орудия труда. Вспомнить хотя бы промышленную революцию XVIII–XIX веков, когда аграрное общество сменялось индустриальным. Машинный труд заменял человеческий, и люди, не способные к освоению новых средств производства, оставались без работы. Другие, способные к обучению, перебирались в города и принимали новую систему существования. Однако тогда машины были скорее механизмами и требовали управления людьми. Сегодня роботы не механизмы, но алгоритмы. Технологии эволюционировали, появляются роботы, которые могут выполнять более сложный набор функций. Например, российскими учеными по заказу Роскосмоса был создан робот-космонавт, который был призван снизить риски жизни людей, работающих на МКС и в открытом космосе. Робот выполняет рутинную работу, от которой, в отличие от человека, он никогда не устает.

Однако так или иначе каждый робот создается и существует на основе программы, заложенной людьми. Каким бы умным и человекоподобным ни казался робот, он никогда не сможет повторить чувства людей и стать креативным. Именно поэтому робот не сможет заменить человека творческой и интеллектуальной профессии, он не способен создавать новое – в этом его главное отличие от человека. Важно помнить, что с приходом машин на место человека появлялись абсолютно новые профессии. Главное – уметь приспособиться к веянию нового времени и прогресса, который уже не остановить.

Учитываются ли законы робототехники Азимова при проектировании и производстве современных роботов?

Павел Гаврилов

системный администратор

Законы робототехники Азимова написаны для разумных роботов. Для роботов, обладающих самосознанием, оценивающих свои поступки и поступки окружающих, в том числе оценивающих их с моральной точки зрения.

Современные роботы не являются разумными, они настолько же далеки от понятия разумности, как станок с ЧПУ. Либо они созданы, для того чтобы повторять одну-единственную задачу, либо они вообще управляются человеком вручную при помощи дистанционного управления.

Максимум, чего удалось ученым достичь в экспериментальных моделях, не выходящих пока за пределы лабораторий, – это научить роботов с грехом пополам распознавать зрительные образы. Например, отбивать летящий к ним белый шарик для пинг-понга на черном фоне. Оценка поступков, предсказание последствий и уж тем более моральная их оценка – понятия, бесконечно далекие от нынешней робототехники.

Чтобы создать разумных роботов, надо создать некое функциональное подобие человеческого мозга. А для этого надо понимать, как человеческий мозг функционирует.

И хотя за последние двадцать лет человечество узнало об устройстве мозга больше, чем за всю предыдущую историю, неизученного остается пока больше, чем изученного. А без этого понимания разумных роботов не создать. И пока невозможно даже оценить масштаб предстоящей работы.

Как можно применить нейронные сети в банковской сфере?

Кирилл Меньшов

вице-президент, директор по информационным технологиям, Банк «Открытие»

Мы видим текущий фокус применения нейросетей (алгоритма, который фильтрует информацию, анализирует ее и постоянно обучается) не в сфере кредитования, как это принято считать, а в оптимизации и дигитализации, потому что кредитование вряд ли в ближайшее время будет сильно развиваться в силу макроэкономической обстановки. (Сейчас не ожидается бума кэш-кредитования).

Сейчас в области кредитования в части автоматизированных риск-стратегий используется в основном регрессионный анализ. Потенциально его можно заменить на нейронные сети и ИИ (искусственный интеллект).

Как нейронная сеть могла бы работать в принятии решений по кредитам? Вы обучаете нейронные сети на большом количестве примеров, потом подаете на вход новые данные в том же формате и получаете результат, который не могли заранее запрограммировать. Допустим, вам нужно принять решение по заемщику: дать ему кредит или не дать. Вы структурируете набор параметров этого заемщика (возраст, стаж, наличие просроченных кредитов и многие другие характеристики), а потом выгружаете примеры: каким заемщикам какие кредиты предоставлялись и как они платили. Так вы получаете большой массив информации из примеров плохих и хороших заемщиков. Задаете 100 тысяч таких примеров сети: нейронная сеть обучается на 100 тысячах примеров. Когда вы заводите нового клиента с такими же параметрами, она вам предсказывает, будет он хорошим или плохим на основе предыдущего опыта.

Мы же используем не такой механизм, а математические модели, которые также способны предсказать, будет ли человек плохим или хорошим заемщиком. Можно сказать, что такие модели обучаются на основе опыта банков алгоритмами регрессионного анализа.