Русский
Русский
English
Статистика
Реклама

Искусственные нейронные сети

Из песочницы Часть 1. Dракоши. Эволюционная модель мультиагентной системы на базе нейронной сети. Введение

21.06.2020 18:22:59 | Автор: admin

Идея


Познакомившись с теорией эволюции, не перестаю восхищаться, как такие просты идеи позволяют описывать процессы возникновения невероятно сложных биологических систем.

При изучении чего бы то ни было всегда полезно самостоятельно пробовать реализовывать или проверять предлагаемые модели на учебных примерах. Еще интереснее, придумывать их самостоятельно. Так и у меня с теорией эволюции, после знакомства с базовыми концепциями захотелось их опробовать на модельной системе. И посмотреть, чего же интересного может получится если построить имитационную модель достаточно простую что бы ее было можно наблюдать и достаточно сложную что бы в ней реализовывался эволюционный отбор. Посмотреть, как изменяется структура и поведение эволюционирующих агентов, как возникает та самая неприводимая сложность, а может и видообразование.

В этом направлении разрабатывается много различных моделей. Даже существуют методы эволюционного моделирования для решение прикладных задач. А в этих видеороликах популярное изложение основных аспектов эволюции:


Мне же хочется создать имитационную модель с несколько более сложной механикой и соответственно с более широким набором возможностей развития и усложнения. Основные особенности разрабатываемой модели:

  1. Моделируется эволюция популяции агентов Dракош, представляющих собой искусственные нейронные сети, структура и параметры которых определяются хромосомами агента;
  2. Агенты могут перемещаться и взаимодействовать в торообразном двумерном пространстве (противоположные стороны квадрата замкнуты друг на друга). При этом пространство разбито на ячейки, в которых может одновременно размещаться не более двух агентов;
  3. Время в мире Dракош дискретно;
  4. В пространстве неравномерно распределяется ограниченный ресурс cake, который служит источником энергии агентам.
  5. Агенты могут выполнять действия (движение, питание, размножение, атака), при этом расходуется запасенная ранее энергия;
  6. Решение о следующем действии является выходным сигналом нейронной сети. Входные сигналы поступают от трех видов рецепторов: глаза для наблюдения еды в окрестности агента, глаза для наблюдения других агентов, рецептор оставшегося запаса энергии;
  7. В популяции агентов реализуется половое размножение, с кроссинговером хромосом и их мутациями. В ходе мутаций случайным образом изменяется генотип агентов, который определяет размер, структуру и параметры их нейронной сети;
  8. Агенты, у которых запас энергии стал меньше минимально необходимого для выживания погибают. Остаток энергии, который был у агента на момент смерти выпадает в ячейку пространства в виде лепешек.

Агенты получают информацию из небольшой окрестности вокруг них, а также информацию о своем внутреннем состоянии (запас энергии). Эта информация, посредством индивидуальной нейронной сети, влияет на поведение агентов.

Рассказ о моем опыте эволюционного моделирования будет состоять из нескольких частей.

В первой части я опишу устройство и механику вселенной Dракош и расскажу какие потенциальные возможности есть у агентов.

Во второй части расскажу о том, как я считал вероятности обнаружения агентов в ячейках в зависимости от плотности заселения. Эта информация понадобилась мне для конструирования специальных индикаторов, которые позволят отличать случайное поведение агентов от осознанного. Это оказалось нетривиальной и интересной задачей, по крайней мере для меня.

Третья часть будет посвящена анализу упрощенной, стохастической модели вселенной Dракош. В этой реализации вселенной индивидуальное поведение агентов полностью случайно, в том смысле что никак не зависит от состояния внешней или внутренней среды агента. При этом распределение вероятностей действий агента задается одной хромосомой. Результаты такой модели позволят в дальнейшем заметить проявления осознанного и надеюсь сложного поведения агентов. При этом не путать его с проявлениями самоорганизационых эффектов.

В четвертой части планирую подробнее рассказать о структуре агентов и их нейронной сети, а также об использованной мной эволюционной модели. После чего описать результаты моделирования вселенной Dракош.

Вселенная Dракош


Агенты обитают в двумерном пространстве, которое свернуто в тор, что бы у него не было краев и агенты всегда могли двигаться, не натыкаясь на препятствия (Рис. 1).

image
Рисунок 1.Тор. Для получения развертки тор разрезается вдоль выделенных окружностей и разворачивается на плоскость в виде прямоугольника.

Все доступное для агентов пространство разбито на шестигранные клетки (Рис. 2). Их мир выглядит как пчелиные соты. При моделировании я использовал размер мира 100100 клеток (общая площадь 10 000 клеток). В одной клетке может одновременно находится не более двух агентов. Если какой-то агент в процессе движения пересекает одну из границ прямоугольника, то он возвращается в прямоугольник с противоположной стороны, как будто он ползает по бублику.

Кроме агентов в клетках находится питательный ресурс cake, который могут поедать агенты. Еда генерируется в клетках в соответствии со специальным алгоритмом.

Еда для Dракош


В каждой клетке может находится произвольное количество целых cake (рис. 2). За один такт времени агент может съесть один cake, это пополнит его запасы энергии на 50 J энергетическая емкость пищи.

image
Рисунок 2. Пример расположения порции пищи в пространстве. Серые клетки не содержат еды, тёмно-синие содержат 1 cake, жёлтая 15 cake.

Количество пищи в пространстве постоянно изменяется. Имеются механизмы деградации и разрастания пищи в пространстве, которые необходимы для поддержания стационарного количества еды в пространстве. Эти механизмы выступают в роли фактора, ограничивающего доступность ресурсов и заодно обеспечивающих изменяемость среды обитания. Количество пищи изменяется вследствие следующих процессов:

  • уменьшается при поедания агентами;
  • уменьшается из-за деградации части cake;
  • увеличивается в результате разрастания;
  • увеличивается, когда умирают агенты;
  • увеличивается при успешных атаках одних агентов на других, в результате которых в пространство выпадают cake.

Среднее суммарное количество пищи в пространстве зависит от плотности заселения агентами. Когда плотность заполнения пространства агентами меньше одного агента на одну клетку (1 Dr/cell), то стационарная плотность еды в пространстве составляет 20 cake/cell (или 1000 J/cell в энергетических единицах). Но если агентов становится больше одного на клетку стационарное количество пищи в пространстве, которое может поддерживаться в пространстве, будет уменьшается. И когда агенты полностью заполняют пространство (2 Dr/cell) стационарное количество пищи становится равным нулю (рис. 3).

image
Рисунок 3. Зависимость стационарного количества пищи от плотности агентов в пространстве

Если количество пищи становится меньше заданного стационарного значения, то в конце текущего такта времени в пространстве будет сгенерировано 50% текущего недостатка пищи. Необходимый объем пищи генерируется порциями в случайном месте, случайного объема (но не меньше 250 cake). Такие порции генерируются пока не будет выложено в пространство необходимое количество еды.

Если количество пищи превысит заданное стационарное значение, то в конце текущего такта времени количество пищи в случайно выбранных группах смежных клеток будет уменьшено. Группа состоит из 19 клеток (рис. 4). Количество таких групп выбирается таким что бы избыток пищи уменьшился на 10%. Это можно интерпретировать как невозможность поддерживать избыточное количество пищи в пространстве, в результате чего она деградирует. C течением времени количество пищи в пространстве будет стремится к заданному стационарному значению.

Такой алгоритм генерирования пищи позволяет не допустить перенаселения.

Устройство Dракош


Все агенты имеют одинаковую структуру. Отличие только в значениях параметров их нейронной сети. В этой модели каждый агент представляется следующим набором характеристик:

  • имя агента, уникальное на всем протяжении моделирования натуральное число;
  • имеющийся у агента запас энергии, который выражается целым числом J;
  • номер ячейки, в которой находится агент;
  • возраст агента, натуральное число, которое в конце каждого такта времени увеличивается на единицу;
  • поколение агента, натуральное число. При рождении агента этот параметр задается на единицу больше поколения одного из родителей (из двух выбирается тот родитель, у которого эта характеристика больше);

Каждый агент имеет по три хромосомы, две из которых задают параметры его нейронной сети:

  1. Хромосома WEIGHTS матрица весов нейронов скрытого слоя;
  2. Хромосома BIAS вектор смещений нейронов скрытого слоя;
  3. Хромосома COLOR задает три компонента цвета агента красный, зеленый, синий. Эти три хромосомы наследуются при размножении.

У агентов имеются четыре группы рецепторов, которые передают информацию из окружающей и внутренней среды на входные слои нейронной сети агентов.

  • наличия пищи в соседних ячейках (19 рецепторов) позволяют агенту получать информацию о количестве пищи рядом с ним (рис. 4);
  • наличия агентов в соседних ячейках (19 рецепторов) позволяют агенту получать информацию о количестве других агентов рядом с ним (рис. 4);
  • цвета соседнего агента (3 рецептора) и собственного цвета (3 рецептора) позволяют агенту получать информацию о цвете второго агента в клетке, если такой есть и о своем цвете;
  • текущего запаса энергии у агента (1 рецептор);


Рисунок 4. Схема ячеек, которые видны агенту, показан фиолетовым кругом в центре. В каждую из этих клеток агент может совершить шаг. С 1й по 6ю длина шага равна одной клетке. С 7й по 18ю шаг длиной в две клетки.

Выходы нейронной сети соединены с группой эффекторов, состояние которых определяет действие, которое агент совершит в текущий такт времени. Агенты могут совершить одно из шести действий: pass, step 1, step 2, eat, attack, sex.

Pass бездействие агент не совершает никаких действий, оставаясь на месте. Это действие всегда успешно.

Step 1, Step 2 агент совершает попытку шагнуть в одну из 18 соседних клеток (рис. 4). Step 1 шаг длинной в одну клетку. Step 2 шаг длиной в две клетки. Если в выбранной агентом клетке есть свободное место, то действие успешно и агент перемещается на новое место, иначе действие не успешно и агент остается на старом месте.

Eat попытка скушать пищу в текущей клетке. Если в клетке есть еда, действие успешно и агент съедает 1 cake и увеличивает свой запас энергии на 50 J.

Attack попытка ударить агента в текущей клетке. Если в клетке с агентом есть второй, то действие успешно и соседний агент теряет 150 J и в ячейку выпадает 3 cake.

Sex агент пытается спарится с агентом в текущей клетке. Спаривание будет успешным только в том случае если в ячейке находится еще один агент, и он так же совершает действие Sex. В этом случае оба агента-родителя теряют по 1/3 своего запаса энергии (в дополнение к затратам энергии на функционирование нейронной сети и совершение действия, см. табл. 1). Новорожденный агент получает по 1/3 запаса энергии от каждого родителя. Действие будет успешным если новорожденный получит достаточно энергии для выживания больше 500 J, иначе он сразу же умирает. Третьим условием успешности действия Sex является выбор агентом-родителем (который дал большую часть энергии самки) соседней ячейки со свободным местом для размещения новорожденного агента. В случае если в этой ячейке нет свободного места, то действие Sex считается не успешным, и новорожденный погибает. В случае гибели новорожденного его запас энергии превращается в еду и помещается в клетку с родителями.

Совершая каждое из перечисленных действий, агенты теряют некоторое количество энергии. В таблице 1 приведена энергетическая стоимость каждого действия.

Таблица 1. Энергетическая стоимость действий агентов
Действие Успешность Изменение запаса энергии агента, J
Pass + e0
Step 1 + e0 9
Step 2 + e0 24
Step 1/2 - e0 4
Eat + + 50 e0 3
Eat - e0 3
Attack e0 49
Sex + / - e0 34

Самым дешевым с точки зрения энергозатрат является действие Pass. Количество затрачиваемой на бездействие энергии (e0) определяется размером нейронной сети агента. Чем больше нейронов в скрытом слое, тем больше затраты энергии на функционирование нейронной сети. Эти потери энергии имеют место и при любом другом выбранном действии. Зависимость фоновых энергозатрат от количества нейронов позволит ограничить рост вычислительных затрат без ощутимого роста приспособленности агентов.

Когда запас энергии агента становится меньше 500 J агент погибает, и остаток его энергии выбрасывается в клетку, которую он занимал.

Энергетическая модель вселенной Dракош


Модель Dракош является открытой, в ней есть поток энергии, который служит движущей силой процессов во вселенной Dракош. Он поступает в пространство в виде еды, которая поедается агентами. Агенты совершают действия, расходуя энергию. На рис. 5 показана схема потоков энергии в модели Dракош.

image
Рисунок 5. Схема потоков энергии в модели Dракош

Еда в пространство поступает извне системы с потоком food in. Так же есть два внутренних потока пополняющих запас еды в пространстве: harm, dead. Первый из них обусловлен потерями энергии агентами, которые подверглись атаке соседнего агента. Потерянная ими энергия выпадает в виде эквивалентного количества cake в клетке с потерпевшим агентом. Второй поток еда, появляющаяся в клетке после смерти агента, количество которой эквивалентно остатку энергии агента перед смертью.

Еда из пространства потребляется агентами, которые успешно совершают действие Eat поток eating. Затраченная на совершение действий энергия покидает систему поток used. Второй путь, которым энергия покидает систему поток spoiled food, который связан с деградирующим избытком еды в пространстве.

Естественный отбор


Во вселенной Dракош действует естественный отбор.

Для существования агентам необходимо потреблять пищу для пополнения запаса энергии, которая постоянно расходуется. Те агенты, которые более эффективно питаются могут дольше существовать и, следовательно, оставить больше потомства. Эффективность размножения определяется частотой совершения действия Sex и количеством энергии, которое родители передают потомству. Действия агентов определяются помимо поступающей им информации так же параметрами их нейронной сети. Которые наследуются при размножении, при этом они подвержены случайным изменениям мутациям.

Действие этих факторов приводит к тому, что различные агенты имеют разную вероятность выжить и оставить потомство.
Подробнее..

Как искусственный интеллект меняет рынок труда

27.07.2020 14:05:23 | Автор: admin
Внедрение искусственного интеллекта в различные рабочие процессы заметно меняет рынок труда. Многие профессии постепенно исчезают, некоторые адаптируются под текущие условия, также появляются и новые специальности.




Какие изменения происходят уже сейчас


Американский социолог Рендалл Коллинз убежден, что сейчас идет время очередной волны технологического замещения. По его мнению, в ближайшем будущем умные роботы будут активно заменять специалистов в различных сферах.

Искусственный интеллект в сочетании с роботизацией и продвинутыми онлайн-технологиями уже сегодня эффективно справляется со многими задачами, которые раньше могли выполнять только люди.

Например, ИИ активно внедряется в сферу медицины где умные программы помогают правильно ставить диагнозы, подбирать методы лечения или разрабатывать лекарства. И в целом они способны осуществлять, либо значительно упрощать выполнение многих процессов.

Применяют ИИ также там, где требуются гуманитарные навыки: журналистика, онлайн-образование, подбор персонала, функция перевода в реальном времени.

Появляется все больше программ, которые с разной степенью успешности используются в сфере биржевого трейдинга и инвестиций. И в данном направлении применяются как специальные алгоритмы, которые помогают инвесторам анализировать большие объемы информации, так и те, которые самостоятельно проводят сделки.

Сейчас на многих автомобильных производствах уже произошло замещение людей роботами, под управлением сложного ПО. Автоматическая система управляет доставкой деталей на конвейер, процессом сборки моделей и другими операциями. Человек только следит за работой машин, фиксируя ошибки, если такие есть. В итоге количество рабочих мест на автопроизводстве стремительно сокращается.

Еще одну подобную замену можно увидеть в сфере работы с массивами данных, связанных с предпринимательской деятельностью. Раньше такими задачами занимались только профессиональные аналитики. Сейчас немалую часть работы выполняют специальные программы и системы класса BI (Business Intelligence). Более того, они справляются со сложными задачами даже лучше, чем люди:

  • обрабатывают большие объемы информации из разных источников;
  • анализируют и структурируют полученные данные;
  • на основе проведенной аналитики определяют причины различных реакций и явлений;
  • предлагают оптимальные решения для улучшения бизнес-процессов.

Учитывая, что ИИ-технологии становятся сложнее и постоянно развиваются, они в итоге смогут заменить большинство аналитиков в различных сферах.

Например, в сегменте образования использование BI-решений дает возможность получить автоматическую обработку данных о людях, которые обучаются в конкретном регионе. Проведя аналитику, программа может выдать любую статистику и прогнозы с учетом изначально заданных параметров.

Итогом внедрения таких технологий в первую очередь станет исчезновение тех профессий, которые основаны на повторяющихся алгоритмах и скриптах.

Это может быть:

  • продавец;
  • переводчик;
  • рекрутер;
  • новостной журналист;
  • машинист поезда (в разных городах по всему миру метро уже сейчас ездит без водителей);
  • водитель такси;
  • работники курьерской и складской логистики;
  • сотрудник банка, принимающий заявки на кредиты или предоставляющий базовую информацию;
  • операторы call-центра;
  • и другие специальности.

Многим специалистам уже сейчас нужно думать о переквалификации. А тем, кто в данный момент находится на стадии выбора будущей профессии, стоит учитывать возможную конкуренцию с искусственным интеллектом.

Примеры внедрения в крупных корпорациях


Многие крупные компании уже активно внедряют и используют ИИ. Среди них можно выделить следующие:

  • Компания Microsoft. В рамках ежегодной оптимизации штата, ИИ взял на себя часть функций сотрудников новостной службы MSN. Об этом сообщило издание Reuters, ссылаясь на Business Insider.
  • Bloomberg News. Программный робот Cyborg успешно создает около 30% контента для этого издания. Онлайн-алгоритмы заменяют пиарщиков и новостных журналистов во многих других крупных новостных агентствах.
  • Алгоритм Watson. В 90% случаев ставит правильный диагноз онко-больным на ранних стадиях. Уровень точных диагнозов врачей в этой сфере не смог преодолеть отметку в 50%. Это может привести к сокращению количества врачей-диагностов в онкоотделениях и не только.
  • ИИ по имени Vital. Сложно поверить, но этот робот является членом совета директоров в гонконгском венчурном фонде. Vital занимается инвестированием в стартапы, работает с сегментом регенеративной медицины и участвует в голосовании по каждому инвестиционному решению.
  • Нейросеть Facebook. Она активно конкурирует с рекрутерами. Сейчас ИИ учится грамотно анализировать профили всех специалистов, зарегистрированных в Фейсбук, и делать предельно точный подбор кадров для различных организаций. Ожидается, что в ближайшем будущем социальная сеть сама будет предлагать компаниям нанять на работу нового сотрудника с указанием его профиля. В то же время, специалисты будут получать рекомендации о трудоустройстве в подходящее для них предприятие.
  • Сбербанк. Согласно озвученным планам, до окончания 2020 года одобрением заявок на кредиты будет заниматься нейросеть. Она возьмет на себя сопоставление кредитных историй клиентов, их биометрических данных, уровня дохода и затрат. На основе этих сведений ИИ будет самостоятельно решать, кому выдавать кредит, а кому нет. Система будет анализировать данные пользователей приложения Сбербанк Онлайн по тысячам параметров. На основе сделанных выводов ИИ подберет каждому клиенту наиболее актуальную информацию и составит пакет услуг. Уже сейчас робот проводит предварительные собеседования с кандидатами на открытые массовые вакансии.

ИИ теперь активно заменяет тех специалистов, которые выполняли задачи, требующие аналитики. То есть замещение ушло далеко за пределы выполнения рутинной работы на производстве. С каждым годом эта тенденция будет только усиливаться. Поэтому, если кто-то считает, что раз он работает головой, значит конкуренция с роботами ему не грозит стоит подумать еще раз.

Как быстро произойдет замена


На самом деле, скорость внедрения ИИ-технологий неравномерна. В разных странах и даже в отдельных регионах государств внедрение может проводиться быстрее или протекать без явной активности. Где-то привычные вакансии будут сокращаться стремительно, в других местах напротив люди не ощутят тотальной автоматизации.

Все зависит от уровня концентрации в регионе высокотехнологичных производств и филиалов крупных компаний. Поэтому, чтобы правильно оценить свои шансы услышать фразу ты уволен, важно учитывать технологическую развитость региона.

В целом искусственный интеллект не сможет полностью заменить людей с высокой квалификацией в ближайшие 15-20 лет. Для таких специалистов ИИ еще долго будет оставаться лишь вспомогательным, расширенным инструментом.

Однако он сможет замещать собой работников, выполняющих задачи умеренной или низкой сложности. Но даже в этом случае нужен будет человеческий контроль. Автономный ИИ, не нуждающийся в помощи и проверке это пока перспектива, но не реальность.

Какие профессии появились благодаря ИИ


Автоматизация неизбежно меняет рынок труда. Причем из-за искусственного интеллекта профессии не только исчезают. Некоторые специальности наоборот сейчас очень востребованы благодаря использованию ИИ:

  • Data Scientist. Это специалисты, которые создают системы, способные обрабатывать большие массивы данных, анализировать их и формировать выводы. Дата-сайентисты учат компьютер самообучению, что является основой полноценной работы ИИ. И сейчас наблюдается сильный дефицит специалистов по машинному обучению.
  • Архитекторы автоматизации. Они создают алгоритмы всех необходимых процессов. То есть сценарии поведения роботов при различных условиях.
  • Копирайтеры, создающие тексты для диалоговых интерфейсов и ботов. Это скорее модернизация существующей профессии. Если раньше такие специалисты писали скрипты для сотрудников службы поддержки и отдела продаж, то сейчас они работают над построением эффективных коммуникаций между роботом и человеком.
  • Юристы по защите интеллектуальной собственности. Аналитики консалтинговой компании Glassdoor Economic Research убеждены, что эта сфера будет очень востребована в ближайшем будущем.
  • Системные операторы. Те ИИ, которые внедряются сейчас, нельзя назвать сильными. Они могут допускать ошибки (хотя и редко), и не всегда демонстрируют нужный уровень гибкости в процессе принятия решений. По этой причине необходим человек, который будет следить за работой системы. Его активность будет минимальной, но от этого важность подобной работы не снижается. Например, в азиатских странах есть сети скоростных поездов, которыми управляет программа. Функции машиниста сводятся к контролю процесса, наблюдению и диспетчеризации. Поезд способен самостоятельно определять препятствие на пути и принимать решение об остановке. А ехать он начнет только после сообщения диспетчера об устранении проблемы.

Чтобы не оказаться в умирающей отрасли, нужно быть готовым к получению дополнительных навыков.

Массачусетский технологический институт и компания IBM провели исследование, в котором проанализировали 170 млн. вакансий за период с 2010 по 2018 гг. Оказалось, что из-за использования ИИ и алгоритмов автоматизации, предприятия стали нанимать меньше сотрудников, поскольку искусственный интеллект смог взять на себя значительную часть рутинных трудовых задач.

Но при этом повысился спрос на специалистов, которые разбираются в межличностном общении. То есть знают, как взаимодействовать с той или иной аудиторией. Они нужны для обучения ИИ гибкости и многогранности общения с людьми.

Как повлияет внедрение ИИ на экономику


Искусственный интеллект позволит предприятиям сократить затраты на выполнение производственных и рутинных задач. Эти процессы будут протекать быстрее, без потери эффективности или с повышением уровня продуктивности.

По мнению экономистов, на короткое время возникнет проблема с заменой специалистов и нехваткой вакансий. Этот эффект называется skills and technologies mismatch расхождение между технологиями и навыками рабочей силы.

Но многие аналитики уверены, что пройдет немного времени, и появятся новые профессии, в рамках которых люди будут ощутимо более эффективны, чем ИИ.

Востребованными станут:

  • эмоциональный и когнитивный труд;
  • гибкое стратегическое управление;
  • обучение людей;
  • управление человеческими отношениями в рамках отдельной компании и др.

В итоге люди получат новые рабочие места, но по другой специальности. А компании при помощи грамотной автоматизации смогут:

  • сэкономить временные, трудовые и денежные ресурсы;
  • получить прирост дохода на фоне усовершенствованного производства или процесса предоставления услуг.

По мнению специалистов Национального бюро экономических исследований в Кембридже, останутся отдельные отрасли, где автоматизацию не станут внедрять в ближайшем будущем. На такие компании придется основная часть рабочих мест в период квалификационного перехода.

Что изменится после тотального внедрения ИИ


Основное изменение в привычном для обывателей мире сведется к автоматизации процессов на бытовом уровне. Итогом внедрения расширенного ИИ станет тотальная роботизация: проще, быстрее точнее и дешевле.

Например, программы будут управлять такси и дронами, доставляющими еду, передвижными автоматами с фастфудом и т.д. Водители станут не нужны и курьеры тоже. Это означает, что затраты на зарплату персоналу значительно сократятся и услуги/продукты станут ощутимо дешевле. Также намного проще и дешевле будет использовать такси, нежели покупать свой автомобиль.

Подобные решения найдут свое место и в бытовых процессах. Речь идет об умном доме. Такие технологии уже сейчас активно используются, но в ближайшие годы они выйдут на новый уровень. Система будет оптимизировать расход воды и электричества, проводить уборку комнат при помощи компактных роботов, и следить за тем, чтобы никто посторонний не проник в жилье.

В Госсекторе тоже произойдут изменения. ИИ дадут возможность:

  • управлять системами слежения;
  • прогнозировать и предотвращать опасные ситуации.

Например, преступника сможет поймать умная камера, распознав его лицо, стоит ему только выйти на улицу. То же самое касается и проверки документов. Продвинутые алгоритмы будут обрабатывать и систематизировать выдачу документов, лицензий, патентов. Затяжные проверки при получении нужных бумаг уйдут в прошлое.

Подобные алгоритмы внедрят службы пожарной безопасности. ИИ сможет постоянно мониторить дома на предмет возгорания и принимать решение об активации системы пожаротушения. Конечно, подобные системы уже давно существуют, но благодаря ИИ они смогут предсказывать пожар еще до того, как он начался. А также предупреждать об этом людей, которые находятся в помещении.

В общем сейчас можно с уверенностью утверждать, что автоматизация неизбежна практически по всем сферам человеческой деятельности. В текущих реалиях уже не стоит надеяться на то, что можно освоить одну профессию, и работать по ней всю жизнь. Для современного человека должно стать нормой менять свою специальность через каждых несколько лет. Ну а те люди, которые потеряют работу из-за искусственного интеллекта, всегда смогут пройти эффективные курсы по переквалификации. И с большой долей вероятности такие курсы тоже будут проводить роботы.



На правах рекламы


VDSina предлагает надёжные серверы с посуточной оплатой, каждый сервер подключён к интернет-каналу в 500 Мегабит и бесплатно защищён от DDoS-атак!

Подробнее..

Recovery mode Что не хватает ИИ?

26.09.2020 14:08:40 | Автор: admin
Это пост-вопрос, в нем я попробовал сформулировать основные проблемы нейросетей, решение которых может сделать прорыв в технологии ИИ. В основном речь о сетях, что работают с текстом (GPT, BERT, ELMO и т.п.). Как известно, хорошая формулировка задачи половина ее решения. Но сам я эти решения найти не могу. Надеюсь на помощь зала, так как тут много тех, кто сталкивается с такими же проблемами и возможно видит их решение.

Итак.

1. Самое казалось бы простое, но нейросеть не учитывает факты. Она учится на примерах, но не может к ним обращаться в ответе. Это было вчера почти невозможный ответ. Нейросеть выучивает общие факты, но не знает о них. На когнитивном языке это называется семантической и эпизодической памятью соответственно.

Решение может есть простое, но нейросеть классификатор, а прецеденты не могут быть классами, противоречие. Очень часто нужен именно такой ответ от ботов, они очень плохо работают с фактами, если речь не о шаблоном поставь будильник на на сколько ты по ставила будильник?. Проблема усугубляется тем, что всегда есть исключения, которые не может учитывать сеть, если у нее не было достаточно примеров с исключением. А если примеров достаточно это не исключение. В общем, NN может сказать, что это шляпа, но не может сказать, какая шляпа моя (был только один пример).

2. Здравый смысл. Известная проблема, названная даже темной материей ИИ. Есть интересные подходы к решению, например, в этой статье, где описывается попытка совместить символический (логичекий) ИИ и нейросетевые подходы. Но это попытка пойти назад, вместо того чтобы пойти вперед. Проблема же в том, что здравый смысл это неявные знания о мире, которых не было в обучающей датасете. Такие банальности никто даже не произносит, их узнают в 4-6 лет, когда еще не умеют писать. Громкие неудачи проектов Компрено и Cyc показывают, что описать явно все факты невозможно. Они как-то выводятся налету. Хороших идей решения пока нет, кроме ограничения словаря. Например, школьник должен наводить такие фильтры на лексикон ответа, чтобы в выбираемых вариантах не было слов армия или женитьба, если речь идет о нем самом, а не о присутствии на свадьбе старшего брата. Как этой сделать в NN не (мне) понятно.

3. Не менее важной проблемой, а возможно связанной с предыдущей это проблема построения рассуждений. Нейросети не умеют делать силлогизмы, то есть простейшие выводы с последовательными рассуждениями (промежуточными выводами). Эта же проблема с другой стороны невозможность преследовать цель рассуждений или хотя бы придерживаться определенного смысла. GPT может построить текст новости на заданную тему, но ей бесполезно говорить, напиши новость, что бы очернить Х. В лучшем случае она напишет про очернение другими, причем в явном виде, а не как мы, люди, между строк. Вывод силлогизма это тоже цель надо соотносить предпосылки с выводом. Иметь его ввиду при первом же высказывании (посылке). Пока даже не понятно, с какой стороны это заложить в сеть. Может кто знает?

4. И еще одна проблема, которая даже не темная материя, а черная дыра ИИ. Это аналогии и метафоры. ИИ все понимает только буквально. Ей бесполезно говорить, похожий на Х. Сеть может дополнить описание, но не описать аналог. Может быть это просто проблема соответствующего датасета. Но мне кажется она глубже и показывает корневой недостаток нынешних архитектур ИИ как и п.3. Наш язык сплошь метафоричен, отсюда же произрастает проклятие лингвистов омонимия. Одни и те же лексемы через метафоры используются в куче разных концептов. И мы легко в этом ориентируемся. Частично это решается в задаче определения интентов, но это опять же определение темы, а не всего концепта, состоящего не только из названия интента и связанных с ним шаблонов ответов как в ботах.

Пока этих четырех хватит для обсуждения, хотя есть более частные, но не менее важные проблемы в построении ботов, например. Достаточно пообщаться с Алисой и они становятся интуитивно очевидными. Но вот с формулировками их не так все просто догадаться в чем проблема значит догадаться и о том, как ее решить. С этим труднее. Спасибо за конструктивные комментарии по теме.
Подробнее..

Категории

Последние комментарии

  • Имя: Макс
    24.08.2022 | 11:28
    Я разраб в IT компании, работаю на арбитражную команду. Мы работаем с приламы и сайтами, при работе замечаются постоянные баны и лаги. Пацаны посоветовали сервис по анализу исходного кода,https://app Подробнее..
  • Имя: 9055410337
    20.08.2022 | 17:41
    поможем пишите в телеграм Подробнее..
  • Имя: sabbat
    17.08.2022 | 20:42
    Охренеть.. это просто шикарная статья, феноменально круто. Большое спасибо за разбор! Надеюсь как-нибудь с тобой связаться для обсуждений чего-либо) Подробнее..
  • Имя: Мария
    09.08.2022 | 14:44
    Добрый день. Если обладаете такой информацией, то подскажите, пожалуйста, где можно найти много-много материала по Yggdrasil и его уязвимостях для написания диплома? Благодарю. Подробнее..
© 2006-2024, personeltest.ru