Текущее состояние и перспективы

Поменяй ту статью про курение на эту, эта больше подходит к научным исследованиям. Т.е. К аналитической статье , можешь подсократить.

Аналитическая статья - это текст, который содержит в себе анализ фактов и выводы, касающиеся определенной темы. Можно даже сказать, что это небольшое исследование. Если информационная статья дает общее понимание о каком-то событии, вещи, то аналитическая открывает те факты, о которых ранее не было известно, делает более глубокий анализ.

Искусственный интеллект :время слабых.

Под понятием «искусственный интеллект» (ИИ), как правило, понимают компьютерную программу, т.е. алгоритм, способную на решение задач, которые в состоянии решить мозг взрослого человека. В Международном терминологическом словаре по искусственному интеллекту [18] понятие «искусственный интеллект» определяется как область знаний, рассматривающая разработку технологий, позволяющих вычислительным системам действовать таким образом, которое напоминает разумное поведение, в том числе, поведение человека. Стоит обратить внимание на то, что это феноменологическое определение, оставляющее детализацию понятий «интеллект», «разумное поведение» на откуп философии; в условиях дефицита знаний о мозге и когнитивном аппарате биологических систем понятие ИИ не поддаётся более точной, математической формализации.

На текущий момент под исследованиями в области искусственного интеллекта сейчас принято понимать алгоритмическое решение проблем, требующих когнитивного напряжения [2, 10]. Такими проблемами были (и отчасти остаются) игры: шахматы или Го, распознавание почерка, машинный перевод, творческая деятельность. В общественном сознании каждая из этих проблем первоначально казалась последней преградой к созданию «настоящего» ИИ, способного заменить человека во всех сферах его деятельности. В действительности оказалось, что, во-первых, научить компьютер играть в шахматы гораздо проще, чем научить его играть в футбол, и, во-вторых, даже зная, как научить компьютер играть в футбол, сложно перенести этот опыт на проблему машинного перевода. Поэтому после начального энтузиазма научное сообщество разделило понятие ИИ на категории сильного и слабого ИИ. Под слабым искусственным интеллектом понимается алгоритм, способный решать узкоспециализированные проблемы (вроде игры в шахматы), сильный искусственный интеллект же менее ограничен в спектре задач; в идеале сильный искусственный интеллект способен как минимум на то же, на что способен взрослый человек (например, делать логические выводы и планировать действия). Вместо понятия сильного ИИ в литературе также используется общий искусственный интеллект (Artificial General Intelligence, AGI) [28].

Необходимо отметить, что классификация алгоритмических проблем на проблемы сильного и слабого ИИ не является исторической константой; так, на начало 2016 г. считалось, что для игры в Го нужен сильный ИИ. После впечатляющей победы алгоритма AlphaGo [26] над действующим чемпионом мира в марте 2016 г. игра в Го стала проблемой слабого ИИ.

К концу 2010-х годов можно выделить следующие магистральные направления исследований в области алгоритмов искусственного интеллекта.

Машинное обучение и распознавание образов

Поиск закономерностей в данных, например, классификация объектов на фотографии по категориям «фон», «человек», «автомобиль», «здание», «растение».

Планирование и логический вывод

Доказательство логических утверждений и планирование действий для достижения определённой цели при знании логических закономерностей, позволяющих эту цель достичь. Пример: синтез данных из сенсоров для оценки дорожной ситуации и адекватного управления автомобилем.

Экспертные системы

Систематизация данных вместе с логическими связями, отображение знаний, ответы на семантические запросы вроде «Какова доля цен на энергоносители в стоимости производства самолёта МС-21?»

Текущее состояние и перспективы

Проблема создания сильного ИИ на данный момент не решена, и научное сообщество существенно охладело к теме ИИ после так называемой «зимы искусственного интеллекта», наступившей в середине 1980-х из-за завышенных ожиданий. Это привело, с одной стороны, к разочарованию потенциальных пользователей и к недостаточной производительности программных комплексов, с другой [29]. Начиная с середины 2000-х годов удалось добиться значительных успехов в более специализированных задачах. В первую очередь это обусловлено постоянным развитием вычислительной техники: если в 2001 г. пределом возможностей был «флагманский» процессор Intel Pentium III, выполнявший 1,4 миллиарда арифметических операций в секунду, то, спустя десять лет, в 2011 году актуальный на тот момент процессор Intel Core i5 выполнял уже 120 миллиардов операций в секунду, т.е. почти в 100 раз больше [7, 9]. Во многом драйвером роста стала индустрия компьютерной графики и видеоигр: в погоне за всё более реалистичной графикой видеокарты из периферийного оборудования превратились в мощные вычислительные системы, способные не только обрабатывать графические данные, но и выполнять произвольные (пусть и не очень сложные) параллельные вычисления. Так, в том же 2011 году пиковая производительность видеокарты Radeon HD 6970 составляла 675 миллиардов операций в секунду [11].

Вторым важным фактором развития отрасли стала оцифровка и ручная классификация текстов, фотографий и звуковых записей, а также построение всеобъемлющих баз знаний в цифровом формате. Благодаря ставшим доступными большим объёмам качественно классифицированных данных стало возможно тренировать алгоритмы машинного обучения на больших выборках. Таким образом, точность классификации выросла [22], а машинный перевод превратился из грубого инструмента в систему широкой применимости. Так, известный большинству пользователей переводчик компании Google работает за счёт огромной базы параллельных текстов, т.е., текстов идентичного значения на разных языках, дополняемой пользователями, что позволяет обучать систему и улучшать качество перевода прямо во время работы [8].

В сумме оба фактора позволили решать за приемлемое время всё более сложные задачи, сократив время обработки накопленных массивов данных. На начало 2018 г. искусственный интеллект добился нескольких ярких успехов, освещённых СМИ, проник в различные отрасли экономики. Однако было бы ошибкой считать ИИ «серебряной пулей», средством, способным решить все проблемы человечества.

Успехи ИИ

Экспертные системы и распознавание текстов: своя игра IBM Watson

Пожалуй, наибольший общественный резонанс произвела экспертная система IBM Watson, объединившая в себе огромный массив знаний, т.е., данных с семантическими связями между ними, и способность обрабатывать запросы на английском языке к этой базе знаний. В 2011 году впечатляющим успехом IBM Watson была победа над действующими чемпионами в телевикторине «Jeopardy!» [i] . Этот успех позволил IBM успешно выйти на рынок экспертных систем, наглядно продемонстрировав способности Watson к обработке и структурированию информации.