Как искусственный интеллект создаёт сам себя / skillbox media

Образование

Woogie. Интерактивный робот, который делает обучение интересным для детей

Робот Woogie учит детей в возрасте 6-12 лет, общаясь с помощью голосового интерфейса. Робот развлекает, учит, дает ответы на некоторые вопросы, и стоит при этом всего 76 долларов. Woogie обращается к базе данных сервиса, чтобы отвечать на любой вопрос ребенка: от «Почему исчезли динозавры?» и до «Почему мне нужно есть брокколи?».

Учится не только ребенок. Сам робот постоянно обучается индивидуальному взаимодействию, адаптируется к привычкам и интересам каждого ребенка

Он способен рассказать анекдот, загадать загадку, привлечь внимание ребенка сказкой. Родители имеют доступ к системе через мобильное приложение и могут загружать в базу новый контент, например книги и обучающие игры

Во многих отношениях проект необычный. У него нет своего токена, он не выходит на ICO, а деньги на развитие получает от краудфандинговой программы на Indiegogo. В настоящий момент подготовлено уже 30 протитопов устройства.

AltSchool. Платформа новых методов обучения

В 2014 году новый проект в сфере образования привлек $33 млн. В 2015 году AltSchool привлекла еще $100 млн

Стартап заинтересовал инвесторов необычным подходом: AltSchool — это серия микро-школ, в которых основное внимание уделяется индивидуальному обучению. Учащиеся получают собственные еженедельные «плейлисты», списки отдельных и групповых занятий, адаптированные к конкретным сильным и слабым сторонам каждого ребенка

AltSchool отслеживает прогресс и неудачи каждого ученика — каждый шаг на его пути, все сильные и слабые стороны. Программное обеспечение дает рекомендации, влияющие на образовательный процесс каждого ребенка.

В исследовательском проекте, организованном Фондом Гейтса, изучалось влияние персонализированной практики обучения в 23 государственных школах. Через два года исследование показало, что учащиеся в этих школах добились больших успехов, чем студенты из сопоставимых школ, в которых не было персонализированной программы обучения. Более того, исследование показало, что ученики, чьи оценки выросли больше всего, были теми, кто ранее сильно отставал по многим предметам.

Добавьте к персонализации возможности программного обеспечения, адаптирующего учебный план для каждого конкретного ученика, и вы поймете, как будет выглядеть образование в будущем.

Hugh. Помогает посетителям библиотеки быстро найти любую книгу

Студенты, которые ищут библиотечные книги в Университете Аберистуита (Великобритания), могут обратиться за помощью к роботу-библиотекарю. Hugh — первый в мире робот, предназначенный для работы в библиотеке. Он может рассказать, где хранится книга, и показать студенту соответствующую книжную полку.

Получая информацию из PRIMO, онлайн-библиотеки университета, Hugh имеет доступ к 800 000 книг. Hugh реагирует на голосовые команды и способен заниматься не только книгами. Подобные роботы смогут выполнять конкретные задачи больницах, супермаркетах или гостиницах.

Knewton. Адаптивное обучение

Собравшая $157 млн инвестиций компания Knewton разработала адаптивную образовательную платформу, основанную на технологиях анализа данных в сфере образования, и предлагает интегрировать свое решение с любой системой управления учебным процессом. Адаптивная платформа дает рекомендации для обучения студентов, основанные на успеваемости учащихся, а также предлагает анализ цифрового контента. С помощью софта учитель оценивает знания студента по своему предмету в любой момент времени. Если студент плохо справляется с предметом, Knewton может предложить контент, который повышает уровень понимания сложных вопросов. Knewton будет предлагать разные варианты образовательного контента до тех пор, пока не найдет способ научить студента.

Хотя многие обучающие платформы могут похвастаться тем, что они корректируют тестовые вопросы на занятиях, основываясь на предыдущих ответах, процесс управления данными Knewton принципиально отличается, потому что предлагает гипер-персонализированный вариант обучения, создаваемый «на лету» для каждого конкретного пользователя. Сегодня с Knewton работают более 13 миллионов студентов по всему миру, а база данных платформы содержит более 100 000 образовательных материалов, включая видео-лекции и учебные пособия.

Искусственный интеллект на смену полиграфа

На рынке искусственного интеллекта ведущие мировые компании активно инвестируют в сферу эмоциональных вычислений. Такая технология выявляет самые незаметные изменения в мимике. Программа выбирает определённое количество точек на лице и сравнивает с базой фотографий, на которых эмоция уже распознана.

Компания Microsoft заявила, что у них есть подобный алгоритм, но она не даст его в распоряжение правительства. Это очень опасный инструмент, который можно использовать против человека. Представьте, что вы входите в кабинет к начальнику, а он видит, что вы его ненавидите и думаете о нём плохо. Возникает серьёзная этическая проблема.

Аналогичных программ «распознавалок» будет ещё очень много. Прекрасных, замечательных в том числе. Они будут полезны, особенно в медицине. Машины уже сейчас помогают врачам диагностировать болезни. Допустим, американская программа IBM Watson ставит диагнозы по анализам лучше, чем некоторые начинающие врачи. В качестве обучающей выборки в неё было заложено шесть тысяч историй болезней. Это титанический труд и, безусловно, огромные деньги.

Определение искусственного интеллекта

Чтобы разобраться, как работает искусственный интеллект, мы должны понять, что же подразумевают под этим словосочетанием. Некоторые люди могут ответить на этот вопрос чем-то подобным: «Искусственный интеллект — это мозг, который воссоздан внутри компьютера». Отчасти они будут правы, но концепцию «ИИ как мозг» уже успели высмеять десятки раз — например, в Fallout: New Vegas.

Игровой искусственный интеллект — это набор программных методов, которые используют в видеоиграх для создания иллюзии разума у NPC через поведение персонажей. Игровой ИИ включает в себя алгоритмы теории управления, робототехники, компьютерной графики и информатики в целом.

«Искусственный интеллект в играх представляет собой всё, что не запускается игроком во время игрового процесса».

Фредерик Пельтье, директор по техническому производству в Ubisoft Mobile

ИИ — технология, которая посредством машинного обучения позволяет системе научиться анализировать определённую информацию в виртуальной среде, чтобы получить поведение, более приближенное к человеческому. Ещё несколько десятилетий назад нечто подобное могло встретиться разве что в научной фантастике, но теперь аналогичные технологии применяют повсеместно.

Умеет ли машина сочинять

Машина не в силах порождать нечто качественно новое. Оригинальные тексты песен, стихосложения, музыкальные композиции — это всё основано на принципе пермутации, или, проще говоря, перестановки. Что касается поэзии, то там алгоритм действий следующий: программа находит общие моменты и определённые сочетания. Берёт ключевые слова, добавляет к ним слова других авторов и перекручивает под нужную ритмику. Русский язык сложный, но если не заботиться о рифме, то белый стих «сочинить» можно.

С музыкой всё еще проще. Программа определяет какие аккорды наиболее характерны для того или иного исполнителя и использует их же, но в иной последовательности. В основе этого «творчества» лежит перетасовка звукоряда и отбрасывание откровенной какофонии.

Были программы, которые сочиняли народные сказки. Для этого провели анализ сценариев, использовав книгу Владимира Проппа «Морфология сказки». Оказалось, что модель развития событий включает в себя несколько очевидных элементов: в сказках всегда есть положительный и отрицательный герои. Также обязательно присутствует даритель, дорога, препятствие и в конце счастливый конец. Отличительной особенностью таких сказок была эклектика. Программа комбинировала героев и их действия, рассказывая, например, про Ивана-дурака, который борется со Змеем Горынычем. Безусловным минусом являлся бедный язык повествования. Слушателям становилось скучно. Живой сказитель всегда юмора добавит, а где-то занятных речевых оборотов. По этой же причине программа не может переводить на другие языки метафоры или фразеологизмы. Онлайн-переводчики работают с большими объёмами информации. Стоит отметить, что качество их перевода за последние годы заметно улучшилось. Теперь они не переводят каждое слово в отдельности, как делали это раньше, а ищут целое предложение где-либо в текстах. Самая большая трудность возникает с семантикой. Для этого нужна база знаний, чтобы понимать смысл выражений. К примеру: цыплята готовы к обеду. Неясно, как правильно перевести эту фразу, если не знаешь, где человек находится в этот момент — на птицеферме (Chickens are ready for dinner) или в ресторане (Chickens are prepared for lunch).

Без познаний человека никакая интеллектуальная деятельность невозможна. Знание нельзя ничем заменить. Вопрос в том, как эти умения оцифровать. Как превратить опыт в какую-то осмысленную схему, которой можно было бы делиться с машиной.

Полезные + Развлечения + Случайные

CaptionBot — Microsoft описывает любую фотографию.
Crowdfunding.ai — краудфандинговая платформы для ИИ-проектов.
Elevator — Помогает находить и покупать каннабис (с рекомендациями).
Fieldguide — Универсальное полевое знаний, которое предлагает возможные совпадения.
Frankenstain.ai — Это совместный эксперимент с использованием ИИ, машинного обучения, робототехники, биоинженерии и IoT.
#Laugh — Смех, визуализированный в цифровом формате, который может быть отправлен в космос.
IntelligentX Brewing Co. — Пиво, сваренное искусственным интеллектом.
Spark — Помогает заказать каннабис текстовым сообщением.
Token — Помогает отправить идеальный подарок.
Wixi — Помогает исправить проблемы с Wi-Fi.
Mushroom AI — От переводчика: Распознаёт грибы по фотографии.

Где скачать Шерлока?

Выгляните в окно еще раз: улицу подметают дворники? Значит пока нигде. Создание Сильного искусственного интеллекта — это огромная работа, особенно в части наполнения Базы знаний и механизмов Восприятия, но ничего невыполнимого я здесь не вижу.

Какую задачу вы бы поручили Шерлоку в первую очередь? Я бы начал со специализации «Учитель иностранных языков», на это есть несколько причин:

это не требует мелкой моторики (рук), а обработка видеоряда минимальная (посмотреть, как двигаются губы студента), соответственно нагрузка на процессоры существенно снижается;
пока мы учим Шерлока быть учителем, его база наполняется многими полезными смыслами, одновременно мы учим говорить его на всех языках. Кстати, научиться говорить ему бы сильно помог мой проект Yarrow, который позволит создать огромную обучающую выборку для речевых нейросетей на сотне языках;
учитель в планшете точно никого не убьет;
такой учитель существенно повысит качество образования, т.к. фактически это персональный и очень дешевый репетитор, который подстраивается под темпы обучения каждого ребенка и имеет бесконечное терпение.

Что будут делать люди, когда роботы захватят все профессии? Более образованные найдут, чем себя занять. Еще не помешала бы государственная программа «Каждой семье по роботу»: ночью он работает на заводе, днем варит вам суп дома. Что-то такое в истории уже было…

P.S. Супер-компьютер Watson никак не связан с Доктором Ватсоном.

Natural Language Processing

В целом все алгоритмы NLP сводятся к статистической обработке текстов. Если тема вам не интересна, или вы уже специалист в этой области, то раздел можно пропустить.

Почти любой алгоритм NLP требует предварительной Токенизации текста: строку слов превращаем в массив чисел — Вектор слов (Word Vector). Для этого предварительно формируем Словарь (Vocabulary), в котором задаем пары «ID — Токен», причем токен — это не обязательно одно слово: здесь могут быть словосочетания, аббревиатуры, смайлики и некоторые знаки препинания. В процессе токенизации учитываются опечатки и иногда игнорируются формы слов (падежи и прочее), т.к. для многих алгоритмов они не имеют значения.

Как мы видим на рисунке, вектор слов занимает слишком много памяти. Если для дальнейшей обработки не важен порядок слов, то текст упаковывают в Мешок слов (Bag-of-words). Для меня осталось большой загадкой, почему токены не хранят в более компактном массиве (покзан аналог Word Vector, к Bag-of-word эта форма не относится):

Видимо разработчики слишком погрязли в матричных вычислениях, других объяснений я не нашел. Не будем судить их строго и перейдем уже к анализу.

Возможно вы встречали упоминания, что алгоритмы ML способны на Извлечение смысла из текста, но это лишь красивые слова. На самом деле NLP анализирует похожесть слов и текстов, что тоже полезно:

слова похожи, если они встречаются в окружении одинаковых групп слов;
тексты похожи, если в них встречаются одни и те же группы слов.

Для этого используется зубодробительная сущность Word Embedding (Погружения слов, но единого мнения о переводе на русский нет). Обучающую выборку пропускают через алгоритмы понижения размерности, в результате для каждого слова вместо 5000 нулей и единицы получаем массив меньшего размера из дробных чисел.

Если очень грубо, то для каждого слова вычисляется некое среднее арифметическое встречаемости в текстах из обучающей выборки (обычно на одну тематику). Если у двух слов это среднее арифметическое не очень отличается, то они считаются похожими. Аналогично для текстов. Часто преобразование в Word Embedding выполняют перед подачей данных другим алгоритмам, как дополнение к токенизации.

Перейдем к Классификации текстов, например, распознавание спама в электронной почте. В обучающей выборке мы имеем письма с отметками спам/не спам, и скармливаем их в нейросеть: в полносвязную сеть и CNN подаем Bag-of-words, а в RNN уже можно учесть порядок слов, отправив ей Word Vector. Если у спамеров есть свой особый стиль общения, то нейросети его найдут. Аналогично можно выполнить классификацию текста по эмоциональной окраске (автор был зол/добр), по наличию сарказма, и вообще по любому признаку, лишь бы вы сами смогли классифицировать тексты в обучающей выборке. В целом, все сводится к анализу количества определенных слов и их комбинаций.

Перейдем к самому интересному, Генерация текстов. Для этого используется механизм «Предсказание следующего слова в предложении»: при обучении на вход RNN подаем три слова из предложения, а на выход (в функцию потерь) — четвертое, заставляя нейросеть генерировать правильное слово с учетом предыдущего текста. Продолжаем это действие для всей обучающей выборки, где могут быть миллиарды фраз. В итоге получаем продвинутого попугайчика, который по первым вводным словам выдает дополнительные, наиболее вероятные. Как мы видим, предварительная разметка обучающей выборки здесь не требуется (фактически это Unsupervised learning), что позволяет использовать для обучения огромные объемы текстов из сети Интернет.

Это было очень упрощенное описание NLP, я упомянул лишь некоторые базовые алгоритмы, чтобы показать, что логического ядра здесь нет. Создание действительно мыслящих машин относится к другому направлению AI: Когнитивная архитектура.

Программирование меняет мышление

«Инструменты, которыми мы пользуемся, незаметно для нас самих, но неотвратимо влияют на наши ментальные привычки, а значит, и на мыслительные способности».

Эдсгер Дейкстра

Само устройство языка программирования, без сомнения, меняет образ мышления тех, кто с этим языком работает.

Я говорю не просто о написании строчек кода, а об ином мышлении, которое нужно для создания этих строчек. То есть о том, чтобы взять какие-то смутные концепции и превратить их во что-то конкретное и понятное — представить в виде кода, который решает задачу.

Проведём эксперимент. Попробуйте прочесть это сообщение:

Получилось? Конечно же вы поняли смысл текста, несмотря на бардак с буквами. (Это явление называется типогликемией.) А удалось это потому, что обычно люди читают не буквы по отдельности, а слова целиком.

Комментирует переводчик

Это не совсем верно.

1. Кембриджский университет исследования, о котором автор говорил выше. Этот текст — популярный мем.

2. Не так всё просто и с перестановкой букв: чтобы понять слова, значима не только позиция первой и последней буквы

Важно ещё:

как далеко друг от друга теперь стоят буквы, бывшие соседними;
как много в тексте служебных слов: артиклей, союзов и им подобных;
насколько текст предсказуем, то есть легко ли предугадать следующие слова по контексту.

3. Есть , что, наряду с выделением слов целиком, глаз при сканировании текста всё же считывает и отдельные буквы.

Подход с чтением слова целиком не годится для программирования: там бесполезно писать srting вместо string, несмотря на то, что ваш мозг в любом случае поймёт написанное.

Мне кажется, что эта особенность при работе с кодом, когда читать приходится все отдельные символы, а не слова и предложения сразу, развивает иной способ мыслить.

Это переносится и на более высокие уровни мышления: даже считывая смысл целиком, нельзя забивать на детали. Когда программист пишет код, ему нужно действовать способами, подходящими для опредёленного контекста, — начиная с корректного синтаксиса и правильных названий для всего и вся. Одна маленькая ошибка — и программа не заработает (или будет работать неверно).

Комментирует переводчик

Внимание к деталям пригодится и в повседневной жизни. Если тренировать этот навык не только на работе и чаще «думать как программист», вы не пропустите новый дорожный знак, даже если уже пять лет ездите по одной дороге, а знак поставили только вчера

А ещё не придётся срочно бежать в магазин за переходником, потому что вы по недосмотру купили роутер с китайской вилкой.

Если прислушаться к советам Антона Спрола и перед решением хотя бы самых важных бытовых задач составлять план и учитывать свои сильные и слабые стороны, возможно, вам даже удастся завершить в срок ремонт в квартире. Деньги и стройматериалы не закончатся в самый разгар мероприятий, а соседи снизу не подадут на вас в суд за то, что вы взялись сами устанавливать унитаз (без опыта сантехнических работ) и затопили их.

Кроме того, программирование приучает ожидать подвоха там, откуда не ждали, — пользователи, а до них тестировщики, не всегда используют приложение так, как задумывали его создатели: жмут не на те кнопки и не в то время, вводят некорректные данные и тому подобное. Наверное, поэтому настоящий программист всегда смотрит в обе стороны, прежде чем перейти дорогу. Даже если это дорога с односторонним движением

Львиная доля работы программистов приходится на отладку кода — поиск и исправление ошибок в нём. И тут им тоже приходится быть начеку. Ведь, как говорится в известной шутке, отладку кода можно сравнить с детективом, где программист сразу и следователь, и свидетель, и главный подозреваемый.

В программировании важны не только логика и математика — чтобы создавать что-то новое, нужен творческий подход, умение мыслить нестандартно. Именно в этом направлении и развиваются мыслительные процессы.

Второй тип ИИ: ограниченная память

II тип включает машины, которые могут заглядывать в прошлое. Самоуправляемые автомобили уже немного способны на это. К примеру, они наблюдают скорость и направление других автомобилей. Это нельзя делать одномоментно, для этого нужно идентифицировать конкретные объекты и наблюдать за ними с течением времени.

Эти наблюдения добавляются к заранее запрограммированным у самоуправляемых автомобилей репрезентациям мира, которые включают дорожную разметку, светофоры и другие важные элементы. Они подключаются, когда автомобиль решает изменить полосу движения и не столкнуться с другим.

Но эти простые частички информации о прошлом лишь временные. Они не будут сохранены как часть библиотеки опыта автомобиля, в которой он сможет учиться, как это делают люди-водители, накапливая опыт в течение многих лет за рулем.

Как же нам построить системы ИИ, которые выстраивают полные представления, помнят о своем опыте и учатся справляться с новыми ситуациями? Брук был прав в том, что сделать это очень сложно. Возможно, стоит поискать вдохновения в дарвиновской эволюции?

This Person Does Not Exist

Эта девушка выглядит красиво, но её не существует. Это просто ещё одно творение ИИ. Не пытайтесь найти кого-либо из созданных людей в сети, несмотря на то, что некоторые могут быть очень красивыми.

Конференция Yandex Scale 2020

23–25 сентября, Онлайн, Беcплатно

tproger.ru

События и курсы на tproger.ru

Вероятно, многие уже слышали о таком сервисе. Это первый проект в своем роде и неудивительно, что он стал вирусным. Здесь можно создавать поддельные образы за секунду. Всё, что нужно — это зайти на сайт и обновить страницу.

Автор проекта — инженер Uber Филипп Ван. Он использовал алгоритм (первоначально написанный в Nvidia), чтобы сделать гиперреалистичные портреты. Этот алгоритм известен как генеративно-состязательная сеть (GAN). Все изображения генерируются на основе обширной библиотеки. Система последовательно использует две нейронные сети: одна создаёт картинку, а другая оценивает её реализм.

Первоначально Ван использовал это как способ убедить нескольких друзей присоединиться к нему в независимом исследовании ИИ. После он решил, что широкая аудитория может извлечь выгоду из потенциала GAN

Ван также утверждал, как важно информировать людей о том, что этот тип технологий может быть как революционным, так и опасным

Так началось это…

После запуска проекта с лицами другие разработчики использовали его код (находящийся в открытом доступе на Github) для других сайтов вроде thiscatdoesnotexist.com и thesecatsdonotexist.com, чтобы создавать несуществующих котов. Они выглядят довольно реалистично, но вы можете заметить некоторые странные фрагменты. Иногда это выглядит очень жутко.

Cognitive Architecture

Самое главное отличие мыслящих машин от простых нейросетей — наличие настоящего Контекста. «Андрей сел в кресло и задумался, он не знал с чего начать статью»: кто такой «он» мы понимаем из контекста, это область нашего мозга (кратковременная память), которая хранит маленькую модель мира. Когда вы только сели читать книгу, мозг создает новый пустой контекст, который быстро наполняется объектами из долгосрочной памяти: кресло, в нем сидит задумчивый человек. Сформировав контекст, мозг автоматически начинает его обрабатывать:

тестирует образ на полноту, что-то при этом дорисовывает или требует уточнить (у нас возникает непреодолимое желание уточнить цвет кресла);
ищет новую важную информацию в образе, сравнивая его с блоками в долговременной памяти;
прогнозирует, что будет дальше.

То же самое происходит, когда мы заходим в комнату: в голове формируется контекст, только уже на основании визуальной информации: вот кот, он в состоянии покоя, значит опасности нет

Мозг может хранить в краткосрочной памяти сразу несколько контекстов, и наше внимание переключается между ними в зависимости от внешних раздражителей: читаем книгу, тут слышим дребезг посуды и переключаемся на комнату, затем возвращаемся к книге. Если внимание минут 5 не переключалось на контекст, то он удаляется или частично перетекает в среднесрочную память

Вы можете сказать, что нейронная сеть с памятью RNN также владеет контекстом, ведь ее внутреннее состояние меняется в зависимости от поступающих на вход данных. В теории да, можно создать огромную сеть, которая на выходе будет выдавать правильные решения и чутко реагировать на изменения окружающего мира, но это будет крайне неэффективное решение с вычислительной точки зрения по сравнению с «традиционными» алгоритмами. Даже наш мозг выделил под контекст отдельную память. Так же возникают серьезные проблемы с отладкой решения: нейросеть можно только протестировать и попробовать дообучить, так и не постигнув суть ошибки.

Когнитивные архитектуры были созданы, чтобы повторить способность человека мыслить, соответственно у них есть:

Кратковременная память для хранения контекстов.
Долговременная память, она же База знаний: ее объекты используются для наполнения контекста. Это может быть как обычная реляционная СУБД с описанием связей между объектами, так и нейронная сеть. В некоторых реализациях оперативная и долговременная память объединены.
Восприятие: способность наполнять контекст по данным с камеры, микрофона и прочих сенсоров, не без помощи нейросетей, конечно.
Модуль анализа контекста и принятия решений.
Способность обучаться: информации об окружающем мире слишком много, чтобы набить ее в базу руками. Не все архитектуры подразумевают самообучение машины.

За последние 40 лет было создано несколько сотен реализаций когнитивных архитектур (Обзор), но если выглянуть в окно, то становится очевидным, что ни одна из них не достигла возможностей человека: они уже могут поболтать сами с собой, но улицы до сих пор подметают не роботы. Давайте разберем некоторые их ошибки и построим правильное решение.

Что делать с нежелательными артефактами?

Еще одна тема взбудоражившая интернет — всякие автодополнения, которые выглядят некорректными прежде всего с моральной точки зрения:

Матерные комментарии

Действующие API ключи

GitHub Copilot regurgitates valid secrets | Hacker News
news.ycombinator.com

Чужие копирайты

На мой взгляд, здесь ответ очевиден, искусственный интеллект не отягощен моралью. Все что вы ему покажете (закоммитите) — все будет доступно широкой общественности. Будь то ваш персональный секрет, логин или пароль… Видимо, придется просто принять эту реальность и более тщательно все ревьюить, тем более это и раньше надо было делать. А что делать с уже утекшими секретами? Они больше не секреты. Заводите новые. Вы в ответе за пароли, которые вы приручили :).

Для работы

Carly — Помогает управлять телефонными звонками.
ETCH — Помогает управлять вашим списком контактов.
Findo — Помощник для поиска по письмам, файлам и персональным облакам.
Leap — Рекомендует компании для трудоустройства на основе ваших навыков.
Lomi — Выявляет потенциальных покупателей.
Mosaic — Помогает писать качественные резюме.
Newton — Помогает искать работу мечты.
Notion — Помогает справиться с большим количеством электронной почты.
Robby — Лучший и более умный календарь.
Stella — Сканирует вакансии и управляет процессом трудоустройства.
Woo — Помогает анонимно принимать более взвешенные решения относительно своей карьеры.

Немного истории

‌‌Первый робот, научившийся писать тексты, — Quakbot из Los Angeles Times. В 2014 году он помог собрать информацию о землетрясении в Южной Калифорнии. Данные, собранные роботом, выглядят так:

‌‌Через пару лет самой известной программой для написания текстов стал робот Heliograph из Washington Post. Искусственный интеллект создал 850 заметок во время Олимпийских Игр в Рио-де-Жанейро. Он же освещал президентские выборы в США в 2016 году.

‌‌Сэм Хен, технический директор направления data science в The Post, утверждал:

— Мы внедрили Heliograph после того, как начали пользоваться машинным обучением. Теперь мы расширим тематику, сделаем более глубокий анализ и выявим проблемы, интересные читателям.

‌‌Так Heliograph описал спортивные игры. И, заметьте, робот подает новость так же, как это сделал бы человек:

‌‌Сейчас Heliograph продолжает «работать» в The Washington Post. При этом в BBC темы предлагает Juicer, в Bloomberg появился Cyborg, а Forbes внедрил систему управления контентом Bertie. Автоматизированные «корреспонденты» есть в Reuters, Guardian и The Associated Press.

‌‌— Искусственный интеллект Bertie освещает актуальные темы в режиме реального времени, рекомендует, как сделать заголовки убедительными, и предлагает иллюстрации, — рассказывает Сала Залатимо из Forbes.

‌‌В Reuters кибернетическая машина Lynx Insight находит информацию о финансовом рынке в базах данных. Журналист исследует темы, которые представляют интерес, пишет Wired. Так Lynx Insight формулирует предложения:

‌‌С 2014 года The Associated Press пользуется искусственным интеллектом (программа предоставлена производителем Automated Insights). В 2015 робот доказал жизнеспособность, приготовив квартальный отчёт, который отнимал много времени у журналистов. Если раньше The Associated Press выпускали 300 текстов за 3 месяца, теперь количество историй достигло 3 000. Кроме того, редакторы нашли меньше фактических ошибок, чем обычно, в текстах, где робот описывал компании и приводил советы экспертов.

‌‌Кстати, один из текстов, сгенерированный Automated Insights для The Associated Press выглядит так:

‌‌Менеджер стратегии The Associated Press Франческо Маркони отмечает:

— Теперь репортеры тратят меньше времени на транскрибирование интервью и поиск информации в базах данных.

‌‌Наконец, BBC использует агрегатор новостей Juicer, который подбирает подходящие темы среди всего массива информации в Интернете. Все понятия распределяются по четырем категориям — люди, места, вещи и организации. А журналисты анализируют тренды. В данный момент робот мониторит около 850 новостных лент на ведущих языках мира — в международных, национальных и местных новостных изданиях.

Мировая практика

Искусственный интеллект дополняет и постепенно заменяет программистов не только в России. В июне 2020 г. CNews писал, что компания Amazon запустила сервис Honeycode для создания приложений без необходимости написания программного кода. Проект полностью бесплатный, и использовать его могут как обычные потребители, так и крупные компании. К примеру, Slack, разработчик одноименного мессенджера, уже заявил о готовности к использованию Honeycode в своей работе.

Amazon Honeycode

В конце июня 2021 г. корпорация Microsoft запустила сервис Copilot, представляющий собой виртуального помощника программиста на базе искусственного интеллекта.

Распространяется Copilot на бесплатной основе. Он изучает код и комментарии к нему и предлагает разработчику функции и целые строки для добавления в этот код. Такой подход ускоряет процесс написания программ и дает возможность полностью отказаться от поиска решений в интернете. В процессе работы Copilot обучается и с каждым разом становится все умнее.

Помощник программиста в действии

За месяц до запуска Copilot Microsoft создала инструмент для написания ПО без развитых навыков программирования. Проект получил название Microsoft Power Apps, и он пригодится тем, кто пишет на языке Power Fx. С его помощью пользователи могут разрабатывать программы в формате диалога с компьютером. Например, при разработке приложения в сфере электронной коммерции можно будет описать в диалоге желаемую цель на естественном английском языке, после чего Power Apps задействует алгоритмы искусственного интеллекта и предложит варианты преобразования этого запроса в формулу Microsoft Power Fx.

В октябре 2020 г. в открытом доступе появилось приложение Lobe для создания готовых моделей машинного обучения. Lobe дает возможность создавать такие модели даже тем, кто не умеет программировать — от пользователей нужно лишь загрузить в нее данные, а всю работу программа выполнит сама. Lobe полностью бесплатна. Результат ее работы затем можно использовать в сторонних ПО и устройствах. Разработала Lobe все та же Microsoft.

Заключение

Искусственный интеллект применяется минимум в 16 сферах. Его использование позволило упростить и повысить качество выполняемых задач, снизить нагрузку на человеческий ресурс и оптимизировать многие процессы.

В медицине увеличилась скорость постановки диагнозов и повысилась их точность. В образовательной сфере улучшилось качество обучения за счет того, что стали учитываться индивидуальные особенности учеников. Транспортная сфера пополнилась беспилотными автомобилями. В логистике упростился учет товаров, снизилось количество ошибок. Приход ИИ в сельское хозяйство упростил удобрение и обработку культур, повысил производительность по сбору урожая.

Пользу искусственного интеллекта сложно оценить объективно, но в перечисленных областях он действительно упрощает многие процессы. Поскольку ИИ постоянно совершенствуется и обучается, прогнозы остаются оптимистичными.