На днях мы решили пообщаться с нашим главным преподавателем в программа Deep Learning Григория Сапунова и обсудим с ним актуальные вопросы, связанные с областью искусственного интеллекта (ИИ).
Несколько лет назад Григорий был руководителем развития «Яндекс.
Новостей».
В настоящее время он является техническим директором и соучредителем Intento. На протяжении 15 лет занимается анализом данных, искусственным интеллектом и машинным обучением, с 2011 года занимается Deep Learning, участвовал в проектах RoadAR (нейросетевое распознавание объектов на дороге), Icon8 (нейросетевые фильтры), и т. д. 
— Я давно хотел с вами предметно поговорить на тему искусственного интеллекта.
Вы давно в этой теме, хорошо разбираетесь и следите за ней, консультируете ряд стартапов.
Что вас изначально привлекло в этой теме? — Я всегда был неравнодушен к междисциплинарным темам, особенно на стыке таких интересных мне областей, как программирование, биология, математика, наука о мозге, психология, лингвистика и философия.
Искусственный интеллект находится как раз на пересечении всех этих областей.
Здесь много непростых задач, постоянное ощущение, что ты находишься на окраине неизведанного, и, несмотря на довольно долгую историю этого направления, до сих пор ведь регулярно оказываешься в местах, где до этого мало кто бывал.
Это невероятно интересно.
«Вы начали заниматься этим еще до того, как это стало модным».
С чем вы связываете тот бум, который мы сейчас переживаем в области развития ИИ? И существует ли он на самом деле? Может быть, это очередной хайп с завышенными ожиданиями? — Как обычно, есть как конструктивная история, так и неконструктивная.
Конструктивная часть заключается в том, что в последние годы произошел прорыв в работе с нейронными сетями.
Парадокс в том, что многие идеи, алгоритмы и методы, связанные с этим прорывом, были разработаны давно и не являются особенно новыми.
Около пяти лет назад рост вычислительных возможностей и появление больших наборов данных успешно сошлись в один момент. А потом оказалось, что старые алгоритмы в целом работают хорошо, но раньше просто не хватало ресурсов для их правильного обучения.
С тех пор появилось много концептуально новых вещей, а в ряде областей (например, распознавание речи и компьютерное зрение) глубокое обучение успешно прошло и заменило традиционные методы.
Большинство книг по ИИ, которым больше пяти лет, уже опасно читать, поскольку они устарели.
Например, они постоянно приводят пример задачи, которую компьютер не может решить, но может решить трехлетний ребенок, — отличить кошку от собаки.
Этого не было уже давно (несколько лет).
Компьютер прекрасно распознает изображения, причем делает это с качеством выше, чем у человека.
Или совсем недавно (год-два назад) считалось, что игра Го останется неуязвимой еще лет двадцать.
Весной 2016 года стало ясно, что это уже не так.
Мало кто этого ожидал.
То есть в этом месте бум вполне оправдан.
Более того, есть ощущение, что на данный момент фантазия не поспевает за технологиями.
Современные разработки очень универсальны, могут использоваться для самых разных задач, и о многих подобных приложениях пока никто не думал.
Или я думал об этом, но еще не уделил этому нужного количества времени.
У меня есть свой шорт-лист подобных задач, жду, когда доберусь до них сам, или это сделает кто-то другой :) Ажиотаж с завышенными ожиданиями, к сожалению, тоже присутствует. И на примере истории ИИ мы уже знаем, что все повторяется и к чему это приводит. Еще на заре ИИ в 1956 году один из основателей области (Джон Маккарти) заявил, что серьезного прогресса можно добиться за одно лето, а чуть позже, в 1965 году, не менее крутой человек (Герберт Саймон) заявил, что в течение 20 лет машины смогут делать все, что могут делать люди.
И эти завышенные ожидания уже привели к «зимам искусственного интеллекта», когда все были разочарованы отсутствием обещанных результатов и прекратили финансирование проектов ИИ.
Сейчас существует риск новой зимы.
Потому что наряду с имеющимися успехами, есть еще масса нерешенных вопросов, которые остаются за скобками восторженных публикаций в прессе.
Но как обычно хочется верить, что в этот раз все будет иначе :) — Многие сейчас опасаются, что ИИ уничтожит многие профессии.
Какие проблемы ИИ все еще может решать на высоком уровне сейчас? И кому в конечном итоге стоит опасаться конкуренции со стороны ИИ? — Различные международные исследовательские группы и СМИ уже регулярно публикуют списки профессий, ранжированные по степени риска их вытеснения компьютерами.
Некоторые из этих списков выглядят странно, некоторые вполне правдоподобны.
Некоторые из них вы легко можете найти в Интернете самостоятельно.
ИИ уже может заменить или сильно вытеснить людей во многих местах, где люди были нужны только для распознавания визуальных или голосовых образов.
Или где люди вынуждены перебирать огромные объемы информации (это более родная среда для компьютеров).
Думаю, трагедия и комичность ситуации будет в том, что в первую очередь ИИ вымоет массу людей из этой самой сферы и шире из ИТ.
На данный момент существует большое количество специалистов по обработке данных, которые занимаются лишь применением готовых рецептов и просчетом параметров моделей.
Эту глупую, нетворческую работу надо и будут автоматизировать, и это уже делают различные компании (см.
, например, FBLОбучающийся поток ).
В программировании также существует огромное количество утомительных и скучных задач, которые давно пора автоматизировать (см.
замечательные слова Сассмана, одного из авторов SICP: «Программирование сегодня больше похоже на науку: берешь часть библиотеки и тыкаешь в нее — смотришь, что она делает. Затем вы спрашиваете себя: «Могу ли я настроить это так, чтобы оно делало то, что мне нужноЭ» Подход анализа через синтез, используемый в SICP, когда вы строите большую систему из простых маленьких частей, устарел.
Сегодня мы программируем «наугад», habrahabr.ru/post/282986 ).
Кстати, в текущем проекте Intento мы стремимся автоматизировать одну из этих областей программирования.
Следите за анонсами :) — А если фантазировать лет 5-10? Вопрос может быть актуальным для тех, кто только поступает в университет. - Во-первых, везде пройдёт посредственность.
Посредственные преподаватели, посредственные программисты, посредственные переводчики, посредственные юристы.
Если ты чему-то научишься, ты станешь лучшим.
Ну и не чурайтесь новых технологий.
Сила по-прежнему заключается не в замене людей ИИ, а в дополнении их ИИ.
Тот, кто будет постоянно совершенствоваться и сможет успешно дополнять себя информационными технологиями нового века, никогда не останется в проигрыше.
Некоторые профессии наверняка уйдут в небытие, но даже если вы сейчас учитесь на одну из этих профессий, держите руку на пульсе и оглядывайтесь по сторонам.
Некоторые профессии уйдут, но сколько появится новых, о которых мы пока не знаем? Когда лошади исчезли из быта, вокруг автомобилей и транспорта возникло целое море новых профессий.
Об этих новых профессиях еще можно было догадываться по аналогии, но с появлением компьютеров возникли профессии, о многих из которых нельзя было даже подумать заранее.
Если вы всегда открыты новому, то вы легко найдете себе место в этом новом мире.
— Сейчас, когда мы говорим «искусственный интеллект», мы почти сразу подразумеваем или строим ассоциацию «глубокое обучение».
Насколько это оправдано? Что еще может быть встроено в ИИ, кроме глубоких нейронных сетей? — Глубокое обучение (ГО) заменило все остальные методы ИИ в медиасфере и практически стало синонимом ИИ.
Но это, конечно, неправда.
Существует огромное количество методов вне DL. Существуют, например, эволюционные расчеты и методы роевого интеллекта, которые могут находить решения очень сложных задач оптимизации (часто NP-сложных).
Существуют символические методы представления знаний и логические выводы, которые очень эффективны в области автоматического рассуждения и могут, например, объяснить, как был получен тот или иной вывод. DL на данный момент практически не в состоянии это сделать (недавняя последняя публикация DeepMind о Дифференцируемые нейронные компьютеры открывает путь для ДЛ в этом направлении).
Есть интересное направление под названием Вероятностное программирование .
Откройте любую вменяемую книгу об ИИ, там в оглавлении огромное количество различных методов.
Могу порекомендовать свой относительно недавний презентация о текущем состоянии ИИ, который я делал для школьников в рамках проекта GoTo School. Он еще далек от завершения, но существует множество примеров успеха подходов, не связанных с DL. — Почему, по вашему мнению, глубокое обучение хорошо подходит для решения многих задач, которые выполняет человек? Можно ли придумать что-то альтернативное? — Это действительно сложный вопрос: почему DL работает, и почему оно работает так эффективно.
Параллельный вопрос заключается в том, почему человеческий мозг способен хорошо решать те же самые проблемы.
Ученые пытаются объясни это с помощью физики .
Видимо, есть некоторая общность принципов, хотя искусственные нейронные сети довольно далеки от биологических.
Дополнительный интересный вопрос: какие задачи человек выполняет плохо, а машина (возможно, какой-то новой архитектуры) может выполнять хорошо.
Помимо очевидных быстрых вычислений и хранения больших объемов данных.
мне очень нравится в этом смысле Слова Хэмминга : «Точно так же, как существуют запахи, которые собаки могут чувствовать, а мы не можем, а также звуки, которые собаки могут слышать, а мы не можем, так же существуют длины волн света, которые мы не можем видеть, и вкусы, которые мы не можем почувствовать.
Почему же тогда, учитывая то, как устроен наш мозг, замечание «Возможно, есть мысли, которые мы не можем мыслить» удивляет вас? Возможно, до сих пор эволюция лишила нас возможности мыслить в некоторых направлениях; могут возникнуть немыслимые мысли».
Именно здесь ИИ потенциально может произвести в нас революцию.
При этом надо помнить, что существует множество других задач, для которых DL не подходит, но подходят другие методы.
См.
, например, символические методы, о которых я говорил ранее.
— Ощущаете ли вы, что рынок сейчас испытывает нехватку специалистов, способных обучать глубокие нейронные сети? Какую тенденцию вы ожидаете в целом? — Спрос на специалистов гораздо больше, чем имеется.
Я вижу это в количестве запросов, динамике открытых вакансий, а также наличии непаханных полей, где DL явно необходимо совершить революцию, как это произошло в обработке звука и изображения.
Я по-прежнему ожидаю, что среди тенденций скоро исчезнут «поверхностные» исследователи данных.
Если вы решили выйти на это поле, не останавливайтесь после первых успехов, копайте дальше.
Это область, в которой нужно постоянно учиться.
Если вас это не устраивает, DL/ML/AI не для вас.
Однако чем вы тогда занимаетесь в ИТ? - Насколько я понимаю, это одна из причин, почему стоит поехать к нам.
образовательная программа путем глубокого обучения.
Расскажите о ней немного подробнее – какой вы ее видите? Каково его использование? — Территория огромная, за два дня или три месяца специалистом не стать.
Моя цель — дать участникам базовое понимание области ДО, терминологию и интуицию, лежащие в основе основных методов, а также структуру для навигации в этой области, которую они затем смогут разумно заполнить в соответствии со своими интересами.
Другая цель — убрать страх перед новой областью и предложить легкий вход в нее, научить быстрым практическим вещам и показать, как можно создавать работающие решения из практически готовых компонентов или собирать свои собственные, используя мощные доступные библиотеки.
Хоть курс очень интенсивный и объем материала огромен, мне хотелось не растягивать этот курс на месяцы, а сделать его компактным, чтобы его могли себе позволить даже очень занятые люди.
Время — очень важный ресурс, который я стремлюсь оптимизировать.
— Какие требования к человеку, который собирается его брать? — Интерес к области, желание разобраться в ней, умение выделить для этого время, а также базовые навыки программирования на Python, базовые знания линейной алгебры (векторы, матрицы) и математического анализа (полезно быть знакомым) с производными, если вы хотите лучше понять суть процессов, но научиться работать с DL можно и без этого, теперь все современные фреймворки могут самостоятельно делать дифференциацию для всех типов слоев и больше не нужно программировать ее вручную для много времени).
Также необходимо знакомство с областью машинного обучения (мы не будем заново изучать основы машинного обучения, например, не будем подробно разбирать, что такое логистическая регрессия, а ограничимся кратким напоминанием важного точки).
«Мне все это кажется очень интересным».
Последний вопрос, наверное, классический для данной темы.
Нас ждет восстание машин? Сообщество почему-то придерживается разных точек зрения.
Некоторые считают, что машины могут стать умнее нас, но не будут нам угрожать.
Другие, в том числе известные технологические компании, обеспокоены и хотят что-то сделать для предотвращения возможных угроз.
«Меня больше беспокоит не восстание машин, а человеческая глупость, жадность, недальновидность, неумение договариваться и т. д., что приводит к перманентным войнам и конфликтам.
По меркам эволюции с момента появления цивилизации прошло слишком мало времени; мы все еще пещерные люди.
Я надеюсь, что компьютеры смогут хоть немного компенсировать эти наши слабости.
Я верю в дополненный интеллект. Машина умнее человека рано или поздно появится.
Она тоже прочитает этот текст со всеми комментариями :) Такая машина обязательно изменит наш мир и я не могу предугадать, как она поведет себя и к чему это приведет. Это риски.
Но мы здесь не безразличные игроки; что-то зависит от нас.
Нам нужно подготовиться к этому моменту.
Но еще раньше существует масса других рисков от того, что мы сильно зависим от новых технологий, не успев как следует их осознать .
Мы создаем сложные системы (которые могут быть очень далеки от ИИ), о которых мы мы не понимаем, как они работают .
Мы Мы плохо продумываем риски внедренные технологии.
В конце концов мы просто используем новые технологии как инструменты для своих грязных дел.
Но помимо рисков я бы также рассмотрел потенциальные выгоды.
Например, в биологии, где накоплены огромные объемы данных, которые не могут быть осмыслены ни умной головой одного суперэксперта, ни даже группой экспертов.
Потенциал использования этих данных огромен – лучшее понимание всех аспектов функционирования живой клетки, лекарство от многих болезней и радикальное продление жизни человека, более глубокое понимание принципов работы мозга.
В любой другой науке также есть множество проблем и нерешенных проблем, которые ИИ мог бы помочь решить, от физики до истории.
Можно было бы радикально изменить образование, повысив его эффективность на порядки и выведя его на совершенно новый уровень.
ИИ может помочь разрешить одну из самых страшных «невидимых» трагедий — неиспользованный потенциал каждого человека.
Теги: #Машинное обучение #Интервью #искусственный интеллект #нейронные сети #Интеллектуальный анализ данных #нейронные сети #глубокое обучение
-
Эффект Тени Изображения С Использованием Css
19 Oct, 24 -
Mobilenet: Меньше, Быстрее, Точнее
19 Oct, 24 -
Точность Выборки И Расчета
19 Oct, 24
