Машинное обучение – новый взгляд на искусственный интеллект.

XII Международный конкурс научно-исследовательских и творческих работ учащихся
Старт в науке

Машинное обучение – новый взгляд на искусственный интеллект.

Шубин В.А. 1
1МАОУ СОШ №13 с УИОП
Юрко Н.И. 1
1МАОУ СОШ №13 с УИОП
Автор работы награжден дипломом победителя III степени
Текст работы размещён без изображений и формул.
Полная версия работы доступна во вкладке "Файлы работы" в формате PDF

Введение

Чтобы написать программу, достаточно придумать алгоритм, чтобы написать ИИ, необходимо понимать, как он работает, и как его можно реализовать так, чтобы он работал на ЭВМ.

Представления о мозге:

Мало, кто знает, но представления об устройстве мозга человека родились в древности. Но в то время, когда такой науки, как биология еще не было, они мало кого интересовали. Поэтому они были на столетия забыты, потом их вдруг возродили. Эти представления смешивались с другими, оспаривались, боролись друг с другом.

Изучив их историю, мы приходим к тому, что наши современные представления о мозге глубоко зависимы от эпохи, в которую они формируются и от исторического наследия:

В эпоху первых машин – машина;

с появлением телеграфа – телеграф;

сейчас – компьютер.

Сегодня науки о мозге зашли в тупик, все больше данных появляется об этом загадочном объекте, но проблема в том, что они больше не помогают, а лишь усложняют его понимание.

(Мнение большинства учёных нейробиологов)

Цель работы: изучить технологии ИИ, определить их похожесть на процесс обучения человека и установить, похож ли мозг человека на компьютер, понять, может ли человечество в ближайшее время создать ИИ.

Задачи:

Изучить современное представление о головном мозге человека.

Исследовать технологии машинного обучения.

Создать собственную предсказательную модель.

Выявить сходства и различия обучения человека и ИИ.

Проблема ИИ

В свое время разработка ИИ началась не потому, что людям хотелось иметь возможность обрабатывать фото в авторежиме, использовать маски в соцсетях и т.д. Люди начали разработку ИИ для того, чтобы через него понять, как устроен мозг человека на глубинном уровне.

В самом начале изучения ИИ, люди не знали, как научить машину “учиться”. По итогу они просто писали программу с уже заложенными возможными ситуациями. Это было невероятно сложно и особого результата не давало. Только в тех сферах деятельности, где малая вариативность действий и имеется четкий алгоритм действий. Понятное дело, что такой ИИ не был интеллектом. Однако, на тот момент сделать ничего другого не получалось.

Решение данной проблемы:

Долгое время было непонятно, как заставить машину саму писать для себя алгоритмы, но со временем, люди сначала уменьшили требования к ИИ, а затем придумали, как заставить компьютер решать простые задачи. Суть заключалась в том, чтобы дать машине данные, а она сама выявит закономерности в них, и научится с ними работать. Данный процесс и назвали машинным обучением.

Результат:

Слабый ИИ (Weak, или Narrow AI)

Слабый интеллект — тот, что нам уже удалось создать. Такой ИИ способен решать определённую задачу. Зачастую даже лучше, чем человек. Например, “DeepBlue” — компьютерная программа, которая обыграла Гарри Каспарова в шахматы ещё в 1996 году. Но такая “DeepBlue” не умеет делать ничего другого и никогда этому не научится, а если и научится, то уже не сможет играть в шахматы.

Машинное обучение

Задача машинного обучения — это тип прогноза или вывода, который определяется конкретной практической проблемой и доступными данными.

Задачи машинного обучения можно разделить на два класса: 

Обучение с учителем (машина учится по выбранным данным, есть ответы)

обучение без учителя (машина должна найти зависимость между объектами, ответов нет).

Задачи обучения с учителем

Регрессия — предсказание значения на числовой прямой;

Классификация — построение алгоритма-классификатора, который по вектору признаков x определит вероятность принадлежности элемента к тому или иному классу.

Задачи обучения без учителя

Кластеризация - разделение элементов на кластеры.

Уменьшение размерности - представить данные в пространстве меньшей размерности, минимизировав потери информации.

Главная проблема машинного обучения – переобучение:

Признак переобучения – модель показывает очень хорошие результаты на тренировочной выборке, но значительно более слабые результаты на тестовой выборке. Она нашла и запомнила некоторые отличительные особенности обучающей выборки, которых нет в тестовой. (Чем-то напоминает школьника, который все время готовился решать однотипные задания и научился решать их безупречно, но немного отличающиеся задачи ему уже не по силам).

Одна из основных моделей слабого ИИ – предсказательная модель.

Результатом моего обучения и исследования стало создание 3 предсказательных моделей, основанных на разных подходах (общих рекомендациях, по контенту, коллаборативной фильтрации)

Все они доступны для изучения и обучения на googleCollaboratory.

(Для корректной работы модели необходимо загрузить нужные датасеты, которые находятся по ссылке: https://clck.ru/UWMBC

НО, если надо просто увидеть результаты работы программы, то можно открыть любую из моделей по ссылке: https://goo.su/5B2b и не исполнять код).

В ходе их разработки я пришёл к выводу, что нынешний искусственный интеллект может выполнять (и очень быстро) ту работу, для которой человеку сначала придётся провести анализ и только потом прийти к какому-то результату. Но все же базу для этого интеллекта как-никак должен прописать человек, из-за чего назвать этот интеллект “интеллектом” в нашем привычном понимании невозможно.

Вывод

В ходе изучения, проектирования и программирования “слабого” искусственного интеллекта я пришел к выводу, что современный искусственный интеллект никак не является чем-то самостоятельным и осознанным. Это всё та же программа, для которой надо задавать математические функции и которая работает строго по сценарию. Единственное чем данная программа отличается от стандартной, так это тем, что она самостоятельно подгоняет веса в своём алгоритме под необходимый результат, а её предсказания не всегда постоянны: для одинаковых тестов порой одна и та же программа (разного уровня обучения) может выдавать разные результаты.

Заключение

Недавно исследователи попытались сравнить как люди, животные и нейросети глубокого обучения распознавали объекты живой и неживой природы. Ошибки допускали все испытуемые, однако компьютерная программа совершала принципиально иные ошибки, в отличие от живых существ, что только укрепило подозрения ученых, что смоделировать умственные процессы мозга невозможно, и называть мозг человека компьютером нельзя. Мы видим, можем распознавать объекты, делать предсказания и другие операции также как и компьютер, однако процессы за этим стоят совершенно иные. Из-за этого человечество в ближайшее время так и не сможет создать “сильный” интеллект, наподобие человеческого.

Используемая литература

The Idea of the Brain: The Past and Future of Neuroscience”.

The Idea of the Brain: A History”.

(Автор – Мэтью Кобб)

Интернет-курс со справочными материалами от AI-ACADEMY.

Интернет ресурсы: qwrt.ru, naukatv.ru, habr.com.

Просмотров работы: 20