Исследователи Массачусетского технологического института изучили 16625 научных работ по теме «искусственный интеллект» на открытой платформе научных публикаций arXiv.org. Проанализировав частоту упонимания слов и словосочетаний, исследователи выяснили — какие технологии упоминаются в них чаще всего. Это позволило им сделать ряд прогнозов относительно ближайших перспектив развития технологии Искусственного Интеллекта (ИИ).
Примером такого же наукометрического (библиометрического) подхода можно назвать использование спортивной статистики, которое с Промокод 1xbet , применяется для прогнозирования результатов спортивных соревнований. Вопрос качества подобных прогнозов остается открытым, но использование объективных количественных показателей позволяет избежать субъективности экспертных оценок.
Сейчас, когда появляются свежие новости об очередном внедрении ИИ, то в большинстве случаях они связаны с использованием технологии глубокого обучения, которая появилась менее 10 лет назад. Исследователи MIT Technology Review решили проанализировать развитие ИИ по статьям одной из крупнейших открытых баз данных научных работ — arXiv.org. До 18 ноября 2018 года из раздела «Искусственный интеллект», получилось выгрузить рефераты 16625 статей.
Шестнадцать с половиной тысяч статей — не кажется большим числом для бурно развивающейся отрасли. Исследователи отмечают, что хотя сам термин «искусственный интеллект» впервые стал использоваться в 1950-х годах, но их исследование использует только данные с сайта arXiv.org, где даже раздел ИИ появился лишь в 1993 году (т.е. его не было в начале запуска самой платформы — в 1991 году). Таким образом, этот анализ не претендует на полноту, так как покрывает только часть истории развития ИИ и только небольшую часть открытых источников. Тем не менее, данные ресурса arXiv.org вполне позволяют выявить крупные тенденции в исследованиях ИИ, которые и являются отражением развития различных идей.
Машинное обучение
Самый серьезный сдвиг, который обнаружился а начале 2000-х годов — это переход от экспертных систем основанных на знаниях (knowledge-based systems), к концепции машинного обучения.
Отказ от идеи описания человеческих знаний в виде заданных правил, обозначил переход к машинному обучению — алгоритмам, которые включают в себя и глубокое обучение.
Данный переход отразился в статьях снижением частоты использования слов: «логика», «программа», «ограничение», «правило», «теория» и наоборот, стали чаще встречаться слова: «обучение», «данные», «сеть», «задача», «производительность».
В 1980-х годах ИИ сводился к экспертным системам на основе задаваемых правил. Типичный пример — проект Cyc. Однако разработка подобной системы требует создания слишком большого количества правил, что приводит к чрезмерной сложности системы, дороговизне и длительности разработки.
Так победила идея, что программа сама извлечёт правила из большого количества данных.
Нейронные сети
Нейронные сети лежат в основе глубокого обучения, но они не сразу стали популярны.
В 1990-х и 2000-х годах учёные и исследователи тестировали множество разных методов: байесовские сети, метод опорных векторов, эволюционные алгоритмы.
Но в 2012 году произошел серьезный прорыв в развитии нейронных сетей. Во время ежегодного конкурса ImageNet, призванного ускорить прогресс в области компьютерного зрения, Джеффри Хинтон вместе со своими коллегами из Университета Торонто добился наилучшей точности в распознавании изображений с существенным перевесом более 10 процентов.
Так победила идея глубокого обучения на базе нейронных сетей.
Обучение с подкреплением
Третий важный прорыв, связан с ростом интереса к методам обучения с подкреплением (reinforcement learning (RL)).
Подход RL имитирует процесс обучения животных с помощью условных наказаний и наград: агент (испытуемая система) обучается, взаимодействуя с некоторой средой и получая от нее обратную связь.
Идея не нова, но в течение многих десятилетий не получалось ее воплотить.
В 2015 году, сказался эффект от победы над чемпионом мира по игре Го алгоритма AlphaGo от компании DeepMind, который был обучен с помощью метода подкрепления.
Так победила идея обучения с подкреплением.
Тренды
Машинное обучение продолжает свой победоносный путь, играя все более важную роль в обработке и анализе данных. Появляется все больше систем автоматизации машинного обучения, которые позволят ускорить внедрение машинного обучения во все сферы жизни: компьютерное зрение, датчики, робототехника, кредитование, страхование, рекомендации, прогнозирование и т.д.
Эксперты выделяют следующие тренды машинного обучения:
* Обеспечение умной визуализации, помогающей описать и понять данные;
* Поиск / построение / извлечение лучших функций для заданного набора данных;
* Создание более мощных и интеллектуальных прогностических моделей;
* Преодоление разрыва между моделированием “черного ящика” и применением такой модели с помощью повышения интерпретируемости модели;
* Облегчение производства моделей.
Проблемы обучения с подкреплением
В настоящее время, эксперты приводят три главные проблемы в области RL:
1. Сложность образцов (чтобы обучиться агент должен увидеть / набрать большое количество опыта);
2. Обобщение и передача обучения (тренировка по задаче A, тест по задаче B);
3. Иерархическая RL (автоматическое разбиение подцелей).
Тенденции
Ученые продолжают разнообразные попытки воспроизвести разум и никто пока не знает — как решить эту задачу.
Различные популярные методы и технологии появляются каждое десятилетие: нейронные сети в конце 1950-х и 60-х, различные символические подходы в 70-х, экспертные системы, основанные на знаниях в 80-х, байесовские сети в 90-е, опорные векторные машины в 2000-х, глубокие нейронные сети в 2010-х.
Очень часто технологии опережают свое время и не соответствуют его вызовам и возможностям. Это очень хорошо видно по нейронным сетям, которые достигли своего пика в 1960-х, но едва не умерли, прежде чем вновь обрели свою популярность благодаря глубокому обучению.
Скоро наступят 2020-е годы, и нас может ожидать новая парадигма ИИ, которая придет на смену глубокому обучению.
Возможно это будут совершенно новые алгоритмы, а возможно — новая реинкарнация старых.
Быть может прорыв в ИИ будет связан с развитием квантовых вычислений, которые позволят решить проблемы вычислимости и сложности алгоритмов.
Ссылки
We analyzed 16,625 papers to figure out where AI is headed next
A Technical Overview of AI & ML (NLP, Computer Vision, Reinforcement Learning) in 2018 & Trends for 2019
По теме
Глубокие нейронные сети как следующий этап развития программного обеспечения
Будущее глубокого обучения