AI-For-Beginners/translations/bg/lessons/1-Intro

Въведение в изкуствения интелект

Рисунка от Tomomi Imura

Тест преди лекцията

Изкуственият интелект е вълнуваща научна дисциплина, която изучава как можем да накараме компютрите да проявяват интелигентно поведение, например да извършват неща, в които хората са добри.

Първоначално компютрите са били изобретени от Чарлз Бабидж, за да работят с числа, следвайки добре дефинирана процедура – алгоритъм. Съвременните компютри, въпреки че са значително по-напреднали от оригиналния модел, предложен през 19-ти век, все още следват същата идея за контролирани изчисления. Така е възможно да програмираме компютър да извършва нещо, ако знаем точната последователност от стъпки, които трябва да изпълним, за да постигнем целта.

Снимка от Vickie Soshnikova

✅ Определянето на възрастта на човек от негова снимка е задача, която не може да бъде изрично програмирана, защото не знаем как точно стигаме до числото в главата си, когато го правим.

---

Има задачи обаче, за които не знаем изрично как да ги решим. Например, определянето на възрастта на човек от негова снимка. Ние някак си се научаваме да го правим, защото сме виждали много примери на хора на различна възраст, но не можем изрично да обясним как го правим, нито можем да програмираме компютър да го прави. Именно този тип задачи са интересни за Изкуствения интелект (съкратено ИИ).

✅ Помислете за някои задачи, които бихте могли да прехвърлите на компютър, който би се възползвал от ИИ. Разгледайте областите на финансите, медицината и изкуствата – как тези области се възползват днес от ИИ?

Слаб ИИ срещу Силен ИИ

Слаб ИИ	Силен ИИ
Слабият ИИ се отнася до системи, които са проектирани и обучени за конкретна задача или тесен набор от задачи.	Силният ИИ, или Изкуствен Общ Интелект (AGI), се отнася до системи с човешко ниво на интелигентност и разбиране.
Тези системи не са общо интелигентни; те са отлични в изпълнението на предварително дефинирана задача, но нямат истинско разбиране или съзнание.	Тези системи имат способността да изпълняват всяка интелектуална задача, която човек може да направи, да се адаптират към различни области и да притежават форма на съзнание или самосъзнание.
Примери за слаб ИИ включват виртуални асистенти като Siri или Alexa, алгоритми за препоръки, използвани от стрийминг услуги, и чатботове, проектирани за конкретни задачи в обслужването на клиенти.	Постигането на Силен ИИ е дългосрочна цел на изследванията в областта на ИИ и би изисквало разработването на системи, които могат да разсъждават, учат, разбират и се адаптират в широк спектър от задачи и контексти.
Слабият ИИ е силно специализиран и не притежава когнитивни способности, подобни на човешките, или общи способности за решаване на проблеми извън своята тясна област.	Силният ИИ в момента е теоретична концепция и нито една система не е достигнала това ниво на обща интелигентност.

За повече информация вижте Artificial General Intelligence (AGI).

Определение за интелигентност и тестът на Тюринг

Един от проблемите при работа с термина Интелигентност е, че няма ясно определение за него. Може да се твърди, че интелигентността е свързана с абстрактното мислене или със самосъзнанието, но не можем да я дефинираме точно.

Снимка от Amber Kipp от Unsplash

За да видите колко неясен е терминът интелигентност, опитайте да отговорите на въпроса: „Интелигентна ли е котката?“. Различни хора дават различни отговори на този въпрос, тъй като няма универсално приет тест, който да докаже дали твърдението е вярно или не. А ако мислите, че има – опитайте да подложите котката си на тест за интелигентност...

✅ Помислете за минута как дефинирате интелигентността. Интелигентна ли е врана, която може да реши лабиринт, за да стигне до храна? А дете?

---

Когато говорим за AGI, трябва да имаме начин да определим дали сме създали наистина интелигентна система. Алън Тюринг предлага метод, наречен Тест на Тюринг, който също действа като дефиниция за интелигентност. Тестът сравнява дадена система с нещо, което е присъщо интелигентно – истински човек, и тъй като всяко автоматично сравнение може да бъде заобиколено от компютърна програма, използваме човешки разпитващ. Така, ако човек не може да различи истински човек от компютърна система в текстов диалог – системата се счита за интелигентна.

Чатботът Eugene Goostman, разработен в Санкт Петербург, се доближи до преминаването на теста на Тюринг през 2014 г., използвайки хитър трик с личността. Той обяви предварително, че е 13-годишно украинско момче, което обяснява липсата на знания и някои несъответствия в текста. Ботът убеди 30% от съдиите, че е човек след 5-минутен диалог – метрика, която Тюринг вярваше, че машините ще могат да постигнат до 2000 г. Въпреки това трябва да се разбере, че това не означава, че сме създали интелигентна система или че компютърна система е заблудила човешкия разпитващ – системата не е заблудила хората, а по-скоро създателите на бота са го направили!

✅ Били ли сте някога заблудени от чатбот, че говорите с човек? Как ви убеди?

Различни подходи към ИИ

Ако искаме компютърът да се държи като човек, трябва по някакъв начин да моделираме нашия начин на мислене вътре в компютъра. Следователно трябва да се опитаме да разберем какво прави човека интелигентен.

За да можем да програмираме интелигентност в машина, трябва да разберем как работят нашите собствени процеси на вземане на решения. Ако направите малко самоанализ, ще осъзнаете, че има процеси, които се случват подсъзнателно – например можем да различим котка от куче, без да мислим за това – докато други включват разсъждения.

Има два възможни подхода към този проблем:

Подход отгоре-надолу (Символично разсъждение)	Подход отдолу-нагоре (Невронни мрежи)
Подходът отгоре-надолу моделира начина, по който човек разсъждава, за да реши даден проблем. Той включва извличане на знания от човек и представянето им във форма, която компютърът може да разбере. Също така трябва да разработим начин за моделиране на разсъждения в компютъра.	Подходът отдолу-нагоре моделира структурата на човешкия мозък, състоящ се от огромен брой прости единици, наречени неврони. Всеки неврон действа като претеглена средна стойност на своите входове и можем да обучим мрежа от неврони да решава полезни проблеми, като предоставяме обучителни данни.

Съществуват и други възможни подходи към интелигентността:

• Емергентен, синергетичен или многоагентен подход се основават на факта, че сложното интелигентно поведение може да възникне от взаимодействието на голям брой прости агенти. Според еволюционната кибернетика, интелигентността може да възникне от по-просто, реактивно поведение в процеса на метасистемен преход.

• Еволюционен подход или генетичен алгоритъм е процес на оптимизация, базиран на принципите на еволюцията.

Ще разгледаме тези подходи по-късно в курса, но засега ще се фокусираме върху двата основни направления: отгоре-надолу и отдолу-нагоре.

Подход отгоре-надолу

При подхода отгоре-надолу се опитваме да моделираме нашето разсъждение. Тъй като можем да следваме мислите си, когато разсъждаваме, можем да се опитаме да формализираме този процес и да го програмираме в компютъра. Това се нарича символично разсъждение.

Хората обикновено имат някакви правила в главата си, които ръководят процесите им на вземане на решения. Например, когато лекар диагностицира пациент, той или тя може да осъзнае, че човек има треска и следователно може да има възпаление в тялото. Чрез прилагане на голям набор от правила към конкретен проблем лекарят може да стигне до окончателната диагноза.

Този подход разчита силно на представяне на знания и разсъждения. Извличането на знания от човешки експерт може да бъде най-трудната част, защото лекарят в много случаи не знае точно защо стига до определена диагноза. Понякога решението просто изниква в главата му, без изрично мислене. Някои задачи, като определяне на възрастта на човек от снимка, изобщо не могат да бъдат сведени до манипулиране на знания.

Подход отдолу-нагоре

Алтернативно, можем да се опитаме да моделираме най-простите елементи в нашия мозък – невроните. Можем да изградим така наречената изкуствена невронна мрежа в компютър и след това да се опитаме да я научим да решава проблеми, като й предоставяме примери. Този процес е подобен на начина, по който новородено дете учи заобикалящата го среда, като прави наблюдения.

✅ Направете малко проучване за това как бебетата учат. Какви са основните елементи на мозъка на бебето?

А какво ще кажете за машинното обучение?
Част от Изкуствения интелект, която се основава на това компютърът да се научи да решава проблем въз основа на някакви данни, се нарича Машинно обучение. Няма да разглеждаме класическото машинно обучение в този курс – насочваме ви към отделната учебна програма Machine Learning for Beginners.

Кратка история на ИИ

Изкуственият интелект започва като област в средата на двадесети век. Първоначално символичното разсъждение е преобладаващ подход и води до редица важни успехи, като експертни системи – компютърни програми, които могат да действат като експерт в някои ограничени области на проблеми. Въпреки това скоро става ясно, че този подход не се мащабира добре. Извличането на знания от експерт, представянето им в компютър и поддържането на тази база от знания актуална се оказва много сложна задача и твърде скъпа, за да бъде практична в много случаи. Това води до така наречената Зима на ИИ през 70-те години.

Снимка от Дмитрий Сошников

С течение на времето изчислителните ресурси стават по-евтини, а данните – по-достъпни, което позволява подходите с невронни мрежи да демонстрират отлична производителност в конкуренция с хора в много области, като компютърно зрение или разпознаване на реч. През последното десетилетие терминът Изкуствен интелект се използва предимно като синоним на невронни мрежи, защото повечето успехи на ИИ, за които чуваме, се основават на тях.

Можем да наблюдаваме как подходите се променят, например при създаването на компютърна програма за игра на шах:

• Ранните шахматни програми се основават на търсене – програмата изрично се опитва да оцени възможните ходове на противника за даден брой следващи ходове и избира оптимален ход въз основа на най-добрата позиция, която може да бъде постигната след няколко хода. Това води до разработването на така наречения алгоритъм за търсене alpha-beta pruning.
• Стратегиите за търсене работят добре към края на играта, където пространството за търсене е ограничено от малък брой възможни ходове. Въпреки това, в началото на играта пространството за търсене е огромно и алгоритъмът може да бъде подобрен чрез учене от съществуващи мачове между човешки играчи. Последващите експерименти използват така нареченото case-based reasoning, където програмата търси случаи в базата от знания, много подобни на текущата позиция в играта.
• Съвременните програми, които побеждават човешки играчи, се основават на невронни мрежи и подкрепящо обучение, където програмите се учат да играят, като играят дълго време срещу себе си и се учат от собствените си грешки – подобно на начина, по който хората се учат да играят шах. Въпреки това, компютърна програма може да изиграе много повече игри за много по-кратко време и следователно може да учи много по-бързо.

✅ Направете малко проучване за други игри, които са били играни от ИИ.

По подобен начин можем да видим как подходът към създаването на „говорещи програми“ (които могат да преминат теста на Тюринг) се е променил:

• Ранните програми от този вид, като Eliza, се основават на много прости граматически правила и преформулиране на входното изречение във въпрос.
• Съвременните асистенти, като Cortana, Siri или Google Assistant, са хибридни системи, които използват невронни мрежи за преобразуване на реч в текст и разпознаване на намерението ни, а след това прилагат някакво разсъждение или изрични алгоритми за изпълнение на необходимите действия.
• В бъдеще можем да очакваме

Снимка от Дмитрий Сошников, снимка от Марина Абросимова, Unsplash

Последни изследвания в областта на изкуствения интелект

Огромният ръст в изследванията на невронните мрежи започна около 2010 година, когато станаха достъпни големи публични набори от данни. Огромна колекция от изображения, наречена ImageNet, която съдържа около 14 милиона анотирани изображения, даде началото на ImageNet Large Scale Visual Recognition Challenge.

Снимка от Дмитрий Сошников

През 2012 година Конволюционни невронни мрежи бяха използвани за първи път в класификация на изображения, което доведе до значително намаляване на грешките при класификация (от почти 30% до 16.4%). През 2015 година архитектурата ResNet на Microsoft Research постигна точност на ниво човек.

Оттогава невронните мрежи демонстрират много успешни резултати в различни задачи:

---

Година	Постигнато равенство с човека
2015	Класификация на изображения
2016	Разпознаване на разговорна реч
2018	Автоматичен машинен превод (от китайски на английски)
2020	Генериране на описания за изображения

През последните няколко години станахме свидетели на огромни успехи с големи езикови модели като BERT и GPT-3. Това се случи основно благодарение на наличието на голямо количество общи текстови данни, които позволяват обучението на модели за улавяне на структурата и значението на текстовете, предварителното им обучение върху общи текстови колекции и след това специализацията на тези модели за по-специфични задачи. Ще научим повече за Обработката на естествен език по-късно в този курс.

🚀 Предизвикателство

Направете обиколка в интернет, за да определите къде, според вас, изкуственият интелект се използва най-ефективно. Дали е в приложение за картографиране, услуга за преобразуване на реч в текст или видеоигра? Проучете как е създадена системата.

Тест след лекцията

Преглед и самостоятелно обучение

Прегледайте историята на изкуствения интелект и машинното обучение, като прочетете този урок. Изберете елемент от скицата в началото на този урок или този тук и го проучете по-задълбочено, за да разберете културния контекст, който е повлиял на неговото развитие.

Задача: Game Jam

Отказ от отговорност:
Този документ е преведен с помощта на AI услуга за превод Co-op Translator. Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за недоразумения или погрешни интерпретации, произтичащи от използването на този превод.