45becd0072
|
||
|---|---|---|
| .. | ||
| README.md | ||
| assignment.md | ||
README.md
Зображення від Дмитра Сошникова
З часом обчислювальні ресурси стали дешевшими, а даних стало більше, тому підходи на основі нейронних мереж почали демонструвати чудову продуктивність, конкуруючи з людьми в багатьох сферах, таких як комп'ютерний зір або розуміння мови. У останнє десятиліття термін "Штучний Інтелект" здебільшого використовується як синонім до нейронних мереж, оскільки більшість успіхів у сфері ШІ, про які ми чуємо, базуються саме на них.
Ми можемо спостерігати, як змінювалися підходи, наприклад, у створенні комп'ютерної програми для гри в шахи:
- Ранні шахові програми базувалися на пошуку — програма явно намагалася оцінити можливі ходи суперника на певну кількість наступних ходів і обирала оптимальний хід, ґрунтуючись на найкращій позиції, яку можна досягти за кілька ходів. Це призвело до розробки так званого алгоритму пошуку альфа-бета відсікання.
- Стратегії пошуку добре працюють наприкінці гри, коли простір пошуку обмежений невеликою кількістю можливих ходів. Однак на початку гри простір пошуку величезний, і алгоритм можна покращити, навчаючись на існуючих партіях між людьми. Подальші експерименти використовували так зване випадкове міркування, де програма шукала випадки в базі знань, дуже схожі на поточну позицію в грі.
- Сучасні програми, які перемагають людей, базуються на нейронних мережах і підкріплювальному навчанні, де програми навчаються грати, граючи довгий час самі з собою і вчаться на власних помилках — так само, як люди вчаться грати в шахи. Однак комп'ютерна програма може зіграти набагато більше партій за значно коротший час, і тому може навчатися набагато швидше.
✅ Проведіть невелике дослідження про інші ігри, в які грали ШІ.
Аналогічно, ми можемо побачити, як змінювався підхід до створення "розмовляючих програм" (які могли б пройти тест Тьюринга):
- Ранні програми такого типу, як Eliza, базувалися на дуже простих граматичних правилах і переформулюванні вхідного речення у запитання.
- Сучасні асистенти, такі як Cortana, Siri або Google Assistant, є гібридними системами, які використовують нейронні мережі для перетворення мови в текст і розпізнавання намірів, а потім застосовують деякі алгоритми міркування або явні алгоритми для виконання необхідних дій.
- У майбутньому ми можемо очікувати повністю нейронної моделі, яка зможе самостійно обробляти діалоги. Останні сімейства нейронних мереж GPT і Turing-NLG демонструють великі успіхи в цьому.
Зображення Дмитра Сошникова, фото Марини Абросімової, Unsplash
Останні дослідження в галузі штучного інтелекту
Величезний ріст досліджень нейронних мереж розпочався приблизно у 2010 році, коли стали доступними великі публічні набори даних. Величезна колекція зображень під назвою ImageNet, яка містить близько 14 мільйонів анотованих зображень, дала початок ImageNet Large Scale Visual Recognition Challenge.
Зображення Дмитра Сошникова
У 2012 році Convolutional Neural Networks вперше були використані для класифікації зображень, що призвело до значного зниження помилок класифікації (з майже 30% до 16,4%). У 2015 році архітектура ResNet від Microsoft Research досягла точності на рівні людини.
З того часу нейронні мережі продемонстрували дуже успішну поведінку у багатьох завданнях:
| Рік | Досягнення паритету з людиною |
|---|---|
| 2015 | Класифікація зображень |
| 2016 | Розпізнавання розмовної мови |
| 2018 | Автоматичний машинний переклад (з китайської на англійську) |
| 2020 | Опис зображень |
За останні кілька років ми стали свідками величезних успіхів великих мовних моделей, таких як BERT та GPT-3. Це стало можливим здебільшого завдяки тому, що існує велика кількість загальних текстових даних, які дозволяють навчати моделі розуміти структуру та зміст текстів, попередньо тренувати їх на загальних текстових колекціях, а потім спеціалізувати ці моделі для більш конкретних завдань. Ми дізнаємося більше про обробку природної мови пізніше в цьому курсі.
🚀 Виклик
Здійсніть дослідження в інтернеті, щоб визначити, де, на вашу думку, штучний інтелект використовується найефективніше. Це може бути додаток для картографії, сервіс перетворення мови в текст або відеогра. Дослідіть, як була створена ця система.
Тест після лекції
Огляд і самостійне навчання
Ознайомтеся з історією штучного інтелекту та машинного навчання, прочитавши цей урок. Виберіть елемент із скетчноту на початку цього уроку або цього, і дослідіть його глибше, щоб зрозуміти культурний контекст, який вплинув на його розвиток.
Завдання: Game Jam
Відмова від відповідальності:
Цей документ було перекладено за допомогою сервісу автоматичного перекладу Co-op Translator. Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критичної інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникли внаслідок використання цього перекладу.