"Olet vain robotti, jäljitelmä. Voiko robotti kirjoittaa sinfonian? — haastattelu tekoälystä Microsoftin Dmitri Soshnikovin kanssa

Olet vain robotti, elämän jäljitelmä- jakso Will Smithin kanssa elokuvasta "I, Robot", jonka materiaalista tuli suosittu meemi Internetissä.

Alkuperä

Science fiction -elokuva "I Robot" julkaistiin vuonna 2004. Pääosassa Will Smith. Yhdessä jaksossa Smithin hahmo Del Spooner kuulustelee Sunny-robottia.

Del: Olet vain kone, vain elämän jäljitelmä. Säveltääkö robotti sinfonian? Muuttaako robotti kankaasta taiteen mestariteoksen?

Sunny: Ja sinä "minä, robotti"?

Tämä ote levisi ensin verkossa mikrosarjakuvana. Joku otti kuvakaappauksia elokuvasta ja laittoi niihin tekstityksen. Jakso itsessään on varsin hauska, minkä vuoksi formaatti levisi viraaliseksi. Myöhemmin siitä tehtiin meemi, jossa joko dialogin sanat tai hahmojen kasvot korvattiin.

Merkitys

"Olet vain robotti, elämän jäljitelmä" -meemiä käytetään vitseihin tekoälyn paremmuudesta ihmisiin, esimerkiksi tulevaisuuden teknologioita koskevissa uutisissa. Tällaisia ​​kuvia käytetään usein havainnollistamaan vitsejä henkilön puutteista tai stereotypioista, myös rotuun perustuvista.

Näyte

Will Smith juo kahvia

Toisesta jaksosta elokuvasta "I, Robot" on tullut meemi, vaikkakaan ei niin suosittu. Tämä on hetki, jolloin Will Smithin hahmo juo kahvia ja tekee hapan kasvot, luultavasti huonon maun takia. Sitten hän aivastaa ja sanoo: "Anteeksi, olen allerginen paskalle." Kuvasta, jossa sankari irvistelee, on tullut malli, jota voidaan käyttää ilmaisemaan tyytymättömyyttä tai inhoa.

Galleria

Tekoälyjärjestelmien elementtien kehitys kehittyy aktiivisesti ja siitä on tulossa tämän päivän trendi, ja vain laiskot eivät kirjoita älybotteja. Siksi haastattelimme Dmitry Shwars Soshnikovia, yhtä maan parhaista tekoälyasiantuntijoista. Hän on Microsoftin teknologiaevankelista, kirjojen, artikkeleiden ja opetusohjelmien kirjoittaja sekä opettaja ja opiskelijakoordinaattori, toiminnallisen ohjelmoinnin, hermoverkkojen ja tekoälyn asiantuntija.

- Dmitry, kerro meille muutama sana itsestäsi ja työstäsi.

Dmitri Soshnikov: Microsoftin evankelistana olen eniten mukana edistämässä ja toteuttamassa nykyaikaiset tekniikat yritykset, nyt nämä ovat pääasiassa tekoälyyn liittyviä teknologioita. Tähän sisältyy puhuminen konferensseissa, työskentely opiskelijoiden ja opettajien, startup-yritysten kanssa, joskus osallistuminen hackfesteihin ja prototyyppijärjestelmien ohjelmointi yhdessä eri yritysten kehittäjien kanssa. Lisäksi popularisoin toiminnallista ohjelmointia ja F#-kieltä, opetan MIPT:ssä, HSE:ssä ja MAI:ssa sekä kehitän verkkokursseja MVA:lle ja Courseralle.

minun mielestäni neuroverkot ja tekoäly ylipäänsä on erittäin mielenkiintoinen ala, jonka nopea kehitys viime vuosina on mahdollistanut jo useiden ongelmien ratkaisemisen, joihin aiemmin ei ollut ratkaisua, kuten esim. automaattinen tunnistus henkilön ikä valokuvansa perusteella. Ja tulevaisuus tarjoaa meille monia mielenkiintoisempia mahdollisuuksia.

Neuroverkot - muoti vai työkalu?

Dmitri Soshnikov: Useat tekijät menivät onnistuneesti päällekkäin tässä.
Ensinnäkin edullinen laskentateho tuli saataville. Lisäksi heillä oli suuri rooli pilvipalvelut, koska sen sijaan, että investoisit neuroverkkojen laskentainfrastruktuuriin, voit nyt vuokrata sen vain laskelmien ajaksi ja kieltäytyä sen jälkeen vuokraamasta. Lisäksi grafiikkaprosessorit, jotka on alun perin suunniteltu tietokonegrafiikkaa. Kävi ilmi, että ne sopivat hyvin tekoälytehtäviin.

Toiseksi Internetin ansiosta valtavat tietomäärät ovat alkaneet kerääntyä monilta alueilta. Harkitse esimerkiksi aiemmin mainittua tehtävää tunnistaa henkilön ikä valokuvasta. Neuroverkon kouluttamiseksi ratkaisemaan se tarvitaan useita satojatuhansia esimerkkejä. Nyt voit ottaa minkä tahansa sosiaalinen verkosto, jossa ihmiset itse julkaisevat kuvansa ja tilitietonsa (ikä) - ja saamme heti tiedot koulutusta varten.
Kolmanneksi on tietysti syntynyt mielenkiintoista tutkimusta, mukaan lukien uudet hermoverkkoarkkitehtuurit, jotka mahdollistavat olemassa olevien ongelmien ratkaisemisen. Mutta tämä kohta on todennäköisesti seurausta kahdesta ensimmäisestä. Kun resurssit ja teknologiat ovat saatavilla, alue alkaa luonnollisesti kehittyä aktiivisesti.

Täällä on myös ilmestynyt suuri joukko työkaluja, jotka mahdollistavat näiden hermoverkkojen käytön. Jos aiemmin tekoälyongelmien ratkaisemiseksi piti olla paljon tietoa ja paljon ohjelmointia, niin nyt on tarjolla palveluita, joita voit ottaa ja käyttää.

Aihe tekoäly on erittäin suosittu nykyään. Kuinka paljon tästä suosiosta on ansaittu? Onko teknologia todella niin vaikuttava vai onko se muodin suuri panos? Ja eikö tämä "muoti" ole haitallinen kehitykselle?

Dmitri Soshnikov: Tekoälyn alalla on todellakin suuria menestyksiä, joista kirjoitetaan paljon, joten ilmaisua "tekoäly" kuullaan laajalti. Tämän ansiosta uusia kehittäjiä ilmaantuu - joku menee ja opiskelee itselleen uutta aluetta, ts. On enemmän ihmisiä, jotka ymmärtävät tämän alueen. Toisaalta ihmiset etsivät huolellisemmin niitä tehtäviä, joissa tekoälyteknologiaa voidaan soveltaa. Tästä näkökulmasta katsottuna kaikki tämä on periaatteessa hyvä, koska meillä on mahdollisuus automatisoida joitain alueita, joita emme voineet automatisoida aiemmin.

Voimme esimerkiksi ratkaista tilausten vastaanottamisen ongelman MacAuto-ikkunassa. He yrittävät aina tehdä tällaisten ongelmien ratkaisusta halvempaa. Esimerkiksi USA:ssa aluksi istui amerikkalainen, sitten tätä yritettiin ulkoistaa siirtämällä ääni halvan työvoiman maahan (jossa taas ihminen istuu ja kirjoittelee). Ja nyt tietokone voi tehdä tämän.

Onko markkinatoimijoilla liioiteltuja odotuksia? Onko olemassa ennusteita, jotka eivät mielestäsi varmasti toteudu lähitulevaisuudessa?

Dmitri Soshnikov: Tietysti on. Ensinnäkin tekoälyn ala on hieman romanttinen. On olemassa useita elokuvia - esimerkiksi "Matrix" tai "Terminaattori" - joissa robotit kapinoivat ja ottavat kaiken hallintaansa. Siksi on tietty määrä ihmisiä, jotka odottavat, että kuluu vielä viisi vuotta ja tietokoneet valtaavat maailman. Nämä odotukset ovat ilmeisesti vielä kaukana todellisuudesta. Nykyään tiettyjen kuvantunnistukseen, puheentunnistukseen ja koneoppimiseen liittyvien ongelmien ratkaiseminen on erittäin hyvin automatisoitua. Mutta meillä on vielä pitkä tie kuljettavana ennen kuin ymmärrämme, miten ihmisen ajattelu yleensä toimii. Siksi ennen sellaisen tekoälyn luomista, joka ajattelee kuin ihminen ja toimii kertyneellä tiedolla, on vielä tehtävä paljon työtä. Vielä ei ole kovin selvää, miten tämä tehdään.

- Entä odotukset taloudellisten investointien suhteen scifi-skenaarioiden toteuttamisen sijaan?

Dmitri Soshnikov: Minusta näyttää siltä, ​​että tällaista keskustelua varten on välttämätöntä jakaa tekoälyn aihe erillisiksi komponenteiksi, koska se on erittäin laaja alue.

Jos tarkastelemme tietokonenäköä, yrityksissä on jo nyt toteutettu uskomattomia edistysaskeleita, jotka lisäävät niiden tehokkuutta ja tuovat taloudellista hyötyä. Tietokonenäkö tunnistaa jo kuvat parempi kuin mies, puhumattakaan siitä, että se on huomattavasti halvempi.

Muilla aloilla, kuten luonnollisen kielen ymmärtämisessä ja mielivaltaisten aiheiden pohtimisessa, edistyminen on ollut vaatimattomampaa.

- Onko tekijöitä, jotka mielestäsi jarruttavat alan kehitystä?

Dmitri Soshnikov: Ollakseni rehellinen, en näe mitään ilmeisiä tekijöitä. Mielestäni tämä on tällä hetkellä nopeimmin kasvava alue.
Haluan kuitenkin huomauttaa, että tekoäly on ala, joka vaatii vielä jonkin verran pätevyyttä. Työskentely tähän suuntaan on hieman vaikeampaa kuin pelkkä ohjelmoinnin oppiminen. Koulusta valmistuva henkilö, joka ei saa korkea-asteen koulutusta, voi todennäköisesti aloittaa työnsä menestyksekkäästi standardikehityksen alalla. Tekoälyn avulla pääsyrima on korkeampi, vaikka sitä lasketaan asteittain, myös tämän alan osallistujien ponnistelujen ansiosta. Erityisesti yksi asia, jonka parissa Microsoft työskentelee, on niin sanottu tekoälyn demokratisointi. Tämä tarkoittaa, että teknologia on mahdollisimman laajan kuluttajasegmentin ulottuvilla.

Käytännössä ei vain Microsoft, vaan myös monet muut yritykset työskentelevät tähän suuntaan tarjoamalla valmiiden palveluiden muodossa työkaluja esimerkiksi älyllisten, kognitiivisten ongelmien ratkaisemiseen. Esimerkiksi palvelut henkilön sukupuolen, iän ja mielialan määrittämiseksi valokuvasta, voit yksinkertaisesti soittaa heille ja saada tuloksen. Sama koskee konekäännöstä jne. Osana DotNext 2017:n raporttia puhumme tästä: kuinka voit käyttää tuloksia ymmärtämättä ollenkaan, kuinka se tarkalleen toimii.

A.NET ehkä?

Dmitri Soshnikov: AI-menetelmiä voidaan toteuttaa millä tahansa tekniikalla. Siitä huolimatta samanlaisten tehtävien ympärillä on tiettyjä vakiintuneita ekosysteemejä. Esimerkiksi Python ja R sekä niihin liittyvät kirjastot ovat erittäin suosittuja kieliä datatieteilijöiden keskuudessa. Ne. täällä on jo paljon yhteisöllistä työtä. Tässä kehityksessä .NET on tietysti hieman jäljessä, kuten myös muut vastaavat alustat. .NET:llä on kuitenkin jo tietty joukko työkaluja, joista puhun osana raporttiani.

Yleisesti ottaen alustat ovat nyt jossain mielessä integroituneet, myös keskenään. Sama R-kieli integroituu erittäin hyvin F#:n kanssa, joka on natiivi .NET-alustalle. Näin ollen, jos meidän on käytettävä joitain koneoppimistyökaluja, voimme käyttää tällaista ketjua käyttämällä R-kielen ominaisuuksia ja kirjastoja. Tämä on melko läpinäkyvää ja helppoa.

Yleisesti ottaen, jos puhumme nimenomaan neuroverkoista, Microsoftilla on kognitiivinen työkalupakki, jonka avulla voit kouluttaa hermoverkkoja. Ja koska se rakennettiin alun perin Microsoftin ekosysteemiin, se toimii erittäin hyvin .NET:n kanssa.

- Tämä työkalu erottuu jotenkin muiden valmistajien analogeista?

Dmitri Soshnikov: Pohjimmiltaan Cognitive Toolkit on Microsoftin analogi TensorFlow-, Caffe- jne. kehyksille.

Ne kaikki ovat periaatteessa ideologisesti hyvin samanlaisia. Mutta Microsoft Cognitive Toolkit oli ensimmäinen, joka tuki hyvin hajautettua oppimisympäristöä, jossa voit kouluttaa hermoverkkoa ei vain yhdellä grafiikkasuorittimella, vaan useilla GPU:t tai jopa useilla grafiikkaasemilla. Ne. Voit tehdä neuroverkkokoulutustilan.

Sikäli kuin tiedän, Cognitive Toolkit voittaa muut kehykset oppimisnopeuden suhteen. Lisäksi se on erittäin kätevä käyttää. Useimmat puitteet liittyvät jollakin tavalla Python kieli, ja Cognitive Toolkit valitsivat aluksi hieman eri polun. Aluksi hermoverkon arkkitehtuuri oli mahdollista kuvata erityisellä kielellä ja sitten harjoitella sitä rakentamatta Pythonissa malleja. Se oli vähän helpompaa. Tällä hetkellä Cognitive Toolkit tukee molempia vaihtoehtoja, ts. on melko joustava.

- Todennäköisesti on hetkiä, jolloin Cognitive Toolkit on huonompi kuin analogit?

Dmitri Soshnikov: Yleensä tällaiset puitteet ovat matalan tason työkaluja, joiden päälle voidaan kouluttaa mielivaltaisia ​​hermoverkkoja. Analogien tapaan Cognitive Toolkit tukee tiettyä peruskerrosta, jonka päälle voit rakentaa mielivaltaisen monimutkaisen verkkoarkkitehtuurin. Siksi eri työkaluilla ratkaistavien tehtävien valikoima on suunnilleen sama.

Kehyksen valinta määräytyy suurelta osin joidenkin henkilökohtaisten mieltymysten ja vertailumateriaalien saatavuuden mukaan. Ja tässä Microsoft-kehys on hieman jäljessä, koska se ilmestyi hieman myöhemmin, joten sille ei ole sellaista suuri määrä materiaalit, erityisesti verkkokurssit. Mutta tilanne on tietysti vähitellen tasaantumassa.

Suunnittelemme yhdessä MIPT:n kanssa verkkokurssin julkaisemista, joka on omistettu erityisesti tekoälyn käytännön käyttöön liittyviin ongelmiin. Ja osa Cognitive Toolkit -tiedoista sisällytetään myös sinne.

Lähitulevaisuus

Dmitri Soshnikov: On luultavasti liian aikaista tehdä lopullisia ennusteita, sillä vuosina 2011-2012 alkoi teknologian erittäin nopea kehitys. Sen jälkeen tunnistusmenetelmiä on parannettu, hermoverkkoarkkitehtuuria on parannettu, ts. ongelmanratkaisun tarkkuus kasvaa.

Tässä segmentissä on edelleen monia ratkaisemattomia ongelmia. Kuvan- ja äänentunnistuksen ongelmat on jo ratkaistu melko korkealla tasolla. Seuraavaksi luultavasti mielenkiintoisinta on yrittää saada tekstistä jotain merkitystä. Täällä on myös joitain upeita onnistumisia. Voit esimerkiksi kouluttaa hermoverkkoa elokuvien keskustelupalstoilla ja hankkia robotin, joka pystyy jotenkin ylläpitämään dialogia. Mutta samaan aikaan vuoropuhelulla ei ole paljon merkitystä. Vielä ei ole selvää, kuinka tieto muutetaan merkitykseksi, miten tiedon implisiittinen esitys neuroverkoissa yhdistetään symboliseen päättelyyn. Tämä on tutkimuksen suunta, jota tutkijat jatkavat.

Mitä tulee työkaluihin, niitä kehitetään parhaillaan aktiivisesti. Eräässä mielessä työkalujen valmistajat yrittävät seurata oman alansa tieteellistä kehitystä. Uusia verkkoarkkitehtuureja ilmaantuu - niiden tuki näkyy työkaluissa, ts. Toimivuus laajenee jatkuvasti.

Kuten aiemmin sanoin, kehittäjän näkökulmasta on havaittavissa suuntaus kohti tekoälyn, mukaan lukien työkalut, demokratisoitumista. Mainitsemani Microsoft Cognitive Toolkitin lisäksi on olemassa mielenkiintoinen työkalu nimeltä Azure Machine Learning, jonka avulla voit soveltaa niitä todellisiin tietoihin ilman syvällistä ymmärrystä kaikkien koneoppimisalgoritmien toteutuksesta ja katsoa, ​​voitko tunnistaa malleja ja käytä niitä edelleen tuotteissasi. Tätä työkalua kehitetään myös melko intensiivisesti - siihen lisätään uusia menetelmiä ja algoritmeja.

Yleisesti ottaen teknologiasta on tulossa helpommin saatavilla. Monimutkaiset asiat on yksinkertaistettu, jotta niitä voidaan käyttää mahdollisimman monissa projekteissa.
Toinen asia, jonka haluaisin mainita, on, että nämä ovat vielä ensimmäisiä kokeita pilven käyttö tehokkaampia laitteistoratkaisuja, jotka toteuttavat tekoälyalgoritmeja. Emme puhu tästä Dotnextissä, mutta aihetta käsiteltiin yksityiskohtaisesti Microsoft Ignite -konferenssissa. Microsoft aikoo tarjota pilvessä klassisten laskentaresurssien lisäksi myös ohjelmoitavia integroituja logiikkapiirejä: FPGA tai FPGA. Yksinkertaistaen, nämä ovat mikropiirejä, jotka voidaan flashed suorittaa tiettyjä loogisia operaatioita, ja joka suorittaa nämä toiminnot hyvin nopeasti. Tällaisella järjestelmällä voimme laskea hermoverkon paljon nopeammin. Kokeiden aikana prosessori "kehotettiin" kääntämään kielestä kielelle, minkä seurauksena romaani "Sota ja rauha" käännetään kielestä kielelle kahdessa sekunnissa. Jos otat kaikki ne monet Microsoftin pilvessä olevat prosessorit, Wikipedia voidaan kääntää kielestä toiseen siinä ajassa, joka kestää silmän räpäyttämiseen.

Lisää käytännön tietoa Dmitry puhuu hermoverkkojen ja tekoälytekniikoiden käytöstä todellisissa projekteissa (mukaan lukien .NET:ssä) raportissaan DotNext 2017 Piter -tapahtumassa ("Käytettävissä oleva tekoäly .NET-alustalla: chatboteista ja kognitiivisista palveluista syviin hermoverkkoihin" ).

Tunnisteet: Lisää tunnisteita

Voiko robotti kirjoittaa sinfonian tai tehdä kankaasta taiteen mestariteoksen? Tämä kysymys jää avoimeksi. Mutta tämän tiedämme varmasti: nykyaikaiset lääketieteelliset nanorobotit pystyvät "leikkaamaan hapen" kasvaimesta tunkeutumalla verenkiertoon ja toimittamaan lääkkeitä vahingoittuneisiin soluihin vahingoittamatta terveitä. Neuroverkot ohittavat lääkäreitä monien sairauksien diagnosoinnissa, ja CRISPR-tekniikoita käyttävät tutkimukset voidaan pian tehdä kotoa poistumatta. Lääketieteen tulevaisuus on jo saapunut – katsotaan mitä odottaa uusilta menetelmiltä ja miten se vaikuttaa terveyteemme.

Diagnosoi se: tekoäly

Hoidon onnistuminen riippuu pitkälti nopeasta ja virheettömästä diagnoosista: tätä varten lääkärin tulee kerätä paljon käytännön kokemusta ja olla tietoinen alansa ajankohtaisista tieteellisistä töistä. Mutta koska niin paljon uusia tutkimuksia ja tapausraportteja ilmestyy painettuna kuukausittain, mistä voit löytää aikaa tutkia kaikkea? Täällä tietokoneet tulevat ihmisten apuun, jotka pystyvät käsittelemään valtavia määriä tietoa sekunneissa.

Nykyään suuret yritykset, kuten Microsoft, IBM ja Google, luovat lääketieteellisten tietojen analysointialgoritmeja. Useimmiten niiden kehitys perustuu erilaisiin itseoppivan tekoälyn muotoihin, jotka voivat löytää kuvioita suurista tietokokonaisuuksista, kuten aivoskannauksista tai kuvista epäilyttävistä kasvaimista iholla. Tällaisia ​​algoritmeja opetetaan käyttämällä tuhansien esimerkkien kirjastoja, joissa jokaiselle kuvalle on määritetty pätevän lääkärin tekemä diagnoosi.

Neuraaliverkot ovat jo oppineet tunnistamaan monia sairauksia yhtä tehokkaasti kuin ihmiset, ja joissain tapauksissa ne onnistuvat jopa päihittämään asiantuntijat.

Konvoluutiohermoverkkojen (CNN) avulla voit analysoida useita kuvia. Nämä ovat syviä (monikerroksisia) rakenteita, joissa jokainen keinotekoinen neuroni vastaanottaa vain pienen fragmentin edellisen kerroksen tuotosta. Vähitellen verkko yleistää paikallisia ominaisuuksia ja luo kokonaiskuvan uudelleen. Yhdistämällä kaikki tiedot CNN voi tunnistaa alkuperäisestä kuvasta erilaisia ​​yksityiskohtia, mukaan lukien tunnusomaiset elementit, joiden perusteella lääkärit tekevät diagnoosin.

CRISPR-teknologialla ei voida ainoastaan ​​poistaa sairauksien syitä, vaan myös tunnistaa sairauksia, esimerkiksi etsiä tartuntatekijöiden DNA- tai RNA-jälkiä.

Vaikka CRISPR:ään liittyvä proteiini Cas9 mainitaan useimmiten hoidon yhteydessä, muut proteiinit: Cas12a ja Cas13a ovat yleensä "diagnostisia" proteiineja.

Vuonna 2017 MIT:n tutkijat esittelivät diagnostisen teknologian nimeltä SHERLOCK (Specific High Sensitivity Enzymatic Reporter Unlocking). Se käyttää Cas13a-entsyymiä, joka voi tunnistaa spesifisiä RNA-sekvenssejä ja katkaista lähellä olevia samankaltaisia ​​RNA-säikeitä tuhoten epäilyttävän kohteen kokonaan. Kuten kirja Sherlock Holmes, lääketieteellinen SHERLOCK pystyy luomaan täydellisen kuvan tapahtumista pienimmästäkin todisteesta: tekniikka toimii attomolaarisilla (10–18 mol/l) nukleiinihappopitoisuuksilla. Menetelmää testattiin lentiviruksilla, jotka sisälsivät dengue-kuumeviruksen ja Zika-viruksen fragmentteja: SHERLOCK pystyi havaitsemaan patogeenipartikkelit ja erottamaan ne toisistaan ​​enintään kahden attomolin pitoisuudessa.

Testauksen aikana kävi ilmi, että SHERLOCK-diagnostiikan reagenssit voidaan kuivata ja sitten rekonstituoida, kun taas menetelmän herkkyys ei juurikaan pienene. Kannettavia testejä varten on suositeltavaa käyttää lasikuitupaperia. Kehityksen tekijät uskovat yhden testijärjestelmän maksavan noin 61 senttiä.

Muut tutkijat työskentelevät myös luodakseen sarjoja CRISPR-testausta varten kotona. Äskettäin kehityksen tällä alueella aloitti Jennifer Doudna, yksi lääketieteellisen CRISPR-vallankumouksen pioneereista. Hänen tiiminsä loi menetelmän nimeltä DETECTR (DNA-endonukleaasiin kohdistettu CRISPR-trans-reportteri) käyttämällä Cas12a-proteiinia. Se löytää spesifisiä DNA-sekvenssejä ja leikkaa lähimmät näytteeseen lisätyt fluoresoivasti leimatut nutuottaen signaalin. Tällä tavoin voidaan havaita jälkiä monien sairauksien patogeeneista, mukaan lukien eri influenssaviruksen kannoista.

Tällaisten testijärjestelmien tekijöiden mukaan CRISPR-analyysi vie vain muutaman tunnin, ja tulokset voidaan saada Internetin kautta. Kuitenkin, kun tällaiset joukot ilmestyvät avoin myynti, on vielä tuntematon.

Se on illuusio: virtuaalitodellisuus

Virtuaalitodellisuudesta puhutaan usein kontekstissa tietokonepelit ja "volumetrinen elokuva", mutta teknologialla on potentiaalia myös lääketieteessä, eikä kaikkein ilmeisimmillä alueilla. Esimerkiksi VR:ää käytetään tehokkaasti kipulääkeaineena.

Illinoisissa sijaitsevan Loyolan yliopistollisen sairaalan palovammayksikkö noudattaa tätä lähestymistapaa.alkoi käytössä kymmenen vuotta sitten: sairaalapotilaat leikkivät simulaattoria tuskallisten toimenpiteiden aikanaSnowWorld.

Toiminta tapahtuu puolifantastisten pohjoisten maisemien taustalla, jossa on monia lumikuituja ja jäätyneitä jokia, sankarin tehtävänä on pelata lumipalloja jääkarhujen, pingviinien ja lumiukkojen kanssa. Kaikkien tasojen suorittamiseksi potilas keskittyy tahattomasti palapeliin ja on hajamielinen fyysisistä tuntemuksista. Aivojen MRI-skannaukset ovat osoittaneet, että SnowWorld itse asiassa vähentää kivun havaitsemista, joten potilaat tarvitsevat vähemmän vahvoja kipulääkkeitä, jotka voivat olla haitallisia keholle.

VR korvaa tai täydentää kipulääkkeitä monilla lääketieteen aloilla. Teknologiaa käytetään kivun lievitykseen synnytyksen ja hammashoidon aikana. Virtuaalitodellisuuden kipua lievittävät ominaisuudet ovat erityisen tärkeitä Yhdysvaltojen "opioidikriisin" valossa - se liittyy reseptilääkkeiden (esim. OxyContin ja Vicodin) suosion kasvuun viime vuosikymmeninä.

VR ei tehoa vain fyysiseen kipuun: se voi myös voittaa henkisen trauman. Ensimmäiset kokeet tapahtuivat 1990-luvun lopulla, kun psykologi Barbara Rothbaum onnistui lievittämään posttraumaattisen stressihäiriön oireita Vietnamin veteraaneissa käyttämällä virtuaalisia malleja helikopterin ohjaamosta ja raivaamisesta Aasian viidakossa. Tämä tekniikka täydensi altistusterapiaa - asteittaista "lähestymistapaa" traumaattisiin muistoihin, joita potilaan tietoisuus yrittää välttää. Samanlainen järjestelmä toimii ahdistuneisuushäiriöiden ja fobioiden hoidossa virtuaalitodellisuuden avulla. Teknologia auttaa selviytymään aerofobiasta ja julkisen puhumisen pelosta: simuloitu ympäristö mahdollistaa pelottavan tilanteen toistuvan ”harjoittamisen”.

VR-terapian haittoja ovat suhteellisen korkeat laitekustannukset ja mahdollinen fysiologinen intoleranssi virtuaalitodellisuuteen.

Jotkut uusien hoitomenetelmien kokeiluihin osallistuneet kokivat VR-pahoinvointia (virtuaalitodellisuussairaus), joka aiheuttaa samoja oireita kuin matkapahoinvointi tai merisairaus. Yleisten hypoteesien mukaan molemmat häiriöt johtuvat vestibulaarilaitteen reseptorien toiminnan häiriöistä tai vestibulaarilaitteesta tulevien signaalien ja näköelinten välisestä ristiriidasta.

Kehittäjät ovat jo luoneet useita menetelmiä, jotka voivat vähentää VR:n "pahoinvointia". Voit esimerkiksi asettaa näytölle paikallaan olevan esineen, jota käyttäjän silmät kiinnittävät jatkuvasti. Nasum Virtualis -teknologian kirjoittajat ehdottavat, että nenän virtuaalista kuvaa, joka sijaitsee näytön keskellä, käytetään vertailupisteenä. Pelaajan silmät havaitsevat sen omaksi nenäkseen, joten pahoinvoinnin ja huimauksen tunne väistyy.

Tekoälyjärjestelmien elementtien kehitys kehittyy aktiivisesti ja siitä on tulossa tämän päivän trendi, ja vain laiskot eivät kirjoita älybotteja. Siksi haastattelimme Dmitri Soshnikovia, yhtä maan parhaista tekoälyasiantuntijoista. Hän on Microsoftin teknologiaevankelista, kirjojen, artikkeleiden ja opetusohjelmien kirjoittaja sekä opettaja ja opiskelijakoordinaattori, toiminnallisen ohjelmoinnin, hermoverkkojen ja tekoälyn asiantuntija.

- Dmitry, kerro meille muutama sana itsestäsi ja työstäsi.

Dmitri Soshnikov: Microsoftin evankelistana olen mukana popularisoimassa ja toteuttamassa yrityksen nykyaikaisimpia teknologioita, nyt ensisijaisesti tekoälyyn liittyviä teknologioita. Tähän sisältyy puhuminen konferensseissa, työskentely opiskelijoiden ja opettajien, startup-yritysten kanssa, joskus osallistuminen hackfesteihin ja prototyyppijärjestelmien ohjelmointi yhdessä eri yritysten kehittäjien kanssa. Lisäksi popularisoin toiminnallista ohjelmointia ja F#-kieltä, opetan MIPT:ssä, HSE:ssä ja MAI:ssa sekä kehitän verkkokursseja MVA:lle ja Courseralle.

Mielestäni hermoverkot ja ylipäätään tekoäly ovat erittäin mielenkiintoinen alue, jonka nopea kehitys viime vuosina on mahdollistanut jo useiden ongelmien ratkaisemisen, joihin aiemmin ei ollut ratkaisua, kuten esim. henkilön ikä hänen valokuvastaan. Ja tulevaisuus tarjoaa meille monia mielenkiintoisempia mahdollisuuksia.

Neuroverkot - muoti vai työkalu?

Dmitri Soshnikov: Useat tekijät menivät onnistuneesti päällekkäin tässä.
Ensinnäkin edullinen laskentateho tuli saataville. Lisäksi pilvipalveluilla oli iso rooli, sillä sen sijaan, että investoisit infrastruktuuriin neuroverkkojen laskentaa varten, voit nyt vuokrata sen vain laskelmien ajaksi, myöhemmin vuokraamatta. Lisäksi alettiin käyttää grafiikkaprosessoreita, jotka oli alun perin suunniteltu tietokonegrafiikkaa varten. Kävi ilmi, että ne sopivat hyvin tekoälytehtäviin.

Toiseksi Internetin ansiosta valtavat tietomäärät ovat alkaneet kerääntyä monilta alueilta. Harkitse esimerkiksi aiemmin mainittua tehtävää tunnistaa henkilön ikä valokuvasta. Neuroverkon kouluttamiseksi ratkaisemaan se tarvitaan useita satojatuhansia esimerkkejä. Nyt voit ottaa minkä tahansa sosiaalisen verkoston, jossa ihmiset itse julkaisevat valokuvansa ja tilitietonsa (ikä) - ja saamme välittömästi tiedot koulutusta varten.
Kolmanneksi on tietysti syntynyt mielenkiintoista tutkimusta, mukaan lukien uudet hermoverkkoarkkitehtuurit, jotka mahdollistavat olemassa olevien ongelmien ratkaisemisen. Mutta tämä kohta on todennäköisesti seurausta kahdesta ensimmäisestä. Kun resurssit ja teknologiat ovat saatavilla, alue alkaa luonnollisesti kehittyä aktiivisesti.

Täällä on myös ilmestynyt suuri joukko työkaluja, jotka mahdollistavat näiden hermoverkkojen käytön. Jos aiemmin tekoälyongelmien ratkaisemiseksi piti olla paljon tietoa ja paljon ohjelmointia, niin nyt on tarjolla palveluita, joita voit ottaa ja käyttää.

Aihe tekoäly on erittäin suosittu nykyään. Kuinka paljon tästä suosiosta on ansaittu? Onko teknologia todella niin vaikuttava vai onko se muodin suuri panos? Ja eikö tämä "muoti" ole haitallinen kehitykselle?

Dmitri Soshnikov: Tekoälyn alalla on todellakin suuria menestyksiä, joista kirjoitetaan paljon, joten ilmaisua "tekoäly" kuullaan laajalti. Tämän ansiosta uusia kehittäjiä ilmaantuu - joku menee ja opiskelee itselleen uutta aluetta, ts. On enemmän ihmisiä, jotka ymmärtävät tämän alueen. Toisaalta ihmiset etsivät huolellisemmin niitä tehtäviä, joissa tekoälyteknologiaa voidaan soveltaa. Tästä näkökulmasta katsottuna kaikki tämä on periaatteessa hyvä, koska meillä on mahdollisuus automatisoida joitain alueita, joita emme voineet automatisoida aiemmin.

Voimme esimerkiksi ratkaista tilausten vastaanottamisen ongelman MacAuto-ikkunassa. He yrittävät aina tehdä tällaisten ongelmien ratkaisusta halvempaa. Esimerkiksi USA:ssa aluksi istui amerikkalainen, sitten tätä yritettiin ulkoistaa siirtämällä ääni halvan työvoiman maahan (jossa taas ihminen istuu ja kirjoittelee). Ja nyt tietokone voi tehdä tämän.

Onko markkinatoimijoilla liioiteltuja odotuksia? Onko olemassa ennusteita, jotka eivät mielestäsi varmasti toteudu lähitulevaisuudessa?

Dmitri Soshnikov: Tietysti on. Ensinnäkin tekoälyn ala on hieman romanttinen. On olemassa useita elokuvia - esimerkiksi "Matrix" tai "Terminaattori" - joissa robotit kapinoivat ja ottavat kaiken hallintaansa. Siksi on tietty määrä ihmisiä, jotka odottavat, että kuluu vielä viisi vuotta ja tietokoneet valtaavat maailman. Nämä odotukset ovat ilmeisesti vielä kaukana todellisuudesta. Nykyään tiettyjen kuvantunnistukseen, puheentunnistukseen ja koneoppimiseen liittyvien ongelmien ratkaiseminen on erittäin hyvin automatisoitua. Mutta meillä on vielä pitkä tie kuljettavana ennen kuin ymmärrämme, miten ihmisen ajattelu yleensä toimii. Siksi ennen sellaisen tekoälyn luomista, joka ajattelee kuin ihminen ja toimii kertyneellä tiedolla, on vielä tehtävä paljon työtä. Vielä ei ole kovin selvää, miten tämä tehdään.

- Entä odotukset taloudellisten investointien suhteen scifi-skenaarioiden toteuttamisen sijaan?

Dmitri Soshnikov: Minusta näyttää siltä, ​​että tällaista keskustelua varten on välttämätöntä jakaa tekoälyn aihe erillisiksi komponenteiksi, koska se on erittäin laaja alue.

Jos tarkastelemme tietokonenäköä, yrityksissä on jo nyt toteutettu uskomattomia edistysaskeleita, jotka lisäävät niiden tehokkuutta ja tuovat taloudellista hyötyä. Tietokonenäkö tunnistaa kuvat jo nyt paremmin kuin ihmiset, puhumattakaan siitä, että se on huomattavasti halvempaa.

Muilla aloilla, kuten luonnollisen kielen ymmärtämisessä ja mielivaltaisten aiheiden pohtimisessa, edistyminen on ollut vaatimattomampaa.

- Onko tekijöitä, jotka mielestäsi jarruttavat alan kehitystä?

Dmitri Soshnikov: Ollakseni rehellinen, en näe mitään ilmeisiä tekijöitä. Mielestäni tämä on tällä hetkellä nopeimmin kasvava alue.
Haluan kuitenkin huomauttaa, että tekoäly on ala, joka vaatii vielä jonkin verran pätevyyttä. Työskentely tähän suuntaan on hieman vaikeampaa kuin pelkkä ohjelmoinnin oppiminen. Koulusta valmistuva henkilö, joka ei saa korkea-asteen koulutusta, voi todennäköisesti aloittaa työnsä menestyksekkäästi standardikehityksen alalla. Tekoälyn avulla pääsyrima on korkeampi, vaikka sitä lasketaan asteittain, myös tämän alan osallistujien ponnistelujen ansiosta. Erityisesti yksi asia, jonka parissa Microsoft työskentelee, on niin sanottu tekoälyn demokratisointi. Tämä tarkoittaa, että teknologia on mahdollisimman laajan kuluttajasegmentin ulottuvilla.

Käytännössä ei vain Microsoft, vaan myös monet muut yritykset työskentelevät tähän suuntaan tarjoamalla valmiiden palveluiden muodossa työkaluja esimerkiksi älyllisten, kognitiivisten ongelmien ratkaisemiseen. Esimerkiksi palvelut henkilön sukupuolen, iän ja mielialan määrittämiseksi valokuvasta, voit yksinkertaisesti soittaa heille ja saada tuloksen. Sama koskee konekäännöstä jne. Osana DotNext 2017:n raporttia puhumme tästä: kuinka voit käyttää tuloksia ymmärtämättä ollenkaan, kuinka se tarkalleen toimii.

A.NET ehkä?

Dmitri Soshnikov: AI-menetelmiä voidaan toteuttaa millä tahansa tekniikalla. Siitä huolimatta samanlaisten tehtävien ympärillä on tiettyjä vakiintuneita ekosysteemejä. Esimerkiksi Python ja R sekä niihin liittyvät kirjastot ovat erittäin suosittuja kieliä datatieteilijöiden keskuudessa. Ne. täällä on jo paljon yhteisöllistä työtä. Tässä kehityksessä .NET on tietysti hieman jäljessä, kuten myös muut vastaavat alustat. .NET:llä on kuitenkin jo tietty joukko työkaluja, joista puhun osana raporttiani.

Yleisesti ottaen alustat ovat nyt jossain mielessä integroituneet, myös keskenään. Sama R-kieli integroituu erittäin hyvin F#:n kanssa, joka on natiivi .NET-alustalle. Näin ollen, jos meidän on käytettävä joitain koneoppimistyökaluja, voimme käyttää tällaista ketjua käyttämällä R-kielen ominaisuuksia ja kirjastoja. Tämä on melko läpinäkyvää ja helppoa.

Yleisesti ottaen, jos puhumme nimenomaan neuroverkoista, Microsoftilla on kognitiivinen työkalupakki, jonka avulla voit kouluttaa hermoverkkoja. Ja koska se rakennettiin alun perin Microsoftin ekosysteemiin, se toimii erittäin hyvin .NET:n kanssa.

- Tämä työkalu erottuu jotenkin muiden valmistajien analogeista?

Dmitri Soshnikov: Pohjimmiltaan Cognitive Toolkit on Microsoftin analogi TensorFlow-, Caffe- jne. kehyksille.

Ne kaikki ovat periaatteessa ideologisesti hyvin samanlaisia. Mutta Microsoft Cognitive Toolkit oli ensimmäinen, joka tuki erittäin hajautettua koulutusympäristöä, jossa voit kouluttaa hermoverkkoa ei vain yhdellä GPU:lla, vaan useilla GPU:illa tai jopa useilla GPU-asemilla. Ne. Voit tehdä neuroverkkokoulutustilan.

Sikäli kuin tiedän, Cognitive Toolkit voittaa muut kehykset oppimisnopeuden suhteen. Lisäksi se on erittäin kätevä käyttää. Useimmat viitekehykset liittyvät Pythoniin tavalla tai toisella, mutta Cognitive Toolkit seurasi aluksi hieman eri polkua. Aluksi hermoverkon arkkitehtuuri oli mahdollista kuvata erityisellä kielellä ja sitten harjoitella sitä rakentamatta Pythonissa malleja. Se oli vähän helpompaa. Tällä hetkellä Cognitive Toolkit tukee molempia vaihtoehtoja, ts. on melko joustava.

- Todennäköisesti on hetkiä, jolloin Cognitive Toolkit on huonompi kuin analogit?

Dmitri Soshnikov: Yleensä tällaiset puitteet ovat matalan tason työkaluja, joiden päälle voidaan kouluttaa mielivaltaisia ​​hermoverkkoja. Analogien tapaan Cognitive Toolkit tukee tiettyä peruskerrosta, jonka päälle voit rakentaa mielivaltaisen monimutkaisen verkkoarkkitehtuurin. Siksi eri työkaluilla ratkaistavien tehtävien valikoima on suunnilleen sama.

Kehyksen valinta määräytyy suurelta osin joidenkin henkilökohtaisten mieltymysten ja vertailumateriaalien saatavuuden mukaan. Ja tässä Microsoft-kehys on hieman jäljessä, koska se ilmestyi hieman myöhemmin, joten siinä ei ole niin paljon materiaalia, erityisesti verkkokursseja. Mutta tilanne on tietysti vähitellen tasaantumassa.

Suunnittelemme yhdessä MIPT:n kanssa verkkokurssin julkaisemista, joka on omistettu erityisesti tekoälyn käytännön käyttöön liittyviin ongelmiin. Ja osa Cognitive Toolkit -tiedoista sisällytetään myös sinne.

Lähitulevaisuus

Dmitri Soshnikov: On luultavasti liian aikaista tehdä lopullisia ennusteita, sillä vuosina 2011-2012 alkoi teknologian erittäin nopea kehitys. Sen jälkeen tunnistusmenetelmiä on parannettu, hermoverkkoarkkitehtuuria on parannettu, ts. ongelmanratkaisun tarkkuus kasvaa.

Tässä segmentissä on edelleen monia ratkaisemattomia ongelmia. Kuvan- ja äänentunnistuksen ongelmat on jo ratkaistu melko korkealla tasolla. Seuraavaksi luultavasti mielenkiintoisinta on yrittää saada tekstistä jotain merkitystä. Täällä on myös joitain upeita onnistumisia. Voit esimerkiksi kouluttaa hermoverkkoa elokuvien keskustelupalstoilla ja hankkia robotin, joka pystyy jotenkin ylläpitämään dialogia. Mutta samaan aikaan vuoropuhelulla ei ole paljon merkitystä. Vielä ei ole selvää, kuinka tieto muutetaan merkitykseksi, miten tiedon implisiittinen esitys neuroverkoissa yhdistetään symboliseen päättelyyn. Tämä on tutkimuksen suunta, jota tutkijat jatkavat.

Mitä tulee työkaluihin, niitä kehitetään parhaillaan aktiivisesti. Eräässä mielessä työkalujen valmistajat yrittävät seurata oman alansa tieteellistä kehitystä. Uusia verkkoarkkitehtuureja ilmaantuu - niiden tuki näkyy työkaluissa, ts. Toimivuus laajenee jatkuvasti.

Kuten aiemmin sanoin, kehittäjän näkökulmasta on havaittavissa suuntaus kohti tekoälyn, mukaan lukien työkalut, demokratisoitumista. Mainitsemani Microsoft Cognitive Toolkitin lisäksi on olemassa mielenkiintoinen työkalu nimeltä Azure Machine Learning, jonka avulla voit soveltaa niitä todellisiin tietoihin ilman syvällistä ymmärrystä kaikkien koneoppimisalgoritmien toteutuksesta ja katsoa, ​​voitko tunnistaa malleja ja käytä niitä edelleen tuotteissasi. Tätä työkalua kehitetään myös melko intensiivisesti - siihen lisätään uusia menetelmiä ja algoritmeja.

Yleisesti ottaen teknologiasta on tulossa helpommin saatavilla. Monimutkaiset asiat on yksinkertaistettu, jotta niitä voidaan käyttää mahdollisimman monissa projekteissa.
Toinen asia, jonka haluan mainita, on se, että nämä ovat edelleen ensimmäisiä kokeiluja pilvessä, joissa käytetään tehokkaampia tekoälyalgoritmeja toteuttavia laitteistoratkaisuja. Emme puhu tästä Dotnextissä, mutta aihetta käsiteltiin yksityiskohtaisesti Microsoft Ignite -konferenssissa. Microsoft aikoo tarjota pilvessä klassisten laskentaresurssien lisäksi myös ohjelmoitavia integroituja logiikkapiirejä: FPGA tai FPGA. Yksinkertaistaen, nämä ovat siruja, jotka voidaan flashata tiettyjen loogisten toimintojen suorittamiseksi ja jotka suorittavat nämä toiminnot erittäin nopeasti. Tällaisella järjestelmällä voimme laskea hermoverkon paljon nopeammin. Kokeiden aikana prosessori "kehotettiin" kääntämään kielestä kielelle, minkä seurauksena romaani "Sota ja rauha" käännetään kielestä kielelle kahdessa sekunnissa. Jos otat kaikki ne monet Microsoftin pilvessä olevat prosessorit, Wikipedia voidaan kääntää kielestä toiseen siinä ajassa, joka kestää silmän räpäyttämiseen.

Dmitry antaa lisää käytännön tietoa hermoverkkojen ja tekoälytekniikoiden käytöstä todellisissa projekteissa (mukaan lukien .NET:ssä) DotNext 2017 Piterin raportissaan ("Käytettävissä oleva tekoäly .NET-alustalla: chatboteista ja kognitiivisista palveluista syvälle hermoverkot").

Tunnisteet:

• tekoäly
• neuroverkot