Искусственный интеллект в лингвистике реферат
Обновлено: 05.07.2024
Но если многие предсказания и идеи, выдвинутые в научной фантастике, стали реальностью, то искусственному интеллекту до этого, вероятно, очень далеко. Мы и близко не подошли к созданию настоящего искусственного интеллекта упомянутых персонажей.
Порой кажется, что ждем мы уже целую вечность. Мы можем задать простые вопросы Siri, Google или Cortana, и они ответят, но все, кто использовал такую технологию, рано или поздно разочаровывались. Когда Siri только появилась, мы думали, что это и есть будущее, но сейчас большинство из нас обращаются к ней разве что для поиска в Google и дают предельно простые задания вроде установки таймера.
Причина того, что эти программные продукты так далеки от идеала, заключается в языке. Вот здесь и должна сыграть свою роль обработка естественного языка (natural language processing, NLP). ИИ может уловить смысл простых языковых образований и даже ответить, но он ограничен буквальностью собственной интерпретации вопросов. Компьютер может знать определение слов, но он не понимает их значения в более широком контексте.
Если вы интересуетесь технологиями или увлекаетесь научной фантастикой, вы, вероятно, слышали о тесте Тьюринга. Алан Тьюринг был одним их первых, кто всерьез задумался о потенциале ИИ, он верил, что однажды интеллект машин сможет сравняться с человеческим. Он выдвинул идею простого теста: если в ходе беседы человек не может отличить машину от другого человека, значит, машина достигла уровня человеческого интеллекта.
Тест Тьюринга на самом деле несколько сложнее, но его концепция до сих пор применима в качестве целевого ориентира обработки естественного языка. Иными словами, если машина может думать, как человек, она умеет и обрабатывать язык, как человек (учитывая сложность нашего мозга, способность машины думать наравне с человеком — огромное достижение).
Нужны ли нам андроиды, декламирующие стихи?
Эта цитата стала известной благодаря своей красоте и человечности. Мы хотим создать поэтичных андроидов? Они нужны нам? Это тема для научно-фантастической сюжета, но факт остается фактом: Рой отлично знает язык и понимает эмоции, которые вызывает его речь.
ИИ подобного рода присутствует в произведениях фантастики уже не один десяток лет. Но нам так и не удалось воплотить эти идеи в жизнь. Чем больше информации мы получали о том, как создать настоящий ИИ, и о программе NLP, тем отчетливее понимали, что знания наши близки к нулю. И вопрос здесь нужно ставить шире, ведь мы практически ничего не знаем и о человеческом мозге. Мы не сумели создать ничего, что думало бы, как человек, потому что мы понятия не имеем, как думает человеческий мозг.
На данном этапе мы выделяем три уровня ИИ. Я не опишу их точнее, чем Тим на ресурсе Wait But Why, так что лучше процитирую:
ИИ 1-й ступени. Узкий искусственный интеллект (УИИ), иногда еще называется слабым ИИ. Это ИИ со специализацией в одной области. Есть ИИ, которые способны только обыграть чемпиона мира по шахматам, и больше ничего. Спросите такую машину, как лучше хранить данные на жестком диске, — и наткнетесь на отсутствующий взгляд.
ИИ 2-й ступени. Общий искусственный интеллект (ОИИ), также называется сильным ИИ или ИИ человеческого уровня. Термином ОИИ обозначается компьютер, который в целом умен, как человек. Это машина, способная выполнять любые интеллектуальные задания, доступные человеческому существу. Создать ОИИ гораздо сложнее, чем УИИ, и нам это только предстоит.
Недавно я услышал то, что прочно засело у меня в голове: оказывается, люди в состоянии производить физические и тригонометрические вычисления буквально с ходу. Когда футбольный мяч взлетает вверх, мы можем сказать, когда и где он приземлится. Это знают и квотербеки, бросающие мяч. Они выполняют сложные вычисления и вкладывают их в свои физические действия. Невероятно, если вдуматься! Но ведь мы и представления не имеем, как нам это удается.
Как разработать ИИ, способный делать вещи, которых мы даже не понимаем?
Так как же разработать ИИ, способный делать вещи, которых мы сами не понимаем? Над этим продолжают работать и гиганты вроде Google и Palantir, и многие стартапы, включая X.ai, MetaMind, Feedzai, Signal N, Lilt, и множество других компаний.
Мы испробовали несколько путей преодоления этих препятствий.
Имитация эволюции
Хотя мы многого не знаем о том, как работает человеческий мозг, мы знаем чуть больше о том, как он пришел к этому состоянию, то есть о естественном отборе. Поэтому некоторые пробуют искусственно применить принцип естественного отбора к машинам, с той разницей, что на это уйдут не миллионы лет, поскольку элемент случайности здесь менее выражен.
Этот подход называется эволюционным моделированием или генетическими алгоритмами. Машины выполняют определенные задания, и, когда одна из них проходит испытания с допустимым количеством ошибок, она комбинируется с другими машинами, так же успешно прошедшими испытания. Однако это итеративный процесс, который представляет проблему: мы не знаем, сколько времени понадобится на создание интеллекта, равного нашему.
На данный момент этот метод признан неудачным, и он практически заброшен в 1990-х годах.
Вдохновение от природы
Наш мозг — это биологическая нейронная сеть, поэтому компании и строят искусственные нейронные сети. Методом проб и ошибок они пытаются воспроизвести способы обработки мозгом информации и нейронные маршруты, которые ведут к правильному ответу. На самом деле искусственные нейронные сети имеют гораздо меньше общего с биологическим мозгом, чем отражает их название. Искусственные нейронные сети — это грубая математическая модель, схема, созданная на основе наших скудных знаний о мозге.
Потенциал ИИ сделает доступным преодоление языкового барьера.
Энди использовал электронную библиотеку по машинному обучению TensorFlow от Google (открытый источник) для создания потрясающего и очень значимого генератора скриптов. Google встроил ее во многие свои продукты — от Photos до Search и Gmail — и, разумеется, в Google Now — приложение, которое, в сущности, берет все, что Google знает о вас и использует для выдачи полезной и актуальной информации. Его также можно считать Google-версией Siri.
Глубинное обучение имеет огромный потенциал совершить революцию в области ИИ и помочь нам сделать следующий шаг. Но есть и другие решения, над которыми работают люди.
кадр из фильма Entertainment
Пусть машины проектируют себя сами
В начале фильма Тео нужно многому ее научить, а в конце ее интеллект намного превосходит его собственный. Это экспоненциальный процесс. Выражаясь доступным языком, чем больше она узнает, тем больше способна узнать. Возможно, это приведет нас к кардинально новым типам интеллекта, создаваемого скорее машинами, чем людьми.
Это приводит нас к мысли, что на искусственный интеллект распространяется закон Мура, который гласит, что вычислительная мощность удваивается каждые два года. Речь идет об увеличении мощности в геометрической прогрессии. И хотя темпы начинают замедляться, рост по-прежнему экспоненциальный. Это уже заметно. Глубинное обучение было известно еще в 1970-х годах, но экспоненциальный рост вычислительной мощности и объема данных в значительной мере обеспечил прорывы, которые мы наблюдаем сейчас.
Это большое событие для международной коммерческой среды, да и для общества в целом. Представьте, насколько выше была бы наша продуктивность без языковых барьеров, у скольких людей мы могли бы учиться, со сколькими разговаривать, хотя раньше это было нам недоступно, насколько успешнее стал бы международный бизнес, например, для небольших компаний, которые не могут позволить себе содержать штат переводчиков.
Нам еще долго идти к тому, чтобы компьютеры начали понимать язык. Каждый язык — сложная система, включающая разнообразные тонкости, диалекты, сленг, смыслы, эмоции, интонации, нарратив и контекст. И все это машинам трудно понять. Такие программы, как TensorFlow и CNDK, — большой шаг вперед, но, чтобы попасть туда, куда нам нужно, требуется взаимодействие с человеком.
(1 голосов, оценка: 5,00 из 5)
Загрузка.
Читайте также: