В каких проектах имеет смысл использовать ИИ
Если обобщить описанные экспертами кейсы, то заметно, что в повторяющихся задачах обучения, которые при этом поддаются алгоритмизации, технологии ИИ показывают результат не хуже, а то и лучше, чем человек. Вот как это прокомментировал Денис Федяркин:
«Искусственный интеллект очень хорош в том, чтобы автоматизировать рутинную интеллектуальную работу. Если вы видите в какой-то момент повторение одного и того же действия, <…> это означает, что там есть потенциал для применения искусственного интеллекта».
Но по словам эксперта, для автоматизации этих процессов нужен выход на огромные массивы данных. К примеру, генерация учебных заданий с помощью ИИ целесообразна для проекта, развёрнутого на всех школьников Москвы, но совершенно бессмысленна для маленькой авторской онлайн-школы.
Получается, что тем, у кого данных мало или совсем нет, про ИИ можно забыть? Андрей Петровский считает, что нет. Действительно, классические языковые модели, такие как BERT или GPT-3, обучаются на петабайтах или сотнях гигабайтах данных. То есть речь идёт о таком количестве данных, которое, к примеру, не может поместиться на обычном персональном компьютере. Однако дообучение opensource нейросети под конкретную образовательную задачу выполняют и на меньшем объёме данных — на датасете, который содержит 12–16 тысяч обучающих примеров. Именно на такие цифры стоит ориентироваться, если вы задумываетесь о применении технологии ИИ, рекомендует эксперт.
Объём данных, тем не менее, не единственный критерий целесообразности использования ИИ. Второй критерий — время (конечно, не говоря уже о деньгах). Денис Федерякин подчеркнул, что расхожее представление о том, что якобы уже в течение одного-двух лет после внедрения в проект ИИ можно ждать гигантского скачка вперёд, — не более чем заблуждение.
Опыт Microchip Technology
Корпорация Microchip Technology фокусируется на четырех основных направлениях в рамках машинного обучения (рис. 2):
- Интеллектуальное машинное зрение (Smart Embedded Vision). Для этого направления доступен ряд решений, реализованных на ПЛИС.
- Превентивное техническое обслуживание (Smart Predictive Maintenance). Это очень актуальное направление для промышленного сектора, позволяющее реализовать интеллектуальные нейронные сети на периферийных устройствах низкой производительности. Для реализации превентивного техобслуживания можно использовать все данные, накапливаемые в системах электропривода, энергопотребления и управления тепловыми режимами. Можно просто добавить в эти системы уровень машинного обучения и научить их понимать и прогнозировать поведение механизмов.
- Интеллектуальный человеко-машинный интерфейс (Smart HMI). Сегодня представлено множество научных трудов, объясняющих, как машинное обучение может помочь в распознавании человеческих жестов и прикосновений.
- Машинное обучение для серверов и рабочих станций. Это направление применимо к центрам обработки данных: в этой сфере есть большая потребность в обучении работе с данными различных процессоров. Такое обучение требует больших вычислительных мощностей, которые подключаются к процессору через шины Microchip Technology разработала ряд решений по использованию производительных коммутаторов PCIe для подключения графических процессоров и обучения их способности делать логические выводы.
Рис. 2. Направления развития ИИ
Электронные компоненты, выпускаемые корпорацией Microchip Technology, можно использовать на всех стадиях работы систем ИИ (рис. 3).
Рис. 3. Электронные компоненты для систем ИИ
Естественно, для реализации любых нейронных сетей нужен микроконтроллер, микропроцессор или ПЛИС. Однако работа системы ИИ начинается со «стороны» сбора данных, т. е. там, где установлены датчики. А любой измерительный узел имеет в своем составе не только датчики, но и память, аналоговые микросхемы, микросхемы безопасности и иногда аудиопроцессоры. Все эти компоненты разрабатываются и выпускаются Microchip Technology.
Следующим этапом в работе ИИ является обучение при помощи данных. Для этого используются микросхемы программируемой логики (ПЛИС), память, коммутаторы PCIe и различные устройства связи, которые тоже могут быть представлены продуктами Microchip Technology.
Последнее звено в цепочке ИИ — системы проверки данных и формирования логических выводов. Здесь как раз и применяются такие вычислительные устройства, как микроконтроллеры, микропроцессоры или ПЛИС, также широко представленные в ассортименте Microchip Technology.
По сравнению с другими компаниями, которые разрабатывают продукты для систем машинного обучения, Microchip Technology имеет важное преимущество: корпорация производит значительную часть микроконтроллеров и микропроцессоров для мирового рынка. Множество клиентов уже знакомо с программными средствами разработки от Microchip Technology, в частности со средой MPLAB X
Теперь среда MPLAB X интегрирована в несколько программных платформ для разработки ИИ. Эти платформы созданы компаниями — партнерами Microchip Technology и являются одними из наиболее популярных среди разработчиков соответствующего направления.
Один из инструментов среды разработки MPLAB X — визуализатор данных (Data Visualizer), который позволяет пользователям видеть и понимать данные, поступающие в микроконтроллер с любых других устройств. С помощью этого визуализатора можно собирать данные и перемещать их на платформу ИИ, которая вырабатывает правильный управляющий алгоритм на основе полученных данных. Этот алгоритм и будет загружен в микроконтроллер в виде управляющей программы (рис. 4).
Рис. 4. Взаимодействие платформы ИИ со средой разработки MPLAB X
Как используют искусственный интеллект в образовании
Одна из самых популярных технологий, используемых в образовании, — искусственный интеллект. Согласно , расходы на применение искусственного интеллекта в образовании выросли с 0,8 до 6,1 млрд долларов за 2015–2018 годы.
Персонализация обучения — основное преимущество искусственного интеллекта.
Один из успешных примеров применения — китайский стартап Yuanfudao. Компания предлагает различные онлайн-курсы для школьников, на текущий момент у проекта более 200 млн пользователей. Приложение для помощи с домашними заданиями, разработанное на основе искусственного интеллекта, сканирует задание, распознаёт проблему и предлагает наиболее подходящее решение.
Интеграцию искусственного интеллекта и машинного обучения активно применяет языковой сервис Duolingo. Это позволяет персонифицировать весь образовательный процесс от предварительного тестирования до адаптации уроков под индивидуальный прогресс и динамику развития отдельных языковых навыков.
Российский образовательный стартап MyBuddy.ai создал виртуального репетитора английского языка с искусственным интеллектом. Приложение помогает детям практиковать разговорную речь, общаясь с виртуальным мультикаплиционным персонажем, точно так же, как ребёнок общается с репетитором.
Общие сведения об ИИ
У большинства людей ИИ ассоциируется в первую очередь с устройствами распознавания лиц, в которых используются мощные графические процессоры. Это не совсем так: в современном мире ИИ может быть представлен и проще. Например, классификацией спама в электронном почтовом ящике или алгоритмом автозаполнения в поисковой программе интернет-браузера. В целом область применения ИИ очень широка (рис. 1), и для его реализации совсем необязательно использовать мощные микропроцессоры или ПЛИС.
Рис. 1. Применение ИИ в современном мире
В последнее время ИИ развивается особенно быстро. Этому есть несколько причин:
- благодаря технологии IoT на интернет-серверах собраны довольно большие сегменты данных, что позволяет гораздо быстрее, чем раньше, обучать нейронные сети;
- в последние годы появились новые алгоритмы, благодаря которым нейронные сети могут работать эффективнее на таких периферийных устройствах, как 32-битные микроконтроллеры.
Применение ИИ дает разработчикам ряд преимуществ:
- Рост прибыли. Машинное обучение позволяет анализировать накапливаемые данные и находить в них закономерности. Эти закономерности ложатся в основу новых бизнес-моделей, с помощью которых можно увеличить прибыль.
- Возможность управления рисками. Если есть возможность отслеживать и анализировать поведение какой-либо машины, то можно прогнозировать ее аварийное состояние еще до того, как она будет ломаться. Таким образом, можно вовремя находить аномалии в любой работающей системе и выполнять превентивное техническое обслуживание.
- Снижение затрат. «Интернет вещей» дает возможность каждую секунду отправлять в «облачные» хранилища огромные объемы данных. Внедрение машинного обучения в периферийных устройствах (таких как микроконтроллеры) позволяет проверять и оценивать данные, прежде чем отправлять их в «облако». Это может снизить эксплуатационные расходы IoT-системы, ведь плата за облачные сервисы пропорциональна объему передаваемых данных.
Помимо развития самой технологии, появляется множество доступных средств разработки для дизайнеров и инженеров. Сейчас на рынке представлены программные и аппаратные средства, которые позволяют создавать устройства ИИ даже разработчикам, не имеющим никакого опыта в этой сфере.
В чем же заключаются преимущества и трудности реализации алгоритмов машинного обучения по сравнению с классическими алгоритмами на основе правил?
Большим преимуществом машинного обучения является ускоренное время разработки. С помощью машинного обучения можно обнаруживать закономерности в данных, даже не понимая этих данных и не ожидая что-то получить на выходе. Эта особенность выгодно отличает машинное обучение от классических алгоритмов, где нужно четко представлять, что вы хотите получить в итоге. Таким образом, машинное обучение позволяет находить совершенно новые возможности для решения задач и по-новому трактовать накопленные данные.
Трудности заключаются в том, что для реализации машинного обучения нужны специалисты, которые разбираются в науке о данных. Только они смогут разработать правильную модель ИИ и обучить ее, особенно если планируется распознавать какие-то изображения или видео. Специалисты будут маркировать данные и разрабатывать сценарии, которые нужно реализовать. Другими словами, для внедрения ИИ необходимы предварительная подготовка и инвестиции в специалистов, способных сделать нужную работу.
Четыре призыва к тем, кто хочет внедрить ИИ в образовательный проект
В завершение семинара спикеры дали четыре этических рекомендации тем руководителям образовательных проектов, которые задумываются, не усилить ли их возможностями ИИ.
Контролировать качество работы ИИ
Любую технологию нужно проверять и верифицировать, закладывая в проекте время на это. В образовании работу ИИ мониторят методисты, педагоги, специалисты T&D (в зависимости от того, где внедряется технология).
Вот как прокомментировал это Андрей Комиссаров: «Ни одна образовательная организация в мире, которая использует искусственный интеллект, не применяет его без надсмотра». Это касается и тех, у кого огромные наборы данных, очень мощные модели на разработку и обучение потрачено очень много ресурсов.
Придерживаться принципов этичности и прозрачности
Использовать ИИ нужно там, где можно увидеть и понять, как он принял то или иное решение и почему именно такое. Ведь в образовательных проектах, особенно ориентированных на детей и подростков, ошибки или неверная трактовка данных могут привести к серьёзным последствиям для судьбы человека.
В подтверждение этого тезиса Денис Федерякин вспомнил кейс, в котором созданная учёными нейросеть-судья стала систематически дискриминировать чернокожее население, и создатели даже не сразу это выявили. Широко известен также скандал с нейросетью в Amazon, которая отбирала для HR-отдела резюме подходящих разработчиков и, как выяснилось, дискриминировала женщин. Подобных случаев было вообще немало.
«Так что в плане прозрачности очень много подводных камней, которые мы даже не сразу улавливаем», — резюмировал Денис Федяркин.
Кадр: фильм «Матрица» / Warner Bros
Не заменять учителей, а высвобождать им время
Алексей Зайцев упомянул про идею заменить учителя искусственным интеллектом, чтобы сэкономить время и бюджет. Это кажется очень заманчивым, но при более детальном рассмотрении такая идея, по словам эксперта, — ошибка. Социальное взаимодействие и личность педагога — важные факторы качественного образования. Поэтому ИИ нужно рассматривать как помощника, а не заместителя учителя.
Идеальный вариант — когда технология заполняет то пространство, которое учитель не в состоянии покрыть, считает спикер. Если технология выстроена высококвалифицированными методистами, то она действительно может повысить доступность и качество образования там, где просто нет доступа к хорошим педагогам.
Помнить про человечность при работе с технологией
По мнению экспертов, цифровизация образования настолько популярна, что порой забывают о том, для чего она на самом деле нужна. А нужна она для того, чтобы помочь студенту реализовать его потенциал
Поэтому важно лелеять человечность при реализации проектов с участием ИИ, говорят спикеры. Андрей Комиссаров раскрыл этот тезис так: «Мы должны сделать так, чтобы наши колебания между разными выборами, наши ошибки, наши эмоции, которые мы проявляем, чтобы все эти элементы, учитываемые искусственным интеллектом, помогли нам сделать наше образование более эффективным, более правильным»
Как это работает: типы машинного обучения
Для простоты восприятия типы машинного обучения принято разделять на три категории:
- обучение с учителем (supervised learning);
- обучение без учителя (unsupervised learning);
- обучение с подкреплением (reinforcement learning).
Типы машинного обучения
Обучение с учителем
Этот тип максимально похож на процесс познания окружающего мира ребенком, только в роли малыша выступает алгоритм. Данные, подготовленные для анализа, изначально содержат правильный ответ, поэтому цель алгоритма — не ответить, а понять, «Почему именно так?» путем выявления взаимосвязей. Результатом становится способность выстраивать корректные прогнозы и модели.
Обучение без учителя
Для данного типа обучения ключевым понятием является паттерн — обрабатывая значительные массивы данных, алгоритм должен сперва самостоятельно выявлять закономерности. На следующем этапе на основе выявленных закономерностей машина интерпретирует и систематизирует данные.
Практическое применение ML-технологий
Машинное обучение уже применяется во всех сферах деятельности человека. Еще в 2017 году под управлением Стэнфордского университета был запущен новый индекс AI100 для отслеживания динамики в сфере ИИ. Согласно данным, полученным университетом, количество стартапов с 2000 по 2018 год выросло в 14 раз. Рассмотрим, в каких областях нас ждут технологические прорывы благодаря ML.
Робототехника
В будущем роботы станут самообучаться ранее поставленным перед ними задачам. К примеру, смогут работать над добычей полезных ископаемых — нефти, газа и других. Они смогут, например, изучать морские глубины, тушить пожары. Программисты могут самостоятельно не писать массивные и сложные программы, опасаясь допустить ошибку в коде. ИИ повлияет и на повышение качества частной жизни человека: у нас уже есть беспилотные автомобили, роботы-пылесосы, трекеры сна, физической активности и здоровья и прочие продукты интернета поведения.
Маркетинг
Самый наглядный пример использования машинного обучения в маркетинге — поисковые системы Google и Яндекс, которые с его помощью контролируют релевантность рекламных объявлений.Социальные сети FaceBook, ВКонтакте, Instagram и другие применяют собственные аналитические машины для исследования интересов пользователей и совершенствования персонализации новостной ленты.Маркетинговые исследования, предваряющие разработку и релиз продуктов компании, станут проще с точки зрения реализации, а итоговые данные будут более точными. Выделение кластеров в группах со схожими параметрами превратит кастомизированные предложения в реальность — можно будет решать задачи не групп потребителей, а каждого в отдельности.
Безопасность
Современную сферу обеспечения безопасности невозможно представить без машинного обучения. Системы распознавания лиц в метро и использование камер, сканирующих лица и номера машин при движении по автодорогам, стали неотъемлемой частью человеческой жизни и незаменимыми помощниками для полиции в поиске преступников и потерявшихся людей.
Финансовый сектор и страхование
Более точные биржевые прогнозы и оценка капитализации брендов, решения о выдаче кредитных продуктов частным лицам и предприятиям, определение стоимости и целесообразности страховки и даже снижение очередей в офисах при параллельном сокращении издержек на персонал — только часть возможностей, которые станут доступны в этой сфере.
Общественное питание
На основе Big Data разрабатываются специальные предложения для гостей с учетом загрузки посадочных мест в ресторанах и кафе, функционируют сервисы по планированию закупок для поваров.
Примечание Воронежская пивоварня Brewlok и разработчики из NewShift решили
использовать возможности Big Data для разработки
рецепта идеального пива.
На протяжении месяца они собирали отзывы и выделяли критерии оценки
вкуса, аромата и цвета. На основе полученных данных из почти двух с
половиной тысяч отзывов аналитики сформулировали описание «идеального
пива», которое легло в основу рецепта.
Медицина
В медицинских учреждениях машинное обучение позволяет быстро обрабатывать данные пациента, производить предварительную диагностику и подобрать индивидуальное лечение, опираясь на сведения о заболеваниях пациента из базы данных. ML также позволяет автоматически выделять группы риска при появлении новых штаммов вирусных заболеваний.
Добыча полезных ископаемых
Анализ почвы доказывает или опровергает наличие полезных ископаемых, помогает очертить площадь будущей разработки.
Наука, медицина, производство, школы: где и как используют виртуальную и дополненную реальность
VR и AR также активно внедряются в образовательные процессы. Развитию иммерсивного обучения благоприятствует техническая оснащённость потребителей: , что к концу 2020 году в мире будет работать почти 1,5 млрд поддерживающих AR смартфонов, а к 2023-му — 3,4 млрд.
VR и AR пока наиболее распространены в сегменте корпоративного обучения и, конечно, представляют наибольшую ценность в науке, медицине, производстве — там, где при отработке навыков в реальности слишком высока цена ошибки. Вот несколько удачных примеров.
Медицинский стартап EchoPixel разработал технологию иммерсивной томографии: при помощи аппарата для УЗИ, 3D-очков и особого дисплея врачи воспроизводят трёхмерную голограмму тела пациента или отдельного органа:
Система может служить и для безопасной учебной отработки врачебного вмешательства в организм больного.
EchoPixel сравнивает средневековые и современные методы обучения врачей
Российский проект NOE-VR предлагает первый в мире офтальмологический образовательный VR-симулятор с использованием технологий искусственного интеллекта. Симулятор создаёт анатомически точную модель глазного яблока в виртуальной реальности. На неё можно накладывать любые болезни глаз в разных стадиях, учиться их диагностировать и лечить. Включив хирургический модуль, пользователь получает возможность проводить операции.
Что такое машинное обучение?
Машинное обучение — это специализированный способ, позволяющий обучать компьютеры, не прибегая к программированию. Отчасти это похоже на процесс обучения младенца, который учится самостоятельно классифицировать объекты и события, определять взаимосвязи между ними.
ML открывает новые возможности для компьютеров в решении задач, ранее выполняемых человеком, и обучает компьютерную систему составлению точных прогнозов при вводе данных. Оно стимулирует рост потенциала искусственного интеллекта, являясь его незаменимым помощником, а в представлении многих даже синонимом.
Наконец, машинное обучение — одна из наиболее распространенных форм применения искусственного интеллекта современным бизнесом. Если компания еще не использует ML, то в ближайшее время наверняка оценит его потенциал, а ИИ станет основным двигателем IT-стратегии многих предприятий. Ведь искусственный интеллект уже сегодня играет огромную роль в трансформации развития ИТ-индустрии: клиенты больше внимания уделяют интеллектуальным приложениям, чтобы развивать свой бизнес с помощью ИИ. Он применим к любому рабочему процессу, реализованному в программном обеспечении, — не только в рамках традиционной деловой части предприятий, но также в исследованиях, производственных процессах и, во все большей степени, самих продуктах.
Примечание На
международной конференции по искусственному интеллекту и анализу
данных
Artificial Intelligence Journey (AI Journey)
президент по глобальным продажам, маркетингу и операциям Microsoft
Жан-Филипп Куртуа
сообщил
, что пандемия COVID-19 форсировала интерес к использованию машинного
обучения: 80% компаний уже внедряют его в свою деятельность, а 56%
планируют увеличить объем инвестиций в эту сферу.
Machine Learning: принципы и задачи
В основе машинного обучения лежат три одинаково важных компонента:
- Данные. Собираются
всевозможными способами. Чем больше данных, тем эффективней машинное
обучение и точнее будущий результат. - Признаки. Определяют,
на каких параметрах строится машинное обучение. - Алгоритм. Выбор
метода машинного обучения (при условии наличия хороших данных) будет
влиять на точность, скорость работы и размер готовой модели.
В основу существования и развития машинного обучения легли три основных принципа:
- Инновационность: возможности ML открывают новые перспективы развития и роста
практически всех отраслей экономики. - Специфичность: машинное обучение применяется для внедрения и разработки новых
продуктов исключительно людьми, которые разбираются в
IT-технологиях. - Простота: продукты,
реализуемые с использованием технологий машинного обучения,
становятся понятны даже школьникам и людям преклонного возраста.
Задачи, которые способно решить машинное обучение, напрямую определяют выгоды для бизнеса и возможности решения социальных проблем государствами разных стран. К основным задачам относятся:
- Регрессия. Предоставляет прогноз на основе выборки объектов с различными
признаками.По итогам анализа данных на выходе получается число или
числовой вектор. Например, таким образом работает кредитный скоринг
— оценка кредитоспособности потенциального заёмщика. - Классификация. Выявляет категории объектов на основе имеющихся параметров.
Продолжает традиции машинного зрения, поэтому часто можно встретить
термин «распознавание образов»: например, идентификация
разыскиваемых людей по фото или на основании словесного описания
внешности.< - Кластеризация. Разделяет данные на схожие категории по объединяющему признаку.
Например, космические объекты кластеризируют по удаленности,
размерам, типам и другим признакам. - Идентификация. Отделяет данные с заданными параметрами от остального массива
данных. К примеру, участвует в постановке медицинского диагноза по
набору симптомов. - Прогнозирование. Работает с объемами данных за определенный период и предсказывает
на основе анализа их значение через заданный период времени.
Примером может служить прогноз погоды. - Извлечение знаний. Исследует зависимости между рядом показателей одного и того же
явления или события. Например, находит закономерности во
взаимодействии биржевых показателей.
Какие алгоритмы ИИ применяются в образовании прямо сейчас
Андрей Комиссаров, директор направления «Развитие человека на основе данных» Университета 2035, и Андрей Петровский, исполнительный директор по исследованию данных в Лаборатории по искусственному интеллекту «Сбера», рассказали о трёх основных типах искусственного интеллекта, которые реально применяются в обучении:
- Ансамбли алгоритмов, в основе которых лежат логики разной степени сложности. Именно такой ИИ отвечает за построение индивидуальных траекторий обучения или анализ эффективности плана урока.
- Предобученные нейросети, которые создают для решения одной конкретной задачи и обучают их на большом объёме данных. Такие нейросети могут, например, отвечать за автоматическое понимание языка или за распознавание эмоций на лицах студентов. Специалисты упомянули, что речь тут, как правило, идёт о моделях opensource, таких как зарубежные GPT-3 и BERT или отечественные YaLM 100B от «Яндекса» или RUGPT-3 от SberDevices.
- Нейросети, которые относятся к сфере теневого глубокого обучения. В этом случае предобученную нейросеть дообучают на меньшем объёме данных и приспосабливают решать более узкую задачу. Например, когда языковую нейросеть специализируют на проверку открытых заданий конкретного курса.
Возможно, вам также будет интересно
По данным ООН, более половины населения Земли проживает в городах, а к 2050 г. число горожан увеличится приблизительно на 2,5 млрд человек . Планомерное развитие городов неразрывно связано с внедрением технологий «умных городов» (Smart City). Ряд программ развития технологий «умного города» реализуются в России, в частности в Санкт-Петербурге . Основой концепции «умных городов» является с…
18 апреля, 2017Подразделение «Промышленная автоматизация» компании Honeywell объявляет о расширении выпуска решений для нефтегазовой отрасли в России на заводе в г. Арзамас (Нижегородская область). К данным продуктам относятся газовое измерительное оборудование и газовые регуляторы на среднее и высокое давление.
В рамках локализации будут налажены новые технологические линии, выпуск оборудования и обучение персонала на заводе компании в Нижегородской области. Предприятие входит в состав компании «ЭЛЬСТЕР Газэлектроника», принадлежащей Honeywell.
В планах «ЭЛЬСТЕР Газэлектроники» локализация …
Компания HARTING Applied Technologies GmbH была удостоена высшей награды в конкурсе «Производитель инструментов года 2020», в котором приняли участие сотрудники более 200 компаний. Помимо этого, подразделение компании HARTING также получило награду в номинации «Компания-производитель собственных инструментов с численностью сотрудников менее 50». В этой номинации компания уже становилась победителем в 2014, 2016 и 2018 гг. Учредителями данных наград являются Институт производственных технологий Фраунгофера (IPT) и Общество Machine Tool Laboratory (WZL) Рейнско-Вестфальского технического …
Выводы
В современном мире системы ИИ становятся все более популярными. Разработка таких систем больше не требует колоссальных финансовых затрат и не является прерогативой государственных и оборонных компаний. Реализовать ИИ теперь возможно даже на 32-битных микроконтроллерах. Налицо рост мирового спроса на системы ИИ с целью их применения прежде всего в «Интернете вещей». Корпорация Microchip Technology работает над удовлетворением этого спроса и предлагает аппаратные и программные средства для разработки систем ИИ. Эти средства отличает техническая и финансовая доступность, кроме того, работать с ними могут даже специалисты-электронщики, не имеющие опыта создания таких систем.
