Первоначально работа ведется над символьным ИИ, основанном на правилах. Но эта форма ИИ сильно ограничена. Она подходит только для тех областей, в которых можно определить четкие правила для всех возможных ситуаций. С 1980-х годов был достигнут очень большой прогресс в области самообучающихся программ.

Машинное обучение означает, что компьютер учится на примерах и опыте принимать решения – без программирования на решение конкретной задачи. Специальные алгоритмы учатся на демонстрационных данных и разрабатывают модели, которые затем могут использовать для новых, ранее еще не встречавшихся данных. Когда самообучающиеся машины обучаются на очень большом количестве примеров, они самостоятельно разрабатывают обобщенный процесс принятия решений. Однако как самообучающиеся программы приходят к своим решениям, обычно не могут понять даже сами программисты. В зависимости от сложности различают разные уровни машинного обучения: контролируемое обучение, неконтролируемое обучение, обучение с подкреплением и глубокое обучение.

«Сегодня у нас есть машины, которые уже могут относительно хорошо учиться, но у нас еще нет машин, которые могут думать. Разработка таких машин - вот главная задача».
Бернхард Шёлькопф, директор Института интеллектуальных систем Общества Макса Планка в Тюбингене

Как ИИ учится?

Обучение на основе правил
Обучение на основе правил, также называемое символическим ИИ, строится на логических моделях и часто называется «классическим» ИИ. Он принимает решения в соответствии с четкими правилами, заранее определенными в программном коде.
Примером такой формы ИИ является Deep Blue – компьютерная программа, которая впервые победила тогдашнего чемпиона мира по шахматам Каспарова в 1996 году. Она работает с символическим ИИ и достигает своей силы игры в основном за счет огромной вычислительной мощности. Шахматное программное обеспечение просчитывает в среднем 126 миллионов позиций в секунду. На самом деле, Deep Blue не очень умна – но очень, очень быстра.

Контролируемое обучение
При контролируемом обучении люди оценивают обучающие и тестовые данные и распределяют их по группам. В период обучения ИИ учится правильно называть изображения кошек, например, «кошка». Если алгоритму, обученному выбирать между собакой и кошкой, показать фотографию слона, ИИ не сможет решить эту задачу. Однако, ограниченные узкой областью, эти алгоритмы очень надежны и точны, если обучающие данные достаточно обширны и качественны.
Анализ изображений с помощью обучающих методов уже играет важную роль в диагностике изображений. Несколько исследований показывают, что ИИ может ставить более быстрые и зачастую более точные диагнозы, чем многие медицинские работники, например, при оценке рака кожи. Наилучшие результаты достигаются при совместной работе человека и ИИ: сначала ИИ оценивает, является ли это раком кожи вообще или безопасным изменением кожи. После этого лечение определяется специалистами.

Неконтролируемое обучение
О неконтролируемом обучении говорят в том случае, когда алгоритм получает нефильтрованные необработанные данные. Программа самостоятельно ищет сходства и различия в данных. Цель – выявить представляющие интерес и подходящие шаблоны. Однако это иногда приводит к ошибкам, когда ИИ распознает сходства, особенно в фоне изображения, и поэтому приходит к неверным результатам. Например, если ИИ узнает, что такое «волк», только по фотографиям волков на снегу, он также назовет другое животное на снегу «волком».
Распознавание образов с помощью самообучающихся сетей может помочь исследователям увидеть больше: флуоресцентная микроскопия живых клеток часто должна проводиться при слабом освещении, так как в противном случае исследуемые организмы будут повреждены. Самообучающееся программное обеспечение для восстановления изображений анализирует эти плохо освещенные, трудноразличимые микроскопические изображения, сравнивает их с образцами известных изображений и может выявить «скрытое» содержание изображения.

Обучение с подкреплением
При обучении с подкреплением обучающая система принимает решения, в соответствии с которыми она впоследствии действует. За каждое действие система получает положительную или отрицательную обратную связь. Таким образом, алгоритм все лучше и лучше узнает, насколько успешны отдельные действия в различных ситуациях. Глубокое обучение – это метод обучения с подкреплением в искусственных нейронных сетях, которые имитируют работу мозга. Такая нейронная сеть состоит из нескольких слоев. Отдельные слои состоят из множества искусственных нейронов, которые связаны друг с другом и реагируют на нейроны соответствующего предыдущего слоя. Чем больше сеть, тем более сложные ситуации могут быть обработаны.

Распознавание речи и текста
Глубокое обучение применяется, в частности, для распознавания речи и текста. Например, разработанная в Кёльне служба онлайн-перевода DeepL и программа синхронного перевода Lecture Translator Технологического института Карлсруэ работают с искусственными нейронными сетями.
 
Распознавание лиц
В настоящее время искусственные нейронные сети также используются для распознавания лиц. Только в столице Великобритании Лондоне установлено более 600 000 камер, многие из которых также используются для распознавания лиц. Технология призвана помочь полиции раскрывать или даже предотвращать преступления. Но насколько велика опасность такого контроля? Насколько она совместима с демократией и гражданскими правами?

Автономное вождение
Автопроизводители уже несколько десятилетий работают над автоматизацией вождения с помощью различных систем содействия управлению транспортным средством. Многие вещи уже стали реальностью, например, автоматическая адаптация скорости или помощь при парковке. Главной целью является автономное вождение, когда компьютерные программы с ИИ полностью контролируют автомобиль, а люди являются лишь пассажирами. С одной стороны, это позволило бы предотвратить многие дорожные происшествия, потому что сегодня очень много аварий происходит из-за человеческого фактора. Но, с другой стороны, есть и принципиальные вопросы: кто несет ответственность в случае столкновения с автомобилем без водителя?

Примеры из научных исследований в области ИИ

Давай, исследуй со мной
Маленький четырехногий робот SOLO 8, который также приветствует посетителей на выставке, посвященной теме ИИ, – это творение робототехнических лабораторий Института интеллектуальных систем Общества Макса Планка в Тюбингене и Штутгарте. Робот-исследователь является проектом с открытым исходным кодом. Руководство по разработке и документация по GitHub находятся в открытом доступе. Большинство деталей поступает с 3D-принтера, остальные можно легко купить в магазине. Это означает, что исследователи во всем мире могут недорого и легко воспроизвести и продолжить разработку робота SOLO 8. Идея проекта заключается в том, что любая исследовательская лаборатория робототехники может использовать эту технологию, создавая, таким образом, единую исследовательскую платформу по всему миру. Ведь если многие ученые проводят эксперименты на одной и той же платформе, то получают сопоставимые данные. Это позволяет ускорить прогресс в области робототехники.
  © Институт интеллектуальных систем Общества Макса Планка, Штутгарт и Тюбинген / Вольфрам Шайбле Благодаря длительной экспозиции высокодинамичные последовательности движений робота SOLO 8 превращаются в танец.

Распознавание взаимосвязей
Одним из текущих направлений исследований Бернхарда Шёлькопфа в Институте интеллектуальных систем им. Макса Планка в Тюбингене является так называемая каузальная интерференция. При этом речь идет об алгоритмах, которые на основе данных также могут выявлять причинно-следственные связи, т.е. связь между причиной и следствием. Одна из целей – сделать системы ИИ более устойчивыми к внешнему вмешательству. Хорошим примером здесь также является автономное вождение: если дорожный знак в жилом районе с ограничением скорости установлен таким образом, что на нем вместо 30 км/ч написано «130», человек сразу понимает, что это не может быть правдой – именно потому, что окружающая обстановка дает множество дополнительных подсказок. Для ИИ, с другой стороны, это непростая задача. И все же он должен быть в состоянии справляться с ней, прежде чем автомобили смогут действительно ездить автономно, иначе серьезные аварии будут неизбежны.
  © Решения Bosch для обеспечения мобильности
Идеальное взаимодействие
Фильмы и сериалы дублируются для крупных кинорынков, таких как Германия. Переводчики должны при этом не только правильно передать содержание сказанного, новый текст также должен соответствовать движениям губ и мимике актеров. Но все может измениться: техника ИИ под названием «Глубокие видеопортреты», разработанная в Институте информатики Общества Макса Планка, позволяет адаптировать выражение лица и мимику актеров для наилучшего перевода. Для этого записываются движения лица и положение головы актеров дубляжа. Система переносит это на актеров в фильме. В результате мимика, взгляд, положение головы и даже подмигивание глаз идеально соответствуют произносимым словам. Однако подобные приемы делают возможной фальсификацию медиаконтента, известную как «дипфейк». Сегодня, например, в уста политиков можно вложить любое заявление, каким бы абсурдным оно ни было. Поэтому мы должны привыкнуть критически относиться даже к кажущимся объективными доказательствам.
  © Институт информатики Общества Макса Планка, Саарбрюккен
Изучение языков с помощью ИИ
Онлайн-курсов по изучению языка существует «как песка в море». Но предложение часто сильно отличается по качеству и цене. Особенно перспективными являются курсы, на которых учащиеся получают много обратной связи от преподавателей. Но такие курсы дорогие. Вейценбаум-институт – совместный исследовательский проект Берлина и Бранденбурга – совместно с Гете-Институтом разрабатывает ИИ, который позволит максимально эффективно использовать время преподавателей и сосредоточиться на таких областях, как написание собственных текстов и обучение правильному произношению. Программа, помимо прочего, может проверить не только новую лексику в свободно сформулированных текстах, но и правильность использования недавно изученной грамматики. Она даже может определить, переводили ли ученики текст самостоятельно или «жульничали» с помощью программ-переводчиков. Таким образом, ИИ может взять на себя рутинные задачи преподавателей.

da Vinci с тонким чутьем
Сегодня распространенные человеко-машинные интерфейсы в основном ориентированы на слух или зрение. Но Катерине Кухенбекер и ее команда из Института Макса Планка в Штутгарте убеждены: для многих областей применения роботам необходимы более совершенные возможности тактильного взаимодействия, а также более высокий социальный интеллект. Поэтому ученые учат роботов воспринимать окружающую среду на ощупь. Это одинаково важно как при работе с людьми, например, нуждающимися в уходе, так и при использовании дистанционно управляемых роботов. Так, Катерине Кухенбекер продолжает разработку хирургического робота «da Vinci», который позволяет хирургам проводить операции на больших расстояниях. При этом система ИИ передает роботу движения удаленных специалистов. Благодаря новым функциям врачи теперь могут не только видеть на экране, но и непосредственно ощущать, что делает робот.

© Институт интеллектуальных систем Общества Макса Планка, Штутгарт «С помощью ИИ мы можем превратить хороших хирургов в очень хороших хирургов».
Катерине Кухенбекер, директор Института интеллектуальных систем Общества Макса Планка в Штутгарте