Сбербанк рассказал студентам об искусственном интеллекте

ИИ и из чего он состоит
Искусственный интеллект – способность компьютера решать те же интеллектуальные задачи, что и человек.



Значимость ИИ сегодня огромна. Например, в промышленности с помощью искусственного интеллекта: происходит улучшение бизнес-процессов, повышение эффективности производства, развитие технологий.
Наравне с ИИ внедряется такое такое понятие как Datasciane. Если ИИ включает в себя несколько видов обучения: глубокое, машинное, роботизацию, то datasciance – специалист, работающий с ИИ

О видах обучения

Машинное обучение—один из методов ИИ, характерной чертой которого является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач. Пример в повседневной жизни: рекомендации в маркетплейсах. Для такого подбора рекомендаций в реальном времени (на сайте) необходимы исходные данные. Если нам ещё неизвестны предпочтения пользователя, можно подбирать рекомендации просто на основе выбранных им предложений. Однако система должна постоянно обучаться и накапливать данные о том, что нравится клиентам. Когда в ней наберется достаточно информации, можно будет проводить анализ и подбирать актуальные рекомендации с помощью системы машинного обучения.
Глубокое обучение — это подраздел машинного обучения, использующий сложные нейронные сети для решения самых нетривиальных задач, например, распознавания речи и обработки естественного языка.
Основных задач машинного обучения три:



Задача Классификации— отнесения объекта к одному из заранее определенных классов на основании его формализованных признаков.
Задача регрессии — предсказывает числовые значения на основе больших данных. Например, можно использовать регрессию для определения цены на основе множества характеристик товара.
Задача кластеризации— работа с распределением объектов по схожести их признаков.
Само машинное обучение проходит в три этапа: сбор данных – обучение алгоритма по данным – применение готового алгоритма. Особенность состоит в том, что в основе всего лежит сбор данных, на основании которых мы и делаем предсказание, или же попросту, вывод.
— Однако, не во всех задачах есть данные и тогда мы переходим к задачам обучения с подкреплением. Один из способов машинного обучения, в ходе которого испытуемая система (агент) обучается, взаимодействуя со средой, в которой ваши объекты взаимодействуют и здесь агент сам выявляет закономерности.
— Классический пример: агент выбирает какие ценные бумаги и в каком количестве следует покупать или продавать, и здесь мы получаем награду в виде нашего заработка, после происходит «обновление среды», корректировка модели и все движется дальше. – рассказал спикер.

Какие еще задачи решает машинное обучение?

Существует еще и задача понижения размерности – уменьшение количества признаков, не влияющих на общую картину, для быстрой работы модели, и ассоциативные правила, на основе которых строится вся рекомендательная система.
Пример: человек купил монитор и клавиатуру, с какой вероятность он захочет приобрести компьютерную мышку?
Рекомендательные системы ─ это, например, специальные алгоритмы, которые предлагают пользователю товары, подходящие ему по тем или иным критериям.
У рекомендательных систем существует три подхода: контекстный, коллаборативная фильтрация и скрытые переменные. Скрытые переменные, в отличие от остальных подходов, это поиск неявных потребностей человека. Возьмем тот же пример с покупкой монитора и клавиатуры, с какой вероятностью человек решит купить себе стол? Это и есть скрытые переменные – уход в немного другое русло и это довольно сложная модель.
Также, существует решающее дерево – предсказывание на основе вопросов об объекте. Наверное, все мы проходили это на уроках информатики, когда составляли цепочку из определенных действий, к которым мы приходили после ответов на тот или иной вопрос. Вопросы подразумевают ответы «да» или «нет». Например: подготовилась ли я к контрольной: «да»— получу хорошую оценку, «нет»— получу плохую; если получу плохую, попробую ли я исправить ее и т.д.

О сложной технике в машинном обучении: ансамблирование в ИИ



Метод машинного обучения, где несколько моделей обучаются для решения одной и той же проблемы и объединяются для получения лучших результатов называется ансамблевым методом
— Это когда множество алгоритмов работают вместе, и мы берем усредненное предсказание от всех алгоритмов. Берем среднее предсказание.
Пример: есть несколько моделей, объединяем в композицию предсказания и делаем финальную комбинацию для предсказания. И это более точно предсказание, чем базовые модели.
Бывает несколько видов ансамблевых методов.
Стэкинг – это метод объединения нескольких моделей машинного обучения для получения более высокой точности предсказаний.
Каждый алгоритм выступает в виде признака в следующем алгоритме, следовательно мы получаем точный результат, однако в виде общей картины.
Бустинг—каждый алгоритм обучается исходя из исправления алгоритмов. Им редко пользуются, только в сложных задачах.
Бэггинг— однородные модели с добавлением разнообразия в алгоритмы. При этом каждая модель исправляет ошибки предыдущей, в ходе чего у нас более четка картина.

В целом, ансамблевые методы делают более качественные предсказания. Однако, ухудшается скорость из-за объединения алгоритмов и использования различных методов (стэкинг, бэггинг, бустинг). Для осуществления асамблевных методов нужны большие компьютерные мощности.

— У нас в сбербанке для этого есть суперкомпьютер –«Кристофари», даже целых 2 штуки. Они находятся в Сколково, в Российском квантовом центре.



Где в наше время используют ИИ

В промышленности – можно высчитать, когда деталь выйдет из строя, чтобы вовремя заменить оборудование.
В торговле —в том же самом интернет магазине с рекомендательной системой; можно также рассчитать, на основе данных за последние два года, необходимое количество продукции в будущем.
В сельском хозяйстве – предсказывание урожая; распознавание сорняков; контроль топлива в машинах; контроль полей; контроль тракторов и другой сельхозтехники, которые могут работать автономно, при помощи данных со спутника и данных по участку; когда м чем кормить животных; сколько продукции получим в итоге.
В образовании – подбор вузов для студента.
— Однако, помощь ИИ в виде написания каких-то учебных работ – это плохой вариант. Следует помнить об этике ИИ—помогать людям, а не делать за них. А образование следует получать самостоятельно.
В науке – проведение исследований на примере модели, чтобы понять, будет ли в итоге эксперимент эффективным, чтобы оптимизировать расходы
В логистике и транспорте – все, наверное, знакомы с тем же Яндекс.Go, здесь как раз ИИ используется для расчета стоимости поездки на основе: пробок, спроса, истории ваших поездок.
В телекоммуникации – пока не обширно, но уже пытаются применить в роутерах, а так же в сотовых, в области рекламы и продажи.
В финансовом секторе—курс валюты, акции, страховки, кредиты.
В энергетике— постоянный контроль за деталями оборудования, возможность перенаправления энергии в случае необходимости.
В безопасности – примером может стать техника безопасности: соблюдение ее работниками; распознавание эмоций людей по голосу и предположения о террористах на основе их поведения (используется в основном в аэропортах).
В здравоохранении – постановка диагноза, диагностика.
— К сожалению, сейчас постановка диагноза ИИ называется вторым мнением. Хотя, есть некоторые продукты, которые составляют так называемые ТОП-3 диагноза, на основе симптомов, к которым врач при постановке диагноза может обратиться. К слову, ИИ обычно не ошибается.
Скажем, у ИИ, при диагностике, выше вероятность определения рака, чем у человека.
— Он может выявлять мелкие недочеты, все-таки врачей у нас в этой области мало, а ИИ способен спасти многим жизни. Выявляя тот же рак на ранней стадии.

Елизавета ГЛУШКОВА