Поэтому я просто повесил трубку со своими сестрами после обсуждения того, что я пишу этот пост о том, что такое искусственный интеллект. Мы пришли к выводу, что мне не следует записывать скучное объяснение различных областей ИИ, математики, стоящей за ним, и бла-бла-бла.

Мы в основном сказали FUCK SCIENCE! (Хотя НАУКА КАЧЕСТВУЕТ, подмигиваю) записываю все, что, блядь, приходит мне в голову относительно того, что я знаю об этой области, и делаю это свежим, как салат. Создайте шум и полемику, разрушьте академическую обстановку и сделайте новости с каким-нибудь паникёрским заявлением о том, что компьютер трахнет мировую систему и будет контролировать человечество, МУАХАХА КИБЕРПАНК, ДЕРЬМОЕ УБЕДИТЕЛИ!

Я начинаю подозревать, что когда-нибудь Medium заблокирует мои посты из-за моей красивой и красочной прозы.

Одна из причин, по которой я хотел написать об этом, заключается в том, что я читал курс для студентов-инженеров, и, за исключением 2-3 человек, они даже не знали, какого черта я имел в виду, когда упоминал ИИ. Например, hellouuuu, где вы жили последнее десятилетие? Дж. Х. Крайст, студенты третьего курса инженерного факультета, которые ничего не знают об ИИ, а их лица прилипают к телефонам и каждый день взаимодействуют с ним, честно говоря, очень разочаровывают. Да, ИИ контролирует вашу жизнь и знает о ней больше, чем вы думаете.

Но теперь, я говорю вам то же самое, что однажды сказал им, даже если вы разбираетесь в ИИ, надеюсь, к концу этого поста вы будете на пути к тому, чтобы произвести впечатление на своих пьяных друзей на вечеринке захватывающими новыми знаниями, которые вы, вероятно, не совсем понимаю, но, по крайней мере, начинает казаться знакомым, а также заставляет вас звучать как высший разум. Не то чтобы для понимания этого требовалось быть высшим разумом. Я далек от того, чтобы быть им, и посмотри на меня, у меня успех на колесах.

Искусственный интеллект

Давайте начнем с акронимов, чтобы увеличить производительность вашего мозга: ИИ — это искусственный интеллект, машинное обучение — машинное обучение, глубокое обучение — глубокое обучение. ИИ — это надмножество, большая группа множества различных подобластей, которые, несмотря на то, что они связаны, термины часто используются взаимозаменяемо, что НЕПРАВИЛЬНО.

Как правило, ИИ используется в средствах массовой информации для определения компьютерных или роботизированных систем, которые превосходят возможности человека по производительности для решения конкретной задачи. Это может быть анализ медицинских изображений для выявления болезни, анализ тенденций в финансовых временных рядах или наложение глупых фильтров на лицо в Instagram. Проблема в том, что люди начинают думать, что мы достигли эпохи, когда компьютеры захватят мир. Если вы используете одну из многих систем искусственного интеллекта, которые управляют вашей жизнью, чтобы испечь блины, этот ублюдок не сможет ничего сделать.

Мы очень далеки от того дня, когда у нас действительно будет система на основе ИИ, которая сможет выполнять все задачи, которые выполняет человек, с производительностью выше человеческого уровня. Ваш смартфон, конечно, бегает вокруг вас с ежедневными количественными задачами, но эта технология не может конкурировать с вашей способностью думать о цели жизни, запахе чего-то горящего на кухне, спрашивая себя, почему вселенная решила за вас. быть уродливым, все происходит одновременно, пока вы готовитесь к работе.

Так что, если вы думаете, что Скайнет или ИИ из Матрицы скоро станут реальностью, подумайте еще раз, это произойдет не в ближайшем будущем и уж точно не при вашей жизни. Мнения экспертов в разных областях по последнему пункту разделились, но мне похуй, так что да, я не совсем уверен, что это произойдет в ближайшее время.

ИИ действительно хорош в задачах с ограничениями, которые мы можем моделировать математически, несмотря на их сложность, количественные вещи, с которыми людям трудно. Наоборот, ИИ плохо справляется с такими задачами, как интуиция, воображение и накопленные знания, которые естественным образом даются людям и живым существам в целом.

Машинное обучение

Если кто-нибудь из академических кругов когда-нибудь прочитает это, они захотят меня убить, ха-ха. Машинное обучение иногда называют «прославленной статистикой», но я верю, что статистика, несмотря на то, что она очень связана с ML, это ремесло само по себе. По сути, машинное обучение сводится к очень разумному использованию математики, разработанной очень-очень умными людьми, вот и все. Машинное обучение — это группа методов/моделей, в которых используется множество математических методов: линейные и нелинейные функции, интегральное и дифференциальное исчисление, теория оптимизации и линейная алгебра (математика, но для матриц чисел).

Те умные ублюдки, которые разработали математику для машинного обучения, сумели сделать ее такой же простой, как сложение, вычитание, умножение и деление множества чисел. Не хочу, чтобы вы думали, что это дерьмо так просто, как кажется, потому что для того, чтобы полностью понять все, что происходит за кулисами, вам нужны значительные знания, но интуиция, стоящая за большинством используемых методов, довольно проста. Тем не менее, иногда нам нравится использовать сверхсложные имена для некоторых довольно простых вещей, чтобы мы чувствовали, что можем делать вещи, которые не понимают многие люди. Мы действительно подлые ублюдки.

Большинство моделей и методов машинного обучения можно разделить на 3 категории: обучение с учителем, обучение без учителя и обучение с подкреплением. Каждая из этих областей представляет собой отдельный мир, и, возможно, обучение с подкреплением является одним из самых популярных сейчас благодаря недавним достижениям компании Deepmind.

  • Контролируемое обучение

Работа с размеченными наборами данных. Представьте, что у вас есть 100 изображений с метками с информацией о содержимом каждого изображения: собака, кошка, машина, самолет, стол, стул. Вы обучаете свою модель обобщать отношения между каждым изображением и каждой присвоенной ему меткой, чтобы при вводе нового изображения без метки можно было предсказать и назначить метку, которая лучше всего соответствует информации о пикселях изображения.

  • Обучение без учителя

В этом случае ваши данные не имеют меток или информации, которая могла бы рассказать вам, что представляет собой каждая точка данных. Представьте, что у вас есть библиотека из 1000 книг, и вы хотите сгруппировать их по разным категориям или авторам, вы будете использовать алгоритм кластеризации. Идея этого типа подхода состоит в том, чтобы разобраться в неразмеченных данных, которые вам нужны, чтобы увидеть, сможете ли вы найти какие-либо интересные закономерности, которые помогут вам лучше понять ваши данные.

  • Обучение с подкреплением

Один из лучших способов, который я нашел, чтобы объяснить это, — это то, как вы обучаете собаку сидеть. Если они сидят правильно, вы даете им лакомство, если они не садятся, вы ничего им не даете. Этот подход направлен на поиск модели, в которой агент пытается решить задачу с неизвестным подходом, который в конечном итоге настраивается путем оптимизации системы вознаграждения. Представьте, как вы учитесь играть в игру, начинаете ничего о ней не знать и получаете награду 0. После пары попыток вы начинаете понимать игру, и ваша награда неуклонно растет. В идеале вы должны достичь точки, когда ваше понимание игры будет таким, что вы получите максимально возможное количество очков, вы даже можете сосредоточиться на получении этого результата как можно быстрее.

Глубокое обучение

Как вы можете видеть на диаграмме Венна вверху, DL — это подмножество ML. Некоторые техники и модели похожи, но разница в том, что они ГЛУБОКИЕ! большой сюрприз ха-ха. Под этим я подразумеваю, что количество вычислительной мощности и данных, используемых в глубоком обучении, намного выше, потому что «архитектура» моделей становится глубже, с большим количеством уровней сложности по сравнению с традиционным машинным обучением.

Нейронная сеть — одна из многих моделей машинного обучения, очень популярных в последние годы благодаря удивительным результатам, полученным в разных областях, таких как распознавание речи и изображений. В любом случае, как вы можете видеть, основное различие между нейронной сетью ML и DL заключается в количестве скрытых слоев. Вы складываете еще кучу математических операций в середине сети в надежде получить лучшие результаты для поставленной задачи.

Хорошим сравнением было бы думать об экране. Представьте, что у вас есть только 10 пикселей для представления круга, затем вы добавляете еще 10 пикселей, затем еще 10, и так далее, и так далее, пока в конечном итоге ваш круг не будет выглядеть как настоящий круг. Вы пытаетесь добавить больше информации к своей задаче, чтобы улучшить конечный результат, который вы получаете. В DL идея очень похожа, вы накладываете больше слоев математических операций, чтобы, например, получить более точную информацию из вашего изображения.

Глубокое обучение существует с начала века, но причина, по которой оно стало настолько популярным в последнее десятилетие, заключается в доступности больших объемов данных и вычислительной мощности. Вы когда-нибудь слышали о GPU (графическом процессоре)? Вещи, которые дети-крысы используют, чтобы играть в видеоигры на своих компьютерах? Изначально графические процессоры предназначались для обработки графики в компьютерах. В конце концов кто-то обнаружил, что их обширные возможности для параллельных матричных операций могут быть применены в исследованиях ИИ, поскольку линейная алгебра является одной из основ машинного обучения и методов глубокого обучения.

ИИ и добыча криптовалюты — две причины, по которым цены на графические процессоры резко выросли за последние десятилетия. Так что, если вы хотите инвестировать в компании, NVIDIA — действительно хорошая идея. Поверьте мне, он будет становиться все больше и больше.

Одно важное предостережение в отношении глубокого обучения заключается в том, что когда я говорю, что этот подход работает благодаря большим объемам данных и вычислительной мощности, я на самом деле имею в виду невероятно большие объемы данных и вычислительную мощность. Некоторые модели достигают 91 миллиарда параметров, используя около 1 миллиона изображений, что дает значительные результаты.

Ууууу! Вы зашли так далеко :D

Я знаю, что сказал, что не собираюсь вдаваться в технические подробности, но это неизбежно, когда вы начнете. Я действительно избегал многого и пытался сделать его интересным с помощью различных примеров, осмелюсь сказать, что поцарапал поверхность, верхушку айсберга, но, по правде говоря, я этого не сделал.

Эта индустрия настолько обширна и становится еще больше с каждой минутой, что трудно поместить все в один пост, который удобочитаем. Если вы зашли так далеко, от всего сердца благодарю вас. В завершение того, что, как я надеюсь, станет первым из многих в этой серии, я оставлю вам список забавных фактов об ИИ, о которых вы, возможно, не знали. БЛЯДЬ АНДИАМО!

  • Если вы когда-либо реализовывали простую линейную регрессию в Excel (подгонка прямой линии к группе точек 2D-данных), вы уже занимаетесь машинным обучением. Поздравляю!
  • Экосистема ИИ охрененно МАССИВНА. Дерьмо, вы добавляете слово AI рядом с названием компании, и все хотят вложить в нее деньги. Это серьезная проблема, потому что искусственный интеллект — это несколько неправильно понятая технология людьми за пределами этой области. Это создает много ажиотажа в компаниях, и когда это не оправдывает неверных и созданных ими самими ожиданий генеральных директоров, все срут на эту технологию.
  • Основные компании, работающие в этой области с огромными достижениями, причем некоторые из них предоставляют публичный доступ к своим результатам: Meta (Facebook), Google Brain, Deepmind, OpenAI, Tesla, NVIDIA, Baidu, Amazon и Apple Research. Очевидно, что это не окончательный список, черт возьми, этот список никогда не закончится.
  • Рекомендации о том, где поесть от Google, что посмотреть от Netflix и корректор орфографии с вашего телефона — все это основано на машинном обучении. Причина, по которой «5 минут» TikTok или Instagram превращаются в 30 минут вашей жизни, потраченных впустую, заключается в тщательно разработанных алгоритмах машинного обучения, которые подходят именно вам и заставляют вас прокручивать как маньяка.
  • Подобно электричеству, это дерьмо уже изменило и будет продолжать изменять мир, в котором мы живем. Даже если вы не полностью погрузитесь в ажиотаж вокруг ИИ, изучение и знание этого предмета станет важным преимуществом в вашей жизни. Нравится вам это или нет, ИИ полностью изменит то, как существует жизнь. Данные — это новая валюта.
  • За очень интересную историю о том, как ИИ может изменить все, что вы знаете: Команда OMEGA
  • Супер захватывающий документальный фильм от Deepmind о том, как ИИ надрал дерьмо чемпиону чемпионов Го: AlphaGo. Каждому человеку, которому я это показывал, он полностью понравился, даже если их профессия совершенно не связана с ИИ. Кроме моей мамы, которая заснула через 5 минут.
  • Хотите увидеть, как Железный Человек расскажет вам больше об ИИ? Посмотрите этот замечательный документальный фильм, рассказанный Робертом Дауни-младшим, в котором рассказывается о простом подходе к множеству приложений ИИ: Эпоха ИИ.
  • Забавный факт: на самом деле вам не нужно знать математику, чтобы использовать ИИ. Как я уже упоминал, многие компании выпустили свои исследования с простыми в использовании реализациями. Вы можете создать полноценный бизнес с надежной основой искусственного интеллекта, используя материалы, которые можно бесплатно найти в Интернете, и сходить с ума, создавая искусство, созданное искусственным интеллектом: DALLE-2
  • ИИ — это не какая-то сумасшедшая научно-фантастическая технология, которая читает ваши мысли и контролирует все в вашем доме (пока). Вы можете найти его в колонках, холодильнике, смартфоне и даже в еде, которую потребляете. Откройте свой разум для возможностей, и они, вероятно, уже есть.

Думаю, пора заканчивать этот пост. Настоящим я хочу признать тот факт, что я пишу это, имея в виду аудиторию, не являющуюся экспертом. Говоря словами Ричарда Фейнмана (может быть, это был не он) «Если вы не можете что-то объяснить простыми словами, вы этого не понимаете». Я бы добавил: «а ты хреновый исследователь, неудачник и хренов». Целью любого ученого должно быть распространение знаний простыми словами, даже если тема сложна.

Надеюсь, вы узнали что-то, чего не знали, вспомнили то, что забыли, или, по крайней мере, провели некоторое время в свободное от работы время, чувствуя себя хорошо от того, что прочитали что-то полезное. Это, безусловно, помогло мне структурировать мои идеи и понять, как далеко я продвинулся в этом сумасшедшем путешествии.

Мир и слава,

Джулиан