16. Несколько успешных примеров ИИ-проектов — 2
Текст видео

Приветствую вас, дорогие друзья. Здесь Роман Душкин, и это шестнадцатое занятие курса по Основам Искусственного Интеллекта. Мы продолжаем рассматривать примеры успешных ИИ-систем в том смысле, в каком ввели понятие «успешность» на прошлом занятии. То есть мы изучаем такие разработки, которые оказали большое влияние на всю «отрасль» Искусственного Интеллекта, если так можно выразиться. В прошлый раз мы рассмотрели три исторических примера, а сегодня обратим свой взгляд на примеры из нашего времени. Поехали.

Первый пример, который мы сегодня рассмотрим, это суперкомпьютер Deep Blue, разработанный компанией IBM. Почему шахматы? Человека всегда интересовала эта игра не только как средство провести интеллектуальный досуг, но и как модель для изучения тактики и стратегии. Ну и кроме того, шахматы — это очень сложная игра с точки зрения перебора вариантов ходов. Если взять такие игры, как, к примеру, «крестики-нолики», то для них можно составить полное дерево ходов, особенно если использовать средства компьютерной техники, после чего определить непроигрышную стратегию и реализовать программу, жёстко зашив в неё найденную стратегию. Для крестиков-ноликов сегодня это может сделать старшеклассник. Намного более тяжёлой является игра в шашки, но и для неё уже при помощи программа позволяет реализовать непроигрышную стратегию. Например, компьютерная программа Chinook по словам разработчиков никогда не проигрывает человеку. Мне самому сложно это оценить, так как я не большой любитель играть в шашки, но описание алгоритма заслуживает доверия. Но если довериться разработчиком, можно сказать, что шашки были похоронены в 2007 году.
Но шахматы не такие. Никакие вычислительные мощности не позволят справиться с тем комбинаторным взрывом, который порождает огромное количество вариантов ходов в каждой позиции. Просмотреть дерево решений для шахматной партии невозможно, да и никто из людей обычно этого не делает. Шахматисты каким-то особым образом смотрят на партию и оценивают её, просматривая вперёд только несколько шагов, да и то не все варианты. Это очень похоже на символьные вычисления, когда позиция на доске воспринимается как символ. Но что там в голове на самом деле происходит, не знают даже гроссмейстеры. Однако создатели компьютера Deep Blue пошли по пути чистой парадигмы и создали компьютер, который перебирал дерево решений, обращался к истории игр гроссмейстеров и оценивал позиции при помощи хитрой функции, учитывавшей несколько тысяч параметров. Всё это делали специализированные шахматные процессоры, которые в параллельном режиме перебирали огромное количество позиций — в пике до трёхсот миллионов в секунду. Вы только представьте — десятки специализированных процессоров перебирают триста миллионов шахматных позиций в секунду. И это позволило компьютеру выиграть у сильнейшего на 1997 год шахматиста планеты. Этот пример показывает нам, что методы Искусственного Интеллекта не ограничиваются нейросетями, и чистая парадигма в самом своём примитивном применении — эвристических поисковых алгоритмах — может дать фору самому продвинутому человеку.


Что ж, перейдём к следующей игре, которая, как говорят любители, ещё сложнее шахмат. Это игра го, в которой пространство решений превосходит все мыслимые объёмы. Площадь доски, количество камней, возможность ходов — всё это делает игру го в принципе непросчитываемой даже на десять ходов вперёд. Игроки говорят о том, что они как бы «видят» хорошие и плохие ходы. При этом такого понятия, как «дебют» в шахматах, в игре го нет, есть только общие рекомендации о том, как ходить в тех или иных ситуациях. Поэтому компьютерную программу невозможно нагрузить «книгой дебютов», составленной по играм лучших игроков, как это было сделано в случае с Deep Blue. И поэтому долгое время считалось, что уж в го человек будет ещё очень долго обыгрывать компьютер. Даже профессионалы в области Искусственного Интеллекта говорили о появлении такой программы только к 2025 году.
И вот компания DeepMind, которую впоследствии приобрела корпорация добра Google, начала разработку ИИ-системы, которая смогла бы победить профессионального игрока в го. Разработка увенчалась успехом — в марте 2016 года программа AlphaGo выиграла у одного из самых сильных игроков мира Ли Седоля четыре партии из пяти в матче. Внутренности этой системы в целом неизвестны, так как разработчики не стали открывать то, что находится у системы «под капотом». Тем не менее, из научных статей разработчиков известно, что здесь использованы методы машинного обучения на искусственных нейронных сетях, причём архитектура решения основана на использовании нескольких нейронных сетей различных типов, некоторые из которых вообще необходимы для обучения и подготовки системы к игре, но не используются в самой игре. Также использовались методы чистого подхода, в частности метод Монте-Карло на деревьях решений. При подготовке к игре система проходила объёмное обучение, которое заключалось в проигрывании огромного количества игр со своими собственными экземплярами. В итоге к матчу AlphaGo подошла полностью обученной как на имеющихся партиях профессионалов, так и при игре сама с собой. Итог — победа над четвёртым игроком мира и дальнейшее использование некоторых находок системы в игре профессионалами.

Эти примеры показывают, что развитие технологий Искусственного Интеллекта идёт семимильными шагами. И если ещё вчера профессионалы в этой области прогнозировали один темп развития, сама технология уже сегодня показывает совсем другой — намного более быстрый. Так что всем нам надо готовиться к наблюдению прорывов в области Искусственного Интеллекта, а некоторым даже участвовать в них.


Теперь рассмотрим третью разработку наших дней — это система IBM Watson. Многие считают её больше маркетинговой штукой IBM (и, чего греха таить, я тоже), но тем не менее, система показывает определённые результаты. В 2011 году она победила в телеигре «Своя игра» на американский манер. Эта ИИ-система позволяет обрабатывать запросы на естественном языке и быстро находить на них ответы. Для разбора естественного языка используются различные техники как чистого, так и грязного Искусственного Интеллекта. При этом разработчиками система делается универсальной для работы с любой проблемной областью. К настоящему времени IBM Watson представляет собой не просто платформу, а целую инфраструктуру для создания приложений Искусственного Интеллекта, многие задачи в которой можно решать, просто используя готовые модули и блоки. Доступ к инфраструктуре любой разработчик может получить удалённо, так что каждый может пощупать возможность системы и даже использовать её в своих проектах. По словам представителей IBM в ней есть даже модули для обработки русского языка. Тем не менее, результаты, о которых время от времени рапортует IBM, немного удручают — могло бы быть и лучше.

Итак, мы рассмотрели три известных и широко нашумевших ИИ-системы современности. Это — шахматный компьютер Deep Mind, спроектированный для того, чтобы победить чемпиона мира. Это — программа AlphaGo, которая была сделана универсальной и обладала только базовыми навыками игры в го, а потом сама научилась играть так, что победила одного из лучших игроков в мире. И это — платформа IBM Watson, которая позволяет обрабатывать естественно-языковые запросы и быстро находить ответы в ворохе неструктурированной информации. Теперь переходите к чтению дополнительных материалов и ответу на вопросы теста. Всем пока и до новых встреч.
Самостоятельная работа
Задание 1

Прочесть все материалы по ссылкам выше

Задание 2

Сдать проверочный тест
Есть вопросы? Отлично, задавайте!
Предыдущие уроки
Урок № 1: ИИ и две зимы здесь
Урок № 2: ИИ и междисциплинарные исследования здесь
Урок № 3: Две парадигмы здесь
Урок № 4: Интуитивный подход и тест Тьюринга здесь
Урок № 5: Символьный и логический подходы здесь
Урок № 6: Агенты и роевой интеллект здесь
Урок № 7: Гибридный подход здесь
Урок № 8: Гибридный подход здесь
Урок № 9: Некоторые мифы об ИИ — 1 здесь
Урок №10: Некоторые мифы об ИИ - 2 здесь
Урок №11: Некоторые мифы об ИИ — 3 здесь
Урок №12: Правда об ИИ - 1 здесь
Урок №13: Правда об ИИ - 2 здесь
Урок №14: Правда об ИИ - 3 здесь
Урок №15: Несколько успешных примеров ИИ-проектов — 1 здесь