Существует достаточно широкий спектр вопросов, связанных с будущим ИИ и взаимодействием человека с этимискусственным интеллектом. У каждой группы специалистов свои акценты. Одни смотрят на практическую сторону - какой инструментарий ИИ будет востребован, во что перспективно вкладывать средства, какие технологии принесут прибыль, какие технологии уйдут с бизнес-сцены, какие новации завладеют вниманием клиентов через три, пять, десять лет. Данный набор вопросов условно можно назвать бизнес-прогнозами, построенными на изучении логики развития технологии. Большинство из этих прогнозов носят краткосрочный и среднесрочный период - 3-10 лет.
Другой пласт вопросов связан с обсуждением долгосрочных прогнозов, и касаются они таких тем как: каково будет глобальное влияние ИИ на общество, как будет осуществляться взаимодействие сильного ИИ и человека. Каково будет место человека по мере того, как ИИ будет расширять свои интеллектуальные возможности и спектр применения. Насколько вероятны сценарии негативного влияния ИИ на будущее человечества. Как нивелировать риски, связанные с созданием сильного ИИ.
Конечно, первый и второй подход к построению прогнозов имеют области пересечения. Тем не менее мы попытаемся поговорить о будущем ИИ с этих двух разных точек зрения, разделив их тематически.
Как мы отметили, бизнес-сообщество в первую очередь интересует, какие технологии будут востребованы в будущем, как скоро они выйдут на рынок, какие виды бизнеса эти новые технологии будут подрывать, каким типам компаний из-за этого придется уйти с рынка или потерять часть своих клиентов. Задача аналитиков - распознать эти новации, вычленить наиболее важные и перспективные, увидеть заранее траекторию их развития.
Сколько новых технологий можно выделить в рамках одного направления, даже такого важного и широкого, как ИИ?
Например, аналитическая компания Gartner в области ИИ отмечает несколько десятков технологий и технологических концепций и каждый год обновляет список наиболее важных новаций. Откуда берется такое количество?
Заметим, что явные технологические прорывы - это редкие события. Такие события, как появление искусственных нейронных сетей и метода обратного распространения ошибки, случаются не каждый год. Рассказ о важнейших ключевых событиях, по сути дела, и составил основу истории развития ИИ за 70 с лишним лет, которую мы обсуждали в первой лекции. При этом под новыми технологиями часто понимаются как явные технические новации, так и некоторые концепции, которые, например, отражают процесс сращивания тех или иных технологий, добавление новой функциональности в известные решения и их модификацию.
Это позволяет говорить о новациях рангом ниже, предлагая новые термины и одноименные сервисы (представляющие собой комбинацию ранее уже известных). Существенная часть этой работы носит маркетинговый характер. При этом удачные маркетинговые находки аналитиков играют на руку продуктовым менеджерам, которым нужно каждый год пополнять список новых возможностей обновляемых продуктов. Так появляются новые технологические концепции и тренды под броскими названиями типа "ответственный искусственный интеллект", "композитный ИИ" или "датацентричный ИИ". Часть терминов окажется удобными и будут востребованы сообществом, а те, что ничего не несут в себе кроме красивого названия, достаточно быстро уходят как из обихода специалистов, так и пропадают с кривых ажиотажа Gartner и материалов прочих аналитических и маркетинговых организаций.
Задача аналитиков-маркетологов - находить наиболее заметные технологические тенденции, искать закономерности, вычленять концепции, давать им названия. Время покажет, какие технические возможности окажутся популярными.
Мы неслучайно упомянули выше компанию Gartner - это крупнейший ИТ-аналитик, который пытается ежегодно давать прогноз пула технологий, которые будут востребованы сообществом, поэтому, говоря о том, какие технологии появятся в будущем, полезно обратиться именно к материалам Gartner.
Для анализа перспективности новых технологий Gartner использует две формы представления материалов - это так называемый Impact radar, который отображает вес технологических новаций и сроки их выхода на рынок (рис. 5.1), и уже рассматриваемый нами ранее Gartner Hype cycle (рис. 5.2).
Ниже приводим описание отмеченных на рис. 5.1-5.2 технологий с разделением их на три группы по времени выхода на рынок.
Облачные ИИ-сервисы для разработчиков (Cloud AI developer services) - это размещенные в облаке модели и сервисы, позволяющие разработчикам использовать их через API, не требуя необходимых для запуска моделей локальных аппаратных ресурсов. Данную технологию мы обсудили во второй лекции и привели перечень компаний, которые достигли наибольших успехов в данной области. Судя по данным рис. 5.2, обсуждаемая технология уже выходит на плато продуктивности.
Комплекты для разработки и обучения искусственного интеллекта (AI Developer and Teaching Kits) - это инструменты, инструкции и примеры для разработки программного обеспечения, которые добавляют слой абстракции поверх платформ, фреймворков и аналитических библиотек для работы с данными и упрощают встраивание ИИ в приложения, тем самым позволяя заметно упростить и ускорить внедрение ИИ. Согласно данным рис. 5.2, эта технология уже также выходит на плато продуктивности.
Под интеллектуальными приложениями (Intelligent applications) Gartner прежде всего подразумевает корпоративные бизнес-приложения со встроенными технологиями искусственного интеллекта. То есть речь идет о добавлении ИИ-функциональности в одну из категорий корпоративного ПО, включая такие типы ПО как планирование ресурсов предприятия (ERP), автоматизация продаж (SFA), управление взаимоотношениями с клиентами (CRM). Данные виды программного обеспечения являются важными инструментами для большинства корпораций, поскольку от уровня автоматизации и продуктивности существенно зависит эффективность предприятий. Добавление ИИ-функциональности в подобного рода приложения становится для вендоров ключевым конкурентным преимуществом. Как видно из рис. 5.2, в 2022 г. данная технология вступила в стадию "подъема осведомленности".
Интеллектуальные системы поддержки принятия решений (Decision Intelligence) объединяют ряд методов, связанных с мониторингом процессов, происходящих с анализируемыми объектами и системами, их моделированием, с использованием диагностической и предиктивной аналитики.
Компания Gartner включила данную технологию в перечень стратегических технологических тенденций на 2022 год и определяет ее как комплексный инструментарий, опирающийся на аналитику, бизнес-аналитику, машинное обучение и другие средства искусственного интеллекта для получения "единого источника правды", необходимого для принятия верного решения. Обсуждаемая технология позволяет ускорить процесс принятия решения путем обработки огромных объемов данных, помогает организациям сделать выбор из множества вариантов, который оптимально соответствует целям и задачам бизнеса.
Технология находит применение не только на производстве, но в самых разных отраслях. Например, в сервисных организациях востребованы рекомендательные системы, необходимыедлятого, чтобы грамотно предсказывать, какие услуги потребители сочтут наиболее подходящими, какие фильмы они захотят посмотреть, какие рестораны посетить. В финансовых организациях это, например, средства для оценки заявок на ипотечные кредиты, автокредиты, в розничной торговле - выбор оптимальных цен на товары, в промышленности - выбор оптимальных схем ремонта оборудования и т. п. В 2021 г. данная технология была на вершине пика завышенных ожиданий.
Данные платформы (AI Orchestration and Automation Platform
Gartner за 2021 г. данная технология была отмечена на этапе запуска с прогнозом выхода на плато в 2-5 лет.
ИИ, ориентированный на человека (
На момент публикации диаграммы, показанной в верхней части рис. 5.2 (2021 г.), Gartner определяла технологию как находящуюся на стадии запуска и с перспективой выхода на плато продуктивности в 2-5 лет.
Компания IBM определяет концепцию HCAI лозунгом "Человек + ИИ лучше, чем каждый из них по отдельности". Gartner позиционирует HCAI как общий принцип проектирования ИИ, предполагающий модель партнерства людей и ИИ, работающих вместе для улучшения качества принятия решений, предполагая сотрудничество человека и машины. Методология направлена на изучение и разработку новых форм взаимодействия человека и искусственного интеллекта, которые улучшают и расширяют человеческие возможности. HCAI иногда называют "дополненным интеллектом", "интеллектом кентавра" или "человеком в контуре". Согласно концепции, даже полностью автоматизированная система HCAI должна иметь в качестве цели пользу для человека, управлять рисками, соблюдением норм этики, дополняя решение здравым смыслом.
Мультиопыт (Multiexperience) - это технология или совокупность технологий, обеспечивающих возможность взаимодействия пользователя с приложениями в разных точках доступа (веб-сайтах, мобильных, носимых устройствах, чат-ботах, дополненной и виртуальной реальности и т. п.) с использованием разных видов взаимодействия (прикосновение, голос, зрение, жесты) с возможностью их бесшовной интеграции на растущем многообразии устройств [258]. Для реализации всех этих форм взаимодействия с приложениями на разных платформах требуются технологии ИИ для работы c многомодальными данными, включая такие как распознавание образов, голоса, жестов, движения и т. п. Для реализации описанных технологий появились платформы разработки мультиопыта (
Согласно Gartner, композитный (составной, гибридный) ИИ (CompositeAI) означает сочетание различных методов ИИ для достижения наилучшего результата в реализации ИИ-проекта.
Наиболее заметные успехи в области искусственного интеллекта в последнее время были реализованы в области глубокого обучения, которое достигло больших успехов в сфере компьютерного зрения, генерации текстов и т. п., что отчасти привело к заблуждению, что передовой ИИ в значительной степени равен машинному обучению. Организации сталкиваются с тем, что обучение массивной нейронной сети отнюдь не всегда подходит для решения стоящих на предприятиях задач [259]. Помимо глубокого обучения, существует множество других типов ИИ.
Как концепция "композитный ИИ" говорит о том, что ни одна методика ИИ не является универсальным решением на все случаи жизни, в этом смысле композитный ИИ - это платформа, которая обеспечивает эффективное решение максимально широкого круга бизнес-задач.
"Композитный ИИ" может представлять собой объединение коннекционистских подходов ИИ, таких как глубокое обучение, с символьными подходами ИИ, такими как рассуждения на основе правил, анализ графов, позволяя решать широкий спектр бизнес-задач.
ИИ-решение может быть усовершенствовано не только путем улучшения модели, но и путем более качественной подготовки и обогащения данных, используемых для обучения. "ИИ ориентированный на данные" - это концепция и совокупность инструментов, которые делают акцент на работе с данными для обучения, а не на алгоритмы.
За последнее десятилетие была разработана масса подходов к применению ИИ-алгоритмов, многие алгоритмы машинного обучения доступны для коммерческого использования и имеют имплементации в библиотеках с открытым исходным кодом. Аналитики полагают, что последнее время фокус разработчиков в большей степени был устремлен на разработку алгоритмов и приложений на их основе, при том, что часто в проектах процесс обработки данных выполнялся с недостаточной степенью автоматизации и зависел от навыков отдельных специалистов.
Ряд аналитиков, включая специалистов Gartner, полагают, что пришло время сделать акцент на подготовке данных, которые являются источником для обучения и выделяют это направление в отдельную категорию.
Таким образом, ИИ, ориентированный на данные (Data centric AI), - это процесс сбора дополнительных данных для обучения, их генерации, обогащения, который оказывает значительное влияние на итоговое качество решения прикладной задачи. Инновации в области ИИ, ориентированного на данные, включают синтетические данные, графы знаний, разметку и аннотирование данных.
Умный робот (smart robot) - это машина (как правило мобильная), управляемая ИИ и предназначенная для автономного выполнения одной или нескольких задач.
Наличие в системе искусственного интеллекта позволяет роботу учиться на основе окружающей среды и своего опыта взаимодействия с внешним миром, наращивать свои возможности на основе этих
Умные роботы могут быть разделены на различные типы в зависимости от решаемых задач (персональные, логистические, промышленные). Повышение интеллектуальности устройств позволяет наращивать степень их автономности. Например, поисковый дрон, умеющий определять тропинки в лесу, может искать заблудившихся туристов.
Ответственный искусственный интеллект (Responsible AI) - это технология, включающая комплекс мер, направленных на минимизацию предвзятости, увеличение объяснимости, безопасности, конфиденциальности и соблюдение нормативных требований при разработке и использовании ИИ.
Чем более кардинальные изменения предлагает технология, тем обычно и большие потенциальные риски она в себе несет. В полной мере это можно сказать об ИИ. Упомянутые технологии (увеличение объяснимости, безопасности, конфиденциальности) мы рассмотрели в третьей лекции, здесь же отметим, что поскольку эти задачи часто рассматриваются вместе, то логично их представлять в виде комплексного сервиса, что и приводит к появлению зонтичного термина "ответственный ИИ".
Тему трансформеров мы подробно рассмотрели в первой лекции. Gartner отмечает, что языковые модели на основе трансформеров достаточно быстро вытесняют системы рекуррентных нейронных сетей, позволяя существенно улучшить решение целого ряда задач в домене NLP, включая машинный перевод, продвинутую аналитику текстов, разговорные пользовательские интерфейсы, интеллектуальных виртуальных помощников и автоматизированную генерацию текстов.
Интеллектуальная сборка приложений по требованию (AI-Generated Composable Applications) - это процедура использования искусственного интеллекта для автоматической автономной сборки компонентов приложений (из отдельных блоков) под конкретный запрос бизнеса. В 2020 году Gartner оценивала выход на плато продуктивности данной технологической возможности через 6-8 лет и отмечала, что последняя зависит от развивающейся тенденции, когда поставщики технологий переходят от предоставления больших и в основном статичных бизнес-приложений к предложению небольших приложений, подготовленных клиентом с надежными интерфейсами прикладного программирования (API). Большинство компонентов этой технологий уже существует (например, API, микросервисы, непрерывная интеграция, контейнеризация), однако объединение всего этого в экосистему составных приложений со стандартами, способствующими взаимодействию, еще далеко не завершено.
Управление доверием, рисками и безопасностью ИИ (AI TRiSM - сокращение от AI trust, risk and security management).
Мы уже отметили, что ИИ порождает новые вызовы и предъявляет новые требования к управлению доверием, рисками и безопасностью, которые не учитываются традиционными средствами контроля, используемыми на предприятиях. Приложения могут работать неадекватно, из-за ошибок внутри модели или злонамеренного воздействия на ИИ-системы, что может приводить к необъективным, неправильным, неэтичным решениям и, в свою очередь, вести к финансовым и репутационным издержкам. Низкий уровень контроля над системами ИИ приводит к проблемам, что, в частности, показывают данные отчета FICO и Corinium за 2021 год [260]. Кроме того, ошибки в моделях ИИ сложнее находить, поскольку источники ошибок могут находиться не в алгоритме, а в больших объемах данных.
Согласно данным отчета упомянутых компаний "The State of Responsible AI" - "Состояние ответственного ИИ" - большинство компаний внедряют ИИ со значительным риском. При этом 65% компаний-респондентов не могут объяснить, как принимаются конкретные решения или прогнозы на основе моделей ИИ. Только пятая часть (20%) активно контролирует свои модели в производстве на предмет справедливости и этичности.
AI TRiSM-приложения обеспечивают управление моделями ИИ, их достоверностью, надежностью, эффективностью, безопасностью, а также обеспечивают защиту данных. Данная категория включает решения и методы для интерпретируемости и объяснимости моделей, защиты данных ИИ, эксплуатации моделей и противодействия атакам противника.
Одним из наиболее обсуждаемых направлений в области био-усовершенствования является использование чипов, вживляемых в нервную систему для придания животному или человеку новых когнитивных возможностей. В основе технологии лежит нейрокомпьютерный интерфейс - система, позволяющая мозгу и компьютеру обмениваться информацией.
Аналитики сходятся во мнении, что люди захотят не только устранять свои недуги с помощью интерфейса "мозг - компьютер", но также пожелают усовершенствовать свои физические и ментальные способности сверх биологической нормы. Новые интерфейсы позволят людям оперировать огромными массивами информации, взаимодействовать напрямую с машинами и друг с другом принципиально новыми способами. Мы уже обсуждали возможности данной технологии в разделе, посвященном этическим проблемам, связанным с развитием ИИ-систем. Здесь лишь отметим, что на рис. 5.2, представленном в 2020 г., данная технология обозначена как выходящая на плато через 6-8 лет.
ModelOps, или Model Operations (операционализация модели), - это методология управления жизненным циклом моделей машинного обучения и аналитики, предлагающая средства оптимизации эффективности внедрения ИИ-моделей в производство, это набор возможностей, которые в первую очередь направлены на управление полным жизненным циклом всех моделей ИИ и принятия решений.
Согласно Gartner, основные возможности ModelOps включают непрерывную интеграцию/непрерывную доставку (
ModelOps - это расширение технологии MLOps (machine learning operations). Если MLOps фокусируется на построении моделей, их оценке и развертывании, то ModelOps - на управлении полным жизненным циклом ИИ. То есть ModelOps имеет более широкие задачи. Если назначение MLOps-инструментов - это создание приложений с поддержкой ИИ путем обеспечения совместной работы ML-команд, то задача ModelOps - обеспечить прозрачность использования ИИ и предоставлять отчеты на уровень руководителей бизнеса. Если пользователи MLOps - это в основном специалисты по исследованию данных, ML-инженеры, то пользователи ModelOps - это специалисты, оценивающие бизнесоперации и риски уровня предприятия.
Как концепция ModelOps утверждает, что важно не только строить точные модели машинного обучения, но и организовать эффективное управление их жизненным циклом так, чтобы обеспечить коммерческую отдачу от модели на протяжении ее использования. То есть модель должна поддерживаться в оптимальном состоянии, чтобы обеспечивать такое состояние, необходим мониторинг качества работы модели.
Под термином "малые и широкие данные" (Small and Wide Data) Gartner подразумевает технологии, которые позволяют получить решение задачи на ограниченном наборе данных при возможности объединить и проанализировать несколько разных структурированных и неструктурированных источников данных.
Технология может применяться в организации средних размеров, когда большие данные недоступны, но есть возможность объединения данных из широкого спектра разрозненных источников. Как правило, речь идет о наборах данных, изолированных в разных хранилищах. Ранее подобная разрозненность осложняла совместное использование данных, поэтому одна из задач новой технологии состоит в возможности показать корреляции в областях, которые ранее не рассматривались как связанные.
Причинно-следственный ИИ (Causal AI) представляет собой ряд методов, включая причинно-следственные графы и моделирование, для выявления причинно-следственных связей, что в конечном итоге позволяет улучшить процесс принятия решений.
Технология позволяет добиться более высокой эффективности за счет добавления знаний о предметной области и позволяет запустить ИИ-модели на базе меньших наборов данных.
За счет использования причинно-следственных связей реализуется повышение эффективности и автономности принятия решений, лучшая объяснимость, наблюдается повышение устойчивости, адаптивности и снижение предвзятости в системах ИИ. Согласно кривой Gartner за 2022 г., данная технология была на этапе запуска, и аналитики прогнозировали, что для того, чтобы причинноследственный ИИ вышел на плато продуктивности, потребуется от 5 до 10 лет.
Графы знаний (Knowledge graphs) отражают информацию о мире наглядным способом, который зачастую проще для понимания и использования, чем другие типы моделей данных. На основе анализа структуры графа могут быть получены дополнительные знания об исследуемых сущностях.
Объединение сведений из графов знаний с обучающими выборками позволяет повысить точность работы алгоритмов машинного обучения и обеспечить объяснимость получаемых результатов. Понятие "графы знаний" мы обсуждали в первой лекции, поэтому в данном разделе отметим только, что в 2021 г. Gartner поместила эту технологию как находящуюся на вершине цикла ажиотажа с перспективой выхода на плато продуктивности через 5-10 лет.
ИИ, основанный на физике (Physics Informed Artificial Intelligence, PIAI), - это процесс интеграции фундаментальных физических законов и знаний о предметной области в процесс обучения ML-моделей. Данная технология является фундаментальной, и о ней следует сказать чуть подробнее.
Несмотря на успехи в области машинного обучения, следует отметить, что возможности сбора и хранения данных на основе наблюдений существенно опережают возможности их анализа, интерпретации и извлечения знаний из этих данных.
Кроме того, модели, основанные исключительно на данных, как правило, хорошо описывают наблюдения, но предсказания на основе таких моделей могут быть физически противоречивыми. Поэтому и появляется необходимость в интеграции фундаментальных физических законов в процесс обучения ML-моделей, используя физические законы как теоретические ограничения в дополнение к закономерностям, полученным из наблюдений (из данных).
При моделировании поведения сложных объектов используют два подхода. Первый - это мультифизическое моделирование на базе решения дифференциальных уравнений, когда физический процесс описывается уравнениями в частных производных и задача решается тем или иным численным методом. Задаются краевые условия в виде начальных и граничных условий, а исторические данные позволяют определить параметры модели. Модель может прогнозировать поведение в широких пределах исходных данных и, например, моделировать запредельные режимы (недостижимые объектом в реальной эксплуатации).
Второй подход - это построение цифровой модели поведения объекта на основе данных, накопленных в процессе различных фактических режимов его эксплуатации. В этом случае модель обучается на данных и воспроизводит закономерности, извлекаемые из этих данных. Подобная модель отрабатывает поведение объекта только в тех режимах эксплуатации, которые фактически наблюдались в работе оборудования и накоплены в регистрируемых данных.
Можно сказать, что в первом случае мы исходим из того, что наука позволила выявить классы физических процессов, описываемых одной и той же системой дифференциальных уравнений. Во втором случае мы подбираем модель, максимально точно описывающую совокупность имеющихся данных, не вдаваясь в физику процесса.
Каждый из подходов имеет свои сильные и слабые стороны. Несмотря на прогресс в постановке и решении мультифизических задач, описываемых уравнениями в частных производных с помощью численной дискретизации расчетной области, в целом ряде случаев невозможно получить решения при моделировании поведения материалов, имеющих сложную неоднородную структуру, подчас у расчетчиков нет данных о поведении материалов (например, в нужном интервале температур, необходимых для проведения численного эксперимента), генерация сеток в ряде случаев остается сложной, и многие практические задачи требуют слишком высоких вычислительных ресурсов. Поэтому машинное обучение все чаще выступает перспективной альтернативой для решения подобных задач.
С другой стороны, обучение глубоких нейронных сетей требует больших данных, которые не всегда доступны. В условиях отсутствия больших данных нейронные сети могут быть обучены на основе дополнительной информации, полученной в результате применения физических законов в определенных точках пространственно-временного континуума.
Посути,ИИ,основанныйнафизике,позволяетинтегрироватьмодели, основанные на данных, и модели, основанные на решении дифференциальных уравнений даже в частично определенных и высокоразмерных задачах. Иными словами, упомянутая технология позволяет включать в ИИ-модели физические знания о предметной области непосредственно на уровне нейросетевых архитектур. Это становится возможным, поскольку нейросетевые фреймворки обладают всеми необходимыми механизмами, чтобы выразить в рамках моделей зависимости, описываемые уравнениями в частных производных.
За счет интеграции в модель дополнительных ограничений на основе физических законов такие модели могут делать прогнозы на основе значительно меньшего количества данных.
Если цифровые модели, основанные исключительно на ИИ, не обязательно подчиняются фундаментальным законам физики и, как правило, не могут хорошо обобщать сценарии, на которых они не были обучены (что ограничивает их адаптивность), то PIAI лишено указанных недостатков и, как правило, обеспечивает сокращение времени обучения модели. PIAI позволяет обучать модели на меньшем объеме данных создавать более научно обоснованные модели и, соответственно, делать более надежные прогнозы для новых сценариев.
Как было отмечено ранее, методы машинного обучения, и искусственные нейронные сети в частности, сталкиваются с ограничениями в плане объяснения причинноследственных связей. Отсутствие прозрачности и интерпретируемости моделей ИИ известно как узкое место для широкого внедрения этих технологий в производство. Подходы PIAI позволяют преодолеть эти проблемы.
Модели, построенные на данных, определяются этими данными. Например, такие события, как неисправности работы оборудования, которые происходят редко, подчас не отражаются в данных, и модели, построенные на указанных типах данных, могут привести к ошибочному представлению о поведении этого оборудования в критической ситуации.
Понимание принципов работы модели определяет степень доверия к ней. Вместо того чтобы рассматривать все отношения данных как "черныйящик",интегрированныйподходпозволяетналожитьнаданныене которые физические уравнения, например закон сохранения энергии, чтобы алгоритм машинного обучения балансировал между закономерностями, заложенными в данных, и законами, определяемыми физикой. Говорят, что подобный подход позволяет превратить "черный ящик" в "серый ящик".
В режиме малых данных предполагается, что имеется физическая модель процесса, и данные предоставляются для определения (задания) начальных и граничных условий, а также для определения параметров дифференциального уравнения. Наиболее частым является режим (средний на рисунке), когда известны некоторые данные и некоторая информация о физике процесса, но, возможно, отсутствуют некоторые значения параметров в дифференциальном уравнении. И наконец, существует режим с большими данными, когда можно не знать никакой физики и где подход, основанный на данных, может быть наиболее эффективным. Машинное обучение на основе физики может интегрировать данные и управляющие физические законы, включая модели с частично отсутствующей физикой.
ИИ-инженерия (AI engineering) - это область исследований и практика, в которой сочетаются принципы системной инженерии, программной инженерии, информатики и проектирования для создания систем ИИ, обеспечивающих достижение результатов решаемой задачи.
По мере внедрения систем ИИ предприятия все чаще сталкиваются с проблемами масштабируемости и операционной эффективности ИИ-решений. Инжиниринг ИИ обеспечивает операционную эффективность и экономию от масштаба за счет надежности, воспроизводимости и возможности повторного использования ИИ-моделей.
Машина-клиент (Machine Customer) - это экономический субъект, который не является человеком, действует от имени клиента (человека) или организации, запрашивает и получает товары или услуги и производит их оплату. В качестве подобных клиентов могут выступать виртуальные персональные помощники, умные бытовые приборы, подключенные автомобили и другое оборудование с поддержкой eIoT. Как видно на кривой рис. 5.2 (верх), на момент публикации (в 2021 г.) технология "машина-клиент" находилась на стадии запуска, оценивалась компанией Gartner как способная выйти на плато продуктивности не ранее чем через 10 лет. По состоянию на 2022 г. подобные сервисы были немногочисленны. В качестве примера можно привести сервис Amazon Dash Tesla, которые представляют собой первую стадию эволюции систем типа "машина-клиент", то есть действуют от имени владельца-человека по правилам, установленными людьми (рис. 5.4).
На третьей стадии машины-клиенты становятся полностью автономными (по прогнозам аналитиков Gartner, это произойдет к 2036 г.). Пример сценария работы подобных клиентов можно описать следующим образом: в умном автомобиле произошла неисправность, машина-клиент находит ближайшую ремонтную мастерскую, заказывает услугу, отправляет в магазин все необходимые данные об автомобиле и производит оплату.
По мере роста числа машин, подключенных к Интернету, число сервисов по схеме "машина-клиент" будет расти, а степень их автономности и способности к принятию решений - увеличиваться: машины будут все больше выступать как клиенты, способные запрашивать, покупать и продавать различные услуги.
О технологии автономных автомобилей уже было достаточно подробно рассказано во второй лекции.
На цикле ажиотажа Gartner технология находилась во "впадине разочарований" как на основе данных за 2021, так и за 2022 год. Продвижение по кривой минимально, а прогноз выхода на плато продуктивности Gartner предполагает не ранее чем через десять лет. Говоря о прогнозах развития технологий беспилотных авто и практики их применения, полезно обратиться к аналитическим материалам Bain and company, которая дает более подробные прогнозы, учитывая разные сценарии использования беспилотного транспорта (см. табл. 5.1). Согласно прогнозам аналитиков данной компании, широкое коммерческое использование беспилотных авто ожидается уже к 2026 году.
| Анализируемый параметр | Применительно к категории или ключевому событию | Год наступления | Применительно к категории или ключевому событию | Год наступления |
|---|---|---|---|---|
| Технологическая зрелость | Для пилотов коммерческих роботакси | 2019 | Для всех областей применения | 2028 |
| Сопутствующее регулирование | Разрешает некоторое коммерческое использование в отдельных местах - таких, как Аризона | 2019 | Разрешает широкое коммерческое использование | 2026 |
| Снижение стоимости технологии | Коммерческое роботакси является доступным решением в ряде отдельных городов | 2025 | Снижение цены более чем на 85% по сравнению с 2022 | 2030 |
| Достижения в области приложений четвертого уровня | Первые OEM-производители предлагают пилотный уровень 4 на шоссе в премиум-сегменте | 2025 | OEM-производители расширяют предложения ниже премиум-сегмента | 2027 |
| Принятие клиентами | Готовность к использованию роботакси составляет более 60% в Китае и более 25% в Германии и США | 2021 | Широкое распространение, благодаря накопленному опыту | 2026 |
В начале курса мы уже достаточно подробно обсудили тему сильного ИИ, но поскольку вопрос создания AGI является одним из центральных в теме искусственного интеллекта, его невозможно не упомянуть, говоря о будущем ИИ.
Несмотря на то, что возможность создания AGI - это возможность гипотетическая, многие компании ставят себе целью построение таких систем, активно финансируя эти проекты. И причины, по которым они это делают, понятны - появление AGI может повлиять на все стороны нашей жизни, привести к прорыву во всех отраслях человеческих знаний, и конечно, того, кто первым достигнет результатов в данном направлении, ждет успех научный, технологический и финансовый. Согласно прогнозам отчета Mind Commerce [263] инвестиции в AGI достигнут 50 миллиардов долларов к 2023 году. В упомянутой публикации отмечаются четыре компании, которые, по мнению авторов исследования, наиболее активно работают в области создания AGI.
Первой в этом списке значится компания Open AI. Основанная в 2015 году в Сан-Франциско Илоном Маском, данная компания упоминает термин AGI непосредственно в тексте своей миссии: "Быть первыми, кто создаст AGI…". Основное направление Open AI в области построения AGI-систем - это крупные нейросетевые модели.
Второе место в данном списке занимает компания DeepMind, основанная в 2010 году в Лондоне и известная как создатель системы AlphaGo, победившей чемпиона мира по игре в Го. Свою стратегию в построении AGI-систем компания формулирует как глубокое изучение человеческого мозга с целью создания сложных алгоритмов.
Третьей в этом списке отмечена компания Google Brain. Компания основана в 2011 году в Маунтин-Вью, Калифорния, и известна изобретением архитектуры Transformers. Целью своей деятельности фирма ставит "создание ИИ с интеллектом ребенка". Методологией построения AGI компания называет развитие контролируемого обучения и нейросетевых структур.
Замыкает список под номером четыре компания Facebook
Research, основанная пионером в области глубокого обучения Яном Лекуном, занимающаяся исследованиями в области ИИ с 2013 года.
Компания ставит своей целью создание человекоподобного ИИ, а методологией, направленной на построение AGI, называет неконтролируемое и самоконтролируемое обучение.
В дополнение к четырем компаниям, которые выделили аналитики Mind Commerce, важно упомянуть корпорацию Intel, которая подошла к проблеме создания AGI не только со стороны алгоритмов, но и со стороны аппаратного обеспечения, выпустив в 2021 году второе поколение нейроморфного процессора Intel Loihi 2.
Несмотря на усилия мировых гигантов в области ИИ, концепция AGI остается далекой целью - вызовом, стоящим перед человеком, исходящим из желания повторить сложнейшее творение природы - сознание и разум, опираясь на возможности этого самого разума.
Сознание, речь, сложное целенаправленное поведение - свойства высших живых организмов. Планы воспроизведения этих возможностей на базе искусственного интеллекта ставят перед человеком множество вопросов, которые имеют моральное измерение: как следует относиться к подобному разуму и какими правами его наделять, с какими этическими проблемами может столкнуться человечество на данном пути - этими вопросами специалисты начинают задаваться все чаще.
Согласно известному выражению "человек - венец природы", закрепившемуся в сознании людей в виде аксиомы, человек часто рассматривается как вершина эволюции, причем речь идет в первую очередь об интеллектуальных способностях человека.
Исходя из данных рассуждений, можно сказать, что наиболее сильным вызовом для человека является создание еще более мощного интеллекта на новом искусственном носителе, опережающего интеллект человеческий по всей совокупности способностей - по сути, это и есть задача построения сильного (общего) искусственного интеллекта.
Если основной вехой в развитии ИИ мы видим глобальную перспективу в виде появления сильного интеллекта (AGI), то интересно проанализировать, как мы представляем себе развитие человека и его роль рядом с эволюционирующим ИИ.
Здесь есть два пути - путь дивергенции и конвергенции. Первый следует логике разделения живого интеллекта и искусственного и все большего отставания человеческого интеллекта от искусственного. Более того, если перед человеком стояла задача создать ИИ, превышающий его по возможностям, то перед созданным сильным ИИ, вероятно, также будет стоять (как наиболее глобальная и всеобъемлющая задача) задача воссоздать себя на более совершенном уровне и, возможно, на новых архитектурных принципах и новых носителях информации, что, собственно, и будет считаться очередным витком эволюции, при котором человек в привычном нам виде остается недоразвитым предком в эволюционной цепи.
Согласно Нику Бострому, скорость этой эволюции при появлении сверхразума может быть такова, что будет похожа на вспышку (мы приводили соответствующую картинку в первой лекции).
Второй путь - путь конвергенции - исходит из акцента на том, что тезис "человек - вершина эволюции" является относительным, полагая, что и сам человек продолжает эволюционировать. При этом вполне вероятно, что наиболее быстрый эволюционный путь будет доступен как процесс сближения и даже сращивания живого и искусственного интеллекта по мере реализации гибридизации человека, когда человек интегрирует элементы ИИ внутри себя.
Здесь речь идет об эволюции человека под воздействием ИИ, этот процесс также называют процессом коэволюции человека и искусственного интеллекта (рис. 5.5).
Как же будет эволюционировать человек и какую роль здесь сыграет ИИ?
На этом пути, в свою очередь, тоже есть несколько сценариев. Первый - это воздействие на сознание методами генной инженерии (которая все более активно использует инструментарий ИИ). Второй - это сращивание интеллектуальных способностей человека со все более доступными источниками информации и системами поддержки принятия решений на базе искусственного интеллекта (что мы наблюдаем уже сейчас). Человек все больше обрастает носимыми гаджетами, имеющими постоянное подключение для мониторинга состояния этого человека и поддержки принятия различного рода решений на основе связи со встроенным в гаджет и удаленным ИИ. Третий - это сращивание живой и неживой материи, что, например уже наблюдается в виде процесса вживления чипов в мозг животных и человека. Уже сегодня есть возможность определенного биоусо-вершенствования, которое мы обсуждали выше (умные экзоскелеты и цифровые протезы, управляемые силой мысли).
В будущем комбинация биологического и цифрового может создавать новые гибридные формы жизни в материальном мире, реализуя их дополнительные возможности. И, наконец, наименее изученный и осмысленный сценарий - это путь, связанный с реализацией возможности переноса ментального опыта человека (воспоминания, эмоции, переживания) на компьютерный носитель.
Конечно, вопросы конвергенции человека и ИИ - это лишь один из аспектов совместной эволюции человечества и искусственного интеллекта.
Несомненно, что ИИ вызовет глубокую трансформацию жизни большинства людей на планете, изменит то, как люди работают, взаимодействуют друг с другом, привнесет все те новации, которые мы, в частности, рассматривали при обсуждении применения ИИ в разных отраслях.
Заметим, что вопросы возможности реализации негативных и даже катастрофичных сценариев развития человечества под влиянием ИИ, как правило, выходят за рамки логики, которую можно вывести из известных на сегодняшний день ИИ-технологий и примеров их рационального применения.
Станет ли ИИ источником процветания человечества, решит его извечные проблемы в виде голода, нищеты, болезней, или ИИ окажется основой нового смертоносного оружия, которое приведет к гибели Homosapiens? Станет ли ИИ источником гармоничного развития человечества, или новым более мощным инструментом порабощения человека человеком, или причиной развития экологической катастрофы и т. п.?
Заметим, что эти вопросы появились не только с развитием ИИ-технологий, напротив, они применимы ко многим трансформирующим новациям, которые стали частью эволюции человечества. ИИ - это не единственная технология, которая несет в себе экзистенциальные риски. Человечество окружило себя массой изобретений, которые могут быть использованы как во благо человечества, так и во вред. Известно выражение, что ученые рано или поздно изобретут все то, что интеллект человека может изобрести в принципе. Эта присущая человеку жажда создания нового с опорой на силу мысли таит в себе определенные риски. Человек обладает спектром противоречивых качеств (альтруизм, любовь, способность жертвовать собой ради ближнего и в то же время эгоизм, тщеславие, жажда наживы, себялюбие и т. п.).
Что будет происходить с границами приватности? Мы видим, что человек сознательно отказывается от прежнего уровня приватности ради социального капитала и пользы, приобретаемой от цифровых сервисов. К чему приведет противостояние сил, ратующих за соблюдение приватности пользователя, и сил, использующих эрозию правды в Интернете, сил, которые не хотят так просто отказаться от одного из своих самых ценных ресурсов в виде подробной информации от миллиардов пользователей?
По всей видимости, в рамках анализа эволюции техники (о которых в первую очередь шла в этом курсе) и выкладок точных наук мы не сможем дать ответ на перечисленные вопросы. Большинство ответов на эти вопросы зиждятся на анализе траектории развития самого человека, логика которого заложена в природе сознания и интеллекта этого человека. На многие вопросы люди до сих пор не смогли дать согласованного ответа. В то время как человек приобретает все больший объем данных и знаний, становится ли он более добрым, справедливым, честным, человечным?
Мы видим, как формируется общественная мысль, как совершенствуется институт права, развиваются учения о морали и нравственности, меняется представление людей о том, каким должно быть справедливое общество. Но мы не можем однозначно оценить, насколько образцы морали и нравственности укореняются в сознании человека. Не можем утверждать, наблюдаем ли мы процесс прогрессивной эволюции нравственности или люди из прошлого были более чисты, невинны и, вкусив плоды цивилизации, лишь приобрели новые пороки.
В развитии многих технологий существует период, в процессе которого человечество учится адаптироваться к этому новому, нивелировать опасности, предусмотреть риски и подчинить очередную технологию процессу освоения мира на благо человечества.
Выразим надежду на то, что человечеству хватит интеллекта, чтобы употребить создаваемый им ИИ себе во благо, а форма реализации ИИ, видимо, будет зависеть от того, как понятие "благо" будет восприниматься и трактоваться нашими потомками.
Существует достаточно широкий спектр вопросов, связанных с будущим ИИ и взаимодействием человека с этимискусственным интеллектом. У каждой группы специалистов свои акценты. Одни смотрят на практическую сторону - какой инструментарий ИИ будет востребован, во что перспективно вкладывать средства, какие технологии принесут прибыль, какие технологии уйдут с бизнес-сцены, какие новации завладеют вниманием клиентов через три, пять, десять лет. Данный набор вопросов условно можно назвать бизнес-прогнозами, построенными на изучении логики развития технологии. Большинство из этих прогнозов носят краткосрочный и среднесрочный период - 3-10 лет.
Другой пласт вопросов связан с обсуждением долгосрочных прогнозов, и касаются они таких тем как: каково будет глобальное влияние ИИ на общество, как будет осуществляться взаимодействие сильного ИИ и человека. Каково будет место человека по мере того, как ИИ будет расширять свои интеллектуальные возможности и спектр применения. Насколько вероятны сценарии негативного влияния ИИ на будущее человечества. Как нивелировать риски, связанные с созданием сильного ИИ.
Конечно, первый и второй подход к построению прогнозов имеют области пересечения. Тем не менее мы попытаемся поговорить о будущем ИИ с этих двух разных точек зрения, разделив их тематически.
Как мы отметили, бизнес-сообщество в первую очередь интересует, какие технологии будут востребованы в будущем, как скоро они выйдут на рынок, какие виды бизнеса эти новые технологии будут подрывать, каким типам компаний из-за этого придется уйти с рынка или потерять часть своих клиентов. Задача аналитиков - распознать эти новации, вычленить наиболее важные и перспективные, увидеть заранее траекторию их развития.
Сколько новых технологий можно выделить в рамках одного направления, даже такого важного и широкого, как ИИ?
Например, аналитическая компания Gartner в области ИИ отмечает несколько десятков технологий и технологических концепций и каждый год обновляет список наиболее важных новаций. Откуда берется такое количество?
Заметим, что явные технологические прорывы - это редкие события. Такие события, как появление искусственных нейронных сетей и метода обратного распространения ошибки, случаются не каждый год. Рассказ о важнейших ключевых событиях, по сути дела, и составил основу истории развития ИИ за 70 с лишним лет, которую мы обсуждали в первой лекции. При этом под новыми технологиями часто понимаются как явные технические новации, так и некоторые концепции, которые, например, отражают процесс сращивания тех или иных технологий, добавление новой функциональности в известные решения и их модификацию.
Это позволяет говорить о новациях рангом ниже, предлагая новые термины и одноименные сервисы (представляющие собой комбинацию ранее уже известных). Существенная часть этой работы носит маркетинговый характер. При этом удачные маркетинговые находки аналитиков играют на руку продуктовым менеджерам, которым нужно каждый год пополнять список новых возможностей обновляемых продуктов. Так появляются новые технологические концепции и тренды под броскими названиями типа "ответственный искусственный интеллект", "композитный ИИ" или "датацентричный ИИ". Часть терминов окажется удобными и будут востребованы сообществом, а те, что ничего не несут в себе кроме красивого названия, достаточно быстро уходят как из обихода специалистов, так и пропадают с кривых ажиотажа Gartner и материалов прочих аналитических и маркетинговых организаций.
Задача аналитиков-маркетологов - находить наиболее заметные технологические тенденции, искать закономерности, вычленять концепции, давать им названия. Время покажет, какие технические возможности окажутся популярными.
Мы неслучайно упомянули выше компанию Gartner - это крупнейший ИТ-аналитик, который пытается ежегодно давать прогноз пула технологий, которые будут востребованы сообществом, поэтому, говоря о том, какие технологии появятся в будущем, полезно обратиться именно к материалам Gartner.
Для анализа перспективности новых технологий Gartner использует две формы представления материалов - это так называемый Impact radar, который отображает вес технологических новаций и сроки их выхода на рынок (рис. 5.1), и уже рассматриваемый нами ранее Gartner Hype cycle (рис. 5.2).
Ниже приводим описание отмеченных на рис. 5.1-5.2 технологий с разделением их на три группы по времени выхода на рынок.
Облачные ИИ-сервисы для разработчиков (Cloud AI developer services) - это размещенные в облаке модели и сервисы, позволяющие разработчикам использовать их через API, не требуя необходимых для запуска моделей локальных аппаратных ресурсов. Данную технологию мы обсудили во второй лекции и привели перечень компаний, которые достигли наибольших успехов в данной области. Судя по данным рис. 5.2, обсуждаемая технология уже выходит на плато продуктивности.
Комплекты для разработки и обучения искусственного интеллекта (AI Developer and Teaching Kits) - это инструменты, инструкции и примеры для разработки программного обеспечения, которые добавляют слой абстракции поверх платформ, фреймворков и аналитических библиотек для работы с данными и упрощают встраивание ИИ в приложения, тем самым позволяя заметно упростить и ускорить внедрение ИИ. Согласно данным рис. 5.2, эта технология уже также выходит на плато продуктивности.
Под интеллектуальными приложениями (Intelligent applications) Gartner прежде всего подразумевает корпоративные бизнес-приложения со встроенными технологиями искусственного интеллекта. То есть речь идет о добавлении ИИ-функциональности в одну из категорий корпоративного ПО, включая такие типы ПО как планирование ресурсов предприятия (ERP), автоматизация продаж (SFA), управление взаимоотношениями с клиентами (CRM). Данные виды программного обеспечения являются важными инструментами для большинства корпораций, поскольку от уровня автоматизации и продуктивности существенно зависит эффективность предприятий. Добавление ИИ-функциональности в подобного рода приложения становится для вендоров ключевым конкурентным преимуществом. Как видно из рис. 5.2, в 2022 г. данная технология вступила в стадию "подъема осведомленности".
Интеллектуальные системы поддержки принятия решений (Decision Intelligence) объединяют ряд методов, связанных с мониторингом процессов, происходящих с анализируемыми объектами и системами, их моделированием, с использованием диагностической и предиктивной аналитики.
Компания Gartner включила данную технологию в перечень стратегических технологических тенденций на 2022 год и определяет ее как комплексный инструментарий, опирающийся на аналитику, бизнес-аналитику, машинное обучение и другие средства искусственного интеллекта для получения "единого источника правды", необходимого для принятия верного решения. Обсуждаемая технология позволяет ускорить процесс принятия решения путем обработки огромных объемов данных, помогает организациям сделать выбор из множества вариантов, который оптимально соответствует целям и задачам бизнеса.
Технология находит применение не только на производстве, но в самых разных отраслях. Например, в сервисных организациях востребованы рекомендательные системы, необходимыедлятого, чтобы грамотно предсказывать, какие услуги потребители сочтут наиболее подходящими, какие фильмы они захотят посмотреть, какие рестораны посетить. В финансовых организациях это, например, средства для оценки заявок на ипотечные кредиты, автокредиты, в розничной торговле - выбор оптимальных цен на товары, в промышленности - выбор оптимальных схем ремонта оборудования и т. п. В 2021 г. данная технология была на вершине пика завышенных ожиданий.
Данные платформы (AI Orchestration and Automation Platform
Gartner за 2021 г. данная технология была отмечена на этапе запуска с прогнозом выхода на плато в 2-5 лет.
ИИ, ориентированный на человека (
На момент публикации диаграммы, показанной в верхней части рис. 5.2 (2021 г.), Gartner определяла технологию как находящуюся на стадии запуска и с перспективой выхода на плато продуктивности в 2-5 лет.
Компания IBM определяет концепцию HCAI лозунгом "Человек + ИИ лучше, чем каждый из них по отдельности". Gartner позиционирует HCAI как общий принцип проектирования ИИ, предполагающий модель партнерства людей и ИИ, работающих вместе для улучшения качества принятия решений, предполагая сотрудничество человека и машины. Методология направлена на изучение и разработку новых форм взаимодействия человека и искусственного интеллекта, которые улучшают и расширяют человеческие возможности. HCAI иногда называют "дополненным интеллектом", "интеллектом кентавра" или "человеком в контуре". Согласно концепции, даже полностью автоматизированная система HCAI должна иметь в качестве цели пользу для человека, управлять рисками, соблюдением норм этики, дополняя решение здравым смыслом.
Мультиопыт (Multiexperience) - это технология или совокупность технологий, обеспечивающих возможность взаимодействия пользователя с приложениями в разных точках доступа (веб-сайтах, мобильных, носимых устройствах, чат-ботах, дополненной и виртуальной реальности и т. п.) с использованием разных видов взаимодействия (прикосновение, голос, зрение, жесты) с возможностью их бесшовной интеграции на растущем многообразии устройств [258]. Для реализации всех этих форм взаимодействия с приложениями на разных платформах требуются технологии ИИ для работы c многомодальными данными, включая такие как распознавание образов, голоса, жестов, движения и т. п. Для реализации описанных технологий появились платформы разработки мультиопыта (
Согласно Gartner, композитный (составной, гибридный) ИИ (CompositeAI) означает сочетание различных методов ИИ для достижения наилучшего результата в реализации ИИ-проекта.
Наиболее заметные успехи в области искусственного интеллекта в последнее время были реализованы в области глубокого обучения, которое достигло больших успехов в сфере компьютерного зрения, генерации текстов и т. п., что отчасти привело к заблуждению, что передовой ИИ в значительной степени равен машинному обучению. Организации сталкиваются с тем, что обучение массивной нейронной сети отнюдь не всегда подходит для решения стоящих на предприятиях задач [259]. Помимо глубокого обучения, существует множество других типов ИИ.
Как концепция "композитный ИИ" говорит о том, что ни одна методика ИИ не является универсальным решением на все случаи жизни, в этом смысле композитный ИИ - это платформа, которая обеспечивает эффективное решение максимально широкого круга бизнес-задач.
"Композитный ИИ" может представлять собой объединение коннекционистских подходов ИИ, таких как глубокое обучение, с символьными подходами ИИ, такими как рассуждения на основе правил, анализ графов, позволяя решать широкий спектр бизнес-задач.
ИИ-решение может быть усовершенствовано не только путем улучшения модели, но и путем более качественной подготовки и обогащения данных, используемых для обучения. "ИИ ориентированный на данные" - это концепция и совокупность инструментов, которые делают акцент на работе с данными для обучения, а не на алгоритмы.
За последнее десятилетие была разработана масса подходов к применению ИИ-алгоритмов, многие алгоритмы машинного обучения доступны для коммерческого использования и имеют имплементации в библиотеках с открытым исходным кодом. Аналитики полагают, что последнее время фокус разработчиков в большей степени был устремлен на разработку алгоритмов и приложений на их основе, при том, что часто в проектах процесс обработки данных выполнялся с недостаточной степенью автоматизации и зависел от навыков отдельных специалистов.
Ряд аналитиков, включая специалистов Gartner, полагают, что пришло время сделать акцент на подготовке данных, которые являются источником для обучения и выделяют это направление в отдельную категорию.
Таким образом, ИИ, ориентированный на данные (Data centric AI), - это процесс сбора дополнительных данных для обучения, их генерации, обогащения, который оказывает значительное влияние на итоговое качество решения прикладной задачи. Инновации в области ИИ, ориентированного на данные, включают синтетические данные, графы знаний, разметку и аннотирование данных.
Умный робот (smart robot) - это машина (как правило мобильная), управляемая ИИ и предназначенная для автономного выполнения одной или нескольких задач.
Наличие в системе искусственного интеллекта позволяет роботу учиться на основе окружающей среды и своего опыта взаимодействия с внешним миром, наращивать свои возможности на основе этих
Умные роботы могут быть разделены на различные типы в зависимости от решаемых задач (персональные, логистические, промышленные). Повышение интеллектуальности устройств позволяет наращивать степень их автономности. Например, поисковый дрон, умеющий определять тропинки в лесу, может искать заблудившихся туристов.
Ответственный искусственный интеллект (Responsible AI) - это технология, включающая комплекс мер, направленных на минимизацию предвзятости, увеличение объяснимости, безопасности, конфиденциальности и соблюдение нормативных требований при разработке и использовании ИИ.
Чем более кардинальные изменения предлагает технология, тем обычно и большие потенциальные риски она в себе несет. В полной мере это можно сказать об ИИ. Упомянутые технологии (увеличение объяснимости, безопасности, конфиденциальности) мы рассмотрели в третьей лекции, здесь же отметим, что поскольку эти задачи часто рассматриваются вместе, то логично их представлять в виде комплексного сервиса, что и приводит к появлению зонтичного термина "ответственный ИИ".
Тему трансформеров мы подробно рассмотрели в первой лекции. Gartner отмечает, что языковые модели на основе трансформеров достаточно быстро вытесняют системы рекуррентных нейронных сетей, позволяя существенно улучшить решение целого ряда задач в домене NLP, включая машинный перевод, продвинутую аналитику текстов, разговорные пользовательские интерфейсы, интеллектуальных виртуальных помощников и автоматизированную генерацию текстов.
Интеллектуальная сборка приложений по требованию (AI-Generated Composable Applications) - это процедура использования искусственного интеллекта для автоматической автономной сборки компонентов приложений (из отдельных блоков) под конкретный запрос бизнеса. В 2020 году Gartner оценивала выход на плато продуктивности данной технологической возможности через 6-8 лет и отмечала, что последняя зависит от развивающейся тенденции, когда поставщики технологий переходят от предоставления больших и в основном статичных бизнес-приложений к предложению небольших приложений, подготовленных клиентом с надежными интерфейсами прикладного программирования (API). Большинство компонентов этой технологий уже существует (например, API, микросервисы, непрерывная интеграция, контейнеризация), однако объединение всего этого в экосистему составных приложений со стандартами, способствующими взаимодействию, еще далеко не завершено.
Управление доверием, рисками и безопасностью ИИ (AI TRiSM - сокращение от AI trust, risk and security management).
Мы уже отметили, что ИИ порождает новые вызовы и предъявляет новые требования к управлению доверием, рисками и безопасностью, которые не учитываются традиционными средствами контроля, используемыми на предприятиях. Приложения могут работать неадекватно, из-за ошибок внутри модели или злонамеренного воздействия на ИИ-системы, что может приводить к необъективным, неправильным, неэтичным решениям и, в свою очередь, вести к финансовым и репутационным издержкам. Низкий уровень контроля над системами ИИ приводит к проблемам, что, в частности, показывают данные отчета FICO и Corinium за 2021 год [260]. Кроме того, ошибки в моделях ИИ сложнее находить, поскольку источники ошибок могут находиться не в алгоритме, а в больших объемах данных.
Согласно данным отчета упомянутых компаний "The State of Responsible AI" - "Состояние ответственного ИИ" - большинство компаний внедряют ИИ со значительным риском. При этом 65% компаний-респондентов не могут объяснить, как принимаются конкретные решения или прогнозы на основе моделей ИИ. Только пятая часть (20%) активно контролирует свои модели в производстве на предмет справедливости и этичности.
AI TRiSM-приложения обеспечивают управление моделями ИИ, их достоверностью, надежностью, эффективностью, безопасностью, а также обеспечивают защиту данных. Данная категория включает решения и методы для интерпретируемости и объяснимости моделей, защиты данных ИИ, эксплуатации моделей и противодействия атакам противника.
Одним из наиболее обсуждаемых направлений в области био-усовершенствования является использование чипов, вживляемых в нервную систему для придания животному или человеку новых когнитивных возможностей. В основе технологии лежит нейрокомпьютерный интерфейс - система, позволяющая мозгу и компьютеру обмениваться информацией.
Аналитики сходятся во мнении, что люди захотят не только устранять свои недуги с помощью интерфейса "мозг - компьютер", но также пожелают усовершенствовать свои физические и ментальные способности сверх биологической нормы. Новые интерфейсы позволят людям оперировать огромными массивами информации, взаимодействовать напрямую с машинами и друг с другом принципиально новыми способами. Мы уже обсуждали возможности данной технологии в разделе, посвященном этическим проблемам, связанным с развитием ИИ-систем. Здесь лишь отметим, что на рис. 5.2, представленном в 2020 г., данная технология обозначена как выходящая на плато через 6-8 лет.
ModelOps, или Model Operations (операционализация модели), - это методология управления жизненным циклом моделей машинного обучения и аналитики, предлагающая средства оптимизации эффективности внедрения ИИ-моделей в производство, это набор возможностей, которые в первую очередь направлены на управление полным жизненным циклом всех моделей ИИ и принятия решений.
Согласно Gartner, основные возможности ModelOps включают непрерывную интеграцию/непрерывную доставку (
ModelOps - это расширение технологии MLOps (machine learning operations). Если MLOps фокусируется на построении моделей, их оценке и развертывании, то ModelOps - на управлении полным жизненным циклом ИИ. То есть ModelOps имеет более широкие задачи. Если назначение MLOps-инструментов - это создание приложений с поддержкой ИИ путем обеспечения совместной работы ML-команд, то задача ModelOps - обеспечить прозрачность использования ИИ и предоставлять отчеты на уровень руководителей бизнеса. Если пользователи MLOps - это в основном специалисты по исследованию данных, ML-инженеры, то пользователи ModelOps - это специалисты, оценивающие бизнесоперации и риски уровня предприятия.
Как концепция ModelOps утверждает, что важно не только строить точные модели машинного обучения, но и организовать эффективное управление их жизненным циклом так, чтобы обеспечить коммерческую отдачу от модели на протяжении ее использования. То есть модель должна поддерживаться в оптимальном состоянии, чтобы обеспечивать такое состояние, необходим мониторинг качества работы модели.
Под термином "малые и широкие данные" (Small and Wide Data) Gartner подразумевает технологии, которые позволяют получить решение задачи на ограниченном наборе данных при возможности объединить и проанализировать несколько разных структурированных и неструктурированных источников данных.
Технология может применяться в организации средних размеров, когда большие данные недоступны, но есть возможность объединения данных из широкого спектра разрозненных источников. Как правило, речь идет о наборах данных, изолированных в разных хранилищах. Ранее подобная разрозненность осложняла совместное использование данных, поэтому одна из задач новой технологии состоит в возможности показать корреляции в областях, которые ранее не рассматривались как связанные.
Причинно-следственный ИИ (Causal AI) представляет собой ряд методов, включая причинно-следственные графы и моделирование, для выявления причинно-следственных связей, что в конечном итоге позволяет улучшить процесс принятия решений.
Технология позволяет добиться более высокой эффективности за счет добавления знаний о предметной области и позволяет запустить ИИ-модели на базе меньших наборов данных.
За счет использования причинно-следственных связей реализуется повышение эффективности и автономности принятия решений, лучшая объяснимость, наблюдается повышение устойчивости, адаптивности и снижение предвзятости в системах ИИ. Согласно кривой Gartner за 2022 г., данная технология была на этапе запуска, и аналитики прогнозировали, что для того, чтобы причинноследственный ИИ вышел на плато продуктивности, потребуется от 5 до 10 лет.
Графы знаний (Knowledge graphs) отражают информацию о мире наглядным способом, который зачастую проще для понимания и использования, чем другие типы моделей данных. На основе анализа структуры графа могут быть получены дополнительные знания об исследуемых сущностях.
Объединение сведений из графов знаний с обучающими выборками позволяет повысить точность работы алгоритмов машинного обучения и обеспечить объяснимость получаемых результатов. Понятие "графы знаний" мы обсуждали в первой лекции, поэтому в данном разделе отметим только, что в 2021 г. Gartner поместила эту технологию как находящуюся на вершине цикла ажиотажа с перспективой выхода на плато продуктивности через 5-10 лет.
ИИ, основанный на физике (Physics Informed Artificial Intelligence, PIAI), - это процесс интеграции фундаментальных физических законов и знаний о предметной области в процесс обучения ML-моделей. Данная технология является фундаментальной, и о ней следует сказать чуть подробнее.
Несмотря на успехи в области машинного обучения, следует отметить, что возможности сбора и хранения данных на основе наблюдений существенно опережают возможности их анализа, интерпретации и извлечения знаний из этих данных.
Кроме того, модели, основанные исключительно на данных, как правило, хорошо описывают наблюдения, но предсказания на основе таких моделей могут быть физически противоречивыми. Поэтому и появляется необходимость в интеграции фундаментальных физических законов в процесс обучения ML-моделей, используя физические законы как теоретические ограничения в дополнение к закономерностям, полученным из наблюдений (из данных).
При моделировании поведения сложных объектов используют два подхода. Первый - это мультифизическое моделирование на базе решения дифференциальных уравнений, когда физический процесс описывается уравнениями в частных производных и задача решается тем или иным численным методом. Задаются краевые условия в виде начальных и граничных условий, а исторические данные позволяют определить параметры модели. Модель может прогнозировать поведение в широких пределах исходных данных и, например, моделировать запредельные режимы (недостижимые объектом в реальной эксплуатации).
Второй подход - это построение цифровой модели поведения объекта на основе данных, накопленных в процессе различных фактических режимов его эксплуатации. В этом случае модель обучается на данных и воспроизводит закономерности, извлекаемые из этих данных. Подобная модель отрабатывает поведение объекта только в тех режимах эксплуатации, которые фактически наблюдались в работе оборудования и накоплены в регистрируемых данных.
Можно сказать, что в первом случае мы исходим из того, что наука позволила выявить классы физических процессов, описываемых одной и той же системой дифференциальных уравнений. Во втором случае мы подбираем модель, максимально точно описывающую совокупность имеющихся данных, не вдаваясь в физику процесса.
Каждый из подходов имеет свои сильные и слабые стороны. Несмотря на прогресс в постановке и решении мультифизических задач, описываемых уравнениями в частных производных с помощью численной дискретизации расчетной области, в целом ряде случаев невозможно получить решения при моделировании поведения материалов, имеющих сложную неоднородную структуру, подчас у расчетчиков нет данных о поведении материалов (например, в нужном интервале температур, необходимых для проведения численного эксперимента), генерация сеток в ряде случаев остается сложной, и многие практические задачи требуют слишком высоких вычислительных ресурсов. Поэтому машинное обучение все чаще выступает перспективной альтернативой для решения подобных задач.
С другой стороны, обучение глубоких нейронных сетей требует больших данных, которые не всегда доступны. В условиях отсутствия больших данных нейронные сети могут быть обучены на основе дополнительной информации, полученной в результате применения физических законов в определенных точках пространственно-временного континуума.
Посути,ИИ,основанныйнафизике,позволяетинтегрироватьмодели, основанные на данных, и модели, основанные на решении дифференциальных уравнений даже в частично определенных и высокоразмерных задачах. Иными словами, упомянутая технология позволяет включать в ИИ-модели физические знания о предметной области непосредственно на уровне нейросетевых архитектур. Это становится возможным, поскольку нейросетевые фреймворки обладают всеми необходимыми механизмами, чтобы выразить в рамках моделей зависимости, описываемые уравнениями в частных производных.
За счет интеграции в модель дополнительных ограничений на основе физических законов такие модели могут делать прогнозы на основе значительно меньшего количества данных.
Если цифровые модели, основанные исключительно на ИИ, не обязательно подчиняются фундаментальным законам физики и, как правило, не могут хорошо обобщать сценарии, на которых они не были обучены (что ограничивает их адаптивность), то PIAI лишено указанных недостатков и, как правило, обеспечивает сокращение времени обучения модели. PIAI позволяет обучать модели на меньшем объеме данных создавать более научно обоснованные модели и, соответственно, делать более надежные прогнозы для новых сценариев.
Как было отмечено ранее, методы машинного обучения, и искусственные нейронные сети в частности, сталкиваются с ограничениями в плане объяснения причинноследственных связей. Отсутствие прозрачности и интерпретируемости моделей ИИ известно как узкое место для широкого внедрения этих технологий в производство. Подходы PIAI позволяют преодолеть эти проблемы.
Модели, построенные на данных, определяются этими данными. Например, такие события, как неисправности работы оборудования, которые происходят редко, подчас не отражаются в данных, и модели, построенные на указанных типах данных, могут привести к ошибочному представлению о поведении этого оборудования в критической ситуации.
Понимание принципов работы модели определяет степень доверия к ней. Вместо того чтобы рассматривать все отношения данных как "черныйящик",интегрированныйподходпозволяетналожитьнаданныене которые физические уравнения, например закон сохранения энергии, чтобы алгоритм машинного обучения балансировал между закономерностями, заложенными в данных, и законами, определяемыми физикой. Говорят, что подобный подход позволяет превратить "черный ящик" в "серый ящик".
В режиме малых данных предполагается, что имеется физическая модель процесса, и данные предоставляются для определения (задания) начальных и граничных условий, а также для определения параметров дифференциального уравнения. Наиболее частым является режим (средний на рисунке), когда известны некоторые данные и некоторая информация о физике процесса, но, возможно, отсутствуют некоторые значения параметров в дифференциальном уравнении. И наконец, существует режим с большими данными, когда можно не знать никакой физики и где подход, основанный на данных, может быть наиболее эффективным. Машинное обучение на основе физики может интегрировать данные и управляющие физические законы, включая модели с частично отсутствующей физикой.
ИИ-инженерия (AI engineering) - это область исследований и практика, в которой сочетаются принципы системной инженерии, программной инженерии, информатики и проектирования для создания систем ИИ, обеспечивающих достижение результатов решаемой задачи.
По мере внедрения систем ИИ предприятия все чаще сталкиваются с проблемами масштабируемости и операционной эффективности ИИ-решений. Инжиниринг ИИ обеспечивает операционную эффективность и экономию от масштаба за счет надежности, воспроизводимости и возможности повторного использования ИИ-моделей.
Машина-клиент (Machine Customer) - это экономический субъект, который не является человеком, действует от имени клиента (человека) или организации, запрашивает и получает товары или услуги и производит их оплату. В качестве подобных клиентов могут выступать виртуальные персональные помощники, умные бытовые приборы, подключенные автомобили и другое оборудование с поддержкой eIoT. Как видно на кривой рис. 5.2 (верх), на момент публикации (в 2021 г.) технология "машина-клиент" находилась на стадии запуска, оценивалась компанией Gartner как способная выйти на плато продуктивности не ранее чем через 10 лет. По состоянию на 2022 г. подобные сервисы были немногочисленны. В качестве примера можно привести сервис Amazon Dash Tesla, которые представляют собой первую стадию эволюции систем типа "машина-клиент", то есть действуют от имени владельца-человека по правилам, установленными людьми (рис. 5.4).
На третьей стадии машины-клиенты становятся полностью автономными (по прогнозам аналитиков Gartner, это произойдет к 2036 г.). Пример сценария работы подобных клиентов можно описать следующим образом: в умном автомобиле произошла неисправность, машина-клиент находит ближайшую ремонтную мастерскую, заказывает услугу, отправляет в магазин все необходимые данные об автомобиле и производит оплату.
По мере роста числа машин, подключенных к Интернету, число сервисов по схеме "машина-клиент" будет расти, а степень их автономности и способности к принятию решений - увеличиваться: машины будут все больше выступать как клиенты, способные запрашивать, покупать и продавать различные услуги.
О технологии автономных автомобилей уже было достаточно подробно рассказано во второй лекции.
На цикле ажиотажа Gartner технология находилась во "впадине разочарований" как на основе данных за 2021, так и за 2022 год. Продвижение по кривой минимально, а прогноз выхода на плато продуктивности Gartner предполагает не ранее чем через десять лет. Говоря о прогнозах развития технологий беспилотных авто и практики их применения, полезно обратиться к аналитическим материалам Bain and company, которая дает более подробные прогнозы, учитывая разные сценарии использования беспилотного транспорта (см. табл. 5.1). Согласно прогнозам аналитиков данной компании, широкое коммерческое использование беспилотных авто ожидается уже к 2026 году.
| Анализируемый параметр | Применительно к категории или ключевому событию | Год наступления | Применительно к категории или ключевому событию | Год наступления |
|---|---|---|---|---|
| Технологическая зрелость | Для пилотов коммерческих роботакси | 2019 | Для всех областей применения | 2028 |
| Сопутствующее регулирование | Разрешает некоторое коммерческое использование в отдельных местах - таких, как Аризона | 2019 | Разрешает широкое коммерческое использование | 2026 |
| Снижение стоимости технологии | Коммерческое роботакси является доступным решением в ряде отдельных городов | 2025 | Снижение цены более чем на 85% по сравнению с 2022 | 2030 |
| Достижения в области приложений четвертого уровня | Первые OEM-производители предлагают пилотный уровень 4 на шоссе в премиум-сегменте | 2025 | OEM-производители расширяют предложения ниже премиум-сегмента | 2027 |
| Принятие клиентами | Готовность к использованию роботакси составляет более 60% в Китае и более 25% в Германии и США | 2021 | Широкое распространение, благодаря накопленному опыту | 2026 |
В начале курса мы уже достаточно подробно обсудили тему сильного ИИ, но поскольку вопрос создания AGI является одним из центральных в теме искусственного интеллекта, его невозможно не упомянуть, говоря о будущем ИИ.
Несмотря на то, что возможность создания AGI - это возможность гипотетическая, многие компании ставят себе целью построение таких систем, активно финансируя эти проекты. И причины, по которым они это делают, понятны - появление AGI может повлиять на все стороны нашей жизни, привести к прорыву во всех отраслях человеческих знаний, и конечно, того, кто первым достигнет результатов в данном направлении, ждет успех научный, технологический и финансовый. Согласно прогнозам отчета Mind Commerce [263] инвестиции в AGI достигнут 50 миллиардов долларов к 2023 году. В упомянутой публикации отмечаются четыре компании, которые, по мнению авторов исследования, наиболее активно работают в области создания AGI.
Первой в этом списке значится компания Open AI. Основанная в 2015 году в Сан-Франциско Илоном Маском, данная компания упоминает термин AGI непосредственно в тексте своей миссии: "Быть первыми, кто создаст AGI…". Основное направление Open AI в области построения AGI-систем - это крупные нейросетевые модели.
Второе место в данном списке занимает компания DeepMind, основанная в 2010 году в Лондоне и известная как создатель системы AlphaGo, победившей чемпиона мира по игре в Го. Свою стратегию в построении AGI-систем компания формулирует как глубокое изучение человеческого мозга с целью создания сложных алгоритмов.
Третьей в этом списке отмечена компания Google Brain. Компания основана в 2011 году в Маунтин-Вью, Калифорния, и известна изобретением архитектуры Transformers. Целью своей деятельности фирма ставит "создание ИИ с интеллектом ребенка". Методологией построения AGI компания называет развитие контролируемого обучения и нейросетевых структур.
Замыкает список под номером четыре компания Facebook
Research, основанная пионером в области глубокого обучения Яном Лекуном, занимающаяся исследованиями в области ИИ с 2013 года.
Компания ставит своей целью создание человекоподобного ИИ, а методологией, направленной на построение AGI, называет неконтролируемое и самоконтролируемое обучение.
В дополнение к четырем компаниям, которые выделили аналитики Mind Commerce, важно упомянуть корпорацию Intel, которая подошла к проблеме создания AGI не только со стороны алгоритмов, но и со стороны аппаратного обеспечения, выпустив в 2021 году второе поколение нейроморфного процессора Intel Loihi 2.
Несмотря на усилия мировых гигантов в области ИИ, концепция AGI остается далекой целью - вызовом, стоящим перед человеком, исходящим из желания повторить сложнейшее творение природы - сознание и разум, опираясь на возможности этого самого разума.
Сознание, речь, сложное целенаправленное поведение - свойства высших живых организмов. Планы воспроизведения этих возможностей на базе искусственного интеллекта ставят перед человеком множество вопросов, которые имеют моральное измерение: как следует относиться к подобному разуму и какими правами его наделять, с какими этическими проблемами может столкнуться человечество на данном пути - этими вопросами специалисты начинают задаваться все чаще.
Согласно известному выражению "человек - венец природы", закрепившемуся в сознании людей в виде аксиомы, человек часто рассматривается как вершина эволюции, причем речь идет в первую очередь об интеллектуальных способностях человека.
Исходя из данных рассуждений, можно сказать, что наиболее сильным вызовом для человека является создание еще более мощного интеллекта на новом искусственном носителе, опережающего интеллект человеческий по всей совокупности способностей - по сути, это и есть задача построения сильного (общего) искусственного интеллекта.
Если основной вехой в развитии ИИ мы видим глобальную перспективу в виде появления сильного интеллекта (AGI), то интересно проанализировать, как мы представляем себе развитие человека и его роль рядом с эволюционирующим ИИ.
Здесь есть два пути - путь дивергенции и конвергенции. Первый следует логике разделения живого интеллекта и искусственного и все большего отставания человеческого интеллекта от искусственного. Более того, если перед человеком стояла задача создать ИИ, превышающий его по возможностям, то перед созданным сильным ИИ, вероятно, также будет стоять (как наиболее глобальная и всеобъемлющая задача) задача воссоздать себя на более совершенном уровне и, возможно, на новых архитектурных принципах и новых носителях информации, что, собственно, и будет считаться очередным витком эволюции, при котором человек в привычном нам виде остается недоразвитым предком в эволюционной цепи.
Согласно Нику Бострому, скорость этой эволюции при появлении сверхразума может быть такова, что будет похожа на вспышку (мы приводили соответствующую картинку в первой лекции).
Второй путь - путь конвергенции - исходит из акцента на том, что тезис "человек - вершина эволюции" является относительным, полагая, что и сам человек продолжает эволюционировать. При этом вполне вероятно, что наиболее быстрый эволюционный путь будет доступен как процесс сближения и даже сращивания живого и искусственного интеллекта по мере реализации гибридизации человека, когда человек интегрирует элементы ИИ внутри себя.
Здесь речь идет об эволюции человека под воздействием ИИ, этот процесс также называют процессом коэволюции человека и искусственного интеллекта (рис. 5.5).
Как же будет эволюционировать человек и какую роль здесь сыграет ИИ?
На этом пути, в свою очередь, тоже есть несколько сценариев. Первый - это воздействие на сознание методами генной инженерии (которая все более активно использует инструментарий ИИ). Второй - это сращивание интеллектуальных способностей человека со все более доступными источниками информации и системами поддержки принятия решений на базе искусственного интеллекта (что мы наблюдаем уже сейчас). Человек все больше обрастает носимыми гаджетами, имеющими постоянное подключение для мониторинга состояния этого человека и поддержки принятия различного рода решений на основе связи со встроенным в гаджет и удаленным ИИ. Третий - это сращивание живой и неживой материи, что, например уже наблюдается в виде процесса вживления чипов в мозг животных и человека. Уже сегодня есть возможность определенного биоусо-вершенствования, которое мы обсуждали выше (умные экзоскелеты и цифровые протезы, управляемые силой мысли).
В будущем комбинация биологического и цифрового может создавать новые гибридные формы жизни в материальном мире, реализуя их дополнительные возможности. И, наконец, наименее изученный и осмысленный сценарий - это путь, связанный с реализацией возможности переноса ментального опыта человека (воспоминания, эмоции, переживания) на компьютерный носитель.
Конечно, вопросы конвергенции человека и ИИ - это лишь один из аспектов совместной эволюции человечества и искусственного интеллекта.
Несомненно, что ИИ вызовет глубокую трансформацию жизни большинства людей на планете, изменит то, как люди работают, взаимодействуют друг с другом, привнесет все те новации, которые мы, в частности, рассматривали при обсуждении применения ИИ в разных отраслях.
Заметим, что вопросы возможности реализации негативных и даже катастрофичных сценариев развития человечества под влиянием ИИ, как правило, выходят за рамки логики, которую можно вывести из известных на сегодняшний день ИИ-технологий и примеров их рационального применения.
Станет ли ИИ источником процветания человечества, решит его извечные проблемы в виде голода, нищеты, болезней, или ИИ окажется основой нового смертоносного оружия, которое приведет к гибели Homosapiens? Станет ли ИИ источником гармоничного развития человечества, или новым более мощным инструментом порабощения человека человеком, или причиной развития экологической катастрофы и т. п.?
Заметим, что эти вопросы появились не только с развитием ИИ-технологий, напротив, они применимы ко многим трансформирующим новациям, которые стали частью эволюции человечества. ИИ - это не единственная технология, которая несет в себе экзистенциальные риски. Человечество окружило себя массой изобретений, которые могут быть использованы как во благо человечества, так и во вред. Известно выражение, что ученые рано или поздно изобретут все то, что интеллект человека может изобрести в принципе. Эта присущая человеку жажда создания нового с опорой на силу мысли таит в себе определенные риски. Человек обладает спектром противоречивых качеств (альтруизм, любовь, способность жертвовать собой ради ближнего и в то же время эгоизм, тщеславие, жажда наживы, себялюбие и т. п.).
Что будет происходить с границами приватности? Мы видим, что человек сознательно отказывается от прежнего уровня приватности ради социального капитала и пользы, приобретаемой от цифровых сервисов. К чему приведет противостояние сил, ратующих за соблюдение приватности пользователя, и сил, использующих эрозию правды в Интернете, сил, которые не хотят так просто отказаться от одного из своих самых ценных ресурсов в виде подробной информации от миллиардов пользователей?
По всей видимости, в рамках анализа эволюции техники (о которых в первую очередь шла в этом курсе) и выкладок точных наук мы не сможем дать ответ на перечисленные вопросы. Большинство ответов на эти вопросы зиждятся на анализе траектории развития самого человека, логика которого заложена в природе сознания и интеллекта этого человека. На многие вопросы люди до сих пор не смогли дать согласованного ответа. В то время как человек приобретает все больший объем данных и знаний, становится ли он более добрым, справедливым, честным, человечным?
Мы видим, как формируется общественная мысль, как совершенствуется институт права, развиваются учения о морали и нравственности, меняется представление людей о том, каким должно быть справедливое общество. Но мы не можем однозначно оценить, насколько образцы морали и нравственности укореняются в сознании человека. Не можем утверждать, наблюдаем ли мы процесс прогрессивной эволюции нравственности или люди из прошлого были более чисты, невинны и, вкусив плоды цивилизации, лишь приобрели новые пороки.
В развитии многих технологий существует период, в процессе которого человечество учится адаптироваться к этому новому, нивелировать опасности, предусмотреть риски и подчинить очередную технологию процессу освоения мира на благо человечества.
Выразим надежду на то, что человечеству хватит интеллекта, чтобы употребить создаваемый им ИИ себе во благо, а форма реализации ИИ, видимо, будет зависеть от того, как понятие "благо" будет восприниматься и трактоваться нашими потомками.
Для получения официальных документов о завершении программы дополнительного профессионального образования (удостоверения о повышении квалификации, дипломов о профессиональной переподготовке и MBA) необходимо предоставить:
Внимание! Вы можете не заказывать доставку бумажной версии официального документы, а скачать его в электронном виде и распечатать самостоятельно. Информация о выданном документе в течение 1 месяца загружается в Федеральную информационную систему «Федеральный реестр сведений о документах об образовании и (или) о квалификации, документах об обучении» - ФИС ФРДО.
Доступ на новый сайт осуществляется с использованием адреса электронной почты, который был указан вами при регистрации на "старом". Мы постарались перенести все ваши данные с прежнего ресурса, однако не исключена вероятность потери части информации.
При возникновении проблемы со входом, воспользуйтесь функцией сброса пароля
Если вы обнаружите несоответствия, пожалуйста, сообщите нам.