танной британской компанией Google DeepMind) – настольную игру, возникшую в Древнем Китае, в которую как считалась до этого невозможно выйграть искусственному интеллекту, т.к. одного логического мышления для выйгрыша недостаточно.
Такой прорыв удалось совершить благодаря изобретению искусственной нейронной сети. Этот уникальный самообучающийся компьютерный алгоритм учѐные создали по образу и подобию нейронной сети живых организмов.
Искусственная нейронная сеть на сегоднешний день – это одно из самых передовых направлений в области создания искусственного интеллекта. Следует отметить, что робототехника сейчас развивается экспоненциально и для неѐ как раз нейросетевые алгоритмы являются мощным инструментом для развития систем управления, систем распознования образов, систем распознования аудио и прочих информационных технолоий.
Так, искусственная нейронная сеть – это модель работы биологических нейронов – клеток головного мозга, которая представлена набором математических инструкций, записанных в виде программного кода. Однако назвать нейросеть классическим алгоритмом – не совсем верно. Она устроена намного сложнее. Огромное количество процессов в ней происходит не линейно, а параллельно
водин момент времени, т.е. также, как в нашем головном мозге.
Вискусственной нейронной сети каждый нейрон представлен
ввиде процессора. В нѐм есть каналы для принятия и вывода сигнала. На входе каждый сигнал проходит через определѐнные соединения, которые имитируют синаптическую активность биологических нейронов, т.е. их способность передавать друг другу информацию. Каждый искусственный нейрон может работать только с одной единицей поступающей информации и выполняет простейшую функцию. Однако стоит их объединить в сеть, как они уже могут справляться со сложнейшими задачами, которые не под силу обычным методам программирования.
Сегодня искусственные нейросети окружают нас повсюду. Например, когда мы пишем запрос в поисковых системах сети Интернет искусственные нейронные сети находят нам все ответы. Следует заметить, что эти вычислительные системы способны на гораздо большее, чем решать рутинные задачи.
Например, в шашках, если рассматривать дерево вариантов от начала игры до выйгрыша или ничьи, существует приблизитель-
330
но 1040 вариантов ходов. В шахматах – 10120 вариантов. В Го вариативность дерева решений порядка 10400 вариантов развития событий. Например, для сравнения значений этих чисел отметим, что оценочное число атомов во всей вселенной приблизительно 1080. Следовательно, это говорит о достаточно большом объѐме обрабатываемой информации искусственной нейросетью.
Однако главная особенность игры Го не в том, что просчитать все варианты игры невозможно, а в том, что для выйгрыша нужно подключать интуицию, качество присущее человеку.
Принцип работы искусственных нейросетей построен на так называемом машинном обучении.
В данном случае для развития интуиции в программе AlphaGo применялись технологии машинного обучения. Как и люди нейросеть обучается методом проб и ошибок. Так на основе ошибок система корректирует свою работу сама. Этот процесс выполняется до тех пор, пока нейросеть не начнѐт выдавать стабильно правильный результат.
Срок обучения зависит от сложности самой задачи и объѐма тех данных, которые нейросеть должна запомнить. Так, на обучение нейронной сети могут уйти месяцы. Например, программа AlphaGo, которая на самом деле состоит сразу из нескольких нейронных сетей, обучалась игре в го полгода.
Нейронная сеть обучалась делать предсказания следующего хода на основе большого количества сыгранных партий. В это время, как ещѐ одна нейросеть обучалась предполагать кто выйграет. Т.е. интеллек заключается в том, что никто не объяснял программе, как нужно правильно играть. Машина научилась делать это сама.
Однако, учѐные отмечают, до того момента, когда нейросети смогут превзойти человека во всех областях, а не только в логических играх ещѐ слишком далеко.
Если есть какая-то понятная конкретная задача с большим количеством данных для обучения, то в ней искусственные нейронные сети могут продемонстрировать результаты лучше человека. Как только предполагается работа в комплексных сложных задачах и возникает необходимость применения накопленного жизненного опыта для принятия решений, то тут компьютеры уступают человеку.
На сегодняшний день создать искусственный интеллект подобный человеческому разуму не представляется возможным, по-
331
скольку для этого учѐным нужно разгадать все тайны мозга, а это пока науке не под силу.
Однако этих знаний достаточно для развития определѐнных сфер деятельности.
Например, по исследованиям компании Gartner предполагается, что к 2020 году почти все программные решения будут включать технологии искусственного интеллекта. Это позволит крупным компаниям получать до 30% дополнительной прибыли.
Опрос американских корпораций позволяет с полной уверенностью отметить, что 80% коммерческих организаций или уже используют технологии искусственного интеллекта или планируют внедрять их. Однако 91% респондентов сталкиваются с проблемами при внедрении технологий искусственного интеллекта.
В России технологии искусственного интеллекта уже внедрили: ПАО «Банк УРАЛСИБ» (анализ данных клиентов), МТС и «М.Видео» (оптимизация клиентского сервиса с выдачей персональных рекомендаций), «Альфа Страхование» (определение риска мошенничества при страховом случае), Aviasales (поиск дешевых авиабилетов) и некоторые другие, в том числе промышленные предприятия.
Например, инструменты Yandex Data Factory помогают при выплавке стали. Так, использующийся для производства стали металлический лом зачастую неоднороден по составу. Чтобы сталь соответствовала стандартам, при ее выплавке всегда нужно учитывать специфику лома и вводить специальные добавки. Этим обычно занимаются специально обученные технологи. Но, поскольку на таких производствах собирается много информации о поступающем сырье, применяемых добавках и результате, эту информацию с большей эффективностью способна обработать нейросеть. По данным Яндекса, внедрение нейросетей позволяет на 5% сократить расходы дорогих ферросплавов.
Аналогичным образом нейросеть способна помочь в переработке стекла. Использование технологий машинного обучения позволит значительно сократить издержки.
Металлургические, химические и нефтеперерабатывающие предприятия собирают и хранят терабайты информации о ходе и результатах технологических процессов. Современные алгоритмы искусственного интеллекта могут находить скрытые зависимости в собранных данных, при этом делают это лучше и быстрее человека,
332
раскрывая нереализованный потенциал повышения операционной эффективности и помогая принимать оптимальные решения.
Работа информационной системы для непрерывных производств, в частности для дуговой сталиплавильной печи позволяет в режиме реального времени помочь оператору оптимизировать процесс управления производством. Следует отметить, что в отличие от человека информационная система не устаѐт и предоставляет стабильные рекомендации по обеспечению производственного процесса в лучшем режиме. Кроме этого, информационная система помогает оператору печи уменьшить время работы под током на 10%, снизить себестоимость – более, чем на 3% и обеспечить стабильное качество. Как уже было отмечено выше, такие системы могут применяться в металлургическом, химическом, нефтеперерабатывающем и энергогенерирующих производствах. Для внедрения и использования информационной системы не требуется глубокая модернизация производства, что является существенным преимуществом.
Нейросетевой подход широко используется в медицине, в сфере сельского хозяйства, маркетинговой и логистической деятельности. Кроме этого, машинное обучение помогает распознавать потенциальные случаи мошенничества в различных сферах жизни.
Подводя итог, следует отметить, что в дальнейшем применение искусственного интеллекта будет только расширяться. Растет спрос на проектировщиков автоматизированных систем и программистов высокого уровня. Эти профессии уже называют профессиями будущего.
Литература
1.Бондарев В.Ю., Сорокин А.С., Кротова Е.Л. Искусственная нейронная сеть как средство и метод статистическогй обработки данных // Вестник УрФО. Безопасность в информационной сфере. –
2016. –№ 2 (20). – С. 19-22.
2.Делегодина Л.А. Прогноз энергопотребления в АСКУЭ ННЦ искусственной нейронной сетью // Проблемы информатики. – 2012. – № 1 (13). – С. 66-72.
3.Рыков В.П. Модульный принцип обучения искусственных нейронных сетей на примере известных нейросетевых топологий //
333
Вестник Тамбовского университета. Серия: Естественные и технические науки. – 2014. – Т. 19. № 2. С. 583-586.
4.Тихонов А.А. Большие данные и глубокое машинное обучение в искусственных нейронных сетях // Наука и образование сегодня. – 2018. – № 6 (29). – С. 35-38.
5.Туровский Я. А. Автоматизирование обучения нейрочипов
/Я. А. Туровский, С. Д. Кургалин, А. А. Адаменко // Актуальные направления научных исследований века: теория и практика. –
2015. – № 5, Ч. 2(16-2). – C. 191–196.
334