Все, что вы хотели знать об ИИ, но боялись спросить

Иван Оселедец:

Термин «искусственный интеллект» — удобный способ обозначить целый спектр технологий. Вместо того чтобы каждый раз перечислять конкретные методы — компьютерное зрение, обработку естественного языка, генеративные модели — мы используем это общее понятие. Ведь ИИ уже давно интегрирован в повседневные сервисы: от распознавания лиц до голосовых помощников.

Сегодня можно самостоятельно оценить возможности ИИ, просто открыв диалог с крупной языковой моделью. Не нужно быть экспертом — достаточно задать вопрос, обсудить тему или даже понаблюдать за тем, как система ошибается и исправляется. Лучший способ разобраться в этом явлении — не пассивно слушать объяснения, а активно взаимодействовать.

Алексей Наумов:

Для меня ИИ — это наука о том, как научить «машину» думать и принимать решения на основе данных.

Два-три года назад мы и не говорили про большие языковые модели, продолжали удивляться самому факту работы нейросетей, а сегодня уже оцениваем их критически: «решает неточно», «формулирует неубедительно». Ожидания действительно возросли — и это закономерно. Однако важно понимать: чтобы нейросети совершенствовались, их необходимо постоянно дообучать, обновлять данные и корректировать алгоритмы. Без этого прогресс невозможен.

Но информацию все равно нужно проверять, так как у нейросетей случаются галлюцинации. Технологии стали мощнее, однако критическое мышление по-прежнему необходимо.

Сергей Самсонов:

Термин «интеллект» в этом смысле неточный, потому что мы начинаем автоматически применять к нему понятия естественного интеллекта. В то же время для меня ИИ остается группой методов, объединяющих способы принятия решений на основе данных. Тип данных или решаемая задача при этом могут быть совершенно различными, но при этом мы не должны ожидать от ИИ привычных свойств естественного интеллекта — в первую очередь, любопытства и самостоятельного целеполагания.

Наши ожидания от ИИ действительно возрастают, однако интересно, что наиболее ярко польза от него проявляется в творческих профессиях. Искусственный интеллект стал хорошим вспомогательным инструментом в работе программиста или дизайнера, но по-прежнему кажется бесполезным для многих профессий, требующих ручного труда. В этом смысле дополнительно автоматизировать труд программиста (и, возможно, в перспективе лишить некоторое число программистов работы) оказалось гораздо проще, чем автоматизировать труд сантехника.

Максим Рахуба:

Только дополню, что ИИ часто отождествляют именно с нейронными сетями. Хотя, строго говоря, нейросети — один из методов машинного обучения, а машинное обучение — лишь часть большой области ИИ. Но в такой ассоциации с нейросетями есть доля истины. Многое из того, чем мы привыкли удивляться в контексте ИИ так или иначе базируется на нейронных сетях.

Взрывной рост области начался в 2012 году со сверточной нейронной сети AlexNet, которая в то время на голову превзошла классические подходы, а последние годы мы наблюдаем большие языковые модели, с которыми уже можно полноценно пообщаться.

По поводу интеграции в повседневную жизнь: иногда мы пользуемся моделями ИИ вполне осознанно, общаясь с чат-ботами или прося сгенерировать картинку. Но это может происходить и незаметно, когда мы делаем фотографии на телефон, ищем что-то в интернете или получаем рекомендации о покупках на маркетплейсах.

Иван Оселедец:

Никто не может дать 100% гарантии, что она что-то не перепутает. Модель не «понимает» информацию в человеческом смысле, а предсказывает наиболее вероятный ответ на основе огромного массива данных. Когда вы задаёте вопрос, модель анализирует миллионы текстов, находит шаблоны и выдаёт то, что статистически правдоподобно в данном контексте. Но «правдоподобно» не всегда значит «правильно».

В существующих языковых моделях не заложено механизма проверки фактов. Если появилась ошибка, ее нужно корректировать уже в следующих версиях.

Иван Оселедец:

Нефтегаз, медицина, банки. ИИ можно приспособить для любого сектора экономики, но бизнес должен поставить четкую задачу, не размениваться на мелкие подзадачи, которые дорого стоят, но ничего не приносят.

Максим Рахуба:

А в повседневной жизни, как ни парадоксально, самые частые применения ИИ возникают там, где мы об этом мало задумываемся. Скажем, при заказе такси через приложение подбирается водитель, строится оптимальный маршрут, формируется цена.

Иван Оселедец:

Нейросети используются в фармакологии для ускорения разработки лекарств. Если задать системе параметры заболевания, она может проанализировать тысячи химических соединений и предложить 20-30 наиболее перспективных «кандидатов» для дальнейших исследований. Это значительно сокращает время и затраты на доклинические испытания. ИИ помогает в диагностике. Некоторые системы демонстрируют точность до 97% при распознавании определённых патологий.

Дальше – диагностика предсказаний риска. На основе данных анализов, анамнеза и образа жизни, можно предсказать, входит ли пациент в группу риска, какие привычки и образ жизни стоит поменять уже сейчас, чтобы избежать заболеваний в будущем.

Иван Оселедец:

ИИ сейчас – это вынос на внешнее устройство процесса мышления. Речь идет не о том, чтобы заменить кого-то, а о том, что у нас колоссальная нехватка людей, чтобы выполнять множество задач – их можно смело делегировать ИИ. Писать код, готовить презентации, составлять планы, оформлять тонны бессмысленных отчетов.

Или адаптировать знания к новым реалиям. Когда на производстве вдруг требуется изготовить специализированную колонну, которую десятилетиями просто закупали готовой, специалисты вынуждены буквально «откапывать» схемы из советских учебников 1960-х годов. Проблема в том, что сами эти чертежи зачастую представляют собой лишь теоретические наброски, а практических знаний о том, как именно реализовать эти решения в современных условиях, уже не осталось. Здесь искусственный интеллект может систематизировать разрозненные данные, расшифровать устаревшие обозначения, адаптировать архивные схемы к современным стандартам и даже преобразовывать бумажные сканы в цифровые 3D-модели.

Алексей Наумов:

Сейчас языковые модели напоминают способного, но ограниченного помощника: в узких специфических вопросах они могут демонстрировать уровень «хорошиста», а в сложных случаях — скатываться до «троечника». При этом важно понимать, что даже врач, использующий нейросети в работе, не становится автоматически экспертом — технология не страхует от профессиональных ошибок. По сути, мы имеем ситуацию, где и врач, и ИИ имеют свои «слепые зоны», поэтому оптимальные результаты достигаются только при их разумном взаимодействии.

ИИ проник не только в медицину, дизайн, инженерное дело или другие сектора экономики, но и в нашу повседневную жизнь. На наших глазах начинает меняться, например, процесс образования. Это будет иметь большие последствия, эффекты от которых мы увидим в самое ближайшее время.

Иван Оселедец:

Ответ на этот вопрос совершенно неочевиден. Алгоритм ведь не же получен не из воздуха, он шел маленькими поступательными шагами работы большого количества очень толковых людей. Это больше компьютер-сайенс, чем математика. Больше алгоритма: как бы мне чего-нибудь посчитать, чтобы ответ правильно получился.

Это какая-то новая идея. Идея может не математическая в смысле того, чтобы теорема доказала, а идея самого алгоритма. А хороший алгоритм стоит хорошей теоремы.

И вот эта куча кусочков складывается, это очень много идей: инженерные, математические, алгоритмические.

Математика вносит свой вклад в развитие этой области, совершенно точно. И ассоциативно, и похожими работами, какими-то идеями.

Алексей Наумов:

Сейчас математика стала значительно отставать от «инженерии» в ИИ. Такого огромного разрыва никогда не наблюдалось в других областях, например, в физике.

Когда мы получаем результат на выходе большой нейронной сети или алгоритма ИИ, мы задаемся вопросом: почему удалось получить такой результат? Можем ли мы доверять этому результату? В общем, пытаемся объяснить, почему алгоритм заработал, насколько он эффективен и надежен.

Максим Рахуба:

Чтобы на базовом уровне разобраться в современных архитектуктурах нейронных сетей, не требуется чего-то сильно выбивающегося за рамки первых курсов технических вузов. Речь даже не про математические факультеты. Более того, есть очень удобные программные инструменты, которые позволяют поэкспериментировать с небольшими нейронными сетями даже продвинутому школьнику.

Другое дело – на строгом математическом уровне понять, как и почему эти архитектуры работают. Тут до сих пор больше вопросов, чем ответов. С другой стороны, встречаются и работы, в которых какие-то красивые нетривиальные математические концепции используют для построения новых эффективных алгоритмов ИИ.