Цифра на марше, или 50 историй об образовании в XXI веке

История 8. Слабый ИИ, ущербный и всемогущий

Рутину – машинам, идеям – респект!

Не станет творцом цифровой интеллект!

В предыдущей истории мы заглянули в будущее достаточно далеко. Сильный ИИ, сравнимый с человеческим интеллектом, это очень круто, волнительно и опасно. Но пока где-то там, за горизонтом. Есть исследователи, пусть они занимаются своим делом. Здесь и сейчас происходят более прозаичные вещи, которые по своим последствиям для обычных людей опережают многие инновации.

В международных отчетах последних лет, описывающих рынок труда, утверждается, что в ближайшие 20 лет будут автоматизированы до 50% всех рабочих мест. И все это благодаря слабому искусственному интеллекту и нейронным сетям.

Исследованиям в области искусственного интеллекта уже более 50 лет. Очень долгое время они оставались на периферии общественной жизни. Исследователи с завидным постоянством собирались на свои симпозиумы, которые мало кого интересовали. Широкую общественность интересовал один вопрос – когда компьютер обыграет в шахматы чемпиона мира. Когда в 1997 году компьютер Deep Blue в шести партиях победил Гарри Каспарова, интерес снова угас.

В те годы более-менее широкое практическое применение получили экспертные системы, компьютерные системы распознавания естественного языка и перевода с одного языка на другой. Системы распознавания образов, построенные на сложнейшем математическом аппарате, давали слишком много ошибок. Разработка прикладных программных продуктов, способных делать логические выводы и решать задачи в рамках некоторой системы аксиом и правил вывода, оказалось чрезвычайно сложным и затратным делом.

В начале 2000-х я участвовал в попытке создания на языке Prolog автоматизированной системы, способной доказывать теоремы и решать задачи школьного курса планиметрии. Мы просто утонули в сложности задачи и от проекта отказались.

В традиционную классификацию систем искусственного интеллекта входят еще и гипертекстовые системы, базы знаний, системы контекстной помощи и некоторые другие. Хотя более точно их называть «интеллектуальные информационные системы» или «системы с интеллектуальным интерфейсом». Они широко применяются в современном цифровом мире. Тот же интернет – это огромная гипертекстовая распределенная система. Но даже к слабому искусственному интеллекту их можно отнести с очень большой натяжкой.

Вернемся к ходу событий. Равнодушие широкой общественности к тематике искусственного интеллекта наблюдалось до второго десятилетия XXI века. Потом оно вдруг сменилось взрывообразным ростом интереса. Все вокруг заговорили о том, что искусственный интеллект и нейронные сети не просто тренд. Это революция на рынке труда, это страшная угроза для многих профессий, это возможность наконец построить общество изобилия.

Что же это – реальная революция или очередной хайп, который любят и умеют создавать современные СМИ? Для ответа на этот вопрос нужно понять причины, почему интерес к теме возник именно сейчас. Что такого произошло около 10 лет назад, позволяющее сегодня трубить об эпохе искусственного интеллекта и нейронных сетей?

Произошло несколько событий.

Во-первых, к 2010 году ученые сделали прорыв в математическом обеспечении для обучения нейронных сетей. Они научились обучать все их слои, а не только последние. Это существенно повысило надежность принимаемых решений.

Во-вторых, в 2010 году появилась база данных ImageNet, содержащая 15 миллионов изображений в 22 тысячах категорий. ImageNet многократно превысила объем существовавших до этого баз данных изображений и стала доступна для любого исследователя. Распознавание и классификация изображений – одна из наиболее популярных задач для нейросетей. Появление ImageNet облегчило обучение нейросетей данного типа, позволило существенно улучшить качество распознавания. Путать кошку с собакой хорошо обученные нейросети перестали.

В-третьих, новые вычислительные мощности, облачные хранилища данных и наработанные типовые программные модули сделали работу с нейросетями доступными самым разным энтузиастам. Относительно несложный математический аппарат, вполне доступный студентам мехматов первых курсов, позволил привлечь значительные интеллектуальные ресурсы.

В проектирование и обучение новых нейросетей в самых разных отраслях оказалось втянуто достаточно много людей. Вот для примера несколько результатов, взятых из открытых источников.

Искусственный интеллект определяет риск кардиологических заболеваний эффективнее реальных врачей.

Искусственный интеллект хорошо помогает распознавать потенциальные случаи мошенничества в различных сферах жизни.

Искусственный интеллект, анализирующий естественный язык, используется для создания чат-ботов.

Искусственный интеллект существенно улучшил механизмы рекомендаций в онлайн-магазинах и сервисах.

Искусственный интеллект отвечает за распознавание окружающих объектов в беспилотных автомобилях.

Искусственный интеллект победил в соревновании по толкованию и анализу заключенных договоров лучших юристов США.

Искусственный интеллект наконец выиграл в Го у чемпиона мира из Кореи (игра Го считается намного сложнее шахмат).

Во всех примерах задействованы специальным образом обученные нейронные сети. Примеры их применения можно растянуть на несколько книг, даже если каждому уделять один абзац.

И здесь первый вывод для сферы образования, про которую мы немного подзабыли. Интеллектуальные навыки, которые ценились у работников во второй половине XX веке, стремительного устаревают. Найти им применение через 10 лет будет очень сложно.

О каких навыках идет речь? Подумаем, что объединяет хороших юриста, медика-диагноста, специалиста-консультанта по подбору товара. Личная база знаний, заботливо уложенная в голову интенсивной зубрежкой. Умение быстро извлекать из нее нужные сведения при самых сложных параметрах запроса. Пожалуй, и все.

На формирование подобных навыков практически полностью заточена традиционная система образования. Трудолюбиво усвоить заложенные в учебнике сведения и научиться их применять в оговоренных учебной программой рамках. Кто такой круглый отличник? Тот, кто научился это делать в совершенстве. Почему среди победителей предметных олимпиад редко можно встретить круглых отличников? Потому что для победы нужно учиться совершенно по-другому.

Сейчас на постсоветском пространстве то и дело разгорается дискуссия о том, каким было школьное образование в Советском Союзе. Большинство сходится во мнении, что лучшим в мире и вообще замечательным. Иначе бы в космос первыми не полетели. А у меня очень много сомнений. И есть идея интересного эксперимента.

Я в советской школе, где учился с 1969 по 1979 годы, классе в четвертом перестал дома делать домашние задания. Что-то успевал сделать на уроках и переменках. Иногда дома решал математические задачи из журнала «Квант». Иногда читал научно-популярную литературу. Так жили многие из тех, кто учился на 4 и 5. Конечно, много было и тех, кто выполнял все, как хотели учителя и программа. Они тоже учились на 4 и 5, только средний балл у них был повыше. Я поучился в четырех школах в СССР и за границей – ситуация похожая.

Идея эксперимента. Провести опрос среди представителей того поколения, которое училось в советской школе. Кто делал все домашние задания? Таких в те годы называли зубрилами. Кто делал только по выбранным предметам? Кто не делал вовсе? По возможности, конечно, так как всегда было небольшое число учителей, способных заставить выполнять домашнее задание любого лентяя.

Вот почему-то мне кажется, что зубрилы много звезд с неба за эти годы не нахватали. А если успешными в жизни стали те, кто игнорировал требования системы образования, чем же она тогда так хороша?

От лирического отступления вернемся к нашим баранам, то есть к нейронным сетям. Они, как выяснилось, способны дать фору любому отличнику-зубриле. И поговорим о том, как готовить специалистов по нейронным сетям, раз уж число их будет неуклонно расти. Кстати, эксперты оценивают нехватку специалистов в этой области как одну из самых значимых на рынке труда.

Чтобы разобраться как готовить специалистов по нейронным сетям, нужно понимать, чем они будут заниматься. Вот тут-то и всплывают интересные факты. Осознать их нам поможет рассказ руководителя одного из стартапов в области искусственного интеллекта. Привожу его в своем сокращенном изложении. Если что-то слегка искажу, то для простоты объяснения.

Команда стартапа решила помочь людям подбирать себе по вкусу одежду, обувь и аксессуары (сумочки). Очень простым и изящным способом. Идет модница по улице и видит на ком-то интересный наряд. Достает свой смартфон и быстренько делает фото. Специальное приложение на смартфоне связывается с обученной нейросетью, которой передает сделанное фото. Сеть анализирует фото и из базы данных, содержащей описание образцов одежды, обуви и аксессуаров, предлагает моднице максимально похожие варианты покупки. В наш потребительский век отличная идея.

Шаг 1. Команда разрабатывает максимально детализированную систему классификации для всех трех категорий: одежды, обуви, сумочек. Например, по фотографии нужно было понимать, что искать надо босоножки, женские, кожаные, на танкетке, с позолоченными застежками, голубого цвета. Составление классификатора руководитель описывает как захватывающее погружение в мир модных магазинов и каталогов. Творческое с одной стороны, кропотливое и системное с другой. Занимаются этим ведущие креативные специалисты команды, к программированию и нейросетям отношения не имеющие. Их совсем немного, но они – элита стартапа.

Шаг 2. Программисты, владеющие технологиями проектирования и обучения нейронных сетей, создают компьютерную модель нейронной сети. Ей можно будет «скармливать» тысячи и тысячи учебных фотографий. В основе ее лежит разработанная классификация. Программистов тоже немного, и они тоже элита стартапа.

Шаг 3. Набираются очень трудолюбивые, способные к однообразному кропотливому интеллектуальному труду работники. В рассказе этого нет, но, думаю, в основном женщины. Требования по квалификации одно – базовое владение компьютером (обычная школьница вполне подойдет).

Начинается самая трудоемкая часть проекта: практическое обучение нейронной сети. К этому времени еще на первом шаге подготовлена база данных с учебными фотографиями. На них самые разные люди изображены в самых разных нарядах. Например, фотография известной модели в сарафане, летних туфельках с модной сумочкой.

Работник в специальном редакторе загружает эту фотографию. Выделяет прямоугольным контуром сарафан и для него указывает все признаки из системы классификации. Потом выделяет туфельки еще одним прямоугольным контуром и для них указывает нужные признаки. Потом то же самое делает для сумочки. Сохраняет результат – и нейронная сеть получает фотографию для обучения. Чтобы начать отличать туфельки от босоножек, каблуки от танкеток, сарафаны от вечерних платьев, парадные дамские сумочки от стильных мужских обработать пришлось десятки тысяч фотографий.

Шаг 4. Все довольны, можно проверять работу нейронной сети.

Несколько полезных выводов из всего вышесказанного для сферы образования.

Разработка системы классификации для нейронной сети и всех связанных с этим параметров и настроек – это искусство. Общие рекомендации есть, но в каждом случае одновременно нужны три вещи. Полное погружение в предметную область, творческий подход, великолепные навыки систематизации. Причем все это лучше всего совмещать в одном и том же человеке. Близкая аналогия – кинорежиссеры. Такие люди – штучные специалисты. На поток их подготовку поставить можно. Но тут, как и с фильмами. Можно получить киношедевр, а можно фильм категории B.

Программирование нейронных сетей в принципе занятие понятное. На рынке много наработок и программных модулей-заготовок. Проблема только в одном. На рынке труда полно программистов, владеющих самыми передовыми средствами разработки. На рынке труда хватает выпускников мехмата, хорошо знающих матанализ и высшую алгебру. На рынке труда острейший дефицит тех, кто владеет первым и знает второе. А для программирования нейронных сетей нужно именно это. Большинство программистов изучением высшей математики себя не утруждало. Зачем, если деньги и удовлетворение приносит совсем другое. Здесь для сферы образования – поле непаханое. И для школьного, и для профессионального, и для высшего.

Обработка учебных примеров и практическое обучение нейронных сетей требуют от специалиста немного. Или вполне понятную среднюю квалификацию в некоторой предметной области, или вообще только базовые навыки владения компьютером как в вышеприведенном пример. К сожалению, такую специальность не получится ввести для борьбы с массовой безработицей. Во-первых, обучение нейронной сети трудоемко, но конечно. Во-вторых, нейронная сеть, обученная один раз распознавать на фото одежду и обувь, в дальнейшем может использоваться другими приложениями для других идей. Бум обучения достаточно быстро может сойти к устойчивому минимуму.

Еще об одном важнейшем применении слабого ИИ в качестве помощника в обучении мы поговорим в отдельной истории.

В заключение отвечу на один не заданный вопрос. А не смогут ли в совокупности обученные нейронные сети в итоге составить сильный искусственный интеллект?

Не смогут. В нынешних нейронных сетях не решена главная проблема сильного ИИ – понимание информации. Нейронную сеть можно научить (и научили) безошибочно различать кошек и собак. Для этого потребовались десятки тысяч фотографий. Ребенок 3-х лет за свою жизнь видел десяток кошек и десяток собак. Но различать их будет не менее безошибочно. Человеческий интеллекта работает на совершенно других принципах, с которыми исследователям еще только предстоит разобраться.

Впереди нас ждет история еще об одной угрозе. Поговорим о виртуальной реальности, хорошо показанной в трилогии «Матрица».