В Москве прошла практическая конференция «Технологии машинного обучения», организованная издательством «Открытые системы».
Как напомнил Сергей Кузнецов (НИУ ВШЭ), первая попытка «обучить машину использовать естественные языки, формировать абстракции и понятия, решать задачи, сейчас подвластные только людям» была предпринята летом 1956 года, решить задачу собирались за пару месяцев силами десятка человек, среди которых были Марвин Минский и Клод Шеннон.
Но затея не удалась, и над проблемами машинного обучения с тех пор бьются тысячи людей во всех технологически развитых странах. Особенно активны китайцы: среди платиновых споносоров последних конференций International Joint Conference on Artificial Intelligence — Baidu, Alibaba, jd.com, Tencent…
В 1960-е годы СССР был среди лидеров в этой области, потом интерес к ней уменьшился, но теперь после «зимы искусственного интеллекта» 1990-х — 2010-х годов интерес к ней снова растет. Его двигателями стали как отечественные компании (в том числе Abbyy, «Яндекс», «Лаборатория Касперского», Сбербанк) так и исследовательские подразделения ряда иностранных компаний (Samsung, Huawei и др.). Появился ряд новых исследовательских групп в институтах и университетах (МФТИ, Сколково, ВШЭ, Иннополис) и научных конференций.
В целом, жизнь сообщества искусственного интеллекта внутри страны налаживается, а о том, как связаться с исследователями за ее пределами, рассказал Алексей Хабаров, организатор ряда сообществ и конференций, посвященных искусственному интеллекту и Интернету вещей (эти две темы в значительной мере пересекаются, например — в области беспилотных автомобилей. — Д. Г.)
Еще два пленарных выступления были посвящены проблемам внедрения и эксплуатации искусственного интеллекта и средств машинного обучения, а также способам решения этих проблем. Дмитрий Бабаев (Сбербанк AI Lab) обрисовал технические проблемы нынешних глубоких нейронных сетей, Алексей Маланов («Лаборатория Касперского») — этические проблемы, встающие при использовании искусственного интеллекта.
Глубокие сети — сети со «скрытыми» уровнями — для некоторых классов задач позволяют лучшего качества решения, но ей нужно и больше обучающих примеров. Эти примеры, как правило, готовятся людьми. Бабаев представил ряд способов повышения эффективности обучения. Главные его выводы — классические методы машинного обучения и ручное конструирование признаков могут лучше подойти для решения задачи, при небольшом размере обучающей выборки. Однако и ее может быть достаточно, если есть возможность использовать transfer learning — использовать нейронные сети, предварительно обученные на других наборах данных. А наилучший способ подбора архитектуры нейросети для решения конкретной проблемы — взять архитектуру, которая хорошо работала на похожей задаче, и адаптировать ее, используя опыт исследователя.
Из представленной Малановым картины (см. также «Алексей Маланов: «Машина решает ту задачу, которую перед ней ставят», Computerworld Россия, 24 августа 2018) можно сделать вывод, что, решения на базе искусственного интеллекта будут прогрессировать и внедряться в жизнь быстрее, чем будут совершенствоваться средства контроля за их деятельностью.
Положение осложняется тем, что мы не знаем, почему системы искусственного интеллекта принимают то или иное решение. Так что, возможно, надзирать за деятельностью искусственного интеллекта будут другие интеллектуальные системы. За которыми тоже нужно будет присматривать.
Интересный опыт был представлен компанией ICL Services, «обучившей» искусственный интеллект классифицировать часть запросов пользователей, касающиеся информационных технологий (см. «Робот заменяет первую линию поддержки», Computerworld Россия, 8 октября 2018). Этот кейс интересен, в том числе тем, что в нем возможности искусственного интеллекта использованы для решения вполне стандартной задачи для «обычного» клиента, причем в явном виде ставилась задача достижения экономической эффективности системы.
«От лица вендоров» опытом внедрения систем предсказательной аналитики поделился Евгений Степанов (Micro Focus), представивший возможности СУБД Vertica. Последняя, по словам Степанова, не имеет проблем с объемом обрабатываемых данных. В качестве примера он привел Uber: эта компания хранит в Vertica 8 Пбайт и решает с помощью СУБД широкий класс задач — от анализа поведения пользователей до расчета зарплат водителям.
По окочании пленароной части прошли сессии, посвященные робототехнике, платформам и инструментарию искусственного интеллекта, практическому опыту ведущих российских компаний — Сбербанка, «Яндекса», сервиса CarPrice, авиакомпании S7, лидера рынка розницы X5 Retail Group.
Программу конференции дополнили два мастер-класса, один от Micro Focus, на котором обсуждалась работа на платформе Vertica, второй — возможностям пакета Nvidia DIGITS для решения задач классификации изображений.
