How does artificial intelligence learn? - Briana Brownell

Переводчик: Anton Zamaraev Редактор: Rostislav Golod

Today, artificial intelligence helps doctors diagnose patients,

В наши дни искусственный интеллект (ИИ) помогает врачам диагностировать больных,

pilots fly commercial aircraft, and city planners predict traffic.

пилотам управлять пассажирскими лайнерами, градостроителям предвидеть пробки.

But no matter what these AIs are doing, the computer scientists who designed them

Вне зависимости от того, чем занимаются системы ИИ,

их разработчики вряд ли точно знают, как эти программы действуют.

likely don’t know exactly how they’re doing it.

This is because artificial intelligence is often self-taught,

Это потому, что искусственный интеллект зачастую самообучается,

working off a simple set of instructions

отрабатывая простой набор инструкций,

to create a unique array of rules and strategies.

он создаёт уникальный блок правил и алгоритмов.

So how exactly does a machine learn?

Как же именно учится машина?

There are many different ways to build self-teaching programs.

Существует много способов создать самообучаемую программу.

But they all rely on the three basic types of machine learning:

Но все они основываются на трёх основных типах машинного обучения:

unsupervised learning, supervised learning, and reinforcement learning.

обучение без учителя, обучение с учителем и обучение с подкреплением.

To see these in action,

Чтобы увидеть их в действии,

let’s imagine researchers are trying to pull information

давайте представим, что учёные пытаются добыть информацию

from a set of medical data containing thousands of patient profiles.

из набора медицинских данных, содержащих карты тысяч пациентов.

First up, unsupervised learning.

Первым делом — обучение без учителя.

This approach would be ideal for analyzing all the profiles

Этот подход идеально подходит для анализа всех медкарт

to find general similarities and useful patterns.

с целью выявить общие сходства и полезные шаблоны.

Maybe certain patients have similar disease presentations,

Возможно, у некоторых пациентов имеются одинаковые проявления болезни

or perhaps a treatment produces specific sets of side effects.

или же лечение вызывает определённый набор побочных эффектов.

This broad pattern-seeking approach can be used to identify similarities

Этот широкий подход к поиску шаблонов может быть использован для выявления

сходств между картами пациентов и зарождающихся закономерностей

between patient profiles and find emerging patterns,

all without human guidance.

без какого-либо вмешательства человека.

But let's imagine doctors are looking for something more specific.

Но давайте представим, что врачи ищут нечто более специфическое.

These physicians want to create an algorithm

Эти доктора хотят создать алгоритм

for diagnosing a particular condition.

для диагностирования определённого заболевания.

They begin by collecting two sets of data—

Они начинают со сбора двух наборов данных —

medical images and test results from both healthy patients

медицинских снимков и результатов тестов как здоровых пациентов,

and those diagnosed with the condition.

так и диагностированных с этим заболеванием.

Then, they input this data into a program

Затем они вводят эти данные в программу,

designed to identify features shared by the sick patients

созданную для выявления общих симптомов у больных,

but not the healthy patients.

которые отсутствуют у здоровых пациентов.

Based on how frequently it sees certain features,

Основываясь на частоте обнаружения определённых признаков,

the program will assign values to those features’ diagnostic significance,

программа присваивает значения данным, исходя из их важности для диагностики,

generating an algorithm for diagnosing future patients.

что создаёт алгоритм диагностирования для будущих пациентов.

However, unlike unsupervised learning,

Однако, в отличие от обучения без учителя,

doctors and computer scientists have an active role in what happens next.

врачи и программисты принимают активное участие в дальнейших событиях.

Doctors will make the final diagnosis

Врачи поставят окончательный диагноз

and check the accuracy of the algorithm’s prediction.

и проверят точность прогнозирования по алгоритмам.

Then computer scientists can use the updated datasets

Затем программисты смогут использовать обновлённые данные,

to adjust the program’s parameters and improve its accuracy.

чтобы подправить параметры программы и повысить её точность.

This hands-on approach is called supervised learning.

Такой управляемый подход называется обучением с учителем.

Now, let’s say these doctors want to design another algorithm

Теперь предположим, что те же врачи хотят создать другой алгоритм

to recommend treatment plans.

для перспективных планов лечения.

Since these plans will be implemented in stages,

Поскольку эти планы будут реализовываться поэтапно

and they may change depending on each individual's response to treatments,

и могут меняться в зависимости от индивидуальной реакции на лечение,

the doctors decide to use reinforcement learning.

врачи решают задействовать обучение с подкреплением.

This program uses an iterative approach to gather feedback

При этом используется итерационный подход для сбора обратной связи о том,

about which medications, dosages and treatments are most effective.

какие лекарства, дозировки и методы лечения наиболее эффективны.

Then, it compares that data against each patient’s profile

Затем система сравнивает эти данные с картой каждого пациента

to create their unique, optimal treatment plan.

и в каждом конкретном случае создаёт оптимальный план лечения.

As the treatments progress and the program receives more feedback,

В ходе лечения и по мере поступления новой обратной связи

it can constantly update the plan for each patient.

программа может постоянно обновлять план лечения для каждого пациента.

None of these three techniques are inherently smarter than any other.

Ни один из этих подходов не является заведомо «умнее» любого другого.

While some require more or less human intervention,

Хотя некоторые из них требуют вмешательства человека,

they all have their own strengths and weaknesses

у каждого из них есть свои сильные и слабые стороны,

which makes them best suited for certain tasks.

которые являются оптимальными для определённых задач.

However, by using them together,

Однако, используя их в совокупности,

researchers can build complex AI systems,

учёные могут разрабатывать комплексные системы ИИ,

where individual programs can supervise and teach each other.

где отдельные программы руководят и обучают друг друга.

For example, when our unsupervised learning program

Например, когда обучающаяся программа без учителя

finds groups of patients that are similar,

находит похожие группы пациентов,

it could send that data to a connected supervised learning program.

она может передать данные смежной обучающейся программе с учителем.

That program could then incorporate this information into its predictions.

Та программа может затем включить эту информацию в свой прогноз.

Or perhaps dozens of reinforcement learning programs

Или, возможно, десятки обучающих программ с подкреплением

might simulate potential patient outcomes

способны симулировать потенциальные исходы болезни,

to collect feedback about different treatment plans.

что позволит получить обратную связь о различных планах лечения.

There are numerous ways to create these machine-learning systems,

Существует много способов создания этих систем машинного обучения

and perhaps the most promising models

и, возможно, самыми перспективными

are those that mimic the relationship between neurons in the brain.

являются модели, которые подражают нейронным связям в головном мозге.

These artificial neural networks can use millions of connections

Такие искусственные нейронные сети могут использовать миллионы связей

to tackle difficult tasks like image recognition, speech recognition,

и справляться с такими сложными задачами, как распознавание образов и речи,

and even language translation.

и даже с переводами с одного языка на другой.

However, the more self-directed these models become,

Однако, чем более самоуправляемыми становятся эти модели,

the harder it is for computer scientists

тем сложнее программистам определять,

to determine how these self-taught algorithms arrive at their solution.

как эти самообучающиеся алгоритмы пришли к полученному результату.

Researchers are already looking at ways to make machine learning more transparent.

Учёные уже рассматривают способы сделать машинное обучение более прозрачным.

But as AI becomes more involved in our everyday lives,

Но по мере того, как ИИ входит в повседневную жизнь,

these enigmatic decisions have increasingly large impacts

эти непонятные решения всё больше влияют

on our work, health, and safety.

на нашу работу, здоровье и безопасность.

So as machines continue learning to investigate, negotiate and communicate,

Пока машины продолжают учиться исследовать, договариваться и общаться,

we must also consider how to teach them to teach each other to operate ethically.

мы должны объяснить им, как взаимодействовать друг с другом

в рамках морально-этических норм.