Хотя за последние несколько десятилетий появилось несколько определений искусственного интеллекта (ИИ), Джон Маккарти предлагает следующее определение: «Это наука и техника создание интеллектуальных машин, особенно интеллектуальных компьютерных программ. Это связано с аналогичной задачей использования компьютеров для понимания человеческого интеллекта, но ИИ не должен ограничиваться методами, которые можно наблюдать биологически».

Однако за десятилетия до этого определения рождение разговора об искусственном интеллекте было обозначено основополагающей работой Алана Тьюринга « Вычислительные машины и интеллект », которая была опубликована в 1950 году. В этой статье Тьюринг, которого часто называют «отцом информатики», задает следующий вопрос: «Могут ли машины думать?» Оттуда он предлагает тест, теперь известный как «Тест Тьюринга», в котором следователь-человек пытается различить текстовый ответ компьютера и человека. Хотя этот тест подвергся тщательному анализу с момента его публикации, он остается важной частью истории ИИ, а также постоянной концепцией в философии, поскольку он использует идеи, связанные с лингвистикой.

Затем Стюарт Рассел и Питер Норвиг опубликовали книгу  «Искусственный интеллект: современный подход», которая стала одним из ведущих учебников по изучению ИИ. В нем они углубляются в четыре потенциальных цели или определения ИИ, которые различают компьютерные системы на основе рациональности и мышления по сравнению с действием:

Человеческий подход:

- Системы, которые мыслят как люди

- Системы, которые действуют как люди

Идеальный подход:

- Системы, которые мыслят рационально

- Системы, которые действуют рационально

Определение Алана Тьюринга подпадало бы под категорию «систем, которые действуют как люди».

В своей простейшей форме искусственный интеллект — это область, которая сочетает в себе информатику и надежные наборы данных для решения проблем. Он также охватывает подобласти машинного обучения и глубокого обучения, которые часто упоминаются в связи с искусственным интеллектом. Эти дисциплины состоят из алгоритмов ИИ, которые стремятся создать экспертные системы, которые делают прогнозы или классификации на основе входных данных.

Сегодня разработка искусственного интеллекта по-прежнему вызывает много ажиотажа, чего ожидают от любой новой технологии, появляющейся на рынке. Как отмечается в цикле ажиотажа Gartner, инновации в продуктах, такие как беспилотные автомобили и персональные помощники, следуют «типичный прогресс инновации, от чрезмерного энтузиазма через период разочарования к возможному пониманию актуальности и роли инновации на рынке или в какой-либо области». Как отмечает Лекс Фридман  здесь  (01:08:05) в своей лекции в Массачусетском технологическом институте в 2019 году, мы находимся на пике завышенных ожиданий, приближаясь к корыту разочарования.  

По мере того, как возникают разговоры об этике ИИ, мы можем начать замечать первые проблески разочарования. 

Слабый ИИ, также называемый узким ИИ или искусственным узким интеллектом (ANI), — это ИИ, обученный и ориентированный на выполнение определенных задач. Слабый ИИ управляет большей частью ИИ, который нас сегодня окружает. «Узкий» может быть более точным описанием этого типа ИИ, поскольку он совсем не слабый; он позволяет использовать некоторые очень надежные приложения, такие как Siri от Apple, Alexa от Amazon, IBM Watson и автономные транспортные средства.

Сильный ИИ состоит из искусственного общего интеллекта (AGI) и искусственного сверхразума (ASI). Искусственный общий интеллект (AGI) или общий ИИ — это теоретическая форма ИИ, в которой машина будет иметь интеллект, равный человеческому; у него будет самоосознающее сознание, способное решать проблемы, учиться и планировать будущее. Искусственный суперинтеллект (ИСИ), также известный как суперинтеллект, превзойдет интеллект и способности человеческого мозга. Хотя сильный ИИ по-прежнему является чисто теоретическим и практически не используется сегодня, это не означает, что исследователи ИИ также не изучают его развитие. Между тем, лучшие примеры ИСИ могут быть взяты из научной фантастики, например, HAL, сверхчеловека, мошеннического компьютерного помощника из фильма  2001: Космическая одиссея.

Поскольку глубокое обучение и машинное обучение, как правило, используются взаимозаменяемо, стоит отметить нюансы между ними. Как упоминалось выше, и глубокое обучение, и машинное обучение являются подобластями искусственного интеллекта, а глубокое обучение на самом деле является подобластью машинного обучения.

Глубокое обучение на самом деле состоит из нейронных сетей. «Глубокое» в глубоком обучении относится к нейронной сети, состоящей из более чем трех слоев, включая входные и выходные данные, которые можно считать алгоритмом глубокого обучения. Обычно это представляется с помощью следующей диаграммы:

Глубокое обучение и машинное обучение отличаются тем, как обучается каждый алгоритм. Глубокое обучение автоматизирует большую часть процесса извлечения признаков, устраняя часть необходимого ручного вмешательства человека и позволяя использовать большие наборы данных. Вы можете думать о глубоком обучении как о «масштабируемом машинном обучении», как отметил Лекс Фридман в той же лекции MIT сверху. Классическое или «неглубокое» машинное обучение в большей степени зависит от вмешательства человека. Эксперты-люди определяют иерархию функций, чтобы понять различия между входными данными, обычно требуя более структурированных данных для изучения.

«Глубокое» машинное обучение может использовать помеченные наборы данных, также известные как контролируемое обучение, для информирования своего алгоритма, но для этого не обязательно требуется помеченный набор данных. Он может принимать неструктурированные данные в необработанном виде (например, текст, изображения) и может автоматически определять иерархию функций, которые отличают разные категории данных друг от друга. В отличие от машинного обучения, для обработки данных не требуется вмешательство человека, что позволяет масштабировать машинное обучение более интересными способами.

Сегодня существует множество реальных приложений систем ИИ. Ниже приведены некоторые из наиболее распространенных примеров:

 - Распознавание речи: оно также известно как автоматическое распознавание речи (ASR), компьютерное распознавание речи или преобразование речи в текст, и это возможность, использующая обработку естественного языка (NLP) для преобразования человеческой речи в письменный формат. Многие мобильные устройства включают в свои системы распознавание речи для выполнения голосового поиска — например, Siri — или для обеспечения большей доступности текстовых сообщений. 

- Обслуживание клиентов: виртуальные онлайн - агенты  заменяют людей на пути клиента. Они отвечают на часто задаваемые вопросы (FAQ) по таким темам, как доставка, или предоставляют персональные советы, перекрестные продажи продуктов или предлагают размеры для пользователей, изменяя наше представление о взаимодействии с клиентами на веб-сайтах и ​​платформах социальных сетей. Примеры включают боты для обмена сообщениями на сайтах электронной коммерции с виртуальными агентами, приложения для обмена сообщениями, такие как Slack и Facebook Messenger, а также задачи, обычно выполняемые виртуальными помощниками и голосовыми помощниками.

- Компьютерное зрение: эта технология искусственного интеллекта позволяет компьютерам и системам извлекать значимую информацию из цифровых изображений, видео и других визуальных входных данных, и на основе этих входных данных они могут предпринимать действия. Эта способность давать рекомендации отличает его от задач распознавания изображений. Компьютерное зрение, основанное на сверточных нейронных сетях, находит применение в маркировке фотографий в социальных сетях, рентгенологических изображениях в здравоохранении и беспилотных автомобилях в автомобильной промышленности.  

- Механизмы рекомендаций: используя данные о прошлом потреблении, алгоритмы ИИ могут помочь обнаружить тенденции данных, которые можно использовать для разработки более эффективных стратегий перекрестных продаж.Это используется для предоставления релевантных дополнительных рекомендаций клиентам в процессе оформления заказа для интернет-магазинов.

- Автоматизированная торговля акциями. Разработанные для оптимизации портфелей акций платформы для высокочастотной торговли на основе искусственного интеллекта совершают тысячи или даже миллионы сделок в день без вмешательства человека.

Идея «мыслящей машины» восходит к Древней Греции. Но с момента появления электронных вычислений (и относительно некоторых тем, обсуждаемых в этой статье) важные события и вехи в эволюции искусственного интеллекта включают следующее:

- 1950: Алан Тьюринг публикует книгу «Вычислительные машины и интеллект». В статье Тьюринг, известный тем, что взломал нацистский код ENIGMA во время Второй мировой войны, предлагает ответить на вопрос: «Могут ли машины думать?» и вводит тест Тьюринга, чтобы определить, может ли компьютер продемонстрировать тот же интеллект (или результаты того же интеллекта), что и человек. С тех пор ценность теста Тьюринга обсуждается.

- 1956: Джон Маккарти вводит термин «искусственный интеллект» на первой в истории конференции по ИИ в Дартмутском колледже.(Маккарти впоследствии изобрел язык Лисп.) Позже в том же году Аллен Ньюэлл, Дж. Си Шоу и Герберт Саймон создали Logic Theorist, первую в мире программу для работы с искусственным интеллектом.

- 1967: Фрэнк Розен Блатт создает персептрон Mark 1, первый компьютер, основанный на нейронной сети, которая «обучалась» методом проб и ошибок. Всего год спустя Марвин Мински и Сеймур Пейперт публикуют книгу под названием Perceptrons, которая становится одновременно знаковой работой по нейронным сетям и, по крайней мере, на какое-то время, аргументом против будущих проектов по исследованию нейронных сетей.

- 1980-е: Нейронные сети, которые используют алгоритм обратного распространения для самообучения, стали широко использоваться в приложениях ИИ.

- 1997: Deep Blue от IBM побеждает тогдашнего чемпиона мира по шахматам Гарри Каспарова в шахматном матче (и матче-реванше).

- 2011: IBM Watson побеждает чемпионов Кена Дженнингса и Брэда Раттера в Jeopardy!

- 2015: Суперкомпьютер Minwa от Baidu использует особый тип глубокой нейронной сети, называемой сверточной нейронной сетью, для идентификации и классификации изображений с более высокой точностью, чем у среднего человека.

- 2016: Программа DeepMind AlphaGo, основанная на глубокой нейронной сети, побеждает Ли Содоля, чемпиона мира по игре в го, в матче из пяти игр. Победа значима, учитывая огромное количество возможных ходов по ходу игры (более 14,5 триллионов всего за четыре хода!).Позже Google приобрела DeepMind за 400 миллионов долларов США.

Статья с сайта - https://www.ibm.com/topics/artificial-intelligence

Изображение - https://www.lg.com/ru/lg-magazine/images/2019/-_2/kakim-budet-iskusstvennyiy-intellekt-2019/kakim-budet-iskusstvennyiy-intellekt-2019_01.jpg