Read in English
Оценить статью
(Голосов: 42, Рейтинг: 3.81)
 (42 голоса)
Поделиться статьей
Дмитрий Шефтелович

Научный сотрудник Дортмундского технического университета, специалист в области автономных систем принятия решений

На текущий момент под исследованиями в области искусственного интеллекта сейчас принято понимать алгоритмическое решение проблем, требующих когнитивного напряжения. Такими проблемами были игры: шахматы или Го, распознавание почерка, машинный перевод, творческая деятельность. В общественном сознании каждая из этих проблем первоначально казалась последней преградой к созданию «настоящего» ИИ, способного заменить человека во всех сферах его деятельности. В действительности оказалось, что, во-первых, научить компьютер играть в шахматы гораздо проще, чем научить его играть в футбол, и, во-вторых, даже зная, как научить компьютер играть в футбол, сложно перенести этот опыт на проблему машинного перевода. Поэтому после начального энтузиазма научное сообщество разделило понятие ИИ на категории сильного и слабого ИИ. Под слабым искусственным интеллектом понимается алгоритм, способный решать узкоспециализированные проблемы (вроде игры в шахматы), сильный искусственный интеллект же менее ограничен в спектре задач; в идеале сильный искусственный интеллект способен как минимум на то же, на что способен взрослый человек (например, делать логические выводы и планировать действия).

Проблема создания сильного ИИ на данный момент не решена, и научное сообщество существенно охладело к теме ИИ после так называемой «зимы искусственного интеллекта», наступившей в середине 1980-х из-за завышенных ожиданий. Это привело, с одной стороны, к разочарованию потенциальных пользователей и к недостаточной производительности программных комплексов, с другой. Начиная с середины 2000-х годов удалось добиться значительных успехов в более специализированных задачах. В первую очередь это обусловлено постоянным развитием вычислительной техники.

Вторым важным фактором развития отрасли стала оцифровка и ручная классификация текстов, фотографий и звуковых записей, а также построение всеобъемлющих баз знаний в цифровом формате. Благодаря ставшим доступными большим объёмам качественно классифицированных данных стало возможно тренировать алгоритмы машинного обучения на больших выборках. Таким образом, точность классификации выросла, а машинный перевод превратился из грубого инструмента в систему широкой применимости.

В сумме оба фактора позволили решать за приемлемое время всё более сложные задачи, сократив время обработки накопленных массивов данных. На начало 2018 г. искусственный интеллект добился нескольких ярких успехов, освещённых СМИ, проник в различные отрасли экономики. Однако было бы ошибкой считать ИИ «серебряной пулей», средством, способным решить все проблемы человечества.

В то время, как компьютеры успешно решают «сложные» задачи вроде символических и численных вычислений и обыгрывают гроссмейстеров в шахматы, в списке нерешённых проблем много задач, отличающихся относительно простой формулировкой: классификация «неизвестных» образов без тренировки на заранее классифицированных образцах (например, распознавание яблок на фотографии, если известны только классы «вишня» и «груша»), моторика, рассуждения от «здравого смысла».


Введение

Под понятием «искусственный интеллект» (ИИ), как правило, понимают компьютерную программу, т.е. алгоритм, способную на решение задач, которые в состоянии решить мозг взрослого человека. В Международном терминологическом словаре по искусственному интеллекту [18] понятие «искусственный интеллект» определяется как область знаний, рассматривающая разработку технологий, позволяющих вычислительным системам действовать таким образом, которое напоминает разумное поведение, в том числе, поведение человека. Стоит обратить внимание на то, что это феноменологическое определение, оставляющее детализацию понятий «интеллект», «разумное поведение» на откуп философии; в условиях дефицита знаний о мозге и когнитивном аппарате биологических систем понятие ИИ не поддаётся более точной, математической формализации.

На текущий момент под исследованиями в области искусственного интеллекта сейчас принято понимать алгоритмическое решение проблем, требующих когнитивного напряжения [2, 10]. Такими проблемами были (и отчасти остаются) игры: шахматы или Го, распознавание почерка, машинный перевод, творческая деятельность. В общественном сознании каждая из этих проблем первоначально казалась последней преградой к созданию «настоящего» ИИ, способного заменить человека во всех сферах его деятельности. В действительности оказалось, что, во-первых, научить компьютер играть в шахматы гораздо проще, чем научить его играть в футбол, и, во-вторых, даже зная, как научить компьютер играть в футбол, сложно перенести этот опыт на проблему машинного перевода. Поэтому после начального энтузиазма научное сообщество разделило понятие ИИ на категории сильного и слабого ИИ. Под слабым искусственным интеллектом понимается алгоритм, способный решать узкоспециализированные проблемы (вроде игры в шахматы), сильный искусственный интеллект же менее ограничен в спектре задач; в идеале сильный искусственный интеллект способен как минимум на то же, на что способен взрослый человек (например, делать логические выводы и планировать действия). Вместо понятия сильного ИИ в литературе также используется общий искусственный интеллект (Artificial General Intelligence, AGI) [28].

Необходимо отметить, что классификация алгоритмических проблем на проблемы сильного и слабого ИИ не является исторической константой; так, на начало 2016 г. считалось, что для игры в Го нужен сильный ИИ. После впечатляющей победы алгоритма AlphaGo [26] над действующим чемпионом мира в марте 2016 г. игра в Го стала проблемой слабого ИИ.

К концу 2010-х годов можно выделить следующие магистральные направления исследований в области алгоритмов искусственного интеллекта.

Машинное обучение и распознавание образов

inverse.com
Матч AlphaGo — Ли Седоль, 2016

Поиск закономерностей в данных, например, классификация объектов на фотографии по категориям «фон», «человек», «автомобиль», «здание», «растение».

Планирование и логический вывод

Доказательство логических утверждений и планирование действий для достижения определённой цели при знании логических закономерностей, позволяющих эту цель достичь. Пример: синтез данных из сенсоров для оценки дорожной ситуации и адекватного управления автомобилем.

Экспертные системы

Систематизация данных вместе с логическими связями, отображение знаний, ответы на семантические запросы вроде «Какова доля цен на энергоносители в стоимости производства самолёта МС-21?»

Текущее состояние и перспективы

Проблема создания сильного ИИ на данный момент не решена, и научное сообщество существенно охладело к теме ИИ после так называемой «зимы искусственного интеллекта», наступившей в середине 1980-х из-за завышенных ожиданий. Это привело, с одной стороны, к разочарованию потенциальных пользователей и к недостаточной производительности программных комплексов, с другой [29]. Начиная с середины 2000-х годов удалось добиться значительных успехов в более специализированных задачах. В первую очередь это обусловлено постоянным развитием вычислительной техники: если в 2001 г. пределом возможностей был «флагманский» процессор Intel Pentium III, выполнявший 1,4 миллиарда арифметических операций в секунду, то, спустя десять лет, в 2011 году актуальный на тот момент процессор Intel Core i5 выполнял уже 120 миллиардов операций в секунду, т.е. почти в 100 раз больше [7, 9]. Во многом драйвером роста стала индустрия компьютерной графики и видеоигр: в погоне за всё более реалистичной графикой видеокарты из периферийного оборудования превратились в мощные вычислительные системы, способные не только обрабатывать графические данные, но и выполнять произвольные (пусть и не очень сложные) параллельные вычисления. Так, в том же 2011 году пиковая производительность видеокарты Radeon HD 6970 составляла 675 миллиардов операций в секунду [11].

Вторым важным фактором развития отрасли стала оцифровка и ручная классификация текстов, фотографий и звуковых записей, а также построение всеобъемлющих баз знаний в цифровом формате. Благодаря ставшим доступными большим объёмам качественно классифицированных данных стало возможно тренировать алгоритмы машинного обучения на больших выборках. Таким образом, точность классификации выросла [22], а машинный перевод превратился из грубого инструмента в систему широкой применимости. Так, известный большинству пользователей переводчик компании Google работает за счёт огромной базы параллельных текстов, т.е., текстов идентичного значения на разных языках, дополняемой пользователями, что позволяет обучать систему и улучшать качество перевода прямо во время работы [8].

В сумме оба фактора позволили решать за приемлемое время всё более сложные задачи, сократив время обработки накопленных массивов данных. На начало 2018 г. искусственный интеллект добился нескольких ярких успехов, освещённых СМИ, проник в различные отрасли экономики. Однако было бы ошибкой считать ИИ «серебряной пулей», средством, способным решить все проблемы человечества.

Успехи ИИ

Экспертные системы и распознавание текстов: своя игра IBM Watson

flavorwire.com

Пожалуй, наибольший общественный резонанс произвела экспертная система IBM Watson, объединившая в себе огромный массив знаний, т.е., данных с семантическими связями между ними, и способность обрабатывать запросы на английском языке к этой базе знаний. В 2011 году впечатляющим успехом IBM Watson была победа над действующими чемпионами в телевикторине «Jeopardy!» [i] . Этот успех позволил IBM успешно выйти на рынок экспертных систем, наглядно продемонстрировав способности Watson к обработке и структурированию информации.

Нейросети: Победа в Го с Google DeepMind

Во многом выиграла от повышения производительности вычислений технология искусственных нейронных сетей, известная ещё с середины 1940-х годов [16]. Современные технологии позволяют обучать большие нейросети, а от размера сети прямо зависит сложность решаемых задач. Характерной чертой этих систем глубинного обучения является структура сети, позволяющая распознавать сначала локальные детали входных данных (вроде разницы в цвете между соседними пикселями), а по ходу обработки и их глобальные свойства (вроде линий и форм). Построив и натренировав нейросеть с подобной архитектурой, инженеры Google смогли сконструировать компьютерный алгоритм игры в Го, неожиданно выигравший у чемпиона мира [26]. Схожих результатов другие группы исследователей добились, научив нейросети играть в компьютерные игры вроде StarCraft II [27].

Практическое применение ИИ

На начало 2018 года машинное обучение, распознавание образов и автономное планирование вышли из исследовательских лабораторий в мир коммерческих приложений. Первыми пользователями новой технологии стали военные по обе стороны железного занавеса, начиная с 1950-х годов заинтересовавшиеся в решении задач планирования [15, 31]. Практически одновременно с ними задачи планирования стали решать экономисты. Приведём несколько примеров применения алгоритмов искусственного интеллекта.

  • IBM предлагает услуги упомянутого выше Watson различным отраслям: медикам для диагностики симптомов пациента и рекомендации терапии, юристам для классификации конкретных ситуаций в соответствии с правовыми нормами, железнодорожникам для оценки усталости составов и путей [33].
  • В области медицины распознавание образов позволяет опознать и классифицировать органы для планирования хирургических процедур [4].
  • Онлайн-магазины пользуются механизмами машинного обучения для более точной рекомендации товаров регулярным клиентам [3].
  • Автономные роботизированные музейные гиды [1] способны проводить экскурсии и отвечать на вопросы посетителей по теме экспозиции.
  • В военной сфере уже сейчас можно увидеть зачатки автономного принятия решений: комплексы ближней противовоздушной и противоракетной обороны исключают человека из цепочки принятия решений из-за низкой скорости реакции человеческих операторов, а современные противокорабельные ракеты способны распределять цели между ракетами в залпе в зависимости от их важности.

Перспективы применения ИИ

popsci.com / Axel Krieger
The Smart Tissue Autonomous Robot (STAR)

Ожидается, что в 2020-х годах ИИ сможет решать ещё больше задач. Ниже перечислим некоторые из них и ориентировочный прогресс научно-исследовательских и опытно-конструкторских работ.

Автономные транспортные средства

Наиболее сложной задачей для автономных транспортных средств считается участие в дорожном движении в связи с ограниченной свободой манёвра и множеством возможных ситуаций, возникающих на дороге. В 2018 г. самым высокоразвитым решением на рынке считается автопилот Audi A8, способный автономно двигаться в условиях пробок на автострадах [20]. В марте 2017 г. представители BMW обещали к 2021 году представить автомобиль, способный без вмешательства водителя доставлять пассажиров в место назначения [19].

Военное применение

Самым перспективным направлением для военных считается возможность автоматического распознавания и сопровождения целей для роботизированных платформ, и, как следствие, автономное принятие решения на поражение [2]. На конец 2017 года в странах «первого эшелона» проводится ряд научно-исследовательских работ по этим темам, в первую очередь в отношении наземных, надводных и подводных комплексов.

Роботизированные хирургические процедуры

Ожидается, что хирургия, в том числе и микрохирургия, требующая точного вмешательства в тело пациента, сможет быть автоматизирована в ближайшем будущем. В 2016 г. был представлен в качестве демонстратора технологий робот STAR [24], способный проводить операции на мягких тканях. При достижении успехов в распознавании образов можно ожидать роботизации всех хирургических процедур удаления тканей, что позволит сделать хирургию более доступной и снизить нагрузку на лечащий персонал.

Нерешённые проблемы

Даже для кажущихся всемогущими компьютерных алгоритмов существуют нерешаемые и плохо решаемые проблемы. В частности, по очевидным причинам сложно решить задачи, трудно поддающиеся формализации, например, «написать роман» или «выбрать самую красивую фотографию». Но даже при наличии математически точной формулировки нет гарантии успешного решения. Причиной этому может быть сложность математического моделирования проблем более низкого уровня (например, моделирование движения при обучении робота играть в футбол), сложность самой проблемы (например, для логического вывода и доказательства математических утверждений нет алгоритмов существенно лучше полного перебора возможных логических цепочек [30]), огромное количество параметров и неточность наблюдаемого мира (например, при игре в футбол), и недостаточная производительность вычислительных систем по сравнению с человеческим мозгом. В конце концов, взаимодействие 1х1011 человеческих нейронов не поддается алгоритмической симуляции; на начало 2018 года наибольшим успехом в этой области была симуляция 1,7х109 нейронов с 2400-кратным замедлением в 2013 году [34]; при этом нет уверенности, что симуляция даже нужного количества клеток мозга позволит воссоздать мозговую деятельность в компьютерной модели.

Отдельно стоит упомянуть недостатки машинного обучения. Как правило, машинное обучение предполагает наличие уже классифицированных тренировочных данных, в которых компьютерный алгоритм находит закономерности. Из-за недостаточных данных в работе алгоритма возможны ситуации, когда данные на входе не принадлежат ни к одному из тренированных классов; распознавание нового феномена на входе и автоматическое создание нового класса объектов считается как минимум нетривиальной задачей [23]; её можно легко усложнить, добавив в условие активное обучение во время работы классификатора и временное изменение распознаваемых классов. Вторым существенным недостатком машинного обучения считается сверхчувствительность: так, распознавание лиц можно «перехитрить», надев кажущиеся безобидными очки [25]. В отдельных случаях можно добиться неправильной классификации фотографии путём невидимых человеку изменений: так, после кажущейся несущественной манипуляции панда на фотографии может классифицироваться как обезьяна [13].

В то время, как компьютеры успешно решают «сложные» задачи вроде символических и численных вычислений и обыгрывают гроссмейстеров в шахматы, в списке нерешённых проблем много задач, отличающихся относительно простой формулировкой: классификация «неизвестных» образов без тренировки на заранее классифицированных образцах (например, распознавание яблок на фотографии, если известны только классы «вишня» и «груша»), моторика, рассуждения от «здравого смысла». В литературе этот феномен известен как «парадокс Моравека» [17]. Во многом это отображает человеческое восприятие: создававшиеся миллионами лет эволюцией способности, присутствующие у любого взрослого человека, кажутся само собой разумеющимися, в то время, как математические проблемы вроде нахождения кратчайшего пути на карте кажутся неестественными и их решение малоочевидным.

Мифы и легенды ИИ

За полвека исследований тема искусственного интеллекта обросла массой мифов и ложных представлений как о возможностях технологий, так и об их недостатках. Так, в области машинного перевода зачастую можно встретить утверждение о низкокачественных автоматических переводчиках 1960-х годов, превративших фразу «дух бодр, плоть слаба» в «водка хороша, но мясо протухло» при переводе с английского языка на английский через русский. Изначально этот пример был упомянут в качестве образца неправильного перевода человеком, вооружённым лишь словарём, грамматикой и излишне буйным воображением; достоверных свидетельств такой работы систем машинного перевода нет [14].

В целом можно выделить несколько мифов, искажающих общественное представление об искусственном интеллекте.

ИИ — это магия

Если не принимать во внимание известное изречение Артура Кларка, согласно которому «любая достаточно развитая технология неотличима от магии», современные исследования в области ИИ произрастают из областей математики, робототехники, статистики и информатики; из вышесказанного в этой статье следует, что любой программный или программно-аппаратный комплекс, реализующий ИИ, в первую очередь, решает несколько математических проблем, зачастую основываясь на заранее собранных и классифицированных данных.

ИИ — это компьютерный мозг

В современной культуре прочно засело представление об искусственном интеллекте как, в первую очередь, антропоморфном механизме, во многом похожем на человеческий мозг. В реальности даже нейронные сети — это математическая абстракция, довольно далеко ушедшая от биологического механизма; другие модели вроде цепей Маркова вообще не имеют реальных биологических аналогов. Во многом, применяемые алгоритмы не нацелены на моделирование сознания, а специализированы на решении одной узко формализованной проблемы.

ИИ имеет лишь несколько сценариев применения

В привитом культурой представлении ИИ редко занят чем-то кроме планирования действий в интересах крупных корпораций либо государств. Однако упомянутые выше возможности позволяют применять ИИ-технологии в интересах широких групп населения: применяющиеся на практике алгоритмы доступны каждому, а в спектр задач машинного обучения входят вполне обыденные задачи вроде оценки потребностей в ремонте таксопарка и планирования оптимального использования операционных залов.

Опасности ИИ

В апокалиптических сценариях научно-фантастических произведений искусственный интеллект, как правило, в какой-то момент решает уничтожить человечество, а учёные не в состоянии этому помешать либо не осознают эту опасность. На практике в научном сообществе вопрос опасности сверх-интеллекта обсуждается достаточно давно [6]. Основной опасностью считается неправильное целеполагание «сильному» ИИ, располагающему существенными вычислительными и материальными ресурсами, и не принимающему во внимание интересы людей. Процитированная выше книга Бострома предлагает возможные решения этой проблемы.

Реальность сильного ИИ

Завышенные либо заниженные ожидания на успехи научно-технического прогресса влекут за собой прогнозы, в которых сильный ИИ либо станет доступным уже завтра (в крайнем случае — в следующем году), либо принципиально недостижим. Фактически создание сильного искусственного интеллекта сложно спрогнозировать, так как оно зависит от успешного решения нескольких инженерных и математических задач неизвестной сложности. Исторический пример решения теоремы Ферма, появившегося спустя 350 лет после её формулировки, не позволяет с уверенностью прогнозировать сроки решения задач такого масштаба.

Международные тенденции

Расширение границ применимости ИИ привело к повышенному интересу военных и околовоенных кругов к возможностям автономных систем. Помимо НИОКР по упомянутым выше темам, в международном сообществе разгорелась дискуссия о возможном ограничении или даже запрете робототехнических комплексов. Наибольшую известность получила кампания «Stop Killer Robots» [32], активно требующая полного запрета на разработку автономных боевых систем по этическим причинам. Однако в этой связи стоит упомянуть не только боевых роботов, но и системы классификации, влияющие на решение о применении силы исключительно по метаданным, даже не обращая внимания на содержание писем подозреваемых [21].

Общественное внимание к автономным боевым системам привело к переговорам в рамках Конвенции ООН о запрещении или ограничении применения конкретных видов обычного оружия, которые могут считаться наносящими чрезмерные повреждения или имеющими неизбирательное действие, под действие которой подпадают противопехотные мины и ослепляющие лазеры. Однако на начало 2018 года дипломатический процесс не привёл к каким-либо взаимным обязательствам [12]. Во многом это обусловлено сложностью в определении «автономной боевой системы», наличием комплексов (в первую очередь ПВО и ПРО), удовлетворяющих возможному определению, и нежеланием отказываться от перспективной технологии [2]. Тем не менее, было бы излишним упрощением ограничивать аргументы за контроль над автономными вооружениями морально-этическими аспектами. Во многом в пользу ограничений говорят аспекты стратегической стабильности [5]: во-первых, применение автономных систем может привести к неконтролируемой эскалации военных конфликтов с непредсказуемыми последствиями; во-вторых, сложно контролировать экспорт используемых технологий: если экспорт крылатой ракеты очевиден и её дальность ограничена физическими параметрами, то контроль такого уровня над программным кодом невозможен: область применения алгоритмов не ограничена одной лишь военной сферой, а ограничение исследований в области с настолько широким спектром применения, вплоть до запрета публикаций, неизбежно натолкнётся на сопротивление научного сообщества, во многом живущего за счёт международной кооперации и крупных конференций.

Библиография

1. Diallo A.D., Gobee S., Durairajah V. Autonomous Tour Guide Robot using Embedded System Control // Procedia Computer Science. 2015. (76). C. 126–133.

2. Boulanin V., Verbruggen M., SIPRI Mapping the development of autonomy in weapon systems / V. Boulanin,M. Verbruggen,SIPRI, Solna: SIPRI, 2017.

3. Aggarwal C.C. Recommender Systems / C.C. Aggarwal, Heidelberg: Springer International Publishing, 2016.

4. Alpers J. [и др.]. CT-Based Navigation Guidance for Liver Tumor Ablation // Eurographics Workshop on Visual Computing for Biology and Medicine. 2017.

5. Altmann J., Sauer F. Autonomous Weapon Systems and Strategic Stability // Survival. 2017. № 5 (59). C. 117–142.

6. Bostrom N. Superintelligence: Paths, Dangers, Strategies / N. Bostrom, 1-е изд., Oxford, UK: Oxford University Press, 2014.

7. Intel Corporation. Intel® Core i5-2500 Desktop Processor Series // Intel Corporation [сайт]. 2011. URL: https://www.intel.com/content/dam/support/us/en/documents/processors/corei5/sb/core_i5-2500_d.pdf (дата обращения: 11.03.2018)..

8. DeNero J., Uszkoreit J. Inducing Sentence Structure from Parallel Corpora for Reordering // Proceedings of the 2011 Conference on Empirical Methods in Natural Language Processing (EMNLP). 2011.

9. Dongarra J.J. Performance of various computers using standard linear equations software. // 2014. URL: http://www.netlib.org/benchmark/performance.pdf (дата обращения: 11.03.2018).

10. Floreano D., Mattiussi C. Bio-Inspired Artificial Intelligence: Theories, Methods, and Technologies / D. Floreano,C. Mattiussi, The MIT Press, 2008.

11. Geeks3D. AMD Radeon and NVIDIA GeForce FP32/FP64 GFLOPS Table // // Geeks3D [сайт]. 2014. URL: http://www.geeks3d.com/20140305/amd-radeon-and-nvidia-geforce-fp32-fp64-gflops-table-computing/ (дата обращения: 11.03.2018).

12. The United Nations Office at Geneva. CCW Meeting of High Contracting Parties // 2017. URL: https://www.unog.ch/80256EE600585943/httpPages)/A0A0A3470E40345CC12580CD003D7927?OpenDocument (дата обращения: 11.03.2018).

13. Goodfellow I., Shlens J., Szegedy C. Explaining and Harnessing Adversarial Examples // International Conference on Learning Representations. 2015.

14. Hutchins J. «The whisky was invisible», or Persistent myths of MT // MT News International. 1995. (11). C. 17–18.

15. Keneally S.K., Robbins M.J., Lunday B.J. A Markov decision process model for the optimal dispatch of military medical evacuation assets // Health Care Management Science. 2016. № 2 (19). C. 111–129.

16. McCulloch W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity // The bulletin of mathematical biophysics. 1943. № 4 (5). C. 115–133.

17. Moravec H. Mind Children: The Future of Robot and Human Intelligence / H. Moravec, Harvard, MA: Harvard University Press, 1990.

18. Raynor W. Jr International Dictionary of Artificial Intelligence / W. Raynor Jr, 2nd-е изд., London, United Kingdom, United Kingdom: Global Professional Publishing, 2008.

19. Reuters. BMW says self-driving car to be level 5 capable by 2021 // Reuters [сайт]. 2017. URL: https://www.reuters.com/article/us-bmw-autonomous-self-driving/bmw-says-self-driving-car-to-be-level-5-capable-by-2021-idUSKBN16N1Y2 (дата обращения: 11.03.2018).

20. Ross P.E. The Audi A8: the World’s First Production Car to Achieve Level 3 Autonomy // IEEE Spectrum [сайт]. 2017. URL: https://spectrum.ieee.org/cars-that-think/transportation/self-driving/the-audi-a8-the-worlds-first-production-car-to-achieve-level-3-autonomy (дата обращения: 11.03.2018).

21. RT на русском. Экс-глава ЦРУ и АНБ: Мы убиваем людей, используя метаданные // RT на русском [сайт]. 2014. URL: https://russian.rt.com/article/31734 (дата обращения: 11.03.2018).

22. Saarikoski J. [и др.]. On the Influence of Training Data Quality on Text Document Classification Using Machine Learning Methods // Int. J. Knowl. Eng. Data Min. 2015. № 2 (3). C. 143–169.

23. Scheirer W.J., Jain L.P., Boult T.E. Probability Models for Open Set Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI). 2014. № 11 (36).

24. Shademan A. [и др.]. Supervised autonomous robotic soft tissue surgery // Science Translational Medicine. 2016. № 337 (8). C. 337ra64–337ra64.

25. Sharif M. [и др.]. Adversarial Generative Nets: Neural Network Attacks on State-of-the-Art Face Recognition // CoRR. 2017. (abs/1801.00349).

26. Silver D. [и др.]. Mastering the game of Go with deep neural networks and tree search // Nature. 2016. (529). C. 484–503.

27. Vinyals O. [и др.]. StarCraft II: A New Challenge for Reinforcement Learning // CoRR. 2017. (abs/1708.04782).

28. Yudkowsky E. Levels of Organization in General Intelligence под ред. B. Goertzel, C. Pennachin, Berlin, Heidelberg: Springer Berlin Heidelberg, 2007. 389–501 с.

29. Рассел С., Норвиг П. Искусственный интеллект: современный подход / С. Рассел,П. Норвиг, Москва: Вильямс, 2007.

30. Хопкрофт Д., Мотвани Р., Ульман Д. Введение в теорию автоматов, языков и вычислений / Д. Хопкрофт,Р. Мотвани,Д. Ульман, 2-е изд., Москва: Вильямс, 2008.

31. Цыгичко В.Н. Модели в системе принятия военно-стратегических решений в СССР / В.Н. Цыгичко, Москва: Империум Пресс, 2005.

32. Campaign to Stop Killer Robots [сайт]. URL: https://www.stopkillerrobots.org/ (дата обращения: 11.03.2018).

33. AI Stories // IBM. 2018. URL: https://www.ibm.com/watson/ai-stories/index.html (дата обращения: 11.03.2018).

34. RIKEN, Forschungszentrum Jülich. Largest neuronal network simulation achieved using K computer // RIKEN [сайт]. 2013. URL: http://www.riken.jp/en/pr/press/2013/20130802_1/ (дата обращения: 11.03.2018)

i. Также известна в России под названием «Своя игра» — прим. авт.


Оценить статью
(Голосов: 42, Рейтинг: 3.81)
 (42 голоса)
Поделиться статьей

Прошедший опрос

  1. Какие угрозы для окружающей среды, на ваш взгляд, являются наиболее важными для России сегодня? Отметьте не более трех пунктов
    Увеличение количества мусора  
     228 (66.67%)
    Вырубка лесов  
     214 (62.57%)
    Загрязнение воды  
     186 (54.39%)
    Загрязнение воздуха  
     153 (44.74%)
    Проблема захоронения ядерных отходов  
     106 (30.99%)
    Истощение полезных ископаемых  
     90 (26.32%)
    Глобальное потепление  
     83 (24.27%)
    Сокращение биоразнообразия  
     77 (22.51%)
    Звуковое загрязнение  
     25 (7.31%)
Бизнесу
Исследователям
Учащимся