Перспективы развития искусственного интеллекта (часть 1)

  С развитием искусственного интеллекта (AI) Становится всё более распространённым и вплетается в принимаемые жизненно важные решения, при этом потребность в прозрачности усиливается. В последние годы случаи, когда искусственный интеллект подпитывает предвзятость и дискриминацию, встречаются повсеместно — использование систем распознавания лиц для обеспечения общественной безопасности — лишь один из примеров. В ближайшие годы вполне вероятно переход от слабой саморегуляции к активному участию государства в сфере ИИ. В свою очередь, крупные технологические компании всё чаще применяют искусственный интеллект для решения проблем конфиденциальности и предвзятости, порождённых самой этой технологией.

 

01Технологические тренды

 

Ниже перечислены ключевые технологические тренды, определённые глобальными данными компании:ИИКлючевые технологические тренды по теме:

 

Объяснимый искусственный интеллект(XAI)

 

  Искусственный интеллект всё чаще участвует в принятии решений, влияющих на повседневную жизнь, таких как выплата пособий, одобрение ипотечных кредитов и медицинская диагностика. Поэтому прозрачность и объяснимость приобретают ключевое значение. Вокруг ИИспоры о предвзятости моделей вызвали большой резонанс, что побудило компании обновить свои внутренние ИИруководства по разработке, чтобы укрепить доверие. Только расширение возможностей распознавания приложений (XAI) недостаточно для уменьшения предвзятости в данных, поскольку это позволяет компаниям лишь выявлять потенциальную дискриминацию. Предприятия будут корректировать свои модели по мере необходимости; расширение применения технологий распознавания и искусственного интеллекта уже стало приоритетной задачей для большинства компаний, связанных с ИИ, таких как Google и оборонный гигант Lockheed Martin.

 

Федеративное обучение

 

  Казалось бы, решение проблем конфиденциальности, порождённых самой технологией ИИ, может показаться нелогичным; этот подход был разработан компанией Google в 2017Годом ранее был запущен проект, направленный на использование обширных наборов данных, доступных на локальных устройствах — например, смартфонах, — при одновременной защите конфиденциальной информации. Проще говоря, устройство загружает актуальную модель из облака, улучшает её, обучаясь на данных, хранящихся в его памяти, а затем обновляет модель с учётом локальных данных. Наиболее известным примером применения федеративного обучения является Google: так, клавиатурные приложения предлагают слова или фразы на основе данных о предыдущих действиях пользователя. В сфере здравоохранения федеративное обучение позволяет различным организациям совместно работать над одной моделью, которая повышает качество медицинского обслуживания пациентов без необходимости обмена чувствительными данными.

 

Распознавание лиц

 

        2020 年 6 В месяце, Amazon, Международная бизнес‑компания США (IBM) и Microsoft объявили, что больше не будут продавать системы распознавания лиц правоохранительным органам или широкой публике(FR)инструменты. Хотя Amazon отложила на год использование систем распознавания лиц правоохранительными органами, Microsoft заявила, что не будет продавать такие системы полиции до тех пор, пока не будут приняты национальные законы, регулирующие эту технологию. В свою очередь, Международная бизнес‑компания США объявила, что больше не будет предоставлять общие решения для распознавания лиц или аналитическое программное обеспечение. Джордж Флойд (Джордж Флойд) и последовавших антирасистских протестов усиление контроля над технологиями побудило крупные технологические компании дистанцироваться от систем распознавания лиц, однако случаи этических проблем и предвзятости уже много лет остаются повсеместными.

 

Автоматическое обучение машин (AutoML)

 

Автоматическое обучение машин направлено на сокращение использования самостоятельного обучения (ML) — это объём человеческих ресурсов и усилий, необходимых для решения реальных задач. Это достигается за счёт автоматизации трудоёмких итеративных этапов разработки моделей самообучения, что позволяет специалистам с ограниченными ML знаниями в области машинного обучения использовать модели и технологии самообучения, одновременно снижая количество человеческих ошибок и предвзятости в моделях машинного обучения. Обнаружение мошенничества, ценообразование и управление продажами — распространённые области применения технологий самообучения. Google Cloud, DataRobot (DataRobot) и H20.ai — это пример ведущего программного решения для автономного машинного обучения.

 

Эффективность вдвое выше при половине усилий

 

В 2019 В одном из интервью в году руководитель направления искусственного интеллекта компании Google Джефф Дин заявил: «Мы хотим создавать системы, способные обобщать знания и применять их к новым задачам; будет интересно и важно уметь делать это с меньшими объёмами данных и меньшими вычислительными ресурсами». Большинство экспертов согласны с тем, что регуляторные и коммерческие преимущества обучения на основе меньшего числа точек данных весьма значительны. Стартап в области распознавания эмоций Affecta Карьюби отметил, что методы синтеза данных позволят компании брать уже собранные данные и синтезировать их для создания новых. Например, видеозапись того, как кто‑то управляет автомобилем, может быть использована для создания новых сценариев — например, когда водитель поворачивает голову или отправляет сообщение — в рамках концепции периферийного интеллекта и интернета вещей (AIoT）

 

Одной из ключевых областей слияния прорывных направлений является искусственный интеллект и интернет вещей. Эта комбинация породила искусственный интеллект для интернета вещей. Объединение данных, собираемых подключенными датчиками и исполнительными устройствами, с AI позволяет на периферии снизить задержки, повысить уровень конфиденциальности и обеспечить работу в режиме реального времени. Компания Apple (Apple) в 2020 年 1 в месяце приобрела Xnor.ai, компания предоставляет инструменты, способные работать на устройствах с низким энергопотреблением, поддерживающие AI для распознавания изображений, чтобы укрепить свои предложения на уровне периферии.

 

квантовые вычисления

 

Квантовые вычисления начинают приобретать зрелость; лидируют Google, Microsoft и IBM. При поддержке квантовых компьютеров приложения искусственного интеллекта могут работать гораздо быстрее. По словам профессора квантовой информатики Чикагского университета Дэвида доктора Ошалома, использование квантовых компьютеров может ускорить множество вычислительных задач, связанных с машинным обучением. Они обеспечат более высокую скорость вычислений, позволят разрабатывать более ресурсоэффективные алгоритмы и одновременно дадут ИИ возможность решать более сложные задачи. Компания IBM уже с 2016 года предоставляет клиентам услуги квантового облачного вычисления, 2019 года Microsoft ( Azure Quantum) и лаборатория Amazon по квантовым решениям также объявили, что клиенты получили возможность тестировать свои экспериментальные алгоритмы на нескольких квантовых компьютерах.

 

Чип следующего поколения

 

 Основное внимание при проектировании чипов уже перешло от 1Конкурс за размещение всё большего числа транзисторов на кремниевой пластине площадью в квадратные миллиметры перешёл к созданию микропроцессоров как систем, состоящих из множества компонентов, каждый из которых выполняет свою специализированную задачу. В ближайшие годы компьютеры всё активнее будут имитировать способы хранения и обработки информации человеческим мозгом. Именно здесь на сцену выходят нейроморфные вычисления и нейроморфные чипы. Нейроморфные чипы идеально подходят для обработки больших объёмов данных и питания приложений глубокого обучения на основе нейронных сетей, при этом потребляя гораздо меньше энергии, чем традиционные процессоры. Американская компания IBM совместно с Труносом (TrueNorth) сотрудничество — Intel и Роши (Loihi) сотрудничество; в настоящее время компания занимает лидирующие позиции в области исследований и разработок, однако сталкивается с конкуренцией со стороны таких известных компаний, как Qualcomm, Hewlett Packard Enterprise (HPE) и Samsung, а также Graphcore Конкуренция с такими хорошо финансируемыми стартапами, как Cambricon.