Искусственный интеллект: как это работает?

Заметки по мотивам лекции Александра Фонарева «Искусственный интеллект: как это работает?». Примеры задач, основные методы машинного обучения, нейронные сети и deep learning. Про работу data scientist’а на практике.

В общем, ничего нового 🙂

Сильный и слабый. Искусственный интеллект (в философском понимании) бывает «Сильным» и «Слабым», сильный — тот, который обладает сознанием, слабый — все, что мы имеем сейчас.

Хайп вокруг data science спадает

ImageNet. На соревнованиях по распознаванию образов — ImageNet — в 2012 году существенно сократилась доля ошибок распознавания до 16,4% за счет применения алгоритмов глубокого обучения на основе сверточных нейронных сетей. В следующие годы ошибка упала до нескольких процентов. А в 2015 году программы в определённых задачах распознавания образов превзошли человеческие способности.

ImageNet classification problem

Открытость культуры. Открытость реализаций алгоритмов, открытость исследований, открытость данных.

Примеры задач машинного обучения:

  • Предсказание болезни пациента
  • Оценка кредитного риска
  • Выбор места для шахты
  • Ремонт самолетов
  • Поиск картинок с котиками
  • Определение спама
  • Рекомендации
  • Поисковая система
  • Удержание сотрудников
  • Удержание клиентов
  • Self Driving Robots
  • etc.

Адаптивные алгоритмы

Triple Pendulum on a Cart

Примеры применения:

  • Распределение ресурсов в сложных системах: компьютерные сети, дорожные сети в мегаполисах и т. д.
  • Онлайн рекомендации и реклама.
  • Робототехника.
  • Боты в компьютерных играх.

Методы машинного обучения

Методы машинного обучения

Метод ближайших соседей. Основная проблема — сложно построить подходящую метрику близости для разнородных признаков. Используется на практике, чтобы быстро отсеять плохих кандидатов.

Линейные и полиномиальные методы. Модель проста для использования, однако не всегда достаточно выразительна. Используется на практике, когда данных мало.

Искусственные нейронные сети. Несмотря на популярность нейронных сетей, сложно настраивать в задачах с признаками разной природы без пространственной структуры.

Решающее дерево.

Случайный лес.

Генерация изображений и видео

You Won’t Believe What Obama Says In This Video

Где применяются нейронные сети?

  • Анализ изображений и видео.
  • Анализ текстов (например, машинный перевод, вопросное-ответные системы, саммаризация текста).
  • Анализ звука (например, распознавание речи, генерация речи и т. п.).
  • Данных много и они имеют пространственную структуру.

Augmented intelligence & crowdsourcing

Augmented intelligence. Совмещение умений машины и человека.

Crowdsourcing. Решение простых задач простым и дешёвым ручным трудом, например:

  • https://toloka.yandex.ru
  • https://www.mturk.com

Активное развитие приложений

  • Приложения, связанные с картинками, звуком и текстом.
  • Оптимизация в самых разных областях.
  • Автоматизация простых действий человека.
  • Пример: Automated Machine Learning (AutoML).
  • Автоматические выводы из большого количества данных.
  • Развитие новых индустрий.
  • Цифровой маркетинг.
  • Self-driving cars.
  • Сбор всё большего количества данных обо всём вокруг.

Полезные ссылки

  • Конкурсы по анализу данных (http://kaggle.com)
  • Сообщество (http://ods.ai)
  • Задания на http://dataquest.io
  • Специализация «Машинное обучение и анализ данных» на http://coursera.org (MIPT + Yandex)
Поделиться
Отправить
 Что почитать на выходных - 3
Как устроена память