Искусственный интеллект (ИИ) – термин, который используют для всех форм компьютерного интеллекта. Условно его можно применить к любой системе, которая имитирует характерные для человека процессы обучения и принятия решений в ответ на входные данные. Этот термин может быть использован к любой системе, которая анализирует данные, распознает шаблоны или разрабатывает стратегии. Понятия машинного обучения (МО) и глубинного обучения (ГО) более точно описывают современные интеллектуальные вычислительные системы и проблемы разработчиков и пользователей, которые они могут решать.

Искусственный интеллект очень сильно меняет нашу повседневную жизнь. Сегодня нет практически ни одной отрасли, в которой не используется ИИ. Вспомните, как вы, используя моноблок ПК или другое устройство, играли в игры против компьютера – это тоже пример ИИ. Искусственный интеллект способен выполнять монотонную и ручную работу гораздо эффективнее чем человек. Умная видеоаналитика, персонализированные услуги, инновационные интерфейсы автомобилей – всё это заслуга искусственного интеллекта. 

Краткий экскурс для тех, кто не в теме:

• Нейронная сеть: компьютерная система, построенная по подобию мозга и нервной системы человека. Состоит из различных компьютерных узлов (конечных устройств в более крупной сети) и упорядочена в виде слоев.
• Глубокая нейронная сеть: многослойная нейронная сеть с большим количеством скрытых слоев, которая может получать доступ к большим и более сложным наборам данных, чем стандартные нейронные сети.
• Обучение: процесс корректировки и настройки, с помощью которого алгоритм учится выполнять оценку данных с большей скоростью и точностью. Обучение может быть контролируемым (с использованием входных данных от человека) или неконтролируемым (выполнение точной самостоятельной корректировки исключительно на основе необработанных данных).
• Заключение: выводы на основании новых данных и знаний, накопленных в процессе обучения.
• Представление: автоматическое определение свойств или параметров классификации на основе необработанных данных, благодаря чему система может как обучаться, так и выполнять определенные задачи.

Сравнение машинного обучения и глубинного обучения

Понятие машинного обучения (МО) применяется к системе, которая может активно обучаться, а не просто пассивно получать информацию для обработки. Такая компьютерная система запрограммирована реагировать на входные данные как человек. Для этого используются алгоритмы анализа данных для поиска шаблонов и структур. Алгоритмы МО разработаны таким образом, что их производительность повышается со временем благодаря получению все большего количества данных.

Чтобы имитировать процесс мгновенного распознавания, в алгоритмах машинного обучения используются нейронные сети. Как и в процессе обучения человека, компьютерная нейронная сеть классифицирует данные (например, огромного сета фотографий) на основании распознанных элементов в изображении. При использовании «экспертной» обратной связи от человека доля успешных попыток классификации может расти со временем. Такая обратная связь помогает системе обучаться и находить правильные решения, отличая их от неправильных, что позволяет повысить точность результатов работы алгоритмов. 

• Нейронная сеть может определить следующее:

1. • Какая-либо форма является повторяющимся элементом.
   • Перечень возможных форм.

• Затем алгоритм применяет полученные знания к данным, выполняя поиск заданных элементов и разбивая их на категории.

• Со временем этот процесс может совершенствоваться благодаря обратной связи от человека. Это приводит к более точному сбору данных. Например, если поступила обратная связь от человека «у каждой формы есть несколько вариантов», алгоритм может упорядочить результаты указанным ниже образом.

 Интересный факт: компания Google нанимала профессиональных фотографов и документалистов, чтобы они выполняли роль экспертов при обучении алгоритма на основе нейронной сети, используемого в интеллектуальной камере Clips этой компании.

Глубинное обучение (ГО) — это подмножество машинного обучения, которое более глубоко решает задачи. Оно работает аналогично тому, как человеческий мозг распознает и вспоминает информацию, и этот процесс выполняется без получения данных от «экспертов». Приложениям ГО необходим доступ к большим объемам данных, на основе которых они обучаются. В алгоритмах ГО используются глубокие нейронные сети, которые получают доступ к огромным сетам информации, изучают и анализируют их. В результате глубокие нейронные сети принимают решения на основании предпочтений конкретного пользователя.

• Глубокая нейронная сеть ищет данные в огромных сетах информации, предоставленных ей для анализа.

• В процессе обработки этой информации глубокая нейронная сеть разрабатывает новые параметры классификации, например, перечисленные ниже.

1. 1. У форм могут быть разные цвета.
   2. У форм может быть разная толщина.
   3. Существует 1900 различных форм.

• Это приводит к тому, что система начинает выдавать очень точные результаты, которые со временем будут становиться все точнее и точнее.

Основной фактор, отличающий глубокое обучение от машинного обучения – представление данных. Например, для обучения системы Google Clips с помощью машинного обучения были необходимы входные данные от профессиональных фотографов. В системе ГО для точного определения свойств эксперты не требуются. В процессе обучения алгоритм ГО обучается на данных, чтобы повысить точность своих выводов. Ниже перечислены популярные примеры применения ГО.

• Автономное управление автомобилем: сочетание подробных данных (карт, спутниковых снимков дорожного движения, сообщений о погоде, накопленных сведений о предпочтениях пользователя), входных данных об окружающей среде, поступающих от датчиков в режиме реального времени (олень на дороге или автомобиль, выехавший со своей полосы), и вычислительной мощности для принятия решений (снижение скорости, поворот рулевого колеса).
• Медицина: исследования в области раковых заболеваний, например, обучение обнаружению меланомы на фотографиях.
• Смарт хоум: интеллектуальные динамики, использующие интеллектуальных личных помощников и алгоритмы распознавания голоса для понимания уникальных голосовых запросов пользователя и реакции на них.
• Развлечения: анализ большой библиотеки фильмов и данных телепередач, накопление сведений о вкусах и предпочтениях пользователей.
• Посещение ресторанов: интуитивные рекомендации ресторанов на основе физического расположения пользователей, обзоров критиков, возможности бронирования столиков, заданных предпочтений и поведения в прошлом.

Вклад компании AMD в машинное обучение

Для интеллектуальных приложений, которые реагируют подобно рефлексам человека, требуются огромные вычислительные мощности. Основной вклад компании AMD в системы МО и ГО заключается в поставке высокопроизводительных вычислительных решений (центральных и графических процессоров) с открытой экосистемой для разработки ПО. Для приложений МО и ГО используется компьютерное оборудование с самыми широкими возможностями обработки данных (скоростью, емкостью и организацией) для одновременного управления сложными наборами данных, поступающими в нескольких входных потоках.

Например, в сценарии автономного управления автомобилем от алгоритма ГО может требоваться распознавать предстоящую смену цветов светофора с зеленого на желтый, перемещение пешеходов вблизи автомобиля и воду на тротуаре, а также другие переменные, и выполнять основные операции по управлению транспортным средством. Алгоритму автономного управления автомобилем необходимо постоянно совершенствоваться, чтобы принимать сложные решения с достаточной скоростью и высокой точностью, а также обеспечивать безопасность пассажиров и окружающих их людей.

Производительность оборудования компании AMD и связанного с ним программного обеспечения дает огромные преимущества при разработке и тестировании систем МО и ГО. Сегодня с помощью вычислительной платформы, созданной с использованием технологий AMD (CPU AMD EPYCTM и GPU Radeon InstinctTM) можно разрабатывать и тестировать новые интеллектуальные приложения за считанные дни или недели, а не за годы, как это было раньше.

С 2013 по 2017 гг. количество патентов в области машинного обучения выросло на 34%. Несмотря на то что в настоящее время в этой области ведется большая работа, отрасль по-прежнему находится в стадии активного развития. Основная цель заключается в разработке алгоритмов более эффективного обучения машин с помощью различных типов данных. Интеллектуальные системы с технологиями машинного обучения и глубокого обучения имеют огромный потенциал и позволяют имитировать процессы воспоминаний, сопоставления шаблонов и данных в человеческом мозгу с высокой скоростью и точностью.

Глубокое обучение и машинное обучение – сложные процессы, которые требуют постоянного вовлечения компетентных специалистов. Эти технологии все еще имеют огромный потенциал для развития, поскольку они абсолютно не совершенны и не способны предоставлять точные результаты в некоторых комплексных сферах. Компания AMD, также, как и Intel, постоянно занимается совершенствованием этих процессов, чтобы увеличить пользу и точность ГО и МО. Совсем скоро мы увидим, как практически совершенный искусственный интеллект выполняет настолько сложные задачи, которые не смог бы выполнить ни один человек на земле.