Заменит ли человека искусственный интеллект?

Так называемый «искусственный интеллект" уже справляется с широким спектром задач. С помощью множества современных технологий, совокупность которых названа искусственным интеллектом, на данный момент усовершенствована система образования, улучшен рабочий процесс сотрудников в самых разных сферах деятельности (включая как экспертов в области интернет-технологий, так и рабочих в сфере производства).

Актуальность: с каждым днем диапазон задач, которые может решить «искусственный интеллект» значительно возрастает. Такими же темпами растет количество людей, которые задумываются о том, не заменит ли человечество «искусственный интеллект»?

По этой причине между людьми возникает множество споров. В ходе проекта я постараюсь определить существование и возможности искусственного интеллекта.

Цель: Изучить вопрос о существовании и возможностях искусственного интеллекта. Ответить на вопрос: «Заменит ли человека искусственный интеллект?»

Задачи:

Проанализировать мнения экспертов, найденные в Интернете, о существовании и возможностях искусственного интеллекта. Сделать выводы.
С помощью ресурсов из Интернета и личного опыта выявить разницу между понятиями «нейронная сеть» и «искусственный интеллект»
Изучить типы, структуру, устройство и назначение нейронных сетей (а также искусственного интеллекта) с помощью ресурсов из Интернета и личного опыта.
Спланировать, разработать и создать собственную нейронную сеть на языке программирования Python.
На основе выводов, полученных из личного опыта в ходе разработки собственной нейронной сети, сделать выводы о возможностях, сложности создания и перспективе развития направления нейронных сетей.
На основе выводов, полученных в ходе изучения возможностей «искусственного интеллекта», провести анализ и сравнить возможности нейронных сетей и задачи, поставленные перед человеком (включая бытовые и профессиональные). Сделать выводы.
Ответить на вопрос: «Заменит ли человека искусственный интеллект?», основываясь на экспертном мнении, личном опыте (в том числе, полученном в ходе разработки собственной нейронной сети), результатах сравнения и анализа возможностей нейронных сетей и задач человека.
Защитить проект.

ГЛАВА 1. ЗАМЕНИТ ЛИ ЧЕЛОВЕКА ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ?

1.1 Определение искусственного интеллекта

Данные об определении понятия «искусственный интеллект» широко распространены в сети Интернет и часто имеют значимые различия между собой, в зависимости от источника.

Таким образом, для примера можно взять одну из самых популярных электронных энциклопедий — веб-сайт ru.wikipedia.org[2]. На данном сайте приведены несколько определений:

Научное направление, в рамках которого ставятся и решаются задачи аппаратного или программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными.
Свойство интеллектуальных систем выполнять функции (творческие), которые традиционно считаются прерогативой человека. При этом интеллектуальная система — это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Структура интеллектуальной системы включает три основных блока — базу знаний, решатель и интеллектуальный интерфейс, позволяющий вести общение с ЭВМ без специальных программ для ввода данных.
Направление в информатике и информационных технологиях, задачей которого является воссоздание с помощью вычислительных систем и иных искусственных устройств разумных рассуждений и действий.
Способность системы правильно интерпретировать внешние данные, извлекать уроки из таких данных и использовать полученные знания для достижения конкретных целей и задач при помощи гибкой адаптации.

Более понятным будет определение, под которым люди чаще всего и подразумевают понятие интеллекта: «Интеллект — способность системы создавать в ходе самообучения программы (в первую очередь эвристические) для решения задач определённого класса сложности и решать эти задачи» [2]

Вывод: искусственный интеллект (Artificial Intelligence(AI)) (далее ИИ)— самообучающаяся программа, способная ставить и решать задачи (включая те, которые у человека считаются творческими), подстраиваясь под условия.

1.2 Анализ мнений о возможностях ИИ

До сих пор между людьми часто возникают споры. Кто-то говорит о том, что если не в ближайшие дни, то в ближайшие годы точно произойдет так называемое «восстание машин», в ходе которого человечество прекратит свое существование благодаря своим же творениям. Другие считают, что разума, в привычном его понимании, у техники нет. Ниже приведены мнения с разных источников насчет этого вопроса.

С сайта vc.ru[3]: «Искусственного интеллекта не существует. На этом, в принципе, мы могли бы завершить статью, но предчувствуем волну протестов/вопросов/сомнений и потому коротко и понятно рассказываем, что сегодня подразумевают под искусственным интеллектом (далее ИИ).

Не ИИ, а алгоритмы

Итак, как мы и сказали, ИИ, как такового, не существует на данный момент. А в повседневной жизни мы сталкиваемся с алгоритмами машинного обучения, использующими нейронные сети. Причём чаще всего человек встречается с узкопрофильными моделями алгоритмов, которые могут выполнять одну задачу, но делают это максимально точно»

С сайта gazeta.ru[4]: «— Сильного ИИ сейчас не существует, но на уровне концепции подразумевается, что он способен к самообучению, определению для себя целей и выбору средств для их достижения. Подразумевается, что сильный ИИ должен по когнитивным способностям быть на уровне человека, а с учетом технологических и вычислительных возможностей, даже превосходить его. Текущий ИИ в основном решает конкретные задачи, все разноплановые. У вас есть в телефоне «умный» поиск, который по картинке с телефона может найти предмет, похожий на сумку, которую вы видите на экране смартфона своей подруги. Или у вас есть голосовой ассистент. Это тоже пример слабого ИИ.»

Если продолжать изучать подобные статьи, то можно выделить одну закономерность. Люди называют искусственным интеллектом две разные вещи, не замечая этого. Таким образом, ИИ можно разделить на две группы:

Сильный (Artificial Super Intelligence (ASI)) — интеллект, подобный человеческому. Способность к самообучению, адаптации. Умение решать широкий спектр задач, при этом без дополнительного вмешательства со стороны создателя. На данный момент не существует.
Слабый (Artificial Narrow Intelligence(ANI)) — привычный для человека алгоритм, способный решать определенную задачу узкой направленности. Без дополнительного вмешательства род задач не меняет.

Примеров слабого ИИ можно назвать много уже сейчас. Определение объекта на фото, генерация краткого пересказа текста, распознавание рукописного текста, считывание эмоций на лице и др.

Исходя из этих данных можно подойти к следующему этапу: отличия сильного ИИ от слабого (нейронной сети)

1.3 Отличия ИИ от нейронных сетей

Часто люди путают два абсолютно разных понятия. Стоит научиться их отличать, так как без этого будет невозможно ответить на главный вопрос этого проекта.

Определения ИИ были приведены выше.

Понятие нейронной сети можно взять с того же сайта[1]:

Нейронная сеть (также искусственная нейронная сеть, ИНС, или просто нейросеть) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.

То есть, уже на данном этапе можно провести аналогию между ИНС и человеческим мозгом, а также найти различие между ИНС и ИИ. Стоит вывести краткие определения, показывающие различия:

ИИ — программа, способная выявлять и решать задачи на уровне человека (В том числе творческие). А также без стороннего вмешательства расширять спектр возможностей.

Нейросеть — программа, способная решать задачи только узко определенного вида. Без вмешательства принцип работы не меняет.

Таким образом, можно выявить, что в качестве сходства эти программы имеют в основном только самообучение. Искусственным интеллектом можно назвать только программу, которая состоит из множества нейронных сетей и способна воспроизводить новые, при этом соблюдает вышеупомянутые условия. Далее стоит подробно разобрать

структуру и типы нейронных сетей (т. к. выше было доказано, что ИИ на данный момент не существует)

1.4 Типы, структура, устройство и назначение нейронных сетей

Невозможно понять, на что способна нейросеть, если не изучить, что она из себя представляет.

1.4.1 Что собой представляет нейронная сеть?

На самом деле, несмотря на то, что нейросеть это математическая модель, у нее очень много общего с устройством человеческого мозга. Если рассматривать мозг на клеточном уровне, то можно обнаружить множество нейронов, которые передают друг другу сигналы.

Общее устройство простейшей нейронной сети можно рассмотреть на схеме

(см. рис. 1)

рис 1. схема простейшей нейросети

Если объяснять принцип работы простым языком, то получится следующее:

В программу подаются данные в виде массива чисел, в нейронах эти числа проходят определенную обработку с помощью математических операций, на выходе получается результат.

рис 2. Схема работы нейрона

Работа нейрона зависит от нейронной сети (далее НС), но для пониманий можно взять обычную НС прямого распространения (та нейросеть, в которой данные проходят по слоям поочередно, в одном направлении (см. рис. 1)), а так же в ней каждый нейрон соединен с каждым нейроном предыдущего слоя.

Найти данные, которые выдаст нейрон можно по простой формуле:

, где xn — входное число, ω — вес (коэффициент, на который умножается входное число), b — коэффициент смещения (будет рассмотрен позднее), — функция активации.

Функция активации нужна для того, чтобы привести значение нейрона в определенный диапазон (чаще всего от 0 до 1) для возможности работы с этими данными. Чаще всего пользуются следующими функциями:

Пороговая

Сигмоидальная

ReLU

Используется реже остальных, для примитивных НС. Часто вместо нуля встречается другой порог.

Ранее использовалась для большинства НС, сейчас используется только в качестве обучения

Довольно популярна и в наше время, используется в НС до среднего уровня.

После того как нейрон обработал данные, он передает их во все нейроны следующего слоя.

Главная проблема, что веса (ω) и смещение (b) на практике заранее никогда неизвестны. В этом и заключается задача обучения НС, которое будет рассмотрено позднее.

1.4.2 Типы нейронных сетей

Очевидно, что для разных задач используются принципиально разные НС. Рассмотрим самые популярные из них:

Персептрон или НС прямого распространения (FFNN) — НС с простым устройством, в которой входные данные поочередно проходят слои в одном направлении.
Рекуррентная сеть (RNN) — в отличие от первой, имеет вычислительные «петли» для того, чтобы сохранять предыдущие входные данные и производить более точные вычисления. Лучше принимает последовательные данные (временной ряд или естественный язык) рис 3. Многообразие НС
Сверточная нейросеть (CNN) — принимает двумерные форматы данных (изображения, видео и подобные.)

1.4.3 Назначение нейронных сетей

Уже на данный момент НС имеют широкое применение в самых разных областях. Если не касаться обширной области робототехники (используя которую вместе с задатками ИИ, можно заменить человека в опасных профессиях), то можно выделить основные задачи:

Классификация. С помощью техники стало возможно определение рукописного текста, классифицировать вид животного и т. д. На данный момент это можно сделать с помощью НС прямого распространения
Прогнозирование. Часто нужно предсказать курсы валют, погодные условия или другое действие, которое, возможно, произойдет в будущем.
Кластеризация. Задача, схожая с классификацией, только при классификации должно быть известно количество классов, а при кластеризации нейронная сети распределяет объекты по схожим признакам на свое усмотрение.
Генерация. В наши дни популярно явление, когда программа сама по запросу генерирует текст, картинку или видео. Это стало возможным тоже благодаря нейросетям.

1.4.4 Обучение нейронных сетей

Чтобы определить весовые значения и значения смещений НС должна обучиться. Обучение происходит двумя способами:

«С учителем». Нейронной сети предоставляется набор входящих данных, а также те, которые должны быть на выходе. Если программа правильно обработала данные, то процент ошибки снижается. В противном случае коэффициенты корректируются различными сложными алгоритмами и обучение продолжается.
«Без учителя». Данные подаются только на вход, в таком случае нейросеть должна сама понять закономерность и судить о правильности своих решений в зависимости от последствий. Данный метод применяется в тех случаях, когда результат заранее неизвестен.

Основной смысл процесса обучения можно понять, изобразив график зависимости значений ошибки от веса. Главная цель — найти вес, при котором будет достигнут минимум этого графика.

ГЛАВА 2. ПРАКТИЧЕСКАЯ ЧАСТЬ

2.1 Общая цель

Самым действенным путем определить возможности так называемого ИИ будет не только анализ мнений экспертов в данной области, но и осознание особенностей разработки на личном опыте.

В качестве примера будет взята нейронная сеть, определяющая по изображению рукописные цифры.

В качестве языка программирования будет использован Python (3.10.0), т.к. он легок в изучении и используется в большинстве случаев машинного обучения. Интерактивная среда разработки — Microsoft Visual Studio Code.

2.2 Этапы разработки

Первым делом стоит создать главный файл, содержащий саму программу и подключить необходимые библиотеки (Приложение 1). Библиотека numpy нужна для осуществления математических вычислений, а matplotlib для визуализации данных.

import numpy as np

import matplotlib.pyplot as plt

Далее импортируем вспомогательный файл

import loadf

После импорта следует его создать и написать в нем функцию, которая загрузит набор из шестидесяти тысяч картинок с рукописными цифрами. Этот набор находится в свободном доступе и для удобства обработки все изображения имеют разрешение 28*28 пикселей.

Код вспомогательного файла loadf.py (Приложение 2):

import numpy as np

#Функция, загружающая набор картинок рукописных цифр

def load_dataset():

with np.load("mnist.npz") as f:

#изменение цветового формата

x_train = f['x_train'].astype("float32") / 255

# переформирование (60000, 28, 28) в (60000, 784)

x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1] * x_train.shape[2]))

y_train = f['y_train']

y_train = np.eye(10)[y_train]

return x_train, y_train

Далее можно продолжить работу в главном файле (Приложение 1):

images, labels = loadf.load_dataset()

#Заполнение весов и смещений случайными значениями

weights_input_to_hidden = np.random.uniform(-0.5, 0.5, (20, 784))

weights_hidden_to_output = np.random.uniform(-0.5, 0.5, (10, 20))

bias_input_to_hidden = np.zeros((20, 1))

bias_hidden_to_output = np.zeros((10, 1))

#Определение параметров обучения

epochs = 3

e_loss = 0

e_correct = 0

learning_rate = 0.01

for epoch in range(epochs):

print(f"Эпоха №{epoch}")

for image, label in zip(images, labels):

image = np.reshape(image, (-1, 1))

label = np.reshape(label, (-1, 1))

#Прямое распространение (скрытый слой)

hidden_raw = bias_input_to_hidden + weights_input_to_hidden @ image

hidden = 1 / (1 + np.exp(-hidden_raw)) # sigmoid

#Прямое распространение (выходной слой)

output_raw = bias_hidden_to_output + weights_hidden_to_output @ hidden

output = 1 / (1 + np.exp(-output_raw))

# Вычисление коэффициента ошибки

e_loss += 1 / len(output) * np.sum((output - label) ** 2, axis=0)

e_correct += int(np.argmax(output) == np.argmax(label))

#Обратное распространение (выходной слой)

delta_output = output - label

weights_hidden_to_output += -learning_rate * delta_output @ np.transpose(hidden)

bias_hidden_to_output += -learning_rate * delta_output

#Обратное распространение (скрытый слой)

delta_hidden = np.transpose(weights_hidden_to_output) @ delta_output * (hidden * (1 - hidden))

weights_input_to_hidden += -learning_rate * delta_hidden @ np.transpose(image)

bias_input_to_hidden += -learning_rate * delta_hidden

# Вывод информации отладки

print(f"Loss: {round((e_loss[0] / images.shape[0]) * 100, 3)}%")

print(f"Accuracy: {round((e_correct / images.shape[0]) * 100, 3)}%")

e_loss = 0

e_correct = 0

По ходу исходного кода можно проследить следующие действия:

Были сгенерированы коэффициенты весов и смещения, так как изначально они неизвестны.
Далее определены переменные параметров обучения: количество итераций (Эпох) обучения, процент ошибочного и верного ответа.
После запущены прямое и обратное распространение три раза, после чего НС уже умеет распознавать цифры с достаточно большой точностью.

Обучение НС использует значительную мощность устройства и занимает немало времени по меркам программ. В итоге три эпохи обучения заняли около тридцати секунд и вот что вышло в итоге.

После первой итерации процент правильных ответов НС составил около 85%, после второй уже 93%, а после третьей почти 94%.

То есть даже после того, как через нейронную сеть прошло сто восемьдесят тысяч изображений, примерно каждые 17-18 изображений она может ошибаться. Соответственно, чтобы обучить нейронные сети распознавать лица, водить машину требуется очень много времени и ресурсов.

2.3 Выводы о возможностях

На разработку вышеупомянутой нейронной сети ушло несколько часов, но она уже может по изображению определять рукописные цифры. Это большой шаг в развитии так называемого компьютерного зрения, которое с помощью обычной камеры позволяет распознавать многие объекты для их дальнейшей обработки

К тому же, мой проект имеет огромный спектр направлений для развития. Можно научить нейросеть распознавать цифры по изображениям разных разрешений, цветов и многое другое.

ЗАКЛЮЧЕНИЕ

Основной целью этого проекта было ответить на вопрос «Заменит ли человека искусственный интеллект?» И, на самом деле, это очень некорректный вопрос. Заменит как? Заменит в чем?

У человечества, кроме положительных сторон, есть множество недостатков. Если рассматривать человека только со стороны работы, то состояние здоровья, чувства, эмоции — все это может помешать максимально эффективному выполнению задачи. Нужно ли при создании искусственного интеллекта также создавать ему симуляцию человеческих эмоций? Безусловно, создать точную копию биологического характера не получится, но если дать нейросети миллионы примеров поведения, то она сможет воссоздать его на более чем 99%.

Часто в наши дни людей волнует, что ИИ, когда появится, отберет все рабочие места. Но почему-то не учитывают при этом, что обучить при этом нейросеть может быть в тысячи раз дольше и дороже. К тому же содержать при этом вычислительное устройство будет очень невыгодно по сравнению с человеком. А еще есть опасные виды работ, выполняя которые человек сильно рискует, не лучше было бы вместо человека этим заняться устройству, которое сможет сделать все безопаснее и точнее.

Еще существует теория так называемого «восстания машин». Многие задумываются о том, что при сильном развитии искусственный интеллект может «поработить» человечество. Стоит лишь немного изучить сущность искусственных нейронных сетей и все сразу становится ясно. Чтобы захватить всех людей на Земле, ИИ сначала должен научиться это делать. К тому же, даже гипотетически, как он будет это делать? Нужно огромное количество вооружения, которое может предоставить только человек. Из этого складывается только один вывод: ИИ может захватить человека только с помощью самих людей.

Так что однозначного ответа на вопрос просто не существует. Заменит ли искусственный интеллект человека? Частично уже заменил. Но на все 100% человека сможет заменить только другой человек.