Гибриды человека и искусственного интеллекта появятся в 2022 году, считает директор Центра компетенций Национальной технологической инициативы "Технологии машинного обучения и когнитивные технологии" на базе университета ИТМО (Санкт-Петербург) Александр Бухановский.
В беседе с РИА Новости он спрогнозировал пять трендов 2022 года в области когнитивных технологий.
Под первым номером Бухановский назвал когнитивные "кентавры", или гибридные системы поддержки принятия решений, принцип работы которых основан на совместном итеративном решении сложной задачи человеком и искусственным интеллектом (ИИ). Причем они будут действовать на равных, в отличие от классического подхода, когда человек выступает и "учителем", и мерилом качества для искусственного интеллекта, отметил собеседник агентства.
Эти технологии необходимы в ситуациях, когда решаемая задача сложна для восприятия человеком, пояснил он.
"Для распознавания ношения масок на фотографиях такой подход явно избыточен - здесь справятся и классические методы машинного зрения, а вот, например, для управления крупной промышленной компанией – самое то", - отметил эксперт.
Следующим трендом, по мнению Бухановского, станет так называемый генеративный дизайн социотехнических систем.
"Обычно под генеративным дизайном понимают применение искусственного интеллекта для задач автоматического проектирования, когда необходимо создать цифровое описание объекта реального мира, соответствующего априорным требованиям. Для обычных технических систем этот подход не является новым", - пояснил Бухановский.
Тем не менее прямой перенос такого подхода на социотехнические системы (например, организационные схемы работы предприятий) напрямую невозможен – люди вносят (в том числе умышленно) дополнительный фактор неопределенности, который не позволяет применять существующие методы оптимизации и даже утверждать, что решение такой задачи возможно, добавил эксперт. Однако подход со стороны методов искусственного интеллекта позволяет обойти эту проблему, сказал Бухановский.
Потому в будущем можно ожидать, что ИИ, например, сможет проектировать производственную линию вместе с требованиями к персоналу, графиком их труда, а также HR-стратегией, направленной на развитие и удержание квалифицированных сотрудников, отметил собеседник агентства.
Третьим трендом-2022 станут композитные технологии автоматического машинного обучения "для понимания человеком, но на "нечеловеческой" логике", считает Бухановский.
По его словам, системный дефицит специалистов по работе с большими данными заставляет задуматься о возможности замены их системами искусственного интеллекта, которые могут выполнять тот же самый творческий процесс – формировать решение прикладной задачи на основе существующих методов машинного обучения.
К сожалению, подходы экспертного характера, основанные на описании лучших "человеческих" практик, оказались не так эффективны, как хотелось бы, отметил эксперт.
"Однако совершенно неожиданно позитивный результат стали показывать методы, переворачивающие эту логику "с ног на голову", то есть подбирающие удачную конструкцию модели машинного обучения, отталкиваясь от композиции всевозможных элементов (методов, алгоритмов, библиотек), обеспечивающих наилучшее решение задачи", - добавил Бухановский.
"Уже в 2021 году произошла курьезная ситуация, когда такой метод автоматически породил решение задачи о предотвращении наводнений, получившее первое место на хакатоне МЧС. При этом на него было потрачено в десятки раз меньше времени, чем обычно требуется разработчикам", - рассказал собеседник агентства.
Вероятно, далее эти тенденции только усилятся, и внедрение таких технологий приведет к тому, что недостаточно квалифицированные специалисты, решающие ту или иную задачу просто перебором разных методов, останутся невостребованными на рынке, так как "автоматика" будет делать все лучше, быстрее и дешевле, полагает Бухановский.
В качестве четвертого тренда Бухановский назвал метрологические когнитивные технологии, когда сильный искусственный интеллект "рассуждает" о качестве более слабого ИИ.
"Поскольку искусственный интеллект работает в условиях неопределенности и неполноты данных, то он, как и человек, способен совершать ошибки", - сказал эксперт.
По его словам, традиционно о качестве систем ИИ рассуждают только на основе эмпирической валидации (проверки на данных, которые не использовались для обучения).
"Но таких данных всегда мало, они фрагментарны и не всегда репрезентативны. Потому классические подходы теории измерений здесь не применимы (не с чем сравнивать), и гарантии качества носят весьма условный характер", - добавил Бухановский.
Однако развитие технологий автоматического машинного обучения позволяет строить, по сути, модели ИИ, альтернативные исходной - метрологические эталоны, которые и будут создавать недостающие данные для того, чтобы покрыть всевозможные ситуации.
"Как следствие, вопросы качества систем ИИ из чисто эмпирической области перейдут уже на единую теоретическую базу; можно будет более уверенно говорить об их стандартизации и сертификации с точки зрения единства измерений", - отметил собеседник агентства.
https://ria.ru/20220105/ii-1766599568.html
