Маргарита Акулич
Искусственный интеллект и маркетинг
© Маргарита Акулич, 2021
ISBN 978-5-4490-5350-3
Создано в интеллектуальной издательской системе Ridero
Предисловие
В книге даны основные понятия, связанные с искусственным интеллектом, его историей и развитием. Возможно, это будет интересно как маркетологам, так и не маркетологам.
Раскрыты аспекты использования искусственного интеллекта: в маркетинге, в рекламе, в поисковых системах, в мобильном маркетинге.
Приведено описание ряда примеров лучшего программного маркетингового обеспечения и технологий, основанных на искусственном интеллекте.
I Основные понятия, связанные с искусственным интеллектом, его историей и развитием
1.1 Понятие искусственного интеллекта, его история и хронология
Понятие искусственного интеллекта
Под искусственным интеллектом (artificial intelligence – AI, также машинным интеллектом, machine intelligence – MI) понимается интеллект, демонстрируемый машинами, в отличие от интеллекта естественного (NI – natural intelligence), присущего людям и животным. В области компьютерных наук исследование AI определяется как исследование «интеллектуальных агентов»: любого устройства, воспринимающего окружающую среду и принимающего меры, максимизирующие их шансы на успешное достижение своих целей.
Применение термина «искусственный интеллект» распространяется на случаи, когда машиной имитируются «когнитивные» функции, которые люди связывают с другими человеческими умами – «обучением» и «решением проблем».
Объем AI оспаривается: по мере того, как машины становятся все более способными, задачи, требующие «интеллекта», часто удаляются из списка задач, связанных с искусственным интеллектом. Например, оптическое распознавание символов часто исключается из «искусственного интеллекта», и рассматривается как обычная технология. Возможности AI обычно включают в себя:
успешное понимание человеческой речи;
конкурирование на самом высоком уровне в стратегических игровых системах (таких, как шахматы и Go);
автономные автомобили;
интеллектуальную маршрутизацию в сетях доставки контента; военное моделирование и интерпретацию сложных данных, включая изображения и видео.
Основание AI в качестве академической дисциплины произошло в 1956 году. Он испытал несколько волн оптимизма, за которым последовало разочарование и потеря финансирования (известная как «зима AI») а после к нему применялись новые подходы, он переживал успех и возобновление финансирования.
На протяжении большей части своей истории исследования AI были разделены на подполя, часто не взаимодействующие друг с другом. Эти подполя основаны на технических соображениях, таких как конкретные цели (например, «робототехника» или «машинное обучение»), использование конкретных инструментов («логика» или «нейронные сети») либо глубокие философские различия. Подполья также были основаны на социальных факторах (на отдельных учреждениях или на работе отдельных исследователей).
Традиционные проблемы (или цели) исследований AI включают в себя рассуждения, знания, планирование, обучение, обработку естественного языка, восприятие и способность двигаться и манипулировать объектами.
Общий интеллект входит в число долгосрочных целей. Подходы включают статистические методы, вычислительный интеллект и традиционный символический AI. В AI практикуется использование многих инструментов, включая версии поиска и математической оптимизации, нейронные сети и методы, основанные на статистике, теории вероятности и экономике. Поле AI опирается на информатику, математику, психологию, лингвистику, философию и др.
Поле было основано на утверждении, что человеческий интеллект может быть настолько точно описан, что машина способна его имитировать. Это поднимает философские аргументы о природе ума и этике создания искусственных существ, наделенных человекоподобным интеллектом. Некоторые люди считают AI опасностью для человечества, если он станет неослабно прогрессировать. Другие полагают, что AI, в отличие от предыдущих технологических революций, создаст риск массовой безработицы.
В двадцать первом веке методы AI испытали возрождение после одновременных успехов в компьютерной силе, больших объемах данных и теоретическом понимании; и методы AI стали неотъемлемой частью технологической отрасли, помогая решать многие сложные проблемы в информатике.
Об истории искусственного интеллекта и его хронологии
Появление способных мыслить искусственных существ связано с древними историями, с идеей о построении машины, выполняющей полезные рассуждения. Возможно, начало этому положил Рамон Ллойлл (примерно 1300 г. н.э.).
Готфридом Лейбницем и его коррелятором концепция исчисления вычислительной машины была расширена (инженерия Шиккарда впервые появилась приблизительно в 1623 году), он при этом нацеливался на выполнение операций над концепциями, но не над цифрами.
Начиная с XIX столетия получило распространение искусственных существ в художественной литературе (примеры – «Франкенштейн» Мэри Шелли и «Универсальные роботы» Карела Чапека).
Если говорить об изучении механических или «формальных» рассуждений, то его начали древние философы и математики. Изучалась математическая логика, это привело к появлению теории вычислений Алана Тьюринга, в ней было предположено, что машиной, перемещающей символы типа «0» и «1», возможно моделирование любого мыслимого акта математической дедукции. Благодаря этому пришло понимание, что цифровыми компьютерами могут имитироваться любые процессы формальных рассуждений, что стало известно как тема Церкви-Тьюринга.
Начали происходить параллельные открытия в таких областях как неврология, теория информации и кибернетика. И исследователи задумались над возможностью создания электронного мозга.
Общепризнано, что первая работа в области AI – это работа по формальному дизайну Маккуллуша и Питса, предназначенная для «искусственных нейронов» Тьюринга, она относится к 1943 году.
Рождение области исследования AI произошло в 1956 году, в Дартмутском колледже. Основателями и лидерами исследований AI считают Аллена Ньюэлла, Герберта Саймона, Джона МакКарти, Марвина Мински и Артура Самуэля. Ими и их учениками были созданы «удивительные» программы. Компьютерами изучались шашечные стратегии (c. 1954 года), а к 1959 году они продемонстрировали лучшую по сравнению со средним человеком игру. Компьютеры занимались решением проблемы слов в алгебре, доказывая логические теоремы (первый запуск «Логического теоретика», говорящего по-английски, произошел в 1956 году).
К 1960-м годам (к их середине) исследования в области AI в США в значительной мере финансировались Министерством обороны, по всему миру создавались лаборатории. Данное обстоятельство вселило оптимизм в создателей AI.
Гербертом Саймоном было предсказано, что «машины будут способны в течение двадцати лет выполнять любую работу, которую может сделать человек». Марвин Мински написал [2]:
«В течение одного поколения… проблема создания» искусственного интеллекта «будет существенно решена».
Однако, им не удалось распознание некоторых трудностей, связанных с решением соответствующих задач. Джеймс Лайтхилл сталкивался с критикой и постоянным давлением со стороны Конгресса США в отношении финансирования. Это замедлило прогресс. В 1974 году исследования в области AI были прекращены. Для AI началась «зима», когда на протяжении ряда лет получение финансирования проектов AI было весьма проблематичным.
В 1980-х годах (в их начале) произошло возрождение исследований AI благодаря коммерческому успеху экспертных систем, формы программы AI, имитировавшей знания и аналитические навыки экспертов-людей.
К 1985 году рынку AI удалось достичь более миллиарда долларов США. Создание японского компьютерного проекта пятого поколения привело к восстановлению финансирования научных исследований правительствами США и Великобритании. Но в 1987 году рынок Lisp Machine потерпел крах. И AI вновь впал в немилость. Вновь им прекратили заниматься.
В период конца 1990-х – начала XXI столетия началось использование AI в таких областях как логистика, добыча данных, медицинская диагностика и др. Это произошло из-за увеличения вычислительной мощности, большего сосредоточения на решении конкретных проблем, новых связей между AI и иными областями, а также приверженности исследователей научным стандартам и математическим методам.
В 1997 года (одиннадцатого мая) первой компьютерной шахматной системой Deep Blue был побежден Гарри Каспаров, главный чемпион мира по шахматам.
Использование расширенных методов (известных как методы глубокого свободного обучения), доступа к большим объемам данных и быстрых компьютеров привело к достижениям в области машинного обучения и восприятия.
К 2010 году (к его середине) имело место использование приложений машинного обучения во всем мире. В 2016 году состоялся выигрыш AlphaGo четырех из пяти игр Go в матче с чемпионом GoLee Седолом. AlphaGo превратилась в первую компьютерную Go-play систему, способную беспрепятственно обеспечить победу над профессиональным игроком.
В 2017 году будущей Go Summit, AlphaGo были выиграны 3 матча с Ке Цзе, занимавшим первое место в мире на протяжение двухлетнего периода. Завершилась важная веха в развитии AI, Go является гораздо более сложной игрой в сопоставлении с шахматами.
2015 год для AI стал годом знаковым. Произошло заметное увеличение программных проектов, использующих AI в Google и существенное сокращение показателей ошибок в задачах из-за увеличения доступных нейронных сетей по причине роста инфраструктуры облачных вычислений, увеличения числа исследовательских инструментов и наборов данных.
Примерами использования AI является разработка Microsoft системы Skype, обеспечивающей автоматический перевод с одного языка на другой и система Facebook, способная делать описания изображений для слепых людей.
1.2 Рассуждение, решение проблем. Представление и технология знаний
Рассуждение, решение проблем
Общей целью исследований в области AI является цель создания технологии, позволяющей компьютерам и машинам работать интеллектуально. Общая проблема моделирования (или создания) интеллекта была разбита на субадреса. Они состоят из определенных особенностей или возможностей, в отношении которых исследователи ожидают, что будет отображаться интеллектуальная система. Основные черты, описанные ниже, получили наибольшее внимание.
Ранние исследователи разработали алгоритмы, имитирующие пошаговые рассуждения, они используются людьми, решающими головоломки или делающими логические выводы.
К концу 1980-х и к 1990-м годам в рамках исследований AI были разработаны методы борьбы с неопределенной или неполной информацией с помощью применения концепций теории вероятности и экономики.
Для сложных задач алгоритмов может потребоваться огромное количество вычислительных ресурсов – большинство из них сталкивается с феноменом «комбинаторного взрыва»: объем памяти или требуемое компьютерное время становится астрономическим для задач определенного размера. Поиск более эффективных алгоритмов решения проблем является высоко приоритетным.
Люди обычно используют быстрые, интуитивные суждения, а не поэтапный вывод, что раннее исследование AI могло моделировать. AI продвигался с использованием «подсимвольного» решения проблем: воплощенные подходы агента подчеркивают важность сенсомоторных навыков для более высоких рассуждений; исследование нейронной сети пытается имитировать структуры внутри мозга, порождающие это умение; статистические подходы к AI имитируют способность человека угадывать.
Представление и технология знаний
Онтология – это знание, рассматриваемое как набор понятий внутри домена и как взаимоотношения между этими понятиями.
Если говорить об исследовании AI, то в нем особое место отводится представлению и технологии знаний. Многим из проблем, решение которых будет осуществляться машинами, потребуются обширные знания о мире.
AI должен нацеливаться на представление: объектов, свойств, категорий и отношений между объектами; ситуаций, событий, состояний и времени; причин и последствий; знаний о знании; и многих иных, менее хорошо исследованных доменов. Представление «того, что существует» – это онтология. Она состоит из набора объектов, отношений, понятий и свойств, формальным образом описанных, чтобы они могли быть интерпретированы программными агентами. В семантику они захватываются как описания логических понятий, ролей и отдельных лиц, и, они, как правило, реализуются в виде классов, свойств и частных лиц в Web – онтологиях языка.
Если рассматривать онтологии, то они считаются онтологиями верхними, стремящимися к обеспечению базы для всех иных знаний, выступающими в качестве посредников между онтологиями доменов, охватывающих конкретные знания о конкретной области знаний (области интересов или области, вызывающие озабоченность).
Если знания формализованы, они являются пригодными для индексирования и поиска на основе контента, интерпретации сценариев, поддержки клинических решений, обнаружения знаний с помощью автоматизированных рассуждений (вывод новых заявлений на основе явно заявленных знаний) и т. д. Видеорепортажи часто представляются в виде правил SWRL, их реально использовать, скажем, для автоматического создания субтитров для ограниченного видео.
Среди наиболее сложных проблем в представлении знаний следующие.
Определение по умолчанию и проблема квалификации. Многие вещи, которые люди знают, принимают форму «рабочих предположений». Например, если в разговоре появляется птица, люди обычно изображают животное размером с кулак, она поет и летит. Ни одна из этих вещей не относится ко всем птицам.
Джон МакКарти определил эту проблему в 1969 году как проблему квалификации: для любого правила здравого смысла, которое должны представлять исследователи AI, существует обычно огромное количество исключений. Почти нет ничего истинного или ложного в том, чего требует абстрактная логика. Исследованиями AI охватывается ряд решений этой проблемы.
Широта знаний здравого смысла. Число атомных фактов, известных среднему человеку, очень велико. Исследовательские проекты, пытающиеся построить полную базу знаний здравого смысла (например, Cyc), требуют огромного количества трудоемкой онтологической инженерии – они должны быть построены вручную с одной сложной концепцией за раз.
Основная цель состоит в том, чтобы компьютер понимал достаточно понятий, чтобы учился, читая из таких источников, как Интернет, и тем самым мог бы добавить к своей собственной онтологии.
Подсимвольная форма некоторого знания здравого смысла. Многое из того, что знают люди, не представлено в виде «фактов» или «заявлений», которые они могли бы выразить в устной форме. Например, мастер шахмат избежит определенной шахматной позиции, потому что он при ней «чувствует себя слишком разоблаченным», или искусствовед может взглянуть на статую и понять, что это подделка. Это бессознательные и субсимволические интуиции или тенденции в мозге человека. Знания, подобные этому, информируют, поддерживают и предоставляют контекст для символических, сознательных знаний. Как и в связанной с этим проблеме подсимвольных рассуждений, есть надежда, что вычислительный AI или статистический AI обеспечит способы представления такого рода знаний.
1.3 Планирование. Машинное обучение
Планирование
Иерархическая система управления представляет собой форму системы управления, в которой множество устройств и программного обеспечения расположены в иерархии.
Интеллектуальные агенты должны иметь возможность устанавливать цели и добиваться их. Им нужен способ визуализировать будущее – представления состояния мира, они должны иметь возможность делать прогнозы о том, как их действия изменят его, и иметь шанс делать выбор, максимизирующий полезность (или «ценность») доступных вариантов.
В классических задачах планирования агент может предположить, что он является единственной действующей в мире системой, позволяющей ему быть уверенным в последствиях своих действий. Однако, если агент не единственный актер, то от агента потребуется, чтобы он мог обосновать неопределенность. Это требует наличия агента, способного не только оценить свою среду и сделать прогнозы, но и оценить свои прогнозы, и адаптироваться на основе их оценки.
Многоагентным планированием используется сотрудничество и конкуренция многих агентов для достижения заданной цели. Возникающее поведение, такое как это, используется эволюционными алгоритмами и искусственным интеллектом.
Машинное обучение
Машинное обучение, являющееся фундаментальной концепцией исследований AI с момента его создания, занимается изучением компьютерных, автоматически улучшающихся благодаря опыту алгоритмов.
Под неконтролируемым обучением принято понимание способности нахождения шаблонов в потоке ввода. В него включается классификация и численная регрессия. Использование классификации служит определению того, к какой из категорий причисляется обучение. Классификация производится путем просмотра примеров из ряда категорий. Регрессию понимают как попытку создания функции, описывающей взаимосвязь между входами и выходами и предсказания изменений выходных данных при изменении данных входных.
В обучении для подкрепления агента вознаграждают за ответы, считающиеся хорошим, и наказывают за ответы, относящиеся к плохим. Агентом эта последовательность вознаграждений и наказаний используется для формирования стратегии работы в собственном проблемном пространстве.
Все типы обучения можно проанализировать с позиций теории принятия решений с использованием такого понятия, как утилита.
Если говорить о математическом анализе алгоритмов машинного обучения и их эффективности, это имеет отношение к теоретической информатике, известной как теория вычислительного обучения.
В рамках развития робототехники происходит разработка подходов к обучению, чтобы имело место развитие, содействующее накоплению роботами репертуара новых навыков благодаря автономному самопознанию, социальному взаимодействию с преподавателями-людьми и использованию механизмов наведения (использованию активного обучения, созревания, синергии двигателя и т. д.).
1.4 Обработка естественного языка. Восприятие машины и область робототехники
Обработка естественного языка
Дерево разбора представляет собой синтаксическую структуру предложения в соответствии с некоторой формальной грамматикой.
Обработка естественного языка дает машинам возможность читать и понимать человеческий язык. Достаточно мощная система обработки естественного языка позволит использовать пользовательские интерфейсы на естественном языке и получить знания непосредственно из письменных источников, таких как тексты новостей. Некоторые простые приложения обработки естественного языка включают в себя поиск информации, интеллектуальную обработку текста, ответы на вопросы и машинный перевод.
Общим методом обработки и извлечения смысла из естественного языка является семантическая индексация. Хотя для этих индексов требуется большой объем ввода пользователя, ожидается, что увеличение скорости процессора и снижение затрат на хранение данных приведут к повышению эффективности.
Восприятие машины и область робототехники
Восприятие машины – это возможность использовать входные сигналы от датчиков (таких, как камеры, микрофоны, тактильные датчики, гидролокатор и другие) для вывода аспектов мира. Компьютерное зрение – это способность анализировать визуальный ввод. Несколько выбранных подзадач – распознавание речи, распознавание лиц и распознавание объектов.
Область робототехники тесно связана с AI. Интеллект необходим, чтобы роботы обрабатывали такие задачи, как манипулирование объектами и навигация, с такими проблемами, как локализация, сопоставление и планирование движения. Эти системы требуют, чтобы агент мог: быть пространственно осведомленным о своем окружении, учиться и строить карту своей среды, выяснять, как добраться из одной точки в пространстве в другую, и выполнять это движение (оно часто связано с совместимым движением, процессом, в котором движение требует поддержания физического контакта с объектом).
