В последние несколько лет тема искусственного интеллекта активно обсуждается, так как один из подходов к ее изучению активно набирает обороты среди крупных корпораций. Этот подход – нейросети. Еще недавно, около года назад, это слово можно было услышать отовсюду. Сегодня рассмотрим историю изучения искусственного интеллекта человечеством (оказывается, ему уже около 2000 лет) и сегодняшние реалии.
Авторы этой статьи — ребята из Jedium. Передаю им слово.
Введение
И действительно, благодаря росту вычислительных мощностей обычных компьютеров, заниматься AI на программном уровне стало удобно. Вплоть до того, что на популярных IT-источниках выкладывались статьи о том, как “написать” свою нейросеть с минимальными знаниями программирования. Однако, прежде чем углубляться в изучения нашей компании в этой сфере, мы бы хотели рассказать небольшую предысторию.
AI – это открытие не XXI века
Бурное развитие этой отрасли началось несколько лет назад, однако до этого человечество занималось изучением искусственного интеллекта уже пару тысяч лет. Начиная от Аристотеля и Декарта и заканчивая небезызвестным Джоном фон Нейманом. Последний сделал огромный вклад в разработку логики современного компьютера. Ученых, изучавших данное направление, очень и очень много. На полноценное описание истории AI уйдет не одна серия статей с длинными расшифровками и пояснениями. Цель предыстории науки об AI – передать несколько тезисов, которые будут важны для понимания того, чем занимается Jedium.
В 30-е годы прошлого столетия был бурный подъем интереса к изучению искусственного интеллекта. Ученые с разными подходами к исследованию AI добивались отличных результатов, оспаривали теории друг друга и доказывали новые. Так, например, в это время был изобретен тест Тьюринга, предполагающий, что если в разговоре с двумя собеседниками человек не может отличить AI от другого человека (разговор предполагается вести с помощью компьютерного терминала, чтобы исключить влияние голоса, внешнего вида и тому подобных дискредитирующих качеств), то перед нами полноценный AI. Самое интересное, что однажды тест был пройден. В итоге работы Тьюринга стали фундаментальной базой знаний о вычислительных системах, которые на основе вводных данных создают свои аксиомы (суждения, не требующие доказательств). Благодаря аксиомам, системы могут делать выводы по конкретным запросам от пользователя или строить предсказания с очень впечатляющей точностью. В наше время именно эти системы и стали называть нейронными сетями.
Подходов к изучению AI несколько, но стоит выделить как минимум два – с определенной семантикой и без нее. Либо мы пишем логику, либо мы пишем высоконагруженную вычислительную программу, то есть нейросеть. Однако после конца 40-х годов прошлого столетия и по настоящее время в сфере AI не наблюдалось больших прорывов. Была “зима” – спад интереса к изучению искусственного интеллекта. Это было связано с нехваткой вычислительных мощностей для построения мощных нейросетей, а подход с логической стороны оказался непосильно сложным и показывал неутешительные результаты.
Несколько лет назад вычислительных мощностей стало хватать на конструирование очень мощных нейросетей. Однако интерес к ним у обычных людей приобретает негативный тренд, тогда как у специалистов наоборот — обучение продолжается. Даже стоит сделать оговорку – нейросети все больше и больше начинают приобретать свойство обыденной и повседневной вещи. Голосовые помощники в ваших гаджетах, машинное зрение, которое вы в очередной раз используете для сканирования документов своим смартфоном, редактор фотографий и многие другие примеры. Люди к этому привыкают и “вау-эффект” вызвать все сложнее и сложнее. Поэтому есть тезис, что развитие нейросетей не будет двигаться столь же быстро в течение недалекого будущего, иными словами, наступит новая “зима”.
Но хоть работы по изучению AI в корпорациях не прекращаются, у индустрии есть серьезные проблемы, которые мешают продуктивному исследованию в этой сфере. Например, нехватка данных для обучения нейросетей. Изучая этот вывод и задавшись вопросом “откуда мы можем взять данные?”, мы обнаружили интересный подход, который может стать решением проблемы.
Живой пример
Ребята из Jedium занимаются созданием платформы, стандартизирующей и упрощающей разработку VR/AR приложений, а также созданием систем обучения. Работая в этой сфере, они обнаружили интересные исследования о так называемых “скрытых знаниях”. Скрытые знания – это навыки, которые есть у одного человека, но отсутствующие у другого. Человек со скрытыми знаниями может ими делиться. Только вся проблема кроется в названии – эти навыки скрытые, и пока человеку о них не скажут, он не знает, что они у него есть.
Скрытые знания – основа социального обучения. Если есть знания, которые один ученик может дать другим ученикам, то нагрузка на преподавателя снижается. Этот тезис практически никто пока не проверял на практике – нет специализированных программных систем. Компания двигается в этом направлении. Есть виртуальная среда, в которой можно воссоздать условия для записи скрытых знаний, и далее с помощью нее передавать их другим ученикам.
Но чтобы воспользоваться скрытыми знаниями, да и просто для создания эффективной среды обучения, нужны достаточно сильные элементы искусственного интеллекта. Например, для построения по-настоящему индивидуального обучения (Tailored Learning), основанного на пробелах в знаниях и предпочтениях каждого из них. А для этого требуются эффективные алгоритмы анализа данных, в современных реалиях – обученные нейросети.
Современный e-learning
Создавая современную систему онлайн-обучения, стоит также учесть современные тренды, а их несколько, и зачастую бывает трудно различить границу между ними:
- Переход от обучения “с учителем в центре” к обучению “с учеником в центре”. Достаточно долго в системах онлайн-обучения рассматривалась исключительно классическая парадигма — “учитель что-то рассказывает ученикам”. При этом не очень важно, какие конкретно технические средства использовались, будь то современные LMS и инструменты создания учебного контента или просто презентации, рассылаемые ученикам. Сейчас существует общее мнение, что фокусом системы обучения должен быть не преподаватель, а ученик, получающий знания из самых различных источников и формирующий свою собственную картину мира;
- Асинхронное/синхронное общение. Это несколько меньшая проблема в техническом смысле, так как сейчас нет недостатка в средствах для живого удаленного общения. Значительно большей проблемой нам кажется правильное использование подобных средств, особенно в контексте планирования обучения в целом. Несмотря на то, что концепция blended learning (смешанного обучения) уже совсем не нова, мы довольно часто сталкивались с ситуациями, когда живое общение и сам учебный курс шли отдельно друг от друга, не объединяясь в единую систему. Если же говорить о методиках социального обучения, то они вообще достаточно долго развивались “вне мейнстрима”, что, конечно, создало ряд достаточно интересных продуктов типа Knowledge Forum, но оставило открытым вопрос о том, как такие подходы объединить с общепринятыми.
- Конструктивистская и коннекционистская парадигмы. Опять-таки, и та и другая выглядят весьма интересно в сочетании со всем перечисленным, но мы считаем, что какие-либо общие паттерны их применения и воплощения в программном продукте еще не найдены (при том, что для традиционных LMS/LCMS все это уже давно существует).
- Симуляции, серьезные игры, ролевые игры. Во многих областях такие виды тренингов считаются наилучшими. Но при этом достаточно долго они были несколько в стороне от систем обучения в целом — этому не способствовали ни стандарты, ни практики применения. Сейчас, с переходом от AICC/SCORM к xAPI, возникла достаточно ясно видимая возможность интегрировать их в обучение, но, опять же, нет каких-либо паттернов или best practices.
Создавая нашу платформу, мы искали подходы к решению части этих проблем, при этом пытаясь найти решение не в теории, а во вполне конкретном программном продукте с определенными возможностями. Мы считаем, что отчасти это удалось, но также видим, что огромная часть этих проблем требует дальнейшего развития платформы и анализа ее работы. Мы бы хотели рассказать об этом подробнее в дальнейших статьях.
Расширяя границы интеллекта
Наша миссия – расширить границы интеллектуального развития, обогатив социальные знания людей технологическими достижениями.
Теория обучения людей долго развивалась в отрыве от технологического прогресса. Наша цель – стереть этот барьер, добившись синергии совместной работы человеческого и машинного интеллекта.
И понять в процессе, что же происходит на самом деле.
Авторы
Компания Jedium — партнерская компания Microsoft, работающая в сфере виртуальной, дополненной реальности и искусственного интеллекта. Jedium разработала фреймворк для упрощения разработки комплексных проектов на Unity, часть которого находится в открытом доступе на GitHub. Jedium планирует пополнять репозиторий новыми модулями фреймворка, а также интеграционными решениями с Microsoft Azure.
Виталий Чащин — Разработчик программного обеспечения с более чем 10 годами опыта в дизайне и реализации трехмерных клиент-серверных приложений – от концепции до полной реализации и интеграции приложений и решений в области виртуальной реальности. Системный архитектор Jedium LLC, MSc in IT.
Алексей Сарафанов
менеджер по маркетингу в Jedium LLC.
Сергей Кудрявцев
CEO and founder of Jedium LLC.
Автор: sahsAGU
