Искусственный интеллект научился распознавать человека даже среди других сложных предметов

Искусственный интеллект научили распознавать человека по его походке

Фото: www.holmesplace.ch

Нейросеть может опознать человека по развороту стопы, длине шага и положении поверхности стопы.

Команда британских и испанских разработчиков предложила метод распознавания человека по его походке. Об этом говорится в статье, опубликованной в “IEEE Transactions on Pattern Analysis and Machine Intelligence”, передает издание “N+1”.

В статье указано, что в последнее время появляются методы подделки биометрических данных, индивидуальных для каждого конкретного человека: отпечаток пальца, сетчатка глаза и даже лицо. Поэтому появилась необходимость в более эффективной защите — в частности, требуются эффективные методы предоставления доступа только одному конкретному человеку.

Обратите внимание

Одним из таких типов данных стала походка человека. Ее характеристики делят на пространственные и временные. 

К первым относятся измерения разворота стопы, длина шага и положение поверхности стопы. Ко вторым – длительность различных (опорных и двигательных) фаз шага. 

Ученые считают, что такое большое количество факторов, влияющих на индивидуальность походки, снижает вероятность ее копирования к минимуму.

Они отметили, что для того, чтобы компьютер мог оценить походку, можно использовать технологии компьютерного зрения, но необходимо убедиться в том, что объект находится в полной видимости, что невозможно обеспечить при недостаточном освещении или многолюдности. 

Использовать для распознавания по походке снимки стопы предложили ученые под руководством Омара Костиллья-Рейеса из Манчестерского университета.

Для разработки такого метода они собрали базу данных из более чем 20 тысяч снимков следов 120 людей, полученных при помощи 88 пьезоэлектрических датчиков, рассчитывающих величину давления, на основе чего создается тепловые карты его распределения в зависимости от фазы шага.

Добровольцев, участвующих в сборе данных, просили надеть любую удобную обувь и продемонстрировать свою естественную походку.

Для обучения системы распознавания ученые натренировали глубокую нейросеть, основанную на методе остаточного обучения, позволяющем облегчить тренировку модели с большим количеством слоев (с большей глубиной), которые часто необходимы для эффективного распознавания изображений с большим количеством параметров. Недавно с помощью такого метода обучения научились предсказывать поведение собаки по ее походке. 

Важно

Авторы отметили, что эффективность их системы распознавания напрямую зависит от собранного материала. Т.е. узнать она может только тех людей, данные о которых у нее есть. 

Тем не менее, сбор данных с помощью напольных сенсоров и сторонних камер — гораздо более реальная задача, чем сбор отпечатков пальцев.

Однако, пока остается непонятным то, как эта модель будет справляться с возможными временными аномалиями походки, например, при перенесенном переломе или растяжении.

Источник: https://kp.ua/life/609240-yskusstvennyi-yntellekt-nauchyly-raspoznavat-cheloveka-po-eho-pokhodke

Искусственный интеллект учится распознавать и создавать фейки

Когда мы видим фотографию собаки, бегущей по траве, довольно легко для нас, людей, представить себе следующие моменты: собака продолжает бежать, прыгает, хватает палку и прочие варианты. Но ученые из MIT хотят, чтобы этому же научился и искусственный интеллект. И не только этому.

Благодаря глубинному обучению и сравнительному софту ИИ учится понимать видео, размером от одной секунды до нескольких часов. Более того, первые успехи уже позволяют ИИ дорисовывать видео, накладывая одни изображения на другие. Так он учится фантазировать, что может быть дальше, то есть попытаться развить действие.

Ученые не боятся таким образом научить роботов творческому мышлению. Скорее данный продукт мышления предназначен для умных автомобилей будущего, чтобы могли сопоставлять движения пешеходов, животных на обочинах и прочих автомобилей, с тем, чтобы представлять их возможные действия и адекватно реагировать.

Так что в один прекрасный день система самостоятельного вождения автомобилей достигнет новых высот.

Но ученые не собираются на этом останавливаться и предлагают ИИ стать экспертом в области распознавания фейков на видео.

То есть если для нас собака с головой дракона – это вполне естественная подделка, то мышлению компьютера отличить искусственно совмещенные предметы и объекты уже сложнее.

И чтобы делать это легко, ИИ учится определять даже незначительные изменения на оригинальных фото и видео.

Программное обеспечение использует алгоритм глубокого обучения, предлагая ИИ рассмотреть два миллиона непомеченных видео, чтобы разделить их на те, что были отредактированы и изменены по каким-то параметрам, и те, что при этом показывают «оригинальный» продукт.

Совет

Причем, чтобы было интереснее, ученые предложили развиваться сразу двум отдельным нейронным сетям, которые вынуждены конкурировать друг с другом. А чтобы было еще интереснее, они постоянно меняются ролями.

То один испортит или переделает видео и покажет его конкуренту, чтобы тот нашел момент вмешательства, то другой.

По мнению ученых, этот подход улучшает технологии компьютерного зрения еще на стадии разработки. А любой фейк на видео системы смогут определять за пару секунд и указывать на это человеку.

А если системам дать задание дописать видео, как они его представляют, то они уже могут это сделать со скоростью генерации 32 кадров в секунду.

Хотите новый динамичный ролик? По идее, он создан еще до того, как вы прочитали до конца этот абзац.

После того как заданная сцена получается, работа второй нейронной сети заключается в ее оценке. ИИ также поручается понять, реальное ли видео или было произведено с помощью другого компьютера. Благодаря этой форме «состязательного обучения» первая сеть учит себя обманывать, вторая учится этот обман распознавать.

После каждого этапа обучения полученные результаты сравнивают с распознанием фейков обычным человеком. Команда из 150 людей пытается распознать картинки так же, как и ИИ, и найти в них фейки. На данный момент ИИ уже справляется с задачей лишь на 20 процентов хуже среднего показателя человека.

Сложнее всего ИИ лидировать в некоторых определенных областях. Он теряется на коротких видео продолжительностью от одной до двух секунд. Зато ИИ более успешен в работе с длинными видеофайлами.

Там, где человек теряет внимание к деталям, искусственный интеллект, напротив, получает больше информации для оценки.

Обратите внимание

Исследования по данной теме могут быть доступны в Интернете. Научная команда представит свою работу с нейронными системами обработки информации (NIPS) на конференции в Барселоне на следующей неделе.

Источник: https://yorick.kz/iskusstvennyj-intellekt-uchitsya-raspoznavat-i-sozdavat-fejki/

Искусственный интеллект научился определять объекты без учителя

Тепловые карты изображений, взятых для анализа Arandjelović & Zisserman / arXiv 2017

Специалисты из DeepMind, отделения Google, отвечающего за исследования искусственного интеллекта, разработали нейросеть, которая умеет соотносить видеоряд со звуком, и таким образом учится распознавать объекты без предварительного понимания того, что перед ней находится. Препринт статьи опубликован на сайте arXiv.

Развитие в области нейросетей и, в частности, компьютерного зрения научило искусственный интеллект распознавать объекты реального мира. Алгоритмы Microsoft, например, умеют определять то, что изображено на фотографии, с точностью до 95 процентов.

Однако, для того, чтобы обучить такую нейросеть, требуется использование очень большого количества размеченной человеком информации: чтобы компьютер научился узнавать, например, собак, он сначала должен обучиться концепту того, что такое собака, обработав миллионы изображений животного.

Определение объектов с помощью методов машинного обучения без учителя (unsupervised learning), то есть без предварительной разметки изображенных объектов, — задача более сложная.

Авторы новой работы представили алгоритм, главная задача которого — решение задания на соотнесение видео и аудио (Audio-Video Correspondance task, или коротко AVC).

Алгоритм состоит из трех частей: первая нейросеть обрабатывает изображения, взятые из видео, вторая – аудио, соответствующие этим изображениям, третья часть учится соотносить изображения с определенным звуком.

Алгоритм был обучен на 60 миллионах изображений и соответствующих им звукам, каждый из которых длился одну секунду.

Важно

Схема работы алгоритма Arandjelović & Zisserman / arXiv 2017В итоге, алгоритм научился правильно определять объекты и явления (например, игру на саксофоне или мужскую речь) по звуку и изображению в 79 процентах случаев.

Для сравнения, подобный алгоритм, созданный при помощи машинного обучения с учителем, SoundNet, правильно определяет объект по звуку в 74 процентах случаев.

Создатели алгоритма отмечают, что, используя созданную ими систему, искусственный интеллект может научиться определять объекты окружающего его мира не путем предварительного обучения определенным концептам, а взаимодействуя с ними в реальном времени, слушая и наблюдая, – точно так же, как это делают люди.

Специалисты из DeepMind добиваются успеха во многих областях применения искусственного интеллекта. Так, в нашей заметке вы можете прочитать о том, как нейросеть одержала победу в игре го над профессиональными игроками, а здесь — об успехах в компьютерном синтезе человеческого голоса.

Елизавета Ивтушок

Источник: https://nplus1.ru/news/2017/08/11/audio-video-corr

Искусственный интеллект научат распознавать эмоции человека

В последнее время современные технологии всё чаще соприкасаются с эмоциональной сферой жизни человека. Достаточно вспомнить сверхпопулярные смайлы-эмоджи, история о приключениях которых уже шагнула на большой экран. Тем временем ученые всё ближе подходят к созданию искусственного интеллекта (далее — ИИ), считывающего эмоции человека.

Компания Silver Logic Labs (SLL) изучает возможности ИИ. Несмотря на то, что сегодня SLL представляет собой стартап, работающий с довольно слабыми формами ИИ, его специалистам удалось добиться определенных успехов в данной сфере. Если большинство систем ИИ заняты считыванием данных ДЛЯ человека, то ИИ, над которым трудятся в SLL, считывает данные С человека.

Данный ИИ анализирует поведение человека, отслеживая его мимику или движения тела.

На основе мельчайших деталей поведения человека компьютер способен сделать вывод о том, в каком настроении пребывает на данный момент анализируемый им субъект.

Иными словами, ИИ может определить, что именно чувствует человек. Пожалуй, таким качеством порой не обладает даже самый преданный супруг по отношению к своей второй половине.

Здесь нет никакой мистики, магии, машина не руководствуется чувственностью (надеюсь, никто из наши читателей не подозревает ИИ в наличии души). Математика и только математика.

Цель робота — помогать разнообразным фирмам для того, чтобы те могли правильно оценить, как к ним относятся их клиенты, участвующих в проводимых ими опросах. Все-таки машина может оценить это с большей вероятностью, чем опытный психолог.

В случае, если человек пытается обмануть кого-то, его чувства можно определить путем математического анализа. Всё же, психолог руководствуется в таких ситуациях интуицией, тогда как внутри ИИ происходят сложные математические вычисления, которые могут гораздо точнее определить, что на уме у анализируемого субъекта.

Благодаря довольно высокой точности определения ИИ человеческих эмоций, компания SLL планирует вывести свой проект на коммерческие рельсы. Система, позволяющая узнать, о чем думают другие люди, может заинтересовать телекомпании, фаст-фуды и иные организации, которым необходимо находиться на гребне потребительского спроса. Подобные фирмы отдадут крупные денежные суммы за подобный ИИ.

Совет

ИИ, созданный компанией SLL, способен зарегистрировать такие эмоции, как счастье, удивление, страх, гнев, отвращение или грусть, выразив их в баллах.

Максимальное значение определенной характеристики — единица.

Безусловно, доподлинно выразить ту или иную эмоцию в баллах невозможно, однако система может с высокой стоимостью определить доминантную эмоцию.  При этом ИИ использует лишь камеру и ПО.

ИИ, разработанный компанией SLL, можно использовать также в медицине. Система с высокой точностью может зарегистрировать нейродефицит и иные заболевания, такие как, например, микроинсульты, случающиеся перед инсультам.

Микроинсульт незаметен для окружающих, однако ИИ может выявить с высокой степенью вероятности, что поможет персоналу больницы минимизировать последствия «удара» для пациента.

Также ИИ от SLL может использоваться сотрудниками правоохранительных органов: система может определить степень беспокойства подозрительного гражданина.

Однако, несмотря на то, что роботы научились определять настроении человека, «Роботовед» выражает надежду на то, что у нас останутся секреты друг от друга, а электронным собеседникам мы продолжим предпочитать живых людей.

Читать также: 

Японские ученые: как искусственный интеллект изменит общество

Как роботизация и искусственный интеллект поменяют бизнес в 2017 году

Источник: http://robotoved.ru/iskustvennii_intellekt_emotions/

Китайцы научили искусственный интеллект точно распознавать человека по походке

Китайские власти начали запуск нового инструмента наблюдения – программы распознавания походки, которая использует силуэты людей и то, как они ходят, для почти 100% опознавания, даже если лицо скрыто от камеры.

Читайте также:  В ближайшее время беспилотные автомобили google будут усовершенствованы

Технология “распознавания походки”, уже применяемая полицией на улицах Пекина и Шанхая, является частью глобальной китайской инициативы по разработке наблюдения на основе искусственного интеллекта.

Некоторые специалисты высказывают беспокойство, задаваясь вопросом: как далеко может зайти использование подобных технологий?

Обратите внимание

Гендиректор IT-компании Watrix, Ван Йонжень (Huang Yongzhen), сказал, что данная система способна идентифицировать людей на расстоянии 50 метров, даже когда они стоят или идут спиной к камере и их лицо скрыто. Это позволяет залатать брешь в технологии распознавании лиц, которая требует для работы близкое нахождение объекта наблюдения и высокое разрешение изображения человеческого лица.

 “Анализ походки нельзя сбить, пытаясь хромать, идти широко расставив ноги или сгорбясь, потому как система анализирует все характерные черты тела”, – говорит он.

В прошлом месяце китайские СМИ сообщили, что компания Watrix собрала 100 миллионов юаней (14,5 миллиона долларов) на ускоренное развитие технологии распознавания походки.

Китайская полиция использует лицевое распознавание, чтобы идентифицировать людей в толпе и ловить пешеходов, нарушающих правила дорожного движения. 

Сотрудники спецслужб западной китайской провинции Синьцзян, региона, чье мусульманское население уже находится под тщательным наблюдением и контролем властей, выразили заинтересованность в данной программе.

Китайский журналист и комментатор Ши Шуси (Shi Shusi) говорит, что неудивительно, что в Китае подобная технология распространяется быстрее, чем в остальных странах мира, учитывая особое значение, которое власти Пекина уделяют социальному контролю.

“Использование биометрических технологий распознавания для поддержания социальной стабильности и управления обществом – это необратимый тренд”, – сказал он. – “Это большой бизнес”.

Сама по себе технология не является новой.

Ученые из Японии, Соединенного Королевства и Агентства защиты информационных систем Министерства обороны США исследуют распознавание походки уже более десяти лет, испытывая различные способы преодолеть скептицизм, что людей можно узнавать по тому, как они ходят. Профессора из Университета Осаки сотрудничали с Национальным полицейским агентством Японии, чтобы использовать программу по распознаванию походки на пробной основе с 2013 года.

Однако мало кто пытался коммерциализировать данную технологию. Израильская компания FST Biometrics закрылась в начале этого года в ходе внутренних скандалов, столкнувшись с техническими сложностями в реализации своей продукции, согласно информации бывшего члена совета организации, Габриэля Тала (Gabriel Tal).

“В вычислительном смысле она сложнее других биометрических технологий”, – объяснил Марк Никсон (Mark Nixon), ведущий эксперт по распознаванию походки из британского Университета Саутгемптон. – “Данная технология использует большие компьютеры, считывающие походку, потому что требуется последовательность изображений, а не одна фотография”.

Программа Watrix извлекает силуэт человека из видео и анализирует его движения, чтобы создать модель походки данного лица. Она не способна пока распознавать людей в режиме реального времени.

Пользователи должны загружать видео в программу, что занимает около 10 минут, пока она проводит поиск по видео длинною в час.

Технология не требует наличия особых видеокамер – программа может использовать съемку с камер наблюдения для анализа походки.

Ван, бывший исследователь, сказал, что он оставил науку, чтобы в 2016 году стать сооснователем Watrix, увидев, насколько многообещающе выглядит подобная технология. Компания была основана при поддержке Китайской академии наук. Хотя программа еще не так хороша, как технология распознавания лиц, Ван сказал, что успех в 94% – достаточно хороший результат для коммерческого использования.

Важно

Он предполагает, что распознавание походки будет использоваться наряду с программами сканирования лица.

Помимо наблюдения, по словам Вана, распознавание походки может быть использовано для выявления людей, испытывающих какие-либо проблемы, например, для обнаружения упавших пожилых людей. Никсон полагает, что подобная технология может сделать жизнь безопасней и удобней.

“Люди все еще не понимают, что их можно узнать по походке, тогда как все знают, что можно узнать человека по его лицу”, – сказал Никсон. – “Мы верим, что ваша походка – это ваша уникальная характеристика”.

Источник: APNews

Источник: https://www.refnews.ru/read/article/1483758

Искусственный интеллект научили распознавать личность человека по походке

Каждый человек обладает своим уникальным стилем ходьбы. Зная об этом, исследователи из Манчестерского университета разработали новую систему распознавания шагов SfootBD, которая опирается на работу искусственного интеллекта (ИИ).

По мнению разработчиков, теоретически такая технология сможет заменить устройства сканирования радужной оболочки глаза и снятия отпечатков пальцев на контрольно-пропускных пунктах безопасности, в том числе в аэропортах.

Нейронные сети могут находить особые закономерности в движениях человека при ходьбе (своего рода шаблоны), которые позволяют распознавать личность с невероятной точностью. А технология SfootBD является в 380 раз более точной по сравнению с предыдущими методами.

Как говорит ведущий автор исследования из Манчестерского университета Омар Кастильо Рейс (Omar Costilla Reyes), во время ходьбы каждого человека можно выделить примерно 24 различных параметра движения. Проще говоря, каждый человек действительно обладает уникальной моделью перемещения.

Разрабатывая систему, исследовательская группа под руководством Рейса собрала базу данных, состоящую из 20 тысяч “сигнальных” шагов от более чем 120 человек. (На сегодняшний день она является самой большой базой данных шагов.)

Отмечается, что каждая походка изучалась при помощи камеры высокого разрешения и особых напольных датчиков, фиксирующих давление, оказываемое человеком на поверхность при ходьбе.

То есть людям не нужно снимать обувь при ходьбе по полу, оборудованному датчиками, чтобы система смогла по походке вычислить личность человека.

Как правило, другие подобные методы изучают походку человека без обуви.

Совет

Система искусственного интеллекта под названием глубинные остаточные нейронные сети (deep residual neural network) анализировала данные, изучая распределение веса, скорость походки и трёхмерные показатели каждого стиля походки. Важно, что система рассматривала именно особенности походки, а не форму “следа”.

Предыдущие попытки распознавания шагов работали за счёт сканирования походки людей без обуви, а технологии трёхмерной визуализации сравнивали стиль ходьбы человека с кадрами системы видеонаблюдения. Новая же технология является гораздо более точной, чем подобные системы, хотя для работы ей необходимы особые датчики, воспринимающие давление.

Чтобы проверить систему SfootBD в действии, исследовательская группа изучала участников эксперимента в трёх различных сценариях: контрольно-пропускной пункт охраны в аэропорту, рабочее место и дом. Исследователи также работали с контрольной группой людей, которые пытались подделать походку другого человека. Таким образом, специалисты хотели понять, сможет ли ИИ отличить таких “самозванцев”.

Результаты показали, что в среднем система выдавала 100-процентную точность при идентификации людей, а частота ошибок составила всего 0,07 процента.

Безусловно, это впечатляющий результат, показывающий, что технология может быть эффективной в реальных ситуациях.

Правда, у новой системы есть и недостатки. Как уже отмечалось, SfootBD требует использования особых датчиков, фиксирующих давление, которое человек оказывает на пол при ходьбе, и камеры высокого разрешения. Поэтому такая технология вряд ли может быть использована повсеместно.

Более того, работа инструмента напрямую зависит от имеющейся базы данных. Иными словами, система может определить лишь тех людей, чьи модели ходьбы были ранее записаны и каталогизированы в системе.

Такой подход вряд ли можно применить в любом месте, так как собрать особенности стиля ходьбы каждого человека на порядок сложнее, чем, скажем, получить фотографии для распознавания лиц.

Впрочем, лишь практическое использование технологии может дать точный ответ на вопрос о том, насколько практичен такой метод в условиях реального мира.

Обратите внимание

Результаты исследования и описание новой разработки представлены в научном издании IEEE Transactions on Pattern Analysis and Machine Intelligence.

Ранее авторы проекта “Вести.Наука” (nauka.vesti.ru) рассказывали о других системах, помогающих распознавать личность человека. Так, томский инженер придумал, как распознавать людей в видеопотоке по любым “плоским” изображениям.

К слову, специалисты всё чаще стали прибегать к услугам ИИ, поскольку точность идентификации преступников очевидцами поставлена под сомнение.

Не менее важно изучать и способы обмана таких программ. А их уже немало: к примеру, созданы необычные очки, которые заставят программу считать, что вы Милла Йовович, а также одежда с особым рисунком, которая скрывает человека от систем распознавания лиц.

Источник

Источник: http://www.elentur.com.ua/iskysstvennyi-intellekt-naychili-raspoznavat-lichnost-cheloveka-po-pohodke/

Когда искусственный интеллект начнет понимать человеческие эмоции?

А вы доверились бы роботу, если бы он был вашим лечащим врачом? Эмоциональные разумные машины могут быть не так далеки от нас, как кажется. За последние несколько десятилетий, искусственный интеллект существенно прибавил в возможностях чтения эмоциональных реакций людей.

Но читать эмоции — не значит их понимать. Если сам ИИ не может их испытывать, сможет ли он когда-нибудь понять нас в полной мере? И если нет, рискуем ли мы приписывать роботам свойства, которых у них нет?

Последнее поколение искусственного интеллекта уже благодарит нас за рост числа данных, на которых компьютеры могут учиться, а также за увеличение вычислительной мощности. Эти машины постепенно совершенствуются в делах, которые мы обычно отдавали на выполнение исключительно людям.

Сегодня искусственный интеллект, среди прочего, может распознавать лица, превращать эскизы лиц в фотографии, распознавать речь и играть в го.

Идентификация преступников

Не так давно ученые разработали искусственный интеллект, который способен сказать, является ли человек преступником, просто посмотрев на его черты лица.

Систему оценивали с использованием базы данных фотографий китайцев и результаты вышли просто ошеломляющие.

ИИ ошибочно классифицировал невинных людей в качестве преступников всего в 6% случаев и успешно опознал 83% преступников. Общая точность составила почти 90%.

Важно

Эта система основана на подходе под названием «глубокое обучение», который оказался успешным, например, в распознавании лиц. Глубокое обучение в сочетании с «моделью вращения лица» позволило искусственному интеллекту определить, представляют ли две фотографии лица одного и того же человека, даже если меняется освещение или угол.

Глубокое обучение создает «нейронную сеть», которая берет в свою основу приближение человеческого мозга. Она состоит из сотен тысяч нейронов, организованных в разных слоях.

Каждый слой переводит входные данные, например, изображение лица, на более высокий уровень абстракции, вроде набора ребер в определенных направлениях и расположениях.

И автоматически выделяет черты, которые наиболее актуальны для выполнения той или иной задачи.

Учитывая успех глубокого обучения, нет ничего удивительного в том, что искусственные нейронные сети могут отличать преступников от невинных — если действительно существуют черты лица, которые между ними различаются.

Исследование позволило выделить три черты. Одна — угол между кончиком носа и уголками рта, который в среднем на 19,6% меньше у преступников.

Кривизна верхней губы также в среднем на 23,4% больше для преступников, а расстояние между внутренними уголками глаз в среднем на 5,6% уже.

На первый взгляд, этот анализ позволяет предположить, что устаревшее мнение, что преступников можно определить по физическим атрибутам, не такое уж и неправильное. Тем не менее, это еще не вся история.

Что примечательно, две самых релевантных черты связаны с губами, а это наши самые выразительные черты лица.

Совет

Фотографии преступников, которые использовались в исследовании, требуют сохранять нейтральное выражение лица, но ИИ все же умудрился найти скрытые эмоции на этих фотографиях. Возможно, настолько незначительные, что люди не в силах их обнаружить.

Документ еще проходит рецензирование. Тщательное рассмотрение и правда показывает легкую улыбку на фотографиях невинных. Но в образцах не так много фотографий, поэтому сделать выводы о всей базе данных невозможно.

Сила аффективных вычислений

Это не первый раз, когда компьютер способен распознавать человеческие эмоции. Так называемая область «аффективных вычислений» или «эмоциональных вычислений» существует уже давно. Считается, что если мы хотим комфортно жить и взаимодействовать с роботами, эти машины должны уметь понимать и адекватно реагировать на человеческие эмоции. Возможности этой области довольно обширны.

Например, исследователи использовали анализ лиц, чтобы определить студентов, испытывающих трудности с компьютерными обучающими уроками. ИИ научили распознавать различные уровни вовлеченности и разочарования, чтобы система могла понять, когда студенты считают работу слишком простой или слишком сложной. Эта технология может быть полезной для улучшения процесса обучения на онлайн-платформах.

Читайте также:  Робот - искусственный интеллект, который задает вопросы

Sony и вовсе пытается разработать робота, способного формировать эмоциональные связи с людьми. Пока не совсем понятно, как она собралась достичь этого или что конкретно будет делать робот. Тем не менее, компания заявляет, что пытается «интегрировать аппаратные средства и услуги, чтобы обеспечить эмоционально сопоставимый опыт».

Эмоциональный искусственный интеллект будет иметь ряд потенциальных преимуществ, будь то роль собеседника или исполнителя — сможет и преступника опознать, и о лечении поговорить.

Существуют также этические проблемы и риски.

Будет ли правильным позволить пациенту с деменцией положиться на компаньона в лице ИИ и сказать ему, что он эмоционально живой, хотя на самом деле нет? Сможете ли вы посадить человека за решетку, если ИИ скажет, что он виновен? Конечно, нет. Искусственный интеллект, в первую очередь, будет не судьей, а следователем, определяющим «подозрительных», но уж никак не виновных людей.

Субъективные вещи вроде эмоций и чувств сложно объяснить искусственному интеллекту, отчасти потому, что у ИИ нет доступа к достаточно хорошим данным, чтобы объективно их проанализировать. Сможет ли ИИ когда-нибудь понять сарказм? Одно предложение может быть саркастичным в одном контексте и совершенно другим — в другом.

В любом случае, объем данных и вычислительной мощности продолжает расти. За несколькими исключениями, ИИ вполне может научиться распознавать различные типы эмоций в ближайшие несколько десятилетий. Но сможет ли он когда-нибудь сам их испытывать? Это спорный вопрос.

Источник: https://server13.site/news/kogda-iskusstvennyj-intellekt-nachnet-ponimat-chelovecheskie-emotsii.html

Искусственный интеллект – угроза или помощник для человечества?

Ксения Гогитидзе Би-би-си, Лондон

Image caption Симбиоз человека и машины – один из путей развития человечества

Умные машины научились блефовать, обыгрывать профессионалов в шахматы или Го, переводить и распознавать человеческий голос. Каждую неделю мы узнаем о все новых подвигах компьютерных программ, уже умеющих ставить медицинские диагнозы, рисовать не хуже Рембрандта, петь или генерировать текст. Стоит ли человеку опасаться искусственного интеллекта?

По-настоящему “горячей” тема искусственного интеллекта (ИИ/AI) стала в последние несколько лет. Ученые связывают это с бурным развитием нейронных сетей (одно из направлений исследований в области искусственного интеллекта), которое, в свою очередь, стало возможным с появлением мощных компьютеров.

“С начала 2010-х годов под влиянием впечатляющих успехов, полученных в результате применения многослойных нейронных сетей (в первую очередь сверточных и рекуррентных), эта область привлекла серьезное внимание как со стороны ученых и инженеров, так и со стороны инвесторов”, – комментирует автор одной из российских шахматных программ, специалист по методам машинного обучения Сергей Марков.

Ученое сообщество может спорить о сроках появления умных машин, но сходится в одном: развитие технологий окажет безусловное влияние на общество, экономику и отношения между людьми в будущем. Уже сейчас раздаются призывы обдумать этические принципы разработки искусственного интеллекта, удостоверившись в том, что искусственный интеллект развивается в безопасном для людей направлении.

Этот материал подготовлен в качестве ответа на вопросы, присланные нашими читателями о научных достижениях. Задать свои вопросы по другим темам вы можете по этим ссылкам (О жизни в Британии, О культурной жизни Лондона).

Экономический эффект и влияние на рынок труда

Научная фантастика и Голливуд сформировали представление об “искусственном интеллекте” как о следующей форме жизни на планете, которая поработит человечество в Матрице или организует ему ядерный Судный день. Выживших добьет Терминатор.

Правообладатель иллюстрации Getty ImagesImage caption Умрет ли человечество от Skynet?

В действительности, несмотря на последние достижения в области искусственного интеллекта, до появления разумных машиносуществ еще далеко, признают ученые и специалисты. И те, и другие, впрочем, советуют на некоторые аспекты обратить внимание уже сейчас.

По оценкам исследовательской организации McKinsey Global Institute, в ближайшие десять лет новые технологии радикально изменят рынок труда на планете, что позволит сэкономить порядка 50 трлн долларов.

Изменения коснутся сотен миллионов рабочих мест. Люди все больше и больше будут перекладывать часть своих служебных заданий и многие рутинные задачи на машину, что позволит им сосредоточиться на творческой работе.

“С некоторой точки зрения у человечества в целом есть важная и интересная задача – развиваться каждому конкретному индивидууму гораздо быстрее, чем человечество развивает системы искусственного интеллекта”, – считает эксперт, директор по распространению технологий “Яндекса” Григорий Бакунов.

Обратите внимание

Но вместе с автоматизацией неминуемо пострадают менее квалифицированные кадры, и уже сейчас необходимо задуматься, как их защитить, переучить и подготовить к новой жизни.

Пострадать, как показывает практика, могут не только синие воротнички, но и работники умственного труда. Несколько дней назад Goldman Sachs заменил команду из 600 трейдеров на двух человек и автоматизированные программы алгоритмического трейдинга, для обслуживания которых были наняты 200 разработчиков-программистов.

Правообладатель иллюстрации ThinkstockImage caption Многие задачи вскоре станут по силам роботизированным системам, которые последовательно начнут заменять людей

Искусственный интеллект сам по себе не тождественен автоматизации процессов, но развитие ИИ приведет к тому, что все больше задач будет по силам компьютерной программе.

Среди вариантов решения проблемы вытеснения человека машиной на рынке труда, как указывает Аллисон Дютман, координатор программ Foresight Institute – некоммерческой организации, базирующейся в Силиконовой долине для продвижения новых технологий, – введение понятия “универсальный базовый доход”, который бы получал каждый житель вне зависимости от уровня дохода и занятости. Подобный доход финансировался бы за счет так называемого инновационного налога Land Value Tax, введение которого сейчас активно обсуждается в Силиконовой долине.

Личность ли искусственный интеллект?

Источник: https://www.bbc.com/russian/features-38931070

Секрет сильного искусственного интеллекта следует искать в мозге человека

Алгоритмы искусственного интеллекта, такие как глубокое обучение и сверточные нейронные сети, значительно помогли в распознавании изображений, создании беспилотных автомобилей и решении других сложных задач. Многочисленные AI-компании пытаются оседлать эту волну инвестиций и приобретения стартапов.

Но ведущие исследователи понимают, что все не так гладко. Несмотря на впечатляющий прогресс, существующие методы искусственного интеллекта ограничены. Например, сети глубокого обучения обычно требуют миллионов обучающих примеров для корректной работы, в то время как человек может изучить что-то новое гораздо проще.

Это ограничивает применение сетей глубокого обучения. Хотя их средняя точность высока, они могут допускать ужасные ошибки. Например, небольшое изменение изображения может привести к тому, что ИИ-система примет зубную щетку за бейсбольную биту. В некоторых случаях это может привести к катастрофе, травмам и смертям.

Из-за этих и других ограничений лидеры области считают, что нужен другой подход.

Джофф Хинтон, один из самых выдающихся AI-специалистов, недавно сказал, что нам нужно начать все заново, так как он “очень подозрительно” относится к существующим методам: “Я считаю, что нам нужно всё выбросить и начать с начала”.

Франсуа Шолле, ведущий практик сетей глубокого обучения, сказал: “Вы не можете достичь сильного интеллекта при помощи масштабирования существующих техник”.

Шолле предполагает, что глубокое обучение по своей сути является ограниченным, в отличие от человеческого мышления. В самом деле, человеческий мозг удивительно гибок.

Люди не только водят автомобили, мы строим небоскребы, управляем фермами и программируем компьютеры.

Важно

Даже наша способность поднимать простые объекты, например, кружки с кофе, и манипулировать ими сильно превосходит способности любого искусственного интеллекта.

Каждый из нас имеет сотни сложных навыков, которые мы смешиваем и используем. Системы глубокого обучения хорошо работают только на небольшом наборе задач, и они могут делать одну вещь за раз.

Их нужно переобучать для каждого нового задания. Люди — это обучающиеся организмы общего применения, а ИИ-системы — нет.

Превзойти существующие ограничения ИИ можно, приспособив системы под более общие цели.

Недавно ученые, работающие с искусственным интеллектом, обратились за вдохновением к мозгу. Демис Хассибис, сооснователь DeepMind, сказал: “Человеческий мозг — это единственное существующее доказательство того, что общий тип интеллекта, который мы пытаемся создать, возможен, поэтому мы считаем, что стоит попытаться понять, как достичь этих возможностей”.

Я согласен. Я изучаю мозг более тридцати лет. В 2004 я написал книгу On Intelligence, которая предполагала, что изучение мозга пригодится для создания ИИ.

И в 2005 я стал сооснователем Numenta, компании по реверсинжинирингу коры головного мозга, самой большой его части, которая чаще всего ассоциируется с интеллектом.

Мы хотим понять, как клетки в голове работают вместе, создавая восприятие и поведение.

Существуют некоторые сходства между работой мозга и текущих методик искусственного интеллекта, значит, ИИ сейчас находится на верном пути. Но существуют и значительные различия. Мозг не только имеет больше способностей, но и его физическая структура более сложна, чем искусственные нейронные сети.

Исследования Numenta раскрыли несколько важных принципов, которые использует мозг и которые придется освоить искусственному интеллекту. Например, у каждого нейрона в мозге есть тысячи синапсов (связей между нейронами).

Предназначение многих из синапсов остается загадкой. Мы открыли, что нейроны используют большую часть синапсов, чтобы делать прогнозы. Эти предсказания появляются в клетках и играют решающую роль в наших ожиданиях от будущего.

Совет

Искусственные нейроны не имеют этой функции и не могут делать такие прогнозы. Мы также обнаружили, почему обучение мозга достигается по большей части при помощи формирования новых синапсов.

Это более мощная форма обучения, чем изменение существующих связей, которое происходит в глубоком обучении. Это объясняет, почему мы узнаем новые вещи быстрее.

Хотя у нас есть и другие открытия, я хочу поделиться последним и самым важным из них. Мы изучали, как мы распознаем объекты при прикосновении.

Мы обнаружили новое качество коры мозга, которое связано не только с осязанием, но и со зрением и всеми остальными функциями коры. Иногда я называю это свойство “пропавшим ингредиентом” или “секретом сильного ИИ”.

Мы недавно опубликовали статью об этом открытии, здесь я приведу его вкратце.

Посмотрите на эту картинку. Очевидно, это кружка. Но, конечно, на самом деле это не кружка, а набор линий на плоской поверхности. Нам сложно увидеть эти линии в плоскости, а не как трехмерный объект. Распространенное убеждение среди нейробиологов гласит, что кора воспринимает изображение от глаз и шаг за шагом она выделяет всё больше свойств, пока не сможет распознать предмет.

Так работают сети глубокого обучения. Этот процесс называется распознаванием паттернов, и нейронные сети хороши в этом. После обучения на многих изображениях они могут взять новую картинку и сказать, что на ней показано. Но они не могут понять, какой объект скрывается за ярлыком.

Напротив, когда вы видите изображение, вы сразу воспринимаете его трехмерную форму. Вы можете представить, как предмет выглядит с разных углов и каков он на ощупь, и понять, что он может содержать жидкость.

Сеть глубокого обучения хорошо определяет изображение, не понимая, что на нем находится, а кора головного мозга понимает структуру объекта и его поведение.

Обратите внимание

До недавнего времени никто не понимал, как кора головного мозга трансформирует плоское изображение в ментальную репрезентацию настоящего объекта. Мы поняли, как это происходит.

Мы обнаружили, что все входные данные для коры связываются с сигналом, представляющим “локацию”.

Когда вы смотрите на изображение кружки, для каждой части картинки и каждого отрезка линии назначается локация, связанная с реальной трехмерной кружкой. Похожим образом компьютеры создают CAD-модели объектов.

Наша теория объясняет, почему вы воспринимаете кружку в трех измерениях и почему вы можете представить, как бы она выглядела с разных сторон.

Это также объясняет, почему ваше восприятие кружки является стабильным, хотя ваш взгляд перемещается и останавливается на разных частях изображения.

Если для входных данных назначены правильные локации кружки, то неважно, как вы смотрите на изображение.

Читайте также:  Искусственный интеллект сможет руководить армией тараканов

Мы изучаем применение этого открытия и считаем, что оно может раскрыть многие загадки работы мозга. Хотя мы вывели это свойство, изучая осязание и зрение, нейронные структуры, которые определяют локации для сигналов существуют в каждой части коры.

Можно предположить, что обработка любых данных в коре головного мозга связана с локациями, хотя эти локации не всегда соотносятся с физическими объектами в мире. Это значит, что мы управляем абстрактными концепциями с помощью тех же механизмов, что используем для физических объектов.

Важно

Конечно, управление концепциями является ключевой функцией интеллекта общей направленности.

Уже десятилетиями ведутся споры о том, насколько ИИ должен имитировать мозг. Недавний успех глубокого обучения, которое почти не связано с мозгом, укрепил аргумент о том, что ИИ может развиваться без нейробиологии.

Но этот успех показал пределы глубокого обучения и сделал очевидной потребность в новых подходах. Мозг — это очевидное место для поиска новых идей.

Как недавно сказал Джефф Безос: “Люди фундаментально отличаются от того, что мы сегодня делаем с машинным обучением и машинным интеллектом”.

Когда мы работаем над созданием искусственного интеллекта общего назначения, мы не должны имитировать всё, что делает мозг. Но некоторые принципы нельзя игнорировать, они лежат в основе любой системы, которая служит для интеллекта общего назначения.

Мы уже открыли несколько принципов в ходе своих исследований, и я считаю, что наше последнее открытие окажется самым важным. Оно полностью меняет наше представление об обработке сенсорных сигналов в мозге и о том, как мозг представляет знание о мире.

Я надеюсь, что когда больше людей, работающих с ИИ, осознает пределы существующих методов, они поймут, что создание сильного искусственного интеллекта будет идти от нейробиологии. Интеграция этих открытий в ИИ может занять несколько лет, но мне сейчас абсолютно понятно, как это сделать.

Если вы нашли опечатку – выделите ее и нажмите Ctrl + Enter! Для связи с нами вы можете использовать info@apptractor.ru.

Источник: https://apptractor.ru/info/articles/sekret-silnogo-iskusstvennogo-intellekta-sleduet-iskat-v-mozge-cheloveka.html

Как искусственный интеллект научился играть в го лучше человека

В Южной Корее 15 марта завершилась историческая партия в игру го: программа AlphaGo — против Ли Седоля, одного из сильнейших игроков планеты. AlphaGo обеспечила себе победу досрочно, выиграв три первые партии из пяти. Тем не менее, Ли Седоль смог выиграть в четвертом матче, но последний остался за AlphaGo.

За несколько дней до финальной игры «Медуза» поговорила с Александром Крайновым, руководителем службы компьютерного зрения и технологий искусственного интеллекта «Яндекса», о том, как искусственный интеллект научился играть в го, откуда у него взялась интуиция и какие невероятные технологии нас ждут в ближайшем будущем. dev.by публикует сокращённую версию беседы. 

— Компьютер уже в двух партиях (разговор состоялся 10 марта — прим. «Медузы») оказался сильнее одного из лучших игроков в го. Теперь всем понятно, что это какая-то очень мощная штука. Но почему раньше компьютер не мог так хорошо играть, что изменилось?

— Правила игры го очень простые, но она сложна невероятным количеством вариантов — их больше, чем атомов во Вселенной. Игра не поддается никакому просчету, в том числе и сейчас.

Более того, в ней очень сложно понять, выигрышным или проигрышным является какое-то промежуточное состояние.

Совет

В шахматах, если мы просчитали до какого-то варианта и поняли, что так фигура будет съедена, мы можем почти наверняка сказать — да, стало лучше, я в результате таких действий получил позицию лучше, чем была до этого.

В го это сделать невероятно сложно. Игроки-люди при каждом ходе создают гипотезу: исходя из накопленного опыта они догадываются, какие варианты в данной ситуации подходят больше всего.

Далее просчитывают вперед столько ходов, сколько могут, получают новое состояние доски и — опять же на интуитивном уровне — определяют, так станет лучше или хуже. Компьютер никакой гипотезы придумать не мог. Ему приходилось проверять вообще все варианты — это утопия.

Каждый раз в го примерно 200 допустимых ходов, и каждый из них тянет за собой следующие 200 — представляете, какая тут сложность? Это просчитать нереально. И никакими заранее известными предположениями — «вот сюда обычно ходят, а так обычно не ходят» — это не лечится.

Поэтому с самым сильным игроком-человеком смог посоревноваться только AlphaGo, искусственный интеллект, который научился играть как люди.

— И как он учился?

— Сейчас объясню на пальцах. Есть две нейросети и некий промежуток между ними. Первая сеть училась делать предсказания лучшего хода.

Для начала она училась на существующих партиях, где в качестве положительного примера — как надо играть — берутся позиции сильного игрока, а в качестве отрицательных — любой другой случайный ход или ход проигравшего.

Конечно, выборка получается «грязной», потому что среди случайных наверняка присутствует ход, который даже лучше выбранного. Но в целом понятно, что ход, который совершает сильный игрок, лучше, чем любой случайный.

Причем обучение происходило даже не на партиях, а именно на ходах. То есть у нас есть огромное множество партий, в каждой из них примерно по 200 ходов, и дальше нейросеть учится предсказывать следующий ход.

Обратите внимание

В результате у программы появляется «интуиция» выбора следующего хода. Она еще не позволяет однозначно сделать лучший ход, но она создает некий набор наиболее реалистичных гипотез, которые можно проверять дальше.

При этом нейросеть не учат каким-то стандартным комбинациям, стандартным ходам — это не нужно. Если какая-то комбинация является более-менее стандартной, она будет встречаться в обучающей выборке довольно часто, и сеть сама ей научится. Чисто теоретически ей даже можно не объяснять правила игры в го — во время обучения она выучит их сама.

Первый слой нейросети даёт уменьшение количества вариантов, которые надо просчитать — в точности как у человека. Допустим, выходит 10 лучших вариантов. После этого сеть начинает думать, что произойдёт, если она пойдет так или иначе.

Но дальше количество возможных вариантов снова начинает расти в сумасшедшей прогрессии, и в какой-то момент машине нужно заново сделать следующее предсказание, отталкиваясь от новой позиции.

То есть алгоритм, используя «интуитивный» выбор следующего хода и расчет, доходит до некой позиции — досчитал и все, нужно уже принять какое-то решение и сделать ход. Это несколько вариантов, каждый из которых заканчивается новой расстановкой на поле.

Дальше возникает новая проблема: в игре го настолько непонятно, стало ли в результате хода лучше или хуже, что даже многие эксперты часто расходятся в оценке позиции.

И тут появляется вторая нейросеть, которую учили оценивать позицию с помощью сыгранных партий. Позиция игрока, который в конечном счете выиграл, принимается за выигрышную, позиция проигравшего — за проигрышную. И дальше машина тренируется определять, выигрышная или проигрышная та или иная позиция и с какой вероятностью.

Что в итоге? Программа научилась предсказывать следующий лучший ход, затем просчитывает какое-то количество вариантов, используя метод относительно простого перебора, а в конце просчета решает, стала позиция лучше или нет.

— То есть она все равно не досчитывает до финала партии?

— Нет, конечно, в го это практически нереально. Разве что в самом конце игры, но в остальных случаях до конца досчитать невозможно.

Важно

После того, как программа научилась делать эти три действия, она начала играть на уровне очень хорошего игрока. И возникает вопрос: а зачем, собственно говоря, дальше ориентироваться на сыгранные партии? Дальше эти партии можно создавать самостоятельно — то есть программа начинает играть сама с собой.

Уникальность задач, связанных с играми, в том, что программа может сама для себя подготовить обучающую выборку не хуже той, что ей предоставит человек.

Если мы, например, говорим о задаче распознавания текстов на изображении, то там тоже применяется такой метод, как синтетическая генерация данных.

Просто очень дорого руками набирать тексты и размечать их, поэтому программы генерируют большое количество изображений с разными шрифтами и искажениями, а дальше их распознают.

Но синтетическая генерация данных, конечно, отличается от естественной — в жизни приходится иметь дело с чуть другими шрифтами, с чуть иными искажениями, поэтому в этой сфере обучение на сгенерированных данных неидеально. В го же синтетические данные — то есть игры программы самой с собой — ничем по сути не отличаются от игр человека с человеком.

Даже сейчас, пока мы с вами общаемся, даже в то время, когда программа играет матч с Ли Седолем, где-то в другом месте — на другом кластере — нейронная сеть продолжает играть сама с собой и учиться на результатах этих игр.

— В этой истории самое непонятное для меня — интуиция. Каким-то образом машина, которая не умела ничего предсказывать, поиграв миллионы раз, вдруг обретает интуицию и начинает предугадывать хорошие ходы. Как это?

— Я склонен считать, что интуиция — это некий неосознанный опыт: когда мы благодаря какому-то большому количеству событий накопили наш опыт, накопили некое понимание, что будет в том или ином случае, но еще не можем это как-то осознать, превратить в определенные факторы.

Например, хороший грибник идет по лесу и знает, что здесь, скорее всего, будут грибы. Он не может объяснить почему, но ему так кажется. Это не значит, что он всегда прав, но вероятность того, что он угадал, выше, чем у обычного человека. Почему? Потому что у него есть некий опыт. Он сам не может понять, почему так, но, видимо, какая-то похожая картина ему уже встречалась.

Абсолютно то же самое происходит и с нейронной сетью. В конкретном примере — в игре го — игрок, который выиграл огромное количество партий, начинает чувствовать, что один ход будет хорошим, красивым, гармоничным, а другой — не очень. То же самое — у машины.

Совет

Можно привести пример с изучением языка — дети говорят на своем родном языке грамотно. Сильно позже, в школе, они начинают узнавать правила, а до этого говорят правильно, потому что у них есть какой-то набор штампов. Они понимают, что так правильно, а так нет.

Они могут ошибаться, конечно, потому что есть множество исключений, но они учатся правильной речи на примерах. То же самое происходит у машины. Если ей показали большое количество примеров, она все равно тянется к тому, что видела раньше, к похожему варианту.

Ей кажется, что в этой ситуации будет красиво, логично, замечательно пойти сюда, а туда — уже не очень здорово и красиво.

— А это не добавляет условной предсказуемости? Почему бы не сделать машину, наоборот, непредсказуемой, чтобы она ходила так, как никто до этого не пытался ходить, и запутать игрока?

— Парадокс заключается в том, что ходы самых сильных игроков в достаточной степени непредсказуемы. Поэтому, глядя на них, программа учится делать непредсказуемые ходы. Если записать ход ее мысли — хотя такого хода мысли там, конечно, нет — то он будет примерно таким: «Что-то этот ход слишком банальный и предсказуемый, чтобы быть лучшим ходом на доске».

Источник: https://dev.by/news/kak-iskusstvennyy-intellekt-nauchilsya-igrat-v-go-luchshe-cheloveka

Ссылка на основную публикацию
Adblock
detector