Академиялық зерттеулерден өндіріс бағыттарына дейін: қазіргі заманғы өндірісте, сондай-ақ шағын және орта бизнесте жасанды интеллекттің эволюциясы, бетбұрыс нүктелері, шектеулері және нақты қолданылуы

Компанияда біз әңгімелескен кезде Өсімдіктерді болжамды күтіп ұстауға қолданылатын жасанды интеллект, Кімге өндірістік процестердің автоматтандырылған сапаны бақылауы немесеөндірістік мәліметтерді талдау, көбінесе біз оның тарихы туралы қаншалықты аз білетінімізді түсінеміз. Бұл әсер тез таралуымен байланысты генеративтік құралдар Соңғы жылдары кейде жасанды интеллект кенеттен пайда болды, бұл тікелей салдары ретінде үлкен тілдік модельдер және көпшілікке қолжетімді болған платформалар.

Шын мәнінде, біз бүгін осылай атаймыз «AI» бұл әлдеқайда ұзақ сапардың нәтижесі, онымен белгіленген теориялық түсініктер, ынта-жігер, сәтсіздіктер, технологиялық шектеулер, жаңа есептеу архитектуралары және өңдеу қуатының біртіндеп артуы. Жүйенің артында компоненттегі ақауды анықтау, машинадағы аномалияны болжау немесе компанияға ақпаратты басқаруға көмектесу, ондаған жылдар бойы математикалық және информатика саласындағы зерттеулер, сонымен қатар алыс салаларда туылған инновациялар бар, мысалы, сандық графика жәнебейне ойын индустриясы.

Бұл тарихи көзқарас әсіресе маңызды болған кезде Жасанды интеллект зауытқа енедіТехникалық тұрғыдан мүмкін болатын нәрсені күтілетін немесе коммерциялық баяндауларға жататын нәрселерден бөлу бізге тиісті құралдарды таңдауға, олардың шектеулерін түсінуге және оларды дәлірек бағалауға мүмкіндік береді. шығындар, пайда, тәуекелдер және жауапкершіліктер.

Дегенмен, жасанды интеллекттің қайдан шыққанын түсіну, ең алдымен, түсінуге көмектеседі бүгінде ол не істей алады және не істей алмайдытіпті өндіріс сияқты нақты секторда да. Сондықтан оның шығу тегін білу тек технологиялық тарихты қалпына келтіруді ғана емес, сонымен қатар оны қалай енгізу керектігін шешу үшін жақсы құралдарды алуды білдіреді. өндірістік процестер қуатты технологияны түсініксіз уәдеге айналдырмай.

Алан Тьюринг және Дартмут: Тәртіпті тудырған сұрақ

Мұның бәрі 1950 жылы, британдық математигі Алан Тьюрингтің «Есептеу техникасы және интеллект» атты мақаласын жариялаған кезде басталды, онда ол машиналар ойлай ала ма деген сұраққа жауап берді. Онда ол кейінірек не деп аталатынын ұсынды. Тьюринг сынағы, машинаны адам үшін басқа адаммен қарым-қатынастан ажыратылмайтын тілдік өзара әрекеттесуді қолдау қабілеті арқылы бағалау идеясына негізделген.

Жасанды интеллекттің пән ретіндегі шынайы пайда болуы алты жылдан кейін болды. 1956 жылдың жазында Дартмут колледжінде Джон Маккарти Марвин Мински, IBM компаниясының Натаниэль Рочестер және Bell Labs компаниясының Клод Шеннонмен бірге информатика тарихындағы маңызды кезеңге айналатын зерттеу жобасын ұйымдастырды. Маккарти сол бастамаға дайындалған ұсыныста «Жасанды интеллект» терминін қолданды:

«Оқудың кез келген аспектісін немесе интеллекттің кез келген басқа ерекшелігін, негізінен, машина оны модельдей алатындай дәлдікпен сипаттауға болады».

Бастапқы уәделер, қаржыландырудың азаюы, күмәншілдіктің артуы

Бастапқы ынта көп ұзамай сол кездегі технологиялық шектеулермен және қолжетімді мүмкіндіктердің қанағаттандыра алмайтын үміттерімен қақтығысты. 1969 жылы Марвин Мински мен Сеймур Паперт бір қабатты нейрондық желілердің маңызды шектеулерін атап өткен және осы зерттеу бағытына қызығушылықтың төмендеуіне ықпал еткен «Перцептрондар» атты еңбек жариялады.

Дегенмен, алғашқы «Жасанды интеллект қысын» тудырған бірде-бір кітап болған жоқ. 1970 жылдары есептеу қуатының жеткіліксіздігі, күрделі мәселелерді шешудегі қиындықтар, күткеннен төмен нәтижелер және қаржыландырушылардың күмәндануы күшейе түсті. Біріккен Корольдікте Лайтхилл есебі 1973 жылғы еңбекте пәннің қол жеткізген жетістіктері туралы қатты сыни пікір білдіріліп, зерттеулерге қоғамдық қолдаудың төмендеуіне ықпал етеді.

1980 жылдары қызығушылық қайтадан арта бастады, әсіресе ... арқасында сараптамалық жүйелер, мамандандырылған шешім қабылдау процестерін білім базалары мен анықталған ережелер арқылы қайта жасауға арналған бағдарламалар. Бұл құралдар өнеркәсіпте де қолданылды, бірақ жоғары шығындар, қаттылық, жаңартудың қиындығы және тағы да шамадан тыс күтулер онжылдықтың соңы мен 1990 жылдардың басы аралығында көңілсіздіктің екінші кезеңіне әкелді.

Бейне ойындар, графикалық процессорлар, параллель матрицалар: бұл терең оқытудағы бетбұрыс нүктесі.

Соңғы онжылдықтардағы үлкен үдеу сандық графика және бейне ойын индустрияларындағы жетілген эволюциядан да туындайды. Нақты уақыт режимінде үш өлшемді сценарийлерді жасау үшін аппараттық құрал өндірушілері ... әзірлейді. GPUГрафикалық өңдеу блогы, арнайы жоғары жылдамдықты жадтармен қолдау көрсетілетін үлкен көлемдегі математикалық операцияларды параллель орындауға мамандандырылған процессорлар.

Бұл архитектура дәстүрлі процессорлардан ерекшеленеді. Соңғылары өте әртүрлі нұсқаулық тізбектерін үлкен икемділікпен өңдеуге арналған; екінші жағынан, графикалық процессорлар бір уақытта өте көп мөлшерде ұқсас есептеулерді орындай алады. Бұл мүмкіндік матрицалық көбейтулер мен нейрондық желілерді оқыту үшін қажетті басқа да сандық операцияларға өте қолайлы.

GPU-лардың таралуы біртіндеп оларды тек графикалық емес есептеулер үшін пайдалануға мүмкіндік беретін құралдармен, сондай-ақ қолжетімді деректер жиынтығының өсуімен, жад сыйымдылығының артуымен және оқу алгоритмдерінің жетілдірілуімен қатар жүруде.

Олардың ішінде келесілер негізгі маңызға ие: қатенің кері таралуынемесе кері таралу. Бұл әдістің математикалық алғышарттары 1980 жылдардан бастау алады, бірақ Дэвид Румельхарт, Джеффри Хинтон және Рональд Уильямстың 1986 жылы жариялаған жұмысы көп қабатты нейрондық желілерді оқытуда оны ықпалды пайдалануға шешуші үлес қосты.

Символдық бетбұрыс 2012 жылы келеді AlexNetGPU көмегімен оқытылған нейрондық желі ImageNet бәсекелестігіндегі көптеген бәсекелес тәсілдерден айтарлықтай асып түсті, бұл параллель есептеулердің, үлкен көлемдегі деректердің және терең желілердің үйлесімі компьютерлік көруді қалай түбегейлі өзгерте алатынын көрсетті. Содан бері GPU терең оқыту инфрақұрылымының орталық компонентіне айналды.

2017 жылы бір топ зерттеушілер «Назар аудару - сізге қажет нәрсе» атты мақала жариялады.«, сәулет өнерімен таныстыру трансформаторОның назар аудару механизмі модельге дәстүрлі қайталанатын желілердің орналасуына сәйкес бірінен соң бірін өңдеудің қажеті жоқ, тізбектің әртүрлі бөліктерін байланыстыруға мүмкіндік береді.

Бұл архитектура ірі тілдік модельдердің техникалық негіздерінің біріне айналады, ал бес жылдан кейін ChatGPT-тің де негізіне айналады, бұл генеративті жасанды интеллектті миллиондаған адамдардың күнделікті тіліне енгізуге көмектеседі.

Классикалық информатиканың детерминизмінен тыс ықтималдық қорытындысы

Тағы бір жиі түсінілмейтін аспект бұл жүйелердің «ойлау тәсіліне» қатысты. Дәстүрлі компьютерлер формальды түрде анықталған нұсқауларды орындайды және барлық нәрсе тең болған кезде қайталанатын нәтижелер береді. Екінші жағынан, қазіргі заманғы, ауқымды тілдік модельдер оқыту кезінде үйренілген параметрлерге сүйене отырып, өңделетін контексте қандай элементтердің пайда болуы ықтимал екенін бағалайтын статистикалық механизмдер арқылы жұмыс істейді.

Осы себепті оларды белгілі бір жеңілдетумен былай сипаттауға болады ықтималдықты қорытындылау қозғалтқыштарыМәтінді жасау кезінде тілдік модель ықтимал кейінгі элементтермен байланысты ықтималдық үлестірімдерін бағалайды және нәтижені біртіндеп құрастырады.

Сондықтан, міндетті түрде бір ғана алдын ала есептелген жауап болуы міндетті емес. Нәтиже контекстке, алынған нұсқауларға, берілген деректерге және генерациялауда қолданылатын параметрлерге байланысты өзгеруі мүмкін. Бұл дәстүрлі детерминирленген бағдарламалық жасақтамадан айтарлықтай ауытқу болып табылады және бұл жүйелердің ерекше икемділігі мен ішкі қателіктерін түсіндіруге көмектеседі.

Ірі лингвистикалық модельдердің таралуының маңызды мысалы - Қоңыраулар, Meta 2023 жылдан бері әзірлеген үлкен тілді модель Meta AI отбасы. Meta бірнеше модельдің салмағын өз лицензиялары арқылы қолжетімді етті, бұл зерттеушілерге, әзірлеушілерге және компанияларға осы жүйелерді пайдалану және мамандандыру мүмкіндіктерін айтарлықтай кеңейтті.

LLaMA-ны жай ғана «ашық бастапқы код» деп анықтау сақтықты талап етеді: байланысты лицензияларға Open Source Initiative қабылдаған ашық бастапқы кодты бағдарламалық жасақтама анықтамасына толық сәйкес келмейтін шарттар мен шектеулер кіреді. Сондықтан модельдер туралы айту дәлірек болады. ашық салмақяғни, қолжетімді салмақтармен, бұл кез келген жағдайда тіпті шағын өндірістік компаниялар үшін де қызықты болуы мүмкін теңшелетін жүйелерде кең эксперименттерді қолдады.

ANI, AGI, ASI: ағымдағы құралдар мен болашақ теориялық сценарийлер арасындағы шекаралар

Пікірталаста бағдарлану үшін үш дәстүрлі санатты ажырата білу пайдалы.Жасанды тар интеллект (ЖТИ), сондай-ақ «әлсіз» деп аталады, сөйлеуді тану, компьютерлік көру, деректерді талдау, процестерді оңтайландыру және мазмұнды жасау сияқты нақты тапсырмаларды немесе тапсырмалар кластарын орындауға арналған жүйелерді қамтиды.

Тіпті өте күрделі жүйелер де өз дағдыларын кез келген мүмкін салаға берудің жалпы және автономды мүмкіндігіне ие болмаған кезде осы санатқа жатуы мүмкін.

L 'Жасанды жалпы интеллект, AGI, оның орнына, адамдардың жалпылығымен салыстыруға болатын, өте кең ауқымды мәселелерді шешуге үйренуге, түсінуге және өз мүмкіндіктерін қолдануға қабілетті машинаны білдіреді. Дегенмен, AGI-дің әмбебап ортақ анықтамасы немесе ғылыми қауымдастық тарапынан осы санатқа жататын деп бірауыздан танылған жүйе жоқ.

Соңында Жасанды супер интеллект, ASI (Жасанды супер интеллект), көптеген когнитивті салаларда адам мүмкіндіктерінен айтарлықтай асып түсе алатын жасанды интеллекттің гипотетикалық түрін сипаттайды. Қазіргі уақытта ол теориялық сценарий болып қала береді.

Киберқауіпсіздік, басқару және осалдықтарға қарсы жауапкершілік

Генеративті жасанды интеллекттің дамуы жаңа шабуыл беттерін енгізеді. Модельдер құжаттар, хабарламалар, дерекқорлар, веб-сайттар және басқа да сыртқы көздер арқылы нұсқаулар ала алады, бұл дәстүрлі компьютерлік жүйелерде бұрын болмаған манипуляция мүмкіндіктерін жасайды.

2024 жылы кейбір зерттеушілер эксперименталды түрде жүзеге асыру мүмкіндігін көрсетті өзін-өзі қайталайтын қарсыластарды шақыру өзара байланысты генеративті жасанды интеллект негізіндегі қолданбалар арасында тарала алады. Тұжырымдаманың дәлелі деп аталады Моррис II, жанама жедел инъекция әдістерінің құрт тәрізді көбеюді қалай тудыруы мүмкін екенін және кейбір эксперименттік архитектураларда қажетсіз әрекеттерді немесе ақпаратты шығаруды қалай тудыруы мүмкін екенін көрсетті.

Бұл осындай құрттар корпоративтік жүйелерде жүйелі түрде таралып жатыр дегенді білдірмейді. Дегенмен, бұл әртүрлі жасанды интеллект негізіндегі компоненттер бір-біріне қосылған және сыртқы деректерге немесе құралдарға қол жеткізуге рұқсат етілген кезде байыпты қарау керек осалдықтардың белгілі бір класы көрсетілгенін білдіреді.

Сондықтан, генеративті модельдерді өздерінің басқару және өндіріс жүйелеріне біріктіретін шағын және орта бизнес субъектілері үшін қауіпсіздік, деректерді оқшаулау, енгізуді басқару, авторизацияны басқару және шығысты бақылау жобалау кезеңінен бастап сәулеттік компоненттер ретінде қарастырылуы керек.

Қазіргі цифрлық революциядан әлдеқайда бұрын, Исаак Азимов әйгілі ... арқылы машиналардың автономиясы, жауапкершілігі және адамдардың қорғалуы арасындағы байланыс мәселесін көркем әдебиетке енгізген болатын. Робототехниканың үш заңы.

Бұл тұжырымдар ғылыми фантастикаға жатады, бірақ негізгі сұрақтар нақтыланды: жүйенің шекараларын кім белгілейді, оның қателіктері үшін кім жауап береді, қандай шешімдерді басқаларға беруге болады және адамдарға әсер ете алатын алгоритмдерді пайдалану қандай кепілдіктермен бірге жүруі керек?

Бүгінгі таңда жасанды интеллект туралы еуропалық ережеден бастап модельдердің қауіпсіздігіне, ашықтығына және сенімділігіне арналған халықаралық бастамаларға дейін осыған ұқсас мәселелер төңірегінде жасанды интеллектті реттеу және басқару дамып келеді.

Өндіріс, ШОБ, цифрлық фабрикалар: ауыстыру мифтері жоқ қолданбалар

ШОБ менеджері ретінде сабақ қарапайым: бүгінде тиімді түрде қолдануға болатын жасанды интеллект негізінен мамандандырылған құралдардан тұрады. Ол сату ұсыныстарын жылдамырақ және мақсатты түрде әзірлеуге, CRM қызметін қолдауға, болжамды техникалық қызмет көрсету арқылы сәтсіздіктерді алдын алуға, өндіріс циклдарын оңтайландыруға, көп көлемдегі деректерді талдауға және сапаны бақылау бөліктерін автоматтандыруға көмектеседі.

Компьютерлік көру жүйесі өндірістік ақауларды анықтай алады; болжамдық модель зауыт параметрлеріндегі ауытқуларды олар істен шыққанға дейін анықтай алады; генеративтік құралдар құжаттаманы, баға ұсыныстарын және сату туралы коммуникацияларды дайындауға көмектесе алады; оңтайландыру алгоритмдері өндірісті жоспарлауға және ресурстарды орналастыруға көмектесе алады.

Бұл адамның пайымдауын ешбір айырмашылықсыз алмастыра алатын жалпы интеллектке ие болу дегенді білдірмейді. Керісінше, бұл анықталған тапсырмалар, деректер, процедуралар және жауапкершіліктер шеңберінде өте қуатты құралдарды пайдалануды білдіреді.

Оның тарихын түсіну – қызықты оқиғаларға, өрлеу мен құлдырауға, қайта туылуларға, күтпеген аппараттық инновацияларға және жаңа есептеу парадигмаларына толы – жасанды интеллектті технологиялық уәдеден шынымен пайдалы бизнес құралына айналдыру үшін қажетті сенімділікпен қабылдаудың алғашқы қадамы болып табылады.

Гуманоидты роботтар және физикалық жасанды интеллект: BMW Group зауыты қалай өзгеруде

DAMA Tecnopolo: Болоньядағы нақты инновациялар үшін деректер, суперкомпьютерлер және жасанды интеллект

Лихтенштейн және қоғамдық AI: Landesverwaltung-дағы жауапты инновация

Міне, сізді қызықтыруы мүмкін үш түсінік:

«Мультивактың өмірі мен уақыты» және қазіргі заманғы жасанды интеллект
Генеративті AI: бұл не және ол бізді қалай өзгертеді
Dallara мен IBM аэродинамикалық туннельге жасанды интеллектті қалай енгізеді