09.10.2019

      Искусственный интеллект: гайд для рекрутеров

      Когда ИИ называют любую систему автоматизации или нейронную сеть, у сидящего рядом разработчика начинает пульсировать вена на виске. Особенно остро проблема различия понятий искусственного интеллекта становится для рекрутера: не хочется же показаться недостаточно профессиональным. Поэтому теряйтесь в измерении современных технологий, а читайте наш упрощенный гайд по ИИ для рекрутеров.

      Что такое искусственный интеллект (Artificial intelligence, AI)?

      Идея создания искусственного интеллекта и ее реализация стала актуальной после Второй мировой войны. Тогда появились предпосылки со стороны развития техники и технологий, к тому же шел холивар в сфере философии и человеческих наук. Последний был посвящен вопросу “может ли машина думать подобно человеку”. Чтобы положить ему конец, Тьюринг предложил свой пресловутый тест.
      Смысл проверки был в том, чтобы убедить эксперта, что он общается в переписке с человеком, а не машиной. Сам Тьюринг закладывал в понятие интеллекта возможность ошибок, необходимость времени на размышления, саморазвитие и т.д., желания и эмоции. Однако его тест проверял скорее возможность машины обмануть человека, чем иметь собственный интеллект.

      Illustration

      Одним из примеров, когда ИИ смог обмануть эксперта, была Элайза. Она подражала психотерапевту, заставляя людей больше говорить о себе, а потом уточняла услышанное вопросами. Другим путем пошел чат-бот Перри. Он притворялся параноидальным шизофреником, который уводил разговор к навязчивым идеям. Еще одним роботом, который смог пройти тест Тьюринга был Евген Густман. Он выдавал себя за подростка из Украины, поэтому все ошибки и неточности речи списывали на языковой и культурный барьер.

      Но даже боты, которые использовали специальные технологии обучения, не смогли идеально “по-честному” пройти тест. Зачастую их выдавали неспособность найти и переключится на новую тему, а также отсутствие личности. 

      После теста Тьюринга эксперты пытались проверить машины на наличие творческих способностей, визуального восприятия, физических действий и даже на чувство юмора. Проблема, с которой сталкивались все создатели ИИ, состоит в том, что машина не способна охватить интеллект со всех сторон. Они могли выполнять одну конкретную задачу, а в большинстве случаев такая ситуация сохраняется и в настоящее время. Грубо говоря, если вы закинете человека в неизвестную среду, то он будет выбирать конкретную модель поведения или ориентироваться на ситуацию. Технологии, которые сейчас называют ИИ, на такое смогут ответить вам только ERROR’ом.

      Классическим примером применения ИИ является определение кошек на фото. Распознавание конкретного предмета на фото стало одной из первых, простейших задач ИИ. Далее ее развитие дошло до распознавания 5000 видов животных. Но если вы не понимаете масштабы возможности распознавания кошек, давайте рассмотрим их применение в медицине. Например, доказано ИИ в постановке диагноза не уступает обычным врачам. В сфере сельского хозяйства он используется для контроля за состоянием растений, уровнем влажности и наличием в почве необходимых питательных веществ. В нашей повседневной жизни: в умном доме, автоматических переводчиках и т.д. ИИ - это давно не оторванная от реальной жизни технология.

      В зависимости от того, что вы считаете интеллектом, ИИ можно назвать Siri или даже Т9, а можно и сказать, что его и вовсе пока не существует. Наше мнение в том, что называть эти отдельные примеры искусственным интеллектом - это то же, что называть любую машину ладой калиной. Важно различать направления ИИ, а также понимать, что даже все вместе они не могут заменить человека полностью.

      Экспертные системы (Expert systems, ES)

      Один из самых НЕ мейнстримных терминов в IT - это экспертные системы. Они появились еще в 60-х годах и предвещали как минимум создание сверхразума, но не смогли оправдать ожиданий. Такие системы действуют по принципу “загрузи данные - получи результат”, что частично заменяет эксперта в определенной области.
      В основном ЭС были направлены на сферу медицины, бухгалтерии, юриспруденции и экономики. Главная проблема таких систем в том, что они требуют тщательно составленной базы данных. В узких областях экспертов, которые могли бы посвятить свое время на создание такой базы, мало. К тому же сами эксперты не всегда осознают, что нужно заносить и сами собой разумеющиеся вещи, а их отсутствие может привести к ошибке. Последний факт делает ЭС вспомогательным средством в какой-либо сфере, но не панацеей.

      Пример. Мы посвящаем огромное количество времени на формирование базы данных об особенностях разных видов котиков. Человек хочет проверить, какая порода у котика, которого он приютил. Он отвечает на главные вопросы ЭС: вес, рост, цвет шерсти, разрез глаз и т.д. Однако ответа система дать не может: в нее не загрузили данные о том, что котики могут быть не породистыми. Проект с крахом закрывается, сотни людей остаются без работы, а пользователи все еще не знают, что за порода у их питомцев.

      Почему эта, казалось бы, примитивная технология перечислена к ИИ?
       - Она сыграла свою роль в процессе развития технологий искусственного интеллекта; - Она обладает одним из центральных понятий ИИ - знанием.

      Машинное обучение (Machine learning, ML)

      Предполагая существование интеллекта у машины, мы говорим и о ее возможности обучаться. Конечно, сам способ обучения нам не привычен.
      Грубо говоря, мы загружаем в систему миллион фото с котиками, она их анализирует самостоятельно, находит шаблоны и в итоге может сказать, где котик, а где нет. Выводы “котик = если 4 лапы, усы и хвост” представлены в виде набора нулей и единиц, так что даже сами разработчики не понимают, как система обучается. Ну и, конечно, ИИ в этом случае может ошибаться или делать “субъективные” выводы.

      Наиболее актуальным сейчас считается использование машинного обучения в сферах компьютерного зрения, распознавания языка, а также в предиктивной аналитике.

      Illustration

      Computer Vision (CV) - компьютернее зренее, анализ изображения и поиск совпадений или конкретных объектов. Часто используется в камерах видеонаблюдения, для распознавания номеров на транспорте, face ID в телефонах, а теперь набирает популярность благодаря самоуправляемым автомобилям. Компания Intelligent Vision System создала робота, который может определить, кто с ним говорит или же выгнать с дивана кошку. Компьютерное зрение помогает роботу различать объекты разного размера и определять их положение. Так робот может взять предмет и принести в нужное место. Такие навыки отлично бы пригодились для обслуживания столиков в ресторане или простой уборки.

      Natural language processing (NLP) - распознавание языка “на слух”, машинный перевод, классификация текстов на тематические категории или спам - не спам. Широко используется в голосовых помощниках: Siri, Алиса, Google Assistant.

      Predictive analytics (PA) - аналитика, которая охватывает область прогнозирования. Берет за основу существующие данные и строит прогнозы, что делает ее очень актуальной в сфере бизнеса и планирования. Например, сеть магазинов Walmart уже используют эту систему: она запрашивает информацию у кассовых терминалов и дает прогноз, какие товары будут пользоваться спросом, а какие — нет.

      Нейронные сети (Neural network, NN)

      Машинное обучение невозможно рассматривать в отрыве от нейронных сетей. Искусственная нейронная сеть - это такая имитация любой сенсорной системы человека. Они могут принимать и “реагировать” на определенную информацию или действие. Чаще всего именно нейронную сеть и прячут за пафосным названием ИИ.

      Еще один пример с котиками: мы показываем нейронной сети фото котика и она говорит нам, котик ли это. При этом она опирается на данные, собранные с помощью машинного обучения.


      Нейронные сети показывают и очень интригующие результаты: обученная на нескольких миллионах видео, нейронная сеть Speech2Face научилась воссоздавать по спектрограмме речи человека примерное изображение его лица.

      Illustration

      Кажется, что возможности нейронной сети+машинного обучения безграничны. Давайте загрузим в них фото всех человеческих эмоций и будем знать, кто врет, а кто нет. Или на основе всех наших предыдущих партнеров искать новых. Или давайте сделаем систему видео-собеседований для рекрутинга, которая будет оценивать кандидатов в сравнении с нашими работниками и выбирать наиболее похожих на них. А применения в науке, медицине, финансах… Но, на самом деле, все эти мечты смогут осуществиться только в далеких планах.

      Нейронная сеть выдаст вам усредненное значение проанализированного, в ней нет интуиции или человечности, чтобы додумывать особенные смыслы. Она видит, что среди понравившихся вам людей в сервисе быстрых знакомств больше смуглых и выдаст вам смуглых парней. Она не сможет проанализировать их душу с помощью приемов соционики и понять, кто будет вам идеальной парой. С нынешними технологиями это может стать только идеей для новой серии Черного зеркала.

      Вместо вывода

      Богоподобного ИИ в ближайшее время мы точно не увидим. С точки зрения маркетинга удобно продвигать свой проект под раскрученным названием “Искусственный интеллект”, но ничего невероятного или волшебного за этими словами не стоит. Важно помнить, что разработчики - люди, а не волшебники и то, что они делают - это практическая работа. Мы видим результаты их деятельности вокруг каждый день и даже не думаем принимать тот же Т9 за суперсовременную технологию. Поэтому отложите восстание машин на ближайшие 10-20 лет и подходите к рассмотрению резюме здраво.

      Команда ITExpert