Штучний інтелект: Гайд Для Рекрутерів

Микола Клєстов 09.10.2019

Коли штучним інтелектом називають будь-яку систему автоматизації або нейронну мережу, у сидячого поруч розробника на скроні починає пульсувати вена. Особливо гостро проблема відмінностей понять штучного інтелекту постає для рекрутера, адже нікому не хочеться здаватися недостатньо професійним. Тому не губіться у вимірах сучасних технологій, а читайте наш спрощений гайд штучним інтелектом для рекрутерів.

Що таке штучний інтелект (Artificial intelligence, AI)?

Ідея створення штучного інтелекту та її реалізація стала актуальною після Другої світової війни. Тоді ж з’явилися перші передумови з боку розвитку техніки та технологій, а у сфері філософії та соціальних наук точився справжній холівар. Останній був присвячений питанню “чи може машина думати як людина”. Щоб поставити крапку у цьому питанні, Тюрінг запропонував свій славнозвісний тест.

Суть перевірки була в тому, щоб переконати експерта, що він переписується з людиною, а не з машиною. Сам Тюрінг вкладав у поняття інтелекту можливість помилок, необхідність часу на роздуми, розвиток і т.д., бажання та емоції. Однак його тест скоріше перевіряв, чи може машина обдурити людину, ніж чи може машина мати власний інтелект.

Дивитись детальніше

Одним з прикладів, коли штучний інтелект зміг обдурити експерта, була Еліза. Вона наслідувала поведінку психотерапевта, змушуючи людей більше говорити про себе, а потім ставила питання для уточнення інформації. Іншим шляхом пішов чат-бот Перрі. Він прикидався параноїдальним шизофреніком, який переводив розмову до нав’язливих ідей. Ще одним роботом, який зміг пройти тест Тюрінга, був Євген Густман. Він прикидався підлітком з України, тому усі помилки та неточності у мовленні списували на мовний та культурний бар’єр.

Але навіть боти, які використовували спеціальні технології навчання, не змогли “по-чесному” пройти тест. Найчастіше їх видавала неможливість знайти та переключитися на нову тему, а також відсутність особистості.

Після тесту Тюрінга експерти намагалися перевірити машини на наявність творчих здібностей, візуального сприйняття, фізичних дій і навіть на п очуття гумору. Проблема, з якою стикалися всі творці штучного інтелекту полягала в тому, що машина не здатна охопити інтелект з усіх сторін. Вони могли виконувати одну конкретну задачу, а в більшості випадків така ситуація зберігається і нині. Грубо кажучи, якщо ви помістите людину в невідоме середовище, то вона буде обирати конкретну модель поведінки або орієнтуватися за ситуацією. Технології, які зараз називають штучним інтелектом, на таке зможуть відповісти тільки ERROR’ом.

Дивитись детальніше

Класичним прикладом використання штучного інтелекту є розпізнавання кішок на фото. Розпізнавання конкретного предмета на фото стало однією з перших найпростіших задач штучного інтелекту. Далі розвиток інтелекту дійшов до розпізнавання 5000 видів тварин. Але якщо ви не розумієте масштаби можливості розпізнавання кішок, розглянемо їх застосування в медицині. Наприклад, доведено, що штучний інтелект не поступається звичайним лікарям у поставленні діагнозів. У сфері сільського господарства штучний інтелект використовують для контролю за станом рослин, рівнем вологи та наявністю у ґрунті необхідних поживних речовин. У повсякденному житті: у розумному домі, автоматичних перекладачах і т.д. Штучний інтелект давно перестав бути технологією, відірваною від реального життя.

Залежно від того, що ви вважаєте інтелектом, штучним інтелектом можна назвати Siri або навіть Т9, але можна і сказати, що його поки що не існує. Наша думка полягає в тому, що називати ці окремі приклади штучним інтелектом — те саме, що називати будь-яку машину Ладою Калиною. Важливо відрізняти напрямки штучного інтелекту, а також розуміти, що навіть усі разом вони не зможуть повністю замінити людину.

Експертні системи (Expert systems, ES)

Один із найменш мейнстрімних термінів в IT – це експертні системи (ЕС). Вони з’явилися ще у 60-х роках і віщували як мінімум створення надрозуму, проте не виправдали очікувань. Такі системи діють за принципом “завантаж дані – отримай результат”, що частково замінює експерта у певних сферах.

В основному ЕС були спрямовані на медичну та бухгалтерську сфери, юриспруденцію та економіку. Головна проблема таких систем у тому, що для них потрібна ретельно створена база даних. А експертів у вузьких областях, які могли б присвятити час на створення такої бази, обмаль. До того ж самі експерти не завжди усвідомлюють, що в базу даних потрібно вносити і загальновідому інформацію, а її відсутність може призвести до помилки. Останній факт робить ЕС допоміжним засобом у якій-небудь сфері, але не панацеєю.

Приклад. Ми витрачаємо купу часу на формування бази даних про особливості різних видів котиків. Людина хоче перевірити, яка порода у котика, якого він прихистив. Він відповідає на головні питання ЕС: вага, зріст, колір шерсті, розріз очей і т.д. Однак система не може дати відповідь: в неї не завантажити дані про те, що коти можуть бути і не породистими. Проєкт з крахом провалюється, сотні людей залишаються без роботи, а користувачі все ще не знають, яка порода у їхніх улюбленців.

Чому цю, здавалося б, примітивну технологію відносять до штучного інтелекту?

Вона відіграла свою роль у процесі розвитку технологій штучного інтелекту;
Вона володіє одним з центральних понять штучного інтелекту – знанням.

Машинне навчання (Machine learning, ML)

Припускаючи, що у машини може бути інтелект, ми говоримо про її здатність навчатися. Звісно, такий спосіб навчання для нас є незвичним.

Грубо кажучи, ми завантажуємо в систему мільйон фото з котиками, вона їх самостійно аналізує, знаходить шаблони та у підсумку може сказати, де котик, а де ні. Висновки “котик = якщо 4 лапи, вуса і хвіст” представлені у вигляді набору нулів та одиниць, тож навіть розробники не розуміють, як система навчається. Ну і, звісно, штучний інтелект у такому випадку може помилятися або робити “суб’єктивні” висновки.

Найбільш актуальним нині вважається використання машинного навчання у сферах комп’ютерного зору, розпізнавання мов, а також у предикативній аналітиці.

Computer Vision (CV) – комп’ютерний зір, аналіз зображень та пошук збігів або конкретних об’єктів. Часто використовується у камерах відеоспостереження, для розпізнавання номерів на транспорті, face ID в телефонах, а тепер стає популярнішим завдяки самокерованим автомобілям. Компанія Intelligent Vision System створила робота, який може виявити, хто з ним говорить, або навіть зігнати з дивану кота. Комп’ютерний зір допомагає роботу розрізняти об’єкти різного розміру і визначати їхнє положення. Так робот може взяти предмет та принести його у потрібне місце. Такі навички стануть у нагоді при обслуговуванні столиків у ресторані або у звичайному прибиранні.

Natural language processing (NLP) – розпізнавання мови “на слух”, машинний переклад, класифікація текстів на тематичні категорії або спам – не спам. Широко використовується у голосових помічниках: Siri, Аліса, Google Assistant.

Predictive analytics (PA) – аналітика, яка охоплює область прогнозування. Бере за основу наявні дані та вибудовує прогнози, що робить її дуже актуальною у сфері бізнесу і планування. Наприклад, мережа магазинів Walmart уже використовують цю систему: вона отримує інформація від касових терміналів та дає прогноз, на які товари буде попит, а на які – ні.

Нейронні мережі (Neural network, NN)

Машинне навчання неможливо розглядати у відриві від нейронних мереж. Штучна нейронна мережа — це така імітація будь-якої сенсорної мережі людини. Вони можуть приймати та “реагувати” на певну інформацію чи дію. Найчастіше саме нейронну мережу ховають за пафосною назвою ШІ.

Ще один приклад з котиками: ми показуємо нейронній мережі фото котика і вона каже нам, чи це котик. При цьому вона спирається на певні дані, зібрані за допомогою машинного навчання.

Нейронні мережі показують і дуже цікаві результати: після проходження навчання на декількох мільйонах відер, нейронна мережа Speech2Face навчилася відтворювати за спектограмою мови людини приблизне зображення її обличчя.

Дивитись детальніше

Здається, що можливості нейронної мережі і машинного навчання безмежні. Завантажмо у них фото усіх людських емоцій та будемо знати, хто бреше, а хто ні. Або на основі усіх наших попередніх партнерів шукати нових. Або зробімо систему відеоспівбесід для рекрутингу, яка буде оцінювати кандидатів у порівнянні з нашими працівниками і відбиратиме найбільш схожих на них. А застосування у науці, медицині, фінансах… Але насправді усі ці мрії зможуть здійснитися тільки у далеких планах.

Нейронна мережа видасть вам середнє значення проаналізованого, а у неї немає інтуїції чи людяності, щоб додумувати особливі сенси. Вона бачить, що серед тих, хто вам сподобався в сервісі швидких знайомств більше смаглявих та видасть вам смаглявих хлопців. Вона не зможе проаналізувати їх душу за допомогою прийомів соціоніки та зрозуміти, хто буде вам ідеальною парою. З теперішніми технологіями це може стати тільки ідеєю для нової серії “Чорного дзеркала”.

Дивитись детальніше

Топ 3 факапи нейронної мережі:

Зв’яжіться з нами вже зараз

Замість висновку

Богоподібного штучного інтелекту найближчим часом ми точно не побачимо. З точки зору маркетингу зручно просувати свій проєкт під розкрученою назвою “штучний інтелект”, але нічого неймовірного або чарівного у цих словах немає. Важливо пам’ятати, що розробники – люди, а не чарівники, і те, що вони роблять – це практична робота. Ми бачимо результати їхньої діяльності навколо щодня і навіть не думаємо сприймати Т9 за суперсучасну технологію. Тому відкладіть повстання машин на найближчі 10-20 років і підходьте до розгляду резюме з розумом.