Разработка искусственного интеллекта с чего начать

С чего начать изучение искусственного интеллекта?

Машинное обучение и искусственный интеллект уже давно и прочно вошли в повседневную жизнь. Однако специалистов в этой области до сих пор очень мало. С чего же начать изучение сферы ИИ? На этот вопрос ответили пользователи сайта Quora. Сайт KV.BY опубликовал перевод некоторых ответов.

Шриканс Варма Чекури, преподаватель и исследователь в сфере машинного обучения

Я работаю преподавателем онлайн-курса по изучение искусственного интеллекта и машинного обучения. Этот курс создан для новичков, у которых нет никаких знаний в данной сфере, которые, однако, готовы на протяжении 5-6 месяцев тратить 5-10 часов в неделю на изучение машинного обучения. По окончании данного курса многие наши студенты действительно решают существующие задачи при помощи ИИ\МО.

Работа курса построена следующим образом:

Мы начинаем с базовых знаний об Python, включая изучение крупных библиотек данных, таких как NumPy, SciPy, MatPlotlib, Seaborn и др. Среди множества языков программирования мы выбираем Python (а не Java или, к примеру, R), потому что этот язык достаточно легко изучить. Кроме того, для него существует огромное количество отличных библиотек для ИИ\МО.

Как только усвоен базовый уровень программирования, участники курса учатся работать с данными, используя Python в качестве инструмента программирования. Данный этап носит название «Исследовательский анализ данных» и включает в себя использование инструментов для построения диаграмм, что облегчает работу с данными. На этом этапе изучаются базовые понятия, такие как гистограмма, PDF, CDF, точечная и прямоугольная диаграммы и другие. Анализу подвергаются реально существующие массивы данных. Благодаря использованию диаграмм для осуществления анализа данных, уже на начальных этапах обучения студенты могут увидеть результат проделанных ими исследований, что, несомненно, мотивирует их на дальнейшую работу.

После мы переходим к изучению статистики и теории вероятности. Данный блок информации воспринимается участниками курса легче, учитывая то, что на предыдущем этапе велась работа с данными. Участники курса знакомятся с такими понятиями, как распределение вероятностей, тестирование гипотезы, корреляция, доверительные интервалы и многое другое. При помощи простых примеров, разбавляющих «сухую» теорию, данная тема воспринимается намного лучше.

Дальше мы переходим к линейной алгебре. Хоть многим людям намного проще воспринимать зрительную информацию, поэтому диаграммы и геометрия намного легче для восприятия, чем уравнения, все же базовые знания в линейной алгебры необходимы.

Теперь можно перейти непосредственно к основам машинного обучения. Мы используем Метод главных компонент (PCA) и алгоритм t-SNE для визуализации многомерных переменных. Однако в качестве базиса для извлечения математических деталей используется геометрия.

Изучив все необходимые основы, можно переходить к главным алгоритмам машинного обучения. Что касается уравнений – они начинают нравиться студентам только тогда, когда студенты в них разобрались и могут с легкостью их читать. Поэтому мы подаем уравнения в форме описательных предложений, что помогает студентам быстрее разобраться в них и получить более четкое представление о происходящем.

По моему опыту, изучение каждой отдельной техники необходимо сочетать с параллельной работой над действительно существующей задачей той же направленности. В нашем курсе изучается более 25 техник машинного обучения и 5 техник глубокого обучения.

Если у вас есть свободное время, то неплохо было бы использовать каждый отдельный метод на практике. Это даст вам более глубокое понимание того, каким образом функционирует каждый алгоритм в машинном обучении.

Кроме того, студенту также необходимо понять и разобраться, как наиболее эффективно применять различные методы, в каких случаях метод работает не лучшим образом и что делать, если метод плохо работает.

Также, для более глубокого погружения в машинное обучение необходимо разбираться в базовой математике и применять различные техники для решения многочисленных задач, существующих в данной области.

Ражж Раж, разработчик ПО в компании Facebook

Искусственный интеллект – это область науки, которая предоставляет колоссальные возможности. Разве вам не хочется понять, как работают инструменты и системы, с которыми вы имеете дело каждый день? Однако разобраться в этом сможет далеко не каждый. Прежде чем углубиться в то, как компания Google стремится создать квантовый компьютер, вам необходимо разобраться с основами, а именно, с программированием. Для начала изучите хотя бы один язык программирования. К наиболее классным языкам я бы отнес Java , Python, C++, JavaScript и Ruby on Rails. Вот несколько отличных ресурсов, которые помогут вам начать:

Codecademy.com – полностью бесплатный вебсайт с интерактивными курсами, посвященными самым разным языками программирования. Присоединяйтесь к более чем 25-ти миллионам пользователей со всего мира и осваивайте новые знания.

Codeavengers.com – научитесь создавать приложения, игры и вебсайты с помощью Code Avengers | Code Avengers. На этом сайте представлены онлайн-курсы и учебные пособия для множества языков программирования, включая Python, HTML & CSS, JavaScript. Кроме того, здесь можно найти руководство для новичков по освоению программирования.

Udacity – это ресурс со множеством инновационных курсов по программированию. Некоторые обучающие программы бесплатны, поэтому данный сайт отлично подойдет начинающим разработчикам.

«Чистый код» Роберт Мартин («Clean Code», by Robert C. Martin) – для тех, кому больше нравится читать. В данной книге можно найти огромное количество примеров с использование Java, однако они применимы также и к другим языкам программирования. Данное пособие обращает особое внимание на правильную организацию кода, поэтому оно может стать вашим пошаговым руководством в изучении возможностей, которые вам предоставляет программирование.

Далее вам следует научиться работать с ботами. Отличным примером таких ботов являются специализированные поисковые роботы, которыми пользуются поисковые системы, тот же Google. Следующие ресурсы могут дать вам исчерпывающую информацию по этой теме:

Xpath – отличный ресурс, который помогает вам создавать ботов и исследовать HTML.

Regex – онлайн-инструмент, который обучает обработке информации, полученной при помощи ботов.

Requests – упрощенный HTTP; отличная HTTP-библиотека для веб-разработчиков, которые хорошо знакомы с языком программирования Python.

Чат-боты: подробное руководство для начинающих («The Complete Beginner’s Guide to Chatbots») – содержит всю необходимую информацию о чатботах, о том, что это такое и как их создавать.

После того, как вы определитесь с языком программирования, который будет соответствовать вашим способностям и умениям, а также познакомитесь и узнаете достаточно о чатботах, можно переходить к изучению машинного обучения. Однако стоит учесть, что для погружения в данную тему вам необходимо владеть, как минимум, базовым уровнем высшей математики и статистики – это поможет вам разобраться в алгоритмах МО. Ниже представлены некоторые учебные пособия, книги и гайды, которые помогут вам на первых порах:

«Программируем коллективный разум» Тоби Сегаран («Programming Collective Intelligence» by Toby Segaran) – хоть эта книга и была написана задолго до того, как машинное обучение достигло нынешнего уровня популярности, однако в ней эта технология представлена в легко воспринимаемой форме. Ключевые темы: функции поисковой системы, методы совместного фильтрования, метод опорных векторов и байесовская фильтрация. Для описания машинного обучения используется Python.

«Машинное обучение» Том Митчелл ([PDF] «Machine Learning», by Tom Mitchell) – отличное вводное пособие, содержащее подробный обзор алгоритмов машинного обучения. В книге представлены несколько тематических исследований, сопровождаемых простыми примерам, которые облегчают читателю понимание алгоритмов.

«Машинное обучение. Новый искусственный интеллект» Этем Алпайдин («Machine Learning: The New AI», by Ethem Alpaydi) – это книга о том, как с развитием цифровых технологий от базовых мейнфреймов до смарт-девайсов машинное обучение стало одной из передовых технологий в области компьютерных наук. Кроме того, из данного пособия можно узнать базовую информацию о машинном обучении, а также то, каким образом данную технологию можно применять в отношении приложений.

Подводя итог, вот список тех областей, в которых у вас должно быть достаточно знаний, чтобы разобраться с искусственным интеллектом:

• Высшая математика (например, алгоритм расчета коэффициента корреляции) и Статистика
• Язык программирования
• Машинное обучение
• Терпение. Прежде всего вам необходимо просто море терпения.

Для изучения ИИ существует огромное количество курсов как в реальном, так и в онлайн-формате. Udacity.com, mit.edu, edX.org и saylor.org предлагают действительно крутые онлайн-курсы по этой теме:

«Введение в искусственный интеллект» на udacity.com («Intro to Artificial Intelligence») – этот состоящий из 10 уроков онлайн-курс позволяет новичкам окунуться в мир ИИ. Вы познакомитесь с такими понятиями, как компьютерное зрение, машинное обучение, обработка естественного языка, робототехника и теория игр. Чтобы освоить этот курс, необходимо обладать базовыми знаниями по линейной алгебре и теории вероятности.

«Искусственный интеллект» на edX.org («Artificial Intelligence») – для изучения базовых концептов ИИ можно использовать курс, представленный на сайте edX. Данный курс уделяет особое внимание статистической модели и модели теории принятия решений. Необходимы достаточные знания в математике, а также начальные знания и базовый опыт в программировании. В качестве основного языка используется Python. В рамках данного курса студенты научатся создавать автономных интеллектуальных агентов, которые запрограммированы на принятие рандомных решений, а также изучат приложения машинного обучения.

«Искусственный интеллект» от MIT OpenCourseWare («Artificial Intelligence»)– данный курс предоставит своим студентам исчерпывающие знания по методам обучения ИИ. По завершении данного курса вы будете знать основные способы сборки решений. Кроме того, вы взглянете на человеческий интеллект с точки зрения высоких технологий.

«Искусственный интеллект» от Saylor Academy («Artificial Intelligence Course») – в рамках данного курса студенты получат углубленные знания в области ИИ. Особое внимание уделяется таким темам, как машинное обучение, программирование искусственного интеллекта, робототехника, а также понимание естественного языка.

«Искусственный интеллект: Принципы и методы» (Stanford University: «Artificial Intelligence: Principles & Techniques») – прекрасный учебный курс для тех, кто хочет узнать больше об искусственном интеллекте. Данный курс базируется на основополагающих принципах ИИ и включает в себя такие темы, как машинное обучение, Марковский процесс принятия решений, удовлетворение ограничений, а также графические модели. Главная цель курса – позволить студентам освоить различные инструменты, с помощью которых они смогут внедрить ИИ в повседневную практическую деятельность, тем самым решив ряд существующих проблем.

Помимо посвященных ИИ курсов, специалисты в сфере IT, а также изучающие компьютерные науки студенты могут расширить свои знания в данной теме при помощи соответствующей учебной литературы. Область искусственного интеллекта обладает огромным количеством интересных, а иногда и несколько запутанных вопросов и тем для изучения. Вот лишь некоторые из пособий, которые помогут вам разобраться в данной теме:

«Искусственный интеллект: современный подход», Стюарт Рассел и Питер Норвиг ([PDF] «Artificial Intelligence: A Modern Approach», by Stuart J. Russell and Peter Norvig) – в первой части книги рассматриваются интеллектуальные агенты, далее можно найти информацию о теории принятия решений, а также раскрытие таких понятий, как «восприятие» и «рассуждение». В конце книги авторы оценивают общий потенциал данной технологии и дают прогноз на будущее.

«Революция Искусственного интеллекта – путь к Супер-интеллекту», Тим Урбан («The AI Revolution: Road to Superintelligence») – крайне детализированная и взвешенная статья, в которой автор пытается развеять некоторые из наиболее распространенных заблуждений, которые касаются сферы искусственного интеллекта.

«Искусственный интеллект на практике: программирование на Java», Марк Уотсон ([PDF] Practical Artificial Intelligence: Programming in Java , by Mark Watson) – будучи нацеленной как на любителей, так и на профессиональных программистов, данная книга учит читателя тому, как применять ИИ на практике. Каждая глава содержит технику обучения, немного теоретической информации об этой технике и пример на Java, который демонстрирует, как именно эта техника может быть использована.

«На пути к искусственному интеллекту», Нильс Нильсон ([PDF] The Quest for Artificial Intelligence, by Nils J. Nilsson) – в этой книге содержится все, что вам нужно знать об искусственном интеллекте с самого начала существования технологии (когда ИИ существовал еще только в форме концепта) и до наших дней.

Мы упомянули различные курсы, которые могут помочь вам в изучении искусственного интеллекта, а также некоторые книги, способные углубить ваши знания по этой теме. Теперь мы бы хотели обратить внимание на различные точки зрения, имеющиеся касательно ИИ. Один из наиболее удобных способов познакомиться с ними – это посещение различных мероприятий и конференций, а также просмотр видеоконференций. Вот некоторые из наиболее интересных докладов и презентаций:

Илон Маск об Искусственном Интеллекте (Elon Musk talks about Artificial Intelligence at MIT) – это дискуссия длительностью более часа, записанная в 2014 году на праздновании 100-летия со дня основания Кафедры аэронавтики и астронавтики Массачусетского технологического института. Обсуждение охватывает множество тем: от исследования Марса и роли НАСА в этом до предупреждений о существующей опасности со стороны ИИ, а также об электромобилях компании Tesla.

Обсуждение статуса и места искусственного интеллекта в нынешнем мире (Davos 2016, The State of Artificial Intelligence) – обстоятельное обсуждение, главной целью которого было найти ответ на крайне важные вопросы: «Насколько близко передовые технологии подошли к тому, чтобы навсегда изменить человеческий разум?» и «Какое влияние оказывает ИИ на развитие нынешней промышленности?».

Документальный фильм «Искусственный интеллект и робототехника» ([Documentary] Artificial Intelligence and Robotics) – «Внешность может быть обманчива» — и данный документальный фильм расскажет вам, почему этой пословице стоит верить. На протяжении многих десятилетий научная фантастика показывала нам роботов, готовых преданно служить человеку. Однако ИИ и роботы уже давно перестали быть всего лишь темой для научно-фантастических фильмов. Роботы борются за свое место в этом мире, диком и не прощающем ошибок. Современные технологии, такие как машинное обучение, программирование и глубокое обучение, дают нам надежду на то, что в скором времени роботы из лабораторий станут нашими полноправными соседями в реальном мире.

Илон Маск рассказывает об искусственном интеллекте в Стэнфордском университете (Elon Musk talks about artificial intelligence at Stanford University (2015)) – речь посвящена разным вопросам, обсуждение непосредственно ИИ начинается на 27 минуте. Илон Маск рассуждает о передовых технологиях, их месте в будущем, а также делает прогноз, что будет представлять собой искусственный интеллект через 25 лет.

Билл Гейтс и Илон Маск рассуждают о безопасности ИИ (Bill Gates and Elon Musk talk about AI safety) – оба оратора говорят об суперинтеллекте, ИИ, а также о том, что технологии делают для людей. Главная цель обсуждения – это обратить особое внимание на то, что необходимо сделать искусственный интеллект максимально безопасным. Маск уточняет, что создать и выпустить ИИ – это не так уж и сложно. Обеспечить его безопасность в дальнейшем – вот в действительности непростая задача.

Искусственный интеллект давно перестал быть всего лишь плодом нашего воображения. На сегодняшний день данная технология более чем реальна. Мы высоко ценим таких виртуальных помощников, как Cortana, Siri и Google Now, за их вклад в нашу жизнь. Игровая индустрия использует искусственный интеллект для создания впечатляющих онлайн-продуктов, а автопромышленность на сегодняшний день стремится усовершенствовать самоуправляемые машины.

Кроме того, с помощью искусственного интеллекта работают специализированные программы, направленные на выявление случаев мошенничества, а также программы, которые прогнозируют и предугадывают желания покупателя. Говоря простым языком, наш дом, банк, смартфон и машина – все это работает на основе ИИ.

Сридхар Махадеван, член Ассоциации по продвижению искусственного интеллекта

Свой ответ я бы хотел начать с уточнения того, что большую часть своей жизни, то есть, почти 40 лет, я провел за работой над ИИ. Для начала хотелось бы развеять некоторые неверные стереотипы и заблуждения:

ИИ никогда не был и не является подразделом чего-то, на мой взгляд, крайне скучного и повседневного, в том числе и сферы программного обеспечения. Нет никакой необходимости разбираться или уметь писать код, чтобы понять ИИ (по крайней мере, на начальных этапах). По сути, это не только не принесет никакой пользы, а даже наоборот, может озадачить и отбить всякое желание заниматься этим дальше. Что действительно необходимо прежде всего сделать, так это разобраться в проблеме.

ИИ – это одна из величайших задач и загадок человечества, главная цель которой – это создание машины, которая будет в какой-то мере напоминать нас. Эта машина должна будет перенять наши самые впечатляющие и удивительные способности, которые позволяют нам при помощи сенсорных систем воспринимать, фильтровать и распределять огромное количество информации. Каждый раз, когда вы читаете газету или протягиваете руку, чтобы взять чашку кофе, вы проделываете то, на что многие машины совершенно не способны. И даже больше: величайшие умы человечества до сих пор не знают, как сделать так, чтобы машины смогли это делать.

Если вкратце, то ИИ – это попытка воспроизвести процесс возникновения и дальнейшего развития человеческого мозга. Несмотря на все наши усилия, мы до сих пор почти ничего не знаем о том, каким именно образом наш мозг выполняет все те задания, которые отличают нас от остальных видов и делают нас людьми.

Хочу изучать искусственный интеллект!

Очередная статья цикла «ИИ 101» — практической направленности. Это статья-список, а вернее, несколько списков полезных ресурсов для тех, кто делает первые шаги в ИИ. Здесь прозвучат названия технологий и имена людей, которые должны быть вам знакомы, как своеобразный код «своего» в этой сфере, а также приводится примерный план действий по освоению этой захватывающей специальности

Человек, научившийся создавать искусственный разум и искусственную жизнь, не остановится перед коренной переделкой самого себя. Не роботы вместо людей, а новый человек вместо старого!

Норберт Винер. Кибернетика

I still will teach this boy.

• «Хочу заниматься ИИ, с чего начать? Что там вообще знать надо?»
• «Там же очень сложная математика нужна, да? Жизни не хватит всё это выучить».
• «У меня нет крутого диплома технического вуза, мне ИИ не светит».
• «Да ладно, я слышал, там просто библиотеки можно импортировать, да и всё, самому писать код не надо».

Слышали такие фразы, а может, и сами их говорили? По моим наблюдениям, это самые частые высказывания людей, которые хотели бы заниматься ИИ, но не знают, как к нему подступиться. Так что сегодня – AI Developer Roadmap, или Путь ИИшника (ИИшницы?)! Действительно, встречаются две крайности: одни считают, что забытый или невыученный матан – это непреодолимый барьер для освоения ИИ, другие думают, что достаточно использовать готовые методы «из коробки» («какая разница, что там происходит, главное – результат, оставим подробности учёным»). Оба эти подхода контрпродуктивны и помешают вам достичь цели – освоить современные технологии ИИ хотя бы на уровне осведомленного любителя. Конечно, можно найти в Интернете туториал и воспроизвести его на своей машине, ваша сеть обучится, и вы получите результат. Но, не разобравшись, как работает алгоритм, вы не сможете потом творчески использовать его для своих задач. С другой стороны, если вы думаете, что без нескольких лет подробного изучения вузовской математики вы в ИИ ничего не поймете, это тоже заблуждение. В любой сфере профессиональной деятельности есть свои prerequisites – фундамент, необходимые знания, на которых строится дальнейшая работа, ИИ здесь не исключение. Автор этой статьи тоже методом проб и ошибок начинал этот путь с самого подножия горы (и всё ещё учится), в порыве максимализма пытаясь «объять необъятное», а теперь постарается сделать вашу дорогу короче и легче. Итак, без чего никак нельзя обойтись:

1. Математика. Основы линейной алгебры, теории вероятностей, математической статистики. Очень хорошо, если удастся ознакомиться с теорией графов, так как сейчас стали появляться высокоэффективные интегрированные подходы, объединяющие граф и нейросеть. Вам также понадобится разобрать некоторые задачи оптимизации, например градиентный спуск – центральное понятие обучения нейросети. Из матана кое-где понадобится дифференциальное исчисление, но больше для понимания происходящего. Не знаете, не помните, нет времени? Ваши «три кита» — это матстат, линалг и теорвер. Знаете основы – для начала этого вполне достаточно.
2. Программирование. Если раньше в этом вопросе была неопределенность, то сейчас главный язык программирования для задач ИИ – это Python (да, другие тоже используются). Порог вхождения в сферу ИИ для питонистов самый низкий, большое интернациональное сообщество единомышленников, много библиотек и фреймворков под разные задачи, – эти факторы влияют на выбор данного языка программирования. Вам нужно будет освоить основы Python и структуры данных. Потом можно будет переходить к практическому освоению библиотек машинного обучения.
3. Английский язык. Неожиданно? Это действительно большое подспорье, потому что вам не придётся ждать, пока новейшие статьи по ИИ переведут на русский язык, а кроме того, на английском выходит огромное количество замечательных руководств для начинающих. Do you speak English — дую, но слабо? Ничего, основные учебные пособия переведены на русский, а ещё у нас есть прекрасные учебники по математике, которые уже стали классикой, и онлайн-курсы на русском языке.

А теперь подробнее о технологиях для задач ИИ. Сначала расскажу, какие библиотеки применяются для самых распространённых задач ИИ. Итак.

Если вы занимаетесь компьютерным зрением или обработкой изображений, то, скорее всего, будете использовать OpenCV. У этой библиотеки есть интерфейсы не только на Python, но и на Java, C++ и Matlab, и в ней прописано более 2 500 алгоритмов.

Если вы предпочитаете обработку естественного языка, то ваш выбор — NLTK. Это очень удобная библиотека, в которой есть всё, что нужно для обработки текстов, и не только. Это также ваш выбор, если вы изучаете компьютерную лингвистику или близкие предметы, такие как когнитивистика, информационный поиск и машинное обучение. Также может понадобиться Gensim — библиотека обработки естественного языка, предназначенная для тематического моделирования, то есть определения основных тем, которым посвящён текст. С её помощью также можно обрабатывать тексты, работать с векторными моделями слов (такими как Word2Vec, FastText и т. д.) и создавать тематические модели текстов.

Если вы осваиваете анализ данных, то вам понадобится целый ряд инструментов:

• NumPy – библиотека для научных вычислений, добавляющая поддержку больших многомерных массивов и матриц, вместе с большой библиотекой математических функций для действий с ними.
• SciPy – библиотека, предназначенная для решения научных и математических проблем. Она построена на базе NumPy и позволяет управлять данными, а также визуализировать их с помощью разных высокоуровневых команд. Если вы импортируете SciPy, то NumPy отдельно импортировать не нужно.
• Pandas – эта библиотека создана специально для работы с данными, она упрощает и ускоряет работу аналитика во много раз.
• Matplotlib, Seaborn – библиотеки для визуализации данных, получаются качественные рисунки, которые можно использовать в научных публикациях.

Если вы планируете заниматься машинным обучением (без которого уже трудно себе представить современный анализ данных), то вам будут нужны:

• Фреймворк TensorFlow от Google, который умеет так много, что вы сможете себя почувствовать настоящим творцом ИИ.
• Его конкурент PyTorch, в последнее время всё чаще вижу его в научных публикациях, похоже, что он уже потеснил TensorFlow.
• Keras — библиотека для Python, которая позволяет в несколько строк кода создавать глубокие нейронные сети. В качестве бэкенда может выступать TensorFlow, Microsoft Cognitive Toolkit, Theano и MXNet.

Все вышеперечисленные инструменты снабжены подробной документацией, и в их освоении нет ничего непреодолимого.

Теперь назову несколько имен инфлюэнсеров ИИ, которых нужно знать каждому специалисту и отслеживать их публикации, чтобы быть в курсе происходящего в сфере ИИ:

1. Эндрю Ын (Andrew Ng): профессор Стэнфордского университета, эксперт с мировым именем в области искусственного интеллекта и машинного обучения (МО) и один из основателей образовательной платформы Coursera. Сейчас он ведущий исследователь ИИ в Baidu. Эндрю Ын является автором знаменитого курса по машинному обучению, который вы прямо сейчас можете пройти на упомянутой платформе, как это уже сделали 4 миллиона энтузиастов ИИ:

Единственное возможное неудобство этого курса – профессор Ын предлагает изучать машинное обучение на OCTAVE aka MATLAB, но можно без труда найти адаптацию курса для Python (Python implementation). Профессор Ын подробно разбирает все основные алгоритмы, уровень сложности – для начинающих, курс на английском. Это может быть отличным стартом вашей карьеры в ИИ. Эндрю Ын также выпустил специализацию по глубокому обучению на той же Coursera, которая, помимо серьёзной теоретической части, содержит разбор самых интересных и обсуждаемых нейросетей:

2. Ян Гудфеллоу (Ian J. Goodfellow), исследователь МО, ранее работал в составе команды Google Brain, а сейчас отвечает за проекты машинного обучения в Apple Inc. В соавторстве с Йошуа Бенджио (Yoshua Bengio) написал книгу «Глубокое обучение» (“Deep Learning Book”), которая обязательна к прочтению, если вы всерьез интересуетесь ИИ. В принципе, если даже вы прочитаете только её, то будете вполне осведомлены.

3. Йошуа Бенджио (Yoshua Bengio), канадский учёный, лауреат премии Тьюринга 2018 года. Выдающийся исследователь в области нейросетей и глубокого обучения. Он был одним из создателей генеративно-состязательной нейросети – generative adversarial network (GAN), которая очень необычно и интересно устроена. Он также много работал над задачами обработки естественного языка. Бенжио возглавляет MILA (Монреальский институт алгоритмов обучения), является профессором Монреальского университета и (вместе с Яном Лекуном) содиректором программы «Learning in Machines & Brains» Канадского института перспективных исследований. Вы можете найти его интересные выступления на YouTube.

4. Ян Лекун (Yann LeCun) – французский учёный, специалист по анализу данных, нейросетям и машинному обучению, также получивший премию Тьюринга в 2018 году. Достаточно упомянуть, что он был одним из создателей сверточных нейросетей (convolutional neural networks), которые являются сейчас краеугольным камнем компьютерного зрения. Также Лекун известен прорывными исследованиями в области распознания изображений. В настоящее время отвечает за ИИ в Facebook✴.

5. Джеффри Хинтон (Geoffrey Hinton) – также лауреат премии Тьюринга 2018 года. Как и Йошуа Бенжио и Яна Лекуна, его называют «крестным отцом» искусственного интеллекта. Британец Джеффри Хинтон был одним из авторов знаменитой публикации 1986 года, в которой они предложили применять для тренировки многослойной нейронной сети метод обратного распространения ошибки. Он также был одним из создателей машины Больцмана. Сейчас Хинтон — один из вице-президентов компании Google и профессор-эмерит Торонтского университета.

6. Илон Маск, не нуждающийся в представлении генеральный директор компаний SpaceX и Tesla, сооснователь PayPal, а также человек, которого Рунет постоянно пытается чем-то удивить.

7. Фэйфэй Ли (Fei Fei Li), директор Стэнфордской лаборатории искусственного интеллекта и главный специалист Google по ИИ и машинному обучению. Ей принадлежит высказывание: «Искусственный интеллект станет движущей силой четвёртой промышленной революции». Сейчас Фэйфэй Ли руководит командой ИИ в Twitter.

8. Мартин Форд (Martin Ford) – футурист и визионер, автор книг «Роботы наступают. Развитие технологий и будущее без работы», «Технологии, которые изменят мир», «Архитекторы интеллекта: вся правда об искусственном интеллекте от его создателей». Названия говорят сами за себя, спойлерить не буду, книги достойны внимания.

После прочитанного, полагаю, вы полностью понимаете смысл этого известного мема про специалистов по глубокому обучению:

Другие материалы цикла:

• Искусственный интеллект. Генетический алгоритм и его применения
• Искусственный интеллект: алгоритмы поиска
• Отрасли и направления искусственного интеллекта: взгляд «с высоты птичьего полёта»
• Искусственный интеллект и сознание: imitation game
• Знакомство с искусственным интеллектом

В заключение бонус: небольшой список ресурсов, которые могут помочь вам сориентироваться в море информации по ИИ:

1. Цикл из 22 лекций курса «Машинное обучение» К. В. Воронцова, прочитанных в 2019 году в Школе анализа данных («Яндекс»):

2. Курсы по нейронным сетям и матстату, которые мне показались полезными:

• https://stepik.org/course/401/promo
• https://stepik.org/course/76/syllabus

3. Известные курсы по теории вероятностей и теории графов профессора Райгородского, а также специализация по машинному обучению и анализу данных от МФТИ:

• https://www.coursera.org/learn/probability-theory-basics
• https://ru.coursera.org/learn/teoriya-grafov
• https://ru.coursera.org/specializations/machine-learning-data-analysis

4. Сайт Kaggle, который знает каждый аналитик данных. Там вы найдёте микрокурсы, челленджи, большую коллекцию датасетов и многое другое: https://www.kaggle.com/learn/overview

5. Книга, которая была нашим учебником по ИИ в университете на Тайване: Рассел Норвиг: «Искусственный интеллект. Современный подход».

6. Отличная книга по прогнозной аналитике и МО: «Python и машинное обучение», Себастьян Рашка.

7. Великий и ужасный классический учебник по pattern recognition: «Распознавание образов и машинное обучение», Бишоп К. М.

8. Хорошее практическое пособие O’Reilly, где просто написано, что и как нужно делать: «Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем», Жерон О.

9. И напоследок моя любимая книга: написана предельно понятно, с самых основ, но на английском языке: Data Science from Scratch, 2nd Edition, Joel Grus.

Как видите, сейчас много доступной и прекрасно изложенной информации по ИИ. Конечно, списки неполные и составлены по моим личным предпочтениям – возможно, скоро у вас будет своя собственная коллекция любимых книг и сайтов.

Как создается искусственный интеллект

Искусственный интеллект (ИИ) — это область компьютерных наук, которая занимается разработкой систем, способных выполнять задачи, требующие интеллектуальных способностей. ИИ стремится создать компьютерные программы и алгоритмы, которые способны решать сложные задачи, подобные тем, которые решает человеческий мозг.

Задачи, для чего используется

Искусственный интеллект находит широкое применение в различных областях, включая медицину, финансы, автоматизацию производства, транспорт, образование, игровую индустрию и многое другое. Он используется для автоматизации рутинных задач, оптимизации бизнес-процессов, анализа больших объемов данных, распознавания образов, управления системами и создания интеллектуальных помощников.

Как работает искусственный интеллект

Искусственный интеллект использует различные технологии и алгоритмы для обработки информации и принятия решений. Одним из ключевых подходов в ИИ является машинное обучение, которое позволяет компьютерной системе самостоятельно обучаться на основе больших объемов данных, а также распознавать образы, выполнять анализ текста, прогнозировать тренды и многое другое.

Технологии и инструменты для разработки

Для создания и разработки искусственного интеллекта используются различные технологии и инструменты. Одним из основных инструментов являются специализированные программные библиотеки и фреймворки, такие как TensorFlow и PyTorch, которые предоставляют возможности для разработки и обучения нейронных сетей. Кроме того, для обработки и анализа данных используются методы статистики, вероятностных моделей и алгоритмов машинного обучения.

Как создается искусственный интеллект

Создание искусственного интеллекта включает несколько этапов:

Определение задач и целей

В этом этапе определяются задачи, которые должен решать искусственный интеллект, и устанавливаются конкретные цели проекта. Необходимо четко определить, какую задачу нужно автоматизировать или какую проблему нужно решить с помощью ИИ.

Сбор и анализ данных

Этап подготовки данных для обучения моделей искусственного интеллекта — один из самых ответственных шагов на всем пути. Для разработки искусственного интеллекта требуются большие объемы данных. На этом этапе происходит сбор и подготовка данных, которые будут использоваться для обучения искусственного интеллекта. Это может включать сбор данных из различных источников, их очистку, преобразование и подготовку к использованию в модели.

Выбор алгоритма и модели

На основе задачи и целей выбирается подходящий алгоритм и модель для решения задачи. Это может быть классический алгоритм машинного обучения, нейронная сеть или комбинация различных подходов. Выбор зависит от характеристик задачи, доступных данных и требуемой производительности.

Обучение модели

На этом этапе модель искусственного интеллекта обучается на подготовленных данных. Модель анализирует данные, выявляет закономерности и обучается на основе этих закономерностей. Обучение может включать итеративный процесс, в ходе которого модель уточняется и оптимизируется.

Оптимизация и тестирование

После завершения обучения модели она проходит этап оптимизации и тестирования. В этом этапе проверяется производительность модели, ее точность и надежность. Модель может подвергаться оптимизации для достижения лучших результатов или улучшения скорости работы.

Внедрение и использование

После успешного тестирования и оптимизации модель готова к внедрению и использованию. Модель интегрируется в существующую систему или создается специальное приложение для ее использования. Важно обеспечить надлежащую поддержку и обновление модели, чтобы она продолжала работать эффективно.

Мониторинг и улучшение

После внедрения модели следует ее мониторинг и постоянное улучшение. Мониторинг позволяет отслеживать производительность модели в реальных условиях и выявлять возможные проблемы или необходимость внесения изменений. На основе полученных данных можно внести корректировки или обновления модели для улучшения ее работы.

Этические вопросы и вызовы

С развитием искусственного интеллекта возникают и этические вопросы и вызовы. Некоторые из них связаны с приватностью данных и защитой личной информации, особенно в случае использования ИИ в медицине и финансовой сфере. Также возникают вопросы ответственности за действия ИИ, автономность систем и их взаимодействие с людьми.

Будущее искусственного интеллекта: что нас ждет

Будущее искусственного интеллекта предоставляет огромные возможности и вызовы. Ожидается, что ИИ будет продолжать развиваться и станет неотъемлемой частью нашей повседневной жизни. Мы можем ожидать улучшения производительности, повышения точности и расширения функциональности ИИ. Возможности применения ИИ будут расширяться и охватывать новые области, что приведет к изменениям во многих сферах человеческой деятельности.

Как самому создать Искусственный Интеллект

Создание искусственного интеллекта — это сложный и многогранный процесс, который требует глубоких знаний в области программирования, математики и статистики. Если вы новичок в ИТ, то рекомендуется начать с освоения основ программирования и основ машинного обучения. Изучение языков программирования, таких как Python, и фреймворков, таких как TensorFlow или PyTorch, поможет вам создавать и экспериментировать с моделями ИИ. Кроме того, важно постоянно изучать новые исследования и технологии в области искусственного интеллекта, чтобы быть в курсе последних тенденций и достижений.

Как заработать на искусственном интеллекте

Согласно прогнозам аналитической платформы SEMrush, к 2025 году мировой рынок искусственного интеллекта будет стоить 190,61 миллиарда долларов. Следовательно, на рынке труда повысится спрос на обладателей навыков, необходимых для применения ИИ. Они смогут работать с наиболее престижными компаниями над интригующими технологическими инициативами по всему миру, открывая новые перспективы для заработка и карьерного роста.

Искусственный интеллект все чаще применяется в технологиях, которые используют ведущие отрасли:

• IT;
• финансовый менеджмент;
• медицина;
• образование;
• рекламный бизнес и др.

Передовые компании в различных сферах экономики уделяют все больше внимания ИИ, выходя за рамки этапа тестирования и концентрируясь на быстром использовании машинного обучения на практике. Существуют доступные вам способы извлечь максимальную выгоду из этого процесса.

С чего начать?

Базовые знания технологии и языка программирования помогут вам начать работу с ИИ в индустрии информационных технологий. Сперва вам нужно будет освоить язык программирования, поработать с разными фреймворками и научиться писать различные коды для решения задач.

Однако во многих других отраслях, где может применяться ИИ, вам будет достаточно лишь пользовательских навыков. Дополните их последовательными усилиями по повышению своей видимости в Интернете. Подумайте об инвестициях в онлайн-маркетинг, создании бесплатного веб-сайта электронной коммерции и регистрации на платформах для фрилансеров, таких как Fiverr, Upwork и т.п. Тем самым вы легко оправдаете затраченные усилия по личному брендингу в социальных сетях.

Когда вы почувствуете, что прошли необходимую подготовку, попробуйте один из нескольких способов извлечь выгоду из работы с искусственным интеллектом.

Разработайте простое приложение с ИИ

Зарабатывайте деньги, создав управляемое искусственным интеллектом приложение для мониторинга социальных сетей, чат-ботов и т. д. Для этого необходимо разработать платное приложение, в котором пользователи платят за доступ к эксклюзивному контенту. Продажи приложений для Android и iOS в 2021 году в совокупности составили 133 миллиарда долларов. Некоторые оценки показывают, что приложения по подписке приносят больше дохода, чем другие виды продаж в данном сегменте.

Вы можете сделать свое приложение доступным на нескольких платформах (настольных компьютерах, мобильных телефонах, планшетах и т. д.), чтобы охватить более широкую аудиторию и изменить жизнь пользователей. Кроме того, есть возможность выбрать платформу для разработок с открытым исходным кодом, такую как Flutter, чтобы снизить затраты и зависимость от ресурсов. Используя Flippa для продажи своего приложения, вы сразу же заработаете деньги.

Попробуйте выделить определенную рыночную нишу и применить данные об аудитории для создания прибыльных приложений.

Станьте создателем образовательного контента по машинному обучению

Машинное обучение — относительно новая область исследований, в которой очень мало специалистов. Поэтому предложите репетиторство студентам и бизнес-профессионалам, если у вас достаточно знаний.

Используйте платформы онлайн-обучения, такие как Coursera и Udemy, для создания и продажи собственных курсов. В качестве альтернативы запустите свой канал на YouTube или разработайте курс, чтобы информировать общественность о достижениях в области ИИ. Вы также можете проводить вебинары и предоставлять практические знания энтузиастам машинного обучения за определенную плату.

Станьте фрилансером

Еще один способ использовать свои знания в области машинного обучения — зарабатывать деньги с помощью фриланса.

1. Существуют онлайн-биржи для наиболее квалифицированных внештатных специалистов по машинному обучению и преуспевающих компаний, стремящихся их нанять. Чтобы получать внештатные контракты, обычно необходимо пройти ряд тестов, но ради хороших гонораров стоит приложить некоторые усилия.
2. Другая возможность заработать деньги в качестве фрилансера — выполнять задания на онлайн-платформах для создания обучающих данных для ИИ, таких как различные фотографии, включая селфи, короткие видеоролики, голосовые записи и т.д. Преимущество таких вакансий заключается в том, что вы поддерживаете и улучшаете системы искусственного интеллекта, но для этого вам не нужны какие-либо навыки программирования.
3. И наконец, созданные на основе ИИ нейросети – отличные помощники для авторов разнообразного интернет-контента (текста, иллюстраций, музыки, видео).

Используйте функции социальных сетей с искусственным интеллектом для увеличения продаж

Многие компании используют ИИ для стимуляции роста за счет привлечения и удержания клиентов. Даже платформы социальных сетей применяют машинное обучение для улучшения взаимодействия с пользователями.

Одним из многих преимуществ ИИ в социальных сетях является настраиваемая новостная лента, адаптированная для удовлетворения пользовательских вкусов. Благодаря этому платформа показывает рекламу с более высокими шансами на конверсию. Машинное обучение может анализировать поведение пользователя, чтобы определить наилучший план действий с учетом его интересов, карьеры и характера.

Pinterest также предлагает рекомендации, созданные посредством распознавания вещей на фотографиях с помощью Computer Vision. Это приложение машинного обучения собирает полезные данные из видео и фотографий. Кроме того, оно предоставляет рекомендации для связанных контактов, адаптированных для конкретного пользователя.

Это полезно для компаний, которые хотят продвигать свои продукты на Pinterest. Вы можете помочь их бизнесу, характеризуя объект таким образом, чтобы сделать его доступным для поиска (с приличным набором соответствующих ключевых слов). Чем быстрее и удобнее поиск, тем чаще люди посещают ресурсы компании, что ведет к увеличению продаж.

Генерация обширных данных с помощью искусственного интеллекта

Отличный способ заработать деньги с помощью ИИ — предлагать данные, управляемые искусственным интеллектом. Предприятиям такая информация нужна для принятия решений, и, поскольку ИИ может легко производить огромные объемы данных, попробуйте извлекать и продавать их.

Искусственный интеллект работает как человеческий мозг. Он может понимать аудиовизуальные элементы, а также адаптироваться к новым знаниям. Система ИИ пользуется сопоставимыми обучающими и динамическими данными, полученными из разных источников — текста, аудио и видео.

Доступ к таким данным стоит дорого, но вы имеете возможность монетизировать их, продавая исследовательским фондам и предприятиям, занимающимся наукой. Однако при этом вам могут потребоваться услуги сторонних агентств для обеспечения конфиденциальности, безопасности, подотчетности, точности и надежности при передаче данных за деньги.

Финансовые приложения и прогнозная аналитика

Ваши опыт и знания в области искусственного интеллекта способны заработать деньги на фондовом рынке, повысив шансы на получение прибыли. Машинное обучение помогает предсказать, когда покупать или продавать определенные акции. Оно даже способно порекомендовать выигрышную ставку на спортивное событие.

Вы можете взимать деньги с онлайн-беттеров и инвесторов фондового рынка, если у вас есть опыт составления надежных прогнозов с небольшой погрешностью. Получать необходимые данные удобно с помощью API в Python. Это дает возможность делать прогнозы фондового рынка на основе исторических показателей торговли и формировать запрос для прогнозирования будущих покупок и продаж.

Подобные навыки можно использовать и самостоятельно, участвуя в биржевых торгах или делая ставки.

Заключение

Освоить необходимые для бизнеса аспекты ИИ довольно просто, так как существует большое число онлайн-курсов и мастер-классов, которые проводят признанные эксперты. Регистрация на соответствующих платформах помогает отточить ваши знания и готовит вас к активной деятельности.

Таким образом, приобретение ключевых навыков в сфере ИИ может предоставить вам новые возможности уже в ближайшее время. Как только вы будете достаточно уверены в своих знаниях, начните с любого из упомянутых выше действий, чтобы стимулировать личностный и финансовый рост.