Нейронные сети стали важными инструментами в различных областях, включая работу, обучение и поиск информации. Имитируя принципы работы человеческого мозга, эти сети объединяют математические алгоритмы и информационные технологии, хотя и лишены врожденной человеческой способности к творчеству — аспекта, который остается воплощением интеллекта. Многочисленные продукты на рынке программного обеспечения используют возможности нейронных сетей, а демократизация этой технологии позволяет людям свободно исследовать ее потенциал.
В современных условиях даже скромные нейронные сети могут выполнять задачи на относительно скромных серверах или смартфонах, которые в конце прошлого века считались сложными для суперкомпьютеров. Их многогранное применение включает в себя художественные занятия, такие как рисование картинок и сочинение стихов, а также практические задачи, такие как автономное вождение и победа над противниками в стратегических играх, таких как го. Ведущие мировые корпорации активно интегрируют нейронные сети в свои услуги, отмечая траекторию, по которой некоторые сложные сети могут в конечном итоге развиться и достичь статуса полноценного искусственного интеллекта (ИИ), что сродни вымышленной концепции «Скайнет». Эта эволюция может стать преобразующей силой в различных секторах.
Нейронные сети находят применение в нескольких областях, причем классификация, прогнозирование и распознавание являются одними из наиболее распространенных вариантов использования. Классификация предполагает распределение данных на основе определенных параметров, таких как определение благонадежности отдельных лиц на основе таких факторов, как возраст, платежеспособность и кредитная история. Прогнозирование использует нейронные сети для прогнозирования будущих результатов, примером чего является прогнозирование тенденций фондового рынка на основе текущей динамики рынка. Распознавание, возможно, самое распространенное приложение, проявляется в таких сценариях, как поиск изображений в Google или функции распознавания лиц в камерах смартфонов.
Концептуальная широта нейронных сетей охватывает различные дисциплины, охватывая математику, физику, химию и пересекаясь с искусственным интеллектом, машинным обучением и программированием. Множество исследователей и разработчиков активно участвуют в развитии этой области, и зарождение этого начинания насчитывает несколько десятилетий. Человеческий мозг сам по себе функционирует как сложная нейронная сеть, сформированная силами эволюции. Первые набеги на область искусственных нейронных сетей (ИНС) относятся к 1940-м годам и были сосредоточены на моделировании и изучении человеческого мозга.
В области искусственного интеллекта исследователи изначально черпали вдохновение из изучения естественного интеллекта. Слияние вкладов ученых, нейропсихологов, нейролингвистов и нейробиологов со всего мира, включая заметный вклад советских ученых, сформировало траекторию исследований и разработок нейронных сетей. Ключевые вехи включают создание первой пригодной к использованию искусственной нейронной сети в 1943 году нейропсихологом Уорреном Маккалоком и нейролингвистом Уолтером Питтсом, что означает решающий шаг в исследовании возможностей самообучения. Впоследствии, в 1960 году, разработка психологом и нейрофизиологом Фрэнком Розенблаттом первого нейронного компьютера, персептрона Mark-1, ознаменовала значительный прорыв, продемонстрировав способность устройства распознавать печатные буквы с помощью фотоэлементов после более чем пятнадцати лет разработки.
Этот исторический прогресс подчеркивает непреходящее значение нейронных сетей в искусственном интеллекте и вычислительных парадигмах, позиционируя их как ключевые инструменты в продолжающейся эволюции интеллектуальных систем.
В 1963 г. в Институте проблем передачи информации АН СССР А.П. Петров провел обширное исследование проблем, связанных с перцептронами. Впоследствии, в 1969 году, ученые Марвин Мински и Сеймур Пейперт выявили существенные ограничения искусственных нейронных сетей, показав присущую им неспособность адекватно решать сложные проблемы. Более того, эти сети боролись с базовыми логическими функциями, примером чего является неспособность реализовать функцию «другое или». Формальное доказательство Мински подчеркнуло эти ограничения, что привело к кратковременному снижению интереса к нейронным сетям.
Значительное возрождение произошло в 1973 году, когда Б. В. Хакимов предложил нелинейную модель синапсов на основе сплайнов, используя ее для решения проблем в различных областях, таких как медицина, геология и экология. Примечательно, что в этот период были созданы многослойные нейронные сети, способные адаптировать свою стратегию решения проблем на основе поступающих данных, что означает активизацию развития искусственных нейронных сетей (ИНС).
1982 год ознаменовался решающим достижением благодаря реализации полного двунаправленного обмена данными между соседними нейронами, что существенно расширило возможности искусственных нейронных сетей. Основным ограничением на данном этапе оставались вычислительные ресурсы, которых считалось недостаточными для решения более сложных задач. Одновременно с этим в 1980-х годах появилась NETtalk, первая широко используемая нейронная сеть, в первую очередь ориентированная на изучение произношения английских букв в словах на основе контекстной информации. Это начинание не только способствовало пониманию искусственных нейронных сетей, но и способствовало разработке механизмов обучения нейронных сетей.
В 1986 году Дэвид И. Румельхарт, Дж. Э. Хинтон и Рональд Дж. Уильямс вместе с С. И. Барцевым и В. А. Охониным из красноярской группы независимо заново открыли и существенно усовершенствовали методы обратного распространения ошибки. Этот период стал свидетелем возрождения интереса к обучаемым нейронным сетям, поскольку сложный процесс обратного распространения ошибки привлек новое внимание.
2007 год ознаменовался революционным прорывом, когда Джеффри Хинтон из Университета Торонто представил алгоритм глубокого обучения, адаптированный для многослойных нейронных сетей. Успех алгоритма Хинтона объясняется инновационным использованием ограниченных машин Больцмана (RBM) при обучении нижних уровней сети. Это развитие ознаменовало новую эру в эволюции нейронных сетей, еще больше укрепив их роль в развитии искусственного интеллекта и вычислительных парадигм.
Эволюция концептуализации мыслительного процесса претерпела прогрессивную трансформацию, ассимилируя семантические, алгоритмические и математические описания, имеющие решающее значение для построения искусственных симуляций. Эта метаморфоза очертила понятие логического лабиринта в контексте поиска информации, обозначая центральный процесс извлечения информации. Одновременно с этим самообучающаяся часть мозга стала основным механизмом увеличения знаний [3].
Современные взгляды предполагают, что человеческий мозг включает примерно 86 миллиардов нейронов, сложно связанных между собой синаптическими (по сути, электрическими) связями. Несмотря на значительные успехи в развитии искусственных нейронных сетей, даже самые мощные из них не способны имитировать сложность и производительность человеческого мозга. Скорее, они в лучшем случае стремятся смоделировать мозг на стадиях его формирования, не достигая статуса зрелого искусственного мозга.
Базовый слой искусственных нейронных сетей, называемый перцептронами, представляет собой, казалось бы, элементарную структуру, состоящую из рецепторных нейронов, получающих внешнюю информацию. Эти нейроны, в зависимости от конфигурации, могут распространять или не распространять сигналы глубже в сети. Последующие слои нейронов обрабатывают сигналы от рецепторов, применяя заданный алгоритм, и при превышении заданного порога передают информацию на выходной слой, генерируя окончательный результат (рис. 1).
Архитектурный проект искусственной нейронной сети состоит из нейронов, организованных в слои, что облегчает параллельные вычисления. Хотя такое расслоение создает видимость порядка, его значение уменьшается в контексте двунаправленного обмена данными между нейронами на разных уровнях. Каждый нейрон имеет весовой коэффициент, решающий для связанных с ним нейронов, и этот весовой коэффициент представляет собой ключевой элемент, способствующий способности искусственных нейронных сетей к самообучению.
Все нейроны придерживаются единой структуры и используют один и тот же алгоритм функции активации, оценивая сумму значений входного сигнала и распространяя результирующие значения выходного сигнала. Суть обучения искусственных нейронных сетей заключается в их способности распознавать неточность конечного результата и изменять действия для достижения правильного результата. Аналогично нейронам в человеческом мозге, сила синаптических связей в искусственной нейронной сети претерпевает изменения в зависимости от поступающей информации.
В искусственной нейронной сети каждый нейрон обладает весовым коэффициентом, который может изменяться в зависимости от правильности или неправильности результата. Точность ответа зависит от человеческих или классических процедур, основанных на обучающих выборках, помеченных метками (например, «Это машина. Это не машина», как показано на рис. 2). Обучение с учителем, характеризующееся определенным количеством точных ответов, позволяет искусственной нейронной сети генерировать правильные результаты за пределами обучающего набора.
На траектории эволюции искусственных нейронных сетей простота и бинарные нейроны уступили место большей сложности. Появились дополнительные скрытые слои, отражающие шесть скрытых слоев в каждой функциональной единице человеческого мозга. Примечательно, что нейроны с двунаправленной связью представляют собой важную веху, определяющую будущую траекторию развития искусственных нейронных сетей. Эти продвинутые сети, называемые рекуррентными нейронными сетями, облегчают обмен информацией между нейронами итеративно, корректируя весовые коэффициенты до тех пор, пока последний слой не даст правильный ответ. Правильность ответа автоматически адаптируется посредством анализа данных обучающих выборок без меток, что представляет собой обучение без учителя. В сценариях, где нейронная сеть выдает результаты до получения информации о правильности/неправильности, парадигма смещается в сторону обучения с подкреплением.
Определение подходящей методологии обучения для конкретной искусственной нейронной сети зависит от поставленной задачи, для которой сеть была задумана. Обучение с учителем, позволяющее распознавать объекты на фотографиях, контрастирует с обучением без учителя, которое превосходно справляется с организацией обширных наборов данных. И наоборот, обучение с подкреплением находит свою сильную сторону в прогнозировании сценариев, в которых входные данные постоянно изменяются.
Помимо стратификации, основанной на методологиях обучения, сети далее подразделяются на различные типы, основанные на структурных конфигурациях, модальностях соединения, характеристиках входных данных и дополнительных функциях, которые способствуют их функциональному отличию. Например, распознавание изображений часто осуществляется с помощью сверточных сетей, которые черпают вдохновение из принципов работы зрительной коры человеческого мозга. В сфере искусственного интеллекта, которому поручен анализ данных с камер дорожного наблюдения, сверточные нейронные сети играют ключевую роль в распознавании конкретных особенностей изображения и последующей экстраполяции более абстрактных деталей. Эта сложная возможность позволяет системам идентифицировать присутствие автомобиля в кадре, определять его скорость, проверять пристегнутость ремней безопасности, определять потенциальную кражу путем считывания номерного знака и сопоставления его с базой данных, определять цвет и марку автомобиля. (особенно актуально, если он украден) и получить информацию о водителе и владельце — и все это зависит от хорошо обученной сверточной нейронной сети с адекватными вычислительными ресурсами.
Парадигма диалоговых систем, обычно воплощенная в чат-ботах, стала стандартом взаимодействия человека и робота, проникая в различные отрасли промышленности и упрощая общение между людьми и компьютерами. Эти системы, органично интегрированные в веб-сайты, платформы обмена сообщениями и различные устройства, характеризуются структурной основой правил и заранее установленных ответов. Траектория современных диалоговых систем раздваивается: многие компании стремятся автоматизировать повторяющиеся диалоги с пользователями, например, касающиеся онлайн-покупок или технической поддержки. В то же время растет интерес к созданию систем, которые выходят за рамки простой функциональности и превращаются в «электронных друзей» для людей.
Образцовым примером эволюции чат-ботов является ChatGPT, представленный OpenAI в ноябре 2022 года. Этот универсальный чат-бот, разработанный под эгидой Илона Маска, получил широкое распространение всего за шесть месяцев, продемонстрировав свою применимость в самых разных областях. ChatGPT демонстрирует многогранный набор навыков, способный вести диалог, выявлять ошибки в коде, сочинять стихи, писать сценарии и даже участвовать в аргументации. Помимо этих возможностей, нейронная сеть может генерировать элементарный программный код, выполнять финансовый анализ, создавать обзоры технических статей или научных концепций, генерировать прогнозы, предлагать персонализированные советы и умело отвечать на широкий спектр вопросов. Примечательно, что чат-бот сохраняет детали предыдущих диалогов с пользователями, избегая спорных тем, и может быть адаптирован с помощью наводящих вопросов для уточнения своих ответов, что является свидетельством его адаптируемости и полезности для широкого спектра задач и взаимодействий.
Набор функций ChatGPT чрезвычайно обширен. Особого внимания заслуживает его способность облегчать композицию кода. Чат-бот не только дает рекомендации по выполнению действий или процессов, но также тщательно изучает код, выявляет потенциальные недостатки и умело переводит код с одного языка программирования на другой. Он продемонстрировал эффективность в создании несложных, но полнофункциональных приложений для платформ iOS и Android.
Еще одним примечательным аспектом ChatGPT является его способность отвечать на сложные запросы. Пользователи сообщают, что качество ответов превосходит качество традиционного поиска Google. Более того, чат-бот демонстрирует универсальность в создании сценариев, предлагая возможность создавать новые эпизоды для существующих сериалов и даже создавать игры, основанные на кинематографических повествованиях. В сфере творчества ChatGPT демонстрирует свое мастерство, сочиняя тексты песен и музыкальные ноты.
Чат-бот расширяет свою полезность и в сфере здравоохранения, предоставляя подробные медицинские советы. Пользователи могут обратиться за советом по облегчению головных болей или лечению аллергии, но с оговоркой, что в конечном итоге рекомендуется профессиональная медицинская консультация. Кроме того, ChatGPT оказывается неоценимым при составлении планов и выполнении расчетов. Независимо от того, обращаются ли пользователи за помощью в расчете общего ежедневного потребления энергии или в разработке индивидуальных планов питания для похудения, чат-бот предлагает актуальные и индивидуальные решения.
Лингвистические возможности ChatGPT также используются для таких задач, как написание эссе и статей. Пользователи могут использовать чат-бота для создания связного и контекстуально соответствующего письменного контента. Кроме того, ChatGPT превосходно обеспечивает высококачественный перевод с одного языка на другой, подчеркивая его лингвистическую универсальность.
OpenAI предполагает расширить доступность GPT, сделав его доступным как на облачных платформах, так и на локальных серверах. Этот стратегический шаг направлен на то, чтобы предоставить пользователям возможность выбирать метод развертывания, соответствующий их конкретным требованиям и бюджетным ограничениям. Более того, OpenAI планирует предоставить бесплатный доступ к GPT избранным организациям и исследователям, работающим в области искусственного интеллекта и смежных научных областях, способствуя совместным исследованиям и инновациям.
Однако необходимо признать определенные ограничения и недостатки, связанные с ChatGPT. Чат-бот иногда формулирует ответы, которые, хотя и кажутся разумными, могут быть фактически неверными или лишенными значимого содержания, что подчеркивает необходимость осторожной интерпретации. Он также проявляет чувствительность к изменениям во фразах ввода или повторным попыткам передать одну и ту же информацию. Более того, в ChatGPT отсутствует упреждающий подход, позволяющий задавать уточняющие вопросы, и он склонен делать выводы о намерениях пользователя без поиска дополнительного контекста.
Восприимчивость чат-бота к неуместным запросам, иногда демонстрирующим предвзятость, была признана OpenAI, и были предприняты шаги для решения этой проблемы в обновленных версиях. Кроме того, пользователи сообщают о случаях ошибок в расчетах, которые требуют исправления с помощью дополнительных запросов.
Более того, поскольку ChatGPT не генерирует оригинальный контент, его использование вызывает опасения по поводу потенциальных юридических последствий, связанных с нарушением авторских прав. Кроме того, существует признанная угроза безопасности: сообщается о том, что неопытные хакеры используют ChatGPT для создания вредоносного кода и фишинговых писем. Эти опасения подчеркивают необходимость надежных мер защиты и постоянного контроля над внедрением таких продвинутых языковых моделей.
Использование текста ответа, сгенерированного ИИ, в образовательном контексте требует осторожности, учитывая возможность возникновения неточностей. Люди, не обладающие знаниями в конкретном предмете, могут непреднамеренно упустить из виду несоответствия, поскольку GPT обладает способностью фабриковать даты, сокращения и приписывать идеи несуществующим исследователям. Следовательно, использование этой нейронной сети для написания отчетов или аналогичных задач может привести к ошибочным результатам.
Тем не менее, при правильном обучении модель демонстрирует умение решать сложные математические уравнения, объяснять основные концепции и предлагать рекомендации по написанию статей по сложным предметам. Например, при запросе на русском языке сформулировать ежемесячный план публикаций с указанием хорошо организованной таблицы ChatGPT умело генерировал короткие статьи объемом от 2000 до 4000 символов всего за 5–10 минут. Контент продемонстрировал качественную интерпретацию, легко прошедшую проверку на антиплагиат. Однако авторам рекомендуется проверять факты, вносить необходимые коррективы и редактировать текст для получения оптимальных результатов.
Преобразующее воздействие ChatGPT распространяется на различные процессы, потенциально меняя образовательную практику, что требует инновационных подходов для замены традиционных эссе. Несмотря на текущие ограничения в качестве англоязычного аналога, которому не хватает семантического понимания русского, технология остается мощной силой, имеющей последствия для различных областей.
Изучение границ разработки нейронных сетей выявило два основных ограничения: доступность разнообразных обучающих данных и вычислительная мощность для обучения. Нейронные сети превосходно справляются с решением задач с четко определенными условиями и критериями, например, с распознаванием речи, точность которого можно точно измерить. Однако проблемы возникают в таких задачах, как создание литературы, где оценка прогресса неясна, что делает обучение нейронных сетей непреодолимым.
Обращаясь к вопросу о художественных способностях, возникает сравнение художников и нейронных сетей в рисовании. Интеграция алгоритмов в творческий процесс требует смещения фокуса, что приводит к потере ключевых элементов, уникальных для работы художника. Хотя нейронные сети предлагают преимущества в визуализации идей и быстром представлении вариантов, результирующим предложениям часто не хватает визуальной связности, они имеют единственное описание и демонстрируют пониженное качество. Нейронные сети работают на основе опыта других, что приводит к увеличению средней производительности, но к снижению исключительной работы. Это подчеркивает независимый творческий потенциал и навыки, необходимые пользователю, использующему сеть.
Сеть ChatGPT демонстрирует свое мастерство в различных областях, демонстрируя способность сочинять музыку и создавать безупречные имитации. Однако отличить подлинный контент от подделок становится все сложнее, что подчеркивает контекстуальную и семантическую природу результатов ChatGPT. Возникает проблема доверия к информации, что заставляет задуматься о потенциальных механизмах маркировки продукции, чтобы указать, создан ли контент человеком или машиной, возможно, посредством интеграции сеток и индикаторов для облегчения ясности.
В сфере моделей русского языка Яндекс представляет нейронную сеть YaLM2.0, позиционируя себя как соперника в развивающемся ландшафте диалогового ИИ, аналогичном траектории ChatGPT. Предложение Яндекса, наряду с взаимодействием Сбера с сетью GitaChat, означает конкурентный толчок к улучшению понимания русского языка и генерации текста. Включение таких инструментов, как «инструмент рисования» Кандинского 2.1 для текстовых запросов, подчеркивает текущие усилия по улучшению пользовательского опыта и возможностей.
Сеть GitaChat Сбера набирает популярность, привлекая два миллиона пользователей за неделю после запуска. Благодаря доступности через приложение и интеграции с популярными платформами обмена сообщениями оно открывает возможности для творчества, основанного на нейронных сетях, для более широкой аудитории. Примечательно, что изображения, генерируемые этими нейронными сетями, выходят за рамки защиты авторских прав, что открывает возможности для широкого использования и адаптации.
Российские инициативы в области искусственного интеллекта внесли существенный вклад, а такие известные личности, как Евгений Ижикевич и Михаил Бурцев, оставили неизгладимый след. Сложная нейронная модель Ижикевича, хотя и не использованная в ChatGPT из-за своей сложности, свидетельствует о богатом вкладе России в искусственный интеллект. Проект Бурцева «Глубокий Павлов» — библиотека нейронных сетей с открытым исходным кодом — получил глобальное признание и признание, подчеркивая совместный и эффективный характер российских усилий в этой области.
Признаются этические аспекты искусственного интеллекта, подчеркивая, что те, кто контролирует ИИ, имеют возможность влиять на человеческое сознание. Поскольку ИИ все чаще принимает решения от имени отдельных лиц, возникают опасения по поводу воздействия на социальные структуры, включая вопросы, связанные с пенсиями и здравоохранением. Манипулирование человеческим сознанием со стороны ИИ-сущностей побуждает к созданию систем ИИ, которые будут определять приоритеты и защищать интересы человека, подчеркивая необходимость соблюдения этических соображений при разработке и внедрении технологий ИИ.
Российское руководство, как подчеркнул Президент В.В. Путин признает глубокую значимость искусственного интеллекта. На конференции под названием «Путешествие в мир искусственного интеллекта» Путин подчеркивает неизбежность технологического прогресса и тщетность попыток его задушить. Признавая, что запрет определенных технологий может привести к отставанию, Путин подчеркивает необходимость активного участия и вдумчивого развития в развивающейся сфере ИИ.
Бескопыльный Сергей ФКПОУ «Новочеркасский технологический техникум-интернат» Минтруда России
