Як створити систему штучного інтелекту за 5 кроків

Шту­чний інте­лект – це нова техно­ло­гія, яка змі­нює діло­вий сві­ту. Гар­на нови­на в тому, що ство­ри­ти систе­му шту­чно­го інте­ле­кту не так скла­дно, як дехто може подумати.

---

Шту­чний інте­лект, машин­не навча­н­ня та гли­бо­ке навча­н­ня – всі ці тер­мі­ни набу­ли попу­ляр­но­сті за остан­ні десять років. Зна­чне збіль­ше­н­ня обчи­слю­валь­них поту­жно­стей, а також широ­ке впро­ва­дже­н­ня хмар­них обчи­слень дало нам інстру­мен­ти для ство­ре­н­ня шту­чно­го інте­ле­кту, зда­тно­го вико­ну­ва­ти купу зав­дань, які рані­ше вико­ну­ва­ли­ся людиною.

Від ШІ, що пишуть стат­ті про себе, до ШІ, що пере­ма­га­ють у мисте­цьких кон­кур­сах, межі авто­ном­них систем випро­бо­ву­ю­ться щодня. Це зму­си­ло бага­тьох зами­сли­ти­ся над тим, як роз­ро­би­ти вла­сну систе­му шту­чно­го інте­ле­кту. Як я можу покра­щи­ти свій бізнес за допо­мо­гою шту­чно­го інте­ле­кту? Це, мабуть, скла­дно, так?

Насправ­ді ні. Почи­на­ти з нуля може бути над­зви­чай­но скла­дно (не дар­ма ж ці інстру­мен­ти ство­рю­ю­ться інже­не­ра­ми най­ви­що­го рів­ня). Але на рин­ку є сотні інстру­мен­тів, як комер­цій­них, так і з від­кри­тим вихі­дним кодом, які покли­ка­ні полег­ши­ти цей про­цес. Маю­чи пра­виль­ний хід думок, кіль­ка реко­мен­да­цій та чіткий план, ви змо­же­те ство­ри­ти шту­чний інтелект.

Яка мова про­гра­му­ва­н­ня вико­ри­сто­ву­є­ться в ШІ?

Перш ніж ми загли­би­мо­ся в тему, вар­то тро­хи пого­во­ри­ти про базо­ві осно­ви ШІ, зокре­ма про те, які мови про­гра­му­ва­н­ня най­кра­ще під­хо­дять для ство­ре­н­ня вла­сних систем.

Будь-яка ста­ла мова про­гра­му­ва­н­ня чудо­во під­хо­дить для ство­ре­н­ня систем шту­чно­го інте­ле­кту, але деякі з них виді­ля­ю­ться як най­кра­щі мови в ціло­му. В одних випад­ках це пов’я­за­но з тим, що в мову вбу­до­ва­ні дру­жні до ШІ фун­кції, а в інших – з тим, що нав­ко­ло цих мов зібра­ла­ся спіль­но­та, яка ство­ри­ла інстру­мен­ти, що полег­шу­ють робо­ту з систе­ма­ми ШІ. Ось коро­ткий список.

Мова про­грам­му­ва­н­ня Python

Як не кру­ти, а Python май­же зав­жди буде одні­єю з най­по­пу­ляр­ні­ших мов про­гра­му­ва­н­ня. Це уні­вер­саль­на мова про­гра­му­ва­н­ня та вико­на­н­ня, яка заво­ю­ва­ла своє місце зав­дя­ки про­сто­ті вико­ри­ста­н­ня, чита­бель­но­сті та вели­че­зній кіль­ко­сті паке­тів, бібліо­тек і фреймворків.

Python – гар­на мова для ШІ, з деся­тка­ми інстру­мен­тів, ство­ре­них для полег­ше­н­ня цьо­го про­це­су. PyTorch, напри­клад, є дуже поту­жним фрейм­вор­ком для машин­но­го навча­н­ня, який має дру­жній і про­стий інтер­фейс, побу­до­ва­ний на Python (або, якщо ви гото­ві до тру­дно­щів то і на C++). Не див­но, що ця мова є улю­бле­ною, вра­хо­ву­ю­чи, що вона була прийня­та як основ­на для спіль­но­ти фахів­ців з нау­ки про дані.

Мова про­грам­му­ва­н­ня Julia

З усіх варі­ан­тів у цьо­му спи­ску, Julia є най­мо­лод­шою, і це добре. Julia була ство­ре­на з нуля як мова нау­ки про дані – мова, яка покри­ває біль­шість обме­жень інших мов у цьо­му спи­ску, є менш син­та­кси­чно скла­дною, ніж Java або C++, і швид­шою, ніж Python або R.

Це мова, яка повіль­но заво­йо­вує пози­ції у спіль­но­ті data science. І вам вар­то звер­ну­ти на неї ува­гу, якщо ви ціка­ви­те­ся нови­ми технологіями.

Мова про­грам­му­ва­н­ня R

R була прав­ля­чим коро­лем нау­ки про дані, поки не з’я­вив­ся Python. Ця аль­тер­на­ти­ва мові S з від­кри­тим вихі­дним кодом була улю­бле­ною мовою ака­де­мі­чних кіл про­тя­гом три­ва­ло­го часу. Вона не най­про­сті­ша у вико­ри­стан­ні (або розу­мін­ні), але її без­ліч бібліо­тек, що під­три­му­ю­ться нау­ко­вою спіль­но­тою, важ­ко замінити.

Інші попу­ляр­ні мови вклю­ча­ють Scala, Java та C++, якщо не через їхнє масо­ве впро­ва­дже­н­ня та попу­ляр­ність у сві­ті про­грам­ної інже­не­рії, то через їхню попу­ляр­ність поза ним. Ці три мови, попри їхню щіль­ність, виді­ля­ю­ться сво­єю про­ду­ктив­ні­стю та добре роз­ви­не­ною екосистемою.

Що потрі­бно для ство­ре­н­ня систе­ми шту­чно­го інтелекту?

Щоб ство­ри­ти систе­му шту­чно­го інте­ле­кту, потрі­бно вико­на­ти пев­ні кроки.

Шаг 1: Визна­чте мету

Перш ніж напи­са­ти пер­ший рядок коду, ви повин­ні визна­чи­ти, яку про­бле­му ви хоче­те вирі­ши­ти. ШІ навча­ють вирі­шу­ва­ти кон­кре­тні зав­да­н­ня, і чим менш визна­че­ною є ваша про­бле­ма, тим скла­дні­ше побу­ду­ва­ти ріше­н­ня. На цьо­му ета­пі, якщо ви виво­ди­те ШІ на ринок як про­дукт, вам потрі­бно визна­чи­ти свою цін­ні­сну про­по­зи­цію: У чому поля­гає про­бле­ма і чому вар­то інве­сту­ва­ти у ваш про­дукт, щоб вирі­ши­ти її?

Шаг 2: Збе­ріть і очи­стіть дані

Як я зав­жди казав, модель настіль­ки хоро­ша, наскіль­ки хоро­ші дані, на осно­ві яких вона була ство­ре­на, тому наяв­ність пра­виль­них даних для навча­н­ня вашо­го ШІ над­зви­чай­но важли­ва. Що ми має­мо на ува­зі під пра­виль­ни­ми даними?

• Дані мають від­но­ше­н­ня до про­бле­ми, яку ви нама­га­є­те­ся вирішити.
• Існує доста­тньо даних, щоб аде­ква­тно пред­ста­ви­ти всі можли­во­сті та результати.
• Дані не є упередженими.

Дані бува­ють двох типів: стру­кту­ро­ва­ні та нестру­кту­ро­ва­ні. Стру­кту­ро­ва­ні дані – це чітко визна­че­на інфор­ма­ція з про­сти­ми пара­ме­тра­ми пошу­ку — напри­клад, вміст еле­ктрон­ної табли­ці. Нестру­кту­ро­ва­ні дані, з іншо­го боку, є скла­дни­ми і не під­да­ю­ться лег­ко­му ана­лі­зу — напри­клад, сте­но­гра­ма розмови.

Як відо­мо кожно­му вче­но­му з даних, дані май­же ніко­ли не бува­ють стру­кту­ро­ва­ни­ми. Зде­біль­шо­го нам дово­ди­ться їх очи­ща­ти та впо­ряд­ко­ву­ва­ти, щоб зро­зу­мі­ти їхній зміст. Той самий прин­цип засто­со­ву­є­ться і до шту­чно­го інте­ле­кту. Під­го­тов­ка даних шля­хом їх впо­ряд­ку­ва­н­ня, вида­ле­н­ня непов­них запи­сів і кла­си­фі­ка­ції нази­ва­є­ться очи­ще­н­ням даних.

Шаг 3: Ство­ріть алгоритм

Немає двох одна­ко­вих ШІ. Модель вивче­н­ня мови дуже від­рі­зня­є­ться від ШІ сприйня­т­тя. Ней­рон­ні мере­жі та гли­бо­ке навча­н­ня, випад­ко­ві ліси, k‑найближчих сусі­дів (KNN) і сим­воль­на регре­сія – ось деякі з мате­ма­ти­чних основ ШІ, кожна з яких вико­нує свою фун­кцію і вирі­шує пев­ний тип завдань.

Напри­клад, ней­рон­ні мере­жі є фан­та­сти­чни­ми для моде­лей про­гно­зу­ва­н­ня, в той час як KNN ство­ре­но для кла­си­фі­ка­ції. Хара­ктер зав­да­н­ня і мас­штаб вашо­го про­е­кту допо­мо­жуть вам оці­ни­ти, який алго­ритм най­кра­ще піді­йде для вашо­го проекту.

Деякі ком­па­нії, такі як Google, про­по­ну­ють попе­ре­дньо навче­ні моде­лі, гото­ві до нала­шту­ва­н­ня та роз­гор­та­н­ня. Вони побу­до­ва­ні на міль­йо­нах запи­сів даних і є більш надій­ни­ми, ніж те, на що зда­тна біль­шість з нас. Замість того, щоб навча­ти­ся з нуля, ви може­те ско­ри­ста­ти­ся одним із цих сервісів.

Шаг 4: Навчіть алгоритм

ШІ пови­нен навчи­ти­ся вико­ну­ва­ти своє зав­да­н­ня; це те, що ми нази­ва­є­мо навча­н­ням. Як пра­ви­ло, біль­шість дослі­дни­ків даних вико­ри­сто­ву­ють 80% сво­го набо­ру даних для навча­н­ня моде­лей, а решту 20% – для пере­вір­ки про­гно­сти­чних можли­во­стей моде­лі. Навча­н­ня озна­чає, що шту­чний інте­лект вияв­ляє зако­но­мір­но­сті в даних і робить про­гноз на осно­ві цих закономірностей.

Шаг 5: Роз­гор­та­н­ня фіналь­но­го продукту

Коли ШІ навче­ний, настає час від­шлі­фу­ва­ти остан­ні дета­лі та роз­гор­ну­ти про­дукт. На цьо­му ета­пі ми роз­ро­бля­є­мо кори­сту­ва­цький інтер­фейс і сфе­ру його засто­су­ва­н­ня, а якщо це послу­га, то ство­рю­є­мо бренд нав­ко­ло неї.

Від авто­мо­біль­ної про­ми­сло­во­сті до зви­чай­них пов­сяк­ден­них зав­дань, шту­чний інте­лект стає основ­ною техно­ло­гі­єю май­же в кожній сфе­рі, і з рапто­вим зро­ста­н­ням інте­ре­су і потен­ці­а­лу дохо­ду слід очі­ку­ва­ти, що з’яв­ля­ю­ться нові інстру­мен­ти для роз­ро­бни­ків і зви­чай­них кори­сту­ва­чів для ство­ре­н­ня інте­ле­кту­аль­них систем. Пам’я­тай­те, що зна­ти, як ство­ри­ти шту­чний інте­лект – це лише поло­ви­на спра­ви, як кажуть, дия­вол хова­є­ться в деталях.

Поши­ре­ні запитання

Як бізнес може визна­чи­ти рен­та­бель­ність інве­сти­цій у впро­ва­дже­н­ня систем шту­чно­го інтелекту?

Ком­па­нії можуть визна­чи­ти рен­та­бель­ність інве­сти­цій у систе­ми шту­чно­го інте­ле­кту, вста­но­вив­ши для них клю­чо­ві пока­зни­ки ефе­ктив­но­сті (KPI) зале­жно від сво­їх клю­чо­вих зав­дань. Напри­клад, вони повин­ні оці­ни­ти, які бізнес-про­бле­ми вони нама­га­ю­ться вирі­ши­ти, і роз­гля­ну­ти, як ШІ може допо­мог­ти у їх вирішенні.

Які ети­чні мір­ку­ва­н­ня слід вра­хо­ву­ва­ти бізне­су при роз­роб­ці систем АІ?

Існує кіль­ка ети­чних мір­ку­вань, які ком­па­нії повин­ні вра­хо­ву­ва­ти при роз­роб­ці систем шту­чно­го інте­ле­кту, напри­клад, упе­ре­дже­ність, дис­кри­мі­на­ція, без­пе­ка, про­зо­рість, кон­фі­ден­цій­ність і підзвітність.

З яки­ми най­по­ши­ре­ні­ши­ми про­бле­ма­ми сти­ка­ю­ться ком­па­нії під час впро­ва­дже­н­ня систем шту­чно­го інтелекту?

Ком­па­нії сти­ка­ю­ться з низ­кою про­блем, коли впро­ва­джу­ють систе­ми шту­чно­го інте­ле­кту, як-от брак від­по­від­них нави­чок і знань, про­бле­ми з без­пе­кою та кон­фі­ден­цій­ні­стю, брак які­сних даних, а також опір змі­нам серед чле­нів колективу.

Як ком­па­нії можуть забез­пе­чи­ти без­пе­ку сво­їх систем шту­чно­го інтелекту?

Щоб забез­пе­чи­ти без­пе­ку систем шту­чно­го інте­ле­кту, ком­па­ні­ям слід спів­пра­цю­ва­ти з екс­пер­та­ми з ШІ та кібер­без­пе­ки, щоб захи­сти­ти себе та свої дані. Вони також повин­ні про­во­ди­ти регу­ляр­ні оцін­ки без­пе­ки, вико­ри­сто­ву­ва­ти захи­ще­ні мере­жі, регу­ляр­но онов­лю­ва­ти про­грам­не забез­пе­че­н­ня, навча­ти спів­ро­бі­тни­ків пра­виль­но­му вико­ри­стан­ню інстру­мен­тів і впро­ва­джу­ва­ти про­то­ко­ли ава­рій­но­го відновлення.