Области применения искусственного интеллекта. Искусственный интеллект: что это такое и как его использовать обычному человеку? Применение искусственного интеллекта

Искусственный интеллект (AI) давно стал частью нашей жизни. Он помогает отдыхать, делать покупки, учиться и работать. В маркетинге машины также нашли обширное применение.

В этой статье вы увидите примеры, как работает искусственный интеллект в маркетинге.

Построение сайтов

Сервис The Grid представляет робота-помощника Молли. Она помогает разрабатывать сайты на разных платформах за короткое время.

В чем смысл? Молли создает сайт без разработчиков и инженеров. За один сайт компания просит не больше 100 долларов в год. Согласитесь, это ничто по сравнению с годовой зарплатой команды разработчиков.

Но без людей все-таки никуда: они подбирают изображения, текст, СТА. Молли берет эти данные и строит сайт.

Как это происходит, смотрите в коротком видео:

Создание контента

Копирайтеры могут быть спокойны - ИИ не проникнет в их сферу слишком глубоко. Но кое-что в области контента машины сделать могут. Многие крупные издатели и медиа используют инструменты вроде Wordsmith:

Машины создают кликабельный контент - новости, описания отелей, одежды и товаров, помогают с отчетами. Они используют шаблоны, заполняют формы нужными словами и ключами, а также создают другой уникальный контент, который практически не отличается от человеческого.

Конечно, Пулитцеровскую премию за подобные тексты ИИ не получит, но предложения и фразы вполне читабельны.

Новость о бейсбольном матче для The Associated Press написал ИИ:

Не самая увлекательная история, но смысл вполне понятный: команда State College выиграла у Brooklyn Cyclones со счетом 9:8.

Написанный машиной текст можно редактировать в приложении Hemingway:

Это тоже искусственный интеллект. Простое приложение выжимает «воду» из текста.

Отечественный аналог — сервис Главред.

Хорошо, когда не нужно вставать с дивана, чтобы запустить новый сериал или фильм. Многие медиакомпании используют ИИ. Закончился один фильм - машина автоматически запускает другой, чтобы не утруждать людей.

ИИ анализирует поведение пользователей и предлагает контент. Это может, например, IBM Watson:

Спортивная соцсеть UNDER ARMOUR RECORD использует Ватсона для кастомизации посланий пользователям приложений, а Музей современного искусства, Сан-Франциско, создал арт-бота на основе ИИ Ватсон. Бот общается с посетителями музея и просто любителями искусства. Он анализирует сообщение и показывает картины:

«- Пришли солнышко. - Роберт Бехтле, Watsonville Olympia, 1977».

Неплохо знает пользователей Яндекс, который вплотную занимается нейросетями. Вот так Яндекс.Музыка ищет пути узнать нас ближе:

Поисковики

Чего хотят пользователи? Знает искусственный интеллект. От этих знаний зависит оптимизация контента, которой занимаются маркетологи. Машины также влияют на поиск и поисковики.

Так, например, дверь в будущее открыл голосовой поиск и гугловская система ранжирования поисковых результатов RankBrain. Она интерпретирует данные и строит предположения, что вам может быть интересно. ИИ самостоятельно старается догадаться о значении незнакомых слов.

Машины - Amazon Echo, Google Home, Siri и Cortana от Microsoft - облегчают жизнь и поиск. Достаточно нажать кнопку или сказать слово - и они найдут нужную информацию. Вместо «рестораны в Москве» достаточно сказать «где можно поесть?» и ИИ покажет путь.

Параметры поиска меняются, меняется контент. Длинные запросы исчезают, вместо них появляются короткие разговорные фразы. Меняется принцип создания контента. Если раньше были ключевые слова, сегодня упор делается на кластеры топиков. Берется одна тема и вокруг нее создается контент из нескольких статей.

Маркетинговая автоматизация

Бренды используют ИИ для кастомизации рассылок клиентам. Машины учитывают предпочтения и поведение клиентов, чтобы делать более релевантные предложения.

Boomtrain анализирует историю взаимодействия клиентов с контентом и создает рассылки:

Интернет-магазин белья Adore me работает с Optimove:

Инструмент использует ИИ для сегментирования списка клиентов и последующего вовлечения и конверсии. Машина высылает разные предложения для разных групп и взаимодействует с пользователями в приложении. Бренд в плюсе: выросла выручка и количество активных клиентов.

Искусственный интеллект высвобождает кучу времени, которое можно потратить на то, что действительно важно и нужно.

Соцсети

Игры с изображениями

Фотофильтры - с ними можно играть часами. И это тоже нейросети. Машины научились распознавать человеческие лица, чтобы пользователи соцсетей не скучали и развлекались с фотофильтрами.

С помощью ИИ бренды и звезды становятся ближе к потенциальным покупателям.

С того момента, как искусственный интеллект был признан научным направлением, а это произошло в середине 50-х годов прошлого века, разработчикам интеллектуальных систем пришлось решать множество задач. Условно все задачи можно разделить на несколько классов: распознавание человеческого языка и перевод, автоматические доказательства теорем, создание игровых программ, распознавание изображений и машинное творчество. Рассмотрим кратко сущность каждого класса задач.

Доказательство теорем.

Автоматическое доказательство теорем является старейшей сферой применения искусственного интеллекта. В этой области было проведено немало исследований, результатом которых стало появление формализованных алгоритмов поиска и языков формальных представлений, таких как PROLOG - логический язык программирования, и исчисление предикатов.

Автоматические доказательства теорем привлекательны тем, что они основываются на общности и строгости логики. Логика в формальной системе предполагает возможность автоматизации, а это значит, что если представить задачу и относящуюся к ней дополнительную информацию в виде совокупности логических аксиом, а частные случаи задачи - как теоремы, требующие доказательства, можно получить решение многих проблем. Системы математических обоснований и автоматические доказательства теорем содержат в своей основе именно этот принцип. В прошлые годы делались неоднократные попытка написать программу для автоматических доказательств теорем, однако так и не удалось создать систему, позволяющую решать задачи с использованием единого метода. Любая относительно сложная эвристическая система могла генерировать множество доказуемых теорем, не относящихся к делу, в результате программам приходилось доказывать их до тех пор, пока не обнаруживалась нужная. Из-за этого возникло мнение, что с большими пространствами можно работать только с помощью неформальных стратегий, специально разработанных для конкретных случаев. На практике этот подход оказался достаточно плодотворным и был положен, наряду с другими, в основу экспертных систем.

Вместе с тем, нельзя игнорировать рассуждения, основанные на формальной логике. Формализованный подход позволяет решить многие проблемы. В частности, применяя его, можно управлять сложными системами, проверять корректность компьютерных программ, проектировать и проверять логические цепи. Кроме того, исследователи автоматического доказательства теорем разработали мощные эвристики, в основе которых находится оценка синтаксической формы логических выражений. В результате стало возможным понижать уровень сложности пространства поиска, не прибегая к разработке специальных стратегий.

Автоматическое доказательство теорем вызывает интерес учёных и по той причине, что для особо сложных проблем также можно использовать систему, хотя и не без вмешательства человека. В настоящее время программы часто выступают в роли помощников. Специалисты разбивают задачу на несколько подзадач, затем продумываются эвристики для перебора возможных оснований. Далее программа доказывает леммы, проверяет менее существенные предположения и осуществляет дополнения к формальным аспектам доказательств, очерченных человеком.

Распознавание образов.

Распознавание образов представляет собой выделение существенных признаков, характеризующих исходные данные, из общей совокупности признаков, и на основании полученной информации отнесение данных к определённому классу.

Теория распознавания образов - это раздел информатики, в задачи которого входит развитие основ и методов идентификации и классификации объектов (предметов, процессов, явлений, ситуаций, сигналов и т. д.), каждый из которых наделён совокупностью некоторых признаков и свойств. На практике идентифицировать объекты приходится довольно часто. Характерная ситуация - распознавание цвета светофора и принятие решения о том, следует ли в данный момент переходить улицу. Существуют и другие области, в которых нельзя обойтись без распознавания объектов, например, оцифровка аналоговых сигналов, военное дело, системы безопасности и так далее, поэтому на сегодняшний день учёные продолжают активную работу над созданием систем распознавания образов.

Работа ведётся в двух основных направлениях:

• · Исследование, объяснение и моделирование способностей к распознаванию, присущих живым существам.
• · Развитие теоретических и методологических основ создания устройств, которые позволяли бы решать отдельные задачи в прикладных целях.

Постановка задач распознавания осуществляется с использованием математического языка. В то время как теория искусственных нейронных сетей базируется на получении результатов путём экспериментов, постановка задач распознавания образов происходит не на основе эксперимента, а на основе математических доказательств и логических рассуждений.

Рассмотрим классическую постановку такой задачи. Имеется множество объектов, относительно которых следует провести классификацию. Множество состоит из подмножеств, или классов. Задано: информация, описывающая множество, информация о классах и описание отдельно взятого объекта без указания на его принадлежность к определённому классу. Задача: на основании имеющихся данных определить, к какому классу относится объект.

Если в задачах присутствуют монохромные изображения, они могут быть рассмотрены как функции на плоскости. Функция будет представлять собой формальную запись изображения и в каждой точке выражать определённую характеристику данного изображения - оптическую плотность, прозрачность, яркость и т. д. В таком случае моделью множества изображения будет являться множество функций на плоскости. Постановка задачи распознавания зависит от того, какими должны этапы, следующие за распознаванием.

К методам распознавания образов относятся эксперименты Ф. Розенблатта, который ввёл понятие модели мозга. Задача эксперимента - показать, как возникают психологические явления в физической системе с известными функциональными свойствами и структурой. Учёный описал простейшие эксперименты по распознаванию, однако их особенностью является не детерминированный алгоритм решения.

Наиболее простой эксперимент, на основе которого может быть получена психологически значимая информация о системе, заключается в следующем: персептрону предъявляется последовательность из двух различных стимулов, на каждый из которых он должен реагировать некоторым образом, причём для разных стимулов реакция должна быть различной. Цели такого эксперимента могут быть разными. Перед экспериментатором может стоять задача изучить возможность спонтанного различения системой представленных стимулов без вмешательства извне, или же наоборот, изучить возможность принудительного распознавания. Во втором случае экспериментатор обучает систему классифицировать различные объекты, которых может быть более двух. Опыт с обучением проходит следующим образом: персептрону предъявляют образы, среди которых есть представители всех классов, подлежащих распознаванию. Правильная реакция подкрепляется в соответствии с правилами модификации памяти. После этого экспериментатор предъявляет персептрону контрольный стимул и определяет вероятность получения заданной реакции для образов данного класса. Контрольный стимул может совпадать с одним из объектов, представленных в обучающей последовательности, или отличаться от всех представленных объектов. В зависимости от этого получают следующие результаты:

• · Если контрольный стимул отличается от всех представленных ранее обучающих стимулов, то кроме чистого различения эксперимент исследует элементы обобщения.
• · Если контрольный стимул вызывает активизацию некоторой группы сенсорных элементов, не совпадающих ни с одним из элементов, активизировавшихся при воздействии стимулов того же класса, предъявленных ранее, то эксперимент исследует чистое обобщение и не включает исследование распознавания.

Несмотря на то, что персептроны не способны к чистому обобщению, они удовлетворительно справляются с задачами распознавания, особенно в тех случаях, когда демонстрируются образы, в отношении которых у персептроны уже имеется определённый опыт.

Распознавание человеческой речи и машинный перевод.

К долгосрочным целям искусственного интеллекта относится создание программ, способных распознавать человеческий язык и использовать его для построения осмысленных фраз. Способность к пониманию и применению естественного языка - фундаментальная особенность человеческого интеллекта. Успешная автоматизация этой способности позволила бы намного повысить эффективность компьютеров. К настоящему времени написано много программ, способных понимать естественный язык, и они с успехом применяются в ограниченных контекстах, однако до сих пор не существует систем, которые могли бы применять естественные языки с такой же общностью и гибкостью, как это делает человек. Дело в том, что процесс понимания естественного языка заключается не только в простом разборе предложений на составляющие и поиске значений отдельных слов в словарях. Как раз с этой задачей программы успешно справляются. Для применения человеческой речи необходимы обширные знания о предмете беседы, об идиомах, имеющих к нему отношение, кроме того, необходима способность понимать неясности, недомолвки, профессионализмы, жаргонизмы, просторечные выражения и многое другие из того, что присуще нормальной человеческой речи.

В качестве примера можно привести разговор о футболе, где используются такие слова как «нападающий», «пас», «передача», «штрафной», «защитник», «форвард», «капитан» и другие. Каждое из этих слов характеризуется набором значений, и по отдельности слова вполне доступны для понимания, но фраза, составленная из них, будет непонятна любому, кто не увлекается футболом и ничего не знает об истории, правилах и принципах этой игры. Таким образом, для понимания и применения человеческого языка необходима совокупность фоновых знаний, и одной из главных проблем в автоматизации понимания и применения естественного человеческого языка является сбор и систематизация таких знаний.

Поскольку семантические значения используются в искусственном интеллекте очень широко, учёные разработали ряд методов, позволяющих в какой-то степени их структурировать. Всё же большая часть работы ведётся в тех проблемных областях, которые являются хорошо понимаемыми и специализированными. Примером может служить методика «микромира». Одной из первых программ, где она была использована, стала программа SHRDLU, разработанная Терри Виноградом, представляющая собой одну из систем понимания человеческой речи. Возможности программы были довольно ограниченными и сводились к «беседе» о расположении блоков разных цветов и форм, а также к планированию простейших действий. Программа давала ответы на вопросы типа «Какого цвета пирамидка на кросном бруске?» и могла давать указания вида «Поставьте синий блок на красный». Подобные задачи часто затрагивались исследователями искусственного интеллекта и в дальнейшем получили известность под названием «мир блоков».

Несмотря на то, что программа SHRDLU успешно «беседовала» о расположении блоков, она не была наделена способностью абстрагироваться от этого «микромира». В ней использовались слишком простые методики, которым была недоступна передача семантической организации предметных областей более высокой сложности.

Текущие работы в области понимания и применения естественных языков направлены в основном на поиск достаточно общих формализмов представления, которые можно было бы адаптировать к специфичным структурам заданных областей и применять в широком круге приложений. Большинство существующих методик, представляющих собой модификации семиотических сетей, исследуются и применяются при написании программ, способных распознавать естественный язык в узких предметных областях. В то же время, современные возможности не позволяют создать универсальную программу, способную понимать человеческую речь во всём её многообразии.

Среди многообразия задач распознавания образов можно выделить следующие:

• · Классификация документов
• · Определение месторождений полезных ископаемых
• · Распознавание изображений
• · Распознавание штрих-кодов
• · Распознавание символов
• · Распознавание речи
• · Распознавание лиц
• · Распознавание номеров автомобилей

Искусственный интеллект в игровых программах.

Игровой искусственный интеллект включает в себя не только методы традиционного ИИ, но также и алгоритмы информатики в целом, компьютерной графики, робототехники и теории управления. От того, как именно реализован ИИ, зависят не только системные требования, но и бюджет игры, поэтому разработчикам приходится балансировать, стараясь, чтобы игровой искусственный интеллект был создан с минимальными затратами, и чтобы при этом он был интересным и нетребовательным к ресурсам. Здесь используется совершенно иной подход, чем в случае с традиционным искусственным интеллектом. В частности, широко применяются эмуляции, обманы и различные упрощения. Пример: особенностью шутеров от первого лица является способность ботов к безошибочному движению и мгновенному прицеливанию, но при этом у человека не остаётся ни единого шанса, поэтому способности ботов искусственно занижаются. В то же время, на уровне расставляются контрольные точки, для того чтобы боты могли действовать командой, устраивать засады и т. д. искусственный интеллект образ

В компьютерных играх, которыми управляет игровой искусственный интеллект, присутствуют следующие категории персонажей:

• · мобы - персонажи с низким уровнем интеллекта, враждебные к человеческому игроку. Игроки уничтожают мобов с целью прохождения территории, получения артефактов и очков опыта.
• · неигровые персонажи - обычно эти персонажи дружественны или нейтральны к игроку.
• · боты - персонажи, враждебные по отношению к игрокам, наиболее сложные в программировании. Их возможности приближаются к возможностям игровых персонажей. В любой момент времени против игрока выступает некоторое количество ботов.

Внутри компьютерной игры существует множество областей, в которых используется широкое многообразие эвристических алгоритмов искусственного игрового интеллекта. Наиболее широко игровой ИИ применяется как один из способов контроля неигровых персонажей. Другим, не менее распространённым способом контроля, является скриптинг. Ещё одно очевидное применение игрового ИИ, особенно в стратегиях реального времени, - поиск пути, или метод, позволяющий определить, как неигровой персонаж может попасть из одной точки на карте в другую. При этом нужно учитывать препятствия, ландшафт и возможный «туман войны». Динамическая балансировка мобов также не обходится без применения искусственного интеллекта. Во многих играх была опробована концепция непредсказуемого интеллекта. Это такие игры как Nintendogs, Black & White, Creatures и всем известная игрушка «тамагочи». В этих играх персонажами являются домашние животные, поведение которых изменяется с учётом действий, произведённых игроком. Создаётся впечатление, что персонажи способны обучаться, хотя на самом деле их действия являются результатом выбора из ограниченного множества решений.

Многие игровые программисты считают частью игрового искусственного интеллекта любую методику, с помощью которой создаётся иллюзия интеллекта. Однако этот подход не совсем верен, так как те же самые методики могут использоваться не только в движках игрового ИИ. Например, при создании ботов используются алгоритмы с введенной в них информацией о возможных будущих столкновениях, вследствие чего боты приобретают «умение» избегать этих столкновений. Но эти же методики представляют собой важный и необходимый компонент физического движка. Ещё один пример: важным компонентом системы прицеливания бота являются водные данные, и те же самые данные широко применяются в графическом движке при рендеринге. Финальный пример - скриптинг. Этот инструмент с успехом может применяться во всех аспектах игровой разработки, но чаще всего его рассматривают как один из способов контролирования действий неигровых персонажей.

По мнению пуристов, выражение «игровой искусственный интеллект» не имеет права на существование, так как является преувеличением. В качестве главного аргумента они выдвигают то, что в игровом ИИ используются лишь некоторые направления науки о классическом искусственном интеллекте. Следует принять во внимание и то, что целями ИИ является создание самообучающихся систем и даже создание искусственного интеллекта, способного рассуждать, в то время как часто ограничивается эвристикой и набором из нескольких эмпирических правил, которых бывает достаточно для создания хорошего геймплея и предоставления игроку ярких впечатлений и ощущений от игры.

В настоящее время разработчики компьютерных игр проявляют интерес к академическому ИИ, а академическое сообщество, в свою очередь, начинает интересоваться компьютерными играми. В связи с этим возникает вопрос, в какой степени игровой и классический ИИ различаются между собой. Вместе с тем, игровой искусственный интеллект всё ещё рассматривается как одна из под-отраслей классического. Это обусловлено тем, что искусственный интеллект имеет различные прикладные области, отличающиеся друг от друга. Ели говорить об игровом интеллекте, важным отличием здесь является возможность обмана с целью решения некоторых задач «законными» способами. С одной стороны, недостаток обмана в том, что зачастую он приводит к нереалистичному поведению персонажа и по этой причине не всегда может быть использован. С другой стороны, сама возможность такого обмана служит важным отличием игрового ИИ.

Ещё одной интересной задачей искусственного интеллекта является обучение компьютера игре в шахматы. Её решением занимались учёные всего мира. Особенность данной задачи в том, что демонстрация логических способностей компьютера возможна только при наличии реального противника. Впервые такая демонстрация состоялась в 1974 году, в Стокгольме, где прошёл чемпионат мира по шахматам среди шахматных программ. В данном соревновании победила программа «Каисса, созданная советскими учёными из Института проблем управления академии наук СССР, расположенного в Москве.

Искусственный интеллект в машинном творчестве.

Природа человеческого интеллекта пока изучена недостаточно, а степень изучения природы человеческого творчества - ещё меньше. Тем не менее, одним из направлений искусственного интеллекта является машинное творчество. Современные компьютеры создают музыкальные, литературные и живописные произведения, а в индустрии компьютерных игр и кинофильмов уже давно используются реалистичные образы, создаваемые машинами. Существующие программы создают различные образы, которые могут быть легко восприняты и поняты человеком. Это особенно важно, когда речь идёт об интуитивных знаниях, для формализованной проверки которых пришлось бы приложить немалые умственные усилия. Так, музыкальные задачи с успехом решаются с использованием языком программирования, одним из которых является язык CSound. Специальное программное обеспечение, с помощью которого создаются музыкальные произведения, представлено программами алгоритмической композиции, системами интерактивной композиции, системами синтеза и обработки звука.

Экспертные системы.

Разработка современных экспертных систем ведётся исследователями с начала 1970-х годов, а в начале 1980-х экспертные системы начали разрабатываться и на коммерческой основе. Прообразами экспертных систем, предложенными в 1832 году русским учёным С. Н. Корсаковым, стали механические устройства, названные «интеллектуальными машинами», которые позволяли находить решение, руководствуясь заданными условиями. Например, анализировались симптомы заболевания, наблюдаемые у пациента, и по результатам этого анализа предлагались самые подходящие лекарства.

Информатика рассматривает экспертные системы совместно с базами знаний. Системы представляют собой модели поведения экспертов, основанные на применении процедур принятия решений и логических выводов. Базы знаний рассматриваются как совокупность правил логического вывода и фактов, имеющих непосредственное отношение к выбранной сфере деятельности.

В конце прошлого века сложилась определённая концепция экспертных систем, глубоко ориентированная на текстовый человеко-машинный интерфейс, который в то время был общепринятым. В настоящее время эта концепция подверглась серьёзному кризису, связанному, по всей видимости, с тем, что в пользовательских приложениях на смену текстовому интерфейсу пришёл графический. Кроме того, реляционная модель данных и «классический» взгляд на построение экспертных систем плохо согласуются между собой. Следовательно, организация баз знаний экспертных систем не может проводиться эффективно, по крайней мере, с использованием современных промышленных систем управления базами данных. В литературных и сетевых источниках приводится множество примеров экспертных систем, называемых «распространёнными» или «широко известными». На деле все эти экспертные системы были созданы ещё в 80-х годах прошлого столетия и к настоящему моменту либо прекратили своё существование, либо являются безнадёжно устаревшими и существуют благодаря немногочисленным энтузиастам. С другой стороны, разработчики современных программных продуктов часто именуют свои творения экспертными системами. Подобные заявления - не более чем маркетинговый ход, ведь в действительности эти продукты не являются экспертными системами (примером может служить любая из компьютерных справочно-правовых систем). Энтузиасты пытаются объединить подходы к созданию пользовательского интерфейса с «классическими» подходами к созданию экспертных систем. Эти попытки нашли отражение в таких проектах как CLIPS.NET, CLIPS Java Native Interface и других, однако крупные компании, выпускающие программное обеспечение, не торопятся финансировать подобные проекты, и по этой причине разработки не продвигаются дальше экспериментальной стадии.

Всё многообразие областей, в которых могут применяться системы, основанные на знаниях, можно разделить на классы: медицинская диагностика, планирование, прогнозирование, контроль и управление, обучение, интерпретация, диагностика неисправностей в электрическом и механическом оборудовании, обучение. Рассмотрим каждый из этих классов подробнее.

а) Медицинские диагностические системы.

С помощью таких систем определяют, как связаны между собой различные нарушения деятельности организма и их возможные причины. Самой известной диагностической системой является MYCIN. Её применяют для диагностики менингита и бактериальных инфекций, а также для наблюдения за состоянием больных, у которых обнаружены данные заболевания. Первая версия системы была разработана в 70-х годах. На сегодняшний день её возможности значительно расширились: система ставит диагнозы на том же профессиональном уровне, что и врач-специалист, и может применяться в разных областях медицины.

б) Прогнозирующие системы.

Системы предназначены для предсказания событий или результатов событий на основе имеющихся данных, характеризующих текущую ситуацию или состояние объекта. Так, программа «Завоевание Уолл-Стрита», использующая в свой работе статистические методы алгоритмов, способна анализировать конъюнктуру рынка и разрабатывать план капиталовложений. В программе используются алгоритмы и процедуры традиционного программирования, поэтому её нельзя отнести к системам, основанным на знаниях. Уже сегодня существуют программы, способные предсказывать поток пассажиров, урожайность и погоду, анализируя имеющиеся данные. Такие программы достаточно просты, и некоторые из них могут использоваться на обычных персональных компьютерах. Однако до сих пор не существует экспертных систем, которые могли бы, основываясь на данных о конъюнктуре рынка, подсказать, как можно увеличить капитал.

в) Планирование.

Системы планирования предназначены для решения задач с большим количество переменных с целью достижения конкретных результатов. Впервые в коммерческой сфере такие системы были использованы дамасской фирмой Informat. Руководство компании распорядилось становить в холле офиса 13 станций, которые проводили бесплатные консультации для покупателей, желающих приобрести компьютер. Машины помогали сделать выбор, максимально соответствующий бюджету и пожеланиям покупателя. Также экспертные системы были применены компанией Boeing для таких целей как ремонт вертолётов, установление причин выхода из строя самолётных двигателей и проектирование комических станций. Фирма DEC создала экспертную систему XCON, способную определять и изменять конфигурацию компьютерных систем VAX с учётом требований покупателей. В настоящее время фирма DEC занимается разработкой более мощной системы XSEL, в которую входит база знаний XCON. Цель создания системы - помощь потребителям в подборе вычислительной системы с требуемой конфигурацией. Отличие системы XSEL от XCON в том, что она является интерактивной.

г) Интерпретация.

Интерпретирующие системы способны делать заключения, основываясь на результатах наблюдения. Одной из самых известных интерпретирующих систем является система PROSPECTOR. Она работает, используя данные, основанные на знаниях девяти экспертов. Эффективность системы можно оценить по одному примеру: используя девять различных методов экспертизы, система обнаружила месторождение руды, наличие которого не мог предполагать ни один эксперт. Другая известная система интерпретирующего типа - HASP/SIAP. Она использует данные акустических систем слежения и на их основе определяет местонахождение судов в Тихом океане и их типы.

д) Интеллектуальные системы контроля и управления.

Экспертные системы успешно применяются для контроля и управления. Они способны анализировать данные, полученные от нескольких источников, и по результатам анализа принимать решения. Такие системы способны осуществлять медицинский контроль и управлять движением самолётов, кроме того, они применяются на атомных электростанциях. Также с их помощью осуществляется регулирование финансовой деятельности предприятия и вырабатываются решения в критических ситуациях.

е) Диагностика и устранение неисправностей в электрическом и механическом оборудовании.

Системы, основанные на знаниях, применяются в таких случаях, как:

ремонт дизельных локомотивов, автомобилей и других электрических и механических устройств;

диагностика и устранение ошибок и неисправностей в программном и аппаратном обеспечении вычислительных машин.

ж) Компьютерные системы обучения.

Достаточно эффективно использование систем, основанных на знаниях, в обучающих целях. Система анализирует поведение и деятельность объекта и в соответствии с полученной информацией изменяет базу знаний. Простейший пример такого обучения - компьютерная игра, в которой уровни становятся сложнее по мере того, как возрастает квалификация игрока. Интересная обучающая система - EURISCO - разработана Д. Ленатом. В ней используются простые эвристики. Система была применена в игре, имитирующей боевые действия. Суть игры - определить оптимальный состав флотилии, которая могла бы наносить поражения, соблюдая множество правил. Система успешно справилась с этой задачей, включив в состав флотилии одно маленькое судно и несколько кораблей, способных провести атаку. Правила игры менялись ежегодно, но система EURISCO неизменно одерживала победу на протяжении трёх лет.

Существует множество экспертных систем, которые по содержанию знаний могут быть отнесены сразу к нескольким типам. К примеру, система, которая осуществляет планирование, может быть также и обучающей. Она способна определять уровень знаний обучаемого и, основываясь на этой информации, составлять учебный план. Управляющие системы применяются для планирования, прогнозирования, диагностики и контроля. Системы, предназначенные для охраны дома или квартиры, могут отслеживать изменения, происходящие в окружающей обстановке, прогнозировать развитие ситуации и составлять план дальнейших действий. Например, открылось окно и через него в помещение пытается проникнуть вор, следовательно, необходимо вызвать полицию.

Широкое распространение экспертных систем началось в 1980-х годах, когда впервые произошло их коммерческое внедрение. ЭС используются во многих сферах, включая бизнес, науку, технику, производство и другие отрасли, характеризующиеся вполне определённой предметной областью. В данном контексте «вполне определённая» означает, что человек может разделить ход рассуждения на отдельные этапы, и таким образом может быть решена любая задача, которая находится в рамках данной области. Следовательно, аналогичные действия может выполнить и компьютерная программа. Можно с уверенностью сказать, что использование возможностей искусственного интеллекта открывает перед человечеством безграничные возможности.

Искусственный интеллект (ИИ, англ. Artificial intelligence, AI) - наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами.

Что такое искусственный интеллект

Интеллект (от лат. intellectus - ощущение, восприятие, разумение, понимание, понятие, рассудок), или ум - качество психики, состоящее из способности приспосабливаться к новым ситуациям, способности к обучению и запоминанию на основе опыта, пониманию и применению абстрактных концепций и использованию своих знаний для управления окружающей средой. Интеллект - это общая способность к познанию и решению трудностей, которая объединяет все познавательные способности человека: ощущение, восприятие, память, представление, мышление, воображение.

В начале 1980-х гг. ученые в области теории вычислений Барр и Файгенбаум предложили следующее определение искусственного интеллекта (ИИ):

Позже к ИИ стали относить ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать некоторые задачи так, как это делал бы размышляющий над их решением человек.

Основные свойства ИИ - это понимание языка, обучение и способность мыслить и, что немаловажно, действовать.

ИИ – комплекс родственных технологий и процессов, развивающихся качественно и стремительно, например:

• обработка текста на естественном языке
• экспертные системы
• виртуальные агенты (чат-боты и виртуальные помощники)
• системы рекомендаций.

Национальная стратегия развития искусственного интеллекта

• Основная статья: Национальная стратегия развития искусственного интеллекта

Исследования в сфере ИИ

• Основная статья: Исследования в сфере искусственного интеллекта

Стандартизация в области ИИ

2019: Эксперты ISO/IEC поддержали предложение о разработке стандарта на русском языке

16 апреля 2019 года стало известно, что подкомитет ISO /IEC по стандартизации в области искусственного интеллекта поддержал предложение Технического комитета «Кибер-физические системы », созданного на базе РВК , о разработке стандарта «Artificial intelligence. Concepts and terminology» на русском языке в дополнение к базовой английской версии.

Терминологический стандарт «Artificial intelligence. Concepts and terminology» является основополагающим для всего семейства международных нормативно-технических документов в области искусственного интеллекта. Кроме терминов и определений, данный документ содержит концептуальные подходы и принципы построения систем с элементами , описание взаимосвязи AI с другими сквозными технологиями, а также базовые принципы и рамочные подходы к нормативно-техническому регулированию искусственного интеллекта.

По итогам заседания профильного подкомитета ISO/IEC в Дублине эксперты ISO/IEC поддержали предложение делегации из России о синхронной разработке терминологического стандарта в сфере AI не только на английском, но и на русском языке. Ожидается, что документ будет утвержден в начале 2021 года.

Развитие продуктов и услуг на базе искусственного интеллекта требует однозначной трактовки используемых понятий всеми участниками рынка. Стандарт терминологии позволит унифицировать «язык», на котором общаются разработчики, заказчики и профессиональное сообщество, классифицировать такие свойства продуктов на базе ИИ, как «безопасность», «воспроизводимость», «достоверность» и «конфиденциальность». Единая терминология также станет важным фактором для развития технологий искусственного интеллекта в рамках Национальной технологической инициативы – алгоритмы ИИ используют более 80% компаний в периметре НТИ. Кроме того, решение ISO/IEC позволит укрепить авторитет и расширить влияние российских экспертов при дальнейшей разработке международных стандартов.

В ходе заседания эксперты ISO/IEC также поддержали разработку проекта международного документа Information Technology - Artificial Intelligence (AI) - Overview of Computational Approaches for AI Systems, в котором Россия выступает в качестве соредактора. Документ предоставляет обзор современного состояния систем искусственного интеллекта, описывая основные характеристики систем, алгоритмы и подходы, а также примеры специализированных приложений в области AI. Разработкой этого проекта документа займется специально созданная в рамках подкомитета рабочая группа 5 «Вычислительные подходы и вычислительные характеристики систем Искусственного интеллекта» (SC 42 Working Group 5 «Computational approaches and computational characteristics of AI systems»).

В рамках работы на международном уровне делегации из России удалось добиться ряда знаковых решений, которые будут иметь долгосрочный эффект для развития в стране технологий искусственного интеллекта. Разработка русскоязычной версии стандарта, еще и со столь ранней фазы – гарантия синхронизации с международным полем, а развитие подкомитета ISO/IEC и инициация международных документов с российским соредакторством – это фундамент для дальнейшего продвижения интересов российских разработчиков за рубежом», - прокомментировал.

Технологии искусственного интеллекта широко востребованы в самых разных отраслях цифровой экономики . Среди основных факторов, сдерживающих их полномасштабное практическое использование, - неразвитость нормативной базы. При этом именно проработанная нормативно-техническая база обеспечивает заданное качество применения технологии и соответствующий экономический эффект.

По направлению искусственный интеллект ТК «Кибер-физические системы» на базе РВК ведет разработку ряда национальных стандартов, утверждение которых запланировано на конец 2019 – начало 2020 года. Кроме того, совместно с рыночными игроками идет работа по формированию Плана национальной стандартизации (ПНС) на 2020 год и далее. ТК «Кибер-физические системы» открыт для предложений по разработке документов со стороны заинтересованных организаций.

2018: Разработка стандартов в области квантовых коммуникаций, ИИ и умного города

Технический комитет «Кибер-физические системы» на базе РВК совместно с Региональным инжиниринговым центром «СэйфНет» 6 декабря 2018 года начали разработку комплекса стандартов для рынков Национальной технологической инициативы (НТИ) и цифровой экономики . К марту 2019 года планируется разработать документы технической стандартизации в области квантовых коммуникаций , и , сообщили в РВК. Подробнее .

Влияние искусственного интеллекта

Риск для развития человеческой цивилизации

Влияние на экономику и бизнес

• Влияние технологий искусственного интеллекта на экономику и бизнес

Влияние на рынок труда

Предвзятость искусственного интеллекта

В основе всего того, что является практикой ИИ (машинный перевод, распознавание речи, обработка текстов на естественных языках, компьютерное зрение , автоматизация вождения автомобилей и многое другое) лежит глубинное обучение. Это подмножество машинного обучения , отличающееся использованием моделей нейронных сетей , о которых можно сказать, что они имитируют работу мозга, поэтому их с натяжкой можно отнести к ИИ. Любая модель нейронной сети обучается на больших наборах данных , таким образом, она обретает некоторые «навыки», но то, как она ими пользуется - для создателей остается не ясным, что в конечном счете становится одной из важнейших проблем для многих приложений глубинного обучения. Причина в том, что такая модель работает с образами формально, без какого-либо понимания того, что она делает. Является ли такая система ИИ и можно ли доверять системам, построенным на основе машинного обучения? Значение ответа на последний вопрос выходит за пределы научных лабораторий. Поэтому заметно обострилось внимание средств массовой информации к явлению, получившему название AI bias. Его можно перевести как «необъективность ИИ» или «пристрастность ИИ». Подробнее .

Рынок технологий искусственного интеллекта

Рынок ИИ в России

Мировой рынок ИИ

Сферы применения ИИ

Сферы применения ИИ достаточно широки и охватывают как привычные слуху технологии, так и появляющиеся новые направления, далекие от массового применения, иначе говоря, это весь спектр решений, от пылесосов до космических станций. Можно разделить все их разнообразие по критерию ключевых точек развития.

ИИ - это не монолитная предметная область. Более того, некоторые технологические направления ИИ фигурируют как новые подотрасли экономики и обособленные сущности, одновременно обслуживая большинство сфер в экономике.

Развитие применения использования ИИ ведет к адаптации технологий в классических отраслях экономики по всей цепочке создания ценности и преобразует их, приводя к алгоритмизированию практически всего функционала, от логистики до управления компанией.

Использование ИИ в целях обороны и в военном деле

Использование в образовании

Использование ИИ в бизнесе

ИИ в борьбе с мошенничеством

11 июля 2019 года стало известно о том, что всего через два года искусственный интеллект и машинное обучение будут использоваться для противодействия мошенничеству в три раза чаще, чем на июль 2019 года. Такие данные были получены в ходе совместного исследования компании SAS и Ассоциации сертифицированных специалистов по расследованию хищений и мошенничества (Association of Certified Fraud Examiners, ACFE). На июль 2019 года такие антифрод -инструменты уже используют в 13% организаций, принявших участие в опросе, и в еще 25% заявили, что планируют их внедрить в течение ближайшего года-двух. Подробнее .

ИИ в электроэнергетики

• На уровне проектирования: улучшенное прогнозирование генерации и спроса на энергоресурсы, оценка надежности энергогенерирующего оборудования, автоматизация повышения генерации при скачке спроса.
• На уровне производства: оптимизация профилактического обслуживания оборудования, повышение эффективности генерации, снижение потерь, предотвращение краж энергоресурсов.
• На уровне продвижения: оптимизация ценообразования в зависимости от времени дня и динамическая тарификация.
• На уровне предоставления обслуживания: автоматический выбор наиболее выгодного поставщика, подробная статистика потребления, автоматизированное обслуживание клиентов, оптимизация энергопотребления с учетом привычек и поведения клиента.

ИИ в производственной сфере

• На уровне проектирования: повышение эффективности разработки новых продуктов, автоматизированная оценка поставщиков и анализ требований к запчастям и деталям.
• На уровне производства: совершенствование процесса исполнения задач, автоматизация сборочных линий, снижение количества ошибок, уменьшение сроков доставки сырья.
• На уровне продвижения: прогнозирование объемов предоставления услуг поддержки и обслуживания, управление ценообразованием.
• На уровне предоставления обслуживания: улучшение планирования маршрутов парка транспортных средств, спроса на ресурсы автопарка, повышение качества подготовки сервисных инженеров.

ИИ в банках

• Распознавание образов - используется в т.ч. для узнавания клиентов в отделениях и передачи им специализированных предложений.

ИИ на транспорте

• Автоиндустрия на пороге революции: 5 вызовов эры беспилотного вождения

ИИ в логистике

ИИ в пивоварении

ИИ в судебной системе

Разработки в области искусственного интеллекта помогут кардинально изменить судебную систему, сделать ее более справедливой и свободной от коррупционных схем. Такое мнение высказал летом 2017 года доктор технических наук, технический консультант Artezio Владимир Крылов.

Ученый считает, что уже существующие сейчас решения в области AI можно успешно применять в разных сферах экономики и общественной жизни. Эксперт указывает, что AI успешно применяется в медицине, однако в будущем способен полностью изменить и судебную систему.

«Ежедневно просматривая новостные сообщения о разработках в области ИИ только поражаешься неисчерпаемости фантазии и плодотворности исследователей и разработчиков в этой области. Сообщения о научных исследований постоянно чередуются с публикациями о новых продуктах, врывающихся на рынок и сообщениями об удивительных результатах, полученных с помощью применения ИИ в различных областях. Если же говорить об ожидаемых событиях, сопровождаемых заметным хайпом в СМИ, в котором ИИ станет снова героем новостей, то я, наверное, не рискну делать технологических прогнозов. Могу предположить, что ближайшим событием станет появление где-то предельно компетентного суда в форме искусственного интеллекта, справедливого и неподкупного. Случится это, видимо, в 2020-2025 году. И процессы, которые пройдут в этом суде приведут к неожиданным рефлексиям и стремлению многих людей передать ИИ большинство процессов управления человеческим обществом».

Использование искусственного интеллекта в судебной системе ученый признает «логичным шагом» по развитию законодательного равенства и справедливости. Машинный разум не подвержен коррупции и эмоциям, может четко придерживаться законодательных рамок и выносить решения с учетом многих факторов, включая данные, которые характеризуют участников спора. По аналогии с медицинской сферой, роботы -судьи могут оперировать большими данными из хранилищ государственных служб. Можно предположить, что

Музыка

Живопись

В 2015 году команда Google тестировала нейронные сети на предмет возможности самостоятельно создавать изображения. Тогда искусственный интеллект обучали на примере большого количества различных картинок. Однако, когда машину «попросили» самостоятельно что-нибудь изобразить, то оказалось, что она интерпретирует окружающий нас мир несколько странно. Например, на задачу нарисовать гантели, разработчики получили изображение, в котором металл был соединён человеческими руками. Вероятно, произошло это из-за того, что на этапе обучения анализируемые картинки с гантелями содержали руки, и нейронная сеть неверно это интерпретировала.

26 февраля 2016 года в Сан-Франциско на специальном аукционе представители Google выручили с психоделических картин, написанных искусственным интеллектом, порядка $98 тыс. Данные средства были пожертвованы на благотворительность. Одна из наиболее удачных картин машины представлена ниже.

Картина, написанная искусственным интеллектом Google.

Одержит ли верх искусственный интеллект (ИИ) над человечеством? Илон Маск, основоположник Tesla, отрицает такое предположение. Чтобы убедиться в этом, известный новатор вложил 10 млн. долларов США в 37 разных научных проектов.

Несмотря на категоричность Илона Маска и его единомышленников, среди которых есть Билл Гейтс и Стивен Хокинг, большинство ученых прогнозирует принятие людьми ИИ. Стоит только глянуть на MindMeld (обработка естественного языка посредством голосовых и чат-помощников) либо VIV (развитие «умных» помощников). Считается, что переломным периодом для населения планеты станут ближайшие 10-15 лет. Причем внедрение произойдет не только на уровне информационных технологий, но и в общественном мнении, законах и повседневных привычках.

Это обуславливается двумя факторами.

Во-первых, робот с ИИ может автоматизировать процессы, для которых требуется участие человека. Во-вторых, он способен обработать и проанализировать огромный объем информации. Преимущество компьютера состоит в том, что его трудоспособность не связана с человеческим фактором, будь то личные проблемы или плохое настроение.

Таким образом, искусственный интеллект имеет широкое применение: его повсеместно встречают в медицине, промышленности, образовании, агроиндустрии, дорожном движении и быту.

Медицина

В данной сфере ценится память ИИ, а также возможность генерировать и сопоставлять огромные объемы информации.
Уже несколько лет у всех на слуху и DeepMind Health (разработка компании Google) - умные помощники, которые не только дают советы врачам, но и выясняют генетическую предрасположенность к патологиям. Так, IBM Watson уже определяет и разрабатывает план терапии 13 видов злокачественных новообразований: от рака шейки матки до толстой кишки.

Искусственный интеллект приходит на помощь даже пациентам. Все более популярными становятся приложения телемедицины, собирающие данные с фитнес-браслетов и прочих датчиков, а также «опросники», устанавливающие точные симптомы и заболевания пациентов. Так, ИИ способен распознать туберкулез и нарушение работы внутренних органов, в т.ч. головного мозга.

Некоторые из приложений разбирают человеческую речь и отвечают устно, другие же отдают предпочтение письменной коммуникации. Приложения получают необходимую информацию, а затем дают рекомендации, какие меры принимать дальше, или же отправляют данные терапевту. Наиболее популярные интеллектуальные помощники - Your.MD и Ada, которые можно скачать в App Store или Google Play.

Особое значение отводится системам, способным разрабатывать новые лекарственные средства. По словам топ-менеджера компании Pfizer, Джуди Сюардс, разработка и вывод на рынок нового медикамента в среднем занимает 12 лет. ИИ позволит создавать молекулярную структуру и моделировать лекарство, что увеличит его качество и сократит время выпуска новых препаратов. Пионерами в сфере создания суперкомпьютеров, решающих эту проблему, являются компании Atomwise и Berg Health.

Промышленность

Крупные промышленные компании таких государств, как Япония, Китай, США, Германия и Швейцария, инвестируют в новые технологии. Сегодня прослеживается тенденция сокращения рабочих мест, связанных с интеллектуальным трудом, и увеличение количества компьютеров.

В ближайшие десятилетия пострадают такие рабочие места:

1. Сбор деталей. С каждым днем происходит все больше сокращений рабочего персонала. Робот, запоминая последовательность действий, справляется с соединением деталей самостоятельно.
2. Бухгалтерские расчеты. По сравнению с человеком, машина безошибочно рассчитывает данные и не ведет «черную» и «белую» бухгалтерию, что очень выгодно для государства. Суперкомпьютеры учатся и принимают логические решения.
3. Замена консультантов. Робот, наравне с человеком, может вести диалог с покупателем на высоком уровне и дать ответы на стандартные вопросы. Алгоритм общения усложняется, благодаря способности машины к обучению и накоплению опыта.

Роботизация в скором будущем также коснется таких профессий, как секретари, кассиры, дальнобойщики и официанты.Примером успешного внедрения ИИ стал линейный завод H&H. Технология, которая отслеживает взгляд рабочих, помогла за 1 год сэкономить 400 часов на обучение стажеров и снизить вероятность несчастных случаев.

Агентство MIT Technology Review сообщило, что Эндрю Ын, исследователь робототехники и машинного обучения, разрабатывает новый проект Landing.AI. Он призван наладить механизм производства на заводах и фабриках. Его первый партнер – компания Foxconn, которая занимается производством гаджетов Apple.

Образование

В ближайшем будущем сфера образования будет развиваться быстрыми темпами в двух руслах – адаптивном обучении и прокторинге.
Адаптивное обучение призвано решить проблему разной успеваемости учеников и студентов. Дело в том, что один человек усваивает материал намного быстрее и успешнее, чем другой. Поэтому ИИ будет отслеживать уровень знаний обучающегося и адаптировать порядок блоков курсов под его способности или же информировать преподавателя, насколько хорошо ученик усвоил материал. Примером такой системы может стать платформа Third Space Learning, которая сейчас находится на стадии разработки.

Прокторинг представляет контроль учеников и студентов во время прохождения контрольных и экзаменационных тестов. Если в прошлом обучающиеся находились «под прицелом» веб-камеры, то сейчас на помощь приходит ИИ. Он отслеживает, как часто студент отводит взгляд от экрана компьютера, сменяет ли вкладку в браузере, нет ли лишних голосов в помещении. Как только ИИ замечает какое-либо нарушение, он тут же оповещает об этом человека-проктора.

Но может ли машина заменить обычного преподавателя? Роза Лукин, профессор University College London, отрицает это. По ее словам, стоит найти компромисс. Ведь цель не в том, чтобы заменить учителей машинами, а улучшить процесс образования. Здесь уж точно не обойтись без преподавателя-человека.

Сельское хозяйство

Мнение о том, что земледелие и животноводство – отстающие и старомодные отрасли, осталось в прошлом. Сегодня интенсивный рост мирового рынка ИИ в аграрной индустрии вызван такими факторами: введением системы управления данными, автоматизацией орошения, увеличением производительности с/х культур посредством внедрения методов обучения, ростом количества людей на планете. В то же время увеличение рынка ИИ ограничивается высокой стоимостью сбора информации о с/х угодьях.

Повсеместное внедрение робототехники в сельском хозяйстве представлено такими разработками:

• Беспилотные летательные аппараты. Дроны, оснащенные радарами и GPS-мониторингом, опрыскивают с/х культуры, обеспечивают надежную доставку опасных химикатов и аэрофотосъемку.
• Роботы для сбора урожая. Если зерноуборочные машины существуют уже давно, то робота, который собирает клубнику, удалось создать совсем недавно.
• ИИ, уничтожающий сорняк. Hortibot, разработка Орхусского университета (Aarhus Universitet) в Дании, распознает и устраняет сорняки двумя способами: механическим путем и точечным опрыскиванием гербицидами. Этот робот стал настоящим прорывом, ведь распознавание сорняков от полезных растений – большой успех современной робототехники в сельском хозяйстве. Вдобавок создаются машины, распознающие вредителей и болезни с/х культур.

Согласно прогнозам Energias Market Research, к 2024 году рынок ИИ в агроиндустрии вырастет на 24,3%. Он будет активно развиваться в США и Азиатско-Тихоокеанском регионе. В список центральных игроков на рынке интеллектуального агробизнеса попали Agworld, Farmlogs, Cropx, Microsoft, AGCO и другие.

Дорожное движение

Цель внедрения ИИ в данной сфере – борьба с пробками. Такие системы уже успешно работают в крупных городах Европы, Северной Америки и Азии.

Сбор информации со светофоров, анализ плотности движения, ДТП, метеоданных и прочих факторов, создающих пробки – вот, что входит в функции компьютера. Как результат, интеллектуальная система в режиме онлайн контролирует дороги, прогнозирует, каким будет трафик, и согласно этому, переключает светофоры.

Она следит не только за движением транспорта на дороге, но и помогает водителям. К примеру, система при необходимости вызывает эвакуатор. Понятно, что полностью избавить от пробок данное решение не сможет, однако в разы ускорить движение – вполне возможно.
Вероятно, прогресс будет заметен, если в широкое использование войдут беспилотные автомобили – это транспортные средства, которые способны передвигаться без участия человека. Их разработкой занимается компания Google, AKTIV, Tesla Motors и некоторые другие.

Быт

Безусловно, у всех на слуху « » (smart house), который в дальнейшем станет типичным примером ИИ. Крупнейшими производителями считаются Yamaha, Siemens, Abb, Beckhoff и Legrand.

Такие разработки предельно упрощают быт человека. К примеру, такая система раздвинет занавески с утра, разбудит хозяев и сварит кофе. В дальнейшем функционал «умного дома» будет расширен вплоть до того, что шкаф будет автоматически распаривать одежду, а холодильник – заказывать еду. Такое решение оптимизирует расходы, связанные с энергопитанием, вентиляцией, обогревом, подстраиваясь под удобное расписание.

Также популярными остаются пылесосы, способные не только выполнить уборку, но и передвигать предметы и самостоятельно заряжаться.
Еще одним примером бытового применения ИИ являются автоматические переводчики. Если раньше «машинный перевод» оставлял желать лучшего, то сегодня ситуация кардинально изменилась. Это демонстрирует Google Translate: алгоритм построен на том, что компьютер воспринимает не отдельные слова, а полное предложение. Он позволяет получить качественный текст, поэтому в ближайшем времени такой метод станет основой автоматического перевода.

Человекоподобных андроидов используют не только по хозяйству, но и для общения. Железный «друг» не даст умереть со скуки, а иногда становится полноправным членом семьи. Так, в Китае один счастливчик успел жениться на роботе. Им оказался инженер Чжэн Цзяцзя, который сам смастерил себе невесту.

Несомненно, будущее человечества переплетается с роботами, ведь с каждым годом развиваются все новые области применения искусственного интеллекта. Скорее всего, он превзойдет способности человека, но в то же время значительно улучшит качество его жизни. Здесь главное - найти разумные рамки, пока ИИ не научился воспроизводить себя. По словам Илона Маска, стоит занять проактивную позицию и уже сейчас ограничить использование ИИ, по крайней мере, в военной отрасли.

Интервью с профессором Игорем Баскиным, доктором физико-математических наук, ведущим научный сотрудник физического факультета МГУ.

В чем самая большая сложность для нейронных сетей, чтобы научиться устанавливать взаимосвязь между структурой вещества и его физическими и химическими свойствами?

Самая большая сложность и ключевая особенность применения нейронных сетей, как и любого другого метода машинного обучения, для поиска соотношений между структурой и свойствами химических веществ заключается в том, что в этом случае они должны моделировать реальную природу с ее чрезвычайно сложной и порой неизвестной организацией, управляемую строгими, но не всегда применимыми на практике законами.

В этом состоит фундаментальное отличие от стандартных задач, решаемых при помощи нейронных сетей, например, распознавания изображений. Действительно, то, что цифра 8 изображается в виде двух соприкасающихся окружностей, не является следствием каких-либо законов природы – это просто предмет соглашений между людьми. А вот римляне в свое время решили, что для них лучше изображать это же число как VIII. Поскольку такие соглашения делаются ради удобства, их форма выбирается такой, чтобы естественные нейронные сети в голове у человека очень легко на подсознательном уровне их распознавали.

Поэтому, как мне кажется, и искусственные нейронные сети, которые в какой-то мере имитируют определенные аспекты обработки информации в голове у человека, с ними тоже легко справляются.

А теперь перейдем к химическим веществам. То, что аспирин оказывает противовоспалительное действие, обуславливается возможностью входящих в его состав молекул ацетилсалициловой кислоты ингибировать фермент циклооксигеназу благодаря комплементарности пространственных форм молекул лекарства и фермента и благоприятному балансу множества сил, действующих в системе.

Задача прогнозирования свойств химических веществ в зависимости от их строения, в отличие, например, от задачи распознавания изображений, никогда раньше в процессе эволюции не встречалась, и потому естественные нейронные сети в нашем мозгу не могут с такой же легкостью ее решать на подсознательном уровне.

Действительно, любой ребенок (и даже некоторые животные) может легко отличить на картинке кошку от собаки, но даже десяток нобелевских лауреатов, посмотрев на формулу химического соединения, вряд ли сразу же точно угадают полный набор его свойств.

Это уже задача другого уровня сложности. В ее решении большой проблемой является даже то, что обычно вообще не воспринимается как нечто сложное, например, как представить нейронной сети анализируемый объект. При обработке изображений, например, естественным представлением является набор интенсивностей пикселов.

А вот то, как лучше всего представить для нейронной сети строение вещества – это уже задача из задач, и она не имеет столь простых решений. Используемые для ее решения системы т.н. молекулярных дескрипторов, т.е. специальных вычислительных процедур, позволяющих описать строение вещества с помощью набора чисел, обладают множеством недостатков. Тем, как лучше всего представлять и обрабатывать информацию о химических веществах занимается очень интенсивно развиваемая в последние годы наука – хемоинформатика.

Без опоры на научный багаж, накопленный в хемоинформатике, любая попытка использовать нейронные сети для установления связи между строением вещества и его свойствами превращается в чистую игру с числами и не приводит к практически важным результатам. В этом, наверное, и заключается основная сложность использования нейронных сетей для этой цели.

Назовите 10 основных задач для искусственного интеллекта в синтетической химии?

1. Как синтезировать заданное химическое соединение из доступных реагентов?
2. Как синтезировать химическое соединение, обладающее заданной активностью?
3. Как будет выглядеть и как синтезировать комбинаторную библиотеку химических соединений, ориентированную на заданный тип биологической активности?
4. Что получится в результате реакции, если смешать заданные химические соединения в заданных условиях?
5. В каких условиях следует проводить заданную реакцию? Как оптимизировать такие условия (температура, растворитель, катализатор, добавки)?
6. Какой вероятный механизм у заданной реакции?
7. Как увеличить выход у заданной реакции?
8. Перечислить возможные химические реакции
9. Оценка синтетической доступности (легкости синтеза) заданного соединения.
10. Предсказать кинетические и термодинамические характеристики простых реакции и выход сложных реакций.

Что из себя представляет задача - расчет всех возможных химических реакций?

Возможно, это комбинация двух вышеперечисленных задач: (8) перечисление возможных химических реакций и (10) предсказать для них кинетические и термодинамические характеристики и выход.

Какой способ сейчас наилучший в хемоинформатики представления о структуре вещества? Какие-нибудь многомерные матрицы? Насколько они полно описывают всю структуру? Есть ли пробелы, которые нужно заполнить?

Простого и однозначного ответа на этот вопрос не существует. Все зависит от того, о каких типах веществ идет речь, а также при каких условиях и в каких агрегатных состояниях они рассматриваются. Кроме того, выбор конкретного типа представления зависит от того, с какой целью оно делается – для однозначной идентификации вещества, хранения в базе данных, для построения каких-либо моделей, для передачи информации между программами.

В хемоинформатике для всех этих целей, как правило, используются разные представления. Наиболее простым случаем являются насыщенные углеводороды – органические соединения, состоящие только из атомов углерода и водорода и не содержащие кратных связей. Для их представления удобно использовать графы, в которых вершины соответствуют атомам углерода, а ребра – связям между ними. Интересно отметить, что именно задача объяснения наличия различных изомеров у органических соединений послужила стимулом для создания и разработки основ теории графов, а задача перечисления изомеров – комбинаторной теории групп. Оба эти раздела дискретной математики в дальнейшем нашли очень широкое применение практически во всех областях научных знаний.

Следующий уровень усложнения – произвольные низкомолекулярные органические соединений. Таковыми являются, например, молекулы большинства лекарственных препаратов, а также исходные реагенты и полупродукты для их синтеза. Для их идентификации также удобно использовать графы, но на этот раз с мечеными вершинами и ребрами. Метками вершин в этом случае служат обозначения химических элементов, а метками ребер – порядки связей.

Для внутреннего представления молекул в оперативной памяти компьютера можно в этом случае использовать матрицы связности графов, но реально чаще пользуются сложными структурами данных, включающими таблицы атомов и связей.

Для эффективной организации поиска структур в базах данных и их сравнения между собой наибольшей популярностью среди представлений пользуются специальные битовые строки, называемые «молекулярными отпечатками пальцев» (фингерпринтами).

Для построения моделей, связывающих структуры соединений с их свойствами, в качестве представлений используются вектора признаков, называемых в хемоинформатике «молекулярными дескрипторами». Существует огромное разнообразие (тысячи!) различных типов молекулярных дескрипторов.

Для обмена информации между программами и для «внешнего» представления химических структур наибольшей популярностью в настоящее время пользуются текстовые строки, называемые SMILES. Задача представления органических соединений осложняется такими сугубо химическими явлениями, как электролитическая диссоциация, мезомерия и таутомерия, вследствие чего одно органическое вещество может быть описано целым набором различных графов и, следовательно, может иметь несколько представлений, из которых для целей идентификации обычно выбирают «каноническое» представление.

Задача еще более осложняется, если необходимо учесть геометрическую и пространственную изомерию (стереоизомерию), что не всегда возможно сделать на уровне графов и часто требует элементов гиперграфового представления. Также для целей моделирования требуется учесть наличие у гибких молекул множества пространственных форм – конформеров. Все эти обстоятельства должны быть учтены при выборе представлений химических веществ для машинного обучения.

На следующих уровнях усложнения, например, при переходе к супрамолекулярным комплексам, синтетическим полимерам, твердотельным материалам, задача поиска наиболее адекватного представления для структуры вещества становится еще более сложной, и для нее к настоящему времени не предложено удовлетворительного решения.

Существующие подходы в информатике полимеров и кристаллов ориентированы главным образом на моделирование, и то для самых простых случаев, а попыток создания информатики для супрамолекулярной химии еще не предпринималось. Таким образом, здесь надо говорить не о пробелах, а о небольших исследованных территорий внутри большой terra incognito.

Для интересующихся методами представлений химических веществ на компьютере я бы рекомендовал нашу монографию: Т.И.Маджидов, И.И.Баскин, И.С.Антипин, А.А. Варнек «Введение в хемоинформатику. Компьютерное представление химических структур». Казань: Казан. ун-т, 2013, ISBN 978-5-00019-131-6.

Какие основные достижения в синтетической химии произошли в этом году?

Синтетической органической химии уже почти 200 лет, и основной пик ее развития как фундаментальной науки пришелся на вторую половину прошлого века, когда были сформулированы ее основные законы и показана реальная возможность синтезировать вещества любого уровня сложности.

Сейчас все больше говорят о синтетической химии как об уже устоявшейся прикладной дисциплине, главной задачей которой является поиск оптимальных способов получения веществ с необходимыми свойствами. Вследствие этого она давно уже разделилась на множество областей (например, медицинская химия, нефтехимия, катализ, химия различных типов материалов), в каждой из которой идет непрерывное поступательное развитие.

Для меня наибольший интерес представляют работы последних лет в области роботохимии – новой научно-прикладной дисциплины, направленной на автоматизацию процесса синтеза веществ при помощи специальных роботов, работающих под управлением компьютеров.

Особенно хотелось бы отметить достижения последних лет по созданию миниатюрных химических реакторов, интегрированных в компьютерные чипы, что позволяет осуществлять синтез, выделение, анализ и даже биологические испытания синтезированных веществ в буквальном смысле внутри компьютера под управлением искусственного интеллекта.

Каковы успехи машинного обучения в синтетической химии? Где мы стоим?

Начну с пояснения исторического контекста. С тех пор, когда в пятидесятых годах прошлого века появился термин «искусственный интеллект», химия (и в особенности синтетическая органическая химия) рассматривалась, наряду с медицинской диагностикой, как одна из основных сфер его будущего применения. Большинство остальных задач было поставлено значительно позже.

На первом этапе его развития основной упор делался на использование т.н. экспертных систем, основанных на хранимых в базах знаний правилах, сформулированных химиками-экспертами, и механизме логического вывода.

Первой успешной экспертной системой в области синтетической химии стала разработанная под руководством нобелевского лауреата по химии Элайаса Кори к началу 70-ых годов прошлого века программа LHASA. Можно утверждать, что LHASA совершила в свое время революцию как в области синтетической органической химии, так и искусственного интеллекта, и определила основные направления развития компьютерной синтетической химии на долгие годы вперед. Так получилось, что именно синтетическая химия стала той области, где еще в 80-ых годах возможности искусственного интеллекта подошли очень близко и почти сравнялись с возможностями опытных химиков-синтетиков. Это и определило в 70-ые и 80-ые годы популярность синтетической химии среди специалистов по искусственному интеллекту.

Тем не менее, несмотря на большие успехи, достигнутые искусственным интеллектов в области синтетической химии, к 90-ым годам популярность этого направления резко уменьшилась и даже практически стала нулевой.

Произошла парадоксальная вещь, до сих пор обсуждаемая в кругу специалистов. Хотя возможности компьютера по планированию синтеза подошли близко к возможностям химиков-синтетиков, последние все равно нужны, чтобы проводить синтез, и никакой компьютер их в этом не заменит. В результате этого компьютерная программа стала восприниматься как дорогостоящая «игрушка», без которой можно обойтись и на которую не стоит тратить деньги. Это как раз совпало с началом «зимы» в области искусственного интеллекта, когда стали ясны принципиальные недостатки основанных на правилах экспертных систем: лишь небольшая часть знаний может быть представлена и сформулирована экспертами в виде четких правил, и поэтому их основная масса, воспринимаемая экспертами лишь на уровне интуиции, оказывается незадействованной в рамках экспертных систем.

Примерно это и привело в свое время к краху некогда амбициозной японской программы компьютеров пятого поколения.

Первые работы по использованию машинного обучения в планировании синтеза появились в конце 80-ых и начале 90-ых годов как попытки преодолеть вышеупомянутый недостаток основанных на правилах экспертных систем, научив компьютер самостоятельно (без помощи людей-экспертов) извлекать знания по реакционной способности химических соединений из начавших тогда формироваться баз данных, содержащих сведения об опубликованных в литературе химических реакциях.

Сначала эти знания имели форму правил, предназначенных для пополнения баз знаний, входящих в существующие экспертные системы, а потом стали извлекаться и «нечеткие» правила, имитирующие интуицию химика-синтетика, для чего еще в начале 90-ых годов стали использоваться нейронные сети. Надо сказать, что и в настоящее время задача автоматического извлечения знаний о реакционной способности из баз данных по опубликованным реакциям для последующего использования в рамках экспертных систем нового поколения является центральным направлением применения машинного обучения в синтетической химии.

Другим важным направлением сейчас является также и использование машинного обучения для установления связи между структурой вещества и его свойствами, что позволяет осуществлять синтез тех веществ, которые, согласно построенным моделям, должны характеризоваться нужным набором свойств.

Первые примеры автоматического извлечения данных использовали базы данных из десятков реакций, дальше пошли тысячи, десятки тысяч, а сейчас работа уже идет с миллионами и десятками миллионов реакций, которые охватывают уже все реакции, проведенные во всем мире за 200 лет существования синтетической химии. Произошел переход количество в качество, и мир вступил в эпоху «больших данных» (big data). С начала 90-ых годов мощность компьютеров возросла на несколько порядков, особенно с появлением графических карт GPU.

В последние годы также и стала доступна методология «глубокого обучения» (deep learning), позволяющая извлекать из большого объема данных знания, основанные на очень сложных закономерностях. Все это привело в последние годы к взрыву интереса к использованию искусственного интереса в синтетической химии. За последние два года было опубликовано больше важных и интересных работ, чем за предыдущие 20 лет вместе взятых. Таким образом «зима» закончилась и сразу же без «весны» сменилась очень «жарким летом». В настоящее время вследствие огромного объема накопленных знаний человеку, даже очень опытному химику-синтетику, становится очень сложно состязаться с искусственным интеллектом в планировании синтеза.

Для желающих разобраться в этом вопросе более подробно я бы рекомендовал нашу только что вышедшую монографию: И.И.Баскин, Т.И.Маджидов, А.А.Варнек «Введение в хемоинформатику. Часть 5. Информатика химических реакций». Казань: Казан. ун-т, 2017, ISBN 978-5-00019-907-7.

Насколько близки мы, чтобы перечислить возможные химические реакции? Науке известно порядка 90 миллионов реакций? Какой порядок неизвестного ?

Перечислять можно только что-то дискретное и четко различающиеся между собой, например низкомолекулярные органические соединения, которые описываются разными графами. В случае же реакций сама постановка задачи перечисления является очень неочевидной. Например, реакция гидролиза этилацетата и метилацетата – это разные реакции или два примера одной и той же реакции?

Гидролиз этилацетата в щелочной и кислой средах – это разные реакции или одна и та же реакция, проводимая в разных условиях? Таким образом, сама по себе постановка перечисления реакций имеет смысл только в рамках конкретной схемы классификации реакций, определяющей, что считается одной реакцией, а что разными.

Существует множество разных схем классификации органических реакций, и все они имеют многоуровневую иерархическую структуру. На самом низком (подробном) уровне, где реакции образования разных соединений считаются разными реакциями, число реакций не может быть меньше числа химических соединений, а низкомолекулярных соединений даже по самым скромным оценкам 10 в степени 60, то есть значительно больше, чем элементарных частиц во всей Вселенной. На самом же высоком (абстрактном) уровне их может быть очень мало. Например, большинство элементарных стадий органических реакций описываются всего лишь несколькими общими схемами перераспределения связей. Все зависит от того, что мы вкладываем в понятие перечисления реакций.

Опишите, пожалуйста, более подробно задачу: «Как будет выглядеть и как синтезировать комбинаторную библиотеку химических соединений, ориентированную на заданный тип биологической активности?»

Допустим, известно, что некоторые соединения определенного класса (например, замещенные пиразолы) проявляют желаемый вид биологической активности. Задача состоит в том, чтобы синтезировать другие представители этого же класса в одну стадию с высоким выходом, комбинируя различные прекурсоры (исходные реагенты для синтеза) из каталога коммерчески доступных веществ.

Синтезированный таким образом набор (библиотеку) химических соединений можно отдать на биологические испытания, которые вполне могут выявить соединения с улучшенным набором свойств. Это вполне реальная задача, часто возникающая при разработке новых лекарственных препаратов на этапе «оптимизации свойств лидера» (lead optimization).

Компьютерная программа в этом случае должна предложить метод синтезов соединений выбранного класса в одну стадию из нескольких прекурсоров, найти в каталоге подходящие для этого прекурсоры и для каждой их комбинации оценить возможность протекания реакции синтеза с высоким выходом. На решение подобных задач ориентирован, например, один из модулей компьютерной системы WODCA (W.-D. Ihlenfeldt, J. Gasteiger, Angew. Chem., Int. Ed. Engl., 1995, 40, 993-1007).

Какие научные группы в мире – лидеры использования ИИ в синтетической химии? Каковы их достижения?

Таких групп уже много. Выборочно перечислю несколько групп, активно работающих в настоящее время в этом направлении.

1. Й. Гастайгер (J. Gasteiger, Эрланген, Германия) – один из «отцов» хемоинформатики, внесший огромный вклад в формировании хемоинформатики как науки, пионер в использовании нейронных сетей в химии. Под его руководством разработано несколько компьютерных систем планирования органического синтеза: EROS, WODCA. В плане использования ИИ в синтетической химии особый интерес представляют его работы по использованию самоорганизующихся нейронных сетей Кохонена для картирования химических реакций и извлечения знаний о реакционной способности органических соединений.

2. Г. Шнайдер (G. Schneider, Цюрих, Швейцария). С точки зрения использования ИИ в синтетической химии большой интерес вызывает реализованный в программе DOGS подход, позволяющий для заданного биологически активного соединения найти структуры его аналогов вместе с путями их синтеза с использованием набора легко осуществимых органических реакций и каталога доступных реагентов для синтеза. Особый интерес представляет также разработанная в его группе платформа ALOE, предназначенная для автоматической оптимизации соединения-лидера (при разработке лекарственных препаратов) с использованием технологии микропроточного синтеза с помощью чипов под управлением программных средств на основе методов машинного обучения.

3. К. Фунатсу (K. Funatsu, Токио, Япония). Под его руководством разработана экспертная система планирования органического синтеза KOSP, основанная на правилах, автоматически извлекаемых из базы данных по реакциям. На этих же правилах основана и система SOPHIA для предсказания продуктов химических реакций.

4. Б. Гжибовски (B.A. Grzybowski, Эванстон (Иллинойс), США и Варшава, Польша). Основной продукт – Chematica. Это планировщик и оптимизатор синтеза, основанный на «сети органической химии», представляющей собой «граф знаний», включающий в качестве вершин 10 миллионов химических соединений и 10 миллионов связывающих их реакций.

5. П. Бальди (P. Baldi, Ирвайн (Калифорния), США). Интересные разработки: Reaction Explorer (основанная на правилах экспертная система для прогнозирования продуктов органических химических реакций) и Reaction Predictor (нейросетевая система, предназначенная для прогнозирования продуктов реакций с учетом их механизмов)

6. У. Грин и К. Дженсен (W.H. Green, K.F. Jensen, Кэмбридж (Массачусетс), США) Разработана универсальная система прогнозирования продуктов реакций органических соединений, сочетающая использование реакционных правил с нейросетевым моделированием с помощью глубокого обучения.

7. М. Уоллер (M.P. Waller, Мюнстер, Германия и Шанхай, Китай) Разработана основанная на «нейросимвольном» (neurosymbolic) подходе универсальная система планирования органического синтеза и прогнозирования продуктов реакций органических соединений, сочетающая использование автоматически извлекаемых реакционных правил с нейросетевым моделированием с помощью глубокого обучения.

8. А. Варнек (A. Varnek, Страсбург, Франция) Одна из наиболее активных групп в области хемоинформатики. Разработана концепция «конденсированного графа реакции», позволившая осуществлять поиск по сходству в базах данных по реакциям, применять алгоритмы машинного обучения к данным по реакциям, прогнозировать оптимальные условия осуществления синтеза, строить карты химического пространства реакций.

9. Т.М. Маджидов (Казань, Российская Федерация) В настоящее время это единственная в Российской Федерации активно работающая группа, осуществляющая исследования в области информатики синтетических реакций в органической химии. В ее рамках осуществлено прогнозирование кинетических и термодинамических характеристик химических реакций, создана экспертная система по защитным группам в органическом синтезе, осуществлено картирование пространств химических реакций. Большинство работ осуществляется в тесном сотрудничестве с лабораторией хемоинформатики Страсбургского университета (А. Варнек).

Последнее десятилетие активно обсуждается прогресс, достигнутый в области предсказания кристаллических структур веществ - направлении, которое долгое время считалось едва ли не безнадёжным. При помощи эволюционного алгоритма USPEX Оганова-Гласса удалось открыть множество новых стабильных химических соединений, ранее обойдённых вниманием химиков. Как вы считаете - каковы перспективы эволюционного подхода в области синтеза сложных органических молекул? Стоит ли на ваш взгляд ждать в ближайшее десять лет успехов в этом направлении?

Эволюционный подход (главным образом, генетический алгоритм) активно используется в хемоинформатике уже более 25 лет и считается традиционным методом стохастической оптимизации. На нем основано большинство известных алгоритмов молекулярного докинга – процесса «стыковки» молекулы органического соединения (например, потенциального лекарства) в полость «биологической мишени» (обычно белка).

Генетический алгоритм также очень часто используют для отбора дескрипторов и поиска оптимальных значений параметров методов машинного обучения при построении моделей для прогнозирования свойств химических веществ. Мы также часто используем генетический алгоритм при построении карт пространств химических соединений и реакций.

Но для решения непосредственно задачи планирования синтеза генетический алгоритм обычно не используется. Судя по всему, для этой задачи более эффективны различные модификации метода Монте Карло. Что касается ближайших десяти лет, то я ожидаю появления более эффективных в вычислительном плане методов стохастической оптимизации.

Также в последние годы в области машинного обучения наблюдается заметный тренд на развитие техник обучения без учителя (unsupervised learning) - направления весьма привлекательного в силу того, что себестоимость разметки массивов при участии людей остаётся примерно постоянной величиной, а вычислительные мощности постоянно растут и дешевеют. Появление автоэнкодеров открыло дорогу появлению техник эмбеддинга (embedding), работы Йошуа Беньо и Томаса Миколова совершили революцию в области обработки нейронными сетями естественного языка за счёт создания семантических векторных пространств (технологии word2vec, GloVe и т.п.). Применение этого подхода представляется весьма перспективным и в области биоинформатики - последовательности нуклеотидов ДНК, эпигеном, транскриптом - весьма напонимают по своей структуре тексты. Есть ли успехи в применении этих технологий в биоинформатике? Связываете ли вы с ними надежды на заметный прогресс в области анализа биологических данных?

Про биоинформатику ничего не скажу, так как работаю в области хемоинформатики, а это не одно и то же. Что касается применения алгоритмов обработки текстов с помощью рекуррентных нейронных сетей типа LSTM, приводящих к созданию семантических векторных пространств, то они в хемоинформатике очень интенсивно используются. Более того, они для хемоинформатики даже лучше подходят, чем для биоинформатики.

Дело в том, что химическую структуру тоже легко записать в виде строки – для этой цели используют кодировку SMILES. В этом случае формируемое латентное пространство очень хорошо подходит для представления выборок химических соединений для их использования для построения моделей «структура-свойство». Более того, при запуске обученных таким образом рекуррентных нейронных сетей в режиме генерации формируются структуры новых химических соединений. Это позволяет, например, решать задачу дизайна молекул новых лекарственных препаратов.

Что касается автоэнкодеров, то еще в 2011 г. мы разработали на их основе и опубликовали новый метод осуществления виртуального скрининга библиотек (баз данных) химических соединений с целью поиска перспективных молекул для разработки новых лекарственных препаратов.

Что касается методов обучения без учителя (unsupervised learning), то в хемоинформатике они интенсивно используются уже более 30 лет. В 80-ых годах и начале 90-ых наибольшей популярностью пользовался классический (разработанный еще в 30-ых годах прошлого века!) линейный метод главных компонент (PCA), начиная с середины 90-ых и до конца 2000-ых несомненным лидером по популярности в области хемоинформатики были само-организующиеся нейронные сети Кохонена, тогда как в последние годы все большую популярность в хемоинформатике получает построенный на базе Байесовского обучения вероятностный аналог сетей Кохонена – генеративные топографические отображения (GTM – Generative Topographic Mapping). Варианты последнего метода очень хорошо подходят для работы с большими базами химических объектов, в том числе реакций органического синтеза. Из других методов обучения без учителя для решения разных задач в области хемоинформатики мы также используем одноклассовый вариант машины опорных векторов (1-SVM), а также особый класс «основанных на энергии» нейронных сетей с симметричными связями, таких как сети Хопфилда и ограниченная машина Больцмана (RBM – Restricted Boltzmann Machine).

Каково видится будущее использования ИИ в синтетической химии? Как быстро ИИ отберет работу у химиков?

Я вижу в будущем несколько направлений использования ИИ в синтетической химии, которые частично реализуются уже и в настоящее время. Например, методы ИИ для обработки текстов и распознавания изображений уже сейчас активно используются для извлечения из литературы и других источников информации о методах синтеза химических веществ, об их свойствах и реакционной способности. Это уже сейчас позволяет существенно сократить затраты по найму большого количества квалифицированных химиков (обычно низкооплачиваемых из стран «третьего мира»), которые извлекают из гигантского объема опубликованной литературы информацию для пополнения баз данных.

При таком «ручном» способе пополнения значительная часть потенциально полезной информации оказывается «потерянной». Методы ИИ также начинают применяться для автоматической обработки и анализа уже собранной в базах данных информации, поиска ошибок, их исправления, а также автоматического пополнения отсутствующих сведений, что позволяет значительно повысить ценность такой информации для химиков-синтетиков.

Следует отметить, что в этом направлении лидирующие позиции занимает лаборатория хемоинформатики из Казанского федерального университета. Химики-синтетику уже сейчас начинают использоваться в своей работе в качестве рабочих журналов «электронные записные книжки» (electronic notebooks), которые в будущем будут насыщены средствами ИИ и станут основные средством сбора химической информации.

В будущем ИИ возьмет на себя функцию регулярного просмотра и анализа огромного объема публикуемой литературы по химическому синтезу и свойствам химических веществ, что в настоящее время занимает значительное время у всех химиков и с чем они уже плохо справляются. В будущем появятся у химиков появятся «интеллектуальные помощники», которые смогут ответить на любые возникающие в работе вопросы, например, как оптимальным образом синтезировать химические вещества, какие вещества вообще надо синтезировать для заданной цели. Уже сейчас происходит интеграция средств ИИ из областей синтетической химии, фармакологии, биоинформатики, науки о материалах, а также робототехники. Это приведет в будущем к тому, ИИ будет не только планировать, но и проводить рутинный химический синтез, что значительно повысит эффективность разработки новых лекарственных препаратов и новых материалов. Думаю, что немного в более отдаленном будущем ИИ станет основным средством в планировании и проведении научных исследований в области химии. Современное развитие хемоинформатики направлено именно на это.

Сейчас многие, включая рад выдающихся ученых, видят большую опасность в широком внедрении ИИ, который может отнять рабочие места у людей и, возможно, даже сделают существования человечества ненужным. Все сразу вспоминают при этом фильм «Терминатор». Такая опасность, конечно же существует, но подобные опасности возникали и при внедрении машин и информационных технологий. Думаю, что развитие ИИ приведет в большей степени к появлению дополнительных специальностей и рабочих мест, чем к ликвидации старых. В области синтетической химии ИИ избавит людей от рутинной работы, занимающей большую часть времени, и сделает работу химиков значительно более творческой и продуктивной. ИИ скорее будет помогать в развитии и эффективном использовании возможностей человека, чем будет представлять для него угрозу.

Вопросы задавали Миша Батин и Сережа Марков.