Российские учёные нашли способ сделать искусственный интеллект... менее тупым

Разные формы искусственного интеллекта триумфально движутся по миру, захватывая всё новые и новые сферы. С его помощью физики проводят сложные фундаментальные расчеты, экономисты разрабатывают модели развития народного хозяйства, а незадачливые школьники дают ему на откуп сочинения (которые потом еще и проходят проверку). Но не все так гладко: даже сейчас, после всех наработок, ИИ постоянно ошибается и выдает перлы, которые непростительны и маленькому ребёнку.

Как пример таких косяков — артефакты, что до сих пор рисуют нейросети в сгенерированных картинках. Лишние пальцы, неестественные лица, кракозябры вместо букв — это лишь малая часть ошибок, которые они до сих пор совершают. Можно, конечно, до посинения их тренировать их и надеяться, что вот-вот они перестанут косячить, но что такой подход даст нужный результат — далеко не факт.

И как быть? Этим вопросом задались специалисты из МИРЭА. Так что же нового они узнали и смогли изобрести?

Что на этот раз придумали ученые?

Программисты из МИРЭА решили, что для повышения эффективности работы искусственного интеллекта нужно не просто заставить его заниматься машинным обучением, но еще и разбить его на несколько модулей, которые могли бы полноценно действовать в условиях неопределенности, нечеткости и неполноты поступающих данных. Назвали они эту придумку мультиагентной системой представления и обработки знаний (МСПОЗ). Этот проект в первую очередь предзначен для работы с архивами и другими базами данных. Он отличается от простых поисковых систем: можно будет точнее настроить поиск и выдачу конкретного результата.

По задумке разработчиков такая система должна принимать решения на основе работы отдельных самостоятельных модулей — они связаны друг с другом программными связями. Чтобы она могла саморазвиваться и найти душевное равновесие, еë снабдили продвинутым машинным обучением, специализированными прикладными программными интерфейсами и системными программными модулями. В общем, прокачали систему как следует.

Для чего нужна такая сложная по структуре система? Главная ее особенность — разделение одной большой задачи на кучу маленьких, благодаря чему искусственный интеллект будет, в теории, эффективнее применять свои инструменты для получения хорошего конечного результата. Модули спроектированы так, что разные элементы могут быстро перемещаться между разными частями МСПОЗ вместе со всеми необходимыми прикладными программами. Эта функция была реализована с помощью специальных модулей LibOS (library operating system).

Как эта система должна работать?

В самом начале на каждом вычислительном узле начинают свою работу прикладные модули двух типов — реактивные и когнитивные. Их основная разница в функциях — если реактивные модули нужны для реагирования на новые задачи и их прикладного решения, то задача когнитивных — провести анализ данных и выдать решение.

После постановки задачи у когнитивных модулей происходит инициализация — они переваривают изначально полученные данные и подбирают необходимую информацию из имеющихся баз данных. Затем система переходит в состояние «Выбор», там модули делают три задачи: формируют сообщения для других программ, создают стратегию решения и активируют отобранные при инициализации данные для обработки.

Если этих всех операций оказалось достаточно, то когнитивный модуль сформирует параметры SQL-запросов — это поможет найти конечный результат.

Ну а если задача решена только частично, когнитивные модули переходят в режим «Координация». В этом режиме выполняют больше операций: изменяют полученные данные, анализируют сообщения для модулей и корректируют состояние данных - чтобы они лучше соответствовали.

Если решение не находится, то «Корректировка» запускается снова. Хотя в большинстве случаев нескольких циклов достаточно, чтобы сузить область поиска и выдать конечный результат. А если выполнение запроса невозможно, то система выдаст, что решений нет.

Для поиска данных предусмотрено четыре основных метода, доступных микромодулям:

• Анализ (метод ANS) — нацелен на логический разбор данных и событий для дальнейшего предоставления модулям, работающим совместно с анализирующим «коллегой»

• Ассоциация (метод ASS) — используется, чтобы получить от баз данных ответ на вопросы о связях между объектами и событиями

• Сравнение событий и объектов (метод CMP) — проводит сравнительный анализ объектов для ответа на вопрос об их похожести друг на друга

• Спецификация объектов (метод VAL).

После спецификации объектов, анализа всеми методами МСПОЗ система проводит компиляцию( то есть совмещение), перерабатывает информацию из баз данных с помощью кучи математических методов. И вот тогда уже, после всех этих действий, выдает пользователю готовый ответ на блюдечке.

Как эта разработка может нам помочь?

Реорганизация баз данных — важный шаг в улучшении качества научной работы, так как прогресс в этой области позволит им быстрее проводить исследования и эффективнее использовать те наработки, что у них уже есть.

В отдаленной же перспективе — подобные поисковые системы могут пригодиться в быту обычным пользователям и бизнесу. Вместо мучений с весьма специфическими инструментами Гугла или других поисковиков можно будет детализировать вопрос для машины на понятном пользователю языке, что значительно упростит поиск нужной информации. Да и бизнесу эта разработка пойдет на пользу — аналитикам в помощь.