Быстрое высокотехнологичное развитие создает множество возможностей для приложений искусственного интеллекта (ИИ) и люди должны стремиться к повышению производительности ИИ, вместо того, чтобы искать «экстремальные» характеристики для замены человеческого интеллекта. Такое мнение высказал Стюарт Нисбет, вице-президента по исследованиям и разработке бизнес-аналитики в SAS Institute.
В недавнем интервью Digitimes Нисбет сказал, что быстрое развитие «машинного обучения» и «глубокого обучения» позволило добиться больших успехов в помощи людям, использующих ИИ в повседневной жизни. Но, несмотря на то, что компьютеры обладают функциями распознавания голоса и изображений, мощными вычислительными и аналитическими способностями, они должны быть предназначены не для замены людей, а для того, чтобы помочь людям более эффективно выполнять работу, сказал Нисбет.
«Слабый ИИ» может работать лучше
Нисбет подчеркнул, что так называемого «слабого интеллекта» достаточно, чтобы помочь принимать решения или суждения в соответствии с различными ситуациями. Это может быть достигнуто, если позволить компьютеру самостоятельно учиться и подражать человеческому поведению, а затем предоставить ему небольшой интеллект.
Например, Neural Networks, разработка которой началась 20 лет назад и уже много лет ей занимается SAS, в основном использовалась для решения проблем интерпретации и анализа естественных языков.
Когда компьютеры использовали только процессор для программного обеспечения, ограниченная вычислительная способность и высокая стоимость препятствовали разработке и коммерциализации приложений ИИ. Сегодня графические процессоры не только обладают высокой экономической эффективностью и универсальной производительностью, но также больше подходят для архитектуры Deep Neural Networks, перекрывая узкие места с которыми сталкивается ИИ, говорит Нисбет.
Глубокая нейронная сетевая архитектура
На самом деле, говорит Нисбет, многие отрасли, такие как биотехнология, финансы и банковское дело, а также медицинские приложения, в настоящее время остро нуждаются в сложных архитектурах нейронной сети для поддержки более глубокой обработки и анализа данных, для обеспечения принятия решений.
Нисбет сказал, что по сравнению с другими регионами и странами Тайвань проявляет повышенное внимание к развитию ИИ. В то время как некоторые беспокоятся о том, имеют ли отрасли Тайваня достаточные объемы данных для поддержки развития ИИ, Нисбет заявил, что опасения необоснованны.
Тайваньская банковская, страховая, производственная и медицинская промышленность накопили огромные объемы данных, которые теперь доступны для использования. Чтобы максимально эффективно использовать данные, правительство и отрасли промышленности должны рассмотреть вопрос о том, как открыть данные для большего количества приложений ИИ. Это может стать новым драйвером для следующего этапа разработки анализа больших данных и приложений ИИ на Тайване.