Задачи искусственного интеллекта¶

Задачи искусственного интеллекта — совокупность проблем, решаемых с применением методов искусственного интеллекта (ИИ), охватывающая восприятие, обработку языка, принятие решений, планирование, обучение и другие когнитивные функции. Классификация задач ИИ строится по типу входных данных, характеру выхода и степени автономности системы; многие из них относятся к классу NP-трудных или вообще не имеют полиномиальных алгоритмов решения.

¶Классификация

Задачи ИИ принято делить на несколько крупных групп:

Эта классификация условна: современные системы часто решают несколько задач одновременно — например, языковые модели совмещают обработку текста, рассуждение и генерацию.

¶Ключевые задачи

¶Восприятие и распознавание

Задачи восприятия направлены на преобразование сырых данных (изображений, звуков, сигналов датчиков) в смысловые представления. К ним относятся распознавание лиц, объектов, жестов, речи (speech recognition), определение эмоций. С середины 2010-х годов основным методом здесь стали глубокие нейронные сети, показавшие результаты, сопоставимые или превосходящие человеческие в ряде узких задач (например, классификация изображений по базе ImageNet).

¶Обработка естественного языка

Классические задачи НЛП (NLP) включают морфологический и синтаксический разбор, извлечение фактов, машинный перевод, суммаризацию текста, определение тональности, поиск ответов на вопросы. С 2017 года доминирующая архитектура — трансформер, положившая основу больших языковых моделей (LLM), способных генерировать связный текст и выполнять задания в общем виде без явного программирования под каждую задачу.

¶Планирование и принятие решений

Эти задачи возникли в рамках классического символического ИИ 1960–1980-х годов: поиск решения в графе состояний, иерархическое планирование (STRIPS, HTN), игра в стратегические игры (шахматы, го). Ключевые алгоритмы — A*, алгоритмы минимакса, поиск по дереву Монте-Карло. В 1997 году Deep Blue победил Гарри Каспарова в шахматах, а в 2016 году AlphaGo — Ли Седоля в го.

¶Машинное обучение

Задачи обучения делятся на обучение с учителем (классификация, регрессия), без учителя (кластеризация, снижение размерности) и с подкреплением (обучение агента взаимодействовать со средой ради максимизации награды). Обучение с подкреплением лежит в основе систем, играющих в игры и управляющих роботами.

¶Генеративные задачи

С конца 2020-х годов особое место занимают генеративные модели — диффузионные модели для изображений, LLM для текста и кода. Они решают задачу не столько классификации, сколько создания нового содержания по текстовому описанию (text-to-image, text-to-code).

¶Сложность и ограничения

Ряд задач ИИ принципиально труден. Распознавание произвольных сцен, понимание контекста, обобщение на новые домены остаются открытыми проблемами. Существуют фундаментальные ограничения: теорема Райса утверждает, что нет общего способа определить, обладает ли программа некоторым нетривиальным свойством; многие задачи оптимизации NP-трудны. Практические системы дополнительно ограничены качеством и объёмом обучающих данных, склонностью к ошибкам (hallucinations) и отсутствием интерпретируемости.

¶Применение

Задачи ИИ решаются в медицине (диагностика по снимкам), финансах (скоринг, выявление мошенничества), логистике (оптимизация маршрутов), образовании (адаптивное обучение), промышленности (предиктивное обслуживание), науке (прогноз структуры белков — задача, решённая системой AlphaFold). В России развитие ИИ закреплено национальным проектом «Искусственный интеллект» (2020–2030), включающим создание отечественных языковых моделей и суперкомпьютеров.

¶Источники

• Рассел С., Норвиг П. «Искусственный интеллект: современный подход»
• Гудфелло И., Бенджио К., Курвилль А. «Глубокое обучение»
• Национальный проект «Искусственный интеллект» (национальные проекты РФ)
• Сборники статей конференций NeurIPS, ICML, AAAI