Рис. 1. Примеры нейронных сетей. Источник: [Van Veen F., Leijnen S. The Neural Network Zoo. 2019. https://www.asimovinstitute.org/neural-network-zoo (дата обращения: 09.09.2023)].

В настоящее время существуют различные типы и алгоритмы машинного обучения (рис. 2).

Рис. 2. Концепции ИИ и МО. Источник: [Machine Learning-enabled Medical Devices…, 2021].

Существует много алгоритмов машинного обучения, отличающихся возможностями и ограничениями. К принципиальным характеристикам, присущим тому или иному алгоритму ИИ, можно отнести [Глизница и др., 2022]:

1. Интерпретируемость – возможность установить основания принятого алгоритмом решения, открыть «черный ящик». Возможность объяснить решение, предлагаемое алгоритмом, значительно облегчает внедрение методов в медицинскую практику.

2. Устойчивость к мультиколлинеарности – корреляционной связи между независимыми переменными, которая негативно сказывается на времени обучения и точности результата. В частности, учет избыточного числа переменных из медицинской карты приводит к формированию слишком сложной модели с несущественными признаками заболевания (эффект переобучения), не способной к обобщению.

3. Возможность выбора переменных, позволяющая снизить эффект мультиколлинеарности. Например, если алгоритм учел в построенной математической модели и национальность, и расовую принадлежность пациента, то возможность вручную исключить один из параметров, не редактируя набор данных, значительно облегчит работу с системой.

К основным подходам машинного обучения можно отнести следующие:

– контролируемое машинное обучение (обучение с учителем, supervised machine learning), когда алгоритм ИИ наблюдает набор размеченных данных и обучается функции, позволяющей предсказывать аннотацию для новых входных данных;

– неконтролируемое машинное обучение (обучение без учителя, unsupervised machine learning), когда алгоритм распознает паттерны (структуру) в неразмеченных данных, выявляя скрытые закономерности.

Под разметкой данных (data labeling) понимается этап обработки структурированных и неструктурированных данных, в процессе которого данным (в том числе текстовым документам, фото- и видеоизображениям) присваиваются идентификаторы, отражающие их тип (классификация), и (или) осуществляется интерпретация данных для решения конкретной задачи.

Такие популярные алгоритмы глубокого обучения, как сверточные нейронные сети, глубокие сети доверия, рекуррентные нейронные сети и другие, лежат в основе услуг многих технологических гигантов.

В настоящее время перспективным направлением является построение алгоритмов ИИ на основе наиболее биологически достоверных моделей (выполнение нейроморфных вычислений, максимально приближенных к работе человеческого мозга). Спайковая нейронная сеть (spiking neural network, SNN) является одним из основных «кандидатов» для преодоления ограничений нейронных вычислений и эффективного использования алгоритма машинного обучения в реальных приложениях. Концепция вдохновлена механизмами взаимодействия между нейронами, основанными на передаче информации при помощи электрических импульсов, дискретных пространственно-временных сигналов (спайков). Спайковые нейронные сети построены на основе биологических методов обработки информации, где разреженные во времени асинхронные сигналы передаются и обрабатываются массово-параллельным образом. Они демонстрируют низкое энергопотребление и высокую скорость обработки информации [Taherkhani et al., 2020].

Принято также деление ИИ на слабый и сильный. Термин «сильный ИИ» впервые предложен в 1980 г. [Searle, 1980]. Теория сильного ИИ предполагает, что компьютеры могут становиться «разумными» в том смысле, в котором человеческий разум – это разум. Сильный ИИ постоянно занимается самообучением, не уступает человеку по интеллектуальным способностям, обладает самосознанием, может обрабатывать чувственную информацию [Малышева, Касимов, 2016].

Слабый ИИ не обладает такими возможностями.

В настоящее время деление на сильный и слабый ИИ является в определенной мере теоретическим, так как существующие технологии ИИ пока достаточно узкие по сравнению с человеческим разумом.

В последние годы активно обсуждается концепция гибридного интеллекта как интеграция человеческих способностей (естественного интеллекта) и потенциала алгоритмов ИИ.

В РФ к технологиям ИИ, т. е. технологиям, основанным на использовании ИИ, отнесены [Указ…, 2019]:

а) компьютерное зрение (CV) – процесс получения компьютером информации и ее понимание из серии изображений или видео;

б) обработка естественного языка (NLP) – извлечение данных из человеческой речи и принятие решений на основе этой информации;

в) распознавание и синтез речи;

г) интеллектуальная поддержка принятия решений;

д) перспективные методы ИИ.

При этом перспективными методами ИИ в настоящее время считаются методы, направленные на создание принципиально новой научно-технической продукции, в том числе в целях разработки универсального (сильного) ИИ. К перспективным методам ИИ относятся: автономное решение различных задач, автоматический дизайн физических объектов, автоматическое машинное обучение, алгоритмы решения задач на основе данных с частичной разметкой и (или) незначительных объемов данных, обработка информации на основе новых типов вычислительных систем, интерпретируемая обработка данных.

§ 2. История развития технологий искусственного интеллекта

Как технологическое явление ИИ берет свое начало в 1956 г., когда в Университете Дартмута (США) прошла рабочая конференция с участием таких ученых, как Джон Маккарти, Марвин Минский (Marvin Minsky), Клод Шеннон (Claude Shannon), Алан Тьюринг, которые были названы основателями сферы искусственного разума[2].

В последующие годы развитие ИИ неразрывно связано с созданием роботов. В 1966 г. в Стэнфордском научно-исследовательском институте был разработан Shakey – «первый электронный человек», первый мобильный робот, способный интерпретировать инструкции. Вместо того чтобы выполнять одношаговые команды, Shakey мог обрабатывать более сложные инструкции и выполнять соответствующие действия. Создание Shakey стало важной вехой для робототехники и ИИ [Kaul et al., 2020].

На смену экспертным системам, описывающим алгоритм действий по выбору решения в зависимости от конкретных условий, пришло машинное обучение, благодаря которому информационные системы самостоятельно формируют правила и находят решение на основе анализа зависимостей, используя исходные наборы данных. Нахождение решений без предварительного составления человеком их возможного перечня позволило говорить о настоящем прорыве в развитии ИИ.

Наиболее активно в прикладном смысле ИИ стал развиваться в 1990-е годы. Тогда, например, были созданы программы, которые позволили машине выигрывать у человека. В 1996 г. программа Deep Blue Chess обыграла гроссмейстера и чемпиона мира Гарри Каспарова[3].

Появление мощных графических процессоров и рост вычислительной мощности современных компьютеров, развитие облачных вычислений, взрывной рост больших данных позволили выполнять машинное обучение с высокой точностью.

В 2007 г. IBM создала открытую систему ответов на вопросы Watson, занявшую первое место в телевизионном игровом шоу Jeopardy в 2011 г. (в ситуациях конкуренции системы с людьми). В отличие от традиционных систем, которые использовали либо прямое рассуждение (следуя правилам от данных к выводам) и обратное (следуя правилам от выводов к данным), либо созданные вручную правила «если… то», эта технология, называемая DeepQA, применяла обработку естественного языка и различные поиски для анализа неструктурированного контента для получения вероятных ответов. Система оказалась доступна, проще в обслуживании и более рентабельна [Kaul et al., 2020].

В 2016 г. разработанная Google программа AlphaGo (технология машинного обучения DeepMind) одержала победу над Ли Седолем, чемпионом мира по игре в го. Успех программы стал толчком для того, чтобы в марте 2016 г. ее создатели заключили соглашение с Национальной службой здравоохранения Великобритании для изучения возможностей применения ИИ при