Всем понятно, что искусственный интеллект как часть более широкого движения технологий к максимальной автоматизации окажет серьезное влияние на рабочие места, занимаемые сейчас людьми. Уже существуют приложения для искусственного интеллекта (так называемые «чат-боты»), которые вполне могут заменять сотрудников кол-центров. Способность считывать тысячи документов за считанные секунды и извлекать из них всю значимую информацию лишит значительной части работы бухгалтеров и младших юристов. Но в равной степени искусственный интеллект может и дополнить труд этих работников. В кол-центре системы искусственного когнитивного мышления в состоянии обеспечить мгновенный и интуитивно понятный доступ каждому сотруднику ко всем данным, которые ему требуются для выполнения работы, даже если это его первый рабочий день. Благодаря этому сотрудник может сосредоточиться на работе с клиентом на эмоциональном уровне, в то время как искусственный интеллект предоставляет ему всю требующуюся информацию. У бухгалтеров и младших юристов появится время, чтобы должным образом анализировать данные, которые предоставил искусственный интеллект, вместо того чтобы собирать и исследовать их часами.

Вопрос о том, будет ли в конечном счете влияние искусственного интеллекта на занятость людей положительным или отрицательным, создаст ли он больше рабочих мест, чем разрушит, – вопрос открытый. Когда мы оглядываемся назад, на «компьютерную революцию» конца XX столетия, которая должна была ознаменовать резкое увеличение производительности и связанное с этим сокращение рабочих мест, мы видим, что рост производительности оказался не столь значительным, как ожидалось (персональные компьютеры в реальности сложнее использовать, чем это казалось сначала), да и сами компьютеры создали целые новые отрасли – от компьютерных игр до потоковой передачи фильмов, – в которых задействовано сейчас множество людей. И, подобно современным роботам, компьютеры все еще должны кем-то проектироваться, производиться, продаваться, обслуживаться, регулироваться, чиниться, обновляться и утилизироваться.

Главный вопрос, конечно, заключается в том, что перевесит в итоге. Выгода от процессов, сопутствующих автоматизации, плюс создание новых видов деятельности и занятости? Или же потеря тех или иных рабочих мест? В глубине души я оптимист и считаю, что мы вполне сможем адаптироваться к новой действительности, пусть даже пережив болезненный переходный период (в котором весьма полезным решением может стать введение универсального базового дохода для всех членов общества). Ключевым фактором здесь является темп изменений, причем все признаки сегодняшнего дня указывают на то, что в ближайшие годы этот показатель будет расти и расти. Понятно, что автоматизация в целом и искусственный интеллект в частности окажут огромное воздействие на все аспекты нашей жизни – в основном, надеюсь, положительное, – но появятся и вещи, которые бросят вызов нашей морали и этике. Я вернусь к этим вопросам более подробно в самом конце книги, а пока что основное внимание мы уделим преимуществам и задачам внедрения искусственного интеллекта в сегодняшнюю жизнь.

Технологии, стоящие за искусственным интеллектом, чертовски умны. В их основе лежат алгоритмы – последовательность инструкций или набор правил для выполнения задачи. Алгоритмом можно считать даже железнодорожное расписание и рецепт приготовления блюда или аптечного лекарства. Искусственным интеллектом, естественно, управляют гораздо более продвинутые алгоритмы; по сути, они являются очень сложными статистическими моделями, использующими принципы теории вероятности, чтобы найти регулярные связи в определенном наборе входящих данных, часто с учетом определенной цели («если клиент посмотрел эти фильмы, то какие другие фильмы он захочет посмотреть с наибольшей вероятностью»). Эта книга, разумеется, не претендует на подробное объяснение базовых технологий искусственного интеллекта; более того, она намеренно лишена технической лексики. Однако некоторые принципы, лежащие в основе ИИ-технологии, знать все-таки необходимо.

Один из способов классификации технологий искусственного интеллекта – разделить их на так называемое «контролируемое» и «неконтролируемое» обучение. Контролируемое обучение является более распространенным и относится к ситуациям, когда система искусственного интеллекта обучается путем анализа больших объемов данных. Например, если вы хотите иметь ИИ-приложение, способное идентифицировать изображения собак, то вы должны показать алгоритму тысячи изображений, где собаки есть, и столь же большое количество картинок, где они отсутствуют. На первом этапе вы помечаете все картинки по принципу «есть собака» и «нет собаки». Используя машинное обучение (один из методов, применяемых при разработке искусственного интеллекта, – о нем я расскажу позже) и введенные данные, система изучает, как выглядит собака на изображении (что общего есть между любыми собаками, присутствующими на картинках). Затем систему следует проверить на другом наборе таких же (но не идентичных) данных, где изображения тоже помечены, но на этот раз об этом знаете только вы, а системе ничего не известно. Если система сможет идентифицировать наличие или отсутствие собак на фотографиях, значит, она обучена достаточно хорошо. Вы можете проверять это снова и снова. Если после этого люди будут использовать созданное вами приложение (назовем его условно «Найди собаку на картинке») с подключенной обратной связью, то есть оценивая правильность ответов системы, то ИИ будет продолжать свое обучение прямо по ходу работы. Контролируемое обучение обычно используется там, где входные данные неструктурированы или структурированы лишь частично: изображения, звуки, рукописный текст. Сюда относятся функции распознавания изображений, речи и поиска в соответствии с предложенной мною моделью структуризации искусственного интеллекта.

При неконтролируемом обучении системе предлагается очень большой набор данных, которые в начале процесса для нее ничего не «значат». Однако по ходу анализа искусственный интеллект может определить в этих данных схожие характеристики (так называемые кластеры сходства). Следует отчетливо понимать, что искусственный интеллект не вкладывает в эти сходства и различия никакого «смысла» в человеческом понимании; он просто ищет повторение шаблонов среди океана информации. Но самое замечательное в таком подходе то, что и сам пользователь может ничего не понимать в этих данных. Да ему зачастую и не нужно знать, что он ищет: всю эту работу выполняет искусственный интеллект. Что бы мы ни исследовали, после того как ИИ определит кластеры сходства, он сможет создавать прогнозы для новых входящих данных.

Например, мы хотим определить стоимость дома в определенном районе. Цена дома зависит от многих переменных, таких как местоположение, количество жилых и ванных комнат, года постройки, площади участка земли и т. д. Такое обилие входящей информации затрудняет прогнозирование стоимости. Однако между всеми этими переменными, безусловно, должна быть какая-то скрытая связь, вопрос лишь в том, как ее найти. Именно это и делает за нас искусственный интеллект. Если в его распоряжении есть достаточное количество базовых данных, содержащих все эти переменные вместе с фактической ценой недвижимости, он использует статистический анализ, чтобы найти все доступные связи. Причем некоторые переменные могут очень сильно влиять на цену, а другие, как выясняется, вообще не оказывают на нее воздействия. Подготовив таким образом статистическую модель, мы вводим те же характеристики для дома, цена которого еще неизвестна, и модель сможет предсказать это значение. Входные и выходные данные на этот раз структурированы, но зато сама модель является для нас «черным ящиком» или «вещью в себе». Отсутствие прозрачности в принятии решений и создании прогнозов – одно из самых слабых мест искусственного интеллекта, но все-таки прозрачностью работы моделей можно управлять – об этом я расскажу позже.