Еще раз о программах и тех кто их пишет

Ниже приведены несколько, наугад взятых с ленты новостей, текстов.
 
Они о том, что машины/программы/алгоритмы вытесняют людей из все более разных областей и более того - начинают обходится вовсе без людей общаясь/конкурируя друг с другом (и сами с собой).
 
Один робот выписывает штрафы- другой их юридически грамотно оспаривает.
Европейский парламент признает роботов «электронными личностями» - они будут нести юридическую ответственность. (Казнить - нельзя помиловать. Знак препинания, наконец нашел свое место, хотя бы в отношении роботов :)).
Искусственный интеллект однозначно побеждает человека в воздушном бою (пока не тренажере).
И да - он самообучается, т.е эволюционирует без участия автора. Давно. Мы просто не заметили.
 
 
 
=============
 
Тихо сам с собою
Из книги Педро Домингоса «Верховный алгоритм»
Программирующие сами себя компьютеры давно уже не фантастика. Алгоритмами машинного обучения пользуются все крупные интернет-компании, и понятно почему: это помогает предлагать клиенту именно такие товары и услуги, которые способны его заинтересовать. В своей книге ученый-практик Педро Домингос рассказывает о поиске универсального обучающего алгоритма, а также о том, в каких областях машинное обучение применяется сейчас.
 
Почему Google стоит намного дороже Yahoo? Обе компании зарабатывают на показе рекламы в интернете, и у той, и у другой прекрасная посещаемость, обе проводят аукционы по продаже рекламы и используют машинное обучение, чтобы предсказать, с какой вероятностью пользователь на нее кликнет (чем выше вероятность, тем ценнее реклама).
 
Дело, однако, в том, что обучающиеся алгоритмы у Google намного совершеннее, чем у Yahoo. Конечно, это не единственная весьма серьезная причина разницы в капитализации. Каждый предсказанный, но не сделанный клик — упущенная возможность для рекламодателя и потерянная прибыль для поисковика.
 
Учитывая, что годовая выручка Google составляет 50 миллиардов долларов, улучшение прогнозирования всего на один процент потенциально означает еще полмиллиарда долларов в год на банковском счету. Неудивительно, что Google — большая поклонница машинного обучения, а Yahoo и другие конкуренты изо всех сил пытаются за ней угнаться.
 
Реклама в сети — всего лишь один из аспектов более широкого явления. На любом рынке производители и потребители перед тем, как заключить сделку, должны выйти друг на друга. До появления интернета основные препятствия между ними были физическими: книгу можно было купить только в книжном магазине поблизости, а полки там не безразмерные. Однако теперь, когда книги можно в любой момент скачать на «читалку», проблемой становится колоссальное число вариантов.
 
Как тут искать, если на полках книжного магазина стоят миллионы томов? Это верно и для других информационных продуктов: видео, музыки, новостей, твитов, блогов, старых добрых сайтов. Это также касается продуктов и услуг, которые можно получить на расстоянии: обуви, цветов, гаджетов, гостиничных номеров, обучения, инвестиций и даже поисков работы и спутника жизни. Как найти друг друга? Это определяющая проблема информационной эры, и машинное обучение помогает ее решить.
 
В процессе развития компании можно выделить три фазы. Сначала все делается вручную: владельцы семейного магазинчика знают своих клиентов лично и в соответствии с этим заказывают, выставляют и рекомендуют товары. Это мило, но не позволяет увеличить масштаб. На втором, и самом неприятном, этапе компания вырастает настолько, что возникает необходимость пользоваться компьютерами. Появляются программисты, консультанты, менеджеры баз данных, пишутся милли­оны строк кода, чтобы автоматизировать все, что только можно.
 
Компания начинает обслуживать намного больше людей, однако качество падает: решения принимаются на основе грубой демографической классификации, а компьютерные программы недостаточно эластичны, чтобы подстроиться под бесконечную изменчивость человечества. В какой-то момент программистов и консультантов начинает просто не хватать, и компания неизбежно обращается к машинному обучению.
 
Amazon не может изящно заложить в компьютерную программу вкусы всех своих клиентов, а Facebook не смогла бы написать программу, чтобы выбрать обновления, которые понравятся каждому из пользователей. Walmart ежедневно продает миллионы продуктов. Если бы программисты этой торговой сети попытались создать программу, способную делать миллионы выборов, они бы работали целую вечность. Вместо этого компании спускают с цепи обучающиеся алгоритмы, науськивают их на уже накопленные горы данных и дают им предсказать, чего хотят клиенты.
 
Алгоритмы машинного обучения пробиваются через информационные завалы и, как свахи, находят производителей и потребителей друг для друга. Если алгоритмы достаточно умны, они объединяют лучшее из двух миров: широкий выбор, низкие затраты огромной корпорации и индивидуальный подход маленькой компании. Обучающиеся алгоритмы не идеальны, и последний шаг в принятии решения все равно остается за человеком, но они разумно сужают выбор, чтобы человеку было под силу принять решение.
 
Сегодня очевидно, что переход от компьютеров к интернету, а затем к машинному обучению был неизбежен. Компьютеры сделали возможным интернет, тот породил поток данных и проблему безграничного выбора, а машинное обучение использует потоки данных, чтобы решить проблему безграничного выбора. Чтобы сдвинуть спрос от «одного размера на всех» до длинного, бесконечно разнообразного списка вариантов, одного интернета мало. У Netflix может быть хоть сто тысяч разных DVD-дисков, но, если клиент не знает, как найти то, что ему понравится, он будет по умолчанию выбирать хиты. И только когда Netflix обзавелся обучающимся алгоритмом, который угадывает ваши вкусы и советует музыку, длинный хвост менее популярных исполнителей «взлетел».
 
 
Когда-нибудь произойдет неизбежное: обучающиеся алгоритмы станут незаменимым посредником и в них сосредоточится власть. Алгоритмы Google во многом определяют, какую информацию вы видите, Amazon — какие продукты вы покупаете, а Match.com — с кем вы станете встречаться. Последний этап — выбрать из предложенных алгоритмом вариантов — все равно придется преодолеть вам, однако 99,9 процента отбора будет проходить без вашего участия. Успех или неудача компании станет зависеть от того, будут ли алгоритмы машинного обучения предпочитать ее продукцию. Успех экономики в целом, то есть получат ли все игроки нужные продукты по лучшей цене, будет зависеть от того, насколько хороши обучающиеся алгоритмы.
 
Лучший способ гарантировать, что алгоритмы машинного обучения станут отдавать предпочтение продукции вашей компании, — применять их. Победит тот, у кого лучше алгоритмы и больше данных. Здесь проявляется новый сетевой эффект: тот, у кого больше клиентов, собирает больше информации, лучше обучает модели, завоевывает новых клиентов и так далее по спирали (а с точки зрения конкурентов — по порочному кругу). Перейти c Google на Bing, может быть, даже проще, чем с Windows на Mac OS, но на практике вы этого не сделаете, потому что благодаря удачному старту и большей доле на рынке Google лучше знает, чего вы хотите, даже если непосредственно технологии у Bing не хуже. Новичкам на рынке поисковиков можно только посочувствовать: не имея данных, они вынуждены бороться против систем, которые обучают свои алгоритмы более десятка лет.
 
Можно подумать, что в какой-то момент данные просто начнут повторяться, однако точки насыщения не видно, и «длинный хвост» продолжает тянуться. Вы, конечно, и сами видите: рекомендации Amazon или Netflix пока еще очень грубы, а результаты, которые выдает Google, оставляют желать много лучшего. С помощью машинного обучения можно улучшить каждое свойство продукта, каждый уголок сайта. Ссылку внизу страницы лучше сделать красной или голубой? Попробуйте оба варианта и посмотрите, какой соберет больше кликов. А еще лучше вообще не выключать обучающиеся алгоритмы и постоянно корректировать все элементы сайта.
 
Та же динамика наблюдается на любом рынке, где имеется много вариантов и огромный объем данных. Гонка в разгаре, и побеждает тот, кто учится быстрее. Дело не только в лучшем понимании клиента: компании могут применять машинное обучение к каждому аспекту своей деятельности при условии, что на эту тему есть данные, а источники данных — компьютеры, устройства связи и все более дешевые и вездесущие сенсоры. Сейчас любят повторять, что «данные — это новая нефть» и, как и с нефтью, переработка — большой бизнес. IBM, как и все остальные корпорации, построила свою стратегию роста на предоставлении аналитических услуг компаниям. Бизнес видит в данных стратегический ресурс: что есть у нас, но отсутствует у конкурентов? Как воспользоваться этим преимуществом? А какие данные есть у конкурентов, но нет у нас?
 
Как банк, не располагающий базами данных, не может тягаться с банком, их имеющим, так и компания, не применяющая машинное обучение, не сможет соперничать с теми, кто его использует. Пока в первой компании будут писать тысячи правил для прогнозирования пожеланий покупателей, алгоритмы второй компании найдут миллиарды правил, по целому набору для каждого отдельного клиента. Такая конкуренция напоминает атаку с копьями на пулеметы. Конечно, машинное обучение — крутая новая технология, но для бизнеса дело даже не в этом: ее придется применять, потому что другого выбора просто нет.
 
 
 
=============
 
Искусственный интеллект победил военных пилотов
 
Новый искусственный интеллект (ИИ) ALPHA смог победить профессионального эксперта в имитации воздушного боя. ИИ был разработан выпускниками Университета Цинциннати для исследовательских целей, однако создатели надеются, что он окажется полезен и в реальных условиях. Пресс-релиз опубликован на сайте университета.
 
ALPHA был протестирован полковником ВВС США в отставке Джином Ли (Gene Lee), который обладает солидным боевым опытом и является экспертом по тактике воздушных боев. ИИ, по словам разработчиков, является прорывом в области систем управления, чья работа основана на применении нечеткой логики. Его основная цель — управление «вражескими» самолетами в симуляторах боевых вылетов.
 
Ли оказался не только не способен победить программу в виртуальном воздушном сражении, но и «погибал» всякий раз, когда вел с ней продолжительный бой. По словам военного, он был удивлен тем, что ALPHA, казалось, предугадывает его намерения и мгновенно реагирует на действия. ИИ избегал попаданий снарядов и мгновенно переходил от оборонительной к наступательной тактике в случае необходимости.
 
ИИ также превзошел других экспертов и побеждал даже тогда, когда разработчики намеренно ухудшали летные характеристики его самолетов, например, скорость или точность выстрелов.
 
ALPHA был разработан компанией Psibernetix Inc, основанной выпускником Колледжа инженерии и прикладных наук при Университете Цинциннати Ником Эрнестом (Nick Ernest). В настоящее время ИИ является исследовательским инструментом для изучения действий пилотируемых и беспилотных летательных средств в среде симуляции. Ранняя версия ИИ смогла также превзойти компьютерные программы, которые использовались в исследовательских лабораториях ВВС США.
 
Создатели рассчитывают, что улучшенная версия ALPHA сможет участвовать в реальных боевых действиях, управляя беспилотными самолетами, координируя действия пилотов истребителей, контролируя маневры уклонения от вражеских ракет, а также вычисляя стратегию противника.
 
Нечеткая логика — раздел математики, изучающий нестрогие правила, нечеткие и размытые суждения, сходных с обычными человеческими суждениями.
 
 
 
=============
 
Роботы-властелины
Мировые лидеры идут на поклон к машинам
 
Европейский парламент 21 июня представил проект резолюции, требующий официально признать роботов «электронными личностями». Если эта инициатива будет одобрена, умные машины получат свои права и обязанности — и даже смогут нести юридическую ответственность. Ясно, что это будет еще один шаг к приходу роботов к власти в мировом масштабе. «Лента.ру» вспоминает, как политические лидеры с 1980-х годов выстраивались в очередь, чтобы пожать руку или поклониться своим будущим господам.
 
 
=============
 
Чат-бот оспорил 160 тысяч штрафов за парковку
Студент-второкурсник из Стэнфордского университета создал чат-бота, помогающего бороться с несправедливо выписанными штрафами за парковку. Свое изобретение 19-летний Джошуа Браудер (Joshua Browder) назвал DoNotPay, сообщает The Guardian.
 
За 21 месяц за помощью к «роботу-адвокату» обратились 250 тысяч раз. При этом искусственному интеллекту успешно удалось оспорить 160 тысяч несправедливых штрафов (более 60 процентов от всех обращений).
 
«Не думаю, что люди, которые получают штрафы за парковку, стремятся нарушить законодательство. Мне кажется, что местное правительство эксплуатирует их в качестве дополнительного источника доходов», — заявил Браудер.
 
Пока чат-бот помогает только жителям Лондона и Нью-Йорка, однако в дальнейшем изобретатель намерен расширить географию проекта. В планах на ближайшее будущее — запуск «робота-адвоката» в Сиэтле.
 
Изобретатель также намерен расширить функционал чат-бота. В ближайшее время DoNotPay научится ориентироваться в правовых системах других государств, а также сможет помогать при задержке авиарейсов.
 
 
=============
 
Коллаж может называться "Круговорот мозгов в природе" или "Марксова спираль эволюции мозгов".
 
Смысл коллажа: Именно обычные человеческие руки и мозг создают вначале полу-человеческий - полу искусственные мозг, запуская тем самым новую эволюцию. Рожденный ею искусственный интеллект сам начнет (если найдет нужным) совершенствовать человека.
 
Вывод: то сообщество людей (нация), которое будет участвовать в этом - имеет шанс повлиять на процесс, поучаствовать в конкуренции, в неизбежной борьбе за влияние на ход эволюции - остальные обречены быть просто материалом для ее экспериментов.