Чтение онлайн

• Цифровое шифрование. Цифровое шифрование амбивалентно. С одной стороны оно создает возможности для общественности, граждан и бизнеса защитить свою информацию не только от преступников, но и от несанкционированного доступа к ней правительственных структур. С другой стороны, широкое распространение шифрования создает большие трудности для полицейских органов. Начиная с 2013 г. многие британские граждане стали использовать шифрованную электронную почту, мессенджеры и т.п. Это создает значительные затруднения правоохранительным органам. Вероятно, необходимо регламентировать возможности шифрования гражданами, а также специально предусмотреть обязанность для производителей шифрованных коммуникаторов предоставлять соответствующие ключи правоохранительным органам.

Помимо изучения конкретных технологий Центр особое внимание уделяет изучению вопросу: как новой технологии будут взаимодействовать и влиять друг на друга. Центр будет выпускать ежегодный доклад по перспективным тенденциям развития технологий с точки зрения полиции. Такой доклад позволит не только использовать потенциал технологической революции для повышения эффективности работы полиции, но и своевременно оценить риски и угрозы попадания этих технологий в руки криминала.

Джошуа Бенджо – профессор информатики в Монреальском университете, один из пионеров в области разработки методов глубинного обучения, считает, что после 2005 г. исследования в области искусственного интеллекта стали перспективным делом. И произошло все это благодаря концепции глубинного обучения – так называется подход к созданию компьютеров, наделенных искусственным интеллектом, черпающий вдохновение в нейробиологии. В последние годы концепция глубинного обучения стала тем самым локомотивом, который придал ускорение исследованиям в области искусственного интеллекта. Теперь крупнейшие ИТ-компании принялись вкладывать в технологию глубинного обучения миллиарды долларов (В мире науки [08/09] август/сентябрь 2016).

Принцип глубинного обучения заключается в моделировании нейронных сетей, которые постепенно «учатся» распознавать изображения, понимать речь и даже самостоятельно принимать решения. Технология глубинного обучения основана на использовании так называемых искусственных нейронных сетей – основного объекта нынешних исследований в области ИИ. Нет, виртуальные, искусственные нейронные сети вовсе не представляют собой точную копию настоящих нейросетей головного мозга, и функционируют они примитивнее: в основу их работы положены общие математические принципы обучения на примерах из обучающей выборки, что позволяет нейросетям распознавать всевозможные объекты на фотографиях (например, лица людей и т.д.) или переводить тексты, написанные на основных языках мира.

Технология глубинного обучения коренным образом изменила сам характер исследований в области ИИ, вдохнув новую жизнь в позабытые было амбициозные планы по созданию компьютерного зрения, распознаванию речи, обработке естественных языков, реализации проектов в области робототехники. Первые программы распознавания речи были созданы в 2012 г. (например, всем известный сервис Google Now). Затем стали появляться приложения, распознающие фотографии (данная функция в настоящее время интегрирована в сервис Google Photos).

До недавнего времени искусственные нейронные сети использовались в значительной степени для распознавания статичных образов. Однако постепенно получил известность другой тип нейро-сетей – рекуррентные нейронные сети, которые стали применяться в основном для анализа процессов, протекающих во времени. В частности, такие сети оказались способны корректно выполнять обработку аудио- и видеоизображений, а также некоторых других видов информации. Последовательные данные состоят из блоков (фонем, слов), которые следуют друг за другом. Процесс обработки входных сигналов с помощью рекуррентных нейросетей имеет сходство с работой мозга, ведь и в головном мозге во время обработки информации, поступающей от органов чувств, происходит постоянное изменение сигналов, циркулирующих между нейронами. Получается, что состояние каждого нейрона во внутренних слоях постоянно меняется в зависимости от мощности сигналов, поступающих в головной мозг из внешней среды, а на выходе мы получаем последовательность команд, которые инициируют двигательную активность разных частей тела, направленную на достижение конкретной цели.

Рекуррентные нейронные сети способны предсказывать, например, каким будет следующее слово в предложении, а оно, это слово, в свою очередь тоже может использоваться для генерирования новых последовательностей слов. Кроме того, с помощью рекуррентных нейронных сетей можно решать и более сложные задачи.

Нейросети могут использовать временную память компьютера для обработки нескольких рассредоточенных кусков информации (например, идеи, содержащиеся в различных предложениях, разбросанных по документу).

Дэвид Кроуфорд, директор по разработке программного обеспечения в компании Alation, которая занимается каталогизацией данных, полагает, что сейчас по-прежнему существуют области, где алгоритмы нуждаются в людях. Искусственный интеллект может работать только в тех сферах деятельности, которые человек может точно описать.

Работа аналитика выходит за рамки проведения анализа в закрытой среде. Анализ должен быть применен к внешнему миру, где контекст влияет на интерпретацию результатов.

Маловероятно, что в ближайшее время алгоритмы научатся понимать людей. Этого не случится, пока человечеству не удастся улучшить интерфейсы взаимодействия мозга человека и компьютера.

Будущее аналитиков менее мрачно, чем об этом говорится в заголовках СМИ. Достижения в области ИИ во многом напоминают эффективных помощников, а не замену аналитикам. В будущем аналитики получат группу алгоритмов с ИИ, которые будут проводить анализ данных. Задача аналитиков будет состоять в том, чтобы указать ИИ на правильные вопросы для анализа и решить, как применять результаты анализа для решения проблем в реальном мире. Пока конечный потребитель аналитики – человек, аналитики никуда не денутся.

Лидером внедрения искусственного интеллекта в процесс борьбы с преступностью является ФБР США. Основные работы в этом направлении ведутся Информационном центре ФБР (NCIC).

NCIC – это метабаза, включающая на начало 2017 года 21 базу данных, содержащих досье на 12 млн. активных индивидуальных преступников и членов преступных организаций. NCIC в среднем отвечает на 14 млн. запросов в день. Помимо ФБР, NCIC обслуживает более 90 тыс. точек доступа в органах уголовного правосудия, а также судах, прокуратуре, системе исправительных учреждений и т.п.

Информационный центр ФБР находится в разгаре модернизации, известной как проект N3G. В рамках проекта в систему включаются принципиально новые блоки обработки и анализа информации, базирующиеся на интеллектуальном анализе Больших данных. В 2017 г. началось сооружение и оснащение здания нового Центра данных и вычислений взамен действующего.

Новый Центр будет запущен в рамках проекта N4G. По площади он будет в 12 раз превосходить действующий в настоящее время Центр в Бриджпорте (штат Коннектикут), и иметь более чем в 50 раз большую емкость и мощность хранения и обработки данных. Предусматривается, что Центр будет подключен к национальной сети суперкомпьютеров АНБ и Министерства энергетики. Программно-аппаратная архитектура Центра проектируется вокруг программно-аппаратных комплексов искусственного интеллекта.