Интеллект и: Что такое интеллект и как его развивать. Роль образования и традиций | Нисбетт Ричард

Автор: | 07.07.2019

Содержание

Искусственный интеллект и машинное обучение — Урок Цифры

Вы: *

Ученик

Учитель

Родитель

Если под вашим аккаунтом уроки будут проходить ученики, вы сможете добавить их в личном кабинете, чтобы мы корректно считали статистику прохождений и упростили вам доступ к тренажерам.

E-mail *

Пароль *

Повторите пароль *

Я не из России

Страны: *Выбрать

Регион: *ВыбратьАдыгеяАлтайАлтайский крайАмурская областьАрхангельская областьАстраханская областьБашкортостанБелгородская областьБрянская областьБурятияВладимирская областьВолгоградская областьВологодская областьВоронежская областьДагестанЕврейская АОЗабайкальский крайИвановская областьИнгушетияИркутская областьКабардино-БалкарияКалининградская областьКалмыкияКалужская областьКамчатский крайКарачаево-ЧеркессияКарелияКемеровская областьКировская областьКомиКостромская областьКраснодарский крайКрасноярский крайКрымКурганская областьКурская областьЛенинградская областьЛипецкая областьМагаданская областьМарий ЭлМордовияМоскваМосковская областьМурманская областьНенецкий АОНижегородская областьНовгородская областьНовосибирская областьОмская областьОренбургская областьОрловская областьПензенская областьПермский крайПриморский крайПсковская областьРостовская областьРязанская областьСамарская областьСанкт-ПетербургСаратовская областьСаха (Якутия)Сахалинская областьСвердловская областьСевастопольСеверная Осетия — АланияСмоленская областьСтавропольский крайТамбовская областьТатарстанТверская областьТомская областьТульская областьТываТюменская областьУдмуртияУльяновская областьХабаровский крайХакасияХанты-Мансийский АО — ЮграЧелябинская областьЧеченская республикаЧувашская республикаЧукотский АОЯмало-Ненецкий АОЯрославская область

Город:Выбрать

Класс: *Выбрать1-й2-й3-й4-й5-й6-й7-й8-й9-й10-й11-й

Обычно я прохожу тренажер один

Снимите галочку, если предполагаете, что с вашего профиля уроки будут проходить множество учеников. Например, когда все ученики сидят за одним компьютером.

Авторизация в VK Connect

Авторизируйтесь, чтобы использовать VK Connect для дальнейших входов в личный кабинет

Материалы к уроку «Искусственный интеллект и машинное обучение» — Урок Цифры

Вы: *

Ученик

Учитель

Родитель

Если под вашим аккаунтом уроки будут проходить ученики, вы сможете добавить их в личном кабинете, чтобы мы корректно считали статистику прохождений и упростили вам доступ к тренажерам.

E-mail *

Пароль *

Повторите пароль *

Я не из России

Страны: *Выбрать

Регион: *ВыбратьАдыгеяАлтайАлтайский крайАмурская областьАрхангельская областьАстраханская областьБашкортостанБелгородская областьБрянская областьБурятияВладимирская областьВолгоградская областьВологодская областьВоронежская областьДагестанЕврейская АОЗабайкальский крайИвановская областьИнгушетияИркутская областьКабардино-БалкарияКалининградская областьКалмыкияКалужская областьКамчатский крайКарачаево-ЧеркессияКарелияКемеровская областьКировская областьКомиКостромская областьКраснодарский крайКрасноярский крайКрымКурганская областьКурская областьЛенинградская областьЛипецкая областьМагаданская областьМарий ЭлМордовияМоскваМосковская областьМурманская областьНенецкий АОНижегородская областьНовгородская областьНовосибирская областьОмская областьОренбургская областьОрловская областьПензенская областьПермский крайПриморский крайПсковская областьРостовская областьРязанская областьСамарская областьСанкт-ПетербургСаратовская областьСаха (Якутия)Сахалинская областьСвердловская областьСевастопольСеверная Осетия — АланияСмоленская областьСтавропольский крайТамбовская областьТатарстанТверская областьТомская областьТульская областьТываТюменская областьУдмуртияУльяновская областьХабаровский крайХакасияХанты-Мансийский АО — ЮграЧелябинская областьЧеченская республикаЧувашская республикаЧукотский АОЯмало-Ненецкий АОЯрославская область

Город:Выбрать

Класс: *Выбрать1-й2-й3-й4-й5-й6-й7-й8-й9-й10-й11-й

Обычно я прохожу тренажер один

Снимите галочку, если предполагаете, что с вашего профиля уроки будут проходить множество учеников. Например, когда все ученики сидят за одним компьютером.

Авторизация в VK Connect

Авторизируйтесь, чтобы использовать VK Connect для дальнейших входов в личный кабинет

Искусственный интеллект и 5G смогут вывести спортивный бизнес из кризиса

На протяжении многих лет обеспечение прибыльности стадионов оставалась головной болью для спортивной отрасли. Такие виды спорта, как футбол, баскетбол, хоккей, собирают большую аудиторию болельщиков, не упускающих возможности поболеть за свою команду вживую. При этом сами площадки получают основные доходы не от сборов за билеты, а от арендной платы за проведенные мероприятия и рекламы различных мировых брендов. Однако, если игры неинтересны конечным потребителям, то и невозможно привлечь рекламодателей и спонсоров. Кроме того, серьезные матчи жестко зарегулированы с точки зрения прав на трансляции, из-за чего нет возможности вести их в интернете.

Спортиндустрия теряет миллионы из-за пандемии

Трудности с обеспечением прибыльности спортивных площадок еще не решены, а вспышка коронавируса в начале 2020 г. еще больше осложнила работу стадионов. Мы видим, как откладываются множество международных турниров в самых разных видах спорта. Более того, под влиянием пандемии многие стадионы и вовсе закрыты для болельщиков. На этом фоне необходимо обратить внимание на инновации и развитие стадионов с использованием новых технологий: больших данных, облачных вычислений, искусственного интеллекта, 5G, а также блокчейна. Это поможет развивать новые виды услуг, например цифровые виды спорта, онлайн-фитнес и онлайн-обучение.

Традиционный способ просмотра спортивных мероприятий уже не работает, а зритель, теряя возможность посещения той или иной спортивной площадки и не имея альтернативы, как следствие, теряет и интерес к спорту. Глобальная индустрия развлечений, согласно ожиданиям экспертов Ampere Analysis, потеряет до $160 млрд в ближайшие 5 лет.

Понятно, что значительная часть этой суммы придется именно на спортивные мероприятия.

Перед спортивными и развлекательными площадками стоит вызов по удержанию интереса зрителей к просмотру спортивных мероприятий и монетизации площадок. Когда все отрасли активно осваивают новые технологии, такие как 5G и ИИ, могут и должны ли стадионы использовать данные технологии для модернизации отрасли? Ответ — однозначно «да».

«Своевременная интеллектуальная модернизация инфраструктуры стадионов и реализация в жизнь концепции «Умного стадиона» — необходимый в текущих условиях шаг для обеспечения максимального доступа зрителей к прямым трансляциям. При этом первостепенную роль играет качество передаваемого в прямом эфире видео: только так возможно гарантировать интерес зрителей к просмотру», — уверен

Ван Хуасинь, директор департамента интегрированных решений и бизнеса для видео в Huawei Евразия.

Как построить новые сервисы на базе 5G

Участники спортивной индустрии уверены, что прорывной технологией для качественного изменения услуг спортивного вещания является технология 5G. Она позволяет открыть новую страницу в предоставлении качественно новых видеоуслуг со стороны стадиона, недоступных зрителю до данного момента. Также станет проще вывести спортивную индустрию из фактического кризиса в период пандемии, когда отменяются множество турниров и мероприятий, а спортивным площадкам запрещают допускать зрителей на матчи.

Участники спортивной индустрии уверены, что прорывной технологией для качественного изменения услуг спортивного вещания является технология 5G. Фото: ru.depositphotos.com

5G UHD вещание

Трансляция 5G UHD видео позволяется увеличить прибыль стадиона на онлайн вещании и повышает конкурентоспособность спорта в интернете. Болельщику уже не хватает традиционного эфирного просмотра без возможности персонализированного управления им. Стационарные камеры, расположенные на поле, зачастую не могут передать наиболее яркие моменты игры в приближении. И здесь становятся востребованными мобильные камеры 5G UHD, передающие видео в формате 4К и выше, не привязанные к кабельной инфраструктуре стадиона. Главный потребитель видеоуслуги, конечный пользователь, уже сам определяет, с какой камеры ему смотреть на игру, какого комментатора выбрать, на каком экране смотреть.

AR-сервисы для спортивных болельщиков (AR-навигация, игры, маски, AR-реклама)

Для болельщиков очень важно запечатлеть самые яркие моменты игры и, по возможности, делиться этими моментами в режиме реального времени со своими друзьями в социальных сетях. И здесь всевозможные эффекты дополненной реальности (AR), такие как фото болельщика с известными футболистами, различные маски, позволяющие примерить атрибутику клуба на своем лице и поделиться данным фото в соцсетях, игры с элементами AR на экране мобильного телефона и наложением футбольного поля, AR-навигация по спортивному объекту и многое другое, привносят новые непередаваемые ощущения от посещения спортивного мероприятия и не оставят равнодушным никого! A возможность выведения реалистичной AR-рекламы создает дополнительную возможность для рекламодателей и является еще одним инструментом для монетизации «Умного стадиона».

Многовидовой (персонализированный) просмотр события с различных точек поля в прямом эфире

Установленные в различных точках поля VR-камеры позволяют смотреть прямой эфир в формате 360 и возможностью переключения между камерами во время игры. При этом есть возможность не только проворачивать телепросмотр на 360 градусов, но и увеличивать в реальном времени участки поля, где разворачиваются наиболее интересные и остросюжетные моменты игры.

Экскурсия на спортивный объект перед его посещением

Если пользователь еще ни разу не был на данном стадионе, не знает, какие сервисы доступны во время матча, он может удаленно получить доступ к просмотру стадиона посредством VR среды, осмотреть поле с различных углов обзора, выбрать себе лучшее место для просмотра матча, и в конечном итоге принять решение о покупке билета на матч.

Создание персонального видеоролика о посещении спортивного мероприятия

Если болельщик пришел на стадион, чтобы посмотреть игру или принять участие в каких-либо спортивных мероприятиях, 5G UHD камеры, установленные в нескольких местах на стадионе, на базе отснятого массива видеоматериала, системы распознавания лиц и системы искусственного интеллекта позволят обработать сцены с участием данного человека и автоматически сгенерировать персональное Vlog видео, которое оставит незабываемую память для пользователя о данном событии.

Изменение угла просмотра с возможностью поворота на 360 градусов в реальном времени

Технология передачи 5G UHD видео в режиме реального времени с минимальными задержками позволяет создать элемент живого присутствия на площадке с возможностью изменения угла телесмотрения 360 градусов, что фактически превращает обычного болельщика в VIP-клиента, смотрящего на турнир или матч с любой удобной для него точки площадки.

Например, во время прямого эфира турнира по бадминтону, теннису или боксу, пользователи могут изменять точку просмотра игры на своем мобильном или большом экране в режиме 360 градусов.

Создание экосистемы партнеров

«Умные» стадионы дают возможность выйти из сложившейся традиционной модели вещания события только для посетителей стадиона и прямой трансляции на экране традиционного телевидения. Контент со стадиона может передаваться через другие каналы, такие как сети операторов связи и онлайн-площадки. Это повышает возможности стадиона по монетизации, меняет традиционную бизнес-модель спортивных вещаний на новые бизнес-модели предоставления контента. Это в конечном итоге расширяет потенциальную аудиторию, которая готова смотреть контент с различных устройств и с помощью различных технологий.

После того, как стадионы и контент-провайдеры начнут работать вместе для создания высококачественных трансляций через сети операторов и интернет на основе UHD, можно будет достичь взаимовыгодных преимуществ. С одной стороны, операторы стадионов могут продолжать распространять HD-видео и предоставлять дополнительные услуги через различные каналы, такие как мобильные телефоны, VR, IPTV, OTT и 3D-видео, для максимально возможного охвата потенциальной аудитории. С другой стороны, cети 5G с большой полосой пропускания и низкой задержкой могут обеспечить надежную передачу видео UHD, например, с изменением угла обзора, 8K VR, мультипросмотр, масштабирование видео, на стадионах, а также 2В прямых трансляциях и распределенных облачных сервисах.

В трансляциях станет доступным изменение угла просмотра

«Умные» стадионы помогут операторам добиться успеха в 5G

Стоит отметить, что операторы играют важную роль в строительстве и модернизации «умных» стадионов. После построения IP-сетей на стадионах операторы могут использовать 5G UHD видео для продвижения услуг 5G и IPTV. На сегодняшний день операторы связи нарастили абонентскую базу 5G до 200 млн абонентов. Кроме того, абонентская база IPTV-операторов в мире составляет более 300 млн и более 1 млн пользователей виртуальной реальности.

Как операторы связи могут повысить ценность услуг для пользователей сетей 5G и виртуальной реальности? Привлекательный видеоконтент, несомненно, является лучшим прорывом. Кроме того, операторы являются необходимым звеном с точки распространения 5G UHD-видео на стадионах, а также дополнительных услуг на базе 5G.

Большая полоса пропускания и низкая задержка сети 5G обеспечивает надежную передачу видео высокой четкости и расширяет количество предоставляемых видеосервисов. Например, будут доступны матчи с изменением угла просмотра в режиме реального времени, видео в формате 8К VR, мультипросмотр, когда каждый пользователь выбирает, с какой камеры смотреть, с возможностью изменения камеры в любой момент времени, а также услуги предоставления сервисов прямых трансляций в сектор 2В и облачные сервисы по обработке видео.

«Умные» стадионы помогут операторам добиться успеха в 5G

Рынок Китая: 5G UHD видео на «умных» стадионах

Оператор China Unicom на зимних Олимпийских играх в Китае планирует развернуть ряд новых услуг на стадионе, на котором будут проходить соревнования. Прямая эфирная трансляция будет доступна для зрителей в любой точке стадиона, кроме этого будут развернуты услуги многовидового просмотра, повтор лучших моментов матчей, заказ товаров, онлайн-комментирование хода игры со стороны зрителей.

Весь процесс съемки будет моментально загружаться в облако, где команда, занимающаяся постродакшн, будет анализировать, обрабатывать, а также подготавливать готовые программы, используя большой дополнительный набор онлайн-инструментов, что в конечном итоге сильно снижает стоимость постпродакшн.

Многие китайские операторы уже активно осваивают технологии 5G на коммерческих кейсах. Например, China Telecom сотрудничает с Китайской футбольной лигой А, Beijing Unicom построил инфраструктуру прямых эфирных трансляций кукольных театров, Fujian Mobile запустил онлайн-трансляции игр Го (Вэйци), Zhejiang Mobile пилотирует новые ИТ применительно к Азиатским играм, Henan Unicom ведет прямую трансляцию Wulin Wind. Эти программы привлекают большое количество онлайн-зрителей.

По мере расширения зоны стабильной 5G-связи по всему миру все эти изменения, кажущиеся сейчас даже немного фантастическими, станут стандартом индустрии развлечений. Очевидно, что пандемия, подхлестнувшая разработки 5G ведущими компаниями мира, в итоге поможет миру спорта справиться с нынешним кризисом, который в этом случае можно будет назвать временным.


Искусственный интеллект и математическое моделирование в информационных системах

Код и наименование направления подготовки:

09. 03.02 Информационные системы и технологии

Уровень образования

Высшее образование — Бакалавриат

Квалификация

Бакалавр

Формы и сроки обучения:
Информация по образовательной программе
Описание образовательной программы
Календарный учебный график
Аннотации к рабочим программам дисциплин
Рабочие программы практик
Методические и иные документы, разработанные ОО для обеспечения образовательного процесса

Искусственный интеллект и мир финансов

Искусственный интеллект стал одним из модных современных словечек (buzz word). Правда, не таким напыщенным, как предкризисные хедж-фонды, сегодняшние блочные цепи биткоин и стартапы. Но действительно: все о нем говорят, хотя очень немногие понимают, что кроется за значением этого модного словечка, т.е. что такое на самом деле искусственный интеллект.

Работающее машинное обучение

Можно утверждать, что сейчас искусственный интеллект еще не работает. Хорошо запрограммированные говорящие роботы, правда, в состоянии обмануть тест Тьюринга. используемый для различения между имитирующем человека компьютерным кодом и человеком, но если запастись временем и подробнее их расспросить, станет ясно, идет ли речь о роботе или о человеке. Что на самом деле работает, так это скрывающаяся за фразой «искусственный интеллект» технология – машинное обучение.

Если искусственный интеллект – это одновременно и парадигма, и абстракция, как термин «средство передвижения» в случае автомобиля, то машинное обучение – это конкретная действующая технология, такая, как двигатель внутреннего сгорания. И интересующиеся искусственным интеллектом хотят знать, что является этим двигателем внутреннего сгорания, что заставляет средство передвижения двигаться.

На юбилее финансовой службы одного большого местного самоуправления  меня как раз и попросили объяснить, состоит ли искусственный интеллект из регрессий – известного специалистам по анализу финансовых данных средства анализа, – хотя в случае искусственного интеллекта упомянутых регрессий выполняется столько, что результаты оказываются «разумнее» обычного анализа данных.

Первый ответ всегда неправильный

Это утверждение недалеко от истины, хотя за машинным обучением скрывается гораздо больше деталей. Алгоритм машинного обучения, основанный на так наз. искусственной нейронной сети, работает подобно настоящей нервной системе: он состоит из множества нейронов – персептронов, которые могут выполнять многочисленные математические операции, в том числе регрессию, хотя по отдельности каждый из них не в состоянии даже приблизительно о чем-то «думать». Тем не менее, действуя совместно, они всегда могут предложить хоть какое-то решение вопросов, которые перед ними ставятся. Иными словами, на поставленный перед искусственной нейронной сетью случайный вопрос ответ всегда неправильный (с точки зрения алгоритма машинного обучения такой ответ обозначается специальным термином: dummy).

Чтобы хоть что-то понять, искусственная нейронная сеть сначала должна научиться

Нейронной сети необходимо узнать, какие ответы на подобные вопросы раньше были правильными. Если набор правильных ответов, т.е. учебный материал, имеется, начинается обучение, важную часть которого составляет обратное распространение ошибки обучения, или backpropagation: искусственная нейронная сеть измеряет, насколько предложенные ею ответы отличаются от правильных, и в соответствии с этим производит в себе перенастройки. После этого нейронная сеть вновь пробует найти ответы и измеряет отклонение результатов новой попытки от правильных ответов.

Таким образом эта совокупность искусственных нейронов повторяет цикл ответа-измерения-перенастройки до тех пор, пока ее ответы не начнут все больше и больше совпадать с правильными ответами. К этому моменту она себя обучила и может приступать к работе:  давать рекомендации, принимать за людей решения. За этим стоят другие технологии, например, градиентный бустинг (Gradient Boosting), скорость обучения (Learning Rate), функция активации (Activation Function) и др., но, в общем и целом, это происходит именно так.

Подобно искусственной сети ведет себя и живой организм: стоит человеку пару раз обжечься, и ему на всю оставшуюся жизнь привьется очень устойчивый рефлекс – держаться вдали от источников огня.

 

Искусственный интеллект полезен

Чтобы получить обзор, в начале весны прошлого года я с помощью робота загрузил с платформы для специалистов по анализу данных Kaggle обзорные данные 327 конкурсов по анализу данных. Затем я распределил упомянутые конкурсы по известным темам, воспользовавшись алгоритмом текстового анализа на базе Wordnet. Выяснилось, что самые крупные денежные призы для специалистов по анализу данных (100 000 долларов или больше) были предусмотрены за алгоритмы, которые позволяют распознавать расположение  месторождений полезных ископаемых, давать ответы по медицинской диагностике, понимать спутниковые и другие фотографии.

Более миллиона получили те специалисты по анализу данных, которым удалось спрогнозировать рыночную цену недвижимости. Из Kaggle выясняется, что при оценке недвижимости с помощью искусственного интеллекта были достигнуты – если рассматривать наиболее удавшиеся работы – очень хорошие результаты. Мы говорим об оценке недвижимости без осмотра оцениваемого объекта.

Переход к использованию таких алгоритмов – а с точки зрения разработки они достаточно просты – поставил бы под угрозу рабочие места многих оценщиков недвижимости в Эстонии.

Среди получателей миллионных и более призов было также прогнозирование степени опасности пассажиров, въезжающих в США, которое также дало очень хорошие результаты. Однако медицина, бесспорно, доминировала в Kaggle с несколькими крупными призами, из которых миллионный вручили команде специалистов по анализу данных, которая лучше всего диагностировала рак легких (прогноз на этот раз был не таким удачным), и полмиллиона – тем, кто спрогнозировал общую заболеваемость здоровых людей (и эта попытка была не такой удачной). Если приведенные здесь два конкурса с крупными призами производят впечатление,  как будто бы машинное обучение в медицине не слишком результативно, то это впечатление ложное.

Потребности предприятий

Эстонские предприятия практичны и желают внедрять оправдавшее себя машинное обучение и решения статистического анализа. Таковы, например, системы рекомендаций, т.е. рекомендации новых изделий клиентам, исходя из их предыдущих покупок и из истории других клиентов, совершавших похожие покупки, а в сфере финансов – алгоритмы оценки рисков.

Весьма распространенные и очень востребованные приложения машинного обучения сосредоточены на понимании фотографий. Примером может служить не только привычное для нас обнаружение местонахождения автомобиля на стоянках больших торговых центров, но и многочисленные государственные услуги, в том числе и те, о которых много не говорят. Знаете ли вы, что государственные власти уже много лет знают, когда вы выезжаете за границу и возвращаетесь на родину? Даже тогда, когда вы едете в страну, с которой никакой границы как будто бы и нет? Правда, рядом с бывшей государственной границей имеются столбы, а на них камеры, которые записывают номера всех проезжающих машин.

Практические приложения

Как уже было сказано, на втором место после медицины в Kaggle стоят прогнозы в сфере экономики и финансов. Крупные призы предлагались за алгоритмы автоматической оценки недвижимости, а также за прогнозирование финансовых результатов и поведения ценных бумаг. Заказывали также прогнозирование кредитных рисков выдаваемого кредитополучателям кредита. Результаты были как хорошими и средними, так и скорее плохими.

Когда я сказал, что с оценкой недвижимости интеллектуальный робот справился великолепно,  то это касалось только рынков западного мира. Так, при прогнозировании цен на недвижимость в США был достигнут нулевой коэффициент ошибок. А вот на конкурсе по прогнозированию цены на недвижимость в России, организованном Сбербанком, коэффициент ошибок достигал в лучшем случае 0,3. Так что в России рабочему месту оценщика недвижимости пока не угрожает ни один Кратт.

 

В случае финансового сектора всеохватывающих данных по Эстонии я представить не могу, за исключением публичного сектора, где ситуация картирована министерством экономики и коммуникаций и принята так наз. программа Кратта по разработке решений искусственного интеллекта. Для многих других стран обзоры имеются также в отношении частного сектора.

В Великобритании, по последним данным, решения машинного обучения используют почти две трети предприятий банковского сектора, половина предприятий, оказывающих инвестиционные услуги, и предприятий, предлагающих поддержку финансовых услуг, четверть кредитодателей небанковского сектора и абсолютно все опрошенные страховые предприятия.

Из того же исследования выяснилось, что наиболее популярным местом приложения машинного обучения было прогнозирование рисков и управление ими, на втором месте оказались обслуживание клиентов и интеллектуальное предложение услуг.

Радость не только для богатых

Если создается впечатление, как будто бы Краттов с машинным обучением могут позволить себе только богатые ресурсами представители финансового сектора, то это уже далеко не так. Благодаря прорывам, как в самой технологии, так и в расчетной мощности (облака!), нагрузка по внедрению технологии сократилась, а в соответствии с этим сократились и расходы.

Все предприятия с историей экономической деятельности (например, с базой клиентов) могут и должны применять машинное обучение. Хотя бы для хранения все той же базы данных клиентов. Прогнозирование ухода клиентов до того, как они уйдут, — удержание их от ухода с помощью различных подходящих стимулов. Установление должников, также еще до того, как они задолжают, — ограничение их потребления. Все это сегодня просто, нужны только данные.

Такие же выводы явствуют и из вышеупомянутой исследовательской работы: предприятия нашли, что наибольшие выгоды машинного обучения состоят в предложении клиентам персонализированных изделий. Машинное обучение нашло поддержку при обеспечении эффективности затрат и давно получило широкое распространение как технология управления рисками (случаи мошенничества, отмывание денег, нормативное соответствие).

Искусственный интеллект и спутниковый мониторинг помогают повысить урожай на Кубани — Экономика и бизнес

КРАСНОДАР, 16 февраля. /ТАСС/. Расчет внесения удобрений, спутниковый мониторинг виноградников, беспилотники для опрыскивания полей — аграрный комплекс Краснодарского края широко внедряет цифровые технологии для снижения расходов и увеличения урожая. Внедрение систем «умного земледелия» помогает аграриям повысить качество получаемого продукта, отмечают ученые и аграрии.

Краснодарский край является основным сельскохозяйственным регионом РФ, производит около половины всех фруктов и ягод страны.

Цифровой контроль

Одним из трендов систем точного земледелия является мониторинг посевов при помощи аэро- или спутниковой фотосъемки, говорят эксперты. Такие системы уже применяют к примеру, на одном из старейших в России заводов игристых вин в Абрау-Дюрсо.

«В прошлом году нами было произведена аэрофотосъемка виноградников и оцифровка полученных геоданных. Специалисты при помощи беспилотных летательных аппаратов с фотокамерами высокого разрешения произвели съемку и оцифровку, наложив на кадастровые карты данные вплоть до точных координат рядов. Была оцифрована схема посадки виноградников, посчитан каждый куст, каждый шпалерный столб», — рассказал руководитель виноградарского подразделения Группы компаний «Абрау-Дюрсо» Андрей Ермаков.

Он добавил, что, помимо аэросъемки, на винодельне работают программы, которые позволяют систематизировать все имеющиеся данные о виноградниках: статистические данные об урожаях за последние десять лет, обработке винограда на разных участках, использованных удобрениях. Система позволяет проанализировать урожайность и качество винограда, отметил Ермаков. Также в зависимости от урожая прошлого сезона разрабатывается оптимальная стратегия работы на следующий год.

«Говорить о снижении расходов на гектар пока не приходится. Все возможности по оптимизации себестоимости, которые нам дает программное обеспечение, перекрываются повышением стоимости на все составляющие механизированных и уходовых работ: растут цены на удобрения, на металл для шпалер, ГСМ и запчасти для техники. Поэтому мы скорее используем такой подход для повышения качества нашего винограда, а в результате и конечного продукта — вина», — добавил Ермаков.

В пресс-службе крупного винного холдинга «Ариант» рассказали, что цифровизация позволяет снизить количество ошибок, связанных с человеческим фактором, составить точные долгосрочные прогнозы развития производства. В агрофирме «Южная», которая входит в группу компаний, уже оцифровали виноградники, а с 2018 года сельхозтехника, автомобили, топливораздаточные колонки оборудованы датчиками уровня топлива, считывателями и приборами спутникового мониторинга. Аналогичная система мониторинга автомобилей и тракторов используется и в автопарке «Фанагории».

«В программе мы видим, на каком поле, с какой скоростью, какое время работал трактор, информация является важной для оценки качества и объема выполняемой работы. Например, идет опрыскивание виноградников, в программе установлено ограничение скорости 10 км (за систематическое нарушение скоростного режима лишают премии), при превышении скорости на смартфон приходит уведомление, и ответственный специалист, позвонив трактористу, предупредит его об этом», — объяснил главный инженер ООО «Фанагория-Агро» Михаил Остапенко, добавив, что также в топливные баки установлены датчики уровня топлива. После установки датчиков был сделан анализ по датчику уровня топлива, который показал, что разница составляла 5-8% в сторону экономии в зависимости от вида работ.

Интеллектуальный сев

Аграрии Краснодарского края в последние годы активно внедряют элементы точного земледелия, говорят в пресс-службе министерства сельского хозяйства региона. Технологии, позволяющие оптимизировать и автоматизировать некоторые процессы, тем самым снизив расходы, уже используют около 200 хозяйств на площади почти 1 млн га.

«Агромониторинг дал возможность контролировать использование земельного банка по назначению, увеличить эффективность его использования, использовать цифровые карты в режиме online в любой точке поля вне зависимости от качества покрытия сети Интернет и конфигурировать различные отчеты», — рассказал ТАСС начальник отдела мониторинга и точного земледелия крупнейшего на юге страны агрохолдинга «Агрокомплекс им. Н. И. Ткачева» Валерий Данилов. Данилов добавил, что компания планирует расширить перечень систем точного земледелия, используемых на предприятии.

Как отметил технический директор агрообъединения «Галан» Владимир Зурин, внедрение спутникового мониторинга техники, установление датчиков для мониторинга почвы и внесения удобрений, системы интеллектуального сева и опрыскивания позволили добиться равномерной всхожести на полях.

Дроны для расчета урожайности

В России элементы точного или умного земледелия внедрены почти в трех тысячах сельскохозяйственных предприятий, больше всего — в регионах Южного федерального округа, сообщил руководитель Центра прогнозирования и мониторинга научно-технологического развития АПК: технологии точного сельского хозяйства Кубанского государственного аграрного университета Евгений Труфляк. В этом центре занимаются исследованием систем точного земледелия, а также разработкой новых продуктов для оптимизации процессов. Ученые называют перспективной технологию, при которой для мониторинга состояния посевов и необходимого для внесения в почву количества удобрения используются беспилотники. Это особенно актуально для хозяйств, занимающихся выращиванием риса.

«Беспилотники взлетают над полями, например, во время всходов пшеницы, делают фотографии полей, потом эти фотографии мы объединяем в массив, получаем план, дальше этот фотоплан может использоваться для визуального осмотра, чтобы посмотреть реальное состояние поля», — объяснил заместитель руководителя центра Николай Курченко.

Также специальная программа вычисляет площадь пораженных грызунами участков. По словам Курченко, после получения высокоточных фотографий полей с беспилотника компьютер создает математическую модель на основе цвета посевов. Это позволяет высчитать прогноз по урожайности. В 2020 году ученые провели серию экспериментов, где изучали возможность применения данной разработки, и прогнозы практически полностью совпали с фактической урожайностью.

«Мы сейчас ведем переговоры с рядом хозяйств, чтобы продолжить работу. Плюс в этом году очень интересно провести работы по опрыскиванию полей с дрона, здесь мы как раз говорим и про режим работы беспилотника, с какой высоты он опрыскивание должен проводить, с какой скоростью», — добавил Курченко.

Кроме того, кубанские ученые ведут разработку систем умного земледелия на основе big data, которые высчитывают оптимальные значения химических веществ, необходимых для конкретного грунта и его состояния. «На сегодняшний день мы проанализировали более 10 тыс. результатов агрохимических опытов по территории России по 15 культурам. И исходя из этого у нас уже формируются методики, которые мы оцифровываем», — рассказал ТАСС основатель стартапа «Магротек» из Краснодара Вячеслав Холодченко.

Искусственный интеллект и реальный мир

Майя Гупта, специалист Google по вопросам машинного обучения, тоже работает над совершенствованием ИИ, хотя и в другом аспекте. Во времена работы в Стэнфордском университете она разрабатывала для норвежской компании инструменты, позволяющие находить трещины в подводных газопроводах. «Инспектировать конструкции в морских глубинах непросто, поэтому нам приходилось делать выводы на основе неполной информации», – объясняет Майя. Полученный опыт помогает ей обучать компьютеры принимать решения в условиях недостатка данных. Если вы слушаете на YouTube композицию Truth в исполнении Камаси Вашингтона, а затем ее органично сменяет Turiya and Ramakrishna Элис Колтрейн, скажите спасибо Майе. Именно ее команда создала систему, которая подбирает для вас подходящую музыку. «Можно назвать это предсказанием, – говорит Майя. – Система пытается угадать нужное решение, опираясь на ограниченный объем данных».

Сегодня Майя Гупта возглавляет в Google коллектив исследователей, который, помимо прочего, занимается повышением точности машинного обучения. Майя приводит пример проблемы, с которой ей приходилось сталкиваться. «Предположим, нам нужно с одинаковой точностью различать бостонский и техасский говор. И у нас есть система распознавания речи, которая чуть лучше справляется с произношением техасцев. Нужно ли ущемлять техасцев, ухудшая распознавание так, чтобы оно выполнялось с такой же точностью, как для уроженцев Бостона? А вдруг выяснится, что понимать бостонский говор в принципе технически сложнее?»

Майя Гупта и ее команда также разрабатывают системы, которые будут несравнимо более объективными, чем их создатели из плоти и крови. Благодаря компьютерам удастся избежать влияния предубеждений и подсознательных процессов, присущих человеческому мышлению, или, по крайней мере, такие проявления будет проще обнаружить. Компьютеры всегда сосредоточены, они не устают, не раздражаются и их не отвлекает голод. В частности, исследованиями доказано, что американские судьи менее склонны выносить решение об условно-досрочном освобождении, если дело рассматривается перед обедом. Природа заставляет их думать о еде, а не о снисхождении. «Нелегко узнать, что на самом деле думают люди, – объясняет Майя. – Мы хотим, чтобы наши машинно-обучаемые системы были предсказуемыми, и надо признать, что многие из них уже более предсказуемы по сравнению с людьми».

Теорий интеллекта в психологии

Хотя интеллект — один из самых обсуждаемых предметов в психологии, стандартного определения того, что именно составляет интеллект, не существует. Некоторые исследователи предположили, что интеллект — это единственная общая способность. Другие считают, что интеллект включает в себя целый ряд способностей, навыков и талантов.

Веривелл / JR Bee

Что такое интеллект?

Разведка была спорной темой на протяжении всей истории психологии.Несмотря на значительный интерес к этому предмету, до сих пор существуют значительные разногласия по поводу того, какие компоненты составляют интеллект. Помимо вопросов о том, как точно определить интеллект, сегодня продолжаются дебаты о том, возможны ли вообще точные измерения.

В разные моменты новейшей истории исследователи предлагали несколько различных определений интеллекта. Хотя эти определения могут значительно отличаться от одного теоретика к другому, современные концептуальные представления склонны предполагать, что интеллект — это способность:

  • Учитесь на опыте : Приобретение, сохранение и использование знаний является важным компонентом интеллекта.
  • Распознавать проблемы : Чтобы применить знания на практике, люди должны уметь определять возможные проблемы в окружающей среде, которые необходимо решать.
  • Решайте проблемы : Тогда люди должны уметь использовать то, чему они научились, чтобы придумать полезное решение проблемы, которую они заметили в окружающем мире.

Интеллект включает в себя несколько различных умственных способностей, включая логику, рассуждение, решение проблем и планирование.Хотя тема интеллекта является одной из крупнейших и наиболее изученных, она также является одной из тем, вызывающих самые большие споры.

Хотя психологи часто расходятся во мнениях относительно определения интеллекта и его причин, исследования интеллекта играют важную роль во многих областях. Эти области включают решения о том, сколько средств следует выделить на образовательные программы, использование тестирования для отбора кандидатов на работу и использование тестирования для выявления детей, которым требуется дополнительная академическая помощь.

Краткая история разведки

Термин «коэффициент интеллекта» или IQ был впервые введен в употребление в начале 20 века немецким психологом Уильямом Стерном. Психолог Альфред Бине разработал самые первые тесты интеллекта, чтобы помочь французскому правительству выявить школьников, которым требовалась дополнительная академическая помощь. Бине был первым, кто ввел понятие умственного возраста или набора способностей, которыми обладают дети определенного возраста.

С тех пор тестирование интеллекта стало широко используемым инструментом, который привел к разработке многих других тестов на умения и способности.Тем не менее, это продолжает вызывать споры и споры по поводу использования такого тестирования, культурных предубеждений, которые могут быть связаны, влияния на интеллект и даже самого способа определения интеллекта.

Теории интеллекта

Различные исследователи предложили множество теорий для объяснения природы интеллекта. Вот некоторые из основных теорий интеллекта, появившихся за последние 100 лет.

Общая разведка

Британский психолог Чарльз Спирмен (1863–1945) описал концепцию, которую он назвал общим интеллектом или фактором g . После использования методики, известной как факторный анализ, для проверки некоторых тестов на умственные способности, Спирмен пришел к выводу, что результаты этих тестов были очень похожими.

Люди, которые хорошо справились с одним когнитивным тестом, как правило, хорошо справлялись с другими тестами, в то время как те, кто показал плохие результаты по одному тесту, как правило, плохо получали другие. Он пришел к выводу, что интеллект — это общая когнитивная способность, которую можно измерить и выразить численно.

Основные умственные способности

Психолог Луи Л.Терстон (1887–1955) предложил иную теорию интеллекта. Вместо того чтобы рассматривать интеллект как единую общую способность, теория Терстона сосредоточилась на семи различных основных умственных способностях.

  • Ассоциативная память : Способность запоминать и вспоминать
  • Числовые способности : Способность решать арифметические задачи
  • Скорость восприятия : Способность видеть различия и сходства между объектами
  • Рассуждения : Способность найти правила
  • Пространственная визуализация : способность визуализировать отношения
  • словесное восприятие : способность определять и понимать слова
  • беглость слов : способность быстро произносить слова

Теория множественного интеллекта

Одна из недавних идей — теория множественного интеллекта Ховарда Гарднера. Гарднер предположил, что традиционное представление об интеллекте, основанное на тестировании IQ, не полностью и точно отражает способности человека. Его теория предлагала восемь разных типов интеллекта, основанных на навыках и способностях, которые ценятся в разных культурах:

  • Телесно-кинестетический интеллект : Способность контролировать движения своего тела и умело обращаться с объектами
  • Межличностный интеллект : Способность обнаруживать и соответствующим образом реагировать на настроения, мотивации и желания других
  • Внутриличностный интеллект : Способность осознавать себя и соответствовать внутренним чувствам, ценностям, убеждениям и процессам мышления
  • Логико-математический интеллект : Способность мыслить концептуально и абстрактно и способность различать логические или числовые модели
  • Музыкальный интеллект : Способность воспроизводить и оценивать ритм, высоту и тембр
  • Натуралистический интеллект : Способность распознавать и классифицировать животных, растения и другие объекты в природе
  • Вербально-лингвистический интеллект : Хорошо -развитые словесные навыки и чувствительность к звукам, значениям, и ритмы слов
  • Визуально-пространственный интеллект : Способность мыслить образами и картинками, точно и абстрактно визуализировать

Триархическая теория интеллекта

Психолог Роберт Штернберг определил интеллект как «умственную деятельность, направленную на целенаправленную адаптацию, выбор и формирование реальной среды, имеющей отношение к жизни человека. »

Согласившись с Гарднером, что интеллект намного шире, чем отдельная общая способность, он предположил, что некоторые типы интеллекта Гарднера лучше рассматривать как индивидуальные таланты. Штернберг предложил то, что он назвал «успешным интеллектом», который включает три различных фактора:

  • Аналитический интеллект : Ваша способность оценивать информацию и решать проблемы
  • Творческий интеллект : Ваша способность придумывать новые идеи
  • Практический интеллект : Ваша способность адаптироваться к изменяющейся среде

Вопросы о тестировании интеллекта

Чтобы получить более глубокое понимание интеллекта и тестов, разработанных для измерения этой концепции, важно понимать историю тестирования интеллекта, проведенных исследований и полученных результатов.

Основные вопросы об интеллекте и тестировании IQ по-прежнему включают:

  • Пристрастны ли тесты интеллекта?
  • Является ли интеллект единственной способностью или он включает в себя набор нескольких навыков и способностей?
  • Разумный интеллект передается по наследству или окружающая среда играет большую роль?
  • Что и предсказывают оценки интеллекта?

Чтобы изучить эти вопросы, психологи провели большое количество исследований природы, влияний и эффектов интеллекта. Взаимодействие с другими людьми

Слово от Verywell

Хотя по поводу точной природы интеллекта ведутся серьезные споры, окончательной концептуализации не возникло. Сегодня психологи часто принимают во внимание множество теоретических точек зрения при обсуждении интеллекта и признают, что этот спор продолжается.

Социальный интеллект и биология лидерства

В 1998 году один из нас, Дэниел Гоулман, опубликовал на этих страницах свою первую статью об эмоциональном интеллекте и лидерстве.Ответ на вопрос «Что делает лидером?» был полон энтузиазма. Люди в деловом сообществе и за его пределами начали говорить о жизненно важной роли, которую сочувствие и самопознание играют в эффективном лидерстве. Концепция эмоционального интеллекта продолжает занимать видное место в литературе по лидерству и в повседневной практике коучинга. Но за последние пять лет исследования в развивающейся области социальной нейробиологии — изучение того, что происходит в мозгу во время взаимодействия людей — начинают открывать новые тонкие истины о том, что делает хорошего лидера.

Важное открытие состоит в том, что некоторые действия лидеров — в частности, проявляют сочувствие и приспосабливаются к настроениям других — буквально влияют как на химию их собственного мозга, так и на химию их последователей. Действительно, исследователи обнаружили, что динамика лидер-последователь не является случаем, когда два (или более) независимых мозга сознательно или бессознательно реагируют друг на друга. Скорее, отдельные умы в некотором смысле сливаются в единую систему. Мы считаем, что великие лидеры — это те, чье поведение сильно зависит от системы взаимосвязанности мозга.Мы помещаем их на противоположный конец нейронного континуума от людей с серьезными социальными расстройствами, такими как аутизм или синдром Аспергера, которые характеризуются недоразвитием областей мозга, связанных с социальным взаимодействием. Если мы правы, из этого следует, что действенный способ стать лучшим лидером — это найти подлинные контексты, в которых можно изучить те виды социального поведения, которые укрепляют социальные сети мозга. Другими словами, эффективное лидерство — это не столько умение справляться с ситуациями или даже овладение набором социальных навыков, сколько развитие искреннего интереса и таланта к воспитанию положительных чувств у людей, сотрудничество и поддержка которых вам необходимы.

Представление о том, что эффективное лидерство заключается в наличии мощных социальных цепей в мозгу, побудило нас расширить нашу концепцию эмоционального интеллекта, которую мы основали на теориях индивидуальной психологии. Более основанная на отношениях конструкция для оценки лидерства — это социальный интеллект , который мы определяем как набор межличностных компетенций, построенных на определенных нейронных цепях (и связанных эндокринных системах), которые вдохновляют других на эффективность.

Идея о том, что лидерам нужны социальные навыки, конечно, не нова.В 1920 году психолог из Колумбийского университета Эдвард Торндайк указал, что «лучший механик на заводе может потерпеть неудачу в качестве мастера из-за отсутствия социального интеллекта». Совсем недавно наш коллега Клаудио Фернандес-Араос обнаружил в ходе анализа новых руководителей высшего звена, что те, кого нанимали за самодисциплину, драйв и интеллект, иногда впоследствии увольняли из-за отсутствия базовых социальных навыков. Другими словами, люди, которых изучал Фернандес-Араос, обладали огромным умом, но их неспособность к социальному взаимодействию на работе была профессионально обреченной на провал.

Новым в нашем определении социального интеллекта является его биологическая подоплека, которую мы рассмотрим на следующих страницах. Основываясь на работе нейробиологов, наших собственных исследованиях и консультационных усилиях, а также на выводах исследователей, связанных с Консорциумом по исследованиям эмоционального интеллекта в организациях, мы покажем вам, как преобразовать недавно приобретенные знания о зеркальных нейронах, веретенообразных клетках и осцилляторах. в практическое, социально разумное поведение, которое может укрепить нейронные связи между вами и вашими последователями.

последователя отражают своих лидеров — буквально

Пожалуй, самым ошеломляющим недавним открытием в поведенческой нейробиологии является идентификация зеркальных нейронов в широко разбросанных областях мозга. Итальянские нейробиологи обнаружили их случайно, наблюдая за конкретной клеткой в ​​мозгу обезьяны, которая срабатывала только тогда, когда обезьяна поднимала руку. Однажды лаборант поднес к своему рту рожок мороженого и вызвал реакцию в клетке обезьяны. Это было первое свидетельство того, что мозг изобилует нейронами, которые имитируют или отражают то, что делает другое существо.Этот ранее неизвестный класс клеток мозга работает как нейронная сеть Wi-Fi, позволяя нам ориентироваться в нашем социальном мире. Когда мы сознательно или бессознательно обнаруживаем чужие эмоции через их действия, наши зеркальные нейроны воспроизводят эти эмоции. Вместе эти нейроны мгновенно создают ощущение общего опыта.

Зеркальные нейроны имеют особое значение в организациях, потому что эмоции и действия лидеров побуждают последователей отражать эти чувства и поступки. Эффекты активации нейронных схем в мозгу последователей могут быть очень мощными.В недавнем исследовании наша коллега Мари Дасборо наблюдала две группы: одна получила отрицательные отзывы о производительности, сопровождаемые положительными эмоциональными сигналами, а именно кивками и улыбками; другой получил положительный отзыв, который был поставлен критически, с хмурыми глазами и прищуренными глазами. В последующих интервью, проведенных для сравнения эмоционального состояния двух групп, люди, получившие положительную обратную связь, сопровождаемую отрицательными эмоциональными сигналами, сообщили, что чувствовали себя хуже по поводу своей работы, чем участники, получившие добродушную отрицательную обратную связь.По сути, доставка была важнее самого сообщения. И все знают, что когда люди чувствуют себя лучше, они лучше работают. Итак, если лидеры надеются извлечь максимум из своих сотрудников, они должны продолжать быть требовательными, но таким образом, чтобы в их командах создавалось позитивное настроение. Один только старый подход кнута и пряника не имеет нейронного смысла; традиционных систем стимулирования просто недостаточно, чтобы добиться от последователей максимальной эффективности.

Вот пример того, что работает.Оказывается, существует подмножество зеркальных нейронов, единственная задача которых — обнаруживать улыбки и смех других людей, вызывая в ответ улыбки и смех. Самоконтролируемый и лишенный чувства юмора босс редко задействует эти нейроны членов своей команды, но босс, который смеется и задает спокойный тон, заставляет эти нейроны работать, вызывая спонтанный смех и сплачивая свою команду в процессе. Как показал в своем исследовании наш коллега Фабио Сала, связанная группа — это та группа, которая работает хорошо.Он обнаружил, что лидеры с высокими показателями вызывают смех у подчиненных в среднем в три раза чаще, чем лидеры со средними показателями. Другое исследование показало, что хорошее настроение помогает людям эффективно воспринимать информацию и быстро и творчески реагировать. Другими словами, смех — серьезное дело.

В одной университетской больнице в Бостоне это, безусловно, имело значение. Два врача, которых мы назовем доктором Берк и доктором Гумбольдтом, боролись за пост генерального директора корпорации, которая управляла этой и другими больницами.Оба они возглавляли отделения, были превосходными врачами и опубликовали множество широко цитируемых научных статей в престижных медицинских журналах. Но у них были очень разные личности. Берк был напряженным, сосредоточенным на задаче и безличным. Он был безжалостным перфекционистом с воинственным тоном, который постоянно держал его сотрудников в напряжении. Гумбольдт был не менее требователен, но он был очень доступным, даже игривым, в отношениях с персоналом, коллегами и пациентами. Наблюдатели отметили, что люди улыбаются и дразнят друг друга — и даже высказывают свое мнение — больше в отделе Гумбольдта, чем в отделе Берка.Ценные таланты часто заканчивались уходом из отдела Берка; напротив, выдающиеся люди тяготели к более теплому рабочему климату Гумбольдта. Признавая социально-интеллектуальный стиль руководства Гумбольдта, правление больничной корпорации выбрало его новым генеральным директором.

«Точно настроенный» лидер

Великие руководители часто говорят о том, что нужно руководить интуицией. Действительно, наличие хороших инстинктов широко признано преимуществом для лидера в любом контексте, будь то чтение настроения в своей организации или ведение деликатных переговоров с конкурентами.Исследователи лидерства характеризуют этот талант как способность распознавать закономерности, обычно возникающие из обширного опыта. Их совет: доверяйте своей интуиции, но принимайте решения как следует. Конечно, это разумная практика, но у менеджеров не всегда есть время посоветоваться с десятками людей.

Результаты нейробиологии предполагают, что этот подход, вероятно, слишком осторожен. Интуиция тоже находится в мозге, частично вырабатываемой классом нейронов, называемых веретенообразными клетками , из-за их формы.У них размер тела примерно в четыре раза больше, чем у других клеток мозга, с очень длинной ветвью, которая облегчает прикрепление к другим клеткам и более быструю передачу им мыслей и чувств. Это сверхбыстрое соединение эмоций, убеждений и суждений создает то, что ученые-бихевиористы называют нашей системой социального руководства. Клетки веретена запускают нейронные сети, которые вступают в игру всякий раз, когда нам нужно выбрать лучший ответ из множества — даже для такой рутинной задачи, как определение приоритетности списка дел. Эти ячейки также помогают нам определить, заслуживает ли кто-то доверия и подходит (или не подходит) для работы.В течение одной двадцатой секунды наши веретенообразные клетки вырабатывают информацию о том, как мы относимся к этому человеку; такие «тонкие» суждения могут быть очень точными, как показывают последующие показатели. Следовательно, лидеры не должны бояться действовать в соответствии с этими суждениями при условии, что они также настроены на настроения других.

Такая настройка буквально физическая. Последователи эффективного лидера испытывают с ней взаимопонимание — или то, что мы и наша коллега Энни МакКи называем «резонансом». Большая часть этого чувства возникает бессознательно, благодаря зеркальным нейронам и веретено-клеточной схеме.Но задействован и другой класс нейронов: осцилляторы , координируют людей физически, регулируя, как и когда их тела движутся вместе. Вы можете увидеть осцилляторы в действии, когда смотрите на людей, собирающихся поцеловаться; их движения выглядят как танец, одно тело плавно реагирует на другое. Такая же динамика возникает, когда два виолончелиста играют вместе. Мало того, что они берут свои ноты в унисон, но и благодаря осцилляторам, правые полушарии двух музыкантов скоординированы более тесно, чем левая и правая части их мозга.

Разжигание социальных нейронов

Активизация социальных нейронов очевидна повсюду вокруг нас. Однажды мы проанализировали видео, на котором Херб Келлехер, соучредитель и бывший генеральный директор Southwest Airlines, прогуливается по коридорам Лав Филд в Далласе, узловом аэропорту авиакомпании. Мы практически могли видеть, как он активировал зеркальные нейроны, осцилляторы и другие социальные схемы в каждом человеке, с которым он встречался. Он широко улыбался, здоровался с покупателями за руки, рассказывая им, насколько он ценит их бизнес, обнимал сотрудников и благодарил их за хорошую работу.И он получил ровно то, что дал. Типичной была стюардесса, лицо которой загорелось, когда она неожиданно встретила своего босса. «О, моя дорогая!» — выпалила она, переполнившись теплом, и крепко обняла его. Позже она объяснила: «Все просто чувствуют себя с ним как семья».

К сожалению, нелегко превратить себя в Херба Келлехера или доктора Гумбольдта, если вы им еще не являетесь. Мы не знаем четких методов усиления зеркальных нейронов, веретенообразных клеток и осцилляторов; они активируются тысячами в секунду во время любого столкновения, и их точные схемы стрельбы остаются неуловимыми.Более того, застенчивые попытки продемонстрировать социальный интеллект часто могут иметь неприятные последствия. Когда вы намеренно пытаетесь координировать движения с другим человеком, срабатывают не только осцилляторы. В таких ситуациях мозг использует другие, менее искусные схемы, чтобы инициировать и направлять движения; в результате взаимодействие кажется вынужденным.

Путь к развитию вашей социальной сети — это усердно работать над изменением своего поведения.

Единственный способ эффективно развить свою социальную схему — это предпринять тяжелую работу по изменению своего поведения (см. «Первобытное лидерство: скрытый фактор высокой производительности», нашу статью HBR с Энни Макки в декабре 2001 года).Компаниям, заинтересованным в развитии лидерства, необходимо начать с оценки готовности людей участвовать в программе изменений. Энергичные кандидаты должны сначала выработать личное видение перемен, а затем пройти тщательную диагностическую оценку, похожую на медицинское обследование, чтобы определить слабые и сильные стороны общества. Вооружившись обратной связью, стремящийся лидер может пройти обучение в конкретных областях, где развитие социальных навыков принесет наибольшую пользу. Тренинг может варьироваться от репетиций лучших способов взаимодействия и опробования их при каждой возможности, до того, как тренер отслеживает, а затем расспрашивает о том, что он наблюдает, до обучения непосредственно на примере для подражания.Вариантов много, но путь к успеху всегда труден.

Как стать умнее в социальном плане

Чтобы понять, что включает в себя обучение социальному интеллекту, рассмотрим случай с одним из руководителей высшего звена, которого мы назовем Дженис. Она была нанята в качестве менеджера по маркетингу в компанию из списка Fortune 500 из-за ее опыта в бизнесе, выдающегося опыта работы в качестве стратегического мыслителя и планировщика, репутации откровенного говорящего и способности предвидеть бизнес-проблемы, которые имели решающее значение для достижения целей.Однако в течение первых шести месяцев работы Дженис запуталась; другие руководители считали ее агрессивной и самоуверенной, лишенной политической проницательности и пренебрежительной к тому, что она говорила и кому, особенно к руководству.

Чтобы спасти этого многообещающего лидера, начальник Дженис вызвал Кэтлин Кавалло, организационного психолога и старшего консультанта Hay Group, которая немедленно провела всестороннюю оценку Дженис. Ее непосредственные подчиненные, коллеги и менеджеры дали Дженис низкие оценки за сочувствие, ориентацию на услуги, приспособляемость и управление конфликтами.Кавалло узнал больше из конфиденциальных бесед с людьми, наиболее тесно сотрудничавшими с Дженис. Их жалобы касались ее неспособности установить взаимопонимание с людьми или даже заметить их реакцию. Итог: Дженис не умела ни читать социальные нормы группы, ни распознавать эмоциональные сигналы людей, когда она нарушала эти нормы. Еще более опасно то, что Дженис не осознавала, что ведет слишком прямолинейный рост. Когда у нее были серьезные разногласия с менеджером, она не знала, когда отступать.Ее подход «давай выложим все на стол и перемешай» ставил под угрозу ее работу; высшее руководство устало.

Когда Кавалло представила этот отзыв о производительности как тревожный сигнал для Дженис, она, конечно же, была потрясена, обнаружив, что ее работа может быть в опасности. Однако больше всего ее расстроило осознание того, что она не оказывает желаемого воздействия на других людей. Кавалло инициировал тренировки, на которых Дженис рассказывала о заметных успехах и неудачах своего времени.Чем больше времени Дженис тратила на анализ этих инцидентов, тем лучше она понимала разницу между убежденным выражением идеи и поведением питбуля. Она начала предвидеть, как люди могут отреагировать на нее на встрече или во время отрицательной оценки работы; она репетировала более хитрые способы изложения своего мнения; и она разработала личное видение перемен. Такая умственная подготовка активирует социальные сети мозга, укрепляя нейронные связи, необходимые для эффективных действий; Вот почему олимпийские спортсмены тратят сотни часов на мысленный анализ своих движений.

В какой-то момент Кавалло попросил Дженис назвать лидера в ее организации, у которого были отличные навыки социального интеллекта. Дженис определила старшего менеджера-ветерана, который мастерски владел искусством критики и умел выражать несогласие на встречах без ущерба для отношений. Она попросила его помочь ей обучить ее, и она перешла на работу, на которой могла работать с ним, — должность, которую она занимала два года. Дженис посчастливилось найти наставника, который считал, что часть работы лидера — развивать человеческий капитал.Многие начальники предпочли бы обойтись без проблемного сотрудника, чем помогать ему поправляться. Новый босс Дженис взял ее на себя, потому что он признал другие ее сильные стороны как бесценные, и его чутье подсказывало ему, что Дженис могла бы стать лучше с руководством.

Перед встречами наставник Дженис научил ее, как выражать свою точку зрения на спорные вопросы и как разговаривать с начальством, и он моделировал для нее искусство обратной связи. Наблюдая за ним изо дня в день, Дженис научилась подтверждать людей, даже когда она оспаривала их позиции или критиковала их работу.Проведение времени с живой, дышащей моделью эффективного поведения обеспечивает идеальную стимуляцию для наших зеркальных нейронов, что позволяет нам непосредственно переживать, усваивать и в конечном итоге подражать тому, что мы наблюдаем.

Преобразование Дженис было подлинным и всеобъемлющим. В каком-то смысле она шла одним человеком, а выходила другим. Если подумать, это важный урок нейробиологии: поскольку наше поведение создает и развивает нейронные сети, мы не обязательно являемся пленниками наших генов и опыта раннего детства.Лидеры могут измениться, если, как Дженис, будут готовы приложить усилия. По мере того, как она прогрессировала в своем обучении, социальное поведение, которому она училась, становилось для нее все больше и больше. С научной точки зрения, Дженис укрепляла свои социальные связи с помощью практики. И по мере того, как другие отвечали ей, их мозг более глубоко и эффективно соединялся с ее мозгом, тем самым укрепляя контуры Дженис в добродетельном кругу. Итог: Дженис прошла путь от увольнения до повышения на два уровня выше.

Эта статья также встречается в:

Через несколько лет некоторые сотрудники Дженис покинули компанию, потому что были недовольны, поэтому она попросила Кавалло вернуться. Кавалло обнаружил, что, хотя Дженис овладела способностью общаться и взаимодействовать с руководством и коллегами, она все же иногда пропускала реплики своих подчиненных, когда они пытались выразить свое разочарование. С дополнительной помощью Кавалло Дженис смогла изменить ситуацию, переориентировав свое внимание на эмоциональные потребности сотрудников и отрегулировав свой стиль общения.Опросы общественного мнения, проведенные с сотрудниками Дженис до и после второго раунда коучинга Кавалло, зафиксировали резкий рост их эмоциональной приверженности и намерения остаться в организации. Дженис и ее сотрудники также увеличили годовой объем продаж на 6%, а после еще одного успешного года она стала президентом многомиллиардного подразделения. Очевидно, что компании могут получить большую выгоду, направив людей на программу, которую завершила Дженис.

Жесткие показатели социального интеллекта

Наше исследование, проведенное за последнее десятилетие, подтвердило, что существует большой разрыв в производительности между социально разумными и социально неразумными лидерами.Например, в крупном национальном банке мы обнаружили, что уровни компетентности руководителя в области социального интеллекта позволяют прогнозировать ежегодную служебную аттестацию более убедительно, чем компетентность эмоционального интеллекта, связанная с самосознанием и самоуправлением. (Краткое объяснение нашего инструмента оценки, который фокусируется на семи измерениях, см. На выставке «Являетесь ли вы социально интеллектуальным лидером?»)

Социальный интеллект оказывается особенно важным в кризисных ситуациях. Рассмотрим опыт сотрудников крупной канадской провинциальной системы здравоохранения, которая пережила резкие сокращения и реорганизацию.Внутренние опросы показали, что передовые работники разочаровались в том, что они больше не могут оказывать своим пациентам должный уход. Примечательно, что работники, лидеры которых имели низкий уровень социального интеллекта, сообщали о неудовлетворенных потребностях в уходе за пациентами в три раза чаще, а об эмоциональном истощении в четыре раза чаще, чем их коллеги, которые поддерживали их лидерами. В то же время медсестры с руководителями с высоким уровнем социального интеллекта сообщали о хорошем эмоциональном здоровье и улучшенных способностях заботиться о своих пациентах даже во время стресса, связанного с увольнениями (см. Врезку «Химия стресса»).Эти результаты должны быть обязательными для чтения советами директоров компаний в кризисной ситуации. Такие советы обычно отдают предпочтение опыту над социальным интеллектом при выборе человека, который будет руководить учреждением в трудные времена. Кризисному менеджеру нужно и то, и другое.

• • •

По мере того, как мы исследуем открытия нейробиологии, мы поражаемся тому, насколько близко лучшие психологические теории развития соотносятся с недавно созданной схемой аппаратного обеспечения мозга. Еще в 1950-е годы, например, британский педиатр и психоаналитик Д.У. Винникотт пропагандировал игру как способ ускорить обучение детей. Точно так же британский врач и психоаналитик Джон Боулби подчеркнул важность обеспечения надежной базы, на которой люди могут стремиться к достижению целей, рисковать без необоснованного страха и свободно исследовать новые возможности. Жестокие руководители могут счесть абсурдно снисходительным и финансово несостоятельным заниматься такими теориями в мире, где мерилом успеха является чистая прибыль.Но по мере того, как новые способы научного измерения человеческого развития начинают подтверждать эти теории и напрямую связывать их с производительностью, так называемая мягкая сторона бизнеса в конце концов начинает казаться не такой уж мягкой.

Версия этой статьи появилась в выпуске Harvard Business Review за сентябрь 2008 г.

Интеллект | Noba

Каждый год сотни учеников начальной школы собираются в Вашингтоне, округ Колумбия, на ежегодную Национальную орфографическую пчелу Скриппса. «Пчела» — это элитное мероприятие, на котором дети в возрасте 8 лет объединяются, чтобы записать такие слова, как «cymotrichous» и «appoggiatura».«Большинство людей, наблюдающих за пчелой, думают, что эти дети« умные », и вы, вероятно, согласитесь с этим описанием.

Участник конкурса Scripps National Spelling Bee. [Изображение: Scripps National Spelling Bee, https://goo.gl/94Hgbm, CC BY-NC 2.0, https://goo.gl/VnKlK8]

Что делает человека умным? Это наследственность (у двух участников конкурса в 2014 году есть братья и сестры, которые ранее выиграли) (National Spelling Bee, 2014a)? Интересно ли это (наиболее часто упоминаемый любимый предмет среди конкурентов по правописанию — математика) (NSB, 2014b)? В этом модуле мы рассмотрим эти и другие увлекательные аспекты интеллекта.К концу модуля вы сможете определить интеллект и обсудить некоторые общие стратегии измерения интеллекта. Кроме того, мы займемся политически сложным вопросом о том, есть ли различия в интеллекте между такими группами, как мужчины и женщины.

Когда вы думаете об «умных людях», вы, вероятно, интуитивно ощущаете качества, которые делают их умными. Возможно, вы думаете, что у них хорошая память, или что они могут быстро думать, или что они просто знают много информации.Действительно, люди, демонстрирующие такие качества, кажутся очень умными. Тем не менее, похоже, что интеллект должен быть чем-то большим, чем просто знание фактов и способность их запоминать. Одним из аргументов в пользу этого аргумента является идея животного интеллекта. Для вас не станет сюрпризом, что собака, которая может обучаться командам и трюкам, кажется умнее змеи, которая не может. Фактически, исследователи и непрофессионалы в целом согласны друг с другом в том, что приматы — обезьяны и обезьяны (включая людей) — являются одними из самых умных животных.Такие обезьяны, как шимпанзе, способны решать сложные проблемы и изощренно общаться (Kohler, 1924).

Ученые указывают на социальную природу приматов как на один из эволюционных источников их интеллекта. Приматы живут вместе войсками или семейными группами и, следовательно, являются очень социальными существами. Таким образом, приматы, как правило, имеют мозг, который лучше развит для общения и долгосрочного мышления, чем у большинства других животных. Например, сложная социальная среда побудила приматов развить обман, альтруизм, численные концепции и «теорию разума» (ощущение себя как уникальной личности, отдельной от других в группе; Gallup, 1982; Hauser, MacNeilage & Посуда, 1996).[См. Также модуль Ноба «Теория разума» http://noba.to/a8wpytg3]

Вопрос о том, что составляет человеческий интеллект, является одним из старейших исследований психологии. Когда мы говорим об интеллекте, мы обычно имеем в виду интеллектуальные способности. Это в широком смысле включает в себя способность изучать, запоминать и использовать новую информацию, решать проблемы и адаптироваться к новым ситуациям. Один из первых исследователей интеллекта Чарльз Спирмен выдвинул идею о том, что интеллект — это одно, «общий фактор», иногда известный как просто «g.Он основал этот вывод на наблюдении, что люди, которые хорошо проявляют себя в одной интеллектуальной области, такой как вербальные способности, также имеют тенденцию хорошо проявлять себя в других областях, таких как логика и рассуждения (Spearman, 1904).

Современник Спирмена по имени Фрэнсис Гальтон — двоюродный брат Чарльза Дарвина — был одним из пионеров психологического измерения (Hunt, 2009). За три пенса Гальтон измерял бы различные физические характеристики, такие как сила захвата, а также некоторые психологические характеристики, такие как способность определять расстояние или различать цвета.Это пример одного из самых ранних систематических измерений индивидуальных способностей. Гальтон особенно интересовался интеллектом, который, по его мнению, передавался по наследству так же, как рост и цвет глаз. Он придумал несколько элементарных методов оценки верности своей гипотезы. Например, он тщательно проследил генеалогическое древо лучших студентов Кембриджа за предыдущие 40 лет. Хотя он обнаружил, что в определенных семьях непропорционально много лучших ученых, интеллектуальные достижения все же могут быть результатом экономического статуса, семейной культуры или других негенетических факторов.Гальтон также, возможно, был первым, кто популяризировал идею о том, что наследуемость психологических черт может быть изучена, глядя на однояйцевых и разнояйцевых близнецов. Хотя его методы были грубыми по современным стандартам, Гальтон определил интеллект как переменную, которую можно измерить (Hunt, 2009).

Пионер в исследованиях интеллекта Альфред Бине

Альфред Бине известен прежде всего как первопроходец в области измерения интеллектуальных способностей. Как и Гальтон, Бине был очарован индивидуальными различиями в интеллекте.Например, он завязал глаза шахматистам и увидел, что некоторые из них могут продолжать играть, используя только свою память, чтобы помнить о многих позициях фигур (Binet, 1894). Бине особенно интересовало развитие интеллекта, увлечение, которое побудило его внимательно наблюдать за детьми в классной комнате.

Вместе со своим коллегой Теодором Саймоном Бине создал тест на интеллектуальные способности детей. Они создали индивидуальные тестовые задания, за которые должны отвечать дети определенного возраста.Например, трехлетний ребенок должен уметь указывать на рот и глаза, девятилетний ребенок должен уметь называть месяцы года по порядку, а двенадцатилетний должен уметь назвать шестьдесят слов за три минуты. Их оценка стала первым «тестом на IQ».

Таблица 1: Примеры типов предметов, которые вы можете увидеть в тесте на интеллект.

«IQ» или «коэффициент интеллекта» — так называется результат теста Бине-Саймона. Оценка рассчитывается путем деления умственного возраста ребенка (балла по результатам теста) на его хронологический возраст, чтобы получить общий коэффициент.В наши дни фраза «IQ» не применима конкретно к тесту Бине-Саймона и обычно используется для обозначения интеллекта или результата любого теста интеллекта. В начале 1900-х годов тест Бине-Саймона был адаптирован профессором Стэнфорда по имени Льюис Терман для создания, пожалуй, самого известного теста интеллекта в мире — Стэнфорд-Бине (Terman, 1916). Основным преимуществом этого нового теста было то, что он был стандартизирован. На основе большой выборки детей Терман смог построить оценки в виде нормального распределения, имеющего форму «колоколообразной кривой» (см. Рис.1). Чтобы понять нормальное распределение, подумайте о росте людей. Большинство людей среднего роста, сравнительно меньше людей высокого или низкого роста и еще меньше людей очень высокого или очень низкого роста. Терман (1916) выставил оценки интеллекта точно таким же образом, что позволяет легко и надежно категоризировать и сравнивать людей.

Рис. 1: Кривая колокола — нормальное распределение IQ

Рассмотрение другого современного теста интеллекта — шкалы интеллекта взрослых Векслера (WAIS) — может дать ключ к определению самого интеллекта.Под влиянием нескольких критических замечаний в адрес теста Стэнфорда-Бине психолог Дэвид Векслер стремился создать более точный показатель интеллекта. Он критически относился к тому, как Стэнфорд-Бине так сильно полагался на словесные способности, а также с подозрением относился к использованию одного балла для захвата всего интеллекта. Чтобы решить эти проблемы, Векслер разработал тест, который проверял широкий спектр интеллектуальных способностей. Такое понимание интеллекта — что он состоит из совокупности определенных способностей — является заметным отклонением от концепции Спирмена об общем интеллекте.WAIS оценивает способность людей запоминать, вычислять, понимать язык, хорошо рассуждать и быстро обрабатывать информацию (Wechsler, 1955).

Интересным побочным продуктом измерения интеллекта на протяжении стольких лет является то, что мы можем отображать изменения во времени. Вам может показаться странным, что интеллект может меняться за десятилетия, но, похоже, это произошло в течение последних 80 лет, когда мы изучали эту тему. Вот как мы это знаем: тесты на IQ имеют средний балл 100. Когда новые волны людей просят пройти старые тесты, они, как правило, превосходят исходную выборку много лет назад, по которой тест был нормирован.Это усиление известно как «эффект Флинна» в честь Джеймса Флинна, исследователя, который первым его идентифицировал (Flynn, 1987). Для объяснения эффекта Флинна было выдвинуто несколько гипотез, включая лучшее питание (более здоровый мозг!), Большее знакомство с тестированием в целом и большее воздействие визуальных стимулов. Сегодня нет полного согласия среди исследователей-психологов относительно причин увеличения средних баллов по тестам интеллекта. Возможно, если вы выберете психологическую карьеру, вы откроете для себя ответ!

Подход Дэвида Векслера к тестированию интеллектуальных способностей был основан на фундаментальной идее о том, что, по сути, существует множество аспектов интеллекта.Другие ученые поддержали эту идею, даже предположив, что на самом деле существуют даже разные типы интеллекта. Вероятно, вы слышали различие между «уличным умом» и «книжным обучением». Первое относится к практической мудрости, накопленной в результате опыта, а второе указывает на формальное образование. Человек с высоким уровнем уличного ума может иметь превосходную способность ловить человека на лжи, убеждать других или быстро соображать под давлением. Напротив, человек с высоким уровнем книжного образования может иметь большой словарный запас и быть в состоянии запомнить большое количество ссылок на классические романы.Хотя психологи не используют уличные или книжные умения в качестве профессиональных терминов, они верят, что интеллект бывает разных типов.

Есть много способов разобрать понятие интеллекта. Многие ученые полагают, что обзор Кэрролла (1993) более 400 наборов данных является лучшим из существующих в настоящее время единым источником для систематизации различных концепций, связанных с интеллектом. Кэрролл разделил интеллект на три уровня, или страта, от самого абстрактного до самого конкретного (см.рис.2). Чтобы понять этот способ категоризации, просто подумайте о «машине». Автомобиль — это общее слово, обозначающее все типы моторизованных транспортных средств. На более конкретном уровне под «автомобилем» могут быть различные типы автомобилей, такие как седаны, спортивные автомобили, внедорожники, пикапы, универсалы и так далее. Более конкретными все же были бы определенные модели каждого, такие как Honda Civic или Ferrari Enzo. Таким же образом Кэрролл назвал высший уровень (слой III) общим фактором интеллекта «g». Под этим были более конкретные категории страты II, такие как подвижный интеллект, визуальное восприятие и скорость обработки.Каждый из них, в свою очередь, может быть подразделен на очень конкретные компоненты, такие как пространственное сканирование, время реакции и беглость слов.

Рассмотрение интеллекта, как это делает Кэрролл (1993), как совокупности определенных умственных способностей, помогло исследователям осмыслить эту тему по-новому. Например, Хорн и Кеттелл (1966) различают «текучий» и «кристаллизованный» интеллект, оба из которых обнаруживаются на уровне II модели Кэрролла. Плавный интеллект — это способность «думать на ходу»; то есть решать проблемы.С другой стороны, кристаллизованный интеллект — это способность использовать язык, навыки и опыт для решения проблем. Первое больше ассоциируется с молодостью, а второе увеличивается с возрастом. Возможно, вы заметили, как молодые люди могут адаптироваться к новым ситуациям и использовать метод проб и ошибок, чтобы быстро находить решения. Напротив, пожилые люди для решения проблем склонны полагаться на свои относительно высокие знания.

Рисунок 2: Модель интеллекта Кэролла

Профессор Гарварда Говард Гарднер — еще одна фигура в психологии, которая широко известна тем, что отстаивает идею о том, что существуют разные типы интеллекта.Теорию Гарднера уместно назвать «множественный интеллект». Теория Гарднера основана на идее, что люди обрабатывают информацию по разным «каналам», которые относительно независимы друг от друга. Он выделил 8 общих типов интеллекта, включая 1) логико-математический, 2) визуально-пространственный, 3) музыкальный ритм, 4) вербально-лингвистический, 5) телесно-кинестетический, 6) межличностный, 7) внутриличностный и 8) натуралистический ( Гарднер, 1985). Многих привлекает теория Гарднера, потому что она предполагает, что каждый учится по-своему.Сейчас в мире много школ, созданных под влиянием Гарднера.

Другой тип интеллекта — эмоциональный интеллект. В отличие от традиционных моделей интеллекта, которые подчеркивают познание (мышление), идея эмоционального интеллекта подчеркивает переживание и выражение эмоций. Некоторые исследователи утверждают, что эмоциональный интеллект — это набор навыков, с помощью которых человек может точно понимать эмоции других, определять и маркировать свои собственные эмоции и использовать эмоции.(Майер и Саловей, 1997). Другие исследователи считают, что эмоциональный интеллект — это смесь способностей, таких как управление стрессом, и личности, например, предрасположенности человека к определенным настроениям (Bar-On, 2006). Независимо от конкретного определения эмоционального интеллекта, исследования показали связь между этим понятием и производительностью труда (Lopes, Grewal, Kadis, Gall, & Salovey, 2006). Фактически, эмоциональный интеллект аналогичен более традиционным понятиям когнитивного интеллекта в отношении преимуществ на рабочем месте.Шмидт и Хантер (1998), например, проанализировали исследования интеллекта в контексте рабочего места и показали, что интеллект является единственным лучшим предиктором успешных программ профессионального обучения, обучения на рабочем месте. Они также сообщают, что общий интеллект умеренно коррелирует со всеми типами работ, но особенно с управленческими и сложными техническими работами.

Есть еще один важный момент, о котором важно помнить об интеллекте. Оказывается, то, как человек думает о своем собственном интеллекте, также важно, потому что оно предсказывает производительность.Исследователь Кэрол Двек сделала карьеру, изучая разницу между детьми с высоким IQ, которые успевают, и теми, кто этого не делает, так называемыми «отстающими». Среди ее наиболее интересных выводов было то, что не пол или социальный класс отличает высоко и низкоэффективных сотрудников. Напротив, это их образ мышления. Дети, которые считают, что их способности в целом — и их интеллект в частности — фиксированная черта, как правило, недостаточно эффективны. Напротив, дети, которые считают, что интеллект изменчив и развивается, как правило, лучше справляются с неудачами и работают лучше (Dweck, 1986).Двек называет это «мышлением человека», и установка на рост кажется более здоровым.

Исследование мышления интересно, но может возникнуть соблазн истолковать его как предположение о том, что каждый человек обладает неограниченным потенциалом интеллекта и что становление умнее — это только вопрос позитивного мышления. Есть некоторые свидетельства того, что генетика является важным фактором в уравнении интеллекта. Например, ряд исследований по генетике взрослых показал, что интеллект в значительной степени, но не полностью, передается по наследству (Bouchard, 2004).Здоровое отношение к природе ума и усердный труд определенно могут улучшить интеллектуальную производительность, но также помогают иметь генетическую склонность к интеллекту.

Исследование мышления детей Кэрол Двек также выдвигает на первый план один из самых интересных и противоречивых вопросов, связанных с исследованиями интеллекта: групповые различия. С самого начала исследования интеллекта исследователи интересовались различиями между группами людей, такими как мужчины и женщины.Что касается потенциальных различий между полами, некоторые люди заметили, что женщины недостаточно представлены в определенных областях. В 1976 году, например, женщины составляли всего 1% всех преподавателей инженерного факультета (Ceci, Williams & Barnett, 2009).

Женщины составляют непропорционально малый процент тех, кто занят в математических областях карьеры, таких как инженерное дело. [Фото: Аргоннская национальная лаборатория, https://goo.gl/ix96YP, CC BY-NC-SA 2.0, https://goo.gl/Toc0ZF]

Даже сегодня женщины составляют от 3% до 15% всех преподавателей по математическим дисциплинам в 50 ведущих университетах.Это явление можно объяснить разными способами: это может быть результатом неравенства в системе образования, это может быть связано с различиями в социализации, когда молодых девушек поощряют развивать другие интересы, это может быть результатом того, что женщины находятся средний — отвечает за большую часть обязанностей по уходу за детьми и, следовательно, принимает разные типы профессиональных решений, или это может быть связано с врожденными различиями между этими группами, чтобы назвать лишь несколько возможностей. Возможность врожденных различий является наиболее спорной, так как многие люди рассматривают его как либо продукт или основания для дискриминации по признаку пола.В сегодняшнем политическом ландшафте легко увидеть, что задавая определенные вопросы, например, «мужчины умнее женщин?» было бы подстрекательством. Во всестороннем обзоре исследований интеллектуальных способностей и пола Сеси и его коллеги (2009) выступают против гипотезы о том, что биологические и генетические различия объясняют большую часть половых различий в интеллектуальных способностях. Вместо этого они считают, что сложная сеть влияний, варьирующаяся от социальных ожиданий до стратегий тестирования и индивидуальных интересов, объясняет многие из половых различий, обнаруживаемых в математике и схожих интеллектуальных способностях.

Более интересный и, возможно, более деликатный вопрос мог бы заключаться в том, чтобы выяснить, каким образом мужчины и женщины могут отличаться по интеллектуальным способностям, если вообще могут. Иными словами, исследователи не должны стремиться доказать, что та или иная группа лучше, но могут изучить способы, которыми они могут отличаться, и предложить объяснения любых обнаруженных различий. Исследователи изучили половые различия в интеллектуальных способностях. В обзоре исследовательской литературы Халперн (1997) обнаружил, что женщины в среднем превосходят мужчин по показателям мелкой моторики, приобретенных знаний, понимания прочитанного, декодирования невербального выражения и обычно имеют более высокие оценки в школе.Мужчины, напротив, в среднем превосходят женщин по показателям подвижности рассуждений, связанных с математикой и естественными науками, задачам восприятия, связанных с движением объектов, и задачам, требующим преобразований в рабочей памяти, таких как мысленные вращения физических пространств. Халперн также отмечает, что мужчины непропорционально представлены на низком уровне когнитивных функций, включая умственную отсталость, дислексию и синдром дефицита внимания (Halpern, 1997).

Другие исследователи изучили различные гипотезы, объясняющие, почему возникают половые различия в интеллектуальных способностях.Некоторые исследования предоставили смешанные доказательства генетических факторов, в то время как другие указывают на доказательства социальных факторов (Neisser, et al, 1996; Nisbett, et al., 2012). Один интересный феномен, получивший пристальное внимание исследователей, — это идея угрозы стереотипа. Угроза стереотипа — это идея о том, что ментальный доступ к определенному стереотипу может иметь реальное влияние на члена стереотипной группы. В одном исследовании (Spencer, Steele, & Quinn, 1999), например, женщины, которым сообщили, что женщины, как правило, плохо справляются с экзаменами по математике непосредственно перед сдачей теста по математике, на самом деле показали худшие результаты по сравнению с контрольной группой, которая не слышала стереотип. .Исследования стереотипов дали неоднозначные результаты, и в настоящее время мы не уверены, как и когда может возникнуть этот эффект. Одно из возможных противоядий от стереотипов об угрозе, по крайней мере в случае с женщинами, — это самоутверждение (например, перечисление положительных личных качеств) до того, как угроза возникнет. Например, в одном исследовании Мартенс и ее коллеги (2006) попросили женщин написать о личных качествах, которые они ценят, прежде чем сдавать тест по математике. Утверждение в значительной степени стерло эффект стереотипа, улучшив математические оценки женщин по сравнению с контрольной группой, но аналогичные утверждения не имели большого эффекта для мужчин (Martens, Johns, Greenberg, & Schimel, 2006).

Споры такого типа заставляют многих непрофессионалов задаться вопросом, может ли быть проблема с мерами разведки. Естественно задаться вопросом, не настроены ли они как-то против определенных групп. Психологи обычно отвечают на такие вопросы, указывая, что предвзятость в тестовом смысле слова отличается от того, как люди используют это слово в повседневной речи. Распространенное использование предвзятости означает предубеждение, основанное на членстве в группе. С другой стороны, научная предвзятость связана с психометрическими свойствами теста, такими как валидность и надежность.Валидность — это идея о том, что оценка измеряет то, что, по ее утверждению, измеряется, и что она может предсказать будущее поведение или производительность. С этой целью тесты интеллекта не являются предвзятыми, поскольку они являются довольно точными показателями и предсказателями. Однако в социальном мире существуют реальные предубеждения, предрассудки и неравенство, которые могут принести пользу одной группе, находящейся в благоприятном положении, в то время как мешать некоторым обездоленным другим.

Хотя вы, возможно, не сможете написать «эсквамулоза» или «стафилококки» — на самом деле, вы можете даже не знать, что они означают — вам не нужно считать себя в отделе разведки.Теперь, когда мы глубоко изучили интеллект, мы можем вернуться к нашему интуитивному взгляду на тех учеников, которые участвуют в Национальном конкурсе орфографии. Они умные? Конечно, у них высокий вербальный интеллект. Также существует вероятность того, что они получат выгоду либо от генетического повышения интеллекта, либо от благоприятной социальной среды, либо от того и другого. Наблюдая, как они произносят сложные слова, мы также многого о них не знаем. Мы не можем сказать, например, насколько они эмоционально разумны или как они могут использовать телесно-кинестетический интеллект.Это подчеркивает тот факт, что интеллект — сложная проблема. К счастью, психологи продолжают исследовать эту увлекательную тему, и их исследования продолжают приносить новые идеи.

Становится ли наполовину полный стакан полнее?

Что все это значит? Каким полезным целям служили тесты IQ за прошедшее столетие? Используются ли тесты на IQ и достижения каким-либо образом? Это сильно зависит от точки зрения. Однако полезно помнить, что до наступления современной эпохи интеллектуального тестирования наличие у ученика возможности получить хорошее образование зависело почти исключительно от пола, этнической принадлежности и социально-экономического положения этого ученика.Если ваш отец преподавал химию в Принстоне, и у вас была Y-хромосома, скорее всего, вы могли бы когда-нибудь сделать то же самое и сами. А если бы ваш отец работал дворником, скорее всего, вы могли бы подвергнуться воздействию химии только в форме отбеливателя и аммиака. Однако сегодня тесты достижений и IQ могут помочь выявить талантливых студентов из всех слоев общества и, таким образом, уравнять правила игры в государственном образовании. Конечно, игровое поле еще не выровнялось, но есть некоторые признаки того, что ситуация улучшается.

Одним из признаков является то, что тесты на IQ и достижения продолжают совершенствоваться. Например, в ответ на опасения по поводу культурных и этнических предубеждений в традиционных тестах на IQ психолог развития Говард Гарднер, доктор философии, популяризировал фразу «множественный интеллект», чтобы отразить тот факт, что интеллект многогранен. Тесты IQ Гарднера измеряют не только вербальные и математические навыки, но также музыкальные, механические, физические и даже социальные навыки. Точно так же когнитивный психолог Роберт Штернберг, доктор философии, разработал триархическую («трехкомпонентную») теорию интеллекта, которая включает аналитический, творческий и практический интеллект.Бине, вероятно, будет больше всего интересовать концепция Штернберга практического интеллекта (то есть здравого смысла). По словам Штернберга, практический интеллект не оценивается в традиционных тестах IQ, но его легко измерить, и он позволяет людям эффективно адаптироваться к требованиям работы и повседневной жизни. Штернберг утверждает, что практический интеллект предсказывает будущий успех людей на работе не хуже, если не лучше, чем результаты людей по традиционным тестам на IQ (например,g., см. Sternberg et al., 1995). В сотрудничестве с Советом колледжей Штернберг недавно руководил проектом «Радуга». Этот исследовательский проект, проводившийся в 15 университетских городках по всей стране, был разработан в качестве дополнения к SAT, добавляя меры творчества и практического интеллекта. Результаты показывают, что расширенный SAT предсказывает реальный успех в колледже более точно, чем традиционные результаты SAT. Первоначальные результаты также предполагают, что этнические различия, исторически наблюдаемые в математической и вербальной частях SAT, значительно сокращаются для тестов на креативность или практический интеллект.

Несмотря на SAT, неясно, приведут ли современные исследования к радикальным изменениям в способах тестирования и обучения учащихся в США. Тем не менее, некоторые школьные системы уже используют тесты на IQ и достижения, которые сосредоточены на широком спектре навыков и способности. Более того, многие нетрадиционные методы обучения построены на неявном предположении, что интеллект состоит из множества компонентов. Например, методы совместного обучения, разработанные психологом Эллиотом Аронсоном, доктором философии, и другими основаны на идее о том, что успех в школе требует, чтобы дети использовали широкий спектр интеллектуальных навыков — и делали это в социальной среде (см. Лучшая образовательная система: классы Jigsaw).

Безусловно, ни одна половина полного стакана не была изучена более внимательно, чем стакан, который символизирует тесты на интеллект и достижения. Несмотря на все противоречия, связанные с тестированием интеллекта, мало кто будет призывать к полному отказу от любых форм тестирования при любых обстоятельствах. Таким образом, тесты на IQ и достижения, вероятно, будут существовать еще много лет. Это заставляет задуматься о том, что необходимы дополнительные исследования, чтобы попытаться убедиться, что тесты используются для максимизации возможностей обучения для всех учащихся, а не становятся дополнительным препятствием для достижений некоторых детей.Многое делается, но еще многое предстоит сделать.

Устранение предвзятости в искусственном интеллекте (и в людях)

Растущее использование искусственного интеллекта в чувствительных областях, в том числе для найма, уголовного правосудия и здравоохранения, вызвало дискуссию о предвзятости и справедливости. Тем не менее, принятие человеческими решениями в этих и других областях также может быть ошибочным, сформированным индивидуальными и социальными предубеждениями, которые часто не осознаются. Будут ли решения ИИ менее предвзятыми, чем решения людей? Или ИИ усугубит эти проблемы?

Аудио

Слушайте статью

In, Примечания из области ИИ: борьба с предвзятостью в ИИ (и в людях) (PDF – 120 КБ), мы даем обзор того, где алгоритмы могут помочь уменьшить неравенство, вызванное человеческими предубеждениями, и где требуется больше человеческой бдительности. критически проанализировать несправедливые предубеждения, которые могут быть внедрены и масштабированы системами ИИ.В этой статье, сокращенной версии этой статьи, также освещаются некоторые из проводимых исследований, направленных на решение проблем, связанных с предвзятостью в ИИ, и предлагаются шесть прагматических путей продвижения вперед.

Будут ли решения ИИ менее предвзятыми, чем решения людей? Или ИИ усугубит эти проблемы?

В дебатах появляются две возможности. Во-первых, это возможность использовать ИИ для выявления и уменьшения влияния человеческих предубеждений. Во-вторых, это возможность улучшить сами системы ИИ, от того, как они используют данные до того, как они разрабатываются, развертываются и используются, чтобы не допустить увековечения ими человеческих и социальных предубеждений или создания собственных предубеждений и связанных с ними проблем.Реализация этих возможностей потребует сотрудничества между дисциплинами для дальнейшей разработки и внедрения технических усовершенствований, методов работы и этических стандартов.

AI может помочь уменьшить смещение, но он также может запечатать и масштабировать смещение

Предубеждения в том, как люди принимают решения, хорошо задокументированы. Некоторые исследователи подчеркнули, что на решения судей могут неосознанно влиять их личные характеристики, в то время как работодатели с разной скоростью проводят собеседования с кандидатами с одинаковыми резюме, но с именами, которые считаются отражающими разные расовые группы.Люди также склонны к неправильному использованию информации. Например, работодатели могут проверять кредитные истории потенциальных сотрудников таким образом, чтобы это могло нанести ущерб группам меньшинств, даже если четкой связи между кредитной историей и поведением на рабочем месте не установлено. Человеческие решения также сложно исследовать или анализировать: люди могут лгать о факторах, которые они рассматривали, или могут не понимать факторы, которые повлияли на их мышление, оставляя место для бессознательной предвзятости.

Во многих случаях ИИ может уменьшить субъективную интерпретацию данных людьми, поскольку алгоритмы машинного обучения учатся учитывать только те переменные, которые повышают их точность прогнозов на основе используемых данных обучения.

Во многих случаях ИИ может уменьшить субъективную интерпретацию данных людьми, поскольку алгоритмы машинного обучения учатся учитывать только те переменные, которые повышают их точность прогнозов на основе используемых данных обучения. Кроме того, некоторые данные показывают, что алгоритмы могут улучшить процесс принятия решений, делая его более справедливым в процессе. Например, Джон Кляйнберг и другие показали, что алгоритмы могут помочь уменьшить расовое неравенство в системе уголовного правосудия.Другое исследование показало, что автоматизированные системы финансового андеррайтинга особенно выгодны кандидатам, которые исторически недостаточно обслуживались. В отличие от человеческих решений, решения, принимаемые ИИ, в принципе (и все чаще на практике) могут быть открыты, исследованы и опрошены. Цитируя Эндрю Макафи из Массачусетского технологического института: «Если вы хотите устранить предвзятость, используйте алгоритмы».

В то же время обширные данные свидетельствуют о том, что модели искусственного интеллекта могут учитывать человеческие и социальные предубеждения и развертывать их в любом масштабе. Джулия Ангвин и другие сотрудники ProPublica показали, как система КОМПАС, использовавшаяся для прогнозирования рецидивов в округе Бровард, штат Флорида, неправильно называла афроамериканских обвиняемых «группой высокого риска» почти в два раза чаще, чем ошибочно называла белых обвиняемых.Недавно технологическая компания прекратила разработку алгоритма приема на работу, основанного на анализе предыдущих решений, после того, как обнаружила, что этот алгоритм предусматривает наказание абитуриентов из женских колледжей. Работа Джой Буоламвини и Тимнит Гебру показала, что количество ошибок в технологиях анализа лица различается в зависимости от расы и пола. В «поиске по имиджу генерального директора» только 11 процентов лучших изображений по запросу «генеральный директор» показывали женщин, тогда как в то время женщины составляли 27 процентов генеральных директоров в США.

Базовые данные часто являются источником систематической ошибки

Базовые данные, а не сам алгоритм, чаще всего являются основным источником проблемы.Модели могут быть обучены на данных, содержащих решения людей, или на данных, отражающих эффекты второго порядка социального или исторического неравенства. Например, встраивание слов (набор методов обработки естественного языка), обученное новостным статьям, может демонстрировать гендерные стереотипы, существующие в обществе.

Модели могут быть обучены на данных, содержащих решения, принимаемые людьми, или на данных, которые отражают эффекты второго порядка социального или исторического неравенства.

Смещение также может быть внесено в данные посредством того, как они собираются или выбираются для использования.В моделях уголовного правосудия превышение выборки по определенным районам из-за того, что они перегружены, может привести к регистрации большего количества преступлений, что приведет к усилению контроля.

Данные, генерируемые пользователями, также могут создавать петлю обратной связи, которая ведет к смещению. В исследовании Латании Суини расовых различий в таргетинге интернет-рекламы поисковые запросы по именам, идентифицирующим афроамериканцев, как правило, приводили к большему количеству объявлений со словом «арестовать», чем поиски имен, идентифицирующих белых. Суини предположил, что даже если разные версии рекламного текста — версии с «арестом» и без него — изначально отображались одинаково, пользователи могли чаще нажимать на разные версии для разных поисков, что заставляло алгоритм отображать их чаще.

Алгоритм машинного обучения также может обнаруживать статистические корреляции, которые являются неприемлемыми или незаконными в обществе. Например, если модель ипотечного кредитования обнаруживает, что пожилые люди имеют более высокую вероятность дефолта, и сокращает кредитование в зависимости от возраста, общество и юридические учреждения могут счесть это незаконной дискриминацией по возрасту.

Чтобы минимизировать предвзятость, как мы определяем и измеряем справедливость?

Как мы должны систематизировать определения справедливости? Арвинд Нараянан выделил как минимум 21 различное определение справедливости и сказал, что даже это не является исчерпывающим.Кейт Кроуфорд, содиректор Института AI Now при Нью-Йоркском университете, использовала упомянутый ранее поиск по изображениям генерального директора, чтобы выделить связанные с этим сложности: как определить «справедливый» процент женщин, который должен показать алгоритм? Это какой процент женщин среди генеральных директоров у нас сегодня? Или «справедливое» число может составлять 50 процентов, даже если реального мира еще нет? Большая часть разговоров об определениях была сосредоточена на индивидуальной справедливости или одинаковом обращении с похожими людьми, а также на групповой справедливости, что сделало прогнозы или результаты модели справедливыми для всех групп, особенно для потенциально уязвимых групп.

Работа по определению справедливости также выявила потенциальные компромиссы между различными определениями или между справедливостью и другими целями. Например, Джон Кляйнберг, Сендхил Муллайнатан и Маниш Рагхаван, а также Александра Чоулдечова и другие продемонстрировали, что модель не может соответствовать более чем нескольким показателям справедливости группы одновременно, за исключением очень специфических условий. Это объясняет, почему компания, разработавшая шкалы COMPAS, утверждала, что ее система беспристрастна, потому что она удовлетворяет «прогнозируемому паритету», но ProPublica обнаружила, что она была предвзятой, потому что не продемонстрировала «баланса ложных срабатываний».”

Эксперты расходятся во мнениях относительно того, как лучше всего решить эти проблемы. Например, некоторые предположили, что установка разных пороговых значений для принятия решения для разных групп (таких как прогнозируемая оценка, необходимая для получения ссуды) может достичь наилучшего баланса, особенно если мы считаем, что некоторые из основных переменных в модели могут быть смещенными. Другие утверждают, что поддержание единого порога более справедливо для всех групп. В результате этих сложностей создание единого универсального определения справедливости или метрики для ее измерения, вероятно, никогда не станет возможным.Вместо этого, скорее всего, потребуются другие метрики и стандарты, в зависимости от варианта использования и обстоятельств.

Ранний технический прогресс продолжается, но требуется гораздо больше

Появилось несколько подходов к обеспечению ограничений справедливости для моделей ИИ. Первый состоит в предварительной обработке данных для поддержания максимальной точности при одновременном уменьшении любых взаимосвязей между результатами и защищенными характеристиками или в создании представлений данных, не содержащих информацию о конфиденциальных атрибутах.Эта последняя группа включает подходы «контрфактической справедливости», которые основаны на идее, что решение должно оставаться неизменным в контрфактическом мире, в котором изменяется чувствительный атрибут. Контрфактический метод Сильвии Чиаппы, ориентированный на конкретный путь, может даже рассматривать различные способы, которыми чувствительные атрибуты могут повлиять на результаты — какое-то влияние можно считать справедливым и можно сохранить, в то время как другое влияние может считаться несправедливым, и поэтому от него следует отказаться.

Второй подход состоит из методов постобработки.Они преобразуют некоторые прогнозы модели после того, как они сделаны, чтобы удовлетворить ограничению справедливости. Третий подход либо накладывает ограничения справедливости на сам процесс оптимизации, либо использует злоумышленника, чтобы минимизировать способность системы предсказать чувствительный атрибут.

Исследователи также разрабатывают и тестируют другие улучшения. Что касается данных, исследователи добились прогресса в задачах классификации текстов, добавив больше точек данных для повышения производительности защищенных групп.Инновационные методы обучения, такие как использование трансферного обучения или разделенных классификаторов для разных групп, доказали свою полезность для уменьшения расхождений в технологиях анализа лиц.

Инновационные методы обучения, такие как использование трансферного обучения или разделенных классификаторов для различных групп, доказали свою полезность для уменьшения расхождений в технологиях анализа лиц.

Наконец, методы, разработанные для решения смежной проблемы объяснимости в системах ИИ — трудности при использовании нейронных сетей в объяснении того, как было достигнуто конкретное предсказание или решение, и какие особенности данных или где-либо еще привели к результату, — также могут играть роль в выявлении и смягчении предвзятости.Методы объяснения могут помочь определить, отражают ли факторы, учитываемые при принятии решения, предвзятость, и могут ли они обеспечить большую ответственность, чем при принятии решений людьми, которые обычно не могут быть подвергнуты такому тщательному исследованию.

Человеческое суждение по-прежнему необходимо для обеспечения справедливости принятия решений с помощью ИИ

Хотя определения и статистические измерения справедливости, безусловно, полезны, они не могут учитывать ни нюансы социальных контекстов, в которых развертывается система ИИ, ни потенциальные проблемы, связанные с тем, как были собраны данные.Таким образом, важно учитывать, где и в какой форме требуется человеческое суждение. Кто решает, когда система ИИ имеет достаточно минимизированную систематическую ошибку, чтобы ее можно было безопасно использовать для использования? Более того, в каких ситуациях полностью автоматизированное принятие решений вообще должно быть допустимо? Ни один алгоритм оптимизации не может разрешить такие вопросы, и нельзя оставить машину для определения правильных ответов; он требует человеческого суждения и процессов, основанных на дисциплинах, включая социальные науки, право и этику, для разработки стандартов, чтобы люди могли использовать ИИ с предвзятостью и справедливостью.Эта работа только начинается.

Некоторые из новых работ были сосредоточены на процессах и методах, таких как «листы данных для наборов данных» и «карты моделей для создания отчетов по моделям», которые обеспечивают большую прозрачность в создании, тестировании и предполагаемом использовании наборов данных и моделей ИИ. Другие усилия были сосредоточены на поощрении оценок воздействия и аудитов для проверки справедливости перед развертыванием систем и их постоянного пересмотра, а также на содействии лучшему пониманию правовых основ и инструментов, которые могут повысить справедливость.Такие усилия, как годовые отчеты AI Now Institute, в которых освещается множество критических вопросов об ИИ, и Embedded EthiCS, интегрирующая модули этики в стандартные учебные программы по информатике, демонстрируют, как могут сотрудничать эксперты из разных дисциплин.

Мы стремимся предоставить людям с ограниченными возможностями равный доступ к нашему сайту. Если вам нужна информация об этом содержании, мы будем рады работать с вами. Напишите нам по адресу: McKinsey_Website_Accessibility @ mckinsey.com

Один из методов обеспечения справедливости направлен на поощрение оценок воздействия и аудитов для проверки справедливости перед развертыванием систем и их постоянного анализа.

По мере того, как мы поднимаем планку автоматизированного принятия решений, можем ли мы поднять уровень принятия решений человеком на более высокий уровень?

Прогресс в выявлении предвзятости указывает на другую возможность: переосмысление стандартов, которые мы используем, чтобы определять, когда человеческие решения справедливы, а когда они отражают проблематичную предвзятость.Анализировать фактические факторы, которые люди использовали (а не то, что, по их словам, они использовали) при принятии решения, намного сложнее, чем оценивать алгоритмы. Чаще всего мы полагаемся на доверенных лиц справедливости. Например, мы часто принимаем результаты, вытекающие из процесса, который считается «справедливым». Но является ли процедурная справедливость тем же, что и справедливость результатов? Другой часто используемый показатель — это композиционная справедливость, означающая, что если группа, принимающая решение, придерживается различных точек зрения, то то, что она решает, считается справедливым.Возможно, это традиционно были лучшие инструменты, которые у нас были, но когда мы начнем применять тесты на справедливость к системам ИИ, можем ли мы начать требовать от людей большей ответственности?

Большая часть разговоров об определениях сосредоточена на индивидуальной справедливости или одинаковом обращении с похожими людьми, а также на групповой справедливости, что делает прогнозы или результаты модели одинаковыми для всех групп, особенно для потенциально уязвимых групп.

Более точные данные, аналитика и искусственный интеллект могут стать новым мощным инструментом для изучения человеческих предубеждений.Это может принимать форму выполнения алгоритмов совместно с людьми, принимающими решения, сравнения результатов и изучения возможных объяснений различий. Примеры такого подхода начинают появляться в нескольких организациях. Точно так же, если организация понимает, что алгоритм, обученный ее человеческим решениям (или данные, основанные на предыдущих человеческих решениях), демонстрирует предвзятость, ей не следует просто прекратить использование алгоритма, но следует рассмотреть, как необходимо изменить лежащее в основе человеческое поведение. Возможно, организации могут извлечь выгоду из недавнего прогресса, достигнутого в измерении справедливости, путем применения наиболее релевантных тестов на предвзятость и к человеческим решениям.

Шесть потенциальных возможностей для рассмотрения практиками ИИ, руководителями бизнеса и политиками

Приложение

Мы стремимся предоставить людям с ограниченными возможностями равный доступ к нашему сайту. Если вам нужна информация об этом содержании, мы будем рады работать с вами. Напишите нам по адресу: [email protected]

Сведение к минимуму предвзятости в ИИ — важная предпосылка для того, чтобы люди могли доверять этим системам.Это будет иметь решающее значение, если ИИ должен реализовать свой потенциал, показанный исследованиями MGI и других, для получения выгод для бизнеса, экономики за счет роста производительности и для общества за счет вклада в решение насущных социальных проблем. Те, кто стремится обеспечить максимальную справедливость и минимизировать предвзятость со стороны ИИ, могут рассмотреть несколько путей продвижения вперед:

1. Помните о контекстах, в которых ИИ может помочь исправить предвзятость, а также о тех случаях, когда существует высокий риск того, что ИИ может усилить предвзятость.

При развертывании ИИ важно предвидеть области, потенциально склонные к несправедливой предвзятости, например, те, в которых ранее использовались предвзятые системы или искаженные данные.Организации должны будут быть в курсе последних событий, чтобы увидеть, как и где ИИ может повысить справедливость, а где системы ИИ столкнулись с трудностями.

2. Разработайте процессы и методы для проверки и снижения предвзятости в системах ИИ.

Устранение несправедливой предвзятости потребует использования набора инструментов и процедур. Описанные выше технические инструменты могут выявить потенциальные источники систематической ошибки и выявить особенности данных, которые в наибольшей степени влияют на результаты. Операционные стратегии могут включать улучшение сбора данных за счет более осознанной выборки и использования внутренних «красных групп» или третьих лиц для аудита данных и моделей.Наконец, прозрачность процессов и показателей может помочь наблюдателям понять шаги, предпринятые для обеспечения справедливости, и любые связанные с этим компромиссы.

3. Участвуйте в основанных на фактах дискуссиях о потенциальных предубеждениях в человеческих решениях.

По мере того, как ИИ раскрывает больше возможностей принятия решений человеком, руководители могут подумать о том, адекватны ли прокси, использованные в прошлом, и как ИИ может помочь, выявив давние предубеждения, которые могли остаться незамеченными. Когда модели, обученные недавним человеческим решениям или поведению, демонстрируют предвзятость, организациям следует подумать о том, как процессы, управляемые человеком, могут быть улучшены в будущем.

4. Полностью исследуйте, как люди и машины могут лучше всего работать вместе.

Это включает рассмотрение ситуаций и сценариев использования, когда автоматизированное принятие решений приемлемо (и действительно готово для реального мира) по сравнению с тем, когда люди всегда должны участвовать. Некоторые многообещающие системы используют комбинацию машин и людей для уменьшения систематической ошибки. Методы в этом ключе включают принятие решений «человеком в цикле», когда алгоритмы предоставляют рекомендации или варианты, которые люди перепроверяют или выбирают.В таких системах прозрачность уверенности алгоритма в своих рекомендациях может помочь людям понять, какой вес придавать ему.

5. Больше инвестируйте в исследование предвзятости, делайте больше данных доступными для исследования (при соблюдении конфиденциальности) и применяйте междисциплинарный подход.

Несмотря на то, что за последние годы в технических и междисциплинарных исследованиях был достигнут значительный прогресс, потребуются дополнительные инвестиции в эти усилия. Бизнес-лидеры также могут способствовать прогрессу, предоставляя больше данных исследователям и практикам в организациях, работающих над этими проблемами, при этом учитывая проблемы конфиденциальности и потенциальные риски.Для достижения большего прогресса потребуется междисциплинарное взаимодействие, включая специалистов по этике, социологов и экспертов, которые лучше всего понимают нюансы каждой области применения в процессе. Ключевой частью мультидисциплинарного подхода будет постоянное рассмотрение и оценка роли принятия решений ИИ по мере развития области и роста практического опыта в реальных приложениях.

6. Больше инвестируйте в диверсификацию самой области ИИ.

Многие указывали на тот факт, что область искусственного интеллекта сама по себе не охватывает разнообразие общества, в том числе по полу, расе, географии, классу и физическим недостаткам.Более разнообразное сообщество ИИ будет лучше подготовлено для прогнозирования, выявления и анализа проблем несправедливой предвзятости и сможет лучше взаимодействовать с сообществами, которые могут быть затронуты предвзятостью. Это потребует инвестиций по нескольким направлениям, но особенно в образование в области ИИ и доступ к инструментам и возможностям.

Будьте в курсе ваших любимых тем

Пособия по безработице, искусственный интеллект и др.

Исследования в Hutchins Roundup на этой неделе показывают, что дополнительные пособия по безработице во время COVID не снизили занятость, искусственный интеллект может усугубить международное неравенство и многое другое.

Хотите получать сводку новостей Хатчинса по электронной почте? Подпишитесь здесь, чтобы получать его каждый четверг на почту.

Истечение срока действия дополнительных 600 долларов США в неделю в виде пособия по безработице не отправило получателей на работу, считает Ариндраджит Дьюб из Университета Массачусетса в Амхерсте. Дьюб использует разницу между штатами в доле заработка получателей до безработицы, заменяемого пособиями — уровни заработка различаются в разных штатах, а Закон CARES равномерно увеличил еженедельные пособия на 600 долларов — для сравнения общей занятости до и после истечения срока.Вопреки экономической теории, которая предполагает, что более щедрые пособия по безработице лишат безработных стимулов к поиску новых рабочих мест, Дьюб считает, что истечение срока почти не влияет на общий уровень занятости; это особенно верно для получателей с низким и средним доходом и для выпускников, не окончивших колледж, которые составляют большинство получателей UI. По словам Дуба, во время значительных экономических спадов у правительства, вероятно, есть возможность предоставить более высокие пособия безработным без ограничения предложения рабочей силы.

Более широкое использование искусственного интеллекта (ИИ) и автоматизации может увеличить неравенство как внутри стран, так и между ними. Антон Коринек из Университета Вирджинии и Джозеф Э. Стиглиц из Колумбии отмечают, что эти опасения усиливаются для развивающихся стран и развивающихся рынков, потому что растущая автоматизация угрожает зависящей от производства модели развития, ориентированной на экспорт, которая оказалась для них столь успешной. Авторы утверждают, что, поскольку ИИ уменьшает сравнительные преимущества многих развивающихся стран — дешевую рабочую силу и богатые природные ресурсы, — он может обратить вспять конвергенцию к более высоким уровням жизни, которую развивающиеся страны испытали на протяжении большей части прошлого века, хотя авторы предупреждают, что все еще есть большая неопределенность относительно будущего воздействия ИИ.Хотя национальная политика, такая как прогрессивное налогообложение и перераспределение, может обеспечить более широкое общее процветание в некоторых странах, влияние этой политики ограничено в развивающихся странах. Коринек и Стиглиц утверждают, что политика на наднациональном уровне, реформирующая глобальную систему управления, позволит развивающимся странам получить больше преимуществ от достижений в области ИИ. Такая политика могла бы включать глобальный налоговый режим, при котором мировая прибыль корпорации распределяется между разными странами, и глобальная минимальная ставка транснационального корпоративного налога.

Лишь половина работников в частном секторе США имеют пенсионные планы, спонсируемые трудоустройством, а большинство работников, не имеющих таковой, не открывают свой индивидуальный пенсионный счет. Утвержденные правительством планы автоматического зачисления работников без альтернативы работодателя были предложены как способ поднять личные пенсионные накопления и уменьшить зависимость от таких программ, как Социальное обеспечение. В Орегоне такая программа увеличила сбережения сотрудников, как выяснил Джон Чалмерс из Университета Орегона и его соавторы.В период с августа 2018 года по апрель 2020 года более 67 700 сотрудников накопили на пенсионных счетах более 51 миллиона долларов. Тем не менее, уровень участия был значительно ниже, чем типичный для спонсируемых работодателем 401 (k) s, что, вероятно, отражает ограничения работников на низком уровне. отрасли с высокой текучестью кадров, обслуживаемые OregonSaves. Хотя OregonSaves увеличил участие за счет сокращения потребности рабочих в поиске собственного плана, 30% отказавшихся сотрудников заявили, что они не могут позволить себе сбережения, и это, скорее всего, было объяснением для тех, кто работает в отраслях с более низкой средней заработной платой.Авторы считают, что для низкооплачиваемых работников рациональным выбором могло быть удовлетворение текущих потребностей до внесения вклада в IRA.

«Если общественность действительно хочет цифровую валюту, подобную наличным деньгам… центральный банк — доверенное государственное учреждение — должен выпустить ее… Было сказано, что в цифровой экономике данные — это новая нефть. Многие технологические компании следуют бизнес-модели, в которой они используют данные своих клиентов для уточнения и расширения ассортимента продуктов и услуг, которые они предлагают населению.Это, в свою очередь, привлекает все больше и больше бизнеса на их платформу, которая генерирует больше данных и так далее. Если бы эта бизнес-модель использовалась в качестве основы для доминирующего метода оплаты в экономике, эмитент получил бы контроль над огромным набором данных, что принесет с собой подавляющую рыночную власть. По сути, технологическая компания может стать стражем экономики в целом, что будет иметь серьезные последствия для конфиденциальности, конкуренции и инклюзивности », — говорит Тимоти Лейн, заместитель управляющего Банка Канады.

«Давайте сравним это с цифровой валютой центрального банка. Центральный банк, не имеющий коммерческой мотивации для сбора данных, имеет уникальные возможности для создания гарантий конфиденциальности, в то же время защищая от преступного использования … Универсальный доступ должен быть еще одной ключевой особенностью цифровой валюты центрального банка. Это означает обеспечение того, чтобы удаленные и маргинализованные сообщества, включая, но не ограничиваясь, не охваченными банковскими услугами и не охваченными банковскими услугами, не остались в стороне от этого нового способа оплаты товаров и услуг.”

Определение искусственного интеллекта (AI)

Что такое искусственный интеллект (ИИ)?

Искусственный интеллект (ИИ) относится к моделированию человеческого интеллекта в машинах, которые запрограммированы думать, как люди, и имитировать их действия. Этот термин также может применяться к любой машине, которая проявляет черты человеческого разума, такие как обучение и решение проблем.

Идеальная характеристика искусственного интеллекта — его способность рационализировать и предпринимать действия, которые имеют наибольшие шансы на достижение конкретной цели.Подмножество искусственного интеллекта — это машинное обучение, которое относится к концепции, согласно которой компьютерные программы могут автоматически учиться на новых данных и адаптироваться к ним без помощи человека. Методы глубокого обучения делают возможным автоматическое обучение за счет поглощения огромных объемов неструктурированных данных, таких как текст, изображения или видео.

Ключевые выводы

  • Искусственный интеллект относится к моделированию человеческого интеллекта в машинах.
  • Цели искусственного интеллекта включают обучение, рассуждение и восприятие.
  • AI используется в различных отраслях, включая финансы и здравоохранение.
  • Слабый ИИ обычно прост и ориентирован на выполнение одной задачи, в то время как сильный ИИ выполняет более сложные задачи, похожие на человеческие.

Понимание искусственного интеллекта (AI)

Когда большинство людей слышат термин «искусственный интеллект», первое, что они обычно думают, — это роботы. Это потому, что в высокобюджетных фильмах и романах сплетаются истории о человекоподобных машинах, сеющих хаос на Земле.Но ничто не могло быть дальше от истины.

Искусственный интеллект основан на том принципе, что человеческий интеллект можно определить таким образом, чтобы машина могла легко имитировать его и выполнять задачи, от самых простых до еще более сложных. Цели искусственного интеллекта включают обучение, рассуждение и восприятие.

По мере развития технологий предыдущие тесты, которые определяли искусственный интеллект, устаревают. Например, машины, которые вычисляют базовые функции или распознают текст посредством оптического распознавания символов, больше не считаются воплощением искусственного интеллекта, поскольку эта функция теперь воспринимается как должное как неотъемлемая функция компьютера.

ИИ постоянно развивается, принося пользу во многих отраслях. Машины подключены с использованием междисциплинарного подхода, основанного на математике, информатике, лингвистике, психологии и многом другом.

Алгоритмы часто играют очень важную роль в структуре искусственного интеллекта, где простые алгоритмы используются в простых приложениях, а более сложные помогают сформировать сильный искусственный интеллект.

Приложения искусственного интеллекта

Приложения для искусственного интеллекта безграничны.Технология может применяться во многих различных секторах и отраслях. ИИ тестируется и используется в отрасли здравоохранения для дозирования лекарств и различных видов лечения пациентов, а также для хирургических процедур в операционной.

Другие примеры машин с искусственным интеллектом включают компьютеры, которые играют в шахматы, и беспилотные автомобили. Каждая из этих машин должна взвешивать последствия любого своего действия, поскольку каждое действие повлияет на конечный результат. В шахматах конечный результат — победа.В случае беспилотных автомобилей компьютерная система должна учитывать все внешние данные и вычислять их, чтобы действовать таким образом, чтобы предотвратить столкновение.

Искусственный интеллект также имеет приложения в финансовой отрасли, где он используется для обнаружения и маркировки деятельности в банковской и финансовой сфере, такой как необычное использование дебетовых карт и крупные депозиты на счетах — все это помогает отделу банка по борьбе с мошенничеством. Приложения для ИИ также используются, чтобы упростить и упростить торговлю. Это достигается за счет упрощения оценки предложения, спроса и цен на ценные бумаги.

Категоризация искусственного интеллекта

Искусственный интеллект можно разделить на две категории: слабый и сильный. Слабый искусственный интеллект воплощает в себе систему, предназначенную для выполнения одной конкретной работы. Слабые системы искусственного интеллекта включают видеоигры, такие как пример шахмат сверху, и личных помощников, таких как Amazon Alexa и Apple Siri. Вы задаете помощнику вопрос, он отвечает на него за вас.

Сильные системы искусственного интеллекта — это системы, которые выполняют задачи, которые считаются человеческими.Это, как правило, более сложные и сложные системы. Они запрограммированы на обработку ситуаций, в которых от них может потребоваться решить проблему без вмешательства человека. Такие системы можно найти в таких приложениях, как беспилотные автомобили или в больничных операционных.

Особые соображения

С момента своего появления искусственный интеллект стал объектом пристального внимания как ученых, так и общественности. Одна общая тема — это идея, что машины станут настолько высокоразвитыми, что люди не смогут за ними поспевать, и они будут взлетать сами, модернизируя себя с экспоненциальной скоростью.

Во-вторых, машины могут взламывать частную жизнь людей и даже использоваться в качестве оружия. Другие аргументы спорят об этике искусственного интеллекта и о том, следует ли относиться к интеллектуальным системам, таким как роботы, наравне с людьми.

Беспилотные автомобили вызывают довольно много споров, поскольку их машины, как правило, рассчитаны на минимально возможный риск и минимальные потери. Если представить сценарий одновременного столкновения с одним человеком или другим, эти автомобили будут рассчитывать вариант, который нанесет наименьший ущерб.

Еще одна спорная проблема, с которой сталкиваются многие люди с искусственным интеллектом, — это то, как он может повлиять на занятость людей.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *