в чем причина такой популярности внедрения ai в бизнес процессы
Методы и технологии, основанные на работе с данными/Вопросы тестов
Методы и технологии, основанные на работе с данными
Содержание
Что не является трендом в области ГосТех? [ править ]
вариант 1 [ править ]
Мультиканальное вовлечение граждан
Повсеместное использование аналитики
Создание множества независимых систем по учету трудовых ресурсов в каждом регионе
Цифровая идентификация граждан +
вариант 2 [ править ]
Мультиканальное вовлечение граждан
Рабочая сила в цифровом формате
Уменьшение количества использования аналитических отчетах на всех этапах государственного управления
Цифровая идентификация граждан +
вариант 3 [ править ]
Мультиканальное вовлечение граждан
Повсеместное использование аналитики
Рабочая сила в цифровом формате
Создание неизменяющегося подхода для противодействия киберугрозам
Цифровая идентификация граждан +
Какие типичные типы задач решаются с помощью NLP (Natural Language Processing, Обработка Естественного Языка)? [ править ]
Всё из перечисленного +
Что является примером временного ряда? [ править ]
вариант 1 [ править ]
История в медицинской карточке +
вариант 2 [ править ]
Стоимость биржевых инструментов +
Что важно при обработке данных при цифровой трансформации? [ править ]
вариант 1 [ править ]
Обновить техническое обеспечение компании, используя самую современную технику
Обучить всех сотрудников использовать Excel для обработки данных
Обучить всех сотрудников языкам программирования, способных запускать нейронные сети
Сильная внутренняя экспертиза команды в области подхода управления с помощью данных +
Хранить данные в бумажном виде в архиве
вариант 2 [ править ]
Обновить техническое обеспечение компании, используя самую современную технику
Обучить всех сотрудников использовать Excel для обработки данных
Обучить всех сотрудников языкам программирования, способных запускать нейронные сети
Понимать, какой информацией располагает компания, а чего не хватает +
Хранить данные в бумажном виде в архиве
вариант 3 [ править ]
Обновить техническое обеспечение компании, используя самую современную технику
Обучить всех сотрудников использовать Excel для обработки данных
Обучить всех сотрудников языкам программирования, способных запускать нейронные сети
Определить методы сбора, анализа и интерпретации результатов +
Хранить данные в бумажном виде в архиве
Что является одной из основных проблем цифровой трансформации? [ править ]
вариант 1 [ править ]
Достаточные знания и компетенции
Профицит квалифицированных кадров
вариант 2 [ править ]
Дефицит квалифицированных кадров +
Достаточные знания и компетенции
вариант 3 [ править ]
Достаточные знания и компетенции
Профицит квалифицированных кадров
Задачи, которые касаются жизни каждого гражданина, наболевшие проблемы общества и вопросы о том, как их решать это [ править ]
Задачи цифровой трансформации общества
Социально значимые задачи +
Основной независимый ресурс наборов открытых государственных данных, на котором собраны и структурированы существующие на сегодня в России наборы данных.+
Открытый ресурс, в который выгружают персональные данные граждан с целью продажи и передачи третьим лицам
В терминологии специалистов – историческое событие, после которого было открыто, что можно использовать данные в управлении процессами (продажи, менеджмент и т.д.)
Аналитическая панель, наглядное представление информации о бизнес-процессах, трендах, зависимостях и других метриках в компактном виде, которое позволяет увидеть значения конкретных показателей и динамику их изменений
Способ защиты данных с помощью визуальных решений
Основные функции сбора данных включают [ править ]
Создание информационных систем, создание отчетов, обеспечение финансирования
Накопление данных, анализ данных, первичную обработку данных
Поиск источников данных, извлечение данных, преобразование данных +
Постановку и решение задач, построение графиков, визуализацию
Поиск аномалий, классификацию, восстановление регрессии
Что такое искусственные нейронные сети? [ править ]
Математическая модель, построенная по принципу сигнальной системы живых организмов.
Приложения, помогающие обучаться, создавать образы и обобщать информацию.
Математическая модель, построенная по принципу организации колоний общественных насекомых.
Всемирная система объединённых компьютерных сетей для хранения, обработки и передачи информации
Математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. +
Что является ключевым показателем города при построении модели цифрового двойника города? [ править ]
Что такое суперсервисы? [ править ]
Мобильные приложения крупных компаний
Платформы, которые охватывают все сферы жизни человека и помогают ему получать услуги от бизнеса и государства дистанционно +
Сайты органов государственной власти
Сервисы, запущенные на современных суперкомпьютерах.
Платформы, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.
В чем отличия и связь «Искусственного интеллекта» и «Машинного обучения»? [ править ]
Машинное обучение – одно из направлений Искусственного Интеллекта. Данное направление состоит из методов, которые позволяют делать выводы на основе данных.
Искусственный интеллект – одно из направлений Машинного Обучения. Данное направление занимается имитированием поведения человека.
Искусственный Интеллект и Машинное Обучение – это направления Глубокого обучения нейронных сетей.
Искусственный Интеллект занимается задачами имитации деятельности мозга человека. Машинное обучение – это процесс, в ходе которого обучается Искусственный Интеллект. +
Существует ли в России аналог «закона о забвении» США (закон, позволяющий гражданам настаивать на удалении своих персональных данных из сети). [ править ]
Существует и позволяет удалять из сети любые персональные данные
Не существует, но законопроект находится в стадии обсуждения
Существует, но распространяется только на данные в поисковых системах +
Как искусственный интеллект становится эффективным бизнес-инструментом
Лаборатории интеллекта
Летом 1956 года в американском Дартмутском колледже прошел двухмесячный научный семинар, посвященный Artificial Intelligence (искусственному интеллекту). Он собрал ведущих американских ученых в области теории игр, нейронных сетей и ИИ. Участники не ставили перед собой глобальных целей. Они просто пытались понять, можно ли обучить машину естественным языкам, натренировать ее формулировать концепции и создавать абстракции.
Именно на этом семинаре информатик и когнитивист Джон Маккарти предложил использовать термин Artificial Intelligence. Всего через год ИИ-лаборатории появились в университете Карнеги — Меллона, в Стэнфорде и MIT. Так изучение искусственного интеллекта стало официальной академической дисциплиной.
Первые проекты в области ИИ выглядели не более чем игрушками. К примеру, в 1966 году, через десять лет после Дартмутского семинара, появилась программа ELIZA, созданная американским ученым Джозефом Вейценбаумом. Она имитировала, а вернее пародировала разговор с психотерапевтом. ELIZA умела выделять в высказываниях пользователя ключевые слова и выстраивать шаблонные ответы.
До 1990-х годов заметных прорывов в сфере искусственного разума не было: казалось, технология так никогда и не обретет внятную форму и никогда не приблизится к всесильному ИИ, о котором писали фантасты. Но когда в 1997 году суперкомпьютер Deep Blue от IBM выиграл в шахматы у чемпиона мира Гарри Каспарова, об искусственном интеллекте вновь заговорили всерьез. В том же году появилась технология распознавания речи NaturallySpeaking, которая позволила машинам понимать человека «на слух». Следом возникло множество других проектов в области машинного перевода, распознавания и классификации изображений, обнаружения объектов.
В начале 2010-х годов вновь приобрела популярность такая разновидность искусственного интеллекта как нейросети, а также способы ее обучения — машинное и глубокое. Если раньше алгоритмы тренировали в основном на выполнение конкретных задач, то теперь они стали осваивать так называемые представления (features / representations) и учиться распознавать образы. Это оказалось возможным благодаря резкому росту мощности компьютеров. Вычисления начали выполнять с использованием графических процессоров, которые смогли на порядки ускорить процесс обучения моделей.
По мнению одного из крестных отцов ИИ, британского информатика Джеффри Хинтона, благодаря глубокому обучению в недалеком будущем машине удастся воспроизвести человеческий интеллект. Но пока искусственному разуму не хватает масштаба. Мозг человека имеет около 100 трлн синапсов (точек контакта двух нейронов. — РБК Тренды). Для сравнения: самая продвинутая на сегодняшний день языковая модель GPT-3 использует 175 млрд параметров.
Ближе к бизнесу
Одним из главных препятствий для широкого применения ИИ до недавнего времени было слабое распространение моделей машинного обучения (machine learning, ML). Бизнес все еще плохо понимает, как их внедрять в бизнес-процессы и продукты, или слабо осведомлен об их возможностях. Разработка и применение таких моделей кажутся предпринимателям дорогостоящим и долгим процессом. Но ситуация быстро меняется.
Всего несколько лет назад для работы с ними действительно требовалось высокопроизводительное железо. Мощных машин было мало, их аренда стоила дорого.
Ситуацию изменили облачные технологии. Они радикально демократизировали доступ к мощной вычислительной инфраструктуре и предоставили удобные и понятные инструменты для работы с ИИ.
Так, уже сейчас облачные сервисы AI Cloud от SberCloud могут обеспечить любой бизнес — от транснациональной корпорации до стартапа — инфраструктурой и инструментами для решения ИИ-задач. Причем сервисы AI Cloud работают на базе самого мощного в России и СНГ суперкомпьютера «Кристофари», специально разработанного для работы с искусственным интеллектом.
В состав AI Cloud входит облачная платформа ML Space — набор продуктов для ML-разработки полного цикла. В «Сбере» ранее отмечали, что при создании ИИ-решений специалисты тратят лишь треть своего времени на обучение моделей. Остальное уходит на подготовку и прочую рутину. Благодаря продуктам AI Cloud команды дата-сайентистов могут посвятить обучению моделей 99% времени, работая из любой точки мира через облако.
ML Space позволяет организовать распределенное обучение на более чем 1 тыс. GPU (Graphics processing units — графические процессоры для высокопроизводительных вычислений). Как уверяют ее создатели, сейчас это единственная в мире облачная ML-платформа с таким функционалом. С ее помощью ресурсоемкие модели можно обучить за несколько часов. В сервис также входит модуль AutoML, который, по сути, является фабрикой по выпуску ML-моделей для тех компаний и организаций, у которых нет собственных специалистов в области data scienсe
Создатели ML Space сравнивают сочетание облачных технологий и новых инструментов машинного обучения с переходом от ручного труда к промышленному производству. Вместе они значительно ускоряют создание и выход на рынок готовых ИИ-решений и делают искусственный интеллект максимально доступным для бизнеса.
Раскрыть потенциал
Среди основных векторов использования искусственного интеллекта компаниями — управление рисками и обеспечение кибербезопасности, автоматизация рутины, помощь в принятии оптимальных решений. Кроме того, бизнес успешно применяет ИИ, чтобы эффективнее собирать информацию для прогнозов и автоматизировать клиентские операции.
Как ИИ применяется в разных секторах экономики
Ожидается, что к 2025 году человечество будет хранить около 175 зеттабайт (175 млрд Гб) данных. Уже сегодня большую их часть генерируют не люди, а машины — различные информационные системы, датчики, интернет вещей. Очевидно, что обработать всю эту информацию и извлечь из нее пользу для бизнеса без искусственного интеллекта и машинного обучения просто невозможно. Тем более, что ее количество продолжает расти.
По подсчетам IDC, объем данных, созданных в течение следующих трех лет, превысит количество информации, которое появилось за последние три десятилетия. А за ближайшую пятилетку мир сгенерирует втрое больше данных, чем за предыдущую. И это будет подталкивать к активному использованию ИИ для сбора и обработки информации.
По мнению гендиректора SberCloud Евгения Колбина, именно «облака» станут главным драйвером развития ИИ в ближайшие годы, так как только с помощью облачных технологий можно преодолеть главные барьеры развития ИИ — недостаточную доступность высокопроизводительных вычислительных ресурсов для работы с ИИ и острую нехватку специалистов — дата-сайентистов, дата-аналитиков и дата-инженеров. Сейчас почти во всех отраслях наблюдается острая нехватка высококвалифицированных специалистов для работы с данными. Платформа QuantHub, которая специализируется на подборе специалистов в сфере Data Science, подсчитала, что на три объявления о вакансии приходится всего один потенциальный соискатель. По словам Колбина, именно развитие облачных ML-сервисов и AIaaS (Artificial Intelligence as a Service) позволит искусственному интеллекту в полной мере раскрыть свой бизнес-потенциал.
Подписывайтесь также на Telegram-канал РБК Тренды и будьте в курсе актуальных тенденций и прогнозов о будущем технологий, эко-номики, образования и инноваций.
Чек-лист: нужен ли вашему бизнесу AI (заодно развенчиваем популярные мифы)
Искусственный интеллект — мощнейший тренд наших дней. Технология уже проникла во многие бизнес-процессы и продолжает совершать революционные изменения на рынках IT, финансов, HR, e-commerce, систем безопасности. Не обходится и без перегибов: все чаще можно услышать о применении искусственного интеллекта в качестве своего рода маркетинговой приманки — например в кофейне. Руководитель технологического консалтинга по AI-решениям Intuition Иван Ильин рассказывает, кому и в каких случаях действительно стоит задуматься о внедрении AI-технологий — и как это лучше сделать.
3 мифа про искусственный интеллект
Внедрение AI гарантирует повышение эффективности конечного продукта в разы.
Нет, это не так. Эксперты Gartner, например, отмечают, что в среднем технология позволяет сэкономить всего 3-5%. На каждую историю успеха внедрения AI и ML (machine learning) приходится множество неудач. Половина финансовых топ-менеджеров, которые планируют ввести предиктивную аналитику к 2020 году, делают это из стадного чувства (panic buying). Аналитики компании советуют тестировать технологию, но избегать крупных вложений. «Путь к AI- и ML-нирване усыпан мертвыми телами неудачных примеров внедрения», — говорит Роб ван дер Мейлен из Gartner.
Количество сфер и отраслей, где можно использовать AI, безгранично.
AI — огромная область Computer Science. Очевидно, что решения на основе алгоритмов искусственного интеллекта многократно эффективнее в работе с изображениями и текстами, чем классические алгоритмы. Они приносят практическую пользу на миллиарды долларов в различных индустриях, но совершенно бесполезны и не несут никакой ценности в слишком «человеческих» областях. IBM может позволить себе создание робота-повара Chef Watson и решить таким образом ряд задач по маркетингу. Но что такая дорогостоящая технология может действительно дать индустрии общепита и гостеприимства, кроме кратковременного эффекта от хайпа?
В Wantful с помощью алгоритмов искусственного интеллекта пытались научить пользователей выбирать удачные персонализированные подарки для конкретных людей; в Teforia — правильно заваривать чай; в Polimobile — общаться с избирателями на политические темы. Все эти стартапы за короткое время прекратили свое существование. Наивно ожидать полного исключения человека из процессов, требующих креатива.
Не обязательно писать AI-модели с нуля — можно взять готовое решение из открытых библиотек.
Да, эффективно использовать готовое решение или собрать простую модель можно и без фундаментального математического образования. Но созданием своих эффективных алгоритмов под конкретные бизнес-процессы могут заниматься только профессионалы. Учитывая задачу и имеющиеся данные, они тонко настраивают алгоритмы компьютерного зрения, понимания естественного языка и классического машинного обучения. Специалисты также умеют составить оптимальный набор из доступных инструментов и правильно строить архитектуру решения.
Рассмотрим на примере торговой сети. Алгоритм кластеризации открытой библиотеки позволяет, не прибегая к услугам квалифицированного инженера машинного обучения, обработать сырые данные и разделить их по признакам, например сгруппировать магазины по товарообороту или проходимости. Но если ретейлер хочет разобраться в полученных данных (провести факторный анализ разбивки на кластеры, оценить корреляцию различных факторов, в том числе с бизнес-показателями, и т. п.), то ему придется нанять AI-специалиста. Последний применит более глубокий подход к обработке данных и напишет соответствующий задачам алгоритм.
Как не поддаться стадному чувству
В ближайшее время технологии AI точно будут востребованы в прогнозировании процессов, связанных с логистикой, загрузкой складов, построением маршрутов. Искусственный интеллект справится с персонализацией любого контента (тексты, видео, товарные предложения) для пользователя. Ретейл заинтересован в использовании AI для тонкой аналитики, проверки корректности чеков, распознавания лиц покупателей или заполненности полок с помощью камер. Вместе с тем, хайп, связанный с AI в творческих областях, будет сходить на нет, — процесс креатива и интеграции уникальных навыков и опыта каждого человека достаточно сложно воспроизвести алгоритмически.
Чтобы не попасть в ту самую половину аудитории, которая готова потратиться на искусственный интеллект из стадного чувства, нужно учесть следующие моменты.
В то же самое время, внедрять AI в кофейне — все равно что покупать атомный микроскоп в школьный кабинет (то есть абсолютно нерентабельно). Средний бизнес в последнее время часто заявляет об использовании искусственного интеллекта в какой-то цепочке действий, где это часто не нужно и не критично. В этом случае целесообразнее говорить о недолговечном маркетинговом эффекте, нежели о полезности самой технологии.
Если компания — AI-стартап, то очевидно, что для нее это ключевая технология. Речь в таком случае идет о полной автоматизации каких-либо областей, кардинальном изменении процессов, в результате чего сокращаются целые блоки, которыми раньше занимались отдельные компании и большой штат сотрудников.
Конечно, здесь нужно учитывать, что AI — это уже мейнстрим, рынок достаточно насыщен, а в некоторых сферах даже переполнен. Начинающей компании сложно выделиться на этом фоне и найти новую, относительно свободную рыночную нишу с существенным коммерческим потенциалом. Крупный бизнес обычно предпочитает выращивать команду разработки в своих стенах, чем прибегать к сторонним сервисам. У AI-стартапов есть будущее, только если они придумают нечто революционное, подобное мультиагентной системе для «Газпрома» (предотвращает миллиардные потери на логистике). Похожую технологию применили в Coca-Cola, сэкономив на транспортных расходах до 20%.
Нужна узкая настройка AI на операции, которые он выполнит лучше человека. Например, искусственный интеллект умеет работать с терабайтами текста, тогда как любой из нас потратил бы на это месяцы. С помощью алгоритмов можно сразу ранжировать и классифицировать печатную информацию, искать ее по интересующему запросу, а также распознавать изображения и выявлять людей по фото на видео. AI успешно внедряется в различных системах безопасности, например Aruba 360 Secure Fabric. Пример среднего бизнеса, где действительно стоит использовать алгоритмы, — частные охранные предприятия. Работу множества охранников, которые ежедневно сидят и вглядываются в мониторы, вполне можно автоматизировать.
AI для бизнеса: перспективы, проблемы, технологии и кейсы
Российские инвестиции в Artificial Intelligence (AI, ИИ) растут очень быстро, хотя пока выглядят невыразительно на фоне глобальных вложений в данное направление.
«Спрос на решения на основе ИИ растет, это общемировой тренд, и Россия не является исключением, — говорит Андрей Кузьмич, технического директора Cisco в России и СНГ. — За AI — будущее цифровой трансформации, с этим бессмысленно спорить».
Актуальность AI-инструментов для бизнеса уже имеет ряд подтверждений как в виде многочисленных отдельных кейсов, так и в форме статистики.
«Сейчас трудно представить отрасль, в которой ИИ не внедрен или не в процессе внедрения», — говорит Тимур Хабиров, основатель компании Prequel, подчеркивая, что сегодня решения на основе AI требуют робототехника, системы «умного дома» и «умного города», «интернет вещей» и т. д.
Организации, которые используют искусственный интеллект и другие перспективные технологии в финансовой и операционной деятельности, увеличивают ежегодную прибыль на 80% быстрее конкурентов, по данным отчета «Emerging Technologies: The competitive edge for finance and operations», подготовленного Oracle. Акцент был сделан на ИИ, но на работающий «в одной упряжке» с другими новыми технологиями — IoT, «облаками», BigData и т. д.
«Многие клиенты пока не очень хорошо ориентируется, какие именно продукты на базе AI есть на рынке, скорее они ищут инновационные продукты, способные решить их конкретные задачи и дать эффект для их отрасли, — говорит Максим Мельситов, заместитель руководителя департамента бизнес-решений компании Softline. — И в основном все эти продукты так или иначе связанны с нейросетями и искусственным интеллектом».
На этом разговор о перспективах AI можно завершить: они огромны. Важно, что существенно изменилось восприятие технологии на всех уровнях рынка, как отмечает Валентин Макаров, президент «Руссофт», за последнее время AI стал живым инструментом.
Отсутствие понимания как источник проблем
В большинстве случаев для бизнеса ИИ — новый способ программирования для прикладного, а иногда и системного ПО, в котором разработчики применяют методы, отличные от привычных алгоритмических подходов. Казалось бы, зачем бизнесу понимать особенности технических деталей? Однако в данном случае это нужно.
Отсутствие понимания со стороны бизнеса особенностей AI-инструментов и их места в рельефе современного ИТ приводит к нереалистичным, а порой даже странным ожиданиям от их внедрения и применения.
«Основные препятствия в продвижении AI-решений на российском рынке — завышенные ожидания, техническая неготовность компаний к внедрениям новых технологий и отсутствие грамотного бизнес-заказчика», — подчеркивает Денис Афанасьев, директор центра компетенций больших данных и искусственного интеллекта ЛАНИТ.
Некоторые ожидают увидеть ИИ в виде некоего «кибермозга» или «оракула», который дает ответы разные вопросы, и очень расстраиваются, когда такого не встречают. Понимание особенностей AI-инструментов уже на этапе постановки бизнес-задач приведет к ясности, в каких ситуациях AI будет нужен, в каких излишен, а в каких вообще неприменим, когда и зачем бывают нужны дополнительные аппаратные элементы для AI-решений, которые сейчас присутствуют и в смартфонах, и в суперкомпьютерах.
Математика AI крайне сложна, но рамочное понимание ее вполне доступно. Заметим, что специалисты очень не любят термин «искусственный интеллект», так как это некоторый маркетинговый термин, причем странно воспринимаемый значительной частью заказчиков, замечает Алексей Баров, генеральный директор «Платформа ОФД», однако за этим термином стоят многочисленные и сложные, но отработанные технологии.
Что такое AI сегодня для бизнеса?
Общепринятого определения нет даже в академической среде, не говоря уже о практиках и бизнесе. Термину «искусственный интеллект» уже более 60 лет, напоминает г-н Хабиров, но бум научных публикаций в этой сфере случился только в начале двухтысячных. Активное практическое применение пришло несколько позже. Однако и сейчас, как заметил Евгений Колесников, руководитель Центра машинного обучения «Инфосистемы Джет», зачастую каждый новый проект выглядит как экспериментальная инвестиция.
Сегодня под AI чаще всего понимают новый способ программирования, при котором происходит обучение нейросетей: глубокое или машинное (Deep Learning или Machine Learning). Специалисты предпочитают говорить о практическом применении «машинного обучения», говорит Александр Крайнов, руководитель лаборатории машинного обучения компании «Яндекс», еще соглашаются на с «машинным интеллектом». Без активного использования возможностей нейросетей к обучению сегодня ряд практических задач или невозможно решить или нельзя решить достаточно быстро для получения бизнес-значимого результата. Конечно, сводить всю проблематику AI к ML или DL неверно в принципе, такой подход крайне загрублен, но достаточно неплохо описывает происходящее в практических областях. Однако мы будем все же говорить про AI, так как этот термин сегодня можно считать наиболее общим из устоявшихся. Наш подчеркнуто грубый подход вполне применим для технических и бизнес-задач.
AI в виде «компьютерного оракула» существует — с начала десятых годов работает система IBM Watson, которая помогает принимать решения в сложных задачах маркетинга, финансовой аналитики, медицины, инжиниринга и т. д. Важно, что она может отвечать на вопросы, заданные на естественном языке, что продемонстрировала еще в 2011 году, победив в игре, аналогичной «Что? Где? Когда?». Как видно, Watson запустили в коммерческую эксплуатацию задолго до того, как AI стал драйвером ИТ-рынка, сейчас это развитое решение, получившее целую экосистему с «облачным» доступом, SDK и другими элементами. Однако Watson остается почти единственным в своем роде, а мы сейчас говорим о массовых реализациях AI для бизнес-задач.
Packman, Nvidia и AI
Принцип работы AI рассмотрим на одной показательной демонстрации, проведенной Nvidia в мае этого года. К сорокалетию культовой игры Packman провели красивый эксперимент: AI от Nvidia в процессе машинного обучения самостоятельно восстановил эту игру, но без программирования в традиционном плане, «отсмотрев» 50 тыс. часов игрового времени. Полностью функциональная игра была воссоздана только на основании анализа игрового процесса, ИИ не имел доступа ни к базовому коду классической программы, ни к ее алгоритмам. Результатом стал не привычный код, а прошедшая глубокое обучение нейросеть, воссоздающая Packman.
Отметим скорость работы: на воссоздание AI потратил 4 дня, в то время как оригинальный Packman в конце семидесятых писали 17 месяцев, прежде чем выпустить релиз 4 мая 1980 года. Это обстоятельство прекрасно показывает радикальный выигрыш в скорости разработки, что важно для бизнес-задач. Результатом работы стал не код, а обученная нейросеть — программа, результатом работы которой в данном случае будет классическая игра. Человек, играющий в воссозданный «нейро-Packman», отличий кода от «нейро» не заметит, но принципиальная разница в подходах к получению результата крайне важна для понимания сути применения AI. Например, отметим широту возможностей применения а также, как видно даже из истории с Packman, необходимость для ML «больших данных», на которых проходит обучение нейросети.
AI и BigData
AI и BigData тесно связаны между собой. Для машинного обучения нужны огромные массивы данных, которые вполне тянут на BigData, нет массивов для обучения — нет AI. Пример видео с 50 тыс. часами игрового времени из примера с Packman показывают, «насколько Big» должны быть данные для обучения нейросети для AI. Правда, в данном случае для обучения нейросети нужна не классическая BigData — большие объемы неструктурированной информации — а все же тщательно подобранные массивы данных, хотя и очень большого объема.
Умение правильно подбирать исходные данные для процесса обучения нейросетей является одной из специфических компетенций профильных специалистов, но не единственной. За процессом обучения также нужно следить и его направлять. Например, если выдают неправильные результаты, изменять наборы исходных данных и «переучивать» систему. Процесс обучения тоже не всегда может быть полностью автоматизирован, для большинства задач наряду с «машинным обучением» требуется еще и «экспертное», в ходе которого человек вручную указывает AI, какие решения для данной задачи являются правильными, а какие нет. Как видно, отладка тут тоже присутствует, хотя выглядит совершенно иначе, чем в привычном программировании. Разумеется, созданный результат нужно тщательно тестировать, как и любую другую систему.
И еще раз о кейсах с AI
«Средства искусственного интеллекта как инструменты аналитики в первую очередь должны решать практические задачи», — подчеркивает Игорь Хапов, директор по технологиям IBM в России и СНГ. И они решают. AI используют для самых разных задач, требующих «компьютерного зрения», распознавания голоса, анализа данных и т. д. Среди реализованных кейсов есть задачи самые разные, от массовых до экзотических.
«Среди самых популярных применений систем с ИИ мы выделяем системы распознавания образов (face recognition), обработку естественного языка и синтеза речи (natural language processing) и автоматизированные аналитические системы для предсказания результатов (predictive analytics)», — говорит Михаил Орленко, директор департамента серверных и сетевых решений Dell Technologies в России.
Экзотические задачи также встречаются часто, причем как в мегаполисах, так и в отдаленных регионах. «Например, был запрос от клиента с острова Сахалин, где требовалось детектировать медведей, которые собираются перебраться через реку, — говорит Иван Попков, руководитель направления прикладных решений для промышленности в компании КРОК. — Во время пандемии мы помогали организовывать удаленные заседания Мосгорсуда с распознаванием лиц участников».
Количество кейсов постоянно растет, есть реализованные весьма изящно. На прошлой неделе были анонсированы два российских решения на AI, использующих технологии распознавания для звуков, не для речи. Первая система предназначена для аэропортов и других мест скопления людей, способна из звуковой картины выделить звуки кашля, характерного для больных Covid-19, и привлечь внимание служб безопасности. Вторая — решение для мониторинга лесных массивов, препятствующее незаконным лесозаготовкам: анализируя звуки и вибрации, решение распознает проблему по миксу из звуков бензопил и гулу тяжелой техники, привлекая внимание правоохранителей к соответствующим площадям. Интересно, что вторая система, как и многие решения для работы «в поле», не требует широкополосного подключения, передавая данные в SMS.
Но подробно о значимых кейсах применения AI на вертикальных рынках будем говорить отдельно. Также рассмотрим необходимое для их реализации оборудование, что важно для канала.
Источник: Александр Маляревский, внештатный обозреватель CRN/RE