Искусственный интеллект – для вашего бизнеса. Руководство по оценке и применению. Берджесс Эндрю.

Искусственный интеллект – для вашего бизнеса. Руководство по оценке и применению. Берджесс Эндрю.

Если вы хотите разобраться, как использовать искусственный интеллект (ИИ) в своем бизнесе, чтобы сделать его более конкурентоспособным, инновационным и ориентированным на будущее, то вы, несомненно, на верном пути.

Так что же на самом деле умеет ИИ?

Как и при каких условиях он будет способствовать росту бизнеса? С чего вообще следует начинать? Цель этой книги – дать максимум информации об искусственном интеллекте, не отвлекаясь на сложные технологические подробности и терминологию.

Признанный международным бизнес-сообществом консультант по ИИ Эндрю Берджесс призывает руководителей не слишком доверять рекламе, не завышать ожидания, связанные с применением ИИ, и не впадать в крайности от эйфории до паники. Вместо этого он предлагает прагматичный и лишенный хайпа подход к описанию искусственного интеллекта. В основе книги лежит разработанная автором структура, которая рассматривает восемь основных практических функций ИИ, например распознавание образов, обработку естественного языка и прогнозирование трендов. Особенности применения и реальные возможности каждой функции подробно рассмотрены на реальных примерах.

Существует понятие «нейронные сети» — это термин, используемый для описания процесса, в котором искусственный интеллект имитирует способ обработки информации человеческим мозгом. Множество «нейронов» (в случае человека — это нервные клетки, которых у нас в мозгу около 100 млрд) связаны друг с другом с различной прочностью, причем прочность связи может меняться в процессе обучения как человека, так и машины.

Приведем простой пример. В случае с распознаванием изображения собаки нейрон, отвечающий за признак «черный нос», будет иметь прочную связь с нейроном, несущим ответ «собака», тогда как нейрон, отвечающий за признак «рога», с нейроном «собака» связи иметь не будет

Все нейроны искусственного интеллекта связаны друг с другом послойно, причем каждый слой характеризуется все возрастающим уровнем сложности. Описанная конструкция называется глубокой нейронной сетью, сокращенно — ГНС (англ. Deep Neural Networks, DNN). Архитектуру ГНС использует технология, называемая «машинное обучение», в которой модель разрабатывает сама машина, а не человек, пишущий код.

В целом эта книга посвящена только применению искусственного интеллекта в бизнесе, а не описанию заумных технологий.

Автор захотел написать эту книгу — чтобы донести понимание необходимости (и сложности) правильного диалога между разработчиками и предпринимателями туда, где его можно использовать наилучшим образом: на передний край развития бизнеса.

Эта книга написана для тех людей, которые прониклись идеей использовать искусственный интеллект на практике; людей, которые хотят превратить его в один из инструментов своего бизнеса, чтобы сделать его более конкурентоспособным, инновационным и ориентированным на будущее.

Однако такой результат возможен лишь в случае, когда лидеры и руководители бизнеса хорошо понимают, в чем именно заключаются возможности новой технологии и как ее можно применять на практике.

В этом и состоит цель данной книги: дать максимум информации об искусственном интеллекте, не отвлекаясь на сложные технологические подробности, чтобы научить вас принимать продуманные и обоснованные решения для своего бизнеса.

Но, что бы вы ни читали и ни слышали об искусственном интеллекте — не доверяйте рекламной шумихе.

2. КРАТКАЯ ИСТОРИЯ РАЗВИТИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.

История искусственного интеллекта насчитывает уже более 50 лет.

Большая часть ранних разработок в области искусственного интеллекта была основана на так называемых «экспертных системах».

Смысл их в основном заключался в идее «если имеем то-то, поступаем так-то».

У подобной программы нет способности к самообучению — главной отличительной черты любого интеллекта по определению.

Но, даже в наши дни описанный выше подход используется во многих чат-ботах.  Большинство таких программ являются лишь застывшим «древом принятия решений», неспособным самостоятельно развиваться.

Существует целый ряд онлайн-платформ  для разработки чат-ботов, где можно создавать свои собственные версии таких алгоритмов, используя все тот же подход. И для простых процессов они вполне пригодны.

В истории искусственного интеллекта было два затяжных периода «спячки», когда прогресс в этой области застывал на многие годы. Происходило это оба раза вследствие завышенных ожиданий от разработок, с последующим разочарованием и прекращением финансирования. Первая «спячка» длилась с 1974 по 1980 год. БОльшая часть финансирования была отозвана, а само выражение «искусственный интеллект» надолго вышло из моды.

Второй «ледниковый период» продолжался для искусственного интеллекта с 1987 по 1993 год и был в основном связан с неспособностью «экспертных систем» в 1985 году оправдать завышенные ожидания целого ряда корпораций, потративших миллиарды долларов на совершенствование этой технологии.

Рассказ о тяжелых для искусственного интеллекта временах важен потому, что возникает совершенно резонный вопрос: не является ли нынешний бум технологий искусственного интеллекта еще одним прецедентом, связанным с завышенными ожиданиями? Быть может, нас всех ждет уже третье по счету разочарование и прекращение дальнейших разработок?

Ожидания, сейчас, чрезвычайно высоки, однако если бизнес начнет сейчас верить всему, что говорится и пишется про искусственный интеллект, итогом может стать сильнейшее разочарование. Вот почему нам нужно как следует разобраться в том, что вынесло искусственный интеллект на нынешнюю волну популярности и почему в этот раз «заморозки» вряд ли повторятся.

С технологической точки зрения единственный термин, который вам следует запомнить на данный момент, — это «машинное обучение». Оно представляет собой современную версию экспертных систем, которую сейчас интенсивно финансируют, разрабатывают и применяют в самых различных областях.

В области ИИ сейчас действуют четыре основные движущие силы.

1 РОЛЬ БОЛЬШИХ ДАННЫХ.

Первой из движущих сил, породившей огромный интерес и создавшей высочайшую активность в области искусственного интеллекта, является колоссальный объем данных, доступных в современном мире.

БОльшая часть технологий искусственного интеллекта подпитывается массовыми данными — без них искусственный интеллект был бы бесполезен, как электростанция без топлива.

Чтобы обучить систему искусственного интеллекта (например, нейронную сеть) с той или иной степенью точности, требуются миллионы примеров.

Вот почему крупные интернет-компании и социальные сети, такие как Google и Facebook, настолько активны в сфере искусственного интеллекта — именно у них в первую очередь достаточно данных для такой работы.

Один только Facebook формирует около 4 млн гигабайт данных каждые 24 часа.

Если вы совершаете покупки в интернете, то записываются не только данные о самих покупках: каждая посещенная вами страница, время, которое вы проводите на них, просмотренные вами продукты — все это отслеживается, увеличивая объем и ценность данных, «скармливаемых» искусственному интеллекту.

Сейчас для сбора данных специально создаются новые компании, которые используют для получения информации другие (обычно бесплатные) сервисы.

(2 РОЛЬ ДЕШЕВЫХ НОСИТЕЛЕЙ ИНФОРМАЦИИ).

Второй «ускоритель» прогресса в области искусственного интеллекта — быстро снижающейся стоимости носителей информации в сочетании со все увеличивающейся скоростью доступа к данным и миниатюризации устройств, на которых они хранятся.

IBM научилась хранить информацию на носителях размером с один атом! Если этот подход получится использовать в промышленных масштабах, то, скажем, вся библиотека iTunes, содержащая 35 млн песен, сможет храниться на устройстве размером с обычную банковскую карту.

(3 РОЛЬ ВЫСОКОСКОРОСТНЫХ ПРОЦЕССОРОВ).

Третий участник современного бума в области искусственного интеллекта — это высокоскоростные процессоры.

Сейчас большую часть рынка компьютерных чипов для искусственного интеллекта заняла компания NVidia, один из основных производителей графических процессоров в мире.

Таким образом, скоростные процессоры позволяют искусственному интеллекту справляться со сложными задачами, используя большие объемы данных.

Возможность проводить обучение и принимать решения в режиме реального времени — один из последних рубежей для искусственного интеллекта. После его преодоления вряд ли что-то помешает повсеместному использованию ИИ во всех областях нашей жизни.

4. ОБЪЕДИНЯЮЩАЯ РОЛЬ СЕТИ.

Последний фактор быстрого развития искусственного интеллекта — это формирование общепланетарной системы компьютерной связи.

Для искусственного интеллекта это означает, что большая часть ресурсоемкой обработки данных в реальном времени может выполняться на центральных серверах, а пользовательские устройства могут просто выступать в качестве внешнего интерфейса.

Apple Siri и Amazon AlЕxa  являются прекрасными примерами реализации деятельности искусственного интеллекта, при которой для выполнения самой тяжелой работы используются гигантские вычислительные мощности в центрах обработки данных.

Кроме того, различные системы искусственного интеллекта могут связываться друг с другом через интернет и свободно обмениваться «знаниями». Так, программа Robobrain, использует общедоступные данные (тексты, звуки, изображения, фильмы) для обучения систем искусственного интеллекта, к которым могут обращаться и другие аналогичные системы. И наоборот, системы «получателей» будут возвращать все, что они «познают», в Robobrain. Задача Robobrain состоит в том, чтобы преодолеть общую современную проблему искусственного интеллекта — узость и чрезмерную специализированность каждой конкретной системы.

Иначе говоря, Robobrain пытается стать «всем для всех» в мире робототехники. На специфическом языке компьютерщиков это называется мультимодальностью.

(ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ «В ОБЛАКЕ».)

 Четыре движущие силы, о которых мы рассказали выше, еще никогда и нигде не объединялись вместе с таким эффектом, как это произошло в концепции «облачного» искусственного интеллекта.

У Google, IBM и Amazon, есть облачные решения для искусственного интеллекта, которые предлагают легкодоступные API-интерфейсы (это интерфейсы прикладного программирования, по сути стандартизированные точки доступа к инструментам программирования) для разработчиков интерфейса искусственного интеллекта.

Например, платформа IBM Watson — высокотехнологичный искусственный интеллект-ресурс — представляет собой просто серию API, каждый из которых выполняет определенную функцию, такую как распознавание речи или генерация вопросов и ответов.

Google TensorFlow — еще одна платформа искусственного интеллекта с открытым исходным кодом, которая предлагает аналогичные возможности плюс некоторые дополнительные функции, например, библиотеку предварительно обученных алгоритмов.

Для руководителя, желающего использовать искусственный интеллект в своем бизнесе (тот факт, что вы читаете эту книгу, возможно, говорит о подобном желании), важно понять, как именно искусственный интеллект создает определенные коммерческие ценности.

ЧТО ТАКОЕ МАШИННОЕ ОБУЧЕНИЕ?

Итак, мы рассмотрели четыре основных фактора, способствующие исключительно быстрому прогрессу искусственного интеллекта и его активному внедрению во все сферы бизнеса: «большие» данные, дешевые носители информации, быстрые процессоры и сети электронных коммуникаций по всему миру.

Кроме того, каждое из перечисленных достижений компьютерных технологий выступало как катализатор для всех остальных.

И все же в самом сердце деятельности, питающей искусственный интеллект, лежит машинное обучение.

По сути, в этом случае «код» пишет не человек, а машина. Разработчик-человек лишь «засевает поле», определяя тот алгоритм (или группу алгоритмов), которые подлежат обучению, а затем машина уже сама использует те или иные данные для разработки решения, специфического для конкретной задачи.

Чем больше данных мы передадим в модель, тем больше у машины шансов уточнить «вес» тех или иных связей и тем более точным будет решение.

ЧТО ПРЕПЯТСТВУЕТ РАЗВИТИЮ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА?

Самым серьезным препятствием на пути разгона искусственного интеллекта до космических скоростей являются завышенные ожидания.

Главной мотивацией написания этой книги было стремление спустить искусственный интеллект «на землю», чтобы его можно было оценивать по его реальной стоимости сегодня и завтра.

Другие факторы препятствующие развитию ИИ – невежество и регулирование со стороны государства, банков и других учреждений, обладающих властью.

НЕКОТОРЫЕ ПРИМЕРЫ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.

Одна из лучших сфер применения искусственного интеллекта сегодня — это обслуживание клиентов.

Хорошим примером работы искусственного интеллекта в юридическом секторе является система ROSS, построенная вокруг платформы IBM Watson. Эта система использует целый ряд возможностей искусственного интеллекта, включая распознавание естественного языка (англ. Natural Language Understanding, NLU), поиск и оптимизацию. Когда у адвоката возникает вопрос, требующий дополнительного поиска и исследования, он может обратиться к системе ROSS и ввести запрос на обычном английском языке (без чрезмерных усложнений). Затем система проводит «опрос» всего свода законов о занятости и в течение нескольких секунд предоставляет юристу ответы, ранжированные по релевантности.

Предприниматели должны сосредоточить внимание на экономическом обосновании ИИ. Они должны понимать, как они собираются управлять ИИ и рисками, связанными с любыми новыми технологиями.

Руководителям следует внимательно анализировать свои подходы, пользоваться консультациями экспертов и добиться того, чтобы постоянно быть на пике технологий, а не плестись в хвосте.

3. СТРУКТУРА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ГРАНИЦЫ ЕГО ВОЗМОЖНОСТЕЙ.

Единственный способ в бизнесе по-настоящему извлечь выгоду из искусственного интеллекта — это научиться в нем как следует разбираться.

Еще одна перспектива для внедрения искусственного интеллекта в бизнесе  — это метаанализ данных с возможностью объяснения и предсказания. Самое важное, что нужно понять в этой схеме, — искусственный интеллект «стремится достичь» трех важнейших целей: захват информации, определение сути процесса и выявление причин, вызывающих этот процесс. Каждая из моих восьми функций ИИ вписывается в одну из этих целей (рис. 3.1).

Искусственный интеллект способен обнаруживать шаблоны или кластеры сходства, невидимые для человека. Эти шаблоны позволяют предоставлять информацию конечному пользователю в такой форме, которая имеет реальную ценность для бизнеса. Например, искусственный интеллект может находить закономерности между предпочтениями клиентов и, например, демографическими данными.

Следующая цель искусственного интеллекта заключается в том, чтобы определить суть процесса, стоящего за данными.

Например, для извлечения уже кем-то произнесенных слов из звукового файла или живого разговора можно использовать распознавание речи, но в этот момент искусственный интеллект получил бы только отдельные слова, а не смысл того, что человек пытался сказать. Вот здесь должны подключиться алгоритмы понимания естественного языка (NLU) — они берут поток слов и пытаются определить содержание или значение законченных предложений.

Подробно рассмотрим каждой из восьми конкретных функций искусственного интеллекта.

1. РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ

Распознавание изображений основано на машинном обучении и требует тысяч и даже миллионов маркированных изображений для обучения.

Для каких задач вы можете использовать распознавание изображений?

Есть три основных типа подобных задач.

Вероятно, самые популярные из ИИ-приложений — те, что идентифицируют на картинках различные объекты.

Создание тегов для классификации фотографий является ярким примером контролируемого обучения.

Другое использование функции распознавания изображений — это поиск графических файлов, похожих на данный рисунок или фотографию. Одни из самых популярных инструментов для этого — приложение Google Reverse Image Search. Вы просто загружаете изображение в сеть, и алгоритм будет искать все изображения, похожие на ваш оригинал (этот метод часто используется для защиты авторских прав).

И наконец, еще один тип приложений для распознавания изображений отвечает за поиск различий. Наиболее распространено использование этих алгоритмов в медицинской визуализации (рентген, томография и т.п.). Системы искусственного интеллекта используются для просмотра изображений органов человека и выявления любых аномалий, таких как опухоли или инородные предметы.

IBM Watson показывает более точные результаты при определении меланом, чем при диагностике вручную (ИИ здесь дает точность около 95% по сравнению с показателями от 75% до 84% для врачей).

Сервис Find Face может сопоставить с точностью около 70% лицо, на которое вы наводите камеру, с профилем пользователя «ВКонтакте».

Вторая функция ИИ. РАСПОЗНАВАНИЕ РЕЧИ.

Машина получает извне звуки и перекодирует их в слова и предложения, форматированные как текст.

Для распознавания речи используют контролируемое обучение, при котором закодированные слова сопоставляются с помеченными обучающими образцами речи.

Важнейшим фактором является объем словаря, используемый разными людьми для описания той или иной ситуации.

Контекст играет в распознавании речи огромную роль.

Глубокие нейронные сети, особенно специфический их тип, называемый «рекуррентная нейронная сеть» (англ. Recurrent Neural Network), очень неплохо умеют «заглядывать» назад и вперед через предложение, чтобы постоянно уточнять вероятность появления того или иного смысла у многозначных слов.

Распознавание речи и родственное ему понимание естественного языка (NLU) разрабатываются сейчас очень активно.

В качестве пользовательского интерфейса распознавание речи, вероятно, станет с годами основным методом ввода информации для большинства автоматизированных процессов.

3. ПОИСК ИНФОРМАЦИИ (другой общий термин для этого процесса — «извлечение информации»).

Извлечение информации в виде значимых для какой-либо цели слов и предложений из свободно написанного текста осуществляется методом, известным как анализ естественного языка (англ. Natural Language Processing, NLP).

Алгоритмы понимания естественного языка (NLU) обычно описываются как подмножество алгоритмов NLP.

Характерным примером полуструктурированного документа является счет-фактура. Традиционный способ получения информации из счета-фактуры и преобразование ее в определенный стандарт записи — использование системы оптического распознавания символов (англ. Optical Character Recognition, OCR) и шаблона для каждой отдельной версии счетафактуры (их существует несколько сотен), чтобы алгоритм «понимал», откуда он берет тот или иной тип данных.

В случае неструктурированного текста, такого как электронные письма, напечатанные в свободной форме, искусственный интеллект может делать две вещи. Первая — классифицировать текст, сопоставляя образцы слов с теми, которые он уже выучил.

Вторая принципиальная операция с текстами, характерная для искусственного интеллекта, — это извлечение «именованных объектов». Именованным объектом может быть имя собственное — например, топоним или имя человека — или даже дата или число.

основная привлекательность данной функции на сегодня заключается в том, что она обеспечивает полезное дополнение к алгоритму Robotic Process Automation (RPA), поскольку роботам в качестве входящей информации нужны уже структурированные данные, а интеллектуальный поиск способен эффективно превратить неструктурированный текст в структурированные данные, открывая таким образом доступ к множеству задач, для решения которых требуется анализ, основанный на работе RPA.

4. КЛАСТЕРИЗАЦИЯ.

Кластеризация  работает со структурированными данными и ищет среди них шаблоны и кластеры сходства; то есть, по сути, это компьютерный классификатор. Данная функция способна к неконтролируемому обучению.

Чем больше у вас данных, тем больше вы можете быть уверены в обнаруженных программой шаблонах.

Хороший пример использования кластеризации — классификация потребителей по группам в соответствии, скажем, с данными о покупательском поведении клиентов.

Преимущество этого подхода, в том, что искусственный интеллект непредвзят в отношении любых данных.

Искусственный интеллект способен дать людям совершенно иной взгляд на многие ситуации, и как раз в этом состоит значительная часть приносимой им пользы.
Функция кластеризации используется в современном бизнесе с большим размахом.

5. ПОНИМАНИЕ ЕСТЕСТВЕННОГО ЯЗЫКА (NLU).

Некоторые эксперты фактически объединяют и поиск информации, и распознавание смысла под единым термином «анализ естественного языка» (NLP).

главная цель — определить, как собрать слова в правильную и пригодную для понимания структуру (синтаксический анализ), и выявить истинный смысл слов и предложений (семантический анализ).

Модели NLU используют методы контролируемого обучения для создания модели входящего текста. Все такие модели являются вероятностными, что означает, что ИИ может принимать более свободные, не фиксированные жестко решения о том, что означают те или иные слова.

Отлично демонстрирует проблему многозначности (полисемии) предложение «Время летит как стрела» (англ. «Time flies like an arrow»), которое помимо своего всем известного иносказательного значения («время движется стремительно») легко может быть воспринято носителями английского языка как совершенно бессмысленная, но синтаксически абсолютно корректная фраза «Мухам времени нравится стрела». Сходным примером из русского языка может быть объявление: «Лечу от всех болезней» — с ехидным комментарием: «От всех не улетишь!».

Для получения большего количества индивидуальных ответов требуется определенный поднабор NLP, называемый генерированием естественного языка (Natural Language Generation, NLG). Генерацию естественного языка можно рассматривать как процесс, обратный NLU, и она, вероятно, представляет собой самую сложную область во всем анализе естественного языка.

Понимание естественного языка пытаются использовать и для распознавания эмоций, стоящих за той или иной фразой, — эту область называют «анализ настроений» (англ. sentiment analysis).

Анализ настроений уже широко используется для оценки сообщений, поступающих от клиентов, например, через Twitter и TripAdvisor. Это позволяет компаниям оценить, как их продукты или услуги воспринимаются на рынке, без лишнего анкетирования и опросов и позволяет им реагировать на возникающие проблемы в режиме реального времени.

6. ОПТИМИЗАЦИЯ.

«Оптимизация» включает в себя решение проблем, планирование и сопоставление различных вариантов.

Если вы знаете набор возможных начальных состояний, желаемую цель и описание всех возможных действий, которые помогут вам достичь поставленной цели, искусственный интеллект может выявить то решение, которое приведет к этой цели, используя оптимальную последовательность действий от любого из начальных состояний.

Хороший пример проявления возможностей оптимизирующих компьютерных моделей — обучение искусственного интеллекта компьютерным играм.

Система AlphaGo использует концепцию обучения с подкреплением. Сначала ИИ изучает 30 млн ходов из партий в го, выигранных людьми. Затем система разыгрывает различные версии партий сама против себя, чтобы выработать наилучшие стратегии. И наконец, искусственный интеллект использует эти стратегии в долгосрочном планировании ходов в реальных партиях.

Системы когнитивного мышления работают, создавая так называемую «карту знаний» в конкретной моделируемой области.

Карты знаний связывают между собой понятия (скажем, «еда» или «человек»), реальные примеры и различные виды взаимоотношений («любимая» еда и т.п.).

При выработке рекомендации «ум» системы движется от исходной точки к конечной, используя кратчайший маршрут на карте.

Обучение с подкреплением — еще одна область искусственного интеллекта, где в настоящее время наблюдается большая исследовательская активность.

Обучение с подкреплением по сути является одним из расширений динамического программирования (его иногда называют «приблизительным динамическим программированием»).

Тактика, которая обычно используется в обучении с подкреплением, заключается в том, чтобы системы искусственного интеллекта играли друг против друга. Программа AlphaGo была обучена игре Го на примере партий, сыгранных людьми, но затем все время играла сама против себя.

Точнее сказать, друг с другом играли две слегка отличающиеся версии AlphaGo, оттачивая свою технику в тысячах партий между собой.

Играя друг с другом, машина (или обе машины) превзошла человека в мастерстве. Этот подход, известный как «генеративносостязательные сети» (англ. Generative Adversarial Networks), вместе с возможностью для алгоритмов настраиваться самостоятельно является очень действенным методом проверки систем искусственного интеллекта на жизнеспособность.

Недавние разработки в области искусственного интеллекта позволили создать целый ряд «двойных» систем, которые позволяют постоянно отслеживать как долговременную, так и кратковременную стратегии.

Идея объединить несколько техник искусственного интеллекта пригодилась и тогда, когда ИИ-система, называемая Libratus, совершенствовалась в игре в покер — до такой степени, что научилась побеждать даже опытных игроков-людей. Эта система использовала три различных типа искусственного интеллекта: первый проходил обучение с подкреплением, чтобы научиться игре в покер с нуля; вторая система, ориентированная на игровой результат, позволяла первой системе сконцентрироваться на ближайших ходах. А когда некоторые из игроков-людей смогли обнаружить закономерности в том, как машина делает ставки, то была добавлена третья система, которая мгновенно отыскивала слишком шаблонные действия и вводила в тактику игры компонент случайности, чтобы скрыть «намерения» своих коллег-роботов.

7. ПРОГНОЗИРОВАНИЕ.

Функция прогнозирования, как правило, опирается на функцию кластеризации.

«Рекомендации», на самом деле является прогнозом, который делает компания, чтобы продать вам как можно больше товаров.

Одними из самых мощных в мире систем прогнозирования являются метеорологические.

Одна из самых больших проблем в области автоматизированного предсказания — так называемое «непреднамеренное смещение» (англ. unintended bias; или «непреднамеренная предвзятость»). Например, если в обучающем наборе содержатся резюме кандидатов и решения о найме, то предубеждения людей, повлиявшие на выбор кандидатов, унаследуются компьютерным алгоритмом: он никак не сможет сделать их более объективными.

Еще один принципиальный, «врожденный» недостаток предсказаний, делаемых искусственным интеллектом, — это их непрозрачность процесса принятия решений.

Прогнозирующая функция искусственного интеллекта — одна из самых активно разрабатываемых и используемых в современности.

8. ПОНИМАНИЕ.

«Понимание» — это способность машины осознавать, что она делает или думает, или, по крайней мере, действовать так, словно она это осознает. Подразумевается, что столь совершенный искусственный интеллект действительно понимает намерения и мотивы людей, а не просто перерабатывает цифры в соответствии с алгоритмами.

Сильный искусственный интеллект — это компьютер, который действует, будто бы обладая разумом, независимо от того, действительно ли разум у него есть.

Существует, например, проект национального масштаба в Швейцарии, названный «Голубой мозг» (Blue Brain), который направлен на создание цифровой реконструкции интеллекта с помощью «обратной инженерии» нейронных цепей в мозге млекопитающих. В Соединенных Штатах запущен проект BRAIN, тоже направленный на моделирование реального мозга.

Компания DeepMind разрабатывает подход, называемый Elastic Weight Consolidation («гибкое объединение статистических весов»), который позволяет алгоритму учиться заново, сохраняя при этом часть знаний, полученных при изучении предыдущей задачи.

ИСПОЛЬЗОВАНИЕ ФУНКЦИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.

Рис 3.3. Итак, знания, которыми вы теперь обладаете, должны позволить вам сделать следующие три вещи.

1. Определить возможности искусственного интеллекта, подходящие для вашего бизнеса.

2. Перестать смотреть на искусственный интеллект через призму поднятой вокруг него шумихи.

3. Стать реалистом. Является ли именно искусственный интеллект наиболее подходящим решением — или есть более простые и эффективные?

4. ТЕХНОЛОГИИ, АССОЦИИРОВАННЫЕ С ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ.

Рассмотрим некоторые технологии, связанные с искусственным интеллектом и доступные практически каждому желающему.

Некоторые из этих технологий основаны на том или ином программном обеспечении, например на RPA. Это относительно новая технология, которая автоматизирует процессы, основанные на определенных правилах, но при этом едва справляется с неструктурированными данными и принятием решений. Широко используемые сейчас облачные вычисления представляют собой комбинацию программных и аппаратных функций и являются важнейшим механизмом поддержки искусственного интеллекта.

«Краудсорсинг» (англ. Crowd Sourcing) — метод, позволяющий классифицировать и «рафинировать» сырые данные весьма эффективным и гибким способом — с помощью настоящего мозга — и поэтому чрезвычайно полезный для развития искусственного интеллекта.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ОБЛАЧНЫЕ ТЕХНОЛОГИИ.

Многие специалисты уже говорят об облачном искусственном интеллекте как о следующем большом прорыве в мире информатики и компьютеров.

Одним из наиболее простых облачных приложений в сочетании с искусственным интеллектом является предоставление больших открытых наборов данных.

Облако обеспечивает куда больше возможностей, нежели простой доступ к данным, — чаще всего оно еще и обрабатывает данные.

На рынке облачного ИИ в настоящее время доминирует крайне малое число провайдеров: в сущности, их всего три — Amazon, Google и Microsoft. Только три компании предлагают полный набор услуг искусственного интеллекта, включая доступ к готовым для использования обученным алгоритмам.

Как правило, предложения продуктов искусственного интеллекта «из облака» включают четыре основных компонента. В качестве основы для их описания я использую здесь модель компании Amazon.

Инфраструктура. Состоит из виртуальных серверов и процессорных модулей, которые необходимы для размещения данных и приложений, обучающих и запускающих системы искусственного интеллекта.

Фреймворки. Это службы разработки приложений искусственного интеллекта, которые применяются для создания индивидуальных ИИ-систем. Они могут включать в себя предварительно установленные и настроенные платформы, такие как TensorFlow и Caffe.

Программные платформы. Используются разработчиками искусственного интеллекта, которые имеют свои собственные наборы данных, но не имеют доступа к алгоритмам. На платформах можно разворачивать обучение искусственного интеллекта и управлять им, а кроме того, размещать различные модели ИИ.

Услуги. Для тех, кто не имеет доступа к данным или алгоритмам, службы искусственного интеллекта предлагают предварительно обученные алгоритмы. Это самый простой способ получить доступ к конкретным функциям искусственного интеллекта с минимальными техническими знаниями о том, как они работают.

Сегодня многие предприятия, вместо того чтобы создавать свои собственные ИИ-приложения, применяют облачный искусственный интеллект. Например, один пивовар в Орегоне, США, использует эти услуги для контроля своих технологических процессов; публичные телекомпании применяют облачные приложения для идентификации и маркировки людей, которые появляются в телепрограммах; школы используют соответствующие услуги для прогнозирования оттока учеников, а некоторые коммерческие компании, такие как FMCG, пользуются облачным ИИ для анализа заявлений о приеме на работу.

Одна из причин, по которой лидеры облачных сервисов предлагают свои технологии искусственного интеллекта практически бесплатно, заключается в том, что благодаря обширной клиентуре они получают доступ к огромному количеству данных, которые в определенном смысле можно назвать «валютой» для искусственного интеллекта.

Облачный искусственный интеллект все же создает ощущение некой «технологической демократизации», когда все больше и больше людей получают простой и дешевый доступ к лучшим интеллектуальным разработкам.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И АВТОМАТИЗАЦИЯ РОБОТИЗИРОВАННЫХ ПРОЦЕССОВ.

Автоматизация роботизированных процессов (англ. Robotic Process Automation, RPA) — относительно новый тип программного обеспечения, которое может выполнять за человека некоторые рутинные повторяющиеся операции завершенного характера, основанные на четко соблюдаемых правилах (так называемые «транзакционные» операции, англ. transactional).

Технология RPA использует (на самом базовом уровне) автоматизацию для того, чтобы заменить целую последовательность человеческих действий.

Представьте себе процедуру подачи заявки на получение кредита через интернет.

Машина должна получать входящие данные из веб-браузера, отправлять другие данные в CRM-систему, в систему проверки кредитов, финансовую систему, в систему поиска адресов и т.д.

Роботизированная автоматизация процессов может заменить почти все транзакционные операции, выполняемые человеком, причем с гораздо меньшими затратами (примерно вполовину ниже).

Системы RPA воспроизводят человеческую работу, основанную на правилах, используя простые инструменты отображения процессов, то есть взаимодействуют на уровне предоставления функций, и это означает, что нет необходимости изменять какие-либо из базовых систем.

Если процесс меняется, нужно будет переучить только одного робота и только один раз, а не переквалифицировать целую группу исполнителей.

Ряд преимуществ системы RPA:

стоимость работы робота составляет лишь малую часть стоимости работы человека (от трети до десятой части);

после обучения робот способен выполнять процесс непрерывно;

каждый шаг, который делает робот, регистрируется, обеспечивая возможность полностью прозрачного аудита.

Это означает, что всюду, где есть процессы, основанные на правилах, воспроизводимые и способные использовать (или уже использующие) ИТ-системы, человек может быть заменен программным роботом.

Примеры, где RPA уже продемонстрировала особую эффективность.

1. Компания O2 заменила 45 офшорных сотрудников, общая заработная плата которых составляла около 1,35 млн долларов в год, десятью программными роботами единоразовой стоимостью лишь 100 000 долларов. Автоматизация полностью обеспечила выдачу клиентам новых SIM-карт.

2. Barclays Bank обеспечил себе ежегодно сокращение затрат на обслуживание сомнительных долгов на 175 млн фунтов стерлингов и сэкономил более 120 эквивалентов полной занятости. Примеры автоматизированных процессов в этом банке включают в себя:

 автоматическое закрытие мошеннических или скомпрометированных счетов;

автоматизированный процесс мониторинга отраслевых рисков, сопоставление и мониторинг показателей операционного риска в сети филиалов;

автоматизированный процесс обработки новых заявок на кредит.

Главная причина, по которой программное обеспечение RPA представляет особый интерес для пользователей искусственного интеллекта, заключается в том, что, хотя программное обеспечение RPA способно управлять процессами очень эффективно, сами роботы — механизмы «тупые»: они будут делать именно то, что им велено, с непоколебимой последовательностью. Во многих случаях это даже очень хорошо.

Одним из самых больших ограничений автоматизации процессов с помощью RPA является то, что роботам на входе требуются структурированные данные. Робот должен точно знать, где находятся требуемые данные, и, если он не находит их в ожидаемом месте, процесс полностью останавливается.

Искусственный интеллект, в частности функция поиска, позволяет преобразовывать неструктурированные или полуструктурированные исходные данные в структурированные, после чего они становятся доступными для роботов.

RPA может использоваться в качестве «поставщика данных» для систем ИИ.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И РОБОТОТЕХНИКА.

примеры механических роботов, в которых применяется искусственный интеллект.

1. Автономные транспортные средства — легковые и грузовые автомобили используют ИИ для интерпретации данных, поступающих от датчиков. Например, интерпретируются данные, получаемые с помощью компьютерного зрения, задействующего локаторы LIDAR, которые по принципу работы идентичны радарам, но функционируют в диапазоне видимого света. На основе результатов анализа беспилотный автомобиль меняет или сохраняет режим движения.

 2. Индустриальные роботы. Современные производственные роботы намного безопаснее и легче в обучении именно потому, что в них встроен искусственный интеллект. Например, Baxter — робот, может работать на производственной линии без защитной клетки, потому что он немедленно останавливается в случае опасности и риска кому-либо навредить. Этого робота можно тренировать, просто двигая его руками и телом в необходимой последовательности, вместо того чтобы программировать каждое движение отдельно.

3. Медицинские роботы. Использование роботов для помощи медицинскому персоналу или даже вместо него — при уходе за больными или ослабленными людьми. Другая группа роботов, называется роботами удаленного присутствия (англ. telepresence robots) — это мобильные модули, которые могут перемещаться по больницам, будучи при этом «подключены» через видео и звук к живым врачам, находящимся в другом месте.

4. Обслуживающие (сервисные) роботы. Движущиеся роботы приветствуют и обслуживают клиентов. Помимо обслуживания клиентов в магазине, видоизмененные версии этих роботов могут выполнять роль официантов в ресторанах или консьержей в отелях. Есть даже интересные примеры того, как роботы обучаются навыкам чтения материалов в интернете — зафиксирован один реальный случай, когда робот научился готовить блины, читая статьи на WikiHow.

5. Групповая робототехника. Это особая область автоматизированных технологий, где множество небольших машин работают совместно. В целом это технология наземная, но работать эти группы могут также в воздухе, на воде или под водой и, как правило, используются в условиях, опасных или непригодных для людей, например при спасательных работах или в военных операциях (в качестве автономного вооружения).

Искусственный интеллект используется еще и для того, чтобы помочь самим роботам учиться. Когнитивная робототехника может считаться физическим воплощением искусственного интеллекта.

Умные механические роботы потенциально могут одолеть нас, особенно если они будут способны сами создавать улучшенные версии самих себя. Уже известны примеры того, как когнитивные роботы совершенствуют свои копии.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И «ИНТЕРНЕТ ВЕЩЕЙ» .

«Интернет вещей» (англ. Internet of Things, IoT) представляет собой объединенные в общую сеть несложные физические устройства и приборы, совместно подключенные к интернету.

IoT-устройства используются в современном бизнесе для следующих целей:

-управление цепочками поставок путем мониторинга движения продукции;

— минимализация потребления воды и электроэнергии (например, интеллектуальные счетчики, которые контролируют потребление энергии каждые 15 минут, уже распространены во многих домах);

— улучшение качества обслуживания клиентов путем предоставления персонализированного контента на основе данных IoT-устройств;

повышение сельскохозяйственной урожайности с помощью анализа полевых датчиков для обеспечения точного режима полива растений, кормления животных и т.п.

Связка IoT + ИИ помогла компания Google на 40% уменьшить энергию, используемую для охлаждения в одном из центров обработки данных.

Еще одна область, где IoT и ИИ эффективно работают вместе, — это развитие технологии «умных городов» (англ. Smart Cities).

Например, датчики, встроенные в уличное освещение и городскую «мебель» (скамейки, беседки и т.п.), способны измерять частоту шагов прохожих, уровень шума и загрязнения воздуха; вся эта информация используется затем для определения приоритетов городского обслуживания.

По мере увеличения числа устройств IoT во всем мире ( в 2020 году на Земле функционирует уже около 50 млрд устройств) искусственный интеллект будет все больше нуждаться в «осмыслении» всех тех данных, которые эти приборы генерируют.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И КРАУДСОРСИНГ.

Краудсорсинг — это организационный прием, при котором большое количество людей привлекается для выполнения небольших частей процесса (микрозадач).

Другая роль краудсорсинга в контексте искусственного интеллекта заключается в предоставлении дополнительных функций, если искусственный интеллект не обеспечивает достаточной уверенности в ответах.  Такой подход обычно называется «цикл с участием человека» (англ. Human In The Loop, HITL).

Третий вариант использования краудсорсинга в связке с искусственным интеллектом заключается в разработке обучающих данных.

Электронная книга https://t.me/kudaidem/1277