AI Fear

Исскуственный Интеллект: Вера сильнее страха?

Оригинал статьи – http://bit.samag.ru/archive/article/1920

Исследовательская компания рынка технологий Vanson Bourne провела по заказу корпорации Teradata опрос руководителей 260 международных организаций о том, используют ли они технологии искусственного интеллекта (ИИ). Оказалось, что большинство предприятий (80%) все больше инвестируют в технологии ИИ. При этом компании ожидают, что на пути внедрения технологий ИИ могут возникнуть серьезные препятствия. А как у нас?

Для начала сделаю небольшое отступление. Рассказывая про технологии искусственного интеллекта, очень важно управлять ожиданиями рынка, преждевременно их не завышать и регулярно заземлять на конкретные примеры использования. Иначе есть риск повторить судьбу Big Data, о которой расскажу в конце. Поэтому, говоря про технологии ИИ, мы, прежде всего, имеем в виду прикладное машинное обучение (Machine Learning или ML). Нейронные сети, Deep Learning — это всё методы машинного обучения, коих, на самом деле, довольно много, а фундаментальное отличие машинного обучения позволяет ему проникнуть во множество отраслей.

Фундаментальное отличие машинного обучения от других технологий в том, что оно работает по принципу черного ящика. Вместо написания сложного поведенческого алгоритма, мы учим ящик реагировать, как нам надо на большом объёме данных. Конечно, сами модели ML могут быть очень сложными, с несколькими слоями, технологиями, дополнительной логикой. Но в конечном итоге эта сложность окупается способностью обученной модели давать точные предсказания с высокой скоростью работы.

На российском рынке машинного обучения сейчас интересная ситуация. С одной стороны мы имеем санкции, экономический спад, отсутствие четкой программы на восстановление и поддержку наукоёмких ИТ. Бюджеты на ML есть только у крупных и, часто, связанных с государством компаний. С другой стороны у нас есть сильная математическая база, накопленная в советские времена, когда идей и алгоритмов придумали много, а вычислительных мощностей и технологий не хватило для расчётов на больших данных. Есть много умных мальчишек и девчонок в разных городах, которые быстро осваивают технологии машинного обучения и прокачиваются в мат. статистике. Да, многие специалисты из поколения Y очень перспективны, и с ними нужно учиться работать, адаптировать устаревшие подходы, и они того стоят. То есть у нас есть математическая база, есть специалисты и есть развивающийся рынок потребителей в виде крупных компаний, к которым медленно подтягиваются средние и небольшие компании (SME).

А ещё есть более развитый международный рынок, и многие российские специалисты работают на подряде у американских компаний, либо разрабатывают продукты для международного рынка. Николай Давыдов из Gagarin Capital на днях написал, что его в кремниевой долине чуть ли не каждый день просят найти русских разработчиков по ML, у них нехватка кадров, а наши специалисты лидируют по цене/качеству.

1. В «Техносерве» направление машинного обучения, вместе с обработкой больших данных, выделено в отдельный центр компетенций с прямым подчинением топ-менеджменту и особым вниманием руководства. В этом году наш центр компетенций растёт, мы набираем людей и у нас появились крупные интересные проекты, на которые компания делает ставку. Также мы активно развиваем продуктовое направление, потому что готовые программные решения более маржинальны и тиражируемы. Для компании, отмечающей своё 25-летие и много лет проработавшей с крупными государственными проектами, это очень хороший показатель понимания приоритетов развития технологий.

3. Для нашей страны проникновение технологий машинного обучения вызовет эффект взорвавшейся бомбы в первую очередь в государственных учреждениях. Основной эффект от ML — это в первую очередь оптимизация и экономия ресурсов (количества специалистов и времени лиц, принимающих решения). В нашем понимании госкомпании — это огромные монстры с большими бюджетами, сложными бизнес-процессам, долгими сроками принятия решений и избыточным персоналом. Это касается многих сфер, контролируемых или регулируемых государством. Большинство понимает необходимость перемен и текущий кризис, вместе с прикладными решениями по автоматизации, нам в этом, безусловно, помогут.

Из отдельных отраслей я бы выделил здравоохранение с развивающейся телемедициной, где возможности ML могут помогать в идентификации больных, в постановке диагнозов, подборе препаратов и контроле лечения. В электроэнергетике с автоматизированным детальным предсказанием пиков потребления, предсказанием поломок и раннего ремонта в сложных и дорогих газотурбинных установках, ГЭС и даже на атомных электростанциях. Кстати, недавно Росатом объявил о создании фонда в 6 млрд рублей, направленных на развитие высокотехнологичных решений в своей отрасли. В отрасли торговли я выделяю Интернет-торговлю (e-commerce), наступающую на пятки оффлайновым магазинам. Она здорово выиграет от технологий ML (это и чат-боты, и автоматический приём и обработка телефонных заказов, и расчёт логистики товаров и доставки, и многое другое). ЖКХ с детальными прогнозами потребления и потерь используемых ресурсов, предсказания ремонта труб, лифтов, расчёта загрузки и вывоза мусора, оптимизацией мониторинга и диспетчерской службы. Позже подтянется сельское хозяйство, и другие отрасли. По мере проникновения машинного обучения на рынок, выиграют все отрасли российской экономики.

4. Качественно улучшится работа служб мониторинга и контроля, видеонаблюдения. Рутинный труд вроде контроля брака на производстве. Работа экономистов и специалистов, рассчитывающих прогнозы. В Интернете есть целый перечень профессий и видов деятельности, на которых сильно повлияет машинное обучение, вплоть до полной автоматизации. В нём упоминают таксистов и бухгалтеров, хотя через чур торопятся с проникновением технологий. Историческая аналогия: во время первой промышленной революции, после изобретения паровых двигателей, пахари, управлявшие плугом с запряженной лошадью, перешли в трактористы. Одновременно понадобились механики по ремонту, инженеры по проектированию, рабочие по производству техники. Также и с машинным обучением — работа людям, готовым учиться, всегда найдётся. Просто она станет интереснее.

5. В крупных российских коммерческих компаниях пока недостаточно отработаны внедрённые решения на базе машинного обучения, чтобы на волне их успеха ускорить продажи и внедрения в других компаниях. При этом проекты идут, некоторые уже окупились и приносят компаниям-заказчикам доход, некоторые ещё в процессе накопления данных, проверки различных гипотез и моделей.
В средних и малых компаниях рынок растёт быстрее, но требует готовых программных продуктов. Нужно время, чтобы обернуть востребованные технологии машинного обучения в продукты. Говоря о продуктах, конечно же, я имею в виду облачные сервисы.

К препятствиям также относится факт, что не все технологии машинного обучения достаточно зрелы для российского рынка, например, в США очень много алгоритмов ML распознавания и синтеза английского языка, а для русского их либо нет, либо есть очень простые. Опять-таки, время это исправит, Яндекс на днях предоставил бета-версию голосового ассистента Алисы, с акцентом на работе с русским языком.

В государственном секторе наметились положительные сдвиги, но здесь не все просто. Тут основное препятствие — многолетняя замкнутость системы на себя, сложности с внедрением перемен. Сейчас на волне кризиса и установок государства на ИТ-технологии система пришла в движение. Одновременно с этим высшее руководство даёт сигналы в виде «Цифровизации экономики», что является хорошим знаком.

В заключении я обещал рассказать про Big Data. Несколько лет назад рынок сотрясала тематика обработки больших данных Big Data. Ей пророчили невероятные свершения, многие ИТ-директора переименовали свои направления хранилищ данных и систем бизнес-аналитики в большие данные, а маркетологи продолжали завышать ожидания рынка от технологии, не сильно погружаясь в особенности применения. В итоге получили множество несбывшихся ожиданий, и термин Big Data себя дискредитировал на российском рынке. Вот почему так важно управлять ожиданиями рынка и не улетать в космос, рекламируя искусственный интеллект. Именно поэтому я сразу уточнил, что речь пойдет именно про машинное обучение и дал ему краткое описание.

Мы очень рады, что рынок машинного обучения развивается спокойнее, чем рынок Big Data. Более того, наконец, сама обработка больших данных нашла себе достойное применение в лице машинного обучения. С точки зрения технологий, вырисовывается следующая иерархия:

  • Технологии интернета вещей — IoT формируют большое количество полезных для анализа данных.
  • Технологии обработки больших данных — Big Data загружают данные IoT к себе, обрабатывая их, совмещая и обогащая другими данными.
  • Технологии машинного обучения — ML, поверх Big Data, обучаются на всех собранных данных и выдают предсказания/прогнозы с растущей по мере обучения точностью, используемые для автоматического принятия решений, либо итогового контроля человеком.

Проникновение IoT ещё очень мало, но уже сейчас, используя Big Data и ML, мы разрабатываем коммерчески выгодные решения. И машинное обучение на сегодня является вершиной этой пирамиды.Сейчас непростое время, которое учит нас быть активнее, рассчитывать на свои силы, искать применение своим знаниям и навыкам. Я желаю всем участникам рынка больших данных и машинного обучения активнее продвигать решения государственному сектору с упором на оптимизацию и экономию. И ожидая зрелости внутреннего рынка, активно работать на внешнем и развивать продуктовую разработку.