Глубокое погружение
Инновация
Бизнес-менеджеры часто используют термин "искусственный интеллект" в интервью, но редко понимают, что это такое в действительности. Это широкое понятие в разное время включало в себя разные технологии. В профессиональной среде сейчас принято относить к этой категории технологии Deep learning (глубокого обучения), прогресс от применения которых действительно впечатляет.
Аналитики из IDC прогнозируют, что к 2020 году минимум 80% всех приложений будут содержать те или иные компоненты искусственного интеллекта (ИИ). Исследовательская компания Forrester сообщает, что инвестиции в ИИ вырастут на 300% в 2017 году по сравнению с 2016 годом, то есть всего за год. Более того, Forrester заявляет, что компании, которые используют ИИ, большие данные и интернет вещей, будут "красть" у менее прогрессивных коллег по $1,2 трлн выручки каждый год вплоть до 2020 года включительно. Это будет происходить за счет того, что данные технологии позволяют бизнесу быстрее принимать решения, касающиеся маркетинга, электронной коммерции, управления продуктом и других областей, тем самым помогая ликвидировать зазор между получением инсайта (или нового понимания) и действием.
Технологии, которые относят к классу искусственного интеллекта, существовали давно, но в последние годы произошла настоящая революция в их применении. Стивен Бробст, технический директор компании Teradata, на конференции Teradata Universe 2017, которая прошла апреле в Ницце, рассказал: "В 1960-х годах звучало множество обещаний на тему того, что ИИ изменит жизнь каждого, но это не случилось. Поэтому, когда я еще работал над своей кандидатской, спустя десятилетия, все, что связано с искусственным интеллектом, было предметом шуточек. В этот раз ситуация иная. Конечно, опасно так говорить, потому что технологии находятся еще на ранней стадии развития. Но можно видеть, какой прогресс в области применения ИИ произошел всего лишь за последние пять лет, какое количество полезных практических приложений появилось в этой области". Господин Бробст предлагает сузить определение искусственного интеллекта в применении к бизнесу до технологий Deep learning (глубокого обучения), так как именно они и приносят ту самую пользу.
По его словам, Deep learning в большинстве случаев базируется на многоуровневых нейронных сетях, в отличие от простого машинного обучения. Эти технологии тоже известны с 1940-х годов, когда разрабатывалась теория работы мозга. Но сейчас их применение на практике впервые стало успешным. Позитивный опыт использования нейронных сетей привлекает инвестиции на этот рынок, что, в свою очередь, помогает совершенствовать технологии и создавать еще больше полезных приложений. Сейчас, как говорит Стив Бробст, этот цикл обратной связи работает хорошо, как никогда раньше. "Мы видим множество впечатляющих результатов,— рассказывает он.— К примеру, PayPal использует Deep learning чтобы сократить количество ложных срабатываний на 50%. Это очень много. Для платежного сервиса фрод — проблема, и компания борется с ним, выявляя признаки мошенничества. Но если при этом случается слишком много ложных срабатываний и отклоняются вполне нормальные трансакции — это проблема. Deep learning помогает решить ее и при этом повысить уровень выявления фрода. Мы видим множество вариантов использования глубокого обучения, которые несут ценность бизнесу,— прогноз спроса, предотвращение фрода, предсказание сбоев в промышленном оборудовании и на сборочных линиях"
При этом Стив Бробст не считает, что глубокое обучение должно заменить существующие методы, которые он называет "поверхностным обучением", и уверен, что они будут сосуществовать какое-то время. Сюда, например, относится простая линейная регрессия — математический метод, позволяющий выявить корреляцию между двумя переменными. По словам Стива Бробста, сегодня 95% задач в области анализа данных успешно решаются с его помощью.
Сергей Негодяев, управляющий инвестиционным портфелем из ФРИИ, высказывает точку зрения представителя венчурного рынка: "Искусственный интеллект, по сути, совокупность программных алгоритмов, которые способны производить установленные человеком процедуры и самообучаться на основе проанализированной информации. С точки зрения бизнеса наибольший интерес представляют проекты, которые могут заменить человеческий труд и оптимизировать различные процессы". В качестве примера он приводит решения в области бухгалтерского учета, лингвистические технологии, персональный интернет (анализ интересов и потребностей пользователей интернета и кастомизация сайта для них). Отмечает решения из области медицины. "Например, с помощью ИИ можно изучить 15 тыс. историй болезней, проанализировать общие симптомы и на основе постоянного анализа симптоматики диагностировать заболевания. Мы находимся на той стадии развития технологического прогресса, когда мощность компьютеров уже не является препятствием для развития прорывных решений на базе ИИ. Сегодняшних мощностей хватает для решения если не любых, то подавляющего большинства задач. Главное препятствие сейчас: для работы (и самообучения) систем искусственного интеллекта не хватает размеченных данных. Условно говоря, чтобы система научилась распознавать закат на видео или фотографиях, ей надо проанализировать миллион фотографий с изображением заката. Поэтому качество работы ИИ будет расти с увеличением количества данных. И компании, у которых есть доступ к этим данным, станут источником самых революционных и прорывных решений в этой области",— говорит Сергей Негодяев.
Евгений Колесников, руководитель направления "Большие данные и машинное обучение" компании "Инфосистемы Джет", добавляет: "Сегодня в некоторых сферах бизнеса, например в интернет-рекламе, успех на рынке в принципе невозможен без ИИ. Рекламные системы у крупных игроков (Google, Facebook, Amazon) оптимизируются методами машинного обучения. Были бы эти компании конкурентоспособны без ИИ? Совершенно точно нет. А значит, технология позволяет им зарабатывать деньги".
Добыча данных
Deloitte оценивает рынок систем искусственного интеллекта в РФ порядка $100 млн на 2016 год. Для сравнения: аналогичный рынок в США на 2016 год по оценкам компании составил порядка $40 млрд. При этом темпы роста рынка систем анализа данных в России в 2016 году составили порядка 56% в год.
"При условии, что предприятия сохранят свой интерес к этим технологиям, к 2020 году рынок будет порядка $520 млн. В 2017 году мы вынуждены констатировать падение темпов роста этого рынка в РФ, в то время как западные рынки продолжают бурно развиваться в этом направлении. Российская индустрия пока осторожно приглядывается к технологиям машинного обучения и старается не рисковать. Скорость недостаточна для того, чтобы конкурировать с зарубежными предприятиями из развитых стран",— говорит Алексей Минин, директор Института прикладного анализа данных Deloitte.
Он отмечает, что в РФ наблюдается небольшой спрос на решения в области внедрения систем искусственного интеллекта и систем анализа данных в ряде металлургических, энергетических и горнодобывающих компаний.
Пионеры по внедрению искусственного интеллекта — финансисты, причем не только в банках, но и на промышленных предприятиях. Алексей Минин объясняет это тем, что финансисты в силу специфики своей деятельности относятся к вопросу работы с данными очень трепетно и теперь могут использовать их для внедрения продвинутых систем анализа. "На производственных же линиях, к сожалению, такой дисциплины долгое время не было, и она начинает появляться только сейчас, поэтому на большом числе предприятий внедрение машинного обучения было бы преждевременным — еще много надо сделать с точки зрения третьей промышленной революции. К сожалению, это происходит на фоне того, что в России есть уже существующий огромный математический потенциал и школа, которые позволили бы нагнать и опередить создание систем, необходимых для четвертой промышленной революции, но до тех пор пока предприятия не накопят качественные наборы данных, в России она будет идти только в финансовых учреждениях, ритейле и финансовых службах промышленных предприятий",— говорит Алексей Минин.
Валерий Соколюк, директор департамента инфраструктурных и телекоммуникационных решений группы "Астерос", говорит, что, используя технологии ИИ, бизнес может многократно повысить свою эффективность. "Вряд ли в ближайшее время появятся кардинально новые сервисы и услуги, но вот качество и скорость предоставления уже существующих возрастет в разы,— говорит он.— Так, на основе нейронных сетей "Яндекс" вывел на новый уровень персонализацию выдаваемого контента в соответствии с интересами пользователя. Специалисты компании также научили нейронные сети осуществлять поиск по изображениям, модерировать рекламные объявления и фильтровать взрослый контент".
При этом господин Соколюк отмечает, что сферы применения искусственного интеллекта постоянно расширяются. Среди перспективных областей он выделяет здравоохранение (визуализация и удаленный мониторинг состояния пациентов), продажи и маркетинг (анализ поведения клиентов и персональные ассистенты — боты), бизнес-аналитику (интерпретация Big data для принятия корпоративных решений), а также безопасность и охранные системы и т. д.
Один из свежих примеров — "Виртуальный консультант "Елена"" в "МегаФоне" с высоким уровнем распознавания живой речи (80%) в режиме реального времени, способный поддерживать диалог на более чем 70 профильных тем. "Астерос" разработал логику обработки звонков, административный интерфейс сервиса, инструментарий для отчетности и аналитики по работе системы, интегрировал виртуального оператора в инфраструктуру оператора. "Главное преимущество нейронных сетей — это возможность самообучения. Это обеспечивает "Елене" высокую вариативность тем и широкие возможности обработки произвольной речи. Дальнейшее развитие проекта будет направлено на расширение сценариев обслуживания, интеграцию с дополнительными сервисами, разработку персонифицированных услуг и т. д.",— рассказывает Валерий Соколюк.
Другой пример — решение ГК "АйТи" на базе технологий искусственного интеллекта Preferentum, предназначенное для обработки и анализа неструктурированной информации. Preferentum может применяться вместе с инструментами BPMS (Business Process Management System — "Системы управления бизнес-процессами") на отдельных участках процессов для повышения их производительности, а также являться частью программных роботов, выполняющих операцию с такого рода данными. Один из востребованных в практике вариантов применения Preferentum — работа с обращениями/жалобами граждан, запросы в техническую поддержку, когда надо заявку классифицировать, разобраться в сути.
"Опыт показывает, что примерно в 90% случаев программа может сделать за человека все эти рутинные операции и, что немаловажно, достаточно точно. Оставшиеся заявки уже разбирают специалисты,— рассказывает Александр Миронов, руководитель блока консалтинга ГК "АйТи".— У многих организаций (крупных банков, госструктур и т. д.) объем таких обращений в день исчисляется сотнями и тысячами. Справиться с таким потоком можно только большим количеством человеческих ресурсов либо с помощью программных решений, которые с большой точностью и достоверностью выдадут рекомендации. По статистике большинство вопросов типовые, возникающие часто из-за нехватки знаний".
Торговец из Матрицы
Отдельная область применения ИИ — это так называемые приложения класса software robotics ("мягкая", или программная, робототехника). Другое название — Robotic Process Automation (RPA) — автоматизация процессов с помощью программных роботов. По словам Валерия Соколюка, эта область — один из главных потребителей ИИ. Примерами могут быть алгоритмический трейдинг, обработка банковских трансакций в финансах, виртуальные консультанты в обслуживании, автоматизированный прогноз погоды и т. д. Использование Deep learning может существенно повысить эффективность уже существующего программного обеспечения или автоматизированного процесса, работающего по алгоритму из набора правил. По словам Ольги Усковой, президента группы компаний Cognitive Technologies, сегодня до 80% операций на биржевом рынке совершается роботами.
Александр Миронов объясняет, что, в отличие от искусственного интеллекта, где создаются аналоги мыслительной, аналитической деятельности человека, суть RPA заключается в том, чтобы научить программу повторять действия человека. То есть программный робот работает с программами вместо человека, имитирует его действия, взаимодействует с интерфейсами информационных систем и данными, выполняет определенные операции в соответствии с заданными алгоритмами.
"Программные системы этого класса могут выполнять простые задачи по обработке структурированных данных по четким правилам и развиваются по мере увеличения количества параметров и усложнения алгоритмов действий,— рассказывает Александр Миронов.— Более сложные используются для автоматизации операций или процессов, в которых участвуют несколько приложений. Робот выполняет действия вместо человека по определенным операциям в заданных условиях. Наиболее известные инструменты для этого класса задач — BluePrism, UIPath".
Более прогрессивные решения RPA обрабатывают полученные из разных источников неструктурированные данные, реализуют сложные алгоритмы их классификации, структурирования и формирования результатов обработки. Такие задачи можно решать, например, с помощью IBM Watson Policy Manager. По данным Institute for Robotic Process Automation, внедрение таких технологий может дать экономию в размере 20-40% от фонда заработной платы.
В группе компаний "АйТи" есть собственные разработки в этой области. Например, инструмент для создания RPA позволяет выстроить систему управления программными роботами и создавать отдельных роботов, которые выполняют конкретные операции. В "АйТи" ожидают, что в 2017-2018 годах это направление вырастет в бизнесе группы компаний в полтора-два раза.