×
Как использовать искусственный интеллект (ИИ) на предприятии

Искусственный интеллект. Он постоянно в заголовках наших новостей с обещаниями автономного вождения автомобиля и появления виртуальных помощников. Но, несмотря на весь ажиотаж вокруг искусственного интеллекта (ИИ), никто по-настоящему не попытался понять, что это на самом деле такое и какие выгоды могут получить от этого компании.

 

ИИ – это тот компьютер, что принимал участие в игре-викторине Jeopardy? Является ли ИИ чем-то вроде Джонни 5 из фильма «Короткое замыкание» (Short Circuit)? Отнимут ли машины наши рабочие места? Технологии и аналитика этой области становятся все более серьезными – соответствует ли ИИ ажиотажу, возникшему вокруг него?

 

Искусственный интеллект фактически касается всех возможных областей, но пока путаница на рынке с ним велика, и мало кто понимает, что это такое и как ИИ применять на предприятии.

 

Работы, которые проводят OpenAI, и развитие отрасли ИИ в целом захватывают, но важно как можно скорее добиться понимания этой темы и ее терминологии. Ниже дано несколько примеров искусственного интеллекта и того, что он значит для бизнеса.

 

Искусственный интеллект

 

Многие люди думают, что ИИ является симбиозом человека и машины. Подобные технологии также не являются чем-то фантастическим, но вообще термин ИИ имеет более широкую трактовку, которую в общем и простым языком можно сформулировать так: «Компьютер действует разумно». Именно это и является одной из главных тем в информатике и ряде смежных наук, таких как робототехника, машинное обучение, системы обработки языка, экспертные системы, глобальный интеллект и прочее.

 

Siri от Apple, автомобили с автопилотами от Google, программа распознавания изображений от Facebook – все это является стандартными примерами ИИ. Но на самом деле таких примеров много больше. Ценообразование на Amazon, рекомендательная система фильмов на Netflix, выявления случаев мошенничества с вашей кредитной картой – все эти программы работают по-разному, и цели у них совершенно разные, но они также являются примером искусственного интеллекта в более широком смысле.

 

С точки зрения бизнеса, компания вряд ли сможет просто купить решение по внедрению ИИ. Скорее ей придется выделить несколько интересующих сфер, и смотреть на специализированное аналитическое ПО вроде Matlab, SAS, R, Python в этой сфере. Новые же технологии развития ИИ выводят его за рамки просто анализа и статистики – теперь машина не просто выполняет анализ загруженных данных, она способна искать закономерности и выяснять, как система «работает». И все это без вмешательства человека.

 

Как использовать ИИ на предприятии

 

Здесь стоит сделать важное уточнение – машины с ИИ никогда не заменят нас на рабочих местах и не вытеснят человека. Это, пожалуй, самое большое заблуждение, касающееся искусственного интеллекта. Все, что касается ИИ, содержит огромное количество данных, но человек в этой схеме необходим, чтобы использовать результаты для решения непосредственно задач. ИИ позволит нам делать то, что ранее мы делать не могли. Это восхитительный момент, и давайте рассмотрим его подробнее.

 

Машинное обучение

 

На ранних этапах ИИ был предназначен для создания экспертных систем, которые работали по схеме «если выполняется некое условие, то за ним следует следующий вывод» и имитировали человеческое мышление и принятие решений. На данный момент ценность подобных систем снизилась, так как они не так эффективно взаимодействуют с данными, не узнают новые данные самостоятельно, не масштабируют свои системы. Подобные системы были полностью ограничены тем, как их написали люди. На сегодняшний момент экспертные системы вытеснены системами с машинным обучением.

 

Машинное обучение является таким же стандартным примером внедрения ИИ, как рука-манипулятор – шаблонный пример внедрения робототехники автоматизации на предприятии. Так что когда кто-то говорит про ИИ, то с большой долей вероятности речь идет именно о машинном обучении, а не о восстании машин. Машинное обучение фокусируется на том, чтобы, исходя из предоставленных данных, выполнять точный статистический анализ и давать прогнозы. Оно не используется для открытия новых данных или интерпретации полученных результатов – это важный момент, который мы рассмотрим чуть позже.

 

Алгоритмы машинного обучения могут быть разработаны так, чтобы работать с разными программными пакетами, например, SAS, R и Python. Ученые, которые заняты статистикой, обычно работают с одним из этих языков, и в конечном итоге применяют полученные алгоритмы для разработки различных корпоративных приложений, таких как программы для прогнозирования продаж, фильтрации электронной почты от спама, определения следующего места урагана и так далее.

 

Поскольку машинное обучение применяется достаточно широко, существует масса инструментов, позволяющих его реализовать. Но «правила» и установки, которые закладываются в алгоритмы машинного обучения, все еще не способны решить многие проблемы бизнеса. Без ученых, которые будут работать с данными, мы сталкиваемся с проблемой обработки результата, выданного нам системой с машинным обучением – мы не понимаем, почему результат именно такой.

 

Если мы находимся в списке Fortune 500 розничной торговли, нас заботит только число продаж и прогнозирование этого числа или нам не менее важно понимать, почему это число именно такое? Какие отношения играют роль при возникновении именно такого числа продаж и что мы можем сделать, чтобы сместить это отношение в лучшую сторону? Стоит ли нам закупить больше популярных на данный момент продуктов или лучше проанализировать тенденции и выяснить, что станет популярным завтра?

 

Если мы занимаемся производством двигателей, то что для нас будет действительно полезно: получить отчет, в котором указано, что сборочная линия будет давать 1% брака, или же получить отчет, в котором будут указаны все причины, которые приводят к этому браку и улучшить сам производственный процесс, избавившись от этого процента?

 

Добро пожаловать к следующей фазе ИИ, которая обеспечит такое понимание.

 

Машинный интеллект

 

Машинный интеллект является новейшей сферой в ИИ, он сосредоточен на обучении и интерпретации данных. Это естественное развитие машинного обучения, но по сравнению с ним – это заметный шаг вперед.

 

Важнейший недостаток машинного обучения – сами машины учатся, но они не передают нам полученных знаний и выявленных закономерностей, мы просто получаем результат. Для того чтобы эти данные стали по-настоящему ценными, нам нужно понять, как система пришла к подобному выводу, нам нужно объяснение – только так человек сможет применить этот прогноз с наибольшей выгодой и пониманием.

 

Именно поэтому машинный интеллект, обеспечивающий понимание и интерпретацию данных, так важен для нас.

 

У IBM на счету уже есть одна попытка создания системы машинного интеллекта. Watson, та самая система, что участвовала в Jeopardy, использует обработку и преобразование естественного языка для взаимодействия и обработки данных, а затем выполняет поиск данных в сети. Watson может выслушать любой запрос, преобразовать услышанную речь и затем начать поиск по всем имеющимся базам данных в расчете на то, что где-то ответ на такой вопрос уже есть. Но у такой системы есть слабое место – она не дает нам новых идей и не способна ответить на вопросы, на которые еще никто не отвечал. То же самое касается схожих алгоритмов машинного обучения от Microsoft и Amazon, которые способны выдать результат, но не способны объяснить его. 

 

Что если нам удастся создать машины, которые шагнут еще дальше и смогут давать ответы на вопросы, на которые еще никто не отвечал? Ведь машинный интеллект способен не только давать результат, он способен еще и интерпретировать его.

 

Машинный интеллект является следующим захватывающим этапом эволюции ИИ: в то время как машинное обучение способно спрогнозировать ваш счет за электричество на следующий месяц, машинный интеллект может точно объяснить, почему счет будет именно таким: ваше расписание изменилось, погода оказалась жарче, чем обычно, и ваш кондиционер вышел из строя. Машинный интеллект учит людей понимать причины происходящего, понимать почему те или иные вещи случились, что дает возможность проводить быстрые и точные изменения в стратегии поведения. Именно он, а не обработка больших массивов данных (Big Data), необходим на предприятиях. 

 

К сожалению, многие люди неправильно понимают саму суть ИИ. ИИ, и все, что с ним связано, воспринимается на уровне некоей высшей идеи о том, что машину можно запрограммировать, чтобы она действовала «разумно». Машинное обучение показывает нам, что машины могут обучаться самостоятельно, без программирования. А машинный интеллект обладает способностью не только изучать огромные объемы данных и делать на их основе выводы, он способен дать нам четкий ответ и объяснить человеку, почему ответ именно такой. Таким образом, машинный интеллект является первым примером, когда машина начинает обучать человека, что открывает совершенно новые возможности для автоматизации.

 

Это удивительное время, когда мы находимся на самом пороге эры ИИ. Машинное обучение было панацеей в течении десятилетий во многих областях. Машинный интеллект будет следующим шагом прогресса, позволяющим людям (и целым компаниям), понимать, почему все происходит именно так, и что нужно изменить, чтобы процессы стали эффективнее. Интеллект никогда не был более увлекательным. 

 

Перевод: Вячеслав Гладков

 

Оригинал фото: techcrunch, activistpost