27 октября 2020 г.

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 ML-инструментов, 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 ML-инструменты 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