Крупнейшие корпорации с начала года скупили 40 компаний, занимающиеся машинным обучением. ИИ называют новым электричеством – настолько его применение будет значимым и повсеместным. FutureBanking опросил ведущих российских экспертов, что ИИ может уже сейчас и как он работает в бизнесе.
С 2011 года крупнейшие IT-корпорации, такие как Google, IBM, Yahoo, Intel, Apple и Salesforce приобрели 137 компаний, специализирующихся на технологиях искусственного интеллекта и машинного обучения. Только с начала текущего года, по оценкам CB Insight, произошло более 40 подобных сделок. В начале октября, несмотря на проблемы из-за Galaxy Note, к лидерам рынка присоединился Samsung, нашедший ресурсы для покупки Viv Labs, известной созданием Siri и также работающую в сфере искусственного интеллекта.
На российском рынке подобная активность проявляется лишь с недавнего времени, и, тем не менее такие крупные игроки, как Сбербанк, уже довольно ясно обозначали свой интерес к теме (см. также Workshop по машинному обучению от Сбербанка). Как стало известно СМИ, крупнейший банк России выступит куратором для проекта лаборатории нейронных сетей и глубокого обучения МФТИ iPavlov – нейросети, способной обучиться общению с людьми на неотличимом от естественного языке в текстовой и вербальной формах. В самом МФТИ пока отказываются комментировать этот проект, однако источники отмечают, что на данном этапе программу обучают алфавиту и синтаксису. Как учится ИИПодобный процесс обучения искусственного интеллекта подразумевает наличие определенного объема данных, с помощью которого системе много раз показывают правильные решения задачи. Затем, использую данные этой «обучающей выборки», программа начинает самостоятельно предлагать решения поставленного вопроса. Одним из основных драйверов роста интереса к машинному обучению стала технология нейросетей, применяемая для обучения ИИ. Объясняя принцип работы нейронных сетей, руководитель робототехнического центра «Сколково» Альберт Ефимов отмечает, что уже на данном этапе ИИ умеет решать задачи, с которыми ранее не сталкивался, опираясь на свой предшествующий опыт. «Самое замечательное в том, что все те вещи, которые сейчас делает ИИ спомощью нейронных сетей, не были никем запрограммированы. Этому нейронная сеть научилась самостоятельно. Программисты создают алгоритм, которомувыдается массив данных (он может быть очень большим), на котором и происходит обучение нейронной сети. Иногда этот массив данных имеет разметку, помогающую обучению, а иногда и просто не имеет никакой разметки, а человек лишь чуть помогает обучению».
В качестве практического примера подобного обучения заместитель руководитель Yandex Data Factory Александр Хайтин приводит модель, прогнозирующую потребность в наличных деньгах для банкоматов в определенный момент времени: «Сначала определяется избыточное множество факторов, которые могут влиять на потребность в деньгах для выдачи из банкомата: будний день или выходной, будний ли день завтра, что расположено вокруг, например, университет или торговый центр, каков прогноз погоды и другие факторы. Далее анализируются исторические данные. При этом чем больший период будет охвачен такими данными, тем точнее будет прогноз. На следующем этапе формируется модель, отвечающая на вопрос, сколько денег надо будет выдать из банкомата в будущем с учетом факторов, которые нам известны. Модель может включать большое количество факторов, комбинации которых определяются в ходе обучения модели».
ИИ не «знает» зависимостей, не определяет причинно-следственных связей и не пытается «понять» происходящее. Прогноз формируется без использования знаний, а за счет обработки больших объемов данных, превышающих возможности человека
Обучение такой модели, как поясняет Александр Хайтин, требует большого объема данных, который позволяет определять зависимости, проявлявшиеся в прошлом. Такие данные формируют «обучающую выборку», в которой содержатся как значения факторов, так и фактический объем выданных из банкомата денег. В результате модель, построенная на основе обучающей выборки, начинает предсказывать потребность в деньгах. Важно, что ИИ не «знает» зависимостей, не определяет причинно-следственных связей и не пытается «понять» происходящее. Прогноз формируется без использования знаний, а за счет обработки больших объемов данных, превышающих возможности человека.
Всегда приятно поговорить с умным… собеседникомИменно размер обучающей выборки влияет на степень «естественности» ИИ. Уже сейчас, по мнению ряда отраслевых экспертов, каждый пятый человек не отличает хорошего чат-бота с ИИ от реального собеседника. Во многом подобных результатов удалось достичь благодаря развитию обучающих алгоритмов и применению нейронных сетей, которые в разы увеличили объем базисного массива данных и скорость работы с ним. То есть теоретически, продолжая наращивать объем обучающей выборки, можно получить программу, которую пользователь уже не отличит от человека, так как та попросту будет знать все, что он мог бы у нее спросить. Однако на практике встает вопрос целесообразности столь масштабных вложений. Куда более перспективным представляется применение ИИ в областях, где запрос человека заранее обозначен. Так, например, при обращении в банк или при покупке в интернет-магазине строительных материалов вы вряд ли станете задавать боту вопросы о погоде или интересоваться, когда уже, наконец, вам починят домофон. Круг ваших запросов заранее очерчен и содержит пусть и большое, но все же обозримое число слов-маркеров, которые дают боту представление о том, что дальше делать с вашим обращением: дать на него ответ в случае если его массив данных позволяет ему смоделировать подходящий ответ или перенаправить вас к специалисту. По тому же принципу устроены и голосовые помощники, распознающих речь человека. В ряде случаев, однако, у них возникают дополнительные функции. Разработка резидентов «Сколково» – персональный помощник «Лекси» – не только отвечает на вопросы человека, но и может управлять электроприборами, подключенными к технологии умного дома, то есть фактически взаимодействует с окружающим пространством.
Задачи по распознаванию голоса, лиц и объектов окружающего мира ИИ решает быстрее, лучше и с меньшими затратами, чем человеческий мозг
Таким образом именно через сферы, где сосредоточены рутинными задачи, пролегает фронт наступления машинного разума. «В целом системы ИИ уже отлично справляются с задачами поиска сходных объектов в больших массивах данных», – резюмирует Альберт Ефимов. С ним соглашается и Александр Хайтин: «Решения, которые относят к искусственному интеллекту, наиболее эффективно применяются там, где повторяются схожие проблемы и операции».
Cui bono?Внутри отрасли популярно сравнивать ИИ с электричеством, имея в виду повсеместность применения последнего и тот толчок, который оно дало промышленности начала 20 века. Однако сейчас еще рано говорить о предстоящем золотом веке разумных машин. «Распознавание эмоций, выраженных на лицах людей – задача с которой ИИ справляется не так хорошо. Есть много публикаций о том, что ИИ дает лучшие рекомендации врачам чем их собственный многолетний опыт. Но мы пока не наблюдаем широкого использования ИИ в медицине. Это иллюстрирует основную проблему применения ИИ, основанного на статистических методах типа нейронных сетей глубокого обучения – не существует надежного способа верификации принятого ИИ решения», – констатирует руководитель робототехнического центра «Сколково». Но даже с учетом слабых позиций ИИ в таких областях, как непосредственно связанные с жизнью человека сегменты, где нет права на ошибку, у машинного разума еще остается ощутимый фронт работ. Задачи по распознаванию голоса, лиц и объектов окружающего мира ИИ решает быстрее, лучше и с меньшими затратами, чем человеческий мозг, даже на привычной для него территории. Он также прекрасно выявляет паттерны и создает по ним новые «произведения». Среди ярких примеров – приложение Prisma, обрабатывающее изображение, а теперь и видео в характерном для выбранного художника стиле. Недавно вышел альбом песен в стиле The Beatles, составленный ИИ, а «Яндекс» научил машину писать песни в стиле «Гражданской обороны». При этом ИИ все больше успешно используется в далеко не «развлекательных» проектах. Магнитогорский металлургический комбинат и Yandex Data Factory еще в августе 2015 года заявили о создании с помощью алгоритмов машинного обучения модели, принимающей решения по составу и оптимальному количеству добавочных материалов при производстве стали. А торговые роботы, несмотря на резонансные истории о принесенных ими сотнях млн долларов убытков, уже достигли показателей доходности в 30-50% годовых, сравнявшись с трейдерами. В банковской отрасли ИИ только начинает применяться, но интерес к теме растет, появляются не только пилотные проекты, но и работающие бизнес-кейсы. Подробнее о них «Яндекс», Сбербанк, Газпромбанк, Райффайзенбанк и другие ведущие организации расскажут на форуме FinMachine 18 ноября. Программа форума.
Источник: futurebanking.ru