Чтение онлайн

Использование виртуальных помощников – это один из ИИ-инструментов, который со временем будет более широко внедряться в бизнес-процессы и повседневную жизнь современного человека. По статистике Facebook, более 10 000 компаний занимаются разработкой чат-ботов. К примеру, Juniper Research отмечается высокая популярность применения виртуальных помощников. Использование чат-ботов в финансовом секторе и медицине способно сэкономить до 20 млн долл. США в год, к 2022 г. такая экономия составит около 8 млрд долл. США. 19

Постоянный контроль и мониторинг инфраструктуры различных компаний – это еще одно направление применения искусственного интеллекта. К текущему моменту времени на мощностях французской энергетической компании Engie успешно применяются дроны с программами распознавания изображений на основе машинного обучения, которые следят за оборудованием и изучают инфраструктуру в целях предотвращения технологических и иных нарушений.

ИИ-системы контроля и мониторинга широко используются и в городской среде. Наиболее простой пример – система распознавания автомобильных номеров с помощью камер видеослежения, применяемая муниципальными организациями. Кроме того, применяются подобные алгоритмы для систем распознавания лиц.

Искусственный интеллект способен снижать риски износа и повреждения оборудования, а также создавать систему безопасности для различных компаний. Автоматизация ручного труда также является важной и неоднозначной темой, поскольку использование алгоритмов искусственного интеллекта в промышленности способно вытеснить из этой сферы человеческий труд. Автоматизированные технологии выполняют сложные процессы быстрее и качественнее, чем человек, они способны работать 24 часа в сутки. Следует подчеркнуть, что основная цель внедрения высокоинтеллектуальных решений сегодня – это не полная замена человека в производственных и бизнес-процессах, но повышение эффективности человеческого труда.

К примеру, японская страховая компания Fukoku Mutual Life Insurance установила программу от IBM-Watson Explorer AI. Данная система анализирует данные медицинских полисов по операциям и процедурам в целях вычисления размеров страховых выплат. По расчетам представителей Fukoku, внедрение искусственного интеллекта позволит им увеличить производительность на 30%.

Еще одно направление применения алгоритмов искусственного интеллекта – это предиктивная аналитика. ИИ-алгоритмические технологии способны обрабатывать огромные массивы данных, выявлять закономерности и осуществлять прогностические функции. В одном из R&D-проектов разрабатывают систему рекомендаций для крупной розничной сети супермаркетов. Система анализирует характеристики покупателей и товаров и на основании данного анализа автоматически составляет качественные рекомендации.

Другой пример применения искусственного интеллекта в бизнесе – это Expedia, крупнейшая в мире онлайн-платформа по планированию путешествий. В рамках этой платформы осуществляется целый ряд процедур, от бронирования отелей до аренды транспорта. Компанией довольно эффективно используются сети машинного обучения для персонализации процесса планирования поездки каждого конкретного клиента. В отличие от традиционных типов прогнозирования, предиктивная аналитика легко адаптируется к изменениям поведения, используя массивы вновь поступающих данных.

При применении возможностей анализа неструктурированных данных с помощью ИИ-сервисов в процессе распространения мобильного контента, в частности сообщений в мессенджерах, электронных писем, фото и видео, осуществляется структурирование сгенерированных данных и сведений в целях получения возможностей их дальнейшей обработки. Указанный принцип заложен в основе работы сервиса Siri, который позволяет разговорной речи с помощью алгоритмов программы структурироваться и подготавливаться к дальнейшему анализу. В системах анализа неструктурированных данных заложен огромный потенциал для производственных и ресурсодобывающих предприятий, которые накапливают массивы смешанной информации в течение долгого периода времени. Такой анализ способен облегчить работу и самих R&D-инженеров, в том числе сэкономить время на сортировку и организацию данных, перед тем как оценить их и выявить важные взаимосвязи.

Искусственный интеллект – это возможность делегировать роботам утомительные и трудоемкие для человека задачи. Например, роботизированный онлайн-ритейлер Ocado разработал систему компьютерного зрения и сеть роботов в целях замены процесса сканирования баркодов на своих торговых складах. Это позволяет ускорить поиск и выдачу нужных товаров. Экспертами прогнозируется мощный рост рынка роботов и искусственного интеллекта в ближайшее десятилетие.

Внедрение искусственного интеллекта в различные бизнессферы начинается, как было показано выше, со сбора и обработки необходимых данных и трансформирования и систематизации их в нужный структурированный вид. Следующим шагом является разработка ИИ-алгоритмов, которые будут способны к самообучению. Здесь необходимы квалифицированные ИТ-специалисты, которые смогут научить систему искусственного интеллекта всем необходимым для компании или бизнеса действиям. Сегодня на рынке создано достаточно большое количество готовых ИИ-решений, которые помогут настроить алгоритмы искусственного интеллекта быстрее и качественнее.

После получения необходимой информации от системы искусственного интеллекта осуществляется перестройка всех технических или бизнес-процессов, на которые оказывают влияние алгоритмы ИИ. На этом этапе, бесспорно, требуется участие не только машин, но и человека. Однако в дальнейшем ИИ сам способен оптимизировать свою работу.

Перспективными направлениями применения искусственного интеллекта являются процессы, в которых отслеживаются и повторяются процессы действий человека. Однако разработка и внедрение таких технологий на сегодня не развиты до такого уровня, чтобы заменить человека абсолютно во всем.

Крупными технологическими компаниями получены впечатляющие результаты, связанные с созданием компьютерного зрения, модулей управления движением, понимания речи, организации и предоставления доступа к информации с помощью компьютерного обучения. Среди наиболее популярных применений систем с ИИ следует отметить системы распознавания образов (face recognition), обработки естественного языка и синтеза речи (natural language processing), а также автоматизированные аналитические системы для прогнозирования результатов (predictive analytics). Несмотря на это, современные компании не обладают достаточно надежными интеллектуальными технологиями, которые могут воспроизводить точность работы человеческих глаз или отдельных зон мозга, ответственных за речь.

ИИ открывает новые возможности для решения экологических проблем планеты. Основные риски в этой области связаны с безопасностью технологий и контролем за ними. Также необходимо учитывать этические вопросы и социально-экономические последствия применения ИИ. Несмотря на это, новые технологии способны помогать людям контролировать состояние растений и животных и даже влиять на климатические условия.

Медицина – это еще одна отрасль, в которой применение ИИ пока не может быть полноценным и полностью замещающим человека. Однако уже сейчас искусственный интеллект оказывает врачам огромную помощь в изучении результатов анализов и постановке диагноза. Вероятно, в будущем власти у машин в этой сфере станет только больше.

В бизнесе применяется так называемый слабый искусственный интеллект, умеющий решать только узкоспециализированные задачи с помощью методов Big Data и алгоритмов машинного обучения. Сильный искусственный интеллект способен к многозадачности. Его функционал практически не ограничен: игра в шахматы, сочинение стихов, решение математических задач, бизнес-аналитика и наличие интеллекта. Сильный ИИ, по прогнозам специалистов, появится в интервале 2040–2075 гг.

Следует отметить, что развитие ИИ и Big Data тесно связаны между собой. Для машинного обучения необходимы огромные массивы данных. Умение правильно подбирать исходные данные для процесса обучения нейросетей является одной из специфических компетенций профильных специалистов, но не единственной. За процессом обучения ИИ также необходимо осуществлять контроль и корректировку. Например, если нейросети выдают неправильные результаты, требуется изменение наборов 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 системе искусственного интеллекта, какие решения для данной задачи являются правильными, а какие нет. Как видно, необходима отладка, которая выглядит совершенно иначе, чем в процессе привычного программирования. Разумеется, созданный результат нужно тщательно тестировать, как и любую другую систему.