Читать книгу: «Потенциал ИИ в бизнесе. Стратегическое применение искусственного интеллекта и Big Data», страница 4

Эволюция искусственного интеллекта

В 1950-х и 1960-х годах уже существовала концепция искусственного интеллекта, но для ее воплощения в жизнь не хватало больших объемов данных и вычислительной мощности. Для вычислительных задач использовались огромные по размеру компьютеры (мейнфреймы). Емкость хранилища была незначительной, а скорость обработки – низкой. Проиллюстрирую это на примере простого iPhone: сегодня он имеет более чем в миллион раз больше памяти, а по вычислительной мощности более чем в 100 000 раз превышает компьютер Apollo Guidance, который использовался для высадки людей на Луну в 1969 году¹.

Однако, как и предсказывал закон Мура¹⁰, все это изменилось.

Со временем устройства стали меньше, а их возможности по хранению и анализу данных значительно возросли. Машины стали выполнять миллиарды вычислений в секунду. Наконец появилась достаточная вычислительная мощность, чтобы справляться с обработкой данных с помощью искусственного интеллекта.

Потом появился интернет. Постепенно мы все вышли в онлайн: общаться, рассказывать, творить. Мир уменьшился, потому что люди теперь стали делиться мыслями, предпочтениями и убеждениями друг с другом и с растущим числом компаний и организаций. Внезапно мир наводнили данные об отдельных личностях, компаниях и учреждениях. Стало легче следить за тенденциями, находить закономерности в мыслях людей, в том, что им нравится или не нравится.

Изменился и характер самих данных. Вначале большая часть мировых данных представляла собой структурированные данные, упомянутые в главе 1. Структурированные данные помещаются в заранее определенные форматы – в строки и столбцы или записи и поля. Они организованы предсказуемым образом, как, например, банковские записи, информация об имени и адресе из онлайн-формы, ISBN для книг. Данные такого рода можно встретить в электронной таблице Excel: они обычно содержат много дат, цифр и упорядоченных или классифицированных фактов.

Но поскольку более объемной частью онлайн-мира стали посты в социальных сетях, электронные письма, видео, фотографии, аудиофайлы и другие разновидности обогащенного контента, сегодня в подавляющим количестве поступают неструктурированные данные. Помните, для иллюстрации работы ИИ я привела пример с обработкой чека с помощью мобильного банковского приложения? Изображение вашего документа, которое программное обеспечение с ИИ анализирует, определяя, является ли он валидным, представляет собой разновидность неструктурированных данных. Как и следовало ожидать, анализ таких данных, которые редко имеют смысловые «метки» и часто заключают тонкие оттенки смысла или вообще бывают двусмысленными, требует небывалого уровня сложности вычислений. В этом и заключалась суть ИИ и его более сложных подсистем.

Последовательные волны технологических инноваций радикально изменили человеческий опыт. (В главе 9 мы обсудим некоторые из этих разработок, в частности Web 1–3)

Машинное обучение (МО)– это искусственный интеллект, в котором алгоритмы автоматически обучаются и улучшают точность по мере поступления все большего количества данных. Степень контроля со стороны человека может отличаться и зависит от набора обучающих данных¹¹. Например, предположим, вы хотите, чтобы ваша система искусственного интеллекта научилась различать изображения кошки и собаки. Вы просите компьютер проанализировать тысячи или, возможно, даже миллионы изображений всех видов кошек и собак, каждое из которых снабжено метками «кошка» или «собака». Со временем ИИ «научится» узнавать, какие характеристики связаны с образом «кошка», а какие –  «собака» или «человек». Подобно ребенку, который учится на основе повторяющегося опыта, машина усваивает идеи, многократно просматривая данные, не прибегая при этом к программированию строгого набора правил.

Искусственный интеллект –  это обобщающий термин, в который входят также машинное обучение и глубокое обучение

Другим примером машинного обучения является распознавание речи. Включив новый iPhone, вы не сможете пользоваться Siri, пока не произнесете, следуя инструкциям операционной системы, определенный набор голосовых команд. Это позволит «облачному» ИИ удаленно связаться с вашим телефоном (более подробно об этом я расскажу позже) и научиться распознавать ваш голос. Менее чем через минуту с помощью простого «Привет, Сири» вы сможете устанавливать напоминания, запускать приложения и звонить друзьям.

Наконец, существует глубокое обучение. Оно связано с работой так называемых в мире информатики нейронных сетей – математических систем, смоделированных на основе нейронной структуры человеческого мозга. Точное определение этого термина довольно сложное, но если кратко, то глубокое обучение / нейронные сети используют одновременно множество вычислительных слоев, благодаря чему система выявляет в данных гораздо более сложные характеристики и закономерности, чем сделали бы проще устроенные алгоритмы машинного обучения. Таким образом, глубокое обучение имитирует активность человеческого мозга¹², обладающего высокой пластичностью и адаптивностью. Это требует огромных объемов данных и вычислительной мощности, которые стали доступны благодаря развитию облачных вычислений.

Хорошо известным примером глубокого обучения является способность Facebook¹³ определять людей по чертам лица на фотографиях. (В ноябре 2021 года соцсеть объявила о своих планах отключить эту систему² по причинам, которые мы обсудим в главе 4.) Эта задача гораздо сложнее обучения системы различать «кошку» и «собаку» на основе того, что коты с большей вероятностью имеют заостренные уши и полосатый рисунок на мордочке. Для определения конкретного человека по фотографии потребуется сначала идентифицировать тысячи элементов в визуальных данных, а затем сопоставить их с сотнями или даже тысячами текстовых файлов из различных учетных записей пользователей, что позволит связать имя человека с его изображением. При этом необходимо учитывать освещение, ракурс, качество изображения и другие переменные. Аналогичные методы машинного обучения использует приложение Photos от Apple, когда группирует фотографии пользователей в «альбомы» на основе меток даты и местоположения, а также на основе отдельных элементов, распознанных на самом изображении, таких как черты лица и физическое окружение.

То же самое Google и OpenAI проделали с GPT-3 –  ИИ с обработкой естественного языка (NLP). «Скормив» своей нейронной сети триллионы бит текстовой информации, они получили искусственный интеллект, который выучил распространенные последовательности и порядок в письменной и устной речи человека. Все-таки человеческое общение довольно предсказуемо. Например, если ваш друг случайно напишет незаконченную фразу: «Не хотели бы вы пойти…» –  то для ее осмысленного завершения найдется не так много слов, например: «в кино», «в магазин», «на бейсбольный матч». Вы можете с высокой точностью предсказать, что последним словом в сообщении вашей подруги будет не «бублик» и не «инфекция». Нейронная сеть учится делать такие же прогнозы. Вот почему после нескольких месяцев изучения закономерностей в колоссальных объемах письменных материалов GPT-3 смог дописывать с высокой степенью точности предложения людей, когда они лишь начинали печатать несколько слов. Оказывается, люди довольно предсказуемы, если иметь достаточно много данных.

На сегодняшний день GPT-3 проанализировал триллионы слов в самых разных источниках –  от электронных книг до блогов, социальных сетей и статей в «Википедии». В результате столь масштабного машинного обучения он развил поразительную способность не только за доли секунды сочинять на удивление качественную прозу, но и писать стихи, твиты, ответы на простые вопросы и даже генерировать собственный компьютерный код.

Га з е т а New York Times описала такой случай³: один из программистов проекта попросил GPT-3 имитировать письменный стиль популярного психолога Скотта Барри Кауфмана. Когда ему задали вопрос: «Как стать более творческим?» –  часть ответа ИИ выглядела так:

«Я думаю, что творческое самовыражение –  это естественный побочный продукт взросления в разнообразных условиях. Ведь чем разнообразнее мир, тем больше вы взаимодействуете с разными людьми, возможностями, местами и сложными ситуациями. Чем больше в этом разнообразия, тем выше вероятность того, что вы сможете соединить все воедино и создать нечто новое».

Журналисты попросили самого Кауфмана прокомментировать это, и он признал, что сгенерированный ИИ ответ довольно точно имитировал его письменные работы. Но наиболее захватывающим делает GPT-3 его возможность демонстрировать непредвиденные качества, появление которых не ожидали даже его создатели. Разработчики проектировали ИИ для предсказания следующего слова в последовательности слов, система проанализировала более 175 миллиардов текстов из различных областей в течение последующих месяцев и самостоятельно развила в себе способность выполнять задания, для которых она не предназначена, например писать код. Можно сказать, что она эволюционировала и продолжает это делать.

Чат-боты с ИИ для обслуживания клиентов, или цифровые помощники, обобщающие содержание электронных писем для своих занятых начальников, –  это только вершина айсберга. Поскольку системы NLP, такие как GPT-3, становятся более сложными, можно представить себе «бот», способный автоматически писать и обновлять учебники в университете по результатам последних исследований или создавать рекламные материалы, оптимизированные на основе полученного из рекламного агентства свежего набора данных об удовлетворенности клиента. Более того, языковые ИИ-системы могли бы помочь психологу, работающему через телемедицину, написать правильное сообщение клиенту, задумывающемуся о суициде; или исправить опасную ошибку в ПО, управляющем беспилотным автомобилем во время движения по шоссе.

* * *

Как вы понимаете, все еще бытуют страх и непонимание сути этой технологии, несмотря на факт ее применения практически в каждом сегменте экономики. Подумайте об этом. Покупая продукт, который вам порекомендовал Amazon, или фотографируя чек при помощи банковского приложения, вы используете ИИ. Когда ваш термостат Nest автоматически корректирует температуру в доме в ожидании вашего возвращения с работы, вы используете умное устройство. Когда ваш браслет Fitbit отслеживает количество шагов в день и напоминает, что для достижения среднего показателя за шесть месяцев нужно пройти еще три с половиной километра, задействуются большие данные. А получая доступ к файлу в Dropbox или делясь документом в Google Doc, вы используете облако.

Если вы стремитесь вывести свой бизнес на новый уровень роста и прибыльности, пришло время избавиться от страхов и заблуждений о технологиях вроде ИИ и осознать их необычайный потенциал. Я называю искусственный интеллект и сопутствующие ему технологии – включая больше данные, умные устройства и облачные вычисления – мультипликативными технологиями. Они способны обрабатывать данные, которые ежедневно генерирует каждая компания; выявлять закономерности, обнажающие как проблемы, так и возможности. Эти технологии помогают получить максимум от данных, позволяя компаниям взращивать до небес лояльность клиентов, доминировать на существующих рынках и применять инновации для создания новых. Если при внедрении этих технологий придерживаться четкой стратегии, они помогут вашему бизнесу во много раз быстрее, по сравнению с конкурентами, увеличить доход, прибыль, долю рынка и влияние. Те, кто по незнанию не используют их, довольствуясь своим статус-кво и страшась перемен, –  останутся позади.

Другими словами, благодаря этим технологиям экстраординарные результаты могут стать реальностью. Недостающий элемент здесь – это понимание того, как вы, один из руководителей своего бизнеса, можете использовать эти технологии для выявления неосвоенных возможностей, скрытых в вашей бизнес-модели, получения соответствующих данных, чтобы начать реализовывать эти возможности, предпринимать верные действия в нужное время и в итоге превратить эти возможности в прибыль. На протяжении этой книги мы углубимся в идеи и стратегии, необходимые именно для данной цели. Но для начала давайте подробнее рассмотрим, что представляют собой описываемые технологии, как они работают и особенно чем они не являются.

Четыре типа аналитики

Хотя область анализа данных почти так же стара, как интернет, за последнее десятилетие она кардинально изменилась. На самом деле термины «искусственный интеллект» и «аналитика» иногда ошибочно употребляют как синонимы. Аналитику данных можно значительно улучшить с помощью ИИ и машинного обучения, но ее также можно применять и не используя их.

Давайте начнем с описания четырех основных типов аналитики.

Поскольку аналитические данные становятся более направленными в будущее [и труднее поддаются количественной обработке], их ценность для бизнеса возрастает

Описательная аналитика является наиболее базовой: обзор массы данных позволяет определить, что случилось в прошлом и когда это произошло –  сто лет или пять минут назад.

Диагностическая аналитика рассматривает повторяющиеся элементы данных, чтобы определить возможные причины, влияющие на событие, и понять, почему оно произошло. Поскольку они изучают прошлые события, эти уровни считаются ретроспективными. На деловом языке описательная и диагностическая аналитики являются запаздывающими индикаторами, в отличие от опережающих⁴. Конечно, эти направления могут стать эффективнее при использовании больших данных и ИИ, но применение последних не обязательно.

С третьим уровнем, прогностической аналитикой, мы проникаем в самое сердце современной «экономики персонализации». Прогностическая аналитика изучает закономерности прошлых действий, чтобы предсказать поведение отдельного человека, группы или сложной системы в будущем. Этот подход не является детерминистским, поскольку он основан на вероятности, а не на определенности. В предисловии я рассказала о примере с «Окленд Атлетикс», которые в 2002 году успешно применили саберметрику –  модель прогноза на основе данных, предшественника ИИ, –  чтобы нанять низкооплачиваемых игроков, опираясь на инновационные показатели результативности. Они рассуждали так: даже если прогноз по данным не сработает ни в одной игре, статистическое преимущество команды сохранится лучше на протяжении всего сезона. (Если бы в начале 2000-х существовала приемлемая ИИ-система, команда специалистов по данным «Окленда», возможно, показала бы лучшие результаты, но даже в тех условиях их модель сработала достаточно успешно.)

Наконец, существует рекомендательная аналитика, которая использует данные для составления рекомендаций и выводов, выходящих за рамки простого прогноза результатов. Именно здесь большие данные, ИИ и машинное обучение наиболее часто переплетаются с аналитическим процессом. Например, когда у искусственного интеллекта достаточно неструктурированных данных для выявления закономерностей и его можно научить определять смысл этих закономерностей, он может развить способность подражать человеческой проницательности и рассудительности.

Ярким примером этого является система вопросов и ответов IBM Watson, разработанная в середине 2000-х годов. Недавно на основе Watson построили проект Oncology Expert Advisor, который, используя большой объем онкологических исследований и машинное обучение, дает рекомендации практикующим врачам⁵.

Более знакомый пример –  это любой механизм рекомендаций, например от Netflix или Amazon. Когда вы совершаете покупки на Amazon, прогностическая аналитика изучает ваши модели поведения и определяет, какие товары, возможно, заинтересуют вас; рекомендательная аналитика выбирает определенные продукты и рекомендует их вам, причем в зависимости от страницы Amazon, на которой вы находитесь. Она также широко используется в сфере здравоохранения, о чем мы поговорим в главе 3.

Хотя технические особенности могут показаться сложными, удивительные результаты применения ИИ очевидны всем. Ему по силам анализировать огромные объемы данных, выявлять едва заметные закономерности среди миллиардов отдельных операций и записей и рекомендовать решения и продукты, не только удовлетворяющие потребностям клиента, но и предвосхищающие их. В эпоху, когда персонализация стала ключом к успеху в бизнесе, ИИ дает возможность автоматически персонализировать продукты и услуги для миллионов клиентов в режиме реального времени и с исключительной точностью.

Что умеет делать искусственный интеллект

Сегодня мы располагаем триллионами байт данных для изучения, неуклонно растущими скоростью обработки и емкостью хранения данных и высокоскоростным соединением с облаком практически из любого места. Благодаря этим технологиям ИИ уже может решать поразительный спектр задач. Вот несколько ярких примеров.

– Google Duplex может назначать встречи и реалистично общаться с клиентами по телефону.

– Крупные новостные организации, такие как Washington Post и Reuters, уже используют ИИ для написания простых новостей и обновления статей в режиме реального времени, а иногда для выполнения более сложной и творческой работы. Тем самым они освобождают для журналистов время на составление более углубленных материалов⁶.

– Исследователи из Университета Лафборо в Англии на основе глубокого обучения разрабатывают систему, способную выявлять и диагностировать болезни по «запаху» человеческого дыхания⁷.

Другие реальные примеры использования ИИ – это компании, подобные Affectiva, основанной в Media Lab в MIT в 2009 году, и Realeyes, вышедшей из Оксфордского университета в 2007 году⁸. Они разработали «искусственный интеллект для определения эмоций» (также известный как «эмоциональные вычисления»), использующий датчики, камеры и глубокое обучение для интерпретации эмоциональных реакций человека на все –  от фильмов до образовательных программ. Некоторые системы дистанционного образования уже используют отслеживание движения глаз и ИИ для оценки вовлеченности студента в занятие. Если система обнаруживает, что студент выглядит расстроенным или разочарованным, ИИ может в режиме реального времени упростить задание; если студент выглядит скучающим, система может мгновенно усложнить урок.

Для безопасной работы беспилотных автомобилей необходимо обработать множество видео- и аудиоинформации, а также данных с различных датчиков. Эти ИИ-системы благодаря массивному, постоянно растущему каталогу объектов и людей действительно могут «видеть» мир вокруг себя. Поскольку для вождения в реальном мире требуется способность реагировать в режиме реального времени на почти бесконечное количество непредсказуемых переменных – дорожная обстановка, пешеходы, препятствия, погода, чрезвычайные ситуации и поломки,– ИИ в беспилотных автомобилях еще не готов к работе в час пик, но уже не так далек от этого. В декабре 2020 года дочерняя компания General Motors Cruise начала тестировать беспилотные автомобили на улицах Сансет – оживленного района в Сан-Франциско – с конечной целью снизить смертность в результате ДТП⁹. Можно с уверенностью предсказать, что в течение десяти лет ИИ сможет контролировать большую часть пассажирских перевозок в таких крупных городах, как Нью-Йорк, Токио и Берлин, не говоря уже о грузоперевозках по стране.

Другими словами, ИИ может сделать очень многое, если предоставить ему достаточное количество данных о клиентах, продуктах и услугах, предоставляемых компанией. Если вы управляете компанией по доставке на дом в оживленном городе, то представьте, что ИИ может вычислять оптимальные маршруты для водителей в час пик, экономя ваше время и топливо. Если ваш бизнес запускает крупную кампанию по привлечению новых клиентов и увеличению доли рынка, представьте, что ИИ может составлять письма с красивыми формулировками в еженедельных рассылках для новых потенциальных клиентов, а также персонализировано и уникально отвечать на каждое письмо или запрос. Если вы занимаетесь производством, представьте, что ИИ с помощью датчиков отследит работу вашего оборудования 24/7, предскажет потенциальные сбои до того, как они реально произойдут, определит потребность в ремонте и автоматически, с помощью текстовых сообщений, вызовет людей-инженеров для устранения поломки, –  и сделает все это без остановки производства.

Искусственный интеллект может автоматизировать повторяющиеся задачи, определять полезные закономерности в данных, координировать роботизированную автоматизацию процессов (RPA) и мгновенно общаться с миллионами людей. Его потенциал практически безграничен.