Як влаштований штучний інтелект і навіщо він бізнесу

5 березня 2020, 22:00

Що ж таке штучний інтелект (AI)? Правда в тому, що саме визначення, а також приклади АI, залежно від епохи, трактувалися по-різному.

Наприклад, у 60-ті роки XX століття звичайний калькулятор вважався реальним втіленням штучного інтелекту. Сумнівів у прогресивності технології на тому етапі в нас немає, але сьогодні ми розуміємо, що калькулятор і штучний інтелект — зовсім не одне й те саме, хоча його винахід і став проривом, що автоматизував і прискорив процес обчислень.

Відео дня

Хоча 90-ті роки й запам’яталися поширеним застосуванням комп’ютерів — нової віхи прогресу — у 1997 році відбулася історична гра в шахи між відомим гросмейстером Гаррі Каспаровим та комп’ютером IBM Deep Blue, який переміг за сумарною кількістю виграних партій.

Тоді це досягнення наводилося як приклад перемоги штучного інтелекту над людиною, проте сьогодні ми розуміємо, що це був удосконалений, але все‑таки відомий до цього принцип пошуку по шаховому дереву — підбирання величезної кількості комбінацій на десятки ходів вперед і за долі секунди.

Сьогодні більшість споживачів щодня має справу з технологіями, які використовують елементи штучного інтелекту, наприклад, голосові помічники в смартфонах й окремих пристроях, як-от Siri, Alexa, Аліса.

Як працює AI

ipatent.co.il
Фото: ipatent.co.il

AI в широкому сенсі — це комплекс технологій, що дає змогу машині імітувати когнітивні й творчі функції людини, інакше — ухвалювати рішення, як це робить людина. Є різні погляди на класифікацію AI.

Наприклад, виокремлюють «вузький» AI, що автоматизує ухвалення рішень у конкретній сфері, «широкий» — працює в більш різноманітних сферах і з різними завданнями без серйозних змін методології, а також «загальний», найбільш наближений до можливостей людського мозку.

«Загальний» AI — це радше кінцева мета розвитку концепції, поки недосяжний ідеал, обмежений поточним технологічним рівнем цивілізації.

Головна відмінність сучасної концепції AI від інших прикладів автоматизації та оптимізації процесів ухвалення рішень («скриптів» і простих програм) полягає в здатності до навчання і, що ще важливіше, можливості системи самовдосконалюватися. Сучасний AI здатен розуміти, класифікувати знання, міркувати й робити висновки, взаємодіяти з користувачем.

У концепції AI не можна не згадати таке поняття, як «нейронні мережі». Саме створення штучних нейронних мереж (ШНМ) дало змогу вивести машинне навчання на новий рівень і створити його новий вид — так зване «глибинне навчання».

Принцип глибинного навчання заснований на спрощеній симуляції діяльності людського мозку. Навчання за допомогою ШНМ називається глибинним, тому що мережа вчиться розпізнавати інформацію шарами, і що більше шарів має мережа, то «глибше» це навчання й точніший результат, якого ми прагнемо.

Саме реалізація принципів штучної нейронної мережі в машинному навчанні стала одним з головних проривів у застосуванні штучного інтелекту сьогодні. Очевидно, що штучна нейронна мережа була створена на основі знань людини про біологічні процеси в мозку.

До речі, за можливість створити штучну нейронну мережу людство має дякувати іспанському вченому й лікарю Сантьяго Рамону-і-Кахалю, лауреату Нобелівської премії, який на межі XIX-ХХ століть вивчав нервову систему людини й став засновником сучасної нейробіології.

Сантьяго Рамон-і-Кахаль (Фото: sysblok.ru)
Сантьяго Рамон-і-Кахаль / Фото: sysblok.ru

Звичайно, штучна мережа не така досконала, як біологічна, але використовує ті самі принципи, а подальший її розвиток — тільки питання часу.

Навчання штучних нейронних мереж потребує великої обчислювальної потужності, і до початку 2000-х років вона була недостатньою. Сьогодні, завдяки розвитку комп’ютерних технологій, зокрема графічних прискорювачів, швидкість обробки великих обсягів інформації дуже зросла, але вона все ще далека від можливостей людського мозку.

Цим і зумовлений поточний стан AI: «вузький» уже на повну працює, а «широкий» тільки починає свій розвиток, але ще далекий від ефективного використання.

Проте навіть у домені «вузького» AI є багато цікавих прикладів використання. У медицині він допомагає в діагностуванні хвороб, наприклад, аналізує зображення родимок і вираховує ймовірність розвитку раку шкіри.

Нещодавно в подібний спосіб аналізували сітківку ока пацієнта з метою визначити ризик розвитку діабету. Слід зазначити, що AI в цьому випадку є помічником для лікаря, але не замінює його. Система не може й не повинна сама ставити діагноз, але вона може допомогти лікарям зробити це швидше на основі більшої кількості інформації.

Варто зазначити, що розпізнавання й аналіз зображень та відео на сьогодні є одним з найуспішніших типів застосування AI. Співробітники лабораторії IBM і Массачусетського технологічного інституту активно працюють над навчанням ШНМ за допомогою великих обсягів інформації, допомагаючи штучному інтелекту не тільки розпізнавати зображення, а й аналізувати їх.

Ще один сценарій застосування прикладного AI — безпілотні автомобілі. Такі авто за допомогою камер і різних датчиків у режимі реального часу аналізують ситуацію на дорозі й розпізнають об'єкти: знаки, смуги, людину, собаку, перехрестя і т.д. Це прикладна задача, яку теж цілком успішно виконує нейромережа.

Застосування AI в бізнесі

roosboard.com
Фото: roosboard.com

Технології в галузі прикладного штучного інтелекту від IBM відомі під брендом Watson — на честь одного із засновників і першого президента IBM Томаса Джона Вотсона. У 2019 році, згідно зі звітом IDC, IBM є лідером на глобальному ринку AI-систем, до того ж, третій рік поспіль.

В IBM є аналітичний підрозділ Institute for Business Value, яке займається дослідженнями для бізнесу, спілкується з керівниками компаній-клієнтів з різних сфер бізнесу й на підставі цих опитувань формує експертну думку.

Відповідно до одного з нещодавніх досліджень IBM Institute for Business Value, 94% компаній вірять у те, що AI — це конкурентна перевага бізнесу. Водночас лише 5% компаній сьогодні застосовують штучний інтелект. Чому так?

У дослідженні також зазначено, що 80% даних або є недоступними, або ненадійними й не піддаються аналізу, а 65% співробітників зазвичай не довіряють аналітиці у своїй компанії. Водночас 81% компаній не розуміють, які дані потрібні для штучного інтелекту.

Дехто поки що не довіряє штучному інтелекту, але змінити таке ставлення доволі просто: щоб довіряти технології, необхідно розуміти, як вона працює.

Як правило, сьогодні компанії не можуть проаналізувати, які дані їм потрібні для аналізу, щоб поліпшити бізнес-процеси, а також чому та чи інша інформація може бути цінною для AI. Адже просто дані особливо нічого не означають. Вони нам потрібні, коли ми розуміємо, що ми з них можемо отримати, й AI — це найкращий помічник у цьому сенсі.

AI сьогодні може допомагати бізнесу робити прогнози й аналітику, автоматизувати й оптимізувати різні процеси, і в результаті — швидше ухвалювати якісні рішення й бути значно ефективнішими на ринку. Адже сьогодні однією з найважливіших якостей будь-якого бренду є гнучкість, можливість підлаштовуватися під потреби клієнтів і реагувати на зовнішні зміни.

Наприклад, за допомогою AI мережевий відеосервіс дає особисті рекомендації — що вам подивитися на основі ваших переглядів та оцінок. Персоналізований контент подобається багатьом людям, і вони продовжують свою підписку.

AI також допомагає економити й оптимізувати витрати. Візьмімо, наприклад, кредити в банку. Якщо це кредити на $100 тис., можна узяти співробітника в штат для видавання таких кредитів. А якщо йдеться про мікрокредити, це буде дуже дорого. Система AI може проаналізувати дані, які вводить клієнт, і за секунди вирішити, чи варто давати йому кредит. Це вдалий приклад алгоритму на основі аналізу вхідних даних, а також швидкого й дешевого рішення.

Як почати впровадження AI в бізнесі

IBM свій підхід до впровадження AI в бізнесі називає «сходи до штучного інтелекту». Можна виокремити чотири послідовні етапи:

1 Зробити дані доступними і зрозумілими.

Будь-яка компанія зазвичай працює з декількома різними джерелами і типами даних, необхідних для щоденної операційної діяльності. Тому для початку треба структурувати підхід до доступу та управління даними.

2 Організувати і підготувати дані.

У масивах даних, які збирає організація, може бракувати певних елементів, дані можуть бути неповними. Використовувати їх як основу для машинного навчання не можна. Машина буде припускатися помилки в аналізі інформації.

3 Проаналізувати ці дані, побудувати прогнозну або оптимізаційну модель, протестувати й відкоригувати її.

Тепер, коли дані зрозумілі й «чисті», результатам можна довіряти.

4 Послідовно впроваджувати елементи AI.

Отримані на основі правильних і «чистих» даних і протестовані на основі якісних моделей, вони забезпечать прозорі результати й довіру до них.

Тим самим AI допоможе людині ухвалювати зважені рішення на основі всієї інформації, а в інших випадках надасть змогу машині ухвалювати блискавичні рішення на основі оперативного аналізу.

Приєднуйтесь до нас у соцмережах Facebook, Telegram та Instagram.

Показати ще новини
Радіо НВ
X