Многие предприятия с опасением смотрят на надвигающуюся волну искусственного интеллекта и машинного обучения. Разработчик ПО Дэвид Питерсон рассказывает на портале TechTarget, как преодолеть стереотипность мышления, и приводит несколько советов, которые помогут перейти к применению ИИ.

Для каждой ИТ-задачи существует своя кривая обучения и однажды наступивший переломный момент, который раскрывает ее решение. Об этом знают почти все разработчики, которые работают над ИИ-проектами. И первое, что нужно знать начинающим программистам, это то, что логика ИИ отличается от традиционного программирования. Следовательно, чтобы работать с ним, нужно изменить привычный образ мышления. Для программирования ИИ применяется принципиально иная схема, иногда называемая Software 2.0: вместо набора команд, которые указывают компьютеру дальнейшие шаги, теперь ему предстоит обучиться делать их самостоятельно.

Чтобы сделать ИИ «умнее», ему нужно предоставить большую порцию качественных обучающих данных. Обнаруживая в них закономерности, ИИ «самопрограммируется». И вот на этом этапе могут возникнуть трудности, поскольку не всегда понятно, что из этой информации он усвоил. Бывали случаи, когда ИИ тренировали на обнаружение овец, но вместо этого он распознавал траву, или вместо того, чтобы обнаруживать по фото преступников, он выбирал снимки улыбающихся лиц. Эти примеры красноречиво демонстрируют разницу между заложенной идеей и результатом. Однако встречаются другие примеры, где результаты ошибочной работы ИИ бросаются в глаза не так сильно и представляют большую опасность, транслируя в алгоритм принятия решений ИИ расовую или гендерную предвзятость. Обнаружить эти ошибки будет гораздо сложнее.

Таким образом, приступая к ИИ-разработке нужно исходить из правильных предпосылок. Ниже приводятся три совета, как начать работу с ИИ.

1. Установите для ИИ реалистичные цели

Прежде, чем приступить к работе с ИИ, нужно определиться с ожиданиями — что он сможет сделать для бизнеса компании, а что не сможет. К сожалению, поднятая СМИ шумиха затрудняет их формулировку. Например, СМИ уже многие годы педалируют тему ИИ-апокалипсиса, возводя машины в ранг едва ли не умных существ. В итоге завышенные ожидания могут привести к провалу всего проекта. Чтобы сравнить точность работы ИИ и людей, некоторые команды моделируют ситуации, работая вместе с ИИ над одной и той же проблемой. Например, нейронной сети удалось выявить по клиническим картинам случаи заболевания онкологическими заболеваниями с точностью до 94%, превзойдя результаты радиологов. Тем не менее, применение сверхточного ИИ не требуется в большинстве областей, поэтому здравоохранение, наука — это своего рода исключения. Взять тот же движок видео-рекомендаций: он будет отлично работать с ИИ, который выдает рекомендации с точностью 80%, другим проектам для комфортной работы будет достаточно от 30 до 40% точности результатов.

«ИИ хорош в ситуациях, даже если он обеспечивает 2%-ное увеличение эффективности или точность на уровне 30%, — заявил технический директор разработчика Digital Experience-платформы на базе ИИ Bloomreach Сюн Ванг. — Вопрос не в том, мало это или много, а в том, как применить технологию ИИ или ее компонент в более крупной системе, чтобы обеспечить постоянный рост эффективности». Таким образом, оценивая результативность работы ИИ, не следует исходить из его точности, мерой оценки должна служить польза, которую он приносит бизнесу. Не стоит также рассчитывать, что он заменит персонал, его реальная ценность состоит в том, что он может дополнить его, облегчить и повысить точность работы и высвободить время.

2. Раскройте ценность данных компании

Чтобы начать работу с ИИ, нужны данные и не просто данные, а качественные данные. Потребность в хороших данных для ИИ — и при этом в большом объеме — кажется очевидной, поскольку этого требует сама природа технологии, но на практике многие разработчики пропускают этап их накопления. Скорее всего, это связано с тем, что ИИ еще не сроднился с ИТ-профессией, не сформировал соответствующий образ мышления. Чтобы развить его, ИТ-директорам нужно тщательно проинспектировать свои бизнес-процессы, что поможет отсортировать данные и найти с помощью ИИ способы оптимизации или улучшения бизнеса. Эти данные могут храниться в CRM-системе, журналах событий сайта или в заявках клиентов на обслуживание в техподдержке.

Изменив мышление, предприятие начнет воспринимать данные по-другому. Важно не содержимое этих данных, а шаблоны и функции, которые из них можно извлечь. Под данными подразумевается не только демографическая статистика или поведенческий анализ в Интернете. ИИ в какой-то степени можно сравнить с младенцем: он не отдает отчета своим действиям, однако, несмотря на это, он очень «сообразительный» — обнаруживает паттерны, которые не видны человеческому глазу. И если ему чего-либо недостает в плане человеческого понимания, то он компенсирует это за счет скорости арифметических вычислений.

Не так давно исследователи в области распознавания естественного языка загрузили ИИ гигабайтами текста, чтобы он нашел сходства и скрытые связи между словами. В итоге ИИ установил правильную связь между словами «женщина» и «королева», и «король» и «мужчина». Недавно ученые использовали этот механизм для изучения множества научных рефератов, чтобы обнаружить ранее пропущенные химические соединения. Приступая к работе с ИИ, разработчик столкнется с озерами данных, которыми можно воспользоваться для оптимизации ИИ. Правильнее всего рассматривать их в качестве сырого строительного материала, которому предстоит раскрыть запрятанный в них потенциал.

Например, можно разработать систему поддержки, которая будет давать клиентам рекомендации еще до подключения оператора, основываясь на контексте проблемы без ориентации на триггеры (определенные наборы действий, выполняемых с учетом выбранных условий) или платформу, которая могла бы при помощи анализа тональности текста определять серьезность проблем, с которыми сталкиваются клиенты, и если она достаточно сложная, то система могла бы подключать для ее решения старших сотрудников. Не исключены ситуации, когда требуется подмога ИИ, но компании недостает необходимых данных. В этих случаях можно либо заняться сбором данных внутри компании, либо приобрести их у сторонних провайдеров.

3. Начните с простых алгоритмов и отслеживайте результат

Приступая к работе с ИИ, важно начать с малого. «Начните с процессов, которые меньше всего связаны с инерционностью мышления и позволяют отслеживать лучшие результаты, — рекомендует соучредитель и президент провайдера аналитических рыночных данных TeqAtlas Руслан Гаврилюк. — Начните с малого, автоматизируйте один процесс и беритесь за другие только после достижения результатов». Выбор такого подхода связан с необходимостью обучения ИИ. Нет ничего более утомительного, чем многочасовая тренировка ИИ с выходом ненадежных результатов, и именно поэтому лучше приняться за обучение простых алгоритмов — они обучаются намного быстрее сложных и наглядно демонстрируют результаты обучения.

«Имейте в виду, что для достижения видимых результатов требуется время, не говоря уже о рентабельности инвестиций. Не беритесь на старте за проекты в области глубокого обучения или сверточных сетей», — продолжает Гаврилюк. Выбрав процесс, команда должна подготовить для него данные, что не так просто, как может показаться. Эту процедуру хорошо иллюстрирует максима, которая циркулирует в кругу BI-специалистов: «мусор на входе — мусор на выходе». Например, неправильно запрограммированный процесс будет выдавать рекламу или заметки на боковых панелях, которые совершенно не имеют отношения к содержанию главной страницы. Говоря о качестве контента, не стоит повторять ошибок проекта Open AI, который обучал свою «монструозную» модель GPT-2 из одного источника — при помощи статей с высоким рейтингом, которые были опубликованы на Reddit.

Во время обучения разработчикам нужно следить за тем, как модель ИИ воспринимает данные. Чтобы проверить это, нужно периодически отслеживать механизм фильтрации спама — он показывает, какие слова ИИ рассматривает как спам, а какие — нет, что позволяет получить представление о том, находится ли он на правильном пути. ИИ-разработчики могут перейти к более продвинутым алгоритмам, таким как сверточные или рекуррентные нейронные сети, только после того, как убедятся в чистоте данных и досконально изучат алгоритм и модель работы ИИ. Только после того, как данные будут чистыми, а модель ИИ и алгоритм будут достаточно хорошо поняты, разработчики могут приступать к его оптимизации, перейдя к более продвинутым алгоритмам, уже упоминавшимся сверточным или рекуррентным нейронным сетям.

Гаврилюк также рекомендует для целей ИИ-проекта «брать в аренду вычислительную мощность и ресурсы для хранения, а не покупать и поддерживать их».

Начинайте экспериментировать с ИИ прямо сейчас

Согласно исследованию TeqAtlas, многие предприятия не совсем понимают, зачем им ИИ-приложения. Помимо этого внедрению ИИ препятствуют культурные барьеры, так как многие бизнес-лидеры рассматривают технологию либо как своего конкурента, который может отнять у них работу, либо не желают передавать машинам часть полномочий по управлению. CIO, которые еще не заинтересовались возможностями ИИ, следует знать, что он подарит множество увлекательных возможностей и одной из главных из них станет то, что он даст им оружие в усиливающейся конкурентной борьбе.

Версия для печати (без изображений)