В наши дни об искусственном интеллекте говорят сплошь и рядом, создается впечатление, что он работает едва ли не в каждой компании, но на самом деле это не так, поскольку многие из них часто сталкиваются с проблемами. Портал TechTarget приводит советы ряда экспертов о том, как избежать распространенных ошибок при внедрении ИИ.

Согласно исследованию Deliotte, ИИ так или иначе затронет каждый бренд и практически все отрасли экономики, и те компании, которые не подстроятся под новые изменения, выпадут из конкурентной борьбы. Недостаточно овладеть только лишь мышлением, которое поможет компании проникнуть в бизнес, чаша весов которого все больше склоняется в сторону ИИ, — нужно подготовиться к реальным проблемам и препятствиям, которые могут сдерживать вывод продукта на базе ИИ на новый уровень.

1. Установите для ИИ правильные метрики

Нужно особо подчеркнуть, что к ИИ не нужно предъявлять завышенных ожиданий. Как недавно признались бывшие сотрудники Engineer.ai, стартап намеренно преувеличил возможности своего ИИ-проекта. Неоднократно всплывала информация, что подрядчики Microsoft, Facebook, Google и Apple прослушивали аудиозаписи их пользователей. Эти случаи можно объяснить тем, что современные системы ИИ недостаточно умны и пока что не соответствуют тому уровню требований, которые к ним предъявляют эти компании. В итоге техногиганты вынуждены приносить извинения и сглаживать недочеты ИИ с помощью своих сотрудников. Установка реалистичных ожиданий — ключевой фактор для обеспечения успеха любого ИИ-проекта. Не меньшее значение играет определение целей.

«Проблема, с которой я часто сталкиваюсь, заключается в том, что бизнес-подразделение компании и подразделение, занимающееся ИИ, не могут договориться по поводу оценочных критериев, — рассказал соучредитель и главный специалист по данным поставщика маркетинговой платформы для поведенческого анализа клиентов SmarterHQ Дин Эббот. — Например, мне доводилось обсуждать с несколькими ИИ-командами постигшие их неудачи, когда их разработки неверно моделировали отток клиентов».

Так, разработчикам удалось построить отличную прогнозную модель, которая анализирует причины оттока пользователей за трехмесячный период, но когда пришло время отчитываться перед бизнес-заказчиком, тот обнаружил, что предложенное командой специалистов по данным определение оттока клиентов (отмена регистрации/подписки на тот или иной сервис) было ошибочным, потому что три месяца не превышают срок, за который он может выполнить заказ и тем самым предотвратить отток клиентов. «Подобного рода операционный разрыв между отдельными подразделениями — очень частое явление в компаниях, которые не обладают опытом работы с прогнозным моделированием», — заключил Эббот.

2. Договоритесь о том, что подлежит оптимизации

Как и в случае с каждой новой и особенно раскрученной технологией, распространенной ошибкой является создание ИИ-проекта, не определившись с сутью проблемы. «Мы уже неоднократно наблюдали, как многие компании вместо того, чтобы взять в качестве отправной точки какую-то проблему, начинали с самой технологии, — сказал генеральный директор платформы для управления взаимоотношениями с клиентами Summatti Сид Бхамбхани. — Например, один из наших клиентов наблюдал увеличение оттока клиентов, но не мог установить причину, поскольку начальники отделов старались переложить вину друг на друга». Разобравшись в сути проблемы, клиент применил ИИ и получил подкрепленный данными и непредвзятый ответ.

Стоит также обратить внимание на сильную сторону ИИ. «Как правило, большинство, если не все бизнес-процессы состоят из ряда простых, но трудоемких задач, таких как идентификация ключевых слов в документах,  пояснил Лейн Лилквист, технический директор и соучредитель компании InCloudCounsel, специализирующейся на информационно-технологическом обслуживании профессиональной юридической деятельности. — Эти действия являются малозначимыми по сравнению с человеческими ресурсами, которые задействуются для их выполнения. Трудоемкие, рутинные процедуры — идеальная цель для ИИ-автоматизации».

3. Определите, какие данные собирать

Хотя данные являются источником дееспособности любого приложения ИИ, собирать их бессистемно — опрометчиво. По словам соучредителя и президента TeqAtlas Руслана Гаврилюка, данные должны соответствовать трем ключевым критериям:

  • извлечение (выборка) данных не должно нарушать ничьих законных прав. Компании должны соблюдать правила конфиденциальности и ограничения на получение данных;
  • ИТ-директорам нужно понимать ценность данных и знать, как их использовать;
  • затраты на извлечение и обработку данных не должны превышать потенциальный доход от их применения.

Помимо этого значимую роль играет надежность данных и способ хранения, поскольку иногда злоумышленники нацеливаются на базовую систему данных ИИ, подвергая алгоритмы ошибкам, искажениям или пропущенным красным флагам. «Компаниям нужно контролировать поступающие в систему данные, отсеивая непроверенные единицы или мошеннические случаи», — сказал генеральный директор поставщика платформы машинного обучения для блокчейн-приложений GNY.io Косма Вонг. Применяя блокчейн, компании могут эффективно отслеживать, кто получил доступ к данным или изменил их, что позволяет перекрыть вход ошибочным данным и установить основные причины их появления.

4. Тестирование и переобучение

За исключением небольшого числа профессионалов, мало кто понимает как устроена работа ИИ, поэтому применять его для работы критически важных приложений решится не всякий. «В определенной степени риск можно уменьшить с помощью комплексного тестирования, что гарантирует точность прогнозов, — считает ведущий специалист по ИИ REI Systems Санджив Пулапака. — Многие организации проводят сравнительные испытания на протяжении месяцев, сличая результаты тестируемых ИИ-моделей с фактическими результатами, подстраивая компьютерные алгоритмы для улучшения результатов».

Без тестирования ИИ не обойтись, поскольку алгоритм, демонстрировавший качественную работу в лаборатории, может совсем по-другому вести себя в коммерческой среде. «ИИ — это метод проб и ошибок, поэтому зачастую то, что вначале казалось хорошей идеей, оказывается малопригодным для реального мира,— говорит доктор Рехей Фудзимаки, основатель и генеральный директор DotData. — Вот почему быстрая итерация является ключевым фактором автоматизации». Чтобы справиться с этой проблемой, он советует обратить внимание на важность переобучения модели ИИ.

Известны случаи, когда имеющиеся в ИИ-решениях слабости не проявляются вплоть до их запуска. «Одна из самых больших проблем заключается в ошибках смещения в алгоритме, — утверждает Пулапака. — Любые данные по своей природе отражают человеческую предвзятость, поэтому они могут искажать результаты». Непрерывное тестирование и переобучение поможет подкорректировать ошибочные конфигурации.

5. Автоматизация ИИ-разработки

Тестирование, переобучение моделей ИИ, а также очистка данных и выделение признаков (feature extraction) — все это занимает много времени. Чтобы решить эту проблему, эксперты заимствуют методы автоматизации процессов у разработчиков традиционного ПО. «DevOps фокусируется на непрерывной доставке, используя ИТ-ресурсы по требованию и автоматизирует тестирование и развертывание кода, — сказал генеральный директор платформенного провайдера DataKitchen Крис Берг. — Те же улучшения DataOps привносит и в аналитику данных».

Проще говоря, DataOps обеспечивает автоматизацию каждого шага в обучении и разработке ИИ путем быстрого решения проблем по мере их появления. «DataOps устраняет проблемы на ранних этапах жизненного цикла данных за счет того, что они проверяются на каждом этапе конвейерной доставки, — продолжает Берг. — В случае, если в ходе этого процесса возникнут какие-либо аномалии, команда по анализу данных узнает об этом первой при помощи автоматического оповещения». Как отметил Вонг, для выявления отклонений можно применять машинное обучение.

Выводы

Предполагается, что ИИ находится в авангарде цифровой трансформации, многие связывают с ним большие надежды, однако CIO не стоит забывать, что это молодая технология. Исходя из этого, есть основания полагать, что она не всегда оправдывает возложенные на нее ожидания или, что еще хуже, может создать проблемы. ИТ-директорам стоит реалистично оценивать возможности технологии и быть готовыми к проблемам, связанным с реализацией и поддержкой ИИ-проекта.

Версия для печати