Интеллект искусственный: плюсы и сложности

В чем заключается основные плюсы решений, которые называются сегодня «системы искусственного интеллекта»?

Руководитель проекта ST Smartmerch, ГК «Системные Технологии», Максим Архипенков уверен, что «плюсы вытекают из ожиданий».

«Нейросети, в отличие от человека, не имеют эмоций и не устают, — рассказывает Архипенков. — Исключаются человеческий фактор и все ошибки и проблемы, связанные с характером человека и его низкой трудоспособностью — относительно машины, конечно. У нейросетей нет порога производительности: если человек за сутки может проверить, например, 100 деталей на качество, то система проверит их столько, сколько позволяют мощности серверов. Систему проще масштабировать: на том же заводе 100 человек для контроля качества в одно помещение сложно поставить».

Директор по маркетингу CDNvideo Ангелина Решина также полагает, что основные преимущества систем ИИ «в скорости обработки данных, возможности обучать систему и экономии на человеческих ресурсах».

Генеральный директор Cezurity Алексей Чалей подчеркивает: продукты на основе ИИ способны на качественно ином уровне выполнять задачи: классифицировать изображения, переводить текст, классифицировать файлы и т. д. «Внедрение ИИ позволяет обрабатывать большое количество данных быстро и эффективно, минимизируя участие человека и, снижая человеческий фактор, минимизировать ошибку», — отмечает Чалей.

«Основными плюсами существующих в настоящий момент решений являются возможность автоматизации многих сфер деятельности при минимизации участия в этом человека и расширение сфер, где возможно использовать программное обеспечение вместо человеческого труда, — считает основатель хостинг-компании King Servers Владимир Фоменко. — Особенно хорошо в настоящий момент ИИ справляется с анализом больших объемов данных, где человеку понадобилось бы слишком много времени, а обычные программы, не использующие машинное обучение, не смогли бы добиться необходимой точности».

Согласна с коллегами и директор департамента корпоративных информационных систем ALP Group Светлана Гацакова: «С помощью технологий ИИ значительно возрастает скорость и уровень автоматизации обработки больших массивов информации — с одновременным повышением качества и технологичности. При правильном отношении к новым технологиям возрастает полнота использования данных, а также оперативность и качество управленческих решений».

По мнению генерального директора «Хок Хаус Интегрэйшн» Александра Ивлева, «технологии ИИ лучше всего подходит для оптимизации различного рода механической деятельности, автоматизации рутинных операций, использовании на вредных производствах». «Грамотное использование робототехники на конвейерных линиях позволяет перейти на безостановочный режим работы, оптимизирует расходы предприятия, повышает качество продукции, но требуют серьезного и продолжительного этапа пуско-наладочных работ, — рассказывает Ивлев. — Не многие компании могут позволить себе вложение больших средств в подобные технологии, хотя в дальнейшем это позволяет в разы удешевить производство. Аналогично обстоит и ситуация с технологиями машинного обучения: для каждого проекта проанализировать большую выборку данных, причем по индивидуальным алгоритмам, что требует временных затрат и ресурсов. Но после внедрения автоматизации эти операции будут происходить быстрее и дешевле, чем это может сделать человек».

«Начнем с того, что системы искусственного интеллекта разрабатываются для повышения эффективности в широком смысле этого слова, — напоминает директор по бизнес-приложениям КРОК Максим Андреев. — Для реализации новых идей, подходов компаниям зачастую необходимо учитывать огромное количество факторов, которые обычный человек просто не сможет удержать в голове. Одно из главных преимуществ искусственного интеллекта — способность учитывать такое разнообразное количество факторов в режиме реального времени. Кроме того, в отличие от человека, алгоритм не может устать или изменить какую-то информацию намеренно. То есть, внедряя искусственный интеллект, компания минимизирует возможность ошибок, обусловленных этими факторами. Но здесь есть и обратная сторона медали: человек может учесть дополнительные подробности, в то время как плохо настроенный алгоритм продолжит работать неправильно. Еще один плюс систем искусственного интеллекта — тиражируемость. Возьмем в качестве примера любой бизнес-процесс в компании, при работе с которым у сотрудника уходит год на обучение. Следовательно, если нам нужно 10 новых сотрудников, то мы потратим 10 человеко-лет на их обучение. С точки зрения алгоритмов все проще и цена масштабирования решения значительно ниже».

Руководитель отдела разработки и внедрения AV-решений Auvix Александр Пивоваров считает, что к наиболее очевидным и лежащим на поверхности плюсам относится повышение эффективности, снижение рутинных операций и большее удобство использования. «Например, если взять такую достаточно простую вещь, как система бронирования и отображения расписания переговорных комнат, то когда вы начинаете внимательно ее изучать, вы видите множество возможностей повышения эффективности ее использования, сокращения простоев и так далее с использованием «умных алгоритмов», — подчеркивает Пивоваров.

«Основная задача цифровой трансформации, одним из инструментов которой является ИИ, — сделать так, чтобы процессы шли быстрее и эффективнее, компании тратили меньше, а зарабатывали больше, — говорит генеральный директор ABBYY Россия Дмитрий Шушкин. — Например, один из наших заказчиков в банковском секторе автоматизировал обработку документов для открытия счета юрлицам. Интеллектуальная система сама типизирует и распознает документы, затем извлекает из них информацию и подгружает ее в нужные поля банковской системы. В результате на ввод данных из документов тратится меньше 10 минут, в 2,5 раза быстрее, чем вручную. Банк посчитал, что за 3 года он сэкономит на обработке документов более 270 млн руб.»

По словам менеджера по развитию бизнеса Plantronics Алексея Богачева, «один из главных плюсов систем ИИ — это возможность получить какие-то новые материалы, которые нам просто недоступны. Так как обычный человек делает выводы на основе только своих знаний, а здесь же мы получаем более глубокий анализ, который может привести к совершенно неожиданным выводам. Таким образом можно получить прорыв в определенной области».

«Человек привык считать себя венцом эволюции, но мы регулярно сталкиваемся с ограничениями, — размышляет генеральный директор „Конструктор документов FreshDoc.ru“ Николай Пацков. — Например, гиперзвуковые самолеты летают со скоростью в 10 раз большей, чем скорость звука, пилот-человек попросту не способен управлять такой машиной без помощи умной электроники. Человеческой реакции и скорости принятия решений недостаточно для работы на подобных скоростях. Искусственный интеллект помогает нам перешагнуть через эти ограничения. ИИ позволяет людям быстрее реагировать, защищает от совершения ошибок, высвобождает от рутинных операций и решений. Подобные системы способны эффективно заменить человека-эксперта в перевозках, прогнозировании, торговле на бирже, консультировании, составлении документов. Использование „умных решений“ сказывается и на конечной стоимости продукта: ведь „роботам“ не нужно платить зарплату, они не болеют и не уходят в отпуск, не подвержены снижению работоспособности. Мы видим огромный потенциал в разработке интеллектуальных решений для широкого круга задач. Участие в развитие этого направления может позволить российским ИТ-предпринимателям перевернуть рынок и „оседлать“ информационную волну развития человечества».

По словам директора по развитию бизнеса и маркетингу Konica Minolta Business Solutions Russia Жамили Каменевой все, конечно, зависит от класса решений. Но в большинстве своем они нацелены на оптимизацию и автоматизацию процессов, экономию ресурсов — как материальных, так и нематериальных, рабочего и личного времени. «Проще говоря, их задача — сделать нашу жизнь проще», — резюмирует Каменева.

«Во-первых, такие системы позволяют выявлять то, что скрыто от человеческого разума, — рассказывает директор по развитию международного бизнеса Navicon Илья Народицкий. — Независимо от того, насколько хорошим BI-инструментарием владеет человек, в ряде случаев без машинного обучения не обойтись: например, если надо обработать статистику операций по банковским счетам 1 млн клиентов за 10 лет. Уже сегодня машинный поиск скрытых, неочевидных человеку закономерностей позволяет многим компаниям выстраивать стратегию бизнеса и создавать системы поддержки принятия управленческих решений. Во-вторых, технологии искусственного интеллекта существенно повышают эффективность всех видов коммуникаций с потребителями. Инновационные технологии, способные понимать и анализировать текстовые и голосовые сообщения, помогают сократить время обработки входящих запросов и более оперативно, чем раньше, реагировать на обращения клиентов. В-третьих, такие системы способны избавить сотрудников компании от выполнения рутинных операций, а значит, высвободить их время на решение стратегически важных вопросов. Время, потраченное на решение рутинных задач, можно было бы использовать для решения задач творческих».

«Такие системы позволяют принимать решения за человека в тех областях, где это допустимо, — говорит генеральный директор „Атак Киллер“ Рустэм Хайретдинов. — Если раньше автоматизированные системы принимали решения только в рамках четко предустановленных сценариев „если-то“, то сегодняшние и завтрашние системы смогут принимать решения и при нечетко определенных условиях и при недостаточном количестве информации, что ранее мог делать только человек».

Директор по разработке Acronis Сергей Уласень также отмечает: системы искусственного интеллекта решают многие задачи, которые раньше требовали привлечения человека. При этом зачастую они функционируют быстрее и имеют прогнозируемый результат и качество работы.

«Технологии ИИ действительно работают и помогают совершенствовать бизнес-процессы, хотя бы частично освобождая интеллект человека от рутины для творчества и создания нового, — подчеркивает генеральный директор компании „Преферентум“ (ГК АйТи) Дмитрий Романов. — Для них легко оценить экономический эффект. Для большого класса систем, использующих методы машинного обучения, несомненным плюсом является их способность становиться „умнее“ по мере работы».

По словам директора по маркетингу компании «Вокорд» Сергея Щербины, основные плюсы в том, что на основе «хаотичных» фактов, плохо структурированной, неклассифицированной или неполной информации, ИИ строит точные прогнозы. «Опираясь на них, мы получаем принципиально новый уровень точности и скорости принятия решений там, где не работают простые, линейные правила, — продолжает Щербина. — Огромные массивы данных постоянно пополняются, но сами по себе они не могут решать задачи, ИИ как раз и нужен для их анализа. Уже сейчас мы знаем много примеров успешного применения ИИ в медицине, в анализе глобальных и локальных экономических и социальных процессов, в решении инженерных и технических задач, принятии инвестиционных решений, в системах безопасности. Инновации в области ИИ дадут возможность автоматизировать принципиально более широкий спектр бизнес-процессов. Так, в области видеонаблюдения и безопасности впервые станет возможным гарантированно, без участия оператора, выявлять 24/7 потенциально опасные инциденты, выявлять разыскиваемых лиц. Можно назвать уже много примеров успешного применения ИИ».

Основной плюс, по мнению сооснователя сервиса shikari.do Вадима Шемарова, состоит в том, что системы ИИ обучаемы. «Например, если мы хотим, чтобы система могла отличать сообщения людей, где они хотят что-то купить, от сообщений, где хотят что-то продать, или определить тематику сообщений, нам не нужно составлять подробный перечень слов и оборотов, которые выражают намерения, настроения, тему и т.д. Мы подбираем много текстов-примеров по нужной нам тематике, „обучаем“ на этих примерах систему, а дальше она уже сама начинает понимать суть незнакомых ей текстов», — говорит Шемаров.

Руководитель исследовательского центра проблем регулирования робототехники и ИИ, старший юрист Dentons Андрей Незнамов также полагает, что возможность обучения (обучение с учителем или самостоятельное совершенствование) можно назвать основным плюсом технологий, которые обычно называются «ИИ».

В чем заключаются сложности реализации этих систем?

Если кратко резюмировать, то главными плюсами технологий ИИ, по мнению экспертов ИТ-рынка, является выход на новые уровни производительности, автоматизации, эффективности, анализа, обучения, принятия решений, прогнозируемости, а также обучаемость. Однако поскольку направление это новое, сложностей эксперты видят даже больше, чем плюсов. Достаточно сказать, что практически каждый из спикеров назвал свою сложность.

«Это абсолютно новая сфера. Каждая задача, которая сейчас решается, — это RnD в чистом виде: нужно определить, систематизировать, придумать решение, реализацию этого решения и реализовать его, — подчеркивает Максим Архипенков. — Это творческий процесс, требующий большой науковооруженности и высокой экспертизы как непосредственно в сфере приложения этого решения — будь то FMCG, космос, медицина, так и в области реализации систем нейросетей».

По мнению Александра Пивоварова, сложность «в нахождении баланса между хайпом и действительной полезностью, сложность сделать эти технологии невидимыми для потребителя и отсутствие ошибок в их работе».

Дмитрий Карбасов считает, что «ключевая сложность данных проектов связана с непредсказуемостью результата». «Скажем, при покупке CRM системы заказчик четко понимает фукнциональность, которую ему предлагает система, и как он эту функциональность будет использовать, — рассказывает Карбасов. — Это процессы, формы ввода данных, отчетность и пр. При внедрении системы ИИ предсказать результат без реализации проекта очень сложно, раскрытие технологий и алгоритмов практически ничего не скажет человеку без математического образования и практического опыта, а среди заказчиков топ-менеджеров с таким бэкграундом единицы. Помогает реализация пилотных проектов, методика которых у нас отлажена и которую мы применяем в 99% проектов».

«Сложностей, безусловно, очень много, — размышляет Максим Андреев. — Основная из них, пожалуй — отсутствие достаточно больших массивов данных для обучения искусственного интеллекта. При этом нужны данные с историей. Поясню, что я имею в виду: для одной крупной компании мы делали прогноз продаж услуг по перевозкам — прогнозировали вес грузов и направление перевозок. Мы никак не могли добиться хорошей точности прогноза, начали разбираться в чем же дело и выяснили, что в исторических данных, которые хранились в компании, где-то вес учитывался с упаковкой, а где-то без. При этом никакого признака, по которому этот фактор можно было бы отследить, просто нет. То есть когда-то в прошлом эта информация не играла роли, но теперь все изменилось. Поэтому так важно собирать все данные, которые можно собрать „до востребования“. Технологии для сбора и обработки данных постоянно развиваются, и компании уже могут внедрять у себя технологии Data Lake, которые становятся отличной платформой для обучения искусственного интеллекта. Еще одна сложность заключается в том, что самих алгоритмов пока еще довольно мало. Поэтому перед внедрением компании необходимо провести исследование. Это позволяет выяснить, получится ли в конкретных условиях, на конкретных данных и под конкретные бизнес-процессы построить ИИ, расходы на который не превосходили бы ту ценность, которую он дает компании».

Анна Племяшова считает, что основная проблема — полное отсутствие или недостаточность данных для построения точных моделей. «Для промышленных предприятий, где такие решения требуют значительных инвестиций в инфраструктуру — это отсроченный экономический эффект: необходимо сначала данные начать собирать и накапливать, а потом уже можно переходить к решениям с применением интеллектуальных систем. Приблизить экономическую выгоду позволяют переходные BI-решения и визуализация данных в режиме реального времени, — говорит Племяшова. — Еще одной сложностью является необходимость перестройки бизнес-процесса при внедрении интеллектуальных систем. То есть недостаточно купить такое решение и поставить, как цветок в вазу или приложение на компьютер. Необходимо это решение сделать дружественным бизнес-процессу: создать, перенастроить или вообще отменить какие-то операции, переобучить людей, оптимизировать персонал».

«Эти системы основаны на данных и больших данных, — напоминает Сергей Уласень. — Для тренировки моделей необходимы значительные вычислительные ресурсы, для хранения больших данных — соответствующая инфраструктура. Следовательно, для реализации систем ИИ требуются серьезные вложения в оборудование.

В свою очередь, сбор и подготовка данных требуют больших организационных усилий, а зачастую и разработку нового софта, помогающего в анализе данных».

Светлана Гацакова полагает, что сложности прежде всего «в недостаточном внимании к границам применимости каждой конкретной технологии ИИ, к подводным камням». А также «в слабой интерпретируемости результатов (ведь, например, нейронная сеть не объясняет своих выводов), в сложностях формирования однородных совокупностей данных для обучения и проверки моделей». Еще одна сложность — «слепая вера в данные и ослабление внимания к интуиции менеджера и тем факторам, которые трудно измерить и интегрировать в процессы DDM[1]». На это, по словам Гацаковой, накладываются «специфические для российских организаций сложности». «Это малая доступность достоверных данных о внешнем мире организации и вытекающий отсюда риск замкнуться на внутренней информации, т. е. превратиться в своего рода организацию-аутиста. Кроме того, это малое (по сравнению с ведущими западными компаниями) проникновение культуры DDM, ограниченное в основном выпускниками западных бизнес-школ».

«ИИ помогает автоматизировать многие процессы и заменить низкоквалифицированных сотрудников, но при этом требует контроля со стороны разработчиков, стоимость работы которых, конечно, выше, — говорит Ангелина Решина. — Обучаемость системы нужно контролировать, чтобы она не выходила за допустимые рамки».

По оценкам Сергея Щербины, сложности кроются в устаревшем оборудовании и слабой инфраструктуре, унаследованных аппаратно-программный платформах, которые в сложные экономические времена и при ограниченных бюджетах мало кто решится менять. «Оказывает влияние и человеческий фактор, — подчеркивает Щербина. — Здесь и дефицит квалифицированных кадров, и недостаточный уровень компетенции, либо консерватизм руководителей. Более того, не все понимают, для чего это нужно и зачем тратить деньги на модернизацию, когда „по старинке“ все вроде и так работает».

«Среди сложностей построения систем ИИ, в первую очередь, нужно отметить дефицит кадров, — отмечает Андрей Сыкулев. — Очень мало специалистов, потому что здесь требования чрезвычайно высокие: помимо навыков программирования надо владеть довольно сложным математическим аппаратом и иметь знания и опыт в предметных областях. Довольно часто „шоустоппером“ является низкое качество данных и отсутствие инфраструктуры для их интеграции. Еще одна немаловажная проблема — обеспечение безопасности данных, ведь данные, консолидированные для работы ИИ, могут стать мишенью для атаки или быть использованы, мягко говоря, не по назначению».

Алексей Богачев также считает, что одна из главных сложностей — кадровая. «Как и со всем новым, возникает вопрос, как с этим работать. Так как прикладное применение любой технологии требует квалифицированных специалистов, а это очень молодое направление, поэтому достаточно сложно найти людей, которые бы разбирались в этом».

У кадровой проблемы есть и вторая сторона. «Главная трудность — не так много высших руководителей предприятий понимают, что такое искусственный интеллект и каково его практическое применение, — напоминает Дмитрий Карбасов. — Да, практически все они слышали про ИИ, все знают, что ИИ помогает оптимизировать бизнес-процессы, сокращать затраты, делать более эффективными отдельные функции (логистику, анализ покупательского поведения, прогнозирование загрузки производства и объемов сбыта, и т.д.). Но редко кто из заказчиков понимает: чтобы ИИ сработал так как надо, нужно сформулировать бизнес-задачу и критерии ее успешности в терминах бизнеса. Другими словами, заказчик должен понимать, какой из параметров нужно поручить проанализировать системе ИИ и как поступить с полученными данными с точки зрения принятия управленческих решений».

«В качестве основной сложности реализации подобных решений можно выделить два фактора: человеческий и технологический, — рассказывает Николай Пацков. — К первому относится проблема малого количества экспертов, способных взаимодействовать с системами искусственного интеллекта. Эта проблема постепенно решается, рынок осознает ценность таких специалистов и все больше сотрудников осваивают необходимые развивающемуся рынку навыки. К технологическому фактору можно отнести недостаточность вычислительных мощностей: сейчас мы снова нарабатываем идеи, которые будем способны реализовать только с появлением более мощных машин. Но, учитывая прогнозируемый рост производительности (увеличение в 1000 раз в ближайшие 10 лет), мы считаем, что эволюционное развитие технологий как минимум не замедлится».

По мнению Алексея Чалея, существуют три основных сложности: «Первая — люди. В мире совсем немного людей, способных работать в пограничных сферах, которые одновременно понимают в предметной области (в нашем случае — анализе вирусов), хорошо разбираются в математике, статистике и машинном обучении, а также умеют хоть немного программировать. Вторая — данные для обучения. Эти данные необходимо где-то взять, а затем разметить. Данные получить очень сложно. Из-за этого, кстати, тормозится прогресс развития ИИ, так как исследователи не имеют возможности экспериментировать с моделями. Недостаточно быть просто талантливым аналитиком и программистом — без данных невозможно создать что-либо в области ИИ. И третья — стоимость инфраструктуры. Начальные инвестиции в инфраструктуру могут быть достаточно серьезными».

«Чтобы искусственный интеллект хорошо решал задачи бизнеса, технологию необходимо „кастомизировать“, — полагает Дмитрий Шушкин. — Любой машине, как и человеку, нужно обучаться на актуальных данных, чтобы принимать точные решения. Чтобы научить такую систему, сначала нужно собрать или синтезировать большой объем качественно размеченных данных — например, информации о финансах, производстве, работе с клиентами, и т.д. В крупном бизнесе такие данные подготовить и собрать проще, так как многие компании уже используют системы потокового ввода данных из различных видов документации, эта корпоративная информация упорядочена и структурирована. Создание же подобных массивов в среднем и малом бизнесе пока менее доступно».

Жамиля Каменева одной из главных сложностей называет высокую стоимость таких решений, протяженность проектов и долгий возврат инвестиций (2-5 лет — минимум). «Во-вторых, как и любой новый инструмент, необходима долгая и кропотливая работа по созданию рынка потребителей данных технологий, — продолжает Каменева. — Помимо этого, отмечу и отсутствие на рынке высококвалифицированных кадров — системами искусственного интеллекта у нас занимаются в подавляющем большинстве зарубежные вендоры и всего несколько научных учреждений».

По мнению Дмитрия Романова, основная сложность, как ни удивительно, психологическая: «Люди привыкли ждать от компьютера абсолютной точности. Системы ИИ имеют вероятностный выход. Они могут ошибаться, давать неправильные ответы, и в этом они похожи на человека. Пользователи иногда склонны переоценивать возможности интеллектуальных технологий».

Владимир Фоменко уверен: через несколько лет, как только эта технология перестанет быть новой и станет более понятной, уже не будет большой сложности в ее реализации. «Будут системы или программы, которые смогут создавать ИИ системы или программы».

А вот Рустэм Хайретдинов считает, что никакой сложности в реализации нет — «и математический аппарат, и реализованные программно алгоритмы, и вычислительная мощность сегодня доступны практически „из коробки“ или „из облака“. „Сложность скорее есть в постановке задачи, построении модели для анализа. Скоро мы столкнемся с тем, что чистые математики, как их сейчас называют datascientists, будут менее востребованы, чем специалисты в других областях (врачи, технологи, безопасники, лингвисты и т.д.) со знанием принципов машинного и „глубокого“ обучения“», — подчеркивает Хайретдинов.