Когда вы на своем смартфоне просматриваете Facebook или читаете новости, задумываетесь ли вы когда-нибудь о технологии, которую держите в руках? Типичный смартфон в миллион раз мощнее, чем компьютеры, которые НАСА использовало для полетов на Луну в 1960-х годах, он подключен к всемирной паутине, которая содержит не менее 4 миллиардов страниц информации, имеет виртуального помощника, который поможет вам с общими задачами. а когда вы не заняты селфи, вы можете использовать его как телефон! За последние 60 лет компьютерные технологии развивались невероятно быстро, а вместе с ними и то, что называется «искусственным интеллектом».

Искусственный интеллект определяется как способность выполнять задачи, обычно требующие человеческого интеллекта. Раньше мы думали, что это означает заниматься вычислениями или играть в шахматы, но компьютерные технологии продвинулись так далеко с момента появления первых компьютеров, что то, что считается искусственным интеллектом, также сделало шаги вперед. То, о чем вы думаете, когда мы сегодня используем слово «ИИ», скорее всего, это поджанры ИИ, называемые «Машинное обучение» и «Глубокое обучение». Что делает их уникальными, так это способность машин учиться на собственном опыте.

Естественные рассуждения и обучение на собственном опыте всегда были важной частью ИИ, но только недавно это стало реальностью. В основном это связано с тремя факторами:

1: Доступные данные
Благодаря всемирной паутине и Интернету вещей (как все взаимосвязано) у нас теперь есть доступ к невероятному количеству данных, которые можно использовать в учебных целях.

2. Повышенная вычислительная мощность
Большое количество данных не помогает, если компьютеру требуются месяцы для их обработки. Благодаря закону Мура вычислительная мощность за очень короткое время стала чрезвычайно мощной.

3. Низкие затраты
Из-за быстрого развития технологий доступ к данным и вычислительная мощность относительно дешевы. Вам не нужны суперкомпьютеры НАСА для разработки и запуска программ ИИ.

Различия между машинным и глубоким обучением

Несмотря на то, что обе эти технологии искусственного интеллекта направлены на создание программы, которая может учиться и совершенствоваться по мере ее использования, машинное обучение является гораздо более простым, чем глубокое обучение. Допустим, у вас есть тысяча изображений, и вам нужна программа, которая может распознавать все изображения, содержащие автомобиль. Разработчик машинного обучения должен создать несколько классификаций, которые распознают самые основные части автомобиля (колеса, форма, двери и т. д.) и запустить изображения через программу. Первый раунд результатов, вероятно, будет не очень точным, поэтому вы поможете ему, выбрав несколько изображений, которые не были распознаны (ложноотрицательные результаты), и некоторые изображения, которые были ошибочно распознаны как содержащие автомобили (ложноположительные результаты). Программа дополнит список классификации, и точность улучшится.

Если бы вы хотели решить ту же проблему с помощью глубокого обучения, это была бы совсем другая история. Во-первых, вам, вероятно, понадобится гораздо больше, чем тысяча изображений. Программы глубокого обучения сильно зависят от больших данных, поэтому только крупнейшие технологические компании включили их в свои решения (Google, Apple, Amazon и т. д.). Во-вторых, разработчик начал бы дотошно добавлять уровни подробных классификаций, что невозможно объяснить в простом абзаце, но если вам действительно интересно, вы должны посмотреть это видео Мартина Гёрнера из Google, которое очень хорошо объясняет это. Затем вы запускаете программу на нескольких очень мощных компьютерах, и если проблема решаема, данные достаточно хороши, а разработчик достаточно квалифицирован, вы получите нечто более точное, чем программа машинного обучения. Насколько точнее? Там, где машинное обучение может достигать точности около 90%, глубокое обучение почти на 100%. 9–10% звучит не очень много, но если вы не можете позволить себе ошибки, это гора. Более того, поскольку решение для глубокого обучения использует так много классификаций для точной идентификации автомобиля, в конечном итоге у него может быть достаточно данных, чтобы различать разные модели автомобилей!

Нужен ли мне ИИ?

В последнее время многие владельцы бизнеса задают этот вопрос, и ответ, как правило, «Вероятно, не сейчас».

Как видно из графика циклов ажиотажа Gartner, машинное обучение и глубокое обучение все еще являются относительно незрелыми технологиями, вокруг которых строится много ажиотажа и ожиданий. Те, кто внедряет его сегодня, будут определены как первые последователи. По мере того, как эти первопроходцы узнают больше о возможностях и ограничениях этих технологий, они приобретают компетенцию и знания, прокладывая путь будущим последователям. Ожидается, что через два-пять лет технологии машинного обучения и глубокого обучения достигнут так называемого «плато производительности», когда мы знаем о них достаточно, чтобы продуктивно начать их использовать, и произойдет массовое внедрение.

Подход BDO Norway

Работая в группе инноваций BDO, я был частью проектной группы, чтобы составить карту того, как BDO может использовать ИИ. Как и во всем остальном, первым шагом всегда является знание. Мы провели много исследований по этому вопросу и поделились найденной информацией. Поначалу это часто казалось довольно запутанным, поскольку многие решения в рамках ИИ переплетаются, и мы проводили время, обсуждая, что такое ИИ, а что нет. Чтобы решить эту проблему, мы решили определить ИИ как решения, использующие машинное или глубокое обучение. Это решение разделило проект на три части: ИИ (машинное/глубокое обучение), роботизированная автоматизация процессов и чат-боты.

Следующим шагом было привлечение коллег из разных областей обслуживания в BDO. Мы использовали дизайн-мышление и провели несколько семинаров, чтобы определить наши потребности, проблемы и найти решения. Во время этих семинаров мы всегда давали участникам краткое введение в ИИ, но просили их представить свои идеальные решения, не принимая во внимание ограничения технологии. Этому есть две причины:

  • Мы можем использовать эти идеи, чтобы выяснить, какие проблемы они решают, и, возможно, найти альтернативные решения, которые могут не нуждаться в ИИ.
  • Специалисты в этой области лучше понимают, что возможно, а что нет. Попросив участников игнорировать ограничения, мы не рискуем упустить потенциальные отличные идеи.

Как только это будет сделано, мы вернемся к традиционной стратегии развития продукта и бизнеса. Мы смотрим на все решения и пытаемся выяснить, каковы преимущества, какова будет стоимость, сложность внедрения и т. д. Мы расставляем приоритеты на основе анализа и, наконец, предоставляем отчет о наших результатах высшему руководству.

Подводя итог

ИИ может сбивать с толку, но помните, что машинное обучение и глубокое обучение — это технологии ИИ, которые «обучаются». Компании, которые сегодня внедряют решения для машинного обучения или глубокого обучения, первыми внедрили эту технологию. Это определенно прорывная технология, поскольку она способна избавить сотрудников от невероятного количества повторяющейся и трудоемкой работы. Однако количество поставщиков и экспертов в этой области по-прежнему очень ограничено, и ожидается, что пройдет еще 2–5 лет, прежде чем он станет достаточно зрелым для массового внедрения. Если вы владелец бизнеса, возможно, было бы целесообразно начать картировать потенциальные области, в которых вы можете внедрить машинное обучение. Как обычный пользователь, вы уже окружены обучающими технологиями благодаря таким компаниям, как Google, Apple, Microsoft и Amazon. Есть причина, по которой Google переводчик сегодня лучше, чем десять лет назад, и по той же причине Amazon знает, что вы собираетесь купить, еще до того, как вы это сделаете. Машины начинают учиться, и если вы смотрели «Терминатора», то знаете, что именно с этого момента в истории и начался Скайнет.