Global CIO поговорил с Андреем Филлимоновым о разработке продуктов для искусственного интеллекта и о том, что он ожидает от этой технологии в будущем.
Андрей Филимонов, руководитель отдела развития новых направлений HARMAN X, уверен, что бум технологий искусственного интеллекта и машинного обучения еще впереди. Однако многие компании уже сейчас создают новые продукты и услуги на основе ИИ.
Не является исключением и подразделение всемирно известной компании HARMAN в Нижнем Новгороде (HARMAN NN). Они разработали масштабируемую платформу eNOVA на основе искусственного интеллекта для создания и персонализации голосовых помощников. Также HARMAN разработал ИИ-помощника для продавцов с самообучающейся базой данных, содержащей информацию обо всех товарах магазина и запросах покупателей. Кроме того, прямо сейчас компания разрабатывает NEUROSCIENCE — систему мониторинга состояния водителя, которая оценивает комбинированное восприятие активности мозга водителя с эмоциями и мимикой.
В чем особенности использования искусственного интеллекта для разработки новых продуктов?
ИИ может использоваться бизнесом несколькими способами. Ключевым из них является интеграция компонентов на основе ИИ в продукты. Так что не совсем корректно говорить «использование ИИ для разработки новых продуктов», потому что ИИ — это уже продукт.
Примеров реализации этой технологии множество. Классическим является распознавание изображений, применяемое в конкретных случаях, например, в усовершенствованных системах помощи водителю. Однако есть масса случаев, когда технологии достигают полуфантастического уровня. ИИ используется для машинного обучения и методов нейрофизиологии для анализа внутреннего состояния человека.
Harman активно внедряет компоненты искусственного интеллекта во внутреннюю экосистему продуктов. Например, в наушниках JBL Quantum следующего поколения используются компоненты искусственного интеллекта для создания пользовательской карты для глубокого погружения в звук в играх и фильмах.
Многие компоненты разрабатываются экспертами по искусственному интеллекту в тесном сотрудничестве с профильными экспертами, в данном случае со специалистами по обработке звука. Таким образом, эти продукты сочетают в себе лучшее из обоих миров. С использованием ИИ решают задачи эффективнее, чем при классических подходах
Как происходит процесс выбора направлений внедрения ИИ в компании?
Выбор происходит по-разному. Это может быть основано на данных в тех случаях, когда кто-то понимает, что накопленное «озеро данных» можно использовать для извлечения знаний и эффективного создания новых продуктов. Часто данные накапливаются для конкретных целей, таких как бухгалтерский учет и каталогизация. Но затем он применяется для решения неожиданных проблем.
В остальных случаях выбор диктует рынок. Если компания не удовлетворяет текущие потребности клиентов, она будет сильно отставать. Тем не менее, бизнес должен думать наперед и разрабатывать решения, создавая сами рынки и потребности новых клиентов.
Такие направления трудно предвидеть. Это требует определенных инстинктов в этой области. Однако, если компания угадает, усилия окупятся тысячекратно, дав удовлетворение как от вклада в прогресс, так и от достижения бизнес-целей.
Хороший пример — комплексная аналитика психического и физиологического состояния водителей от HARMAN. Когда мы инициировали такого рода исследования, наши потенциальные клиенты и партнеры были в замешательстве. На нас часто смотрели как на людей, которые делают неизвестно что. Однако по прошествии двух лет мы видим огромный спрос на эту технологию со стороны ведущих автопроизводителей.
Интерес к этому комплексу вызван несколькими факторами:
— Распространение здорового образа жизни и связанных с ним гаджетов. Теперь не нужно отвечать на вопрос «Зачем следить за своим состоянием?». Социальное признание этой потребности произошло. В настоящее время отсутствие этой технологии в автомобилях смущает, так как некоторые люди проводят несколько часов за рулем в неудобных условиях.
— Стремление автопроизводителей выделиться на рынке и предоставить своим клиентам сервис за гранью воображения. Например, по словам главы Daimler, новая концепция Mercedes S Klasse заключается в том, что «водитель после поездки на S Klasse должен чувствовать себя лучше, чем раньше».
С какими проблемами вы чаще всего сталкиваетесь при разработке продуктов с использованием ИИ?
На самом деле их очень много. Итак, резюмируя, классическая история — это нехватка данных, обычная плохая формализация задач и недостаточная развитость доступных инструментов, требующих придумывания нестандартных решений. Кроме того, существует серьезный разрыв между «академическим» и промышленным ИИ.
Упомянутый ранее случай ментальной аналитики иллюстрирует, почему данные являются краеугольным камнем машинного обучения. Даже если мы сосредоточимся только на репрезентативности и изменчивости данных, масштаб проблемы поражает.
Во-первых, мы обнаруживаем несколько видимых признаков различий между водителями, таких как этническая и возрастная группы, пол, цвет глаз, прическа и растительность на лице. Однако есть еще больше неявных черт, которые можно было бы описать только после исследования. Кроме того, следует принимать во внимание условия и факторы, связанные с окружающей средой, а не с самими водителями. Это то, как, когда и где происходит вождение. Все эти данные нужны для достижения цели — создать продукт, работающий в реальных условиях.
Именно поэтому мы собрали петабайты потоков данных от тысяч участников для создания алгоритмов диагностики внутреннего состояния драйвера. Сбор, передача, хранение и обработка таких объемов — отдельная сложная дисциплина, требующая чуть ли не половины всех инженерных сил команды.
Что бы вы посоветовали ИТ-руководителям, которые планируют использовать этот инструмент в своей компании?
Какие-то общие рекомендации дать сложно. ИИ — это не инструмент, а гибкая парадигма извлечения знаний из данных. Каждое его применение порождает свои трудности и ведет к своим достижениям. Опять же, не вдаваясь в подробности, я бы рекомендовал запомнить два момента.
Во-первых, любая система, основанная на ИИ или, точнее, на машинном обучении, хороша настолько, насколько хороши данные, с помощью которых она была создана. Грязные данные или их непонимание и интерпретация неизбежно приводят к ухудшению результата или даже к невозможности его достижения.
Во-вторых, машинное обучение — это не магия. Это математический аппарат со своими преимуществами и недостатками. Это понимание важно как для руководителей, которые его применяют, так и для тех, кто, к сожалению, считает ML универсальным и на 100% эффективным инструментом решения задач.
Инженеры по машинному обучению часто относятся к технологиям не как к математическому инструменту, а как к набору кубиков, из которых можно собрать ту или иную головоломку. Они также полагаются не на понимание, а на опыт других инженеров, который может не иметь значения.
Мое кредо — все, что можно сделать без машинного обучения, нужно делать без него. Это утверждение основано на анализе преимуществ и недостатков технологии как таковой, а также способов ее применения.
Каков ваш прогноз использования технологий в ближайшие 20 лет?
Я уверен, что мы еще не пережили бум технологий искусственного интеллекта и машинного обучения. Это видно и по скорости технического развития отрасли, и по рынку талантов в этой сфере, и по экономическому эффекту от ИИ.
Я не думаю, что вообще уместно делать прогнозы на 20 лет при нынешних темпах изменения технологий и общества. Однако я уверен, что индустрия искусственного интеллекта/машинного обучения будет развиваться ускоренными темпами.
Ссылка:
HARMAN X FUTURE INTELLIGENCE LABS — это отдельное подразделение HARMAN, занимающееся инновациями во всех направлениях бизнеса. Цель HARMAN X Future Intelligence Labs — изобретать алгоритмы на стыке информационных технологий, искусственного интеллекта и наук о мозге, которые станут частью следующего поколения решений для рынка потребительской и автомобильной электроники HARMAN и партнеров компании, а также сделают умными помощники еще умнее и чуткие к человеческим привычкам и слабостям.
Вела интервью Наталья Горова
