Наталья Городнова - Применение искусственного интеллекта в цифровой экономике

Искусственный интеллект – это возможность делегировать роботам утомительные и трудоемкие для человека задачи. Например, роботизированный онлайн-ритейлер Ocado разработал систему компьютерного зрения и сеть роботов в целях замены процесса сканирования баркодов на своих торговых складах. Это позволяет ускорить поиск и выдачу нужных товаров. Экспертами прогнозируется мощный рост рынка роботов и искусственного интеллекта в ближайшее десятилетие.

Внедрение искусственного интеллекта в различные бизнессферы начинается, как было показано выше, со сбора и обработки необходимых данных и трансформирования и систематизации их в нужный структурированный вид. Следующим шагом является разработка ИИ-алгоритмов, которые будут способны к самообучению. Здесь необходимы квалифицированные ИТ-специалисты, которые смогут научить систему искусственного интеллекта всем необходимым для компании или бизнеса действиям. Сегодня на рынке создано достаточно большое количество готовых ИИ-решений, которые помогут настроить алгоритмы искусственного интеллекта быстрее и качественнее.

После получения необходимой информации от системы искусственного интеллекта осуществляется перестройка всех технических или бизнес-процессов, на которые оказывают влияние алгоритмы ИИ. На этом этапе, бесспорно, требуется участие не только машин, но и человека. Однако в дальнейшем ИИ сам способен оптимизировать свою работу.

Перспективными направлениями применения искусственного интеллекта являются процессы, в которых отслеживаются и повторяются процессы действий человека. Однако разработка и внедрение таких технологий на сегодня не развиты до такого уровня, чтобы заменить человека абсолютно во всем.

Крупными технологическими компаниями получены впечатляющие результаты, связанные с созданием компьютерного зрения, модулей управления движением, понимания речи, организации и предоставления доступа к информации с помощью компьютерного обучения. Среди наиболее популярных применений систем с ИИ следует отметить системы распознавания образов (face recognition), обработки естественного языка и синтеза речи (natural language processing), а также автоматизированные аналитические системы для прогнозирования результатов (predictive analytics). Несмотря на это, современные компании не обладают достаточно надежными интеллектуальными технологиями, которые могут воспроизводить точность работы человеческих глаз или отдельных зон мозга, ответственных за речь.

ИИ открывает новые возможности для решения экологических проблем планеты. Основные риски в этой области связаны с безопасностью технологий и контролем за ними. Также необходимо учитывать этические вопросы и социально-экономические последствия применения ИИ. Несмотря на это, новые технологии способны помогать людям контролировать состояние растений и животных и даже влиять на климатические условия.

Медицина – это еще одна отрасль, в которой применение ИИпока не может быть полноценным и полностью замещающим человека. Однако уже сейчас искусственный интеллект оказывает врачам огромную помощь в изучении результатов анализов и постановке диагноза. Вероятно, в будущем власти у машин в этой сфере станет только больше.

В бизнесе применяется так называемый слабый искусственный интеллект, умеющий решать только узкоспециализированные задачи с помощью методов Big Dataи алгоритмов машинного обучения. Сильный искусственный интеллект способен к многозадачности. Его функционал практически не ограничен: игра в шахматы, сочинение стихов, решение математических задач, бизнес-аналитика и наличие интеллекта. Сильный ИИ, по прогнозам специалистов, появится в интервале 2040–2075 гг.

Следует отметить, что развитие ИИ и Big Data тесно связаны между собой. Для машинного обучения необходимы огромные массивы данных. Умение правильно подбирать исходные данные для процесса обучения нейросетей является одной из специфических компетенций профильных специалистов, но не единственной. За процессом обучения ИИ также необходимо осуществлять контроль и корректировку. Например, если нейросети выдают неправильные результаты, требуется изменение наборов исходных данных и «переучивать» систему. Процесс обучения тоже не всегда может быть полностью автоматизирован, для большинства задач наряду с «машинным обучением» требуется еще и «экспертное», в ходе которого человек вручную указывает системе искусственного интеллекта, какие решения для данной задачи являются правильными, а какие нет. Как видно, необходима отладка, которая выглядит совершенно иначе, чем в процессе привычного программирования. Разумеется, созданный результат нужно тщательно тестировать, как и любую другую систему.

Приведем в качестве примера и негативный опыт применения ИИ, в частности, онлайн-ритейлер «Амазон» использовал алгоритмы ИИ в подборе кандидатов при приеме на работу. В целях оценки претендентов был разработан алгоритм, который обучался на анкетах ранее принятых в компанию сотрудников. В результате сотрудниковмужчин в штате компании стало гораздо больше, чем женщин, поскольку ИИ делал предпочтение в пользу кандидатов-мужчин. Были предприняты попытки осуществить корректировку программных алгоритмов, но полной уверенности в отсутствии дискриминации по каким-либо другим признакам достигнуто не было, и в 2017 г. руководство Амазона вынуждено было отказаться от применения систем ИИ в процессе подбора сотрудников.

Следует также отметить, что, как и у любой технологии, выявлены негативные последствия использования ИИ и проблемы, которые не устранены или требуют дополнительного контроля со стороны человека.

Во-первых, формирование новой нормативно-правовой базы, кто будет отвечать за ошибки роботов перед законом: проектировщик, разработчик, создавший алгоритм, или сотрудник, бухгалтер, оператор, не проверивший результат.

Во-вторых, сбор персональных данных, каким образом будет соблюдаться конфиденциальность данных, если машины будут анализировать здоровье, пол, возраст, распознавать лица автоматически, не запрашивая согласия человека. Кроме того, остается проблемой качество баз данных, на которых строятся модели и машинное обучение, поскольку огромный массив данных после очистки и предобработки может существенно сократиться и оказаться недостаточного объема для целей построения качественной модели для решения первоначальной задачи.

В-третьих, низкое качество и быстрое устаревание исходных данных, что может стать причиной получения неверных выводов при обучении и некорректных результатов.