ИИ такой разный

Автор Максат Камысов 

Несомненным трендом современности остается цифровизация – появляются новые технологии, развиваются существующие. Растут вычислительные мощности, модели ИИ внедряются в самые различные сферы и становятся доступнее, интернет – все быстрее и мощнее, устройства объединяются в умные сети. И все это, как считают отраслевые эксперты, продолжится, несмотря на санкции, нарушения в цепочках поставок, «неолуддитов» и прочие вызовы и трудности.

В прогнозах

Технологии искусственного интеллекта все прочнее входят в жизнь обывателя, и если несколько лет назад нейросети и прочие алгоритмы ИИ казались чем-то далеким и выглядели футуристично, то сегодня это очередной инструмент, который, впрочем, пока еще только осваивают. Нейросети применяют для создания контента, формирования персональных рекомендаций, в ритейле, производстве и других отраслях.

Началась демократизация технологий ИИ. По прогнозам, к 2030 году размер рынка технологий искусственного интеллекта достигнет отметки 1590 млрд долларов (рис. 1).

Прикладной

Эксперты считают, что широкое распространение получат технологии прикладного искусственного интеллекта, наиболее многообещающие среди них – это машинное обучение, компьютерное зрение и модели обработки естественного языка.

Первое направление предполагает обучение нейросетей за счет «скармливания» им массивов данных в обход программируемых человеком специальных алгоритмов. Также в него входит глубокое обучение с подкреплением: этот способ предполагает обучение нейросети принятию решений методом проб и ошибок. Ошибаясь и не получая необходимого результата, машина вырабатывает определенный образ действий и ищет более подходящий алгоритм. Эти технологии могут использоваться для прогнозирования и помощи в принятии решений.

Компьютерное зрение также предполагает один из методов обучения, основывающийся на обработке визуальных данных – изображений, видео, 3D моделей. Широко применяется в видеонаблюдении, системах распознавания лиц, мониторинге производства.

Модели обработки естественного языка, как следует из названия, сосредоточены на обучении нейросетей языку и работе с текстом, а также с речью. Такие модели могут применяться для работы голосовых помощников, анализа текста и данных, для переводческой деятельности и в прочих схожих отраслях.

Крупные компании уже начали применять эти технологии для автоматизации и дополнения бизнес- и производственных процессов, а также опираться на алгоритмы в анализе и процессе принятия решений. Отраслевые эксперты считают, что потенциальный экономический эффект от применения прикладного ИИ составит от 17 до 26 трлн долларов уже в следующем году. Ожидается, что частные компании и государственные структуры все охотнее станут прибегать к использованию этих технологий. Способствовать этому будет и растущее количество успешных кейсов применения.

Так, например, технологии компьютерного зрения очень успешно показали себя в распознавании объектов и лиц. Это очень привлекательно для растущих мегаполисов, которые все быстрее превращаются в умные города и озабочены, в том числе, и вопросами безопасности. Уже известно об успешной реализации подобных проектов. К примеру, одна из крупных американских корпораций, занимающихся развитием IT-инфраструктуры, запустила при поддержке правительства США NEC National Security Systems – новую дочернюю компанию, которая будет поставлять программное обеспечение для технологий компьютерного зрения в государственные органы. Среди пользователей – Государственный департамент США, Министерство внутренней безопасности США, Министерство юстиции США, Министерство обороны США и Разведывательное сообщество США.

Однако технологии прикладного ИИ годятся и для коммерческого использования – в частности, технологии компьютерного зрения могут использоваться в финансовом и банковском секторе и в торговле, например, для получения доступа к счету или для оплаты покупок.

Все же для коммерческого направления на сегодня более перспективны модели для работы с данными. Такие проекты могут оказаться полезными, например, для изучения потребителей, структуры спроса и создания эффективных систем персональных рекомендаций. Например, индонезийская телекоммуникационная компания Telkomsel смогла разработать новую платформу анализа данных, использующую инструменты ИИ. Созданный механизм использует порядка 9000 точек данных на каждого клиента, задействуя более 50 моделей ИИ, что позволяет компании максимально тонко персонализировать пользовательские настройки, понимать потребности клиента и предоставлять ему наиболее актуальные продукты и услуги.

Помимо этого, применение прикладного ИИ позволяет оптимизировать некоторые рабочие процессы, в подтверждение этому можно привести кейс американской горнодобывающей компании Freeport-McMoRan, которая развернула специально обученную на данных компании модель ИИ. Проанализировав опыт работы компании на одном из ее медных заводов за три года, модель предложила ряд рекомендаций по оптимизации производства, что помогло увеличить объемы производства на 10%, сократив при этом капитальные затраты и предотвратив запланированное расширение производственных мощностей, которое повлекло бы еще большие расходы.

Генеративный

Помимо прикладного, еще одним многообещающим направлением технологий ИИ, которое за последние годы покорило медиапространство и успело обрасти мифами, стал генеративный искусственный интеллект (ГИИ). Ключевая особенность генеративного ИИ состоит в том, что модели ГИИ способны создавать новый контент – текст, звуковые файлы, видео, изображения, код и даже модели белковых соединений. Однако с существенной оговоркой: это все еще нейросеть, обученная на загруженных в нее данных, а следовательно, сгенерированный ею контент в большей степени представляет собой образ, текст или код, скомпилированный по запросу оператора нейросети. По этой причине оригинальность такого контента вызывает вопросы, что также сопровождается проблемами, связанными с правами на интеллектуальную собственность.

На сегодняшний день технологии генеративных нейросетей в большей степени используют исследователи, разработчики, представители творческих профессий, но в упрощенном виде они доступны и рядовым пользователям. Однако аналитики полагают, что по мере развития технологий, повышения удобства их использования и увеличения доступных платформ для работы количество пользователей кратно возрастет. Эксперты считают, что широкое распространение генеративного ИИ мы будем наблюдать уже в двухлетней перспективе. По ожиданиям экспертов, в десятилетней перспективе объем рынка технологий ГИИ возрастет более чем в 10 раз (рис. 2).

Развитие этого направления ИИ, по мнению аналитиков, имеет перспективы для широкого применения в бизнес-среде. Эксперты полагают, что ГИИ позволит более рационально подходить к вопросам масштабирования бизнеса, будет активно применяться в цепочках создания стоимости, а также для улучшения качества обслуживания клиентов. Однако сегодня применение ГИИ скорее наблюдается в рамках отдельных пилотных проектов, где он используется в качестве вспомогательного инструмента для сотрудников. Тем не менее, и такое применение в некоторых отраслях может значительно изменить общепринятые рабочие процессы, оставив человеку роль проверяющего и корректора для нейросети.

Все же генеративная нейросеть – это не технология сама в себе, в ее основе всегда лежит набор из специального ПО и «железа». Первый из компонентов – это базовая модель, обученная на огромных объемах неструктурированных данных, которые можно использовать для широкого спектра задач, а впоследствии «сузить» и углубить этот спектр под собственные нужды путем тонкой настройки. Следующий компонент – протокол прикладного уровня, интерфейс для взаимодействия модели и пользователя, который часто имеет форму приложения, например, чата. Еще один важный компонент – это интеграционный слой, который берет на себя связующую роль между приложением и базовой моделью.

Последний (но не по значимости!) компонент – это «железо», аппаратное обеспечение, графические процессоры (GPU) и тензорные процессоры (TPU), которые позволяют выполнять обучение моделей и задачи вывода локально или через облачное оборудование. Зачастую обучение моделей требует серьезных вычислительных мощностей, способных обрабатывать колоссальные объемы данных.

На практике одним из самых ярких примеров технологии ГИИ на сегодня представляется чат-бот Chat GPT – обученный на языковой модели GPT-3,5 от OpenAI и созданный с использованием мощностей суперкомпьютера Azure AI. Эта модель может применяться для таких задач, как проведение финансового анализа, генерация кода, выявление предикторов и прогнозирование, написание технических статей, предоставление персональных советов и т.д. Эксперты считают, что по мере развития языковых моделей спектр его возможностей продолжит расширяться. Например, GPT-4 значительно превосходит предыдущие версии модели: он может использовать в качестве вводных данных изображения и текст, обрабатывать до 25 000 слов (в то время как GPT-3 мог обрабатывать только 4000). Также эта модель на 40% чаще генерирует точные ответы, и это не предел.

Что касается практического применения помимо исследовательской и творческой деятельности, сейчас ГИИ в ограниченных масштабах применяется и в коммерческих организациях: например, OTP Bank разработал модель на венгерском языке, которая содержит более 30 сценариев банковских услуг и на их основе текстом и голосом взаимодействует с клиентами, кроме того, способна обнаруживать мошеннические действия и, по заявлению компании, может применяться в обеспечении кибербезопасности банка.

Генеративные нейросети могут применяться и в медицине – компания Insilico Medicine разработала модель для прогнозирования показателей успеха клинических испытаний с заявленной точностью 80%. Еще одним интересным кейсом может послужить Jasper – платформа, использующая GPT-3 для генерации маркетинговых текстов по запросу пользователя.

На волне успеха перечисленных выше технологий, роста спроса и разнообразия проектов технологии прикладного и генеративного ИИ получают серьезный приток инвестиций. Эксперты считают, что несмотря на то, что группа технологий постепенно движется к стадии зрелости, в ближайшем будущем отрасль сможет получать достаточное количество средств. Они также отмечают, что хотя объем инвестиций в 2022 году на фоне сложной экономической обстановки сократился до 104 млрд долларов (со 146,8 млрд долларов в 2021 году), выделяемых средств все еще достаточно для дальнейшего развития отрасли.

Еще одним трендом, оказывающим воздйствие на прогресс в отрасли, выступает то, что доля организаций, использующих ИИ-решения в своей работе, за последние годы стабилизировалось и находится в пределах 50–60%. Однако эксперты не исключают, что по мере восстановления цепочек поставок появление новых, более точных моделей ИИ и проектов, эффективно комбинирующих алгоритмы прикладного и генеративного ИИ, отрасль может снова ускорить рост.

Прикладной ИИ потенциально может стать более ценным и полезным для компаний в сочетании с генеративным ИИ. Ключевым ориентиром на будущее станет то, как будет обеспечиваться синергия между ними для максимального извлечения выгоды для бизнеса

Карло Джовине, партнер Центра передового опыта в области продвинутой аналитики и машинного обучения McKinsey

Правда, не обходится и без вызовов – для отраслей, связанных с применением технологий ИИ, и для информационных технологий в целом одним из наиболее актуальных вопросов всегда остается обеспечение кибербезопасности и конфиденциальности данных. По мнению 51% отраслевых экспертов, это останется главной проблемой и в ближайшем будущем. Также вызовом остается морально-этическая сторона вопроса, поскольку все еще не существует четких рамок допустимости применения ИИ в некоторых областях, открытыми остаются вопросы понимания алгоритмов работы моделей ИИ, а также управления данными.

Государственные власти активно занимаются разработкой соответствующего законодательства, которое призвано закрыть лакуны и свести к минимуму неправомерное применение технологий ИИ. Анализ законотворчества в 127 странах показал, что количество принятых законодательных актов, содержащих словосочетание «искусственный интеллект», возросло с одного в 2016 году до 37 в 2022-м. Многое в развитии отрасли зависит от того, какие ограничительные и стимулирующие меры будут принимать законодатели.