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.
Ручной
Еще одним важным направлением, которое сейчас находится в фазе разработки и, по мнению экспертов, получит развитие в будущем, становится развитие ПО нового поколения. Дело в том, что современные технологии выдвигают новые требования к возможностям специалистов на каждом из этапов разработки – это привело к тому, что все большую роль в процессе приобретают нетехнические специалисты. В связи с этим возникла необходимость упростить их участие в процессе создания новых технологий, минимизировав требования к чисто техническим навыкам, например, упростить или сократить написание кода. Достичь этого возможно с помощью специального ПО.
По мнению экспертного сообщества, к наиболее многообещающим направлениям ПО нового поколения относятся ИИ-ассистенты для программирования, которые с помощью технологий обработки естественного языка доносят до пользователя доступным языком рекомендации по написанию кода, а также low-code или no-code платформы, преобразующие работу пользователя с кодом, условно переводя ее из командной строки к более дружелюбному к пользователю графическому интерфейсу.
К многообещающим направлениям относят модель «инфраструктура как код», в которой предоставляемой инфраструктурой возможно управлять не ручным редактированием кода, а простыми конфигурационными файлами, которые можно настраивать. Большую ставку эксперты также делают и на программное обеспечение для автоматизированного тестирования кода.
No-code ИИ полностью меняет индустрию разработки: инструмент дает возможность использовать возможности ИИ человеку из любой сферы с любым техническим бэкграундом, а компаниям – быстрее адаптироваться к изменениям на рынке
Геннадий Штех, руководитель R&D-направления в Embedika
ПО нового поколения уже постепенно переходит в практическое поле: примером может послужить проект стримингового сервиса Netflix – Netflix Test Studio (NTS), который представляет собой облачную среду автоматизации, где разработчики могут развертывать и тестировать код. Разработчики заявляют, что это универсальная платформа, подходящая для всех устройств и имеющая единый стандартный набор инструментов для оценки производительности. Сейчас NTS ежедневно проводит более 40 000 тестов, значительно облегчая работу.
Также в разработку ПО нового поколения вкладывается и компания Citibank, которая спонсирует разработчика low-code платформы Genesis. Разрабатываемое программное обеспечение предназначено для автоматизации рабочих процессов банка. Одним из направлений работы стало создание инструментария, называемого «вычисления для конечного пользователя», который позволит сотрудникам банка, не имеющим опыта в программировании, без помощи программистов создавать и редактировать рабочие приложения, например, порталы для обслуживания клиентов.
И таких решений становится все больше, к работе уже подключаются крупные игроки: в июне 2022 года GitHub выпустил ИИ-ассистента для программирования GitHub Copilot, а затем Amazon представила аналогичный CodeWhisperer.
Внедрение ПО нового поколения может идти медленно из-за технических сложностей, необходимости масштабной переподготовки разработчиков и инженеров по тестированию, а также других организационных препятствий.
Тем не менее, значительный прирост производительности, наблюдаемый на этапе испытаний, позволяет сделать предположение, что преимущества такого ПО перевешивают недостатки и стоят своих вложений. Эксперты из Gartner считают, что к 2026 году около 80% пользователей low-code и no-code платформ не будут иметь прямого отношения к организациям IT-отрасли.
Объяснимый
Проблемы безопасности и конфиденциальности данных на сегодня – крупные вызовы для развития практически всех информационных технологий. Бурное развитие IT, помимо успехов в цифровизации и автоматизации, привело и к возникновению новой среды для мошенничества, шпионажа и прочих противоправных действий. Уязвимость перед ними часто дискредитирует некоторые IT-решения и вызывает определенную настороженность пользователей. Ситуацию усугубляет и то, что на международном уровне государства по тем или иным причинам не могут прийти к соглашению и выработать эффективную стратегию по борьбе с угрозами в информационном пространстве. Однако каждое действие рождает противодействие, и одним из выходов может стать группа технологий цифрового доверия.
Технологии цифрового доверия представляют собой набор из различных систем, включающий в себя архитектуру нулевого доверия: она предполагает такой подход к безопасности, при котором никакие соединение, пользователь или актив не считаются доверенными до тех пор, пока не будет проведена проверка. Этот алгоритм отличает архитектуру нулевого доверия от традиционного подхода к защите, при котором предполагается, что соединения, уже прошедшие один раз аутентификацию, считаются доверенными и получают доступ ко всей сети.
Еще одно направление – цифровая идентификация. Это означает самостоятельную идентификацию, при которой пользователь обладает контролем над тем, какую информацию он передает сайту, службе или системе для подтверждения личности. Также в группу цифровой идентификации входит и беспарольная идентификация, предполагающая заменить традиционные пароли из букв и символов на данные биометрии, особые устройства и приложения или специальные документы.
Также существует отдельное направление, изучающее вопросы конфиденциальности в отношении ИИ. Одна из проблем ИИ заключается в том, что разработчики не всегда в полной мере осознают, каким образом происходит обучение нейросети. Это в определенной степени сказывается на доверии к технологии. По этой причине одним из направлений технологий цифрового доверия стал так называемый «объяснимый» ИИ. Это направление предполагает разработку методов и подходов для повышения прозрачности и интерпретируемости процесса машинного обучения. Эксперты считают, что визуализация процесса обучения и его поэтапное объяснение на естественном языке будут способствовать росту доверия к ИИ-технологиям и их внедрению, а также позволит выявлять слабые места моделей и оптимизировать их работу.
К технологиям цифрового доверия также относят и механизмы борьбы с последствиями несанкционированного вмешательства. В их число входят неизменяемые хранилища, блокирующие любые операции, которые могут привести к потере точек восстановления, а также самовосстанавливающиеся сети. Такие технологии открывают перед организациями возможности выявлять и преодолевать такие проблемы, как задержки, сбои или компрометация данных. Таким образом, с одной стороны, это позволяет выявить и снизить вероятность сбоя, а с другой – оперативно восстановить систему, в случае если сбой и вмешательство все-таки произошли.
На практике некоторые из этих технологий уже прошли пилотные проверки, в большей степени это касается проектов в области цифровой идентификации. Например, в аэропорту Майами до конца 2023 года планируется внедрение цифровой идентификации. Сообщается, что для посадки на борт будет использоваться биометрическое сканирование - личность пассажиров будет подтверждаться с помощью камеры. По словам разработчиков, это сделает перемещения по аэропорту быстрее и комфортнее.
Еще один амбициозный проект цифровой идентификации ведется в ЕС, где в начале 2023 года Европейская комиссия отобрала четыре консорциума для создания системы цифровой идентификации The European Digital Identity Wallet. Европейская комиссия сообщила, что система позволит каждому желающему гражданину или резиденту страны-участницы ЕС получить собственный профиль к 2024 году. С помощью цифровой идентификации граждане, резиденты и предприятия смогут предоставлять определенную информацию о себе онлайн- и офлайн-сервисам, а также при получении государственных и частных услуг по всему ЕС, например, для открытия счета в банке, подтверждения личности или при обращении в медицинское учреждение.
Каждый раз, когда приложение или веб-сайт просят нас создать новую цифровую идентификационную информацию или легко войти в систему через крупную платформу, мы понятия не имеем, что происходит с нашими данными на самом деле. Именно поэтому Европейская комиссия предложит безопасную европейскую электронную идентификацию. Технологию, с помощью которой мы можем сами контролировать, какие из наших данных используются и как
Урсула фон дер Ляйен, председатель Европейской комиссии
Другие проекты пока находятся на более ранних этапах реализации, но и там есть успехи, в частности, в области повышения устойчивости и способности к восстановлению систем после стороннего вмешательства. Разработчики из Netflix разработали проект Chaos Monkey для стресс-тестирования систем, который позиционируется как новый способ обеспечения устойчивости систем. Программное обеспечение случайным образом прекращает работу серверов, что помогает протестировать систему, выявить ее слабые места и спроектировать код таким образом, чтобы он выдержал сбой сервера, сохранив при этом адекватное качество обслуживания. Этот проект представляет собой направление хаос-инжиниринга, который, по мнению экспертов, также получит распространение в будущем.
Однако несмотря на пользу, которую может принести развитие технологий цифрового доверия, стоит отметить, что отрасль находится в зачаточном состоянии, а ключевые и наиболее эффективные направления в противодействии киберугрозам и обеспечению стабильности все еще определяются.
Стоит также упомянуть ряд трудностей – прежде всего, недостаток кадров, которые специализировались бы на обозначенных выше направлениях. Еще одну проблему эксперты видят в неопределенности относительно того, каким образом новые системы и архитектуры безопасности будут интегрироваться в существующие. В то же время никуда не исчезли проблемы баланса конфиденциальности. Кроме того, заметно нежелание со стороны некоторых органов исполнительной власти вкладываться в развитие проектов цифровой безопасности и защиты данных просто в силу недостаточно серьезного восприятия киберугроз.
©«Новый оборонный заказ. Стратегии»
№ 5 (82), 2023 г., Санкт-Петербург
