Нейросети, нейросети! А что с ними делать? Здесь варианты без чатботов и мемопроизводства

Приложения с машинным обучением пользуются успехом у инвесторов и пользователей, потому что предлагают удивительные, постоянно растущие возможности. Нейросетевые части дают разработчикам средства персонализации, обработки и производства контента, прогнозирования, поведенческого анализа, повышения безопасности и таргетирования рекламы. Такие вещи хорошо привлекают и удерживают аудиторию, ускоряют и облегчают бизнес.

Если вы твёрдо решили получить преимущества машинного обучения, осталось понять, как именно искусственный интеллект будет вам служить. Давайте рассмотрим несколько реально полезных вариантов и поразмышляем, какие решения помогут вашей компании занять более весомое положение в бизнес-среде.

Эта статья нацелена на бизнес-заказчиков, которые ищут, как улучшить показатели своей компании за границей возможностей обычного чат-бота. В ней мы предлагаем варианты из реального опыта. Одни мы делали практически, другие прорабатывали для заказчиков теоретически, третьи профессионально изучали как готовые кейсы. И все они точно работают.

Алгоритмы искусственного интеллекта зашиты в самые популярные приложения, которыми вы пользуетесь каждый день. Люди не знают об этом, им всё равно, но именно благодаря нейросетям лучшие становятся лучшими. Замечательно, что в поиске примеров можно просто посмотреть на экран любого телефона.

Там вы увидите карты. От Google или Яндекса — это не важно, в них всё равно будет построение маршрута. Модели машинного обучения учитывают текущую интенсивность движения, строительные работы, аварии, светофоры, ваши собственные привычки и другие факторы, чтобы прокладывать не только быстрые, но и приятные вам маршруты. Карты встроены в приложения вызова такси, доставок, магазинов и многое другое; нейросети в них постоянно помогают нам и стали такими привычными, что мы не замечаем их работы, но если она остановится, об этом будут бить во все колокола.

Рассчитать что-то на основании огромного количества параметров в реальном времени — это суперсила искусственного интеллекта. Она проникает везде, почти как гамма-излучение. Кстати, с ним ИИ тоже учат работать. Американские учёные в 2021 году предложили с помощью нейросетей оптимизировать использование топливных стержней в ядерных реакторах.

Пока в одном месте алгоритмы обеспечивают нас энергией, в другом они помогают учёным создавать новые материалы, подсказывают слова в смартфонной клавиатуре или в реальном времени пишут для вас музыку на основе вашего плейлиста, как у Яндекса. Поэтому когда мы говорим, что ИИ везде, это буквально так. Обучить сетку можно чему угодно. Простите нам такой общий подзаголовок, но это ещё один способ подчеркнуть универсальность технологии, подобной повсеместному применению логических рассуждений и выводов.

Выделяя направления в широком спектре возможностей, нужно задержаться на персонализации.

Человек — сложная штука. Нашими действиями руководят десятки мотивов, их направляют сонмы обстоятельств, интерфейсов, особенностей мышления и физического состояния. Чтобы надёжно понимать поведение человека, необходимо в реальном времени анализировать умопомрачительные объёмы данных.

Когда вам нужно просто подсказать товар в магазине на основе покупок на аккаунте, для этого не нужны нейросети. Хватит нормальной работы категорийных менеджеров и веба, чтобы сайт подсказывал по популярным категориям и тегам. Магия начинается дальше, когда компания хочет повысить эффективность взаимодействия с клиентом, глубже анализируя его поведение на своих ресурсах и за их пределами, предсказывая и предполагая потребности.

Пример не из ритейла — работа крупнейших видеопровайдеров, вроде YouTube, TikTok, Netflix, Amazon Prime и Apple TV. У них машинное обучение на сайтах и в приложениях обеспечивает личный подход для привлечения пользователей и повышения вероятности того, что они будут продлевать подписки. Приятно, когда тебе предлагают подходящий сериальчик.

Без рекомендательных систем не могут существовать социальные сети, ведь иначе трудно заработать на рекламе; банки и страховые компании не упускают возможности вовремя делать вам выгодные предложения и иногда помогают оптимизировать финасы для улучшения показателей по счетам; туристические компании предлагают путешествия и строят маршруты так, чтобы клиенту всё понравилось, и он вернулся за сервисом, избавляющим от головной боли планирования.

Сложность такой системы зависит от того, сколько сил вы готовы на неё потратить. Можно в реальном времени учитывать внимание к определённым вещам, время года, настроение, смену статуса в соцсети и так далее. Выстраиваются и проверяются гипотезы о зависимостях факторов, создаётся алгоритмическая схема, которая предлагает вот это, если человек действовал так и вот так.

За работой алгоритма нужно постоянно следить, чтобы он не выдавал глупости и не оскорблял чувства людей, но взамен вы получаете сервис, который рядом с потребителем, заботится и помнит о нём, помогает быстрее достигать желаемого. Главное, не переборщить, чтобы забота не казалась слежкой. Всегда где-то рядом Зловещая долина.

Ещё один уровень персонализации, хотя обыватель редко смотрит на всякие колонки и Сири под таким углом. У многих крупных компаний появились голосовые интерфейсы с обширными полномочиями: и сказку детям расскажут, и такси вызовут, и еду закажут, и совет по личной жизни дадут.

Кроме того, что помощники становятся обучаемыми персонализированными поисковыми машинами с функциями взаимодействия со сторонними сервисами, они выступают лицом бренда. Той сберкассой, в которой делали карточку, но она всегда рядом и готова помочь. Простой пример — то, что Алису люди воспринимают как маскот Яндекса. Перед нами ИИ, способный персонализировать общение с огромной корпорацией, реагируя на разные запросы и состояния человека.

Нейросети штурмуют чувствительную и не терпящую резких перемен область здравоохранения. Свежая новость из США: эксперты не могут отличить работу умных алгоритмов при анализе УЗИ сердца от работы специалистов-людей, причём алгоритмы показывают лучшую результативность.

Читать новость следует так: алгоритмы становятся лучше в анализе данных, чем люди. Можно только порадоваться, что ИИ на нашем веку усилит заботу о человеческом здоровье. Никто не запрещает перепроверять диагнозы и рекомендации машины. То же самое нужно делать с работой людей — это знает каждый, кто ходил со сложным диагнозом по нескольким врачам.

Приняв факт наличия в нашей жизни нового инструмента, мы можем подумать, как его улучшить и применить новыми способами. Первым на ум приходит скармливание сеткам историй пациентов для выявления незамеченных связей между разными симптомами, получения новой картины сверху и со стороны.

Затем обязательно наступит время создания индивидуальных программ лечения на основе амбулаторной и генетической карты, доступных лекарственных и технических средств, финансового и физического состояния пациента и сотен других факторов. Некоторые люди не лечатся или делают это плохо, потому что не знают, как правильно. Снижение трудоёмкости анализа данных позволит охватить научным подходом больше пациентов. А медики и страховые компании смогут на этом заработать, что, наверное, тоже хорошо.

Вы можете возразить, что пускать ИИ в работу с пациентами преждевременно — тут опасная химия, каждый день на счету, ошибки совершать нельзя, а нейронки с умным видом посреди правды рассказывают полную ахинею, как ChatGPT. Тогда давайте это тестировать, а внедрение начинать с менее чувствительной сферы здорового образа жизни.

Скажем, автоматизированное планирование тренировок и питания. Предлагать схемы нужно на основании точных данных, которые сейчас разбросаны по миллиону разных мест. У врачей есть ваша карточка, у тренера есть понимание ваших возможностей, у часов пульс и насыщение кислородом, у весов динамика веса и приблизительного соотношения разных тканей, а у магазинов есть, собственно, питание, тренажёры, одежда.

Соединив всё это с алгоритмами подбора интересного контента мы получим систему, которая сэкономит людям очень много времени и даст обоснованную информацию о том, в каких количествах и стоит ли вообще получать определённые нагрузки. Справедливости ради, до такой системы нам далеко, потому что цифровизация медицины пока не предполагает активного обмена врачебной тайной с сервисами вне защищённого контура. Но, в конце концов, раньше у нас не было и Госуслуг с их интеграциями. Каким будет государственный суперапп следующего поколения, нужно решать сейчас.

Специфически натренированная сетка способна анализировать и воспроизводить поведенческие паттерны в процессах тестирования программного обеспечения. Когда меж нами будут бродить андроиды, их можно будет направить и на тесты оборудования — из краш-тестов в мир устройств всех мастей. Сейчас ограничимся софтом.

Начать лучше с анализа. Представим, что у вас есть приложение, и вы фиксируете в нём поведение людей. Получая данные трекинга, сетка может использовать их для составления базовых маршрутов и действий, выделять из них целевых пользователей, идущих к нужному результату, и обогащать известными вам подробностями об аккаунтах. Уже из этого маркетолог извлечёт много интересного.

Затем ИИ может побродить по вашему приложению или макету, нажать все кнопки, посмотреть все экраны, мгновенно задокументировать все ошибки и проставить алерты в местах расхождения ожидаемого поведения с интерфейсом.

Когда вы знаете нормальное поведение людей, вы знаете и ненормальное. Системы выявления киберугроз на ИИ работают не первый год. Но каждый бизнес имеет специфику. Угрозы тоже меняются по действию и характерным действиям, их многообразию нет и не будет конца. В результате поставщиков нейросетевых решений по кибербезопасности относительно немного, и они ограничены в информации о том, что у вас делают люди, а что боты или вредный код.

ИИ может обнаруживать несанкционированный доступ к системе, массовую рассылку спама или внедрение вредоносного кода, анализировать и классифицировать данные по типу угрозы и определять степень серьёзности (например, повысить уровень готовности или оставить всё как есть, если стены гарантированно не падут), а может блокировать доступ злоумышленников, атакующие IP-адреса, оповещать ответственных сотрудников или самостоятельно удалять внедрения. Анализ данных о безопасности компании, включая записи инцидентов и ошибок, помогут выявить тенденции и узкие места.

В зависимости от типа частых угроз разработчики могут обеспечить компанию специально сделанной для неё моделью, которая учтёт поведенческие особенности людей и будет размечать активность как подозрительную для дальнейшего отсмотра оператором. Обычный сценарий для таких отраслей, как банковские услуги: деньгам лучше подождать, чем пропасть.

Риски в организациях связаны не только с киберпространством. Куда ближе к простым людям обычные ошибки в принятии решений, нарушения цепочек поставок и вынужденные простои.

Вопрос в наличии большого датасета, который нужен системе машинного обучения для… машинного обучения. Чем больше данных, чем лучше они размечены, тем точнее будет модель. Если вы крупная организация и какое-то время пользуетесь цифровыми системами, вполне вероятно, что информация в необходимых объёмах уже есть.

Нейросети доказали полезность в определении финансовых рисков, таких как снижение доходов, увеличение задолженности и так далее, в диагностировании компаний и проектов по отчётности. Автоматическое отслеживание публичных упоминаний компании и её продуктов вместе с группированием целевой аудитории, определением тональности и информационного фона позволяет вовремя реагировать на репутационные угрозы. На производстве мониторинг поставок и спроса оптимизирует складские запасы, а отслеживание показателей оборудования и выходящей продукции помогают решать технические проблемы до того, как они приведут к большим последствиям. Датчики линий и машинное зрение на конвейерах делают это десятилетиями, а новые комплексные нейромодели превращают разрозненные системы в смарт-фабрики.

Нейронки развернулись в мире документооборота в полную силу, но его многообразие оставляет большое поле для действия, не занятое готовыми продуктами. Кроме того, часто такие продукты являются полуготовыми. Это платформы, которые будут дорабатывать под вас. Внедрять как есть можно, но они не отдадут вам все преимущества без инвестиций.

Внедрение ИИ в документооборот чаще решает задачи общего характера, такие как распознавание, автозаполнение, сравнение и классификация документов — и вообще любых файлов. Чего здесь не хватает, так это специфических решений для разных отраслей. Скажем, для торговли, банков или миллиона «дочек» добытчиков природных ресурсов всё адаптировано, а для производителя уникального товара или того, кто оказывает редкие услуги, продукта может не найтись. Что делать? Разрабатывать.

Особенно интересным мы считаем направление распознавания темы, смысла, сути файлов в сложной классификации и поиске. Для примера, многие сталкиваются с проблемой поиска конкретного документа на огромном корпоративном облачном диске. В один прекрасный момент поиск по такому массиву может занять такое время, что вместо опоры на созданные вещи проще делать с нуля. Если классифицировать всё вручную, это занимает много времени и требует дисциплины, которая тянет за собой необходимость тренировать новые кадры и ещё больше увеличивает затраты. Помощь алгоритмов, способных предполагать, здесь очень полезна.

Пусть этот обзор даст вам пищу для размышлений о многих возможностях реализации машинного обучения в вашем бизнесе. Поддержка нейросетями таких функций, как персонализация, рекомендации и прогнозы, принесут развитие любой цифровой платформе, особенно когда алгоритмы фактически стали основой многих проектов.

Как поступить, если понимание необходимости есть, а конкретного проекта внедрения нет? Обратиться к профессионалам и рассказать им о своей работе. И вместо поиска идей можно будет из них выбирать.

Далее: No-code, веб или нативка? Разбираемся в подходах к разработке мобильных приложений