Суррогаты глубокого обучения: как Генеративный ИИ сокращает расходы и помогает принимать быстрые решения

В прошлых публикациях мы уже рассказывали, как генеративный ИИ помогает преобразовывать работу в различных сферах и направлениях, берёт на себя рутинные задачи, в том числе в сфере маркетинга и продаж.

В этой статье мы делимся информацией о суррогатах глубокого обучения (перевод статьи). Они основаны на нейронных сетях, которые могут обучаться на больших объёмах данных, способны обрабатывать сложные данные и находить скрытые закономерности.

Вместо того чтобы тратить часы на запуск физических моделей, суррогаты глубокого обучения могут выдавать результаты моделирования всего за несколько секунд, что позволяет исследователям тестировать гораздо больше конструкций и ускоряет принятие решений по продуктам и конструкциям.

Оригинал: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-AI-the-next-productivity-frontier#introduction

✍🏻 Глубокое обучение — это подмножество машинного обучения, где используются глубокие нейронные сети, представляющие собой слои соединённых «нейронов», связи между которыми имеют способные к обучению параметры. Это особенно эффективно при обучении на неструктурированных данных, таких как изображения, текст и аудио.

При проектировании продукции в отраслях, которые производят физические изделия, часто используется физическое виртуальное моделирование, такое как вычислительная гидродинамика (CFD) и анализ методом конечных элементов (FEA). Несмотря на то, что эти методы быстрее, чем реальные физические испытания, они требуют значительных затрат времени и ресурсов, особенно при проектировании сложных деталей — выполнение CFD-симуляций на графических процессорах может занимать часы. И эти методы становятся ещё более сложными и вычислительными, когда они включают моделирование, связанное с несколькими дисциплинами (например, физическое распределение напряжений и температуры), что иногда называют мультифизикой.

Приложения глубокого обучения в настоящее время революционизируют этап виртуальных испытаний в сфере продуктового исследования и разработки, используя модели глубокого обучения для эмуляции (мульти)физического моделирования с более высокой скоростью и меньшими затратами.

Технологии революционизировали способы ведения бизнеса, и текстовый ИИ находится на рубеже этих изменений. Действительно, текстовые данные многочисленны, доступны и легко обрабатываются и анализируются в больших масштабах с помощью LLM, что обусловило повышенное внимание к ним на начальных этапах развития генеративного ИИ.

Современный инвестиционный ландшафт в генеративный ИИ также в значительной степени ориентирован на текстовые приложения, такие как чат-боты, виртуальные помощники и языковой перевод. Однако, по нашим оценкам, почти пятая часть стоимости, которую генеративный ИИ может раскрыть в наших сценариях использования, можно использовать мультимодальные возможности, выходящие за рамки текст-текст.

Несмотря на то, что генеративный ИИ в основном использовался в текстовых приложениях, последние достижения в области генеративного ИИ привели к прорыву в создании изображений, что наглядно продемонстрировали проекты OpenAI DALL-E и Stable Diffusion, а также к значительному прогрессу в области аудио, включая голос и музыку, и видео. Эти возможности имеют очевидное применение в маркетинге для создания рекламных материалов и другого маркетингового контента, и эти технологии уже применяются в медиаиндустрии, включая разработку игр. Действительно, некоторые из этих примеров бросают вызов существующим бизнес-моделям, связанным с талантами, монетизацией и интеллектуальной собственностью.

Мультимодальные возможности генеративного ИИ также могут быть эффективно использованы в сфере продуктового исследования и разработки. Системы генеративного ИИ могут создавать первые наброски схем, архитектурные чертежи, конструктивные и тепловые расчёты на основе подсказок, описывающих требования к продукту. Для этого необходимо обучить базовые модели в этих областях (вспомните LLM, обученных «языкам проектирования»). После обучения такие базовые модели могут повысить производительность труда до уровня, сравнимого с разработкой программного обеспечения.

Потенциал создания стоимости в зависимости от отрасли

Потенциал генеративного ИИ в 63 проанализированных нами вариантах использования в различных отраслях может составить от 2,6 до 4,4 трлн долл. Его точное влияние будет зависеть от множества факторов, таких как сочетание и важность различных функций, а также масштаб выручки отрасли (рис. 1).

В 63 случаях применения генеративный ИИ способен принести от 2,6 до 4,4 трлн долл. стоимости в различных отраслях.

Например, по нашим оценкам, генеративный ИИ может принести примерно 310 млрд долл. дополнительной стоимости для розничной торговли (включая автосалоны) за счёт повышения эффективности таких функций, как маркетинг и взаимодействие с клиентами. Для сравнения, основная часть потенциальной стоимости в сфере высоких технологий связана со способностью генеративного ИИ повышать скорость и эффективность разработки программного обеспечения (рис. 2).

В банковской сфере генеративный ИИ способен повысить эффективность, уже достигнутую искусственным интеллектом, за счёт выполнения менее важных задач в области управления рисками, таких как подготовка необходимой отчётности, мониторинг изменений в нормативно-правовой базе и сбор данных. В области медико-биологических наук генеративный ИИ способен внести значительный вклад в открытие и разработку лекарственных препаратов.

Подробный анализ этих отраслей мы приведём в следующих отраслевых обзорах.

Ещё больше новостей из мира маркетинга и Искусственного Интеллекта в нашем телеграм-канале ➡