Тренды Machine learning и «как поймать волну» новых технологий

Сейчас на каждом углу слышишь — «искусственный интеллект», и редкий рекламный баннер, сообщающий о новом продукте, обходится без магических букв AI. Нейросети доказали свою эффективность и уже сильно влияют на подход к программированию.

При этом типичная реакция заказчика на предложение включить в план разработки часть, связанную с ML, напоминает ответ обывателя про новую вакцину: «Да-да, я знаю, это очень эффективно и нужно, но страшно, потому что непонятно и мало данных». Руководитель направления ML компании Globus Илья Померанцев разобрался, какие существуют ключевые тренды в области технологий машинного обучения и как их можно использовать в бизнесе, промышленности и других сферах нашей жизни.

Согласно данным Gartner, ведущей исследовательской и консалтинговой компании, которая специализируется на ИТ-рынках, с 2019 года количество направлений AI увеличилось в 2 раза. И если в 2019 году срок развития этих технологий по прогнозам Gartner составлял 5–10 лет, то уже в 2020-м некоторые направления ИИ, не успев возникнуть как триггер/идея, перешли в стадию выхода на плато в перспективе 2–5 лет.

Российский ИТ-рынок сейчас находится на этапе развития, который был представлен в прогнозах Gartner Hype Cycle Research 2019.Команды экспертов уже «наигрались» с моделями, и теперь разработка ИИ уходит в оптимизацию, улучшение качества и масштабируемость задач.

Давайте подробно разберем технологии, которые лежат в основе ведущих цифровых решений уже сейчас и будут активно использоваться во всех разработках ближайшего будущего.

1. Edge AI — применение периферийного ИИ

Позволяет обрабатывать и анализировать данные непосредственно на датчике, решая вопросы многопоточности и загрузки каналов передачи данных.

Эта высокоэффективная технология отлично показывает себя, например, на производствах, где есть потребность в обработке сигналов со множества датчиков, но нет стабильного канала передачи данных.

Edge AI переносит на сервер только актуальную информацию, обрабатывая простые ML-модели на месте.

В нынешнем году тренд технологий Edge AI должен закрепиться в разработке систем автоматизации производства.

Преимущества этой технологии:

• более быстрые вычисления
• аналитика в реальном времени
• высокая безопасность данных

2. Augmented intelligence — расширенный интеллект

Gartner определяет расширенный интеллект как ориентированную на человека модель партнерства, в которой люди и ИИ работают вместе для повышения когнитивных способностей. Это включает обучение, принятие решений и новый опыт.

На базе этих технологий создаются системы помощи принятия решения, которые могут изменить взаимодействия компании с клиентами на протяжении всего жизненного цикла, включая адаптацию, консультационные услуги и постпродажную поддержку.

Например, такие системы могут:

• на основе накопленного объема личных данных в общем доступе оценивать потенциальных клиентов и партнеров, выдавать рекомендации по надежности, предпочтениям и прочим особенностям пользователей;
• на базе накопленной технической экспертизы производств создавать информационные сервисы для принятия решений в большом диапазоне задач;
• вместе с возможностью анализировать персональные данные наблюдаемое и предполагаемое поведение может формировать предложения для клиентов, предлагать менеджерам варианты «дожима» или сигнализировать о заинтересованности клиента;
  
• предлагать техническому персоналу варианты решений возникающих ситуаций, а руководителям — подсвечивать риски, которые только могут появиться.
  
  3. Explainable Artificial (XAI) — объяснимый ИИ
  
  Сложность систем на базе искусственного интеллекта в последнее время возросла до такой степени, что для их разработки и развертывания почти не требуется вмешательства человека. И, казалось бы, пусть «оно само» магическим образом принимает решение:)
  Однако понимание того, как именно происходит процесс принятия решения, не менее важен.
  
  Приведем пример. Любой человек, даже ребенок, легко отличит собаку от кошки. Но какие критерии для подобной задачки использует машина — уши, хвост или, может быть, уникальный рисунок на носу животного? Были случаи, когда неправильно обученные модели отличали животных исключительно по фону — например, если больше собак были на зеленом фоне, а кошек на красном и т. п.
  
  Выбор моделей для решения конкретных задач с высокими показателями требует исследований в понимании «триггеров», по которым та или иная модель принимает решение. Ведь некоторые такие решения в буквальном смысле влияют на жизнь людей — например, в медицине, системах жизнеобеспечения или на правовом поле.
  
  Именно поэтому вопросам объяснимости ИИ (XAI) посвящено так много работ в последнее время.
  
  4. Synthetic data — программно сгенерированные данные
  
  Синтетические данные дешевы в производстве и могут поддерживать разработку моделей искусственного интеллекта / глубокого обучения, тестирование программного обеспечения.
  Одно из наиболее важных преимуществ — конфиденциальность таких данных, благодаря чему компании могут создавать программное обеспечение, не раскрывая пользовательские данные разработчикам или программным инструментам.
  
  Однако у этой технологии есть и понятные ограничения, которые связаны с определенным набором комбинации свойств этих данных, — на них удобно отлаживать модели, но в большинстве задач они проигрывают реальным.
  
  В основном программно сгенерированные данные используются, если реальные недоступны (например, по этическим или юридическим причинам) или ограничены в объеме.
  
  Также Synthetic data отлично подходит для моделирования еще не встречавшихся условий: там, где реальных данных не существует, синтетическая замена — единственное решение.
  
  По мере того как реальные данные становятся все более охраняемыми и менее доступными, создание и использование генерируемых будет только расти.
  
  5. Emotion AI — распознавание эмоций с помощью ИИ
  
  Модели способны понимать не только когнитивные, но и эмоциональные каналы человеческого общения. Эта способность позволяет им обнаруживать, интерпретировать и соответствующим образом реагировать как на вербальные, так и на невербальные сигналы, отслеживая выражения лица, язык тела или речь.
  
  Эмоции в значительной степени влияют на наше поведение. Эмоциональный ИИ особенно актуален для целей маркетинга. Когда у клиентов возникают положительные эмоциональные ассоциации с брендом, они с большей вероятностью будут к нему лояльны. И, следовательно, если бренды хотят улучшить качество обслуживания клиентов, им нужна система, которая работает не только на основе чисто рационального интеллекта, но и использует визуальное распознавание эмоций и распознает эмоциональную окраску текста сообщений или голоса клиента.
  
  Представителей некоторых категорий пользователей, например маленьких детей, довольно сложно интервьюировать и получать от них обратную связь. И тут на помощь приходят технологии Emotion AI.
  Кроме того, эмоциональный ИИ может эффективно использоваться в сфере образования, а также для генерации вовлекающего и понятного контента для блогов.
  
  Аннет Циммерманн, вице-президент Gartner по исследованиям, уже давно предсказала, что «к 2022 году ваше личное устройство будет знать о вашем эмоциональном состоянии больше, чем ваша собственная семья».
  Осталось не так много времени, подождем?
  
  И о главном
  
  Бизнес, маркетинг, общество накопило много информации. Эта информация оцифровывается и становится важнейшим новым активом. Чтобы он приносил реальную пользу (и деньги) как обществу, так и бизнесу, эту информацию надо обрабатывать, и на основе анализа получать новые преимущества для развития.
  
  Поэтому если вы накопили большой объем информации, подумайте, как его использовать для своего бизнеса или продать в качестве датасета другим.