Шар предсказаний? Для бизнеса есть более мощное решение!

Искусственный интеллект предсказывает изменения критически важных для бизнеса данных, предупреждает о выходе оборудования из строя, выполняет рутинные задачи с ювелирной точностью и постоянно самосовершенствуется. Но это только верхушка айсберга.

В широком смысле машинное обучение (machine learning, ML) — то, с чего начинается предотвращение катастроф, как природных, так и производственных. В статье расскажем, каких перспектив развития ML ожидать в ближайшем будущем, глобально и в бизнесе.

Мы в NLABTEAM работаем с ML-технологиями и разрабатываем сложное программное обеспечение уже более 20 лет. В наших рядах — инженеры, которые занимаются машинным обучением со времен выхода первого «Терминатора». И за время своей работы мы сталкивались с разными мнениями об ML — от опасений на тему «восстания машин» до восхищения. Поэтому и решили написать статью, где разбираем: друг ли нам искусственный интеллект или враг.

Как технологии помогают делать мир безопаснее

📍Предотвращают чрезвычайные происшествия

Человечество создает суперкомпьютеры и отправляет ракеты на Марс, строит скоростные поезда и спорткары, осваивает новые виды получения энергии. Приручать природу и законы физики непросто, и люди научились это делать лучше всех.

Однако пока это не дает нам той степени контроля над происходящим в мире, какой мы хотим. И вот почему.

Использование технологий требует интеллектуального контроля, но опыт показывает, что человеческий интеллект и внимание сильно зависят от усталости, дефицита времени и других факторов, поэтому дальнейший технологический прогресс должен идти рука об руку с прогрессом интеллектуальным. А именно — развитием ИИ как помощника человека в мониторинге технологических и бизнес-процессов.

Кирилл Левин,

CEO NLABTEAM

Если вспомнить крупнейшие аварии, главными их причинами почти всегда были человеческий фактор или непредвиденные сложности с оборудованием. Вот лишь несколько громких примеров:

  • Авария на Саяно-Шушенской ГЭС (2009 г.) произошла из-за технических повреждений узлов крепления — их состояние не контролировали должным образом.
  • Кыштымская авария на АЭС (1957 г.) случилась из-за случайного взрыва отходов, которые неправильно утилизировали.
  • По поводу катастрофы на Чернобыльской АЭС (1986 г.) до сих пор нет единого мнения, но одними из причин эксперты называют нарушения техники безопасности со стороны персонала.
  • Крушение самолета А330 компании Air France (2009 г.), где погибло 228 человек, было вызвано, в том числе, ошибками в действиях пилотов.
  • Взрыв нефтяной платформы Deepwater Horizon (2010 г.), который стал крупнейшей в истории США техногенной катастрофой, произошел из-за неожиданных технических неполадок и неправильных действий персонала.

В результате этих аварий погибли тысячи людей.

Можно ли было предотвратить эти аварии?

В то время, когда они произошли — едва ли. В конце прошлого и начале текущего века автоматизация процессов еще не была так развита, как сегодня, и человек мог полагаться скорее на собственную внимательность и навыки. Но люди — не роботы, они не могут самостоятельно просчитать абсолютно все варианты развития событий и предотвратить все нежелательные исходы.

Зато сейчас у нас в руках есть то, что поможет автоматически контролировать все процессы, вовремя сообщать о проблеме и предлагать варианты решений. На диаграммах ниже видно, в каких сферах и для каких целей компании уже начали активно внедрять ИИ.

Шар предсказаний? Для бизнеса есть более мощное решение!
Шар предсказаний? Для бизнеса есть более мощное решение!

👾 Как работает машинное обучение

Представим, что мы хотим обучить нейросеть распознавать наличие открытого огня по видеозаписи. Для этого она должна уметь отличать открытый огонь от других объектов красного и оранжевого цвета.

Чтобы запустить процесс обучения нейросети, мы загружаем в нее данные о том, как выглядит огонь и в чем его отличительные черты.

Самые простые детекторы можно построить на различении цвета, далее — добавить в отличительные признаки: характерные колебания пламени, наличие сопровождающих эффектов типа дыма или гула пламени.

Каждый новый признак требует усложнения процесса разметки обучающих данных и более сложных структур нейронных сетей.

Сначала точность распознавания огня на видео будет невысокой, и это нормально. Со временем нейросеть «научится» выделять дополнительные параметры для классификации данных, и выборка будет все точнее.

Так могут выглядеть очаги пожара при автоматизированном обнаружении
Так могут выглядеть очаги пожара при автоматизированном обнаружении

Еще один пример. Мы хотим отказаться от фиксированных ограничений скорости автомобиля и создать динамическую систему управления движением. Причем такую, которая будет оперативно реагировать на окружающую обстановку.

Чтобы реализовать этот план, мы:

— Загружаем в нейросеть данные о скоростных ограничениях, а также о том, как на скорость влияют погодные условия, время суток, состояние дороги и другие параметры.

— После — моделируем различные условия, чтобы нейросеть постепенно училась определять верную предельную скорость, основываясь на полученных данных.

Со временем нейросеть учится точно определять нужную скорость и предупреждать водителя, если она превышена.

В реальных проектах используются более сложные схемы, но эти примеры в общих чертах показывают, как работают ML-технологии.

📍Помогают бороться с лесными пожарами

Мы в команде часто обсуждаем перспективы глобального развития ML-технологий. Вернёмся к пожарам.

Как-то мы озаботились проблемой ежегодных лесных пожаров и порассуждали, как искусственный интеллект мог бы помочь искоренить риски природных катастроф. Пришли к выводу, что современных технологий вполне достаточно для предупреждения и борьбы с пожарами — остается только найти достаточные ресурсы и воплотить их в жизнь.

В таблице — подробно о том, как поэтапно можно решить проблему пожаров
В таблице — подробно о том, как поэтапно можно решить проблему пожаров

📍Помогают избежать критических состояний у пациентов

Искусственный интеллект можно использовать не только для предотвращения глобальных проблем, но и для адресной помощи людям. Так, развитие ML-технологий позволило создать модель EXAM, предназначенную для прогнозирования клинических исходов больных Covid-19. Проанализировав тысячи случаев лечения Covid-19 из нескольких больниц, модель «научилась» предсказывать динамику состояния пациентов и необходимое им количество кислорода.

Шар предсказаний? Для бизнеса есть более мощное решение!

a. Карта мира с указанием 20 сайтов, участвующих в исследовании EXAM b. Количество случаев, представленных каждым учреждением или сайтом c. Распределение интенсивности рентгенографии грудной клетки на каждом сайте d. Возраст пациентов (звёздочки — минимальный и максимальный, треугольники — средний возраст, горизонтальные полосы — стандартное отклонение)

Еще один пример — использование ML-технологий для повышения качества жизни людей с ограничениями по слуху. В 2014 году российский «Центр речевых технологий» разработал технологию для автоматической генерации субтитров. Тогда сочинская Паралимпиада была впервые показана с субтитрами искусственного интеллекта: комментарии давал человек, а вот в текст они преобразовывались и компоновались автоматически. Руководил проектом Кирилл Левин, CEO NLABTEAM. А Кирилл Семёнов, наш тимлид отдела разработки, занимался реализацией решения: так субтитры появлялись на экране в заданном месте и в нужное время.

Сейчас ИИ используется не только для генерации субтитров, но и для озвучивания написанного текста — для людей с особенностями зрения.

Конечно, нельзя сказать, что искусственный интеллект скоро придет на смену реальным людям — за любой технологией нужен контроль, и финальное решение остается за человеком. Но уже сейчас ML-разработки способны значительно облегчить жизнь и поспособствовать развитию любой сферы — от глобальных инициатив до частного бизнеса.

Как ML помогает бизнесу сосредоточиться на движении вперед: примеры из нашей практики

В бизнесе довольно сложно полностью контролировать процессы — особенно если дело касается обработки больших массивов данных. Вручную это требует огромного количества времени и отсутствия ошибок в расчетах. В результате у нас вызывают затруднения самые банальные, но очень важные для бизнеса процессы — например, прогнозирование расходов или планирование загрузки персонала. И тут мы снова обращаемся к ML-технологиям.

Вот несколько примеров из нашей практики.

📍Прогнозирует выход вагонов из строя

Запрос: компания по ремонту железнодорожных вагонов столкнулась с ошибками в прогнозировании загрузки вагонов. Из-за этого стало сложно планировать прибыль и составлять отчетность для руководства.

Решение. Мы предложили внедрить модель, которая будет анализировать амортизацию вагонов и прогнозировать степень их износа. На основе этого мы продумали веб-сервис, куда можно загружать данные по пробегу, вводить определенную дату и запрашивать, какие вагоны могут прийти на ремонт в ближайшее время.

Шар предсказаний? Для бизнеса есть более мощное решение!

Исходя из полученных данных можно формировать список ресурсов, необходимых для ремонта, и в дальнейшем — планировать загрузку на весь год вперед. Это поможет прогнозировать прибыль и привлекать инвесторов.

📍Предсказывает риски оттока клиентов

Запрос: наш заказчик из сферы банкинга столкнулся с неконтролируемым оттоком клиентов. Важно было понять и проанализировать, почему они уходят, чтобы исправить ошибки в удержании и спрогнозировать риски ухода каждого клиента.

Решение. Мы разработали систему оценки лояльности клиентов SmartCubes. На дашбордах можно было наглядно увидеть, как меняется лояльность, и заметить, когда она падает, чтобы принять меры. Оценивалось это на основе количества транзакций, наличия кредитов в других банках, количества открытых и закрытых услуг и продуктов и т. д. — всего во внимание принималось более 30 параметров, на их основе нейросеть формировала рейтинг лояльности каждого клиента.

Шар предсказаний? Для бизнеса есть более мощное решение!

Графики можно сопоставить с датами проведения маркетинговых мероприятий, экономическими и политическими событиями, чтобы увидеть закономерности. Все это помогло заказчику сократить отток клиентов на 5% благодаря своевременному прогнозированию рисков.

В банковской сфере такой процент экономии фактически выражается в миллионах.

📍Повышает точность медицинских исследований

Запрос: часто ошибки в исследованиях ЖКТ происходят из-за человеческого фактора — врач может не заметить атипичные клетки или недостаточно тщательно исследует некоторые участки тканей и органов. Сеть медицинских клиник попросила нас разработать ПО для более высокой точности в диагностике.

Решение. Мы обучили нейросеть на основе больших массивов данных пациентов и интегрировали ее с камерами эндоскопов для исследований кишечника. Полученная система INENEX смогла давать подсказки врачам в реальном времени и следить, все ли отделы ЖКТ пройдены эндоскопом.

👾 Как взять от ML максимум пользы для вашего бизнеса?

Чтобы найти ответ, подписывайтесь на наш блог — в нем будем много говорить об искусственном интеллекте, делиться показательными кейсами из практики и развеивать мифы по теме.

В наших кейсах ML-технологии одержали победу над главными врагами бизнеса — неопределенностью и ошибками по причине человеческого фактора. На их примерах мы видим, что программное обеспечение на основе искусственного интеллекта может обрабатывать и классифицировать огромные массивы данных, что просто не под силу человеку. Это высвобождает для линейных сотрудников время, которое они могут потратить на свои непосредственные обязанности, а руководители в это время будут заниматься стратегическим планированием.

Коротко о главном

Любой бизнес — это риски, но всегда хочется хоть немного их минимизировать, и это можно сделать с помощью ML-технологий. Важно помнить, что:

  • Искусственный интеллект — это мощный инструмент для оптимизации, ускорения и аналитики любых технологических процессов. Но он принимает решения только на основе предварительно изученных данных, и их важно качественно собирать и систематизировать, чтобы ИИ помогал делать правильные выводы.
  • ML-технологии востребованы везде — от глобальных проектов до локального бизнеса. Они позволяют вовремя предотвратить самые распространенные причины проблем — неожиданные поломки оборудования и человеческий фактор.
  • ML-модели способны значительно оптимизировать бизнес-процессы. Пока они «возьмут на себя» рутинные процессы и аналитику, руководители бизнеса смогут заняться стратегическим планированием, креативными задачами и масштабированием.
  • ML-технологии имеют огромные перспективы в будущем, потому что они экономят время и делают процессы точнее. Со временем бизнес просто не сможет выдерживать конкуренцию, если не будет применять искусственный интеллект.

В следующих статьях мы продолжим разговор о пользе ML для человечества в целом и бизнеса в частности, а также поделимся свежими кейсами из практики.

Будем рады ответить на ваши вопросы в комментариях!

В NLABTEAM мы уже более 20 лет внедряем технологии машинного обучения в бизнес-процессы и помогаем компаниям расширять свой масштаб быстрее.

🚀 Чтобы получить бесплатную консультацию по вашему проекту, пожалуйста, свяжитесь с нами по телефону 8 (800) 550-8-365 или напишите нам на sales@nlabteam.com

Расскажем, как взять от ML максимум для вашего бизнеса.

33
20 комментариев

Интересный взгляд на роль машинного обучения в предотвращении чрезвычайных ситуаций. Статья класс!😉

2
Ответить

Валерий, спасибо, что читаете нас!

Ответить

Интересная статья, боюсь правда некоторые пациенты убегут если услышат что какая то "программка" может повлиять на диагноз (==жизнь)

1
Ответить

Вы абсолютно правы, это предсказуемая реакция многих пациентов.

Однако даже такой фактор как усталость врача, проводящего обследование, может снизить точность результатов на выходе. ML помогает сделать так, чтобы подобные вещи не влияли на критически важные для пациента решения.

Сейчас мы совместно с медицинским центром работаем над продуктом для контроля качества диагностики онкологии, и очень скоро поделимся подробностями.

А пока хотим отметить, что стоит фокусироваться не на автоматической диагностике как таковой (иначе, как вы и сказали, пациенты могут небеспричинно начать опасаться), а на контроле качества обследования. Например, при эндоскопии важно проконтролировать, сколько времени и с какой скоростью двигался зонд, были ли исследованы все отделы желудка или кишечника.

2
Ответить

к сожалению некоторые врачи намного опаснее "программок" :(

1
Ответить

А как вы предлагаете отрабатывать возражения врачей "старой закалки", которые плевать хотели на все технологии. и доверют только тому, что сами увидели или тому. что написали своей рукой? анрил заставить их использовать современные технологии.

1
Ответить

Юлия, спасибо за хорошее замечание. Тема действительно заслуживает внимания.

По опыту ведения клиентских проектов в сфере медицины, мы можем точно сказать, что в клиниках, внедряющих передовые технологические решения, работают врачи, на 100% готовые постоянно обновлять свои знания.

Это касается и узкоспециализированных медицинских вопросов, и вопросов использования технологий. Ведь IT-решения, о которых говорим в статье, работают на врача:

1. Позволяют добиваться лучших результатов в диагностике и лечении благодаря системам автоматизированных подсказок (например, на этапе оценки первичных жалоб пациента и в ходе обследования).

2. Помогают не допускать ошибок, неизбежных из-за человеческого фактора (например, усталости или большого потока пациентов с учётом сезонных обострений заболеваний).

3. Врач и клиника получают больше довольных пациентов на выходе. Довольных – потому что им своевременно поставили диагноз, если таковой был, и назначили лечение, когда человеку ещё можно сохранить жизнь.

Если говорить о мышлении людей «старой закалки», этот фактор не станет помехой для тех, кто понимает, насколько важно быть «впереди всех» в сфере медицины. Вне зависимости от возраста и убеждений.

И, конечно, важную роль играет желание повысить эффективность и качество медицинских услуг – в клинике, в стране, в мире.

1
Ответить