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.

📍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.

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.

📍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.

📍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.

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.

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.

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. 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.

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 смогла давать подсказки врачам в реальном времени и следить, все ли отделы ЖКТ пройдены эндоскопом.

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.

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!