Разработки в области искусственного интеллекта (Artificial Intelligence — AI) — сегодня весьма горячая тема. Как показал недавний отчет MIT Sloan Management Review, почти 85% руководителей считают, что AI «позволит их компаниям обрести или поддерживать конкурентные преимущества».
Впрочем, до сих пор существует немало путаницы в терминологии и названиях программных приложений, которые применяют компании, даже в тех сферах, где AI занимает господствующие позиции. Нередко можно слышать, что бизнес-профессионалы используют AI и другие термины, такие как «машинное обучение» и «глубинное обучение», в качестве синонимов, хотя в действительности между ними существуют серьезные отличия.
AI — это следующая эра информационных технологий, и для бизнес-мира важно понять, как раскрыть его потенциал. На недавнем мероприятии в Facebook Live Роб Хай (Rob High), вице-президент и главный технический директор IBM Watson, и Эми Вебб (Amy Webb), профессор стратегического предвидения в Школе бизнеса NYU Stern School of Business и основатель института Future Today, пришли к выводу, что AI не является «серебряной пулей», и что реальная ценность технологии формируется путем индивидуального сочетания инструментов, предназначенных для решения конкретной бизнес-задачи.
Ставки для компаний, которые хотят инвестировать в AI, достаточно высокие, а недостаточное понимание в этой области может привести к неудачному внедрению и медленному возврату инвестиций. Итак, что же на самом деле означают все эти термины?
Искусственный интеллект
Научные исследования в области AI появились еще после Второй мировой войны, однако изначально технология взяла за цель имитации человеческого разума. В рамках исследований ученые пытались создать систему, которая бы могла последовать тому, как человек рассуждает, оценивает важность различных обстоятельств и делает внутренние выводы. Впоследствии исследователи поняли, что наш мозг гораздо сложнее, чем считалось ранее. И хотя люди в целом достаточно хорошо делают определенные вещи, есть задачи, выполнение которых им просто не под силу. Например, врач не может прочитать и проанализировать миллионы статей, опубликованных на платформе PubMed, так быстро, как это способна сделать система искусственного интеллекта. Цель технологий AI заключается в том, чтобы дополнить человеческие способности, а не скопировать или заменить их. Подобно тому, как строители используют бульдозеры и экскаваторы вместо простой кирки и лопаты, так и искусственный интеллект позволяет нам обрабатывать огромные объемы данных, открывать закономерности и принимать лучшие решения, основываясь на результатах анализа.
Конечная цель AI — это то, что мы можем назвать «расширенным интеллектом», который поможет вдохновить человека на использование систем анализа огромных объемов данных с целью генерации лучших идей и альтернативных решений. Кроме того, система поможет оценить наши когнитивные предубеждения с тех точек зрения, которые в противном случае мы бы могли и не увидеть.
Машинное обучение
Машинное обучение (Machine learning — ML) — алгоритмический метод, который существует уже много десятилетий. На базовом уровне ML способен прогнозировать тенденции или распознавать шаблоны в массиве данных при условии, что исследователи описали модель предыдущих образцов таких шаблонов. Например, если у вас есть ряд чисел, которые вы можете связать с каким-либо значительным процессом, и если этот шаблон ранее повторялся, вы можете научить алгоритмы ML распознавать такие шаблоны и потом использовать их для прогнозирования того, будет снова достигнут аналогичный результат.
Для компаний технология машинного обучения играет очень важную роль. Благодаря ML предприятия могут оценивать поведение покупателей, чтобы спрогнозировать их запросы в будущем. В результате бизнес-менеджеры получают возможность откорректировать в случае необходимости свою стратегию.
Компании применяют ML для решения самых разнообразных задач. Например, розничные магазины могут использовать машинное обучение в системах прогнозирования, которые должны учитывать как прошлые, так и текущие (с точностью до мелочей) рыночные тенденции. А финансовые сервисы задействуют системы рекомендаций продуктов на основе ML, учитывающие текущие процентные ставки и рыночные тенденции.
Глубинное обучение
Глубокое обучение (Deep learning — DL) — это наиболее инновационная технология в широком наборе алгоритмов машинного обучения. DL является алгоритмическим методом, что моделируется по принципу нервных структур в мозге человека. Этот термин иногда называют «нейронными сетями», потому что исследователи были вдохновлены синапсами и нейронами в человеческом мозге и механизмом, с помощью которого нейроны возбуждаются и заставляют синапсы собирать и распространять энергию этого нейрона.
Технология DL использует искусственные нейронные сети, чтобы резко увеличить количество сегментов данных, которые она способна обработать, включая неструктурированные изображения и звуки. Этот многомерный подход похож на то, как люди в реальности чувствуют мир. Благодаря обучению нейронных сетей и избранным наборам качественных данных, DL предлагает широкие перспективы для мощного анализа с использованием AI в различных отраслях.
Хотя искусственный интеллект использует алгоритмические методы ML и DL, важно помнить, что сам AI — гораздо более широкий термин. Ведь AI объединяет специфические формы алгоритмических методов для решения конкретной проблемы или выполнения поставленной задачи.
Не привязывайтесь к одной технологии: ищите оптимальную комбинацию
ML и DL доставляет много преимуществ, но бизнес не должен пытаться удовлетворить все свои проблемы только одной технологией. Реальная ценность заключается в индивидуальном сочетании этих инструментов. Например, если у продавца есть большой объем данных о автомобильный трафик, и менеджеры захотят экстраполировать информацию из этих данных для прогнозирования трафика в курортном сезоне, именно технология машинного обучения окажется наиболее полезной. Однако если тот же розничный продавец захочет сопоставить данные о трафике с типами погоды, более целостную картину предложит глубинное обучение.
Сервисы AI, предлагаемых IBM Watson, способны предоставить рекомендации, как именно следует использовать алгоритмы ML или DL. Инженеры этих сервисов уже выяснили, где наилучшим образом использовать методы ML, DL и другие методики, чтобы упростить для предприятий создание приложений AI, наиболее подходящих для их конкретных задач.
Исследуйте все нюансы. Искусственный интеллект поможет обновить метод ведения бизнеса, но только если руководители компаний найдут время, чтобы осознать все нюансы этих мощных технологий. И хотя хорошее понимание AI, ML и DL является важным шагом в правильном направлении, это только начало путешествия. Работникам, ответственным за принятие решений, понадобится время, чтобы подумать о том, как AI может помочь им в фундаментальном переосмыслении и оптимизации своего бизнеса.
Компании, которые считают, что могут еще подождать и посмотреть, что будет дальше, окажутся в невыгодном положении. Помните, что даже если вы не готовитесь к внедрению AI, ваши конкуренты уже делают это. Искусственный интеллект — не какая-то далекая перспектива, он актуален и сегодня.