Информационный сайт ГК "Tangara"      

 

Адрес:
https://t.me/TheTangaraNews
___________________________________________

2024 год Апрель (April;Abril;四月;أبريل)

 

AI-продукт

https://vc.ru/ml/314377-k-chemu-podgotovit-biznes-pered-ispolzovaniem-ai-i-ml

(digest)

История развития искусственного интеллекта

Термин «искусственный интеллект» появился в 1956 году, но настоящей популярности технология ИИ достигла лишь сегодня на фоне увеличения объемов данных, усовершенствования алгоритмов, оптимизации вычислительных мощностей и средств хранения данных.

Первые исследования в области ИИ, стартовавшие в 50-х годах прошлого века, были направлены на решение проблем и разработку систем символьных вычислений. В 60-х годах это направление привлекло интерес Министерства обороны США: американские военные начали обучать компьютеры имитировать мыслительную деятельность человека. Например, Управление перспективных исследовательских проектов Министерства обороны США (DARPA) выполнило в 70-х годах ряд проектов по созданию виртуальных уличных карт. И специалистам DARPA удалось создать интеллектуальных личных помощников в 2003 году, задолго до того, как появились Siri, Alexa и Cortana.

Эти работы стали основой для принципов автоматизации и формальной логики рассуждений, которые используются в современных компьютерах, в частности, в системах для поддержки принятия решений и умных поисковых системах, призванных дополнять и приумножать возможности человека.

.Хотя в научно-фантастических фильмах и романах ИИ зачастую изображают в виде человекоподобных роботов, захватывающих власть над миром, на данном этапе развития технологии ИИ совсем не такие страшные и далеко не такие умные. Напротив, развитие искусственного интеллекта позволяет этим технологиям приносить реальную пользу во всех отраслях экономики. Ниже описаны примеры использования технологий искусственного интеллекта в здравоохранении, розничной торговле и других областях

К чему подготовить бизнес перед использованием AI и ML

Искусственный интеллект (AI) и машинное обучение (ML) важны, когда у компании много данных и нужно упростить работу с ними или больше зарабатывать с их помощью. Такой сценарий актуален, к примеру, для маркетинга, IT- и банковской сфер.

Так что  такое AI, ML и для чего они бизнесу

AI (artificial intelligence) — это искусственный интеллект. То есть машина выполняет задачи, с которыми раньше мог справиться только человек. AI-системы способны запускать мыслительный процесс: рассуждают, ищут смысл, обобщают, учатся на своих ошибках и делают выводы.

Чуть более узкое понятие — ML (machine learning) — машинное обучение. Это один из методов искусственного интеллекта, и он как раз отвечает за передачу необходимых «знаний» AI-системе.

С помощью искусственного интеллекта компании:

  • создают персонализированные предложения, изображения, видео, тексты;
  • выстраивают общение с потенциальными и реальными клиентами (чат-боты — это тот же AI);
  • подбирают персональные продукты и проценты от банков и банковских карт;
  • показывают подходящие вакансии на Headhunter;
  • разрабатывают мобильные приложения;
  • распознают речь и создают голосовые помощники.

В обычной жизни люди сталкиваются с Al и ML, сами того не замечая. Например, вы на рабочем ноутбуке читали про новую модель iPhone, и уже по дороге домой в Instagram вам то и дело предлагают рекламные объявления в духе «новый iPhone в рассрочку».

Еще один пример. Вам нужно срочно заполнить сайт текстом, и вы обращаетесь в контент-агентство в надежде, что за вашу задачу быстро возьмутся. Свободных копирайтеров нет, зато агентство использует технологии искусственного интеллекта — и вы тут же получаете готовые тексты для сайта.

Сейчас AI и ML наиболее широко используют в шести направлениях:

  • Аналитика, управление проектами и принятие решений.
  • Обработка естественной речи.
  • Персонализация маркетинга и обслуживания.
  • Интернет вещей и цифровые двойники.
  • Автономные устройства (например, роботы-пылесосы).
  • AI-разработка (например, разработка бизнес-решений без привлечения консультантов).

Почему не все компании используют данные

Чтобы использовать искусственный интеллект и машинное обучение в компании, нужно собрать данные о клиентах. Весь этот объем информации называется Big Data — база данных, которые компании получают из внешних и внутренних источников: отчетов, данных службы поддержки и отдела продаж, систем аналитики и действий самих клиентов.

Самый простой пример — опросы в чат-ботах или по электронной почте. Клиент отвечает на вопросы, его ответы переносятся в базу, после чего можно подключить к работе AI и ML и создать для него персональное предложение.

Условно все компании можно разделить на 3 группы:

  • We have nothing: не используют данные, потому что не понимают или не видят в этом смысла. Как правило, у них большой дефицит в специалистах, очень дорогие облачные или коробочные решения, сложный процесс внедрения новых технологий. Начать работу с данными здесь сложнее и дольше всего.
  • We have data: только начинают использовать данные в работе, собирают аналитику, чтобы понимать, как работает их бизнес. У них, как и в первой группе, могут быть дорогие облачные или коробочные решения, постоянный дефицит кадров, устаревший набор технологий.
  • Data-Driven Company: хорошо выстроили data-driven-процессы. Они уже умеют собирать и применять данные в бизнесе. Именно в таких компаниях новые технологии быстро приживаются и развиваются.

На работу с данными перешли еще не все компании, потому что data-бизнес, включая AI и ML, очень молод, ему 10 лет. Он все еще развивается, и технологии быстро сменяют друг друга. Если компания хочет успевать за обновлениями, в штате нужен хотя бы один человек, который разбирается в данных, готов изучать новые AI-решения и внедрять их в бизнес. Но специалистов, разбирающихся в данных, на рынке не хватает.

Увы, дефицит специалистов — не единственная проблема. Есть другие препятствия для использования данных в бизнесе:

  • Колоссальные ограничения с точки зрения информационной и юридической безопасности.
  • Слабая нормативно-правовая база на территории РФ/СНГ.
  • Применимые в России методы и подходы не подойдут для Европы и США из-за того, что у них свои регламенты и очень жесткие.

Если вышеперечисленные проблемы удастся миновать, и компания начинает работу с данными, появляются новые сложности на этапе внедрения данных в продукты:

  • Рынок не знает, что хочет.
  • Рынок не знает, что можно.
  • В некоторых областях слишком высокая конкуренция.
  • Разработка продуктов иногда нерентабельна.
  • Компания не хочет или не может обогащать данные.

Все новые технологии, связанные с обработкой входящей информации вроде распознавания речи или чат-ботов, еще только развиваются и дорого стоят. Компания, которая хочет их внедрить, должна запастись временем и большим бюджетом.

Разработка новшества и его внедрение могут обойтись дороже старых бизнес-процессов. Например, решили уволить всех продавцов, разместить по всему периметру магазина камеры и установить кассы самообслуживания. При таком сценарии покупка, установка и обслуживание нового оборудования будут дороже оплаты труда реальных продавцов.

По статистике, 87% data-science-проектов остаются на пилотной стадии и никем не используются. Для реализации технологий в любом случае придется много экспериментировать и тратиться.

Как получить хорошее AI-решение

Получить AI-решение в некоторых случаях очень сложно, а в некоторых — невозможно вообще.

Пример 1. Водитель грузовика, работающий в компании, часто нарушает правила: курит в кабине, подвозит попутчиков. Его снимают камеры, но просматривать камеры некому — нет времени. Тогда разработали AI-решение с камерами, автоматически фиксирующими нарушения. Но коробка с этими камерами просто не влезла в грузовик.

Пример 2. В станок на заводе внедрили камеру, которая фотографирует готовые детали и при обнаружении брака уничтожает их. Со временем в партиях стали появляться бракованные детали, потому что светодиод в камере износился и перестал фиксировать дефекты.

В процессе AI-разработки и внедрения можно выделить 3 основных проблемы:

  • AI-решения не универсальны.
  • Требуются специализированные AI-решения.
  • Для поддержки AI-решения необходимо переобучение или повышение квалификации специалистов.

Специалисты, которые принимают участие в создании AI-решения: Data Engineer, ML Engineer, Data Analyst

Можно выделить 3 работающих способа, чтобы получить хорошее AI-решение:

  • Взять готовый AI-продукт.
  • Создать свою AI-команду.
  • Заказать AI-разработку.

Взять готовый AI-продукт

Это уже существующий или разрабатывающийся продукт, который, вероятно, будут использовать несколько компаний.

Плюсы:

  • не надо долго ждать;
  • от компании требуется только заключить договор и платить лицензионную плату.

Минусы:

  • нет гарантии развития;
  • лицензионная плата хоть и меньше стоимости разработки решения с нуля, но все-таки есть;
  • возможно, продукт еще не разработан и все равно придется подождать;
  • возможно, продукт не будет решать задачи компании.

Создать свою AI-команду

Компания нанимает специалистов, которые разрабатывают AI-решение под особенности ее бизнеса.

Плюсы:

  • разработка точно решает задачи бизнеса;
  • нет проблем с поддержкой функционирования AI-решения;
  • продукт (без обслуживания) имеет доступную стоимость.

Минусы:

  • неравномерная нагрузка: для создания продукта нужен целый штат специалистов, для поддержки — 1-2 человека;
  • дефицит специалистов и их дороговизна.

Заказать AI-разработку

Компания обращается к специалистам, которые разрабатывают AI-продукт, но не числятся в штате.

Плюсы:

  • AI-решение заточено под бизнес;
  • равномерная нагрузка.

Минусы:

  • сложно выбрать компанию/специалиста;
  • разработчики могут указать высокую стоимость поддержки AI-решения, потому что никто, кроме него, не может этого сделать;
  • решение может работать некоторое время, а затем — перестать работать, потому что специалист не следит постоянно за вашей компанией и вашими изменениями.

При разработке AI-решения важно, чтобы в компании были люди, которые разбираются в AI. Для этого можно либо обучить основам руководителей, либо найти посредника между AI-разработчиком и менеджментом. Обученные специалисты внутри компании сильно пригодятся, когда AI-решение будет готово: его предстоит не только внедрять, но и развивать.

Украина для Европы становится чемоданом без ручки. Или евреи Израиля показали свое истинное звериное
Украина для Европы становится чемоданом без ручки. Или евреи Израиля показали свое истинное звериное
Звездные войны: может ли ракета-носитель «Ангара» стать конкурентом Falcon 9
Звездные войны: может ли ракета-носитель «Ангара» стать конкурентом Falcon 9
Новая реальность коммуникаций. Фиджитал рядом с нами
Новая реальность коммуникаций. Фиджитал рядом с нами
Стратег Диванного Легиона. Или возможно другая концепция ведения СВО
Стратег Диванного Легиона. Или возможно другая концепция ведения СВО
Золотое ралли с обычными откатами.Физические лица стали раскупать через банки золото, и у нас практи
Золотое ралли с обычными откатами.Физические лица стали раскупать через банки золото, и у нас практи
Ждем доллар по 130? А этот вопрос решается просто тремя телефонными звонками из ЦБ.
Ждем доллар по 130? А этот вопрос решается просто тремя телефонными звонками из ЦБ.
Стоит ли русским бояться таджиков?
Стоит ли русским бояться таджиков?
Большой куш. Или макароны вне закона. Или Михаил Юревич в роли Шуры Балаганова.
Большой куш. Или макароны вне закона. Или Михаил Юревич в роли Шуры Балаганова.
Теракт в Крокус Сити Холле – кто заказчик? Или Теракт в Крокус Сити Холле – это еще цветочки!
Теракт в Крокус Сити Холле – кто заказчик? Или Теракт в Крокус Сити Холле – это еще цветочки!
Крокус. Грандиозный скандал который пытаются замять!
Крокус. Грандиозный скандал который пытаются замять!
Увидеть Тимбукту и умереть. Или Диснейленд для больших мальчиков.
Увидеть Тимбукту и умереть. Или Диснейленд для больших мальчиков.
Алан Уотс "Книга о табу на знание о том, кто ты есть"
Алан Уотс "Книга о табу на знание о том, кто ты есть"
«Чем больше охраны тем более причудливыми должны быть ваши методы побега». Или побег как стиль жизни
«Чем больше охраны тем более причудливыми должны быть ваши методы побега». Или побег как стиль жизни
«Овцу можно стричь много раз, но снять кожу – лишь единожды».
«Овцу можно стричь много раз, но снять кожу – лишь единожды».
Как сирота из СССР стала богатейшей русской женщиной в мире
Как сирота из СССР стала богатейшей русской женщиной в мире
Подвал - он же Компот или всякое разное)
Логотип TheTangara News плохие парни 01
Такси за четыре таблетки до продцедурной комнаты ... Или к десятой годовщине Революции Гидности на Майдане Незалежности.
Во как сурово)

Излучатель фиолетовых лучей 01 Краткая предыстория.
После того как власть в психушке захватили буйно помешанные и разогнали весь мед персонал, ими был выдвинуто несколько лозунгов: «СУГС», «Армовира», «Кто не скачет, тот не из нашей клиники!», «Всех кто не из нашей клиники на гиляку!», «Наша клиника це европа» и т.д.!
 

ФОТОННЫЙ ОТРАЖАТЕЛЬ

Сатира фото3

  В редакции «ТN» главный редактор исходя из своей человеколюбивой харизмы содержит за счет мизерного бюджета самой редакции молодую симпатичную женщину с тремя маленькими детьми. Он поручает своему второму «Я» найти решение проблемы финансирования проекта «ТN». Второе «Я» ищет выход из сложившейся ситуации путем поиска отцов трех незаконнорожденных детишек  и их привлечения  к воспитанию последних. Для получения большего эффекта второе «Я»  все  это делает  в стиле индийского Боливуда – с песням и танцами.


ТОЧКА ВХОДА...Или ЭПОХА СУРКА...Или Кто Мы? Зачем Мы? Откуда Мы? 

924e05da5f

 

Концепция появления  человечества на Земле! Человеческая раса скорее всего  существовала и  существует вне Земли на многих планетных системах в разных галактиках.

 


ГК "Tangara", "Tangara News",  город Томск представляют проект - "Поющий Волк"  

Волк Бетон

 

ЭПИЛОГ

Мышь на приеме у психиатра:
- Я влюбилась в слона.
- В слона или слониху?
- За кого вы меня принимаете?