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.