За или против

«На сегодняшний день 95% проектов в области искусственного интеллекта – неудачные», – начал свое выступление Юрий Сирота, руководитель департамента искусственного интеллекта и анализа данных «Уралсиб». Почему так происходит? Сегодня в компаниях имеется множество разнообразных данных, но просто собирать и хранить их недостаточно. Надо научиться анализировать и на этой основе принимать управленческие решения – только это приносит прибыль. «Ценность имеют только выводы, полученные после обработки и анализа данных», – говорит он.

Для того, чтобы проект был успешным, надо просчитать затраты на приобретение, внедрение, поддержку решения, а также понять, к какому эффекту он приведет: сокращению операционных затрат, ошибок, цикла обслуживания, снижению текучки персонала, увеличению доступности сервиса и т.д. При этом нельзя забывать и о проблемах, с которыми неизбежно столкнется компания при внедрении искусственного интеллекта (ИИ): надо будет внедрять новое программное обеспечение и оборудование, менять бизнес-процессы, нанимать дорогостоящих специалистов.

Для обучения искусственного интеллекта потребуются репрезентативные наборы качественных данных, а значит придется приложить немало усилий для их разметки. Нельзя забывать о том, что модели машинного обучения до сих пор имеют репутацию неинтерпретируемых «черных ящиков», а значит пользователи могут просто игнорировать прогнозы. Чтобы избежать этого, Юрий Сирота посоветовал выделить наиболее важные факторы в предсказании и провести тщательную валидацию моделей.

Также, по его словам, надо определить количество слоев в глубоких нейронных сетях до обучения модели, быть готовым к ее нестабильности и постоянной донастройке. Он предупредил, что разработчики часто строят сложные прогностические модели, но ИТ-системы банка не способны их интегрировать или «экзекьютить» с приемлемой задержкой.

Георгий Лагода, заместитель генерального директора группы компаний «Программный продукт», отметил, что более 90% больших данных не структурированы. А значит, для их обработки нужны специальные инструменты. Согласно прогнозам Gartner, в ближайшее время наиболее активно будут развиваться облачные сервисы ИИ, машинное обучение, дополненный и объяснимый интеллект, интеллектуальные устройства, обучение с подкреплением, квантовые компьютеры и маркетплейсы с ИИ.

Искусственный интеллект в отраслях

Источник: Программный продукт, 2020

Все эти технологии созданы достаточно давно, но стали востребованы только сейчас. А появление их облачных версий сделали их доступными в том числе и малому бизнесу.

Видеонаблюдение

Одна из самых популярных сегодня сфер использования искусственного интеллекта – видеонаблюдение. Технология позволяет успешно распознавать номера автомобилей, лица людей и многое другое. Традиционное решение, включающее в себя функции видеоаналитики, строится по схеме: камера + back-end аналитика. Т.е. камера просто гонит поток видео на сервер, а специальное ПО на сервере производит его анализ.

«Мы переместили искусственный интеллект во внешний интерфейс. Другими словами, мы засунули то самое ПО для работы с видеоконтентом прямо в камеру», – рассказал Роман Горпинченко, заместитель начальника по проектным продажам Dahua Technology Rus. Такие решения представлены на рынке достаточно давно, но до 2018 года они стоили слишком дорого. Сейчас подобная камера обойдется примерно в ₽30 тыс.

Камеры способны анализировать поведение – падения, драки, праздношатание, преследование, вандализм, распознавать людей и транспортные средства, считать их количество и так далее. В качестве примера эксперт продемонстрировал работу системы контроля поведения водителя. Две камеры и небольшой регистратор в салоне позволяют предупреждать о смене полосы или слишком малой дистанции до впереди едущего автомобиля.

Максим Миролюбов, директор департамента видеоаналитики компании «Центр 2М» отметил, что проекты в области видеоанализа постоянно усложняются. Компания создала платформу CenterVision. Работа платформы основана на подключаемых модулях. Модуль состоит из обученной математической модели (свёрточных нейросетей) и настраиваемой логики. Количество подключаемых к платформе модулей неограничено. Модули являются совместимыми друг с другом и позволяют отрабатывать разные сценарии распознавания одновременно.

Модуль контроля использования средств индивидуальной защиты

Источник: Центр 2М, 2020

Сейчас на CenterVision имеется около 30 сценариев, чаще всего используются 5 из них – подсчет персон, мониторинг опасного периметра, контроль использования средств индивидуальной защиты, распознавание символов и биометрия лиц.

Виртуальные ассистенты

Станислав Ашманов, генеральный директор компаний «Наносемантика» и «Нейросети Ашманова», считает, что трендом на современном рынке виртуальных ассистентов, голосовых колонок, устройств с голосовым управлением является появление решений на базе открытых технологий. Для их создания можно нанять программиста и использовать библиотеки, но по такому пути заказчики идут все реже. Все большую популярность приобретают специальные конструкторы, которые позволяют создавать бота без программирования, однако он будет иметь очень ограниченную функциональность.

По мнению Станислава Ашманова, будущее за платформами – мощным инструментом, с помощью которого можно создать бота в соответствии с индивидуальными потребностями. В состав платформы входит среда обучения и тестирования, средства интеграции (каналы, внутренние системы, API), обеспечивается поддержка версионности, ролей и прав доступа, статистики. Она поддерживает сценарные технологии и машинное обучение, имеет свой язык описания знаний, конструктор диалогов.

По его мнению, в скором времени на рынке появится открытая платформа, которая может стать отраслевым стандартом и будет ориентирована не на программистов, а на лингвистов, то есть иметь очень простой интерфейс, который позволит создавать ботов, не вникая в тонкости программирования. В качестве такого стандарта он предлагает созданную его компанией платформу SOVA.

Леонид Колыбин, старший аналитик по разработке голосовых роботов банка «Тинькофф», рассказал о том, как создавался робот, который сегодня работает в колл-центре банка. Его создатели поставили перед собой задачу сделать устройство, которое по основным параметрам не уступало бы человеку. Для этого каждая новая версия тестировалась в реальных условиях и потом отправлялась на доработку.

Согласно имеющейся в банке статистике, заполняемость анкет в ходе проведения опросов операторами колл-центра банка составляет 33%. Разработчики подключили к этому процессу робота. Как выяснилось, в случае, когда люди не понимали, что они разговаривают не с человеком, роботу удавалось получить ответы на вопросы в 20% случаев. Однако если он признавался в своем «нечеловеческом» происхождении, этот показатель снижался до 18%, а иногда и до 15% в зависимости от того, в какой момент происходило признание.

Роботу лучше говорить обычным женским голосом

Источник: Тинькофф, 2020

Также люди охотнее отвечают на вопросы, если их задает женский голос, и если робот проявляет настойчивость или пытается разжалобить респондента. В конечном итоге выбор был сделан в пользу в меру настойчивого робота. Показатели его работы, после тщательной проверки отчетов живых операторов, в ходе которых были обнаружены приписки в заполненных анкетах, оказались такими же, как у человека.

ИИ в госсекторе

Вера Адаева, директор Центра цифрового развития Агентства стратегических инициатив (АСИ) рассказала о том, как проекты на основе данных и технологий искусственного интеллекта решают социальные задачи регионов. На сегодняшний день АСИ уже подготовило 5000 CDO для госсектора. Центром регулярно проводятся конкурсы цифровых решений. В ходе подготовки этих конкурсов были выявлены ключевые проблемы, которые влияют на качество данных. Это пропуски, дублирование, противоречия, отсутствие полной информации об источниках. У некоторых регионов нет практики постановки задач, очистки, обработки, сопоставления и интеграции данных, отсутствует сквозное хеширование и возможность обрабатывать различные данные об обезличенном человеке.

Для решения этих проблем были сформированы команды из дата-аналитиков и представителей ведомств. К работе также были привлечены представители социальных сообществ, например, общества слепых, с помощью которого удалось запустить проект по распознаванию рукописного языка Брайля. Следующий шаг – запуск проектов на разных площадках дата-аналитиков и размещение кода на открытых площадках.

Адель Валиуллин, исполнительный директор департамента анализа данных и моделирования Газпромбанка, рассказал о своем опыте работы в департаменте ИТ Москвы и поделился несколькими кейсами. Например, на основании поступающей от граждан информации о показаниях счетчиков, периодических поломках лифта, протечках кровли, жалоб о несвоевременном оказании услуг искусственный интеллект после соответствующего обучения может прогнозировать техническое состояния дома, расход воды и электричества и т.д.

В сфере образования технологии машинного обучения можно использовать для автоматического оценивания контрольных работ, разработки персонализированных обучающих программ, предсказания результатов экзаменов и т.д.

Михаил Петров, директор департамента цифровой трансформации Счетной палаты РФ, назвал несколько областей применения ИИ в работе Счетной палаты. Это риск-ориентированный подход (выявление «подозрительных» операций), превентивный аудит в режиме онлайн, текстовая аналитика (классификатор нарушений, анализ НПА, контрактов и их результатов), построение аналитических моделей (стратегический аудит, аудит эффективности). По его мнению, к настоящему времени технологии готовы к решению только двух первых задач. Также придется приложить немало усилий для того, чтобы в искусственный интеллект поверили люди. «Цена ошибки может быть очень высока, – подчеркнул Михаил Петров. – Поэтому мы используем проверенные, желательно сертифицированные технологии».

ИИ для работы с персоналом

Полина Полунина, руководитель data-science направлений HR, финансы, видеоаналитика «М.Видео-Эльдорадо» отметила, что все компании заинтересованы в повышении объемов продаж, но чаще всего используют для этого технологии воздействия на покупателей. Между тем, роль сотрудников в этом процессе тоже важна. Она рассказала о трех основных направлениях, в которых для работы с сотрудниками можно использовать искусственный интеллект.

Это подбор персонала: скоринг резюме и прогноз прохождения испытательного срока. Затем, обучение: рекомендации пройти обучающие продуктовые курсы. И, наконец, управление вовлеченностью и мотивацией: прогноз вероятности увольнения по собственному желанию, построение тепловых карт взаимоотношений между подразделениями, анализ влияния факторов вовлеченности персонала на финансовые результаты компании. В качестве примера Полина Полунина рассказала о внедрении рекомендательной системы обучающих курсов в компании. По ее словам, целевое назначение тренингов продавцам позволяет повысить продажи как минимум на 1,5%.

ИИ в медицине

Борис Зингерман, генеральный директор ассоциации разработчиков и пользователей искусственного интеллекта в медицине (НБМЗ), считает, что в российском здравоохранении пока нет рынка ИИ, потому что нет сформированного спроса, а значит и тиражируемых продаж. Его развитие сдерживают нормативные проблемы со сбором данных, отсутствие возможности их свободного получения, сложность и затратность регистрации продукта как медизделия до вывода продукта на рынок, а также много хайпа и откровенных спекуляций на популярной теме, которые только отпугивают консервативную отрасль. Кроме того, использование ИИ не доказано с клинической точки зрения. Врачи не готовы к его использованию, а ИТ-специалисты – к внедрению технологии в здравоохранении.

Положительных примеров единицы. Среди них – эксперимент департамента здравоохранения Москвы по внедрению решений для автоматического анализа результатов компьютерной томографии, маммографии и рентгенографии в московский единый радиологический информационный сервис (ЕРИС). Ведомство намерено выделить 16 грантов разработчикам медицинского программного обеспечения на общую сумму ₽147,3 млн, чтобы апробировать методы поддержки принятия решений на основе результатов анализа данных по трем направлениям: компьютерная томография и низкодозная компьютерная томография грудной клетки (КТ/НДКТ), маммография (ММГ) и рентгенография (РГ). Эксперимент продлится до 31 декабря 2020 года.

В ходе конференции было подписано соглашение между Координационным центром Межправкомиссии по вычислительной технике и Ассоциацией «Национальная база медицинских знаний» о развитии акселерационных программ для систем поддержки принятия врачебных решений. Созданный для этого Центр апробации и акселерации решений направлен на развитие современной системы здравоохранения в Российской Федерации.

В рамках соглашения запланирована совместная работа в зоне пилотирования решений медицинского искусственного интеллекта в совместной лаборатории международного медицинского кластера и создание платформы структурированного хранения медицинских знаний и единого семантического пространства для медицинского ИИ. Предполагается, что обмен знаниями и компетенциями повысит конкурентоспособность отечественных ИКТ, будет способствовать выводу решений участников НБМЗ на международный рынок.

ИИ в сельском хозяйстве

Таня Милек, менеджер по методологии и унификации «Русагро», рассказала о том, как искусственный интеллект может быть использован в сельском хозяйстве. Во-первых, это автоматический учет количества животных: получение и контроль изображения, слежение и прогнозирование, определение положения. Во-вторых, контроль веса животных в процессе откорма. Специально обученный алгоритм производит анализ полученных данных с камер изображения, определяет животное, измеряет его размер, усредняет суточные данные и производит расчет совокупной массы животного.