Бизнес-подход к искусственному интеллекту: как использовать датацентричный и моделецентричный ИИ в синергии
В исследовании Hype Cycle for Artificial Intelligence аналитики Gartner называют генеративный искусственный интеллект наиболее перспективной прорывной технологией, а также указывают на важность управления доверием, рисками и безопасностью ИИ (AI TRiSM). Исследователи традиционно упоминают четыре взаимосвязанные категории ИИ: датацентричный, моделецентричный, ориентированный на приложения и ориентированный на человека. Возможности бизнеса по применению моделей искусственного интеллекта растут одновременно со сложностями их внедрения. Каким образом компании могут нарастить экспертизу в этой области и разумно сочетать разные подходы – рассказывает старший вице-президент по информационным технологиям ПАО «Ростелеком» Кирилл Меньшов.
Технологии искусственного интеллекта и машинного обучения уже давно используются для решения многих бизнес-задач, и с каждым годом сценариев их применения становится всё больше. Искусственный интеллект, ориентированный на данные, позволяет компаниям анализировать большие массивы структурированных данных, выстраивать прогнозы и принимать на их основе взвешенные решения. В то же время набирают популярность моделецентричные модели искусственного интеллекта, которые предлагают бизнесу широкий инструментарий для решения прикладных задач. В чем принципиальное отличие между ними?
Датацентричные (или основанные на данных) модели искусственного интеллекта, как правило, создаются внутри каждой компании и не предназначены для распространения вовне.
Организации десятилетиями накапливают данные, которые доступны для анализа, обработки и обогащения. Со временем они понимают, как создавать и обучать на основе Big Data модели искусственного интеллекта, развивают специализированные лаборатории, наращивают штат дата-сайентистов.
Благодаря этому им удается облегчить решение таких задач, как прогнозирование оттока абонентов, планирование допродаж, работа рекомендательного движка для цифрового сервиса и т.д.
Моделецентричный искусственный интеллект – наоборот, оперирует не внутренними данными компании, а общечеловеческими. Нейросетей вроде ChatGPT или Midjourney сегодня насчитывается уже около сотни. С точки зрения бизнеса можно рассматривать их как некий «ящик с инструментами», которыми компания должна мастерски овладеть. Условно говоря, если раньше сборщики мебели вкручивали шурупы отверткой, то сегодня им предлагается шуруповерт. Он не был придуман специально для них, но они активно его освоили и оценили преимущества. Примерно такую же задачу необходимо решить компаниям в сфере моделецентричных моделей ИИ.
Для датацентричных моделей искусственного интеллекта характерен следующий алгоритм создания: фиксируем задачу, находим решение, генерируем модель, обучаем ее данными, получаем результат. Для моделецентричных – ситуация обратная: у нас уже есть готовые внешние модели, которые мы можем относительно легко «примерить» на своих бизнес-процессах и определить, будут ли они оптимизированы с помощью того или иного инструмента.
Интеллект на основе данных
Датацентричный искусственный интеллект используется в большом количестве моделей, которые «заточены» непосредственно под конкретную компанию. Например, онлайн-кинотеатр Wink «Ростелекома», как и другие подобные видеосервисы, на основе предыдущих предпочтений пользователя может рекомендовать ему подборку фильмов для просмотра. Чат-бот службы поддержки обрабатывает более четверти обращений клиентов. Таких моделей множество.
Чтобы внедрить датацентричную модель, компании необходима собственная ИТ-команда или привлечение внешних специалистов. Так, в «Ростелекоме» существует подразделение по управлению Big Data и искусственным интеллектом, которое решает большое количество универсальных общих задач. Если же искусственный интеллект погружен в определенный цифровой продукт, то его развитием занимаются группы дата-сайентистов, интегрированные в соответствующие продуктовые команды: команда Wink отвечает за рекомендательный движок, команда «Нетрис» – за модели на основе компьютерного зрения для видеонаблюдения и т. д. Наконец, в целый ряд новых продуктов «Ростелекома» технологии искусственного интеллекта, ориентированного на данные, закладываются изначально.
Основное правило работы с датацентричными моделями – оперирование достаточными по объему качественными данными. Они могут получены в том случае, если в компании налажено централизованное хранилище и Big Data для сбора и структурирования информации.
Без решения этой задачи невозможно построение моделей ИИ. Дальше остается вопрос разметки данных, но при успешном завершении этапа сбора и структурирования это становится совсем не сложным делом.
Опыт моделецентричного подхода
У моделецентричного искусственного интеллекта существует несколько нюансов применения, которые зачастую становятся проблемами. В первую очередь, поскольку подобные модели изначально размещены вне периметра организации, возникает задача безопасного взаимодействия с ними, сохранения конфиденциальности корпоративной информации. Можно ли работать обезличено с искусственным интеллектом? Как применять политики ИБ при работе с публичными моделями? Каждая компания решает эти вопросы по-своему. С одной стороны, можно выстроить портал управления искусственным интеллектом, который будет контролировать информацию, уходящую в публичные сети. С другой стороны, есть определенное количество моделей, которые можно размещать on-premise. На рынке есть поставщики таких моделей, которые их обучают и затем продают. Мы в «Ростелекоме» видим потенциал и определенный прогресс в обоих этих направлениях.
Второй аспект состоит в изменении пользовательского опыта: условно говоря – как сделать так, чтобы люди перестали работать отвертками и научились применять шуруповерт? Если углубиться в этот процесс, он окажется достаточно сложным. Просто «отменить» отвертку не получится, потребуется гораздо более глубинная перестройка всех операционных процессов. И это большой вызов. По опыту «Ростелекома», переход к полноценному применению моделей ИИ должен содержать несколько этапов:
Первый шаг: компании необходимо организовать для всех сотрудников портал доступа к моделецентричному ИИ – по той же схеме, как она создавала, например, портал по работе с данными. Этот ресурс позволит каждому сотруднику протестировать модели ИИ для решения собственных прикладных задач. Одновременно портал будет контролировать политики информационной безопасности, чтобы не допустить отправки в сторону публичных моделей информации, которая не должна покидать корпоративный периметр.
Второй шаг: обучение пользователей работе с моделями ИИ и обязательная практика. Это могут быть курсы в корпоративном университете, проведение практических мероприятий, вебинаров. Очень важно, чтобы пользователи получили реальный опыт взаимодействия с искусственным интеллектом. После этого можно повышать их уровень компетенций в соответствии с конкретными прикладными задачами: разработки, текстрайтинга, работы с изображениями, подготовки презентаций и т. д. Эти обучающие курсы должны подвести пользователей к освоению следующего аспекта работы с модельными нейросетями – промптинга.
Третий шаг: практика промптинга, то есть генерации четких и логичных задач для нейросети. Текущие модели ИИ работают глубоко реактивно, выдавая конкретный результат под конкретные запросы или входные данные. Важно учесть, что практику промптинга необходимо подстраивать под конкретную нейросеть и под конкретную прикладную задачу.
Четвертый шаг: формирование портфеля трансформации организации, учитывающую максимальное использование моделецентричного ИИ. Для этого топ-менеджерам и дата-сайентистам стоит провести рад «мозговых штурмов»: в каких именно процессах и как именно возможно пилотирование или полноценное внедрение моделей ИИ. Это происходит примерно так же, как ранее организация готовилась к цифровой трансформации и исследовала возможность внедрения цифровых технологий в свои бизнес-процессы.
В частности, «Ростелеком» на сегодняшний день уже завершает основные процессы цифровой трансформации и, применяя полученный опыт, приступает к планомерной «интеллектуализации» компании. То же самое мы видим и в других высокотехнологичных компаниях.
Искусственный интеллект для бизнеса – уже сегодня
Отрасль телекоммуникаций практически не отличается от других с точки зрения сценариев применения моделецентричного ИИ. Так, на текущий момент мы используем универсальные, самые распространенные модели – ChatGPT, различные российские и зарубежные генераторы изображений. В стадии пилотирования и апробации находятся модели для разработчиков ПО – связанные с генерацией кода, тест-кейсов и т. д.
Один из немногих специфичных сценариев использования ИИ в телекоме связан с необходимостью мониторинга распределенной сетевой инфраструктуры, прогнозирования отказов оборудования, анализа логов сетевых элементов на аномальное поведение.
Особенностью моделецентричного ИИ является то, что этот «ящик с инструментами» универсален и готов к работе, создавать что-то свое компании не придется.
Тем более что это очень затратно по времени и ресурсам. Только единицы компаний обладают достаточной экспертизой для того, чтобы создавать свои модели искусственного интеллекта.
Но здесь есть исключения. Наши эксперименты в применении ИИ для разработки ПО показывают, что для генерации кода правильнее обучать моделецентричную нейросеть примерами из собственного репозитория компании. В этом случае эффективность нейросети оказывается выше, чем у универсальных моделей, обученных на GitHub. Также для целого ряда задач крупного бизнеса видится целесообразным дообучение ИИ на собственных данных. Это связано с тем, что разные системы внутри компании по-разному разрабатываются, даже если они написаны на одном и том же языке.
Критика искусственного интеллекта
На текущем этапе развития у технологий искусственного интеллекта, безусловно, существует целый ряд «узких мест». Например, когда датацентричный искусственный интеллект обучается на большом объеме данных, то редко встречающиеся данные для него близки к информационному шуму. То есть, если генерирующая текст нейросеть встречает много упоминаний о каком-то событии, то, скорее всего, не ошибется. Если же нужно описать не популярного человека, то она может легко спутать его с другим историческим персонажем.
Понятно, что у текущих моделей искусственного интеллекта есть некий верхний уровень, до которого они будут развиваться, и остановятся на этом до тех пор, пока не произойдет следующего технологического скачка. Также понятно, что когда известные трудности ИИ будут решены, возникнут другие. Это естественный процесс.
Поэтому одна из задач разработчиков нейросетей как раз и заключается в преодолении этих «узких мест». Так, в области генерации текстов уже существуют поисковые системы, которые проводят дополнительный фактчекинг и выдают ссылки на те материалы, на которых составила свое заключение нейросеть. Скоро также появятся сервисы, которые будут автоматически переходить по этим ссылкам и оценивать показатель достоверности текста.
Итак, для того, чтобы успешно внедрять технологии искусственного интеллекта в бизнес-процессы компании, сегодня ей необходимо одновременно развивать и датацентричный, и моделецентричный подходы.
При этом нужно изучать и использовать новые технологии для усиления датацентричного ИИ. А с моделецентричным ИИ нужно активно экспериментировать, предлагать его максимально широкой аудитории пользователей, учить людей грамотно промптить.
Важно заметить, что эти направления не обособлены и могут взаимодействовать. Например, мы в «Ростелекоме» экспериментируем над тем, чтобы объединить нашего внутреннего чат-бота с аналогами ChatGPT. С одной стороны, мы не можем предоставить доступ публичной нейросети к персональным данным клиентов. С другой стороны, ее возможности хочется использовать в полной мере.
Моделецентричный ИИ (в частности, генеративные нейросети) сейчас находится в стадии высокого хайпа. Вместе с тем мы пока не можем сказать, что полностью адаптировали новую технологию и начали активно ее использовать. Большинство внедрений, помимо совсем простых, находятся в стадии пилотирования или подготовки к пилотам. Полноценным использованием мы назовем это только тогда, когда сможем качественно изменить тот или иной бизнес-процесс с помощью моделецентричного искусственного интеллекта.
Комментировать могут только авторизованные пользователи.
Предлагаем Вам войти в систему или зарегистрироваться.
Основные понятия ИИ
С помощью искусственного интеллекта можно создавать решения, которые еще недавно казались научной фантастикой. Например, невероятные улучшения в области здравоохранения, финансовом управлении, защите окружающей среды и других областях, чтобы сделать мир лучше.
Цели обучения
В этом модуле вы узнаете о типах решений ИИ, которые могут сделать возможными и рекомендации по ответственному использованию ИИ.
8 бесплатных инструментов искусственного интеллекта, которые пригодятся
Всем привет! Меня зовут Маруся, я аналитик данных, веду блог в телеграме Аналитика и growth mind-set.
В этой статье собрано 8 бесплатных инструментов на основе искусственного интеллекта, большинство из которых просты в использовании и самое главное бесплатны для тестирования.
Практически все инструменты я использовала и была с одной стороны вдохновлена тем, насколько они упрощают работу, с другой стороны я отчетливо увидела, что эти новые инструменты уже начинают видоизменять текущие профессии и рождать совершенно новые.
Midjourney — Создатель изображений
Midjourney — это программа искусственного интеллекта, которая создает изображения на основе текстовых описаний. Инструмент в настоящее время находится в стадии открытого бета-тестирования, которое началось 12 июля 2022 года.
Вся генерация сейчас происходит в Discord (бесплатный мессенджер, который позволяет вам обмениваться голосовым, видео и текстовым чатом с друзьями, игровыми сообществами и разработчиками).
Чтобы получить подходящее вам изображение, нужно сделать достаточно точное описание, что требует определенных знаний и навыков (пусть этому можно быстро научиться, но все же — с первого раза точно не получится).
GFP-GAN — Реставрация фото
GFP-GAN — это новый бесплатный инструмент искусственного интеллекта, который может мгновенно исправить большинство старых фотографий. GFP-GAN (Generative Facial Prior-Generative Adversarial Network) была разработана исследователями Tencent. Недостающие детали фотографии заполняются за несколько секунд, сохраняя при этом высокую точность и качество. В этом видео (2:26) Луи Бушар описывает, как работает проект по реставрации фотографий, и подробно рассказывает, как его использовать бесплатно. Результаты очень впечатляющие и хорошо работают даже с изображениями очень низкого качества.
Вы можете бесплатно попробовать демоверсию GFP-GAN. Создатели также опубликовали свой код, позволяющий любому реализовать технологию восстановления в своих проектах.
Copy.ai — Копирайтер
Этот инструмент для копирайтинга на основе искусственного интеллекта генерирует уникальный контент, который вы можете разместить в своем блоге, социальных сетях или даже для видео, просто предоставив краткое описание темы, по которой вы хотите создать контент.
Copy.AI может быть полезен для создателей контента. Инструмент может помочь пользователю писать подписи в Instagram, сообщения в блогах, описания продуктов и многое другое.
Зарегистрируйте учетную запись, дайте описание интересующей вас темы, и инструмент искусственного интеллекта сгенерирует контент на основе вашего описания.
Примечание. Это не единственный инструмент, использующий AI для создания контента. Их несколько, одни лучше, другие хуже, вы можете попробовать все:
— microcopy для заголовков, слоганов и т.д.
— speedwrite для переписывания и улучшения любого предложения
— hemingwayapp для того, чтобы ваше письмо было смелым и четким
— Jarvis AI — многие говорят, что это качественный инструмент для копирайтинга на основе AI
Также Notion.AI, которому уделен абзац ниже.
JADBio — AutoML
JADBio — это удобная платформа машинного обучения, которая не требует навыков программирования, но оснащена мощными инструментами извлечения знаний. Хотя он специально создан для биотехнологий, вы можете загружать любые тщательно подобранные данные и анализировать их. Очень полезно для студентов, которые хотят погрузиться в машинное обучение, или людей, которые хотят построить предиктивную модель, например, Predicting a better potato chip. Они предлагают пожизненную бесплатную учетную запись, и ее использование довольно простое.
DALL-E 2 — Создатель изображений
DALL·E 2 от Open AI — это новая система искусственного интеллекта, которая может создавать реалистичные изображения и рисунки из описания на естественном языке. Он может создавать оригинальные, реалистичные изображения и произведения искусства из текстового описания. На сайте есть несколько примеров, которые могут вас вдохновить. Его можно использовать совершенно бесплатно.
Notion.ai — копирайтер
Notion тестирует новую функцию Notion AI для создания контента. Все, что вам нужно сделать, это сказать приложению, что вы хотите — запись в блоге, шаблон электронной почты, список отличных бизнес-книг для чтения — и приложение фактически создает контент прямо у вас на глазах. Многие пользователи любят Notion для ведения заметок, и это определенно выведет его на новый уровень. Я зарегистрировалась, чтобы протестировать новую функцию, но пока нахожусь в списке ожидания (по состоянию на 27 декабря).
Lumen5 — Создатель видео
Lumen5 — это онлайн-платформа для создания видео с инструментами, которые позволяют легко создавать видеоролики за несколько шагов. Включает в себя отличные шаблоны и различные форматы для разных платформ социальных сетей. Отличный и простой в использовании инструмент, особенно если вы хотите быстро создавать контент для социальных сетей. Lumen также предлагает широкий выбор изображений и видео, которые можно включить в окончательное видео.
Lalal.ai — разделитель аудиостеков
Lalal использует искусственный интеллект для удаления вокала и быстрого, простого и точного разделения музыкальных источников. Вы можете удалить вокальные, инструментальные, барабанные, басовые, фортепианные, электрогитарные, акустические и синтезаторные треки без потери качества. 10 минут бесплатно, далее единовременная плата в размере 15 евро за 90 минут обработки.
- Машинное обучение
- Искусственный интеллект
Применение искусственного интеллекта
Нейросети умеют многое: угадывать расу по рентгеновскому снимку, находить ямы на дорогах, создавать обложки для VK, рисовать города в виде людей и зверей. Технологии на базе искусственного интеллекта постепенно захватывают все сферы жизни и меняют привычную реальность. Однако в этой статье мы не станем забегать в далёкое будущее: лучше посмотрим, какие задачи в работе и бизнесе можно решать с помощью AI-технологий прямо сейчас.
Три вида AI
Возможности искусственного интеллекта зависят от алгоритма его работы. Выделяют следующие виды ИИ:
- узкий , или слабый (Weak Artificial Intelligence, Narrow AI);
- сильный (Artificial general intelligence, Strong AI)
- супер-ИИ (Super Artificial Intelligence).
Narrow AI — это узкоспециализированный ИИ, с помощью которого решают конкретные прикладные задачи. Примеры применения Narrow AI:
- онлайн-переводы,
- реклама в соцсетях,
- распознавание лиц,
- поиск данных,
- игра в шахматы,
- голосовые автоответчики.
Strong AI — это вид искусственного интеллекта, который способен решать широкий спектр задач наравне с человеческим разумом. По определению Тьюринга, Strong AI должен обладать самоосознанием, и в таком виде ИИ появится лишь к 2075 году. Однако уже сегодня есть технологии с потенциалом, превосходящим уровень Narrow AI. Поэтому можно сказать, что Strong AI сейчас находится на начальной стадии развития и достигнет расцвета в перспективе 50 лет.
Примеры применения Strong AI в наше время:
- виртуальные ассистенты,
- создание музыки, текстов, изображений,
- управление беспилотными автомобилями,
- технологии Big Data — обработка и анализ больших объёмов данных.
Super Artificial Intelligence — это искусственный интеллект с самоосознанием, способностью самосовершенствования и создания новых алгоритмов. Аналитики прогнозируют появление данной технологии в 2100-х годах. Super AI во много раз превзойдёт возможности человеческого мышления и сможет перепрограммировать сам себя.
Преимущества ИИ любого вида — высокая скорость обработки информации и исключение ошибок из-за человеческого фактора. Это позволяет снижать издержки бизнеса, разгружать персонал и оптимизировать процессы в разных областях.
Области применения ИИ
Искусственный интеллект защищает нас от преступников и ДТП, помогает быстрее получить кредит, следит за нашим здоровьем и облегчает быт.
Банковские услуги
Кредитные организации используют искусственный интеллект для скоринга — оценки платёжеспособности клиентов при рассмотрении заявок на кредит. Как это работает:
- нейросеть изучает анкету заёмщика,
- сопоставляет данные с требованиями банка,
- анализирует риск невозврата средств,
- выдаёт решение об одобрении или отклонении заявки.
Благодаря внедрению ИИ удалось значительно уменьшить время рассмотрения кредитных заявлений. Теперь от отправки анкеты в банк до получения ответа проходит несколько минут.
Также AI-технологии нашли применение в обслуживании банкоматов: искусственный интеллект прогнозирует загрузку терминалов и уменьшает расходы на инкассацию. Системы антифрода на базе ИИ помогают банкам бороться с мошенничеством. ИИ анализирует деятельность физических лиц и компаний, чтобы распознать финансовые махинации. СберБанк использует комплекс собственных AI-моделей для повышения безопасности транзакций: онлайн-переводов, эквайринга, операций по картам. Применение искусственного интеллекта помогает выявлять попытки мошенничества на сумму до 7 млрд рублей в год. При этом нейросеть умеет отличать бытовые ситуации, когда ребёнок без разрешения потратил деньги с маминой карты, от действий профессиональных мошенников.
Безопасность
Интеллектуальные системы следят за порядком на улицах и массовых мероприятиях. ИИ собирает данные с камер и датчиков движения, прогнозирует возникновение опасных ситуаций и вовремя уведомляет службы.
Мосгортранс использует нейросети для снижения аварийности на общественном транспорте. По статистике, 70% ДТП происходит из-за потери внимания водителем. Применение искусственного интеллекта позволило снизить показатель аварийности на 26%. Такой эффект достигнут за счёт внедрения в автобусах и троллейбусах систем с компьютерным зрением. Алгоритм анализирует видеопоток, в случае опасности подаёт звуковой сигнал водителю, а также отправляет информацию об инциденте в общую базу для дальнейшей работы над ошибками.
AI-технологии применяются и в сфере пожарной безопасности. Например, МЧС в 2020 году запустило мобильное приложение «Термические точки», разработанное с применением машинного обучения и Big Data. Алгоритмы ИИ анализируют природные зоны повышенной пожароопасности и оценивают вероятность возгорания. При высоком риске система моментально отправляет сообщение в региональные органы, ответственные за тушение. Каждый пользователь приложения может узнать об опасности и принять участие в ликвидации пожара. Результат внедрения ИИ — увеличение скорости реагирования на лесные пожары в три раза.
Медицина
Искусственный интеллект широко используется в диагностике. Например, по результатам томографии ИИ может выявить вирусную пневмонию, а во время пандемии AI-алгоритмы по телефону анализировали голос и дыхание собеседника, чтобы определить признаки инфекции.
В хирургии используют роботов-ассистентов, которые с ювелирной точностью выполняют типовые процедуры, что снижает риск послеоперационных осложнений.
Искусственный интеллект способен подобрать оптимальную дозировку препаратов, детально проанализировать клинические данные и предложить лечение с учётом состояния пациента и особенностей его организма.
Умный дом
Казалось бы, сегодня практически каждое устройство имеет «разум». Однако несмотря на впечатляющую функциональность, современные смарт-весы, роботы-пылесосы и энергоэффективные розетки не относятся к AI-технологиям. Тренд на использование полноценного ИИ в умном доме только набирает обороты, особенно в России.
Примеры применения искусственного интеллекта:
- управление климатической техникой: умные термостаты самостоятельно регулируют температуру в помещении, изучая предпочтения жильцов и их поведение;
- интеллектуальные системы безопасности: ИИ реагирует на отклонение от нормального уровня шума, включая ультра- и инфразвуковой диапазоны;
- обеспечение компьютерной безопасности: система улавливает отклонения трафика или действий пользователя от нормы, чтобы определить попытку взлома.
Применение в работе и бизнесе
Голосовые технологии
Умные алгоритмы используются в речевых сервисах. Пример российской технологии — платформа сервисов распознавания и синтеза речи SaluteSpeech. Голосовые помощники SaluteSpeech звучат как живой человек, определяют эмоции и точно понимают фразы собеседника.
Варианты применения голосовых технологий в бизнесе:
- автоматизация кол-центра: голосовые помощники позвонят клиентам, предложат услуги, расскажут об акции, проведут опрос, запишут на приём и напомнят о записи;
- повышение качества обслуживания: сервисы речевой аналитики оценят работу оператора и уровень удовлетворённости клиента;
- озвучивание интерфейсов: можно превратить любой текст в аудио — например, озвучить меню приложения или описание товара на сайте;
- автоматизация телефонии: вместо того чтобы ждать на линии ответа оператора, ваши клиенты смогут узнать информацию у голосового робота;
- транскрибация: сервисы распознавания речи переводят аудио в текст, что удобно для расшифровки переговоров, создания презентаций на основе выступлений, разработки методичек и инструкций для персонала.
Сервисы SaluteSpeech решают задачи маркетинга. На базе AI-технологий можно создать узнаваемый голос бренда, который будет звучать в рекламе, промороликах, на автоответчике вашей компании.