Новий простір: як бізнесу підготуватись до ери штучного інтелекту

Наприкінці липня дослідники із США представили модель штучного інтелекту (ШІ), яка може самостійно знаходити повідомлення інтернет-тролів. Її точність становить 91%. І це лише один з прикладів застосування ШІ. Проте Україні поки далеко до всеохоплюючого розвитку цієї сфери. Однак бізнес все частіше замислюється щодо його застосування.

З чого ж почати, якщо виникла ідея застосувати ШІ, і на що звертати увагу в цій сфері, розповів Mind співзасновник, CEO DevRain, резидент Reactor.ua Олександр Краковецький.

Тренди доходять до нас з досить великим запізненням, а часто навіть встигають померти по дорозі. І поки Ілон Маск готується до запуску ракети на Марс, український бізнес нарешті почав переповзати на мобільні платформи і оновлювати сайти, що створені в стилі «привіт з 90-х». Штучний інтелект не є винятком. Він як підлітковий секс – всі про нього говорять, але ніхто його не бачив. У цій статі поговоримо про тренди, їх адаптацію та про те, чи потрібен штучний інтелект українському бізнесу.

Життєвий цикл трендових технологій (Hype Cycle)

Перед тим як зануритись у світ штучного інтелекту, пропоную розглянути життєвий цикл будь-якої нової технології.

Hype Cycle

Допоки технологія не стане зрілою або не зникне зі списку перспективних, вона пройде кілька стадій, які чимось нагадують «американські гірки»:

1. Запуск технології, або Підйом (Innovation Trigger). На цьому етапі технологія з’являється в медійному просторі, отримує величезну увагу, їй пророкують успішне майбутнє. Зручних і зрозумілих продуктів і комерційного застосування технології немає.
2. Пік завищених очікувань (Peak of Inflated Expectations). На цьому етапі починають з’являтись «історії успіху» (і, звісно, «історії провалу»). Організації-піонери починають обережно використовувати технологію, але більшість залишається пасивною.
3. Прірва розчарування (Trough of Disillusionment). На цьому етапі технологія піддається критиці. Це пов’язано з тим, що в перших стартапів закінчуються гроші і вони помирають, не знайшовши моделі монетизації. Одиниці виживають і отримують нові інвестиції лише у випадку бодай якихось позитивних результатів.
4. Сходження на схил просвітлення (Slope of Enlightenment). На цьому етапі стає зрозуміло, де технологія демонструє хороші результати, а де її використовувати не потрібно. На цьому етапі великий бізнес запускає пілоти, але більшість консервативних компаній все ще залишаються неактивними.
5. Вихід на плато продуктивності (Plateau of Productivity). На цьому етапі починається масове впровадження технології. Якщо вона має не лише нішове застосування, то відбувається поступова «комодизація» технології.

Усі ці етапи нагадують «зліт і падіння» блокчейну, технології «віртуальної реальності», чатботів та інших технологій, що нещодавно з’явились у нашому інформпросторі.

Щось схоже відбувається і зі штучним інтелектом. Зараз можна знайти багато глузливих публікацій та коментарів, що ШІ не існує, що це все статистичний аналіз, що названий по-новому, і ще багато всього в такому дусі. Власне, цей графік чітко показує, що це нормальна ситуація для абсолютно всіх трендових технологій.  

Останні здобутки ШІ – це беззаперечна перемога в го; OpenAI, який вміє генерувати тексти та DeepFakes, завдяки чому можна замінити обличчя однієї людини іншим лицем чи згенерувати реалістичне обличчя людини, яка ніколи не жила.

Є багато досліджень та матеріалів, де детально розписано, на якому етапі тій чи іншій компанії варто «стрибати у поїзд», тобто інвестувати в технологію, враховуючи розмір, рівень резистентності до інновацій, готовності до ризику та експериментів.

Від алгоритмів до Data Strategy

Для реалізації ШІ-систем потрібні дані, алгоритми і комп’ютерні потужності для обчислень. З алгоритмами особливих проблем не було ніколи, і навіть зараз більшість алгоритмів є удосконаленням математичних апаратів 1960-х чи 1980-х років.

Розвиток ШІ стримувала висока вартість комп’ютерних обчислень, але завдяки стрімкому розвитку комп’ютерної техніки, а зараз і публічних хмар, ця проблема теж більш-менш вирішена. Сьогодні будь-хто без проблем може орендувати надпотужний хмарний сервер і провести власні дослідження.

Залишились дані. Принципово інша кількість та якість даних. А також люди, які ці дані можуть розуміти (data understanding) та аналізувати (data analytics).

Деякі дата-ролі та набір відповідних «скілів»

Інтерес до даних створив багато нових ролей. Ось кілька з них:

1. Data Scientist шукає найкращі алгоритми для розв’язання того чи іншого завдання, або розроблює нові алгоритми.
2. Data Engineer займається обробкою даних, їх очищенням, перетворенням.
3. Data Analyst аналізує дані з метою знаходження інсайтів.
4. Data Labeler займається розміткою даних і їх перетворенням у набори даних.
5. Applied AI Engineer знає, як використовувати готові алгоритми та інструменти ШІ для вирішення прикладних завдань.
6. MLOps відповідає за автоматизацію навчання моделей та налаштування інфраструктури, на якій навчають та розгортають ML-рішення.
7. Big Data Engineer працює з великими даними.
8. Data Strategist відповідає за загальну стратегію компанії з точки зору роботи з даними. Іноді цю роль виконує CIO компанії.

Остання роль у цьому переліку є ключовою в компанії з точки зору її підготовки до ШІ. І перше, за що відповідає ця людина, – це Data Strategy.

Дата-стратегія допоможе вам відповісти на такі питання:

1. Чи є у вас дані? Чи багато їх?
2. Чи є ці дані структурованими чи неструктурованими?
3. Чи мають дані комерційну цінність?
4. Якими даними ви володієте? Конфіденційними/чуттєвими/відкритими, текстовими/графічними/аудіо/відео?
5. Чи є у вас метадані (дані про дані)?
6. Наскільки швидко ви можете отримати доступ до цих даних?
7. Чи є у вас набори даних і чи можете ви їх створювати досить швидко?

Побудова ІТ-інфраструктури

Для того щоб мати можливість швидко працювати з даними, у вас має бути сучасна і гнучка ІТ-інфраструктура.

На цьому етапі потрібно сфокусуватись на таких питаннях:

1. На якій інфраструктурі працюють ваші рішення та рішення для ваших клієнтів/партнерів?
2. Чи є у вас «пісочниця» для швидких тестів та перевірки гіпотез?
3. Чи є ваші системи інтероперабельні (тобто такими, які можуть легко обмінюватись даними між собою)?
4. Чи використовуєте ви хмарні платформи чи все ще працюєте в on-prem середовищі?
5. Чи є ваша інфраструктура захищеною від зовнішніх атак?
6. Чи можете ви відновити роботу з резервної копії і як швидко?
7. Який SLA вашої інфраструктури?
8. Яка вартість володіння інфраструктурою? 
9. Чи розглядаєте ви інфраструктуру як вашу конкурентну перевагу?
10. Ви використовуєте єдину платформу для внутрішніх/зовнішніх процесів чи утримуєте «зоопарк»?

Сьогодні безумовними лідерами з точки зору побудови хмарної та гібридної інфраструктури є компанії Amazon (AWS), Microsoft (Azure) та Google (Cloud).  

Amazon Web Services

Технологічні гіганти мають величезний набір готових сервісів та інструментів для того, щоб побудувати сучасну та надійну інфраструктуру. І процес міграції в хмару для багатьох компаній – уже сучасність, а не примарне майбутнє.

Самостійне плавання чи технологічне партнерство?

Будь-яка сучасна інфраструктура не існує відокремлено від партнерів, які її обслуговують. Це називається екосистемою партнерства. І якщо ви ще не працюєте з технологічними партнерами, то зараз хороший момент почати це робити. Так, вже доведено, що найкращі продукти та рішення з’являються саме в мультискілових командах на межі різних сфер.

Головні стратегії по роботі з технологічними партнерами:

1. У вас немає технічної експертизи і ІТ не є частиною вашого core business?
   Шукайте технологічного партнера і почніть з готових рішень/платформ.
2. Маєте певний досвід роботи з ІТ та впровадженням різних ІТ-рішень?
   Разом з CTO/CIO почніть кастомізувати процеси під себе. Шукайте вузькоспеціалізованих технологічних партнерів з експертизою в тих процесах, які ви хочете покращити.
3. Маєте великий досвід з впровадженням ІТ-рішень, і вони є важливою складовою вашого бізнесу?
   Створюйте власну команду і розвивайте власну ІТ-експертизу.

Простими словами, все, що не є профільним для вашого бізнесу (особливо у сфері ІТ) – віддавайте технологічним партнерам.

З чого почати впровадження штучного інтелекту?

Впровадження ШІ наразі не завжди дають прямий економічний ефект, але процес підготовки до ШІ-проєктів допомагає структурувати дані, виявити проблеми в структурі бізнесу та процесах. І ось це, а не ШІ, може дати значне покращення і економічний ефект. Тому впровадження ШІ не повинно бути самоціллю. Додам, що бізнес, який хоче стати піонером провадження ШІ, має розуміти, як працюють інновації, бути гнучким, відкритим до ризику та експериментів.  

Крім цього, у кожного бізнесу є завдання, які є стандартними для всіх і які не вимагають великих бюджетів, глибокого занурення в специфіку бізнесу та серйозних фінансових вливань.

Це може бути щось незначне – FAQ чатбот, прогнозування фінансових та інших показників, аналіз відтоку клієнтів чи вигорання співробітників.

Будь-який подібний проєкт дозволить бізнесу:

1. Познайомитись з хмарними технологіями, обрати платформу для організації внутрішньої роботи, задуматись над оптимізацією робочих процесів.
2. Розібратись з тим, де знаходяться дані, як швидко їх можна зібрати і якої вони якості.
3. Ознайомитись з процесом розробки data science/ШІ-проєктів.
4. Отримати досвід роботи з технологічним партнером.

Є багато інструментів, які дозволяють швидко покрутити даними, створити кілька простих моделей та швидко вбудувати їх в ваші бізнес-процеси.

І все ж таки – з чого почати?

Пропоную пройти простий тест за допомогою AI Readiness Assesment Tool від Microsoft. 

Вам потрібно відповісти на кілька запитань і наприкінці ви отримаєте вашу оцінку готовності до впровадження штучного інтелекту:

Чи готовий ваш бізнес до впровадження ШІ?

А також рекомендую курс AI for Everyone на Coursera та AI Business School від Microsoft.