Новое пространство: как бизнесу подготовиться к эре искусственного интеллекта

В конце июля исследователи из США представили модель искусственного интеллекта (ИИ), которая может самостоятельно находить сообщения интернет-троллей. Ее точность составляет 91%. И это лишь один из примеров применения ИИ. Однако Украине пока далеко до всеобъемлющего развития этой сферы. Но бизнес все чаще задумывается над его применением.

С чего начать, если возникла идея применить ИИ, и на что обращать внимание в этой сфере, рассказал Mind соучредитель, CEO DevRain, резидент Reactor.ua Александр Краковецкий.

Тренды приходят к нам с довольно большим опозданием, а часто даже успевают умереть по дороге. И пока Маск готовится к запуску ракеты на Марс, украинский бизнес наконец начал переползать на мобильные платформы и обновлять сайты, созданные в стиле «привет из 90-х». Искусственный интеллект не является исключением. Он как подростковый секс – все о нем говорят, но никто его не видел. В этой статье поговорим о трендах, их адаптации и о том, нужен ли искусственный интеллект украинскому бизнесу.

Жизненный цикл трендовых технологий (Hype Cycle)

Перед тем как погрузиться в мир искусственного интеллекта, предлагаю рассмотреть жизненный цикл любой новой технологии.

Hype Cycle

Пока технология не станет зрелой или не исчезнет из списка перспективных, она пройдет несколько стадий, которые чем-то напоминают «американские горки»:

1. Запуск технологии, или Подъем (Innovation Trigger). На этом этапе технология появляется в медийном пространстве, получает огромное внимание, ей прочат успешное будущее. Удобных и понятных продуктов и коммерческого применения технологии нет.
2. Пик завышенных ожиданий (Peak of Inflated Expectations). На этом этапе начинают появляться «истории успеха» (и, конечно, «истории провала»). Организации-пионеры начинают осторожно использовать технологию, но большинство остаются пассивными.
3. Пропасть разочарования (Trough of Disillusionment). На этом этапе технология подвергается критике. Это связано с тем, что у первых стартапов заканчиваются деньги и они умирают, не найдя модели монетизации. Единицы выживают и получают новые инвестиции только в случае сколько-нибудь положительных результатов.
4. Восхождение на склон просветления (Slope of Enlightenment). На этом этапе становится понятно, где технология демонстрирует хорошие результаты, а где ее использовать не нужно. На этом этапе большой бизнес запускает пилоты, но большинство консервативных компаний все еще остаются неактивными.
5. Выход на плато продуктивности (Plateau of Productivity). На этом этапе начинается массовое внедрение технологии. Если она имеет не только нишевое применение, то происходит постепенная «коммодизация» технологии.

Все эти этапы напоминают «взлет и падение» блокчейна, технологии «виртуальной реальности», чатботов и других технологий, которые недавно появились в нашем информпространстве.

Нечто похожее происходит и с искусственным интеллектом. Сейчас можно найти много насмешливых публикаций и комментариев о том, что ИИ не существует, что это все статистический анализ, названный по-новому, и еще много всего в таком духе. Собственно, этот график четко показывает, что это нормальная ситуация для абсолютно всех трендовых технологий.

Последние достижения ИИ – это безоговорочная победа в го; OpenAI, который умеет генерировать тексты и DeepFakes, благодаря чему можно заменить лицо одного человека другим лицом или сгенерировать реалистичное лицо человека, который никогда не жил.

Есть много исследований и материалов, где подробно расписано, на каком этапе той или иной компании стоит «прыгать в поезд», то есть инвестировать в технологию, учитывая размер, уровень резистентности к инновациям, готовности к риску и экспериментам.

От алгоритмов к Data Strategy

Для реализации ИИ-систем нужны данные, алгоритмы и компьютерные мощности для вычислений. С алгоритмами особых проблем не было никогда, и даже сейчас большинство алгоритмов являются усовершенствованием математических аппаратов 1960-х или 1980-х годов.

Развитие ИИ сдерживала высокая стоимость компьютерных вычислений, но благодаря стремительному развитию компьютерной техники, а сейчас и публичных облаков, эта проблема тоже более или менее решена. Сегодня любой легко может арендовать сверхмощный облачный сервер и провести собственные исследования.

Остались данные. Принципиально иное количество и качество данных. А также люди, которые эти данные могут понимать (data understanding) и анализировать (data analytics).

Некоторые дата-роли и набор соответствующих «скиллов»

Интерес к данным создал много новых ролей. Вот несколько из них:

1. Data Scientist ищет лучшие алгоритмы для решения той или иной задачи, или разрабатывает новые алгоритмы.
2. Data Engineer занимается обработкой данных, их очисткой, преобразованием.
3. Data Analyst анализирует данные с целью нахождения инсайтов.
4. Data Labeler занимается разметкой данных и их превращением в наборы данных.
5. Applied AI Engineer знает, как использовать готовые алгоритмы и инструменты ИИ для решения прикладных задач.
6. MLOps отвечает за автоматизацию обучения моделей и настройку инфраструктуры, на которой обучают и разворачивают ML-решения.
7. Big Data Engineer работает с большими данными.
8. Data Strategist отвечает за общую стратегию компании с точки зрения работы с данными. Иногда эту роль выполняет CIO компании.

Последняя роль в этом перечне является ключевой в компании с точки зрения ее подготовки к ИИ. И первое, за что отвечает этот человек, – это Data Strategy.

Дата-стратегия поможет вам ответить на следующие вопросы:

1. Есть ли у вас данные? Много ли их?
2. Эти данные – структурированные или неструктурированные?
3. Имеют ли данные коммерческую ценность?
4. Какими данными вы владеете? Конфиденциальными/чувствительными/открытыми, текстовыми/графическими/аудио/видео?
5. Есть ли у вас метаданные (данные о данных)?
6. Насколько быстро вы можете получить доступ к этим данным?
7. Есть ли у вас наборы данных и можете ли вы их создавать достаточно быстро?

Построение ИТ-инфраструктуры

Для того чтобы иметь возможность быстро работать с данными, у вас должна быть современная и гибкая ИТ-инфраструктура.

На этом этапе нужно сфокусироваться на таких вопросах:

1. На какой инфраструктуре работают ваши решения и решения для ваших клиентов/партнеров?
2. Есть ли у вас «песочница» для быстрых тестов и проверки гипотез?
3. Ваши системы интероперабельные (то есть такие, которые могут легко обмениваться данными между собой)?
4. Используете ли вы облачные платформы или все еще работаете в on-prem среде?
5. Ваша инфраструктура защищена от внешних атак?
6. Можете ли вы возобновить работу с резервной копии и как быстро?
7. Какой SLA вашей инфраструктуры?
8. Какова стоимость владения инфраструктурой?
9. Рассматриваете ли вы инфраструктуру как ваше конкурентное преимущество?
10. Вы используете единую платформу для внутренних/внешних процессов или содержите «зоопарк»?

Сегодня безусловными лидерами с точки зрения построения облачной и гибридной инфраструктуры являются компании Amazon (AWS), Microsoft (Azure) и Google (Cloud). 

Amazon Web Services

Технологические гиганты имеют огромный набор готовых сервисов и инструментов для того, чтобы построить современную и надежную инфраструктуру. И процесс миграции в облако для многих компаний – уже сегодняшний день, а не призрачное будущее.

Самостоятельное плавание или технологическое партнерство?

Любая современная инфраструктура не существует обособленно от партнеров, которые ее обслуживают. Это называется экосистемой партнерства. И если вы еще не работаете с технологическими партнерами, то сейчас хороший момент начать это делать. Так, уже доказано, что лучшие продукты и решения появляются именно в мультискилових командах на грани различных сфер.

Главные стратегии по работе с технологическими партнерами:

1. У вас нет технической экспертизы и ІТ не являются частью вашего core business?

Ищите технологического партнера и начните с готовых решений/платформ.

2. У вас есть определенный опыт работы с ІТ и внедрением различных ІТ-решений?

Вместе с CTO/CIO начните кастомизировать процессы под себя. Ищите узкоспециализированных технологических партнеров с экспертизой в тех процессах, которые вы хотите улучшить.

3. У вас  большой опыт использования ІТ-решений, и они являются важной составляющей вашего бизнеса?

Создавайте собственную команду и развивайте собственную ІТ-экспертизу.

Простыми словами, все, что не является профильным для вашего бизнеса (особенно в сфере ІТ) – отдавайте технологическим партнерам.

С чего начать внедрение искусственного интеллекта?

Внедрение ИИ пока не всегда дает прямой экономический эффект, но процесс подготовки к ИИ-проектам помогает структурировать данные, выявить проблемы в структуре бизнеса и процессах. И вот это, а не ИИ, может дать значительное улучшение и экономический эффект. Поэтому внедрение ИИ не должно быть самоцелью. Добавлю, что бизнес, который хочет стать пионером производства ИИ, должен понимать, как работают инновации, быть гибким, открытым к риску и экспериментам.

Кроме этого, у каждого бизнеса есть задачи, которые являются стандартными для всех и которые не требуют больших бюджетов, глубокого погружения в специфику бизнеса и серьезных финансовых вливаний.

Это может быть что-то незначительное – FAQ чатбот, прогнозирование финансовых и других показателей, анализ оттока клиентов или выгорания сотрудников.

Любой подобный проект позволит бизнесу:

1. Познакомиться с облачными технологиями, выбрать платформу для организации внутренней работы, задуматься над оптимизацией рабочих процессов.
2. Разобраться с тем, где находятся данные, как быстро их можно собрать и какого они качества.
3. Ознакомиться с процессом разработки data science/ИИ-проектов.
4. Получить опыт работы с технологическим партнером.

Есть много инструментов, которые позволяют быстро «повертеть» данным, создать несколько простых моделей и быстро встроить их в ваши бизнес-процессы.

И все же – с чего начать?

Предлагаю пройти простой тест с помощью AI Readiness Assesment Tool от Microsoft.

Вам нужно ответить на несколько вопросов и в конце вы получите вашу оценку готовности к внедрению искусственного интеллекта:

Готов ли ваш бизнес к внедрению ИИ?

А также рекомендую курс AI for Everyone на Coursera и AI Business School от Microsoft.