Искусственный интеллект, сингулярность и восстание машин

Искусственный интеллект (ИИ, AI) уверенно входит в нашу повседневную жизнь. Пока это так называемый слабый интеллект, он автоматизирует самые простые и рутинные интеллектуальные задачи, но постоянно развивается. Уже не удивляют разбирающиеся в непростой дорожной обстановке «умные» автомобили, автоматически выявляющие правонарушителей видеокамеры, поддерживающая беседу язвительная «Алиса».

 

На кривой зрелости технологий, которую Gartner посвятила искусственному интеллекту (рис. 1), к вершине хайпа подходят Generative AI (программные решения, способные создавать новый контент на базе уже существующего) и Composite AI (системы машинного обучения, оптимизированные благодаря комбинации лучших методов). К плато продуктивности приближаются технологии компьютерного зрения, которые широко применяются в системах безопасности. А в самом начале кривой появился Artificial General Intelligence (AGI) – «сильный» искусственный интеллект, способный справиться с большинством задач, доступных человеку. 

Новые технологии накладываются на постоянно возрастающие вычислительные мощности. Кривая ускорения технического прогресса все круче идет вверх, и, по мнению футуролога Реймонда Курцвейла, в 2045 г. превратится в вертикальную линию. Момент, когда это произойдет, футурологи называют технологической сингулярностью — точкой, за которой ничего прогнозировать уже нельзя. Адепты сингулярности полагают, что это время наступит с созданием интеллекта, значительно превосходящего человеческий, Artificial Super Intelligence (ASI). Сверхинтеллект станет все быстрее совершенствовать себя и, достигнув непостижимых для нашего ума высот, полностью выйдет из-под контроля человека. «Если мы не можем остановить восстание машин, то надо его возглавить», — завершила описание апокалиптической картины будущего выступившая на конференции Cnews «Искусственный интеллект: от пилота к промышленной эксплуатации» ведущий эксперт по цифровым технологиям топливной компании ТВЭЛ «Росатома» Дарья Тюльпа.

Пока ставка делается на саморегулирование отрасли. В России создан «Альянс в сфере искусственного интеллекта», сформулировавший этические принципы разработки и внедрения технологии. К соответствующему кодексу уже присоединились более 120 участников.

В разработку этических норм государство не вмешивается, но важность использования ИИ понимает и пытается стимулировать внедрения новых технологий, справедливо полагая, что такие решения повысят эффективность экономики и дадут конкурентные преимущества на международной арене. В октябре 2019 г. указом президента была утверждена Национальная стратегия развития искусственного интеллекта на период до 2030 г. Указ предписывает правительству обеспечить внесение всех необходимых изменений в нацпрограмму «Цифровая экономика», что подразумевает в том числе разработку и утверждение федерального проекта «Искусственный интеллект».

Работы по созданию «сильного» ИИ в стране ведутся. Так, на конференции Сбера «Путешествие в мир искусственного интеллекта» его глава Герман Греф отметил, что в числе задач проводимого в этом году компанией ИИ-конкурса было совершенствование модели Fusion Brain Challenge 2.0, которая могла бы решать 12 разноплановых задач. Такие системы формируют фундамент для получения «сильного» искусственного интеллекта. Но, как показала конференция Cnews, в настоящее время бизнесу интереснее проекты с быстрой отдачей, а это узкоспециализированные ИИ, использующие простые нейронные сети и статистические модели машинного обучения (регрессию, кластерный анализ, классификацию).

Один из лидеров внедрения ИИ в российской промышленности — Новолипецкий металлургический комбинат (НЛМК), на котором, по словам руководителя отдела Data Science прокатного производства Александра Котикова, уже автоматизировано более 90% технологических процессов. Новый проект — использование ИИ для поддержания оптимального количества алюминия в ванне для цинкования металла.

Алюминий повышает жидкотекучесть расплава цинка, уменьшает его окисление, способствует получению равномерных блестящих цинковых покрытий, обладающих хорошей пластичностью. Использование прогнозной модели на базе машинного обучения позволяет оптимизировать загрузку слитков, стабилизировать концентрацию алюминия в ванне и в результате понизить процент брака, уменьшить расход цинка и повысить качество оцинкованного проката. 

Модель использует лабораторные измерения концентрации алюминия, данные о процессе (температуру ванны и полосы металла, скорость подачи полосы), о рулоне (ширине и толщине полосы, классе цинкового покрытия), о загруженных слитках (весе, концентрации алюминия) и времени загрузки. Обученная модель запаковывается в Docker-контейнер, работающий на DSML-платформе предприятия, которая представляет собой кластер из виртуальных машин на базе Docker Swarm. 

 

Лабораторные измерения процессов в ванне проводятся раз в 8 ч. Раньше приходилось принимать решения только на базе этой информации. Используя прогнозную модель (рис. 2), можно осуществлять более точные управляющие воздействия — с интервалом в 1 ч персонал загружает рекомендованное цифровым советчиком количество слитков в ванну. Система позволила повысить качество оцинкованного проката и снизить расход цинка на 46,4 т в год.

Торговля уже несколько лет экспериментирует с ИИ. Например, российская компания Addreality, распознавая возраст и пол клиента с помощью киосков с кастомизированной рекламой, на 15% повысила  продажи алкоголя в сети магазинов «Ароматный мир». Классифицировать покупателя, понять, что ему на самом деле нужно, сделать персонализированное предложение — такие проекты весьма привлекательны для бизнеса.

В X5 Group пробовали применить ИИ для контроля наличия товаров на полках. Раскладка товаров — сложный процесс: надо определить, какой товар положить на видное место, какой убрать на нижнюю полку. Еще важно учитывать траекторию прохода покупателя по магазину. Но все эти ухищрения не будут работать, если товар на полке закончится. Сотрудникам ходить по магазину и проверять наличие товара, помня всю номенклатуру, — задача непростая, особенно в большом супермаркете. Да и на зарплате таких людей бизнесу хочется сэкономить.

Очевидным решением выглядит использование компьютерного зрения  — чтобы за наличием товаров на полке следил ИИ. По этому пути и пошли разработчики, но столкнулись с серьезными проблемами. У камер видеонаблюдения, которые установлены в магазинах, зоны видимости ограниченные, да и не всегда эти устройства удовлетворяют требованиям. А те, что удовлетворяют, надо обслуживать, например, протирать оптику. Да еще нужен хороший выход в интернет. В итоге, как рассказал директор по анализу данных X5 Group Михаил Неверов, от ИИ отказались в пользу более простого решения — контролировать наличие товара по чекам в кассе. Если перестали покупать, значит, товар закончился и надо доложить его на полку. 

Компания Cloud (ранее SberCloud) предлагала  дообучить модели ruGPT-3 и ruDALL-E для генерации уникального контента (текста и картинок) по описанию товаров, уйдя от оплаты работы рерайтеров, фотографов, художников и дизайнеров.

Машинное обучение и нейронные сети внедряются в процессы управления финансами, а цифровые технологии уже лежат в основе многих процессов взаимодействия с клиентами. Технологии стремительно развиваются — от приложений для просмотра котировок и проведения расчетов через мобильный банкинг до полноценных торговых систем и виртуальных помощников.

ИИ помогает найти клиентов, которым нужны финансовые услуги. «Идея — перестать “бомбить” всех клиентов, а ориентироваться на тех, кому это необходимо», — пояснил директор по стратегии ИК «Финам» Ярослав Кабаков. Компания использует ИИ для кастомизированного подхода к формированию инвестиционного портфеля клиента (рис. 3). 

 

Цикл работы на первый взгляд простой: собрать данные о клиенте — подобрать продукт — сделать предложение — получить обратную связь. Но на практике важно множество деталей, вплоть до определения оптимального дня и часа для взаимодействия с клиентом и выбора наилучшего канала.

ИИ находит применение в самых разных отраслях человеческой деятельности — в медицине он помогает врачу поставить диагноз, в атомной промышленности обеспечивает работу в условиях, вредных для здоровья человека, используется в горнодобывающей промышленности, космосе и многих других отраслях. У рынка ИИ в России большой потенциал роста (рис. 4).

 

Но искусственный интеллект не серебряная пуля, не панацея, а, как образно выразился глава департамента Data Science СОГАЗ Сергей Алешкин, только «вишенка на торте автоматизации». Для реализации таких проектов нужна база — отлаженные процедуры сбора и хранения качественных данных, высокая экспертиза разработчиков и заинтересованность в успехе сотрудников заказчика. 

По оценкам руководителя направления Data Science WaveAccess Владимира Рыбакова, только 5—15% проектов в области ИИ становятся успешными. Для снижения рисков нужно пилотировать проекты, стараясь на первом этапе выбирать направления, наиболее перспективные в плане получения экономической отдачи. При этом по возможности следует решать задачи простыми и дешевыми средствами обычной автоматизации, не заниматься ИИ ради ИИ, лишь потому, что это модно и престижно.

До восстания машин еще далеко. Успехи компьютера, обыгрывающего человека  в «го» и покер, впечатляют. Но все же это специализированные задачи. Универсальный ИИ только появился на кривой хайпа Gardner, и далеко не очевидно, что технология выйдет на плато продуктивности. 

Вспомним термоядерный реактор, до которого еще в 80-х годах прошлого века, казалось, осталось сделать совсем маленький шаг. Футурологи были уверены, что новый огромный источник энергии будет доступен до конца века. Деньги осваиваются и сейчас, но про близкий успех уже не вспоминают. Что тут уж говорить про AGI и тем более сверхинтеллект ASI. Но «слабый» ИИ — уже реальность, и, без сомнения, он будет все шире использоваться бизнесом.

Заметили неточность или опечатку в тексте? Выделите её мышкой и нажмите: Ctrl + Enter. Спасибо!