За и против внедрения ИИ

Работая в компаниях, которые внедряли или думали внедрять нейронные сети, я начал задумываться о плюсах и минусах внедрения и в каких ситуациях стоит использовать искусственный интеллект (AI), а в каких можно обойтись и без него. Если вы менеджер, руководитель или не работали с AI напрямую, вам, вероятнее всего, придется пройти аналогичный цикл обучения тому, что представляет из себя AI. Надеюсь, этот материал поможет ускорить ознакомление с основными типами AI и покажет принципы принятия решений по внедрению AI в вашей компании и продукте.

Давайте сначала разберемся, какие виды нейронных сетей существуют.

Автор: Антон Иванов, Senior product manager DocuSketch, ex YouTravel.me.

Deep Learning (глубокое обучение, DL) – это раздел машинного обучения, который строит и использует глубокие нейронные сети. Глубокое обучение означает, что нейронные сети состоят из нескольких слоев, позволяющих моделям извлекать высокоуровневые абстракции из данных и создавать сложные модели для решения задач. Говоря простым языком, DL позволяет модели находить сложные закономерности в данных, такие как образы, звуки или тексты, и использовать эти знания для решения различных задач. Глубокое обучение применяется в таких областях, как компьютерное зрение, обработка естественного языка, рекомендательные системы и многое другое.

Machine Learning (машинное обучение, ML) – это подраздел искусственного интеллекта, где модели и алгоритмы обучаются на основе данных, а не явно программированных инструкций. Машинное обучение использует различные методы и алгоритмы, чтобы модели могли самостоятельно учиться и делать предсказания или принимать решения на основе полученных знаний. Оно применяется в широком спектре исследований и задач, от анализа данных и обнаружения аномалий до предсказания спроса и оптимизации бизнес-процессов.

ML и DL включают в себя подвиды нейронных сетей, которые пересекаются и применяются как в ML, так и в DL. Самыми популярными нейронными сетями являются сверточные нейронные сети (Convolutional Neural Networks, CNN), рекуррентные нейронные сети (Recurrent Neural Networks, RNN) и генеративно-состязательные сети (Generative Adversarial Networks, GAN).

Сверточные нейронные сети широко применяются в области компьютерного зрения. Например, Google использует CNN для распознавания и классификации объектов на изображениях в системе автоматического управления транспортом. Рекуррентные нейронные сети применяются в задачах обработки естественного языка – в качестве примера можно привести Amazon, которая использует RNN для автоматического генерирования рекомендаций товаров на основе истории покупок клиентов. Генеративно-состязательные сети применяются, например, компанией Adobe, которая использует GAN для дорисовки музыкальных альбомов или дополнения любой другой картинки по спецификации пользователя.

Сейчас все больше компаний занимаются развитием собственных нейронных сетей, но большинство из них делают это на базе крупнейших поставщиков, таких как Oracle, Microsoft Azure, Amazon Web Services, NVidia, IBM, Hugging Face, Intel. Эти поставщики предлагают широкий спектр решений на основе машинного и глубокого обучения.

Перейдем к самым популярным из них.

Облачные вычисления и хранение данных:

• Amazon Web Services (AWS) предлагает Amazon Elastic Compute Cloud (EC2) и Amazon Simple Storage Service (S3), которые позволяют бизнесам масштабировать вычислительные ресурсы и хранить большие объемы данных в облаке.

• Microsoft Azure предоставляет Azure Virtual Machines и Azure Blob Storage, обеспечивая гибкую инфраструктуру для выполнения вычислений и хранения данных.

Computer Vision (компьютерное зрение):

• NVidia предлагает NVIDIA Clara, платформу для медицинского компьютерного зрения, которая применяется в сфере медицины для обработки и анализа медицинских изображений.
• Amazon Web Services предлагает Amazon Rekognition, сервис компьютерного зрения, который используется для распознавания лиц, анализа изображений и видео, а также в сфере безопасности.

Natural Language Processing (обработка естественного языка):

• Hugging Face предлагает библиотеку Transformers, которая предоставляет предобученные модели для задач обработки естественного языка, таких как классификация текста, машинный перевод и генерация текста.
• IBM предлагает IBM Watson Natural Language Understanding, сервис для анализа текста, который используется в различных отраслях, включая финансы, медиа и маркетинг.

Speech Recognition and Synthesis (распознавание и синтез речи):

• Microsoft Azure предлагает Azure Speech Services, который обеспечивает возможности распознавания и синтеза речи, используемые в различных сферах, включая телекоммуникации, автомобильную промышленность и устройства для дома.
• Amazon Web Services предоставляет Amazon Polly, сервис синтеза речи, который используется для создания аудиоконтента, голосовых помощников и подкастов.

До этого мы говорили про ML и DL, но при аргументации за и против внедрения AI в вашей компании я хотел бы сосредоточиться на ML как наиболее практичном виде AI. Машинное обучение, как правило, требует меньших мощностей, быстро обучается на ограниченных наборах данных, легче интерпретируется, и это делает его наиболее легким в использовании в большинстве бизнесов.

Основные аргументы за внедрение машинного обучения

1. Автоматизация рутинных задач: Например, американская компания UPS применяет ML, чтобы автоматизировать маршрутизацию грузов и оптимизировать их доставку. Алгоритмы машинного обучения помогают определить наилучшие маршруты, учитывая различные факторы, такие как время, расстояние и условия дороги. Это позволяет сократить время доставки, улучшить эффективность и снизить затраты.
2. Оптимизация процессов в компании: Примером может служить компания Maersk, специализирующаяся на морской логистике. С помощью алгоритмов машинного обучения Maersk может оптимизировать цепочки поставок, предсказывать спрос на контейнерные перевозки и оптимизировать распределение грузов. Это снижает издержки, улучшает планирование и позволяет управлять процессами в логистике компании эффективнее.
3. Принятие решений на основе данных: Wildberries применяет алгоритмы машинного обучения для анализа данных о покупках и предсказания предпочтений клиентов. Это помогает компании принимать более обоснованные решения в области маркетинга, инвентаризации и управления запасами. Аналогично, Amazon применяет ML для персонализации рекомендаций товаров и предсказания спроса на основе данных о поведении клиентов.
4. Улучшение пользовательского опыта в продукте: Tinkoff использует алгоритмы машинного обучения для анализа поведения клиентов и предоставления персонализированных финансовых рекомендаций. Это позволяет улучшить пользовательский опыт, предлагая клиентам индивидуальные услуги и решения, а также повысить уровень удовлетворенности и лояльности. Аналогично, PayPal использует ML для обнаружения мошеннических транзакций и защиты пользователей.
5. Улучшение прогнозирования: X5 Retail Group применяет алгоритмы машинного обучения для прогнозирования спроса на товары, оптимизации уровня запасов и управления поставками. Walmart также использует ML для прогнозирования спроса и оптимизации инвентаризации в своих магазинах. Это позволяет улучшить планирование поставок, избежать дефицита или излишков товаров и повысить уровень обслуживания покупателей.

Исходя из плюсов, ML наиболее применим в таких индустриях как логистика, ритейл, e-commerce, банкинг и финтех. Степень неприменимости ML возрастает для индустрий, где данные не имеют большого влияния на принятие решений, таких как искусство, музыка и другое творчество.

Несмотря на множество достоинств, ИИ не является панацей для развития вашего бизнеса. Особенно это касается бизнесов, связанных с человеческим ресурсом и этическими вопросами и вот почему.

Аргументы против внедрения ML

1. Зависимость от данных, на которых осуществляет анализ ML. Например, юридическая компания Baker McKenzie, которая применяет алгоритмы машинного обучения для автоматического анализа юридических документов и поиска релевантной информации, сталкивается с зависимостью от качества и доступности данных. В случае, если данные неполные, неточные или неактуальные, это может привести к неправильным выводам и негативным последствиям для клиентов и компании. Однако, с правильно подготовленными и актуализированными данными, применение ML в юридической сфере может значительно сократить временные затраты на обработку информации и повысить эффективность работы юристов.
2. Высокая стоимость обучения нейронной сети. Например, согласно исследованиям, средняя стоимость обучения нейронной сети в 2010 году составляла $100,000, в 2016 году — $500,000, и по прогнозам на 2023 год — ожидается рост до $1,000,000. Прогноз на 2030 годы показывает, что стоимость обучения нейронных сетей продолжит увеличиваться. Для обучения нейронной сети в среднем требуется шесть типов специалистов, их конкретное число сильно зависит от размера нейронной сети и других факторов.
3. Проблемы с интерпретацией данных. В сфере здравоохранения, компания Epic Systems Corporation применяет ML для анализа медицинских данных и предоставления рекомендаций врачам. Однако, результаты алгоритмов машинного обучения могут быть сложными для понимания и объяснения, что затрудняет работу врачей при принятии важных медицинских решений. Аналогичные проблемы с интерпретацией данных возникают и в образовательной компании Khan Academy, которая применяет ML для адаптивного обучения студентов. Важно учитывать, что точность и объективность интерпретации данных играют решающую роль в этих сферах.
4. Этические соображения. В правовой области также возникают этические вопросы при применении ML. Например, компания ADP, занимающаяся HR-сервисами, использует алгоритмы машинного обучения для анализа данных о кандидатах и принятия решений о найме. Однако, существует риск возникновения предвзятости и неравенства при использовании таких алгоритмов. В сфере социальных услуг и управления человеческими ресурсами, компания Cornerstone OnDemand применяет ML для оценки и развития персонала. Здесь также важно обратить внимание на этические аспекты, связанные с справедливостью и конфиденциальностью данных.

Исходя из минусов, ML наименее применим в индустриях, где зависимость от данных высока, стоимость обучения нейронной сети оправдывается слабо, данные сложно интерпретировать или существуют серьезные этические соображения. Примерами таких индустрий могут быть право, HR, медицина и социальные услуги.

Внедрение ML сопряжено со следующими рисками для вашей компании. Подготовьтесь к разговору с отделом информационной безопасности и подготовьте аргументы на следующие риски, которые сейчас сопряжены с внедрением ML:

1. Перерасход средств из-за недостаточной настроенности /  контроля над нейронной сетью: некоторые провайдеры строят свои тарифные план за плате за запрос, если не проконтролировать количество запросов нейронной сети, она может истратить ощутимое количество средств за дни или даже часы.
2. Обслуживание нейронной сети: если в вашей компании часто перестраиваются бизнес-процессы, то менять придется не только их, но и настройки нейронки, чтобы она работала.
3. Риски информационной безопасности: использование искусственного интеллекта добавляет еще один канал, через который чувствительные данные могут попасть к злоумышленникам.

В качестве вывода могу сказать, что DL более предпочтительна для применения в большинстве бизнесов из-за способности обучаться на ограниченном наборе данных и более легкой интерпретации получаемых результатов, но само по себе внедрение ML не является панацеей для вашего бизнеса: вы должны быть готовы к высокой стоимости обучения нейронной сети, которая вскоре достигнет миллиона долларов и зависимости от данных, на которых сеть будет основывать свои результаты. К тому же, вам нужен достаточно большой штат сотрудников, которые смогут поддерживать работу и обучение нейронки — в среднем шесть видов специалистов. При этом, указанных специалистов нужно координировать при изменении бизнес-процессов внутри компании: при таких изменениях они должны будут перенастраивать нейронную сеть, чтобы в ней были валидные данные по текущим бизнес-процессам. При отсутствии нужной команды и неактуальности нейронной сети, могут реализоваться риски утечки данных и перерасхода средств нейронной сетью из-за большого количества платных запросов. Конечно, если ваша компания работает в таких отраслях как логистика, ритейл, e-commerce, банкинг и финтех, то вам стоит как минимум изучить опыт коллег по внедрению нейронок в их бизнес, а как максимум — посчитать стоимость внедрения нейронки против выручки от автоматизации бизнес-процессов, более точного и быстрого прогнозирования, подготовки информации для принятия решений на основе данных. Иными словами, AI (и ML) не панацея, но в руках умелой команды и в правильной индустрии дает конкурентное преимущество при прочих равных.

Для тех, кто интересуется другими материалами по теме внедрения ML, порекомендую следующие источники: Towards Data Science, Data Science Central, Technology Review.