Orange Business Services

Почти 70 лет назад в журнале Mind английский математик Алан Тьюринг предположил, что со временем машины достигнут такого уровня развития, что их нельзя будет отличить от человека. Для этого он даже придумал следующий тест: «Если компьютер может работать так, что человек не в состоянии определить, с кем он общается — с другим человеком или с машиной, — считается, что он прошел испытание». В 2014 году чатбот Женя Густман впервые в мире выполнил этот тест. Сейчас с помощью чатботов можно заказать билеты, сделать платеж или узнать прогноз погоды. В основе всех разработок лежит принцип машинного обучения, который уже изменил и будет еще сильнее менять мир вокруг.

Как машинное
обучение меняет
привычные вещи
 

Что такое машинное обучение

Машинное обучение (machine learning, ML) — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. К примеру, ML используется при автоматической сортировке почты. Искусственный интеллект (ИИ) анализирует, что ранее было помечено как спам, и пытается самостоятельно определить, что является нежелательной информацией.

Что уже изменилось

Транспорт. Убер использует машинное обучения для определения точного времени прибытия, нахождения локации и для сервиса доставки еды UberEats. Еще один сервис, где применяется ML, — это Гугл-карты. Они анализируют скорость движения на дорогах через анонимные данные о местоположении, что позволяет сократить время нахождения в пути, предлагая оптимальные маршруты.

Поисковые системы и помощники. Поиск Гугла дает рекомендации, основываясь на предыдущей истории поиска пользователя. В 2012 году Гугл презентовал алгоритм Graph — он используется для дешифрования семантики поискового запроса. Системы распознавания голоса, такие как Siri и Cortana, применяют машинное обучение и другие технологии для имитации человеческого взаимодействия. Постепенно эти приложения начинают понимать нюансы и семантику языка.

Соцсети и почта. Если раньше Фейсбук просил вас отмечать друзей на фотографии, то сегодня машинные алгоритмы находят похожие лица из вашего списка контактов самостоятельно, используя внушительный набор технологий. ML активно используют в почтовых сервисах: в 2017 году в Gmail появилась функция интеллектуального ответа, позволяющая почте самостоятельно отвечать на входящие письма от вашего имени. Инструменты машинного обучения предлагают три различных варианта ответа.

eСommerce — электронная торговля, маркетинг, страхование, банкинг и все, что связано с торговыми транзакциями онлайн. Lyst — интернет-магазин одежды и обуви, который в зависимости от поиска пользователя подбирает подходящие рекомендации. При этом система использует теги метаданных для визуального сравнения предметов одежды. Оплатить свои покупки можно с помощью PayPal — платформы онлайн-платежей, которая применяет машинные алгоритмы для борьбы с мошенничеством. Система анализирует огромное количество данных пользователя и возможные риски.

Музыкальные и видеосервисы. Netflix, самый крупный стриминг-сервис в мире, оценивает окупаемость инвестиций в алгоритмы ML в один миллиард долларов в год благодаря влиянию, которое они оказывают на удержание пользователя. Например, сервис пытается привлечь зрителя персонифицированными обложками, которые учитывают историю просмотров фильмов. Spotify дает рекомендации пользователю при помощи использования трех моделей: совместной фильтрации, обработки естественного языка и необработанного аудио.

Что изменится в будущем

Право. Это одна из сфер, которая активнее всего внедряет машинное обучение. Использование ML особенно важно в английской системе права, где необходимо учитывать прецеденты, которые могут коррелировать с конкретным делом. К примеру, JP Morgan использует программу, которая позволяет за несколько секунд проанализировать массив документов, человеческий анализ которых занял бы 360 тысяч часов. Машинное обучение вряд ли сможет заменить юристов, однако внедрение новых технологий поможет значительно сократить время на работу с каждым делом, а также ускорить сам судебный процесс.

Рынок рабочей силы. Здесь естественно упомянуть автоматизацию промышленности, где сейчас активно применяется искусственный интеллект и машинное обучение. Число вакансий в сфере ИИ увеличилось на 450% с 2013 года. По данным платформы Monster.com, самые востребованные навыки касаются трех областей: машинного обучения, глубокого обучения и обработки естественного языка. Кроме того, меняется и сам процесс рекрутинга, где активно начинают использовать нейросети, предиктивную аналитику, системы распознавания изображений и обработку естественного языка. На рынке создают специальные программы-ассистенты, которые помогают с поиском работы.

Образование. Компьютеры помогут составить индивидуальный учебный план, который будет отвечать потребностям конкретного ученика. Алгоритмы смогут подсчитать результаты теста, что позволит разгрузить время учителя. Благодаря учету посещаемости и анализу академических успехов будут обозначены пробелы в знаниях и отсутствие необходимых учебных навыков. Это совсем не означает, что обучение будет вестись без учителя (хотя такой вариант тоже возможен), но это в любом случае поможет уменьшить нагрузку как на ученика, так и на учителя.

Здравоохранение. Машинное обучение уже используется при диагностике заболеваний. Но его применение возможно и для предотвращения болезней, к которым может быть склонен человек определенного возраста, социально-экономического статуса, генетической предрасположенности и прочих характеристик — эти данные, к примеру, анализируются в персонализированной или прецизионной медицине. Программы содержат базы данных, которые позволяют быстрее определить болезнь и спасти жизнь благодаря оперативному вмешательству. Сокращается время, которое пациент проводит в медицинском учреждении. ML активно используется при борьбе с раком: для определения опухолей по рентгеновским снимкам, а также для анализа родинок при подозрении на рак кожи.

Транспорт. Автономный транспорт — автомобили, грузовики, автобусы, дроны — применяет самые передовые технологии ИИ и машинного обучения. Они включают автоматическое управление машиной, торможение, смену полос, задействование камер и датчиков для предотвращения столкновений, применение ИИ для анализа информации в режиме реального времени и использование высокопроизводительных вычислений и систем глубокого обучения для адаптации к новым обстоятельствам. Системы обнаружения света и дальности (LIDAR) и искусственный интеллект являются ключевыми для навигации и предотвращения столкновений. Продвинутое программное обеспечение позволяет автомобилям учиться на опыте других транспортных средств на дороге и корректировать свои системы при изменении погоды, стиля вождения или дорожных условий.

Проблемы машинного обучения

Доступ к данным. Искусственный интеллект и машинное обучение опираются на открытые данные, которые могут быть применены по отношению к каждой конкретной задаче. Страны, которые выступают за свободный доступ к данным, а также за их беспрепятственное распространение, наиболее заинтересованы в развитии AI и машинного обучения. По рейтингу открытости данных США занимают 8-е место в мире, в то время как Китай находится только на 93-й позиции. Однако здесь до сих может оставаться неясным, кому принадлежат данные в публичной сфере и кто может иметь к ним доступ.

Предвзятость в алгоритмах обработки. Некоторые принципы, на которых строится искусственный интеллект, могут оказаться дискриминирующими или предвзятыми. К примеру, на Airbnb людей с афроамериканскими именами на 16% менее охотно принимают в качестве гостей, чем тех, у кого чисто европейские фамилии. Другая проблема у систем распознавания лиц — если программа содержит только лица европеоидов, то лишь их она обучена распознавать. До тех пор пока база данных не будет расширена, она не сможет хорошо идентифицировать афроамериканскую или азиатско-американскую внешность. Получается, что в этом случае данные отражают традиционные воззрения, которые доминируют в той или иной системе.

Этика и транспарентность. Этические ориентиры и ценностный выбор зашиты в алгоритм принятия решений. В Соединенных Штатах некоторые городские школы используют алгоритмы принятия решений о наборе учащихся на основе различных соображений, таких как предпочтения родителей, качество соседства, уровень дохода и демографические показатели. Например, в Новом Орлеане приоритет отдается экономически неблагополучным заявителям — до 33% доступных мест. Но на практике важную роль играют такие критерии, как наличие братьев и сестер нынешних учеников, детей школьных работников и семей, живущих рядом со школой. Можно предположить, что выбор учащихся может быть очень нерелевантным, если применяется эта сортировка.

Ответственность перед законом. До сих пор не решены вопросы, которые касаются правоприменения по отношению к системам искусственного интеллекта. В случае причинения вреда, нарушений или несчастных случаев алгоритмическая система попадает под ответственность производителя. Наказание будет зависеть от факторов и условий, которые повлияли на ситуацию. В разных случаях может быть наложен штраф, но также возможно и тюремное заключение. К примеру, мы до сих пор не знаем, кто бы пошел под суд в случае смертельного ДТП с Убером: дублирующий водитель, власти штата, власти округа, Убер, разработчики, производитель автомобиля?

***

41% населения США, Западной Европы, Китая и Индии уверены, что машинное обучение и искусственный интеллект изменят жизнь к лучшему. Применение ML поможет разгрузить плотный график учителя, с большей точностью поставит диагноз пациенту, ускорит судебные разбирательства и сделает транспорт более безопасным. Но даже в сфере высоких технологий многие сложности достались в наследство от человеческого мира. Даже техническое совершенствование систем может не справиться со всеми проблемами — каждый случай будет требовать комплексной проработки, в которой по-прежнему есть место человеку.

Orange Business Services

Facebook

Share

Москва, 1-й Красногвардейский пр-д, 15, Меркурий Сити Тауэр

Вы получили это письмо, потому что подписаны на рассылку Orange Business Services

Отписаться

Веб-версия