Роль інструментів і методів штучного інтелекту у бізнесі та світовій економіці зростає з кожним днем ​​не тому, що вони є модною тенденцією або обов’язковою умовою для виживання й збереження конкурентоспроможності сучасної компанії на ринку. А, перш за все, тому, що вони мають абсолютно унікальний потенціал, міць якого ще навіть не на своєму піку, а ефективність – уже доведена.

Ґрунтуючись на дослідженнях McKinsey Global Institute за 2018 рік і прикладному досвіді роботи AI McKinsey Analytics, провідні аналітики та вчені оцінили не тільки вплив AI на всі галузі та індустрії, а й визначили кращі кейси та напрямки його застосування в тому вигляді, в якому він буде максимально затребуваний в усіх можливих бізнес-процесах на різних рівнях взаємодії і вирішення ключових питань.

Пальму першості в гонці серед численних інтелектуальних інструментів, додатків і самих технологічних підходів експерти віддають методам глибокого навчання. Саме нейронні мережі, яким вже сьогодні доступні самі непрості завдання широкого спектру призначення, матимуть пріоритетне значення для світового бізнес-середовища. І саме на створення, розвиток, навчання та застосування нейронних мереж буде сконцентрована основна частка інвестицій.

Що у тренді?

Нейронні мережі – це, простими словами, підмножина методів машинного навчання, яке, в свою чергу, є основою роботи технологій на базі AI. По суті, вони являють собою системи штучного інтелекту, засновані на моделюванні пов’язаних між собою «нейронних одиниць», що вільно моделюють те, як нейрони взаємодіють у мозку. Обчислювальні моделі, засновані на нейронних зв’язках, вивчалися ще починаючи з 1940-х років і стали більш популярними по мірі збільшення потужності комп’ютерної обробки і підвищених вимог до точного аналізу вхідних даних (зображення, відео, мова).

На сьогоднішній день прийнято вважати, що, незважаючи на глобальні та доступні можливості нейронних мереж, вони все одно знаходяться на зародковому рівні розвитку. Але передбачається, що у найближчі 5-10 років акценти і ресурси у даній області будуть спрямовані не лише на розгортання найбільш затребуваних їх видів, але й на їх повсюдне застосування.

  • Прохідні нейронні мережі: найпростіший тип штучної нейронної мережі. У цій архітектурі інформація переміщається тільки в одному напрямку – вперед, від вхідного шару, через «приховані» шари до вихідного прошарку. У мережі немає «петель». Перша мережа з одним нейроном була запропонована ще у 1958 році першопрохідником А.Ф.Розенблаттом. Хоча ідея не нова, успіхи в обчислювальній потужності, алгоритмах навчання і доступних даних привели до більш високих рівнів продуктивності, ніж це було можливо раніше.
  • Рекурентні нейронні мережі (RNN): штучні нейронні мережі, чиї зв’язки між нейронами включають в себе «петлі», добре підходять для обробки послідовностей вхідних даних. У листопаді 2016 року дослідники з Оксфордського університету (США) повідомили, що система, заснована на рекурентних нейронних мережах (і згорткових нейронних мережах), досягла 95-відсоткової точності в процесі зчитування інформації по губах, випередивши досвідчених фахівців-людей у цій галузі, які тестували з 52-процентною точністю.
  • Згорткові нейронні мережі (CNN): штучні нейронні мережі, в яких зв’язки між нервовими шарами працюють за принципом організації діяльності мозку людини, здатного не просто сприймати і запам’ятовувати інформацію, але й обробляти та аналізувати її з певною необхідністю і метою.

Крім вищеописаних різновидів, з метою майбутнього і, можливо, перспективного застосування у бізнесі розглядаються також генеруючі змагальні мережі (GAN) і так званий метод посилення навчання. Але ці напрямки поки що не набули популярності через те, що погано вивчені на практиці.

  • Генеруючі змагальні мережі (GAN) використовують відразу дві нейронні мережі, які в процесі своєї діяльності як би оскаржують дії і висновки одна одної, приходячи, таким чином, до найбільш вірного, точного розв’язання поставленої задачі. GAN можуть навчитися імітувати різні розподіли даних (наприклад, текст, мова та зображення), а тому цінні при створенні наборів унікальних даних, коли вони важко доступні або недоступні взагалі.
  • Метод посилення навчання – це підполе машинного навчання, в якому системи навчаються шляхом отримання віртуальних «винагород» або навпаки – «покарань». По суті, це навчання методом проб і помилок. Наприклад, Google DeepMind використовував навчання щодо посилення для розробки систем, заточених на інтелектуальні ігри та інтерактивні додатки, в тому числі настільні ігри типу Go, що обіграють людей у шахи.

У бізнес-умовах ці аналітичні методи можуть застосовуватися для вирішення реальних проблем. А найбільш поширеними типами проблем є класифікація, безперервна оцінка та кластеризація.

Що, де і як застосовувати?

McKinsey Global Institute відстежив більше 400 застосувань різних видів нейронних мереж у 19 галузях в рамках виконання базових бізнес-функцій. В цілому виявилося, що кожен із методів дійсно забезпечував виконання необхідних опцій у конкретних секторах. Приклади того, де підходи AI можуть використовуватися для підвищення ефективності та посилення бізнесу, включають такі напрямки:

  • Предикативне обслуговування: це фактична здатність машинного навчання виявляти аномалії або недоліки в будь-якому бізнес-процесі. Унікальна функція AI прогнозувати збої та здійснювати заплановані втручання може бути використана для скорочення часу простою та експлуатаційних витрат, одночасно підвищуючи продуктивність. Наприклад, AI може продовжити термін служби транспорту або заводського обладнання за допомогою використання традиційних аналітичних методів, аналізуючи, зіставляючи і комбінуючи дані всіх задіяних у процесі роботи систем.
  • Оптимізація логістики: AI в логістиці може знизити витрати за рахунок прогнозування в режимі реального часу, а також поведінкового коучингу. Застосування, зокрема, таких методів, як безперервна оцінка здійснюваних послуг, може підвищити їх цінність для різних секторів. AI цілком здатний якісно оптимізувати маршрутизацію трафіку доставки, тим самим підвищуючи ефективність використання палива та скорочуючи час самої доставки.
  • Управління процесами обслуговування клієнтів і вирішення задач персоналізації: поліпшене розпізнавання мови в управлінні центру обробки викликів і маршрутизації викликів в результаті застосування методів AI дозволяє більш ефективно працювати з клієнтами і максимально якісно обробляти і персоналізувати всі запити. Наприклад, глибокий аналіз звуку дозволяє інтелектуальним системам оцінювати навіть емоційний тон клієнтів. І, в тому випадку, якщо клієнт проявляє негативну реакцію, з метою уникнути негараздів, виклик може бути автоматично перенаправлений людині-оператору або людині-менеджеру. У сфері маркетингу і банківській сфері методи AI, наприклад, можуть забезпечувати вирішення питань аналізу та підбору необхідних демографічних даних, або даних минулих транзакцій із моніторингом у соціальних мережах, а також у розробці індивідуальних рекомендацій щодо продуктів і послуг.

В цілому, за статистикою, дві третини можливостей використання AI в бізнесі припадає на прагнення компаній підвищити ефективність аналітичних процесів і забезпечити надійність використовуваних даних. Проте, на сьогоднішній день на практиці у 69 відсотках вивчених випадків глибокі нейронні мережі все ще найчастіше застосовуються безпосередньо для підвищення продуктивності підприємств. Найбільш затребувані сфери – фінанси і страхування, медицина, освіта, агропромисловість, телекомунікації. Хоча, об’єктивно, потенціал AI не обмежений конкретними сферами діяльності.

Які труднощі можуть виникнути?

Вимоги до даних для глибокого навчання, як і до самих нейронних мереж, зазвичай значно вищі, ніж для статичних аналітичних програм і додатків. Для ефективного використання AI у більшості додатків потрібний «важкий» набір усіх можливих даних – і загальних, і навчальних. А також достатня обчислювальна інфраструктура і кваліфіковані фахівці, які зможуть супроводжувати роботу нейронної мережі. Більшість сучасних моделей AI проходять навчання саме під контролем людини, і, не дивлячись на те, що вже сьогодні з’являються нові багатообіцяючі методи вирішення цього питання, він все ще вимагає задіяння великих ресурсів. Не кожна компанія ними володіє, а тому і спектр застосування інноваційних підходів буває вельми обмеженим.

І, тим не менш, за оцінкою аналітиків, вкладення на впровадження та удосконалення методів AI може становити в середньому від 3,5 до 5,8 трлн.дол. на рік, а це становить близько 40% від загального обсягу щорічних світових капіталовкладень в область технологій.

Всі права захищено.  Жодна частина статті не може бути використана в інтернеті для приватного або публічного використання без обов’язкового активного гіперпосилання на сайт everest.ua