Искусственный интеллект становится основным вектором развития технологий, разработок и инноваций в мире. Прогресс в вычислительных мощностях, возможность собирать и обрабатывать огромные массивы информации, а также мгновенный доступ к новейшим алгоритмам обработки данных служат основой для эволюции интеллектуальных технологий.

Умные машины и приложения стали повседневным явлением, помогая нам принимать более быстрые и точные решения. Эксперты прогнозируют, что с каждым годом роль интеллектуальных систем будет стремительно расти, и уже в ближайшие 5 лет технологии AI станут ключевым игроком на рынке человеческих ассистентов.

Согласно аналитическим данным, только в 2017 году около 30% организаций во всем цивилизованном мире потратили более 15% своего бюджета на внедрение интеллектуальных разработок.

Чем же столь примечательны современные умные машины и почему столь необходимы для создания конкурентного бизнеса и эффективных условий развития любого направления деятельности в целом?

Приоритеты и ключевые принципы работы

В большинстве случаев, выполняя какие-то действия, человек сам точно не осознает, как он это делает. Ему неизвестен алгоритм происходящих в его мозге процессов понимания текста, узнавания лица, доказательства теоремы, выработки плана действий, решения задачи и т.д. Таким образом, всякая задача, для которой алгоритм решения неизвестен, относится к области применения систем искусственного интеллекта. При решении этих задач человек действует, не имея точного метода решения проблемы.

Данный тип задач обладает двумя характерными особенностями:

  • Использование информации в форме определенных символов (слова, знаки, рисунки), что отличает системы искусственного интеллекта от традиционных компьютерных систем, обрабатывающих только числовые данные;
  • Наличие возможности выбора – т.е., по сути, отсутствие алгоритма решения означает только то, что необходимо делать выбор между многими вариантами в условиях неопределенности.

В рамках решаемых задач интеллектуальные системы можно подразделить на следующие группы:

  • системы распознавания образов;
  • математические системы и системы автоматического доказательства теорем;
  • игровые системы;
  • системы решения технических задач, связанных с целенаправленным движением в пространстве и времени;
  • системы понимания естественного языка.

На сегодняшний день интеллектуальные системы имеют иерархическую структуру со следующими уровнями (в порядке понижения ранга):

  • уровень обучения;
  • уровень самоорганизации;
  • уровень прогноза событий;
  • уровень работы с базами знаний;
  • уровень формирования решений;
  • уровень планирования операций;
  • уровень адаптации;
  • исполнительный уровень.

Каждый из уровней имеет свою функциональную специфику и может состоять из нескольких подуровней. При этом на двух нижних уровнях иерархии используются традиционные модели и методы теории автоматического управления. Остальные уровни, более высокого ранга, – существенно расширяют возможности этих традиционных моделей в соответствии с требованиями современных информационных технологий работы со знаниями.

Традиционно основы искусственного интеллекта базировались непосредственно на программистах, разрабатывающих компьютерные программы для человека, – пошаговые инструкции о том, как и в каком порядке компьютеры должны выполнять задачи. Изначально умные машины не могли ничего сделать самостоятельно, если явно не были направлены программистом на решение определенных задач, а это требовало много времени. В некотором понимании, машинное обучение стало следствием этой многострадальной практики – когда компьютеры, получая и обрабатывая все большее количество данных, постепенно научились принимать достаточно точные решения, уже не требуя явных наставлений программиста. Модели постоянно изменяются и совершенствуются из года в год по мере поступления большего количества данных, обеспечивая лучшие прогнозы.

Сегодня, в 2018 году технологии машинного обучения уже не претенциозная перспектива, а критически важный для бизнеса инструмент, являющийся ключом к высокоэффективной автоматизации ряда важных процессов как в производстве, так и в сфере обычной жизнедеятельности. Благодаря алгоритмам вычисления, предлагающим организациям беспрецедентный уровень масштабируемости и мощности, мы, наконец, находимся в точке, где машинное обучение может охватить основные направления и стимулировать инновации в каждом секторе.

Некоторые примеры применения интеллектуальных систем в сфере услуг

Финансы:

  • Умные системы могут помочь банкам, страховщикам и инвесторам принимать более разумные решения, ориентированные на основные потребности и запросы клиентов.
  • Умные системы, анализируя активность пользователей, могут отслеживать их поведение и формировать модели расходов, предлагая индивидуальные финансовые консультации.
  • Умные системы обеспечивают своевременное реагирование на рыночные тенденции, осуществляя анализ рынка.
  • Умные системы способны просчитывать риски посредством анализа кредитных баллов, схем расходов, локальных и общих финансовых данных, адаптируя рекомендации как непосредственно под сам сектор услуг, так и под каждого клиента.
  • Умные системы помогают обеспечивать и удерживать конкурентоспособность, позволяя компании при помощи правильных алгоритмов машинного обучения быстро реагировать на бизнес-аналитику, повышать производительность и открывать новые потоки доходов.

Здравоохранение:

  • Умные системы способны осуществлять персонализированный мониторинг состояния здоровья пациента.
  • Умные системы могут взаимодействовать со смарт-устройствами, обеспечивающими контроль ключевых жизненных показателей человека, предупреждая сбои в работе организма.
  • Умные системы оптимизируют время врачей и пациентов, предоставляя возможность дистанционного наблюдения, корректировки поставленного диагноза и контроля текущего анамнеза.
  • Умные системы могут комплексно анализировать показатели здоровья пациента, позволяя медикам заблаговременно выявлять потенциальные аномалии и болезни.
  • Умные системы в состоянии качественно сканировать анализы человека, предоставляя аргументированные методы лечения, если в нем есть необходимость.

Торговля и логистика:

  • Умные системы обеспечивают высококлассный и высокоскоростной сервис обслуживания клиентов онлайн-магазинов.
  • Умные системы позволяют представителям розничной торговли предлагать покупателям индивидуальные рекомендации на основе их предыдущих покупок и выявленного интереса к ряду определенных товаров, персонализируя сервисы услуг.
  • Умные системы помогают как продавцам, так и покупателям осуществлять своевременную адресную отправку и доставку купленного товара (в крупнейших логистических компаниях интеллектуальные системы могут распознавать суть и намерение электронных писем и заметок для доставки, чтобы определить приоритеты задач и обеспечить сверхбыструю реализацию услуги).
  • Умные системы отслеживают изменение цен на определенные категории товаров и услуг на рынке, рассчитывая их стоимость в соответствии со спросом.

Топ-10 известных интеллектуальных систем, успешно зарекомендовавших себя на потребительском рынке

1. Голосовые помощники Siri и Cortana

Системы распознавания голоса, такие как Siri и Cortana, используют машинное обучение и глубокие нейронные сети для взаимодействия с человеком. По мере своего развития эти приложения учатся понимать нюансы и семантику нашего языка. Например, Siri может идентифицировать триггерную фразу «Hey Siri» практически в любых условиях с помощью распределения вероятностей. Выбирая соответствующие речевые сегменты из записанной базы данных, программное обеспечение может затем выбирать ответы, которые очень напоминают реальный разговор.

2. Социальная сеть Facebook

Помните, когда Facebook предложил вам пометить своих друзей на фото или событии? В настоящее время алгоритмы социальной сети уже распознают знакомые лица из вашего списка контактов. Уникальное программное обеспечение для распознавания лиц DeepFace может определять и классифицировать различия в человеческих лицах с точностью до 97,25% – всего на 0,28% меньше, чем человек(!).

3. Приложение Google Maps

Алгоритмы глубокого обучения помогают приложению извлекать названия улиц и номера домов с фотографиями, которые делают автомобили Street View, и повышать точность результатов поиска с каждым вводимым запросом. На сегодняшний день приложение собрало и обработало более 80 млрд. высококачественных изображений, анализ которых вручную был бы невероятно трудоемким. Машинное обучение освобождает больше времени инженерам Google для дальнейшей работы, автоматически извлекая информацию из геолокационных фотографий, достигая точности в 84,2%.

4. Поисковая система Google

Крупнейшая в мире поисковая система Google отныне не просто ищет, но и предлагает рекомендации, основанные на предыдущих поисковых запросах пользователей. В 2015 году Google представил RankBrain – алгоритм машинного обучения, используемый для расшифровки семантического содержания поискового запроса. Благодаря использованию интуитивной нейронной сети RankBrain идентифицирует намерение поиска пользователя и предлагает ему индивидуальную информацию по конкретной заданной теме. На сегодняшний день RankBrain все еще «учится», обрабатывая в среднем около 15% запросов в Google ежедневно.

5. Электронная почта Gmail

В 2015 году Gmail получил функцию «интеллектуального ответа» с целью помочь пользователям решать проблемы, возникающие в процессе работы с почтовыми ящиками. Функция построена сразу на двух нейронных сетях: одна используется для кодирования входящей почты, другая – для прогнозирования возможных ответов. Эти сети работают в тандеме, чтобы расшифровывать входящие сообщения и автоматически предлагать несколько разных ответов на каждое из них. К слову, по статистике, сегодня большая часть электронных писем отправляется пользователями при помощи мобильных телефонов именно с почты Gmail, так как функционал программы обеспечивает удобство ее эксплуатации.

6. Платежная система PayPal

Использует алгоритмы машинного обучения для борьбы с мошенничеством. Интеллектуальные технологии, заложенные в основу PayPal, позволяют ей анализировать огромное количество данных о клиентах и эффективно оценивать и прогнозировать рисковые ситуации. Притом PayPal работает не просто по принципу «да или нет», а, качественно обрабатывая всю финансовую, компьютерную и сетевую информации, учится заблаговременно распознавать мотивы действий и намерения клиентов.

7. Мультимедийная система Netflix

Сегодня Netflix является интеллектуальной мультимедийной платформой, которая обслуживает более 100 миллионов подписчиков во всем мире. И, не взирая на то, что детали ключевых алгоритмов машинного обучения системы хранятся за закрытыми дверями, разработчики утверждают, что есть два базовых аспекта, которые заставляют созданную ими нейронную сеть активно думать: поведение пользователя и содержание медиа-контента, к которому он проявляет интерес. Вместе эти наборы данных создают несколько «групп предпочтений», которые сообщают системе рекомендации касательно того, как правильно обработать запрос пользователя, удовлетворив его интерес.

8. Система авто-обслуживания Uber

Интеллектуальные системы являются фундаментальной базой работы Uber. Технический гигант использует алгоритмы машинного обучения для определения, передвижения, местоположения и подачи автомобиля в соответствии с запросом пользователя. Когда вы заказываете автомобиль, цель Uber заключается в том, чтобы как можно точнее оценить время своего прибытия. Машинное обучение позволяет это сделать, анализируя данные из миллионов предыдущих поездок и применяя их к вашей конкретной ситуации. По аналогичному принципу сегодня работает и UberEATS, который учитывает даже то время, которое необходимо для приготовление пищи, чтобы доставить ее вовремя. В 2017 году подобные опции увеличили спрос на услуги компании на 26% среди постоянных и новых клиентов.

9. Система «умного поиска клиентов» Lyst

Lyst, по сути, – сайт модной электронной коммерции, работающий с достаточно новой моделью машинного обучения: для того, чтобы поиск потенциальных клиентов соответствовал реальным рекомендациям и потребностям, интеллектуальная система использует теги метаданных для визуального сравнения различных предметов одежды. Их алгоритмы считывают эти теги и определяют лучшие совпадения, формируя предложение для конкретного клиента.

10. Музыкальный сервис Spotify

Spotify использует машинное обучение для определения симпатий и антипатий пользователей, предоставляя список связанных треков, ориентированных на предпочтения и количество введенных ранее запросов. В своем рекламном проспекте Discover Weekly Spotify насчитывает 30 треков, которые, по его мнению, вы должны прослушать, чтобы быть в курсе новинок и лучших композиций. После этого система обязательно предложит пользователю добавить наиболее понравившиеся композиции в отдельный удобный навигационный плей-лист. Песни отбираются с помощью алгоритмов машинного обучения, которые анализируют активность пользователя и соответствуют его музыкальным вкусам, формируя виш-листы и приоритетные направления дальнейшего поиска материала.

Общий прогноз и перспективы влияния интеллектуальных машин на бизнес-среду

  • Известно, что на сегодняшний день более 60% организаций во всех уголках планеты используют облачные технологии хранения данных. Эксперты считают, что уже через несколько лет интеллектуальные системы позволят компаниям массово создавать собственные локальные облачные сервисы, что существенно расширит их ресурсы и возможности оперирования данными.
  • Процент предприятий, использующих машинное обучение в том или ином виде, растет в геометрической прогрессии ежегодно. Согласно прогнозам мирового аналитического агентства Gartner, уже к 2021 году интеллектуальные технологии станут фундаментальной основой в стремлении бизнеса оптимизировать свои ресурсы: умная автоматизация положит на лопатки любые другие методы усиления конкурентоспособности, заверяют аналитики. Кроме того, прогнозируют, что отрасли, которые не прибегнут к инновационным внедрениям в ближайшие несколько лет, будут лишены конкурентных преимуществ на рынке в принципе.
  • Прогнозируется, что к 2020 году предприятия, использующие интеллектуальные системы и связанные с ними технологии, такие как машинное обучение и глубокое обучение, чтобы выявить новые идеи для бизнеса, превзойдут по своему общему доходу своих конкурентов, которые не применяют эти технологии, более чем на 1,2 трлн.дол.
  • Маркетинговые компании, использующие интеллектуальные технологии для продвижения продукта или услуги, уже сегодня дают прирост продаж на 73% выше. Предполагается, что до 2020 года, с учетом развития умных систем и их возможностей, такая тактика даст 100-процентный показатель.
  • По статистике, 79% компаний ошибаются в своих прогнозах на 10% чаще, когда действуют «вручную», чем когда используют для прогнозирования умные машины.
  • Умные системы позволяют получать важную информацию о клиентах, их поведении и потребностях, и использовать эти данные для персонализации коммуникаций, а также формирования лучшего клиентского опыта по всем каналам взаимодействия. Предполагается, что уже в ближайшие 5 лет бизнес не будет рассматривать в принципе никакие другие методы работы с потребительской аудиторией.

 

Читайте также:

Спрос на AI в бизнесе растет: пальму первенства среди интеллектуальных инструментов эксперты отдают нейронным сетям

Тенденции AI в 2019 году: предметом повышенного внимания и потребления будет углубленное машинное обучение

Преимущества цифровизации оборонного комплекса и стратегическое влияние умных технологий на военный сектор