Роль инструментов и методов искусственного интеллекта в бизнесе и мировой экономике растет с каждым днем не потому, что они являются модной тенденцией или обязательным условием для выживания и сохранения конкурентоспособности современной компании на рынке. А, прежде всего, потому, что они имеют совершенно уникальный потенциал, мощь которого еще даже не на пределе, а эффективность – уже доказана.

Основываясь на исследованиях McKinsey Global Institute за 2018 год и прикладном опыте работы AI McKinsey Analytics, ведущие аналитики и ученые оценили не только влияние AI на все отрасли и индустрии, но и определили лучшие кейсы и направления его применения в том виде, в котором он будет максимально востребован во всех возможных бизнес-процессах на разных уровнях взаимодействия и решения ключевых вопросов.

Пальму первенства в гонке среди многочисленных интеллектуальных инструментов, приложений и самих технологических подходов эксперты отдают методам глубокого обучения. Именно нейронные сети, которым уже сегодня доступны самые непростые задачи широкого спектра назначения, будут иметь приоритетное значения для мировой бизнес-среды. И именно на создание, развитие, обучение и применение нейронных сетей будет сконцентрирована основная доля инвестиций.

Что в тренде?

Нейронные сети – это, простыми словами, подмножество методов машинного обучение, которое, в свою очередь, является основой работы технологий на базе AI. По сути, они представляют собой системы искусственного интеллекта, основанные на моделировании связанных между собой «нейронных единиц», свободно моделирующих то, как нейроны взаимодействуют в мозге. Вычислительные модели, основанные на нейронных связях, изучались еще начиная с 1940-х годов и стали более популярными по мере увеличения мощности компьютерной обработки и повышенных требований к точному анализу входных данных (изображения, видео, речь).

На сегодняшний день принято считать, что, несмотря на глобальные и доступные возможности нейронных сетей, они все равно находятся на зачаточном уровне развития. Но предполагается, что в ближайшие 5-10 лет акценты и ресурсы в данной области будут направлены не только на развертывание самых востребованных их видов, но и на их повсеместное применение.

  • Проходные нейронные сети: простейший тип искусственной нейронной сети. В этой архитектуре информация перемещается только в одном направлении – вперед, от входного слоя, через «скрытые» слои к выходному слою. В сети нет «петель». Первая сеть с одним нейроном была предложена еще в 1958 году первопроходцем А.Ф.Розенблаттом. Хотя идея не нова, успехи в вычислительной мощности, алгоритмах обучения и доступных данных привели к более высоким уровням производительности, чем это было возможно ранее.
  • Рекуррентные нейронные сети (RNN): искусственные нейронные сети, чьи связи между нейронами включают в себя «петли», хорошо подходящие для обработки последовательностей входных данных. В ноябре 2016 года исследователи из Оксфордского университета (США) сообщили, что система, основанная на рекуррентных нейронных сетях (и сверточных нейронных сетях), достигла 95-процентной точности в процессе считывания информации по губам, опередив опытных специалистов-людей в этой области, которые тестировали с 52-процентной точностью.
  • Сверточные нейронные сети (CNN): искусственные нейронные сети, в которых связи между нервными слоями работают по принципу организации деятельности мозга человека, способного не просто воспринимать и запоминать информацию, но и обрабатывать и анализировать ее с определенной необходимостью и целью.

Помимо вышеописанных разновидностей, в целях будущего и, возможно, перспективного применения в бизнесе рассматриваются также генерирующие состязательные сети (GAN) и так называемый метод усиления обучения. Но данные направления пока что не приобрели популярность по причине того, что плохо изучены на практике.

  • Генерирующие состязательные сети (GAN) используют сразу две нейронные сети, которые в процессе своей деятельности как бы оспаривают действия и выводы друг друга, приходя, таким образом, к наиболее верному, точному решению поставленной задачи. GAN могут научиться имитировать различные распределения данных (например, текст, речь и изображения), а потому ценны при создании наборов уникальных данных, когда они тяжело доступны или недоступны вообще.
  • Метод усиления обучения – это подполе машинного обучения, в котором системы обучаются путем получения виртуальных «вознаграждений» или наоборот – «наказаний». По сути, это обучение методом проб и ошибок. К примеру, Google DeepMind использовал обучение по усилению для разработки систем, заточенных на интеллектуальные игры и интерактивные приложения, в том числе настольные игры типа Go, обыгрывающих людей в шахматы.

В бизнес-условиях эти аналитические методы могут применяться для решения реальных проблем. А наиболее распространенными типами проблем являются классификация, непрерывная оценка и кластеризация.

Что, где и как применять?

McKinsey Global Institute отследил более 400 применений разных видов нейронных сетей в 19 отраслях в рамках выполнения базовых бизнес-функций. В целом оказалось, что каждый из методов действительно обеспечивал выполнение необходимых опций в конкретных секторах. Примеры того, где подходы AI могут использоваться для повышения эффективности и усиления бизнеса, включают следующие направления:

  • Предикативное обслуживание: это фактическая способность машинного обучения обнаруживать аномалии или недочеты в каком-либо бизнес-процессе. Уникальная функция AI прогнозировать сбои и осуществлять запланированные вмешательства может быть использована для сокращения времени простоя и эксплуатационных затрат, одновременно повышая производительность. Например, AI может продлить срок службы транспорта или заводского оборудования посредством использования традиционных аналитических методов, анализируя, сопоставляя и комбинируя данные всех задействованных в процессе работы систем.
  • Оптимизация логистики: AI в логистике может снизить затраты за счет прогнозирования в режиме реального времени, а также поведенческого коучинга. Применение, в частности, таких методов, как непрерывная оценка осуществляемых услуг, может повысить их ценность для разных секторов. AI вполне способен качественно оптимизировать маршрутизацию трафика доставки, тем самым повышая эффективность использования топлива и сокращая время самой доставки.
  • Управление процессами обслуживания клиентов и решение задач персонализации: улучшенное распознавание речи в управлении центра обработки вызовов и маршрутизации вызовов в результате применения методов AI позволяет более эффективно работать с клиентами и максимально качественно обрабатывать и персонализировать все поступающие запросы. Например, глубокий анализ звука позволяет интеллектуальным системам оценивать даже эмоциональный тон клиентов. И, в том случае, если клиент негодует, во избежание неурядиц, вызов может быть автоматически перенаправлен человеку-оператору или человеку-менеджеру. В сфере маркетинга и банковской сфере методы AI, к примеру, могут обеспечивать решение вопросов анализа и подбора необходимых демографических данных, или данных прошлых транзакций с мониторингом в социальных сетях, а также в разработке индивидуальных рекомендаций по продуктам и услугам.

В общей сложности, по статистике, две трети возможностей использования AI в бизнесе приходится на стремление компаний повысить эффективность аналитических процессов и обеспечить надежность используемых данных. Тем не менее, на сегодняшний день на практике в 69 процентах изученных случаев глубокие нейронные сети все еще чаще всего применяются непосредственно для повышения производительности предприятий. Наиболее затребованные сферы – финансы и страхование, медицина, образование, агропромышленность, телекоммуникации. Хотя, объективно, потенциал AI не ограничен конкретными сферами деятельности.

Какие трудности могут возникнуть?

Требования к данным для глубокого обучения, как и к самим нейронным сетям, обычно значительно выше, чем для статических аналитических программ и приложений. Для эффективного использования AI в большинстве приложений требуются «тяжелый» набор всех возможных данных – и общих, и учебных. А также достаточная вычислительная инфраструктура и квалифицированные специалисты, которые смогут сопровождать работу нейронной сети. Большинство современных моделей AI проходят обучение именно под контролем человека, и, несмотря на то, что уже сегодня появляются новые многообещающие методы решения этого вопроса, он все еще требует задействования больших ресурсов. Не каждая компания ими располагает, а потому и спектр применения инновационных подходов бывает весьма ограничен.

И, тем не менее, по оценке аналитиков, вложения на внедрение и усовершенствование методов AI может составлять в среднем от 3,5 до 5,8 трлн. дол. в год, а это составляет около 40% от общего объема ежегодных мировых капиталовложений в область технологий.

Все права защищены. Ни одна часть статьи не может быть использована в интернете для частного или публичного использования без обязательного активной гиперссылки на сайт everest.ua.