Искусственный интеллект

Гипервизор — программное обеспечение для создания, запуска и контроля виртуальных машин. На них могут быть установлены разные операционные системы (ОС). Они изолированы от аппаратных систем и используют ресурсы виртуального компьютера, на котором запущены.

Интеграция ИИ в механизмы и системы позволяет автоматизировать рутинные, трудоемкие или сложные процессы, в том числе повысить их точность и производительность. Поэтому, эта технология — важный бизнес-ресурс.

Использование искусственного интеллекта и решений на его базе обеспечивает бизнесу ряд преимуществ.

1. Исключение человеческого фактора. Использование программируемых, самообучающихся алгоритмов исключает фактор человеческой ошибки и позволяет находить даже неочевидные для человека решения.
   

2. Снижение рисков. Машины с ИИ могут применяться в ситуациях, связанных с риском для человека. Например, роботы с ИИ могут заменить человека на отдельных производственных участках или при работе в условиях стихийных бедствий.
   

3. Круглосуточная доступность. Интеллектуальные машины можно использовать без перерывов, выходных, они не реагируют на отвлекающие факторы.
   

4. Адаптируемость. В рамках установленных условий применение ИИ-решений позволяет находить быстрые решения. Например, ИИ в чат-ботах помогает лучше понимать «живой» язык клиентов, находить ответы на сложно сформулированные вопросы, справляться с большим потоком одновременных обращений и вопросов.
   

5. Быстрое принятие решений. Приложения, машины, приборы и другие инструменты на базе ИИ принимают решения быстрее людей, что может использоваться в производственных процессах, в процессе аналитики данных, создании прогностических моделей, расчетах и других задачах.
   

Есть несколько причин, замедляющих внедрение и использование искусственного интеллекта.

1. Для контролируемого обучения (с учителем) нейросетей нужно размечать (маркировать) наборы данных вручную. На это требуется много времени.

2. Для обучения моделей нужен большой объем данных, которые нужно предварительно собрать из разных источников, структурировать, очистить от ненужной информации и привести к общему формату. Для такой работы нужна выстроенная система и штат специалистов.
   

3. Результат, полученный в результате работы алгоритмов ИИ сложно трактовать и понять с точки зрения логики принятия решений.
   

4. Модели ориентированы на решение определенных задач. Например, если алгоритм ИИ используется для обнаружения мошенничества конкретного вида, другие варианты мошенничества он распознавать не будет — для каждой задачи и каждых условий нужна своя модель.
   

5. Если исходный набор данных для обучения искажен или недостаточен, результаты работы ИИ могут быть искажены. Например, если в выборке для обучения используются только объекты красного цвета, при появлении синего объекта в процессе самообучения могут возникнуть ошибки или разногласия.
   

6. Для работы с ИИ и разработки проектов на его базе важно иметь достаточную компетенцию, позволяющую оценивать риски и принимать решения на каждом этапе внедрения алгоритмов.
   

Технологии ИИ используются в разных областях.

1. В информационных системах связи. Для распознавания голосовых запросов, поиска релевантных ответов и их озвучивания с помощью сгенерированного человеческого голоса.

2. В транспорте и логистике. Для создания беспилотных автомобилей и дронов для автоматизированной доставки товаров и посылок в удаленные районы.
   

3. В финансовом секторе. Для прогнозирования рисков, распознавания мошеннических действий, оценки платежеспособности клиентов, фиксации и блокировки атак злоумышленников. Например, к 2023 году 90% заявок на получение кредитов в Сбербанке будет рассматривать ИИ.
   

4. В медицине. Для диагностики заболеваний, обнаружения нарушений на ранних стадиях, долгосрочного прогнозирования состояния пациента.
   

5. В военной промышленности. Для разработки новых видов вооружений, средств индивидуальной защиты и приборов для распознавания противников в сложных условиях.
   

6. В бизнесе. Для проведения аналитики, сегментации клиентов, разработки персональных предложений, оптимизации рутинных рабочих процессов, выявления рисков и мошенничества. По данным 2019 года 42% российских ритейлеров использовали технологии ИИ, а еще 35% планировали их внедрить для проведения цифровой трансформации в течение пяти лет.
   

Выделяют три вида искусственного интеллекта:

1. Слабый ИИ (Narrow AI). Единственный доступный сейчас тип ИИ, применяемый в голосовых помощниках, системах виртуальной реальности, рекомендательных механизмах и других решениях.

2. Сильный ИИ (AGI). ИИ с самосознанием и возможностями, приближенными к человеческим. По прогнозам экспертов, сильный ИИ будет окончательно сформирован и доступен для использования не раньше 2075 года.

3. Супер ИИ (Super AI). ИИ с полным самосознанием и сформированным мышлением, превосходящим человеческое. Предположительно Super AI сможет самостоятельно перепрограммироваться, создавать системы нового направления и алгоритмы без вмешательства человека.

Чтобы ИИ мог выполнять поставленные задачи, он должен быть предварительно обучен на реальных или схожих к ним задачах. Для этого используется два метода:

• машинное обучение;

• глубокое обучение.

Машинное обучение — способ обучения системы или машины программирования и строгого контроля.

Машинное обучение делится три типа:

• контролируемое — обучение на наборах размеченных данных с очевидными закономерностями;

• неконтролируемое — обучение на наборах неразмеченных данных без явных закономерностей;

• обучение с подкреплением — последовательное обучение на размеченных и неразмеченных наборах данных.

Для машинного обучения достаточно небольшого объема данных. Процесс обучения разделяется на небольшие этапы, результаты каждого из которых объединяются в блок выходных данных. Признаки должны быть точно определены и созданы пользователем. Выходные данные представляются в виде числа: оценки или классификации.

Глубокое обучение — разновидность машинного обучения с использованием нейронных сетей. Процесс обучения разделен на несколько этапов и имеет структуру с несколькими вводными, скрытыми и выходными слоями.

Модель учится не на исходном наборе данных, а на результатах обучения, полученных на предыдущем этапе — то есть каждый завершенный цикл использует в качестве учителя.

Глубокое обучение отличается от машинного алгоритмом — часть процесса скрыта и не имеет очевидной логики, а пользователь получает результат, который может быть представлен в любом формате: текст, аудио, число.

Для глубокого обучения нужен большой объем размеченных исходных данных и мощное вычислительное оборудование.

1. Машинное обучение

2. Data Science

3. Нейронные сети